一种基于ACP的平行交通信号灯实时控制方法与流程

本发明涉及智慧交通领域，具体地说，涉及一种基于acp的平行交通信号灯实时控制方法。

背景技术：

随着社会经济的快速发展，城市车辆持续增加，交通系统越来越复杂，行人、机动车辆行为的随意性及不可预测性使得人们很难建立精确的数学模型，传统的控制方法很难达到较好的效果。对于车辆及行人集中的交叉路口，问题尤为明显，是整个城市道路交通的拥堵高发区。各种交通流(机动车，非机动车和行人)在平面交叉口处反复地合流、分流及交叉，使得交通状况异常复杂，所以城市交通拥堵问题往往突出表现在交叉口处，提高其通行效率是缓解交通拥堵的关键。

路口信号灯是疏导交通车辆最常见的和有效的手段，合理的信号灯配时方案对于提高道路通行能力，减少交通事故的发生有显著的作用。然而传统的信号灯控制大都采用固定信号周期、固定时长和固定相位转换次序的方法进行控制，无法对路口信号进行实时、经济的控制，使得“绿灯无车红灯堵”的现象时有发生，早晚高峰期及节假日更为明显。合理进行交通控制可以对交通流进行有效的引导和调度，使交通保持在一个平稳的运行状态，从而避免或缓和交通拥挤状况，大大提高交通运输的运行效率，还可以减少交通事故，降低污染程度，节省能源消耗。

技术实现要素：

为了解决上述问题，本发明提供一种基于acp方法的平行交通信号灯实时控制方法，其具体的技术方案如下：

步骤一：针对单交叉路口，搭建交通流数据采集系统和数据库，用于统计存储各车道流出口的通行车流量以及非机动车道上的行人及非机动车流量；

进一步，所述数据库数据具体包括经过该路口的机动车流总量、各相位机动车流量、各方向车道数量、行人数量及非机动车流量。

进一步，将机动车流总量存入历史数据库用于确定当前时间段的红绿灯周期时长，其他数据用于对实时配时方案进行决策以及对路口交通状态的评估。

步骤二：对实际单交叉路口中的道路属性、车流信息等相关信息进行全面、准确的采集，建立与实际系统相“平行”的人工红绿灯系统；

步骤三：针对人工红绿灯系统搭建计算实验平台，提取控制目标，并为人工系统提供决策支持；

进一步，计算实验平台包括相位优先级的计算、周期论域的决策以及各相位通行时长的模糊决策计算。

进一步，相序优先级的计算是根据各相位当前周期内的实时车流数据确定下一周期内的相位顺序，按照优先级由高到低依次放行；

周期的决策是由经过该路口的历史数据经模糊决策确定，不同的车流量等级分配相应的周期时长；

各相位通行时长决策是将决策得到的周期时长作为各相位的论域，由各相位的车流数据综合决策得到各相位通行时长，结合相位顺序得到配时方案。

步骤四：将计算实验结果以平行执行的方式输出到实际交通信号灯系统，实现对实时交通流的诱导干预；

进一步，平行执行层的主要目的是通过实际系统与人工系统的相互连接，对二者之间的行为进行对比和分析，完成对各自未来的状况的“借鉴”和“预估”，相应地调节各自的管理与控制方式，达到实施有效解决方案的目的。

步骤五：搭建路口状态评估系统，由专家对当前决策方案下的交通状态进行综合评判，评估结果反馈至系统中协助方案调整。

其中路口交通状态的综合评判包括以下步骤：

步骤一：确定影响路口交通状态的因素集ω(t)；

进一步，影响交通状态的因素集包括{机动车、非机动车、行人}，表示为

步骤二：确定路口交通状态的评估集v；

进一步，将交通状态分为通畅、稳定、非稳定、堵塞，表示为

步骤三：确定影响路口交通状态的因素集权重b(t)；

进一步，因素集中各因素的权重是随时间变化的，表示为b(t)＝{b1(t),b2(t),b3(t)}，bk(t)为因素ωk(t)的权重值，k＝1,2,3，且步骤四：确定综合评判矩阵r(t)；

