CN102034359A - 一种网络化分层递阶公交优先信号协调控制方法 - Google Patents

Abstract

本发明是一种网络化分层递阶公交优先信号协调控制方法，包括中心组织层对交通信号控制任务进行分解，发送信号协调控制目标到区域协调层，并根据路口控制效果学习结果调度信号控制算法；区域协调层按中心组织层的控制目标，结合区域内现场执行层的各路***通拥堵改善趋势和相邻路口各相位的最大拥堵级别差和公交延误情况来确定是否进行现场执行层信号控制算法调整，并计算区域内路口各相位最大绿灯时间，按最大绿灯时间之比来调整各路口定时控制周期各相位信号配时；现场执行层运行默认的定时信号控制算法，并接收添加公交优先支持的模糊控制和感应控制及排队长度信号控制算法来进行公交优先信号控制；通过网络化分层递阶信号协调控制。

Description

一种网络化分层递阶公交优先信号协调控制方法

技术领域

本发明属于交通信号控制技术领域，涉及到一种网络化分层递阶公交优先信号协调控制方法。

背景技术

大力发展公共交通是解决大中城市交通拥堵的重要手段，有助于改善环境、节能减排。公交优先作为公共交通发展方向之一受到广泛重视，具有公交信号优先功能的信号控制***设计具有很高的效费比，是各国发展公共交通的重要措施。

在现有的公交优先***设计中，大多是针对给定的公交线路进行设计，针对信号配时进行离线优化，在信号优先的相位控制方法上多采用绿灯延长、绿灯提前的方式。研究表明在交通流量变化不大的情况下采用静态离线优化方式可取得较好效果，但离线优化学***衡公交和社会车辆方面缺乏评价指标体系，缺乏动态调节能力。

现阶段已有包括SCOOT、SCAT等交通信号控制***，具备一定区域性、网络化的公交信号优先控制功能，具备一定的在线协调能力。但这些***由于商业保密性不能开放接口，多是需要针对不同交通环境进行大量调查，由专业人员进行实施，缺乏对不同交通环境的可定制性、自适应性和智能性，不能很好地满足我国特有的复杂的交通环境的需求。

发明内容

(一)要解决的技术问题

本发明的目的是要克服单路口和基于干线协调的公交优先的不足，在网络范围内以较小的对社会交通影响代价，实现公交优先信号控制，最大限度地发挥信号控制***的调节作用，为此本发明一种基于网络化分层递阶控制技术的信号控制方法。

(二)解决问题的技术方案

为了实现所述的目的，本发明提供一种网络化分层递阶公交优先信号协调控制方法，所述方法包括：

步骤SA：使用网络化分层递阶公交优先信号协调控制***，所述***分为中心组织层、区域协调层和现场执行层；

步骤SB：中心组织层进行公交优先控制任务规划和目标分解，中心组织层中的离线学习模块结合交通知识库和信号控制算法与路口特征库进行学习，将控制任务分解为区域协调参数及区域控制目标，结合在线学习模块学习结果从信号控制算法与路口特征库中选择区域内路口适应度最大的信号控制算法，并同区域协调参数及区域控制目标下发到区域协调层；同时，中心组织层从区域交通信息获取模块获取各区域交通流量信息放入交通知识库，进行离线学习；

步骤SC：区域协调层的协调控制学习与评估模块接收中心组织层的区域控制目标，控制算法缓存接收区域内适用的信号控制算法，协调控制学习与评估模块完成区域协调控制的在线学习与控制效果评估功能，结合区域交通信息获取模块所接收的现场执行层各路***通拥堵改善趋势和相邻路口各相位的最大拥堵级别差和公交延误情况来确定是否进行信号控制算法调整，并计算区域内路口各相位最大绿灯时间，按最大绿灯时间之比来调整路口定时控制周期各相位信号配时；通过区域协调控制算法处理模块给现场执行层分派控制参数和控制算法，实现对区域内的路口信号进行协调控制，完成公交优先区域协调控制功能；交通信息获取模块获取各区域交通流量信息并发送给中心组织层；

步骤SD：现场执行层运行默认的定时信号控制算法，信号控制算法容器接收区域协调层发送的信号控制算法与控制参数并提供信号控制算法在线切换功能，通过接收添加公交优先支持的模糊控制和感应控制以及排队长度控制算法来进行公交优先信号控制，通过信号控制执行模块完成路口的交通信号控制并实现公交优先功能支持，路***通信息获取模块完成交通信息采集并将提交区域协调层。

