基于迭代学习模型预测控制的交通信号灯调度方法与系统技术方案

本发明专利技术公开了一种基于迭代学习模型预测控制的交通信号灯调度方法与系统，涉及智慧交通领域，所述方法包括以下步骤：步骤1、建立目标区域的交通流仿真模型；步骤2、根据控制策略获得一个固定时间区间的闭环数据；步骤3、将所述闭环数据作为后续的开环预测优化问题的终端条件进行预测控制。本发明专利技术首先从传统固定时间的交通信号灯调度策略开始，由迭代生成数据再去迭代，并使用之前的闭环数据获得最优交通流模式，并进一步基于一些仿真，证明本发明专利技术提出的利用历史迭代的闭环数据集作为当天预测控制优化问题的终端约束的迭代学习模型预测控制策略可以减少道路上车辆的排队时间，使车辆在交通网络中通行更快更畅通。辆在交通网络中通行更快更畅通。辆在交通网络中通行更快更畅通。

【技术实现步骤摘要】
基于迭代学习模型预测控制的交通信号灯调度方法与系统


[0001]本专利技术涉及智慧交通领域，尤其涉及一种基于迭代学习模型预测控制的交通信号灯调度方法与系统。

技术介绍

[0002]城市交通网络的拥堵会带来严重的污染和经济成本，交通灯管制是缓解交通拥堵的有效方法之一。交通灯调度是交通工程中的一个重要课题。对于城市交通网络来说，路段和路口总是遇到交通流量大的问题，给目前的交通管制策略带来麻烦。
[0003]目前，大多数信号交叉口都采用预定周期或固定时间区间控制信号灯的方法。该方法是根据以往观测到的交通需求，预先设定配时方案进行控制，这种方案无法对交通需求的随机变化进行及时的响应。而该领域现有的学习型模型预测控制方案，是通过收集所有前次迭代轨迹建立一个“安全性评估数据集”，由于这个集是由点组成的，终端集的凸性得不到保证，而终端成本和终端约束集的设立往往会导致混合整数二次规划(MIQP)问题。
[0004]因此，本专利技术基于存储转发模型(SFM)提出了一种基于迭代学习模型预测控制的交通信号灯调度方法与系统，改进了现有的基于模型的迭代学习预测控制技术中存在的混合整数二次规划(MIQP)问题，从而为解决城市交通的调度难题提供了一种更好的技术方案。

