一种点对点迭代学习与模型预测的交通信号混合控制方法技术

本发明专利技术涉及智能交通控制领域，具体说是一种点对点迭代学习与模型预测的交通信号混合控制方法。包括以下步骤，S100～对研究区域的交通流提出两种增量模型；S200～建立新的双增量交通饱和度模型；S300～建立提取矩阵，对有限的关键点对多次迭代，将误差收敛；S400～用性能指标函数对绿灯时长增量进行预测；S500～根据优化后的绿灯时长，设置交叉口绿灯时长；S600～设置路网内各交叉口信号绿灯时长，使得路网的饱和度达到目标值。本发明专利技术将点对点和迭代学习控制和模型预测控制进行结合，不仅利用了路网宏观交通流相似性分布的历史批次信息，又能通过预测模型在线进行滚动优化，最终使路网交通信号能更有效、更迅速的达到控制要求，提高路网通行效率。提高路网通行效率。提高路网通行效率。

【技术实现步骤摘要】
一种点对点迭代学习与模型预测的交通信号混合控制方法


[0001]本专利技术涉及智能交通控制领域，具体说是一种点对点迭代学习与模型预测的交通信号混合控制方法。

技术介绍

[0002]随着城市化进程的推进，社会中的车辆越来越集中在城市，城市交通拥堵的问题日益突出，高峰期交通出现过饱和，严重影响城市的健康发展。为了更好地利用现有的交通设施以及历史交通批次信息来改善交通路网通行效率。申请人将点对点和迭代学习控制和模型预测控制进行结合，不仅利用了路网宏观交通流相似性分布的历史批次信息，又能通过预测模型在线进行滚动优化，最为关键的是不用时时刻刻控制交通流在交叉口的饱和度并且对路口的饱和度有更好的预测，对非关键点的饱和度拥有多的自由度，在不改变现有的交通硬件的基础上，最终使路网交通信号能更有效、更迅速的达到控制要求，提高路网通行效率。

