CN102542793B - 一种交叉口群过饱和交通态势主动控制方法 - Google Patents

Abstract

本发明提出一种交叉口群过饱和交通态势主动控制方法，旨在实现对交叉口群过饱和态势的主动预防。首先是交通发展态势分析。基于未来短期起终点对时变出行需求，预测用户均衡动态可能交通流量和***最优动态理想交通流量。其次是主动交通信号控制优化。提取未来短期可能出现的过饱和交叉口群、关键拥堵路径、推荐分流路径以及最优转移流量信息，形成预期最优转移流量要求下的次优路网，结合历史交通信号控制策略库，采用模糊匹配法动态优化信号控制方案。最后是交通预报信息生成。分析驾驶员出行选择行为，结合预期最优转移流量要求，得出关键拥堵路径可能流量的饱和度修正值，将它和推荐分流路径可能流量的饱和度作为交通预报信息用于发布。

Description

一种交叉口群过饱和交通态势主动控制方法

技术领域

本发明涉及交通管理与控制领域，特别涉及到一种交叉口群过饱和交通态势主动控制方法。

背景技术

城市高密度路网关键交叉口群时常受到过饱和交通流量影响，易于形成路网交叉口群拥堵局面，表现为车辆排队、车队溢流、交叉口群死锁等现象，给社会经济和环境带来损失。

交通控制作为智能交通***的核心技术，具有疏散拥堵交通流量的作用。而国内传统的交通控制***多为开环***，表现为不管交通流量如何变化，交叉口只显示一种信号配时方案的特点，对拥堵车流无能为力。由此国内部分大城市引进了国外开发的反馈交通自适应控制***，如SCATS和SCOOT***。这些***表现的特点为只有当反馈回来的控制结果满足目标要求时才会产生***偏差，进而调整信号控制参数适应交叉口新的交通流量。从表面看，交通是受信号实时指挥的，而实质上交通信号是根据交通需求被动变化。这种被动控制方式不能着眼于整个交通网络以分析交通拥堵态势，只能局限于对局部交通状态做出反馈。因此，这种***在道路交通处于中低峰时段可以调节流量，当应对具有过饱和流量的道路交通时，易造成交通疏散策略滞后于交通拥堵的问题。

交通信息发布技术作为智能交通研究的重点，也是一种疏导交通拥堵流量的方法。但传统的方法多只是对交通信息进行如实发布，不能保证将道路流量引导向预期的状态发展。而且没有与信号控制优化方法结合应用，不能发挥它潜在的交通流量疏散功能。

归纳总结，国内相应的交通控制方法和交通信息发布技术存在以下不足：

1、传统控制***在控制措施优化方面的动态性优势体现不够；

2、反馈自适应控制***过于被动，无法根据过饱和态势预测结果调整信号控制方案，以均衡路网负荷并预防大范围拥堵的出现和扩散；

3、传统交通信息发布技术如实发布交通信息，不能引导道路流量向希望的方向前进；

4、未见交通信号控制优化与交通信息发布集成技术的应用。

发明内容

面向“高密度路网、过饱和态势、信息化条件”的我国大城市交通发展新特点，本发明提出一种交叉口群过饱和交通态势主动控制方法。它利用连续交通数据信息，获取全路网交通流量发展态势，结合交通预报方法合理引导交通流量，防止过饱和交叉口群的生成，并根据引导后的预期交通流量，主动变更交通信号控制方案。两种方法的结合能够引导未来短期交通流量向***最优动态理想交通流量逼近，预防道路交叉口群拥堵局面的出现。交通发展态势分析和主动交通控制优化是本发明的主要内容，其内部相应模块功能及方法流程的介绍如下。

步骤1：交通发展态势分析

步骤1.1：使用道路流量检测器对检测到的连续交通数据进行处理并得到未来短期的起终点对时变出行需求，所述的未来短期由6-12个时段构成，每个时段的时间单位为5-10分钟，每个时段出行需求表示成该时段所有起点到所有终点的出行需求矩阵；

步骤1.2：将起终点对时变出行需求加载在零流最短出行路径上得到初始路径流量；

步骤1.3：以零流路网各路段的行驶时间作为输入条件，使用Matlab软件的K短路算法工具箱获得起终点对间3-6条最短路径并由3-6条最短路径构成起终点对可行路径集；

步骤1.4：以起终点对时变出行需求、初始路径流量及起终点对可行路径集为输入参数，通过DYNASMART软件运算，获得未来短期内的用户均衡动态可能交通流量和***最优动态理想交通流量，所述的用户均衡动态可能交通流量是交通管制不变条件下的路网流量预测值，包括可能路径流量

和可能路段流量

其中，可能路径流量

为第τ个出发时段从起终点对w出发选择路径p出行的可能路径流量预测值，可能路段流量为第t时段路段a上的可能路段流量预测值，两者之间的函数关系为

其中，δ_atpτ为可能路径流量

在第t时段到达路段a的比例系数，取值范围为[0，1]，其值在用户均衡动态可能交通流量的求解过程中产生；所述的***最优动态理想交通流量是未来短期作为参考目标的路网流量预测值，包括理想路径流量

和理想路段流量其中，理想路径流量

为第τ个出发时段从起终点对w出发选择路径p出行的理想路径流量预测值，理想路段流量

为第t时段路段a上的理想路段流量预测值；

步骤2：主动交通控制优化

步骤2.1：按步骤2.1.1和2.1.2遍历各交叉口j，确定各交叉口在不同时段出现过饱和交通状态的标记变量

其中，j＝1、2、…、J，J为交叉口的总数：

步骤2.1.1：针对交叉口j，基于步骤1提取的动态可能路段流量和已知的进口通行能力，依次求取第t个时段交叉口j的饱和度

其中，C_a表示路段a进口的通行能力，U_j表示交叉口j的上游路段集合，t＝1、2、…、m，m为未来短期内的时段总数；

步骤2.1.2：如果饱和度

大于0.9，则判定j为过饱和交叉口，并记过饱和交叉口标记变量

否则

步骤2.2：针对未来短期各时段t，统计出

的所有交叉口j，作为该时段过饱和交叉口群；

步骤2.3：针对未来短期各出发时段τ，τ＝1、2、…、m，根据步骤2.3.1、2.3.2和2.3.3的操作，找出第τ个出发时段选择的关键拥堵路径，根据步骤2.3.4找出第τ个出发时段选择的推荐分流路径：

步骤2.3.1：在第τ个出发时段，把路网所有可变信息发布板位置作为起点，挑选重要交通枢纽、大型商业中心以及城市路网中的干道节点作为终点，将它们组成起终点对集，记为W_τ；

步骤2.3.2：针对W_τ中的每个起终点对，如果第τ个出发时段的所选可行路径在未来短期内经过过饱和交叉口，则保留被选可行路径上的起终点对，否则，从W_τ中删去被选可行路径上的起终点对；

