CN114724353B - 考虑行人的公交信号被动优先控制方法及装置 - Google Patents

考虑行人的公交信号被动优先控制方法及装置 Download PDF

Info

Publication number
CN114724353B
CN114724353B CN202210240108.2A CN202210240108A CN114724353B CN 114724353 B CN114724353 B CN 114724353B CN 202210240108 A CN202210240108 A CN 202210240108A CN 114724353 B CN114724353 B CN 114724353B
Authority
CN
China
Prior art keywords
bus
delay
pedestrian
intersection
car
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
Application number
CN202210240108.2A
Other languages
English (en)
Other versions
CN114724353A (zh
Inventor
邹亮
王赟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN202210240108.2A priority Critical patent/CN114724353B/zh
Publication of CN114724353A publication Critical patent/CN114724353A/zh
Application granted granted Critical
Publication of CN114724353B publication Critical patent/CN114724353B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/005—Traffic control systems for road vehicles including pedestrian guidance indicator
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了考虑行人的公交信号被动优先控制方法及装置，选择适用的公交信号被动优先策略，根据视频录制的交叉口运行情况标定仿真模型，对于混行进口道的小汽车和公交车延误计算，采用改进的饱和流率计算和延误计算，分别得到小汽车和公交车的延误计算模型，并转换为乘客延误，同时根据行人的到达和离去曲线得到行人延误模型；将各相位的绿灯时间作为变量，建立以人均延误最小为目标，保障交叉口正常运行的饱和度、最短绿灯时间、周期约束作为约束条件的数学模型，利用遗传算法对模型进行求解。本发明对交叉口进口道混行车辆的延误计算进行了改进，采用动态行人专用相位，并以人均延误最小作为目标建立信号控制模型，能够有效降低人均延误。

