一种交叉口信号控制与可变车道鲁棒协同优化方法技术

本发明专利技术提出了一种交叉口信号控制与可变车道鲁棒协同优化方法，属于城市交通管理技术领域。具体实施如下：首先，进行优化时段选取及时间间隔划分，在同一时段内可变车道渠化不变的基础上对各时间间隔实施一个信号控制方案；其次，进行历史数据抽取和实时数据采集，由时间间隔统计交通量；再次，提出历史数据驱动的鲁棒优化模型及算法；以广义饱和度为优化指标，使用双层嵌套遗传算法求解；从次，提出历史数据与实时数据联合驱动的鲁棒优化模型及算法；以车均延误为优化指标，使用多模式遗传算法求解；最后，确定下一时段两类数据联合模式的选择，指的是以前5日交通历史数据为样本，计算其标准差值并根据所在区间确定。算其标准差值并根据所在区间确定。算其标准差值并根据所在区间确定。

【技术实现步骤摘要】
一种交叉口信号控制与可变车道鲁棒协同优化方法


[0001]本专利技术属于城市交通管理
，具体地说涉及交通控制优化方法及装置。

技术介绍

[0002]随着城市机动化水平的显著提高，城市交通拥堵现象日益显著，严重影响了居民正常的通勤出行，已成为制约城市交通系统正常运转的重大问题。其中，出行需求与交通资源的供需矛盾是造成拥堵的主要原因。然而，交通资源却很难得到充分利用，尤其受到交通资源有限性的制约，这些交通设施在时间和空间方面的设置往往跟不上交通需求的发展。
[0003]具有潮汐特征的交通流会产生周期性和规律性交通拥堵，这种潮汐拥堵现象体现了动态交通需求与静态交通设施之间的矛盾。对于非潮汐性拥堵的交叉口，仅在时间上依靠信号控制优化尚且难以解决拥堵问题，而对于潮汐拥堵的交叉口，除了采取有效的信号控制措施，还应针对路面车道组成进行优化以适应某些流向具有的潮汐需求，即信号控制与车道组成的组合优化。
[0004]多时段控制方式是相对有效的一种方法。既弥补了传统定时信号控制难以适应动态交通需求的缺陷，又在造价成本、实际工程应用中相比感应控制方式表现的更好。
[0005]交通流还具有不确定性。逐日之间交通量虽然呈现相似的周期性变化趋势，但一日内随着时间的变化却体现出差异性交通需求，这为设计一种较为稳健的信号控制方案带来困难。因此在进行组合优化时，有必要研究不确定下的建模。通过提升信号控制的鲁棒性来适应起伏波动的交通流。

