CN100444210C - 单点信号控制交叉口的混合控制方法 - Google Patents

Abstract

单点信号控制交叉口的混合控制方法是一种针对不同交通状态自动选择定时控制或具有自适应能力的模糊控制，该混合控制方法为：首先采集交叉口实时交通信息，使用聚类方法将上述所采集数据聚为两类，分别表示交叉口的高峰状态和平峰状态；从每一类中选择靠近聚类中心的典型范例离线建立范例库；根据实时采集的交通流量、速度、车道占有率、车头时距和短时交通量的预测值与范例库中的范例值对比，确定交叉口当前交通状态；根据当前交通状态和当前所用信号控制模式之间的不同组合，选择定时控制或模糊控制；定时控制考虑机动车与非机动车的延误约束条件，以机动车通行能力最大为目标进行信号配时；模糊控制采用三维交通信号模糊控制器。

Description

单点信号控制交叉口的混合控制方法

技术领域

本发明涉及城市单点信号控制交叉口的交通智能控制技术，属于城市交通信号自动控制的技术领域。

背景技术

在城市道路网中，交通拥挤或阻塞往往发生在道路交叉口(由于在交叉***通流冲突，在一般情况下，道路交叉口的通过能力不足正常道路路段的50％)，因此，解决城市道路交通拥挤的关键是提高交叉口的通过能力，通常的做法是：修建立交、拓宽交叉口、实行信号灯控制。修建立交占地大，影响城市景观，在城市道路中很少采用；拓宽交叉口也要占用较大的土地资源，在寸土寸金的城市内，交叉口拓宽很有限；相比之下，信号灯控制基本上不增加土地资源，并能实现冲突交通流的分离，使交通流有序通过交叉口，成为提高交叉口通行能力的有效措施。

我国城市道路交叉口信号控制中，单点信号控制处于主导地位，而机非混合交通现象在我国城市道路交叉口中又表现得最为严重。因此，解决道路交叉口混合交通流的单点信号控制问题，对缓解我国日趋严重的城市交通拥挤状况有重要的意义。

发明内容

技术问题：针对中国混合交通流特点及信号控制***以单点控制为主这一现实，本发明提出一种单交叉口的交通信号混合控制方法，该混合控制方法能针对不同交通状态自动选择定时控制或具有自适应能力的模糊控制。

技术方案：本发明的单点信号控制交叉口的混合控制方法其核心思想是以相位相序优化为前提，基于聚类方法划分信号交叉***通状态，根据实时交通信息(交通量、速度、占有率、车头时距等)和短时交通量的预测值，使用范例推理判断当前交通状态，对于当前交通状态和当前所用信号控制模式之间的不同组合，自动选择定时控制或具有自适应能力的模糊控制。定时控制考虑机动车与非机动车的延误约束条件，以机动车通行能力最大为目标进行信号配时，模糊控制融合了预测控制的思想，采用三维模糊控制器，其输入是交叉口当前相实时交通量、后继相实时交通量、后继相的预测交通量，输出为后继相的绿灯时间，模糊控制器所用的模糊规则已经离线优化。

1混合交通流下交通信号的定时控制方式

对于交通流相对平稳的高峰时段，采用定时控制，主要目标是保证机动车道的通行能力最大。在交叉口信号相位相序给定的条件下，考虑机动车与非机动车的延误(服务水平)约束条件，机动车通行能力最大的优化模型为：

${C_p}^{*}=\max C_p=\max \underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{{C_p}^l}_{\mathrm{ijk}}=\max \underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{{q_{\mathrm{sC}}}^l}_{\mathrm{ijk}}\·{{\mathrm{\λ}}^l}_i$

S.t. $d_1=\underset{\mathrm{jk}}{\mathrm{\Σ}}{d}_{\mathrm{jk}}{q}_{\mathrm{jk}}/\underset{\mathrm{jk}}{\mathrm{\Σ}}{q}_{\mathrm{jk}}\≤{d_1}^{\mathrm{Li}}$

${\stackrel{\‾}{d}}_b=\frac{{\∫}_{T-r}^{T+m}((T-t)+\frac{1}{Q}{\∫}_{T-r}^{t}q\left(t\right)\mathrm{dt})q\left(t\right)\mathrm{dt}}{{\∫}_{T-r}^{T+g}q\left(t\right)\mathrm{dt}}\≤{{\stackrel{\‾}{d}}_b}^{\mathrm{Li}}$

t_RWM ^p≤t_Rth ^p

gⁱ _min≥max(gⁱ _min ^b，gⁱ _min ^p)，i＝1，2，...，n_ph

${{\stackrel{\‾}{T}}^p}_W=\underset{j=1}{\overset{n_{\mathrm{or}}}{\max }}\left({{{\stackrel{\‾}{T}}^p}_W}^j\right)\≤{{\stackrel{\‾}{T}}^p}_{\mathrm{th}}$

