CN102542818A - 一种基于有机计算的区域边界交通信号协调控制方法 - Google Patents

Abstract

一种基于有机计算的区域边界交通信号协调控制方法，涉及城市交通信号控制及人工智能领域，由车流监测模块、自我优化模块、自我组织模块、进化学习模块、自我评估模块和自我设置模块组成。本发明能够实现区域边界交叉口之间的协调，避免区域边界交叉口交通拥挤、拥堵的发生。

Description

一种基于有机计算的区域边界交通信号协调控制方法

技术领域

本发明涉及城市交通信号控制及人工智能领域，具体涉及一种交通信号协调控制方法。

技术背景

目前，国内外的交通信号控制系统均以区域为单位分别进行独立控制，各交通信号控制区域根据本区域的道路交通流信息分别进行交叉口交通信号方案的优化和协调，各区域之间的交通信号控制“各自为政、互不干涉”。在区域边界，边界交叉口及其交通流信息分属不同的控制区域，分别由各自所属区域按本区域的交通流运行状态对边界交叉口进行交通信号配时参数进行优化。然而，由于城市中各区域人口分布、土地利用、经济发展、交通出行等之间的差异性和关联性，使得交通流在区域边界交叉口间存在较大的不均衡性。特别是在早、晚高峰期间，上游区域的交通流大量涌入下游区域，然而由于区域边界交叉口分属不同的控制区域管理，造成交通信息不对称，使得下游区域边界交叉口的交通信号没法及时与上游区域边界交叉口的交通信号进行协调，使交通流在边界路口之间出现聚集状态，容易引发交通拥挤、拥堵，并迅速回溯到上游区域，造成上游区域的产生区域性交通拥堵。另一方面，近年来我国突发灾害事件频繁发生，在突发灾害下，受灾区域大批的人流、物流、车流急需向邻近区域迅速疏散，邻近区域的边界入口如果无法事先感知大批涌进的交通流，及时调整信号配时参数，与受灾区域的边界出口进行协调控制，容易在边界路段出现阻滞现象，形成交通瓶颈，使受灾区域的交通流无法进行快速疏散，从而对人民的生命、财产造成威胁，同时也影响影响抢险救灾工作的顺利实施。

发明内容

针对目前国内外交通信号控制系统在区域边界交通信号协调方面存在的空白，以及区域边界在早晚高峰期间、突发事件情况下等容易出现交通拥挤、拥堵现象等问题。本发明提出了一种基于有机计算的区域边界交通信号协调控制方法，充分利用分布在道路交通环境中的各种交通数据检测器，使得交通信号控制系统能够像有机生物一样感知不同环境、不同条件下的道路交通信息，并利用有机计算系统的自我监控、自我优化、自我组织、自我设置等多种自我管理的功能特性，解决和应对不同区域边界之间的交通信号冲突问题以及突发事件下的区域边界交通信号优化问题，从而适应不断变化或不可预见的区域边界交通流。

本发明提出的一种基于有机计算的区域边界交通信号协调控制方法主要由车流监测模块、自我优化模块、自我组织模块、进化学习模块、自我评估模块和自我设置模块等六部分组成，如图1所示。本发明提出的一种基于有机计算的区域边界交通信号协调控制方法，其特征主要包括以下步骤：

1)车流监测模块：车流监测模块位于交叉口智能型交通信号控制器车检板内部，是区域边界交通信号协调控制的信息来源和决策依据。车流监测模块的主要特征在于基于网格资源映射的思想，对交叉口不同类型、不同位置的交通检测器的交通数据进行时间、空间校准，对相邻交叉口的交通数据进行关联分析，对历史数据库的交通数据进行数据挖掘，从而构建形成基于多源交通信息的时空映射模型，在此基础上对交叉口交通数据进行融合处理和态势估计，实现对交叉口、路段交通流运行信息的综合提取和集成监测，为区域边界交通信号协调控制提供完整、可靠的交通数据。

2)自我优化模块：自我优化模块位于交叉口智能型交通信号控制器主控板内部，是区域边界交通信号协调的初始信号方案来源和区域边界交通信号协调优化的依据。自我优化模块的主要特征在于基于实时动态交通信息，根据交叉口、路段的不同交通状态，智能选择不同的交通信号控制模式、控制目标、过渡策略。从而基于既定的交通信号控制模式、控制目标和过渡策略，动态优化和调整本地交叉口的交通信号周期时长、各相位绿信比、相位差，优化出与本地交通流相适应的交通信号控制方案，从而为区域边界的交通信号全局优化提供决策依据和方案支持。

