CN115909768A - 一种智能网联混合交通流交叉口信号协同优化方法及*** - Google Patents

Abstract

本发明公开一种智能网联混合交通流交叉口信号协同优化方法及***，该方法包括对交通状态信息进行高精度采集；基于初始信息控制的智能车轨迹进行优化；基于优化后的所述智能车轨迹的信号控制进行优化。这样，避免了混合交通模式下，智能车渗透率较低，存在大量的智能车跟驰人工驾驶车辆及仅仅控制智能车单车，未考虑多车跟驰状态，优化作用将有限的缺点。同时，通过采用了轨迹与信号协同优化的方式，进一步提升交叉口的运行效率，保障了数据来源更精确、微观，并且控制策略更合理、有效。

Description

一种智能网联混合交通流交叉口信号协同优化方法及***

技术领域

本发明涉及智能交通控制技术领域，尤其涉及一种智能网联混合交通流交叉口信号协同优化方法及***。

背景技术

近年来，我国提出了“双碳目标”，正加快形成绿色低碳交通运输方式，推广新能源、智能化、数字化交通装备，鼓励引导绿色出行，让交通更加环保、出行更加低碳。面对诸多挑战，智能网联汽车融合了智能化、网联化的优点，为实现交通出行的节能减排、提升交通效率提供了前所未有的契机，在智能交通自动驾驶技术领域取得了许多突破性成果，可显著缓解我国所面临的能源与环境危机，并在一定程度上有效缓解日益严重的交通拥堵和道路安全问题。技术的突破让越来越多的原型智能车能够走出实验室，在真实道路环境中进行测试，逐渐向实际应用迈进。城市交通拥堵和交通事故等问题日益严重，交叉口作为城市交通网络的节点，直接影响着路网交通运行与控制效果，解决交叉口的交通问题对解决整个城市交通问题具有重大意义。

随着通信技术、传感和计算机技术的发展，智能网联技术成为解决交通问题的关键技术。尽管到目前为止智能网联车已经取得了巨大的进步，但要达到完全自动化以及较高的智能网联车市场渗透率还需要相对较长的时间，在智能网联车完全取代人类驾驶车辆之前，道路将在很长一段时间内存在智能网联车和人类驾驶车辆混合交通流。在智能网联环境下，智能网联车和人类驾驶车辆具有更快的信息探知能力和更小的反应时间，路端感知也可将检测到的交叉口范围内的道路、车辆运行状况实时传输到车端。如何在交叉口控制问题中发挥智能网联***的技术优势，实现安全、有效、科学的控制是目前交通控制领域研究的重要方向。

然而，现有的基于混合通行条件下智能车轨迹优化研究中，智能车的渗透率往往较低，在人机混驾的交通模式中检测器难以获得研究范围内所有车辆的动态运行状况，制约了智能车的轨迹规划；现有研究为单边优化，少有轨迹与信号协同优化。并且，较少使用多车跟驰模型进行速度控制，往往仅考虑单车。针对上述这种情况，本发明提出了一种智能网联混合交通流交叉口信号协同优化方法及***，能够有效地对现有技术进行改进，克服其不足。

发明内容

针对现有技术的不足，本发明提供了一种智能网联混合交通流交叉口信号协同优化方法及***，以解决现有技术存在的以上问题，其具体方案如下：

第一方面，本发明提供了一种智能网联混合交通流交叉口信号协同优化方法，所述方法包括：

步骤1：对交通状态信息进行高精度采集，包括目标车辆运行状态数据与初始信控方案；

步骤2：基于初始信息控制的智能车轨迹进行优化，包括交叉口分区界定、智能车队编组、速度引导区边界计算、跟驰模型建立、车速引导策略应用；

步骤3：基于优化后的所述智能车轨迹的信号控制进行优化，包括标准小汽车当量参数优化，道路通行能力占用系数确定，信控方案确定。

优选地，所述步骤2包括：

S21.交叉口分区界定：对采集器检测范围L进行分区，主要由车队决策区L_D、速度引导区L_V所组成；车队编组区主要功能为将智能网联车辆与人工驾驶车辆进行编组；速度引导区主要功能为应用速度控制策略实现智能车队的实时控制，为保证交通安全，L_V长度需小于进口道实线区域L_limit；其组成与约束如下：

L＝L_D+L_V

L_V＜L_limit；

S22.智能车队编组：由于人机混驾的环境，智能网联车辆按照一定渗透率存在于交叉口内；在车队决策区L_D内将智能网联车辆(CAV)作为所编组的车队的头车

(其中m为头车所在车队编号，l为头车所在车道编号)；其后跟驰的若干人工驾驶车辆

(其中m为所在车队编号，j为车队中人工驾驶车辆序号)与头车

共同组成智能网联车队M_n；

S23.速度引导区边界计算：不同于检测器的探测边界，确定车辆被集中控制器开始纳入速度控制策略的影响范围；其判断条件为驾驶员能够接受的加速度极值a_c，并根据加速度极值a_c与道路限制速度V_L计算舒适制动距离S_c；其计算公式如下：

根据计算得出的舒适制动距离S_c，以交叉口停止线为基准确定速度引导区L_V边界；若S_c＞S_limit，取边界距离为S_limit；

S24.跟驰模型建立：由于车队中存在部分人工驾驶车辆，智能网联车队M_n头车的驾驶特征将诱导跟驰人工驾驶车辆以相同目标速度通过交叉口或停止；由于基于雷视一体机的交通采集***能够得到包括人工驾驶车辆在内的所有车辆的运行状态信息，可应用基于车队的改进FVD(全速度差)跟驰模型，得到后一车队头车