式中：C_p-信号交叉口机动车道的通行能力(pcu/h)；

C_p ijk ¹-第1周期各信号相位各方向各车道机动车道的通行能力(pcu/h)；

q_sC ijk ¹-第1周期各信号相位各方向各车道机动车的修正饱和流率(pcu/h)；

λ¹ _i-第1周期各信号相位机动车的绿信比；

1-所考察的信号周期；

i-相位序号；

j-方向序号；

k-车道序号；

d₁-交叉口每车的平均信控延误；

d_jk-交叉口j方向k车道机动车的每车的平均信控延误；

q_jk-交叉口j方向k车道机动车的高峰15min交通流率；

d₁ ^Li-交叉口服务水平Li下机动车每车的平均信控延误；

d_b-自行车的平均延误；

d_b ^Li-服务水平Li下自行车的平均延误；

t_RWM ^p-行人过街最长等待红灯时间；

t_Rth ^p-行人过街最长等待时间阈值；

gⁱ-交叉口i相位的绿灯显示时间；

gⁱ _min ^b-交叉口i相位自行车的最短绿灯时间；

gⁱ _min ^p-交叉口i相位行人的最短绿灯时间；

n_ph-交叉口的信号相位数；

T^p _W-交叉口行人过街平均等待时间；

T^p _W ^j-交叉口j方向行人过街平均等待时间；

T^p _th-交叉口行人过街平均等待时间阈值；

N_or-交叉口的交叉道路数目。

考虑粒子群优化算法(particle swarm optimization algorithm，PSO)可用于求解大量非线性、不可微和多峰值的复杂优化问题，程序实现异常简洁，需要调整的参数少，特别适合工程应用，故运用粒子群优化算法对上述高峰时间机动车通行能力最大的优化模型进行寻优，从而得到单交叉路口多相位混合交通流控制的信号周期及信号配时参数。

粒子群优化算法是一种基于群智能方法的演化计算技术，该算法源于对鸟类捕食行为的模拟。在PSO中，每个优化问题的解都是搜索空间中的一只鸟，称之为“粒子”。所有的粒子都有一个适应值和速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。

PSO算法可描述如下：假设在一个D维的目标搜索空间中，有m个粒子组成一个群落，其中第i个粒子表示为

i＝1，2，…，m，即第i个粒子在D维搜索空间中的位置。将

带入目标函数就可以计算出其适应值，根据适应值的大小衡量

的优劣。第i个粒子的“飞翔”速度也是一个D维的向量，记为

记第i个粒子迄今为止搜索到的最优位置为p_{i_best}，整个粒子群迄今为止搜索到的最优位置为p_{g_best}。算法首先初始化一群随机粒子，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪上述两个“极值”来更新自己，公式如下：

v_i＝v_i+c₁r₁(p_{i_best}-x_i)+c₂r₂(p_{g_best}-x_i)

x_i＝x_i+v_i

其中，学习因子c₁和c₂是非负常数；r₁和r₂是介于[0，1]之间的随机数。

迭代终止条件根据具体问题设定，一般用最大迭代次数或粒子N次迭代后最优解不变作为结束搜索的条件。

PSO同遗传算法类似，但是没有遗传算法的交叉以及变异操作，而是粒子即潜在的解在解空间追随最优的粒子进行搜索。因此，与遗传算法比较，其优势在于简单容易实现同时又有深刻的智能背景。

2交叉口实时模糊控制

对于交通流波动较大、随机性较强的平峰时段，以交叉口实时变化的交通量和短时交通量的预测值为依据，根据模糊控制理论，进行信号绿灯时间资源的实时自适应优化分配，有效利用时间资源。

设当前相和后继相实时交通量分别为q和q_s，后继相预测交通量为p_s，绿灯时长为e，则e＝fc(q，q_s，p_s)。fc是待设计的三维模糊控制器，q、q_s和p_s是模糊控制器的输入变量，e是其输出。

控制过程如下：将精确的输入量(q，q_s，p_s)进行模糊量化处理变成模糊量，激活规则库中的相应模糊控制规则，进行模糊推理得到模糊控制量，再经清晰化处理转为精确量e，控制信号驱动电路。