技术实现思路

[0006]为此，本专利技术所要解决的技术问题在于从时间和空间两个维度对现有的交通控制进行协同优化，根据多时段控制的方式，结合交通信号控制的鲁棒优化方法，将城市单点交叉口的优化问题分为两个阶段。第一阶段建立信号控制与可变车道鲁棒优化模型，通过双层嵌套的启发式遗传算法(Double
‑
layer nested genetic algorithm,DN
‑
GA)进行求解，实现可变车道流向决策和初始信号控制方案鲁棒优化；第二阶段建立信号控制动态鲁棒优化模型，通过多模式启发式遗传算法(Multi
‑
mode genetic algorithm,MM
‑
GA)进行求解，实现信号控制方案动态优化。
[0007]为解决上述技术问题，本专利技术采用的技术方案为单点交叉口信号控制与可变车道协同优化方法，该方法的实现过程如下：
[0008]步骤一：进行优化时段选取及时间间隔划分，所述时段选取指的是以2小时为一个时段长度、以早7点为基准点，将一日划分成12个时段，针对每个时段分别实施一个交叉口初始信号控制方案与可变车道渠化方案；所述时间间隔划分指的是以15分钟为一个时间间隔长度、将每个时段划分为8个时间间隔，在同一时段内保证可变车道渠化方案不变的基础上针对每个时间间隔分别实施一个信号控制方案；
[0009]步骤二：进行各时段交通历史数据抽取和实时数据采集，具体指的是各时段根据
步骤一中划分的时间间隔进行交叉口各流向交通量的统计。其中，各时段历史数据需提取15日的交通量、实时数据需采集1日的交通量；
[0010]根据步骤一所述时间间隔长度(15分钟)可将一个时段(2小时)划分为8个时间间隔，将15日同一时段内总共获取的120条(15*8)记录数据存储于历史数据库Ω
H
中、将1日同一时段内总共采集的8条记录数据存储于实时数据库Ω
R
中，并按时间间隔出现的先后顺序对所述历史数据和实时数据进行标号，即有Ω
H
＝{1,2,...,h,...,120}、Ω
R
＝{1,2,...,r,...,8}。其中，h和r分别为所述历史数据库Ω
H
和实时数据库Ω
R
中任一数据对应时间间隔的标号；
[0011]步骤三：提出历史数据驱动的交叉口信号控制与可变车道鲁棒协同优化数学模型及求解算法，所述数学模型是以交叉口广义饱和度的均值
‑
标准差(Mean
‑
standard deviation,MSD)为优化目标、以15日交通历史数据为输入、以研究时段可变车道渠化方案及初始信号控制方案为输出的鲁棒优化模型，所述求解算法是针对上述鲁棒优化模型特殊设计的双层嵌套的启发式遗传算法(Double
‑
layer nested genetic algorithm,DN
‑
GA)；
[0012]所述历史数据驱动的交叉口信号控制与可变车道鲁棒协同优化数学模型的目标函数Z1选择交叉口广义饱和度χ为优化指标PI1，由其均值X1和标准差Y1两部分组成，模型可写为：
[0013][0014]其中，γ1为所述优化模型权重参数，取值为γ1＝0.5，其范围γ1∈[0,1]，可根据交通管理的侧重进行选择，取值越大代表模型越侧重信号控制的稳定性；
[0015]可选地，当模型权重参数γ1＝0时，选择优化指标PI1的平均值进行优化，完全考虑信号控制的效率；
[0016]可选地，当模型权重参数γ1＝1时，选择优化指标PI1的标准差进行优化，完全考虑信号控制的稳定性；
[0017]所述优化模型的参数π1(k)为第k个时间间隔对应的历史数据占总体数据的权重比例，取值为代表历史数据库Ω
H
＝{1,2,...,h,...,120}中各数据对模型具有相同的贡献程度；π1(k)值越大，代表第k个时间间隔对应的历史数据对模型的贡献越大，否则反之；
[0018]所述优化模型的目标函数Z1中各时间间隔广义饱和度χ(k)的计算方法如下：
[0019][0020]式中，j为交叉口流向的编号，采用NEMA编码对交叉口各进口方向编号号；χ
j
为流向j的饱和度；q
j
为流向j的流量；c
j
为流向j的通行能力；s
j
为流向j的饱和流率；λ
j
为流向j
的绿信比；N
j
为流向j的车道数量；为流向j的有效绿灯时长；C为信号周期时长；
[0021]所述模型的决策变量为可变车道n
i
和信号控制方案
[0022]所述优化模型的约束条件包括最短绿灯时间约束、相位模式约束、周期时长约束、最大饱和度约束、整数约束和0
‑
1约束；
[0023]最短绿灯时间约束：
[0024]g
j
≥g
min
[0025]相位模式约束：
[0026]南北与东西相交的标准十字交叉口中，以标准三相位为例说明相位模式的约束关系，第1相位为南北进口直行，第2相位为南北进口左转，第3相位为东西进口所有转向，这种相位模式的约束关系为：
[0027]g1＝g5[0028]g2＝g6[0029]g3＝g4＝g7＝g8[0030]g1+g2+g3+3(t
y
+t<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交叉口信号控制与可变车道鲁棒协同优化方法，其特征在于，包括以下步骤：步骤一：进行优化时段选取及时间间隔划分，所述时段选取指的是以2小时为一个时段长度、以早7点为基准点，将一日划分成12个时段，针对每个时段分别实施一个交叉口初始信号控制方案与可变车道渠化方案；所述时间间隔划分指的是以15分钟为一个时间间隔长度、将每个时段划分为8个时间间隔，在同一时段内保证可变车道渠化方案不变的基础上针对每个时间间隔分别实施一个信号控制方案；步骤二：进行各时段交通历史数据抽取和实时数据采集，具体指的是各时段根据步骤一中划分的时间间隔进行交叉口各流向交通量的统计；其中，各时段历史数据需提取15日的交通量、实时数据需采集1日的交通量；根据步骤一所述时间间隔长度即15分钟可将一个时段2小时划分为8个时间间隔，将15日同一时段内总共获取的120条记录数据存储于历史数据库Ω
