一种数据驱动控制的区域交通信号动态优化方法及系统技术方案

本发明专利技术公开了一种数据驱动控制的区域交通信号动态优化方法及系统，包括：解析路网拓扑结构，得到路口控制区域中的路口属性参数，所述路口属性参数包括分析交通流和控制通道；基于车道级状态监测和所述路口属性参数，得到分析交通流和控制通道的交通监测状态指标；基于所述交通检测状态指标和信号控制方案，构建满足信号控制适应需求的路口存储转发状态空间方程；构建满足均衡控制和收敛需求的迭代学习控制模型，对所述路口存储转发状态空间方程进行迭代优化，实现交通信号实时优化控制；采用该区域交通信号动态优化方法，能够适应不同信控设计方案和基于转向的需求变化，实现路口精细化控制，自动化程度高，不易产生溢流。

【技术实现步骤摘要】
一种数据驱动控制的区域交通信号动态优化方法及系统
本专利技术涉及区域交通信号动态优化
，尤其涉及一种数据驱动控制的区域交通信号动态优化方法及系统。
技术介绍
交通信号的动态优化控制是近年来国内各大信号控制厂商和研究学者关注的热点技术，能根据交通流变化趋势实时调整信号控制方案，适应控制范围内的交通流变化情况，提高通行效率，降低行车延误。但适用于区域交通信号的动态优化控制技术在研究和应用上还存在不足。国内各地信号控制系统的实现形式各不相同，但以交通模型和智能计算控制为核心的区域动态优化控制技术在场景应用中因模型适用性和计算能力约束导致实际控制效果难以满足控制需求；非基于传统机理数学建模、非交通预测控制、直接以实际交通流输入输出数据为配时优化依据的数据驱动控制方法对模型标定和计算能力要求较低，在系统稳定性和响应能力上具备一定的优势，能够满足大规模的交通信号动态优化控制需求。但是现有应用数据驱动控制方法的技术方案在落地应用上存在实用性、适用性不足的缺点：(1)仅支持给定路口和信号控制方案的优化控制，应用场景单一，系统自动化程度低；(2)以相位或者路段作为状态指标载体，不能满足路口精细化控制需求，在实际应用中易产生溢流问题。
技术实现思路
基于
技术介绍
存在的技术问题，本专利技术提出了一种数据驱动控制的区域交通信号动态优化方法及系统，自动化程度高，不易产生溢流。本专利技术提出的一种数据驱动控制的区域交通信号动态优化方法，包括：解析路网拓扑结构，得到路口控制区域中的路口属性参数，所述路口属性参数包括分析交通流和控制通道；基于车道级状态监测和路口属性参数，得到路口属性参数的交通检测状态指标；根据交通检测状态指标和信号控制方案，构建满足信号控制适应需求的路口存储转发状态空间方程；构建满足均衡控制和收敛需求的迭代学习控制模型，对路口存储转发状态空间方程进行迭代优化，实现交通信号实时优化控制。进一步地，在基于车道级状态监测和路口属性参数，得到路口属性参数的交通检测状态指标中，包括：将路口内部车道级的交通流信息转化为以交通流为载体的交通量，以交通流为载体的交通量作为交通信号控制下的输入参数，所述交通流信息通过交通检测设备实时获取；根据车道检测排队长度得到控制通道的排队车辆数，所述排队车辆数通过交通检测设备实时获取。进一步地，在所述根据路口属性参数的交通检测状态指标，构建满足信号控制适应需求的路口存储转发状态空间方程中，包括：根据路段转向上的存储转发模型，同属一个控制通道的转向状态方程通过累加获得基于路口控制通道的存储转发模型；基于收敛约束的路口信号控制方案定义信号控制元素，得到不定周期的路口存储转发状态空间方程；考虑协调控制需求，对不定周期的路口存储转发状态空间方程进行给定周期和绿时损失时间的推导转化，得到定周期的路口存储转发状态空间方程。