CN101587647B - 一种网络化公交优先信号协调控制方法 - Google Patents

Abstract

本发明公开了一种网络化公交优先信号协调控制方法，该方法采用定周期感应控制的信号控制方案，设计了面向大规模信号控制系统优化的遗传算法方法和具有普适性的网络化遗传算法编码方案，建立了融合多个评价指标的综合控制适配值函数。本方法简单且易于实现，能够解决大规模网络化信号控制系统协调优化问题，适用于各种交通网络，能在提高区域内公交运营效率的同时达到公交车辆和社会车辆的综合最优效果。

Description

一种网络化公交优先信号协调控制方法 

技术领域

本发明涉及交通信号控制技术，尤其涉及一种网络化公交优先信号协调控制方法。 

背景技术

为解决城市日益增加的车辆、乘客、行人与有限的交通资源之间的矛盾，优先发展公交已成为解决城市交通问题的重要手段。发展公共交通，首先必须提高交通设施的利用效率，提高交通的服务能力，因此，作为交通控制方式的公交信号优先就成为主要方式之一。 

例如，现有的快速公交(BRT)具有良好的道路优先条件，在北京投入使用以来发挥了巨大的社会效益，例如：前门至德茂庄一线的客运量稳定在14万人次/天以上，在重要节假日可达22万人次/天的水平，高峰时段发车间隔可压缩至45秒。同时，也正是由于良好的道路条件保障，BRT车辆在路口延误所占总延误的比例也在大幅度上升态势，因此进行BRT线路的公交信号优先优化有着十分重要的意义。 

现有的公交优先信号控制方法，大多只是针对单个交叉路口或数个交叉路口构成的干线进行优化，而对于区域信号的优化较少；并且，公交优先信号的控制方法多是感应控制，而非协调控制；另外，对公交优先优化的评价指标也较单一。由于网络化交通系统的整体性，对单个路口或线路信号的优化难以解决区域内多路口的相互影响问题。在控制方法上，感应控制能较灵活地根据路口实际通行情况调整信号配时，但往往只考虑单一路口的效果，易破坏线路或区域整体的协调性。在评价指标选取上，单一的指标难以体现优化的综合效果。 

发明内容

有鉴于此，本发明的主要目的在于提供一种网络化公交优先信号协调控制方法，以解决交通网络控制的大规模网络化信号控制系统的协调优化问题，在提高区域内公交运营效率，即提高公交车辆平均无等待通过率、减少旅行时间、提高冲突方向有效绿灯时间等指标的同时，达到公交车辆与社会车辆的综合最优效果。 

为达到上述目的，本发明的技术方案是这样实现的： 

一种网络化公交优先信号协调控制方法，该方法包括： 

A、以单个路口编码为单位，设置待优化参数，对网络化公交优先信号控制系统进行遗传算法编码； 

B、建立评价指标体系，设计适配值函数； 

C、采用轮盘赌法选择配对个体，采用单点交叉进行交叉运算，执行遗传操作，以得到最优遗传个体； 

D、对遗传算法进行计算，根据不同的参数进行译码操作。 

其中，所述步骤D之后进一步包括： 

根据前次的优化结果带入适配值函数计算新种群的适配值，并判断所述适配值是否达到最大遗传代数，如果尚未达到，则重复步骤C～步骤D；否则，则输出最佳优化结果，结束优化过程。 

所述待优化参数包括：信号周期、绿信比、最大绿灯扩展比、最大绿灯调用比、初始偏移、权重调节因子；所述遗传算法编码，是以单个路口编码为单位，所述路口编码由所述待优化参数构成，以每个路口的编码作为一基因片段，全线所有路口的基因片段构成一条完整的染色体。 

所述评价指标包括旅行时间T_Travel、绿波效果GreenWave、无等待通过率NoWaitRate、路口延误WaitTimeAve、有效绿灯时间相对比T_greenrlt、社会车辆绝对有效绿灯时间T_greenabs、冲突相位绿性比指标ConflictGrn以及乘客需求Passen，构成评价指标体系；并且依据所述评价指标设计得到如下适配函数： 

