本发明涉及一种路口智能交通研判和信号优化方法,属于城市交通信号控制系统领域。
背景技术:
随着社会和经济的发展,机动车数量快速增长,城市交通阻塞、交通秩序混乱的状况日趋严重。较优的交通信号控制方案能够缓解交通拥挤,提高运行效率,节约能耗,降低车辆对环境的污染,缓解驾驶员心里焦躁,增加道路交通安全。当前,交通信号配时方案比较粗放,往往造成信号控制效果不理想。
技术实现要素:
本发明目的是:基于路口主要交通问题,合理、科学地输出较优信号配时方案,提高路口通行效率。
为了达到上述目的,本发明的技术方案是提供了一种路口智能交通研判和信号优化方法,其特征在于,包括以下步骤:
步骤1、基于道路检测设备获取目标路口的路口加权平均速度,从而得到路口交通拥堵状态,再目标路口依据某一时间段内的路口加权平均速度及路口交通拥堵状态,判断目标路口是否需要对信号方案进行优化,若需要,则进入步骤2;
步骤2、采集目标路口各车道的流量、饱和流量、车道数,建立多目标遗传算法的目标函数及约束,其中,目标函数包括交叉口周期车辆平均延误函数、交叉口通行能力函数、周期平均停车次数函数、饱和滞留车队长度函数,约束包括绿灯间隔时间约束、周期时长约束、有效绿灯时间约束、饱和度约束,结合路口实际交通数据,采用多目标遗传算法获取由目标函数值以及对应的路口周期时长和各相位有效绿灯时长组合而成的非劣解集合;
步骤3、对步骤2得到的非劣解集合进行归一化处理,将非劣解集合的目标函数值转化为随着周期变化的无量纲值;
步骤4、基于欧几里得度量获取随着周期变化的目标函数值之间的平均欧式距离;
步骤5、对比步骤4得到的平均欧式距离进行聚类分析,根据获取的目标函数的平均欧式距离的平衡点为质心或接近质心进行聚类分析,确定以平衡点为质心或者接近质心的簇,簇映射到原有目标函数值以及对应的路口信号周期时长和各相位有效绿灯时长即为较优解集合;
步骤6、以目标路口基本属性和目标路口交通问题影响因素为c4.5决策树方法的输入量,基于c4.5决策树方法获取目标路口主要优化方向;
步骤7、将步骤6得到目标路口主要优化方向与步骤5得到的较优解集合相结合,最终确认目标路口的信号控制优化方案。
优选地,在所述步骤1中,根据实时获得的路口交通拥堵状态进行报警。
优选地,在所述步骤1中,第i个目标路口在时刻t的加权平均速度为fint_speed(t,i),则有:
优选地,在所述步骤1中,若目标路口为常发性拥堵路口,则需要对信号方案进行优化。
优选地,在所述步骤2中,所述交叉口周期车辆平均延误函数为
aij表示目标路口的第i个进口道的第j个车道类型的车道的车道数,i表示目标路口的进口道的总数,j表示车道类型的总数;
dij表示目标路口的第i个进口道的第j个车道类型的车道在一个周期内的车辆平均延误
qij表示目标路口的第i个进口道的第j个车道类型的车道的单车道车流量;
q表示一个周期内目标路口所有车辆总流量,
所述交叉口通行能力函数为c:
所述周期平均停车次数函数为
所述饱和滞留车队长度函数为
优选地,所述dij的计算公式为:
当xij≤xij0时,
当xij0<xij<1时,
当1≤xij≤1.15时,
当xij>1.15时,
c表示目标路口的周期时长;xij表示目标路口的第i个进口道的第j个车道类型的车道的饱和度;xij0表示目标路口的第i个进口道的第j个车道类型的车道的饱和临界点;yij表示目标路口的第i个进口道的第j个车道类型的车道的流量比,
表示目标路口的第i个进口道的第j个车道类型的车道的通行能力,cij=sij*λij;rij表示目标路口的第i个进口道的第j个车道类型的车道的相位红灯时间,rij=c-gij,gij表示目标路口的第i个进口道的第j个车道类型的车道的各相位有效绿灯时间。
优选地,所述hij的计算公式为:
当xij≤xij0时:
当xij0<xij<1时:
当1≤xij≤1.15时:
当xij>1.15时:
优选地,所述nij的计算公式为:当xij≤xij0时:
当xij0<xij<1时:
当1≤xij≤1.15时:
当xij>1.15时:
