一种基于数据驱动的交通路网分布式区域控制方法技术

本发明专利技术公开了一种基于数据驱动的交通路网分布式区域控制方法，包括交通数据滤波、交通路网车道饱和度建模和信号灯配时分布式区域控制；根据预测模型进行滚动优化，设定一系列未来的控制信号U(k)，在给定约束下，求得最优解决方案U*(k)，并将其作为控制对象的输入；进一步利用纳什优化方法解决多个子系统的关联问题，获得最优信号周期时长

【技术实现步骤摘要】
一种基于数据驱动的交通路网分布式区域控制方法
本专利技术复杂系统控制
，特别涉及一种基于数据驱动的交通路网分布式区域控制方法。
技术介绍
随着我国经济的飞速发展和居民收入水平的稳定增加，我国城市交通运输的需求激增。如何处理交通拥堵问题成为城市化进程中迫切需要解决的难题之一。交通信号灯配时优化是解决城市交通问题的有效手段之一，其主要任务是对道路上的交通流进行合理的引导。采用智能交通系统，对现有路网进行科学有效管理，可以提高车辆通行率。智能交通在支撑交通运输管理的同时，更加注重满足民众出行和公众交通出行的需求，构建一个绿色安全的体系。减少车辆的平均延误时间和平均停车次数是城市智能交通系统设计的主要目标。由于子系统间相互耦合性、物理空间和信息空间时变交互性、诸多不确定性等本质特点，城市交通系统的控制设计面临许多挑战。区域交通信号协调控制技术发展迅速、需求强，经过众多的研究人员的多年努力，也已经取得了不错的成果。然而，交通区域信号协调控制在我国还未发展成熟，尤其在交通系统的智能预测及控制方法仍有诸多问题亟待解决。目前，随着现代技术和通信技术的不断提高，复杂分布式系统的控制方式也逐渐向网络化的分布式协调控制转变。与集中式控制相比，分布控制的安全性、可靠性和灵活性得到大大提高，且具有较高的故障容错能力，即当系统部分传感器或执行机构出现故障或开启关闭部分单元时，整个系统仍可正常运行。针对复杂系统的控制逐渐向网络化的分布式区域控制转变，分布式控制的安全性、可靠性和灵活性得到大大提高，且具有较高的故障容错能力。近年来，分布式预测控制受到了极大关注，分布式预测控制不再将复杂工业过程当成一个整体，而是看作成相互耦合的若干个子系统，各子系统都具有传感器、控制器和执行器。由于子系统之间具有较好的独立性，我们可以将分布式区域控制器安装距离子系统较近的距离，传输距离一般也不长，这样就可以减少或去除控制器到对象的传输时延，使得网络传输带宽较小，性能可靠。城市交通系统规模巨大、系统复杂、干扰众多，无法准确获取全局甚至局部的数学模型，传统基于模型的方法无法应付其预报与控制问题。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提供一种基于数据驱动的交通路网分布式区域控制方法，利用数据驱动方法研究车道饱和度预测模型，提出基于分布式预测控制的交通信号灯区域配时优化，为避免或缓解交通拥堵提供一套高效控制方法。本专利技术的目的通过以下的技术方案实现：一种基于数据驱动的交通路网分布式区域控制方法，包括：S1、交通数据滤波：对交通数据进行预处理，处理包括数据丢包、异常数据的问题；S2、交通路网车道饱和度建模：车道饱和度是指在一个相位周期内，绿灯时间的使用效率；具体是指在车道探测器处，被车流有效利用的绿灯时间与总的绿灯时间之比；车道饱和度的计算公式为：其中DS指车道饱和度，TG指绿灯时间，T0指有效绿灯时间，T是指探测器上无车辆通过的绿灯时间，t是指车流正常行驶时前后两辆车间的空当时间，h是指一个相位车道通过路口的车辆数；车道饱和度建模步骤包括：S2-1模型输入参数选择；S2-2车道饱和度预测建模；S2-3模型参数寻优；S3、信号灯配时分布式区域控制：根据预测模型进行滚动优化，求解滚动优化问题过程中，设定一系列未来的控制信号U(k)，在给定约束下，求得最优解决方案U*(k)，并将其作为控制对象的输入；进一步利用纳什优化方法解决多个子系统的关联问题，获得最优信号周期时长优选的，为了便于计算，车道饱和度的计算公式中t取固定值。