基于低渗透率网联车轨迹数据的交叉口信号配时方法技术

本发明专利技术公开了基于低渗透率网联车轨迹数据的交叉口信号配时方法，包括：基于SUMO仿真平台构建一个有交叉口信号配时优化需求的低渗透率网联车路网；向构建的路网中输入数据，默认SUMO仿真平台定义的车流模型，设计低渗透率网联车路网场景，模拟路网车流情况；在模拟的路网车流情况中，对于每个信号周期，随机选取网联车轨迹数据作为样本数据，且选取的网联车轨迹数据占整个路网车流轨迹数据的3%

【技术实现步骤摘要】
基于低渗透率网联车轨迹数据的交叉口信号配时方法


[0001]本专利技术涉及基于低渗透率网联车轨迹数据的交叉口信号配时方法，属于交通行为分析和数据处理


技术介绍

[0002]在城市道路中，交叉口是拥堵产生的“重灾区”。在高峰时段，当进入某一交叉口进口道车辆数大于该进口道的承载能力时，就会发生溢出现象。排队溢出通常在排队超过路段长度时发生，一旦溢出控制不及时，拥堵或从单个交叉口扩散至上下游及相邻交叉口，大大降低城市道路网络的通行效率。为实现对交通流的有效控制，并有效缓解在流量较大情况下，交叉口的溢流问题、提高交通系统整体的运输效率，需要为整个交通网络中的交叉口选择相应的最优配时方案，以解决系统整体上的拥堵状况。
[0003]交通信号控制是影响城市网络中交通流效率的关键控制策略之一，它可以使冲突的交通流在不同相位时间通过交叉路口，防止交通流冲突、提升交叉口通行效率。而信号控制策略的核心，在于找到交叉口的最佳周期时间和最优相位时长的分配方案，以减少总体拥堵并增加通过网络的吞吐量。