与前一车队最后车辆

间的跟驰加速度，计算公式如下：

a_m+1＝α(V′_m-V_m(t))+β(V_m+1(t)-V_m(t))

式中：a_m+1——m+1车队中头车跟驰加速度；

V′_m——m车队的头车目标车速；

V_m(t)——t时刻m车队尾车速度；

V_m+1(t)——t时刻m+1车队头车速度；

α——驾驶员敏感系数；β——驾驶员反应系数；

S25.车速引导策略应用：智能网联车队M_n到达速度引导区L_V边界时，进行相位判断，此行进方向信号灯为红黄灯相位P_r，其剩余时间设为T_r；或绿灯相位P_g，其剩余时间设为T_g；并针对不同的相位状态采用不同的车速引导策略，设置t_r为驾驶员反应时间；

其中，集中控制器仅在无下游排队车辆或排队车辆无干扰的情况下进行轨迹优化：

1)当

或

时，取目标车速V′_m＝V_max；后车队的跟驰加速度为：a_m+1＝α(V_max-V_m(t))+β(V_m+1(t)-V_m(t))；

2)当

时，应降低车速V_m至目标车速V′_m，使车队到达停止线时刻在绿灯启亮时刻，V′_m的求解方式为：

式中：V_min——道路最低限速；V_max——道路最高限速。

优选地，所述步骤3包括：

S31.标准小汽车当量参数优化：基于雷视一体机对于车辆运行状态获取的准确性，能够利用交叉口内运行车辆的车辆类型、车辆大小、占用空间、运行速度对小汽车当量换算系数进行改进：

其中：

为换算后k车道总交通量，G_s为所有小汽车，G_r为所有中型车，G_l为所有大型车，G_b为所有公交车，其计数均由雷视一体机采集***直接给出；

λ_s、λ_r、λ_l、λ_b分别为小汽车、中型车、大型车、公交车的空间占用系数，其反应各类车辆对道路面积的占用度；并根据交通流率情况确定公交优先度，即λ_b取值；

δ_s、δ_r、δ_l、δ_b分别为小汽车、中型车、大型车、公交车的道路通行能力占用系数；

S32.道路通行能力占用系数确定：根据该车道平均速度

与目标车辆平均车速归一化，由于越接近车道平均速度，车辆对通行能力影响越小；基于平均速度值，越接近限速值占用系数越低，越接近0km/h其占用系数越高；为避免此系数扰动过大，对其取值作约束；因此有以下系数计算公式：

S33.信控方案确定：根据步骤S32中的计算公式，可以得出精确的各关键车道的交通流量q_i，引用经典的英国TRRL方法进行信号配时计算，生成相位方案；

其中，在一个周期中，集中控制器将实时读取轨迹优化后交叉口所有车辆的运行状态，利用基于改进标准小汽车当量的webster法进行交叉口信号控制。

优选地，所述步骤S33包括：

S41.关键车道流量比总和计算：根据步骤3.2中给出的改进下各车道交通量进行流量比总和计算，其计算方法如下：

其中i为相位的索引，需根据交叉口实际运行情况具体设定；

为i相位中k车道的流量比，其计算方法如下：

其中

为i相位中k车道的饱和流率，其具体数据根据相关交通规范标准进行确定即可；

S42.最优周期时长：TRRL方法信号控制的周期时长应桉如下公式计算：

40s≤C₀≤180s

其中L定义为信号总损失时间，其计算公式如下：

其中L_s定义为启动损失时间；AR为i相位的全红交叉口清空时间；

S43.有效绿灯时间计算：根据各相位准确的流量比分配最优周期时长C₀，其计算方法如下：

由有效绿灯时间生成相位组合G＝[g₁，g₂，g₃，...]，用于进行下一周期的交叉口信号控制；下周期开始时，回到步骤2继续进行基于步骤3给出信控方案下的智能车轨迹优化。

