基于遗传算法的绿波优化算法
【技术领域】
[0001] 本发明涉及一种交通控制方法，尤其涉及一种基于遗传算法的绿波优化算法。
【背景技术】
[0002] 目前。近年来，我国经济不断高速发展，城市建设不断推进，交通流也在不断膨胀。 同时，随着经济的发展，居民对出行的便捷性和舒适性有了更高的要求，导致私家车数量快 速增加，交通需求的压力持续增大。道路交通基础设施建设的不完备以及交通信号控制策 略的落后，使得交通拥堵问题尤为突出。
[0003] 为缓解这一问题，国内外很多学者相继对干线控制进行了大量的研宄和实践。在 干线控制的研宄和实践中，绿波技术是研宄比较广泛，也比较早的技术，是现在干线交通控 制研宄中的热点。
[0004] 传统的绿波控制算法中，典型的计算方法包括图解法和数解法，这种控制方法实 现简单，但明显的缺点是控制过于理论化，在实际的交通中，交通流构成的多样性、车流的 离散性、驾车习惯的复杂性，使得控制的实际效果不如人意。
【发明内容】
[0005] 本发明的目的在于克服现有技术中存在的不足，提供一种基于遗传算法的绿波优 化算法，根据实际的交通基础信息，通过遗传算法对绿波控制中最重要的相位差参数进行 优化，得到更好的控制效果。本发明采用的技术方案是：
[0006] 本发明提出的基于遗传算法的绿波优化算法，包括下述步骤：
[0007] 1)基础交通数据的处理：利用k-means算法处理交通流量数据，获取不同时段的 平均交通流量；
[0008] 2)基础绿波算法的参数求解：利用传统的数解法，求得基础的绿波控制参数，包 括公共信号周期、相位差、绿信比；
[0009] 3)优化目标函数的设定：针对步骤2)中求解的相位差参数，设定优化目标函数； [0010] 4)优化处理：利用遗传算法，对设定的目标函数进行优化，求得其最优解。
[0011] 所述的公共周期为：根据各个交叉口实际的交通数据，计算得到各自的信号周期， 从中选取周期的最大值作为所有交叉口的公共周期；
[0012] 所述的数解法是在绿波信号配时中，一种常用的求取控制参数的计算方法；
[0013] 所述的相位差为：沿着车辆行驶方向任意相邻路口的协调相位起始时刻的最小时 间差，车辆行驶方向包括上行方向和下行方向，相位差包括上行相位差和下行相位差，同一 路口的上行相位差和下行相位差的不同的；
[0014] 所述的绿信比：在一个公共周期中，每个路口各个相位的绿灯时间与公共周期的 比。
[0015] 本发明的优点在于：本算法与传统的绿波控制算法相比，通过对控制参数的实时 调整控制，体现了更好的动态性和实时性，从而达到更好的控制效果，保证主干道通畅的情 况下，有效避免了次干道的长等待。相比与自适应等其他复杂控制算法，本算法实现相对简 单，具有更好的实施性。
【附图说明】
[0016] 图1为本发明的算法流程图。
【具体实施方式】
[0017] 下面结合具体附图和实施例对本发明作进一步说明。
[0018] 本发明提出的基于遗传算法的绿波优化算法，如图1所示，包括下述步骤：
[0019] 1)基础交通数据的处理：利用k-means算法处理交通流量数据，获取不同时段的 平均交通流量；
[0020] 2)基础绿波算法的参数求解：利用传统的数解法，求得基础的绿波控制参数，包 括公共信号周期、相位差、绿信比；
[0021] 3)优化目标函数的设定：针对步骤2)中求解的相位差参数，设定优化目标函数；
[0022] 4)优化处理：利用遗传算法，对设定的目标函数进行优化，求得其最优解。
[0023] 所述的公共周期为：根据各个交叉口实际的交通数据，计算得到各自的信号周期， 从中选取周期的最大值作为所有交叉口的公共周期；
[0024] 所述的数解法是在绿波信号配时中，一种常用的求取控制参数的计算方法；
[0025] 所述的相位差为：沿着车辆行驶方向任意相邻路口的协调相位起始时刻的最小时 间差，车辆行驶方向包括上行方向和下行方向，相位差包括上行相位差和下行相位差，同一 路口的上行相位差和下行相位差的不同的；
[0026] 所述的绿信比：在一个公共周期中，每个路口各个相位的绿灯时间与公共周期的 比。
