CN106910350A - 一种寻找信号控制交叉口群关键路径的方法 - Google Patents
一种寻找信号控制交叉口群关键路径的方法 Download PDFInfo
- Publication number
- CN106910350A CN106910350A CN201710172728.6A CN201710172728A CN106910350A CN 106910350 A CN106910350 A CN 106910350A CN 201710172728 A CN201710172728 A CN 201710172728A CN 106910350 A CN106910350 A CN 106910350A
- Authority
- CN
- China
- Prior art keywords
- path
- intersection
- paths
- degree
- group
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种寻找信号控制交叉口群关键路径的方法,包括如下步骤:(1)获取交叉口群所有路段与交叉口的各项数据信息;(2)根据这些数据计算交叉口群各路径起讫点的离散性关联指标I1;(3)计算交叉口群各个路段的阻滞性关联指标I2;(4)令作为一条路径的总关联性指标,为该路径所有路段I2的平均值,用种群算法搜索交叉口群的路径,得出I最高的一条路径作为关键路径。本发明对路径关联度模型进行微调,搜索关联度最高的路径,不必遍历所有路径,大大减少了运算量,从而减少了整个信号控制交叉口群时空资源协调优化***的运算时间,增强协调控制的实时性与有效性,增大其可以处理的交叉口群规模。
Description
技术领域
本发明涉及交通信号控制领域,尤其是一种寻找信号控制交叉口群关键路径的方法。
背景技术
我国在城市道路网干道上的交叉口多为信号控制交叉口,分别进行单点信号控制。进行单点信号控制时车辆在交叉口处频繁停车,因此导致路网运行效率低下、出行延误增大等交通问题。为减少车辆在各个交叉口上的停车时间,交叉口群时空资源优化***通过实时监测交通量,将多个交叉口作为一个整体进行协调控制,以减少交叉口群的拥堵。
现有的交叉口群协调控制***分为五个部分,包含目标交叉口识别、交叉口群范围划定、关键路径检索、时空资源优化和在线实时调整五个步骤。其中,关键路径搜索模块采用的模型中,路径关联度的计算有一个去量纲步骤,使得每个路径的关联度计算取决于所有路径阻滞性关联度与离散型关联度的极值,遍历交叉口所有路径不可避免,致使该模块计算耗费大量时间,常常达到数分钟,这一时段内交通流量已经发生了变化,削弱了整个协调控制***的实时性,影响调整效果。
发明内容
本发明所要解决的技术问题在于,提供一种寻找信号控制交叉口群关键路径的方法,能够减少运算量,增大可以处理的交叉口群规模。
为解决上述技术问题,本发明提供一种寻找信号控制交叉口群关键路径的方法,包括如下步骤:
(1)获取交叉口群的各项数据,包括交叉口群的范围X、交叉口数量N、关键交叉口K、交叉口与路段的连接方式以及各交叉口每个进口道的车道数、渠化方案、排队长度、车速、各流向的交通量;
(2)遍历所有边缘交叉口的数据,计算得到交叉口群内所有路径的离散性关联度I1,计算公式如下:
I1=nd/n0
nd——车队在路径起点绿灯时间内通过的车辆数(veh)
no——车队在路径终点绿灯时间内通过的车辆数(veh);
(3)遍历交叉口群内所有路段,计算得出其两端交叉口的阻滞性关联度I2,单向N车道路段m的阻滞性关联度计算公式为:
L——路段长度(m)
——该路段第n个车道的功能区长度(m)
——路段m第n条车道的车辆排队长度(m)
——减速距离(m)
——感知-反应距离(m);
(4)然后通过遗传算法得出路网中总体关联度I最大的路径,有M条路段的路径,其总体关联度如下:
优选的,步骤(4)中,遗传算法的具体步骤为:
(41)为各交叉口编号,即X={0,1,…,N},用编号序列表示一条路径,即R={xn},R为一条路径,xn表示该路径第n个交叉口;从关键交叉口开始向外随机搜索,生成一条两端处于交叉口群边界的路径R,重复生成多个R,构成初始种群
(42)在中随机选择两相交路径:
rand(set)——在set中随机选择一个元素
令X12=R1∩R2,若|X12|≥2,随机取这两条路径的两个交点:
x1=rand(X12),x2=rand(X12)
将R1、R2在x1、x2之间的部分交换,生成子代路径RF1、RF2;若|X12|=1,则将交点x∈X12后的部分交换,生成RF1、RF2;多次重复该过程,将生成的所有子代路径组成子代种群模拟自然界的交配、繁殖过程;
