一种适用多模式交通的多目标信号控制优化方法技术

本发明专利技术属于智能交通信号控制的技术领域，具体为一种适用多模式交通的多目标信号控制优化方法，包括模型准备、带约束的多目标全概率贝叶斯优化和终止迭代。其中，模型准备部分构建多模式交通整合模型，获取先验训练集；带约束的多目标全概率贝叶斯优化部分是基于模型准备部分的先验训练集优化得到下一采样点(一组信号配时方案)，并将结果输入至多模式交通整合模型中运行获得所有目标函数值；之后通过终止迭代部分判断是否终止优化过程。可以利用本发明专利技术对多模式交通信号控制多目标优化问题进行求解，当达到终止迭代中设置的条件，就可获得满意的信号配时方案。本发明专利技术同样适用于无模型的场景(即完全脱离微观交通仿真平台和交通安全评估软件)。交通安全评估软件)。交通安全评估软件)。

【技术实现步骤摘要】
一种适用多模式交通的多目标信号控制优化方法


[0001]本专利技术属于智能交通信号控制的
，涉及多目标贝叶斯优化算法、带约束的贝叶斯优化算法、主动学习、全贝叶斯高斯过程以及多模式交通信号优化方法，具体为一种适用多模式交通的多目标信号控制优化方法。

技术介绍

[0002]交通系统的组成多样而复杂(如私家车、公交车、行人、自行车、卡车、应急车辆等)。为了更好地解决交通控制问题，对基于模式交互的多模式交通系统进行现实建模与控制研究是十分必要的。以往许多研究采用以私家车为基础增加公交车或自行车或行人作为另一种交通方式的策略进行多模式交通信号控制研究(如公交信号优先级和行人过街)，并且多以优化通行效率为主要目标。如Tang等在《Multi
‑
Modal Traffic Signal Control in Shared Space Street》中针对多模式信号协调问题，建立了基于周期的多模式(私家车、公交车和轻轨)交通信号控制优化模型，以三种交通方式的总出行成本和交通延误最小为目标，使用粒子群优化算法选择最优的信号方案。Li等在《Regional Coordinated Bus Priority Signal Control Considering Pedestrian and Vehicle Delays at Urban Intersections》中提出了一种区域协调公交优先信号控制方法，这是一种考虑行人和乘客延误的网络级公交优先控制方法，并使用遗传算法优化获得近似最优的网络信号方案。Khwais和Haddad在《Optimal Presignal Control for Two
‑
Mode Traffic at Isolated Signalized Intersections》中提出了一种最优的信号预控制策略，该策略基于私家车和公交车总花费时间的最小化，使用庞特里亚金最大化原理来确定信号方案。
[0003]现有多模式交通信号控制优化方法存在以下问题：一是，多以私家车和公交车组成的多模式交通，而实际交通环境更加复杂，无法获得适用真实交通环境的信号配时方案。二是，多以交通通行效率为优化目标，无法优化从更加安全、公平和高效的角度优化多种交通模式组成的交通流。三是，现有的启发式优化算法往往需要很多次迭代才能获取近似最优解，而多模式交通模型由于涉及多种交通方式的交互影响使其很复杂计算成本很高，这种以高计算成本换取更优信号配时方案的策略会阻碍其应用至实际交通问题。

