一种高架匝道智能信号调控方法与流程

本发明涉及智能交通领域，尤其涉及一种高架匝道智能信号调控方法。

背景技术：

随着社会经济的发展和人们生活水平的提高，越来越多的人和家庭选择驾车出行，这导致了已经恶化的城市交通拥堵愈发严重，尤其是作为城市快速交通设施和城市交通主躯干而承担了城市交通大部分流量的高架道路，拥堵情况日益严重，大大延误了公众出行时间，造成了资源的浪费。高架道路运行情况的好坏直接影响整个城市交通网的运行状态以及公众出行体验。为了有效调控高架道路交通流量，缓解高架道路拥堵情况，优化高架道路运行状态，在高架入口匝道布设信号灯，对信号灯进行调控成为研究者和交通管理者的应对措施。

传统的高架入口匝道信号调控大多是通过人工方式在高架流量较多、交通较拥堵时进行匝道的限行关闭，这种方式需要人力成本，且存在延迟。通过智能交通信息采集和分析技术，实现高架入口匝道的智能信号调控，是匝道控制管理发展的方向和研究的重点。

匝道智能信号调控分为单点调控和协调调控，单点调控方法只调节单个入口匝道，不考虑匝道之间的协调，包括有ZONE算法、ALINEA算法、神经网络算法等，其中ZONE算法参数调整复杂，ALINEA算法和神经网络算法实时性差。协调调控方法结合单点调控方法和多匝道协作控制，进一步调整各匝道流量调控率，避免主要匝道塞车，包括有HELPER算法、LINKED-RAMP算法等，上述两种算法没有提供如何给不同匝道分配调节率，且LINKED-RAMP算法不适合用于拥堵时的交通情况。另外，BOTTLENECK算法、SWARM算法、模糊逻辑算法线性规划算法、DMCS算法等存在没有基于OD信息、模型复杂、求解过程繁琐等缺点。已有专利《一种基于阵列雷达的高架匝道智能信号控制方法及装置》需要在高架道路上安装新的设备，而基于微波、线圈等方式的方法数据本身的延时较大。

技术实现要素：

为了克服已有高架匝道信号调控方法的模型复杂、成本较高、实时性较差的不足,本发明提供了一种简单有效、成本较低、实时性良好的高架匝道智能信号调控方法。

本发明解决其技术问题所采用的技术方案是：

一种高架匝道智能信号调控方法，包括如下步骤：

步骤1：高架桥面交通状态数据采集

采集高架桥面的实时交通流量数据，设置周期为T。

步骤2：判断高架桥面是否堵塞

对采集的高架桥面流量与设定的流量阈值进行对比，若实时流量超过阈值，则判断桥面堵塞；否则桥面处于未堵塞状态；

步骤3：创建出口截面

当高架桥面堵塞时，其下游的通行能力下降，设堵塞断面下游为目标断面，目标变为提高目标断面的通行能力，使其接近最大容量；在目标断面上游创建出口截面，使出口截面的流量接近目标断面的通行能力，速度接近自由速度，所述自由速度为畅通情况下的自由行驶速度；出口截面的长度为从速度为0加速到理想速度时所需要的长度，如下式所示：

其中，L_dis为出口截面长度，单位为米，V_dir为理想速度，a_ave为平均加速度，L_add为考虑到车辆变道等因素而附加的长度；

步骤4：采用可变限制速度与匝道控制融合算法计算出口截面上游各段可变限制速度及各入口匝道控制率，设高架可分为多个路段，每个路段带一个入口匝道，出口匝道数不限，过程如下：

4.1)确定目标函数：匝道控制的目标为恢复目标断面的通行能力、最小化总耗费时间、最大化总旅行距离，在第t时间步的目标函数由下式表示：

R＝TTS-TTD (2)

