一种针对部分车道车流突变的交叉口自愈合控制方法与流程

本发明涉及一种针对部分车道车流突变的交叉口自愈合控制方法，特别涉及一种基于极小型指标评价方法、BP神经网络和粒子群优化算法的道路交叉口交通控制系统的自愈合控制方法。

背景技术：

路段和交叉口构成了城市道路系统，其中交叉口是城市交通的关键。由于不同方向的交通流在交叉口处发生一系列交通行为，因此交叉口处限制着道路的通行能力，并且还是最易发生交通事故的地点。所以，解决道路交通问题的关键就是实现对交叉口的有效管理。传统的交通信号控制系统使用固定配时，一般其有着固定的控制周期，不能根据实际交通流的情况实时改变各个方向的配时等，导致了大量的时间和资源的浪费。现今道路中，尤其在道路交叉口，某些车道上车辆突然增多导致交叉口拥挤，运行效率不高，一般只能等待交警到达现场指挥协调，不仅等待时间较长而且消耗大量的人力。所以，通过检测各个方向上的车流信息并对交通信号的控制进行优化，实时调整各相位的绿灯时长等控制参数，可以更合理地控制和引导车辆，提高道路的通行能力。尤其是在车道车流突变的情况下，可以通过调整配时等实现交通控制系统的自我恢复。

城市道路交叉口的信号控制是指利用包括信号灯信号和交通警察手势信号的交通信号，从时间上将相互冲突的交通流予以分离，达到引导车辆及行人顺利地经过交叉口的目标。通过对城市道路交叉口交通信号的控制，可以使车辆等有秩序地经过路口，减少车辆排队等待时间，提高交叉口的运行效率。常见的城市道路交叉口控制信号为灯光信号，通过红，黄，绿三色灯光，实现对车辆和行人通行权的分配。绿灯为允许通行；黄灯为警示信号；红灯为禁止通行。本方法中将黄灯时间算入绿灯时间之内。

常见的研究城市道路交叉口系统的理论方法之一为有模型方法。传统的基于统计学的延误模型由Webster和Akcelik提出，并被广泛应当用到单交叉口的固定配时策略中。Webster延误公式是一个很经典的计算某一相位车道延误的公式，由于其计算效果较好所以被人们广泛使用。评价交叉口交通的指标除了平均延误之外，饱和度和平均排队长度也能比较直接地反应交叉口的运行状况。但是当交叉口很拥挤时，饱和度不再表现交通需求的特征，延误也不适合作为交通信号控制的优化目标。此时为了避免排队长度过大导致的溢流，以及对上游交叉口的影响，应该控制排队长度，尽快疏散交叉口滞留排队。

极小型指标的评价方法：当选取的多个指标中所有指标都趋近于0时，系统的运行被认为是统筹协调，所以综合评价结果优越。当所有指标都趋近于1时，系统的运行被认为是统筹协调，但综合评价结果较差。当指标中一些相对较大，而另一些相对较小，则认为这样一个系统是不协调的，综合评价结果一般。

人工神经网络是复杂的非线性网络系统，它能解决传统算法不能的问题。神经网络具有快速处理信息的能力以及很强的处理不确定性信息的能力。当选择合适的参数，它可以收敛到一个相对较小的均方，实现复杂和高度非线性映射。人工神经网络的研究始于1943，经过60多年的发展，已被广泛地应用于工程研究领域。目前，神经网络的发展主要集中在应用。多层前馈神经网络是应用最广泛的神经网络之一。它是一种多层网络，具有良好的非线性逼近能力和结构简单的优点。BP神经网络在模式识别、智能控制、分类、预测等方面取得了显著的成绩。

