丢包环境下迭代学习的快速路入口匝道控制方法及系统与流程

本发明涉及智能交通领域，更具体地，涉及丢包环境下迭代学习的快速路入口匝道控制方法及系统。

背景技术：

快速路入口匝道控制是智能交通领域的重要组成部分。交通流模型每天具有重复性，但由于地区社会活动的人员流动、天气、路况等因素变化影响，在实际中，快速路模型系统参数随之发生变化，快速路系统具有切换系统特性，因此现阶段快速路入口匝道控制很多是基于切换系统特性下的研究。

快速路交通控制属于远程控制场景，实际上快速路与控制中心之间物理距离遥远，且快速路的测量设备经常缺乏维护并暴露野外，故使得测量数据输出与传输可能出现丢包或延时的情况。现阶段很多研究成果都是基于没有传输丢包发生的理想情况下的控制场景，不能更好地切合实际需要。故基于迭代学习的快速路入口匝道控制实用性降低。

技术实现要素：

本发明首要目的是提供一种丢包环境下迭代学习的快速路入口匝道控制方法及系统，以解决丢包环境下具有切换系统特性的带有匝道路口的快速路的控制问题。

本发明还提供一种具有单边传输丢包情况迭代学习的快速路入口匝道远程控制系统。

为解决上述技术问题，本发明的技术方案如下：

丢包环境下迭代学习的快速路入口匝道控制方法，包括以下步骤：

S1：控制中心通过通信模块获取当前快速路交通流密度值；

S2：控制中心获取本地存储中快速路的期望交通流密度值与匝道入口的交通流控制量；

S3：根据接收到的实际交通流密度值和期望交通流密度值而获得当前的误差函数

e^k(t)＝α^k(t)(yd(t)-y^k(t))

其中yd(t)为期望交通流密度，y^k(t)为第k次迭代时控制中心接收到的实际交通流密度，α^k(t)为第k次迭代的y^k(t)不发生随机丢失的事件序列，快速路端至控制中心端的传输丢包概率为

S4：基于误差函数，计算遗忘因子值，计算公式如下

其中γ(k)为第k次迭代误差函数序列中不为0的元素个数，θmax与θmin为θ(k)函数的上下界值，φ(k)为最大值选择函数，用于选择从第1次迭代至第k次迭代以来最大的误差函数均方值；

S5：根据所述误差函数与遗忘因子，设置基于传输丢包情况下具有切换特性的迭代学习控制率以及迭代学习增益。其中迭代学习控制率表示如下：

u^k+1(t)＝(1-α^k(t+1)θ(k+1))sat[u^k(t)]+Γie^k(t+1)

式子中，u^k+1(t)表示第k+1次迭代的匝道入口的交通流，u^k(t)表示第k次迭代的匝道入口的交通流，θ(k)为自适应遗忘因子函数，误差函数e^k(t+1)表示第k次迭代t+1时刻的输出误差，而Γi为第i个切换系统子系统的控制增益，饱和函数sat[·]表达式如下：

其中

其中j∈{1,2,...,K}，K为一段快速路中的匝道数，为第k次迭代时匝道j的交通流控制量，u(j),max(t)与u(j),min(t)分别为匝道j交通流控制量的饱和上下界；

S6：控制中心结合所述迭代学习控制律以及迭代学习增益，生成快速路匝道入口的交通流控制信号，并通过可靠通信方式将信号发送至快速路端；

S7：快速路端通过可靠的通信方式接收匝道入口的交通流控制信号；

S8：将交通流控制信号应用到带有匝道入口的快速路系统控制，使得能够在一定迭代次数内使快速路能够达到期望交通流密度；

S9：快速路端将快速路交通密度流信号发送至控制中心。

一种丢包环境下迭代学习的快速路入口匝道远程控制系统，包括：

当前交通流获取模块：用于控制中心以通信方式获取当前快速路实际交通流密度；

交通信息获取模块：用于控制中心获取本地存储设备中期望交通流、匝道入口的交通流控制量；

误差函数计算模块：用于计算当前误差函数，其根据当前实际接收到的交通流密度值与期望交通流密度计算获得当前误差函数

e^k(t)＝α^k(t)(yd(t)-y^k(t))

其中yd(t)为期望交通流密度，y^k(t)为第k次迭代时控制中心接收到的实际交通流密度，α^k(t)为第k次迭代的y^k(t)不发生随机丢失的事件序列，快速路端至控制中心端的传输丢包概率为

