CN102411847A - 一种交通信号优化方法 - Google Patents

Abstract

本发明公开了一种交通信号优化方法，涉及交通信号控制领域。所述方法包括步骤：A：创建决策树的根节点T(n)；B：n自增1；根据约束条件，创建对应U_ad中每个u(n)的节点T(n)，将T(n)作为T(n-1)的子节点连接到所述决策树中；C：判断n是否等于N，如果等于，执行步骤D，否则对所述决策树进行剪枝操作，然后执行步骤B；D：从所述决策树中找到总等待时间最小的分支，获得相应的控制序列；E：根据所述控制序列，输出前k个绿灯相位的控制序列，执行所述步骤A。本发明的交通信号优化方法，能够明显减少道路交叉口所有车辆的总等待时间，同时，由于对决策树进行了剪枝操作，使得所述方法的计算量可控，便于推广。

Description

一种交通信号优化方法

技术领域

本发明涉及交通信号控制技术领域，特别涉及一种交通信号优化方法。

背景技术

道路交叉口交通信号优化方法可分为利用历史数据做离线优化和利用实时车辆信息做在线优化两类。前者主要是定时控制，而后者可进一步分为非模型优化方法和基于模型的优化方法两类。通常，基于模型的优化方法能够获得更好的优化结果。但是其局限在于，一方面，复杂多变的现实环境使得追求精确的优化算法不一定能够得到期望的控制效果；另一方面，这类算法往往计算复杂度较高，限制了问题规模的扩展。因此对于基于模型的信号优化来说，研究计算量可控并能得到较优解的启发式搜索算法是具有特别意义的。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：如何提供一种交通信号优化方法，以便能够在计算量可控的条件下取得较好的优化效果。

(二)技术方案

为解决上述技术问题，本发明提供一种交通信号优化方法，其包括步骤：

A：设定优化时间窗口包括N个最小单位时间段T；

设定第n个T结束时，车流i所对应的信号灯连续为红灯或者绿灯的时间段T的个数为t_i(n)，判断当前是否是第一个优化时间窗口，如果是设定t_i(0)＝0，否则按照前一个优化时间窗口所得控制序列的执行结果设置t_i(0)；

设定第n个T结束时， 车流i的排队长度为q_i(n)，单位为车辆数，并且根据实际观测值设置q_i(0)；

设定第n个T时间内，道路交叉口各信号灯的信号相位为u(n)，且u(0)为全红相位；

设定第n个T结束时，道路交叉口的相位状态为ps(n)，并且ps(0)为全红清场结束状态；

设定第n个T结束时，当前相位持续时间所包含T的个数为pt(n)，并且pt(0)＝0；

设定n的初始值为0；

创建决策树的根节点T(0)，所述根节点T(0)包含节点信息t_i(0)、q_i(0)、u(0)、ps(0)和pt(0)；

B：n自增1；

根据约束条件，得到包含u(n)所有允许取值的集合U_ad，创建对应U_ad中每个u(n)的节点T(n)，将T(n)作为T(n-1)的子节点连接到所述决策树中；所述T(n)包含节点信息t_i(n)、q_i(n)、u(n)、ps(n)和pt(n)；

C：判断n是否等于N，如果等于，执行步骤D，否则对所述决策树进行剪枝操作，然后执行步骤B；

D：从所述决策树中找到总等待时间最小的分支，获得相应的控制序列；

E：根据所述控制序列，输出前k个绿灯相位的控制序列，执行所述步骤A。

优选地，所述步骤A中，所述i的取值为从1到M，所述M为道路交叉口需要用信号控制的不同方向车流的总数；所述n的取值为从0到N。

优选地，所述步骤B中，所述约束条件包括：

$u\left(n\right)\∈\{u(n-1),u_{\mathrm{ar}}\},\∀u(n-1)\∈U\backslash \left\{u_{\mathrm{ar}}\right\};$ 并且，

u(n)＝u_ar，若ps(n-1)＝all_red；并且，

u(n)＝u(n-1)，若ps(n-1)＝min_green；并且，

u(n)＝u_ar，若ps(n-1)＝normal_green且

并且 $u\left(n\right)\∈\left\{v\right|s_j\left(v\right)=1,j=\arg \underset{i=1}{\overset{M}{\max }}\left\{t_i(n-1)\right\}\},$ 若ps(n-1)＝end_of_all_red且

