CN100533475C - 基于粒子群算法的交通信号离线配时优化方法 - Google Patents

Abstract

一种基于粒子群算法的交通信号离线配时优化方法，采用实数编码方式表示区域内各信号交叉口的各相位绿灯时间，在粒子群算法求解过程中，不同的配时方案对应于不同的粒子，每个粒子的适应度利用微观交通模拟获取的总延迟时间进行评价，最后得到的具有最小延迟时间的粒子即为最优的配时方案。与已有的离线配时技术相比，本发明提供一种编码形式简单、需要调整的参数较少、计算速度较快的信号配时智能优化方法。

Description

基于粒子群算法的交通信号离线配时优化方法

技术领域

本发明涉及区域交通信号离线配时方案的粒子群优化技术和流程。它适用于城市区域信号交叉口的配时及优化。

背景技术

城市交通信号控制主要指城市道路各个交叉路口的交通信号灯控制，通过信号灯的配时对交通流进行调节、警告和诱导以达到改善人和货物的安全运输，提高运营效率。交通信号控制方式可分为2大类：离线配时和在线配时。

离线配时属于信号控制的第一代技术，它是根据一天内交通流历史数据计算路口的信号周期和各方向绿灯时间的长度，信号灯根据输入的配时方案自动进行切换，或是采用TOD(Time Of Day)多时段配时，根据流量的变化，把一天分为几个时段，每个时段内分别计算信号周期及各相位绿时。离线控制简单、可靠、经济，但不能及时响应交通流的随机变化。

在线配时属于信号配时的第二代技术，是一种实时技术，通过铺设在各路口地下的检测器，实时采集交通数据，利用自控、***辨识、电子等技术，在线对配时参数进行优化，通过控制器对信号灯进行控制。在线配时能够及时响应交通流的随机变化，但控制复杂、可靠性差、维护困难、费用高。

在线实时控制技术是当前交通控制的研究热点。然而，由于交通***的复杂性、不确定性、随机性以及实时控制技术的不完善，目前实时配时优化的性价比并不高；另外，在实时控制的过程中，路口检测器积累的大量交通流历史数据，由于实时配时对响应时间的要求及技术的限制，大部分历史数据都没有被利用。

目前，伴随着数据挖掘、智能计算、机器学习等计算机技术的不断发展和完善，利用交通流历史数据和各种信息技术提高离线配时的优化效果重新引起学者的注意。基于数据驱动和遗传计算的离线配时优化方法均已有实现，并且通过试验已证实了这些技术的有效性。

然而，遗传算法一般采用二进制进行编码，编解码过程较复杂，需要调整的参数较多(包括复制、交叉、变异等算子的设置)，迭代时间较长并且得到的优化配时方案不够精确。

发明内容

本发明的技术解决问题：克服现有技术的不足，提供优化配时精确、优化过程更简单，需要调整的参数更少，配时效率提高的基于粒子群算法的交通信号离线配时优化方法。

本发明的技术解决方案：基于粒子群算法的交通信号离线配时优化方法，其特点在于主要包括以下步骤：

(1)获取研究区域的道路、交叉口、车辆、驾驶员等相关参数，利用交通建模软件(如：TransCAD、TSIS/ITRAF等)进行路网建模。

(2)设定粒子群算法的参数，所述的参数包括粒子个数，粒子长度(即粒子维数，等于各信号交叉口的相位数之和)，粒子各维的最大速度V_max，粒子各维位置的范围[X_min，X_max](即各相位绿时的范围)，自适应调整惯性权重的范围[W_min，W_max]，学习因子c₁和c₂，最大迭代次数Maxlter，相邻两次迭代的适应度最小变化量CutOff。

(3)利用随机数函数产生每个粒子各维位置和速度的初始值x_id ⁽¹⁾和v_id ⁽¹⁾，要求分别满足条件：X_min<x_id ⁽¹⁾<X_max，v_id ⁽¹⁾<V_max。令迭代次数t＝1，迭代开始。