同时，自我优化模块还可接收上级控制模块下发的协调优化控制指令，按照控制指令规定的交通信号控制模式、控制目标或控制方案优化、调整交通信号。

3)自我组织模块：自我组织模块位于控制中心智能型区域边界协调控制器组织板内部，是区域边界协调控制器构建区域边界交叉口群对区域边界交叉口进行统一协调优化控制的前提。自我组织模块的主要特征在于根据区域边界交叉口的交通状态变量和交通控制变量，分析区域边界交叉口交通流之间的相关性、相似性、耦合性等潜在的关联关系，并根据区域边界交叉口实时的道路交通信息，对区域边界交叉口群的控制范围进行动态划分，从而为区域边界交叉口群的动态优化，制定与区域边界交通流运行特性相适应的交通信号控制模式、控制目标、控制方案提供前提保障。

4)进化学习模块：进化学习模块位于控制中心智能型区域边界协调控制器协调板内部，是区域边界交叉口群交通信号动态优化的核心。进化学习模块的主要特征在于利用人工智能的方法对区域边界交叉口群的交通流运行状态和交通信号控制模式、控制目标进行分类学习和规则发现，提取出与交通流相适应的、运行效果最好的交叉口群交通信号控制模式和控制目标。同时，还需要与区域边界交叉口群相邻的交通信号控制区域进行交通信号控制模式、控制目标的协调，共同制定最优的交叉口群交通信号控制模式、控制目标，防止出现新的区域边界，造成交通拥挤转移。最后，根据优选的交通信号控制模式和控制目标，利用自然进化和适应的思想对交叉口群的交通信号控制方案进行实时在线优化，获得最优交通信号控制模式、控制目标下区域边界交叉口群各交叉口的交通信号控制方案。将当前确定的交通信号控制模式、控制目标、控制方案与规则知识库中规则进行匹配和竞标，如果当前交通信号控制模式、控制目标、控制方案形成的消息记录优于知识规则库中的规则，则更新数据库模型，为区域边界交叉口群选择与交通流运行状态相适应的交通信号控制模式、控制目标、控制方案提供知识规则。

5)自我评估模块：自我评估模块位于控制中心智能型区域边界协调控制器测评板内部，是区域边界交叉口群交通信号控制模式、控制目标、控制方案的在线仿真评估中心，为区域边界交叉口群选择最优的交通信号控制模式、控制目标、控制方案提供决策依据。自我评估模块的主要特征在于将区域边界交叉口群的道路交通信息作为输入变量、将进化学习模块确定的交通信号控制方案作为控制变量，利用微观交通仿真评价对区域边界交叉口群的交通信号协调控制性能进行在线评估，评测进化学习模块优化形成的交通信号控制方案控制效果，如果控制效果与仿真效果存在较大差异，则匹配知识规则库中的知识规则，获取对应的交通信号控制模式、控制目标和控制方案重新进行仿真评估，直至交通信号控制方案的运行效果与仿真运行效果接近，以获得区域边界交叉口群最佳的交通信号控制模式、控制目标和控制方案。

6)自我设置模块：自我设置模块位于控制中心智能型区域边界协调控制器交互板内部，是区域边界交通信号协调控制的控制参数、控制信息、控制状态的显示窗口以及高级用户进行区域边界交通信号协调控制人工干预的界面。自我设置模块的主要特征在于将自我评估模块最终确定的区域边界交叉口群各交叉口的交通信号控制参数通过通信网络(光纤网络或3G无线通信网络)传递给安装在交叉口的智能型交通信号控制器，最终由智能型交通信号控制器执行交通信号控制方案，实现区域边界交叉口交通信号的动态协调。同时，自我设置模块记录区域边界不同交通流运行状态下，高级用户对区域边界交叉口群交通信号控制范围、控制模式、控制目标、控制方案等交通信号控制参数的制定，形成知识规则，存储到进化学习模块的知识规则库，为区域交叉口群根据不同的交通流条件匹配最优的交通信号控制范围、控制模式、控制目标等提供依据。