进一步地，在构建满足均衡控制和收敛需求的迭代学习控制模型，对路口存储转发状态空间方程进行迭代优化，实现交通信号实时优化控制中，包括：建立以相位间排队均衡为目标的评估函数，构建均衡目标函数，获得基于ILC的定周期均衡控制的P型学习律；以P型学习律、均衡目标函数和定周期的路口存储转发状态空间方程为基础，构建迭代学习控制模型和控制流程。进一步地，在将路口内部车道级的交通流信息转化为以交通流为载体的交通量中，路口的交通量包括进口交通流IA和出口交通流IB，具体公式如下；对于进口交通流IA：其中，qX表示相应转向车流的交通量，X表示转向属性，qY,Z表示导向Y的第Z个车道的检测交通量，Y表示车道导向属性，α表示复合导向直左的转向比例，β表示复合导向直右的转向比例，表示复合导向左右的转向比例，γ表示三向车道的转向比例；出口交通流IB的交通量由进口交通流IA统计获得：(1)根据路口交通流数据，可获得车流汇入关系矩阵R＝{rij|i∈[1,m],j∈[1,n]}，m表示集合IB的元素个数，n表示集合IA的元素个数，矩阵R的元素满足：其中，Π(i)表示出口交通流i的汇入交通流集合；(2)出口交通流IB的交通量qB与进口交通流IA的交通量qA之间满足以下矩阵关系：qB＝R×qA其中，qB＝{qn+1,qn+2,...,qn+m}T，qA＝{q1,q2,...,qn}T。进一步地，在根据路段转向上的存储转发模型，同属一个控制通道的转向状态方程通过累加获得基于路口控制通道的存储转发模型中，路段转向上的存储转发模型和基于路口控制通道的存储转发模型分别通过如下公式得到：路段转向上的存储转发模型，对应如下公式：xz,l(k+1)＝xz,l(k)+λz,lT[qz(k)+εz(k)]-Tuz,l(k)εz(k)＝dz(k)-sz(k)其中，xz,l(k+1)表示第k+1个时段开始时路段z驶出转向l的排队车辆数，xz,l(k)表示第k个时段开始时路段z驶出转向l的排队车辆数；qz(k)表示[kT,(k+1)T]期间驶入路段z的交通量，εz(k)表示[kT,(k+1)T]期间路段z自身的状态扰动，λz,l是可观察到路段z上的车辆从转向l驶出的转向比例；uz,l(k)是[kT,(k+1)T]期间从转向l驶出路段z的交通量，T是统计时间间隔，dz(k)表示[kT,(k+1)T]期间路段z自身产生的需求流量，sz(k)表示[kT,(k+1)T]期间路段z的消散流量；基于路口控制通道的存储转发模型，对应如下公式：qz,l(k)＝λz,l(1+δz)qz(k)其中，xN,f(k+1)表示第k+1个时段开始时控制通道N,f驶出转向l的排队车辆数，U(N,f)表示控制通道N,f的上游路口交通流，qz,l(k)表示[kT,(k+1)T]期间从路段z的转向l驶出交通流的需求流量，uz,l(k)表示[kT,(k+1)T]期间从路段z的转向l驶出交通流的消散流量，δz表示路段z上需求流量的扰动比例，qN,f(k)表示[kT,(k+1)T]期间控制通道N,f的需求流量，λz,l是可观察到路段z上的车辆从转向l驶出的转向比例,δU(N,f)表示控制通道N,f的上游路口交通流经过路段传输产生的扰动比例qU(N,f)(k)表示控制通道N,f的上游路口交通流产生的需求流量，Ψ(N,f)表示控制通道N,f包含的转向交通流集合。进一步地，在基于收敛约束的路口信号控制方案定义信号控制元素，得到不定周期的路口存储转发状态空间方程中，约束包括：(A)右转控制默认常绿，仅考虑信号控制中的机动车直行和左转控制，(B)机动车直行和左转控制通道仅受控于一个相位阶段；定义信号控制元素包括：(C)控制集合f，f表示一个路口的直行、左转控制通道集合，(D)配时方案p，p表示路口的控制方案；其中，pj＝(pfj,gj)，pf表示相位放行通道集合，g表示相位绿灯时间；不定周期的路口存储转本文档来自技高网...

