CN113781768B - 一种基于储备通行能力的热点片区交通组织控制协同方法 - Google Patents
一种基于储备通行能力的热点片区交通组织控制协同方法 Download PDFInfo
- Publication number
- CN113781768B CN113781768B CN202110908433.7A CN202110908433A CN113781768B CN 113781768 B CN113781768 B CN 113781768B CN 202110908433 A CN202110908433 A CN 202110908433A CN 113781768 B CN113781768 B CN 113781768B
- Authority
- CN
- China
- Prior art keywords
- traffic
- intersection
- flow
- lane
- riw
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于储备通行能力的热点片区交通组织控制协同方法,包括以下步骤:1)采集热点片区道路网络基础交通数据,构建热点片区路网描述性集合;2)基于热点片区路网运行效益最大化,建立交通组织控制协同优化模型,实现对路段及交叉口各车道方向、功能和信号配时的协同优化;3)采用启发式算法求解交通组织控制协同优化模型,生成针对性的热点片区交通组织控制组合优化方案。与现有技术相比,本发明具有采用双层协同优化模型协同优化、提高整体运行效率、时空资源充分挖掘和有效利用等优点。
Description
技术领域
本发明涉及区域交通管控技术领域,尤其是涉及一种基于储备通行能力的热点片区交通组织控制协同方法。
背景技术
城市交通拥堵问题产生的根源是交通供给与交通需求的不平衡,随着经济与社会的高速发展,城市交通机动化速度迅速加快,然而交通土地资源相对紧张。在这种条件下,科学合理的规划、建设和管理城市道路交通***是缓解交通拥堵的关键。
城市热点片区是城市道路网络交通***的重点管控对象之一,其建设及优化的主要流程包含规划(空间布局)—设计(空间优化)—管理控制(时间优化)等三个阶段。首先通过道路基础设施的调整和完善建立合理的路网结构;然后对现有交通***及其设施加以优化设计,针对特定问题寻求改善交通的最佳方案,精细化地确定交通***及其构成要素;最后确定交通的通行权、通行时间与空间及其管理方案。然而在实施应用中,难以保证提供给交通控制的道路空间设计是最合理的,同时各种交通管理策略(可逆车道、单行线、流向禁止等)之间,以及其与交通控制都存在相互影响关系,因此如何充分利用现有的道路交通资源,同时快速应对交通需求的随机性,从空间和时间两个角度综合考虑,实现热点片区交通时空资源最佳利用是提升热点片区交通管控效果的重要手段。
现有的热点片区交通管控方法主要通过各种技术手段,将现有道路资源的利用率充分发挥,但由于各种优化策略之间存在相互影响制约的关系,使得组合优化在模型建立、求解和分析中都需要面对比单个策略优化更复杂的问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于储备通行能力的热点片区交通组织控制协同方法。
本发明的目的可以通过以下技术方案来实现:
一种基于储备通行能力的热点片区交通组织控制协同方法,该方法包括以下步骤:
1)采集热点片区道路网络基础交通数据,构建热点片区路网描述性集合;
2)基于热点片区路网运行效益最大化,建立交通组织控制协同优化模型,实现对路段及交叉口各车道方向、功能和信号配时的协同优化;
3)采用启发式算法求解交通组织控制协同优化模型,生成针对性的热点片区交通组织控制组合优化方案。
所述的步骤1)中,热点片区路网描述性集合包括:
(1)对于任意车道为车道集合,将流向w在交叉口r岔口i车道k上是否具有通行权定义为二进制控制变量xriwk,取值为1时表示允许通行,取值为0时表示不允许通行,采用二进制变量δriw表示流向w是否在交叉口r岔口i允许通行,取值为1时表示允许通行,取值为0时表示不允许通行;
(2)对于任意连线将该连线上的车道数定义为na,对向连线上的车道数定义为na′,该路段总车道数为naa′,采用二进制变量δa表示车辆是否在连线a上允许通行,取值为1时表示允许通行,取值为0时表示不允许通行,可逆车道的交通管理措施通过在路段不同方向的连线上设置非对称的车道数来实现,即na≠na′,单行线交通通过将路段全部车道分配给某一方向连线来实现即na=0或na′=0。