本发明能够实现区域边界交叉口之间的协调，避免区域边界交叉口交通拥挤、拥堵的发生。

附图说明

图1基于有机计算的区域边界交通信号协调控制系统组成图；

图2车流监测模块的数据处理流程图；

图3进化学习模块的数据处理流程图。

具体实施方式

如图1所示，本发明所述的一种基于有机计算的区域边界交通信号协调控制方法由车流监测模块、自我优化模块、自我组织模块、进化学习模块、自我评估模块和自我设置模块等六部分组成，其工作的具体流程为：

1)车流监测模块

车流监测模块的数据来源包括本地交叉口附近的交通检测器实时数据、邻近交叉口传送的实时交通数据以及控制中心提取的历史交通数据，通过对交通数据的时空校准、关联分析、数据挖掘，构建形成交通流的时空资源映射模型，并在此基础上进行多源交通数据融、交通状态判别和交通流运行态势估计。车流监测模块的数据处理流程如图2所示，具体实施过程如下：

(1)首先，区域边界交叉口分布着多种不同类型的交通检测器，需要充分利用各种检测器采集的交通数据，为区域边界交通信号协调控制提供完整、可靠的交通数据。然而，每一种检测器采集的交通数据只能反映检测器安装位置所在截面一定范围内的交通流状态，不能全面反映所在路段或交叉口的实际交通流状态。同时，由于不同检测器交通数据检测的时间、位置、统计特征以及交通参数的形态各不相同，使得不同的检测器对同一交通参数的检测具有不同的准确性，同一检测器对不同的交通参数的检测也具有不同的准确性。因此，需要先对区域边界交叉口不同检测器采集的交通数据进行时空校准。

假设以时间T为校准的时间基准点，S_i(t₁，ρ)和S_i(t₂，ρ)分别为检测器S_i在T的相邻时刻t₁、t₂检测到的交通参数数值，且t₁＜T＜t₂，则时间基准点的交通参数数值校准为：

${\tilde{S}}_i(T,\mathrm{\ρ})=S_i(t_1,\mathrm{\ρ})+\mathrm{\α}\·\frac{T-t_1}{t_2-t_1}[S_i(t_2,\mathrm{\ρ})-S_i(t_1,\mathrm{\ρ})]+\mathrm{\β}$

其中，α为交通流波动因子，β为交通检测随机噪声。

假设以某一检测截面O为校准的空间基准点，S_i(O₁，ρ)和S_j(O₂，ρ)分别为检测器S_i、S_j在截面O的相邻位置检测到的交通参数数值，且O₁在截面O的下游，O₂在截面O的上游，则以O为空间基准点的交通参数数值校准为：

${\tilde{S}}_i(O,\mathrm{\ρ})=f^{-1}\·P_i+m\·R\·S_i(O_1,\mathrm{\ρ})$

${\tilde{S}}_j(O,\mathrm{\ρ})=f\·P_j+m\·R\·S_j(O_2,\mathrm{\ρ})$

其中：f为离散系数；P_i、P_j分别为平移向量；m为尺度因子；R为旋转矩阵。

(2)其次，由于城市路网的人口分布和土地利用特征，以及交通流之间的序贯性，区域边界交叉口之间的交通流存在一定的相关关系，上游交叉口流出的流量与下游交叉口流入的流量之间存在一定的关联：

$I=\frac{1}{n-1}\left[\frac{n\·\underset{i=1}{\max }\left(Q_i\right)}{{\mathrm{\Σ}}_i^n{Q}_i}\right]\·\frac{1}{1+\∝\·t}$

其中：n为上游交叉口的流入流向数；Q_i为上游交叉口第i流入流向的交通量；t为车流从上游交叉口智能型交通信号控制器交通流统计基准位置到达下游交叉口交通流统计分析位置的平均行程时间；∝为车流离散的影响因子。则可以进一步将相邻交叉口智能型交通信号控制器传送过来的流入方向的交通流统计数据进行时空校准，获得本地交叉口的交通流状态描述：

其中：J_up(x₂，t₂)为上游交叉口智能型交通信号控制器传送的t₂时刻x₂位置的交通参数统计量；J_doen(x₁，t₁)为上游交叉口智能型交通信号控制器传送的交通参数统计量在本地交叉口x₁位置t₁时刻的映射量；

