一种考虑交通控制与诱导协同的潮汐车道优化方法技术

本发明专利技术公开了一种考虑交通控制与诱导协同的潮汐车道优化方法，用户选择待优化路网，以及待优化的时段，输入研究路网的几何特征数据，以及在研究时段内的OD数据；将考虑交通控制与诱导协同的潮汐车道优化问题抽象成三层规划问题，其中，上层模型为基于非线性0‑1规划的潮汐车道优化模型，中层模型为基于多目标优化的交通控制优化模型，下层模型为考虑交叉口延误的用户均衡模型；建立一种启发式迭代优化算法进行三层规划模型的求解，其中，上层模型使用遗传算法求解，中层模型使用非支配排序遗传算法求解，下层模型使用迭代加权法求解，本方法将交通控制与诱导协同引入潮汐车道优化中。

【技术实现步骤摘要】
一种考虑交通控制与诱导协同的潮汐车道优化方法
本专利技术属交通规划与管理领域，涉及一种考虑交通控制与诱导协同的潮汐车道优化方法，提高潮汐拥堵下城市交通路网的通行效率。
技术介绍
土地利用是影响交通需求特性的主要因素，居住区、就业区、生活配套设施以及公共设施的空间分布，决定了城市居民出行总量、出行距离和出行方向。当前，职住分离现象严重，潮汐现象由此产生，并带来了交通拥堵问题。潮汐拥堵现象体现了动态交通需求与静态交通设施之间的矛盾。结合道路交通流的潮汐特性，研究潮汐车道优化是解决上述矛盾的重要手段。目前，国内外已经出现了很多潮汐车道的应用，但是，理论研究还不够完善，特别是如何建立潮汐车道优化模型，制定潮汐车道方案。交通控制与诱导的协同优化，究其根本是最优信号控制与离散交通设计的组合优化问题。然而，对于潮汐现象比较明显的路网而言，仅考虑交通控制与诱导的协同优化并不能很好的解决交通拥堵问题，需要进一步考虑潮汐车道优化。然而，对比交通控制与诱导协同优化方法的研究现状，发现：一些研究虽然考虑了定时控制，但是模型体系忽略了交叉口相位设计、不同流向延误对交通分配的影响等问题；一些研究应用感应控制，但是模型假设偏多，并未较多考虑实际应用层面动态数据的获取问题，在数据缺失情况下，模型很难达到预期效果；此外，在交通控制与诱导协同优化的研究领域，很少考虑潮汐车道优化的建模问题。
技术实现思路
本专利技术的专利技术目的在于设计了一种考虑交通控制与诱导协同的潮汐车道优化方法，为潮汐拥堵现象提供一种解决方案。为实现上述目的，本专利技术采用的技术方案为一种考虑交通控制与诱导协同的潮汐车道优化方法，具体实施过程如下：步骤一：准备基础数据用户可以根据交通流数据、交通管理需求、管理经验等自主选择待优化的路网，以及待优化的时段，以实现同一路网一日内不同时段采用不同的潮汐车道方案。用户输入研究路网的几何特征数据，包括研究路网中各个交叉口、各个路段的车道属性与数量；数据来自于地理信息系统，或者实地踏勘调研。用户输入研究路网在研究时段内的OD数据；数据来自于用户的自主OD估计，或者来自于智能交通系统。步骤二：建立数学模型将考虑交通控制与诱导协同的潮汐车道优化问题抽象成三层规划问题，下层模型为考虑交叉口延误的用户均衡模型，决策变量为各路段的交通流量；使用虚拟路段来表示交叉口延误对用户均衡模型的影响，将交叉口不同流向作为虚拟路段，使用延误表示路段走行时间函数，可以采用韦伯斯特延误公式；使用BPR函数表示路段的走行时间函数。下层模型可表示为：式中，JL为交通诱导优化的控制性能函数；A为实际路段的集合；I为虚拟路段的集合；ta(xa)为路段a的走行时间函数；da(xa)为虚拟路段的走行时间函数；为出发地为r、目的地为s的OD间的第k条路径上的交通量；ψrs为出发地为r、目的地为s的OD间所有路径的集合；qrs为出发地为r、目的地为s的OD间的交通量；R为出发地r的集合；S为目的地s的集合；为0-1变量，如果路段a在出发地为r、目的地为s的OD间的第k条路径上，否则为出发地为r、目的地为s的OD间的第k条路径的旅行时间。中层模型为基于多目标优化的交通控制优化模型，综合考虑管理效率优化和旅行感受优化，分别采用交叉口的整体性能指标车均延误和广义饱和度；决策变量为交叉口各流向的绿灯时间。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。中层模型可表示为：Cmin≤Cj≤Cmax式中，JM为交通控制优化的控制性能函数；dj为交叉口j的车均延误；χj为交叉口j的广义饱和度；为交叉口j流向i的延误；为交叉口j流向i的流量；为交叉口j流向i的饱和度；为交叉口j各流向的平均饱和度；χ0为饱和度平均差的阈值；b为流向的总数；χmax为最大饱和度的阈值；Cmin为信号控制的最短周期；Cmax为信号控制的最长周期；为交叉口j流向i绿灯时间；tgmin为最短绿灯时间的阈值。以图1所示的交叉口为例，说明相位模式约束。令ty为黄灯时间，tr为全红时间，若右转不受信号控制，相位模式约束如下表所示。表1相位模式约束上层模型为基于非线性0-1规划的潮汐车道优化模型，以路网通行效益最大为优化目标，用旅行时间衡量；决策变量为路段处潮汐车道的流向，用0-1变量表示；定义约束为决策变量与路段处及交叉口处车道数的关系。下层模型可表示为：式中，JU为潮汐车道优化的控制性能函数。以图2所示的1条南北走向的城市主干道为例，说明定义约束为决策变量与路段处及交叉口处车道数的关系。令为0-1变量，分别表示路段a和a′的潮汐车道属性；为0-1变量，表示交叉口j进口道p的潮汐车道属性；分别表示交叉口j进口道p处左转车道数和直行车道数；la,la′分别表示路段a和a′的车道数。该城市主干道双向6车道，南北侧与交叉口相连，具有以下基本特性：(1)交叉口进行车道的拓宽，使得进口道、出口道各增加1条车道。(2)路段仅允许2条车道为潮汐车道，不妨引入0-1变量表示路段a和a′的潮汐车道属性：对于南北走向的路段，令1表示潮汐车道为由南向北方向，0表示由北向南方向；对于东西走向的路段，令1表示潮汐车道为由东向西方向，0表示由西向东方向。(3)交叉口进口道至少有1条直行车道、1条右转车道、1条左转车道，以保障车辆的正常直行、右转、左转通行；出口道至少有3条车道，以保障交叉口内部车辆正常驶离交叉口。(4)交叉口可进行渠化，使得进口道占用出口道的1条车道。针对的取值，讨论渠化的可能情形：若时，路段a的车道数la＝4，路段a′的车道数la′＝2，进口道不宜占用出口道的车道，此时交叉口有2条车道可用于直行和左转的决策；若时，la＝2，la′＝4，进口道可占用出口道的1条车道，此时交叉口有1条车道可用于直行和左转的决策；对于或时，la＝3，la′＝3，进口道可占用出口道的1条车道，此时交叉口有2条车道可用于直行和左转的决策。因此，不妨引入0-1变量表示交叉口的潮汐车道属性，令1表示直行车道，0表示左转车道。(5)均为0-1变量，用于潮汐车道属性的决策。0-1变量使得决策过程更加简单，但在一些情况下失去意义。例如：路段处，实际中很少存在“从西向东依次为2条北向车道、1条南向北车道、1条北向南车道、2个南向北车道”，但是取值所表示的la＝3、la′＝3存在；交叉口处，实际中很少存在“进口道从西向东依次为2条直行车道、1条左转车道、1条直行车道、1条右转车道”，但是取值表示的左转车道数量直行车道数量存在。因此，模型求解过程中，不用约束之间的关系，获得最优解后，计算la、la′的值，即：潮汐车道方案。决策变量为定义约束包括：4、根据权利1要求所述的一种考虑交通控制与诱导协同的潮汐车道优化方法，其特征在于：建立一种启发式迭代优化算法(见图3)进行三层规划模型的求解，其中，上层模型使用遗传算法(GeneticAlgorithm，GA)求解，中层模型使用非支配排序遗传算法(Non-DominatedSortedGeneticAlgorithmII，NSGAII)求解，下层模型使用迭代加权法(MethodofSuccessiveAverages，MSA)求解。算法流程如下，Step1：初始化，令迭代次数h＝0，忽略虚拟本文档来自技高网...

【技术保护点】
1.一种考虑交通控制与诱导协同的潮汐车道优化方法，其特征在于，本方法的步骤如下：步骤一：准备基础数据用户选择待优化路网，以及待优化的时段，输入研究路网的几何特征数据，以及在研究时段内的OD数据；步骤二：建立数学模型将考虑交通控制与诱导协同的潮汐车道优化问题抽象成三层规划模型，其中，上层模型为基于非线性0‑1规划的潮汐车道优化模型，中层模型为基于多目标优化的交通控制优化模型，下层模型为考虑交叉口延误的用户均衡模型；步骤三：提出求解算法建立一种启发式迭代优化算法进行三层规划模型的求解，其中，上层模型使用遗传算法求解，中层模型使用非支配排序遗传算法求解，下层模型使用迭代加权法求解。

【技术特征摘要】
1.一种考虑交通控制与诱导协同的潮汐车道优化方法，其特征在于，本方法的步骤如下：步骤一：准备基础数据用户选择待优化路网，以及待优化的时段，输入研究路网的几何特征数据，以及在研究时段内的OD数据；步骤二：建立数学模型将考虑交通控制与诱导协同的潮汐车道优化问题抽象成三层规划模型，其中，上层模型为基于非线性0-1规划的潮汐车道优化模型，中层模型为基于多目标优化的交通控制优化模型，下层模型为考虑交叉口延误的用户均衡模型；步骤三：提出求解算法建立一种启发式迭代优化算法进行三层规划模型的求解，其中，上层模型使用遗传算法求解，中层模型使用非支配排序遗传算法求解，下层模型使用迭代加权法求解。2.根据权利1要求所述的一种考虑交通控制与诱导协同的潮汐车道优化方法，其特征在于：步骤一的实施过程如下，根据交通流数据、交通管理需求、管理经验自主选择待优化的路网，以及待优化的时段，以实现同一路网一日内不同时段采用不同的潮汐车道方案；用户输入研究路网的几何特征数据，包括研究路网中各个交叉口、各个路段的车道属性与数量；数据来自于地理信息系统，或者实地踏勘调研；用户输入研究路网在研究时段内的OD数据；数据来自于用户的自主OD估计，或者来自于智能交通系统。3.根据权利1要求所述的一种考虑交通控制与诱导协同的潮汐车道优化方法，其特征在于：将考虑交通控制与诱导协同的潮汐车道优化问题抽象成三层规划问题；下层模型为考虑交叉口延误的用户均衡模型，决策变量为各路段的交通流量；使用虚拟路段来表示交叉口延误对用户均衡模型的影响，将交叉口不同流向作为虚拟路段，使用延误表示路段走行时间函数，采用韦伯斯特延误公式；使用BPR函数表示路段的走行时间函数；下层模型表示为：式中，JL为交通诱导优化的控制性能函数；A为实际路段的集合；I为虚拟路段的集合；ta(xa)为路段a的走行时间函数；da(xa)为虚拟路段的走行时间函数；为出发地为r、目的地为s的OD间的第k条路径上的交通量；ψrs为出发地为r、目的地为s的OD间所有路径的集合；qrs为出发地为r、目的地为s的OD间的交通量；R为出发地r的集合；S为目的地s的集合；为0-1变量，如果路段a在出发地为r、目的地为s的OD间的第k条路径上，否则为出发地为r、目的地为s的OD间的第k条路径的旅行时间；中层模型为基于多目标优化的交通控制优化模型，综合考虑管理效率优化和旅行感受优化，分别采用交叉口的整体性能指标车均延误和广义饱和度；决策变量为交叉口各流向的绿灯时间；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；中层模型表示为：Cmin≤Cj≤Cmax式中，JM为交通控制优化的控制性能函数；dj为交叉口j的车均延误；χj为交叉口j的广义饱和度；为交叉口j流向i的延误；为交叉口j流向i的流量；为交叉口j流向i的饱和度；为交叉口j各流向的平均饱和度；χ0为饱和度平均差的阈值；b为流向的总数；χmax为最大饱和度的阈值；Cmin为信号控制的最短周期；Cmax为信号控制的最长周期；为交叉口j流向i绿灯时间；tgmin为最短绿灯时间的阈值；上层模型...

【专利技术属性】
技术研发人员：孙智源，陈艳艳，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11