CN107591011A - 考虑供给侧约束的交叉***通信号自适应控制方法 - Google Patents
考虑供给侧约束的交叉***通信号自适应控制方法 Download PDFInfo
- Publication number
- CN107591011A CN107591011A CN201711047657.3A CN201711047657A CN107591011A CN 107591011 A CN107591011 A CN 107591011A CN 201711047657 A CN201711047657 A CN 201711047657A CN 107591011 A CN107591011 A CN 107591011A
- Authority
- CN
- China
- Prior art keywords
- intersection
- traffic
- vehicles
- lane
- supply
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明属于智能交通研究领域,涉及一种考虑供给侧约束的交叉***通信号自适应控制方法。克服了现存信号控制***及研究中缺乏对交叉口出口道交通供给量的考虑的问题,包括如下步骤:1、通过对交叉***通信息的检测与处理,获取交叉口进口道的交通需求量和出口道的交通供给量;2、建立交叉***通供需量的时变关系,构建交叉口供需矩阵;3、基于智能规划,建立问题描述、初始状态、目标状态、动作集、知识规则五元组描述的交叉口信号配时优化模型;4、采用决策树的方法对目标状态进行搜索,生成相应的配时方案。与现有技术相比,本发明实现了交叉口的主动控制,同时可防止交叉口下游出口道排队溢出,避免交叉口“死锁”。
Description
技术领域
本发明涉及智能交通研究领域中一种交叉***通信号控制方法,更确切地说,本发明涉及一种考虑供给侧约束的交叉***通信号自适应控制方法。
背景技术
目前全国各地普遍面临严重的交通拥堵问题,信号交叉口作为城市交通控制的基本单元,其控制策略对解决交通拥堵问题有重大意义,如TRANSYT、SCATS、SCOOT、OPAC、RHODES等信号控制***的应用,有效地提高了路网的通行效率。但是这些***均建立在交叉口出口道排队容量无穷大的假想基础上,该假想在交叉口非饱和状态下是成立的,当交叉口处于饱和或过饱和状态时,该假想将失效,因此常常出现车辆滞留于交叉口内部的现象,严重时会导致交叉口“死锁”或局部路网瘫痪。
近年来,为避免交叉口死锁,满***通流全状态的控制,国内外开展了大量相关研究,该成果主要集中为:一、交叉口群的协调控制,该类方法通过相邻交叉口的协调,避免交叉口排队上溯到上游交叉口,该控制方法表现为交叉口的被动控制,难于精准控制交叉口排队不上溯到上游交叉口。二、交叉口的单点控制,这类方法以交叉口的通行效率(延误、通行能力等)为目标,进行配时优化,但是缺乏对出口道排队容量的考虑,因此其在交叉口饱和或过饱和状态下的控制效果难以验证。
综上所述,现存的控制***及研究均以交叉口车辆完全释放为前提,缺乏对交叉口下游供给量的考虑,因此,急需建立考虑供给侧约束的交通信号控制方法。
发明内容
本发明的目的是为了克服现存信号控制***及研究中缺乏对交叉口出口道交通供给量的考虑的问题,提供了一种考虑供给侧约束的交叉***通信号自适应控制方法。
为实现本发明的上述目的,提供以下技术方案:
一种考虑供给侧约束的交叉***通信号自适应控制方法,包括如下步骤:
步骤一:交叉***通信息检测与处理;
步骤二:交叉口供需矩阵构建;
步骤三:基于智能规划的交叉口信号配时优化模型;
步骤四:基于决策树的交叉口信号配时优化。
步骤一中所述的交叉***通信息检测与处理,包括以下具体步骤:
(1)交叉口进、出口道检测器的优化布设;
利用多传感器融合、交通控制理论、交通流理论的知识,确定约束控制下控制参数表达、取值、检测范围、检测器布设的方法;
(2)交叉口进、出口道视频信息获取及分析;
进口道车辆的排队长度为估算需求量的主要依据,利用深度学习、图像处理方法,通过背景模型、前景获取,对前景车道上的车辆直接学习,获取车道上车辆排队长度,将车辆排队长度换算为车辆数,记为
出口道的空余空间为出口道供给量的估算依据,仍利用视频图像处理、深度学习算法,通过背景模型、前景获取,对前景没有被车辆占用的空间进行学习,获取空余空间长度,并换算为供给车辆数,记为
步骤二中所述的交叉口供需矩阵构建,包括以下具体步骤:
(1)利用交通流的到达与释放规律、概率论、预测理论的相关知识,预测未来Δt1期间交叉口进口道i预计到达的车辆数和出口道j预计释放的车辆数
(2)结合进、出口道供需量检测结果,建立交叉***通供给量和需求量的时变关系表达,获取供给量和需求量:
将未来Δt1期间交叉口进口道i的交通需求量记为Si,那么:
将未来Δt1期间交叉口出口道j的交通供给量记为Dj,那么:
(3)交叉口供需矩阵描述:设交叉口进口道交通流方向数为M、出口道数目为N,那么交叉口进口道各交通流的交通需求量为:S1,S2,……,SM,交叉口各出口道的交通供给量为:D1,D2,……DN;因此交叉口各进、出口道的交通需求量和供给量分别构成了需求矩阵S=[S1,S2,……,SM]和供给矩阵D=[D1,D2,……DN]。
步骤三中所述的基于智能规划的交叉口信号配时优化模型,包括以下具体步骤:
(1)交通流智能规划模型框架构建:将交通流信号控制问题规约为考虑供给侧约束的交通流不确定性智能规划快速求解问题,利用交通流运行特性、时间约束、道路渠化组织、车流相位相序级配交通控制领域显性和隐性相关的知识,将交通流的智能规划模型表达为一个五元组的形式(Q,I,G,A,R),其中,Q表示问题描述、I表示问题的初始状态、G表示问题的目标状态、A表示动作集、R表示规则集;
(2)以交叉口车辆的释放效率与交通流调度的公平性为求解目标,建立基于智能规划的交叉口信号配时优化模型;
在考虑交通流的等待时间、排队长度参数的基础上,构造了交通流的公平惩罚函数η(tw,Q,……),其中tw表示等待时间,Q表示排队长度;考虑供给侧约束的交通流智能规划模型表示为:
优化目标maxφ:
s.t.