步骤2.3.3：在第τ个出发时段选取n_τ条关键拥堵路径：

步骤2.3.3.1：在每个起终点对w∈W_τ上，找出第τ个出发时段对应的过饱和交通状态测度指标

最大的一条可行路径p_w，将它作为备选的关键拥堵路径，由此得到第τ个出发时段的|W_τ|条备选的关键拥堵路径，

$S_{p_w}^{\mathrm{\τ}}=\underset{p_w}{\max }\left\{\underset{a,t}{\mathrm{\Σ}}{f}_{{\mathrm{wp}}_w}^{\mathrm{\τ}}{\mathrm{\δ}}_{{\mathrm{atp}}_w\mathrm{\τ}}{e}_a^t\right\}$

其中，

为第t时段在路段a下游交叉口的过饱和交叉口标记变量

值；

步骤2.3.3.2：计算各条备选关键拥堵路径可能流量与理想流量的差值，如果为负，则从备选关键拥堵路径中将差值为负的路径剔除；

步骤2.3.3.3：首先遍历W_τ中的每个起点s，如果在剩余的备选关键拥堵路径中存在以s为起点的路径，则在以s为起点的备选关键拥堵路径中，找出过饱和交通状态测度指标最大的一条路径作为关键拥堵路径；其次，记第τ个出发时段选择的关键拥堵路径总数为n_τ；

步骤2.3.4：将W_τ更新为所述所有关键拥堵路径对应的起终点对集合，为每条关键拥堵路径r配置一条推荐分流路径l，所述推荐分流路径l的选择方法为：

对于起终点对w∈W_τ，首先通过DYNASMART软件从可行路径集中寻找在未来短期经过除过饱和交叉口以外的其他交叉口的路径，得到所述路径的所有理想路径流量与可能路径流量之差，将最大理想路径流量与可能路径流量之差对应的路径作为第τ个出发时段起终点对w间的推荐分流路径，如果在未来短期中所有可行路径都经过过饱和交叉口，则在用户均衡动态可能交通流量下的路网中，去除第τ个出发时段之后出现过饱和状态的交叉口群及其相连的路段，形成剩余路网，使用DYNASMART软件在剩余路网上生成从起终点对w出发的时变最短路径，将其作为推荐分流路径；

步骤2.4：按照下式计算关键拥堵路径至推荐分流路径的最优转移流量：

其中，

为第τ个出发时段从关键拥堵路径r转移至推荐分流路径l的最优转移流量，替代变量σ_atrτ为第τ个出发时段选择推荐分流路径l和关键拥堵路径r出行的可能路径流量在第t时段到达路段a的比例系数之差，表示为σ_atrτ＝δ_atlτ-δ_atrτ，其中，r＝1、2、…、n_τ；

步骤2.5：依据步骤2.4最优流量转移大小，将第τ个出发时段从起终点对w上选择关键拥堵路径r出行的预期流量设为

推荐分流路径l承载的预期流量设为

其他可行路径的预期流量与可能路径流量大小相同，由此形成预期转移流量要求下的次优路网流量，将次优路网流量通过DYNASMART-P仿真器重新分配在零流路网上，得出未来短期第t个时段各交叉口j优化的转向流量向量μ_tj，t＝1、2、…、m，j＝1、2、…、J，J为交叉口的总数；设j＝1；

步骤2.6：如果j＞J，则进入步骤3；

步骤2.7：如果j是信号交叉口，则转入步骤2.8，否则，令j＝j+1并转入步骤2.6；

步骤2.8：针对未来短期各时段t相应的信号控制交叉口j，使用模糊匹配方法将步骤2.5得到的优化的交叉口转向流量向量与信号控制策略库中的转向流量向量类型进行匹配，选取匹配程度最高的转向流量向量类型，将所述匹配程度最高的转向流量向量对应的信号控制方案作为第t时段交叉口j的信号控制方案，其中，所述的信号控制策略库内部，含有转向流量向量类型与信号控制方案的对应关系及类型的三角型隶属度函数，信号控制策略库形成过程见步骤2.8.1和2.8.2，信号控制方案模糊匹配方法见步骤2.8.3、2.8.4和2.8.5：

步骤2.8.1：将道路流量检测器获得的交叉口历史ρ_j个转向流量向量进行归一化处理，其中，第α个转向流量向量

归一化后变成标准转向向量

以中第η个元素为基础，且令

则归一化后中第η个元素

变为

其中，η＝1、2、…、I_j，I_j是所述信号控制交叉口j的转向总数；

步骤2.8.2：基于第α个标准转向向量

与第β个标准转向向量

间的以下相似度公式：

α＝1、2、…、ρ_j；β＝1、2、…、ρ_j；α≠β采用Matlab软件统计工具箱中的层次聚类方法，获得交叉口j的h_j个转向流量向量类型，对每个类型i进行步骤2.8.2.1信号控制方案生成操作和步骤2.8.2.2转向流量向量类型的三角型隶属度函数生成操作，其中，i＝1、2、…、h_j，类型i由

个标准转向向量组成：

步骤2.8.2.1：取出类型i中平均的标准转向向量，将它还原成真实的转向流量向量，并输入Synchro软件使用webster信号配时方法生成信号控制方案λ_i，与类型i形成一一对应关系存入信号控制策略库；

步骤2.8.2.2：针对类型i中的每个标准转向向量，求取标准转向向量中的I_j个元素的均值作为标准流量，由此，所有标准转向向量共生成

个标准流量，在这些标准流量中找出下界值b_i、均值θ_i和上界值c_i，组成类型i的三角型隶属度函数：

$u_i=\left\{\begin{array}{cc}0& 0\&le;x<b_i\\ \frac{x-b_i}{{\mathrm{\&theta;}}_i-b_i}& b_i\&le;x<{\mathrm{\&theta;}}_i\\ \frac{x-c_i}{{\mathrm{\&theta;}}_i-c_i}& {\mathrm{\&theta;}}_i\&le;x<c_i\\ 0& c_i\&le;x\&le;1\end{array}\right.;$

其中，x为任一标准流量，u_i为x隶属于类型i的隶属度值。

步骤2.8.3：针对未来短期各时段t，将交叉口j优化的转向流量向量μ_tj归一化形成一个标准转向向量，针对这个标准转向向量，求其标准流量

步骤2.8.4：计算隶属于信号控制策略库中第i种转向流量向量类型的隶属度值u_i，其中，i＝1、2、…、h_j；

步骤2.8.5：选取最匹配类型π，

对应的信号控制方案λ_π即可作为第t时段交叉口j的信号控制方案；

步骤2.9：j＝j+1，转入步骤2.6。

有益效果

本发明一种交叉口群过饱和交通态势主动控制及预报方法能够弥补传统与被动控制方式存在的手段单一、效果滞后等缺点。有益效果表现在主动性、动态性和干预性三方面。

本发明所述的推荐分流路径至关键拥堵路径最优转移流量用以指导交通预报发布的内容，通过交通预报使得预期次优路网流量最接近理想流量，体现了交通控制主动性的一个方面；本发明所述的动态信号控制方案根据预期次优路网流量而生成，使得信号控制方案能够主动适应未来短期优化的路网流量，体现了交通控制主动性的另外一个方面。