技术实现思路

[0004]本专利技术所要解决的技术问题是：提供基于低渗透率网联车轨迹数据的交叉口信号配时方法，检测周期内的最长排队位置，并增加最小绿灯时长、防溢流等约束，对交叉口信号控制进行优化，使其适应低渗透率网联车轨迹数据。
[0005]本专利技术为解决上述技术问题采用以下技术方案：
[0006]基于低渗透率网联车轨迹数据的交叉口信号配时方法，包括如下步骤：
[0007]步骤1，基于SUMO仿真平台构建一个有交叉口信号配时优化需求的低渗透率网联车路网；
[0008]步骤2，向步骤1构建的路网中输入数据，包括：高峰小时流量、平均车速、路网结构、路段长度、车道数、道路限速和进口道方向，默认SUMO仿真平台定义的车流模型，包括：Krauss跟驰模型和LC2013换道模型，设计低渗透率网联车路网场景，模拟路网车流情况；
[0009]步骤3，在模拟的路网车流情况中，对于每个信号周期，随机选取网联车轨迹数据作为样本数据，且选取的网联车轨迹数据占整个路网车流轨迹数据的3％
‑
5％；
[0010]步骤4，根据选取的网联车轨迹数据，在上一个信号周期结束时确定下一个信号周期的交通信号计划；
[0011]步骤5，根据下一个信号周期的交通信号计划修改SUMO仿真平台中路网的信号配时，直至仿真结束。
[0012]作为本专利技术的一种优选方案，所述步骤1中，构建的路网具有如下特征：1)路网上车流流量超过饱和流量的90％；2)路网交叉口上下游存在流量差；3)路网存在溢流情况。
[0013]作为本专利技术的一种优选方案，所述步骤4中，在第k
j
个信号周期结束时确定第k
j
+1
个信号周期的交通信号计划，具体过程如下：
[0014]步骤41，计算交叉口每个进口道最大排队率
[0015]定义路网为由路段连接的交叉口组成，对于交叉口j，进入的进口道s集合表示为S
j
，则进口道s在第k
j
个周期的最大排队率r
s
(k
j
)为：
[0016][0017]其中，x
s
(k
j
)表示第k
j
个周期中的最大排队长度，L
s
(k
j
)表示进口道s的长度；
[0018]步骤42，对于第k
j
个信号周期，计算交叉口四个相位的溢出压力
[0019]对于路段x，定义一个临界排队率来表示溢出的风险，即路段x的排队率大于临界排队率，则该路段具有溢出风险；定义车流的直行和左转均为运动m，运动m的溢出压力为：
[0020][0021]其中，δ
m
(k
j
)表示在k
j
个信号周期运动m的溢出压力，表示第k
j
个周期m上游路段的排队率，表示第k
j
个周期m下游路段的排队率，为m上游路段的临界排队率，为m下游路段的临界排队率；
[0022]对于南北直行相位，选取南直行和北直行的溢出压力中较大的那个作为南北直行相位的溢出压力；
[0023]对于南北左转相位，选取南左转和北左转的溢出压力中较大的那个作为南北左转相位的溢出压力；
[0024]对于东西直行相位，选取东直行和西直行的溢出压力中较大的那个作为东西直行相位的溢出压力；
[0025]对于东西左转相位，选取东左转和西左转的溢出压力中较大的那个作为东西左转相位的溢出压力；
[0026]步骤43，对于第k
j
个信号周期，计算交叉口四个相位的溢出压力权重
[0027]用一个指数函数来计算交叉口运动m的溢出压力权重：
[0028][0029]其中，w
m
(k
j
)表示在k
j
个信号周期运动m的溢出压力权重，η是参数；当δ
m
(k
j
)为负值，即运动m的下游路段有溢出风险，则w
m
(k
j
)接近于0；如果δ
m
(k
j
)为正值，即运动m的上游路段有溢出风险，则w
m
(k
j
)为正值；如果δ
m
(k
j
)等于0，即运动m的上下游路段溢出风险一致，则w
m
(k
j
)等于1；
[0030]步骤44，对于第k
j
个信号周期，计算交叉口进口道的服务车辆数
[0031]在第k
j
个信号周期内为运动m服务的车辆数量表示为Q
m
(k
j
)：
[0032]Q
m
(k
j
)＝f
m
(k
j
)
·
g
m
(k
j
+1)
[0033]其中，f
m
(k
j
)表示运动m的平均流速，g
m
(k
j
+1)表示第k
j
+1个信号周期中运动m的绿灯持续时间；
[0034]步骤45，计算第k
j
+1个信号周期最优分配绿灯时间
[0035]设计非线性凸优化控制算法计算各交叉口不同相位最佳绿灯时间：
[0036][0037]约束条件：
[0038][0039]其中，M
j
表示直行和左转的集合，ε是误差项，表示第k
j
+1个信号周期中运动m在相位p的绿灯分配时间，分别为相位p绿灯时间的最小值和最大值，g
p
(k
j
+1)、g本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于低渗透率网联车轨迹数据的交叉口信号配时方法，其特征在于，包括如下步骤：步骤1，基于SUMO仿真平台构建一个有交叉口信号配时优化需求的低渗透率网联车路网；步骤2，向步骤1构建的路网中输入数据，包括：高峰小时流量、平均车速、路网结构、路段长度、车道数、道路限速和进口道方向，默认SUMO仿真平台定义的车流模型，包括：Krauss跟驰模型和LC2013换道模型，设计低渗透率网联车路网场景，模拟路网车流情况；步骤3，在模拟的路网车流情况中，对于每个信号周期，随机选取网联车轨迹数据作为样本数据，且选取的网联车轨迹数据占整个路网车流轨迹数据的3％
‑
5％；步骤4，根据选取的网联车轨迹数据，在上一个信号周期结束时确定下一个信号周期的交通信号计划；步骤5，根据下一个信号周期的交通信号计划修改SUMO仿真平台中路网的信号配时，直至仿真结束。2.根据权利要求1所述的基于低渗透率网联车轨迹数据的交叉口信号配时方法，其特征在于，所述步骤1中，构建的路网具有如下特征：1)路网上车流流量超过饱和流量的90％；2)路网交叉口上下游存在流量差；3)路网存在溢流情况。3.根据权利要求1所述的基于低渗透率网联车轨迹数据的交叉口信号配时方法，其特征在于，所述步骤4中，在第k
j
个信号周期结束时确定第k
j
+1个信号周期的交通信号计划，具体过程如下：步骤41，计算交叉口每个进口道最大排队率定义路网为由路段连接的交叉口组成，对于交叉口j，进入的进口道s集合表示为S
j
，则进口道s在第k
j
个周期的最大排队率r
s
(k
j
)为：其中，x
s
(k
j
)表示第k
j
个周期中的最大排队长度，L
s
(k
j
)表示进口道s的长度；步骤42，对于第k
j
个信号周期，计算交叉口四个相位的溢出压力对于路段x，定义一个临界排队率来表示溢出的风险，即路段x的排队率大于临界排队率，则该路段具有溢出风险；定义车流的直行和左转均为运动m，运动m的溢出压力为：其中，δ
m
(k
j
)表示在k
j
个信号周期运动m的溢出压力，表示第k
j
个周期m上游路段的排队率，表示第k
j
个周期m下游路段的排队率，为m上游路段的临界排队率，为m下游路段的临界排队率；对于南北直行相位，选取南直行和北直行的溢出压力中较大的那个作为南北直行相位的溢出压力；对于南北左转相位，选取南左转和北左转的溢出压力中较大的那个作为南...

【专利技术属性】
技术研发人员：韩雨，黄亚琴，刘攀，
申请(专利权)人：东南大学，
类型：发明
国别省市：