ω(t)分别为空间和时间转换函数。

(3)再者，控制中心交通信息数据库存储的交通数据能够反映出道路交通流在一定时期的变化规律，通过数据挖掘可以发现路网交通流在某一空间不同时间的变化规律和某一时间不同空间的变化规律，从而预测未来某一时刻某一空间的道路交通信息。因此，区域边界的交通流运行状态可以通过以下步骤进行挖掘：

Step1：从控制中心交通信息数据库中提取区域边界交叉口的数据集合P＝{p(t-n·T)，p(t-(n-1)·T)，...，p(t)}＝{p₁，p₂，...p_n}，p为交通流多元样本参数，t为样本取样最近时刻，T为样本取样周期。

Step2：利用欧氏距离的离差平和法D＝||p_i-v_j||²(p_i为交通参数样本，v_j为聚类中心)进行层次距离分析，按交通参数的时变特征把交通数据划分为具有相近的簇C＝{C₁，C₂，...，C_m}。

Step3：利用主成分分析法重新构建综合变量，通过考查各个综合变量的方差，以及构成综合变量的原始变量的权重来决定是否保留该原始变量。Y＝AP，P＝{p₁，p₂，...p_n}为原始变量，Y＝{y₁，y₂，...y_n)为正交变量的主分量，A为正交阵。

Step4：计算主分量y_i的贡献度

主分量y_i的分差表示为λ_i。如果某个主分量的贡献度非常小，而构成该主分量的某个原始变量的权重又很大，则考虑将这个交通变量剔除掉。

Step5：建立回归方程其中

为簇C_i内的交通参数构成的向量，β为待估参数的集合，ε为随机影响因子。

则可以通过上述步骤实现对控制中心历史交通数据的提取，通过历史交通数据估计当前时刻区域边界交叉口的交通流运行状态。

(4)通过上述本地交叉口附近交通检测器实时数据的时空校准、邻近交叉口智能型交通信号控制器传送的实时交通数据的关联分析、控制中心历史交通数据的数据挖掘，构建基于多源交通数据时空资源映射模型：

F_Map：{{U_i}，{V_j}}→{W_k}

其中：{U_i}为区域边界交叉口交通参数监测点的集合；{V_j}为区域边界交通流检测数据来源的集合；{W_k}为区域边界交叉口监测点交通参数的集合。资源映射的具体步骤如下：

Step1：将资源请求按照请求向量的长度，从大到小排队，构成一个资源请求序列；

Step2：遍历资源请求序列，对每个未分配的资源请求w_k，分别计算w_k与各个请求子集总资源向量W_i的决策因子δ，

其中：θ(W_i，w_k)表示W_i和w_k之间的向量夹角，ξ为调和因子；

Step3：计算并保存调和因子、资源分配情况；

Step4：对于每一个未分配资源请求的w_k，计算w_k与监测点u_i所有设备v_j的可用资源向量的夹角，并把w_k分配到夹角最小的设备上，实现监测点u_i交通参数w_k与v_j的最佳映射。

(5)通过对区域边界交叉口交通流运行状态数据的多源提取，为实现对交通流状态的一致性表达和精确描述，需要对多源交通数据进行融合处理。然而，由于不同检测点在描述路段或交叉口交通流运行状态时具有不同的作用和精确性。因此，本发明采用多属性决策方法对区域边界交叉口的交通流运行状态进行融合分析：

假设X＝{x₁，x₂，...，x_n}为区域边界交叉口不同交通流监测点的位置；P＝{p₁，p₂，...，p_m}为监测点所能检测或获取的交通流运行参数；γ_ij为监测点i交通参数j的具体数值，则构成如下的区域边界交叉口运行参数矩阵：

W＝{w₁，w₂，...，w_n}为各监测点在描述路段或交叉口交通流状态中的重要程度，则通过Fu(P)＝W·R获得路段或交叉口的交通流运行状态。

(6)通过欧氏距离计算当前交通流运行状态参数数值P(t)＝[v(t)，q(t)，...，ρ(t)](v(t)为当前时刻t检测的速度、q(t)为当前时刻t检测的流量、ρ(t)当前时刻t检测的占有率等交通参数检测值)与不同交通状态中心交通状态向量之间的距离来确定交通状态。假设Status＝[S₁，S₂，...S_s]表示s个不同交通状态的中心，