技术实现思路

[0004]针对上述问题，本专利技术提出一种适用多模式交通的多目标信号控制优化方法。本专利技术基于网络所有路段流量数据、转向比数据、原始信号配时方案数据和网络道路基础上数据，使用微观交通仿真软件和交通安全分析软件构建多模式交通整合模型；设计基于微观交通仿真模型、交通安全分析模型和带约束的多目标全概率贝叶斯优化算法的优化器，使用该优化器求解上述的多模式多目标交通信号优化模型，直至获得交叉口最优的信号配时方案。本专利技术所要解决的信号控制优化问题的决策变量为信号控制参数(相位显示顺序、周期时长、绿灯时间、相位差)。
[0005]本专利技术的技术方案：
[0006]一种适用多模式交通的多目标信号控制优化方法，包括模型准备、带约束的多目标全概率贝叶斯优化和终止迭代。其中，模型准备部分构建多模式交通整合模型，获取先验训练集；带约束的多目标全概率贝叶斯优化部分是基于模型准备部分的先验训练集优化得到下一采样点(一组信号配时方案)，并将结果输入至多模式交通整合模型中运行获得所有目标函数值；之后通过终止迭代部分判断是否终止优化过程。
[0007]具体步骤如下：
[0008]步骤1.模型准备
[0009](1.1)搭建多模式交通整合模型
[0010]多模式交通整合模型是由微观交通仿真软件和交通安全评估软件搭建而成。首先，基于可靠的道路网络基础数据、网络交通流中不同类型车辆属性及车辆比例数据、原始的信号配时方案数据、网络各路段流量数据和转向比数据输入至微观交通仿真软件(如VISSIM、SUMO)中构建微观交通仿真模型；其次，通过运行微观交通仿真模型可以获取所有车辆的运行状态数据和轨迹数据；最后，将车辆轨迹数据输入至交通安全评估软件(如SSAM)中进行交通安全评估计算交通总冲突数。
[0011]基于多模式交通整合模型，使用者可以获得多类目标函数值。这些目标函数可分为三类，分别为交通效率评估函数、交通公平性评估函数和交通安全性评估函数。其中，交通效率评估函数(如总等待时间、总延误时间、平均出行时间)和交通公平性评估函数(如基尼系数)的值都是通过所有车辆的运行状态数据计算而得；交通安全性评估函数(如冲突率、交通事故估计数)的值是通过交通总冲突数计算而得。
[0012]综上，多模式交通整合模型输入是一组信号配时方案，输出是相对应的多类目标函数值。
[0013](1.2)获得带约束的多目标全概率贝叶斯优化所需要的先验训练集并设置相关参数
[0014]通过拉丁超立方体取样方法选取n0组信号配时方案i∈{1,
…
,n0}，其中x
i
表示第i组信号配时方案。将这些方案输入逐一至步骤(1.1)构建的多模式交通整合模型获得相应的多类目标函数值，初始目标函数集为w∈{1,
…
,O}，其中表示第i组的第w个目标函数值，W为目标函数的个数。最后，基于信号配时方案和目标函数值构建先验训练集
[0015]将迭代次数记为Iter，令Iter＝0，预先设置最大迭代次数Iter
max
。预先设置多类目标函数最大值y
max
和最小值y
min
，基于y
init
计算初始帕累托前沿超体积值记为PO
imp
，计数器Count＝0，并预先设置计数器最大值Count
max
。
[0016]步骤2.带约束的多目标全概率贝叶斯优化
[0017](2.1)使用步骤(1.2)获得的先验训练集基于全贝叶斯高斯过程回归模型拟合潜在函数f与决策变量x(即信号控制参数)之间的关系。而y是潜在函数与高斯噪音ε的观测值，即
[0018]将进行高斯过程回归训练的数据集记为D＝(x,y)，令D＝D0，则该多元高斯分布可
以表示为：
[0019][0020]其中K
θ
＝k
θ
(x
i
,x
j
)，k
θ
(x
i
,x
j
)是协方差核函数，k
θ
表示核函数是用超参数θ进行参数化的，核函数可以为径向基函数、马顿核函数或二次有理函数等。
[0021](2.2)使用全贝叶斯估计步骤(2.1)模型的超参数。
[0022]在超参数上放置先验信息p(θ)并近似模型完整的后验分布，即：
[0023]p(f本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用多模式交通的多目标信号控制优化方法，其特征在于，包括模型准备、带约束的多目标全概率贝叶斯优化和终止迭代；其中，模型准备部分构建多模式交通整合模型，获取先验训练集；带约束的多目标全概率贝叶斯优化部分是基于模型准备部分的先验训练集优化得到下一采样点，即一组信号配时方案，并将结果输入至多模式交通整合模型中运行获得所有目标函数值；之后通过终止迭代部分判断是否终止优化过程；具体步骤如下：步骤1.模型准备(1.1)搭建多模式交通整合模型多模式交通整合模型是由微观交通仿真软件和交通安全评估软件搭建而成；首先，基于可靠的道路网络基础数据、网络交通流中不同类型车辆属性及车辆比例数据、原始的信号配时方案数据、网络各路段流量数据和转向比数据输入至微观交通仿真软件中构建微观交通仿真模型；其次，通过运行微观交通仿真模型可以获取所有车辆的运行状态数据和轨迹数据；最后，将车辆轨迹数据输入至交通安全评估软件中进行交通安全评估计算交通总冲突数；基于多模式交通整合模型，获得多类目标函数值；这些目标函数分为三类，分别为交通效率评估函数、交通公平性评估函数和交通安全性评估函数；其中，交通效率评估函数和交通公平性评估函数的值都是通过所有车辆的运行状态数据计算而得；交通安全性评估函数的值是通过交通总冲突数计算而得；因此，多模式交通整合模型输入是一组信号配时方案，输出是相对应的多类目标函数值；(1.2)获得带约束的多目标全概率贝叶斯优化所需要的先验训练集并设置相关参数通过拉丁超立方体取样方法选取n0组信号配时方案i∈{1,
…
,n0}，其中x
i
表示第i组信号配时方案；将这些方案输入逐一至步骤(1.1)构建的多模式交通整合模型获得相应的多类目标函数值，初始目标函数集为其中表示第i组的第w个目标函数值，W为目标函数的个数；最后，基于信号配时方案和目标函数值构建先验训练集将迭代次数记为Iter，令Iter＝0，预先设置最大迭代次数Iter
max
；预先设置多类目标函数最大值y
max
和最小值y
min
，基于y
init
计算初始帕累托前沿超体积值记为PO
imp
，计数器Count＝0，并预先设置计数器最大值Count
max
；步骤2.带约束的多目标全概率贝叶斯优化(2.1)使用步骤(1.2)获得的先验训练集基于全贝叶斯高斯过程回归模型拟合潜在函数f与决策变量x即信号控制参数之间的关系；而y是潜在函数与高斯噪音ε的观测值，即将进行高斯过程回归训练的数据集记为D＝(x,y)，令D＝D0，则该多元高斯分布表示为：
其中K
θ
＝k
θ
(x
i
,x
j
)，k
θ
(x
i
,x
j
)是协方差核函数，k
θ
表示核函数是用超参数θ进行参数化；(2.2)使用全贝叶斯估计步骤(2.1)模型的超参数；在超参数上放置先验信息p(θ)并近似模型完整的后验分布，即：p(f,θ|y,x)
∝
...

【专利技术属性】
技术研发人员：钟绍鹏，龚云海，洪思雨，翟君诺，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：