(43)计算所有路径的关联度I,并在随机选取多个路径R:
采取自适应概率,每个路径R的被选取的概率公式如下:
pmin、pmax均为可调节参数
fmax——中所有路径的fRn的最大值
fmin——中fRn的最小值
iR——路径R的关联度IR在所有路径中的降序排名
在被选中的R中随机选择一个交叉口xi,若i≠0∧i≠|R|,则选取xi-1的另一个相邻交叉口x′i:
xi=rand(R)
x′i=rand({x|x∈X∧join(x,xi-1)})
否则选取另一边缘交叉口x′i;
若x′i与后续交叉口xi+i直接相连,则将R中的xi替换为x′i;否则搜寻到xi+i最短的路径r′={x′i,x′i+1,…,x′i+i′},用r′替换R中的xi;该步模拟生物基因突变过程。
(44)重新计算所有路径的关联度I,对其进行筛选,仅留下与亲代种群数量相同的一部分路径,构成路径R被去除的概率为:
(45)若种群的路径的关联度未达到收敛条件,也未达到预定的最大迭代次数,令并回到步骤(42);否则停止迭代并将当前关联度最高的路径Rmax作为关键路径。
本发明的有益效果为:本发明对路径关联度模型进行微调,每条路径的关联度与交叉口群其他路径解耦,可以单独计算,从而可以利用启发式算法求取近似解,搜索关联度最高的路径,不必遍历所有路径,大大减少了运算量,从而减少了整个信号控制交叉口群时空资源协调优化***的运算时间,增强协调控制的实时性与有效性,增大其可以处理的交叉口群规模。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
如图1所示,一种寻找信号控制交叉口群关键路径的方法,包括如下步骤:
(1)调查获得交叉口群的各项数据,包括交叉口群的范围X、交叉口数量N、关键交叉口K、交叉口与路段的连接方式、每个进口道的车道数M、渠化方案等,并通过电子设备获取各进口道的排队长度、车速、各流向的交通量与车速等实时交通流信息。
(2)遍历所有边缘交叉口的数据,计算得到交叉口群内所有路径的离散性关联度I1,计算公式如下:
I1=nd/n0
nd——车队在路径起点绿灯时间内通过的车辆数(veh)
no——车队在路径终点绿灯时间内通过的车辆数(veh)
(3)遍历交叉口群内所有路段,计算得出其两端交叉口的阻滞性关联度I2。单向N车道路段m的阻滞性关联度计算公式为:
L——路段长度(m)
——该路段第n个车道的功能区长度(m)
——路段m第n条车道的车辆排队长度(m)
——减速距离(m)
——感知-反应距离(m)
(4)然后通过遗传算法得出路网中总体关联度I最大的路径。有M条路段的路径,其总体关联度如下:
遗传算法的具体步骤为:
(40)设置迭代结束的条件:
并设置最大迭代次数T;
(41)令所有交叉口为集合X,为各交叉口编号,即X={0,1,…,N},用编号序列表示一条路径。即R={xn},R为一条路径,xn表示该路径第n个交叉口。从关键交叉口开始向外随机搜索,生成一条由关键交叉口达到交叉口群边界的路径:
R1={xn|xn=rand(X)∧(n=0∨join(xn,xn-1)}
R2={xn|xn=rand(X)∧join(xn-1,xn)}
rand(set)——在set中随机选择一个元素
重复生成多个R,构成初始种群
(42)在中随机选择两相交路径:
令X12=R1∩R2,若|X12|≥2,随机取这两条路径的两个交点:
x1=rand(X12),x2=rand(X12)
将R1、R2在x1、x2之间的部分交换,生成子代路径RF1、RF2。若|X12|=1,则将交点x∈X12后的部分交换,生成RF1、RF2。多次重复该过程,将生成的所有子代路径组成子代种群
(43)计算所有路径的关联度I,并在随机选取多个路径R:
采取自适应概率,路径R的被选中的概率公式如下:
pmin、pmax均为可调节参数
fmax——中所有路径的fRn的最大值
fmin——中fRn的最小值
iR——路径R的关联度IR在中所有路径关联度中的降序排名
在R中随机选择一个交叉口xi,若i≠0∧i≠|R|,则选取xi-1的另一个相邻交叉口x′i:
xi=rand(R)
x′i=rand({x|x∈X∧join(x,xi-1)})
否则选取另一边缘交叉口x′i。
若x′i与后续交叉口xi+i直接相连,则将R中的xi替换为x′i;否则搜寻到xi+i最短的路径r′={x′i,x′i+1,…,x′i+i′},用r′替换R中的xi。
(44)重新计算所有路径的关联度I,对其进行筛选,仅留下与亲代种群数量相同的一部分路径,构成路径R被去除的概率为:
(45)若种群的路径的关联度未达到收敛条件P,迭代次数也未达到预定的最大迭代次数T,则令并回到步骤42);否则停止迭代并将当前关联度最高的路径Rmax作为关键路径。