其中，离线学习模块针对不同路口在24小时典型时段下交通流的信号控制算法的控制效果进行离线学习，根据学习结果对信号控制算法进行调度来实现按路口需求优化控制；采用遗传算法将运行默认的定时控制算法、模糊控制算法、感应控制算法以及排队长度控制算法效果归一化，并分别给予0.25的权系数来计算信号控制算法分配的适应度，所述适应度的计算步骤如下：

步骤SB1：对运行默认的定时控制算法、模糊控制算法、感应控制算法以及排队长度控制算法效果的系数做初始化，生成四个22位的二进制数串；

步骤SB2：分别计算四个二进制数串的适应度：

若适应度的种群代数达到150代，取出适应度最大的二进制数串作为最后适应度的结果，结束；

若适应度的种群代数小于150代，取出适应度最大的两个二进制数串作为父本，继续步骤SB3；

步骤SB3：随机产生一个小于22的随机数，将两父本在随机数位置上交叉生成新的两个二进制数串；

步骤SB4：随机产生一个随机数：

若随机数大于阀值，触发步骤SB4，随机产生一个不大于22的随机数，将新生成的二进制数串在该随机数位置上取反，转步骤SB2；若随机数小于阀值，转步骤SB2。

其中，结合步骤SB中在线学***均速度、路***通饱和度和路口平均车辆延误时间的控制效果评价指标对信号控制算法进行学习，通过设置评价指标阀值来选取特定路口特定时段最优信号控制算法，如果有多个可选或没有最优选时，则选择使用频率最高的信号控制算法。

其中，步骤SC中区域协调层计算区域内各路口各相位的最大绿灯时间是给每个路口初始设定绿灯时间调整经验基础值，通过获取拥堵情况和公交延迟得到路口各相位拥堵级别作为绿灯时间调整的参数，结合调整步长进行最大绿灯时间计算，通过与最小最大绿灯时间做比较，得出路口各相位的最大绿灯时间计算公式如下：

$\mathrm{MaxG}{T}_{\mathrm{PhN}}=\mathrm{Max}\{\mathrm{BaseT}+\mathrm{Step}$

$*[({\mathrm{Rank}}_{i,j,k}-\mathrm{BalanceT})*\mathrm{Weight}+({\mathrm{Rank}}_{i,j,k}^{\mathrm{up}}-\mathrm{BlanceT})$

$*{\mathrm{Weight}}_{\mathrm{up}}-({\mathrm{Rank}}_{i,j,k}^{\mathrm{down}}-\mathrm{BlanceT})$

$*{\mathrm{Weight}}_{\mathrm{down}}],\mathrm{MinMax}{\mathrm{GT}}_k\}$

MaxGT_PhN为路口第N个相位(PhN)的最大绿灯时间；

Weight表示当前路口参数权值，Weight_up和Weight_down分别表示前一个和后一个路口参数权值，为简单起见此处三者取相同值；

Step为调整步长，BaseT为绿灯时间调整经验基值，BlanceT为平衡值，防止最大绿灯时间控制发散；MinMaxGT_k为该相位最小最大绿灯时间；

式中：Rank_i，j，k＝IRank_i，j，k*Weight_i+BRank_i，j，k*Weight_b，

Rank_i，j，k路口各相位拥堵级别，i为路口号，j为方向，k为左转或直行标识，包括路口拥堵级别IRank_i，j，k和公交延迟BRank_i，j，k，Weight_i表示路口拥堵权值，Weight_b表示公交延迟权值。

其中，还包括区域协调层的区域内路口饱和度所对应的定时控制周期各相位信号配时长度学习算法是由区域协调层通过学习来设定不同级别的交通饱和度所对应的信号控制周期长度配时；在给定控制周期长度的基础上，通过设定最小搜索步长得到新的控制周期长度，并获取反馈的交通饱和度作为控制效果，进行控制周期的迭代调整，直到获得最好效果停止迭代，所述学习方法的具体步骤如下：

步骤SC1：给定路口定时控制周期T的搜索范围[T_min，T_max]最小的搜索步长Step_min，学习过程中一个策略的最大执行次数M，以及初始控制周期T₀和初始的搜索步长Step₀；

步骤SC2：当每次出现状态sa时，获取对应的状态sa，执行初始控制周期T₀，并记录其控制效果是下一次从现场执行层反馈的最大饱和度代入到评价函数的值；直至状态sa出现M次后，计算初始控制周期T₀的M次评价的控制效果，记为e₀；

步骤SC3：计算控制周期T₊＝T₀+Step₀，控制周期T_-＝T₀-Step₀，如果T₊＞T_max或T_-＜T_min则T₊＝Tmax或T_-＝Tmin；对状态sa分别执行控制周期T₊和T_-各M次，控制效果为e₊，e_-；

