CN103927890A - 一种基于动态o-d矩阵估计的干线协调信号控制方法 - Google Patents

Abstract

本发明公开了一种基于动态O-D矩阵估计的干线协调信号控制方法，该方法利用干线上各路口进出口道检测的路段流量，采用卡尔曼滤波和反向传播神经网络算法分别估计路口的动态O-D矩阵，并设计贝叶斯组合方法提高估计结果的精度和稳定性，在此基础上建立单路口多目标信号控制模型，并将计算出的各路口信号周期最大值作为干线公共周期。进一步设计以干线车辆不受阻率最大为目标函数的干线协调信号控制方法，求解得到各路口干线方向的绿信比及相邻路口间的相位差，从而形成干线协调信号控制方案。本方法在保证干线车辆优先通行的前提下，兼顾各单路口的通行效率，解决了现有技术无法根据交通量变化实时调整控制方案的问题，具有高精度、在线应用等优点。

Description

一种基于动态O-D矩阵估计的干线协调信号控制方法

技术领域

本发明属于智能交通控制技术领域，具体涉及一种基于动态O-D矩阵估计的干线协调信号控制方法。

背景技术

实时的信号控制***作为先进的交通管理***的核心部分，对于缓解城市交通拥堵起着至关重要的作用。同时，由于实时信号控制***的控制方案随着时间不断变化，因此需要以实时的交通流数据作为信号控制方案的基础数据。作为信号控制的基本单元，路口的实时信号控制需要动态的路口进出口流量及转向流量作为输入数据，而在现有流量检测***的条件下，路口在各进出口道处的路段流量很容易获得，但实时转向流量则无法检测得到。路口动态O-D矩阵估计模型可以根据检测到的路口进出口流量的时间序列，反推得到路口动态O-D矩阵，即动态转向流量。随着智能交通技术的发展，该模型受到广泛关注，提出了递推估计算法(1987)、Bell车队扩散法(1991)、遗传算法(2005)、卡尔曼滤波算法(2006)、反向传播(Back propagation，简称BP)神经网络算法(2007)等路口动态O-D矩阵估计方法，这些方法可以为单路口的信号控制提供很好的基础支撑。

另外，在城市道路网中，路口之间的间隔一般都不大，尤其对于某条干线上的多个单独路口，在实施相互独立的信号控制方案时，经常会出现路口间的车队没有完全消散或者车队总因红灯而停车的情况，致使车辆排队现象频繁出现并累积，从而导致干线严重的交通拥堵。为了使干道上的大部分甚至全部车辆在绿灯时间顺利通过，避免对下一个信号周期到达的车辆通行造成影响，需要建立一种考虑车队消散的干线协调控制方法。在现有的干线协调控制方法中，协调控制的主要参数有公共周期、绿信比和相位差。为了得到最优的控制参数，学者们已经提出了多种控制方法，如最大绿波带法和基于延误最小的相位差优化法等。

现有的路口动态O-D矩阵估计方法及干线协调信号控制方法还存在以下不足：

在路口动态O-D矩阵估计方法中，递推估计算法、Bell车队扩散法都是以线性模型推导和估计动态O-D矩阵，适合较长时间经过流量平滑处理的估计，难以估计实时非线性变化的动态O-D矩阵，不适于在线应用；遗传算法在路口动态O-D估计中被用来求解最小化观测值和估计值的误差绝对值之和的优化模型，经过迭代使结果进化到包含或接近最优解的状态，效率相对较低；卡尔曼滤波算法递推的本质决定了其效率较高但精度相对欠佳；BP神经网络算法根据历史数据进行训练和学***方和最小，在稳定的权值和阈值条件下实现对当前数据的估计，但具有训练速度慢、易陷入局部最优等不足之处。

在干线协调信号控制方法中，最大绿波带法和基于延误最小的相位差优化法等方法均得到了广泛应用，但是这些方法均对干线上各路口的几何条件、相邻路口间的距离、各路口处车辆的到达规律等有着较严格的限制，并且求出的信号控制方案在一定时间内是固定的，不能根据交通流量的变化进行真正的实时调整。

发明内容

本发明要解决的技术问题是现有技术中，路口动态O-D矩阵估计的不同方法具有不同缺点，如估计偏差大、稳定性差或效率低等；干线协调信号控制方法对道路条件要求高，且得到的信号控制方案不能根据交通情况的变化进行真正的实时调整；进而提供一种基于动态O-D矩阵估计的干线协调信号控制方法，以各路口进出口道的路段流量检测值为基础，计算得到干线公共周期、各路口绿信比及相邻路口相位差等参数，实现干线的实时协调信号控制，提高通行能力。