本方法旨在对城市道路信号控制交叉口群时空资源协调***的关键路径检索模块进行针对性的改进,提高求解速度。
尽管本发明就优选实施方式进行了示意和描述,但本领域的技术人员应当理解,只要不超出本发明的权利要求所限定的范围,可以对本发明进行各种变化和修改。
Claims (2)
1.一种寻找信号控制交叉口群关键路径的方法,其特征在于,包括如下步骤:
(1)获取交叉口群的各项数据,包括交叉口群的范围X、交叉口数量N、关键交叉口K、交叉口与路段的连接方式以及各交叉口每个进口道的车道数、渠化方案、排队长度、车速、各流向的交通量;
(2)遍历所有边缘交叉口的数据,计算得到交叉口群内所有路径的离散性关联度I1,计算公式如下:
I1=nd/n0
nd——车队在路径起点绿灯时间内通过的车辆数(veh)
no——车队在路径终点绿灯时间内通过的车辆数(veh);
(3)遍历交叉口群内所有路段,计算得出其两端交叉口的阻滞性关联度I2,单向N车道路段m的阻滞性关联度计算公式为:
L——路段长度(m)
——该路段第n个车道的功能区长度(m)
——路段m第n条车道的车辆排队长度(m)
——减速距离(m)
——感知-反应距离(m);
(4)然后通过遗传算法得出路网中总体关联度I最大的路径,有M条路段的路径,其总体关联度如下:
2.如权利要求1所述的寻找信号控制交叉口群关键路径的方法,其特征在于,步骤(4)中,遗传算法的具体步骤为:
(41)为各交叉口编号,即X={0,1,…,N},用编号序列表示一条路径,即R={xn},R为一条路径,xn表示该路径第n个交叉口;从关键交叉口开始向外随机搜索,生成一条两端处于交叉口群边界的路径R,重复生成多个R,构成初始种群
(42)在中随机选择两相交路径:
rand(set)——在set中随机选择一个元素
令X12=R1∩R2,若|X12|≥2,随机取这两条路径的两个交点:
x1=rand(X12),x2=rand(X12)
将R1、R2在x1、x2之间的部分交换,生成子代路径RF1、RF2;若|X12|=1,则将交点x∈X12后的部分交换,生成RF1、RF2;多次重复该过程,将生成的所有子代路径组成子代种群模拟自然界的交配、繁殖过程;
(43)计算所有路径的关联度I,并在随机选取多个路径R:
采取自适应概率,每个路径R的被选取的概率公式如下:
pmin、pmax均为可调节参数
fmax——中所有路径的fRn的最大值
fmin——中fRn的最小值
iR——路径R的关联度IR在所有路径中的降序排名
在被选中的R中随机选择一个交叉口xi,若i≠0∧i≠|R|,则选取xi-1的另一个相邻交叉口x′i:
xi=rand(R)
x′i=rand({x|x∈X∧join(x,xi-1)})
否则选取另一边缘交叉口x′i;
若x′i与后续交叉口xi+i直接相连,则将R中的xi替换为x′i;否则搜寻到xi+i最短的路径r′={x′i,x′i+1,…,x′i+i′},用r′替换R中的xi;该步模拟生物基因突变过程。
(44)重新计算所有路径的关联度I,对其进行筛选,仅留下与亲代种群数量相同的一部分路径,构成路径R被去除的概率为:
(45)若种群的路径的关联度未达到收敛条件,也未达到预定的最大迭代次数,令并回到步骤(42);否则停止迭代并将当前关联度最高的路径Rmax作为关键路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710172728.6A CN106910350B (zh) | 2017-03-22 | 2017-03-22 | 一种寻找信号控制交叉口群关键路径的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710172728.6A CN106910350B (zh) | 2017-03-22 | 2017-03-22 | 一种寻找信号控制交叉口群关键路径的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106910350A true CN106910350A (zh) | 2017-06-30 |
CN106910350B CN106910350B (zh) | 2019-06-18 |
Family
