一种城市信号控制交叉口群关键路径识别方法与流程

本发明属于交通信号控制中交叉口关联度分析技术领域，涉及一种识别信控交叉口群中交通关键路径的方法。

背景技术：

城市交通需求的显著增长给我国城市交通系统带来了巨大的压力，城市交通拥堵问题日益严重。仅仅从道路或交叉口本身来考虑交通拥堵治理问题远远不够，需要从交通网络系统层面深入分析和理解系统中各要素的相互作用和运作机理。

对于国内外现有的大规模路网协调控制系统，协调控制的思路为根据关联性模型、专家经验法等将路网划分为几个控制子区，在每个子区内部实现协调控制。其协调控制的对象为大规模路网，且各个子区内部的协调控制依然成为研究的难点。因此需要提出一种针对中小规模路网的交叉口群信号控制策略，该策略中将交叉口群中的关键路径作为协调控制的重点研究对象，有效提升拥堵治理的针对性及高效性。

城市道路交叉口群为城市道路网中地理位置相邻且存在较强关联性的若干交叉口的集合，以紧密联系的交叉口所构成的交叉口群是治理城市交通拥堵问题的有效切入点。交叉口群中的关键路径为流经的交叉口之间关联性最高、对交叉口群网络整体运行效益起决定作用的关键交通流走向。

技术实现要素：

技术问题：本发明在传统交叉口间关联度建模方法基础上，针对传统方法存在问题，提供了一种基于路径关联度值、计算简便且易于实际工程操作的城市信号控制交叉口群关键路径识别方法，可以合理判别对信控交叉口群的运行起关键作用的车流主路径，为寻找城市信控交叉口群中的协调控制对象提供依据。

技术方案：本发明的识别信控交叉口群中交通关键路径的方法，包括以下步骤：

1)采用对偶图法对具有转向限制的路网进行表达，具体流程为：

将原结点图的弧段转化为对偶图中的结点，将原结点图中同一结点的多个转向映射为对偶图中的不同弧段；

2)对偶图中的有向Hamilton通路寻找，具体流程为：

采用回溯法在对偶图D(N)中寻找有向Hamilton通路，所述Hamilton通路仅经过每个顶点一次，所述回溯法是应用深度优先搜索法对解的树形结构进行搜索，找出对偶图中所有Hamilton回路；

3)构建路径关联度模型，所述路径关联度模型由离散性关联指标与阻滞性关联指标构成，能够反映路径长度、车流运行特征、道路特征对路径关联度的影响；

4)交通关键路径识别，具体流程为：

针对对偶图中的每一条有效路径，利用所述路径关联度模型计算各条路径的关联度值，取关联度值最高的路径作为所识别的关键路径。

进一步的，本发明方法中，所述步骤3)中的路径关联度模型为：

I＝I′₁+I′₂，I∈[0，2]

式中：

I——路径关联度值；

I′₁——路径离散性关联指标I₁值的无量纲化值；

I′₂——路径阻滞性关联指标I₂值的无量纲化值；

I′₁与I′₂的计算公式如下：

I′₁＝(I_1max-I₁)/(I_1max-I_1min)

I′₂＝(I_2max-I₂)/(I_2max-I_2min)

式中：

I_1max、I_1min——交叉口群范围内所有路径离散性关联指标I₁值的最大值与最小值；

I_2max、I_2min——交叉口群范围内所有路径阻滞性关联指标I₂值的最大值与最小值。

进一步的，本发明方法中，所述离散性关联指标I₁计算公式如下：

式中：

I₁——路径离散性关联性指标；

n₀——车队在路径起点绿灯时间内通过的车辆数(veh)；

n_d——车队在路径终点绿灯时间内通过的车辆数(veh)。

阻滞性关联指标I₂计算公式如下：

式中：

——路段m的阻滞性关联指标；

M——路径中的路段个数；

的计算公式如下：

式中：

——路段m的第n条车道的功能区的长度(m)；

L^m——路段m的长度(m)。

本发明方法在传统交叉口间关联度模型基础上做出改进，能够快速识别信号控制交叉口群内的交通关键路径。

本发明从交通流的角度出发，考虑车流在网络中各个交叉口的分流与汇合，构建基于交叉口转向流量的关联度计算模型，依据流的关联特征识别出对交叉口群网络整体运行效益起决定作用的关键交通流走向，对改善城市交通组织，缓解城市交通拥堵具有理论意义与实用价值。