本发明所述的交通信号控制策略库中的历史转向流量向量类型和信号控制方案都是离线生成，根据它采用模糊匹配法在线选择交通信号控制方案，节省了交通控制方案在线生成时间，保证其动态有效性。

本发明所述交通预报的信息并非如实对预测可能流量饱和度值进行直接发布，而是通过对考虑驾驶员路径选择行为的考虑，已将发布出去的关键拥堵路径可能饱和度进行修正，从而引导部分关键拥堵路径可能流量向推荐分流路径转移，保证次优路网流量的生成，体现交通预报信息的提前干预性。

附图说明

图1是一种交叉口群过饱和交通态势主动控制及预报方法的架构图；

图2是预测的动态流量信息提取示意图；

图3是次优路网流量生成流程图；

图4是交通信号控制方案形成示意图；

图5是交叉口转向流量向量类型i的隶属度函数图；

图6是交叉口信号控制方案模糊匹配函数图；

图7是交通预报信息生成与发布流程图；

图8是交通预报信息发布场景图。

具体实施方式

为便于对本发明的目的、特征加深理解，结合附图给出针对本发明各单元的详细说明。

1、未来短期交通流量信息的预测(请参阅图2)

需要的预测输出数据为未来短期动态交通流量，包括动态路网可能流量和理想流量。传统趋势外推法单纯利用历史交通流量数据本身预测其未来短期流量值，由于未考虑影响交通流量的主要因素(即路径选择行为)，导致预测结果不具有较强的解释性。本发明采纳了动态交通分配方法，能够同时结合地理信息***数据和流量检测数据，从生成流量的源头即路径选择行为进行分析，获得准确性较高的动态交通流量信息，优于传统的趋势外推法。预测输入数据阐述如下。首先在未来短期6-12个时段内，以5-10分钟为一个时段单位，提取数据采集处理获得的起终点对时变出行需求(时变OD需求)。其中，时变OD需求即为某一时段路网起点O到终点D的出行需求大小。再将所有时变OD需求加载在零流最短路径上进行流量初始化处理，生成初始路径流量。最后确定起终点对可行路径集作为用户路径备选集合。每个起终点对可行路径集一般固定为3-6条(基于初始路网零流状态各路段的行驶时间，通过Matlab软件编写的K短路算法工具箱获得)，这种设置主要基于两点考虑，一方面与实际出行能够选择路径数有限的条件相符，另一方面更有利于下文推荐分流路径的生成。时变OD需求、初始路径流量和起终点对可行路径集共同作为图2动态交通分配的输入数据。

用户均衡动态交通分配(UEDTA)和***最优动态交通分配(SODTA)模型是DYNASMART软件的内嵌模型，分别用于求解用户均衡动态可能交通流量和***最优动态理想交通流量。这两个模型的求解过程实质是逐步平均迭代(MSA)方法和DYNASMART-P仿真器仿真相结合的过程，即针对MSA方法得到的各种路径流量动态交通分配结果，采用DYNASMART-P仿真器仿真实际道路流量运行状态，一方面用于动态交通分配路径更新方向的搜索，另一方面提取道路交通预测流量信息，服务于下一模块过饱和交叉口群和最优转移流量信息的预测。整个过程中，专门提取的时变路段边际成本用于SODTA模型的求解。基于仿真的动态交通分配具体步骤如下：

步骤1：初始化。设置迭代数为k＝2，输入时变OD需求及其可行路径集；将时变OD需求加载在零流路网的行驶时间最短路上，生成初始路径流量，其中，第τ个时段从OD对w出发选择路径p出行的流量为

和

分别是用户均衡和***最优动态交通分配的初始路径流量。

步骤2：交通流仿真。使用仿真器DYNASMART-P对未来短期所有时段所有可行路径的车流进行仿真。针对UE-DTA模型，可以获得时变路段行驶时间变量值；针对SODTA模型，可以同时获得时变路段行驶时间和边际行驶时间变量值。

步骤3：辅助最短路径搜索。针对UE-DTA模型，根据给定的时变路段行驶时间成本，通过DYNASMART软件在可行路径集中寻找每一时段OD对(τ，w)的辅助时变行驶时间最短路径p′_τw；针对SO-DTA模型，根据给定的时变路段边际行驶时间，通过DYNASMART软件在可行路径集中寻找每一时段OD对(τ，w)的辅助时变边际行驶时间最短路径p″_τw。

步骤4：全有全无辅助路径流量加载。针对UE-DTA模型，将每一时段OD对(τ，w)的需求全部加载在辅助时变最短路径p′_τw上，获得p′_τw上的辅助流量为

针对SO-DTA模型，依照相同的方法获得辅助时变边际行驶时间最短路径p″_τw上的辅助流量为

步骤5：时变路径流量更新。基于MSA方法即下式，更新第k+1阶段每一时段OD对(τ，w)下可行路径p的用户均衡动态可能路径流量和***最优动态可能路径流量分别如下

步骤6：收敛判断。针对UE-DTA模型的每个状态情形(τ，w，p)在预设误差阈值ε条件下内，判断

成立与否，统计上式不成立的总数N(ε)，在预设容量阈值

条件下，如果

则进入步骤7，否则赋值k＝k+1并跳转步骤2。对SO-DTA模型采用同样的收敛方法处理。

步骤7：预测信息提取。用户均衡状态下，提取路段a在第t时段可能的流量值

$y_a^t=\underset{\mathrm{\&tau;}\&le;t}{\mathrm{\&Sigma;}}\underset{p}{\mathrm{\&Sigma;}}{f}_{\mathrm{wp}}^{\mathrm{\&tau;}}{\mathrm{\&delta;}}_{\mathrm{atp\&tau;}}---\left(3\right)$

***最优状态下，相应的理想路段流量

$z_a^t=\underset{\mathrm{\&tau;}\&le;t}{\mathrm{\&Sigma;}}\underset{p}{\mathrm{\&Sigma;}}{g}_{\mathrm{wp}}^{\mathrm{\&tau;}}{\mathrm{\&chi;}}_{\mathrm{atp\&tau;}}---\left(4\right)$

δ_atpτ为可能路径流量

在第t时段到达路段a的比例系数，取值范围为[0，1]，其值在用户均衡动态可能交通流量的求解过程中产生；χ_atpτ的具体意义同上，只是针对的模型变为SO-DTA。

2、基于连续交通数据的交叉口群过饱和交通状态判别标准

交叉口过饱和交通状态是由饱和度指标表征，交叉口饱和度表示为交叉口各进口道实际流量与通行能力比值中的最大者，反映了交叉口的交通负荷水平。在饱和度很高的情况下，到达交叉口的车流量接近甚至超过交叉口允许通过能力，导致车流受阻，延误时间和停车次数急剧增加，造成交通拥堵。参照《城市交通管理规划编制指南》，当某一时段平均饱和度＞0.9时，判定交叉口流量在这一时段处于过饱和交通状态。

