【技术实现步骤摘要】
本专利技术涉及智慧交通，尤其是涉及一种车路协同的动态绿波车速的优化方法和系统。
技术介绍
1、车路协同可帮助车辆选择更高安全性更低能源消耗的出行路径，还可针对实时的交通流量信息，增强道路交通管控能力，让交通管控更加智能与便携，提升了交通治理的数学化水平。绿波通行是车路协同为交通参与者提供智能规划的常见方法，是指根据目前红绿灯相位和实时交通状况为车辆提供一个车辆行驶速度，帮助车辆能在到达下一个路口时直接绿灯通过，避免了减速在起步加速的过程，不仅可以减少能耗和大气污染，还可以避免因车速过快或者紧急刹车而造成的安全事故。
2、现有的绿波通行是属于静态绿波通行，通过设置红绿灯时长，来保证车辆按照一个固定的时速行驶可以绿灯通过路口，由于车辆无法感知当前路段或者相邻路段的交通状况，针对复杂多变交通状况的鲁棒性不足，且无法实现动态规划为车道内的智能联网车辆提供驾驶应道和增强式驾驶决策。
技术实现思路
1、本专利技术的目的在于提供一种车路协同的动态绿波车速的优化方法和系统，以减少了现有技术中存在的因车辆无法感知当前路段或相邻路段的交通状况而无法实现动态规划车辆的绿波车速的技术问题。
2、第一方面，本申请实施例提供了一种车路协同的动态绿波车速的优化方法，包括：
3、获取当前路段的交通状况数据，所述交通状况数据至少包括路段长度、路段行人数量、路段红路灯相位和车辆速度；
4、基于所述交通状况数据，构建当前路段的动态绿波车速优化模型；
5、基于混
6、在可选的实施例中，基于所述交通状况数据，构建当前路段的动态绿波车速优化模型，包括：
7、以最小绿波车速适应度为目标的适应度函数为：
8、
9、式中，l表示路段长度，q表示路口排队长度，f表示路段每分钟车流量，n表示路段非机动车数量，p表示路段行人数量，x表示车辆速度，α、β、λ、σ均表示影响因子，v表示红路灯相位标志，tl表示红路灯相位剩余时间。
10、在可选的实施例中，基于混合策略改进鲸鱼优化算法，求解所述动态绿波车速优化模型，获得最优的当前路段的动态绿波车速，包括：
11、基于混沌反向学习的种群初始化策略初始化种群；
12、采用改进的非线性递减的收敛因子对种群中的鲸鱼个体进行寻优，更新个体位置；
13、基于自适应非线性收敛加权策略对鲸鱼优化方法中的收缩包围猎物、螺旋搜索猎物和随机搜索猎物进行优化；
14、采用随机扰动策略将种群个体的位置进行二次更新。
15、在可选的实施例中，基于混沌反向学习的种群初始化策略初始化种群，包括：
16、构建混沌映射公式如下：
17、
18、式中，b(t)表示是在第t次迭代中，混沌反向学习初始化种群中的偏移量；
19、将混沌映射公式映射到标准鲸鱼优化算法的全局搜索空间，并对全局搜索空间进行反向学习，得到初始化种群策略。
20、在可选的实施例中，采用改进的非线性递减的收敛因子对种群中的鲸鱼个体进行寻优，更新个体位置，包括：
21、改进的非线性递减的收敛因子的数学表达式为：
22、
23、其中，t为当前迭代次数，t为设置的最大迭代次数上限，p表示收敛因子的切换概率，p∈[0,1]，r3为[0,1]之间的随机数。
24、在可选的实施例中，采用随机扰动策略将种群个体的位置进行二次更新，包括：
25、基于莱维飞行机制对寻优过程中的种群个体的位置进行扰动操作，其中采用贪心机制判断是否需要执行扰动操作。
26、在可选的实施例中，基于莱维飞行机制对寻优过程中的种群个体的位置进行扰动操作，包括：
27、通过莱维飞行机制，种群个体的新位置更新公式如下：
28、
29、
30、式中，x'(t)表示莱维飞行扰动后的位置，x(t)表示迭代t次后的当前解位置，α为步长影响因子，为点乘，λ为[0,2]之间的随机数，levy(λ)表示随机搜索路径，u和v服从正态分布。
31、在可选的实施例中，基于自适应非线性收敛加权策略对鲸鱼优化方法中的收缩包围猎物、螺旋搜索猎物和随机搜索猎物进行优化，包括：
32、自适应非线性收敛加权策略中的自适应权重ω如下所示：
33、