所述的步骤2)中,热点片区交通组织控制协同优化模型由双层优化模型描述,其中,决策变量包括路段连线车道数、交通流通行权、交叉口周期时长控制参数、交叉口单车道绿灯开始时刻、交叉口单车道绿灯绿信比以及交叉口信号相位相序控制参数。
所述的热点片区交通组织控制协同优化模型的上层模型以提升热点片区路网通行能力为优化控制的基本目标,其目标函数为最大化路网储备通行能力,将其转化为流量系数最大的优化问题则有:
maxμ
其中,μ为流量系数。
所述的热点片区交通组织控制协同优化模型的上层模型的约束条件包括流量分配约束、车道功能分配约束、信号控制约束以及饱和度约束。
所述的流量分配约束具体为:
其中,Qo,为路网中各OD对(o,d)的交通需求量,qo,d为经流量系数μ优化调整后的交通需求量,qriw为交叉口r岔口i流向w的交通量,qriwk为交叉口r岔口i流向w分配在车道k上的交通量,为起点集合,为讫点集合,为岔口i所在转向交通集合,为岔口集合,为交叉口节点集合。
所述的车道功能分配约束具体为:
1xriw(k+1)≥xriw′k
其中,naa′为路段(a,a′)的总车道数,na为路段连线a=(r,r′)的车道数,na′为对向连线a′=(r′,r)上的车道数,为连线集合,为交叉口r岔口i的总车道数,nri为交叉口r岔口i的进口车道数,M为极大正数,为车道数集合,(ri,r′i′)表示交叉口r岔口i与交叉口r′岔口i′之间的连线,w′为进口道w流向同侧交通流向,为岔口j所在转向交通集合。
所述的信号控制约束具体为:
M(1-xriwk)≥Yrik-yriw≥-M(1-xriwk)
M(1-xriwk)≥Λrik-λriw≥-M(1-xriwk)
yrjw′+Pr(iw,jw′)≥yriw+λriw+δriwIr(iw,jw′)ξ
其中,Cmin为最小周期时长,Cmax为最大周期时长,ξr为交叉口r的信号周期时长的倒数,yriw为交叉口r岔口i流向w的绿灯开始时刻,λriw为交叉口r岔口i流向w的绿灯绿信比,Pr(iw,jw′)为交叉口r的信号相位相序,取值为0表示流向(j,w′)的绿灯开始时刻在流向(i,w)之后,否则,Pr(iw,jw′)=1,Ir(iw,jw′)为一组冲突流向的清空时长,Λrik为交叉口r岔口车道k的绿灯绿信比,δriw为二进制变量,用以表示交叉口r岔口i流向w是否实施管理措施,取值为1时表示实施,取值为0时表示不实施,ξ为交叉口的信号周期时长的倒数。
所述的饱和度约束具体为:
M(2-xriwk-xriw(k+1))≥γri(k+1)-γrik≥-M(2-xriwk-xriw(k+1))
其中,qriwk为交叉口r岔口i流向w分配在车道k上的流量,srik为交叉口r岔口i车道k的饱和流率,γrik为交叉口r岔口i车道k的饱和度,yrik为交叉口r岔口i车道k的流量比,dsmax为最大饱和度允许值。
所述的热点片区交通组织控制协同优化模型的下层模型用以反映路网中交通需求的分布及路径选择行为,形成最优路网交通需求分配结果,其主要约束条件包括:
其中,为路网中所有交叉口转向的集合, 为在方案η条件下各连线流量qa和各交叉口转向流量qw,为连线a的交通需求量,为流向w的交通需求量,v*为运行速度,Ω(η)为方案η的集合,为交通OD对(o,d)在路径z上经流量系数μ调整后的交通需求量,为(o,d)的路径z的路径集,均为二进制变量,分别表示(o,d)的路径z是否经过路段连线a和交叉口转向w,取值为1时表示经过,取值为0时表示不经过。
与现有技术相比,本发明具有以下优点:
1、本发明综合考虑了多种交通组织策略与交通控制策略协同在统一框架内的优化结果,相较于现有的独立优化可提高热点片区道路网路的整体运行效率。
2、本发明的双层协同优化模型,充分反映了交通管理者为达到最大化网络通行能力所做的决策和驾驶员的路径选择行为,实现了交通管理者与被管理者的策略协同。
3、本发明的协同优化策略,将交通空间要素动态或准动态的优化调整,提出高性价比的优化方案,实现交通时空资源的充分挖掘和有效利用,有利于城市热点片区高效、稳定、可持续的控制与管理。
附图说明
图1为本发明的方法流程示意图。
图2为本发明的热点片区道路网络示意图。
图3为本发明的热点片区变结构控制优化算法流程图。
图4为本发明的实施例方案布局图。
图5为本发明的实施例优化策略图,其中,图(5a)为策略1的车道布置图,图(5b)为策略2的车道布置图,图(5c)为策略3的车道布置图,图(5d)为策略4的车道布置图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示,本发明提出一种基于储备通行能力的热点片区交通组织控制协同方法,该方法具体包括以下步骤:
步骤S1:采集热点片区道路网络基础交通数据,构建热点片区路网描述性集合;
步骤S2:基于热点片区路网运行效益最大化,建立交通组织控制协同优化模型,实现对路段及交叉口各车道方向、功能和信号配时的协同优化;
步骤S3:采用启发式算法求解优化模型,制定针对性的热点片区交通组织控制组合优化策略。
热点片区路网(如图2所示)由交叉口节点集合和连接两节点的连线集合构成。任意交叉口r由岔口集合组成,各岔口i由转向交通集合和车道集合组成。在交叉口r和r′之间不同方向的一对连线a=(r,r′)和a′=(r′,r)构成了路段(a,a′)。
对于任意车道将w流向是否在r交叉口i岔口k车道上是否具有通行权定义为二进制控制变量xriwk(1-允许,0-不允许)。在此基础上,采用二进制变量δriw表示w流向是否在r交叉口i岔口允许通行(1-允许,0-不允许)。由此,交叉口流向禁止的交通管理措施可通过将任意车道上需禁止流向的通行权均设置为0(不允许)来实现;连续流交叉口的交通管理措施可通过交叉口禁止流向的合理组合来实现。
对于任意连线将该连线上的车道数定义为na,对向连线上的车道数定义为na′,该路段总车道数为naa′。在此基础上,采用二进制变量δa表示车辆是否在连线a上允许通行(1-允许,0-不允许)。由此,可逆车道的交通管理措施可通过在路段不同方向的连线上设置非对称的车道数来实现(na≠na′);单行线交通可通过将路段全部车道分配给某一方向连线来实现(na=0或na′=0)。
在路网中,定义交通需求起点集合为讫点集合为(o,d)表示各交通OD对,其中OD对(o,d)的初始交通需求量为Qo,,经流量系数μ调整后的交通需求量为qo,d。(o,d)的路径集由表示,对于任意路径它包含有一系列的路段连线和交叉口转向。二进制变量和分别表示(o,d)的路径z是否经过路段连线a和交叉口转向w(1-经过,0-不经过)。交通OD对(o,d)在路径z上经流量系数μ调整后的交通需求量为
为了最大化路网的运行效益,建立热点片区交通组织控制协同优化模型,同时对路段与交叉口各车道的方向、功能和信号配时进行优化。该优化模型由双层规划模型描述,其中控制变量包括:
na—路段连线a的车道数;
xriwk—w流向是否在r交叉口i岔口k车道上是否具有通行权(1-允许,0-禁止);
ξr—r交叉口的信号周期时长的倒数(1/s);
Yrik—r交叉口i岔口k车道的绿灯开始时刻;
Λrik—r交叉口i岔口k车道的绿灯绿信比;
Pr(iw,jw′)—r交叉口信号相位相序,0表示流向(j,w′)的绿灯开始时刻在(i,w)之后,否则,Pr(iw,jw′)=1。
本模型上层问题将提升道路通行能力作为优化控制的基本目标。道路通行能力是指在给定的时间段内,在一定的道路、几何线型、交通、环境和管制条件下,通过车道或道路某一点或某均匀路段的最大可持续的合理期望交通流率。本模型的优化目标为最大化路网储备通行能力,将其转化为流量系数最大的优化问题,如下式所示:
maxμ (29)
模型约束条件包括:
1)流量分配约束
路网中各OD对(o,d)的流量Qo,d为模型输入条件,为了获得最大的通行能力,在优化时引入流量系数μ,将各OD需求等比例调整,得到优化计算中采用的交通需求量qo,d,如约束条件(30)所示。分配在各车道上某流向的流量之和应等于该流向交通需求,如约束条件(31)所示,其中qriw表示r交叉口i岔口w流向的交通量(veh/h),qriwk表示r交叉口i岔口w流向分配在k车道上的交通量(veh/h)。
2)车道功能分配约束
路段上往返两条连线的车道数之和应等于该路段总车道数,如约束条件(32)所示。交叉口各岔口的总车道数应等于进出口道车道数之和,如约束条件(33)所示,其中表示r交叉口i岔口的总车道数,nri表示r交叉口i岔口进口车道数,模型中假设出口道车道数与路段车道数相同。在交叉口,为了使各进口车道能够被充分利用,每条进口车道至少应允许一个流向通行,如约束条件(34)所示。约束条件(35)反映了流向禁止交通管理措施:若某流向被禁止,则允许该流向通行的车道数应为0,否则,至少应有1条车道允许该流向通行,式中M表示充分大的正数。约束条件(36)-(38)反映了单行线交通管理措施:若某路段连线被禁止,则该路段连线的车道数应为0,如约束条件(36)所示;同时该路段连线下游进口道的所有流向以及上游进入该路段连线的流向均应被禁止,分别如约束条件(37)和(38)所示。为保障通行的顺畅,某流向对应出口车道数应大于等于该流向允许通行的进口车道数,如约束条件(39)所示。约束条件(40)避免了进口道内部各车道允许流向的相互冲突。