${\mathrm{\&xi;}}_j^t=\underset{a}{\max }\{\frac{y_a^t}{C_a},a\&Element;U_j\}---\left(5\right)$

上式求解的是第t个时段交叉口j的饱和度，C_a表示路段a进口的通行能力，U_j表示交叉口j的上游路段集合，t＝1、2、…、m，m为未来短期内的时段总数。

3、过饱和交叉口群识别方法(请参阅图3)

提取不同时段过饱和交叉口群的详细步骤如下：

步骤1：按步骤1.1和1.2遍历各交叉口j，确定各交叉口在不同时段出现过饱和交通状态的标记变量其中，j＝1、2、…、J，J为交叉口的总数：

步骤1.1：针对交叉口j，基于提取的动态可能路段流量和已知的进口通行能力，依次求取第t个时段交叉口j的饱和度

其中，C_a表示路段a进口的通行能力，U_j表示交叉口j的上游路段集合，t＝1、2、…、m，m为未来短期内的时段总数；

步骤1.2：如果饱和度

大于0.9，则判定j为过饱和交叉口，并记过饱和交叉口标记变量

否则

步骤2：针对未来短期各时段t，统计出的所有交叉口j，作为该时段过饱和交叉口群。

4、关键拥堵路径动态甄别方法(请参阅图3)

步骤1：针对未来短期各出发时段τ，τ＝1、2、…、m，找出第τ个出发时段选择的关键拥堵路径：

步骤1.1：在第τ个时段把路网所有可变信息板位置作为起点；挑选重要交通枢纽、大型商业中心及城市路网中的干道节点作为终点，这些终点具有较强的车流吸引能力，是道路车流的主要目的地；将它们组成的起终点对集记为W_τ；

步骤1.2：针对W_τ中的每个起终点对，如果第τ个出发时段的所选可行路径在未来短期内经过过饱和交叉口，则保留被选可行路径上的起终点对，否则，从W_τ中删去被选可行路径上的起终点对；

步骤1.3：在第τ个出发时段选取n_τ条关键拥堵路径：

步骤1.3.1：在每个起终点对w∈W_τ上，找出第τ个出发时段对应的过饱和交通状态测度指标最大的一条可行路径p_w，将它作为备选的关键拥堵路径，由此得到第τ个出发时段的|W_τ|条备选的关键拥堵路径，

$S_{p_w}^{\mathrm{\&tau;}}=\underset{p_w}{\max }\left\{\underset{a,t}{\mathrm{\&Sigma;}}{f}_{{\mathrm{wp}}_w}^{\mathrm{\&tau;}}{\mathrm{\&delta;}}_{{\mathrm{atp}}_w\mathrm{\&tau;}}{e}_a^t\right\}$

其中，

为第t时段在路段a下游交叉口的过饱和交叉口标记变量

值；

步骤1.3.2：计算各条备选关键拥堵路径可能流量与理想流量的差值，如果为负则从备选关键拥堵路径中将将差值为负的路径剔除；

步骤1.3.3：首先遍历W_τ中的每个起点s，如果在剩余的备选关键拥堵路径中存在以s为起点的路径，则在以s为起点的备选关键拥堵路径中，找出过饱和交通状态测度指标最大的一条路径作为关键拥堵路径；其次，记第τ个出发时段选择的关键拥堵路径总数为n_τ。

5、推荐分流路径的生成(请参阅图3)

针对未来短期各出发时段τ，将W_τ更新为该时段上述所有关键拥堵路径对应的起终点对集合，为每条关键拥堵路径r配置一条推荐分流路径l，在促使未来流量分布尽量接近***最优状态，达到次优路网交通状态的同时，便于可变信息板内容的发布。所述推荐分流路径l的选择方法为：

对于起终点对w∈W_τ，首先通过DYNASMART软件从可行路径集中寻找在未来短期经过除过饱和交叉口以外的其他交叉口的路径，得到所述路径的所有理想路径流量与可能路径流量之差，将最大理想路径流量与可能路径流量之差对应的路径作为第τ个出发时段起终点对w间的推荐分流路径，如果在未来短期中所有可行路径都经过过饱和交叉口，则在用户均衡动态可能交通流量下的路网中，去除第τ个出发时段之后出现过饱和状态的交叉口群及其相连的路段，形成剩余路网，使用DYNASMART软件在剩余路网上生成从起终点对w出发的时变最短路径，将其作为推荐分流路径；

6、最优转移流量的计算(请参阅图3)

1)为了获得未来短期预期的路网流量，需要计算关键拥堵路径至推荐分流路径的最优转移流量。理想交通流量状态是未来短期***最优的目标流量状态，但是限于可变信息板等硬件装备布设数量的限制，不能够使交通流量向***最优的目标流量状态完全转变。本发明只是通过设置合理的转移流量大小，预期使得未来短期交通流量逼近最优***流量状态，达到次优路网流量分布以预防过饱和交通拥堵的产生。建立了以转移流量大小为变量，次优路网流量与***最优状态理想路网流量差值平方和最小化为目标的无约束二次规划模型，采用极值法求解。为了使得交叉口在未来时段交通运行保持稳定且非饱和状态，对于起终点对需求w∈W_τ，将其上在第τ个时段从关键拥堵路径r出发的的流量中多余部分流量

进行转移，让第τ个时段从关键拥堵路径r出发的流量变更为

推荐分流路径l承载的流量变更为

为了表达准确，建立求解最优路径转移流量的目标函数为

$\min \underset{t}{\mathrm{\&Sigma;}}\underset{a}{\mathrm{\&Sigma;}}{(y_a^t+\underset{\mathrm{\&tau;}}{\mathrm{\&Sigma;}}\underset{r}{\mathrm{\&Sigma;}}{d}_r^{\mathrm{\&tau;}}({\mathrm{\&delta;}}_{\mathrm{atl\&tau;}}-{\mathrm{\&delta;}}_{\mathrm{atr\&tau;}})-z_a^t)}^2---\left(7\right)$

其中，

即为路径流量转移后次优路网状态下第t时段路段a的流量。使用极值法可得最优转移流量组成的向量解如下：

$\left(8\right)$

其中，

为第τ个出发时段从关键拥堵路径r转移至推荐分流路径l的最优转移流量，替代变量σ_atrτ为第τ个出发时段选择推荐分流路径l和关键拥堵路径r出行的可能路径流量在第t时段到达路段a的比例系数之差，表示为σ_atrτ＝δ_atlτ-δ_atrτ，其中，r＝1、2、…、n_τ；

2)本发明能够找出导致交叉口过饱和交通状态的关键拥堵路径，并通过将其部分流量向推荐分流路径转移的思想，生成了关键拥堵路径与推荐分流路径各自的预期流量大小，在未来短期产生次优路网流量，预防过饱和交叉口群的形成。交通信号控制策略和交通预报信息都是以次优路网流量状态为标准进行优化。次优路网中，将第τ个出发时段从起终点对w上选择关键拥堵路径r出行的预期流量设为