(

为i交通状态中心的速度、为i交通状态中心的流量、

为i交通状态中心的占有率)为第i交通状态的中心交通参数向量，则：

$D_{\mathrm{st}}=\underset{1\≤i\≤s}{\min }\sqrt{{(v\left(t\right)-{\stackrel{\‾}{v}}_i)}^2+{(q\left(t\right)-{\stackrel{\‾}{q}}_i)}^2+...+{(\mathrm{\ρ}\left(t\right)-{\stackrel{\‾}{\mathrm{\ρ}}}_i)}^2}$

距离交通状态中心最小的位置，则为当前时刻交通流的运行状态。

(7)在对当前时刻交通流运行状态进行判别的基础上，对交通流运行态势进行估计：

$\mathrm{TS}:X_{\mathrm{SN}}\×X_{\mathrm{DB}}^{\mathrm{SL}}\→X_{\mathrm{\φ}}^{\mathrm{SK}}$

其中：TS表示态势元素的提取过程，X_SN表示当前交通流运行状态，

为态势特征知识表达系统，

为交通流运行态势。的态势特征知识表达系统为：

$X_{\mathrm{DB}}^{\mathrm{SL}}=(U,R=C\∪D,V,f)$

其中：U为论域，表示城市交通流运行状态的非空有限集合；R为属性集合，R＝C∪D，且

C为条件属性，C＝{a|α∈C}表示区域边界交叉口交通参数的属性集合；D为决策属性，D＝{d|d∈D)表示区域边界交叉口交通运行态势的属性集合；f为信息函数，f：U×R→V指定论域U中每个对象的属性值；V为值阈，为属性值的集合，V_r表示r∈R的属性范围。

2)自我优化模块

根据车流监测模块提供的本地交叉口实时动态的交通信息，自我优化模块首先判断是否接收到上级控制模块下发的协调控制指令CoMa，如果接收到的指令CoMa包含SigPlan数据包(交叉口交通信号控制方案)，则自我优化模块按上级提供的交通信号控制方案，准备进行交通信号控制方案过渡，并从过渡方案库GD＝{gd₁，gd₂，...，gd_n}(包括信号平滑、绿灯延长、红灯缩短等)中选取对区域边界交叉口交通流影响最小的过渡方案。如果接收到的指令CoMa包含ModTag数据包，则自我优化模块根据CoMa提供的控制模式对本地交叉口的交通信号配时参数进行优化：

$\min \mathrm{Tag}=\frac{K_1\·\mathrm{Delay}+K_2\·\mathrm{Stop}}{K_3\mathrm{Cap}}$

其中：K₁、K₂、K₃分别为延误、停车次数、通行能力的优化权重，由ModTag数据包提供；g(t)为t时刻绿信比；c(t)为t时刻周期时长；o₊(t-1)、o_(t-1)分别为t-1时刻正向绿波、反向绿波相位差；ω₁、ω₂为正向绿波、反向绿波的权重；ψ(Δq)、

φ₁(Δq)、φ₂(Δq)分别为t时刻与t-1时刻之间增量流量影响下的绿信比、周期时长、正向绿波相位差、反向绿波相位差调整函数；g_min、g_max分别为最小、最大相位绿信比；c_min、c_max分别为最小、最大周期时长。

如果自我优化模块没有接收到上级控制模块下发的协调控制指令CoMa，则自我优化模块则根据车流监测模块检测的实时交通状态信息，从知识规则数据库中选择与交通流相适应的控制模式和控制目标：

KW：St×Ts→P(M，K)：Mode×TagK

其中：St为区域边界交叉口当前交通流运行状态，可从车流监测模块获取；Ts为区域边界交叉口交通流运行态势，可从车流监测模块获取；P(M，K)为在交通运行状态St和运行态势Ts，选用交通信号控制模式和控制目标的区域边界交叉口交通流运行效能；Mode为区域边界交叉口交通信号控制模式，为可选项{M₁，M₂，...，M_n}(为模式1，模式2，模式n)；TagK为区域边界交叉口交通信号控制目标，对应不同的K₁、K₂、K₃数值。通过知识库中对交通流运行状态和运行态势的匹配，选取交通流运行效能最大下的交通信号控制模式和控制目标，在此条件下优化交叉口的交通信号配时参数：

$\min \mathrm{TagK}=\frac{K_1\·\mathrm{Delay}+K_2\·\mathrm{Stop}}{K_3\mathrm{Cap}}$