本发明方法针对交通控制手段治理交叉口群拥堵问题提出一种有效的思路：选择在交叉口群内交通流运行的关键路径，类似干道绿波组织，对该路径途经的各交叉口进行协调控制，使主体车队尽快通过交叉口群，进而提升交叉口群的整体运行效率。这种思路避免交叉口群范围内的某条路径成为路网运行的薄弱环节，基于交通路径控制的思路能较为有效地协调交叉口与路段的通行能力，使之相匹配。寻找到关键路径之后除了对它实行干线协调控制来改善交通状况，也可以通过拓宽关键路径途径车道、车种限制等具体措施来改善城市交通组织，治理交通拥堵。

这种研究思路的关键问题是如何在交叉口群中识别关键路径走向，由于关键路径途径的若干交叉口之间有很强的交通关联性，故可以通过对关联特性进行分析建立模型识别车流分布特征，从而确定其走向。

有益效果：本发明与现有技术相比，具有以下优点：

1、提出了交叉口群关键路径的识别流程。针对交叉口群内部的路径关联度特征，通过建模、计算、分析识别出一条能够对交叉口群的运行效益起决定作用的车流走向。以其作为协调控制的主要研究对象。在传统的子区控制方法中，通常对子区路网的整个面进行协调控制，协调难度较大，并且针对性不足。本研究将重点协调对象缩小至一条线，其针对性更强，降低了在交叉口的时空资源优化及协调控制中的计算量，提升工作效率。同时，如今城市道路干线协调控制方法较为成熟，本研究成果与现有成果的衔接较为方便。

2、提出了交叉口群路径关联度模型，应用于交叉口群关键路径的识别。以避免由强关联性导致的交叉口排队溢流和绿灯空放等负面效应为目标，考虑交叉口群拓扑结构、各交叉口渠化形式与信号配时方案、交通流量、行程车速及车流离散等诸多因素，建立由离散性关联指标和阻滞性关联指标组成的交叉口群路径关联度计算模型。在传统交通控制方法中，还未出现对路径关联度模型的具体研究成果，本研究提出了关键路径的概念以及路径关联度模型，运用路径关联度实现对关键路径的寻找。

附图说明

图1为本发明城市信号控制交叉口交通关键路径识别方法的流程图。

图2为交叉口群图论表达示例，图2(a)为交叉口群布局示意图，图2(b)为对偶图表示方法。

图3为交叉口群路径寻迹，图3(a)为交叉口群路径寻迹(以原图起讫点编号)，图3(b)为交叉口群路径寻迹(以原图终点编号)。

图4为绿灯时间内车辆累计到达量与路径长度变化关系示意图。

图5为交叉口上游功能区示意图。

图6为关联指标敏感性分析示意图，图6(a)为路径长度及绿信比对离散性指标影响，图6(b)为交叉口间距及饱和度对阻滞性指标影响。

具体实施方式：

下面进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

一种识别信控交叉口群中交通关键路径的方法，该方法流程如图1所示，包括以下步骤：

1)采用对偶图法对具有转向限制的路网进行表达

将原结点图的弧段转化为对偶图中的结点，将原图中同一结点的多个转向映射为对偶图中的不同弧段。

假设存在结点图N＝(V，L)，其中V表示结点集合，L表示弧段集合。令L＝(v，w，Q_vw)，其中v和w分别表示弧段的起讫点，Q_vw表示弧段的属性，可以为距离、通行能力、车辆行驶速度、车种信息等。定义对应原结点图N的对偶图为D(N)＝(V'，L')，其中V'为对偶图的结点集合，L'为对偶弧段。则V'＝L(N)，即对偶图中的顶点集V'是原结点图N中的弧段集。对偶弧段定义为：L'＝{(f，g，Q_fg)|f，g∈V'，f＝(v，w，Q_vw)，g＝(w，x，Q_wx)，式中，f，g为对偶弧段的起讫点，Q_fg为对偶弧段的属性，P为被禁止的转向集合。，f＝(v，w，Q_vw)表示对偶弧段的起点f是原结点图中的弧段(v，w)，g＝(w，x，Q_wx)表示对偶弧段的终点g是原结点图中的弧段(w，x)，即弧段(v，w)的后继弧，表示原结点图中有转向限制的弧段在对偶图中不存在。