$\underset{i=1}{\overset{M}{\max }}\left\{t_i(n-1)\right\}\≥N_{\mathrm{mr}};$

其中，u_ar为全红相位；U为u(n)所有可能取值的集合；all_red表示处于全红清场状态，不能切换相位；min_green表示处于最小绿灯状态，不能切换相位；normal_green表示处于正常绿灯状态，可以切换相位；end_of_all_red表示处于全红清场结束状态，可以切换相位；N_mr为常值，表示红灯的最长持续时间所包含的T的个数；N_ar为常值，表示全红清场时间所包含的T的个数。

优选地，所述步骤B中，所述节点信息t_i(n)满足下式：

其中，s_i[u(n)]为第n个T结束时，由相位u(n)决定的车流i所对应信号灯的状态，若是绿灯则为1，若是红灯则为0。

优选地，所述步骤B中，所述节点信息q_i(n)满足下式：

q_i(n)＝q_i(n-1)+a_i(n)-d_i(n)；

其中，a_i(n)为由其他交通流预测算法得到的第n个T内加入车流i队尾的车辆数；d_i(n)为车流i在第n个T内越过停车线驶入道路交叉口的车辆数，满足如下关系：

d_i(n)＝min{D_i，q_i(n-1)+a_i(n)}·s_i[u(n)]

其中，D_i为T时间内车流i能够驶过停车线的最大车辆数。

优选地，所述步骤B中，所述节点信息pt(n)满足下式：

并且，所述节点信息ps(n)的取值根据以下情况确定：

若ps(n-1)＝min_green且pt(n)＜N_mg，或ps(n-1)＝end_of_all_red且pt(n)＜N_mg，则ps(n)＝min_green；

若ps(n-1)＝min_green且pt(n)＝N_mg，或ps(n-1)＝normal_green且u(n)＝u(n-1)，或ps(n-1)＝end_of_all_red且pt(n)＝N_mg，则ps(n)＝normal_green；

若ps(n-1)＝normal_green且pt(n)＜N_ar，或ps(n-1)＝all_red且pt(n)＜N_ar，则ps(n)＝all_red；

若ps(n-1)＝normal_green且u(n)≠u(n-1)且pt(n)＝N_ar，或ps(n-1)＝all_red且pt(n)＝N_ar，则ps(n)＝end_of_all_red；

其中，N_mg为常值，表示绿灯的最短持续时间所包含的T的个数。

优选地，所述步骤C具体包括：

C1：判断n是否等于N，如果等于，执行步骤D，否则执行C2；

C2：判断节点T(n)的个数是否大于N_lim，如果不大于，执行步骤B，否则利用下面公式，计算对应每个所述节点T(n)的效用值

并按照降序排列：

${\hat{D}}^{\mathrm{int}}(n+1|n)={\mathrm{\Σ}}_{i=1}^M[d_i^{\mathrm{int}}\left(n\right)+{\mathrm{Td}}_i^c\left(n\right)];$

$d_i^{\mathrm{int}}(n+1)=d_i^{\mathrm{int}}\left(n\right)+{\mathrm{Td}}_i^c\left(n\right)+(1/2){\mathrm{Td}}_i(n+1);$

$d_i^c\left(n\right)={\mathrm{\Σ}}_{k=1}^n{d}_i\left(k\right);$

其中，d_i(k)为车流i在第k个T内越过停车线驶入道路交叉口的车辆数；

N_lim为常值；

C3：将效用值较大的前N_lim个节点T(n)剩余，从所述决策树中去除其余的节点T(n)，执行步骤B。

优选地，所述步骤E中，所述前k个绿灯相位的控制序列包括：所述前k个绿灯相位对应的u(n)，以及所述前k个绿灯相位中的每个绿灯相位后面的全红相位对应的u(n)。

优选地，所述步骤E具体包括步骤：

E1：根据所述控制序列，判断第一个绿灯相位时间及其后的全红相位时间所包含的T的个数是否大于N_sub，如果大于，输出前1个绿灯相位的控制序列，执行所述步骤A，否则执行步骤E2；所述N_sub为常值；

E2：输出前k′个绿灯相位的控制序列，执行所述步骤A。

优选地，所述前k′个绿灯相位的控制序列中，前k′个绿灯相位时间及所述前k′个绿灯相位中的每个绿灯相位后面的全红相位时间所包含的T的个数之和小于等于N_sub，并且前k′+1个绿灯相位时间及所述前k′+1个绿灯相位中的每个绿灯相位后面的全红相位时间所包含的T的个数之和大于N_sub。

(三)有益效果

本发明的交通信号优化方法，能够明显减少道路交叉口所有车辆的总等待时间，同时，由于对决策树进行了剪枝操作，使得所述方法的计算量可控，便于推广。

附图说明

图1是本发明实施例所述的交通信号优化方法的流程图；

图2是道路交叉口车流示意图；

图3是某一车流的累积车辆到达和累积车辆放行折线图；

图4是决策树示意图；

图5是本发明方法与最优定时控制方法的效果对比图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

图1是本发明实施例所述的交通信号优化方法的流程图。如图1所示，所述方法包括：

步骤A：设定优化时间窗口包括N个最小单位时间段T。

设定第n个T结束时，车流i所对应的信号灯连续为红灯或者绿灯的时间段T的个数为t_i(n)，判断当前是否是第一个优化时间窗口，如果是，设定t_i(0)＝0，否则按照前一个优化时间窗口所得控制序列的执行结果设置t_i(0)。

设定第n个T结束时，车流i的排队长度为q_i(n)，并且根据实际观测值设置q_i(0)，排队长度以车队中车辆数为单位。

设定第n个T时间内，道路交叉口的信号相位为u(n)，即u(n)决定了道路交叉口各信号灯的亮灭状态，并且u(0)为全红相位，即各方向信号灯均亮红灯。

设定第n个T结束时，道路交叉口的相位状态为ps(n)，并且ps(0)为全红清场结束状态。

设定第n个T结束时，当前相位持续时间所包含T的个数为pt(n)，并且pt(0)＝0。

设定n的初始值为0。

创建决策树的根节点T(0)，所述根节点T(0)包含节点信息t_i(0)、q_i(0)、u(0)、ps(0)和pt(0)。

所述i的取值为从1到M，所述M为道路交叉口需要用信号控制的不同方向车流的总数。图2是道路交叉口车流示意图。如图2所示，典型的十字交叉口通常只有左转和直行方向的车流需要用信号控制，因此M＝8。

所述n的取值为从0到所述N。

步骤B：n自增1；

根据约束条件，得到包含u(n)所有允许取值的集合U_ad，创建对应U_ad中每个u(n)的节点T(n)，将T(n)作为T(n-1)的子节点连接到所述决策树中。所述T(n)包含节点信息t_i(n)、q_i(n)、u(n)、ps(n)和pt(n)。

所述约束条件包括：

$u\left(n\right)\∈\{u(n-1),u_{\mathrm{ar}}\},\∀u(n-1)\∈U\backslash \left\{u_{\mathrm{ar}}\right\};$ (1)并且，

u(n)＝u_ar，若ps(n-1)＝all_red；(2)并且，

u(n)＝u(n-1)，若ps(n-1)＝min_green；(3)并且，

u(n)＝u_ar，若ps(n-1)＝normal_green且

(4)并且 $u\left(n\right)\∈\left\{v\right|s_j\left(v\right)=1,j=\arg \underset{i=1}{\overset{M}{\max }}\left\{t_i(n-1)\right\}\},$ 若ps(n-1)＝end_of_all_red且

$\underset{i=1}{\overset{M}{\max }}\left\{t_i(n-1)\right\}\≥N_{\mathrm{mr}};---\left(5\right)$

其中，(1)式和(2)式为清场时间约束，u_ar为全红相位；U为u(n)所有可能取值的集合；all_red表示处于全红清场状态，不能切换相位。该约束条件是安全性约束，含义为，每个绿灯相位结束须经过一段全红清场才可进入下一绿灯相位，以使绿灯结束时刚刚进入道路交叉口内的车辆能够安全通过道路交叉口。

(3)式为最小绿灯时间约束，min_green表示处于最小绿灯状态，不能切换相位。该约束条件也是安全性约束，含义为，每个绿灯相位开始后须持续一段时间才可切换相位，以使至少1辆车能够安全通过交叉口。

(4)式和(5)式为最大红灯时间约束，normal_green表示处于正常绿灯中，可以切换相位；end_of_all_red表示处于全红清场结束状态，可以切换相位；N_mr为常值，表示红灯的最长持续时间所包含的T的个数；N_ar为常值，表示全红清场时间所包含的T的个数。该约束条件是公平性约束，含义为，每一车流所对信号灯不能连续为红灯超过一定时间N_mrT。

所述节点信息t_i(n)满足下式：

其中，s_i[u(n)]为第n个T结束时，由相位u(n)决定的车流i所对应信号灯的状态，若是绿灯则为1，若是红灯则为0。

所述节点信息q_i(n)满足下式：

q_i(n)＝q_i(n-1)+a_i(n)-d_i(n)；(7)

其中，a_i(n)为由其他交通流预测算法得到的第n个T内加入车流i队尾的车辆数；d_i(n)为车流i在第n个T内越过停车线驶入道路交叉口的车辆数，满足如下关系：

d_i(n)＝min{D_i，q_i(n-1)+a_i(n)}·s_i[u(n)]；(8)

其中，D_i为T时间内车流i能够驶过停车线的最大车辆数。

所述节点信息pt(n)满足下式：

并且所述节点信息ps(n)的取值根据以下情况确定：

若ps(n-1)＝min_green且pt(n)＜N_mg，或ps(n-1)＝end_of_all_red且pt(n)＜N_mg，则ps(n)＝min_green，表示当前相位是某一绿灯相位，且该相位的持续时间仍未达到最小绿灯时间，不能切换相位；

若ps(n-1)＝min_green且pt(n)＝N_mg，或ps(n-1)＝normal_green且u(n)＝u(n-1)，或ps(n-1)＝end_of_all_red且pt(n)＝N_mg，则ps(n)＝normal_green表示当前相位是某一绿灯相位，且该相位的持续时间已达到最小绿灯时间，可以切换相位；

若ps(n-1)＝normal_green且pt(n)＜N_ar，或ps(n-1)＝all_red且pt(n)＜N_ar，则ps(n)＝all_red，表示当前相位是全红相位，且该相位的持续时间仍未达到全红清场时间，不能切换相位；

若ps(n-1)＝normal_green且u(n)≠u(n-1)且pt(n)＝N_ar，或ps(n-1)＝all_red且pt(n)＝N_ar，则ps(n)＝end_of_all_red，表示当前相位是全红相位，且该相位的持续时间已达到全红清场时间，可以切换相位；

其中，N_mg为常值，表示绿灯的最短持续时间所包含的T的个数。

这样，通过步骤B，对应每个符合所述约束条件的u(n)，生成一个节点T(n)，从而在所述决策树上生成多个分枝。

步骤C：判断n是否等于N，如果等于，执行步骤D，否则对所述决策树进行剪枝操作，然后执行步骤B。

所述步骤C具体包括：

步骤C1：判断n是否等于N，如果等于，执行步骤D，否则执行C2；

步骤C2：判断节点T(n)的个数是否大于N_lim，如果不大于，执行步骤B，否则利用下面公式，计算对应每个所述节点T(n)的效用值

并按照降序排列：

${\hat{D}}^{\mathrm{int}}(n+1|n)={\mathrm{\Σ}}_{i=1}^M[d_i^{\mathrm{int}}\left(n\right)+{\mathrm{Td}}_i^c\left(n\right)];---\left(10\right)$

$d_i^{\mathrm{int}}(n+1)=d_i^{\mathrm{int}}\left(n\right)+{\mathrm{Td}}_i^c\left(n\right)+(1/2){\mathrm{Td}}_i(n+1);---\left(11\right)$

$d_i^c\left(n\right)={\mathrm{\Σ}}_{k=1}^n{d}_i\left(k\right);---\left(12\right)$

其中，d_i(k)为车流i在第k个T内越过停车线驶入道路交叉口的车辆数；

N_lim为常值，一般为100～1000，N_lim决定优化效果和计算量，取得大则效果好、计算量大，取得小则效果差、计算量小，应根据实际需要选择。

图3是某一车流的累积车辆到达和累积车辆放行折线图。如图3所示，本发明所述优化方法的目标是，使得N个T时间内道路交叉口所有车辆的总等待时间W为最小，结合图3，我们可以给出W的计算公式如下：

$W={\mathrm{\Σ}}_{i=1}^M{\mathrm{\Σ}}_{n=1}^N(1/2)T[q_i\left(n\right)+q_i(n-1)];---\left(13\right)$

因此，W最小，等价于所有不同方向车流所对应的图3中阴影面积之和为最小。由于优化时间窗口内的车辆到达情况可以通过现有的交通流预测算法得到，因此，图3中累计车辆到达折线是给定的。所有车流对应的图3中阴影面积之和最小，等价于所有车流的累计车辆放行折线下的面积之和最大。

式(11)中

表示第n个T结束时，车流i所对应的图3中累计车辆放行折线下的面积；式(12)中

表示在第n个T结束时，预测在第n+1个T结束时，所有车流所对应的图3中累计车辆放行折线下的面积之和。因此，较大的效用值

易于得到较好的优化效果，因此效用值

可以作为后续剪枝操作的依据。

步骤C3：将效用值较大的前N_lim个节点T(n)剩余，从所述决策树中去除其余的节点T(n)，执行步骤B。

步骤D：从所述决策树中找到总等待时间最小的分支，获得相应的控制序列。图4是决策树示意图。如图4所示，经过前述步骤，已经构建得到整棵决策树，这里通过利用(13)式计算每个节点T(N)对应的W值，得到总等待时间最小的节点T(N)，并从所述该节点回溯所述决策树，得到总等待时间最小的分支。

步骤E：根据所述控制序列，输出前k个绿灯相位的控制序列，执行所述步骤A。所述前k个绿灯相位的控制序列包括：所述前k个绿灯相位对应的u(n)，以及所述前k个绿灯相位中的每个绿灯相位后面的全红相位对应的u(n)。

所述步骤E具体包括：

步骤E1：根据所述控制序列，判断第一个绿灯相位时间及其后的全红相位时间所包含的T的个数是否大于N_sub，如果大于，输出前1个绿灯相位的控制序列，执行所述步骤A，否则执行步骤E2；所述N_sub为常值，一般为3～10，N_sub需要根据T的取值和实际需要来选取，N_sub×T是作为输出结果的控制序列最终得到执行的时间长度，可能是5秒、10秒或更长，视实际需要和交通流检测设备及算法的输出更新频率而定。

步骤E2：输出前k′个绿灯相位的控制序列，执行所述步骤A。

所述前k′个绿灯相位的控制序列中，前k′个绿灯相位时间及所述前k′个绿灯相位中的每个绿灯相位后面的全红相位时间所包含的T的个数之和小于等于N_sub，并且前k′+1个绿灯相位时间及所述前k′+1个绿灯相位中的每个绿灯相位后面的全红相位时间所包含的T的个数之和大于N_sub。

图5是本发明方法与最优定时控制方法的效果对比图。最优定时控制方法是指，固定相位顺序，在满足最小绿灯和最大红灯约束的条件下遍历不同相位时间的组合，得到最优的一组相位时间所对应的控制方法。利用Matlab得到本发明所述方法与最优定时控制方法的效果对比如图5所示，图中曲线为10次实验中本发明方法与最优定时控制方法的总等待时间之比的均值，误差柱表示上下限。流量因子μ取值的意义为，长期来看，在最优定时控制下，μ≤1时，道路交叉口总排队长度不增加；μ＞1时，总排队长度不断增加。μ＝1可视为平衡流量。从图5可以看到，在不会引起排队累积的平衡流量及以下流量情况下，本发明方法得到的总等待时间明显小于最优定时控制方法，最高可减少50％以上。

本发明实施例所述交通信号优化方法，能够明显减少道路交叉口所有车辆的总等待时间，同时，由于对决策树进行了剪枝操作，使得所述方法的计算量可控，便于推广。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (10)

1.一种交通信号优化方法，其特征在于，包括步骤：

A：设定优化时间窗口包括N个最小单位时间段T；

设定第n个T结束时，车流i所对应的信号灯连续为红灯或者绿灯的时间段T的个数为t_i(n)，判断当前是否是第一个优化时间窗口，如果是设定t_i(0)＝0，否则按照前一个优化时间窗口所得控制序列的执行结果设置t_i(0)；

设定第n个T结束时，车流i的排队长度为q_i(n)，单位为车辆数，并且根据实际观测值设置q_i(0)；

设定第n个T时间内，道路交叉口各信号灯的信号相位为u(n)，且u(0)为全红相位；

设定第n个T结束时，道路交叉口的相位状态为ps(n)，并且ps(0)为全红清场结束状态；

设定第n个T结束时，当前相位持续时间所包含T的个数为pt(n)，并且pt(0)＝0；

设定n的初始值为0；

创建决策树的根节点T(0)，所述根节点T(0)包含节点信息t_i(0)、q_i(0)、u(0)、ps(0)和pt(0)；

B：n自增1；

根据约束条件，得到包含u(n)所有允许取值的集合U_ad，创建对应U_ad中每个u(n)的节点T(n)，将T(n)作为T(n-1)的子节点连接到所述决策树中；所述T(n)包含节点信息t_i(n)、q_i(n)、u(n)、ps(n)和pt(n)；

C：判断n是否等于N，如果等于，执行步骤D，否则对所述决策树进行剪枝操作，然后执行步骤B；

D：从所述决策树中找到总等待时间最小的分支，获得相应的控制序列；

E：根据所述控制序列，输出前k个绿灯相位的控制序列，执行所述步骤A。

2.如权利要求1所述的方法，其特征在于，所述步骤A中，所述i的取值为从1到M，所述M为道路交叉口需要用信号控制的不同方向车流的总数；所述n的取值为从0到N。

3.如权利要求1所述的方法，其特征在于，所述步骤B中，所述约束条件包括：

$u\left(n\right)\∈\{u(n-1),u_{\mathrm{ar}}\},\∀u(n-1)\∈U\backslash \left\{u_{\mathrm{ar}}\right\};$ 并且，

u(n)＝u_ar，若ps(n-1)＝all_red；并且，

u(n)＝u(n-1)，若ps(n-1)＝min_green；并且，

u(n)＝u_ar，若ps(n-1)＝normal_green且并且 $u\left(n\right)\∈\left\{v\right|s_j\left(v\right)=1,j=\arg \underset{i=1}{\overset{M}{\max }}\left\{t_i(n-1)\right\}\},$ 若ps(n-1)＝end_of_all_red且

$\underset{i=1}{\overset{M}{\max }}\left\{t_i(n-1)\right\}\≥N_{\mathrm{mr}};$

其中，u_ar为全红相位；U为u(n)所有可能取值的集合；all_red表示处于全红清场状态，不能切换相位；min_green表示处于最小绿灯状态，不能切换相位；normal_green表示处于正常绿灯状态，可以切换相位；end_of_all_red表示处于全红清场结束状态，可以切换相位；N_mr为常值，表示红灯的最长持续时间所包含的T的个数；N_ar为常值，表示全红清场时间所包含的T的个数。