为解决上述技术问题，本发明提供一种基于动态O-D矩阵估计的干线协调信号控制方法：

本控制方法包括基于动态O-D矩阵估计的干线公共周期计算方法和基于车辆不受阻率最大的干线绿信比和相位差计算方法，两种方法共同构成基于动态O-D矩阵估计的干线协调信号控制方法，根据流量检测器得到的各路口进出口道路段流量，可以计算出干线各路口的最佳公共周期、绿信比和相邻路口间的相位差，实现干线协调控制，其主要步骤如下：

(1)路口进出口道流量检测：在干线上各个路口进出口道运行路段流量检测器，检测得到每个时段路口进出口道的路段交通流量；

(2)路口动态O-D矩阵的估计：将路口的动态转向比例作为自变量，以检测得到的路口进出口道流量为已知量，在远端计算机中运行基于贝叶斯加权的路口动态转向比例估计模型程序，求解各个路口的动态转向比例，进一步得到路口的动态O-D矩阵；

(3)干线公共周期的确定：在远端计算机中运行多目标信号控制模型的算法程序，以路口动态O-D矩阵为已知量，求解以车辆延误和平均排队长度最小、道路有效通行能力最大为目标的多目标信号控制模型，得到各路口最优的信号配时周期，选择最大的周期值作为干线公共周期；

(4)车辆消散时间的计算：通过检测器判断每对邻近路口下一路口车队是否在上一路口车队到达之前已经消散，并分为未消散和已消散两种情形，分别计算每个路口的车辆消散时间；

(5)干线协调控制方案的确定：将干线公共周期、各路口车辆消散时间输入到基于车辆不受阻率最大的干线绿信比和相位差计算模型中，以干线的不受阻率最大为目标函数，求解每个路口的绿信比和相位差，公共周期、绿信比和相位差三组参数共同构成干线协调信号控制方案；

(6)将得到的控制参数传输到信号机实施，实现干线协调信号控制。

在采用基于动态O-D矩阵估计的单路口多目标信号控制模型计算出干线上各单独路口最优周期的基础上，选择最大的周期值作为干线公共周期C，并建立基于车辆不受阻率最大的干线绿信比和相位差计算方法，求解干线协调控制的绿信比和相位差，保证干线方向车辆顺利通过；

车辆在相邻路口之间行驶所需的间隔周期数：

式中l为干线上相邻路口之间的距离；v为车辆在相邻路口之间行驶的平均速度；C为干线公共周期；INT()为取整函数。

干线路段上行驶的车辆在到达路口时，会出现两种情况：第一种情况是路口信号灯为绿灯，车辆可以直接通过路口，即不受阻碍直接通过；第二种情况是路口信号灯为黄灯或红灯，车辆需要等待信号灯变为绿灯后才能通过，即车辆通过受阻。

①第一种情况：通过路口n-1行驶至路口n的时间小于路口n在上周期红灯积累下的车辆消散的时间，车辆行驶至路口n时需排队通过，即：

$t_n^{\′}\≤\frac{{\∫}_{t_n+{\mathrm{\λ}}_{n}C+(N-1)C}^{t_n+\mathrm{NC}}{k}_n{q}_n\left(t\right)\mathrm{dt}}{S_n}$

式中为车辆由路口n-1行驶至路口n的时间，t_n为路口n相对于路口n-1的相位差，λ_n为路口n干线方向绿灯相位的绿信比，k_n为路口n的流量调整系数，q_n(t)为路口n车辆的到达率函数，S_n为路口n干线方向的通行能力。

此时路口n车辆的消散时间为：

$T_n=\frac{{\∫}_{t_n^{\′}}^{t_n+C}{k}_n{q}_n\left(t\right)\mathrm{dt}+{\∫}_{t_n+{\mathrm{\λ}}_{n}C+(N-1)C}^{t_n+\mathrm{NC}}{k}_n{q}_n\left(t\right)\mathrm{dt}}{S_n}$

上式中分子表示的是路口n的干线方向绿灯相位内总共消散的车辆数，这部分车辆包括两部分，第一部分是上周期路口n未消散的排队车辆，第二部分是自上游路口行驶到路口n的车辆。