基本动作集:Act=<a1,a2,a3,……>
a1=进口道i与k的交通流相位合并;
a2=***黄灯时间;
a3=切换到下一交通流;
基本规则集:R=<r1,r2,r3,……>
r1=若进口道i与k的交通流存在合并关系,执行a1;
r2=若交通流i结束,执行a2;
r3=若黄灯时间结束,执行a3;
初始状态:初始时刻交叉口的状态;
目标状态:最优配时方案对应的交叉口状态;
其中:
C——优化周期;
λi——进口道i的权重;
ηi——为避免进口道i的交通流多次得不到释放,构造该交通流的公平惩罚函数;
Si(C)——周期C内进口道i的交通需求量;
Tri'(C)——周期C内进口道i的车辆转移比例;
Tr'M×N——可达转移矩阵,tr′ij表示进口道i到出口道j的车辆转移比例;
D'——进口道向出口道释放的交通量;
TrM×N——转移矩阵,trij表示进口道i向出口道j的车辆转移比例;
∧——逻辑与运算;
AM×N——交叉口进、出口之间的静态可达矩阵,反映交通流的空间OD方向,aij表示进口道i和出口道j之间的可达性,aij=0表示不可达,aij=1表示可达;
AMM×N——交叉口进、出口之间的动态可达矩阵,amij表示进口道i和出口道j之间的可达性,amij=0表示不可达,amij=1表示可达,amij的状态的改变通过动作集和规则集实现,反映交通流的空间OD实际运行方向,受道路渠化组织,交通管制、交通事件、特殊警务、需求量为0、供给量为0情况的影响;
gi——进口道i的绿灯时间;
Ei(t)——进口道i的车辆释放率;
——进口道i的最小绿灯时间和最大绿灯时间;
其中,约束条件D'≤D实现对进口道释放的车辆数的限制,避免出口道排队溢出;反应需求约束,避免规划求解过程为获取最优值,出现为负数或大于1的情况;实现对交通流i的最大绿灯时间和最小绿灯时间的约束。
步骤四中所述基于决策树的交叉口信号配时优化,包括以下具体步骤:
依据步骤三中建立的交叉口信号配时优化模型,采用决策树的方法对交叉口的信号配时进行优化,具体步骤如下:
(1)目标状态的搜索:
将优化周期分为m个时长为Δt2的间隔,称之为阶段;对于每个阶段,以交叉口当前的状态及决策变量作为输入,交叉口的状态包括交叉口进、出口道的交通供需量、车辆到达离开特性、信号状态等;输出为运行指标及该阶段结束后交叉口的交通状态;且前一阶段的输出作为下一阶段的输入;
其中,第n阶段决策变量的定义如下:
在每一阶段开始时,根据动作集和规则集做出决策,并对交叉口的下列状态信息进行更新:
①第n阶段进口道i释放的车辆数:
其中:si表示进口道i车流的饱和流率,单位(pcu/Δt2);
Ci(n)为第n阶段进口道i到达的车辆数;
Si(n)为第n阶段进口道i的排队车辆数;
②第n+1阶段进口道i上排队车辆数为:
Si(n+1)=Si(n)+Ci(n)-Ri(n) (7)
③第n+1阶段出口道j上车辆总数为:
Qj(n+1)=Qj(n)+R(n)×Aj-Lj(n) (8)
其中:R(n)为第n阶段各进口道转移车辆数;
Aj为各进口道与j出口道之间的可达矩阵;
Lj(n)为第n阶段j出口道驶离的车辆数;
④第n阶段出口道j上剩余的排队容量:
Dj(n)=Nj-Qj(n) (9)
其中:Nj表示j出口道的排队总容量;
⑤第n+1阶段优化时间:
T(0)=0 (10)
其中:gmin表示最小绿灯时间;
⑥第n+1阶段车流的绿灯时间:
⑦第n阶段进口道i的信号状态:
⑧第n+1阶段的节点标号:
p(0)=1(13)
⑨第n+1阶段的运行指标为:
延误:
通行能力:
当节点的优化时间T达到优化周期C时,即成为终止节点,对比各终止节点对应的F/C的值,该值最大的节点存储的交叉口状态信息即为交叉口的目标状态;
(2)生成配时方案;
对于搜索过程中产生的每一个节点,均存在唯一的位置信息,即节点标号与之对应;在得到目标状态之后,根据其对应的节点标号,按照下述公式,逆推回到初始状态,获得最优的决策序列;
根据对决策变量DM的定义,DM(n)=1表示切换到下一相位,DM(n)=0表示保持当前相位,在得到最优的决策序列之后,即可得到其对应的配时方案。
与现有技术相比,本发明的有益效果体现在以下方面:
1.本发明所述的考虑供给侧约束的交叉***通信号自适应控制方法综合考虑交叉口进口道的交通需求量和出口道的交通供给量进行信号配时优化,可以防止交叉口下游出口道排队溢出,避免交叉口“死锁”。
2.本发明所述的考虑供给侧约束的交叉***通信号自适应控制方法克服了现有的信号配时方法中被动适应交通需求量的问题,表现为交叉口的主动控制,实现了对交叉口时空资源的全局优化,大大提高了交叉口的运行效率。
附图说明
图1是本发明所述的考虑供给侧约束的交叉***通信号自适应控制方法的流程框图;
图2是本发明所述的考虑供给侧约束的交叉***通信号自适应控制方法中交叉口进、出口示意图;
图3是本发明所述的考虑供给侧约束的交叉口信号控制思想框图;
图4是本发明所述的考虑供给侧约束的交叉口信号配时优化模型中交叉口的供需表达;