推荐分流路径l承载的预期流量设为其他可行路径的预期流量与可能路径流量大小相同。

7、交通信号控制方案生成(请参阅图4-图6)

在次优路网流量要求下，本发明的动态交通信号控制能够最大限度地提高交叉口的使用效率，使停车延误和排队长度尽可能小。另外，不像很多控制***因控制区域过大而无法实现动态交通信号配时的功能，本发明提出信号控制方案匹配这样一个折中的近似方法，能够获得实时动态的交通信号控制方案。信号控制方案匹配方法的流程如图4所示：首先将次优路网流量通过DYNASMART-P仿真器仿真出各交叉口转向流量，输入控制器与信号控制策略库进行模糊匹配，快速获取信号控制方案。其中，信号控制策略库的配时方案是根据历史数据库的转向流量信息采用层次聚类分析方法离线产生，节省大量在线运算时间。整个信号控制方案生成过程如下：

步骤1：将次优路网流量通过DYNASMART-P仿真器重新分配在零流路网上，得出未来短期第t个时段各交叉口j优化的转向流量向量μ_tj，t＝1、2、…、m，j＝1、2、…、J，J为交叉口的总数；设j＝1；

步骤2：如果j＞J，则结束；

步骤3：如果j是信号交叉口，则转入步骤4，否则，令j＝j+1并转入步骤2.6；

步骤4：针对未来短期各时段t相应的信号控制交叉口j，使用模糊匹配方法将优化的交叉口转向流量向量与信号控制策略库中的转向流量向量类型进行匹配，选取匹配程度最高的转向流量向量类型，将其对应的信号控制方案作为第t时段交叉口j的信号控制方案，其中，所述的信号控制策略库内部，含有转向流量向量类型与信号控制方案的对应关系及类型的三角型隶属度函数，信号控制策略库形成过程见步骤4.1和4.2，信号控制方案模糊匹配方法见步骤4.3、4.4和4.5：

步骤4.1：将道路流量检测器获得的交叉口历史ρ_j个转向流量向量进行归一化处理，其中，第α个转向流量向量归一化后变成标准转向向量

以

中第η个元素

为基础，且令

则归一化后

中第η个元素

变为

其中，η＝1、2、…、I_j，I_j是所述信号控制交叉口j的转向总数；

步骤4.2：基于第α个标准转向向量

与第β个标准转向向量间的以下相似度公式：

α＝1、2、…、ρ_j；β＝1、2、…、ρ_j；α≠β   (9)采用Matlab软件统计工具箱中的层次聚类方法，获得交叉口j的h_j个转向流量向量类型，其中，i＝1、2、…、h_j，类型i由

个标准转向向量组成。简称标准转向向量为对象，则层次聚类方法的过程如下：

(a)初始化。输入ρ_j个对象组成的集合，并以每个对象作为初始聚类中心，计算各类之间的相似度。设定迭代终止的阈值条件，比如聚类的个数或者聚类的相似度条件；

(b)更新类。找到两个相似度最大类进行合并，使得聚类的个数减少1；

(c)中止检验。以每个类的对象均值作为该类的聚类中心，计算各类之间的相似度。如果满足终止条件则算法结束，否则转(b)。

对每个类型i进行步骤4.2.1信号控制方案生成操作和步骤4.2.2转向流量向量类型的三角型隶属度函数生成操作：

步骤4.2.1：取出类型i中平均的标准转向向量，将它还原成真实的转向流量向量，并输入Synchro软件使用webster信号配时方法生成信号控制方案λ_i，与类型i形成一一对应关系存入信号控制策略库；

步骤4.2.2：针对类型i中的每个标准转向向量，求取其I_j个元素的均值作为标准流量均值，由此，所有标准转向向量共生成

个标准流量均值，在这些标准流量均值中找出下界值b_i、均值θ_i和上界值c_i，组成类型i的三角型隶属度函数。采用三角型隶属度函数可以计算子类聚集不同交叉口转向流量向量的能力。三角型隶属度函数如图5所示，某个交叉口标准流量均值越靠近θ_i，说明它属于第i个类型的可能性越大，隶属度向两个方向呈线性减小，在边界b_i和c_i取为零值。

步骤4.3：针对未来短期各时段t，将交叉口j优化的转向流量向量μ_tj归一化形成一个标准转向向量，针对这个标准转向向量，求其标准流量均值

步骤4.4：计算

隶属于信号控制策略库中第i种转向流量向量类型的隶属度值u_i，其中，i＝1、2、…、h_j；

步骤4.5：根据下式选取最匹配类型π，其对应的信号控制方案λ_π用于指导第t时段交叉口j的交通流量；

$\mathrm{\&pi;}=\arg \underset{i}{\max }(u_i,i=\mathrm{1,2},...,h_j)---\left(10\right)$

步骤5：j＝j+1，转入步骤2。

下面以图6为例，说明如何求得转向流量向量μ_tj的配时方案。假如使用聚类方法划分出了3种交叉口流量类型，即h_j为3，且历史标准流量均值中的下界值b_i、均值θ_i和上界值c_i分别为0.25，0.55和0.8，由此绘制三角型隶属度函数如图6所示。已知转向流量向量μ_tj的平均标准流量为0.6，由三角型隶属度函数知，转向流量向量μ_tj所在两个类型的隶属度u₁＝0.28，u₂＝0.82。根据式(10)所示取最大隶属度原则，可以判断出转向流量向量μ_tj属于隶属度较大的第2个类型。因此，将信号策略库中的配时方案λ₂作为转向流量向量μ_tj下的信号控制方案。

8、路径选择行为及交通预报信息发布(请参阅图7-8)

1)预期分流比例

按照方法的不同，交通控制有交叉口信号控制方案优化和路径车流引导组织之分。信号控制方案优化很难让驾驶员提前获知，在未来短期内使用这种控制方法，很难改变驾驶员的路径选择行为。车流引导组织则有强硬和柔性方法之分。比如，通过采用延长某一方向的红灯时间或者禁止某一方向流量通行的截流措施，可以抑制某一方向出行者提前进入拥挤路段，这种属于强硬方法，驾驶员遵守率虽为100％，但是也损害了驾驶员的出行意愿。此处使用交通预报这种柔性的路径车流引导组织方法，引导驾驶员路径选择决定。由于不同的交通预报信息对驾驶员路径选择行为具有不同的影响程度，因此，需要发布合理的预报内容显示数值以让未来短期各时段τ出发的拥堵路径可能流量部分被转移到分流路径上，达到次优路网流量状态要求。本发明让交通预报信息板显示推荐分流路径和关键拥堵路径可能流量的饱和度信息，但是为了对车流起到向控制目标引导的效果，需要通过对比驾驶员分流路径选择概率与次优路网要求的预期分流比例，修正发布的关键拥堵路径可能流量饱和度。这种方法实为交通信息的发布战术，它通过可变信息板等媒介，将夸大加工后的关键拥堵路径可能流量和真实的推荐分流路径可能流量发布出去，以体现目标控制的要求，主动引导驾驶员对行车路径的选择，防止交叉口出现过饱和交通状态。