ID=59195140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710172728.6A Active CN106910350B (zh) | 2017-03-22 | 2017-03-22 | 一种寻找信号控制交叉口群关键路径的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106910350B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918731A (zh) * | 2019-01-31 | 2019-06-21 | 上海卫星工程研究所 | 基于关键路径的卫星任务规划仿真分析方法与*** |
CN110097757A (zh) * | 2019-05-22 | 2019-08-06 | 东南大学 | 一种基于深度优先搜索的交叉口群关键路径识别方法 |
CN112466116A (zh) * | 2019-12-27 | 2021-03-09 | 北京航空航天大学 | 基于边缘计算的交叉口群分布式控制方法 |
CN113112084A (zh) * | 2020-07-31 | 2021-07-13 | 中国海洋大学 | 一种教练机后机身研发流程优化方法及装置 |
CN113223293A (zh) * | 2021-05-06 | 2021-08-06 | 杭州海康威视数字技术股份有限公司 | 路网仿真模型的构建方法、装置及电子设备 |
CN115100857A (zh) * | 2022-06-17 | 2022-09-23 | 广州运星科技有限公司 | 一种基于Dijkstra算法的路网子区关键路径识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006194603A (ja) * | 2005-01-11 | 2006-07-27 | Sanyo Electric Co Ltd | 遺伝的アルゴリズムを用いた経路探索装置及び方法 |
CN103794065A (zh) * | 2014-01-24 | 2014-05-14 | 东南大学 | 一种主动式的城市道路区域信号配时参数协同优化方法 |
CN103824446A (zh) * | 2013-12-13 | 2014-05-28 | 华南理工大学 | 一种子区多交叉口群决策控制方法 |
CN105809958A (zh) * | 2016-03-29 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 一种基于交叉口群的交通控制方法及*** |
-
2017
- 2017-03-22 CN CN201710172728.6A patent/CN106910350B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006194603A (ja) * | 2005-01-11 | 2006-07-27 | Sanyo Electric Co Ltd | 遺伝的アルゴリズムを用いた経路探索装置及び方法 |
CN103824446A (zh) * | 2013-12-13 | 2014-05-28 | 华南理工大学 | 一种子区多交叉口群决策控制方法 |
CN103794065A (zh) * | 2014-01-24 | 2014-05-14 | 东南大学 | 一种主动式的城市道路区域信号配时参数协同优化方法 |
CN105809958A (zh) * | 2016-03-29 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 一种基于交叉口群的交通控制方法及*** |
Non-Patent Citations (1)
Title |
---|
李岩等: ""基于小波变换的关联交叉口群关键路径识别方法"", 《中国公路学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918731A (zh) * | 2019-01-31 | 2019-06-21 | 上海卫星工程研究所 | 基于关键路径的卫星任务规划仿真分析方法与*** |
CN109918731B (zh) * | 2019-01-31 | 2023-04-07 | 上海卫星工程研究所 | 基于关键路径的卫星任务规划仿真分析方法与*** |
CN110097757A (zh) * | 2019-05-22 | 2019-08-06 | 东南大学 | 一种基于深度优先搜索的交叉口群关键路径识别方法 |
CN110097757B (zh) * | 2019-05-22 | 2021-08-06 | 东南大学 | 一种基于深度优先搜索的交叉口群关键路径识别方法 |
CN112466116A (zh) * | 2019-12-27 | 2021-03-09 | 北京航空航天大学 | 基于边缘计算的交叉口群分布式控制方法 |