图5是本发明所述的基于决策树的交叉口信号配时优化算法中阶段n输入输出示意图;
图6是本发明所述的考虑供给侧约束的交叉***通信号自适应控制方法中进行模型验证时西康路与同志街交叉口的渠化图;
图7是本发明所述的考虑供给侧约束的交叉***通信号自适应控制方法中进行模型验证时西康路与同志街交叉口的信号相位相序图;
图8是本发明所述的供需约束的交叉口信号配时优化方法中进行模型验证时优化前后平均车辆延误图;
图9是本发明所述的供需约束的交叉口信号配时优化方法中进行模型验证时优化前后累计通过交叉口的车辆数。
具体实施方式
下面结合附图对本发明做详细的描述:
参阅图2、图3,对本发明所述的考虑供给侧约束的交叉口信号控制思想进行介绍。以图2中所示的进口道i及其对应的出口道j为例进行说明。将进口道i在t到t+Δt期间到达的交通量记为需求量Si(t+Δt);出口道j在t到t+Δt期间允许进口道转移的最大交通量记为供给量Dj(t+Δt),供给量受出口道剩余排队容量的限制。对进口道i交通流的控制实质是给出其向出口道j允许释放的交通量,而允许释放的交通量受交叉口出口道供给量的限制。
参阅图3所示的考虑供给侧约束的交叉口信号控制思想框图,其中:
f1——t到t+Δt期间进口道i车辆的转移比例,与进口道i绿灯时长有关;
S′i(t+Δt)——t到t+Δt期间进口道i向下游转移的车辆数,S′i=Si*f1;
D'j(t+Δt)——t+Δt时刻出口道j的剩余排队容量;
对于进口道i,给定一个绿灯时间,对应车辆的转移比例为f1,其向出口道j转移的车辆数为S′i(t+Δt),那么出口道j在t+Δt时刻的剩余排队容量为D'j(t+Δt),D'j(t+Δt)越大,表明可以向下游释放的车辆数越多。因此D'j(t+Δt)构成了信号控制***的正反馈,实现了交叉口的闭环控制。进口道i绿灯期间向下游释放的最大车辆数同时受到进口道排队车辆和出口道剩余排队容量的限制,max S′i(t+Δt)=min(Dj(t+Δt),Si(t+Δt)),因此该控制方法实现了交叉口的主动控制,可以防止下游出口道车辆排队溢出,避免交叉口“死锁”。
本发明所述的考虑供给侧约束的交叉***通信号自适应控制方法具体步骤如下:
1.交叉***通信息检测与处理
交叉口进口道的到达交通量与出口道的剩余排队容量,即供需量,是交通流控制的信息基础。具体步骤如下:
(1)交叉口进、出口道检测器的优化布设
利用多传感器融合、交通控制理论、交通流理论的知识,确定约束控制下控制参数表达、取值、检测范围、检测器布设的方法;
(2)交叉口进、出口道视频信息获取及分析
进口道车辆的排队长度为估算需求量的主要依据,利用深度学习、图像处理等方法,通过背景模型、前景获取,对前景车道上的车辆直接学习,获取车道上车辆排队长度,将车辆排队长度换算为车辆数,记为出口道的空余空间为出口道供给量的估算依据,仍利用视频图像处理、深度学习算法等,通过背景模型、前景获取,对前景没有被车辆占用的空间进行学习,获取空余空间长度,并换算为供给车辆数,记为
2.交叉口供需矩阵构建
(1)利用交通流的到达与释放规律、概率论、预测理论的的相关知识,预测未来Δt1期间进口道i预计到达的车辆数和出口道j预计释放的车辆数
(2)结合进、出口道供需量检测结果,建立交叉***通供给量和需求量的时变关系表达,获取供给量和需求量:
将未来Δt1期间交叉口进口道i的交通需求量记为Si,那么:
将未来Δt1期间交叉口出口道j的交通供给量记为Dj,那么:
(3)参阅图4中所示的常规四路交叉口的供需量描述(按照逆时针方向进行标号);设交叉口进口道交通流方向数为M、出口道数目为N,那么交叉口进口道各交通流的交通需求量为:S1,S2,……,SM,交叉口各出口道的交通供给量为:D1,D2,……DN;因此交叉口各进、出口道的交通需求量和供给量分别构成了需求矩阵S=[S1,S2,……,SM]和供给矩阵D=[D1,D2,……DN]。
3.基于智能规划的交叉口信号配时优化模型
(1)交通流智能规划模型框架构建,本发明将交通流信号控制问题规约为考虑供给侧约束的交通流不确定性智能规划快速求解问题,利用交通流运行特性、时间约束、道路渠化组织、车流相位相序级配等交通控制领域显性和隐性相关的知识,将交通流的智能规划模型表达为一个五元组的形式(Q,I,G,A,R),其中,Q表示问题描述、I表示问题的初始状态、G表示问题的目标状态、A表示动作集、R表示规则集。
(2)本发明以交叉口车辆的释放效率与交通流调度的公平性为求解目标,建立基于智能规划的交叉口信号配时优化模型。效率保证单位时间内通过交叉口的车辆数最多。由于相位的切换会造成时间的损失,影响到交叉口的通行效率,因此,在保证交叉口车辆释放效率的前提下,排队车辆较少的车流可能会多周期得不到释放。所以本发明在考虑交通流的等待时间、排队长度等参数的基础上,构造了交通流的公平惩罚函数η(tw,Q,……),其中tw表示等待时间,Q表示排队长度。那么考虑供给侧约束的交通流智能规划模型可表示为:
优化目标maxφ:
s.t.