Fitness＝α₁·β₁·(-T_Travel)+α₂·β₂·GreenWave+α₃·β₃·NoWaitRate 

+α₄·β₄·(-WaitTimeAve)+α₅·β₅·T_greenrlt+α₆·β₆·T_greenabs

+α₇·β₇·ConflictGrn+α₈·β₈·Passen 

其中，Fitness表示适配值，T_Travel和WaitTimeAve为减性指标，其他指标为加性指标；β_i为归一化系数，用于将各指标控制在0到1之间，β_i＝1/(10·G_i)；G_i为各指标数量级；α_i为各评价指标的权重系数，为合理设置各指标权重以获得较好的综合优化效果，经反复试验，将权重值设为α₁＝1.2；α₂＝1.2；α₃＝1.8；α₄＝1；α₅＝1；α₆＝1；α₇＝1；α₈＝0.6。 

所述步骤C执行遗传操作的过程中，需要设定如下参数：种群大小10、遗传代数200、交叉概率0.6、遗传操作前60代的变异概率为0.08、中期80代的变异概率为0.07以及后期60代的变异概率为0.001。 

所述步骤D中进行译码操作的过程为： 

D1、在进行译码操作时根据不同的参数进行翻译，以计算参数值，具体为：为每个参数设置合理的上限和下限，将该段值域按比例与二进制编码域对应，其计算公式为： 

其中，y为参数值，up为参数上限，low是参数下限，binaryvalue是二进制编码值，length是该参数编码长度； 

D2、针对信号周期，采用典型值方式进行译码，在提取权重因子后，根据各公交相位对应的权重K_i计算相位调节系数p_i，所述 

将所述绿信比、扩展比、调用比的基准值分别与p_i相乘得到各相位的参数。 

本发明所提供的网络化公交优先信号协调控制方法，具有以下优点： 

本发明采用定周期感应控制的信号控制方案，设计了面向大规模信号控制系统优化的遗传算法方法和具有普适性的网络化遗传算法编码方案对现有的网络化公交优先信号控制进行进一步优化，具有方法简单且易于实现的特点，能够解决大规模网络化信号控制系统协调优化问题，普适性好；并且能在提高区域内公交运营效率的同时保证社会车辆通行利益。 

附图说明

图1为本发明实施例网络化公交优先信号协调控制方法流程图； 

图2为本发明实施例采用遗传算法编码方案示意图； 

图3a为本发明网络化公交优先信号协调控制优化效果示意图一； 

图3b为本发明网络化公交优先信号协调控制优化效果示意图二； 

图3c为本发明网络化公交优先信号协调控制优化效果示意图三。 

具体实施方式

下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。 

本发明的基本思路为：在对网络化公交优先信号协调控制优化的过程中，采用定周期感应控制的信号控制方案，设计面向大规模信号控制系统优化的遗传算法方法和网络化遗传算法编码方案，对区域内各个路口的信号周期、绿信比、优先比例和初始偏移进行优化；以公交车辆平均无等待通过率、旅行时间、冲突方向有效绿灯时间、公交方向绿波效应为指标，建立了综合控制适配值函数。 

图1为本发明实施例网络化公交优先信号协调控制方法流程图，如图1所示，该通过如下步骤实现。 

步骤101：以单个路口编码为单位，设置待优化参数，对网络化公交优先信号控制系统的优化进行遗传算法编码。 

这里，需要对如下参数进行优化：信号周期、绿信比、最大绿灯扩展比、最大绿灯调用比、初始偏移、权重调节因子。 

所述遗传算法编码，是以单个路口编码为单位，所述路口编码由待优化参数构成，其中：信号周期、绿信比、最大绿灯扩展比、最大绿灯调用比、初始偏移为路口信号控制参数。由于各路口存在多个公交相位，每个公交相位绿信比、最大绿灯扩展比、最大绿灯调用比均不同，因此对这三个参数各设一基准值体现在编码中，然后再根据权重调节因子对基准值进行调节，得到各相位绿信比和优先比例。这样，将每个路口的上述编码作为一基因片段，全线所有路口的基因片段就构成一条完整的染色体。

以上所述遗传算法的具体编码如图2所示，图2中，所述权重调节因子与公交相位相对应，公交相位的个数由网络内各路口公交相位的最大个数决定。 

假设路网中共有三个路口，路口1公交相位个数为4，路口2公交相位个数为3，路口3公交相位个数为2，则在编码中调节因子设为K1，K2，K3，K4。进行权重调节时，路口1应用所有的调节因子，路口2应用K1，K2，K3，路口3则只应用K1，K2。应用调节因子计算各公交相位参数的过程将在译码步骤说明。本发明方法中对信号控制参数进行优化时，具体的公交运营调度参数中的发车间隔和预期车速依据公交运营的实际情况设定。 