【技术保护点】
1.一种数据驱动控制的区域交通信号动态优化方法，其特征在于，包括：/n解析路网拓扑结构，得到路口控制区域中的路口属性参数，所述路口属性参数包括分析交通流和控制通道；/n基于车道级状态监测和所述路口属性参数，得到路口属性参数的交通检测状态指标；/n根据所述交通检测状态指标和信号控制方案，构建满足信号控制适应需求的路口存储转发状态空间方程；/n构建满足均衡控制和收敛需求的迭代学习控制模型，对所述路口存储转发状态空间方程进行迭代优化，实现交通信号实时优化控制。/n

【技术特征摘要】
1.一种数据驱动控制的区域交通信号动态优化方法，其特征在于，包括：
解析路网拓扑结构，得到路口控制区域中的路口属性参数，所述路口属性参数包括分析交通流和控制通道；
基于车道级状态监测和所述路口属性参数，得到路口属性参数的交通检测状态指标；
根据所述交通检测状态指标和信号控制方案，构建满足信号控制适应需求的路口存储转发状态空间方程；
构建满足均衡控制和收敛需求的迭代学习控制模型，对所述路口存储转发状态空间方程进行迭代优化，实现交通信号实时优化控制。


2.根据权利要求1所述的数据驱动控制的区域交通信号动态优化方法，其特征在于，在基于车道级状态监测和路口属性参数，得到路口属性参数的交通检测状态指标中，包括：
将路口内部车道级的交通流信息转化为以交通流为载体的交通量，以交通流为载体的交通量作为交通信号控制下的输入参数，所述交通流信息通过交通检测设备实时获取；
根据车道检测排队长度得到控制通道的排队车辆数，所述排队车辆数通过交通检测设备实时获取。


3.根据权利要求1所述的数据驱动控制的区域交通信号动态优化方法，其特征在于，在根据交通检测状态指标和信号控制方案，构建满足信号控制适应需求的路口存储转发状态空间方程中，包括：
根据路段转向上的存储转发模型，同属一个控制通道的转向状态方程通过累加获得基于路口控制通道的存储转发模型；
基于收敛约束的路口信号控制方案定义信号控制元素，得到不定周期的路口存储转发状态空间方程；
考虑协调控制需求，对不定周期的路口存储转发状态空间方程进行给定周期和绿时损失时间的推导转化，得到定周期的路口存储转发状态空间方程。


4.根据权利要求1所述的数据驱动控制的区域交通信号动态优化方法，其特征在于，在构建满足均衡控制和收敛需求的迭代学习控制模型，对路口存储转发状态空间方程进行迭代优化，实现交通信号实时优化控制中，包括：
建立以相位间排队均衡为目标的评估函数，构建均衡目标函数，获得基于ILC的定周期均衡控制的P型学习律；
以P型学习律、均衡目标函数和定周期的路口存储转发状态空间方程为基础，构建迭代学习控制模型和控制流程。


5.根据权利要求2所述的数据驱动控制的区域交通信号动态优化方法，其特征在于，在将路口内部车道级的交通流信息转化为以交通流为载体的交通量中，路口的交通量包括进口交通流IA和出口交通流IB，具体公式如下；
对于进口交通流IA：



其中，qX表示相应转向车流的交通量，X表示转向属性，qY,Z表示导向Y的第Z个车道的检测交通量，Y表示车道导向属性，α表示复合导向直左的转向比例，β表示复合导向直右的转向比例，表示复合导向左右的转向比例，γ表示三向车道的转向比例；
出口交通流IB的交通量由进口交通流IA统计获得：
(1)根据路口交通流数据，可获得车流汇入关系矩阵R＝{rij|i∈[1,m],j∈[1,n]}，m表示集合IB的元素个数，n表示集合IA的元素个数，矩阵R的元素满足：



其中，Π(i)表示出口交通流i的汇入交通流集合；
(2)出口交通流IB的交通量qB与进口交通流IA的交通量qA之间满足以下矩阵关系：
qB＝R×qA
其中，qB＝{qn+1,qn+2,...,qn+m}T，qA＝{q1,q2,...,qn}T。


6.根据权利要求3所述的数据驱动控制的区域交通信号动态优化方法，其特征在于，在根据路段转向上的存储转发模型，同属一个控制通道的转向状态方程通过累加获得基于路口控制通道的存储转发模型中，路段转向上的存储转发模型和基于路口控制通道的存储转发模型分别通过如下公式得到：
路段转向上的存储转发模型，对应如下公式：
xz,l(k+1)＝xz,l(k)+λz,lT[qz(k)+εz(k)]-Tuz,l(k)
εz(k)＝dz(k)-sz(k)
其中，xz,l(k+1)表示第k+1个时段开始时路段z驶出转向l的排队车辆数，xz,l(k)表示第k个时段开始时路段z驶出转向l的排队车辆数；qz(k)表示[kT,(k+1)T]期间驶入路段z的交通量，εz(k)表示[kT,(k+1)T]期间路段z自身的状态扰动，λz,l是可观察到路段z上的车辆从转向l驶出的转向比例；uz,l(k)是[kT,(k+1)T]期间从转向l驶出路段z的交通量，T是统计时间间隔，dz(k)表示[kT,(k+1)T]期间路段z自身产生的需求流量，sz(k)表示[kT,(k+1)T]期间路段z的消散流量；
...

【专利技术属性】
技术研发人员：陈家旭，齐行知，
申请(专利权)人：安徽科力信息产业有限责任公司，公安部交通管理科学研究所，安徽畅通行交通信息服务有限公司，
类型：发明
国别省市：安徽;34