【技术实现步骤摘要】
本专利技术涉及公共交通绿波控制领域，具体为一种公交优先线路及绿波控制动态协同优化方法。
技术介绍
1、在城市交通拥堵日益增长的大环境下，地面公共交通在与轨道交通、私家车等出行方式竞争时处于劣势。为有效提升地面公共交通吸引力，提升地面公共交通车辆通行效率，对地面公交进行优先考虑公交车辆利益的信号配时优化控制至为重要。
2、在传统的公交优先线路绿波控制中，基本都是将公交优先绿波线路设定为直行线路，从而减小了变量，降低了计算量和计算难度，但是这种优化控制方式无法真实模拟道路交通网络中公交车辆的道路交通参与状态，从而无法做到对对应关键道路交叉口的绿波最优化控制。为此，我们提供一种公交优先线路及绿波控制动态协同优化方法。
技术实现思路
1、本专利技术的目的在于提供了一种公交优先线路及绿波控制动态协同优化方法。
2、本专利技术所解决的技术问题为：
3、如何模拟道路交通中的公交车辆的真正参与状态并求解公交优先动态关键线路，从而解决现有技术中只能针对直线路线上的公交车辆进行绿波控制的问题；
4、本专利技术可以通过以下技术方案实现：一种公交优先线路及绿波控制动态协同优化方法，该方法包括如下步骤：
5、步骤一、将道路网络进行抽象化处理，以交叉口为定点、交叉口之间的路段为边构建有向图；
6、步骤二、定义有向图中边重要度的评价指标并依据评价指标计算边重要度；
7、步骤三、以边重要度最大为优化目标构建优化模型，求解最优路径并
8、步骤四、搭建节点流量短时预测模型和路段速度短时预测模型并进行预测；
9、步骤五、依据短时预测结果，构建公交公交优先通行信号配时优化模型并求解生成最优信号配时方案；
10、步骤六、最优信号配时方案下发至城市信号控制平台进行方案执行；
11、步骤七、设定线路优化频率，重复上述步骤，对公交优先绿波控制进行动态优化。
12、本专利技术的进一步技术改进在于：步骤二中边重要度的计算式为：
13、p(i)＝β1p1(i)+β2p2(i)+β3p3(i)+β4p4(i)
14、其中，p1(i)、p2(i)、p3(i)和p4(i)分别为道路等级、公交专用道设置状态、公交线路条数、交叉口处公交车辆与社会车辆的各向通行流量这四项评价指标，β1、β2、β3和β4分别为上述四个评价指标的权重系数，该四个评价指标的权重系数由专家评价法或熵权法确定。
15、本专利技术的进一步技术改进在于：步骤三中优化模型以边重要度最大为优化目标，公交绿波线路长度和线路非直线系数为约束条件，具体为：
16、
17、
18、其中，d为公交优先线路总长度,且di为路段节点i-1与节点i的连接路段li的长度，vb为公交优先线路中的有向图g的顶点集合；
19、dmin和dmax分别为单条公交优先线路长度的最小值和最大值；
20、z为公交优先线路非直线系数，z＝d/dz，dz为公交优先线路中起始路口和终点路口的空间直线距离；
21、z*为公交优先线路非直线系数阈值。
22、本专利技术的进一步技术改进在于：流量短时预测模型和路段速度短时预测模型的构建过程具体包括：
23、s1、设定一定时长作为的统计间隔和预测时长，对公交优先动态关键线路中的交叉口各进道口断面流量、速度进行统计；
24、s2、选取预测节点上游两个节点位置的第t-1、t-2、t-3个统计间隔的各方向上车辆流量数据作为输入数据，预测节点处第t个统计间隔的各方向上车辆流量数据作为输出数据，将输入数据和输出数据导入lstm算法中训练节点流量短时预测模型；
25、选取预测路段上游两个路段中的第t-1、t-2、t-3个统计间隔的各方向上车辆速度数据作为输入数据，预测节点处第t个统计间隔的各方向上车辆速度数据作为输出数据，将输入数据和输出数据导入lstm算法中训练路段速度短时预测模型；
26、s3、根据预测节点i处上游两个节点位置各方向的实时车辆流量数据和预测路段路i上游两个路段的路段速度数据，利用训练完成的节点流量短时预测模型和路段速度短时预测模型，对节点i处各方向上的车辆流量和节点i-1与节点i的连接路段上的路段速度进行预测。
27、本专利技术的进一步技术改进在于：步骤五中构建公交优先通行信号配时优化模型，该模型以am-band模型为基础，以公交车辆上下行绿波带宽之和最大为优化目标，约束条件包括公交车辆的绿波带宽和公共信号周期时长，并利用规划问题求解软件或群集智能算法求解公交优先动态关键线路中关键交叉口和其他交叉口的信号配时方案。
28、本专利技术的进一步技术改进在于：公交优先通行信号配时优化模型的优化目标具体表示为：
29、其中：k1表示公交车辆带宽权重，具体为优化周期内公交车辆流量和单位车辆载客数的乘积，以表征公交车辆需求量；
30、bi'和bi”分别为公交上行方向的左侧和右侧绿波带宽，和分别为公交下行方向的左侧和右侧绿波带宽；
31、λ为上下行方向上公交车辆绿波带宽比例，以表征上下行方向上公交车辆负荷度。