Description

考虑行人的公交信号被动优先控制方法及装置
技术领域
本发明涉及交叉口信号控制技术领域，尤其涉及一种考虑行人的公交信号被动优先控制方法及装置。
背景技术
据公安部统计，截止至2021年底，全国机动车保有量达3.93亿辆，同比增长2000万辆。由于城市的道路资源有限，远远不足以满足越来越多的人民出行需求，交通拥堵问题只会更为严重，为了缓解目前交通出行问题，就要大力优先发展公共交通。
其中公交信号优先作为公交优先中的一个重要实现方法，在实际执行中发挥着很大的作用。在大多公交信号优先控制中，主要考虑小汽车及公交车的通行效率，弱化了或者忽视行人的过街需求、过街效率等。这不仅会导致行人的延误增加，大量人群积累在交叉口，进而会产生行人横穿机动车流的问题，这不利于行人安全，也影响到车流。
因此，在一些大型商圈及大客流地铁站点附近的交叉口进行公交信号优先控制，但是现有技术中，一些大型商圈及大客流地铁站点附近的交叉口进行公交信号优先控制时，会产生行人与车辆未能兼顾的问题，还有待于进一步优化。
因此，现有技术还有待改进和提高。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种考虑行人的公交信号被动优先控制方法、装置、播放设备及存储介质，旨在解决一些大型商圈及大客流地铁站点附近的交叉口进行公交信号优先控制时，行人与车辆未能兼顾的问题。
为了解决上述技术问题，本发明第一方面提供一种考虑行人的公交信号被动优先控制方法，上述方法包括：
一种考虑行人的公交信号被动优先控制方法，其中，所述方法包括：
获取主动优先及被动优先策略，并对主动优先及被动优先策略进行对比、确认适用的公交信号优先策略；
基于所述公交信号被动优先策略，根据视频录制的交叉口运行情况标定仿真模型，对混行进口道的小汽车和公交车延误采用改进的饱和流率计算和延误，分别得到小汽车和公交车的延误计算模型；通过小汽车和公交车延误转换得出乘客延误，并根据行人的到达和离去曲线计算行人延误；
基于计算的行人延误，通过车辆延误间接计算交叉口人均延误，并以人均延误最小作为目标，构建保障交叉口正常运行及通行安全作为约束的公交信号优先控制数学模型；
获取交叉口实际运行情况及提取相关参数，并输入所述公交信号优先控制数学模型；通过遗传算法求解所述公交信号优先控制数学模型，得到最优信号控制方案并输出。
所述考虑行人的公交信号被动优先控制方法，其中，所述获取主动优先及被动优先策略，并对主动优先及被动优先策略进行对比、确认适用的公交信号优先策略的步骤包括：
所述公交信号优先的控制策略包括主动优先和被动优先的控制策略；
根据大商圈及大客流地铁站临近交叉口行人及公交特点，选择被动优先策略，并采用vissim9.0软件进行交叉口仿真，根据运行情况及输出指标论证所选策略的合理性。
所述的考虑行人的公交信号被动优先控制方法，其中，所述基于所述公交信号被动优先策略，根据视频录制的交叉口运行情况标定仿真模型，对混行进口道的小汽车和公交车延误采用改进的饱和流率计算和延误计算，分别得到小汽车和公交车的延误计算模型；通过小汽车和公交车延误转换得出乘客延误，并根据行人的到达和离去曲线计算行人延误的步骤包括：
将混行进交叉口道车辆延误进行适应性调整改进，将混行进交叉口道的公交车辆与小汽车延误分别进行计算，在公交车与小汽车混行的交通流中分别计算其混行状态下公交车的延误和小汽车的延误；
通过小汽车和公交车延误转换得出乘客延误，并借助行人到达离去曲线计算行人延误；行人延误包括行人专用相位的延误和普通行人过街相位延误。
所述的考虑行人的公交信号被动优先控制方法，其中，所述基于所述公交信号被动优先策略，根据视频录制的交叉口运行情况标定仿真模型，对混行进口道的小汽车和公交车延误采用改进的饱和流率计算和延误计算，分别得到小汽车和公交车的延误计算模型；通过小汽车和公交车延误转换得出乘客延误，并根据行人的到达和离去曲线计算行人延误的步骤包括：
对饱和流率计算：收集交叉口的跟车行为、记录不同车型之间的跟车距离，根据不同交通车辆构成比例及跟车行为的参数，计算城市交叉口进口道的饱和流率；
改进的混行交通流饱和流率计算：将小汽车与公交车混行情况下的车流延误分别计算；在车流混行的情况下，根据交通构成比例情况对车流类型进行转换，社会车流的延误计算则将其到达率qc均转换为小汽车流，公交车流的延误计算则将其到达率qb均转换为公交车流。
所述的考虑行人的公交信号被动优先控制方法，其中，所述基于计算的行人延误，通过车辆延误间接计算交叉口人均延误，并以人均延误最小作为目标，构建保障交叉口正常运行及通行安全作为约束的公交信号优先控制数学模型的步骤包括：
通过车辆延误间接计算交叉口人均延误，计算公式为：
Figure GDA0004176032040000031
将变量表示为X＝[g1，g2，g3，g4，g5，y]，gi为相位绿灯时长，y为0或1，则公交信号优先控制数学模型的具体表达式如下所示；
Figure GDA0004176032040000041
式中，Db表示公交车辆的乘客总延误，Dc表示小汽车乘客的总延误，Dp表示过街行人的总延误，Pb表示公交乘客总量，
Pc表示小汽车上的乘客总量，Pp为过街行人总量。
所述的考虑行人的公交信号被动优先控制方法，其中，所述获取交叉口实际运行情况及提取相关参数，并输入所述公交信号优先控制数学模型；通过遗传算法求解所述公交信号优先控制数学模型，得到最优信号控制方案并输出的步骤包括：
通过Python语言中Geatpy工具结合实际数据进行启发式求解公交信号优先控制数学模型；
对实际交叉口进行视频摄像采集数据，统计交叉口车流量、行人流量等相关数据，利用所述公交信号优先控制数学模型进行求解；
分别从行人到达率，公交车占比及载客数进行灵敏度分析，将人均延误作为评价指标；
通过实例及灵敏度分析的有效性，设置动态行人专用相位，以对指定的地方交叉口的公交信号优先控制；
其中，通过Python语言中Geatpy工具包的求解过程包括：
染色体采取RI编码的方式，对交叉口各相位的长度编码，则染色体长度对应i个相位；
构建种群染色体G，种群的染色体长度记为Lind；
采用目标函数作为适应度函数；
确定遗传算子，包括选择、交叉、变异对应的方式；
结合实际交叉口案例进行验证。
所述的考虑行人的公交信号被动优先控制方法，其中，所述通过饱和流率测算方法对交叉口进口道的饱和流率计算，再分别对小汽车和公交车的延误计算；
小汽车
Figure GDA0004176032040000051
的延误和公交车/>
Figure GDA0004176032040000052
的延误分别为：
Figure GDA0004176032040000053
其中C表示信号周期，λi表示第i相位绿信比，
Figure GDA0004176032040000054
Figure GDA0004176032040000055
和/>
Figure GDA0004176032040000056
分别为小汽车和公交车的流率比，/>
Figure GDA0004176032040000057
Sij c和Sij b分别为小汽车和公交车的饱和流率，其中，
Figure GDA0004176032040000058
ht0为平均车头时距。
一种考虑行人的公交信号被动优先控制装置，其中，所述装置包括：
优先策略比选模块，用于获取主动优先及被动优先策略，并对主动优先及被动优先策略进行对比、确认适用的公交信号优先策略，并利用仿真模型论证；
延误计算模块，基于所述公交信号被动优先策略，根据视频录制的交叉口运行情况标定仿真模型，对混行进口道的小汽车和公交车延误采用改进的饱和流率计算和延误计算，分别得到小汽车和公交车的延误计算模型；通过小汽车和公交车延误转换得出乘客延误，并根据行人的到达和离去曲线计算行人延误；
公交信号优先控制数学模型构建模块，用于基于计算的行人延误，通过车辆延误间接计算交叉口人均延误，并以人均延误最小作为目标，构建保障交叉口正常运行及通行安全作为约束的公交信号优先控制数学模型；