步骤SC 4：如果e₊＞e_-，并且e₊＜e₀，则初始控制周期T₀等于控制周期T₊，转向步骤SC3；

步骤SC5：如果e₊＜e_-，并且e_-＞e₀，则T₀＝T_-，转向步骤SC3；

步骤SC6：如果e₀＞e₊，且e₀＞e_-，如果|Step₀|＞Step_min，则Step₀＝Step₀/2，转向步骤SC3，否则搜索停止，最优控制周期为T^*＝T₀；

所述控制效果评价函数为：

$\left\{\begin{array}{c}10*\frac{\mathrm{sa}}{9},\mathrm{if\; sa}\∈\left[\mathrm{0,0.9}\right]\\ -10*(\mathrm{sa}-0.9)+1,\mathrm{if\; sa}\∈\left[\mathrm{0.9,1}\right]\\ \mathrm{error},\mathrm{if\; sa}\∈\mathrm{otherwise}\end{array}\right..$

其中，还包括现场执行层的支持公交优先信号控制的信号控制算法并实现算法切换的是在定时控制、感应控制、基于排队长度控制和模糊控制等路口信号控制算法中集成包括优先判别、交通流预测和控制策略选择算法来实现公交优先支持，当前信号控制算法退出运行前，会将包括当前路口绿时、最大绿时、当前相位号、上一相位号等路口控制状态，通过消息发送给默认控制算法，默认控制算法在接收到路口状态数据后接着上一秒的状态继续计算，当前信号控制算法退出时、在新的信号控制算法到来之前，由默认定时控制算法进行控制；当新的信号控制算法到达现场执行层并被激活后，发送到达消息给默认控制算法，然后接收默认控制算法传递的路网状态数据和下一个信号配时状态数据，接管路口信号控制，默认控制算法退出运行。

本发明的有益效果：实行网络化分层递阶公交优先信号协调控制之后，实现了交通信号控制分层划分与优化控制，较大幅度地提高了公交车辆在路口的一次性通过率，减少了公交车辆路口平均延误时间，减少公交车辆的平均停车次数，减少公交运行时间，带来较好的综合效益。

附图说明

图1是本发明实施例中网络化分层递阶公交优先信号协调控制***结构图。

图2是本发明实施例中公交优先信号中心组织层工作流程图。

图3是本发明实施例中公交优先信号区域协调层工作流程图。

图4是本发明实施例中公交优先信号现场执行层工作流程图。

图5是本发明实施例中公交优先信号控制算法工作流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

如图1所示，本发明的网络化分层递阶公交优先信号协调控制方法由不同层级的计算机分布式实现，不同层级的计算机中按照本发明的功能划分为中心组织层A1、区域协调层A2和现场执行层A3。各层都是基于代理技术(FIPA Agent)进行开发，可选择常见的、例如Jade代理开发平台。中心层数据库采用常见的、例如MySQL数据库。各层之间通讯可采用现有信号控制器网络通讯介质和方法。通过采用基于代理的编程技术，将各层具体职能和信号控制算法进行代理封装，各层运行的代理执行平台(例如Jade)运行一个代理容器为封装的代理提供运行环境，在同一层级中通过各职能代理交互完成各层功能，在不同层级中通过代理的消息传输和代理传输来完成分层递阶控制的功能。其中，信号控制算法被封装成代理，可以在各层级之间按需求进行传输。通过代理的协调和传输实现本专利的各层具体实施。

中心组织层A1中含有：控制算法与路口特征库A11、离线学习模块A12、交通知识库A13、在线学习模块A14和任务规划和目标分解模块A15，其中：

中心组织层A1进行公交优先控制任务规划和目标分解A15，中心组织层中的离线学习模块A12结合交通知识库A13和信号控制算法与路口特征库A11进行学习，将控制任务分解为区域协调参数及区域控制目标，结合在线学习模块A14学习结果从信号控制算法与路口特征库中选择区域内路口适应度最大的信号控制算法，并同区域协调参数及区域控制目标下发到区域协调层；同时，中心组织层从区域交通信息获取模块获取各区域交通流量信息放入交通知识库，进行离线学习；