以图2(a)所示的3个相邻交叉口为例，交叉口C1北进口禁止左转，交叉口C1与C2之间采取由西至东方向单行线组织，各路段内禁止车辆掉头。图2(b)为该交叉口群的对偶图表示方法。

2)对偶图中的有向Hamilton通路寻找

采用回溯法在对偶图D(N)中寻找出每个顶点正好经过一次的有向Hamilton通路。回溯法应用深度优先搜索法构成解的树形结构找出图的所有Hamilton回路。

画出问题的解空间树，设对偶图D(N)中有n个顶点，则该解空间树是一个最大度为n的树，在编写算法时通过判断结点与结点构成的边在图的邻接矩阵中的值来剪枝，如果其值不是1则说明该边不存在则剪枝不用搜索。由于在求图的Hamilton通路时走过的顶点不能再重复走，所以要对已经遍历过的顶点做一个标记，如果在搜索时找到的是一个带有标记的顶点，则该路径也不可行应该剪去。

回溯法的搜索策略是从根结点出发，以深度优先的方式搜索整个解空间。在当前扩展结点处，搜索向纵深方向移至一个新结点，这个新结点就成为活结点，并成为当前扩展结点。如果当前的扩展结点不能再向纵深方向移动，则当前扩展结点成为死结点。此时，应往回移动(回溯)至最近的一个活结点处，并使这个活结点成为当前的扩展结点。回溯法以这种工作方式递归地在解空间中搜索，直至找到所要求的解或解空间中已经没有活结点为止。

以图2(a)所示的交叉口为例，编写算法求解从各顶点出发的不同通路，图3表示了从结点1出发在交叉口群范围内所有通路的树状结构解。图3(a)中根结点13是对偶图D(N)中路径的起点，取首位数字1即为原图中路径起点的编号；对图3(a)有向树状图中所有分枝点与树叶结点取编号值的末位，即原图中弧段的终点编号，如图3(b)所示。从该图可知，在树状图中所有的根结点与叶结点为交叉口群范围的边界结点，分枝点为交叉口群内部的交叉口编号。3)构建路径关联度模型，具体方法如下：

31)选取关联指标。选取的关联指标需要能够表征交叉口群内一条路径的各转向车流、信号配时、车道功能划分等多重路径信息。考虑决定绿波控制效果的车流离散因素，提出离散性关联指标；考虑由于车辆加减速频繁导致的行车不畅现象，提出阻滞性关联指标。

1.离散性关联指标

假设一条路径包含若干个间隔为200m的信号控制交叉口，在理想情况下采用绿波控制使车辆以恒定速度连续通过，设置不同的路径长度，采用Robertson车队离散模型分析由于离散因素导致在等宽绿波情况下绿灯时间内通过交叉口的车辆折减数ΔN。假定路径起点交叉口在绿灯时间内以1800veh/h的饱和流率放行车辆，信号控制周期为100s，沿路径方向的有效绿灯时间为50s，平均车速设为10m/s。如图4所示，路径长度值越大，即途径交叉口个数越多，等长绿灯时间内通过终点交叉口的车辆数越少，受红灯阻滞影响排队车辆的总延误也越大。因此，将车队离散因素纳入路径关联度计算模型之中可反映路径长度、车流运行特征对路径关联度的影响。

假设一个理想车队在途经路径的起点时车头时距为到达路径终点时没有车辆汇入、驶离，也不存在超车现象，受车队离散因素的影响平均车头间距变为于是有路径起点的平均流率大于路径终点的平均流率

定义离散性关联指标为一个理想车队在途经等宽绿波带时路径起、讫点车辆数的比值，即

式中：

I₁——离散性关联性指标；

n₀——车队在路径起点绿灯时间内通过的车辆数(veh)；

n_d——车队在路径终点绿灯时间内通过的车辆数(veh)；

h₀(i)——车队在路径起点第i辆车的车头时距(s)；

h_d(i)——车队在路径终点第i辆车的车头时距(s)；

t_g——绿波带宽(s)。

h₀(i)与h_d(i)可采用现场观测值，也可通过Robertson车队离散公式估算起、讫点绿灯时间内的到达车辆数，即

q_d(i+t)＝Fq₀(i)+(1-F)q_d(i+t-1)