步骤102：建立评价指标体系，设计适配值函数。 

这里，所述评价指标体系，包括旅行时间、绿波效果、无等待通过率、路口延误、有效绿灯时间相对比、社会车辆绝对有效绿灯时间、冲突相位绿性比指标以及乘客需求等。 

所述旅行时间的定义为： 

$T_{\mathrm{Travel}}=\frac{\underset{i=1}{\overset{N_{\mathrm{bus}}}{\mathrm{\Σ}}}{T}_{\mathrm{Travel}\_i}}{N_{\mathrm{bus}}}$

其中，T_Travel为旅行时间，T_{Travel_i}为第i辆车在区域内的旅行时间，N_bus为通过区域内的公交车辆的总数。注：本申请文件中已说明的参数符号含义全文均统一，后文不再解释(下同)。 

所述绿波效果定义为： 

$\mathrm{GreenWave}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{\frac{\underset{j=1}{\overset{4}{\mathrm{\Σ}}}{k}_j\·{\mathrm{GreenWave}}_{\mathrm{ij}}}{4}}{n},$

${\mathrm{GreenWave}}_{\mathrm{ij}}=t_{\mathrm{ij}}\·\frac{T_{\mathrm{GreenEnd}\_\mathrm{ij}}-T_{\mathrm{BusArrive}\_\mathrm{ij}}}{T_{\mathrm{Green}\_\mathrm{ij}}}$

其中，GreenWave为绿波效果，n为路口个数。假设本实施例中路口个数为4，则各路口绿波效果为4个直行相位绿波效果的加权平均值，指标中的相 位只涉及直行相位，因此j的最大值为4。GreenWave_ij是第i个路口第j个相位的绿波效果，k_j是相位权重，T_{GreenEnd_ij}是第i个路口第j个相位的绿灯结束时刻，T_{BusArrive_ij}是公交车辆从第i个路口第j个相位的上行路口绿灯开始时以平均速度行驶到第i个路口的时刻，T_{Green_ij}是第i个路口第j个相位的绿灯时间，t_ij＝1表示公交车辆能赶上第i个路口第j个相位的绿灯时间，t_ij＝0表示不能赶上。 

所述无等待通过率定义为： 

$\mathrm{NoWaitRate}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i\·{\mathrm{NoWaitRate}}_i}{n},$

${\mathrm{NoWaitRate}}_i=\frac{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{k}_j\frac{N_{\mathrm{BusNoWait}\_\mathrm{ij}}}{N_{\mathrm{Bus}\_\mathrm{ij}}}}{m}$

其中，NoWaitRate是平均无等待通过率，w_i是路口权重(按路口大小设置)，NoWaitRate_i是第i个路口的各公交相位无等待通过率的加权平均值，N_{BusNoWait_ij}是第i个路口第j个相位无等待通过的公交车辆数，N_{Bus_ij}是第i各路口第j个相位通过的公交车辆总数，m是相位个数。 

所述路口延误定义为： 

$\mathrm{WaitTimeAve}=\frac{\underset{i-1}{\overset{n}{\mathrm{\Σ}}}{w}_i\·{\mathrm{WaitTimeAve}}_i}{n}$

${\mathrm{WaitTimeAve}}_i=\frac{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{k}_i\·\frac{{\mathrm{WaitTime}}_{\mathrm{ij}}}{N_{\mathrm{Bus}\_\mathrm{ij}}}}{m}$

其中，WaitTimeAve是平均延误，WaitTimeAve_i是第i个路口的各公交相位延误的加权平均值，WaitTimeAve_i是第i个路口第j个相位公交车延误总时间。 

所述有效绿灯时间相对比定义为： 

$T_{\mathrm{greenrlt}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{\frac{\underset{j=1}{\overset{4}{\mathrm{\Σ}}}{k}_j\·T_{\mathrm{greenrlt}\_\mathrm{ij}}}{4}}{n}$

$T_{\mathrm{greenrlt}\_\mathrm{ij}}=p_{\mathrm{ij}}\frac{\min (T_{\mathrm{eftgreen}\_\mathrm{ij}},T_{\mathrm{eftgreen}\_i-1,j})}{\max (T_{\mathrm{eftgreen}\_\mathrm{ij}},T_{\mathrm{eftgreen}\_i1,j})}$