区域协调层A2中含有：控制算法缓存A16、协调控制学习与评估模块A17、区域交通信息获取模块A18和区域协调控制算法处理模块A19，其中：

区域协调层的协调控制学习与评估模块A17接收中心组织层A1的区域控制目标，控制算法缓存A16接收区域内适用的信号控制算法，协调控制学习与评估模块A17完成区域协调控制的在线学习与控制效果评估功能，结合区域交通信息获取模块A18所接收的现场执行层A3各路***通拥堵改善趋势和相邻路口各相位的最大拥堵级别差和公交延误情况来确定是否进行信号控制算法调整，并计算区域内路口各相位最大绿灯时间，按最大绿灯时间之比来调整路口定时控制周期各相位信号配时；通过区域协调控制算法处理模块A19给现场执行层A3分派控制参数和控制算法，实现对区域内的路口信号进行协调控制，完成公交优先区域协调控制功能；交通信息获取模块获取各区域交通流量信息并发送给中心组织层；

现场执行层A3中含有：信号控制算法容器A20、信号控制执行模块A21和路***通信息获取模块A22，其中：

现场执行层A3运行默认的定时信号控制算法，信号控制算法容器A20接收区域协调层发送的信号控制算法与控制参数并提供信号控制算法在线切换功能，通过接收添加公交优先支持的模糊控制和感应控制以及排队长度控制算法来进行公交优先信号控制，通过信号控制执行模块A21完成路口的交通信号控制并实现公交优先功能支持，路***通信息获取模块A22完成交通信息采集并将提交区域协调层A2。

中心组织层A1进行公交优先控制任务规划和目标分解，按照不同交通流下的控制目标，将控制任务分解为区域不同的协调参数和区域内路口适用的不同信号控制算法。通过路口信号控制算法在线学习功能解决交通信号控制算法调度问题，结合历史数据学习，通过对控制效果设置阀值并结合算法使用频率，为特征路口选择合适的公交优先信号控制算法与区域协调目标参数通过区域协调层A2发送给相应的路口。如附图2所示公交优先信号中心组织层A1的工作流程图，其中：

步骤B11：中心组织层A1处理区域协调层A2的注册；

步骤B12：进行处理临近区域划分数据；

步骤B13：侦听来自区域协调层A2信息；

步骤B 14：根据区域协调层A2汇报的各个区域的拥堵级别等交通情况，调整区域之间的协调目标，即区域内路口的最大绿时参数和区域内路口的信号控制算法；

步骤B15：如有区域协调层A2请求算法更新，则判断区域协调层A2缓存中的信号控制算法是否满足区域内路口的信号控制需求；如不满足则执行步骤B16；

步骤B16：算法库中提供多种信号控制算法；

步骤B17：从算法库中选取合适信号控制算法发送到区域协调层A2。

中心组织层A1对区域内特征路口与控制算法性能进行离线学习。离线学习模块针对不同路口在24小时典型时段下交通流的信号控制算法的控制效果进行离线学习，根据学习结果对信号控制算法进行调度来实现按路口需求优化控制；采用遗传算法将运行默认的定时控制算法、模糊控制算法、感应控制算法以及排队长度控制算法效果归一化，并分别给予0.25的权系数来计算信号控制算法分配的适应度，所述适应度的计算步骤如下：

步骤SB1：对运行默认的定时控制算法、模糊控制算法、感应控制算法以及排队长度控制算法效果的系数做初始化，生成四个22位的二进制数串；

步骤SB2：分别计算四个二进制数串的适应度：

若适应度的种群代数达到150代，取出适应度最大的二进制数串作为最后适应度的结果，结束；

若适应度的种群代数小于150代，取出适应度最大的两个二进制数串作为父本，继续步骤SB3；

步骤SB3：随机产生一个小于22的随机数，将两父本在随机数位置上交叉生成新的两个二进制数串；

步骤SB4：随机产生一个随机数：

若随机数大于阀值，触发步骤SB4，随机产生一个不大于22的随机数，将新生成的二进制数串在该随机数位置上取反，转步骤SB2；若随机数小于阀值，转步骤SB2。

如附图3所示公交优先信号区域协调层工作流程图，其中：

步骤C11：区域协调层A2初始化；

步骤C12：接受现场执行层A3注册、管理区域内各路口的注册信息并实现区域划分；

步骤C13：定时接收来自中心组织层A1和现场执行层A3的消息；

步骤C14：判断是否为中心组织层A1控制消息，如果是中心组织层A1控制消息，则执行步骤C15，如果不是中心组织层A1控制消息，则执行步骤C16；

步骤C15：记录中心组织层A1的控制目标；

步骤C16：判断是否来自现场执行层A3的路口拥堵级别变化情况和公交延迟级别等消息，如果是现场执行层A3的消息，则执行步骤C17，如果不是现场执行层A3的消息，则执行步骤C13；