第τ个时段选择推荐分流路径l的比例(即预期分流)要求是

即次优路网流量要求下第τ时段出发选择分流路径的流量占拥堵和分流路径总流量的比例。

${\mathrm{\&gamma;}}_l^{\mathrm{\&tau;}}=\frac{f_{\mathrm{wl}}^{\mathrm{\&tau;}}+d_r^{\mathrm{\&tau;}}}{r_{\mathrm{wl}}^{\mathrm{\&tau;}}+f_{\mathrm{wr}}^{\mathrm{\&tau;}}}---\left(11\right)$

2)驾驶员路径选择行为

根据主动控制要求，若从驾驶员路径选择行为角度出发，也要获得以上预期分流比例。本发明采用随机效用理论二元logit模型表达驾驶员在第τ个时段选择推荐分流路径l的概率为

则它与预期分流比例

等价的公式显示如下。

${\mathrm{\&gamma;}}_l^{\mathrm{\&tau;}}=\frac{e^{V_l^{\mathrm{\&tau;}}}}{e^{V_l^{\mathrm{\&tau;}}}+e^{V_r^{\mathrm{\&tau;}}}}---\left(12\right)$

其中，

分别是推荐分流路径和关键拥堵路径的固定效用，与道路条件、车流以及驾驶员等影响因素相关。展开来说，影响固定效用的因素包括路径饱和度、信号交叉口数量、大部分路段等级、路径长度、驾驶员性别、年龄、驾龄、工作年数、职业、学历。为了便于应用，常常只选用路径方案因素作为特性变量。选取与两条路径效用相关的特性变量如下表所示。

一般用线性形式表示效用函数，则根据上表，两路径固定效用的表达式分别为

$V_l^{\mathrm{\&tau;}}={\mathrm{\&phi;}}_1+{\mathrm{\&phi;}}_2{X}_{l2}^{\mathrm{\&tau;}}+{\mathrm{\&phi;}}_3{X}_{l3}^{\mathrm{\&tau;}}+{\mathrm{\&phi;}}_4{X}_{l4}^{\mathrm{\&tau;}}+{\mathrm{\&phi;}}_5{X}_{l5}^{\mathrm{\&tau;}}---\left(13\right)$

$V_r^{\mathrm{\&tau;}}={\mathrm{\&phi;}}_2{X}_{r2}^{\mathrm{\&tau;}}+{\mathrm{\&phi;}}_3{X}_{r3}^{\mathrm{\&tau;}}+{\mathrm{\&phi;}}_4{X}_{r4}^{\mathrm{\&tau;}}+{\mathrm{\&phi;}}_5{X}_{r5}^{\mathrm{\&tau;}}---\left(14\right)$

其中，固有哑元X_l1和X_r1是0-1变量；

为第τ时段从推荐分流路径l出发的可能流量饱和度，

为第τ时段从关键拥堵路径r出发的可能流量饱和度修正值，是个待求变量，

为推荐分流路径l上主要组成路段的等级转化值，可参考的等级转化值对应如下：快速路对应1，主干道对应1.2，次干道对应1.3，支路对应1.5，为关键拥堵路径r上主要组成路段的等级转化值，

为推荐分流路径l上的信号交叉口数量，

为关键拥堵路径r上的信号交叉口数量，

为推荐分流路径l的长度，为关键拥堵路径r的长度，φ₁～φ₅为统计参数值，通过以下试验获取：在平峰流量时期发布不同的关键拥堵路径和推荐分流路径流量饱和度信息，检测关键拥堵路径流量和推荐分流路径流量信息，结合这两种信息样本使用Matlab软件统计工具箱中的最大似然估计方法得出所述统计参数值。以上变量除了

之外，其他变量都可以获知。在交通预报信息发布前，采用如下公式所示的真实值，只要确定

就能起到主动有效引导车流不致引起拥堵的作用。

$X_{l2}^{\mathrm{\&tau;}}=\underset{a,t}{\max }\{{\mathrm{\&delta;}}_{\mathrm{atl\&tau;}}\frac{y_a^t}{C_a},a\&Element;l,t\&Element;\mathrm{\&tau;},\mathrm{\&tau;}+1,...,m,\}---\left(15\right)$

3)拥堵路径可能流量饱和度修正

将式(13，14)代入式(12)，通过移项转化得到第τ时段从关键拥堵路径r出发的可能流量修正饱和度值如下。

$X_{r2}^{\mathrm{\&tau;}}=\frac{1}{{\mathrm{\&phi;}}_2}[\mathrm{In}\left(\frac{1-{\mathrm{\&gamma;}}_l^{\mathrm{\&tau;}}}{{\mathrm{\&gamma;}}_l^{\mathrm{\&tau;}}}\right)+{\mathrm{\&phi;}}_1+{\mathrm{\&phi;}}_2{X}_{l2}^{\mathrm{\&tau;}}+\underset{\mathrm{\&psi;}=3}{\overset{5}{\mathrm{\&Sigma;}}}{\mathrm{\&phi;}}_{\mathrm{\&psi;}}(X_{\mathrm{l\&psi;}}^{\mathrm{\&tau;}}-X_{\mathrm{r\&psi;}}^{\mathrm{\&tau;}})]---\left(16\right)$

在未来短期第τ个时段发布推荐分流路径可能流量饱和度和关键拥堵路径可能流量饱和度修正值

以让推荐分流路径l上的预期分流比例达到

从而使预期次优路网流量状态予以实现。为了使上述方法更直观，本发明采用图8为例进行说明。经交通态势分析，某一时段从细线所描路径出发的可能流量饱和度为1.1，从粗线所描路径出发的可能流量饱和度为0.5，次优路网要求下两条路径选择比例分别是60％和40％。但是通过动态可变信息板将真实值发布之后，两条路径选择比例结果分别为70％和30％。此时，完全可以通过路径选择行为分析，将细线所描路径的可能流量饱和度显示值夸大为大于1.1的某个数，使得粗线所描路径的预期分流比例恰好达到40％的要求。

Claims (2)

1.一种交叉口群过饱和交通态势主动控制方法，其特征在于，包括如下步骤：

步骤1：交通发展态势分析

步骤1.1：使用道路流量检测器对检测到的连续交通数据进行处理并得到未来短期的起终点对时变出行需求，所述的未来短期由6-12个时段构成，每个时段的时间单位为5-10分钟，每个时段出行需求表示成该时段所有起点到所有终点的出行需求矩阵：

步骤1.2：将起终点对时变出行需求加载在零流最短出行路径上得到初始路径流量：

步骤1.3：以零流路网各路段的行驶时间作为输入条件，使用Matlab软件的K短路算法工具箱获得起终点对间3-6条最短路径并由3-6条最短路径构成起终点对可行路径集：