第二方面，本发明提供了一种智能网联混合交通流交叉口信号协同优化***，所述***包括：

获取模块，用于对交通状态信息进行高精度采集，包括目标车辆运行状态数据与初始信控方案；

处理模块，用于基于初始信息控制的智能车轨迹进行优化，包括交叉口分区界定、智能车队编组、速度引导区边界计算、跟驰模型建立、车速引导策略应用；

优化模块，用于基于优化后的所述智能车轨迹的信号控制进行优化，包括标准小汽车当量参数优化，道路通行能力占用系数确定，信控方案确定。

第三方面，本发明提供了一种智能网联混合交通流交叉口信号协同优化设备，所述设备包括：

通信总线，用于实现处理器与存储器间的连接通信；

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序以实现如下步骤：

对交通状态信息进行高精度采集，包括目标车辆运行状态数据与初始信控方案；

基于初始信息控制的智能车轨迹进行优化，包括交叉口分区界定、智能车队编组、速度引导区边界计算、跟驰模型建立、车速引导策略应用；

基于优化后的所述智能车轨迹的信号控制进行优化，包括标准小汽车当量参数优化，道路通行能力占用系数确定，信控方案确定。

第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的方法。

有益效果：本发明的智能网联混合交通流交叉口信号协同优化方法及***，通过对交通状态信息进行高精度采集，包括目标车辆运行状态数据与初始信控方案；基于初始信息控制的智能车轨迹进行优化，包括交叉口分区界定、智能车队编组、速度引导区边界计算、跟驰模型建立、车速引导策略应用；基于优化后的所述智能车轨迹的信号控制进行优化，包括标准小汽车当量参数优化，道路通行能力占用系数确定，信控方案确定。这样，通过采用车辆编组的方式，将智能车与人工车辆编组，使用车队进行跟驰；并利用了雷视一体机的采集特性，车队领头智能车能够获得前车队车尾人工驾驶车辆的速度，从而进行跟驰，解决了混合交通模式下，智能车渗透率较低，存在大量的人工智能驾驶跟驰智能车辆；且仅仅是控制智能车单车，未考虑多车跟驰状态，优化作用将有限的缺点。同时，通过采用了轨迹与信号协同优化的方式，避免了现有仅采用单边优化的混合交通情况导致的往往仅针对车辆运行状态进行信号优化，或者在固定配时方案下进行轨迹优化与速度控制的弊端，进一步提升交叉口的运行效率，保障了数据来源更精确、微观，并且控制策略更合理、有效。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，附图中的实施例不构成对本发明的任何限制，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明智能网联混合交通流交叉口信号协同优化方法一实施例流程示意图。

图2是本发明智能网联混合交通流交叉口信号协同优化***一实施例结构示意图。

图3是本发明智能网联混合交通流交叉口信号协同优化设备一实施例结构示意图。

具体实施方式

下面结合附图与实施例对本发明技术方案作进一步详细的说明，这是本发明的较佳实施例。应当理解，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例技术方案的主要思想：对交通状态信息进行高精度采集，包括目标车辆运行状态数据与初始信控方案；基于初始信息控制的智能车轨迹进行优化，包括交叉口分区界定、智能车队编组、速度引导区边界计算、跟驰模型建立、车速引导策略应用；基于优化后的所述智能车轨迹的信号控制进行优化，包括标准小汽车当量参数优化，道路通行能力占用系数确定，信控方案确定。

为了更好的理解上述的技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

实施例一

本发明一实施例提供了一种智能网联混合交通流交叉口信号协同优化方法，如图1所示，该数据处理方法具体可以包括如下步骤：

步骤S101，对交通状态信息进行高精度采集，包括目标车辆运行状态数据与初始信控方案；

在本发明申请实施例中，目标车辆运行状态数据具体可以包括：目标类型C_s、目标纵向速度V_p、目标纵向加速度V_ap、目标所在车道号码L_i、目标距停车线距离Y_i；初始信控方案采集包括各相位的绿灯时长、黄灯时长、全红时间、相序方案。数据的采集通过建立于交叉口的雷视一体机目标检测***进行，实时采集得到的信息同时输入至轨迹优化与信控方案优化方法中。

步骤S102，基于初始信息控制的智能车轨迹进行优化，包括交叉口分区界定、智能车队编组、速度引导区边界计算、跟驰模型建立、车速引导策略应用；

具体地，是在周期开始时，采用集中控制器，读取交叉口全部车辆运行状态，同时对交叉口控制范围内所有的智能网联车辆进行速度控制。

在本发明申请实施例中，交叉口分区界定具体可以包括：对采集器检测范围L进行分区，主要由车队决策区L_D、速度引导区L_V所组成；车队编组区主要功能为将智能网联车辆与人工驾驶车辆进行编组；速度引导区主要功能为应用速度控制策略实现智能车队的实时控制，为保证交通安全，L_V长度需小于进口道实线区域L_limit；其组成与约束如下：

L＝L_D+L_V

L_V＜L_limit；

在本发明申请实施例中，智能车队编组具体可以包括：由于人机混驾的环境，智能网联车辆按照一定渗透率存在于交叉口内；在车队决策区L_D内将智能网联车辆(CAV)作为所编组的车队的头车

(其中m为头车所在车队编号，l为头车所在车道编号)；其后跟驰的若干人工驾驶车辆

(其中m为所在车队编号，j为车队中人工驾驶车辆序号)与头车

共同组成智能网联车队M_n；

在本发明申请实施例中，速度引导区边界计算具体可以包括：不同于检测器的探测边界，确定车辆被集中控制器开始纳入速度控制策略的影响范围；其判断条件为驾驶员能够接受的加速度极值a_c，并根据加速度极值a_c与道路限制速度V_L计算舒适制动距离S_c；其计算公式如下：

根据计算得出的舒适制动距离S_c，以交叉口停止线为基准确定速度引导区L_V边界；若S_c＞S_limit，取边界距离为S_limit；

在本发明申请实施例中，跟驰模型建立具体可以包括：由于车队中存在部分人工驾驶车辆，智能网联车队M_n头车的驾驶特征将诱导跟驰人工驾驶车辆以相同目标速度通过交叉口或停止；由于基于雷视一体机的交通采集***能够得到包括人工驾驶车辆在内的所有车辆的运行状态信息，可应用基于车队的改进FVD(全速度差)跟驰模型，得到后一车队头车

与前一车队最后车辆

间的跟驰加速度，计算公式如下：

a_m+1＝α(V′_m-V_m(t))+β(V_m+1(t)-V_m(t))

式中：a_m+1－－m+1车队中头车跟驰加速度；

V′_m——m车队的头车目标车速；

V_m(t)——t时刻m车队尾车速度；

V_m+1(t)——t时刻m+1车队头车速度；

α——驾驶员敏感系数；β——驾驶员反应系数；

在本发明申请实施例中，车速引导策略应用具体可以包括：智能网联车队M_n到达速度引导区L_V边界时，进行相位判断，此行进方向信号灯为红黄灯相位P_r，其剩余时间设为T_r；或绿灯相位P_g，其剩余时间设为T_g；并针对不同的相位状态采用不同的车速引导策略，设置t_r为驾驶员反应时间；