34、式中，ω1和ω2表示权重系数，r4为[0,1]之间的随机数，t表示当前迭代次数，t表示最大迭代次数。
35、在可选的实施例中，基于自适应非线性收敛加权策略对鲸鱼优化方法中的收缩包围猎物、螺旋搜索猎物和随机搜索猎物进行优化，包括：
36、优化后的收缩包围猎物的函数为：
37、
38、优化后的螺旋搜索猎物的函数为：
39、
40、优化后的随机搜索猎物的函数为：
41、
42、式中，x(t+1)表示迭代t次后的当前解位置，x*(t)表示迭代t次后的最优解的位置，a＝2*α*rand-α，d＝|c*x*(t)-x(t)|，a和c为系数，α在迭代过程中从2线性减小到0，rand为[0,1]中的随机数，t表示当前迭代次数，t表示最大迭代次数，d*表示第t次迭代后当前解位置与当前最优解位置之间的距离，即d*＝|x*(t)-x(t)|，b为常数，用来控制对数螺线的形状，l为[-1,1]之间的随机数，xrand(t)表示在第t次迭代中，在种群中随机选择一个个体x。
43、第二方面，本申请实施例提供了一种车路协同的动态绿波车速的优化系统，包括：
44、获取模块，用于获取当前路段的交通状况数据，所述交通状况数据至少包括路段长度、路段行人数量、路段红路灯相位和车辆速度；
45、构建模块，用于基于所述交通状况数据，构建当前路段的动态绿波车速优化模型；
46、求解模块，用于基于混合策略改进鲸鱼优化算法，求解所述动态绿波车速优化模型，获得最优的当前路段的动态绿波车速。
47、本专利技术提供的车路协同的动态绿波车速的优化方法和系统，通过构建动态绿波车速优化模型，基于混合策略改进鲸鱼优化方法得到动态绿波车速优化模型中符合当前路段最优的实时车速，从而避免静态绿波车速的局限性，提高复杂交通状况绿波通行方案的鲁棒性，以及基于混合策略改进鲸鱼优化方法，可提高全局搜索范围、加强搜索效率，避免过早的陷入局部最优。
本文档来自技高网...【技术保护点】
1.一种车路协同的动态绿波车速的优化方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于所述交通状况数据，构建当前路段的动态绿波车速优化模型，包括：
3.根据权利要求1所述的方法，其特征在于，基于混合策略改进鲸鱼优化算法，求解所述动态绿波车速优化模型，获得最优的当前路段的动态绿波车速，包括：
4.根据权利要求3所述的方法，其特征在于，基于混沌反向学习的种群初始化策略初始化种群，包括：
5.根据权利要求3所述的方法，其特征在于，采用改进的非线性递减的收敛因子对种群中的鲸鱼个体进行寻优，更新个体位置，包括：
6.根据权利要求3所述的方法，其特征在于，采用随机扰动策略将种群个体的位置进行二次更新，包括：
7.根据权利要求6所述的方法，其特征在于，基于莱维飞行机制对寻优过程中的种群个体的位置进行扰动操作，包括：
8.根据权利要求3所述的方法，其特征在于，基于自适应非线性收敛加权策略对鲸鱼优化方法中的收缩包围猎物、螺旋搜索猎物和随机搜索猎物进行优化，包括：
9.根据权利要求8
10.一种车路协同的动态绿波车速的优化系统，其特征在于，包括：
...【技术特征摘要】
1.一种车路协同的动态绿波车速的优化方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于所述交通状况数据，构建当前路段的动态绿波车速优化模型，包括：
3.根据权利要求1所述的方法，其特征在于，基于混合策略改进鲸鱼优化算法，求解所述动态绿波车速优化模型，获得最优的当前路段的动态绿波车速，包括：
4.根据权利要求3所述的方法，其特征在于，基于混沌反向学习的种群初始化策略初始化种群，包括：
5.根据权利要求3所述的方法，其特征在于，采用改进的非线性递减的收敛因子对种群中的鲸鱼个体进行寻优，更新个体位置，包括：
6.根据...
【专利技术属性】
技术研发人员：李佳恩，陈光，李勇强，
申请(专利权)人：中电信数字城市科技有限公司，
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。