遗忘因子计算模块：用于根据误差函数计算出遗忘因子值，计算公式如下：

其中γ(k)为第k次迭代误差函数序列中不为0的元素个数，θmax与θmin为θ(k)函数的上下界值，φ(k)为最大值选择函数，用于选择从第1次迭代至第k次迭代以来最大的误差函数均方值；

迭代学习律与学习增益设置模块：用于根据误差函数与自适应遗忘因子设置传输丢包情况下基于切换系统特征的迭代学习控制律以及迭代学习增益，其中，迭代学习控制律表示如下：

u^k+1(t)＝(1-α^k(t+1)θ(k+1))sat[u^k(t)]+Γie^k(t+1)

式子中，u^k+1(t)表示第k+1次迭代的匝道入口的交通流，u^k(t)表示第k次迭代的匝道入口的交通流，θ(k)为自适应遗忘因子函数，误差函数e^k(t+1)表示第k次迭代t+1时刻的输出误差，而Γi为第i个切换系统子系统的控制增益，饱和函数sat[·]表达式如下：

其中

其中j∈{1,2,...,K}，K为一段快速路中的匝道数，为第k次迭代时匝道j的交通流控制量，u(j),max(t)与u(j),min(t)分别为匝道j交通流控制量的饱和上下界；

控制信号输出模块：用于控制中心生成快速路匝道入口的交通流控制信号，并以可靠通信方式发送至快速路端；

控制信号获取模块：用于快速路端通过可靠通信方式获取交通流控制信号；

交通控制模块：用于将交通流控制信号应用到带有匝道入口的快速路系统控制，使得能够在一定迭代次数内使快速路能够达到期望交通流密度；

交通流密度输出模块：用于快速路端通过通信方式将当前快速路交通流密度信号发送至控制中心。

与现有技术相比，本发明技术方案的有益效果是：本发明提供一种丢包环境下的快速路入口匝道控制方法，基于快速路入口匝道的切换系统特性，根据实际上未传输丢失的交通流密度值和期望交通流密度值获得当前误差函数；根据误差函数与基于误差的自适应遗忘因子设置传输丢包环境下基于切换系统特征的迭代学习控制律以及迭代学习增益；将传输丢包环境下基于切换系统特征的迭代学习控制律生成的控制信号发送至带有匝道入口的快速路系统中，能够在一定迭代次数内使得快速路能够达到期望交通流密度。本发明方法不仅能够解决丢包环境下具有切换系统特性的带有匝道路口的快速路控制问题，同时能够改善由于数据丢包导致的交通控制收敛速度变慢的问题，更好地切合实际需要。

附图说明

图1为实施例1丢包环境下迭代学习的快速路入口匝道控制方法的流程图。。

图2为实施例1中快速路模型图。

图3为实施例1中一个应用场景下所述丢包环境下迭代学习的控制律方框图。

图4为实施例1中一个应用场景下所述丢包环境下迭代学习的快速路系统的一种切换规则。

图5为实施例1中一个应用场景下快速路系统中各路段的匝道入口车辆需求量。

图6为实施例1中一个应用场景下快速路系统中各路段的匝道出口车流量。

图7为本发明一个应用场景下各路段的交通流输出误差指标分析图。

图8为本发明一个应用场景下两种控制方法的快速路交通的输出误差指标与及理想无丢包环境下控制的快速路交通的输出误差指标比较图。

图9为本发明实施例1具有单边传输丢包情况的基于切换系统特性迭代学习的快速路入口匝道远程控制系统的示意图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示，一种丢包环境下迭代学习的快速路入口匝道控制方法，包括以下步骤：

101、获取当前快速路的实际交通流密度；首先，控制中心通过通信方式接收当前迭代次数的实际输出交通流密度；

102、获取本地存储的快速路期望交通流密度值与当前迭代的匝道入口交通流控制量；

103、根据所述实际接收到的交通流密度和所述期望交通流密度值而获得所述方法的当前误差函数ek(t)；

e^k(t)＝α^k(t)(yd(t)-y^k(t))

其中yd(t)为期望交通流密度，y^k(t)为第k次迭代时控制中心接收到的实际交通流密度，α^k(t)为第k次迭代的y^k(t)不发生随机丢失的事件序列，快速路端至控制中心端的传输丢包概率为

在获取当前快速路的实际交通流密度值和快速路的期望交通流密度值后，根据快速路的期望交通流密度值与当前快速路的实际交通流密度值之差，结果乘上α^k(t)，可以得到当前次迭代的误差函数ek(t)；