其中，集中控制器仅在无下游排队车辆或排队车辆无干扰的情况下进行轨迹优化：

1)当

或

时，取目标车速V′_m＝V_max；后车队的跟驰加速度为：a_m+1＝α(V_max-V_m(t))+β(V_m+1(t)-V_m(t))；

2)当

时，应降低车速V_m至目标车速V′_m，使车队到达停止线时刻在绿灯启亮时刻，V′_m的求解方式为：

式中：V_min——道路最低限速；V_max——道路最高限速。

步骤S103，基于优化后的所述智能车轨迹的信号控制进行优化，包括标准小汽车当量参数优化，道路通行能力占用系数确定，信控方案确定。

具体地，在一个周期中，集中控制器将实时读取轨迹优化后交叉口所有车辆的运行状态，利用基于改进标准小汽车当量的webster法进行交叉口信号控制。

在本发明申请实施例中，标准小汽车当量参数优化具体可以包括：基于雷视一体机对于车辆运行状态获取的准确性，能够利用交叉口内运行车辆的车辆类型、车辆大小、占用空间、运行速度对小汽车当量换算系数进行改进：

其中：

为换算后k车道总交通量，G_s为所有小汽车，G_r为所有中型车，G_l为所有大型车，G_b为所有公交车，其计数均由雷视一体机采集***直接给出；

λ_s、λ_r、λ_l、λ_b分别为小汽车、中型车、大型车、公交车的空间占用系数，其反应各类车辆对道路面积的占用度；并根据交通流率情况确定公交优先度，即λ_b取值；

δ_s、δ_r、δ_l、δ_b分别为小汽车、中型车、大型车、公交车的道路通行能力占用系数；

在本发明申请实施例中，道路通行能力占用系数确定具体可以包括：根据该车道平均速度

与目标车辆平均车速归一化，由于越接近车道平均速度，车辆对通行能力影响越小；基于平均速度值，越接近限速值占用系数越低，越接近0km/h其占用系数越高；为避免此系数扰动过大，对其取值作约束；因此有以下系数计算公式：

在本发明申请实施例中，具体地，信控方案确定具体可以包括：根据步骤S32中的计算公式，可以得出精确的各关键车道的交通流量q_i，引用经典的英国TRRL方法进行信号配时计算，生成相位方案。

较佳地，以上步骤具体可以包括：

首先，关键车道流量比总和计算是根据步骤3.2中给出的改进下各车道交通量进行流量比总和计算，其计算方法如下：

其中i为相位的索引，需根据交叉口实际运行情况具体设定；

为i相位中k车道的流量比，其计算方法如下：

其中

为i相位中k车道的饱和流率，其具体数据根据相关交通规范标准进行确定即可；然后，最优周期时长未TRRL方法信号控制的周期时长应按如下公式计算：

40s≤C₀≤180s

其中L定义为信号总损失时间，其计算公式如下：

其中L_s定义为启动损失时间；AR为i相位的全红交叉口清空时间；

最后，有效绿灯时间计算是根据各相位准确的流量比分配最优周期时长C₀，其计算方法如下：

在本发明申请实施例中，由有效绿灯时间生成相位组合G＝[g₁，g₂，g₃，...]，用于进行下一周期的交叉口信号控制；下周期开始时，回到步骤2继续进行基于步骤3给出信控方案下的智能车轨迹优化。

实施例二

本发明一实施例提供了一种智能网联混合交通流交叉口信号协同优化***，如图2所示，该协同优化***具体可以包括如下模块：

获取模块，用于对交通状态信息进行高精度采集，包括目标车辆运行状态数据与初始信控方案；

在本发明申请实施例中，目标车辆运行状态数据具体可以包括：目标类型C_s、目标纵向速度V_p、目标纵向加速度V_ap、目标所在车道号码L_i、目标距停车线距离Y_i；初始信控方案采集包括各相位的绿灯时长、黄灯时长、全红时间、相序方案。数据的采集通过建立于交叉口的雷视一体机目标检测***进行，实时采集得到的信息同时输入至轨迹优化与信控方案优化方法中。

处理模块，用于基于初始信息控制的智能车轨迹进行优化，包括交叉口分区界定、智能车队编组、速度引导区边界计算、跟驰模型建立、车速引导策略应用；

具体地，是在周期开始时，采用集中控制器，读取交叉口全部车辆运行状态，同时对交叉口控制范围内所有的智能网联车辆进行速度控制。

在本发明申请实施例中，交叉口分区界定具体可以包括：对采集器检测范围L进行分区，主要由车队决策区L_D、速度引导区L_V所组成；车队编组区主要功能为将智能网联车辆与人工驾驶车辆进行编组；速度引导区主要功能为应用速度控制策略实现智能车队的实时控制，为保证交通安全，L_V长度需小于进口道实线区域L_limit；其组成与约束如下：

L＝L_D+L_V

L_V＜L_limit；

在本发明申请实施例中，智能车队编组具体可以包括：由于人机混驾的环境，智能网联车辆按照一定渗透率存在于交叉口内；在车队决策区L_D内将智能网联车辆(CAV)作为所编组的车队的头车