[0027] 通常在计算车流平均流量时，往往是人为的硬性确定各个时段的时间区间，例如 对一天的交通流量进行划分时，会硬性将早8点到早10点划分为早高峰，类似的划分晚高 峰，这样的处理方式使得区段间的划分不平滑，这里提出使用k-means方式进行区间划分， 将交通流量信息扩展为二维属性，车流量的统计间隔为半个小时，记录形式为〈时间，流量 >对的形式，然后利用k-means聚类进行评价流量的计算。
[0028] 这里之所以利用基础的绿波控制算法求解，是因为遗传算法需要一个初始的良好 的相位差参数，即良好的"初始种群"，基于这个良好的"种群"，可以更快的得到最优解。基 础绿波控制算法采用数解法，对输入参数"平均交通流量"进行处理，可以得到的控制参数 有公共信号周期、相位差、绿信比。
[0029] 在绿波控制中，相位差参数是最重要的参数，根据实际的车流信息，学习优化相位 差是非常有利于提高和改善控制效果的。同时，对于路网运行状态或控制信号控制效果的 评价指标有很多，包括平均停车时间和平均停车次数，在通常情况下，二者是单独作为评价 指标来衡量控制效果的，本发明采用将二者结合的方式来评价整个路网的运行状态和信号 控制策略的优劣，为二者分配不同的权重后，取二者的总体结果作为最终的目标函数。其 中，停车次数保证的干线绿波的通畅性，而等待时间（即停车时间）保证了支路不会为干线 的通畅牺牲太多通行权。
[0031]
[0030] 根据上面论述的情况，本专利设定的优化目标函数为：
【主权项】
1. 一种基于遗传算法的绿波优化算法，其特征在于，包括下述步骤： 1) 基础交通数据的处理：利用k-means算法处理交通流量数据，获取不同时段的平均 交通流量； 2) 基础绿波算法的参数求解：利用传统的数解法，求得基础的绿波控制参数，包括公 共信号周期、相位差、绿信比； 3) 优化目标函数的设定：针对步骤2)中求解的相位差参数，设定优化目标函数； 4) 优化处理：利用遗传算法，对设定的目标函数进行优化，求得其最优解。
2. 如权利要求1所述的基于遗传算法的绿波优化算法，其特征在于： 步骤3)中，设定的优化目标函数为：
其中，N为目标绿波带中包含的交叉口的总数；Ci表示第i个交叉口的路口总数；％表 示第i个交叉口 j方向路口对于停车次数的惩罚系数；Sij表示第i交叉口 j方向路口的停 车次数；β u表示i交叉口 j方向路口对停车等待时间的惩罚项系数;Wu表示i交叉口 j方 向路口的停车等待时间，t表示设定的驾驶员可以容忍的最长等待时间；其中％，β u是根 据具体的路口重要程度优先级进行初始设定的，优先级越高，惩罚项越大，表示要倾向于满 足优先级高的路口方向的车辆的通行。
3. 如权利要求1所述的基于遗传算法的绿波优化算法，其特征在于： 步骤4)中，遗传算法的优化求解过程为： ① 求解问题：求解的目标函数如下所示：
② 初始化：采用通过数解法获得的相位差参数作为遗传算法的初始值； ③ 交叉：设定交叉的概率Px，种群中每个个体，对应产生一个[〇，1]的随机数，若随机 数小于交叉概率P x，则进行交叉； ④ 变异：设定变异的概率？111，种群中的每个个体，对应产生一个[〇，1]的随机数，若随 机数小于变异概率P m，则进行变异； ⑤ 循环：通过③④产生新的种群，然后继续循环产生下一代种群； ⑥ 结束：当新种群参数产生的控制效果降低时，即当式子（1)输出的值大于一个设定 阈值时，结束迭代循环。
【专利摘要】本发明提供一种基于遗传算法的绿波控制参数优化算法，方法主要包括交通基础输入数据的处理、基础绿波算法的参数求解、优化目标函数的建立、绿波参数的优化。本发明利用基础绿波算法求得初始的绿波控制参数，包括公共信号周期、相位差、绿信比。然后针对绿波控制算法中最重要的相位差参数，建立优化目标函数，利用遗传算法，进行目标函数的优化，提高绿波控制效果，减少停车延误和停车次数。本算法与传统的绿波控制算法相比，通过对控制参数的实时调整控制，体现了更好的动态性和实时性，从而达到更好的控制效果，保证主干道通畅的情况下，有效避免了次干道的长等待。相比与自适应等其他复杂控制算法，本算法实现相对简单，具有更好的实施性。
【IPC分类】G08G1-081
【公开号】CN104751652
【申请号】CN201510176697
【发明人】王志广, 台宪青
【申请人】江苏物联网研究发展中心
【公开日】2015年7月1日
【申请日】2015年4月14日