(4)对于每个粒子：

将其对应的信号配时方案置入交通微观模拟软件(如：VisSIM，TSIS/CorSIM，Synchro/SimTraffic等)，利用步骤(1)产生的路网建模文件，由模拟软件进行交通模拟。

从模拟输出的性能指标中得到第t次迭代的总延迟时间d^(t)，将d^(t)作为该粒子的适应度评价值。

比较总延迟时间和该粒子历史上最小总延迟时间，若d^(t)<pBest，并且粒子各维位置处于适宜解空间内，即X_min<x_id ^(t)<X_max，则pBest＝d^(t)。

(5)从所有粒子中选择个体极值pBest最小的粒子作为全局极值gBest对应的粒子。

(6)根据下面惯性权重范围和最大迭代次数之间的线性递减关系，计算第t次迭代的惯性权重w^(t)值。

$w^{\left(t\right)}=\frac{W_{\max }-W_{\min }}{\mathrm{MaxIter}}\&CenterDot;(\mathrm{MaxIter}-t)+W_{\min }$

(7)根据下面的公式更新每个粒子各维位置和速度，获取新的位置x_id ^(t+1)和速度v_id ^(t+1)。

$v_{\mathrm{id}}^{(t+1)}=w^{\left(t\right)}\&CenterDot;v_{\mathrm{id}}^{\left(t\right)}+c_1\&CenterDot;\mathrm{rand}\left(\mathrm{}\right)\&CenterDot;({\mathrm{pBest}}_{\mathrm{id}}-x_{\mathrm{id}}^{\left(t\right)})+c_2\&CenterDot;\mathrm{Rand}\left(\mathrm{}\right)\&CenterDot;({\mathrm{gBest}}_d-x_{\mathrm{id}}^{\left(t\right)})$

$x_{\mathrm{id}}^{(t+1)}=x_{\mathrm{id}}^{\left(t\right)}+v_{\mathrm{id}}^{\left(t\right)}$

上式中，rand()和Rand()为两个取值在[0，1]之间的随机数。

(8)如果t＝Maxlter，或者，相邻两次迭代的全局极值之差小于适应度最小变化量CutOff，则全局极值gBest对应的粒子结果即是最优的区域各信号交叉口配时方案；否则，t＝t+1，返回步骤(4)。

(9)调用交通可视化动态模拟软件(如：TSIS/TRAFVU，SimTraffic等)，动态演示信号优化配时结果，包括车辆的行驶状态、队列情况、堵塞程度、信号灯变化等。

本发明的原理：粒子群算法是由Kennedy和Eberhart等于1995年提出的一种演化计算技术。其核心思想是对生物社会性行为的模拟。其最初设想是模拟鸟群捕食的过程，在研究过程中，将其应用于各种问题的优化取得了良好效果。假设一群鸟在捕食，其中的一只发现了食物，则其他一些鸟会跟随这只鸟飞向食物处，而令一些会去寻找更好的食物源。在捕食的整个过程中，鸟会利用自身的经验和群体的信息来寻找食物。粒子群算法从鸟群的这种行为得到启示，并将其用于优化问题的求解。在粒子群算法中，每个问题的解都被看作搜索空间中的一只鸟，称为“粒子”。粒子的状态好坏，用由被优化问题决定的适应度值表示。每个粒子还有一个速度决定粒子飞翔的方向和距离。粒子追随当前的最优粒子在解空间进行搜索。当求解一个问题的时候，将该问题采用一定的编码方法编码成粒子，然后按照粒子群算法的机理进行迭代运算。

对于信号交叉口来说，各相位时间主要包括绿灯时间、黄灯时间、全红时间，其中黄灯和全红时间一般为定值，如分别给定3秒和1秒，基于粒子群算法的信号配时优化主要针对各相位的绿灯时间。

设研究区域有n个信号交叉口C_i，i＝1，2，...，n，则粒子群算法中每个粒子(Particle)可以编码为：

Particle＝<C₁，C₂，…，C_n>，且 $C_i=<g_i^1,g_i^2,\&CenterDot;\&CenterDot;\&CenterDot;,g_i^{m_i}>$