3)信号控制约束
约束条件(41)限定了信号周期的取值范围,为了保障约束条件能由线性函数描述,这里采用信号周期的倒数作为控制变量。约束条件(42)限定了各流向绿灯开始时刻应在0至1个周期时间范围内。约束条件(43)表示各流向绿信比应在0和周期时长之间取值。但对于禁止流向,其绿信比应等于0,如约束条件(44)所示。约束条件(45)和(46)定义了车道信号控制参数,包括车道绿灯开始时刻和绿信比。对于任意一组冲突流向,其信号相位相序可由约束条件(47)所示的后继函数表述。约束条件(48)表示任意一组冲突流向绿灯开始和结束时刻的间隔至少应满足清空时间的要求,其中Ir(iw,jw′)表示一组冲突流向的清空时长(s)。
4)饱和度约束
约束条件(49)定义了车道流量比的计算,其中yrik表示r交叉口i岔口k车道的流量比,srik表示r交叉口i岔口k车道的饱和流率(veh/h)。约束条件(50)表示任意相邻进口车道若同时允许某流向,则它们的流量比应相等。约束条件(51)和(52)分别表示任意交叉口进口车道和路段连线的饱和度不能超过限定值,以此保障交叉口的服务水平,其中dsmax表示最大饱和度允许值。
下层问题描述了路网中交通需求的分布及路径选择行为。对于一个路网方案η=(n,x,ξ,Y,Λ,P),驾驶员将在不违反流向禁止和信号控制的条件下选择路径,随之形成了路网中交通需求分配结果,采用用户均衡原则来进行交通分配,若采用行程时间作为阻抗,当网络达到平衡状态时,每个OD对的各条被使用的径路具有相等而且最小的行驶时间,没有被使用的径路的行驶时间大于或等于最小行驶时间。
路径的行程时间可由沿线路段连线和交叉口转向的行程时间累加得到。如式(53)和(54)所示,采用BPR方程计算路段连线和交叉口转向的行程时间。
由于交叉口转向的行程时间不仅与本流向的流量有关,还与交叉口其它流向的流量有关,且各流向间的影响时不对称的,这种非对称影响均衡分配问题可用变分不等式模型来描述。变分不等式(55)描述了路网方案与交通流量分配的关系
热点片区交通组织控制协同优化模型为双层组合模型,其上层模型为混合整数非线性规划,下层模型为变分不等式模型,因此采用改进的遗传算法进行求解,其算法流程包括以下步骤(如图3所示):
1)初始化
首先生成初始流量系数μl(l=0)及由α个染色体构成的种群 每个染色体代表一个满足约束条件(30)-(48)的网络设计方案。其中,l表示算法的迭代次数;n表示遗传代数;m表示染色个体编号;表示遗传代数n中的染色体m。
2)交叉变异
3)网络交通流分配
采用对角线法求解变分不等式(56),得到在路网设计方案条件下,按用户均衡为原则进行交通分配的各路段连线及交叉口转向流量在每一次对角化迭代过程中,通过构造对角函数,将其转变为可分解的用户均衡分配问题,并采用Frank-Wolf算法求解。
4)饱和度检验
虽然通过合理编码,每个染色体所对应的设计方案都满足约束条件(30)-(48),但由于在下层模型完成交通分配前,无法得到路段连线和交叉口转向的流量,因此需要对方案进行饱和度约束的检验。对于模型的每个解若满足饱和度约束(49)-(52),则为可行解,进入终止条件判断,否则,继续搜寻可行解。
5)适应度评价
遗传代数n中的染色体的运行水平可由式(57)计算确定。再由式(58)确定其适应度指标。其中h(v,η)表示运行水平评价值,和分别表示第n次迭代中染色体种群中运行水平评价的最大值和最小值。ε取值范围是(0,1),它能保证公式(58)的分母不为0,同时使染色体选择具有一定的随机性。
6)培育新种群
7)更新流量系数
根据下述3条原则对流量系数进行更新:a)若本次及之前每次迭代均能找到可行解,则按步长ρ提高流量系数;b)若本次迭代找到了可行解,但之前存在未找到可行解的迭代步骤,则按二分法(本次与上一次迭代中流量系数差值的一半)提高流量系数;c)若本次迭代未找到了可行解,则按二分法降低流量系数。流量系数可按式(59)进行更新,其中βl表示二进制变量,在第l次迭代中,是否存在可行解(1-存在,0-不存在)。
8)终止条件
算法终止条件为前后两次迭代流量系数的变化量小于阈值。
|μl-μl-1|≤ρmin (60)
本实施例中,区域路网包含有40条路段(80条连线和32个节点(其中***的16个节点是交通需求的起讫点)。每条连线的长度为600(m),车道数均为3,各节点均为信号控制十字交叉口,如图4所示。其中,所有起讫点的OD需求均为100(vph);最小及最大信号周期时长分别为60(s)和120(s);清空时间为4(s);饱和流率为1800(veh/h/ln);饱和度限定值为0.90。BPR方程中,参数ka、ba、kw和bw分别设为0.15、4.0、20和3.5。遗传算法中,交叉概率为0.25,变异概率为0.01,遗传代数最大值设为100,种群数量为50。