4.如权利要求3所述的方法，其特征在于，所述步骤B中，所述节点信息t_i(n)满足下式：

其中，s_i[u(n)]为第n个T结束时，由相位u(n)决定的车流i所对应信号灯的状态，若是绿灯则为1，若是红灯则为0。

5.如权利要求4所述的方法，其特征在于，所述步骤B中，所述节点信息q_i(n)满足下式：

q_i(n)＝q_i(n-1)+a_i(n)-d_i(n)；

其中，a_i(n)为由其他交通流预测算法得到的第n个T内加入车流i队尾的车辆数；d_i(n)为车流i在第n个T内越过停车线驶入道路交叉口的车辆数，满足如下关系：

d_i(n)＝min{D_i，q_i(n-1)+a_i(n)}·s_i[u(n)]

其中，D_i为T时间内车流i能够驶过停车线的最大车辆数。

6.如权利要求3所述的方法，其特征在于，所述步骤B中，所述节点信息pt(n)满足下式：

并且，所述节点信息ps(n)的取值根据以下情况确定：

若ps(n-1)＝min_green且pt(n)＜N_mg，或ps(n-1)＝end_of_all_red且pt(n)＜N_mg，则ps(n)＝min_green；

若ps(n-1)＝min_green且pt(n)＝N_mg，或ps(n-1)＝normal_green且u(n)＝u(n-1)，或ps(n-1)＝end_of_all_red且pt(n)＝N_mg，则ps(n)＝normal_green；

若ps(n-1)＝normal_green且pt(n)＜N_ar，或ps(n-1)＝all_red且pt(n)＜N_ar，则ps(n)＝all_red；

若ps(n-1)＝normal_green且u(n)≠u(n-1)且pt(n)＝N_ar，或ps(n-1)＝all_red且pt(n)＝N_ar，则ps(n)＝end_of_all_red；

其中，N_mg为常值，表示绿灯的最短持续时间所包含的T的个数。

7.如权利要求1所述的方法，其特征在于，所述步骤C具体包括：

C1：判断n是否等于N，如果等于，执行步骤D，否则执行C2；

C2：判断节点T(n)的个数是否大于N_lim，如果不大于，执行步骤B，否则利用下面公式，计算对应每个所述节点T(n)的效用值

并按照降序排列：

${\hat{D}}^{\mathrm{int}}(n+1|n)={\mathrm{\Σ}}_{i=1}^M[d_i^{\mathrm{int}}\left(n\right)+{\mathrm{Td}}_i^c\left(n\right)];$

$d_i^{\mathrm{int}}(n+1)=d_i^{\mathrm{int}}\left(n\right)+{\mathrm{Td}}_i^c\left(n\right)+(1/2){\mathrm{Td}}_i(n+1);$

$d_i^c\left(n\right)={\mathrm{\Σ}}_{k=1}^n{d}_i\left(k\right);$

其中，d_i(k)为车流i在第k个T内越过停车线驶入道路交叉口的车辆数；

N_lim为常值；

C3：将效用值较大的前N_lim个节点T(n)剩余，从所述决策树中去除其余的节点T(n)，执行步骤B。

8.如权利要求1所述的方法，其特征在于，所述步骤E中，所述前k个绿灯相位的控制序列包括：所述前k个绿灯相位对应的u(n)，以及所述前k个绿灯相位中的每个绿灯相位后面的全红相位对应的u(n)。

9.如权利要求8所述的方法，其特征在于，所述步骤E具体包括步骤：

E1：根据所述控制序列，判断第一个绿灯相位时间及其后的全红相位时间所包含的T的个数是否大于N_sub，如果大于，输出前1个绿灯相位的控制序列，执行所述步骤A，否则执行步骤E2；所述N_sub为常值；

E2：输出前k′个绿灯相位的控制序列，执行所述步骤A。

10.如权利要求9所述的方法，其特征在于，所述前k′个绿灯相位的控制序列中，前k′个绿灯相位时间及所述前k′个绿灯相位中的每个绿灯相位后面的全红相位时间所包含的T的个数之和小于等于N_sub，并且前k′+1个绿灯相位时间及所述前k′+1个绿灯相位中的每个绿灯相位后面的全红相位时间所包含的T的个数之和大于N_sub。

Images