进一步，评判矩阵是由专家对当前信号灯控制下的各因素的交通状况分别打分得到模糊综合评判矩阵

其中rki(t)表示t时刻专家对因素ωk属于νi的评判值，k＝1,2,3，i＝1,2,3,4。步骤五：综合评判得到评判结果。

进一步，对因素集向量b(t)和评判矩阵r(t)，p(t)为t时刻的评判值，且

p(t)＝b(t)·r(t)＝(p1(t),p2(t),p3(t))

其中，

本发明提供一种基于acp方法的平行交通信号灯实时控制方法，其优点在于：

(1)本系统中的人工交通信号灯系统是一种等价或者说是与实际系统平行执行的系统，该人工交通信号灯系统可以为实际交通信号灯系统的建立提供科学有效的指导方案，解决了对诸如交叉路口这样的复杂系统不能建立精确数学模型的问题；

(2)本系统提供的决策方案，充分利用路口的交通信息对实时配时时长及相位通行次序进行实时调整，需求大的相位优先通行，可以适度缓解交通拥堵，一定程度上减少出行者的等待时间；

(3)本文提供的方案中，模糊集合所在论域随时间变化而改变，以描述红绿灯的配时周期随交通流的变化而改变的情形，且模糊集合的隶属函数根据周期的变化状况进行实时调整；

(4)本文配时方案对应的模糊规则库由人工红绿灯在各种交通流状况下以出行者平均等待时间最短为目标经过计算实验的结果而得；

(5)本文的配时方案是实时的，即在不同的时间，随着交通流的变化，配时周期及各相位的时长与交通流的状况相适应；

(6)通过人工系统的计算实验，利用本系统提供的决策方案，针对决策方案下的交通状况，结合专家进行综合评价，生成系统的评价反馈机制，提升该系统的的决策效率。

附图说明

图1为平行交通信号灯系统示意图；

图2为平行交通信号灯系统结构架构图；

图3为单交叉路口相位设置示意图；

图4为路口交通状态模糊综合评判流程图。

具体实施方式

结合附图及本发明的实施例对本发明的一种基于acp平行交通信号灯系统作进一步详细的说明。

本发明所述的平行交通信号灯系统，包括实际交通信号灯系统和人工交通信号灯系统；本发明中所述的acp方法包括：人工系统(artificialsystems)、计算实验(computationalexperiments)和平行执行(parallelexecution)三个主要部分。下面分别对本发明所述的基于acp的平行交通信号灯系统做简要说明：

实际交通信号灯系统包括实际的路口红绿灯、路口数据采集及存储设施、配时模块：

(1)其中红绿灯是疏导控制交通流最常见的和有效的手段，“红灯停绿灯行”早已成为人们出行的基本交通规则；路口数据采集及存储设施：指带有识别算法的摄像头及埋在路口停止线下的地感线圈，能够识别并统计经过该路口的机动车流总量、各相位机动车流量、各方向车道数量、行人数量及非机动车流量；配时模块：传统配时方案大都采用plc定时控制，相位序列及通行时长固定不变。

(2)人工交通信号灯系统：是指存在于虚拟空间，与实际交通信号灯系统相对应的交通信号灯系统，包括虚拟路口、虚拟红绿灯系统及数据采集模块；

(3)计算实验：平行系统中的计算实验主要是针对人工系统进行的，包括路口各相位序列决策模块、周期决策模块及各相位配时模块；其过程主要包括算法设计，实验计算，实验结果评估等。在这种计算实验方法中，传统的计算模型变成了“计算实验室”里的“试验”过程，成为“分析计算”各交通状况的手段，实际系统中的事件只是这个计算实验方法的一种可能结果。