H
中、将1日同一时段内总共采集的8条记录数据存储于实时数据库Ω
R
中，并按时间间隔出现的先后顺序对所述历史数据和实时数据进行标号，即有Ω
H
＝{1,2,...,h,...,120}、Ω
R
＝{1,2,...,r,...,8}；其中，h和r分别为所述历史数据库Ω
H
和实时数据库Ω
R
中任一数据对应时间间隔的标号；步骤三：提出历史数据驱动的交叉口信号控制与可变车道鲁棒协同优化数学模型及求解算法，所述数学模型是以交叉口广义饱和度的均值
‑
标准差MSD为优化目标、以15日交通历史数据为输入、以研究时段可变车道渠化方案及初始信号控制方案为输出的鲁棒优化模型，所述求解算法是针对上述鲁棒优化模型特殊设计的双层嵌套的启发式遗传算法；所述历史数据驱动的交叉口信号控制与可变车道鲁棒协同优化数学模型的目标函数Z1选择交叉口广义饱和度χ为优化指标PI1，由其均值X1和标准差Y1两部分组成，模型为：其中，γ1为所述优化模型权重参数，取值范围γ1∈[0,1]，根据交通管理的侧重进行选择，取值越大代表模型越侧重信号控制的稳定性；当模型权重参数γ1＝0时，选择优化指标PI1的平均值进行优化，完全考虑信号控制的效率；当模型权重参数γ1＝1时，选择优化指标PI1的标准差进行优化，完全考虑信号控制的稳定性；所述优化模型的参数π1(k)为第k个时间间隔对应的历史数据占总体数据的权重比例，取值为代表历史数据库Ω
H
＝{1,2,...,h,...,120}中各数据对模型具有相同的贡献程度；π1(k)值越大，代表第k个时间间隔对应的历史数据对模型的贡献越大，否则反之；所述优化模型的目标函数Z1中各时间间隔广义饱和度χ(k)的计算方法如下：
式中，j为交叉口流向的编号，采用NEMA编码对交叉口各进口方向编号号；χ
j
为流向j的饱和度；q
j
为流向j的流量；c
j
为流向j的通行能力；s
j
为流向j的饱和流率；λ
j
为流向j的绿信比；N
j
为流向j的车道数量；为流向j的有效绿灯时长；C为信号周期时长；所述模型的决策变量为可变车道n
i
和信号控制方案所述优化模型的约束条件包括最短绿灯时间约束、相位模式约束、周期时长约束、最大饱和度约束、整数约束和0
‑
1约束；最短绿灯时间约束：g
j
≥g
min
相位模式约束：南北与东西相交的标准十字交叉口中，以标准三相位为例说明相位模式的约束关系，第1相位为南北进口直行，第2相位为南北进口左转，第3相位为东西进口所有转向，这种相位模式的约束关系为：g1＝g5g2＝g6g3＝g4＝g7＝g8g1+g2+g3+3(t
y
+t
r
)＝C周期时长约束：C
min
≤C≤C
max
最大饱和度约束：χ
j
≤χ
max
整数约束：0
‑
1约束：n
i
∈{0,1},i＝1,2,...,4式中，g
j
为流向j的绿灯时间；g
min
为最小绿灯时间，取值10s；t
y
为黄灯时间，取值4s；t
r
为全红时间，取值2s；C
min
为最小周期长度，取值60s；C
max
为最大周期长度，取值240s；C为信号控制周期；χ
max
为最大饱和度阈值，取值0.95；χ
j
为流向j的饱和度；所述模型的两组决策变量可变车道n
i
和信号控制方案是相互耦合的，针对上述鲁棒优化模型特殊设计的双层嵌套的启发式遗传算法进行求解，将优化问题分为信号控制层TSC和可变车道层RL，包括：step1：初始化，标定相关GA参数和交通参数；所述GA参数包括种群规模100、迭代次数100、交叉概率0.8和变异概率0.02；所述交通参数包括：最小周期长度60s、最大周期长度240s、黄灯时间4s、全红时间2s、最小绿灯时间10s、损失时间1s和最大饱和度0.95；step2：令迭代次数P＝0；step3：生成初始信号控制层种群g
j
；根据步骤三所述模型的约束条件，求解决策变量的
约束范围，根据十进制编码的方式生成初始种群；当种群的某些个体不满足约束条件时，根据所述方式重新生成新的个体，直到所有个体满足约束条件，并将其作为初始种群g
j
；step4：生成初始可变车道层种群n
i
；根据步骤三所述模型的约束条件，求解决策变量的约束范围，采用0
‑
1编码的方式生成初始种群n
i
；step5：GA求解RL层；RL层的输入为初始种群n
i
和给定的一个g
j
；RL层的GA包括：选择、交叉、变异和进化一系列操作，并生成新的种群；当达到最大迭代次数100代时，求解得到最佳的可变车道流向设置；step6：GA求解TSC层；TSC层的输入是初始种群g
j
和step5求解的一个n
i
；TSC层的GA包括：选择、交叉、变异和进化一系列操作，并生成新的种群；当达到最大迭代次数100代时，求解得到最佳的信号控制配时方案；step7：判断；当达到最大迭代次数100代时算法终止，否则令迭代次数P＝P+1，并返回step5；step8：终止结束；将优化求解的最佳决策变量g
j0
和n
i
输出；步骤四：提出历史数据与实时数据联合驱动的交叉口信号控制与可变车道鲁棒协同优化模型及求解算法，所述数学模型是指具有三种可选历史数据与实时数据联合模式、以交叉口车均延误的均值
‑
标准差MSD为优化目标、以15日交通历史数据及1日实时数据为输入、以研究时段信号控制方案为输出的鲁棒...

【专利技术属性】
技术研发人员：孙智源，王志诚，戚欣，王多，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：