其中，R为目标函数，TTS是总耗费时间，TTD是总旅行距离，α_ttd,K表征最大化路段K流量的重要性，α_ttd,0表征最大化路段0流量的重要性，路段K为临界可变限制速度区域，为使其输出流量接近目标断面通行能力，令α_ttd,K＞＞α_ttd,0>0，ω_k为路段k的入口匝道排队长度。ρ_k为路段k的密度，L_k为路段k长度，l_k为路段k车道数，T_s为密度从堵塞密度恢复到理想密度所耗费时间，q_k为路段k的流量，q_K为路段K的流量，l_Kq_K≈Q_b，Q_b为目标断面通行能力；TTS的前一项表示各路段车辆旅行时间之和，后一项表示入口匝道车辆排队时间；

q_k根据下式计算得到：

其中，为前一时间路段k-1的流量，s_k(t)为路段k总出口匝道流量(单位veh/h)，d_k(t)为入口匝道k的需求，Q_k为路段k通行能力，Q_k,o为入口匝道k通行容量，R_k(t)为入口匝道k估计流量，取入口匝道需求、通行能力及主干道能接收流量的最小值；

4.2)ρ_k(t+1)根据密度动态预测公式得到：

其中，r_k(t)为路段k入口匝道控制率，u_k-1为堵塞区域上游路段的可变限制速度，u_k为堵塞区域内路段的可变限制速度，ρ_k(t)为前一时间路段k密度。

4.3)计算u_k(t)，计算公式如下：

α_k(t)＝H(Q_k-q_k(t)) (9)

其中，u_k(t)为可变限制速度，V_f为自由速度，α_k(t)为入口匝道需求参数，β_k为入口匝道长度参数，0≤ε≤1为平衡入口匝道需求与入口匝道容量优先顺序的参数，v_ac为满足驾驶员接受程度所设置的速度变化量限制，γ为增益参数，u_K(t)为临界可变限制速度，是最上游路段的可变限制速度，为出口截面速度，ρ_c为临界密度，为出口截面密度；

4.4)计算u_k-1(t)

堵塞区域为流量存储段，当上游流量需求较大时，堵塞区域可能反向传播至上游导致流量存储段变大，因此上游路段按同理设置可变限制速度：

其中，V_st(t)为流量存储段的速度，V_st(t)根据下式确定：

V_st(t)×ρ_st(t)≥Q_b (15)

ρ_c≤ρ_st(t)≤ρ_J (16)

其中，ρ_st(t)为流量存储段的密度，ρ_c为临界密度，ρ_J为堵塞密度，ρ_st(t)根据经验值选取；

当确定ρ_st(t)和V_st(t)后，可对上游路段是否应该加入流量存储段进行判断，通过比较ρ_st(t)与上游路段密度ρ_k(t)，若ρ_st(t)≤ρ_k(t)，则路段k加入流量存储段，否则不加入；

4.5)T_s为密度从堵塞密度ρ_J恢复到理想密度ρ_b所耗费时间，设在最大通行能力Q_b时的理想速度为V_b，则理想密度为

堵塞密度ρ_I恢复到理想密度ρ_b所耗费时间T_s为

其中，u_K、ρ_K分别为临界可变限制速度区域的速度和密度，满足u_Kρ_K＜＜Q_b，l_dis为出口截面的车道数，l_b为目标断面车道数，L_b为目标断面长度；

4.6)ω_k(t+1)根据以下公式计算得到：

ω_k(t+1)＝ω_k(t)+T_s[d_k(t)-q_k,o(t)] (19)

其中，d_k为入口匝道k需求，q_k,o为入口匝道k估计流量。

结合式(6)、(7)、(13)、(17)和(18)，TTS为关于r_k(t),k＝1,…,K的函数，最小化TTS，即计算r_k(t),k＝1,…,K的组合使得TTS最小，通过线性规划方法计算r_k(t),k＝1,…,K，则得到各入口匝道控制率。