优选的，步骤S1中采用限幅滤波算法进行交通数据预处理，限幅滤波算法的原理为：每次检测到新值时判断，如果本次值与上次值之差不大于A，则本次值有效；如果本次值与上次值之差大于A，则本次值无效，放弃本次值，用上次值代替本次值。优选的，步骤S2-1中模型输入参数选择采用PCA主成分分析法，具体步骤如下：对于一个样本，有L变量x1,x2,…,xL,则对于n个样品的数据矩阵为：第一步：标准化处理，计算公式如下：其中第二步：计算样本相关系数矩阵：经过了标准化的变量的相关系数分别为：其中i,j＝1,…,L；第三步：用正交矩阵变换方法求出相关系数矩阵R的特征值(λ1,λ2,…,λL)和相对应的特征向量u1,u2,…,uL，使得其中U＝[u1,u2,…,uL]；第四步：计算出每个成分的贡献率，贡献率计算公式如下：第五步：选择出贡献率高于一定阈值的成分作为主成分，剔除掉其余成分，将主成分代替原始的变量。优选的，通过设定一个阈值来帮助确定主成分，这些主成分的贡献率之和不能小于这个阈值。具体的，选取的阈值是95％。优选的，步骤S2-2车道饱和度预测建模具体过程为：采用支持向量回归算法构建车道饱和度预测模型，对于步骤S2-1得到的数据样本，得到最优超平面方程为：f(x)＝wTx+b(4)为了确定w和b，需要求解如下的优化问题：s.t.Y-(Aw+be)≤εe+ξ,ξ≥0,(Aw+be)-Y≤εe+ξ*,ξ≥0,C＞0(5)其中A为输入样本数据，Y为输出样本数据，ξ和ξ*为松弛变量，e为有n维数据的向量，ε和C分别是松弛因子和惩罚系数；ε和C能影响到整个回归效果，因此需要找寻到最佳的松弛因子和惩罚系数，使得模型的精度最高。优选的，步骤S2-3中利用粒子群模型进行参数寻优，首先，将公式(5)的潜在解都可以看成搜索空间中的一个飞行物，将其定义为粒子；每个粒子都有着其相应的适值，计算适值及速度；速度矢量决定着粒子在空间里前进的速率和方向，这样就可以确定粒子的具体位置，再根据其适值确定一个最优粒子，让其它粒子根据这个最优粒子来调整自己的速度，在整个空间找寻最佳的解，以确定参数松弛因子ε和惩罚系数C的最佳值。优选的，步骤S3中，在进行滚动优化时，需要先设定控制时域为Nc和预测时域为Np；整个系统的调控时间间隔为Tc＝nT0，T0为仿真对应最小时间单位，在时刻kTc，将来NcTc时间内的信号控制时刻集合可以表示为{kTc,(k+1)Tc,...,(k+Nc-1)Tc}；交通系统的每个子系统中，控制对象为交通信号灯，控制输入为各路口交通信号周期时间；假设交通系统可以划分为m个子系统，对于第n个子系统，控制输入可以表示为：第n个子系统中Un(k+i|k)表示在控制时间步k步时设置的控制时间步k+i步的控制输入；由于预测时域可能大于控制时域，对于i≥Nc时刻，Un(k+i|k)可以表示为：Un(k+i|k)＝Un(k+Nc-1|k),Nc≤i≤Np(7)第n个子系统的车道饱和度预测模型可以表示为数学式：Sn(k+1|k)＝f(Sn(k|k),Un(k|k),Fn(k|k),Sq(k|k),Uq(k|k),Fq(k|k))(8)模型的输出为控制时间步k+1第n个子系统车道饱和度Sn(k+1|k)；Sn(k|k)，Fn(k|k)，Un(k|k)分别表示在第n个交通子系统在k控制时间步的折合车流量、车道饱和度和控制输入信号周期时间；Sq(k|k)，Fq(k|k)，Uq(k|k)分别表示在第q个交通子系统在k控制时间步的折合车流量、车道饱和度和控制输入信号周期时间，q＝1,…,n-1,n,n+1,…,m；预测时域内的车道饱和度预测模型为：其中，Sn(k+j|k)，Fn(k本文档来自技高网...

