一种车联网环境下考虑可变周期的动态交通控制与诱导协同优化方法与流程

本发明属于智能交通管理领域，涉及一种车联网环境下考虑可变周期的动态交通控制与诱导协同优化方法。

背景技术

大数据背景下，动态交通流的全面获取、深度分析与长期存储成为可能，特别是车联网的出现进一步丰富了交通流检测的数据来源，并且增加了交通诱导的发布方式和覆盖范围。这些新技术、新数据为交通控制与诱导协同优化的深入研究奠定了基础，有必要将传统的交通控制与诱导协同优化拓展到动态交通控制(dynamictrafficsignalcontrol，dtsc)与动态交通流诱导(dynamictrafficflowguidance，dtfg)协同优化。

从实际应用层面考虑，交通管理的实时性并不是越高越好。对于dtsc而言，由于交通出行者的知识水平、驾驶水平等因素的不同，并不是所有的交通出行者能够接受交叉口的相位设计、周期时长、绿灯时间均实时变化；对于dtfgs而言，交通出行者在选定某出行路径时，在出行过程中完全使用动态交通分配进行路径选择也是不可能的。dtsc和dtfgs是在一定约束范围内的实时，本发明在车联网环境下，提出了可变周期管理(variablecyclemanagement，vcm)的概念，将dtsc看作快变量，将dtfg看作慢变量，构建考虑可变周期的动态交通控制与诱导协同优化模型与算法。

技术实现要素：

本发明的目的在于提出一种车联网环境下考虑可变周期的动态交通控制与诱导协同优化方法，通过该方法提高城市交通管理的智能化水平。

为实现上述目的，本发明采用的技术方法为一种车联网环境下考虑可变周期的动态交通控制与诱导协同优化方法。

构建可变周期管理模式，将动态交通控制看作快变量，将动态交通诱导看作慢变量，进行动态交通控制与动态交通诱导协同优化的建模。如图1所示，认为诱导周期相对较长，控制周期相对较短，定义1个诱导周期为1个协同周期，1个协同周期由n个控制周期构成，n为整数。同1个协同周期内，交叉口信号控制采用相同时长的控制周期，即：

to(u)＝tg(u)＝ntc(u)

式中，to(u)为第u个协同周期的时长；tg(u)为第u个协同周期内诱导周期时长；tc(u)为第u个协同周期内控制周期时长。

根据交通流的时空分布，进行协同周期、诱导周期、控制周期时长的优化计算。同1个协同周期内，n个控制周期根据交通流的动态变化采用相应的信号控制方案。

协同周期、诱导周期、控制周期时长的变化，将影响待通过交叉口的交通流量，进而影响信号控制方案；信号控制方案的变化，将影响路径的走行时间，进而影响交通诱导方案；交通诱导方案的变化，将影响交通流的时空分布，进而影响协同周期、诱导周期、控制周期时长。

研究路网由多个交叉口组成时，定义1个重要交叉口用于控制周期的优化计算，其他交叉口采用相同的周期。

基于信息物理系统，构建车联网环境下考虑可变周期的交通控制与诱导协同优化技术框架，由物理世界、感知模块、通信模块、计算模块、控制模块构成，如图2所示；物理世界通过检测与感知模块交互，感知模块与通信模块进行交通流数据交互，通信模块与计算模块进行交通流数据交互；计算模块与通信模块进行交通控制与诱导方案交互，通信模块与控制模块进行交通控制与诱导方案交互；最终控制模块作用至物理世界；

物理世界包括研究对象路网的交叉口、路段，以及运行的车辆，如图3所示。

感知模块实现研究对象路网的交通运行检测，获取的数据主要包括：交通流数据、路网od数据、轨迹数据等；数据获取的设备包括微波雷达检测器、感应线圈检测器等固定检测设备，以及智能手机、车联网等移动检测设备。

通信模块实现协同优化系统内部各模块之间、与外部的数据交互，主要包括感知模块向计算模块传输的基础数据，计算模块向控制模块传输交通控制与诱导方案等。

计算模块根据可变周期管理模式，提出数学模型和求解算法，实现动态交通控制与诱导协同优化的计算，如图4所示。

控制模块包括交通控制和交通诱导，其中，交通控制部分执行交叉口信号控制方案；交通诱导部分向驾驶员发送交通诱导方案。

将考虑可变周期的交通控制与诱导协同优化问题抽象成三层规划模型，下层模型为考虑路径平均阻抗的用户均衡模型，中层模型是考虑公平性的动态信号控制决策模型，上层模型是考虑通行能力和延误的控制周期优化模型。