3)自我组织模块

通过交叉口智能型交通信号控制器的车流监测模块和自我优化模块，控制中心的智能型区域边界协调控制器可以获得区域边界各交叉口的交通状态变量和交通控制变量：

CS(i，t)＝[Status(i，t)，Control(i，t)]

其中：CS(i ，t)为区域边界交叉口i在t时刻的状态；Status(i，t)为区域边界交叉口i在t时刻的交通状态变量(包括流量、交叉口距离等表示交通流运行状态的信息)；Control(i，t)为区域边界交叉口i在t时刻的交通控制变量(包括交叉口周期时长、绿信比等表示控制交通流运行状态的信息)，从而构建出区域边界交叉口的状态矩阵：

R＝[CS(1，t)，CS(2，t)，...，CS(n，t)]

定义将区域边界交叉口构建形成区域边界交叉口群的理想状态为A⁺，不建议将区域边界交叉口构建形成区域边界交叉口群的负理想状态为A^-，则区域边界交叉口构建形成交叉口群的耦合性为：

$\mathrm{\Γ}=\frac{|\mathrm{CS}(i,t)-A^{-}|}{|\mathrm{CS}(i,t)-A^{+}|+|\mathrm{CS}(i,t)-A^{-}|}$

区域边界交叉口之间相邻交叉口的相似性为：

$\mathrm{\θ}=\frac{|\mathrm{CS}(i,t)\·\mathrm{CS}(j,t)|}{\left|\mathrm{CS}(i,t)\right|\·\left|\mathrm{CS}(j,t)\right|}$

区域边界相邻交叉口交通流之间的相关性为：

$\mathrm{\Λ}=\frac{|\mathrm{CS}(i,t)-\stackrel{\‾}{\mathrm{CS}}(i,t)||\mathrm{CS}(j,t)-\stackrel{\‾}{\mathrm{CS}}(j,t)|}{\sqrt{{|\mathrm{CS}(i,t)-\stackrel{\‾}{\mathrm{CS}}(i,t)|}^2+{|\mathrm{CS}(j,t)-\stackrel{\‾}{\mathrm{CS}}(j,t)|}^2}}$

采用动态聚类分析方法对区域边界交叉口群进行动态划分，具体步骤如下：

Step1：计算区域边界内所有边界交叉口的交叉口群耦合性、相邻交叉口的相似性、相邻交叉口交通流之间的相关性；

Step2：将交叉口群的耦合性、相邻交叉口的相似性、相邻交叉口交通流之间的相关性从大到小按顺序排列，确定初始化m个聚类，并计算每个聚类中心的距离；

Step3：依据交叉口群的耦合性把区域边界的所有交叉口分别归入不同的区域边界动态交叉口群；

Step4：依据相邻交叉口的相似性判断区域边界内剩余的交叉口是否能够加入相邻的区域边界交叉口群；

Step5：依据区域边界相邻交叉口交通流的相关性判断区域边界剩余交叉口是否能够加入相邻的区域边界交叉口群；

Step6：把剩余的的区域边界交叉口作为独立的区域边界交叉口群。

4)进化学习模块

进化学习模块是对自我组织模块形成的区域边界交叉口群从全局优化的角度进行交通信号动态优化，处理流程如图3所示。具体实施步骤如下：

(1)根据区域边界交通流运行状态，对交通流运行状态进行动态分类学习，选择最佳的区域边界交叉口群交通信号控制模式和交通信号控制目标。动态分类学习器的构造过程如下：

Step1：准备训练数据

Ξ＝{(st₁，mg₁)，(st₂，mg₂)，...，(st_i，mg_i)}∈(Status×ModTag)^l，Status为区域边界交叉口群交通状态的集合，st_i∈Status，i＝1，2，...l；ModTag为区域边界交叉口群交通信号控制模式和控制目标的集合，mg_i∈ModTag，i＝1，2，...l。

Step2：构造一个二叉树结点，引入松弛变量H＞0和核函数K(st，st_i)，确定最优化函数：

$\underset{a}{\max }L\left(a\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{a}_i-\frac{1}{2}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{mg}}_i{\mathrm{mg}}_j{a}_i{a}_j({\mathrm{st}}_i\·{\mathrm{st}}_j)K({\mathrm{st}}_i,{\mathrm{st}}_j)$