(4)平行执行：对于一个复杂系统的研究，多数情况下既没有系统的足够精准的模型，也不能建立可以解析的预测系统短期的行为模型。因此，人工交通信号灯系统的建立不可能一次构建就可以达到能与实际交通信号灯系统的“等价”的程度，同时也很难给予实际系统十分准确的管理或指导信息。这就需要不断地使用人工系统给出的结果诱导实际交通信号灯系统且实际系统亦需要不断地向人工系统输入诱导结果。通过计算实验方法在人工交通信号灯系统和实际交通信号灯系统进行一个滚动优化过程，该滚动优化过程即平行执行。主要目的是通过实际系统与人工系统的相互连接，对二者之间的行为进行对比和分析，完成对各自未来的状况的“借鉴”和“预估”，相应地调节各自的管理与控制方式，达到实施有效解决方案的目的。

下面将结合图2及实施案例详细介绍本方案的实施步骤：

步骤一：针对单交叉t型三叉路口，搭建交通流数据采集系统和数据库，所述数据采集系统指路口摄像头及地感线圈相结合，用于统计各车道流出口的通行车流量以及非机动车道上的行人及非机动车流量；

步骤二：搭建人工交通信号灯系统，其中包括路口各相位序列决策模块、周期决策模块及各相位配时模块；

步骤三：由数据采集系统采集到的实时交通流数据导入计算实验平台，计算得到实时配时方案；

步骤四：将计算实验结果以平行执行的方式输出到实际交通信号灯系统，从而实现对实时交通流的诱导干预；

步骤五：搭建路口状态评估系统，由专家对当前决策方案下的交通状态进行综合评判，由评估结果对方案实时调整，调整后的方案再次输入评估系统，形成循环控制。

实施例：

图3为某实际交叉路口系统场景示意图，为避免通行冲突设置为四相位。主要由交通数据采集装置、智能交通信号灯以及交通服务器组成。

数据采集装置包括路口摄像头等装置，用于统计各车道流出口的通行车流量以及非机动车道上的行人及非机动车流量，并上传至交通服务器。

智能交通信号灯：将人工系统中反馈的配时方案具体实施，自主设定相应的相位同行顺序及红绿灯时长。

交通服务器：利用收集的数据，搭建人工交通灯配时系统，动态决策配时方案。

具体方案：

1.相序决策：

利用数据采集装置，收集各相位各方向在当前周期时刻内的车辆排队长度，并计算各车道平均排队长度作为各相位的相序优先级，即下一周期的相位通行顺序：

其中，la1、la2、lb、lc分别表示交通流方向tf_a1,tf_a2,tf_b,tf_c上的车道数量。

2.周期决策

时变论域理论被用于周期决策模块来调整周期论域。综合考虑安全、驾驶员心理承受极限等因素，将周期分为七个等级，形成论语序列：

ω(0),ω(1),...,ω(6)

令ωk＝[0,30+20k]，其中k＝0,1,2…6，有ω(t)∈{ω0,ω1,...,ω6}，其中

ω0＝[0,30],ω1＝[0,50],ω2＝[0,70],ω3＝[0,90],ω4＝[0,110],ω5＝[0,130],

ω6＝[0,150]

根据历史车流数据，将经过该路口的总车流量划分为七个等级，分别对应不同的周期论域。

3.通行时长决策

假设右转车辆在以礼让行人为前提下不受红绿灯限制。设置相位如图3所示。将各相位在该周期内检测到的最大排队长度作为输入lⁱ(i＝1,2,3,4)，经模糊化后输入模糊控制器，根据前文所述模糊规则，经过模糊推理决策输出各相位所占论域的百分比qⁱ％，则各相位输出时间

