基于滚动时域方案的车道级排队信息预测系统（LQS）：算法验证与协同智能运输系统（C-ITS）试验场部署

《Sensors》：A Rolling-Horizon Lane-Level Queue Prediction System: Algorithm Validation and Field Deployment in a Cooperative Intelligent Transport System (C-ITS) Testbed

　　

联网与自动驾驶车辆（CAV）的车道选择与换道决策需要车道分辨率的排队长度信息，而走廊级估计方法无法提供此类信息。本文提出了逐车道排队信息预测系统（LQS），其在滚动时域（rolling-horizon）方案下将车队离散模型（platoon dispersion model）与冲击波理论排队模型（shockwave-theory queue model）相结合，基于上游交通流量（movement-traffic-volume）和信号相位数据预测逐车道排队长度。研究人员介绍了该系统如何通过SAE J2735消息扩展集成至实时运行的协同智能运输系统（C-ITS）协议栈，及其在韩国华城试验场的部署情况：该部署测得了处理延迟（平均313.6 ms），但未进行实地精度验证。在独立的微观仿真（microsimulation）试验场（韩国高阳），参数在信号周期6–15上标定，并在留出的周期16–21上评估，四个信号控制车道的周期最大平均相对误差为24.5%（17.1–30.0%），而基线方法为33.2–52.8%；红灯放行的右转车道单独报告（51.5%）。由于周期最大误差与全序列误差对车道的排序并不一致，研究人员还报告了以平均队列长度归一化的均方根误差（RMSE）、偏差和相关性指标，以调和两种指标的差异。消融实验（ablation study）表明，两个经验标定的参数相互耦合。

**研究背景与问题提出**

信号化交叉口的排队在车道间分布不均：当相邻车道服务不同转向运动，或同一运动下驾驶员车道选择不均时，同一时刻各车道排队长度差异显著。对人工驾驶车辆这仅是轻微不便，但对接近交叉口时执行自动化车道选择与换道决策的联网与自动驾驶车辆（CAV），这是车载传感器往往无法及时供给的信息——尤其当排队位于弯道之后、超出传感器视距，或形成速度快于车载感知可跟踪速度时。驶出"将变为右转专用道"车道前的强制换道，亦需目标车道排队状态的事先预警；其使用案例涵盖避免左转专用道排队溢出的改道、选择较短车道压缩行程时间、确定换道时机与跟车制动起始位置。由于上游数百米处的车辆须预知其到达时刻的排队形态，必须预测而非仅观测未来排队；基础设施提供的排队信息还可弥补相邻车道排队尾部被遮挡的感知局限，LQS可视为此类目标级协同感知的交通状态对应物。

**研究内容、结论与意义**

研究人员研制逐车道排队信息预测系统（LQS），在滚动时域方案下结合Robertson车队离散模型与冲击波理论，以5秒步长输出未来30秒（6个预测偏移）各车道排队长度预测。系统通过SAE J2735出行者信息消息（Traveler Information Message, TIM）的区域扩展集成于标准C-ITS消息栈，经中心本地动态地图（Center LDM）与路侧单元/车载单元（RSU/OBU）下发，并部署于韩国华城Saesol-dong的C-ITS与自动驾驶试验场（4个信号化交叉口、6个目标进口），测得平均处理延迟313.6 ms，满足1000 ms设计预算。其贡献在于车道级分辨率、滚动时域前瞻预测与仿真之外的标准实时系统架构部署三者的结合，而非任一单独要素。

**关键技术与数据（约250字）**

Robertson车队离散模型递归式将上游5 s到达量转为逐车道到达流预测（α=0.01 s^?1，F=0.787，τ=25 s）；"近视"车道流量比取最近一个完成信号周期（160 s窗口）下游离开比例，经验校正将右转车道到达份额部分重分配至车道1–4；冲击波模型定义三状态（P1到达、P2离开、P3阻塞）与三波速（v1排队形成、v2离开波、v3排队消散），以假设排队长度与离开前沿判定临界时刻t_max，预测排队以车道存储长度封顶（60 m或450 m）。验证在韩国高阳Deokhwa-dong区域5个信号化交叉口的独立VISSIM微观仿真上进行，样本为走廊第2个交叉口北进口（1左转专用道+3直行道+1右转专用道，160 s周期），1小时721个5 s步长，周期6–15标定、周期16–21验证。

**研究结果**

3.1 验证精度（周期最大相对误差）：四个信号控制车道（车道1–4）在留出周期上平均周期最大相对误差为24.5%（17.1–30.0%），与标定周期（25.6%）接近，表明标定参数未过拟合；红灯放行、观测排队平均仅1.8 m的右转车道单独报告，误差由标定期35.3%升至验证期51.5%；仅使用上一周期车道份额的因果模型，在车道1–4上与预知当前周期车道使用的oracle持平（24.5%对24.5%）。