为验证协同优化策略的优化效果,将其与3种实际应用中经常采用的方案(方案2、3、4)作对比:
策略2:常规的优化策略,只对交叉口信号配时及车道功能进行优化,不考虑其它交通组织措施;
策略3:禁左交通组织策略;
策略4:单行***通组织策略。
图5显示了上述四种优化策略总体的车道布置情况。表1显示了协同优化策略各交叉口的信号配时。
表1协同优化策略(策略1)各交叉口信号配时
注:L、T和R分别表示左转、直行和右转。
运行效益对比结果如表2所示,包括流量系数、平均行驶距离、交叉口及路段饱和度的最大值、平均值以及标准差。
表2不同策略交通运行效益对比
通过各方案对比可知:
(1)协同优化策略(策略1)通过合理选择并组合多种交通组织策略,在提升网络通行能力方面较其它三种策略有显著优势。
(2)对于常规的优化策略(策略2),交叉口饱和度与策略1基本相同,其路段饱和度明显低于交叉口饱和度,这说明对于策略2,路段通行能力未得到充分利用,导致交叉***通压力过大,成为严重的交通瓶颈节点。相比之下,优化模型通过减少交叉口信号相位数,并利用饱和度相对较低的路段作为绕行路径,减少了瓶颈节点的数量,同时提高了交叉口的通行能力。
(3)对于禁左交通组织策略(策略3),它虽然降低了交叉口平均饱和度,但个别关键交叉口(节点6、9、24、27)的交通压力由于大量的绕行车辆的存在反而增加了,导致网络整体通行能力的降低。
(4)对于单行交通组织策略(策略4),它能有效降低交叉口饱和度提高路网通行能力,但其交叉口饱和度的标准差仍明显大于策略1和策略2,表明路网交通需求不均衡,个别关键交叉口较其它交叉口承担更重的交通压力,导致网络整体通行能力低于策略1。
综上,本发明基于交通组织控制协同的思想,采用储备通行能力的基础理念,真实反映交通需求按实际情况等比例增大或减少后,交通设施达到饱和时对应的交通流量,考虑交通需求分布的影响,更符合工程实际分析要求,通过时空资源协同优化的理想,对现有道路资源的高效利用,缓解热点片区道路拥堵问题。
Claims (2)
1.一种基于储备通行能力的热点片区交通组织控制协同方法,其特征在于,该方法包括以下步骤:
1)采集热点片区道路网络基础交通数据,构建热点片区路网描述性集合;
2)基于热点片区路网运行效益最大化,建立交通组织控制协同优化模型,实现对路段及交叉口各车道方向、功能和信号配时的协同优化;
3)采用启发式算法求解交通组织控制协同优化模型,生成针对性的热点片区交通组织控制组合优化方案;
所述的步骤2)中,热点片区交通组织控制协同优化模型由双层优化模型描述,其中,决策变量包括路段连线车道数、交通流通行权、交叉口周期时长控制参数、交叉口单车道绿灯开始时刻、交叉口单车道绿灯绿信比以及交叉口信号相位相序控制参数;
所述的热点片区交通组织控制协同优化模型的上层模型以提升热点片区路网通行能力为优化控制的基本目标,其目标函数为最大化路网储备通行能力,将其转化为流量系数最大的优化问题则有:
maxμ
其中,μ为流量系数;
所述的热点片区交通组织控制协同优化模型的上层模型的约束条件包括流量分配约束、车道功能分配约束、信号控制约束以及饱和度约束;
所述的流量分配约束具体为:
其中,Qo,d为路网中各OD对(o,d)的交通需求量,qo,d为经流量系数μ优化调整后的交通需求量,qriw为交叉口r岔口i流向w的交通量,qriwk为交叉口r岔口i流向w分配在车道k上的交通量,为起点集合,为讫点集合,为岔口i所在转向交通集合,为岔口集合,为交叉口节点集合;
所述的车道功能分配约束具体为:
1-xriw(k+1)≥xriw′k
其中,naa′为路段(a,a′)的总车道数,na为路段连线a=(r,r′)的车道数,na′为对向连线a′=(r′,r)上的车道数,为连线集合,为交叉口r岔口i的总车道数,nri为交叉口r岔口i的进口车道数,M为极大正数,为车道数集合,(ri,r′i′)表示交叉口r岔口i与交叉口r′岔口i′之间的连线,w′为进口道w流向同侧交通流向,为岔口j所在转向交通集合;
所述的信号控制约束具体为:
M(1-xriwk)≥Yrik-yriw≥-M(1-xriwk)
M(1-xriwk)≥Λrik-λriw≥-M(1-xriwk)
yrjw′+Pr(iw,jw′)≥yriw+λriw+δriwIr(iw,jw′)ξ