(其中m为头车所在车队编号，l为头车所在车道编号)；其后跟驰的若干人工驾驶车辆

(其中m为所在车队编号，j为车队中人工驾驶车辆序号)与头车

共同组成智能网联车队M_n；

在本发明申请实施例中，速度引导区边界计算具体可以包括：不同于检测器的探测边界，确定车辆被集中控制器开始纳入速度控制策略的影响范围；其判断条件为驾驶员能够接受的加速度极值a_c，并根据加速度极值a_c与道路限制速度V_L计算舒适制动距离S_c；其计算公式如下：

根据计算得出的舒适制动距离S_c，以交叉口停止线为基准确定速度引导区L_V边界；若S_c＞S_limit，取边界距离为S_limit；

在本发明申请实施例中，跟驰模型建立具体可以包括：由于车队中存在部分人工驾驶车辆，智能网联车队M_n头车的驾驶特征将诱导跟驰人工驾驶车辆以相同目标速度通过交叉口或停止；由于基于雷视一体机的交通采集***能够得到包括人工驾驶车辆在内的所有车辆的运行状态信息，可应用基于车队的改进FVD(全速度差)跟驰模型，得到后一车队头车

与前一车队最后车辆

间的跟驰加速度，计算公式如下：

a_m+1＝α(V′_m-V_m(t))+β(V_m+1(t)-V_m(t))

式中：a_m+1－－m+1车队中头车跟驰加速度；

V′_m－－m车队的头车目标车速；

V_m(t)——t时刻m车队尾车速度；

V_m+1(t)－－t时刻m+1车队头车速度；

α－－驾驶员敏感系数；β——驾驶员反应系数；

在本发明申请实施例中，车速引导策略应用具体可以包括：智能网联车队M_n到达速度引导区L_V边界时，进行相位判断，此行进方向信号灯为红黄灯相位P_r，其剩余时间设为T_r；或绿灯相位P_g，其剩余时间设为T_g；并针对不同的相位状态采用不同的车速引导策略，设置t_r为驾驶员反应时间；

其中，集中控制器仅在无下游排队车辆或排队车辆无干扰的情况下进行轨迹优化：

1)当

或

时，取目标车速V′_m＝V_max；后车队的跟驰加速度为：a_m+1＝α(V_max-V_m(t))+β(V_m+1(t)-V_m(t))；

2)当

时，应降低车速V_m至目标车速V′_m，使车队到达停止线时刻在绿灯启亮时刻，V′_m的求解方式为：

式中：V_min——道路最低限速；V_max——道路最高限速。

优化模块，用于基于优化后的所述智能车轨迹的信号控制进行优化，包括标准小汽车当量参数优化，道路通行能力占用系数确定，信控方案确定。

具体地，在一个周期中，集中控制器将实时读取轨迹优化后交叉口所有车辆的运行状态，利用基于改进标准小汽车当量的webster法进行交叉口信号控制。

在本发明申请实施例中，标准小汽车当量参数优化具体可以包括：基于雷视一体机对于车辆运行状态获取的准确性，能够利用交叉口内运行车辆的车辆类型、车辆大小、占用空间、运行速度对小汽车当量换算系数进行改进：

其中：

为换算后k车道总交通量，G_s为所有小汽车，G_r为所有中型车，G_l为所有大型车，G_b为所有公交车，其计数均由雷视一体机采集***直接给出；

λ_s、λ_r、λ_l、λ_b分别为小汽车、中型车、大型车、公交车的空间占用系数，其反应各类车辆对道路面积的占用度；并根据交通流率情况确定公交优先度，即λ_b取值；

δ_s、δ_r、δ_l、δ_b分别为小汽车、中型车、大型车、公交车的道路通行能力占用系数；

在本发明申请实施例中，道路通行能力占用系数确定具体可以包括：根据该车道平均速度

与目标车辆平均车速归一化，由于越接近车道平均速度，车辆对通行能力影响越小；基于平均速度值，越接近限速值占用系数越低，越接近0km/h其占用系数越高；为避免此系数扰动过大，对其取值作约束；因此有以下系数计算公式：

在本发明申请实施例中，具体地，信控方案确定具体可以包括：根据步骤S32中的计算公式，可以得出精确的各关键车道的交通流量q_i，引用经典的英国TRRL方法进行信号配时计算，生成相位方案。

较佳地，以上步骤具体可以包括：

首先，关键车道流量比总和计算是根据步骤3.2中给出的改进下各车道交通量进行流量比总和计算，其计算方法如下：

其中i为相位的索引，需根据交叉口实际运行情况具体设定；

为i相位中k车道的流量比，其计算方法如下：

其中

为i相位中k车道的饱和流率，其具体数据根据相关交通规范标准进行确定即可；

然后，最优周期时长未TRRL方法信号控制的周期时长应按如下公式计算：

40s≤C₀≤180s

其中L定义为信号总损失时间，其计算公式如下：

其中L_s定义为启动损失时间；AR为i相位的全红交叉口清空时间；

最后，有效绿灯时间计算是根据各相位准确的流量比分配最优周期时长C₀，其计算方法如下：

在本发明申请实施例中，由有效绿灯时间生成相位组合G＝[g₁，g₂，g₃，...]，用于进行下一周期的交叉口信号控制；下周期开始时，回到步骤2继续进行基于步骤3给出信控方案下的智能车轨迹优化。

