CN106910350A - 一种寻找信号控制交叉口群关键路径的方法 - Google Patents

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

一种寻找信号控制交叉口群关键路径的方法

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＝n_d/n₀

n_d——车队在路径起点绿灯时间内通过的车辆数(veh)

n_o——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＝{x_n}，R为一条路径，x_n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R_F1、R_F2；若|X₁₂|＝1，则将交点x∈X₁₂后的部分交换，生成R_F1、R_F2；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：

p_min、p_max均为可调节参数

f_max——中所有路径的f_Rn的最大值

f_min——中f_Rn的最小值

i_R——路径R的关联度I_R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x_i，若i≠0∧i≠|R|，则选取x_i-1的另一个相邻交叉口x′_i：

x_i＝rand(R)

x′_i＝rand({x|x∈X∧join(x,x_i-1)})

否则选取另一边缘交叉口x′_i；

若x′_i与后续交叉口x_i+i直接相连，则将R中的x_i替换为x′_i；否则搜寻到x_i+i最短的路径r′＝{x′_i,x′_i+1,…,x′_i+i′}，用r′替换R中的x_i；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R_max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＝n_d/n₀

n_d——车队在路径起点绿灯时间内通过的车辆数(veh)

n_o——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＝{x_n}，R为一条路径，x_n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＝{x_n|x_n＝rand(X)∧(n＝0∨join(x_n,x_n-1)}

R₂＝{x_n|x_n＝rand(X)∧join(x_n-1,x_n)}

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R_F1、R_F2。若|X₁₂|＝1，则将交点x∈X₁₂后的部分交换，生成R_F1、R_F2。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：

p_min、p_max均为可调节参数

f_max——中所有路径的f_Rn的最大值

f_min——中f_Rn的最小值

i_R——路径R的关联度I_R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x_i，若i≠0∧i≠|R|，则选取x_i-1的另一个相邻交叉口x′_i：

x_i＝rand(R)

x′_i＝rand({x|x∈X∧join(x,x_i-1)})

否则选取另一边缘交叉口x′_i。

若x′_i与后续交叉口x_i+i直接相连，则将R中的x_i替换为x′_i；否则搜寻到x_i+i最短的路径r′＝{x′_i,x′_i+1,…,x′_i+i′}，用r′替换R中的x_i。

(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R_max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＝n_d/n₀

n_d——车队在路径起点绿灯时间内通过的车辆数(veh)

n_o——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：

$I_2^m=\frac{max(D_1^m,D_2^m,...,D_n^m,...,D_N^m)}{L}$

$D_n^m=d_{1n}^m+d_{2n}^m+d_{3n}^m$

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：

$I=I_1+\stackrel{\‾}{I_2^m}$

$\stackrel{\‾}{I_2^m}={\mathrm{\Σ}}_{m=1}^M\frac{I_2^m}{M}.$

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＝{x_n}，R为一条路径，x_n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R_F1、R_F2；若|X₁₂|＝1，则将交点x∈X₁₂后的部分交换，生成R_F1、R_F2；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：

$p\left(R\right)=\left\{\begin{array}{cc}{p}_{\min },& I_x\&GreaterEqual;\stackrel{\&OverBar;}{I}\\ p_{\max }-\frac{(p_{max}-p_{\min })(f_R-f_{min})}{f_{max}-f_{min}},& I_x<\stackrel{\&OverBar;}{I}\end{array}\right.$

p_min、p_max均为可调节参数

f_max——中所有路径的f_Rn的最大值

f_min——中f_Rn的最小值

i_R——路径R的关联度I_R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x_i，若i≠0∧i≠|R|，则选取x_i-1的另一个相邻交叉口x′_i：

x_i＝rand(R)

x′_i＝rand({x|x∈X∧join(x,x_i-1)})

否则选取另一边缘交叉口x′_i；

若x′_i与后续交叉口x_i+i直接相连，则将R中的x_i替换为x′_i；否则搜寻到x_i+i最短的路径r′＝{x′_i,x′_i+1,…,x′_i+i′}，用r′替换R中的x_i；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R_max作为关键路径。