步骤C17：计算路口饱和度并向中心组织层A1汇报区域内的路口拥堵情况；

步骤C18：区域协调层A2从路口配时表中选择所记录的不同级别饱和度所对应的信号周期配时；

步骤C19：结合中心组织层A1的控制目标对路口各相位最大绿时重新计算，并分配控制周期；

步骤C20：判断是否有路口信号控制算法需要调整，如果需要调整，则执行步骤C21，如果不需要调整，则执行步骤C22；

步骤C21：如果当前路口各相位上的拥堵级别有一段时间内没有减轻，且当前路口上游和下游相邻路口各相位最大拥堵级别与本地路口拥堵级别差大于阈值，则按控制目标考虑开始调整当前路口信号控制算法；

步骤C22：按现有各个路口的各相位最大绿时比值对周期配时进行分割，将定时控制周期及各相位配时分发至现场执行层A3，向步骤C13发送路口发送配时参数消息；

步骤C23：在进行路口信号控制算法调整时，先从区域协调层A2的控制算法缓存池中查找是否有适合当前需求的信号控制算法，若有则取出用以替换当前现场执行层路口的信号控制算法；若缓存池中所有信号控制算法都不能满足当前路口的需求，则向中心组织层请求该时段内最合适的信号控制算法，向步骤C13发送信号控制算法到路口的消息。

区域协调层A2在现场执行层A3的路口拥堵级别发生变化后对路口各相位的最大绿时重新计算。例如，可采用下面方法计算：

区域协调层计算区域内各路口各相位的最大绿灯时间是给每个路口初始设定绿灯时间调整经验基础值，通过获取拥堵情况和公交延迟得到路口各相位拥堵级别作为绿灯时间调整的参数，结合调整步长进行最大绿灯时间计算，通过与最小最大绿灯时间做比较，得出路口各相位的最大绿灯时间计算公式如下：

$\mathrm{MaxG}{T}_{\mathrm{PhN}}=\mathrm{Max}\{\mathrm{BaseT}+\mathrm{Step}$

$*[({\mathrm{Rank}}_{i,j,k}-\mathrm{BalanceT})*\mathrm{Weight}+({\mathrm{Rank}}_{i,j,k}^{\mathrm{up}}-\mathrm{BlanceT})$

$*{\mathrm{Weight}}_{\mathrm{up}}-({\mathrm{Rank}}_{i,j,k}^{\mathrm{down}}-\mathrm{BlanceT})$

$*{\mathrm{Weight}}_{\mathrm{down}}],\mathrm{MinMax}{\mathrm{GT}}_k\}$

MaxGT_PhN为路口第N个相位(PhN)的最大绿灯时间；

Weight表示当前路口参数权值，Weight_up和Weight_down分别表示前一个和后一个路口参数权值，为简单起见此处三者取相同值；

Step为调整步长，BaseT为绿灯时间调整经验基值，BlanceT为平衡值，防止最大绿灯时间控制发散；MinMaxGT_k为该相位最小最大绿灯时间；

其中：Rank_i，j，k＝IRank_i，j，k*Weight_i+BRank_i，j，k*Weight_b，

Rank_i，j，k路口各相位拥堵级别，i为路口号，j为方向，k为左转或直行标识，包括路口拥堵级别IRank_i，j，k和公交延迟BRank_i，j，k，Weight_i表示路口拥堵权值，Weight_b表示公交延迟权值。

由于区域协调层A2的最大绿时计算要求考虑当前调整路口的上下游路口的路况信息，由于区域协调层A2静态划分范围，处于区域协调层A2边缘的路口的上下游路口的拥堵情况无法在当前区域协调层A2获取。可以通过计算邻近区域所有路口的平均拥堵程度均值来近似表示边缘路口的邻近路口拥堵程度，相邻区域平均拥堵程度计算公式如下：

CoordRank_n＝∑CrossRank_i/CrossNum，CrossRank_i为第N个路口的拥堵级别，是该路口各相位上最大的拥堵级别来近似表示。CrossNum为路口数。

区域协调层A2需要具备学习能力，在实现中心组织层A1的区域控制目标的同时改善控制性能，能够应对区域内交通流的实时变化。区域协调层的区域内路口饱和度所对应的定时控制周期各相位信号配时长度学习算法是由区域协调层通过学习来设定不同级别的交通饱和度所对应的信号控制周期长度配时；在给定控制周期长度的基础上，通过设定最小搜索步长得到新的控制周期长度，并获取反馈的交通饱和度作为控制效果，进行控制周期的迭代调整，直到获得最好效果停止迭代，所述学习方法的具体步骤如下：

步骤SC1：给定路口定时控制周期T的搜索范围[T_min，T_max]最小的搜索步长Step_min，学习过程中一个策略的最大执行次数M，以及初始控制周期T₀和初始的搜索步长Step₀；