该交通信号模糊控制器将短时交通量的预测值做为控制器输入之一，融合了预测控制的思想；此外采用遗传算法离线优化模糊控制规则库，进一步改善和提高了交叉口的模糊控制性能。

●小波分析-神经网络短时交通量预测模型

交通量预测值p_s的准确与否对于模糊控制器的性能有重要的影响。用于交叉口信号配时优化的交通量预测，预测时间间隔非常短，交通流量的不确定性很强，本发明运用小波分析-神经网络复合预测模型对交叉口短时交通量进行预测，所得到的交叉***通量预测值直接作为交通信号模糊控制器的输入，服务于信号配时。

小波分析-神经网络预测方法首先用小波函数对交通量数据进行多分辨率的分解，将表达交通流本质变化趋势的低频信号与高频干扰信号相分离，而后对基本信号和不同分辨率的干扰信号建立神经网络预测模型，最后外推出预测结果并进行合成，从而得到交通量的预测结果。步骤如下：

(1)小波分解。选用某一小波函数对交通量时间序列进行多分辨率的分解，设分解尺度为N，分解后分解系数由两部分组成：尺度N的低频系数向量a_N和N个不同尺度下的高频系数向量d_N，d_N-1，…d₁。N大小与采样时间间隔有关，采样间隔越短N应越大。因为，信号的采样间隔越短，随机性越强，高频杂波干扰分量就越多，因此也就需要更多层次的分解，才能把趋势信号从层层高频干扰信号中抽取出来。

(2)小波重构。用指定的小波函数分别对信号的低频部分a_N和高频部分d_N，d_N-1，…d₁进行多尺度重构，得到N+1个时间序列v_N，w_N，w_N-1，…w₁，其中v_N是低频信号，反映交通流本质变化趋势，w_i(i＝1，2，...，N)是高频干扰信号。

(3)对上述N+1个重构的时间序列分别建立神经网络预测模型。

(4)预测。使用神经网络模型进行预测，得到N+1个预测结果(i＝1，2，，...，N)。

(5)合成。将上述N+1个预测结果累加，获得对应于原始交通量的预测结果，即

$\tilde{x}={\tilde{v}}_N+\underset{i}{\overset{N}{\mathrm{\Σ}}}{\tilde{w}}_i$

●基于遗传算法的模糊控制规则优化

模糊控制器的核心部分是模糊控制规则，一般根据现有经验和直观考察给出一个确保安全和大致合理的语言控制规则，再根据***的行为品质调整。设变量q，q_s，p_s在其论域上定义五个模糊子集，e在论域上定义七个模糊子集，控制规则最多有5*5*5＝125条，因而规则库有125⁷种可能的组合。对设计者来说，要准确定出所有规则的后件，其难度可想而知。由于遗传算法(Genetic Algorithm，GA)采用种群的方式进行搜索，一次可提供多个较优的规则库以供参考，为了进一步改善和提高交叉口的模糊控制性能，应用遗传算法离线优化模糊规则库。

一条规则的后件对应染色体的一个基因，用一位1～7的十进制整数表示，一个规则库中所有规则的后件表示为一个染色体，用125位十进制数表示。

优化的目标是找到一组规则使平均车辆延误J最小。设初始等待车辆为q₀，第i周期第j相位的车辆延误总和为d_ij，到达车辆为c_ij，目标函数为M个周期的平均车辆延误，则

$J=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{4}{\mathrm{\Σ}}}{d}_{\mathrm{ij}}/(q_0+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{4}{\mathrm{\Σ}}}{c}_{\mathrm{ij}})$

用遗传算法优化模糊控制规则的算法如下：

(1)初始化种群；

(2)染色体解码为规则，计算每个染色体的适配值；

(3)若已收敛或进化代数达到预先设定值，则结束；

(4)使用选择、交叉、变异算子产生新一代，转(2)；

染色体c的适配值fit(c)＝J_max-J_c，J_max是当代或到目前为止的各代种群中目标函数的最大值。选择采用基于适配值的比例选择法。为保证算法的收敛性，还使用择优策略，即将上代最好的染色体保留到当前新的群体中。交叉采用均匀杂交，随机产生与染色体等长的二进制杂交模板，0表示对应位不交换，1表示交换。然后根据模板对两个父代施行杂交，产生两个后代。均匀杂交能搜索到点式杂交无法搜索到的模式，比较合适用于较小的群体规模。而点式交叉搜索到的模式比较少，在群体规模较小时，其搜索能力将受到一定的影响。

