【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。