104、根据当前迭代的误差函数e^k(t)计算得到遗忘因子θ(k+1)，计算公式如下

其中γ(k)为第k次迭代误差函数序列中不为0的元素个数，θmax与θmin为θ(k)函数的上下界值。φ(k)为最大值选择函数，用于选择从第1次迭代至第k次迭代以来最大的误差函数均方值；

105、根据所述误差函数与遗忘因子设置迭代学习律以及迭代学习增益，使得所述方法的误差指标在一定迭代次数内收敛，其中，在获得当前次的迭代误差函数后，根据该误差函数给出传输丢包环境下基于切换系统的迭代学习控制律并设置迭代学习增益

u^k+1(t)＝(1-α^k(t+1)θ(k+1))sat[u^k(t)]+Γie^k(t+1)

式子中，u^k+1(t)表示第k+1次迭代的匝道入口的交通流，u^k(t)表示第k次迭代的匝道入口的交通流，θ(k)为自适应遗忘因子函数。误差函数e^k(t+1)表示第k次迭代t+1时刻的输出误差，而Γi为第i个切换系统子系统的控制增益，饱和函数sat[·]表达式如下：

其中

其中j∈{1,2,...,K}，K为一段快速路中的匝道数。为第k次迭代时匝道j的交通流控制量，u(j),max(t)与u(j),min(t)分别为匝道j交通流控制量的饱和上下界；

106、根据所述学习律与迭代学习增益生成快速路匝道入口的交通流控制信号，通过可靠通信传输到快速路交通；

107、获取控制中心发送的控制信号，快速路端通过可靠的通信方式接收匝道入口的交通流控制信号；

108、将接收到的交通流控制信号应用到带有匝道入口的快速路系统控制，使得能够在一定迭代次数内使快速路能够达到期望交通流密度；

109、快速路端将快速路交通密度流信号发送至控制中心。

本实施例中，首先，获取当前快速路的实际交通流密度；其次，控制中心获取快速路的期望交通流密度值与当前迭代次数的匝道入口的交通流控制量；然后，根据所述当前实际接收到的交通流密度和所述期望交通流密度值获得所述方法的误差函数；接着，根据所述误差函数与基于误差的自适应遗忘因子设置迭代学习律以及迭代学习增益；再接着，根据所述学习律与迭代学习增益生成的控制信号传输到快速路端，应用于基于切换系统特性的快速路入口匝道控制，使得所述方法的误差指标在一定迭代次数内收敛；最后，将快速路交通密度流信号发送至控制中心。本实施例在现有的快速路系统基于迭代学习控制方法研究中进行进一步深入研究，使得快速路控制系统考虑了实际因素，即受天气、路况等因素，快速路模型系统参数随之发生变化。此外快速路与控制中心之间物理距离遥远，且快速路的测量设备经常缺乏维护并暴露野外。故快速路系统符合切换系统特性同时又可能有测量输出丢包的实际问题，更符合实际应用的需要。

为便于理解，根据图1的实施例，下面以一个实际应用场景对本发明实施例中的一种丢包环境下基于切换系统特性的迭代学习快速路入口匝道控制方法进行描述：

图2为本发明用到的交通流模型，该时空离散模型将所描述的一条快速路分为多个路段，每个路段均有一个入口匝道和一个出口匝道，如图所示，交通流模型如下所示：

q(j)(t)＝ρ(j)(t)v(j)(t)；

其中，T是采样周期(小时)，t表示采样间隔，K表示该路段被分为K个子路段，j∈{1,2,...,K}表示每个子段路的标号。其他模型变量的含义如下：ρ(j)(t)(veh/lane/km)表示第j段的平均密度；v(j)(t)(km/h)表示第j段的平均速度；q(j)(t)(veh/h)表示从第j段进入第j+1段的车流量；r(j)(t)(veh/h)表示第j段的匝道入口进入的车流量；s(j)(t)(veh/h)表示第j段匝道出口流出的车流量；L(j)(km)表示第j段路的长度；vfree表示自由流速度；ρjam单个车道的最大可能密度；τ,υ,κ,l,m是常参数，反映特定交通系统的道路几何特点、驾驶员行为与行驶车辆特征等。

