基于大规模浮动车数据的交通信号相位和时间估计-计算机科学-机器学习-交通信号-算法.pdf

基于大规模浮动车数据的交通信号相位和时间估计

12†1†345

MingchengLiao,ZebangFeng,MiaoFan,ShengtongXu,HaoyiXiong

1NavInfoCo.Ltd.,2AustralianNationalUniversity,3BeijingInstituteofGraphicCommunication,

4AutohomeInc.,5BaiduInc.

Abstract—有效的现代交通系统关键依赖于准确的信号相

位和时间（SPaT）估计。然而，获取地面真实的SPaT信息由

于与交通运输部门和信号安装者之间的沟通挑战而面临重大障

碍。因此，浮动车数据（FCD）已成为大规模SPaT分析的主要

来源。当前的FCD方法通常通过假设特定时间和地点的固定计

本划和基本交叉口设计来简化问题。这些方法未能考虑到周期性

的信号变化、多样化的交叉口结构以及现实世界数据本身的局

译限性，从而缺乏一个普遍适用的全面框架。为了解决这一限制，

中我们提出了一套工业级的FCD分析工具包，管理整个过程，从

初始的数据预处理到最终的SPaT估计。我们的方法估计信号

1

v相位、识别时间（TOD）段，并确定红灯和绿灯的持续时间。该

0框架在各种条件下表现出显著的稳定性和鲁棒性，无论道路几

9何形状如何，都是其关键特征之一。此外，我们提供了一个经过

1

4清理、去标识化的FCD数据集和支持参数以促进未来的研究。Fig.1:我们的SPaT估计算法框架集成到导航平台中，

1.目前，在我们的导航平台中运行，系统每天分析超过1500万条向用户提供实时的交通信号状态更新。

7FCD记录，支持中国大陆超过两百万个交通信号灯，其中75%

0以上的估计误差小于五秒。

5

2IndexTerms—估计短期通行时间，大规模真实浮动车数据历史上，SPaT预测研究主要依赖两种数据模式。第

:

v一种采用临时安装的检测器或传感器阵列来捕捉详细

iI.介绍

x的车辆和交叉口动态[5],[6]。第二种利用浮动车数据

r

a信号相位和时间（SPaT）预测，涉及准确估计交（FCD），这些数据来源于微观交通仿真（例如SUMO）

通信号相位持续时间（例如绿灯和红灯周期）并识别或现实世界中的车辆轨迹[7],[8]。虽然车载摄像头可

相应的时间段（TOD）计划，在智能运输系统中代表以识别倒计时显示器，但这种做法由于此类显示器的

了一个关键的数据驱动挑战[1]。这种能力对于优化交不一致存在而缺乏广泛适用性。尽管专业传感器和仿

通流、缓解拥堵、提高安全性以及实现车辆协调移动真的数据具有高保真度，但在广大区域如中国大陆进

至关重要[2],[3],[4]。此外，向驾驶员提供实时SPaT行大规模部署面临着重大的经济和物流障碍。FCD可

数据有助于做出明智的决策，从而带来更顺畅和可预以从安装在车辆上的传感器获得，捕捉时间信息和外

测的驾驶体验，正如我们在平台上提供的（图1）。然部参数（例如地理坐标）以及内部参数（例如车速）。通

而，由于通信障碍以及各种制造商和技术团队之间交过车队的自然移动，这种方法能够在成本更低的情况

通信号的分散控制，直接获取真实可靠的SPaT数据下覆盖更大的区域。因此，来自现实世界车辆的FCD

通常是不可行的。这需要有效的基于数据驱动的SPaT成为一个更具可扩展性和成本效益的解决方案，可以

预测方法。通过现有的车队进行