求解输出模块，用于通过录制视频获取交叉口实际情况及提取参数，并输入所述公交信号优先控制数学模型；通过遗传算法求解所述公交信号优先控制数学模型，得到最优信号控制方案并输出。
一种播放设备，其中，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1-7中任意一项所述的方法。
一种非临时性计算机可读存储介质，其中，当所述存储介质中的指令由播放设备的处理器执行时，使得播放设备能够执行如权利要求1-7中任意一项所述的方法。
有益效果：与现有技术相比，本发明提供了一种考虑行人的公交信号被动优先控制方法，本发明首先通过对比目前主要公交信号被动优先和主动优先的特点，分析其所适用的情形，并借助vissim9.0软件对不同的策略进行仿真，选取被动优先作为本文的公交信号优先策略。再对小汽车与公交车混行状态下的车头时距测算，分别计算出小汽车与公交车的饱和流率，进而分别计算出小汽车与公交车的混行状态下各自的延误，通过标定后的vissim9.0模型仿真进行对比验证。利用行人的到达和离去曲线计算分别计算有行人专用相位和无行人专用相位下的行人延误，结合0-1整数规划计算行人延误。以人均延误最小为配时模型的目标，并利用遗传算法，输入实际例子，对模型进行求解。并深入探究不同行人流量占比及公交流量占比构成下，交叉口运行情况，结果表明本发明能更好应对大商圈及大客流地铁临近交叉口的公交信号优先控制。本发明对混行车辆的延误计算进行了改进，采用动态行人专用相位，并以人均延误作为目标建立信号控制模型，能够有效降低人均延误。
附图说明
图1为本发明实施例提供的考虑行人的公交信号被动优先控制方法的具体实施方式的流程图。
图2为本发明实施例提供的一种考虑行人的公交信号被动优先控制方法中混行进口道的小汽车和公交车延误计算方式图。
图3为本发明实施例提供的一种考虑行人的公交信号被动优先控制方法中webster延误模型与本方法中的改进模型对比仿真结果。
图4为本发明实施例提供的一种考虑行人的公交信号被动优先控制方法中无行人专用相位东西方向行人延误曲线。
图5为本发明实施例提供的一种考虑行人的公交信号被动优先控制方法中无行人专用相位南北方向行人延误曲线。
图6为本发明实施例提供的一种考虑行人的公交信号被动优先控制方法中有行人专用相位东西方向行人延误曲线。
图7为本发明实施例提供的一种考虑行人的公交信号被动优先控制方法中有行人专用相位南北方向行人延误曲线。
图8是本发明实施例提供的遗传算法求解流程路。
图9是本发明实施例提供的方法与常用的webster配时法结果对比。
图10是本发明实施例提供的一种考虑行人的公交信号被动优先控制方法装置的原理框图。
图11是本发明实施例提供的播放设备的内部结构原理框图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
为了解决现有技术的问题，本实施例提供一种考虑行人的公交信号被动优先控制方法，通过本实施例的方法可在大商圈及大客流地铁站临近的交叉口信号控制中，保障交叉口正常运行同时降低交叉口的人均延误。具体实施时，本实施例首先通过对比目前主要公交信号被动优先和主动优先的特点，分析其所适用的情形，并借助vissim9.0软件对不同的策略进行仿真，选取被动优先作为本文的公交信号优先策略。再对小汽车与公交车混行状态下的车头时距测算，分别计算出小汽车与公交车的饱和流率，进而分别计算出小汽车与公交车的混行状态下各自的延误，通过标定后的vissim9.0模型仿真进行对比验证。利用行人的到达和离去曲线计算分别计算有行人专用相位和无行人专用相位下的行人延误，结合0-1整数规划计算行人延误。以人均延误最小为配时模型的目标，并利用遗传算法对模型进行求解。再进行实例验证并深入探究不同行人占比及公交流量占比构成下，交叉口运行情况，表明本发明能更好应对大商圈及大客流地铁临近交叉口的公交信号优先控制。
示例性方法
本实施例的一种考虑行人的公交信号被动优先控制方法可应用于终端设备，该终端设备为电脑、手机等智能化终端产品。具体地，如图1中所示，本实施例中的一种考虑行人的公交信号被动优先控制方法包括如下步骤：
步骤S100、获取主动优先及被动优先策略，并对主动优先及被动优先策略进行对比、确认适用的公交信号优先策略；
本发明实施例中，本发明获取主动优先及被动优先策略，对主动优先及被动优先策略进行对比，通过vissim9.0仿真软件选择适用的公交信号被动优先策略；具体可以借助vissim9.0仿真软件对商圈及地铁临近的交叉口用不同的优先策略仿真论证，选择适用的公交信号优先策略，本发明在行人及公交占比均较大的情况下，选择被动有先策略；并获取主动优先及被动优先策略，并对主动优先及被动优先策略进行对比、确认适用的公交信号优先策略，本发明较佳地选用：公交信号被动优先策略。
本发明实施例中，关于公交信号优先策略选择，比选方法通过理论特点对比和vissim9.0仿真验证二重方式，结合大商圈及地铁临近的交叉口所具备特点，选择被动优先作为公交信号优先策略。例如借助vissim9.0软件对同一个交叉口仿真不同的优先策略，查看运行情况和延误情况综合选择。
步骤S200、基于所述公交信号被动优先策略，根据视频录制的交叉口运行情况标定仿真模型，对混行进口道的小汽车和公交车延误采用改进的饱和流率计算和延误计算，分别得到小汽车和公交车的延误计算模型；通过小汽车和公交车延误转换得出乘客延误，并根据行人的到达和离去曲线计算行人延误；
本发明中，通过饱和流率测算方法对交叉口进口道的饱和流率计算，再分别对小汽车和公交车的延误计算。具体地对混行进交叉口道的车辆延误计算，其中车辆包括小汽车和公交车、本发明对混行进交叉口道的小汽车和公交车辆延误计算进行改进，将小汽车和公交车辆的延误分别计算；通过小汽车和公交车延误转换得出乘客延误，并借助行人到达离去曲线计算行人延误，其中行人延误计算分为有行人专用相位和无行人专用相位。
例如，本发明可利用vissim9.0根据视频录制的交叉口运行情况标定仿真模型，对混行进口道的小汽车和公交车延误采用改进的饱和流率计算和延误，分别得到小汽车和公交车的延误计算模型，并转换为乘客延误，同时根据行人的到达和离去曲线，用0-1区分有无行人专用相位，得到行人延误模型。
其中，小汽车
Figure GDA0004176032040000101
的延误和公交车/>
Figure GDA0004176032040000102
的延误分别为：
Figure GDA0004176032040000103
Figure GDA0004176032040000104
其中C表示信号周期，λi表示第i相位绿信比，
Figure GDA0004176032040000105
Figure GDA0004176032040000106
和/>
Figure GDA00041760320400001010
分别为小汽车和公交车的流率比，/>
Figure GDA0004176032040000107
Sij c和Sij b分别为小汽车和公交车的饱和流率，其中，
Figure GDA0004176032040000108
Figure GDA0004176032040000109
ht0为平均车头时距。
本发明，区分有行人专用相位和无行人专用相位下的行人延误计算，通过0-1整数规划来达到正确使用行人延误模型的目的。
步骤S300、基于计算的行人延误，基于计算的行人延误，通过车辆延误间接计算交叉口人均延误，并以人均延误最小作为目标，构建保障交叉口正常运行及通行安全作为约束的公交信号优先控制数学模型；
本发明基于计算的行人延误，在此基础上，将各相位的绿灯时间作为变量，建立以人均延误最小为目标，以保障交叉口正常运行的饱和度、最短绿灯时间、周期约束作为约束条件的数学模型。
步骤S400、获取交叉口实际运行情况及提取相关参数，并输入所述公交信号优先控制数学模型；通过遗传算法求解所述公交信号优先控制数学模型，得到最优信号控制方案并输出；
本发明中，可以通过视频录制的方式获取交叉口实际运行情况及提取相关参数，并输入所述公交信号优先控制数学模型；通过遗传算法求解所述公交信号优先控制数学模型，得到最优信号控制方案并输出。具体实施时将小汽车、公交车延误转为乘客延误和行人延误，化为人均延误最小的目标函数，约束条件包括周期时长约束、饱和度约束、最短绿灯时间约束、0-1的整数约束，再借助遗传算法进行求解。