3.2 全时间序列误差（RMSE）：预测提前量5–25 s与零偏移的差异在任一车道至多为2.0 m，车道1–4上从不更大；车道4周期最大相对误差最低（17.05%）而RMSE最大（78.28 m），车道5相对误差最大（51.47%）而RMSE最小（14.63 m），两类指标的排序分歧显现。

3.3 标定敏感性分析：车道流量比校正与逐车道v₂（基线值6.23 m/s）两项经验调整单独应用均显著改变精度，且彼此耦合——仅联合调整方能在全部车道、标定与验证两个时期均表现良好，构成论文的核心方法学警示：新场地应联合重新标定而非单独调整其一。

3.4 与基线方法比较：LQS信号控制车道平均相对误差24.5%，低于等分（B2，52.8%）、运行均值车道份额（B3，33.2%）与确定性点队列模型（B4，34.3%）；全序列RMSE差异较小（LQS 59.1 m，B3 56.4 m）；移除车队离散（B1，F=1）结果不变（24.5%），表明标定α下离散模型近乎仅起行程时间移位作用。

3.5 试验场部署：证据范围：系统架构作为集成系统在仿真之外建成并运行（技术验证约120次运行、为期6天，并有公众演示）；唯一定量测量为30次试验平均处理延迟313.6 ms（标准差56.2 ms，范围252–460 ms），输入为单一人工生成消息而非实时摄像头来源的多交叉口交通；排队预测精度与换道场景效果均无实地测量。

**讨论部分**

研究人员明确披露验证场地（高阳VISSIM）与部署场地（华城实地）的错配，并主张算法通用性与分场地严谨验证、部署共同构成合法的两部分贡献。归一化指标调和了RMSE与相对误差的分歧：车道4原始RMSE大仅因平均排队最大（97.6 m；归一化后80.2%，与车道1–3的73.6–88.2%一致），车道5归一化误差高达814.0%、相关系数仅0.04，表明模型无法跟踪该车道。直行道存在系统性欠预测（车道2–4验证期偏差为?12.8、?36.0、?22.8 m），非因车道分配（预测到达较观测离开超出3–6%），论文指出两个可能机制：v₂按最小化周期最大误差而非偏差标定，以及固定25 s自由流行车时未计入排队尾部的减速。v₂接近不稳定阈值：全体降低0.3 m/s使平均验证相对误差由24.5%升至46.0%，降低0.5 m/s时达73.3%，且无存储长度上限时预测排队曾累积至2098 m（450 m链路），故标定应取最优值上方。标定α下离散参数影响甚微：F=1、α=0.01 s^?1、α=0.05 s^?1（F=0.426）与TRANSYT默认值（αβ=0.28 s^?1，F=0.117）对应的平均验证相对误差分别为24.5%、24.5%、26.4%、49.6%。离线基准显示算法计算量占比不足实测延迟的0.1%（每5 s步长每五车道进口约0.05 ms，六进口约0.29 ms），延迟主因是消息解析、地图处理与套接字通信，预计随MT消息大小近似线性增长。局限共七项，涵盖无实地精度验证、单一场景单次运行的验证范围、右转车道超出模型范围、参数耦合且场地特定、延迟测量范围狭窄、缺乏消息延迟或丢失处理、基线仅限相同输入方法；未来工作七项，包括在华城几何上重新仿真验证、开展同步真值采集的实地测量ampaign、跨方向划分比例与多次运行验证、右转车道专用模型、通信故障鲁棒处理、全规模负载测试及基于Edie广义定义与LSTM的密度修正。

**结论部分（翻译）**

本文提出LQS——在滚动时域方案下结合Robertson车队离散模型与冲击波理论的实时车道级排队长度预测系统——并阐述其集成至实时C-ITS消息标准栈、部署于自动驾驶试验场的情况。仅使用预测时刻可得信息，参数在信号周期6–15标定、在留出的周期16–21评估，LQS在四个信号控制车道上取得24.5%平均周期最大相对误差，低于等分、运行均值车道份额与点队列基线，且等于预知当前周期车道使用的oracle；红灯放行且让行行人的右转车道在模型范围之外。归一化RMSE、偏差与相关性调和了周期最大与全序列误差的分歧，并识别出直行道的系统性欠预测。受控消融表明两个标定参数相互耦合，敏感性分析表明离开波速度接近不稳定阈值、且车队离散在该试验场贡献甚低——这对新场地重新标定具有直接启示。相对于既有排队估计文献，LQS的贡献是车道级分辨率、滚动时域预测与部署于仿真之外的完整标准实时系统三者的结合。华城Saesol-dong部署证明了架构与集成可行性，并有一项受控测试平均处理延迟313.6 ms的实地测量，但无实地排队预测精度测量，这是未来工作最明确的优先事项。