基本动作集:Act=<a1,a2,a3,……>
a1=进口道i与k的交通流相位合并;
a2=***黄灯时间;
a3=切换到下一交通流;
基本规则集:R=<r1,r2,r3,……>
r1=若进口道i与k的交通流存在合并关系,执行a1;
r2=若交通流i结束,执行a2;
r3=若黄灯时间结束,执行a3;
初始状态:初始时刻交叉口的状态;
目标状态:最优配时方案对应的交叉口状态。
其中:
C——优化周期;
λi——进口道i的权重;
ηi——为避免进口道i的交通流多次得不到释放,构造该交通流的公平惩罚函数;
Si(C)——周期C内进口道i的交通需求量;
Tri'(C)——周期C内进口道i的车辆转移比例;
Tr'M×N——可达转移矩阵,tr′ij表示进口道i到出口道j的车辆转移比例;
D'——进口道向出口道释放的交通量;
TrM×N——转移矩阵,trij表示进口道i向出口道j的车辆转移比例;
∧——逻辑与运算;
AM×N——交叉口进、出口之间的静态可达矩阵,反映交通流的空间OD方向,aij表示进口道i和出口道j之间的可达性,aij=0表示不可达,aij=1表示可达;
AMM×N——交叉口进、出口之间的动态可达矩阵,amij表示进口道i和出口道j之间的可达性,amij=0表示不可达,amij=1表示可达,amij的状态的改变通过动作集和规则集实现,反映交通流的空间OD实际运行方向,受道路渠化组织,交通管制、交通事件、特殊警务、需求量为0、供给量为0等情况的影响;
gi——进口道i的绿灯时间;
Ei(t)——进口道i的车辆释放率;
——进口道i的最小绿灯时间和最大绿灯时间。
其中,约束条件D'≤D实现对进口道释放的车辆数的限制,避免出口道排队溢出;反应需求约束,避免规划求解过程为获取最优值,出现为负数或大于1的情况;实现对进口道i的最大绿灯时间和最小绿灯时间的约束。
4.基于决策树的交叉口信号配时优化
本发明依据步骤3中建立的交叉口信号配时优化模型,采用决策树的方法对交叉口的信号配时进行优化,具体步骤如下:
(1)目标状态的搜索
参阅图5中所示的阶段n输入输出示意图。本发明将优化周期分为m个时长为Δt2的间隔(此处称之为阶段)。对于每个阶段,均有输入(交叉口状态信息、车辆到达、离开特性及决策变量)、输出(运行指标,该阶段结束后交叉口的状态信息),且前一阶段的输出作为下一阶段的输入。
其中,第n阶段决策变量的定义如下:
在每一阶段开始时,根据动作集和规则集做出决策,并对交叉口的下列状态信息进行更新:
①第n阶段进口道i释放的车辆数:
其中:si表示车流i的饱和流率,单位(pcu/Δt2);
Ci(n)为第n阶段i进口道到达的车辆数;
Si(n)为第n阶段i进口道的排队车辆数。
②第n+1阶段进口道i上排队车辆数为:
Si(n+1)=Si(n)+Ci(n)-Ri(n) (7)
③第n+1阶段出口道j上车辆总数为:
Qj(n+1)=Qj(n)+R(n)×Aj-Lj(n) (8)
其中:R(n)为第n阶段各进口道转移车辆数;
Aj为各进口道与j出口道之间的可达矩阵;
Lj(n)为第n阶段j出口道驶离的车辆数。
④第n阶段出口道j上剩余的排队容量:
Dj(n)=Nj-Qj(n) (9)
其中:Nj表示j出口道的排队总容量。
⑤第n+1阶段优化时间:
T(0)=0(10)
其中:gmin表示最小绿灯时间。
⑥第n+1阶段车流的绿灯时间:
⑦第n+1阶段进口道i的信号状态:
⑧第n+1阶段的节点标号:
p(0)=1 (13)
⑨第n+1阶段的运行指标为:
延误:
通行能力:
当节点的优化时间T达到优化周期C时,即成为终止节点,对比各终止节点对应的F/C的值(单位时间内通过交叉口的车辆数),该值最大的节点存储的交叉口状态信息即为交叉口的目标状态。
(3)生成配时方案
由公式13可知,对于搜索过程中产生的每一个节点,均存在唯一的位置信息,即节点标号与之对应。因此,在得到目标状态之后,可根据其对应的位置信息,按照下述公式,逆推回到初始状态,获得最优的决策序列。
根据对决策变量DM的定义,DM(n)=1表示切换到下一相位,DM(n)=0表示保持当前相位,在得到最优的决策序列之后,即可得到其对应的配时方案。
实施例
为了验证本发明的有效性,特对长春市西康路和同志街交叉口进行实地调查,完成以下实验。
参照图6、图7,分别为交叉口渠化图及交叉口相位相序图。交叉口目前的信号周期为96s,其中相位1绿灯时间51s、黄灯时间3s、红灯时间42s;相位2绿灯时间33s、黄灯时间3s、红灯时间60s。调查时间为工作日早7:30-7:50。调查得到初始时刻交叉口的状态、优化周期内交叉口进口道车辆的到达规律和出口道车辆的离开规律、绿灯期间车辆的饱和释放率及出口道的排队容量。调查时间内,出口道4红灯期间的排队车辆常常发生溢出,上溯到进口道5,严重影响到进口道8车辆的通行。
为简化求解过程,对交叉口车辆运行情况做出如下简化:由于西康路右转车流量非常小,因此忽略不计;此外同志街北出口道和西康路出口道红灯期间排队车辆较少,因此同志街的右转车流和西康路的左转车流均按照直行统计。经简化,该交叉口成为一个只允许直行的两相位交叉口。
根据调查得到的初始时刻交叉口的状态信息、进口道车辆的到达规律、出口道车辆的释放规律等数据,对未来20min交叉口车辆的运行情况进行仿真,仿真过程中做出如下假设:
(1)交叉口相位相序固定,按照交叉口现有的相位相序情况进行配时优化;
(2)以3s为小步距对相位绿灯时间进行调整;
(3)不考虑绿灯启亮时的损失时间,绿灯启亮后,排队车辆以饱和流率释放;
(4)黄灯相位之后,不考虑***全红相位;
(5)黄灯时间为3s,规定黄灯期间车辆不得通过交叉口,绿灯相位结束后必须***黄灯相位;
(6)最小绿灯时间为6s,最大绿灯时间为60s,优化周期为96s;
根据步骤4中所述的交叉口状态信息的更新方法,采用c语言编程对目标状态进行搜索,根据步骤5中所述的方法生成相应的配时方案。下面从3个方面对仿真结果进行分析:
(1)交叉口排队溢出情况
以1min为间隔对优化前后出口道4的剩余排队容量进行统计,结果下表所示。其中负数表示出口道排队已经溢出,对应数值为溢出的车辆数;0表示此时出口道排队已满。
表1优化前后出口道4剩余排队容量
时间间隔 | 优化前(pcu) | 优化后(pcu) | 时间间隔 | 优化前(pcu) | 优化后(pcu) |
1 | -4 | 2 | 11 | 13 | 4 |
2 | -4 | 2 | 12 | -4 | 1 |
3 | 13 | 0 | 13 | -4 | 1 |
4 | -4 | 0 | 14 | -4 | 1 |
5 | -4 | 0 | 15 | -1 | 4 |