变异算子使用启发式变异，对适应值大的个体在较小范围内搜索，而对适应值小的个体在较大范围内搜索。设染色体p＝(v₁，v₂，...，v_n)，第k个基因v_k被选中变异，变异后的染色体p′＝(v₁，...，v_k′，...，v_n)，

$v_k^{\&prime;}=\left\{\begin{array}{cc}{v}_k+\mathrm{\&Delta;}(\mathrm{fit}\left(p\right),7-v_k)& r\&GreaterEqual;0\\ v_k-\mathrm{\&Delta;}(\mathrm{fit}\left(p\right),v_k-1)& r<0\end{array}\right.$

$\mathrm{\&Delta;}(f,y)=y*(1-{\mathrm{\&delta;}}^{{(1-\frac{f}{f_{\max }})}^2})$

其中r为随机数，δ为[0，1]区间上的随机数，f_max为当前群体的最大适应值。函数Δ(f，y)的值域为[0，y]，当f增大时，Δ(f，y)趋近于0的概率增大，即当f增大时，变异操作对v_k的影响减小。这样定义的变异算子将保护较好的解，使搜索在其较小的领域内进行，而对适应值低的染色体，搜索的领域较大。这样使得变异能根据解的质量自适应地调整搜索区域，从而能较明显地提高搜索的能力。

为了防止早熟收敛现象，采用如下方法：如果在进化过程中，最优解连续N代没有得到改善，则采用下式增大变异概率以增加个体的适应值：

p_m＝P_m*1.1

遗传算法计算量大，收敛慢，显然不适于在线进行规则优化。但是采用离线优化，当交通条件发生变化时，优化后的规则可能已失去原有的优势，采用以下两个方法解决这一问题：

(1)根据不同路口或不同时段(季节变换，节假日与平时，交通流高峰与平峰)的交通流特性，由GA优化得到多个规则库。实际应用中可在不同路口或不同时段，启用合适的规则库，以得到更好的符合实时交通流的控制效果。

(2)根据路口的交通流特性，定期或不定期由GA优化得到最新的规则库，与现有的规则库比较，当两个规则库的差异达到设定的阀值时，用最新规则库取代原有的规则库，否则仍使用原规则库。设d为两个规则库的差异，d_i是第i条规则的距离，即同一规则(前件相同)后件之间的距离，如海明距离、欧氏距离等，λ为阀值，令

$d=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{d}_i{w}_i$

其中，N为规则总数，w_i为规则的权重，表示规则的常用程度，越经常被使用的规则，权重越大，其值可根据规则被使用的历史信息计算得到。当d＞λ时，替换原规则库，否则不更换规则库。

有益效果：单点信号控制交叉口的一种混合控制方法。该方法根据实时交通信息和短时交通量预测值，使用范例推理判断交叉口当前交通状态。针对不同交通状态自动选择定时控制或具有自适应能力的模糊控制。这样做的优点在于交叉口运行模式并非根据内置时间表定时转化，而是由当前交通流运行特征确定，避免交通流运行特征改变而内置时间表与之不匹配带来的问题。

对于交叉口高峰状态，采用定时控制。在交叉口信号相位相序给定的条件下，考虑机动车与非机动车的延误(服务水平)约束条件，机动车通行能力最大建立优化模型，利用粒子群优化算法对该模型进行寻优，得到单交叉路口多相位混合交通流控制的信号周期及信号配时参数。其优点在于，配时模型针对我国的交通特点，同时考虑了机动车与非机动车的延误，能够优先保证高峰状态下，机动车在交叉口的通行能力，同时又兼顾了非机动车的利益，降低由于非机动车等候过长闯红灯引起的交通事故发生率。此外，高峰状态下采用定时控制，可以避免自适应控制频繁变换信号周期、绿信比或相位差可能引起的交通混乱，造成交通拥挤堵塞，增加时间延误。

对于交叉***通平峰状态，采用模糊控制。模糊控制中融合了预测控制的思想，以交叉口实时变化的交通量和短时交通量的预测值为输入，进行信号绿灯时间资源的实时自适应优化分配。采用遗传算法离线优化模糊控制规则库，进一步改善和提高交叉口的模糊控制性能。其优点在于，平峰状态下交通流随机性较大、不确定性较强，模糊控制使路***通信号配时适应交通流量的动态需求，避免红灯向车辆排队等候而绿灯向无车辆通过的不合理现象，可有效减少绿灯资源的浪费。

附图说明

图1为单交叉口混合控制方法的流程图。其中实线表示控制流，虚线表示数据流。

图2为三维交通信号模糊控制器的结构示意图。其中有：当前相实时交通量q、后继相实时交通量q_s、后继相预测交通量p_s、后继相绿灯时长e.