优选地,在步骤7中,所述c4.5决策树的输入量包括目标路口的各进口道是否为主干道、目标路口距离上游路口的距离、目标路口各进口道中直行车道数、目标路口各进口道中左转车道数、目标路口的路口流量、目标路口的平均饱和滞留车队长度、目标路口的延误时间;
所述c4.5决策树最终输出以下四条结论之一:(1)优先优化交叉口饱和滞留车队长度;(2)优先优化延误时间;(3)优先优化通行能力;(4)优先优化停车次数。
根据本发明的路口智能交通研判和信号优化方法避免了常规信号控制方案的不合理,路口资源浪费,公众不满等现象。结合城市路口主要问题研判分析结果对基于机器学习的路口信号优化方案进行确定,使路口交通信号方案更科学、合理,提升路口通行能力。
附图说明
图1是本发明的路口智能交通研判和信号优化方法结构示意图;
图2是本发明的路口目标函数通行能力、停车次数、延误和平均饱和滞留车队长度非劣解集归一化处理结果示意图;
图3是本发明的基于欧几里得度量获取以周期为度量的目标函数平均距离结果示意图;
图4是本发明的基于k-means对目标函数欧式距离聚类分析结果示意图;
图5是本发明中涉及的c4.5决策树算法流程示意图。
具体实施方式
为使本发明更显易懂,下面结合附图对本发明的实施例作详细说明:本实施例在本发明技术方案下进行实施,给出了本发明的实施过程和实施效果。本发明的保护范围不限于下述的实施例。
步骤s-1:基于道路检测设备对目标路口的交通运行情况进行监控,并报警
根据道路检测设备(如路口视频卡口设备)获取目标路口的路段行程车速等指标。根据目标路口和各对应进口道路的关系,获取目标路口的路口加权平均速度:
式中,fint_speed(t,i)表示第i个目标路口在时刻t的加权平均速度,当目标路口的各个进口道的流量均为0时,则默认fint_speed(t,i)的平均速度为0;
rj表示第i个目标路口的第j进口道;
nrj表示第i个目标路口的进口道的总数量;
fint_speed(t,rj)表示第i个目标路口的第j进口道在时刻t的行程速度值;
fint-volume(t,rj)表示第i个目标路口的第j进口道在时刻t的流量值。
参考道路通行状态信息发布规范(ga/t994-2012),获取目标路口的交通拥堵状态指标,根据实时获得的交通拥堵状态指标进行报警。同时,根据一段时间长度内的目标路口的交通拥堵状态指标的历史数据可以进行统计,对目标路口是否为常发性拥堵路口进行判断,若路口为常发性拥堵路口,则需要对目标路口的信号方案进行优化。
步骤s-2:基于多目标遗传算法获取目标函数值以及对应的路口周期时长和各相位有效绿灯时长的非劣解集合
多目标优化问题一直是研究领域热点,其具有处理大的问题空间的能力,在一次进化过程中可以得到多个可行解(非劣解集),对问题域的先验知识没有要求,对函数定义域的凸性不敏感。多目标遗传算法应用具体如下:
1)模型假设
(1)假设目标路口是信号控制交叉口,且实行多时段定时控制;
(2)假设最优相位数及相序已确定,且无搭接相位;
(3)假设各交叉口的绿灯间隔时间均为5s,其中3s黄灯与2s全红,相应的绿灯损失时间每相位为5s;
(4)假设车辆在整段时间内均匀到达交叉口;
(5)在整段时间内,过饱和车辆的排队长度随时间直线增加。
2)模型建立
基于多目标遗传算法通过对各车道流量qij、饱和流量sij、车道数aij三个变量的数据采集,通过一系列的转换,建立交叉口周期车辆平均延误、交叉口通行能力、周期平均停车次数、饱和滞留车队长度四个目标函数,与绿灯间隔时间、周期时长、有效绿灯时间、饱和度四个约束。其中控制目标需尽量使交叉口通行能力最大、一个周期内的车辆平均延误最小、平均停车次数最少以及交叉口总饱和滞留车队长度最短。
其中:qij表示第i个进口道的第j个车道类型的车道的单车道车流量,pcu/s;
sij表示第i个进口道的第j个车道类型的车道的饱和流量sij,pcu/s;
aij表示第i个进口道的第j个车道类型的车道的车道数。其中3≤i≤6,即进口道至少为三个,最大为6个;车道类型j=7,分别为左转、直行、右转、直左合用车道、直右合用车道、直左右合用车道、左右合用车道。
(1)目标函数的建立
·周期车辆平均延误
当xij≤xij0时,
当xij0<xij<1时,
当1≤xij≤1.15时,