进一步，将式(8)、(14)代入式(7)，式(5)、(19)代入式(4)，然后将式(7)、(18)、(19)代入式(3)，则求得TTS和TTD。

再进一步，所述步骤2中，流量阈值的选取根据历史一段时间内的高架桥面流量与流速关系得到，当流速下降时的流量为临界流量，流量阈值大于临界流量。

本发明的技术构思为：对高架桥面的流量、流速等交通状态进行分析，当桥面流量需求过度、路段交通堵塞导致下游的目标断面通行能力下降时，在目标断面上游设置出口截面，通过可变速度限制(VSL)方法控制从出口截面上游驶入的流量，并设置上游入口匝道的流量控制率，从而使目标断面恢复瓶颈流量，接近其通行能力。本发明方法能在实时获取高架交通状态的基础上不断更新，能实时对高架匝道进行调控；同时本发明方法兼顾主干道交通流及入口匝道排队情况，能极大避免入口匝道因排队过长产生的流量回溢现象。

本发明的有益效果主要表现在：(1)低成本。本发明方法是基于已有交通数据采集设备，无需安装新设备，且摒弃了人工调控操作，使人力、物力成本达到最低。

(2)可行性强。在分析高架交通状态基础上对高架桥面和入口匝道进行管控，以便恢复高架通行能力，原理简单、可行性强。

(3)实时性强。本发明方法能采集高架实时交通状态数据，并做出实时高架截面和入口匝道管控策略，具有较好的实时性。

(4)可靠性高。本发明方法兼顾入口匝道的排队情况，能有效防止入口匝道排队引起的流量回溢现象。

附图说明

图1是高架匝道智能信号调控方法的流程图。

图2是流量流速关系示意图。

图3是高架桥面示意图，其中，(a)表示目标断面上游出现堵塞时的状态，(b)表示在目标断面上游创建出口截面。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图3，一种高架匝道智能信号调控方法，包括以下步骤：

步骤1：高架桥面交通状态数据采集。采集高架桥面的实时交通流量数据，采集周期一般选为5分钟。

步骤2：判断高架桥面是否堵塞。对采集的高架桥面流量与设定的流量阈值进行对比，若实时流量超过阈值，则判断桥面堵塞；否则桥面处于未堵塞状态。流量阈值的选取根据历史一段时间内的高架桥面流量与流速关系得到，当流速下降时的流量为临界流量，流量阈值略大于临界流量。以图2所示杭州市中河高架庆春路南向北方向卡口设备流量流速关系图为例，黑色实线为流量，黑色虚线为流速，当流量为150时，流速明显下降，因此流量阈值可设为160veh/5分钟。

步骤3：创建出口截面。当高架桥面堵塞时，其下游的通行能力下降，设堵塞断面下游为目标断面，则本发明方法的目标变为提高目标断面的通行能力，使其接近最大容量。如图3(a)所示，目标断面上游出现堵塞时，将导致从上游流入目标断面的流量变小，使得目标断面通行能力降低，为恢复目标断面通行能力，如图3(b)所示在目标断面上游创建出口截面，使出口截面的流量接近目标断面的通行能力，速度接近自由速度(畅通情况下的自由行驶速度)，出口截面上游设置可变限制速度，通过限制上游速度及入口匝道流入量，使得临界可变限制速度区域的流量接近出口截面流量。

出口截面的长度为从速度0加速到理想速度时所需要的长度，计算公式如下：

其中，L_dis为出口截面长度，单位为米，V_dir为理想速度，a_ave为平均加速度，L_add为考虑到车辆变道等因素而附加的长度。V_dir可根据高架实际情况设定，以杭州市高架的理想速度80为例，平均加速度设为10，附加长度为100，则

步骤4：采用可变限制速度与匝道控制融合算法计算出口截面上游各段可变限制速度及各入口匝道控制率。设高架可分为多个路段，每个路段带一个入口匝道，出口匝道数不限。计算过程如下：

4.1)确定目标函数。匝道控制的目标为恢复目标断面的通行能力、最小化总耗费时间、最大化总旅行距离，在第t时间步的目标函数可由下式表示：

R＝TTS-TTD (2)