步骤1.4：以起终点对时变出行需求、初始路径流量及起终点对可行路径集为输入参数，通过DYNASMART软件运算，获得未来短期内的用户均衡动态可能交通流量和***最优动态理想交通流量，所述的用户均衡动态可能交通流量是交通管制不变条件下的路网流量预测值，包括可能路径流量

和可能路段流量其中，可能路径流量

为第τ个出发时段从起终点对w出发选择路径p出行的可能路径流量预测值，可能路段流量

为第t时段路段a上的可能路段流量预测值，两者之间的函数关系为

其中，δ_atpt为第τ个出发时段发出的可能路径流量

在第t时段到达路段a的比例系数，取值范围为[O，1]，其值在用户均衡动态可能交通流量的求解过程中产生；所述的***最优动态理想交通流量是未来短期作为参考目标的路网流量预测值，包括理想路径流量

和理想路段流量

其中，理想路径流量

为第τ个出发时段从起终点对w出发选择路径p出行的理想路径流量预测值，理想路段流量

为第t时段路段a上的理想路段流量预测值：

步骤2：主动交通控制优化

步骤2.1：按步骤2.1.1和2.1.2遍历各交叉口j，确定各交叉口在不同时段出现过饱和交通状态的标记变量

其中，j=1、2、…、J，J为交叉口的总数：

步骤2.1.1：针对交叉口j，基于步骤1提取的动态可能路段流量和已知的进口通行能力，依次求取第t个时段交叉口j的饱和度

其中，C_a表示路段a进口的通行能力，U_j表示交叉口j的上游路段集合，t=1、2、…、m，m为未来短期内的时段总数；

少骤2.1.2：如果饱和度大于0.9，则判定j为过饱和交叉口，并记过饱和交叉口标记变量

否则

步骤2.2：针对未来短期各时段t，统计出

的所有交叉口j，作为该时段过饱和交叉口群；

步骤2.3：针对未来短期各出发时段τ，τ=1、2、…、m，根据步骤2.3.1、2.3.2和2.3.3的操作，找出第τ个出发时段选择的关键拥堵路径，根据步骤2.3.4找出第τ个出发时段选择的推荐分流路径：

步骤2.3.1：在第τ个出发时段，把路网所有可变信息发布板位置作为起点，挑选重要交通枢纽、大型商业中心以及城市路网中的干道节点作为终点，将它们组成起终点对集，记为W_t；

步骤2.3.2：针对W_t中的每个起终点对，如果第τ个出发时段的所选可行路径在未来短期内经过过饱和交叉口，则保留被选可行路径上的起终点对，否则，从W_t中删去被选可行路径上的起终点对：

步骤2.3.3：在第τ个出发时段选取n_τ条关键拥堵路径：

步骤2.3.3.1：在每个起终点对w∈W_t上，找出第τ个出发时段对应的过饱和交通状态测度指标最大的一条可行路径p_w，将它作为备选的关键拥堵路径，由此得到第τ个出发时段的|W_t|条备选的关键拥堵路径，

$S_{p_w}^{\mathrm{\&tau;}}=\underset{p_w}{\max }\left\{\underset{a,t}{\mathrm{\&Sigma;}}{f}_{{\mathrm{wp}}_w}^{\mathrm{\&tau;}}{\mathrm{\&delta;}}_{\mathrm{at}{p}_w\mathrm{\&tau;}}{e}_a^l\right\}$

其中，

为第t时段在路段a下游交叉口的过饱和交叉口标记变量

值：

步骤2.3.3.2：计算各条备选关键拥堵路径可能流量与理想流量的差值，如果为负，则从备选关键拥堵路径中将差值为负的路径剔除：

步骤2.3.3.3：首先遍历W_t中的每个起点s，如果在剩余的备选关键拥堵路径中存在以s为起点的路径，则在以s为起点的备选关键拥堵路径中，找出过饱和交通状态测度指标最大的一条路径作为关键拥堵路径；其次，记第τ个出发时段选择的关键拥堵路径总数为n_τ：

步骤2.3.4：将W_t更新为所述所有关键拥堵路径对应的起终点对集合，为每条关键拥堵路径r配置一条推荐分流路径l，所述推荐分流路径l的选择方法为：

对于起终点对w∈W_t，首先通过DYNASMART软件从可行路径集中寻找在未来短期经过除过饱和交叉口以外的其他交叉门的路径，得到所述路径的所有理想路径流量与可能路径流量之差，将最大理想路径流量与可能路径流量之差对应的路径作为第τ个出发时段起终点对w间的推荐分流路径，如果在未来短期中所有可行路径都经过过饱和交叉口，则在用户均衡动态可能交通流量下的路网中，去除第τ个出发时段之后出现过饱和状态的交叉口群及其相连的路段，形成剩余路网，使用DYNASMART软件在剩余路网上生成从起终点对w出发的时变最短路径，将其作为推荐分流路径；

步骤2.4：按照下式计算关键拥堵路径至推荐分流路径的最优转移流量：

其中，为第τ个出发时段从关键拥堵路径r转移至推荐分流路径l的最优转移流量，替代变量σ_atrt，为第τ个出发时段选择推荐分流路径l和关键拥堵路径r出行的可能路径流量在第t时段到达路段a的比例系数之差，表示为σ_atrt=δ_atlt-δ_atrt，其中，r＝1、2、…、n_τ：

步骤2.5：依据步骤2.4最优流量转移大小，将第τ个出发时段从起终点对w上选择关键拥堵路径r出行的预期流量设为推荐分流路径l承载的预期流量设为

其他可行路径的预期流量与可能路径流量大小相同，由此形成预期转移流量要求下的次优路网流量，将次优路网流量通过DYNASMART-P仿真器重新分配在零流路网上，得出未来短期第t个时段各交叉口j优化的转向流量向量μ_tj，t=1、2，…、m，j＝1、2、…、J，J为交叉口的总数：设j＝1：

步骤2.6：如果j>J，则结束：

步骤2.7：如果j是信号交叉口，则转入步骤2.8，否则，令j＝j+1并转入步骤2.6：

步骤2.8：针对未来短期各时段t相应的信号控制交叉口j，使用模糊匹配方法将步骤2.5得到的优化的交叉口转向流量向量与信号控制策略库中的转向流量向量类型进行匹配，选取匹配程度最高的转向流量向量类型，将所述匹配程度最高的转向流量向量对应的信号控制方案作为第t时段交叉口j的信号控制方案，其中，所述的信号控制策略库内部，含有转向流量向量类型与信号控制方案的对应关系及类型的三角型隶属度函数，信号控制策略库形成过程见步骤2.8.1和2.8.2，信号控制方案模糊匹配方法见步骤2.8.3、2.8.4和2.8.5：