上层模型是考虑通行能力和延误的控制周期优化模型，约束条件包括传统的等饱和度约束、最大饱和度约束、信号周期约束、最短绿灯时间约束和相位模式约束。

式中，j(u)为第u个协同周期重要交叉口交通控制优化的控制性能函数；d(u)为第u个协同周期重要交叉口的车均延误；χ(u)为第u个协同周期重要交叉口的广义饱和度；di(u)为第u个协同周期重要交叉口流向i的延误；qi(u)为第u个协同周期重要交叉口流向i的流量；χi(u)为第u个协同周期重要交叉口流向i的饱和度；α、β为系数，用户可以根据管理需求进行自主设计。

基于元胞传输模型估计qi(u)，基于传统交通流理论计算di(u)和χi(u)。通过解上述模型可以获得第u个协同周期交叉口各流向的绿灯时间gi(u)，进而可以获得第u个协同周期交叉口信号控制周期时长tc(u)，以及协同周期时长to(u)、诱导周期时长tg(u)。

中层模型是考虑公平性的动态信号控制决策模型，可以表示为满足可行域ω的变分不等式问题，带*表示要求的解。

其中，

式中，为第k个控制周期各相位的最大延误；为第k个控制周期第p个相位的延误；p为相位的集合；为第k个控制周期第p个相位的附加绿灯时间；t^p(k)为第k个控制周期附加绿灯时间的和；为第k个控制周期第p个相位的绿灯时间；为第p个相位的最短绿灯时间；ty为黄灯时间；tr为全红时间。

基于元胞传输模型，采用传统方法计算第t个时段元胞j的延误进而进行相位延误的估算，

式中，tk为第k个控制周期内时段t的集合；jp为第p个相位可放行的元胞集合。

下层模型为考虑路径平均阻抗的用户均衡模型，可以表示为满足可行域ω′的变分不等式问题，带*表示要求的解。

其中，

式中，为第u个协同周期出发地为o、目的地为d的od间的第z条路径的平均阻抗；为第u个协同周期出发地为o、目的地为d的od间各路径平均阻抗的最小值；为第u个协同周期出发地为o、目的地为d的od间的第z条路径上的交通量；q^od(u)为第u个协同周期出发地为o、目的地为d的od间的交通需求量；z^od为出发地为o、目的地为d的od间的路径集合。

基于元胞传输模型，采用传统方法计算第t个时段路径z的实际阻抗进而进行路径平均阻抗的估算，

式中，tu为第u个协同周期内时段t的集合；μ表示集合tu内时段t的数量。

建立一种启发式混合智能优化算法进行三层规划的求解，其中，基于迭代加权法求解下层模型和中层模型，基于非支配排序遗传算法求解上层模型，如图5所示，算法流程如下：

step1：初始化；

令迭代次数e＝0，确定初始周期时长tc(u)⁽⁰⁾；

step2：动态交通控制与动态交通诱导迭代；

step2.1：令迭代次数f＝0，初始信号控制方案p∈p，k∈ku，ku为第u个协同周期交叉口控制周期的集合；

step2.2：借助迭代加权法(methodofsuccessiveaverages，msa)，求解考虑路径平均阻抗的用户均衡模型，实现动态交通诱导的优化，具体流程：

step2.2.1：令迭代次数m＝0，随机选择初始附加绿灯时间

step2.2.2：基于元胞传输模型计算各个相位的延误

step2.2.3：计算下一次迭代时附加绿灯时间的变化值如果令否则，令如果出现2个及以上相位满足以上条件，随机选择相位p；

step2.2.4：更新附加绿灯时间：

step2.2.5：收敛判断，如果连续两次迭代的结果相差不大，则停止计算；否则，令m＝m+1，返回step2.2.2。收敛标准为：

式中，θ为相位总数；为连续两次迭代附加绿灯时间标准差的阈值，一般取

step2.3：借助迭代加权法，求解考虑公平性的动态信号控制决策模型，实现动态信号控制的优化；

step2.3.1：令迭代次数a＝0，为了便于迭代过程中使用元胞传输模型计算路径阻抗，将出发地为o、目的地为d的交通需求平均分配到路径z上，z∈z^od；

step2.3.2：令迭代次数a＝a+1，根据元胞传输模型计算各路径的平均阻抗

step2.3.3：按照将od交通量进行全有全无分配，得到各路径的附加交通量

step2.3.4：更新路径流量：

step2.3.5：收敛判断：如果连续两次迭代的结果相差不大，则停止计算即为最终分配结果；否则返回step2.3.2；选用平均绝对百分误差mape作为收敛标准。

step2.4：迭代优化，令f＝f+1，返回step2.2；

step2.5：收敛判断，如果连续两次迭代的结果相差不大，则停止计算即为最终分配结果；否则进行下一次迭代；选用平均绝对百分误差mape作为收敛标准。

step3：可变周期管理优化

step3.1：借助非支配排序遗传算法(non-dominatedsortedgeneticalgorithmii，nsgaii)求解考虑通行能力和延误的控制周期优化模型，获得pareto解集；