上式中，m_i为交叉口i的相位数，

表示第i交叉口第j相的绿灯时间，每个粒子的长度为

在优化过程中，各粒子的评价利用对相应的配时方案进行微观交通模拟得到的某性能指标作为适应值，如：总旅行时间，总延迟时间、排队长度等。这里以微观模拟得到的总延迟时间作为各粒子的评价值。

在标准粒子群优化算法中，由于算法加入的随机因素，使优化得到的各粒子位置和速度具有出现负数或大数值的情况，而相位的绿灯时间一般设定在[1，120]秒的范围内，因此有必要在优化过程中考虑位置和速度取值的约束条件。利用粒子群算法解决带约束的非线性优化问题，一般认为可以有四类方法处理约束：基于保留适宜解的方法，基于罚函数的方法，基于区分适宜解和非适宜解的方法，以及其它混合方法。其中，保留适宜解的方法是一种最直接的解决约束条件的方法，利用这种方法，每个粒子可以在整个解空间内进行搜索(更新位置和速度)，但在保留历史自身认知(个体极值)和社会认知(全局极值)能力方面，只追踪那些处于可行解空间内的粒子；同时，为加速优化进程，在初始化时，所有粒子都采用在适宜解范围之内的随机初始解。

结合交通路网建模、带约束条件的粒子群算法和利用微观交通模拟得到适应度的评价结果，本发明给出了基于粒子群优化的交通信号配时方法。

本发明与已有的交通信号离线配时技术相比：本发明基于粒子群的信号配时方法编码形式、优化过程更简单，需要调整的参数更少，收敛速度更快，因此，其优化配时精确、效率提高更明显。

附图说明

图1为本发明的流程图。

图2为北京市某信号交叉口道路示意图。

图3为图2的交叉口采用本发明的信号优化配时方法与现有配时方法的性能比较。

具体实施方式

以北京市某信号交叉口的配时方案优化为例具体说明。图2为该交叉口的道路示意图。利用本发明所述方法对该交叉口进行配时方案优化时，指定的粒子群算法各相关参数值见表1。

表1 对信号交叉口配时方案优化时粒子群算法相关参数设置

 

参数	取值	参数	取值
				粒子个数	50	惯性权重范围	[0.9，0.4]
粒子长度	4	学习因子	c<sub>1</sub>＝c<sub>2</sub>＝2
				最大速度	110	最大迭代次数	1000
位置范围	[0，120]	最小变化量	0.01

在保持道路参数，交叉口相位个数和各相位允许的交通流向，车辆和驾驶员相关参数不变的情况下，四个入口道路流量分别采用13:00～13:15时段环形线圈检测器多天检测流量的平均流量、最小流量(平均流量-3倍标准差)、最大流量(平均流量+3倍标准差)，利用粒子群算法，得到了该时段采用三种流量的配时优化方案结果(表2)，表中的平均流量现有配时方案是通过相关交管部门获取的。

表2 该信号交叉口13:00～13:15时段粒子群优化配时方案结果(单位：秒)

将上述平均流量的现有配时方案和优化配时方案分别输入微观模拟软件进行交通状况模拟运行，可以获取当四个入口道路输入平均流量时两种方案的交叉口各项性能指标。表3给出了在13:00～13:15时段这两种配时方案所有车辆累计总延迟时间、所有车辆累计总耗费油量、所有车辆平均每公里CO(一氧化碳)排放量等三项指标结果，图3是以现有配时方案的性能指标结果为基数，粒子群优化方案的各指标结果减少比例，其中优化方案的总延迟时间相对于现有方案减少了12.7％，总耗费油量减少了1.7％，每公里CO排放量减少了2.3％。

可以看出，采用粒子群算法优化配时方案时，整个交叉口的延迟时间、油料耗费和尾气排放情况均有不同程度地改善，其中用于决定信号交叉口服务水平的主要因素——延误时间相对于现有配时方案减少了12.7％，说明采用优化方案可以有效地提高该信号交叉口的通行能力。

表3 在平均流量下该交叉口信号配时现有方案和优化方案模拟运行的性能指标结果

 