实施例三

本发明一实施例提供了一种智能网联混合交通流交叉口信号协同优化***，如图3所示，该协同优化***具体可以包括如下模块：

通信总线，用于实现处理器与存储器间的连接通信；

存储器，用于存储计算机程序；存储器可能包含高速RAM存储器，也可能还包含非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器可选的可以包含至少一个存储装置。

处理器，用于执行上述计算机程序以实现如下步骤：

首先，对交通状态信息进行高精度采集，包括目标车辆运行状态数据与初始信控方案；

在本发明申请实施例中，目标车辆运行状态数据具体可以包括：目标类型C_s、目标纵向速度V_p、目标纵向加速度V_ap、目标所在车道号码L_i、目标距停车线距离Y_i；初始信控方案采集包括各相位的绿灯时长、黄灯时长、全红时间、相序方案。数据的采集通过建立于交叉口的雷视一体机目标检测***进行，实时采集得到的信息同时输入至轨迹优化与信控方案优化方法中。

然后，基于初始信息控制的智能车轨迹进行优化，包括交叉口分区界定、智能车队编组、速度引导区边界计算、跟驰模型建立、车速引导策略应用；

具体地，是在周期开始时，采用集中控制器，读取交叉口全部车辆运行状态，同时对交叉口控制范围内所有的智能网联车辆进行速度控制。

在本发明申请实施例中，交叉口分区界定具体可以包括：对采集器检测范围L进行分区，主要由车队决策区L_D、速度引导区L_V所组成；车队编组区主要功能为将智能网联车辆与人工驾驶车辆进行编组；速度引导区主要功能为应用速度控制策略实现智能车队的实时控制，为保证交通安全，L_V长度需小于进口道实线区域L_limit；其组成与约束如下：

L＝L_D+L_V

L_V＜L_limit；

在本发明申请实施例中，智能车队编组具体可以包括：由于人机混驾的环境，智能网联车辆按照一定渗透率存在于交叉口内；在车队决策区L_D内将智能网联车辆(CAV)作为所编组的车队的头车

(其中m为头车所在车队编号，l为头车所在车道编号)；其后跟驰的若干人工驾驶车辆

(其中m为所在车队编号，j为车队中人工驾驶车辆序号)与头车

共同组成智能网联车队M_n；

在本发明申请实施例中，速度引导区边界计算具体可以包括：不同于检测器的探测边界，确定车辆被集中控制器开始纳入速度控制策略的影响范围；其判断条件为驾驶员能够接受的加速度极值a_c，并根据加速度极值a_c与道路限制速度V_L计算舒适制动距离S_c；其计算公式如下：

根据计算得出的舒适制动距离S_c，以交叉口停止线为基准确定速度引导区L_V边界；若S_c＞S_limit，取边界距离为S_limit；

在本发明申请实施例中，跟驰模型建立具体可以包括：由于车队中存在部分人工驾驶车辆，智能网联车队M_n头车的驾驶特征将诱导跟驰人工驾驶车辆以相同目标速度通过交叉口或停止；由于基于雷视一体机的交通采集***能够得到包括人工驾驶车辆在内的所有车辆的运行状态信息，可应用基于车队的改进FVD(全速度差)跟驰模型，得到后一车队头车

与前一车队最后车辆

间的跟驰加速度，计算公式如下：

a_m+1＝α(V′_m-V_m(t))+β(V_m+1(t)-V_m(t))

式中：a_m+1－－m+1车队中头车跟驰加速度；

V′_m——m车队的头车目标车速；

V_m(t)——t时刻m车队尾车速度；

V_m+1(t)——t时刻m+1车队头车速度；

α——驾驶员敏感系数；β——驾驶员反应系数；

在本发明申请实施例中，车速引导策略应用具体可以包括：智能网联车队M_n到达速度引导区L_V边界时，进行相位判断，此行进方向信号灯为红黄灯相位P_r，其剩余时间设为T_r；或绿灯相位P_g，其剩余时间设为T_g；并针对不同的相位状态采用不同的车速引导策略，设置t_r为驾驶员反应时间；

其中，集中控制器仅在无下游排队车辆或排队车辆无干扰的情况下进行轨迹优化：

1)当

或

时，取目标车速V′_m＝V_max；后车队的跟驰加速度为：a_m+1＝α(V_max-V_m(t))+β(V_m+1(t)-V_m(t))；

2)当

时，应降低车速V_m至目标车速V′_m，使车队到达停止线时刻在绿灯启亮时刻，V′_m的求解方式为：

式中：V_min——道路最低限速；V_max——道路最高限速。

最后，基于优化后的所述智能车轨迹的信号控制进行优化，包括标准小汽车当量参数优化，道路通行能力占用系数确定，信控方案确定。

具体地，在一个周期中，集中控制器将实时读取轨迹优化后交叉口所有车辆的运行状态，利用基于改进标准小汽车当量的webster法进行交叉口信号控制。

在本发明申请实施例中，标准小汽车当量参数优化具体可以包括：基于雷视一体机对于车辆运行状态获取的准确性，能够利用交叉口内运行车辆的车辆类型、车辆大小、占用空间、运行速度对小汽车当量换算系数进行改进：

其中：

为换算后k车道总交通量，G_s为所有小汽车，G_r为所有中型车，G_l为所有大型车，G_b为所有公交车，其计数均由雷视一体机采集***直接给出；

λ_s、λ_r、λ_l、λ_b分别为小汽车、中型车、大型车、公交车的空间占用系数，其反应各类车辆对道路面积的占用度；并根据交通流率情况确定公交优先度，即λ_b取值；