在本实际应用场景中，每一段路段均都包含一个匝道入口与一个匝道出口。且交通流模型中的变量定义为

x(t)＝[v(1)(t) v(2)(t) ... v(K)(t)]^T,y(t)＝[ρ(1)(t) ρ(2)(t) ... ρ(K)(t)]^T,

u(t)＝[r(1)(t) r(2)(t) ... r(K)(t)]^T,s(t)＝[s(1)(t) s(2)(t) ... s(K)(t)]^T,

其中，j∈{1,2,...,K}。快速路模型在t∈{0,1,2,...,N}上具有重复特性，可以表示为以下状态空间表达式：

y^k(t+1)＝A(x^k(t),t)y^k(t)+B(sat[u^k(t)])+η(x^k(t))-Bs(t)

x^k(t+1)＝C(x^k(t),t)+D(y^k(t),t)

其中，k是迭代次数，C(x(t),t)，D(x(t),t)为两个非线性函数。由于有限时间段内进入的车流量是有限的且不能为负，故u^k(t)受到匝道实际条件的饱和限制。在实际系统中，快速路系统的参数会随环境因素发生变化，在这些参数中，受到影响最大的是vfree，ρjam。这两个参数随时间轴发生变化，在迭代轴上具有重复特性，故符合切换系统特性，表达式可表示以下：

其中i＝i(t)是在t∈{0,1,2,...,N}切换规则，取值于有限序列P＝{1,2,...,m}，m是子系统的个数。在t∈{0,1,2,...,N}，尽管因为匝道车流量流出会有一些模型不确定性和干扰，系统输入使得系统输出也能够达到期望输出yd(t)＝[yd,(1)(t) yd,(2)(t) ... yd,(K)(t)]^T。

而对于输出的交通流密度信号y^k(t)，其从快速路端传输至控制中心端的丢包概率为则控制中心端根据接收到的实际交通流密度信号与本地存储的期望交通流密度值所获得的误差函定义为

e^k(t)＝a^k(t)(yd(t)-a^k(t)y^k(t))＝a^k(t)(yd(t)-y^k(t))

定义α^k(t)为第k次迭代的y^k(t)不发生随机丢失的事件序列。

图3是在获得当前次的迭代误差函数后，根据该误差函数给出传输丢包环境下基于切换系统的迭代学习控制律。

u^k+1(t)＝(1-α^k(t+1)θ(k+1))sat[u^k(t)]+Γie^k(t+1)

K＝12表示第k+1次迭代的匝道入口的交通流，u^k(t)表示第k次迭代的匝道入口的交通流，θ(k)为自适应遗忘因子函数。α^k(t)为第k次迭代的y^k(t)不发生随机丢失的事件序列，误差函数e^k(t+1)表示第k次迭代t+1时刻的输出误差，而Γi为第i个切换系统子系统的控制增益，饱和函数sat[·]表达式如下：

其中

其中j∈{1,2,...,K}，K为一段快速路中的匝道数。为第k次迭代时匝道j的交通流控制量，u(j),max(t)与u(j),min(t)分别为匝道j交通流控制量的饱和上下界。

在本应用场景下，我们有K＝5and L(j)＝500m，j∈{1,2,...,K}，y^k(t)丢失概率为0.3，每个路段均有一个匝道入口与一个匝道出口。设置遗忘因子的上下限为θmin＝0.0，θmax＝0.03，收敛指标的容忍误差为0.3。

图4是本应用场景下的切换规则。因为在实际应用中，受天气、路况等因素影响，快速路模型系统参数随之发生变化，在这些参数中，受到影响最大的是vfree，ρjam。在本应用场景下，快速路系统在时间轴上两个系统之间进行切换，切换规则如图4。

图5为本应用场景下，快速路系统中各路段的匝道入口车辆需求量。

图6为本应用场景下，快速路系统中各路段的匝道出口的车流量。

图7为本应用场景下各路段的输出误差指标图。在本应用场景中，可以看到误差指标在有限次内快速收敛到容忍误差之内，误差指标是，j＝1,2,3,4,5，即，误差指标是各路段的输出误差在固定时间区间上的均方误差。

从图7中可以看出，第3段、第4段与第5段快速路的误差指标在第30次迭代收敛至容忍误差之内，即这两段车流量密度近似达到期望车流量密度。接着，第1段与第2段快速路的误差指标依第40次迭代收敛至容忍误差之内，即这两段车流量密度近似达到期望车流量密度。