其中，T_greenrlt是相对有效绿灯时间，各路口的有效绿灯时间为4个直行相位有效绿灯时间相对比的加权平均值，指标中相位只涉及直行相位。 

T_{greenrlt_ij}为第i个路口第j个相位的有效绿灯时间相对比，T_{eftgreen_ij}是第i个路口第j个相位的有效绿灯时间，T_{eftgreen_i-1，j}是第i个路口第j个相位上行路口对应相位的有效绿灯时间，p_ij是第i个路口第j个相位的通行能力调节系数。 

所述社会车辆绝对有效绿灯时间定义为： 

$T_{\mathrm{greenabs}}=\underset{i-1}{\overset{n-1}{\mathrm{\Σ}}}{w}_i\·\frac{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{k}_j\·T_{\mathrm{eftgreen}\_\mathrm{ij}}}{T_i}$

其中，T_greenabs是绝对有效绿灯时间，T_i是各路口的周期。 

所述冲突相位绿信比指标定义为： 

$\mathrm{ConflictGrn}=\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{w}_i\·(1-R_{\mathrm{Green}})$

其中，ConflictGrn是冲突相位绿信比统计值，R_Green是公交相位绿信比总和。所述乘客需求定义为： 

$\mathrm{Passen}=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}0.6\·e^{-\frac{{(T_{\mathrm{between}\_i}-\mathrm{Numpas}{s}_i)}^2}{2}}$

其中，Passen是需求评估，T_{between_i}是第i条公交线路发车间隔，_Numpass是第i条公交线路乘客需求发车间隔，1是线路数。 

综合考虑到运营成本和乘客需求，表达式取正态分布函数，根据正态分布函数公式和T_betweeni的方差计算得出系数0.6。 

根据前述优先评估指标设计得出如下适配值函数： 

Fitness＝α₁·β₁·(-T_Travel)+α₂·β₂·GreenWave+α₃·β₃·NoWaitRait+α₄·β₄·(-WaitTimeAve)+α₅·β₅·T_greenrlt+α₆·β₆·T_greenabs+α₇·β₇·ConflictGrn+α₈·β₈·Passen 

其中，Fitness表示适配值，T_Travel和WaitTimeAve为减性指标，其他指标为加性 指标。β_i为归一化系数，用于将各指标控制在0到1之间，β_i＝1/(10·G_i)；Gi为各指标数量级；α_i为各评价指标的权重系数，为合理设置各指标权重以获得较好的综合优化效果，经反复试验，将权重值设为α₁＝1.2；α₂＝1.2；α₃＝1.8；α₄＝1；α₅＝1；α₆＝1；α₇＝1；α₈＝0.6。 

步骤103：采用轮盘赌法选择配对个体，采用单点交叉进行交叉运算，执行遗传操作，以得到新的遗传种群。 

这里，所述遗传操作，采用轮盘赌法选择配对个体、采用单点交叉进行交叉运算，重要参数设定如下：种群大小10、代数200、交叉概率0.6、遗传操作前60代的变异概率为0.08、中期80代的变异概率为0.07、后期60代的变异概率为0.001。 

步骤104：对遗传算法进行计算，根据不同的参数的范围进行如下译码操作： 

这里，由于遗传算法采用二进制编码，在进行译码操作时须根据不同的参数进行翻译。 

绝大多数待优化参数在一定的最大值和最小值之间任意取值，译码方法是给每个参数设置合理的上限和下限，将这段值域按比例与二进制编码域对应，计算如下： 

$y=(\mathrm{up}-\mathrm{low})\·\frac{\mathrm{binaryvalue}}{2^{\mathrm{length}}-1}+\mathrm{low}$

其中，y是参数值，up是参数上限，low是参数下限，binaryvalue是二进制编码值，length是该参数编码长度。 

信号周期的译码与其他参数的译码不同，采用典型值方式。优化时，将所述信号周期设定为60到200秒之间，共有29个可能取值，故采用5位二进制编码即可满足要求(多出的3个编码为无效)；如果交叉变异产生了无效编码，则重新进行交叉变异。 

权重因子提取后，根据各公交相位对应的权重K_i计算相位调节系数p_i： 

$p_i=\frac{K_i}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{K}_i}$

将绿信比、扩展比、调用比的基准值分别与p_i相乘得到各相位的参数。在译码时要根据各相位参数的实际范围对基准值的范围做出合理限定。 

以上所述为本发明网络化公交优先信号协调优化控制方法的主要内容。依据所述遗传编码、计算适配值函数所得的适配值以及经过译码所得的优化参数生成各路口的信号控制方案，将周期和各公交相位绿信比相乘获得公交相位绿灯时间，除公交相位外的冲突相位绿灯时间总和为周期扣除公交相位绿灯时间，最大绿灯扩展比和调用比用于定周期感应控制的优先时间范围 