式中：

i——路径起点在绿灯启亮之后离散的观测时间间隔，可将每秒作为一个间隔；

q₀(i)——在第i个时间间隔从路径起点停车线驶出的车辆数(veh)；

q_d(i+t)——在第i+t个时间间隔通过路径终点停车线的车辆数(veh)；

F——离散系数，

t——平均行驶时间修正值，t＝βT(m/s)；

T——平均行驶时间(m/s)；

α、β——待标定参数，Robertson建议取值分别为0.35和0.8。

因此有：

2.阻滞性关联指标

设连接邻近交叉口的路段长度为L，下游交叉口的上游功能区长度为D。功能区长度与路段总长度的比值较大时，车辆在加速启动通过上游交叉口后不久就需要采取刹车制动，在下游交叉口进行排队等候，自由行驶时间短，燃油消耗高；此外，一旦交通流量略有增加，发生交通溢流的可能性也增大。

如图5所示，交叉口上游功能区由3部分组成：排队长度d₁、驾驶员进行减速直至停止的减速距离d₂和感知时间行驶的距离d₃。其中，排队长度d₁与进口道转向流量、信号配时方案相关，d₂和d₃与行程车速相关。研究功能区长度D与路段总长度L的比值可以从交通设施供给和需求层面分析交叉口关联特征。

对于交叉口群组成某条路径的任意路段m，沿该路径前进方向的交叉口进口道若有N条不同车道，计算每个车道的功能区长度值

式中：

——路段m第n条车道的功能区长度(m)；

——路段m第n条车道的车辆排队长度(m)；

——减速距离(m)；

——感知-反应距离(m)。

可采用实地观测统计值，也可使用排队长度计算公式进行估算。

将定义为路段m沿路径前进方向的交叉口进口道中流向功能区长度最大值与路段长度L^m的比值，即：

若该路径若由M个路段组成，则其阻滞性指标I₂为

32)指标敏感性分析

在恒定车速下设置不同的路径长度、绿信比、饱和度及交叉口间距值，计算离散性关联指标I₁和阻滞性关联指标I₂，分析交通设施供给与车流运行特征对路径关联度的影响，计算结果如图6所示。

路径所包含的交叉口数量越多，则必然延伸路径的长度。图6(a)表明，随着路径长度的增加、绿信比的降低，离散性关联指标I₁值呈递减趋势。在路径长度较小的情况下，不同绿信比值对I₁的影响差异不明显，但随着路径长度的递增，绿信比对I₁值的影响愈加明显；同样，绿信比越小，I₁值对路径长度的变化也越敏感。当路径仅包含1个路段时，不同饱和度和交叉口间距条件下的阻滞性关联指标I₂的变化趋势如图6(b)所示。由图6(b)可知，交叉口饱和度与交叉口间距对I₂均有较大影响。随着交叉口间距的增加，I₂值逐渐减小，相同交叉口间距、不同饱和度情况下I₂的差值也逐步缩小。在短交叉口间距的情况下，饱和度越高，受车辆排队的影响I₂值也越大。

指标敏感性分析结果表明，离散性关联指标I₁和阻滞性关联指标I₂可共同反映交叉口群拓扑结构、信号配时方案、交通流量、车队离散因素等关键要素对信号控制交叉口群路径关联特征的影响。

4)交通关键路径识别

离散性关联指标I₁和阻滞性关联指标I₂所代表的物理含义不同，存在量纲上的差异，计算出交叉口群范围内所有路径I₁和I₂值之后需无量纲处理，分别记为I′₁和I′₂,，如下面两个式子所示

I′₁＝(I_1max-I₁)/(I_1max-I_1min)

I′₂＝(I_2max-I₂)/(I_2max-I_2min)

式中：

I_1max、I_1min——交叉口群范围内所有路径离散性关联指标I₁值的最大值与最小值；

I_2max、I_2min——交叉口群范围内所有路径阻滞性关联指标I₂值的最大值与最小值。

因此某条路径关联度I按下式计算，I∈[0，2]。

I＝I′₁+I′₂

对交叉口群内的所有逻辑连通路径计算路径关联度值，选择其中具有最大路径关联度值的路径作为交叉口群内的关键路径。

上述实施例仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和等同替换，这些对本发明权利要求进行改进和等同替换后的技术方案，均落入本发明的保护范围。