【技术保护点】
一种基于数据驱动的交通路网分布式区域控制方法，其特征在于，包括：S1、交通数据滤波：对交通数据进行预处理，处理包括数据丢包、异常数据的问题；S2、交通路网车道饱和度建模：车道饱和度是指在一个相位周期内，绿灯时间的使用效率；具体是指在车道探测器处，被车流有效利用的绿灯时间与总的绿灯时间之比；车道饱和度的计算公式为：

【技术特征摘要】
1.一种基于数据驱动的交通路网分布式区域控制方法，其特征在于，包括：S1、交通数据滤波：对交通数据进行预处理，处理包括数据丢包、异常数据的问题；S2、交通路网车道饱和度建模：车道饱和度是指在一个相位周期内，绿灯时间的使用效率；具体是指在车道探测器处，被车流有效利用的绿灯时间与总的绿灯时间之比；车道饱和度的计算公式为：其中DS指车道饱和度，TG指绿灯时间，T0指有效绿灯时间，T是指探测器上无车辆通过的绿灯时间，t是指车流正常行驶时前后两辆车间的空当时间，h是指一个相位车道通过路口的车辆数；车道饱和度建模步骤包括：S2-1模型输入参数选择；S2-2车道饱和度预测建模；S2-3模型参数寻优；S3、信号灯配时分布式区域控制：根据预测模型进行滚动优化，求解滚动优化问题过程中，设定一系列未来的控制信号U(k)，在给定约束下，求得最优解决方案U*(k)，并将其作为控制对象的输入；进一步利用纳什优化方法解决多个子系统的关联问题，获得最优信号周期时长2.根据权利要求1所述的基于数据驱动的交通路网分布式区域控制方法，其特征在于，步骤S1中采用限幅滤波算法进行交通数据预处理，限幅滤波算法的原理为：每次检测到新值时判断，如果本次值与上次值之差不大于A，则本次值有效；如果本次值与上次值之差大于A，则本次值无效，放弃本次值，用上次值代替本次值。3.根据权利要求1所述的基于数据驱动的交通路网分布式区域控制方法，其特征在于，步骤S2-1中模型输入参数选择采用PCA主成分分析法，具体步骤如下：对于一个样本，有L变量x1,x2,…,xL,则对于n个样品的数据矩阵为：第一步：标准化处理，计算公式如下：其中第二步：计算样本相关系数矩阵：经过了标准化的变量的相关系数分别为：其中i,j＝1,…,L；第三步：用正交矩阵变换方法求出相关系数矩阵R的特征值(λ1,λ2,…,λL)和相对应的特征向量u1,u2,…,uL，使得其中U＝[u1,u2,…,uL]；第四步：计算出每个成分的贡献率，贡献率计算公式如下：第五步：选择出贡献率高于一定阈值的成分作为主成分，剔除掉其余成分，将主成分代替原始的变量。4.根据权利要求3所述的基于数据驱动的交通路网分布式区域控制方法，其特征在于，通过设定一个阈值来帮助确定主成分，这些主成分的贡献率之和不能小于这个阈值。5.根据权利要求1所述的基于数据驱动的交通路网分布式区域控制方法，其特征在于，步骤S2-2车道饱和度预测建模具体过程为：采用支持向量回归算法构建车道饱和度预测模型，对于步骤S2-1得到的数据样本，得到最优超平面方程为：f(x)＝wTx+b(4)为了确定w和b，需要求解如下的优化问题：s.t.Y-(Aw+be)≤εe+ξ,ξ≥0,(Aw+be)-Y≤εe+ξ*,ξ≥0,C＞0(5)其中A为输入样本数据，Y为输出样本数据，ξ和ξ*为松弛变量，e为有n维数据的向量，ε和C分别是松弛因子和惩罚系数；ε和C能影响到整个回归效果，因此需要找寻到最佳的松弛因子和惩罚系数，使得模型的精度最高。6.根据权利要求5所述的基于数据驱动的交通路网分布式区域控制方法，其特征在于，步骤S2-3中利用粒子群模型进行参数寻优，首先，将公式(5)的潜在解都可以看成搜索空间中的一个飞行物，将其定义为粒子；每个粒子都有着其相应的适值，计算适值及速度；速度矢量决定着粒子在空间里前进的速率和方向，这样就可以确定粒子的具体位置，再根据其适值确定一个最优粒子，让其它粒子根据这个最优粒子来调整自己的速度，在整个空间找寻最佳的解，以确定参数松弛因子ε和惩罚系数C的最佳值。7.根据权利要求1所述的基于数据驱动的交通路网分布式区域控制方法，其特征在于...

【专利技术属性】
技术研发人员：张浪文，谢巍，杨晓峰，何伟，吴伟林，余孝源，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44