目前，我国研究交通控制的学者主要的研究方向为车辆检测和信号优化。检测方向以模式识别为主，利用图像处理技术，同级车流量大小，辨识违章情况等。信号优化中，国内学者倾向于使用生物启发式算法，对交叉口的延误时间等进行寻优。常用的算法有：鱼群算法，蚁群算法，遗传算法，粒子群算法等。粒子群优化算法(PSO)是群体智能的典型之一，简称为PSO算法或粒子群算法。粒子群算法是由Eberhart博士和Kennedy博士发明的一种全局优化进化算法。一开始系统初始化为一组随机解，之后多次地迭代来搜索最优值。而对于确定的延误模型，需要调整配时来使得延误最小，即寻找全局最优值，所以粒子群算法可以用在对延误模型的解算。与蚁群算法相比，粒子群优化可以有效地优化系统的参数，从而能够更快地逼近最优解。粒子群算法具有优异特性的关键是个体能够充分利用自身以及种群的经验调整自身的状态，进行下一步的迭代。所以PSO算法适合于求解一些连续函数的优化问题。相比于遗传算法，在大多情况下，PSO能够更快地收敛于最优解。因此，将粒子群算法用于实时求解信号配时更快速简单，控制效果更好。

自愈合本来是一个生物学概念，自愈指的是一种稳定和平衡的自我恢复机制，所以自愈合即自我恢复平衡或稳定。将其引入到交通信号控制中来，就是指当交叉口发生了一些突发事件导致其通行能力受到影响的情况下，仅通过一定的控制方案调整其交通信号的配置从而恢复交叉口的正常运行。

技术实现要素：

本发明所要解决的技术问题是提供一种针对部分车道车流突变的交叉口自愈合控制方法。

本发明为解决上述技术问题采用以下技术方案：

本发明提供一种针对部分车道车流突变的交叉口自愈合控制方法，具体步骤如下

步骤1，同时考虑交叉口饱和度、平均延误和平均排队长度三项指标，利用极小值型指标评价法构建交叉口综合指标；

步骤2，根据交叉口饱和度，将交叉口交通运行状况划分为五个等级，其中，划分依据为：若饱和度在(0,0.3]范围内则交叉口交通运行状况等级为1，若饱和度在(0.3,0.6]范围内则交叉口交通运行状况等级为2，若饱和度在(0.6,0.8]范围内则交叉口交通运行状况等级为3，若饱和度在(0.8,1]范围内则交叉口交通运行状况等级为4，若饱和度大于1则交叉口交通运行状况等级为5；

步骤3，从交叉口交通数据中提取若干组交叉口饱和度、平均延误和平均排队长度值，获得相应的交叉口综合指标值以及交叉口交通运行状况等级；

步骤4，将步骤3中获得的交叉口饱和度、平均延误、平均排队长度、交叉口综合指标值以及交叉口交通运行状况等级作为BP神经网络的训练样本，进行BP神经网络的训练学习，其中，交叉口饱和度、平均延误、平均排队长度为神经网络的输入，交叉口交通运行状况等级为神经网络的输出；

步骤5，实时采集当前交叉口的交通数据，提取当前交叉口饱和度、平均延误和平均排队长度后输入步骤4中训练完成的BP神经网络，得到当前交叉口交通运行状况等级；

步骤6，若步骤5得到的当前交叉口交通运行状况等级小于等于3，则保持当前信号配时；若当前交叉口交通运行状况等级为4，则以交叉口综合指标最小为优化目标，对交叉口信号配时进行优化；若当前交叉口交通运行状况等级为5，则以交叉口平均排队长度最小为优化目标，对交叉口信号配时进行优化。

作为本发明的进一步优化方案，交叉口综合指标的表达式为：

$r^2={\left(\stackrel{\‾}{x}\right)}^2+{\left(\stackrel{\‾}{Q}\right)}^2+{\left(\stackrel{\‾}{d}\right)}^2$

式中，r为交叉口综合指标，x,Q,d分别为交叉口饱和度、平均排队长度、平均延误；

交叉口饱和度的表达式为：

$x=\underset{i=1}{\overset{4}{\Σ}}{\mathrm{\ω}}_i\×x_i$

式中，x_i为第i个相位的饱和度，ω_i为第i个相位的权重，X为四个相位的饱和度之和；q_i为第i个相位的车辆到达率，c_i为第i个相位的通行能力，s_i为第i个相位的饱和流率，C_i为第i个相位的周期，g_i为第i个相位的绿灯时间；

交叉口平均排队长度的表达式为：

$Q=\underset{i=1}{\overset{4}{\Σ}}{\mathrm{\ω}}_i\×Q_i$

式中，Q_i为第i个相位的排队长度，

交叉口平均延误的表达式为：

$d=\underset{i=1}{\overset{4}{\Σ}}{w}_i\×d_i$

式中，d_i为第i个车道的延误，C为交叉口信号灯的周期时长，g_i为第i个相位的绿灯时间，q_i为第i个车道的车辆到达率，S_i为第i个车道的饱和流率。

作为本发明的进一步优化方案，以交叉口综合指标最小为优化目标，对交叉口信号配时进行优化，具体为：根据交叉口综合指标的表达式利用粒子群优化算法实时求解使得交叉口综合指标最小的信号配时，以此对当前信号配时进行优化。

作为本发明的进一步优化方案，以交叉口平均排队长度最小为优化目标，对交叉口信号配时进行优化，具体为：根据交叉口平均排队长度的表达式利用粒子群优化算法实时求解使得交叉口平均排队长度最小的信号配时，以此对当前信号配时进行优化。

作为本发明的进一步优化方案，步骤3中的交叉口交通数据通过VISSIM模拟交叉口交通获得。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明通过同时考虑三个交通评价指标评价交叉口的交通运行状态，与现有只考虑单个评价交通指标相比更全面、准确地反应了交叉口的实际运行情况，且得到了综合评价指标的表达式；利用训练好的BP神经网络能根据实时交通数据快速评价交叉口的运行情况，可以用于交叉口交通的实时监测；当交叉口中某些车道车辆发生突变导致交叉口运行状况较差时，利用粒子群优化算法快速求解优化目标函数进行配时优化；针对不同运行状况等级的交叉口，分别选取不同的优化目标函数，更符合实际需要，通过对交通信号的调整使得部分车道车流突变的交叉口能快速地自行恢复畅通。

附图说明

图1为本发明中控制方法的方框图。

图2为本发明中控制对象即四相位交叉口的VISSIM仿真模型图。

图3为本发明中BP神经网络的训练误差曲线图。

具体实施方式

下面结合附图以及具体实施例对本发明的技术方案做进一步的详细说明：

如图1所示，本发明设计了基于极小型指标评价方法、BP神经网络和粒子群优化算法的道路交叉口交通控制系统的自愈合控制方法，所研究的四相位交叉口的VISSIM仿真模型如图2所示。

一、针对四相位道路交叉口运行状况综合评价指标的求解方法

1)三个交通评价指标的选取：

饱和度是最重要的道路服务水平的指标之一，计算公式为q/c，其中q是车辆到达率，c是通行能力。饱和度数值越大，道路的服务水平越差。本发明中，借鉴美国《通行手册》对道路服务水平的分类，结合中国实际情况和现有研究，将中国道路的拥挤等级和服务水平分为以下五类，如表1所示：

等级1即第一服务水平：道路畅通，服务水平很好，道路饱和度在(0,0.3]范围内；

等级2即第二服务水平：道路畅通，服务水平很好，道路饱和度在(0.3,0.6]范围内；

等级3即第三服务水平：道路有些许拥挤，服务水平相对较好，道路饱和度在(0.6,0.8]范围内；

等级4即第四服务水平：道路拥挤，服务水平较差，道路饱和度在(0.8,1]范围内；

等级5即第五服务水平：道路严重拥挤，服务水平极差，道路饱和度大于1。

表1交叉口饱和度与交叉口运行状况等级对照表

本发明中，针对四相位交叉口，从四个相位中各选择一个关键车道，将该关键车道的饱和度作为相应相位的饱和度，再将四个相位的饱和度的加权和作为交叉口的饱和度。

交叉口饱和度的表达式为：

$x=\underset{i=1}{\overset{4}{\Σ}}{\mathrm{\ω}}_i\×x_i$

式中，x_i为第i个相位的饱和度，单位veh/s，ω_i为第i个相位的权重，X为四个相位的饱和度之和；q_i为第i个相位的车辆到达率，单位veh/s；c_i为第i个相位的通行能力，单位veh/s；s_i为第i个相位的饱和流率，单位veh/s；C_i为第i个相位的周期，单位s；g_i为第i个相位的绿灯时间，单位s。