技术实现思路

[0003]本专利技术为了有效解决交通信号控制在实时性、控制方案效率低和与历史路网信息脱离的问题，提供一种点对点迭代学习与模型预测的交通信号混合控制方法。
[0004]本专利技术采取以下技术方案：一种点对点迭代学习与模型预测的交通信号混合控制方法，包括以下步骤，S100～对研究区域的交通流提出两种增量模型；S200～建立新的双增量交通饱和度模型；S300～建立提取矩阵，对有限的关键点对多次迭代，将误差收敛；S400～用性能指标函数对绿灯时长增量进行预测；S500～根据优化后的绿灯时长，设置交叉口绿灯时长；S600～设置路网内各交叉口信号绿灯时长，使得路网的饱和度达到目标值。
[0005]步骤S100中，第一种增量模型的获取方法为：S101～路网交通流模型，形式为S101～路网交通流模型，形式为S101～路网交通流模型，形式为为状态向量表示为第k次迭代的第t时刻各路段的饱和度； 为第k次迭代的第t时刻路网内的饱和度；为控制向量表示为第k次迭代的第t时刻所有相位的绿灯时长；A为状态矩阵即单位矩阵，B为输入矩阵，C为输出矩阵由路网饱和度的计算方法得到。
[0006]S102～在步骤101中交通流模型当中引入相邻两时刻的路网交叉口绿灯时长增量和饱和度增量，从而得到交通流系统的增量模型，形式如下：
；。
[0007]S102～第二种增量模型采用以下形式：S102～第二种增量模型采用以下形式：采用增量算子的形式写成这种形式：的形式写成这种形式：其中，和 。
[0008]步骤S200中，将两种增量模型结合起来，双增量交通饱和度模型为。
[0009][0009]，，，公式中，p是路网饱和度预测范围，m是路网饱和度控制范围，表示在第k次迭代过程中在t时刻对（t+1）时刻的输出估计，表示状态估计。
[0010]步骤S300包括以下步骤，点对点提取矩阵为m行n列的选择矩阵，从而得到在为整个轨迹n个采样时间段所选取的m个跟踪时间点的实际输出值。的具体表达形式为：
由此可以得到，为在关键点处的期望饱和度，其中，在n个周期内通过点对点迭代学习将误差收敛到0，即。
[0011]步骤S400包括以下步骤。
[0012]S401～根据上述步骤中所得的和跟踪误差通常反映系统各个运行批次的收敛性能，用以下性能指标函数：其中；；为绿灯时长松弛变量，确保使系统能找到最合适的状态变量，，Q,S,R,P都是方阵。
[0013][0013]，得到：得到：得到：得到：得到：；S402～现实的路网中绿灯时长必然存在最大值和最小值，因此设置限制条件：，，
。
[0014]S403～根据步骤S401中的式子计算求得绿灯时长增量。
[0015]步骤S600，在双增量模型中，利用性能指标函数将绿灯预测时长增量与通过迭代所获得的绿灯时长相加，得到新的绿灯时长，。
[0016]与现有技术相比，本专利技术将点对点和迭代学习控制和模型预测控制进行结合，不仅利用了路网宏观交通流相似性分布的历史批次信息，又能通过预测模型在线进行滚动优化，最为关键的是不用时时刻刻控制交通流在交叉口的饱和度并且对路口的饱和度有更好的预测，对非关键点的饱和度拥有更多的自由度，最终使路网交通信号能更有效、更迅速的达到控制要求，提高路网通行效率。
附图说明
[0017]图1为本专利技术的流程图；图2为点对点迭代学习控制与模型预测控制。
具体实施方式
[0018]本专利技术的目的在于有效解决交通信号控制在实时性、控制方案效率低和与历史路网信息脱离的问题，申请人提出一种点对点迭代与模型预测控制的交通信号混合控制方法，不仅提高路网通行效率，也结合了路网交通状况的历史数据，最重要是使非关键点的交通饱和度有更多的自由度，有效提高路网交通信号的响应速度，提高路网通行效率。
[0019]为实现上述目的，本专利技术所提供的技术方案为：一种点对点迭代学习与模型预测控制的交通信号混合控制方法，包括以下几个步骤：S100～对研究区域的交通流提出两种增量模型；S200～建立新的双增量交通饱和度模型；S300～建立提取矩阵，对多次迭代中选取的有限的关键点；S400～用性能指标函数对绿灯时长增量进行预测；S500～根据优化后的绿灯时长，设置交叉口绿灯时长；S600～设置路网内各交叉口信号绿灯时长，使得路网的饱和度达到目标值。
[0020]上述的一种基于点对点迭代学习与模型控制的交通信号混合控制方法，在步骤S100中对研究区域的交通流增量模型包括以下几个步骤：S101～路网交通流模型，形式如，，为状态向量表示为第k次迭代的第t时刻各路段的饱和度； 为第k次迭代的第t时刻路网内的饱和度；为控制向量表示为第k次迭代的第t
时刻所有相位的绿灯时长；A和C分别为系统的状态矩阵和输出矩阵，B为输入矩阵，输入矩阵B的元素反映了路网的拓扑结构、相位、周期、饱和流量及转向率特征，由技术人员自行设定。
[0021]S102～在步骤101中交通流模型当中引入相邻两时刻的路网交叉口绿灯时长增量和饱和度增量，从而得到交通流系统的增量模型，形式如下：；。
[0022]S103～定义一种新的状态向量形式，增量模型采用以下形式：S103～定义一种新的状态向量形式，增量模型采用以下形式：采用增量算子的形式写成这种形式：的形式写成这种形式：其中，和 。
[0023]S200～将步骤S102和步骤S103两种增量形式结合起来得到：S200～将步骤S102和步骤S103两种增量形式结合起来得到：，，，公式中，p是路网饱和度预测范围，m是路网饱和度控制范围，表示在第k次迭代过
程中在t时刻对（t+1）时刻的输出估计，表示状态估计。
[0024]在步骤S300中通过建立提取矩阵，对多次迭代中选取的有限的关键点，具体步骤如下点对点提取矩阵为m行n列的选择矩阵，从而得到在为整个轨迹n个采样时间段所选取的m个跟踪时间点的实际输出值。的具体表达形式为：由此可以得到，为在关键点处的期望饱和度，其中，在n个周期内通过点对点迭代学习将误差收敛到0，即。
[0025]S401～根据上本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种点对点迭代学习与模型预测的交通信号混合控制方法，其特征在于：包括以下步骤，S100～对研究区域的交通流提出两种增量模型；S200～建立新的双增量交通饱和度模型；S300～建立提取矩阵，对多次迭代中选取的有限的关键点；S400～用性能指标函数对绿灯时长增量进行预测；S500～根据优化后的绿灯时长，设置交叉口绿灯时长；S600～设置路网内各交叉口信号绿灯时长，使得路网的饱和度达到目标值。2.根据权利要求1所述的点对点迭代学习与模型预测的交通信号混合控制方法，其特征在于：所述的步骤S100中，第一种增量模型的获取方法为：S101～路网交通流模型，形式为S101～路网交通流模型，形式为S101～路网交通流模型，形式为为状态向量表示为第k次迭代的第t时刻各路段的饱和度；为第k次迭代的第t时刻路网内的饱和度；为控制向量表示为第k次迭代的第t时刻所有相位的绿灯时长；A为状态矩阵即单位矩阵，B为输入矩阵，C为输出矩阵；S102～在步骤101中交通流模型当中引入相邻两时刻的路网交叉口绿灯时长增量和饱和度增量，从而得到交通流系统的增量模型，形式如下：通流系统的增量模型，形式如下：；S103～第二种增量模型采用以下形式：S103～第二种增量模型采用以下形式：采用增量算子的形式写成这种形式：的形式写成这种形式：
其中，和。3.根据权利要求2所述的点对点迭代学习与模型预测的交通信号混合控制方法，其特征在于：所述的步骤S200中，将两种增量模型结合起来，双增量交通饱...

【专利技术属性】
技术研发人员：闫飞，褚跃跃，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：