具体实施方式

如图1所示，各部分的实施过程如下。

实时信息采集：运用地感线圈或者视频采集设备获得交叉口实时交通流信息，包括交通流量、速度、车道占有率、车头时距，采样步长可设为30秒或1分钟。

范例库：范例库范例推理中最重要最基本的知识库。连续一周或更长时间采集交叉口实时交通流信息，采用基于距离的聚类分析，如K-均值方法或K-中心方法，将上述数据聚类为两类，即交叉口运行状态分为高峰和平峰两类。值得注意的是，需要将工作日和非工作日数据分别聚类。选择典型范例(靠近聚类中心的范例)离线建立范例库，以十字路口为例，每个范例属性包括交叉口四个进口道的交通流量、速度、车道占有率、车头时距，加上是否工作日和交通状态类别，共18个属性，每个连续属性都已经规范化为0和1之间的数，离散属性用0或1表示，如属性“是否工作日”以1表示是，0表示否，“交通状态类别”以1表示高峰，0表示平峰。考虑检索效率和准确性，工作日每类存储500例左右，非工作日每类存储200例左右。

范例检索：根据所采集的交通流特征数据和是否工作日，到范例库中查找相似范例，采用欧氏距离度量范例之间的相似程度，取最相似的n个范例，其中n取为奇数，如取n＝5，采用多数表决方法确定交叉口当前的运行状态。

交叉口模式判断：范例检索得到的交叉口当前运行状态和当前控制方式之间有四种可能：

如果当前交通状态为高峰而当前控制方式为定时：高峰时段采用定时控制方式，两者是一致的，控制方式无需改变。但是，根据高峰时间段机动车通行能力最大的优化模型所得的信号配时参数有可能与当前采用的配时方案不同，当计算所得的信号周期与原信号周期之间大于10秒时(两者之差可根据交叉口实际情况设置)，启用新的信号配时方案。

如果当前交通状态为高峰而当前控制方式为模糊：两者冲突，检查最近连续5次的范例检索结果，如果其中至少4次属于高峰状态，则确定交叉口当前运行状态为高峰期，将控制方式从模糊控制切换到定时模式，否则维持原模糊控制方式不变。之所以选择5次，目的是使交叉口当前运行状态的判断更为可靠，从而避免两种控制方式之间频繁更换。

如果当前交通状态为平峰而当前控制方式为定时：两者冲突，检查最近连续5次的范例检索结果，如果其中至少4次属于平峰状态，则确定交叉口当前运行状态为平峰期，将控制方式从定时控制切换到具有自适应能力的模糊控制模式，否则维持原定时控制方式不变。

如果当前交通状态为平峰而当前控制方式为模糊：平峰采用模糊控制方式，两者是一致的，控制方式无需改变，继续使用模糊控制方案。

定时控制：建立高峰时间段机动车通行能力最大的优化模型，利用粒子群优化算法对上述模型进行寻优，得到单交叉路口多相位混合交通流控制的信号配时参数，包括信号周期、每一相位的绿时长。为稳定性考虑，在高峰时间段尽量少地改变信号配时参数，只有在当前计算所得的信号周期与原信号周期之间大于10秒时，才启用新的信号配时参数。

交通量预测：运用小波分析-神经网络复合预测模型对交叉口短时交通量进行预测，由后继相位最近4次的实时交通量得到交通量的预测值，即

x(t)＝f(x(t-4)，x(t-3)，x(t-2)，x(t-1))

x(t)直接作为交通信号模糊控制器的输入之一。

模糊控制：将采集的当前相实时交通量、后继相实时交通量、后继相预测交通量送入模糊控制器，根据模糊控制器的输出确定后继相的绿灯时长，由此对后继相位进行配时。控制器为三维模糊控制器，模糊规则已经运用遗传算法离线优化。

单点信号控制交叉口的混合控制方法的工作流程是：

步骤1.离线建立范例库。采集交叉口实时交通信息，包括交通流量、速度、占有率、车头时距，将交叉口运行状态分为高峰和平峰两类，使用聚类方法将上述所采集数据聚为两类，从每一类中选择典型范例(靠近聚类中心的范例)离线建立范例库。