6 | -4 | 0 | 16 | -3 | 2 |
7 | -1 | 1 | 17 | -4 | 2 |
8 | -3 | 1 | 18 | -4 | 2 |
9 | -4 | 1 | 19 | 13 | 2 |
10 | -4 | 1 | 20 | -4 | 2 |
由表1可知,优化前出口道4常常处于溢出状态,并将交叉口堵死(交叉口内部可以容纳4辆车,剩余容量为-4时,交叉口将被堵死);而优化后,出口道不会发生排队溢出,避免了交叉口死锁。
(2)交叉口车辆平均延误
参照图8,以1min为间隔对优化前后交叉口的车辆平均延误进行统计。由图8可知,优化后的方案车辆平均延误远远小于优化前。在仿真的20min期间,优化前的方案车辆平均延误为51.5s,优化后的方案车辆平均延误为38.2s,减少了13.3s。
(3)交叉口通行能力
参照图9,以1min为间隔对优化前后累计通过交叉口的车辆数进行统计。由图9可知,优化后累计通过交叉口的车辆数一直大于等于优化前。但由于西康路车流量较小,一旦出口道4的车辆开始消散,西康路到达的车辆便可通过交叉口,因此优化前后20min内通过交叉口的总的车辆数相当。但优化后的方案中出口道4的排队车辆不会发生溢出,绿灯期间进口道8的车辆可以顺利通过交叉口,大大提高了交叉口绿灯时间的利用率,因此车辆平均延误远远小于优化前。
综上所述,本发明建立的考虑供给侧约束的交叉***通信号自适应控制方法,综合考虑交叉口进口道的交通需求量和出口道的交通供给量,进行信号配时优化。一方面可以防止交叉口下游出口道排队溢出,避免交叉口发生“死锁”;另一方面实现了对交叉口时空资源的全局优化,大大提高了交叉口的运行效率。因此,本发明具有较好的应用前景。
Claims (5)
1.一种考虑供给侧约束的交叉***通信号自适应控制方法,其特征在于,包括如下步骤:
步骤一:交叉***通信息检测与处理;
步骤二:交叉口供需矩阵构建;
步骤三:基于智能规划的交叉口信号配时优化模型;
步骤四:基于决策树的交叉口信号配时优化。
2.根据权利要求1所述的一种考虑供给侧约束的交叉***通信号自适应控制方法,其特征在于:
步骤一中所述的交叉***通信息检测与处理,包括以下具体步骤:
(1)交叉口进、出口道检测器的优化布设;
利用多传感器融合、交通控制理论、交通流理论的知识,确定约束控制下控制参数表达、取值、检测范围、检测器布设的方法;
(2)交叉口进、出口道视频信息获取及分析;
进口道车辆的排队长度为估算需求量的主要依据,利用深度学习、图像处理方法,通过背景模型、前景获取,对前景车道上的车辆直接学习,获取车道上车辆排队长度,将车辆排队长度换算为车辆数,记为
出口道的空余空间为出口道供给量的估算依据,仍利用视频图像处理、深度学习算法,通过背景模型、前景获取,对前景没有被车辆占用的空间进行学习,获取空余空间长度,并换算为供给车辆数,记为
3.根据权利要求1所述的一种考虑供给侧约束的交叉***通信号自适应控制方法,其特征在于:
步骤二中所述的交叉口供需矩阵构建,包括以下具体步骤:
(1)利用交通流的到达与释放规律、概率论、预测理论的相关知识,预测未来Δt1期间交叉口进口道i预计到达的车辆数和出口道j预计释放的车辆数
(2)结合进、出口道供需量检测结果,建立交叉***通供给量和需求量的时变关系表达,获取供给量和需求量:
将未来Δt1期间交叉口进口道i的交通需求量记为Si,那么:
<mrow>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msubsup>
<mi>S</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mi>a</mi>
</msubsup>
<mo>;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
将未来Δt1期间交叉口出口道j的交通供给量记为Dj,那么:
<mrow>
<msub>
<mi>D</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<msubsup>
<mi>D</mi>
<mi>j</mi>
<mo>*</mo>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>y</mi>
<mi>j</mi>
<mi>s</mi>
</msubsup>
<mo>;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
(3)交叉口供需矩阵描述:设交叉口进口道交通流方向数为M、出口道数目为N,那么交叉口进口道各交通流的交通需求量为:S1,S2,……,SM,交叉口各出口道的交通供给量为:D1,D2,……DN;因此交叉口各进、出口道的交通需求量和供给量分别构成了需求矩阵S=[S1,S2,……,SM]和供给矩阵D=[D1,D2,……DN]。
4.根据权利要求1所述的一种考虑供给侧约束的交叉***通信号自适应控制方法,其特征在于:
步骤三中所述的基于智能规划的交叉口信号配时优化模型,包括以下具体步骤:
(1)交通流智能规划模型框架构建:将交通流信号控制问题规约为考虑供给侧约束的交通流不确定性智能规划快速求解问题,利用交通流运行特性、时间约束、道路渠化组织、车流相位相序级配交通控制领域显性和隐性相关的知识,将交通流的智能规划模型表达为一个五元组的形式(Q,I,G,A,R),其中,Q表示问题描述、I表示问题的初始状态、G表示问题的目标状态、A表示动作集、R表示规则集;
(2)以交叉口车辆的释放效率与交通流调度的公平性为求解目标,建立基于智能规划的交叉口信号配时优化模型;
在考虑交通流的等待时间、排队长度参数的基础上,构造了交通流的公平惩罚函数η(tw,Q,……),其中tw表示等待时间,Q表示排队长度;考虑供给侧约束的交通流智能规划模型表示为:
优化目标maxφ:
<mrow>
<mi>&phi;</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&eta;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>Tr</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>)</mo>
</mrow>
</mrow>
<mi>C</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
s.t.