CN113112084A (zh) * | 2020-07-31 | 2021-07-13 | 中国海洋大学 | 一种教练机后机身研发流程优化方法及装置 |
CN113112084B (zh) * | 2020-07-31 | 2023-01-31 | 中国海洋大学 | 一种教练机后机身研发流程优化方法及装置 |
CN113223293A (zh) * | 2021-05-06 | 2021-08-06 | 杭州海康威视数字技术股份有限公司 | 路网仿真模型的构建方法、装置及电子设备 |
CN113223293B (zh) * | 2021-05-06 | 2023-08-04 | 杭州海康威视数字技术股份有限公司 | 路网仿真模型的构建方法、装置及电子设备 |
CN115100857A (zh) * | 2022-06-17 | 2022-09-23 | 广州运星科技有限公司 | 一种基于Dijkstra算法的路网子区关键路径识别方法 |
CN115100857B (zh) * | 2022-06-17 | 2024-03-19 | 广州运星科技有限公司 | 一种基于Dijkstra算法的路网子区关键路径识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106910350B (zh) | 2019-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106910350A (zh) | 一种寻找信号控制交叉口群关键路径的方法 | |
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
CN112820108B (zh) | 一种自学习的路网交通状态分析及预测方法 | |
CN105070042B (zh) | 一种交通预测的建模方法 | |
Huang et al. | Coupled graph ode for learning interacting system dynamics | |
CN102708698B (zh) | 基于车联网的车辆最优路径导航方法 | |
Heung et al. | Coordinated road-junction traffic control by dynamic programming | |
CN105118294B (zh) | 一种基于状态模式的短时交通流预测方法 | |
CN103996289B (zh) | 一种流量-速度匹配模型及行程时间预测方法及*** | |
CN105096614B (zh) | 基于生成型深信度网络的新建路***通流量预测方法 | |
CN108010316A (zh) | 一种基于路网模型的道路交通多源数据融合处理方法 | |
CN104658297B (zh) | 一种基于Sarsa学习的中心式动态路径诱导方法 | |
CN106408124B (zh) | 一种面向数据稀疏环境下的移动路径混合预测方法 | |
CN103050016B (zh) | 一种基于混合推荐的交通信号控制方案实时选取方法 | |
CN103680158B (zh) | 基于c-均值模糊聚类分析的控制子区动态划分方法 | |
CN111710162B (zh) | 一种城市路网交通运行状况监测方法及*** | |
CN103593535A (zh) | 基于多尺度融合的城市交通复杂自适应网络平行仿真***及方法 | |
Wang et al. | Exploring the generalizability of spatio-temporal traffic prediction: Meta-modeling and an analytic framework | |
CN104484999A (zh) | 基于用户轨迹确定动态交通信息的方法及装置 | |
CN106017496A (zh) | 一种基于路况的实时导航方法 | |
CN108682147A (zh) | 一种高速公路交通拥堵疏导决策方法 | |
CN110428614B (zh) | 一种基于非负张量分解的交通拥堵热度时空预测方法 | |
CN114495500B (zh) | 一种基于对偶动态时空图卷积的交通预测方法 | |
CN107153896A (zh) | 一种基于节点对熵的交通网路径预测方法及*** | |
CN110807931A (zh) | 基于转向关系的交通路网有向图路径模型构建及求解方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |