一种基于短时交通流预测的城市单交叉口控制方法技术

本发明专利技术公开了一种基于短时交通流预测的城市单交叉口控制方法，针对城市道路单交叉口信号控制问题，考虑城市道路交通流实时变化和明显非线性的特性，应用GA优化的RBF神经网络交通流预测模型，以特定时段为周期预测交叉口各进口道的交通量，由交通预测量计算各相位的交通延误，确定下一个时段内各信号周期的相位通行顺序；然后确定下一个时段的第一个信号周期的时长，并确定各相位的绿灯时间；同时以信号周期为周期对周期时长和绿灯时间进行调整，根据当前各进口道的车流到达率，对当前时段内信号周期和各相位的绿灯时间进行调整，实现自适应。本发明专利技术的方法能有效提高单交叉口的通行效率，缓解城市交通拥堵问题。

【技术实现步骤摘要】
一种基于短时交通流预测的城市单交叉口控制方法
本专利技术属于城市交通控制
，具体涉及一种基于短时交通流预测的城市单交叉口控制方法。
技术介绍
随着我国城市的快速发展，机动车保有量增长迅猛，城市交通拥堵问题愈趋严重。交通控制是减少交通拥堵和提高道路通行能力的一个有效的手段，目前，对交叉口信号控制方法主要是定时控制、感应控制和自适应控制。由于交叉口是城市交通系统最重要的基础设施之一，交叉口的通畅与否直接影响着城市道路的通行水平，城市单个交叉路口是智能交通系统的最小控制单元，随着城市路网密度的增大，交叉口之间的相关性日益明显，多交叉路口间的协调控制能够明显改善路网的通行效率。然而，依然存在较多的交叉口无法与邻近的交叉口进行协调控制。因此，优化交叉口的信号控制并提高其控制效果对缓解城市道路交通拥堵问题具有重要意义。当前，对单交叉口的控制方法主要分为：定时控制、感应控制和自适应控制。其中，定时控制又分为固定定时和分段定时控制，固定定时指以固定不变的配时方案来控制交叉口，分段定时指在高峰和平峰时段切换不同的配时方案，此外，定时控制都是基于历史本文档来自技高网...

【技术保护点】
1.一种基于短时交通流预测的城市单交叉口控制方法，其特征在于，包括以下步骤：/nS1、获取所选单交叉口各进口道的短时交通流数据，并以特定时长为周期进行划分，得到多个时段的交通流数据；/nS2、构建GA-RBF神经网络，即利用遗传算法优化的径向基神经网络；利用各进口道的多个时段的交通流数据对GA-RBF神经网络进行训练，得到预测各进口道下一时段的交通量的短时交通流预测模型；/nS3、利用该模型得到各进口道下一时段的交通预测量，根据交通预测量计算下一个时段内各相位的平均交通延误；以平均交通延误最小为目标，确定下一个时段内各信号周期的相位通行顺序；然后确定下一个时段的第一个信号周期的时长，并确定该信...

【技术特征摘要】
1.一种基于短时交通流预测的城市单交叉口控制方法，其特征在于，包括以下步骤：
S1、获取所选单交叉口各进口道的短时交通流数据，并以特定时长为周期进行划分，得到多个时段的交通流数据；
S2、构建GA-RBF神经网络，即利用遗传算法优化的径向基神经网络；利用各进口道的多个时段的交通流数据对GA-RBF神经网络进行训练，得到预测各进口道下一时段的交通量的短时交通流预测模型；
S3、利用该模型得到各进口道下一时段的交通预测量，根据交通预测量计算下一个时段内各相位的平均交通延误；以平均交通延误最小为目标，确定下一个时段内各信号周期的相位通行顺序；然后确定下一个时段的第一个信号周期的时长，并确定该信号周期内各相位的绿灯时间；
S4、判断当前信号周期是否结束：若当前信号周期未结束，则信号继续运行，执行步骤S4；若当前信号周期结束，则执行步骤S5；
S5、判断当前时段是否结束：若当前时段结束，则执行步骤S3；否则，根据检测得到的当前各进口道的车流到达率，确定当前时段下一个信号周期的时长和各个相位的绿灯时间，然后执行步骤S4。


2.根据权利要求1所述的城市单交叉口控制方法，其特征在于，步骤S2中径向基神经网络的输入表达式为：
xi＝{yi(l),yi(l-1),yi(l-2),…,yi(l-(p-1))}
式中，xi表示第i进口道共p个时段的交通流数据，l表示第l时段，yi表示第i进口道的交通流数据，i＝1,2,…,m，m表示该单交叉口的进口道总个数；
径向基神经网络的输出表达式为：



式中，表示第i进口道的交通预测量，wj表示隐含层至输出层的连接权值，θj、cj和σj为隐含层径向基函数的参数，θj为阈值，j＝1,2,…,n，n表示隐含层神经网络的个数。


3.根据权利要求2所述的城市单交叉口控制方法，其特征在于，遗传算法优化径向基神经网络的步骤如下：
S21、构建基于RBF神经网络的城市道路交通流预测模型，确定RBF神经网络的训练次数、径向基函数的cj和σj，确定遗传算法种群规模以及遗传代数；
S22、随机生成初始种群W＝(W1,W2,…,WN)T，实数编码方法生成种群中的染色体Wi(w1,w2,…,ws)；
S23、将步骤S22中生成的染色体对RBF神经网络权值和阈值进行赋值，使用交通流数据对RBF神经网络进行训练，以训练误差和作为种群W中个体Wi的适应度，适应度函数具体为：



式中，yq是第q节点的期望输出值，oq是第q节点的实际输出值，s表示隐含层节点数；
S24、基于适应度比例选择策略对每一代种群中的染色体进行选择，个体Wi的选取概率表达式为：



式中，i＝1,2,…,N，N表示种群规模；
S25、采用实数交叉法进行交叉操作，第k个染色体wk和第l个染色体wl在j位的交叉操作为：



式中，a是[0，1]中的一个随机数；
S26、从[0，1]中产生一个随机数r，选取第i个体的第j个染色体进行变异操作：

【专利技术属性】
技术研发人员：刘青意，杜光，邵俊豪，王佼佼，赵瑞松，周强，李叙辰，
申请(专利权)人：中冶南方城市建设工程技术有限公司，中冶南方工程技术有限公司，
类型：发明
国别省市：湖北;42