其中:
C——优化周期;
λi——进口道i的权重;
ηi——为避免进口道i的交通流多次得不到释放,构造该交通流的公平惩罚函数;
Si(C)——周期C内进口道i的交通需求量;
Tri'(C)——周期C内进口道i的车辆转移比例;
Tr'M×N——可达转移矩阵,tr′ij表示进口道i到出口道j的车辆转移比例;
D'——进口道向出口道释放的交通量;
TrM×N——转移矩阵,trij表示进口道i向出口道j的车辆转移比例;
∧——逻辑与运算;
AM×N——交叉口进、出口之间的静态可达矩阵,反映交通流的空间OD方向,aij表示进口道i和出口道j之间的可达性,aij=0表示不可达,aij=1表示可达;
AMM×N——交叉口进、出口之间的动态可达矩阵,amij表示进口道i和出口道j之间的可达性,amij=0表示不可达,amij=1表示可达,amij的状态的改变通过动作集和规则集实现,反映交通流的空间OD实际运行方向,受道路渠化组织,交通管制、交通事件、特殊警务、需求量为0、供给量为0情况的影响;
gi——进口道i的绿灯时间;
Ei(t)——进口道i的车辆释放率;
——进口道i的最小绿灯时间和最大绿灯时间;
其中,约束条件D'≤D实现对进口道释放的车辆数的限制,避免出口道排队溢出;反应需求约束,避免规划求解过程为获取最优值,出现为负数或大于1的情况;实现对交通流i的最大绿灯时间和最小绿灯时间的约束。
5.根据权利要求1所述的一种考虑供给侧约束的交叉***通信号自适应控制方法,其特征在于:
步骤四中所述基于决策树的交叉口信号配时优化,包括以下具体步骤:
依据步骤三中建立的交叉口信号配时优化模型,采用决策树的方法对交叉口的信号配时进行优化,具体步骤如下:
(1)目标状态的搜索:
将优化周期分为m个时长为Δt2的间隔,称之为阶段;对于每个阶段,以交叉口当前的状态及决策变量作为输入,交叉口的状态包括交叉口进、出口道的交通供需量、车辆到达离开特性、信号状态等;输出为运行指标及该阶段结束后交叉口的交通状态;且前一阶段的输出作为下一阶段的输入;
其中,第n阶段决策变量的定义如下:
在每一阶段开始时,根据动作集和规则集做出决策,并对交叉口的下列状态信息进行更新:
①第n阶段进口道i释放的车辆数:
其中:si表示进口道i车流的饱和流率,单位(pcu/Δt2);
Ci(n)为第n阶段进口道i到达的车辆数;
Si(n)为第n阶段进口道i的排队车辆数;
②第n+1阶段进口道i上排队车辆数为:
Si(n+1)=Si(n)+Ci(n)-Ri(n) (7)
③第n+1阶段出口道j上车辆总数为:
Qj(n+1)=Qj(n)+R(n)×Aj-Lj(n) (8)
其中:R(n)为第n阶段各进口道转移车辆数;
Aj为各进口道与j出口道之间的可达矩阵;
Lj(n)为第n阶段j出口道驶离的车辆数;
④第n阶段出口道j上剩余的排队容量:
Dj(n)=Nj-Qj(n) (9)
其中:Nj表示j出口道的排队总容量;
⑤第n+1阶段优化时间:
T(0)=0 (10)
其中:gmin表示最小绿灯时间;
⑥第n+1阶段车流的绿灯时间:
⑦第n阶段进口道i的信号状态:
⑧第n+1阶段的节点标号:
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>2</mn>
<mo>*</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>D</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>2</mn>
<mo>*</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>D</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
p(0)=1 (13)
⑨第n+1阶段的运行指标为:
延误:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>t</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>12</mn>
</munderover>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&eta;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
</mrow>
通行能力:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>12</mn>
</munderover>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&eta;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>15</mn>
<mo>)</mo>
</mrow>
</mrow>
当节点的优化时间T达到优化周期C时,即成为终止节点,对比各终止节点对应的F/C的值,该值最大的节点存储的交叉口状态信息即为交叉口的目标状态;
(2)生成配时方案:
对于搜索过程中产生的每一个节点,均存在唯一的位置信息,即节点标号与之对应;在得到目标状态之后,根据其对应的节点标号,按照下述公式,逆推回到初始状态,获得最优的决策序列;
根据对决策变量DM的定义,DM(n)=1表示切换到下一相位,DM(n)=0表示保持当前相位,在得到最优的决策序列之后,即可得到其对应的配时方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711047657.3A CN107591011B (zh) | 2017-10-31 | 2017-10-31 | 考虑供给侧约束的交叉***通信号自适应控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711047657.3A CN107591011B (zh) | 2017-10-31 | 2017-10-31 | 考虑供给侧约束的交叉***通信号自适应控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107591011A true CN107591011A (zh) | 2018-01-16 |
CN107591011B CN107591011B (zh) | 2020-09-22 |
Family
ID=61045619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711047657.3A Active CN107591011B (zh) | 2017-10-31 | 2017-10-31 | 考虑供给侧约束的交叉***通信号自适应控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107591011B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710979A (zh) * | 2018-03-31 | 2018-10-26 | 西安电子科技大学 | 一种基于决策树的物联网港口船舶调度方法 |
CN109003444A (zh) * | 2018-07-02 | 2018-12-14 | 北方工业大学 | 基于广域雷达微波检测器的城市交叉口溢流控制方法 |
CN109935079A (zh) * | 2019-03-19 | 2019-06-25 | 吉林大学 | 交叉口供需协同优化控制方法 |
CN110363997A (zh) * | 2019-07-05 | 2019-10-22 | 西南交通大学 | 一种有施工区交叉口信号配时优化方法 |
CN110379180A (zh) * | 2019-07-05 | 2019-10-25 | 平安国际智慧城市科技股份有限公司 | 一种交通信号控制方法、交通信号控制装置及终端设备 |
CN110491145A (zh) * | 2018-10-29 | 2019-11-22 | 魏天舒 | 一种交通信号优化控制方法及装置 |
CN111882878A (zh) * | 2020-09-02 | 2020-11-03 | 烟台大学 | 一种基于交通流预测的最大化关键道路通行能力的方法 |
CN112037508A (zh) * | 2020-08-13 | 2020-12-04 | 山东理工大学 | 基于动态饱和流率的交叉口信号配时优化方法 |
CN112258856A (zh) * | 2020-08-10 | 2021-01-22 | 北方工业大学 | 一种区域交通信号数据驱动控制模型建立方法 |
