Queues at signalized intersections bring interruptions to the smooth movement of vehicles and slow down the traffic in urban road networks. Although queue length estimation has attracted much attention in the literature, recent studies indicate increasing interest in queue profile estimation, which is crucial to many extensive analysis. In this research, we propose an innovative approach to estimating the queue profile at a signalized intersection by exploiting the spatiotemporal propagation of shockwaves. The input to our model includes locations and speeds of probe vehicles on a signalized link and the starting time of red in signal cycles. The model then outputs the corresponding queue profile. We first classify data points of probe vehicles into moving and stopped states. We then develop an integer programming model with a set of novel constraints to estimate the queue profile, which conforms to the spatiotemporal propagation of shockwaves. Unlike existing studies that use triangles or polygons to approximate queue profiles, our model allows us to detect queue profiles of any shape. Our model can also categorize cycles into different types and utilize data in cycles of the same type, which helps to construct the queue profile. We validate our model using both simulated and real data. Results show that our model is capable of producing satisfactory results even when the penetration rate is as low as 10–20% and the sampling interval is as high as 20–30 seconds.

信号交叉口的排队会干扰车辆的平稳行驶，并减慢城市道路网的交通。尽管队列长度估计已在文献中引起了广泛关注，但最近的研究表明，人们对队列轮廓估计的兴趣日益增加，这对许多广泛的分析至关重要。在这项研究中，我们提出了一种创新的方法，通过利用冲击波的时空传播来估计信号交叉口的队列轮廓。我们模型的输入包括信号链路上探测车的位置和速度以及信号周期中红色的开始时间。然后，模型输出相应的队列配置文件。我们首先将探测车的数据点分类为移动和停止状态。然后，我们开发具有一组新颖约束的整数规划模型来估计队列轮廓，该轮廓符合冲击波的时空传播。与使用三角形或多边形近似队列轮廓的现有研究不同，我们的模型允许我们检测任何形状的队列轮廓。我们的模型还可以将周期分类为不同类型，并在相同类型的周期中利用数据，这有助于构造队列概要文件。我们使用模拟和真实数据来验证我们的模型。结果表明，即使渗透率低至10–20％并且采样间隔高达20–30秒，我们的模型也能够产生令人满意的结果。与使用三角形或多边形近似队列轮廓的现有研究不同，我们的模型允许我们检测任何形状的队列轮廓。我们的模型还可以将周期分类为不同类型，并在相同类型的周期中利用数据，这有助于构造队列概要文件。我们使用模拟和真实数据来验证我们的模型。结果表明，即使渗透率低至10–20％并且采样间隔高达20–30秒，我们的模型也能够产生令人满意的结果。与使用三角形或多边形近似队列轮廓的现有研究不同，我们的模型允许我们检测任何形状的队列轮廓。我们的模型还可以将周期分类为不同类型，并在相同类型的周期中利用数据，这有助于构造队列概要文件。我们使用模拟和真实数据来验证我们的模型。结果表明，即使渗透率低至10–20％并且采样间隔高达20–30秒，我们的模型也能够产生令人满意的结果。