本发明中，针对四相位交叉口，从四个相位中各选择一个关键车道，将该关键车道的排队长度作为相应相位的排队长度，再将四个相位的排队长度加权和作为交叉口的平均排队长度。如果交叉口的平均排队长度越大，则交通效率越低，交通状况越差。通过分配一个交叉点的四个相位的绿灯时间，以尽量减少整个交叉口的平均排队长度。

交叉口平均排队长度Q的表达式为：

$Q=\underset{i=1}{\overset{4}{\Σ}}{\mathrm{\ω}}_i\×Q_i$

式中，Q_i为第i个相位的排队长度，单位veh，

根据交叉口平均排队长度Q，可以得到交叉口平均排队长度与交叉口运行状况等级对照情况，如表2所示。

表2交叉口平均排队长度与交叉口运行状况等级对照表

延误是指车辆通过交叉口的时间损失，它能够反映出车辆燃料消耗，运行过程中的时间损失和司机的舒适程度。因此，延误是最常用的评价信号交叉口的指标。平均延误是评价交通效率的重要参数，平均延误越大，道路交通运行状态越差。

本发明中，针对四相位交叉口，从四个相位中各选择一个关键车道，将该关键车道的平均延误作为相应相位的平均延误，再将四个相位的平均延误加权和作为交叉口的平均延误。

交叉口平均延误d的表达式为：

$d=\underset{i=1}{\overset{4}{\Σ}}{w}_i\×d_i$

式中，d_i为第i个车道的延误，C为交叉口信号灯的周期时长，g_i为第i个相位的绿灯时间，q_i为第i个车道的车辆到达率，S_i为第i个车道的饱和流率。

根据交叉口平均延误d的表达式，可以得到交叉口平均延误与交叉口运行状况等级对照情况，如表2所示。

表3交叉口平均延误与交叉口运行状况等级对照表

2)采用极小值型指标评价法，将交叉口饱和度、平均延误、平均排队长度三个评价指标处理为一个交叉口综合指标，交叉口综合指标的表达式为其中，r为交叉口综合指标。对应于三个指标的交叉口交通运行状况等级为f(x,Q,d)。

交叉口饱和度、平均延误、平均排队长度三个评价指标对应于不同交叉口交通运行等级的阈值，如表4所示。

表4三个评价指标对应于不同交通运行等级的阈值

对三个评价指标进行归一化处理后，三个评价指标对应于不同交叉口交通运行等级的阈值，如表5所示。

表5三个评价指标对应于不同交叉口交通运行等级的阈值

根据交叉口综合指标的表达式可以得到交叉口综合指标与交叉口运行状况等级对照表，如表6所示。

表6交叉口综合指标与交叉口运行状况等级对照表

交叉口饱和度、平均延误、平均排队长度三个评价指标作为BP神经网络的输入，交叉口运行状况等级f(x,Q,d)作为BP神经网络的输出。利用VISSIM模拟交叉口交通，得到若干组交叉口饱和度、平均延误、平均排队长度以及相应交叉口运行状况等级作为BP神经网络的训练样本，将训练后的BP神经网络用来根据交通数据快速确定交叉口交通运行状况等级，避免了繁杂的计算，快速准确地判定交叉口交通运行状况。

本发明中，由VISSIM仿真软件仿真交叉口的车辆运行，得到80组交通数据。选择其中的60组作为学习样本，另外20组作为测试样本，训练后的BP神经网络的正确率能够达到89％。如果隐含层有10层，则BP识别率可以达到89％以上。BP神经网络的训练误差曲线图如图3所示。