其中,Cmin为最小周期时长,Cmax为最大周期时长,ξr为交叉口r的信号周期时长的倒数,yriw为交叉口r岔口i流向w的绿灯开始时刻,λria为交叉口r岔口i流向w的绿灯绿信比,Pr(iw,jw′)为交叉口r的信号相位相序,取值为0表示流向(j,w′)的绿灯开始时刻在流向(i,w)之后,否则,Pr(iw,jw′)=1,Ir(iw,jw′)为一组冲突流向的清空时长,Λrik为交叉口r岔口车道k的绿灯绿信比,δriw为二进制变量,用以表示交叉口r岔口i流向w是否实施管理措施,取值为1时表示实施,取值为0时表示不实施,ξ为交叉口的信号周期时长的倒数;
所述的饱和度约束具体为:
M(2-xriwk-xriw(k+1))≥γri(k+1)-γrik≥-M(2-xriwk-xriw(k+1))
其中,qriwk为交叉口r岔口i流向w分配在车道k上的流量,srik为交叉口r岔口i车道k的饱和流率,γrik为交叉口r岔口i车道k的饱和度,yrik为交叉口r岔口i车道k的流量比,dsmax为最大饱和度允许值;
所述的热点片区交通组织控制协同优化模型的下层模型用以反映路网中交通需求的分布及路径选择行为,形成最优路网交通需求分配结果,其主要约束条件包括:
2.根据权利要求1所述的一种基于储备通行能力的热点片区交通组织控制协同方法,其特征在于,所述的步骤1)中,热点片区路网描述性集合包括:
(1)对于任意车道 为车道集合,将流向w在交叉口r岔口i车道k上是否具有通行权定义为二进制控制变量xriwk,取值为1时表示允许通行,取值为0时表示不允许通行,采用二进制变量δriw表示流向w是否在交叉口r岔口i允许通行,取值为1时表示允许通行,取值为0时表示不允许通行;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110908433.7A CN113781768B (zh) | 2021-08-09 | 2021-08-09 | 一种基于储备通行能力的热点片区交通组织控制协同方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110908433.7A CN113781768B (zh) | 2021-08-09 | 2021-08-09 | 一种基于储备通行能力的热点片区交通组织控制协同方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113781768A CN113781768A (zh) | 2021-12-10 |
CN113781768B true CN113781768B (zh) | 2023-02-10 |
Family
ID=78837059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110908433.7A Active CN113781768B (zh) | 2021-08-09 | 2021-08-09 | 一种基于储备通行能力的热点片区交通组织控制协同方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781768B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081682B (zh) * | 2022-05-26 | 2024-06-21 | 西南交通大学 | 长大隧道施工交通组织优化方法和计算机装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012043066A (ja) * | 2010-08-16 | 2012-03-01 | Toyota Infotechnology Center Co Ltd | 交通インフラ改善計画作成装置およびその方法 |
CN105243856B (zh) * | 2015-10-30 | 2018-03-30 | 王安麟 | 城市交通信号智能控制规则的自组织构建方法 |
CN106600992B (zh) * | 2017-02-14 | 2019-04-05 | 公安部交通管理科学研究所 | 城市热点片区交通信号优化控制方法 |
CN106846835B (zh) * | 2017-02-22 | 2019-07-05 | 北方工业大学 | 一种城市区域交通信号自适应协调控制方法 |
CN108335496B (zh) * | 2018-01-02 | 2020-07-10 | 青岛海信网络科技股份有限公司 | 一种城市级交通信号优化方法与*** |
CN109035767A (zh) * | 2018-07-13 | 2018-12-18 | 北京工业大学 | 一种考虑交通控制与诱导协同的潮汐车道优化方法 |