通过Python语言中Geatpy工具包来求解，主要过程包括：
染色体采取RI编码的方式，对交叉口各相位的长度编码，则染色体长度对应i个相位；
构建种群染色体G，种群的染色体长度记为Lind；
采用目标函数作为适应度函数；
确定遗传算子，包括选择、交叉、变异对应的方式；
结合实际交叉口案例进行验证。
本发明中，利用遗传算法对公交信号优先控制数学模型进行求解，求解借助Python语言中Geatpy工具包求解，结合实例验证，并进行行人专用相位阈值和公交比例的灵敏度分析。例如通过视频录制获取交叉口实际情况，输入上述的公交信号优先控制数学模型。通过遗传算法求解该数学模型，得到最优信号控制方案，结合实例进行验证，并对行人与行人专用相位设置阈值，公交车占比进行灵敏度分析，结合实例进行验证，并对行人与行人专用相位设置阈值，公交车占比进行灵敏度分析。
本发明实施例中：关于步骤S100的获取主动优先及被动优先策略，并对主动优先及被动优先策略进行对比、确认适用的公交信号被动优先策略具体地为：
本发明中，根据适用公交信号优先策略选择，基于公交信号优先策略本身的特点及适用条件，再结合交叉口所具备的特性，选择合适的公交信号优先策略进行公交信号优先控制。
具体地，公交信号优先的控制策略主要有主动优先和被动优先的控制策略，对于被动优先而言，其更重要的倾向于流量大且相对交通流较稳定的交叉口,在交通流较小的时候适应性比较差。而主动优先则更适用于交通量较小的情况，因其控制策略的特点，需要经常变换相位及改变相位时长，在流量较大的交叉口中是不适应的。本发明结合所研究大商圈及大客流地铁站临近交叉口行人及公交之多特点，选择被动优先策略，并借助vissim9.0软件进行交叉口仿真，根据运行情况及输出指标论证所选策略的合理性。
本发明实施例中：关于步骤S200的基于所述公交信号被动优先策略，根据视频录制的交叉口运行情况标定仿真模型，对混行进口道的小汽车和公交车延误采用改进的饱和流率计算和延误计算，分别得到小汽车和公交车的延误计算模型；通过小汽车和公交车延误转换得出乘客延误，并根据行人的到达和离去曲线计算行人延误，具体如为：
本发明中对于交叉口车流延误的计算，是将到达的车流标准化为小汽车再进行计算。而交叉口车辆延误计算模型采用Webster延误模型及在其基础上衍生出来的模型，在诸多情况下有较好的灵活使用性。Webster模型主要研究的是通过小汽车流的到达及离去车流规律计算小汽车的延误，当进口道中有大车或公交车，一般通过折算系数换乘小汽车再进行计算。这种标准化为小汽车的方式在以小汽车为主的交叉口有极高的适用性，但在公交车辆比例较高时，则与实际情况有较大的偏差。因此，本发明将混行进交叉口道车辆延误进行适应性调整改进，将混行进交叉口道的公交车辆与小汽车延误分别进行计算。计算思路如下图2所示，即在公交车与小汽车混行的交通流中分别计算其混行状态下公交车的延误和小汽车的延误。
具体地，首先对饱和流率计算，通过对交叉口的跟车行为研究，收集交叉口的跟车行为、记录不同车型之间的跟车距离，根据不同交通车辆构成比例及跟车行为的参数，计算城市交叉口进口道的饱和流率。
本发明中，据此计算交叉口进口道的饱和流率，计算过程如下：
其中，进口道的饱和流率通过如下公式1计算：
Figure GDA0004176032040000131
车辆组成修正系数fc通过如下公式2计算：
Figure GDA0004176032040000132
其中，ht0为平均车头时距：
ht0＝ρb 2×tb+b+ρc 2×tc+c+ρb×ρc×tb+c+ρc×ρb×tc+b；其中，
ρb为公交比例，ρc为小汽车比例，tb+b为公交跟公交、tc+c为小汽车跟小汽车、tb+c为公交跟小汽车、tc+b为小汽车跟公交的平均车头时距。
上述改进的混行交通流饱和流率计算，将小汽车与公交车混行情况下的车流延误分别计算。在车流混行的情况下，根据交通构成比例情况对车流类型进行转换，社会车流的延误计算则将其到达率qc均转换为小汽车流，公交车流的延误计算则将其到达率qb均转换为公交车流。
则社会车辆的车均延误通过如下公式3计算：
Figure GDA0004176032040000141
公交车辆的车均延误通过如下公式4计算：
Figure GDA0004176032040000142
/>
其中：
Figure GDA0004176032040000143
而混行车流公交车总延误计算通过如下公式5：
Figure GDA0004176032040000144
进一步地，本发明实施例中，通过视频采集所得交叉口运行数据，采集交叉口的最大排队长度，平均排队长度，车辆(小汽车和公交车)平均延误，平均停车次数等指标，并记录。通过vissim9.0软件建立交叉口仿真模型，调整仿真模型中的参数，使得仿真模型的运行状况和实际情况接近。将仿真模型标定后，用webster延误模型与本方法所采用的延误模型进行计算，将公交车的比例从5％增加到30％。将所得的结果与标定过的vissim9.0仿真输出的结果进行对比，由图3可知，当交叉口的公交车里比例逐渐增大时，对于公交车的延误采取本方法改进的webster延误计算方法更接近于交叉口真实情况。
进一步地，本发明方法实施例中关于行人延误计算，涉及动态行人专用相位，所以行人过街延误(简称行人延误)由行人专用相位的延误和普通行人过街相位延误组成。
具体地，以四相位为例，相位设置如图4-图7所示，行人专用相位的设置是动态的，因而在计算行人延误时需区分有无行人专用相位来计算行人延误：
无行人专用相位时，东西方向的行人到达和疏散曲线如下图4所示，则东西方向的行人延误Dp1为：
Figure GDA0004176032040000151
南北方向其到达和离去曲线则如下图5所示，则南北方向的行人延误Dp2为：
Figure GDA0004176032040000152
有行人专用相位行时，东西的行人的到达和离去曲线如下图6所示，则东西方向的行人延误Dpt1为：
Figure GDA0004176032040000161
南北方向其到达和离去曲线则如下图7所示，则南北方向的行人延误
Dpt2为：
Figure GDA0004176032040000162
则在计算时，行人的延误为：
Figure GDA0004176032040000163
式中：
Figure GDA0004176032040000164
为第k相位行人过街的平均延误；
Figure GDA0004176032040000165
表示非行人专用相位时行人的延误，/>
Figure GDA0004176032040000166
Figure GDA0004176032040000167
表示行人专用相位时行人的延误，/>
Figure GDA0004176032040000168
y为0或1，y＝1表示设置行人专用相位。
本发明实施例所述步骤S300的基于计算的行人延误，通过车辆延误间接计算交叉口人均延误，并以人均延误最小作为目标，构建保障交叉口正常运行及通行安全作为约束的公交信号优先控制数学模型的步骤如下：
具体地，本发明中通过车辆延误间接计算交叉口人均延误，以人均延误最小作为目标建立数学模型，对于交叉口人均延误的计算，需要通过车辆延误间接进行计算，
Figure GDA0004176032040000171
并以人均延误最小作为目标，构建保障交叉口正常运行及通行安全作为约束的公交信号优先控制数学模型；
具体地，变量表示为X＝[g1，g2，g3，g4，g5，y]，gi为相位绿灯时长，y为0或1，则本发明公交信号优先控制数学模型的具体表达式如下所示；
Figure GDA0004176032040000172
式中，Db表示公交车辆的乘客总延误，Dc表示小汽车乘客的总延误，Dp表示过街行人的总延误，Pb表示公交乘客总量，
Pc表示小汽车上的乘客总量，Pp表示过街行人总量。
本发明实施例中，约束条件包括：
设置信号周期C在最大和最小周期范围内，避免过长时间的运算，即：