步骤SC2：当每次出现状态sa时，获取对应的状态sa，执行初始控制周期T₀，并记录其控制效果是下一次从现场执行层反馈的最大饱和度代入到评价函数的值；直至状态sa出现M次后，计算初始控制周期T₀的M次评价的控制效果，记为e₀；

步骤SC3：计算控制周期T₊＝T₀+Step₀，控制周期T_-＝T₀-Step₀，如果T₊＞T_max或T_-＜T_min则T₊＝Tmax或T_-＝Tmin；对状态sa分别执行控制周期T₊和T_-各M次，控制效果为e₊，e_-；

步骤SC 4：如果e₊＞e_-，并且e₊＜e₀，则初始控制周期T₀等于控制周期T₊，转向步骤SC3；

步骤SC5：如果e₊＜e_-，并且e_-＞e₀，则T₀＝T_-，转向步骤SC3；

步骤SC6：如果e₀＞e₊，且e₀＞e_-，如果|Step₀|＞Step_min，则Step₀＝Step₀/2，转向步骤SC3，否则搜索停止，最优控制周期为T^*＝T₀；

所述控制效果评价函数为：

$\left\{\begin{array}{c}10*\frac{\mathrm{sa}}{9},\mathrm{if\; sa}\∈\left[\mathrm{0,0.9}\right]\\ -10*(\mathrm{sa}-0.9)+1,\mathrm{if\; sa}\∈\left[\mathrm{0.9,1}\right]\\ \mathrm{error},\mathrm{if\; sa}\∈\mathrm{otherwise}\end{array}\right..$

现场执行层A3的信号控制算法容器提供默认的控制算法，并接收添加公交优先支持的模糊控制和感应控制以及排队长度控制算法来进行公交优先信号控制。默认算法设计成定时信号控制算法并常驻现场执行层A3。

如附图4所示是本发明实施例中公交优先信号现场执行层A3工作流程图，其中：

步骤E11：现场执行层A3运行默认信号控制算法，将执行器采集的交通信息提交区域协调层A2。

步骤E12：区域协调层A2判断当前信号控制算法是否适合当前的路***通状况，给现场执行层A3发送消息让当前路口的信号控制算法是否准备退出运行，现场执行层A3判断是否接收到调整控制算法消息，如果收到调整控制算法消息，则运行步骤E13；如果没收到调整控制算法则运行步骤E15；

步骤E13：更新信号控制算法，接收区域协调层A2发送的新的信号控制算法以及该算法相应的各相位绿时配置；

步骤E14：切换新的信号控制算法流程，如下：

当前信号控制算法退出运行前，会将包括当前路口绿时、最大绿时、当前相位号、上一相位号等路口控制状态，通过消息发送给默认信号控制算法，默认信号控制算法在接收到路口状态数据后接着上一秒的状态继续计算，当前信号控制算法退出时、在新的信号控制算法到来之前，由默认定时信号控制算法进行控制。当新的信号控制算法到达现场执行层A3并被激活后，发送到达消息给默认信号控制算法，然后接收默认信号控制算法传递的路网状态数据和下一个信号配时状态数据，接管路口信号控制，默认信号控制算法退出运行。

步骤E15：如果步骤E12中无需更新信号控制算法则运行默认信号控制算法6。

步骤E16：新的信号控制算法将计算得出的各相位信号配时下发给执行器单元进行控制输出，根据检测到的公交车辆信息，由信号控制算法封装的优先控制策略对路口相位参数进行调整，实施公交优先信号控制。

路口信号控制算法主要分为定时控制、感应控制、基于排队长度控制和模糊控制等，通过信号控制算法中集成公交优先算法来实现现场执行层A3功能。公交优先算法主要包括优先判别、交通流预测和控制策略选择算法，如附图5所示本发明实施例中公交优先信号控制算法工作流程图：

步骤F11：在每个相位开始之前计算其可用绿灯时间；

步骤F12：通过检测设备获取当前路口的交通拥堵情况，检测临近路口的公交车辆并估计其抵达路口的时间；

步骤F13：按照公交优先指标判断是否需要实行优先，例如按公交的准点程度分超时、准点、延误三种状态，根据延误状态赋予不同优先权，如果无需公交优先则运行F14；如果需要公交优先则运行F15；