CN112767717B (zh) * | 2021-01-25 | 2022-08-02 | 泉州装备制造研究所 | 一种面向复杂交通控制环境的区域交通信号协调控制方法及*** |
-
2021
- 2021-08-09 CN CN202110908433.7A patent/CN113781768B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113781768A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schrimpf et al. | Record breaking optimization results using the ruin and recreate principle | |
Zhang et al. | Find multi-objective paths in stochastic networks via chaotic immune PSO | |
Guo et al. | Macroscopic fundamental diagram based perimeter control considering dynamic user equilibrium | |
So et al. | Managing evacuation routes | |
Mehrabipour et al. | A cell‐based distributed‐coordinated approach for network‐level signal timing optimization | |
Daganzo et al. | Managing evacuation networks | |
CN103763205B (zh) | 硅通孔负载全局均衡的三维片上网络延迟上界优化方法 | |
CN107220731A (zh) | 一种物流配送路径规划方法 | |
CN104766484A (zh) | 基于进化多目标优化和蚁群算法的交通控制与诱导***和方法 | |
CN113781768B (zh) | 一种基于储备通行能力的热点片区交通组织控制协同方法 | |
Sun et al. | A capacity maximization scheme for intersection management with automated vehicles | |
CN105323166A (zh) | 一种面向云计算的基于网络能效优先的路由方法 | |
CN116543552A (zh) | 基于车路协同的城市主干道缓堵策略仿真评估方法及*** | |
Levin et al. | Max-pressure control of dynamic lane reversal and autonomous intersection management | |
CN106157618A (zh) | 一种城市公交专用道规划布网方法 | |
CN110095134A (zh) | 一种以用户的偏好为核心的路径规划和导航的方法及*** | |
CN110414708A (zh) | 一种潮汐车道优化方案选择方法、装置和存储介质 | |
Yan et al. | SALA: a self-adaptive learning algorithm—towards efficient dynamic route guidance in urban traffic networks | |
CN113408189B (zh) | 基于可变元胞的城市多点循环式紧急疏散与仿真推演方法 | |
Lentzakis et al. | Region-based dynamic forecast routing for autonomous vehicles | |
CN112070275A (zh) | 一种轨道交通路网协同限流的方法和装置及设备 | |
CN114723141B (zh) | 一种brt多服务模式优化方法及*** | |
CN107679653B (zh) | 一种基于优势出行距离的od分配方法 | |
CN112036621A (zh) | 一种交通枢纽内导向标识的设置方法和装置 | |
CN114640619B (zh) | 基于平均通信距离的天基网络拓扑设计方法及相关设备 |
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 |