15n<C<220
其中n为相位数；
保障交叉口整体通行，以车辆饱和度xp作为约束条件，即：
xp≤0·95
保障行人安全过街及车辆的正常通行，设置最短绿灯时长，即：
gnmin＝max(gc，gp)，
其中，gc为车辆通行最短时间，gp为行人安全过街最短时间；
保证行人专用相位设置起到作用，即：
My≥gn≥gnminy≥0
其中：M表示任意大整数值，gn为行人专用相位绿灯时长，y＝0或1。
进一步地，本发明中所述步骤S400的获取交叉口实际运行情况及提取相关参数，并输入所述公交信号优先控制数学模型；通过遗传算法求解所述公交信号优先控制数学模型，得到最优信号控制方案并输出具体如下：
本发明具体实施时，通过视频录制的交叉口实际情况，输入上述的数学模型，该问题为有多种类型约束的非线性规划问题，可利用遗传算法进行求解，其过程如图8所示，并进行灵敏度计算。
如图8所示：开始——初始化种群——种群第一代G＝0——计算适应度——选择操作——交叉操作——变异操作——产生下一代种群——G＝G+1，——判断G＝G+1是输出最佳方案，并结束；否则返回计算适应度步骤。具体地如下：
步骤S41、利用遗传算法对公交信号优先控制数学模型进行求解，采取Python语言中Geatpy工具结合实际数据进行启发式求解。Geatpy是一个高性能实用型进化算法工具箱，提供许多已实现的进化算法中各项重要操作的库函数，并提供一个高度模块化、耦合度低的面向对象的进化算法框架，可用于求解单目标优化、多目标优化、复杂约束优化、组合优化、混合编码进化优化等，并且能和SCOOP等框架紧密配合进行分布式计算。
步骤S411、染色体编码，编码Encoding方式实整数编码‘RI’，即实数和整数的混合编码，所编码的染色体均无需解码，染色体上每一位即代表决策变量的真实值。
步骤S412、遗传算法求解时，一般从随机产生初始种群开始，这些初始种群要求也要在满足约束的条件内。对模型求解时，随机产生的种群就是满足信号控制约束条件的绿灯时长灯组G＝[g1，g2，g3，g4，yg5]，其中的每个gi为相位的绿灯时长，y为0或1。种群染色体是一个numpy的array类型的二维矩阵，此处用G表示，每一行代表一条染色体。Nind表示种群规模大小，此处为Nind＝100。种群的染色体长度记为Lind，此处Lind＝6。种群染色体G的结构如下所示：
Figure GDA0004176032040000191
初始种群设置方式为随机生成满足部分可行解的初始种群，再通过换算进行转化为满足约束的初始种群。因为gi∈(gimin，gimax)，y∈(0，1)，采用随机函数来生成满足此约束下的初始种群，具体方式如下：
gi＝rand(gimin，gimax)
步骤S413、适应度函数为目标函数Dp s(g1，g2，g3，g4，g5，y)，越小，其适应度越高，越能生存保留下来。
步骤S414、遗传算子中，选择采用轮盘赌(Roulette Wheel Selection)的方式，用概率Pi的结果来选择，
Figure GDA0004176032040000192
式中Dpi s为个体适应度函数值，即目标函数值，M表示种群规模大小。交叉采用部分映射交叉(Partial-Mapped Crossover，PMX)是将一对染色体相同起止段的基因进行交换。变异方式为，在当前第n代种群随机选出3个基因，如选出g1，n，g2，n，g3，n，取其中两个基因的差(g1，n-g3，n)，经缩放因子F∈(0，2)放缩后加到g3，n上，得到新的基因g3，n′。
步骤S42、对实际交叉口进行视频摄像采集数据，统计交叉口车流量、行人流量等相关数据，输入到所建立的公交信号优先控制数学模型，并利用遗传算法本文所建立模型进行求解，论证该方法的可行性，其结果与常用webster配时方法对比结果如图9所示。
本发明实施例中所建立的公交信号优先控制数学模型是数学模型，遗传算法是求解数学模型的启发式求解算法。
步骤S421、为深入了解交叉口信号控制参数间的相互影响，分别从行人到达率，公交车占比及载客数进行灵敏度分析。
具体地、改变行人占比(交叉口流量全部转化为人)进行计算。保持交叉口总人数不变，将行人流量占比从10％-80％，每10％作为间隔。探究当行人流量占交叉口总人数达多少时，设置行人专用相位能够更好降低行人过街的延误。
步骤S422、对公交车辆的占比和公交车辆平均载客数进行灵敏度分析，将人均延误作为评价指标。
具体地，将公交车到达率占比从3％～15％(保持交叉口车辆数一定)进行计算，保持交叉口车辆总数不变，改变小汽车与公交车构成比例；保持交叉口饱和度不变。
最后，通过实例及灵敏度分析的有效性，设置动态行人专用相位，以对指定的地方交叉口的公交信号优先控制。例如本发明对非行人专用相位与行人专用相位设置流量阈值，公交车占比进行灵敏度分析，通过改变行人流量在交叉口流量的占比，从10％-80％去计算结果，改变公交车辆占交叉口车辆的比例，从3％-15％去计算延误情况。
本发明可以通过实例论证及灵敏度分析论证了本方法的有效性，保障交叉口正常运行的情况下，设置动态行人专用相位使得人均延误得到降低。
示例性设备
如图10中所示，本发明实施例提供一种考虑行人的公交信号被动优先控制装置，该装置包括：
优先策略比选模块410，用于获取主动优先及被动优先策略，并对主动优先及被动优先策略进行对比、确认适用的公交信号被动优先策略；
延误计算模块420，基于所述公交信号被动优先策略，根据视频录制的交叉口运行情况标定仿真模型，对混行进口道的小汽车和公交车延误采用改进的饱和流率计算和延误计算，分别得到小汽车和公交车的延误计算模型；通过小汽车和公交车延误转换得出乘客延误，并根据行人的到达和离去曲线计算行人延误；
公交信号优先控制数学模型构建模块430，用于基于计算的行人延误，通过车辆延误间接计算交叉口人均延误，并以人均延误最小作为目标，构建保障交叉口正常运行及通行安全作为约束的公交信号优先控制数学模型；
求解输出模块440，用于获取交叉口实际运行情况及提取相关参数，并输入所述公交信号优先控制数学模型；通过遗传算法求解所述公交信号优先控制数学模型，得到最优信号控制方案并输出，具体如上述方法实施例所述。
基于上述实施例，本发明还提供了一种播放设备，其原理框图可以如图11所示。该播放设备包括通过***总线连接的处理器、存储器、网络接口、显示屏。其中，该播放设备的处理器用于提供计算和控制能力。该播放设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该播放设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种考虑行人的公交信号被动优先控制方法。该播放设备的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解，图11中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的播放设备的限定，具体的播放设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种播放设备，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：
获取主动优先及被动优先策略，并对主动优先及被动优先策略进行对比、确认适用的公交信号被动优先策略；
基于所述公交信号被动优先策略，根据视频录制的交叉口运行情况标定仿真模型，对混行进口道的小汽车和公交车延误采用改进的饱和流率计算和延误计算，分别得到小汽车和公交车的延误计算模型；通过小汽车和公交车延误转换得出乘客延误，并根据行人的到达和离去曲线计算行人延误；
基于计算的行人延误，通过车辆延误间接计算交叉口人均延误，并以人均延误最小作为目标，构建保障交叉口正常运行及通行安全作为约束的公交信号优先控制数学模型；
通过录制视频获取交叉口实际情况及参数，并输入所述公交信号优先控制数学模型；通过遗传算法求解所述公交信号优先控制数学模型，得到最优信号控制方案并输出，具体如上所述。