32、本专利技术的进一步技术改进在于：公共信号周期时长约束具体表示为cmin≤ci≤cmax；其中，ci为节点i的公共周期时长，cmin和cmax分别为最小周期和最大周期时长。
33、本专利技术的进一步技术改进在于：公交车辆的绿波带宽约束表示为：
34、
35、
36、
37、其中，pi为公交车辆上下行方向的绿波带宽比例，qi和分别为节点i上行方向和下行方向的公交车辆流量；
38、wi为节点i上行方向协调相位红灯结束时刻到绿波带中心线的时间，为节点i下行方向协调相位红灯开始时刻到绿波带中心线的时间，ri和分别为节点i上行和下行方向的红灯时长，τi+1为节点i上行方向的车辆排队清空时间，为节点i下行方向的车辆排队清空时间；
39、ti和分别为公交上行方向和下行方向在路段li的行程时间，γi和均为取值范围在0～1之间的变量，gl,i和分别为节点i上行和下行方向左转绿灯时长，mi为整数变量，f为信号频率，等于公共信号周期的倒数。
40、本专利技术的进一步技术改进在于：将求解得到的变量代入至相位差计算公式中，得到上下行方向两相邻交叉口之间的相位差，相位差计算公式为：
41、
42、其中，φi,i+1表示上行方向两相邻交叉口之间的相位差，表示下行方向两相邻交叉口之间的相位差。
43、本专利技术的进一步技术改进在于：线路优化频率与单条公交线路总行程时间正相关，线路优化频率应大于等于该行程时间。
44、与现有技术相比，本专利技术具备以下有益效果：
45、1、模拟道路交通中的公交车辆的真正参与状态并求解公交优先动态关本文档来自技高网...
【技术保护点】
1.一种公交优先线路及绿波控制动态协同优化方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述的一种公交优先线路及绿波控制动态协同优化方法，其特征在于，步骤二中所述边重要度的计算式为：
3.根据权利要求1所述的一种公交优先线路及绿波控制动态协同优化方法，其特征在于，步骤三中所述优化模型以边重要度最大为优化目标，公交绿波线路长度和线路非直线系数为约束条件，具体为：
4.根据权利要求1所述的一种公交优先线路及绿波控制动态协同优化方法，其特征在于，所述流量短时预测模型和路段速度短时预测模型的构建过程具体包括：
5.根据权利要求1所述的一种公交优先线路及绿波控制动态协同优化方法，其特征在于，步骤五中构建公交优先通行信号配时优化模型，该模型以AM-BAND模型为基础，以公交车辆上下行绿波带宽之和最大为优化目标，约束条件包括公交车辆的绿波带宽和公共信号周期时长，并利用规划问题求解软件或群集智能算法求解公交优先动态关键线路中关键交叉口和其他交叉口的信号配时方案。
6.根据权利要求5所述的一种公交优先线路及绿波控制动态协同优化
7.根据权利要求5所述的一种公交优先线路及绿波控制动态协同优化方法，其特征在于，所述公共信号周期时长约束具体表示为Cmin≤Ci≤Cmax；其中，Ci为节点i的公共周期时长，Cmin和Cmax分别为最小周期和最大周期时长。
8.根据权利要求5所述的一种公交优先线路及绿波控制动态协同优化方法，其特征在于，所述公交车辆的绿波带宽约束表示为：
9.根据权利要求8所述的一种公交优先线路及绿波控制动态协同优化方法，其特征在于，将求解得到的变量代入至相位差计算公式中，得到上下行方向两相邻交叉口之间的相位差，相位差计算公式为：
10.根据权利要求1所述的一种公交优先线路及绿波控制动态协同优化方法，其特征在于，所述线路优化频率与单条公交线路总行程时间正相关，线路优化频率大于等于该行程时间。
...【技术特征摘要】
1.一种公交优先线路及绿波控制动态协同优化方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述的一种公交优先线路及绿波控制动态协同优化方法，其特征在于，步骤二中所述边重要度的计算式为：
3.根据权利要求1所述的一种公交优先线路及绿波控制动态协同优化方法，其特征在于，步骤三中所述优化模型以边重要度最大为优化目标，公交绿波线路长度和线路非直线系数为约束条件，具体为：
4.根据权利要求1所述的一种公交优先线路及绿波控制动态协同优化方法，其特征在于，所述流量短时预测模型和路段速度短时预测模型的构建过程具体包括：
5.根据权利要求1所述的一种公交优先线路及绿波控制动态协同优化方法，其特征在于，步骤五中构建公交优先通行信号配时优化模型，该模型以am-band模型为基础，以公交车辆上下行绿波带宽之和最大为优化目标，约束条件包括公交车辆的绿波带宽和公共信号周期时长，并利用规划问题求解软件或群集智能算法求解公交优先动态关键线路中关键交叉口和其他交叉...
【专利技术属性】
技术研发人员：张卫华，汪春，吴丛，丁俊美，曹培宋，
申请(专利权)人：安徽格瑞交通科学研究院有限公司，
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。