δ_s、δ_r、δ_l、δ_b分别为小汽车、中型车、大型车、公交车的道路通行能力占用系数；

在本发明申请实施例中，道路通行能力占用系数确定具体可以包括：根据该车道平均速度

与目标车辆平均车速归一化，由于越接近车道平均速度，车辆对通行能力影响越小；基于平均速度值，越接近限速值占用系数越低，越接近0km/h其占用系数越高；为避免此系数扰动过大，对其取值作约束；因此有以下系数计算公式：

在本发明申请实施例中，具体地，信控方案确定具体可以包括：根据步骤S32中的计算公式，可以得出精确的各关键车道的交通流量q_i，引用经典的英国TRRL方法进行信号配时计算，生成相位方案。

较佳地，以上步骤具体可以包括：

首先，关键车道流量比总和计算是根据步骤3.2中给出的改进下各车道交通量进行流量比总和计算，其计算方法如下：

其中i为相位的索引，需根据交叉口实际运行情况具体设定；

为i相位中k车道的流量比，其计算方法如下：

其中

为i相位中k车道的饱和流率，其具体数据根据相关交通规范标准进行确定即可；然后，最优周期时长未TRRL方法信号控制的周期时长应按如下公式计算：

40s≤C₀≤180s

其中L定义为信号总损失时间，其计算公式如下：

其中L_s定义为启动损失时间；AR为i相位的全红交叉口清空时间；

最后，有效绿灯时间计算是根据各相位准确的流量比分配最优周期时长C₀，其计算方法如下：

在本发明申请实施例中，由有效绿灯时间生成相位组合G＝[g₁，g₂，g₃，...]，用于进行下一周期的交叉口信号控制；下周期开始时，回到步骤2继续进行基于步骤3给出信控方案下的智能车轨迹优化。

本实施例中的处理器可能是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。上述处理器可以是微处理器或者上述处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

实施例四

本发明一实施例提供了一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现上述的协同优化方法。

综上所述，本发明实施例提供的一种智能网联混合交通流交叉口信号协同优化方法及***，通过对交通状态信息进行高精度采集，包括目标车辆运行状态数据与初始信控方案；基于初始信息控制的智能车轨迹进行优化，包括交叉口分区界定、智能车队编组、速度引导区边界计算、跟驰模型建立、车速引导策略应用；基于优化后的所述智能车轨迹的信号控制进行优化，包括标准小汽车当量参数优化，道路通行能力占用系数确定，信控方案确定。这样，通过采用车辆编组的方式，将智能车与人工车辆编组，使用车队进行跟驰；并利用了雷视一体机的采集特性，车队领头智能车能够获得前车队车尾人工驾驶车辆的速度，从而进行跟驰，解决了混合交通模式下，智能车渗透率较低，存在大量的人工智能驾驶跟驰智能车辆；且仅仅是控制智能车单车，未考虑多车跟驰状态，优化作用将有限的缺点。同时，通过采用了轨迹与信号协同优化的方式，避免了现有仅采用单边优化的混合交通情况导致的往往仅针对车辆运行状态进行信号优化，或者在固定配时方案下进行轨迹优化与速度控制的弊端，进一步提升交叉口的运行效率，保障了数据来源更精确、微观，并且控制策略更合理、有效。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行该计算机程序指令时，全部或部分地产生按照本申请实施例该的流程或功能。该计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明是参照本发明实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (7)

1.一种智能网联混合交通流交叉口信号协同优化方法，其特征在于，所述方法包括：

步骤1：对交通状态信息进行高精度采集，包括目标车辆运行状态数据与初始信控方案；

步骤2：基于初始信息控制的智能车轨迹进行优化，包括交叉口分区界定、智能车队编组、速度引导区边界计算、跟驰模型建立、车速引导策略应用；

步骤3：基于优化后的所述智能车轨迹的信号控制进行优化，包括标准小汽车当量参数优化，道路通行能力占用系数确定，信控方案确定。

2.根据权利要求1所述的方法，其特征在于，所述步骤2包括：

S21.交叉口分区界定：对采集器检测范围L进行分区，主要由车队决策区L_D、速度引导区L_V所组成；车队编组区主要功能为将智能网联车辆与人工驾驶车辆进行编组；速度引导区主要功能为应用速度控制策略实现智能车队的实时控制，为保证交通安全，L_V长度需小于进口道实线区域L_limit；其组成与约束如下：

L＝L_D+L_V

L_V<L_limit；

S22.智能车队编组：由于人机混驾的环境，智能网联车辆按照一定渗透率存在于交叉口内；在车队决策区L_D内将智能网联车辆(CAV)作为所编组的车队的头车

(其中m为头车所在车队编号，l为头车所在车道编号)；其后跟驰的若干人工驾驶车辆HV_j ^m(其中m为所在车队编号，j为车队中人工驾驶车辆序号)与头车

共同组成智能网联车队M_n；

S23.速度引导区边界计算：不同于检测器的探测边界，确定车辆被集中控制器开始纳入速度控制策略的影响范围；其判断条件为驾驶员能够接受的加速度极值a_c，并根据加速度极值a_c与道路限制速度V_L计算舒适制动距离S_c；其计算公式如下：