利用训练完成的BP神经网络，将实时得到的交叉口饱和度、平均延误和平均排队长度作为输入，快速得到交叉口交通运行状况等级，进行交叉口运行状况的实时监测。当监测到交叉口运行状况等级小于等于3时，保持当前信号配时。当监测到的交叉口运行状况等级为4时，将交叉口综合指标最小作为优化目标，利用粒子群优化算法对交叉口综合指标模型进行求解，得到使得综合评价指标最小的信号灯配时，对当前信号配时进行优化。当交叉口运行状况等级为5时，将交叉口平均排队长度最小作为优化目标，利用粒子群算法对交叉口平均排队长度模型进行求解，得到使得平均排队长度最小的信号灯配时，对当前信号配时进行优化。针对不同交通情况的交叉口，选择不同的优化函数更符合实际需要，也能获得更好的控制效果。

粒子群优化算法(PSO)是群体智能的典型之一，简称为PSO算法或粒子群算法。PSO算法的基本思想如下：将每个粒子都当成所要求解的优化问题的解。

首先，系统随机初始化这些粒子，并且提前设定一个适应度函数作为评价粒子的标准。然后，让每个粒子在潜在的解空间飞行，并利用速度这一可变化的量更新其运动的方向和距离。通常粒子经过多次的搜寻，始终跟踪着当前的最好粒子，在达到一定条件后停止迭代更新得到最佳解。粒子在每一阶段的搜寻过程中，追随两个极值，分别是至今为止粒子自己搜索得到的最佳解，还有一个是迄今为止整个群体搜寻得到的最佳解。

基于matlab语言的粒子群优化算法的实现步骤如下：

(1)初始化

首先，设置PSO算法中的各个参数：搜索空间的上、下限U_d和L_d，学习因子k₁，k₂，惯性因子ω，算法的最大迭代次数T_max，粒子的速度范围[v_min,v_max]；然后，随机初始化粒子的位置p_i及其速度v_i，当前位置即作为每个粒子的个体最优位置P_i，从个体极值找出全局极值，记录该值的粒子序号g及其位置P_g(即为全局最优位置)。

(2)评价每一个粒子

根据预先选定的适应度函数，求出每个粒子相应的数值。如果此数值比这个粒子当前的个体极值更优，那么用这个粒子的位置替换个体最优位置P_i，同时刷新个体极值。如果所有粒子的个体极值中最好的比当前的全局极值还要好，那么用该最好粒子的位置替换全局最优位置P_g，同时更改全局极值及其序号g。

(3)粒子的状态更新

根据速度公式和位置公式，分别将每一个粒子相应参数值刷新。如果v_i＞v_max将其设置为v_max，如果v_i<v_min将其设置为v_min。

(4)检验是否符合结束条件

迭代的次数如果达到了预先设定的最大次数值T_max，那么不再进行迭代并且给出最优解，否则转到步骤(2)。

仿真中，PSO算法中的各个参数设置如下：搜索空间的上、下限U_d和L_d分别设为120，-120，学习因子k₁、k₂都设为2，惯性因子ω设为0.729，算法的最大迭代次数T_max设为2000，粒子的速度范围[v_min,v_max]设为[-20,20]。

由表7针对不同运行状况等级交叉口的优化配时效果对照表可以看出，当交叉口部分车道车流发生突变导致交叉口运行状况较差的情况下，固定配时方案的控制效果很差，综合评价指标的数值很大，对应的交叉口运行状况等级就很大，而优化配时方案通过选取优化目标函数，利用粒子群优化算法给出优化的配时。将优化配时用于交叉口的控制，理论上能够改善交叉口的运行状况，一般情况下包括降低交叉口的饱和度，减少平均延误时间和平均排队长度，而在特别拥挤的情况下则以平均排队长度最小为主要优化目标，能快速消散排队车辆，提高交通效率。

表7针对不同运行状况等级交叉口的优化配时效果对照表

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。