tⁱ＝t(t)×qⁱ％

设计模糊控制器

(1).确定输入变量和输出变量

模糊控制器包含两个输入变量和一个输出变量。输入：当前通行相位的排队长度和下一通行相位的排队长度；输出：当前绿灯相位的通行时长所占论域的百分比。

(2).确定论域和隶属度

根据不同路口的车流量大小及物理条件分别设定不同的论域和隶属度。

(3).设定控制策略

令lⁱ为相位pⁱ的等候车队长度,用五个模糊集合(基词)“很短、短、中、长、很长”覆盖，每一相位pⁱ的车队长度lⁱ可以通过摄像头采集得到。tⁱ为相位pⁱ分配的绿灯与黄灯时间之和，五个模糊集合“很短、短、中、长、很长”(vs、s、m、l、vl)定义在论域ω(t)上。

令为定义在论域ω(t)上的各相位配时的模糊集合，对于三相位交叉路口，控制策略设置为如下形式：

如果l¹为r¹如下：且l²为时，r1¹如下：

l³为则ω为ω(0)，

l³为则ω为ω(1)，

l³为则ω为ω(1)，

l³为则ω为ω(2)，

l³为则ω为ω(3)，且l²为时，如下：

l³为则ω为ω(1)，

l³为则ω为ω(2)，l³为则ω为ω(2)，l³为则ω为ω(3)，

l³为则ω为ω(4)，且l²为时，如下：

l³为则ω为ω(2)，

l³为则ω为ω(2)，

l³为则ω为ω(3)，l³为则ω为ω(4)，

l³为则ω为ω(4)，且l²为时，如下：

l³为则ω为ω(2)，

l³为则ω为ω(3)，l³为则ω为ω(4)，l³为则ω为ω(4)，

l³为则ω为ω(5)，且l²为时，如下：

l³为则ω为ω(3)，

l³为则ω为ω(4)，

l³为则ω为ω(4)，

l³为则ω为ω(5)，

l³为则ω为ω(5)，

如果l¹为r²、r³、r⁴、r⁵同样由专家经验可得。综上综上，有

考虑所有可能的情况，根据不同交叉路口的特定情况设置特定的模糊规则，用于判定下一周期的时长及各相位的时长。

(4).模糊决策及解模糊

通过路口摄像头对路况的采集,将得到的车流长度数据模糊化后输入模糊控制器,从而相应的模糊规则被激活,通过匹配度法,下一时刻的周期以及各相位的配时就可以通过计算得到.针对实时交通流量的各种情况,该策略给出了相应的周期及各相位的配时方案,能根据实时数据对决策系统进行调整,同时决策结果又对实时交通流量进行诱导,从而形成循环控制策略,能够达到较好的控制效果.

通过查找对应的模糊规则，经过模糊推理与词计算,可得决策论域及各相位的决策时间所占论域百分比qⁱ,采用重心法逆模糊化：

即可得下一周期各相位的具体通行时长。

4.对配时方案下的路口状态综合评判：

其中路口交通状态的综合评判包括以下步骤：

步骤一：确定影响路口交通状态的因素集ω(t)；

其中，影响交通状态的因素集包括{机动车、非机动车、行人}，表示为

步骤二：确定路口交通状态的评估集v；

其中，将交通状态分为通畅、稳定、非稳定、堵塞，表示为

步骤三：确定影响路口交通状态的因素集权重b(t)；

其中，因素集中各因素的权重是随时间变化的，表示为b(t)＝{b1(t),b2(t),b3(t)}，bk(t)为因素ωk(t)的权重值，k＝1,2,3，且步骤四：确定综合评判矩阵r(t)；

其中，评判矩阵是由专家对当前信号灯控制下的各因素的交通状况分别打分得到模糊综合评判矩阵

其中rki(t)表示t时刻专家对因素ωk属于νi的评判值，k＝1,2,3，i＝1,2,3,4。步骤五：综合评判得到评判结果。

其中，对因素集向量b(t)和评判矩阵r(t)，p(t)为t时刻的评判值，且

p(t)＝b(t)·r(t)＝(p1(t),p2(t),p3(t))

其中，