CN113470390A (zh) * | 2021-07-09 | 2021-10-01 | 公安部交通管理科学研究所 | 短连线交叉口边缘节点融合的多相位动态协调控制方法 |
CN114519931A (zh) * | 2020-11-17 | 2022-05-20 | 郑州宇通客车股份有限公司 | 一种路口环境下目标车辆行为预测方法及装置 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005071292A (ja) * | 2003-08-28 | 2005-03-17 | Omron Corp | 信号制御装置 |
CN101025862A (zh) * | 2007-02-12 | 2007-08-29 | 吉林大学 | 基于视频的混合交通流参数的检测方法 |
US20070208492A1 (en) * | 2006-03-03 | 2007-09-06 | Inrix, Inc. | Dynamic time series prediction of future traffic conditions |
JP2008059615A (ja) * | 2007-11-21 | 2008-03-13 | Omron Corp | 信号制御装置 |
JP2009003699A (ja) * | 2007-06-21 | 2009-01-08 | Kyosan Electric Mfg Co Ltd | 交通信号制御装置、及び交通信号制御方法 |
CN102411847A (zh) * | 2011-08-02 | 2012-04-11 | 清华大学 | 一种交通信号优化方法 |
CN102855759A (zh) * | 2012-07-05 | 2013-01-02 | 中国科学院遥感应用研究所 | 高分辨率卫星遥感交通流信息自动采集方法 |
CN103021192A (zh) * | 2012-12-27 | 2013-04-03 | 南京洛普股份有限公司 | 全程倒计时且无跳变的交通路口信号灯自适应控制方法 |
CN103208197A (zh) * | 2013-04-23 | 2013-07-17 | 成都希盟科技有限公司 | 交通信号配时的方法 |
CN103927890A (zh) * | 2014-04-29 | 2014-07-16 | 北京建筑大学 | 一种基于动态o-d矩阵估计的干线协调信号控制方法 |
CN104021682A (zh) * | 2014-05-06 | 2014-09-03 | 东南大学 | 过饱和交叉口自修复控制方法 |
CN104123848A (zh) * | 2014-07-14 | 2014-10-29 | 昆明理工大学 | 一种考虑展宽段长度的单个交叉口过饱和信号配时方法 |
CN104966402A (zh) * | 2015-06-05 | 2015-10-07 | 吉林大学 | 一种过饱和交通流交叉口排队溢出防控方法 |
CN106128103A (zh) * | 2016-07-26 | 2016-11-16 | 北京市市政工程设计研究总院有限公司 | 一种基于逐级递归控制的道路交叉口转向交通量分配方法及装置 |
CN106251655A (zh) * | 2016-09-30 | 2016-12-21 | 哈尔滨工业大学 | 一种基于出口剩余容量约束的交叉口信号控制方法 |
CN106530763A (zh) * | 2016-12-28 | 2017-03-22 | 东南大学 | 进口流量与出口容量耦合的过饱和交通自适应信号控制方法 |
CN106650913A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种基于深度卷积神经网络的车流密度估计方法 |
CN106652480A (zh) * | 2016-12-28 | 2017-05-10 | 山东理工大学 | 一种基于微波地磁数据的交叉口最大排队长度计算方法 |
-
2017
- 2017-10-31 CN CN201711047657.3A patent/CN107591011B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005071292A (ja) * | 2003-08-28 | 2005-03-17 | Omron Corp | 信号制御装置 |
US20070208492A1 (en) * | 2006-03-03 | 2007-09-06 | Inrix, Inc. | Dynamic time series prediction of future traffic conditions |
CN101025862A (zh) * | 2007-02-12 | 2007-08-29 | 吉林大学 | 基于视频的混合交通流参数的检测方法 |
JP2009003699A (ja) * | 2007-06-21 | 2009-01-08 | Kyosan Electric Mfg Co Ltd | 交通信号制御装置、及び交通信号制御方法 |
JP2008059615A (ja) * | 2007-11-21 | 2008-03-13 | Omron Corp | 信号制御装置 |
CN102411847A (zh) * | 2011-08-02 | 2012-04-11 | 清华大学 | 一种交通信号优化方法 |
CN102855759A (zh) * | 2012-07-05 | 2013-01-02 | 中国科学院遥感应用研究所 | 高分辨率卫星遥感交通流信息自动采集方法 |
CN103021192A (zh) * | 2012-12-27 | 2013-04-03 | 南京洛普股份有限公司 | 全程倒计时且无跳变的交通路口信号灯自适应控制方法 |
CN103208197A (zh) * | 2013-04-23 | 2013-07-17 | 成都希盟科技有限公司 | 交通信号配时的方法 |
CN103927890A (zh) * | 2014-04-29 | 2014-07-16 | 北京建筑大学 | 一种基于动态o-d矩阵估计的干线协调信号控制方法 |
CN104021682A (zh) * | 2014-05-06 | 2014-09-03 | 东南大学 | 过饱和交叉口自修复控制方法 |
CN104123848A (zh) * | 2014-07-14 | 2014-10-29 | 昆明理工大学 | 一种考虑展宽段长度的单个交叉口过饱和信号配时方法 |
CN104966402A (zh) * | 2015-06-05 | 2015-10-07 | 吉林大学 | 一种过饱和交通流交叉口排队溢出防控方法 |
CN106128103A (zh) * | 2016-07-26 | 2016-11-16 | 北京市市政工程设计研究总院有限公司 | 一种基于逐级递归控制的道路交叉口转向交通量分配方法及装置 |
CN106251655A (zh) * | 2016-09-30 | 2016-12-21 | 哈尔滨工业大学 | 一种基于出口剩余容量约束的交叉口信号控制方法 |
CN106530763A (zh) * | 2016-12-28 | 2017-03-22 | 东南大学 | 进口流量与出口容量耦合的过饱和交通自适应信号控制方法 |
CN106652480A (zh) * | 2016-12-28 | 2017-05-10 | 山东理工大学 | 一种基于微波地磁数据的交叉口最大排队长度计算方法 |
CN106650913A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种基于深度卷积神经网络的车流密度估计方法 |
Non-Patent Citations (4)
Title |
---|
BIAO YIN: "Forward search algorithm based on dynamic programming for real-time adaptive traffic signal control", 《IET INTELLIGENT TRANSPORT SYSTEMS》 * |
李海涛: "预防"死锁"的最大绿灯时间计算方法", 《交通科技》 * |
李萌萌: "预防交叉口排队溢出的交通信号控制方法研究", 《中国优秀硕士学位论文工程科技Ⅱ辑》 * |