其中，通过理论特点对比和vissim9.0仿真验证二重方式，结合大商圈及地铁临近的交叉口所具备特点，选择被动优先作为公交信号优先策略。
其中，借助vissim9.0软件对同一个交叉口仿真不同的优先策略，查看运行情况和延误情况综合选择。
其中，通过饱和流率测算方法对交叉口进口道的饱和流率计算，再分别对小汽车和公交车的延误计算。
其中，小汽车
Figure GDA0004176032040000231
的延误和公交车/>
Figure GDA0004176032040000232
的延误分别为：
Figure GDA0004176032040000233
Figure GDA0004176032040000234
其中C表示信号周期，λi表示第i相位绿信比，
Figure GDA0004176032040000235
Figure GDA0004176032040000236
和/>
Figure GDA0004176032040000237
分别为小汽车和公交车的流率比，/>
Figure GDA0004176032040000238
Sij c和Sij b分别为小汽车和公交车的饱和流率，其中，
Figure GDA0004176032040000239
Figure GDA00041760320400002310
ht0为平均车头时距。
其中，区分有行人专用相位和无行人专用相位下的行人延误计算，通过0-1整数规划来达到正确使用行人延误模型的目的。
其中，小汽车、公交车延误转为乘客延误和行人延误，化为人均延误最小的目标函数，约束条件包括周期时长约束、饱和度约束、最短绿灯时间约束、0-1的整数约束，再借助遗传算法进行求解。
其中，通过Python语言中Geatpy工具包来求解，主要过程包括：
染色体采取RI编码的方式，对交叉口各相位的长度编码，则染色体长度对应i个相位；
构建种群染色体G，种群的染色体长度记为Lind；
采用目标函数作为适应度函数；
确定遗传算子，包括选择、交叉、变异对应的方式；
结合实际交叉口案例进行验证。
其中，非行人专用相位与行人专用相位设置流量阈值，公交车占比进行灵敏度分析方法，其特征在于，改变行人流量在交叉口流量的占比，从10％-80％去计算结果，改变公交车辆占交叉口车辆的比例，从3％-15％去计算延误情况。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上，本发明公开了一种考虑行人的公交信号被动优先控制方法、装置、播放设备及存储介质，对主动优先及被动优先策略对比，借助vissim9.0仿真软件选择适用的公交信号被动优先策略，利用vissim9.0根据视频录制的交叉口运行情况标定仿真模型，对混行进口道的小汽车和公交车延误计算，采用改进的饱和流率计算和延误计算，分别得到小汽车和公交车的延误计算模型，并转换为乘客延误，同时根据行人的到达和离去曲线，用0-1区分有无行人专用相位，得到行人延误模型；在此基础上，将各相位的绿灯时间作为变量，建立以人均延误最小为目标，以保障交叉口正常运行的饱和度、最短绿灯时间、周期约束作为约束条件的数学模型，利用遗传算法对模型进行求解，求解借助Python中Geatpy工具包求解，结合实例验证，并进行行人专用相位阈值和公交比例的灵敏度分析。本发明对混行车辆的延误计算进行了改进，采用动态行人专用相位，并以人均延误作为目标建立信号控制模型，能够有效降低人均延误。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种考虑行人的公交信号被动优先控制方法，其特征在于，所述方法包括：
获取主动优先及被动优先策略，并对主动优先及被动优先策略进行对比、确认适用的公交信号优先策略；
所述获取主动优先及被动优先策略，并对主动优先及被动优先策略进行对比、确认适用的公交信号优先策略的步骤包括：
公交信号优先的控制策略包括主动优先和被动优先的控制策略；
根据大商圈及大客流地铁站临近交叉口行人及公交特点，选择被动优先策略，并采用vissim9.0软件进行交叉口仿真，根据仿真运行情况及输出指标论证所选策略的合理性；
基于公交信号被动优先策略，根据视频录制的交叉口运行情况标定仿真模型，对混行进口道的小汽车和公交车延误采用改进的饱和流率计算和延误计算，分别得到小汽车和公交车的延误计算模型；通过小汽车和公交车延误转换得出乘客延误，并根据行人的到达和离去曲线计算行人延误；
利用vissim9.0根据视频录制的交叉口运行情况标定仿真模型；
改进的混行交通流饱和流率计算：将小汽车与公交车混行情况下的车流延误分别计算；在车流混行的情况下，根据交通构成比例情况对车流类型进行转换，社会车流的延误计算则将其到达率qc均转换为小汽车流，公交车流的延误计算则将其到达率qb均转换为公交车流；
所述基于公交信号被动优先策略，根据视频录制的交叉口运行情况标定仿真模型，对混行进口道的小汽车和公交车延误采用改进的饱和流率计算和延误计算，分别得到小汽车和公交车的延误计算模型；通过小汽车和公交车延误转换得出乘客延误，并根据行人的到达和离去曲线计算行人延误的步骤包括：
将交叉口混行进口道的公交车辆与小汽车延误分别进行计算，在公交车与小汽车混行的交通流中分别计算混行状态下公交车的延误和小汽车的延误；
行人延误包括行人专用相位的延误和普通行人过街相位延误；
基于计算的行人延误，通过车辆延误间接计算交叉口人均延误，并以人均延误最小作为目标，构建保障交叉口正常运行及通行安全作为约束的公交信号优先控制数学模型；
所述基于计算的行人延误，通过车辆延误间接计算交叉口人均延误，并以人均延误最小作为目标，构建保障交叉口正常运行及通行安全作为约束的公交信号优先控制数学模型的步骤包括：
通过车辆延误间接计算交叉口人均延误，计算公式为：
Figure FDA0004184809830000021
将变量表示为X＝[g1，g2，g3，g4，g5，y]，gi为相位绿灯时长，y为0或1，则公交信号优先控制数学模型的具体表达式如下所示；
Figure FDA0004184809830000031
式中，Db表示公交车辆的乘客总延误，Dc表示小汽车乘客的总延误，
Dp表示过街行人的总延误，Pb表示公交乘客总量，Pc表示小汽车上的乘客总量，Pp为过街行人总量；
获取交叉口实际运行情况及提取相关参数，并输入所述公交信号优先控制数学模型；通过遗传算法求解所述公交信号优先控制数学模型，得到最优信号控制方案并输出；对实际交叉口进行视频摄像采集数据，统计交叉口车流量、行人流量相关数据，输入到所建立的公交信号优先控制数学模型；
小汽车
Figure FDA0004184809830000032
的延误和公交车/>
Figure FDA0004184809830000033
的延误分别为：
Figure FDA0004184809830000034
Figure FDA0004184809830000035
其中C表示信号周期，λi表示第i相位绿信比，
Figure FDA0004184809830000041
Figure FDA0004184809830000042
和/>
Figure FDA0004184809830000043
分别为小汽车和公交车的流率比，/>
Figure FDA0004184809830000044
Sij c和Sij b分别为小汽车和公交车的饱和流率，其中，
Figure FDA0004184809830000045
Figure FDA0004184809830000046
ht0为平均车头时距；
进口道的饱和流率计算公式为：
Figure FDA0004184809830000047
其中fc为车辆组成修正系数；
车辆组成修正系数fc通过如下计算：
Figure FDA0004184809830000048
其中，ht0为平均车头时距：
ht0＝ρb 2×tb+b+ρc 2×tc+c+ρb×ρc×tb+c+ρc×ρb×tc+b；其中，
ρb为公交比例，ρc为小汽车比例，tb+b为公交跟公交、tc+c为小汽车跟小汽车、tb+c为公交跟小汽车、tc+b为小汽车跟公交的平均车头时距；
混行车流公交车总延误计算公式为：