应用交通仿真模型对信号控制方案进行仿真，该仿真模型中的公交车辆发车间隔和预期车速可根据实际情况进行设定。系统内交通流根据分析对象的实际情况进行加载(通常依据交通调查数据进行设定)，分时段对不同的交通状况进行仿真，根据仿真结果应用适配值函数计算适配值，采用最优个体保护的方法，即适配值最大个体individual_max不进行下一代遗传操作，将其它个体进行下一代遗传操作后获得的适配值最低的个体用individual_max替代。这里，所用到的仿真软件可以采用成熟的VISSIM、Paramics等专业软件。仿真结果如图3a～图3c所示： 

图3a～图3c是应用本发明提供的方法得到的快速公交系统各路口无等待通过率、路口延误和社会车辆延误与现用方案经VISSIM软件仿真的结果比较。图3a中，柱状图中白色代表现有方法仿真的结果，黑色代表采用本发明技术方案的仿真结果；图3b、图3c中实线代表现有方案的仿真结果、虚线代表本发明技术方案的仿真结果。 

从结果可以看出，经优化后的控制参数在BRT相位绿信比低于现用方案5.1％的前提下，BRT无等待通过率平均值较现用方案高出8％，BRT延误时间平均值比现用方案降低4.5秒，公交车辆优先的同时，社会车辆利益也得到了改善，BRT冲突相位车辆平均延误时间降低了2.8秒。可见，优化后的控制参数在获得明显的公交优先效果的同时，更好地满足了社会车辆的需求，实现了 良好的综合优化和协调控制效果。 

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。 

Claims (5)

1.一种网络化公交优先信号协调控制方法，其特征在于，该方法包括：

A、以单个路口编码为单位，设置待优化参数，对网络化公交优先信号控制系统进行遗传算法编码；所述待优化参数，包括信号周期、绿信比、最大绿灯扩展比、最大绿灯调用比、初始偏移和权重调节因子；

B、建立评价指标体系，设计适配函数；所述评价指标包括旅行时间T_Travel、绿波效果GreenWave、无等待通过率NoWaitRate、路口延误WaitTimeAve、有效绿灯时间相对比T_greenrlt、社会车辆绝对有效绿灯时间T_greenabs、冲突相位绿信比指标ConflictGrn以及乘客需求Passen，构成评价指标体系；并且依据所述评价指标设计得到如下适配函数：

Fitness＝α₁·β₁·(-T_Travel)+α₂·β₂·GreenWave+α₃·β₃·NoWaitRate

+α₄·β₄·(-WaitTimeAve)+α₅·β₅·Tgreenrlt+α₆·β₆·T_greenabs

+α₇·β₇·ConflictGrn+α₈·β₈·Passen

其中，Fitness表示适配值，T_Travel和WaitTimeAve为减性指标，其他指标为加性指标；β_i为归一化系数，用于将各指标控制在0到1之间，β_i＝1/(10·Gi)；G_i为各指标数量级；α_i为各评价指标的权重系数；

C、采用轮盘赌法选择配对个体，采用单点交叉进行交叉运算，执行遗传操作，以得到最优遗传个体；

D、对遗传算法进行计算，根据不同的待优化参数进行译码操作。

2.根据权利要求1所述的方法，其特征在于，所述步骤D之后进一步包括：

根据前次的优化结果代入适配函数计算新种群的适配值，并判断所述适配值是否达到最大遗传代数，如果尚未达到，则重复步骤C～步骤D；否则，则输出最佳优化结果，结束优化过程。

3.根据权利要求1所述的方法，其特征在于，所述遗传算法编码，是以单个路口编码为单位，所述路口编码由所述待优化参数构成，以每个路口的编码 作为一基因片段，全线所有路口的基因片段构成一条完整的染色体。

4.根据权利要求1所述的方法，其特征在于，所述各评价指标的权重系数α_i的值设为α₁＝1.2；α₂＝1.2；α₃＝1.8；α₄＝1；α₅＝1；α₆＝1；α₇＝1；α₈＝0.6。

5.根据权利要求1所述的方法，其特征在于，所述步骤C执行遗传操作的过程中，参数设定如下：种群大小为10、遗传代数为200、交叉概率为0.6、遗传操作前60代的变异概率为0.08、中期80代的变异概率为0.07以及后期60代的变异概率为0.001。 

Images