根据计算得出的舒适制动距离S_c，以交叉口停止线为基准确定速度引导区L_V边界；若S_c>S_limit，取边界距离为S_limit；

S24.跟驰模型建立：由于车队中存在部分人工驾驶车辆，智能网联车队M_n头车的驾驶特征将诱导跟驰人工驾驶车辆以相同目标速度通过交叉口或停止；由于基于雷视一体机的交通采集***能够得到包括人工驾驶车辆在内的所有车辆的运行状态信息，可应用基于车队的改进FVD(全速度差)跟驰模型,得到后一车队头车

与前一车队最后车辆HV_j ^m间的跟驰加速度，计算公式如下：

a_m+1＝α(V′_m-V_m(t))+β(V_m+1(t)-V_m(t))

式中：a_m+1——m+1车队中头车跟驰加速度；

V′_m——m车队的头车目标车速；

V_m(t)——t时刻m车队尾车速度；

V_m+1(t)——t时刻m+1车队头车速度；

α——驾驶员敏感系数；β——驾驶员反应系数；

S25.车速引导策略应用：智能网联车队M_n到达速度引导区L_V边界时，进行相位判断，此行进方向信号灯为红黄灯相位P_r，其剩余时间设为T_r；或绿灯相位P_g，其剩余时间设为T_g；并针对不同的相位状态采用不同的车速引导策略,设置t_r为驾驶员反应时间；

其中，集中控制器仅在无下游排队车辆或排队车辆无干扰的情况下进行轨迹优化：

1)当

或

时，取目标车速V′_m＝V_max；后车队的跟驰加速度为：a_m+1＝α(V_max-V_m(t))+β(V_m+1(t)-V_m(t))；

2)当

时，应降低车速V_m至目标车速V′_m，使车队到达停止线时刻在绿灯启亮时刻，V′_m的求解方式为：

式中：V_min——道路最低限速；V_max——道路最高限速。

3.根据权利要求1所述的方法，其特征在于，所述步骤3包括：

S31.标准小汽车当量参数优化：基于雷视一体机对于车辆运行状态获取的准确性，能够利用交叉口内运行车辆的车辆类型、车辆大小、占用空间、运行速度对小汽车当量换算系数进行改进：

其中：

为换算后k车道总交通量，G_s为所有小汽车，G_r为所有中型车，G_l为所有大型车，G_b为所有公交车，其计数均由雷视一体机采集***直接给出；

λ_s、λ_r、λ_l、λ_b分别为小汽车、中型车、大型车、公交车的空间占用系数，其反应各类车辆对道路面积的占用度；并根据交通流率情况确定公交优先度，即λ_b取值；

δ_s、δ_r、δ_l、δ_b分别为小汽车、中型车、大型车、公交车的道路通行能力占用系数；

S32.道路通行能力占用系数确定：根据该车道平均速度

与目标车辆平均车速归一化，由于越接近车道平均速度，车辆对通行能力影响越小；基于平均速度值，越接近限速值占用系数越低，越接近0km/h其占用系数越高；为避免此系数扰动过大，对其取值作约束；因此有以下系数计算公式：

S33.信控方案确定：根据步骤S32中的计算公式，可以得出精确的各关键车道的交通流量q_i，引用经典的英国TRRL方法进行信号配时计算，生成相位方案；

其中，在一个周期中，集中控制器将实时读取轨迹优化后交叉口所有车辆的运行状态，利用基于改进标准小汽车当量的webster法进行交叉口信号控制。

4.根据权利要求3所述的方法，其特征在于，所述步骤S33包括：

S41.关键车道流量比总和计算：根据步骤3.2中给出的改进下各车道交通量进行流量比总和计算，其计算方法如下：

其中i为相位的索引，需根据交叉口实际运行情况具体设定；

为i相位中k车道的流量比，其计算方法如下：

其中

为i相位中k车道的饱和流率，其具体数据根据相关交通规范标准进行确定即可；

S42.最优周期时长：TRRL方法信号控制的周期时长应按如下公式计算：

40s≤C₀≤180s

其中L定义为信号总损失时间，其计算公式如下：

其中L_s定义为启动损失时间；AR为i相位的全红交叉口清空时间；

S43.有效绿灯时间计算：根据各相位准确的流量比分配最优周期时长C₀，其计算方法如下：

由有效绿灯时间生成相位组合G＝[g₁,g₂,g₃,…],用于进行下一周期的交叉口信号控制；下周期开始时，回到步骤2继续进行基于步骤3给出信控方案下的智能车轨迹优化。

5.一种智能网联混合交通流交叉口信号协同优化***，其特征在于，所述***包括：

获取模块，用于对交通状态信息进行高精度采集，包括目标车辆运行状态数据与初始信控方案；

处理模块，用于基于初始信息控制的智能车轨迹进行优化，包括交叉口分区界定、智能车队编组、速度引导区边界计算、跟驰模型建立、车速引导策略应用；

优化模块，用于基于优化后的所述智能车轨迹的信号控制进行优化，包括标准小汽车当量参数优化，道路通行能力占用系数确定，信控方案确定。

6.一种智能网联混合交通流交叉口信号协同优化设备，其特征在于，所述设备包括：

通信总线，用于实现处理器与存储器间的连接通信；

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序以实现如下步骤：

对交通状态信息进行高精度采集，包括目标车辆运行状态数据与初始信控方案；

基于初始信息控制的智能车轨迹进行优化，包括交叉口分区界定、智能车队编组、速度引导区边界计算、跟驰模型建立、车速引导策略应用；

基于优化后的所述智能车轨迹的信号控制进行优化，包括标准小汽车当量参数优化，道路通行能力占用系数确定，信控方案确定。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4任一项所述的方法。

Images