Figure FDA0004184809830000051
约束条件包括：
设置信号周期C在范围内，即15n＜C＜220，其中n为相位数；保障交叉口整体通行，以车辆饱和度xp作为约束条件，即：xp≤0.95；保障行人安全过街及车辆的正常通行，设置最短绿灯时长，即：gnmin＝max(gc，gp)，其中，gc为车辆通行最短时间，gp为行人安全过街最短时间；保证行人专用相位设置起到作用，即：My≥gn≥gnminy≥0；其中：M表示任意大整数值，gn为行人专用相位绿灯时长，y＝0或1。
2.根据权利要求1所述的考虑行人的公交信号被动优先控制方法，其特征在于，所述获取交叉口实际运行情况及提取相关参数，并输入所述公交信号优先控制数学模型；通过遗传算法求解所述公交信号优先控制数学模型，得到最优信号控制方案并输出的步骤包括：
通过Python语言中Geatpy工具结合实际数据进行启发式求解公交信号优先控制数学模型；
对实际交叉口进行视频摄像采集数据，统计交叉口车流量、行人流量相关数据，输入所述公交信号优先控制数学模型，并进行求解；
分别从行人到达率，公交车占比及载客数进行灵敏度分析，将人均延误作为评价指标；
通过实例及灵敏度分析的有效性，设置动态行人专用相位，以对指定的地方交叉口进行公交信号优先控制；
其中，通过Python语言中Geatpy工具包的求解过程包括：
染色体采取RI编码的方式，对交叉口各相位的长度编码，则染色体长度对应i个相位；
构建种群染色体G，种群的染色体长度记为Lind；
采用目标函数作为适应度函数；
确定遗传算子，包括选择、交叉、变异对应的方式；
结合实际交叉口案例进行验证。
3.一种考虑行人的公交信号被动优先控制装置，其特征在于，所述装置包括：
优先策略比选模块，用于获取主动优先及被动优先策略，并对主动优先及被动优先策略进行对比、确认适用的公交信号优先策略；
所述获取主动优先及被动优先策略，并对主动优先及被动优先策略进行对比、确认适用的公交信号优先策略的步骤包括：
公交信号优先的控制策略包括主动优先和被动优先的控制策略；
根据大商圈及大客流地铁站临近交叉口行人及公交特点，选择被动优先策略，并采用vissim9.0软件进行交叉口仿真，根据仿真运行情况及输出指标论证所选策略的合理性；
延误计算模块，基于公交信号被动优先策略，根据视频录制的交叉口运行情况标定仿真模型，对混行进口道的小汽车和公交车延误采用改进的饱和流率计算和延误计算，分别得到小汽车和公交车的延误计算模型；通过小汽车和公交车延误转换得出乘客延误，并根据行人的到达和离去曲线计算行人延误；
利用vissim9.0根据视频录制的交叉口运行情况标定仿真模型；
改进的混行交通流饱和流率计算：将小汽车与公交车混行情况下的车流延误分别计算；在车流混行的情况下，根据交通构成比例情况对车流类型进行转换，社会车流的延误计算则将其到达率qc均转换为小汽车流，公交车流的延误计算则将其到达率qb均转换为公交车流；
所述基于公交信号被动优先策略，根据视频录制的交叉口运行情况标定仿真模型，对混行进口道的小汽车和公交车延误采用改进的饱和流率计算和延误计算，分别得到小汽车和公交车的延误计算模型；通过小汽车和公交车延误转换得出乘客延误，并根据行人的到达和离去曲线计算行人延误的步骤包括：
将交叉口混行进口道的公交车辆与小汽车延误分别进行计算，在公交车与小汽车混行的交通流中分别计算其混行状态下公交车的延误和小汽车的延误；
行人延误包括行人专用相位的延误和普通行人过街相位延误；
公交信号优先控制数学模型构建模块，用于基于计算的行人延误，通过车辆延误间接计算交叉口人均延误，并以人均延误最小作为目标，构建保障交叉口正常运行及通行安全作为约束的公交信号优先控制数学模型；
所述基于计算的行人延误，通过车辆延误间接计算交叉口人均延误，并以人均延误最小作为目标，构建保障交叉口正常运行及通行安全作为约束的公交信号优先控制数学模型的步骤包括：
通过车辆延误间接计算交叉口人均延误，计算公式为：
Figure FDA0004184809830000091
将变量表示为X＝[g1，g2，g3，g4，g5，y]，gi为相位绿灯时长，y为0或1，则公交信号优先控制数学模型的具体表达式如下所示；
Figure FDA0004184809830000092
式中，Db表示公交车辆的乘客总延误，Dc表示小汽车乘客的总延误，
Dp表示过街行人的总延误，Pb表示公交乘客总量，Pc表示小汽车上的乘客总量，Pp为过街行人总量；
求解输出模块，用于获取交叉口实际运行情况及提取相关参数，并输入所述公交信号优先控制数学模型；通过遗传算法求解所述公交信号优先控制数学模型，得到最优信号控制方案并输出；
对实际交叉口进行视频摄像采集数据，统计交叉口车流量、行人流量相关数据，输入到所建立的公交信号优先控制数学模型；
小汽车
Figure FDA0004184809830000093
的延误和公交车/>
Figure FDA0004184809830000094
的延误分别为：
Figure FDA0004184809830000101
Figure FDA0004184809830000102
/>
其中C表示信号周期，λi表示第i相位绿信比，
Figure FDA0004184809830000103
Figure FDA0004184809830000104
和/>
Figure FDA0004184809830000105
分别为小汽车和公交车的流率比，/>
Figure FDA0004184809830000106
Sij c和Sij b分别为小汽车和公交车的饱和流率，其中，
Figure FDA0004184809830000107
Figure FDA0004184809830000108
ht0为平均车头时距；
进口道的饱和流率计算公式为：
Figure FDA0004184809830000109
其中fc为车辆组成修正系数；
车辆组成修正系数fc通过如下计算：
Figure FDA0004184809830000111
其中，ht0为平均车头时距：
ht0＝ρb 2×tb+b+ρc 2×tc+c+ρb×ρc×tb+c+ρc×ρb×tc+b；其中，ρb为公交比例，ρc为小汽车比例，tb+b为公交跟公交、tc+c为小汽车跟小汽车、tb+c为公交跟小汽车、tc+b为小汽车跟公交的平均车头时距；
混行车流公交车总延误计算公式为：
Figure FDA0004184809830000112
约束条件包括：
设置信号周期C在范围内，即15n＜C＜220，其中n为相位数；保障交叉口整体通行，以车辆饱和度xp作为约束条件，即：xp≤0.95保障行人安全过街及车辆的正常通行，设置最短绿灯时长，即：gnmin＝max(gc，gp)，其中，gc为车辆通行最短时间，gp为行人安全过街最短时间；保证行人专用相位设置起到作用，即：My≥gn≥gnminy≥0；其中：M表示任意大整数值，gn为行人专用相位绿灯时长，y＝0或1。
4.一种播放设备，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1-2中任意一项所述的方法。
5.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由播放设备的处理器执行时，使得播放设备能够执行如权利要求1-2中任意一项所述的方法。
CN202210240108.2A 2022-03-10 2022-03-10 考虑行人的公交信号被动优先控制方法及装置 Active CN114724353B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210240108.2A CN114724353B (zh) 2022-03-10 2022-03-10 考虑行人的公交信号被动优先控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210240108.2A CN114724353B (zh) 2022-03-10 2022-03-10 考虑行人的公交信号被动优先控制方法及装置