技术实现思路

[0005]本专利技术通过提供一种基于迭代学习模型预测控制的交通信号灯调度方法与系统，利用迭代学习预测控制(ILMPC)解决了城市交通信号灯控制问题，减少道路上车辆的排队时间，使车辆在交通网络中通行更快更畅通。从交通历史数据的分析中不难发现，在工作日和周末，人们的每天出行模式以及日常交通变化是重复的。一些研究数据也表明，交通规律确实存在于现实世界的交通网络中。本专利技术基于交通需求的重复性特征，并结合模型预测控制的滚动优化的动态控制特点，解决了城市交通信号灯控制中存在的MIQP问题。
[0006]为实现上述目的，本专利技术提供的一种基于迭代学习模型预测控制的交通信号灯调度方法，包括以下步骤：
[0007]步骤1、建立目标区域的交通流仿真模型；
[0008]步骤2、根据控制策略获得一个固定时间区间的闭环数据；
[0009]步骤3、将所述闭环数据作为后续的开环预测优化问题的终端条件进行预测控制。
[0010]进一步地，所述步骤1包括：
[0011]步骤1.1、建立绿灯时间约束，在每个交叉路口j，所有相位的绿灯时间必须满足下面约束：
[0012][0013][0014]其中，是所述交叉路口j的一组相位集，u
j
是所述交叉路口j的所有相位的绿灯时长，l表示迭代学习的次数，L
j
表示所述交叉路口j的总损失时间，G表示周期时长，和是相位时长的最小和最大边界；
[0015]步骤1.2、设表示一组实数、非负实数、整数和非负整数，表示集合基于车辆守恒定律，路段传输模型，所有路段的交通流动态方程为：
[0016][0017]其中，l表示迭代学习的次数，t表示采样时刻，其中，l表示迭代学习的次数，t表示采样时刻，分别表示在采样时刻t，整个区域内所有车道组上的车辆数量、输出、相位时长以及路段上停车场出入口的车辆进出，维度n表示路段数乘以2，m表示交叉路口数乘以相位数，是有适当维度的随时间变化的矩阵，包括饱和流率和转向比信息；
[0018]对所有
[0019]‖B(t,l)‖≤β
B
,‖d(t,l)‖≤β
d
,‖x(0,l)‖≤β
x0
[0020]其中，T为每次迭代的数据采样时刻区间，界限β
B
≥0,β
d
≥0和β
x0
≥0为有限。
[0021]进一步地，对所有
[0022][0023]其中，模型参数矩阵B(t)是我们将要学习的，对于城市设施没有变化、没有重大意外和事件等发生的常规工作日的最优交通流模式。注，如果交通模式发生变化，ILMPC将会根据收集到的数据开始学习这些变化，并实时补偿适应新模式。
[0024]在第l次迭代收集时间区间[0,T]内的闭环状态和相位时间并生成以下列向量：
[0025]x(l)＝[x(t0,l),x(t
o
+1,l),
…
,x(t
o
+T,l),
…
],
ꢀꢀ
(4)
[0026]u(l)＝[u(t0,l),x(t0+1,l),
…
,u(t0+T,l),
…
].
ꢀꢀ
(5)
[0027]假设从任意可行的初始状态和输入轨迹x(l)和u(l)开始。这可以从一些简单的镇定控制方案(例如极点配置)进行构建。
[0028]定义为优化二次代价函数，最优控制的目标是最大限度地减少交通网络每个路段上的车辆总数。
[0029]进一步地，引入超越性最优或平均最优的概念：
[0030]定义1：使得x∈S,假设一个控制序列u有对应状态轨迹x,则(x
e
,u
e
)被称为超越性最优，如果：
[0031][0032]其中，x(t,l)＝x
e
(t)，μ表示任意可行的满足约束的控制律。
[0033]由定义1，如果一条数据序列(x,u)对应二次代价函数之和的下极限被任何其他轨迹的成本所超越，则此序列是最优的；如果最优值有限，则超越性最优被认为和通常最优的定义一致。同样地，也可以定义闭环轨迹产生最优性能；
[0034]定义2：使得x∈S,假设一个有对应状态轨迹x的控制序列u,则所述方法是在(x
e
,u
e
)上的最优运行，如果：
[0035][0036]其中，μ表示任意可行的满足约束的控制律。
[0037]将模型预测控制与迭代学习控制相结合解决下列开环最优控制问题：
[0038][0039]s.t.满足约束(1),(2)，k＝0,1,
…
,N
‑
1,
[0040][0041][0042][0043][0044]在第l次迭代的每个采样时刻，选择一个N＝N
*
(t)，使得上述优化问题对特定的可行。
[0045]在每个采样时刻求解所述开环最优控制问题可以导出一个从时间t到时间t+N
‑
1最优控制律的唯一序列,表述为：
[0046][0047]其中，最优代价函数为：
[0048][0049]通过将最优控制序列的第一个向量应用于交通信号灯系统规划各个交通灯的相位时长，并根据下一采样时刻状态再次求解优化问题(6)，计算下一个采样时刻后的相位时长。
[0050]由于系统动态矩阵随时间变化，MPC控制律将表示为：
[0051][0052]所述MPC控制律也随时间变化，闭环系统可表述为：
[0053]x(t+1,l)＝x(t,l)+B(t,l本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迭代学习模型预测控制的交通信号灯调度方法，其特征在于，所述方法包括以下步骤：步骤1、建立目标区域的交通流仿真模型；步骤2、根据控制策略获得一个固定时间区间的闭环数据；步骤3、将所获得的闭环数据作为后续的开环优化问题的终端条件进行预测控制。2.如权利要求1所述的基于迭代学习模型预测控制的交通信号灯调度方法，其特征在于，所述步骤1包括：步骤1.1、建立绿灯时间约束，在每个交叉路口j，所有相位的绿灯时间必须满足下面约束：束：其中，是所述交叉路口j的一组相位集，u
j
是所述交叉路口j的所有相位的绿灯时长，t表示采样时刻，l表示迭代学习的次数，L
j
表示所述交叉路口j的总损失时间，G表示周期时长，和是相位时长的最小和最大边界；步骤1.2、设表示一组实数、非负实数、整数和非负整数，表示集合基于车辆守恒定律，路段传输模型，所有路段的交通流动态方程为：其中，l表示迭代学习的次数，t表示采样时刻，其中，l表示迭代学习的次数，t表示采样时刻，分别表示在采样时刻上整个区域内所有车道组上的车辆数量、输出、相位时长以及干扰(包括路段上停车场出入口的车辆进出)，维度n表示路段数乘以2，m表示交叉路口数乘以相位数，是有适当维度的随时间变化的矩阵，包括饱和流率和转向比信息。3.如权利要求2所述的基于迭代学习模型预测控制的交通信号灯调度方法，其特征在于，对所有||B(t，l)||≤β
B
，||d(t，l)||≤β
d
，||x(0，l)||≤β
x0
其中，T为每次迭代的数据采样时刻区间，界限β
B
≥0，β
d
≥0和β
x0
≥0是有限的。4.如权利要求3所述的基于迭代学习模型预测控制的交通信号灯调度方法，其特征在于，对所有于，对所有其中，B(t)是最优交通流模式。5.如权利要求4所述的基于迭代学习模型预测控制的交通信号灯调度方法，其特征在于，在第l个迭代收集时间区间[0，T]内的闭环状态和相位时间并生成以下列向量：x(l)＝[x(t0，l)，x(t0+1，l)，
…
，x(t0+T，l)，
…
]，
ꢀꢀꢀ
(4)
u(l)＝[u(t0，l)，x(t0+1，l)，
…
，u(t0+T，l)，
…
].
ꢀꢀꢀ
(5)假设...

【专利技术属性】
技术研发人员：吕亮，
申请(专利权)人：宁波亮控信息科技有限公司，
类型：发明
国别省市：