②第二种情况：车辆从路口n-1行驶至路口n的时间大于路口n在上周期红灯积累下的车辆消散的时间，车辆行驶至路口n时无需排队，直接通过，即：

$t_n^{\′}\≥\frac{{\∫}_{t_n+{\mathrm{\λ}}_{n}C}^{t_n+C}{k}_n{q}_n\left(t\right)\mathrm{dt}}{S_n}$

此时路口n车辆的消散时间为：

T_n＝0

定义干线方向直行车辆在路口n的不受阻率为：

$M_n=\frac{Q_n^{\′}}{Q_n}=\frac{{\∫}_{t_n+T_n}^{t_n+{\mathrm{\λ}}_{n}C}{q}_n\left(t\right)\mathrm{dt}}{Q_n}$

式中为干线中第n个路口某周期内不因灯控而产生延误、直接通过的流量，Q_n为在第n个路口某周期内的总流量。

以干线上所有路口的不受阻率之和最大作为目标函数，建立干线协调信号控制模型：

$\max f(t_n,{\mathrm{\λ}}_n)=\underset{n}{\mathrm{\Σ}}{M}_n$

$s.t.\left\{\begin{array}{c}{t}_n\≥0\\ 0\≤{\mathrm{\λ}}_n\≤{\mathrm{\λ}}_{n,\max }\end{array}\right.$

式中λ_n，max表示干线上路口n的最大绿信比。

求解干线协调信号控制模型，得到每个路口干线方向的绿信比λ_n、以及相邻路口的相位差t_n，结合干线公共周期C，即可得到干线协调信号控制方案。

本发明的技术方案相对于现有技术具有以下有益效果：

①本发明根据路口进出口道检测器得到的路段流量，利用卡尔曼滤波和BP神经网络算法进行路口动态O-D矩阵估计，进而经过贝叶斯加权算法对两种估计值进行加权修正，得到整体更优的动态O-D矩阵，避免估计结果局部误差过大，提高了路口动态O-D矩阵估计的精度和稳定性。

②本发明针对单路口信号控制，以各路口的动态O-D矩阵估计值为输入条件，设计了以各单路口延误和排队长度最小、道路有效通行能力最大为目标的多目标非线性优化模型，求解得到各路口的信号周期，并将最大值作为干线公共周期，在实现干线协调控制的同时，兼顾了各单路口的通行效率。

③本发明设计了考虑车队消散的、以车辆不受阻率最小为目标的干线协调信号控制模型，解决了车辆排队对干线信号控制的影响，使得车流能够以绿波形式通过各路口，提供了干线的通行效率。

④本发明得到的干线公共周期、各路口的绿信比及相邻路口相位差等干线信号控制参数随着交通情况的变化而实时变化，真正实现了实时的干线协调信号控制，并且计算效率高，能够实时生成信号控制方案，满足在线应用的精度和效率要求。

附图说明

图1是基于动态O-D矩阵估计的干线协调信号控制方法(路口排队未消散)结构图

图2是基于动态O-D矩阵估计的干线协调信号控制方法(路口排队已消散)结构图

图3是基于动态O-D矩阵估计的干线协调信号控制方法流程图

具体实施方式

下面结合附图详细说明本发明技术方案中所涉及的各个细节问题。应指出的是，所描述的实施方式仅旨在便于对本发明的理解，而对其不起任何限定作用。

通过各路口的路段流量检测器判断车辆到达路口时路口排队车辆是否消散，将干线协调信号控制方法分为两种情况：路口排队未消散、路口排队已消散。

路口排队未消散的情况下，基于动态O-D矩阵估计的干线协调信号控制方法结构图如图1所示，此时路口处的排队车辆在绿灯启动后需要一定的时间才能消散并通过路口，到达的车辆同样需要排队等待。图1上半部分表示了干线上各个路口之间的关系、通过埋设在各路口进出口道下方的路段流量检测器，得到路口的进出口道路段流量，作为已知数据，并传输到远端计算机。图1下半部分表示了基于动态O-D矩阵估计的干线协调信号控制方法的原理，根据检测到的各路口进出口道路段流量，采用贝叶斯组合方法估计各路口的动态O-D矩阵，并将其输入到单路口多目标信号控制模型中，求解各路口最优的信号周期，将最大值作为干线公共周期；同时在路口排队车辆未消散的情况下，计算排队车辆的消散时间，将其连同干线公共周期输入到最小化不受阻率的干线控制模型中，求解各路口的绿信比及相邻路口的相位差；干线公共周期、各路口干线方向绿信比、相邻路口相位差共同构成实时的干线协调信号控制方案。

路口排队已消散的情况下，基于动态O-D矩阵估计的干线协调信号控制方法结构图如图2所示，此时路口处的排队车辆在上游车辆到达时已经消散，到达的车辆无需等待即可通过。图2与图1的构造基本相同，唯一的不同点在于路口排队车辆消散时间应为0。

基于动态O-D矩阵估计的干线协调信号控制方法流程图如图3所示。整个流程由以下6个步骤组成：(1)路口进出口道流量检测、(2)路口动态O-D矩阵的估计、(3)干线公共周期的确定、(4)车辆消散时间的计算、(5)干线协调控制方案的确定、(6)传输至信号控制***的应用。具体步骤包括：

步骤1：路口进出口道流量检测

利用设置在路口进出口道路段处的各车道流量检测器，检测得到时间间隔k内的进出口道交通流量，即Q_i(k)，i＝1，2，…，r表示时段k自进口道i流入路口的流量，Y_j(k)，j＝1，2，…，s表示时段k自出口道j流出路口的流量，同时判断路口是否有排队车辆，并传输到远端计算机进行处理。

步骤2：路口动态O-D矩阵的估计

根据检测得到的路口进出口道路段流量的时间序列，以时段k的动态转向比例B_ij(k)作为状态变量，进行路口动态转向比例的估计，包括历史时段的估计和当前时段的估计。

很明显，路口动态转向比例应满足如下的约束条件：

①B_ij(k)≥0，i＝1，2，…，r；j＝1，2，…，s

② $\underset{j=1}{\overset{s}{\mathrm{\Σ}}}{B}_{\mathrm{ij}}\left(k\right)=1,i=\mathrm{1,2},\·\·\·,r$

首先，运用卡尔曼滤波算法估计动态转向比例，建立状态空间模型如下：

状态方程：B(k)＝B(k-1)+W(k)

观测方程：Y(k)＝Q(k)*B(k)+e(k)

式中B(k)、Q(k)、Y(k)分别为B_ij(k)、Q_i(k)、Y_j(k)的矩阵或向量形式，W(k)是均值为0的高斯白噪声向量，e(k)是均值为0的观测高斯白噪声向量。

采用已有的顺序卡尔曼滤波算法求解，并修正算法流程中动态转向比例的初始值如下：

$B_{\mathrm{ij}}\left(0\right)=\frac{L_{\mathrm{ij}}}{\underset{j}{\mathrm{\Σ}}{L}_{\mathrm{ij}}}$

式中L_ij是实现由i进口道转向j出口道的车道数量，对于混合车道，各转向平均取值。

对顺序卡尔曼滤波算法计算得到的动态转向比例，进行裁切和标准化的处理，使其满足转向比例固有的约束条件。

在检测流量的基础上，用Matlab软件的M语言编程，实现卡尔曼滤波算法，输出动态转向比例的实时估计值，包括历史估计值和当前估计值

然后，运用BP神经网络算法估计动态转向比例，算法流程如下：

设计三层的BP神经网络，包括输入层、隐藏层和输出层：

输入层：3个神经元，分别对应进口道上游各车道的进口流量，当进口道上游车道数量不同时，神经元数量做相应变化；

隐藏层：15个神经元，传递函数采用对数S型函数，其输出值在[0，1]的区间范围内，与转向比例范围吻合；

输出层：采用线性传递函数，共有3个神经元，对应左转、直行、右转3个方向的转向比例，共有3个输出值。

为使经过初始加权后的每个神经元的输出值都接近于零，保证每个神经元的权值都能够在它们的S型激活函数变化最大之处进行调节，取初始权值为(-1，1)之间的随机数。

采用动量-自适应学习速率调整算法，来修正误差反向传播过程中的权值和阈值，使BP神经网络算法既可以找到全局最优解，又能缩短训练时间。

利用Matlab的M语言编程，实现BP神经网络的求解，输出动态转向比例的实时估计值，其中包括历史估计值和当前估计值

将卡尔曼滤波和BP神经网络的历史估计值与对应的动态转向比例历史真实值作比较，得到平均绝对百分比误差，进而由以下公式得到根据历史估计偏差选择卡尔曼滤波算法的概率Pr(H^KF)、选择BP神经网络算法的概率Pr(H^N)：

$\mathrm{Pr}\left(H^{\mathrm{KF}}\right)=\left\{\begin{array}{c}1-{\mathrm{EH}}^{\mathrm{KF}},({\mathrm{EH}}^{\mathrm{KF}}<1)\\ 0,({\mathrm{EH}}^{\mathrm{KF}}\&GreaterEqual;1)\end{array}\right.$

$\mathrm{Pr}\left(H^N\right)=\left\{\begin{array}{c}1-{\mathrm{EH}}^N,({\mathrm{EH}}^N<1)\\ 0,({\mathrm{EH}}^N\&GreaterEqual;1)\end{array}\right.$

其中，EH^KF、EH^N分别为卡尔曼滤波算法、BP神经网络算法的历史估计值与对应历史真实值的平均绝对百分比误差。

平均绝对百分比误差的计算方法： $\mathrm{MAPE}=\frac{\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}\frac{|{\tilde{B}}_{\mathrm{ij}}\left(k\right)-B_{\mathrm{ij}}\left(k\right)|}{B_{\mathrm{ij}}\left(k\right)}}{n}\&times;100\%,$ 其中为估计值，B_ij(k)为真实值。

进一步考虑当天的估计偏差，为了提高精度、同时动态更新组合方法的权重，采用卡尔曼滤波和BP神经网络算法当前估计时段的前5个时段估计值与对应时段组合方法估计值的偏差作为当前估计偏差，从而得到在历史估计偏差的前提下，根据当前估计偏差选择卡尔曼滤波算法的概率Pr(D|H^KF)、选择BP神经网络算法的概率Pr(D|H^N)：

$\mathrm{pr}\left(D\right|H^{\mathrm{KF}})=\left\{\begin{array}{c}1-E^{\mathrm{KF}},(E^{\mathrm{KF}}<1)\\ 0,(E^{\mathrm{KF}}\&GreaterEqual;1)\end{array}\right.$

$\mathrm{Pr}\left(D\right|H^N)=\left\{\begin{array}{c}1-E^N,(E^N<1)\\ 0,(E^N\&GreaterEqual;1)\end{array}\right.$

其中，E^KF、E^N分别为卡尔曼滤波算法、BP神经网络算法的前5个时段估计值与对应贝叶斯组合估计值的平均绝对百分比误差。

求解卡尔曼滤波算法、BP神经网络算法的贝叶斯权重W^KF和W^N：

Pr(D)＝Pr(D|H^KF)Pr(H^KF)+Pr(D|H^N)Pr(H^N)

$W^{\mathrm{KF}}=\frac{\mathrm{Pr}\left(D\right|H^{\mathrm{KF}})\mathrm{Pr}\left(H^{\mathrm{KF}}\right)}{\mathrm{Pr}\left(D\right)}$

$W^N=\frac{\mathrm{Pr}\left(D\right|H^N)\mathrm{Pr}\left(H^N\right)}{\mathrm{Pr}\left(D\right)}$

利用卡尔曼滤波和BP神经网络各自估计出的动态转向比例，根据贝叶斯加权公式，即可得到当前时段最终的动态转向比例估计值：

${\tilde{B}}_{\mathrm{ij}}\left(k\right)=W_{\mathrm{ij}}^{\mathrm{KF}}\left(k\right)\&times;B_{\mathrm{ij}}^{\mathrm{KF}}\left(k\right)+W_{\mathrm{ij}}^N\left(k\right)\&times;B_{\mathrm{ij}}^N\left(k\right)$

将当前时段卡尔曼滤波和BP神经网络估计结果与当前时段的贝叶斯加权修正值的偏差作为当前时段偏差存入当前偏差数据库，将其用于计算下一个估计时段的当前估计偏差，并更新估计时段。

根据贝叶斯组合方法估计的动态转向比例以及各路口进口道的路段流量Q_i(k)，即可得到各路口的动态O-D矩阵估计值。

步骤3：干线公共周期的确定

建立以路口的信号控制周期为自变量，以车辆延误和排队长度最小和道路有效通行能力最大作为目标函数的非线性优化模型。

定义延误、排队长度、道路有效通行能力三个评价指标的权重系数F_x ¹、K_x ²、K_x ³：

K_x ¹＝2s_xp_x(1-P)；K_x ²＝s_xp_x(1-P)T；K_x ³＝2(3600/T)P；

式中s_x为第x个相位的饱和流量，P_x为第x个相位交通流量与饱和流量之比，P为各相位交通流量与饱和流量之比的和，T为路口的信号周期。

在权重系数K_x ¹、K_x ²、K_x ³的计算中，p_x与P的获取均需要路口动态O-D矩阵估计值作为已知数据。

单路口多目标信号控制模型如下：

$\min f\left(T\right)=\underset{x=1}{\overset{n}{\mathrm{\&Sigma;}}}[{K_x}^1{d}_x+{K_x}^2{L}_x-{K_x}^3{Q}_x]$

$s.t.\left\{\begin{array}{c}\underset{x=1}{\overset{n}{\mathrm{\&Sigma;}}}(G_x+A_x+R_x)=T\\ 0.9p_x\&le;\frac{G_x}{T}\&le;1.1p_{x}1\&le;x\&le;m\\ {\mathrm{green}}_{x,\min }\&le;G_x\&le;{\mathrm{green}}_{x,\max }1\&le;x\&le;m\\ \underset{x=1}{\overset{n}{\mathrm{\&Sigma;}}}{G}_x+L\&le;J1\&le;x\&le;m\\ G_x\&GreaterEqual;01\&le;x\&le;m\end{array}\right.$

式中：

d_x：第x个相位车辆到达的平均延误时间；

L_x：第x个相位的车辆平均排队长度；

Q_x：第x个相位的道路有效通行能力；

G_x：第x个相位的有效绿灯时间；

A_x：第x个相位的黄灯时间，取为3秒；

R_x：第x个相位的全红时间，取为3秒；

m：信号相位数；

green_x，min、green_x，max：路口第x个相位的最小有效绿灯时间、最大有效绿灯时间，分别取为15秒和60秒；

L：信号周期总损失时间，取为16秒；

l_x：第x个相位的车辆启动损失时间，取为3秒；

I_x：第x个相位的绿灯间隔时间，I_x＝A_x+R_x；

J：最大周期时间，取为180秒；

对延误、排队长度、道路有效通行能力三个性能评价指标定义如下：

车辆平均延误时间：车辆在路口入口引道处被阻碍行走所需时间与无阻碍行走所需时间之差，第x个相位的车辆平均延误时间：

$d_x=\frac{T{(1-G_x/T)}^2}{2(1-p_x)}+\frac{{(1-\frac{\underset{x=1}{\overset{n}{\mathrm{\&Sigma;}}}{l}_x}{T})}^2}{2\frac{\underset{x=1}{\overset{n}{\mathrm{\&Sigma;}}}{l}_x}{T}}$

车辆平均排队长度：在一个信号周期内，各条车道绿灯相位起始时最大排队长度的平均值，第x个相位的车辆平均排队长度：

L_x＝2q_xR_x

式中q_x表示第x个相位的车辆到达流率，可以根据实际情况取作泊松分布等形式。

道路有效通行能力：在一定时间内通过某路口所有进口道停车线车辆数之和，对于信号路口，第x相位的道路有效通行能力：

Q_x＝λ_xs_x

式中λ_x表示第x个相位的绿信比。

将步骤2得到的路口动态O-D矩阵输入单路口多目标信号控制模型，并采用Lingo编程求解，得到单路口的信号配时参数和评价指标，并将各路口最大的信号周期作为干线公共周期C。

步骤4：车辆消散时间的计算

计算车辆在相邻路口之间行驶所需的间隔周期数：

式中l为干线上相邻路口之间的距离；v为车辆在相邻路口之间行驶的平均速度，可以根据浮动车***或者其他已有的车辆行驶速度预测方法获得；INT()为取整函数；

干线路段上行驶的车辆在到达路口时，会出现两种情况：第一种情况是路口信号灯为绿灯，车辆可以直接通过路口，即不受阻碍直接通过；第二种情况是路口信号灯为黄灯或红灯，车辆需要等待信号灯变为绿灯后才能通过，即车辆通过受阻。

①第一种情况：通过路口n-1行驶至路口n的时间小于路口n在上周期红灯积累下的车辆消散的时间，车辆行驶至路口n时需排队通过，即：

$t_n^{\&prime;}\&le;\frac{{\&Integral;}_{t_n+{\mathrm{\&lambda;}}_{n}C+(N-1)C}^{t_n+\mathrm{NC}}{k}_n{q}_n\left(t\right)\mathrm{dt}}{S_n}$

式中为车辆由路口n-1行驶至路口n的时间，t_n为路口n相对于路口n-1的相位差，λ_n为路口n干线方向绿灯相位的绿信比，k_n为路口n的流量调整系数，S_n为路口n干线方向的通行能力，q_n(t)为路口n车辆的到达率函数，可根据实际情况取作泊松分布等形式。

此时路口n车辆的消散时间为：

$T_n=\frac{{\&Integral;}_{t_n^{\&prime;}}^{t_n+C}{k}_n{q}_n\left(t\right)\mathrm{dt}+{\&Integral;}_{t_n+{\mathrm{\&lambda;}}_{n}C+(N-1)C}^{t_n+\mathrm{NC}}{k}_n{q}_n\left(t\right)\mathrm{dt}}{S_n}$

上式中分子表示的是路口n的干线方向绿灯相位内总共消散的车辆数，这部分车辆包括两部分，第一部分是上周期路口n未消散的排队车辆，第二部分是自上游路口行驶到路口n的车辆。

②第二种情况：车辆从路口n-1行驶至路口n的时间大于路口n在上周期红灯积累下的车辆消散的时间，车辆行驶至路口n时无需排队，直接通过，即：

$t_n^{\&prime;}\&GreaterEqual;\frac{{\&Integral;}_{t_n+{\mathrm{\&lambda;}}_{n}C}^{t_n+C}{k}_n{q}_n\left(t\right)\mathrm{dt}}{S_n}$

此时路口n车辆的消散时间为：

T_n＝0

步骤5：干线协调控制方案的确定

将步骤3得到的干线公共周期和步骤4得到的车辆消散时间输入到干线协调信号控制模型：

$\max f(t_n,{\mathrm{\&lambda;}}_n)=\underset{n}{\mathrm{\&Sigma;}}{M}_n$

$s.t.\left\{\begin{array}{c}{t}_n\&GreaterEqual;0\\ 0\&le;{\mathrm{\&lambda;}}_n\&le;{\mathrm{\&lambda;}}_{n,\max }\end{array}\right.$

式中λ_n,max表示干线上路口n的最大绿信比，本发明取为0.75。

采用Matlab的M语言编程，求解干线协调信号控制模型，以路口n为例，得到路口n干线方向绿灯相位的绿信比λ_n、路口n相对于路口n-1的相位差t_n。

干线公共周期、各路口干线方向绿信比、相邻路口的相位差共同组成了干线控制方案。对时段进行更新，即可得到实时的干线协调信号控制方案。

步骤6：传输至信号控制***的应用

将实时的干线公共周期、各路口干线方向绿信比以及相邻路口的相位差传输到信号控制***，即可实现实时的干线协调信号控制。

本发明通过交通调查，将基于动态O-D矩阵估计的干线协调信号控制方法在具体干线案例中所得的结果，与常用的最大绿波带法对比，基于动态O-D矩阵估计的干线协调信号控制方法能够根据时变的交通流量、提供实时的干线控制方案，在延误、排队长度和停车次数三个指标上均明显由于最大绿波带法，具有很好的效果，可以在满足精度和效率要求的前提下，提高干线的通行效率。

前面已经具体描述了本发明的实施方案，应当理解，对于一个具有本技术领域的普通技能的人，在不脱离本发明范围的任何修改或局部替换，均属于本发明权利要求书保护的范围。

Claims (2)

1.一种基于动态O-D矩阵估计的干线协调信号控制方法，其特征在于：

本控制方法包括基于动态O-D矩阵估计的干线公共周期计算方法和基于车辆不受阻率最大的干线绿信比和相位差计算方法，两种方法共同构成基于动态O-D矩阵估计的干线协调信号控制方法，根据流量检测器得到的各路口进出口道路段流量，可以计算出干线各路口的最佳公共周期、绿信比和相邻路口间的相位差，实现干线协调控制，其主要步骤如下：

(1)路口进出口道流量检测：在干线上各个路口进出口道运行路段流量检测器，检测得到每个时段路口进出口道的路段交通流量；

(2)路口动态O-D矩阵的估计：将路口的动态转向比例作为自变量，以检测得到的路口进出口道流量为已知量，在远端计算机中运行基于贝叶斯加权的路口动态转向比例估计模型程序，求解各个路口的动态转向比例，进一步得到路口的动态O-D矩阵；

(3)干线公共周期的确定：在远端计算机中运行多目标信号控制模型的算法程序，以路口动态O-D矩阵为已知量，求解以车辆延误和平均排队长度最小、道路有效通行能力最大为目标的多目标信号控制模型，得到各路口最优的信号配时周期，选择最大的周期值作为干线公共周期；

(4)车辆消散时间的计算：通过检测器判断每对邻近路口下一路口车队是否在上一路口车队到达之前已经消散，并分为未消散和已消散两种情形，分别计算每个路口的车辆消散时间；

(5)干线协调控制方案的确定：将干线公共周期、各路口车辆消散时间输入到基于车辆不受阻率最大的干线绿信比和相位差计算模型中，以干线的不受阻率最大为目标函数，求解每个路口的绿信比和相位差，公共周期、绿信比和相位差三组参数共同构成干线协调信号控制方案；

(6)将得到的控制参数传输到信号机实施，实现干线协调信号控制。

2.根据权利要求1所述的基于动态O-D矩阵估计的干线协调信号控制方法，其特征在于：在采用基于动态O-D矩阵估计的单路口多目标信号控制模型计算出干线上各单独路口最优周期的基础上，选择最大的周期值作为干线公共周期，并建立基于车辆不受阻率最大的干线绿信比和相位差计算方法，求解干线协调控制的绿信比和相位差，保证干线方向车辆顺利通过；

车辆在相邻路口之间行驶所需的间隔周期数：

式中l为干线上相邻路口之间的距离；v为车辆在相邻路口之间行驶的平均速度；C为干线公共周期；INT()为取整函数；

干线路段上行驶的车辆在到达路口时，会出现两种情况：第一种情况是路口信号灯为绿灯，车辆可以直接通过路口，即不受阻碍直接通过；第二种情况是路口信号灯为黄灯或红灯，车辆需要等待信号灯变为绿灯后才能通过，即车辆通过受阻；

①第一种情况：通过路口n-1行驶至路口n的时间小于路口n在上周期红灯积累下的车辆消散的时间，车辆行驶至路口n时需排队通过，即：

$t_n^{\&prime;}\&le;\frac{{\&Integral;}_{t_n+{\mathrm{\&lambda;}}_{n}C+(N-1)C}^{t_n+\mathrm{NC}}{k}_n{q}_n\left(t\right)\mathrm{dt}}{S_n}$

式中为车辆由路口n-1行驶至路口n的时间，t_n为路口n相对于路口n-1的相位差，λ_n为路口n干线方向绿灯相位的绿信比，k_n为路口n的流量调整系数，q_n(t)为路口n车辆的到达率函数，S_n为路口n干线方向的通行能力；

此时路口n车辆的消散时间为：

$T_n=\frac{{\&Integral;}_{t_n^{\&prime;}}^{t_n+C}{k}_n{q}_n\left(t\right)\mathrm{dt}+{\&Integral;}_{t_n+{\mathrm{\&lambda;}}_{n}C+(N-1)C}^{t_n+\mathrm{NC}}{k}_n{q}_n\left(t\right)\mathrm{dt}}{S_n}$

上式中分子表示的是路口n的干线方向绿灯相位内总共消散的车辆数，这部分车辆包括两部分，第一部分是上周期路口n未消散的排队车辆，第二部分是自上游路口行驶到路口n的车辆；

②第二种情况：车辆从路口n-1行驶至路口n的时间大于路口n在上周期红灯积累下的车辆消散的时间，车辆行驶至路口n时无需排队，直接通过，即：

$t_n^{\&prime;}\&GreaterEqual;\frac{{\&Integral;}_{t_n+{\mathrm{\&lambda;}}_{n}C}^{t_n+C}{k}_n{q}_n\left(t\right)\mathrm{dt}}{S_n}$

此时路口n车辆的消散时间为：

T_n＝O

定义干线方向直行车辆在路口n的不受阻率为：

$M_n=\frac{Q_n^{\&prime;}}{Q_n}=\frac{{\&Integral;}_{t_n+T_n}^{t_n+{\mathrm{\&lambda;}}_{n}C}{q}_n\left(t\right)\mathrm{dt}}{Q_n}$

式中Q′_n为干线中第n个路口某周期内不因灯控而产生延误、直接通过的流量，Q_n为在第n个路口某周期内的总流量；

以干线上所有路口的不受阻率之和最大作为目标函数，建立干线协调信号控制模型：

$\max f(t_n,{\mathrm{\&lambda;}}_n)=\underset{n}{\mathrm{\&Sigma;}}{M}_n$

$s.t.\left\{\begin{array}{c}{t}_n\&GreaterEqual;0\\ 0\&le;{\mathrm{\&lambda;}}_n\&le;{\mathrm{\&lambda;}}_{n,\max }\end{array}\right.$

式中λ_n,max表示干线上路口n的最大绿信比；

求解干线协调信号控制模型，得到每个路口干线方向的绿信比λ_n、以及相邻路口的相位差t_n，结合干线公共周期，即可得到干线协调信号控制方案。