Publications (2)

Publication Number Publication Date
CN114724353A CN114724353A (zh) 2022-07-08
CN114724353B true CN114724353B (zh) 2023-06-09

Family

ID=82237351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210240108.2A Active CN114724353B (zh) 2022-03-10 2022-03-10 考虑行人的公交信号被动优先控制方法及装置

Country Status (1)

Country Link
CN (1) CN114724353B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576929B (zh) * 2024-01-19 2024-04-02 山东科技大学 一种考虑不同公交平面相交的车速与信号协同优化方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011141606A (ja) * 2010-01-05 2011-07-21 Sumitomo Electric Ind Ltd 路上通信システム及び交通信号制御機
CN107886744A (zh) * 2017-11-01 2018-04-06 西南交通大学 一种用于地铁站邻近交叉口公交优先信号控制方法
CN108205904A (zh) * 2017-12-28 2018-06-26 浙江大学 一种基于非机动车和公交车的绿波控制方法
CN108629993A (zh) * 2018-04-27 2018-10-09 上海理工大学 一种适用于高饱和度交叉口的公交优先信号配时优化方法
CN109949585A (zh) * 2019-03-29 2019-06-28 上海理工大学 两相位信号控制交叉口行人专用相位设置方法
CN110097751A (zh) * 2018-11-19 2019-08-06 上海理工大学 一种两相位信号控制交叉口行人专用相位动态设置方法
CN111369814A (zh) * 2020-05-07 2020-07-03 深圳市城市交通规划设计研究中心股份有限公司 一种车路协同公交车控制方法、装置及终端设备
CN112071068A (zh) * 2020-09-17 2020-12-11 西南交通大学 基于对称交叉口的行人过街效率与安全分析方法
CN113032964A (zh) * 2021-02-26 2021-06-25 武汉理工大学 一种公交优先的交叉口信号控制方法及装置
WO2021208484A1 (zh) * 2020-04-13 2021-10-21 同济大学 一种面向公交信号优先高频多申请的动态控制方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198674B (zh) * 2013-03-18 2015-01-28 东南大学 一路一线模式下行人过街信号协同控制方法
CN105788309B (zh) * 2016-05-23 2018-03-16 哈尔滨工业大学 一种公交优先控制策略选择方法
CN108932855A (zh) * 2017-05-22 2018-12-04 阿里巴巴集团控股有限公司 道路交通控制***、方法以及电子设备
CN113409599B (zh) * 2021-06-16 2022-10-25 河南省城乡规划设计研究总院股份有限公司 一种基于信息预测的城市公交优先协调控制方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011141606A (ja) * 2010-01-05 2011-07-21 Sumitomo Electric Ind Ltd 路上通信システム及び交通信号制御機
CN107886744A (zh) * 2017-11-01 2018-04-06 西南交通大学 一种用于地铁站邻近交叉口公交优先信号控制方法
CN108205904A (zh) * 2017-12-28 2018-06-26 浙江大学 一种基于非机动车和公交车的绿波控制方法
CN108629993A (zh) * 2018-04-27 2018-10-09 上海理工大学 一种适用于高饱和度交叉口的公交优先信号配时优化方法
CN110097751A (zh) * 2018-11-19 2019-08-06 上海理工大学 一种两相位信号控制交叉口行人专用相位动态设置方法
CN109949585A (zh) * 2019-03-29 2019-06-28 上海理工大学 两相位信号控制交叉口行人专用相位设置方法
WO2021208484A1 (zh) * 2020-04-13 2021-10-21 同济大学 一种面向公交信号优先高频多申请的动态控制方法
CN111369814A (zh) * 2020-05-07 2020-07-03 深圳市城市交通规划设计研究中心股份有限公司 一种车路协同公交车控制方法、装置及终端设备
CN112071068A (zh) * 2020-09-17 2020-12-11 西南交通大学 基于对称交叉口的行人过街效率与安全分析方法
CN113032964A (zh) * 2021-02-26 2021-06-25 武汉理工大学 一种公交优先的交叉口信号控制方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
混合交通环境下城市平面交叉***通控制优化研究;卢璐;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(第02期);全文 *
考虑排放与公平性的低饱和交叉口信号配时优化研究;余陆敬;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(第10期);全文 *
路段行人过街信号与交叉口信号协调控制研究;李娜;中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)(第02期);全文 *
车路协同环境下基于公交优先的交叉口配时优化;王琪;中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑);第06卷(第06期);全文 *

Also Published As

Publication number Publication date
CN114724353A (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
Zhu et al. A bi-level model for single-line rail timetable design with consideration of demand and capacity
Huang et al. Saving energy and improving service quality: Bicriteria train scheduling in urban rail transit systems
Calle-Laguna et al. Computing optimum traffic signal cycle length considering vehicle delay and fuel consumption
CN114724353B (zh) 考虑行人的公交信号被动优先控制方法及装置
Yao et al. Emergency vehicle route oriented signal coordinated control model with two-level programming
Niu et al. Eco-driving versus green wave speed guidance for signalized highway traffic: a multi-vehicle driving simulator study
CN114937366B (zh) 一种基于多尺度交通需求与供给转化的交通流推算方法
Yu et al. Data-driven approach for solving the route choice problem with traveling backward behavior in congested metro systems
Qin et al. Stability analysis and connected vehicles management for mixed traffic flow with platoons of connected automated vehicles
Wu et al. Traffic control models based on cellular automata for at‐grade intersections in autonomous vehicle environment
Feng et al. Optimal skip‐stop schedule under mixed traffic conditions for minimizing travel time of passengers
Molnár et al. Delayed Lagrangian continuum models for on-board traffic prediction
Zhang et al. Optimized Skip‐Stop Metro Line Operation Using Smart Card Data
Dressler et al. On the impact of human driver behavior on intelligent transportation systems
CN115862322A (zh) 一种车辆可变限速控制优化方法、***、介质及设备
Liu et al. Prediction algorithms for train arrival time in urban rail transit
CN111369814A (zh) 一种车路协同公交车控制方法、装置及终端设备
CN117974129A (zh) 一种基于乘车行为智能补登的对账方法及***
Lin et al. Transit‐Based Emergency Evacuation with Transit Signal Priority in Sudden‐Onset Disaster
CN114973654B (zh) 考虑停站的被动公交优先干道协调控制实现方法及装置
Park et al. Multiobjective approach to the transit network design problem with variable demand considering transit equity
Sun et al. Study on the influence of road capacity and information feedback on urban traffic system equilibrium state
Tung et al. Novel traffic signal timing adjustment strategy based on genetic algorithm
Stoilova et al. Extensions to traffic control modeling store-and-forward
Zhong et al. Deep Q‐Learning Network Model for Optimizing Transit Bus Priority at Multiphase Traffic Signal Controlled Intersection

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220708

Assignee: Yuncheng Holding (Shenzhen) Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980047231

Denomination of invention: Passive priority control method and device for bus signals considering pedestrians

Granted publication date: 20230609

License type: Common License

Record date: 20231116

Application publication date: 20220708

Assignee: Guangdong Haipeng Cloud Intelligent Technology Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980047226

Denomination of invention: Passive priority control method and device for bus signals considering pedestrians

Granted publication date: 20230609

License type: Common License

Record date: 20231115

Application publication date: 20220708

Assignee: Sankexiaocao (Shenzhen) Internet of Things Technology Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980047154

Denomination of invention: Passive priority control method and device for bus signals considering pedestrians

Granted publication date: 20230609

License type: Common License

Record date: 20231115

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220708

Assignee: Guangdong Yianwei Information Technology Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980048073

Denomination of invention: Passive priority control method and device for bus signals considering pedestrians

Granted publication date: 20230609

License type: Common License

Record date: 20231123

Application publication date: 20220708

Assignee: Foshan Yishi Information Technology Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980048034

Denomination of invention: Passive priority control method and device for bus signals considering pedestrians

Granted publication date: 20230609

License type: Common License

Record date: 20231123

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220708

Assignee: Shenzhen Huichi Technology Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980048434

Denomination of invention: Passive priority control method and device for bus signals considering pedestrians

Granted publication date: 20230609

License type: Common License

Record date: 20231127

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220708

Assignee: Shenzhen Boyuan Science and Technology Innovation Development Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980049268

Denomination of invention: Passive priority control method and device for bus signals considering pedestrians

Granted publication date: 20230609

License type: Common License

Record date: 20231130