	总延迟时间(单位：分钟)	总油料耗费(单位：升)	平均CO排放(单位：克/公里)
				平均流量现有方案	874.8	254.07	94.43
平均流量优化方案	763.8	249.72	92.12

Claims (3)

1、一种基于粒子群算法的交通信号离线配时优化方法，其特征在于主要包括以下步骤：

(1)设研究区域有n个信号交叉口C_i，i＝1，2，...，n，则粒子群中每个粒子Particle编码为：

Particle＝<C₁，C₂，…，C_n>，且 $C_i=<g_i^1,g_i^2,\&CenterDot;\&CenterDot;\&CenterDot;,g_i^{m_i}>$

上式中，m_i为交叉口i的相位数，

表示第i交叉口第j相的绿灯时间，每个粒子的长度为

同时设定粒子群算法的参数，所述的参数包括粒子个数、粒子长度，即粒子维数等于各信号交叉口的相位数之和、粒子各维的最大速度V_max、粒子各维位置的范围[X_min，X_max]，即各相位绿时的范围、自适应调整惯性权重的范围[W_min，W_max]、学习因子c₁和c₂、最大迭代次数Maxlter及相邻两次迭代的适应度最小变化量CutOff；

(2)利用随机数函数产生每个粒子各维位置和速度的初始值x_id ⁽¹⁾和v_id ⁽¹⁾，令迭代次数t＝1，粒子群优化开始；

(3)对于每个粒子：将其对应的信号配时方案进行交通模拟，从模拟输出的性能指标中得到第t次迭代的总延迟时间d^(t)，将d^(t)作为该粒子的适应度评价值；比较总延迟时间和该粒子历史上最小总延迟时间，若d^(t)<pBest，并且粒子各维位置处于适宜解空间内，即X_min<x_id ^(t)<X_max，则pBest＝d^(t)，pBest为个体极值；

(4)从所有粒子中选择个体极值pBest最小的粒子作为全局极值gBest对应的粒子；

(5)根据下面惯性权重范围和最大迭代次数之间的线性递减关系，计算第t次迭代的惯性权重w^(t)值，

$w^{\left(t\right)}=\frac{W_{\max }-W_{\min }}{\mathrm{MaxItet}}\&CenterDot;(\mathrm{MaxIter}-t)+W_{\min }$

(6)根据下面的公式更新每个粒子各维位置和速度，获取新的位置x_id ^(t+1)和速度v_id ^(t+1)，

$v_{\mathrm{id}}^{(t+1)}=w^{\left(t\right)}\&CenterDot;v_{\mathrm{id}}^{\left(t\right)}+c_1\&CenterDot;\mathrm{rand}\left(\right)\&CenterDot;(p{\mathrm{Best}}_{\mathrm{id}}-x_{\mathrm{id}}^{\left(t\right)})+c_2\&CenterDot;\mathrm{Rand}\left(\right)\&CenterDot;({\mathrm{gBest}}_d-x_{\mathrm{id}}^{\left(t\right)})$

$x_{\mathrm{id}}^{(t+1)}=x_{\mathrm{id}}^{\left(t\right)}+v_{\mathrm{id}}^{\left(t\right)}$

上式中，rand()和Rand()为两个取值在[0，1]之间的随机数；

(7)如果t＝Max/ter，或者，相邻两次迭代的全局极值之差小于适应度最小变化量CutOff，则全局极值gBest对应的粒子结果即是最优的区域各信号交叉口配时方案；否则，t＝t+1，返回步骤(4)。

2、根据权利要求1所述的基于粒子群算法的交通信号离线配时优化方法，其特征在于：所述的初始值x_id ⁽¹⁾和v_id ⁽¹⁾分别满足条件：X_min<x_id ⁽¹⁾<X_max，v_id ⁽¹⁾<V_max。

3、根据权利要求1所述的基于粒子群算法的交通信号离线配时优化方法，其特征在于：所述的交通模拟是获取研究区域的道路、交叉口、车辆、驾驶员相关参数，利用交通建模软件进行路网建模。

Images