步骤2.采集交叉口实时交通信息，包括交通流量、速度、占有率、车头时距，根据这些交通流运行特征，使用范例推理确定交叉口当前运行状态。

步骤3.确定交叉口控制模式。交通状态如果是高峰，则选择定时控制，否则采用具有自适应能力的模糊控制。模糊规则已经离线优化。

步骤4.重复步骤2。

Claims (5)

1.一种单点信号控制交叉口的混合控制方法，其特征在于该混合控制方法为：

1.)首先采集交叉口实时交通信息，使用聚类方法将上述所采集的交叉口实时交通信息的数据聚为两类，分别表示交叉口的高峰状态和平峰状态，

2.)从每一类中选择靠近聚类中心的典型范例离线建立范例库，

3.)通过范例检索确定交叉口当前交通状态：根据所采集的交通流量、速度、车道占有率、车头时距和工作日或非工作日属性，到范例库中查找相似范例，采用欧氏距离度量范例之间的相似程度，取最相似的n个范例，其中n为奇数，采用多数表决方法确定交叉口当前运行状态，

4.)根据当前交通状态和当前所用信号控制模式之间的不同组合，选择定时控制或模糊控制；定时控制考虑机动车与非机动车的延误约束条件，以机动车通行能力最大为目标进行信号配时；模糊控制采用三维交通信号模糊控制器，其输入是交叉口当前相实时交通量、后继相实时交通量、后继相预测交通量，输出为后继相的绿灯时间，其中模糊控制器所用的模糊规则已经离线优化。

2.按权利要求1所述的单点信号控制交叉口的混合控制方法，其特征在于离线建立范例库的方法为，连续一段时间采集交叉口实时交通信息，包括交通流量、速度、车道占有率、车头时距，采用K-均值方法或K-中心方法的聚类分析方法对上述所采集的交叉口实时交通信息的数据聚类，聚类的个数为2，即交叉口的运行状态分为高峰和平峰两类，将工作日和非工作日数据分别聚类；选择靠近聚类中心的范例建立范例库，每个范例属性包括交叉口各个方向的交通流量、速度、车道占有率、车头时距、是否工作日和交通状态类别，每个属性都已经规范化为0与1之间的数。

3.按权利要求1所述的单点信号控制交叉口的混合控制方法，其特征在于根据交叉口当前交通状态和当前所用信号控制模式之间的不同组合选择定时控制或模糊控制的方法如下，

如果交叉口当前运行状态为高峰而当前控制模式为定时，高峰时段采用定时控制模式，两者是一致的，控制模式无需改变；但是，根据高峰时间段机动车通行能力最大的优化模型所得的信号配时参数有可能与当前采用的配时方案不同，当计算所得的信号周期与原信号周期之间大于10秒时，启用新的信号周期和各个相位的信号配时方案；

如果交叉口当前运行状态为高峰而当前控制模式为模糊，两者冲突，检查最近连续5次的范例检索结果，如果其中至少4次属于高峰状态，则确定交叉口当前运行状态为高峰期，将控制模式从模糊控制切换到定时模式，否则维持原模糊控制模式不变；

如果交叉口当前运行状态为平峰而当前控制模式为定时，两者冲突，检查最近连续5次的范例检索结果，如果其中至少4次属于平峰状态，则确定交叉口当前运行状态为平峰期，将控制模式从定时控制切换到具有自适应能力的模糊控制模式，否则维持原定时控制模式不变；

如果交叉口当前运行状态为平峰而当前控制模式为模糊，平峰状态采用模糊控制模式，两者是一致的，控制模式无需改变，继续使用模糊控制模式。

4.按权利要求1或3所述的单点信号控制交叉口的混合控制方法，其特征在于所述的定时控制的方法为，在交叉口信号相位相序给定的条件下，考虑机动车与非机动车的延误约束条件、机动车通行能力最大建立优化模型，利用粒子群优化算法对该模型进行寻优，得到信号周期及各个相位的信号配时参数，由此驱动交通信号灯。

5.按权利要求1所述的单点信号控制交叉口的混合控制方法，其特征在于后继相的预测交通量运用小波分析一神经网络复合预测模型进行预测，首先用小波函数对交通量数据进行多分辨率的分解，将表达交通流本质变化趋势的低频信号与高频干扰信号相分离，而后对分离出的低频信号与高频干扰信号建立神经网络预测模型，最后外推出预测结果并进行合成，从而得到交通量的预测结果；该交通量的预测结果直接送入三维交通信号模糊控制器的一个输入端。

Images