步骤2.8.1：将道路流量检测器获得的交叉口历史ρ_j个转向流量向量进行归一化处理，其中，第α个转向流量向呈

归一化后变成标准转向向量

以

中第η个元素

为基础，且令

则归一化后

中第η个元素

变为

其中，η＝1、2、…、I_j，I_j是所述信号控制交叉口j的转向总数；

步骤2.8.2：基于第α个标准转向向量

与第β个标准转向向量

间的以下相似度公式：

α＝1、2、…、ρ_j：β＝1、2、…、ρ_j；α≠β采用Matlab软件统计工具箱中的层次聚类方法，获得交叉口j的h_j个转向流量向量类型，对每个类型i进行步骤2.8.2.1信号控制方案生成操作和步骤2.8.2.2转向流量向量类型的三角型隶属度函数生成操作，其中，i=1、2、…、h_j，类型i由

个标准转向向量组成：

步骤2.8.2.1：取出类型i中平均的标准转向向量，将它还原成真实的转向流量向量，并输入Synchro软件使用webster信号配时方法生成信号控制方案λ_i，与类型i形成一一对应关系存入信号控制策略库：

步骤2.8.2.2：针对类型i中的每个标准转向向量，求取标准转向向量中的I_j个元素的均值作为标准流量，由此，所有标准转向向量共生成

个标准流量，在这些标准流量中找出下界值b_i、均值θ_i和上界值c_i，组成类型i的三角型隶属度函数：

$u_i=\left\{\begin{array}{cc}0& 0\&le;x<b_i\\ \frac{x-b_i}{{\mathrm{\&theta;}}_i-b_i}& b_i\&le;x<{\mathrm{\&theta;}}_i\\ \frac{x-c_i}{{\mathrm{\&theta;}}_i-c_i}& {\mathrm{\&theta;}}_i\&le;x<c_i\\ 0& c_i\&le;x\&le;1\end{array}\right.$

其中，x为任一标准流量，u_i为x隶属于类型i的隶属度值；

步骤2.8.3：针对未来短期各时段t，将交叉口j优化的转向流量向量μ_tj归一化形成一个标准转向向量，针对这个标准转向向量，求其标准流量

步骤2.8.4：计算

隶属于信号控制策略库中第i种转向流量向量类型的隶属度值u_i，其中，i=1、2、…、h_j；

步骡2.8.5：选取最匹配类型π，π=argmax(u_i，i＝1、2、…、h_j)，对应的信号控制方案λ_π即可作为第t时段交叉口j的信号控制方案；

步骤2.9：j=j+1，转入步骤2.6。

2.根据权利要求1所述的交叉口群过饱和交通态势主动控制方法，其特征在于，步骤2结束后进行如下步骤3：

步骤3：交通预报信息生成

步骤3.1：针对未来短期各个出发时段τ，将步骤2所得预期最优转移流量信息与驾驶员路径选择行为相结合，通过步骤3.1.1、3.1.2和3.1.3，得到关键拥堵路径可能流量的饱和度修正值：

步骤3.1.1：求解推荐分流路径l的预期流量比例

它是次优路网流量要求下第τ时段出发选择分流路径的流量占拥堵和分流路径总流量的比例：

步骤3.1.2：从行为学角度出发，使用二元logit公式描述驾驶员选择推荐分流路径l出行的概率为

其中，

分别是推荐分流路径和关键拥堵路径的固定效用，表达式分别为

和

其中，

为第τ时段从推荐分流路径l出发的可能流量饱和度

为第τ时段从关键拥堵路径r出发的可能流量饱和度修正值，是个待求变量，

为推荐分流路径l上主要组成路段的等级转化值，可参考的等级转化值对应如下：快速路对应1，主干道对应1.2，次干道对应1.3，支路对应1.5，

为关键拥堵路径r上主要组成路段的等级转化值，

为推荐分流路径l上的信号交叉口数量，为关键拥堵路径r上的信号交叉口数量，

为推荐分流路径l的长度，为关键拥堵路径r的长度，φ₁～φ₅为统计参数值，通过以下试验获取：在平峰流量时期发布不同的关键拥堵路径和推荐分流路径流量饱和度信息，检测关键拥堵路径流量和推荐分流路径流量信息，结合这两种信息样本使用Matlab软件统计工具箱中的最大似然估计方法得出所述统计参数值；

步骤3.1.3：建立预期分流路径流量比例与推荐分流路径选择概率等价公式：

${\mathrm{\&gamma;}}_l^{\mathrm{\&tau;}}=\frac{e^{{\mathrm{\&phi;}}_1+{\mathrm{\&phi;}}_2{X}_{l2}^{\mathrm{\&tau;}}+{\mathrm{\&phi;}}_3{X}_{l3}^{\mathrm{\&tau;}}+{\mathrm{\&phi;}}_4{X}_{l4}^{\mathrm{\&tau;}}+{\mathrm{\&phi;}}_2{X}_{l5}^{\mathrm{\&tau;}}}}{e^{{\mathrm{\&phi;}}_1+{\mathrm{\&phi;}}_2{X}_{l2}^{\mathrm{\&tau;}}+{\mathrm{\&phi;}}_3{X}_{l3}^{\mathrm{\&tau;}}+{\mathrm{\&phi;}}_4{X}_{l4}^{\mathrm{\&tau;}}+{\mathrm{\&phi;}}_5{X}_{l5}^{\mathrm{\&tau;}}}+e^{{\mathrm{\&phi;}}_2{X}_{r2}^{\mathrm{\&tau;}}+{\mathrm{\&phi;}}_3{X}_{r3}^{\mathrm{\&tau;}}+{\mathrm{\&phi;}}_4{X}_{r4}^{\mathrm{\&tau;}}+{\mathrm{\&phi;}}_5{X}_{r5}^{\mathrm{\&tau;}}}}$

将上述公式转化，表达成第τ时段从关键拥堵路径r出发的可能流量饱和度修正值

并求解， $X_{r2}^{\mathrm{\&tau;}}=\frac{1}{{\mathrm{\&phi;}}_2}[\mathrm{In}\left(\frac{1-{\mathrm{\&gamma;}}_l^{\mathrm{\&tau;}}}{{\mathrm{\&gamma;}}_l^{\mathrm{\&tau;}}}\right)+{\mathrm{\&phi;}}_1+{\mathrm{\&phi;}}_2{X}_{l2}^{\mathrm{\&tau;}}+\underset{\mathrm{\&psi;}=3}{\overset{5}{\mathrm{\&Sigma;}}}{\mathrm{\&phi;}}_{\mathrm{\&psi;}}(X_{\mathrm{l\&psi;}}^{\mathrm{\&tau;}}-X_{\mathrm{r\&psi;}}^{\mathrm{\&tau;}})];$

步骤3.2；针对未来短期各个出发时段τ，τ＝1、2、…、m，将第τ时段从关键拥堵路径r出发的可能流量饱和度修正值

和分流路径可能流量饱和度

共同作为交通预报信息，在第τ时段通过r所在起点的可变信息板媒介将其发布出去，主动疏散未来短期潜在拥堵车流群体。

Images