郭海锋: "窗口流量控制的干线动态协调控制方法", 《智能交通控制理论与应用》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710979B (zh) * | 2018-03-31 | 2022-02-18 | 西安电子科技大学 | 一种基于决策树的物联网港口船舶调度方法 |
CN108710979A (zh) * | 2018-03-31 | 2018-10-26 | 西安电子科技大学 | 一种基于决策树的物联网港口船舶调度方法 |
CN109003444A (zh) * | 2018-07-02 | 2018-12-14 | 北方工业大学 | 基于广域雷达微波检测器的城市交叉口溢流控制方法 |
CN109003444B (zh) * | 2018-07-02 | 2020-09-18 | 北方工业大学 | 基于广域雷达微波检测器的城市交叉口溢流控制方法 |
CN110491145A (zh) * | 2018-10-29 | 2019-11-22 | 魏天舒 | 一种交通信号优化控制方法及装置 |
CN109935079A (zh) * | 2019-03-19 | 2019-06-25 | 吉林大学 | 交叉口供需协同优化控制方法 |
CN110379180B (zh) * | 2019-07-05 | 2021-08-13 | 平安国际智慧城市科技股份有限公司 | 一种交通信号控制方法、交通信号控制装置及终端设备 |
CN110363997A (zh) * | 2019-07-05 | 2019-10-22 | 西南交通大学 | 一种有施工区交叉口信号配时优化方法 |
CN110379180A (zh) * | 2019-07-05 | 2019-10-25 | 平安国际智慧城市科技股份有限公司 | 一种交通信号控制方法、交通信号控制装置及终端设备 |
CN112258856A (zh) * | 2020-08-10 | 2021-01-22 | 北方工业大学 | 一种区域交通信号数据驱动控制模型建立方法 |
CN112037508A (zh) * | 2020-08-13 | 2020-12-04 | 山东理工大学 | 基于动态饱和流率的交叉口信号配时优化方法 |
CN112037508B (zh) * | 2020-08-13 | 2022-06-17 | 山东理工大学 | 基于动态饱和流率的交叉口信号配时优化方法 |
CN111882878B (zh) * | 2020-09-02 | 2021-07-02 | 烟台大学 | 一种基于交通流预测的最大化关键道路通行能力的方法 |
CN111882878A (zh) * | 2020-09-02 | 2020-11-03 | 烟台大学 | 一种基于交通流预测的最大化关键道路通行能力的方法 |
CN114519931A (zh) * | 2020-11-17 | 2022-05-20 | 郑州宇通客车股份有限公司 | 一种路口环境下目标车辆行为预测方法及装置 |
CN113470390A (zh) * | 2021-07-09 | 2021-10-01 | 公安部交通管理科学研究所 | 短连线交叉口边缘节点融合的多相位动态协调控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107591011B (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107591011B (zh) | 考虑供给侧约束的交叉***通信号自适应控制方法 | |
Chen et al. | An improved adaptive signal control method for isolated signalized intersection based on dynamic programming | |
Ma et al. | Trajectory planning for connected and automated vehicles at isolated signalized intersections under mixed traffic environment | |
Jayakrishnan et al. | An evaluation tool for advanced traffic information and management systems in urban networks | |
CN109785619B (zh) | 区域交通信号协调优化控制***及其控制方法 | |
Yao et al. | A dynamic predictive traffic signal control framework in a cross-sectional vehicle infrastructure integration environment | |
CN104464310B (zh) | 城市区域多交叉口信号协同优化控制方法及*** | |
CN103996289B (zh) | 一种流量-速度匹配模型及行程时间预测方法及*** | |
Li et al. | Traffic signal timing optimization in connected vehicles environment | |
CN109949604A (zh) | 一种大型停车场调度导航方法、***以及使用方法 | |
Ma et al. | Multi-stage stochastic program to optimize signal timings under coordinated adaptive control | |
CN114241751B (zh) | 一种面向大型停车场的多出入口动静态交通协调优化方法 | |
Rakha et al. | Comparison of simulation modules of TRANSYT and INTEGRATION models | |
Kamran et al. | Traffic light signal timing using simulation | |
Wang et al. | TLB-VTL: 3-level buffer based virtual traffic light scheme for intelligent collaborative intersections | |
CN116524715A (zh) | 结合干线绿波协调和应急路径决策的滚动双层规划方法 | |
Solovyev et al. | Optimal Synthesis Method for Signalized Intersection of Urban Highways with Route Branching | |
Geng et al. | Multi-intersection traffic light control using infinitesimal perturbation analysis | |
Huang et al. | A modified cell transmission model considering queuing characteristics for channelized zone at signalized intersections | |
Lin et al. | Study on fast model predictive controllers for large urban traffic networks | |
Soh et al. | Modeling of a multilane-multiple intersection based on queue theory and standard approach techniques | |
Pohlmann | New approaches for online control of urban traffic signal systems | |
Igbinosun et al. | Traffic flow model at fixed control signals with discrete service time distribution | |
Obsu et al. | Modelling pedestrians’ impact on the performance of a roundabout | |
Song et al. | Catching up with traffic lights for data delivery in vehicular ad hoc networks |
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 |