步骤F14：按照原来配时运行。

步骤F15：判断预测的公交车辆到达的时间在其信号周期中的相位来选择不同的优先控制策略，如果不是当前相位则运行步骤F16，如果是当前相位则运行步骤F17；

步骤F16：采用红灯切断公交优先策略；

步骤F17：采用绿灯延长公交优先策略；

步骤F18：结合公交车辆的延误状态和路口的交通拥堵级别给出适当优先；

步骤F19：最后判断是否达到最大绿时，如果已达到最大绿时则执行步骤F20；否则执行步骤F21；

步骤F20：等待下一个相位放行；

步骤F21：否则按当前策略执行。

除了给予公交优先之外，还需结合区域路口的信号协调控制，在执行完优先策略之后进行信号控制恢复。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (6)

1.一种网络化分层递阶公交优先信号协调控制方法，其特征在于，所述方法包括：

步骤SA：使用网络化分层递阶公交优先信号协调控制***，所述***分为中心组织层、区域协调层和现场执行层；

步骤SB：中心组织层进行公交优先控制任务规划和目标分解，中心组织层中的离线学习模块结合交通知识库和信号控制算法与路口特征库进行学习，将控制任务分解为区域协调参数及区域控制目标，结合在线学习模块学习结果从信号控制算法与路口特征库中选择区域内路口适应度最大的信号控制算法，并同区域协调参数及区域控制目标下发到区域协调层；同时，中心组织层从区域交通信息获取模块获取各区域交通流量信息放入交通知识库，进行离线学习；

步骤SC：区域协调层的协调控制学习与评估模块接收中心组织层的区域控制目标，控制算法缓存接收区域内适用的信号控制算法，协调控制学习与评估模块完成区域协调控制的在线学习与控制效果评估功能，结合区域交通信息获取模块所接收的现场执行层各路***通拥堵改善趋势和相邻路口各相位的最大拥堵级别差和公交延误情况来确定是否进行信号控制算法调整，并计算区域内路口各相位最大绿灯时间，按最大绿灯时间之比来调整路口定时控制周期各相位信号配时；通过区域协调控制算法处理模块给现场执行层分派控制参数和控制算法，实现对区域内的路口信号进行协调控制，完成公交优先区域协调控制功能；交通信息获取模块获取各区域交通流量信息并发送给中心组织层；

步骤SD：现场执行层运行默认的定时信号控制算法，信号控制算法容器接收区域协调层发送的信号控制算法与控制参数并提供信号控制算法在线切换功能，通过接收添加公交优先支持的模糊控制和感应控制以及排队长度控制算法来进行公交优先信号控制，通过信号控制执行模块完成路口的交通信号控制并实现公交优先功能支持，路***通信息获取模块完成交通信息采集并将提交区域协调层。

2.如权利要求1所述的方法，其特征在于，离线学习模块针对不同路口在24小时典型时段下交通流的信号控制算法的控制效果进行离线学习，根据学习结果对信号控制算法进行调度来实现按路口需求优化控制；采用遗传算法将运行默认的定时控制算法、模糊控制算法、感应控制算法以及排队长度控制算法效果归一化，并分别给予0.25的权系数来计算信号控制算法分配的适应度，所述适应度的计算步骤如下：

步骤SB1：对运行默认的定时控制算法、模糊控制算法、感应控制算法以及排队长度控制算法效果的系数做初始化，生成四个22位的二进制数串；

步骤SB2：分别计算四个二进制数串的适应度：

若适应度的种群代数达到150代，取出适应度最大的二进制数串作为最后适应度的结果，结束；

若适应度的种群代数小于150代，取出适应度最大的两个二进制数串作为父本，继续步骤SB3；

步骤SB3：随机产生一个小于22的随机数，将两父本在随机数位置上交叉生成新的两个二进制数串；

步骤SB4：随机产生一个随机数：

若随机数大于阀值，触发步骤SB4，随机产生一个不大于22的随机数，将新生成的二进制数串在该随机数位置上取反，转步骤SB2；若随机数小于阀值，转步骤SB2。

3.如权利要求1所述的方法，其特征在于，结合步骤SB中在线学***均速度、路***通饱和度和路口平均车辆延误时间的控制效果评价指标对信号控制算法进行学习，通过设置评价指标阀值来选取特定路口特定时段最优信号控制算法，如果有多个可选或没有最优选时，则选择使用频率最高的信号控制算法。

4.如权利要求1所述的方法，其特征在于，步骤SC中区域协调层计算区域内各路口各相位的最大绿灯时间是给每个路口初始设定绿灯时间调整经验基础值，通过获取拥堵情况和公交延迟得到路口各相位拥堵级别作为绿灯时间调整的参数，结合调整步长进行最大绿灯时间计算，通过与最小最大绿灯时间做比较，得出路口各相位的最大绿灯时间计算公式如下：