当xij>1.15时,
其中:
则一个周期内交叉口所有车辆总流量为
则一个周期内交叉口所有车辆平均延误为
式中:dij表示第i个进口道的第j个车道类型的车道在一个周期内的车辆平均延误,s;
cij表示第i个进口道的第j个车道类型的车道的通行能力,cij=sij*λij,pcu/s;
xij表示第i个进口道的第j个车道类型的车道的饱和度,xij=qij/cij。
c表示目标路口的周期时长,s;
λij表示第i个进口道的第j个车道类型的车道的各个相位绿信比;
yij表示第i个进口道的第j个车道类型的车道的流量比,yij=qij/sij;
gij表示第i个进口道的第j个车道类型的车道的各相位的有效绿灯时间,s;
rij表示第i个进口道的第j个车道类型的车道的相位红灯时间,rij=c-gij,s;
n0表示车道周期平均过剩滞留车辆数,pcu;
xij0表示第i个进口道的第j个车道类型的车道的饱和度临界点;
hij表示第i个进口道的第j个车道类型的车道在一个周期内的车辆平均停车次数,次/辆;
nij表示第i个进口道的第j个车道类型的车道的周期平均饱和滞留车队长度,pcu;
·交叉口通行能力
计算公式为:cij=sij*λij
则交叉口总通行能力为:
·周期平均停车次数
当xij≤xij0时,
当xij0<xij<1时,
当1≤xij≤1.15时,
当xij>1.15时,
则一个周期内交叉口所有车辆平均停车次数为
·交叉口总饱和滞留车队长度
当xij≤xij0时,
当xij0<xij<1时,
当1≤xij≤1.15时,
当xij>1.15时,
则一个周期内交叉口各车道总饱和滞留车队长度为
(2)约束条件分析
模型包含绿灯间隔时间、周期时长、有效绿灯时间以及饱和度约束指标,具体如下:
·绿灯间隔时间约束
绿灯间隔时间是指一个相位绿灯结束到下一冲突相位绿灯开始的间隔时间。绿灯间隔时间是要确保本相位绿灯尾的最后一辆机动车与下一冲突相位绿初时驶出的第一辆机动车在其冲突点能够安全交叉通过。绿灯间隔时间是分离交通冲突、确保路口交通流运行安全的关键参数。
·周期时长约束
周期等式约束:
k表示交叉口相位数量;
gk表示第k相位的显示绿灯时间,s;
ik表示第k相位的绿灯间隔时间,s。
不同相位相序中,gk与gij有着不同的对应关系,应具体案例具体分析。
周期不等式约束:
cmin≤c≤cmax
式中:cmin表示最小周期时长,cmax表示最大周期时长,gmin表示相位最短绿灯时间。
·有效绿灯时间约束
gij>gmin
gwemin东西向最短绿灯时间,gsnmin表示南北向最短绿灯时间,东西向行人过街长度最大为lwe,南北向行人过街长度最大为lsn,行人平均步速为vp,一般取1m/s或1.2m/s,则
·饱和度约束
一般交通流在(0.8,0.9),建议取不大于0.85的值,特殊交通流在(0.9,1.0),建议取不大于0.95的值。若路口过饱和情况无法缓解,则饱和度取值最多为原饱和度的75%。
通过以上目标函数与约束条件的建立,结合路口实际交通数据,采用多目标遗传算法获取由四个目标函数值以及对应的路口周期时长和各相位有效绿灯时长组合而成的非劣解集合。
步骤s-3:路口目标函数非劣解集合的归一化处理
数据归一化处理是数据挖掘的一项基础工作,不同评价指标往往具有不同的量纲和量纲单位,这样的情况会影响到数据分析的结果,为了消除指标之间的量纲影响,需要进行数据标准化处理,以解决数据指标之间的可比性。原始数据经过数据标准化处理后,各指标处于同一数量级,适合进行综合对比评价。非劣解集合通过归一化处理主要采用min-max标准化进行。min-max标准化也称为离差标准化,是对原始数据的线性变换,使结果落到[-1,1]区间,转化函数如下:
x※转换函数,xor为原始数据,xmax为样本数据的最大值,xmin为样本数据的最小值,xmean表示数据的均值。当有新数据加入时,xmax和xmin需要重新定义。
路口非劣解集合的四个目标函数值(通行能力、延误、停车次数以及平均饱和滞留车队长度)经过min-max标准化处理,转化为随着周期变化的[-1,1]无量纲值,可在同一量纲进行表达,如图2示意。