step3.2：根据α、β取值，从pareto解集中挑选一个作为最优解；

step3.3：计算对应的周期tc(u)^(e)；

step4：迭代优化

令e＝e+1，返回step2；

step5：收敛判断

如果2次迭代周期相差不大，停止，记录最佳方案；否则进行下一次迭代。收敛标准为：

tc(u)^(e+1)-tc(u)^(e)≤δtc

式中，δtc为连续两次迭代周期标准差的阈值，一般取0或δ。

本方法具有如下优点：控制周期时长由n个控制周期内交通流的整体特性得到，体现了信号控制的优化思想；信号控制方案根据动态交通流的变化和交通诱导的方案得到，体现了信号控制的时变思想；具体的交通诱导的方案根据动态交通流的变化和信号控制的方案得到，同时，交通诱导的方案在同1个协同周期内保持不变，体现了可变周期管理模式的协同思想；控制周期时长、信号控制决策、交通诱导方案中，某1个参数的变化将带来其他2个参数的变化，通过迭代优化获得均衡状态。

附图说明

图1是可变周期管理的概念图。

图2是技术框架图。

图3是物理世界的示意图。

图4是计算模块的流程图。

图5是启发式混合智能优化算法。

图6是10节点路网图。

图7是交叉口车道设计图。

图8是10节点路网的元胞传输模型图。

图9是dtfg优化计算结果图。

图10是dtsc优化计算结果图。

图11是dtfg与dtsc的迭代优化计算结果图。

图12是vcm优化计算结果图。

图13是启发式混合智能优化图。

具体实施方式

为了使本技术领域的人员更好地理解本发明的内容，下面结合附图和实施例对本发明所提供的技术方案作进一步的详细描述本专利。

城市道路网络中，并非所有交叉口均受信号控制。以北京市为例，有些交叉口受信号控制，有些无信号控制。将由信号控制交叉口和无信号控制路段组成的10节点路网(如图6所示)看作城市道路网络的基本构件，介绍具体实施方式。

在10节点路网中，节点1为交叉口，节点2—5为起讫点，节点6—10为一般路段节点。10节点路网共16个od对，其中，od对4—2和2—4均存在2条有效路径，如表1所示。

表1有效路径表

此外，交叉口车道属性及数量如图7所示，路段9—20的车道数均为1。

协同优化模型的输入包括：每个协同周期初始时刻，路网各个车道组上的车辆数，一般由车道组上、下游检测器获取的数据经过推算得到；以及协同周期内，路网各个起讫点之间的交通需求，一般由od估计系统提供，或者由短时交通流预测系统提供，数据的时间间隔为δ。

首先建立路网元胞传输模型(如图8所示)。在实际应用中，应根据路网各个车道组的渠化特征、重车比例等因素设置元胞传输模型的基本参数。

计算过程如下：

(1)初始化

根据交叉口的交通流量和车道特征，初始化信号控制方案(标准四相位)，取c⁽⁰⁾＝115s。

(2)dtfg与dtsc迭代优化

借助msa算法，求解考虑路径平均阻抗的用户均衡模型，经过14次迭代，满足mape≤5％，如图9所示。

借助msa算法，求解考虑公平性的动态信号控制决策模型，如图10所示。

进行dtfg与dtsc的迭代优化，经过4次迭代，满足mape≤5％，得到如图11所示。

(3)vcm优化

借助nsgaii算法求解考虑通行能力和延误的控制周期优化模型，获得pareto解集，令α＝1/80、β＝1，计算周期c⁽¹⁾＝90s，如图12所示。

(4)迭代优化

进行迭代优化计算，经过3次迭代，周期不再变化，如图13所示。

迭代过程中，交通诱导方案的变化如表2所示；最终获得的信号控制方案如表3所示。迭代优化过程是动态交通流、交通诱导、动态信号控制相互匹配的过程，如图13所示。

表2交通诱导方案

表310节点路网算例的信号控制方案