$\mathrm{MaxG}{T}_{\mathrm{PhN}}=\mathrm{Max}\{\mathrm{BaseT}+\mathrm{Step}$

$*[({\mathrm{Rank}}_{i,j,k}-\mathrm{BalanceT})*\mathrm{Weight}+({\mathrm{Rank}}_{i,j,k}^{\mathrm{up}}-\mathrm{BlanceT})$

$*{\mathrm{Weight}}_{\mathrm{up}}-({\mathrm{Rank}}_{i,j,k}^{\mathrm{down}}-\mathrm{BlanceT})$

$*{\mathrm{Weight}}_{\mathrm{down}}],\mathrm{MinMax}{\mathrm{GT}}_k\}$

MaxGT_PhN为路口第N个相位(PhN)的最大绿灯时间；

Weight表示当前路口参数权值，Weight_up和Weight_down分别表示前一个和后一个路口参数权值，为简单起见此处三者取相同值；

Step为调整步长，BaseT为绿灯时间调整经验基值，BlanceT为平衡值，防止最大绿灯时间控制发散；MinMaxGT_k为该相位最小最大绿灯时间；

其中：Rank_i，j，k＝IRank_i，j，k*Weight_i+BRank_i，j，k*Weight_b；

Rank_i，j，k路口各相位拥堵级别，i为路口号，j为方向，k为左转或直行标识，包括路口拥堵级别IRank_i，j，k和公交延迟BRank_i，j，k，Weight_i表示路口拥堵权值，Weight_b表示公交延迟权值。

5.如权利要求1所述的方法，其特征在于，还包括区域协调层的区域内路口饱和度所对应的定时控制周期各相位信号配时长度学习算法是由区域协调层通过学习来设定不同级别的交通饱和度所对应的信号控制周期长度配时；在给定控制周期长度的基础上，通过设定最小搜索步长得到新的控制周期长度，并获取反馈的交通饱和度作为控制效果，进行控制周期的迭代调整，直到获得最好效果停止迭代，所述学习方法的具体步骤如下：

步骤SC1：给定路口定时控制周期T的搜索范围[T_min，T_max]最小的搜索步长Step_min，学习过程中一个策略的最大执行次数M，以及初始控制周期T₀和初始的搜索步长Step₀；

步骤SC2：当每次出现状态sa时，获取对应的状态sa，执行初始控制周期T₀，并记录其控制效果是下一次从现场执行层反馈的最大饱和度代入到评价函数的值；直至状态sa出现M次后，计算初始控制周期T₀的M次评价的控制效果，记为e₀；

步骤SC3：计算控制周期T₊＝T₀+Step₀，控制周期T_-＝T₀-Step₀，如果T₊＞T_max或T_-＜T_min则T₊＝Tmax或T_-＝Tmin；对状态sa分别执行控制周期T₊和T_-各M次，控制效果为e₊，e_-；

步骤SC4：如果e₊＞e_-，并且e₊＜e₀，则初始控制周期T₀等于控制周期T₊，转向步骤SC3；

步骤SC5：如果e₊＜e_-，并且e_-＞e₀，则T₀＝T_-，转向步骤SC3；

步骤SC6：如果e₀＞e₊，且e₀＞e_-，如果|Step₀|＞Step_min，则Step₀＝Step₀/2，转向步骤SC3，否则搜索停止，最优控制周期为T^*＝T₀；

所述控制效果评价函数为：

$\left\{\begin{array}{c}10*\frac{\mathrm{sa}}{9},\mathrm{if\; sa}\∈\left[\mathrm{0,0.9}\right]\\ -10*(\mathrm{sa}-0.9)+1,\mathrm{if\; sa}\∈\left[\mathrm{0.9,1}\right]\\ \mathrm{error},\mathrm{if\; sa}\∈\mathrm{otherwise}\end{array}\right..$

6.如权利要求1所述的方法，其特征在于，还包括现场执行层的支持公交优先信号控制的信号控制算法并实现算法切换的是在定时控制、感应控制、基于排队长度控制和模糊控制等路口信号控制算法中集成包括优先判别、交通流预测和控制策略选择算法来实现公交优先支持，当前信号控制算法退出运行前，会将包括当前路口绿时、最大绿时、当前相位号、上一相位号等路口控制状态，通过消息发送给默认控制算法，默认控制算法在接收到路口状态数据后接着上一秒的状态继续计算，当前信号控制算法退出时、在新的信号控制算法到来之前，由默认定时控制算法进行控制；当新的信号控制算法到达现场执行层并被激活后，发送到达消息给默认控制算法，然后接收默认控制算法传递的路网状态数据和下一个信号配时状态数据，接管路口信号控制，默认控制算法退出运行。

Images