步骤s-4:基于欧几里得度量获取随着周期变化的目标函数值之间的平均欧式距离
欧几里得度量(也称欧氏距离)是一个通常采用的距离定义,指在m维空间中两个点之间的真实距离。这里是指两个目标值之间在二维空间中的真实距离。
当
步骤s-5:路口信号优化方案较优解集合确定
路口信号优化方案较优解集合确定需要采用k-means聚类进行分析。k-means聚类用于多维连续空间中的对象,是基于原型的聚类技术创建数据对象的单层划分。一般进行k-means聚类首先选择k个初始质心,其中k是用户指定的参数,是所希望的簇的个数。每个点指派到最近的质心,而指派到一个质心的点集为一个簇,然后,根据指派到的簇的点,更新每个簇的质心,直到质心不发生变化。
对基于欧几里得度量获取随着周期变化的目标函数值之间的平均欧式距离进行k-means聚类分析,根据获取的目标函数的平均欧式距离的平衡点为质心或接近质心进行聚类分析,确定以平衡点为质心或者接近质心的簇,如图4示意,该簇映射到原有四个目标函数值以及对应的路口信号周期时长和各相位有效绿灯时长即为较优解集合。
步骤s-6:基于c4.5决策树方法获取城市路口主要优化方向
基于历史数据对路网整体情况进行判别,对路口情况进行研判分析,为信号配时优化提供辅助意见。
●输入数据
c4.5的输入值主要为路口基本属性和路口交通问题影响因素,包含:(1)是否为主干道;(2)距离上游路口的距离;(3)直行车道数;(4)左转车道数;(5)路口流量;(6)路口平均饱和滞留车队长度;(7)路口延误时间。
●输出结论
根据输入值,算法通过已形成的决策树,最终输出以下四条结论之一:(1)优先优化交叉口饱和滞留车队长度;(2)优先优化延误时间;(3)优先优化通行能力;(4)优先优化停车次数。
·具体算法
c4.5决策树算法是一系列用在机器学习和数据挖掘的分类问题中的算法。它的目标是监督学习:给定一个数据集,其中的每一个元组都能用一组属性值来描述,每一个元组属于一个互斥的类别中的某一类。c4.5的目标是通过学习,找到一个从属性值到类别的映射关系,并且这个映射能用于对新的类别未知的实体进行分类。
决策树是一种类似流程图的树结构,其中每个内部节点(非树叶节点)表示在一个属性上的测试,每个分枝代表一个测试输出,而每个树叶节点存放一个类标号。一旦建立好了决策树,对于一个未给定类标号的元组,跟踪一条有根节点到叶节点的路径,该叶节点就存放着该元组的预测。决策树的优势在于不需要任何领域知识或参数设置,适合于探测性的知识发现,具体算法流程示意如图5。
先做一些假设,设d是类标记元组训练集,类标号属性具有m个不同值,m个不同类ci(i=1,2,…,m),cid是d中ci类的元组的集合,|d|和|cid|分别是d和cid中的元组个数。
(1)信息增益
对d中的元组分类所需的期望信息为下式:
info(d)又称为熵,其中pi表示第i个取值在样本中出现的概率。
现在假定按照属性a划分d中的元组,且属性a将d划分成v个不同的类。在该划分之后,为了得到准确的分类还需要的信息由下面的式子度量:
信息增益定义为原来的信息需求(即仅基于类比例)与新需求(即对a划分之后得到的)之间的差,即
gain(a)=info(d)-infoa(d)
gain(a)为信息增益。
(2)信息增益率
分类信息类似于info(d),定义如下:
这个值表示通过将训练数据集d划分成对应于属性a的v个输出的v个划分产生的信息。
信息增益率定义:
gainratio(a)为信息增益率。
选择具有最大增益率的属性作为分裂属性。
步骤s-7:路口交通信号优化方案确定
通过c4.5决策树法通过对路口问题的研判分析,智能的研判出的路口主要交通问题,即优先优化方向。一般路口问题主要为延误过大、通行能力过低、停车次数过多、饱和滞留车队长度过长四类问题,基于c4.5决策树将其中影响最大的一个主要目标型问题输出,如优先优化交叉口延误,集合较优解集合,将交叉口延误优化最优结果挑选出来,最终得到一个解决延误过大问题,同时兼顾其他目标函数值的交叉口信号优化方案。
据此,确定路口智能交通研判和信号优化方法,使交通信号控制方案更合理、科学,并能够充分发挥交通信号控制作用。