其中，R为目标函数值，TTS是总耗费时间，TTD是总旅行距离，α_ttd,K表征最大化路段K流量的重要性，α_ttd,0表征最大化路段0流量的重要性，路段K为临界可变限制速度区域，为使其输出流量接近目标断面通行能力，令α_ttd,K＞＞α_ttd,0>0。ω_k为路段k的入口匝道排队长度。ρ_k为路段k的密度，L_k为路段k长度，l_k为路段k车道数，T_s为密度从堵塞密度恢复到理想密度所耗费时间，q_k为路段k的流量，q_K为路段K的流量，l_Kq_K≈Q_b，Q_b为目标断面通行能力。TTS的前一项表示各路段车辆旅行时间之和，后一项表示入口匝道车辆排队时间。q_k可根据下式计算得到：

其中，为前一时间路段k-1的流量，s_k(t)为路段k总出口匝道流量(单位veh/h)，d_k(t)为入口匝道k的需求，Q_k为路段k通行能力，Q_k,o为入口匝道k通行容量。

4.2)计算ρ_k(t+1)。ρ_k(t+1)可根据密度动态预测公式得到：

其中，r_k(t)为路段k入口匝道控制率，u_k-1为堵塞区域上游路段的可变限制速度，u_k为堵塞区域内路段的可变限制速度，ρ_k(t)为前一时间路段k密度。

4.3)计算u_k(t)。计算公式如下：

α_k(t)＝H(Q_k-q_k(t)) (9)

其中，u_k(t)为可变限制速度，V_f为自由速度，α_k(t)为入口匝道需求参数，β_k为入口匝道长度参数，0≤ε≤1为平衡入口匝道需求与入口匝道容量优先顺序的参数，v_ac为满足驾驶员接受程度所设置的速度变化量限制，γ为增益参数，u_K(t)为临界可变限制速度，是最上游路段的可变限制速度，为出口截面速度，ρ_c为临界密度，为出口截面密度。

4.4)计算u_k-1(t)。堵塞区域为流量存储段，当上游流量需求较大时，堵塞区域可能反向传播至上游导致流量存储段变大，因此上游路段按同理设置可变限制速度：

其中，V_st(t)为流量存储段的速度，V_st(t)可根据下式确定：

V_st(t)×ρ_st(t)≥Q_b (15)

ρ_c≤ρ_st(t)≤ρ_J (16)

其中，ρ_st(t)为流量存储段的密度，ρ_c为临界密度，ρ_J为堵塞密度。ρ_st(t)可根据经验值选取，V_st(t)可根据ρ_st(t)值确定。

当确定ρ_st(t)和V_st(t)后，可对上游路段是否应该加入流量存储段进行判断，通过比较ρ_st(t)与上游路段密度ρ_k(t)，若ρ_st(t)≤ρ_k(t)，则路段k加入流量存储段，否则不加入。

4.5)计算T_s。T_s为密度从堵塞密度ρ_J恢复到理想密度ρ_b所耗费时间，设在最大通行能力Q_b时的理想速度为V_b，则理想密度为

堵塞密度ρ_J恢复到理想密度ρ_b所耗费时间T_s为

其中，u_K、ρ_K分别为临界可变限制速度区域的速度和密度，满足u_Kρ_K＜＜Q_b，l_dis为出口截面的车道数，l_b为目标断面车道数，L_b为目标断面长度。

4.6)计算ω_k(t+1)。ω_k(t+1)可根据入口匝道队列动态模型公式计算得到：

ω_k(t+1)＝ω_k(t)+T_s[d_k(t)-q_k,o(t)] (19)

其中，d_k为入口匝道k需求，q_k,o为入口匝道k估计流量。

将式(8)、(14)代入式(7)，式(5)、(19)代入式(4)，然后将式(7)、(18)、(19)代入式(3)，则求得TTS和TTD；TTS为关于r_k(t),k＝1,…,K的函数，最小化TTS，即计算r_k(t),k＝1,…,K的组合使得TTS最小，通过线性规划方法计算r_k(t),k＝1,…,K，则可到各入口匝道控制率。

通过调控各入口匝道控制率及上游路段速度，能使得目标断面通行能力达到最大，并实现最小化总耗费时间、最大化总旅行距离的约束目标，方法实际可靠，可行性较强。