图8为本应用场景下两种控制方法的快速路交通输出误差指标与无传输丢包环境下控制的快速路交通输出误差指标比较图。在本应用场景中，误差指标是，j＝1,2,3,4,5。可看出，使用所述传输丢包环境下基于切换系统特性的迭代学习快速路入口匝道控制方法，快速路的误差指标在第40次迭代收敛至容忍误差之内，即快速路交通车流量密度近似达到期望车流量密度。其比传输丢包环境下使用常规迭代学习控制方法的快速路交通输出误差指标收敛需要更少的迭代次数，而且与无传输丢包环境下使用常规迭代学习控制方法的迭代次数相近。可以看出所述方法不仅在可一定迭代次数内使快速路能够达到期望交通流密度，同时能够改善由于数据丢包导致的交通控制收敛速度变慢的问题。

实施例2

如图9所示，一种具有单边传输丢包情况的基于切换系统特性迭代学习的快速路入口匝道远程控制系统，包括：

当前交通流获取模块901：用于控制中心以通信方式获取当前快速路实际交通流密度；

交通信息获取模块902：用于控制中心获取本地存储设备中期望交通流、匝道入口的交通流控制量；

误差函数计算模块903：用于计算当前误差函数。其根据当前实际接收到的交通流密度值与期望交通流密度计算获得当前误差函数；

e^k(t)＝α^k(t)(yd(t)-y^k(t))

α^k(t)为第k次迭代的y^k(t)不发生随机丢失的事件序列，快速路端至控制中心端的传输丢包概率为

遗忘因子计算模块904：用于根据误差函数计算遗忘因子值，计算公式如下

其中γ(k)不为第k次迭代误差函数序列中不为0的元素个数。

迭代学习律和学习增益设置模块905：用于根据误差函数与自适应遗忘因子设置传输丢包情况下基于切换系统特征的迭代学习控制律以及迭代学习增益，其中，迭代学习控制律表示如下：

u^k+1(t)＝(1-α^k(t+1)θ(k+1))sat[u^k(t)]+Γie^k(t+1)

式子中，u^k+1(t)表示第k+1次迭代的匝道入口的交通流，u^k(t)表示第k次迭代的匝道入口的交通流，θ(k)为自适应遗忘因子函数，误差函数e^k(t+1)表示第k次迭代t+1时刻的输出误差，而Γi为第i个切换系统子系统的控制增益，饱和函数sat[·]表达式如下：

其中

其中j∈{1,2,...,K}，u(j),max(t)与u(j),min(t)分别为闸道j的饱和函数上下界；

控制信号输出模块906：用于控制中心生成快速路匝道入口的交通流控制信号，并以可靠通信方式发送至快速路端；

控制信号获取模块907：用于快速路端通过可靠通信方式获取交通流控制信号；

交通控制模块908：用于将交通流控制信号应用到带有匝道入口的快速路系统控制，使得能够在一定迭代次数内使快速路能够达到期望交通流密度；

交通流密度输出模块909：用于快速路端通过通信方式将当前快速路交通流密度信号发送至控制中心。

本实施例中，首先，交通流密度实际输出的当前交通流获取模块901，用于获取快速路交通发送的当前主路的实际交通流密度；其次，交通信息获取模块902，用于获取期望交通流密度值与以及本次迭代的匝道入口交通流控制量；然后，误差函数获取模块903，用于根据所述实际接收到的交通流密度和所述期望交通流密度值获得所述方法的当前误差函数；接着，遗忘因子计算模块904，用于根据误差函数计算出遗忘因子值；再接着，迭代学习律和学习增益设置模块905，用于根据所述误差函数与自适应遗忘因子设置迭代学习律的迭代学习增益以及传输丢包环境下基于切换系统的迭代学习控制律；再接着，控制信号输出模块906：将生成的快速路匝道入口交通流控制信号通过可靠通信方式发送至快速路交通；再接着，控制信号获取模块907：快速路端通过可靠通信方式获取交通流控制信号；最终，交通控制模块908：将交通流控制信号输入到到带有匝道入口的快速路系统中，使得能够在一定迭代次数内使快速路能够达到期望交通流密度；此外，交通流密度输出模块909：用于发送当前快速路交通流密度信号至控制中心。本实施例在现有的快速路系统基于迭代学习控制方法研究中进行进一步深入研究，使得快速路控制系统考虑了实际因素，即受天气、路况等因素。此外快速路与控制中心之间物理距离遥远，且快速路的测量设备经常缺乏维护并暴露野外。故快速路系统符合切换系统特性同时又可能有测量输出丢包的实际问题，在这种情形下进行控制更符合实际应用的需要。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。