$S.T.\left\{\begin{array}{c}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{mg}}_i{a}_i=0\\ 0\≤a_i\≤H\∀i=\mathrm{1,2},...,l\end{array}\right.$

求解最优解： $a^{*}={(a_1^{*},a_2^{*},...,a_i^{*})}^T.$

Step3：计算 $w^{*}={\mathrm{\Σ}}_{i=1}^l{\mathrm{mg}}_i{a}_i^{*}K({\mathrm{st}}_i,{\mathrm{st}}_j);$ 选择a^*的一个小于H的正分量，并据此计算： $b^{*}={\mathrm{mg}}_j-{\mathrm{\Σ}}_{i=1}^l{\mathrm{mg}}_i{a}_i^{*}K({\mathrm{st}}_i,{\mathrm{st}}_j).$

Step4：构造分划超平面：(w^*·st)+b^*＝0，求得决策函数：f(x)＝sgn((w^*·st)+b^*)。

Step5：由此训练得出分类器SVM₁，判断是否满足分类需求，如果是则分类结束，否则Step6。

  Step6：分别以上一层SVM_i分类出的正样本训练集合负样本训练集为原始训练集，引入松弛变量H^m＞0和核函数K^m(st，st_i)，确定最优化函数：

$\underset{a^m}{\max }{L}^m\left(a^m\right)=\underset{i=1}{\overset{l^m}{\mathrm{\Σ}}}{a}_i^m-\frac{1}{2}\underset{i=1}{\overset{l^m}{\mathrm{\Σ}}}\underset{j=1}{\overset{l^m}{\mathrm{\Σ}}}{\mathrm{mg}}_i{\mathrm{mg}}_j{a}_i^m{a}_j^m({\mathrm{st}}_i\·{\mathrm{st}}_j)K^m({\mathrm{st}}_i,{\mathrm{st}}_j)$

$S.T.\left\{\begin{array}{c}\underset{i=1}{\overset{l^m}{\mathrm{\Σ}}}{\mathrm{mg}}_i{a}_i^m=0\\ 0\≤a_i^m\≤H^m\∀i=\mathrm{1,2},...,l^m\end{array}\right.$

求解最优解： $a_m^{*}={(a_1^{*},a_2^{*},...,a_i^{*})}_m^T.$

Step7：由此训练得出两个分类器SVM_i，1，SVM_i，2，以此类推，直到满足分类需求。

由此，将当前的区域边界交叉口群交通流运行状态输入动态分类学习器，即可获得最佳的交通信号控制模式和控制目标。

(2)由于区域边界交叉口分属不同的区域，由不同的区域交通信号控制机进行信号控制。区域边界交叉口群要实现对区域边界交叉口进行统一协调控制，需要与相邻区域交通信号控制机进行交通控制策略的协调，以防止出现新的区域边界，造成拥挤转移。

将区域边界交叉口群与相邻区域的协调过程表示为：

∏＝{Re，(MG_i)_i∈N，(u_i)_i∈N}

其中：Re为区域集，含边界交叉口群；MG_i为区域i的协调策略集；

u_i：MG→Re表示区域i的效果支付；MG表示区域边界交叉口群i从其协调策略集MF_i中选择一个策略时，其他相邻区域可能会选择的所有可能策略组合形成的集合

同时，在不同的交通状态st(i，t)下，区域i存在可选协调策略集且

存在SeMG_-i为区域边界交叉口群i在交通状态st(i，t)下，各相邻区域最佳反应协调策略组成的集合，令G_i(SeMG_-i)为所有最佳协调策略组成的集合，存在：

$\left\{\begin{array}{c}{\mathrm{semg}}_i\∈\underset{i\∈M{G}_i}{\arg \max }\underset{\mathrm{sem}{g}_{-i}\∈{\mathrm{SeMG}}_{-i}}{\mathrm{\Σ}}f\left({\mathrm{semg}}_{-i}\right)u_i({\mathrm{semg}}_{-i},{\mathrm{mg}}_i)\\ {\mathrm{semg}}_i\∈G_i\left({\mathrm{SeMG}}_{-i}\right)\end{array}\right.$

区域边界交叉口群与相邻区域的协调过程如下：

Step1：BRe为区域边界交叉口群的集合，bJ_i∈BRe；NRe为区域边界交叉口群相邻区域的集合，nJ_i∈NRe。当区域边界交叉口群处于交通状态st(i，t)下，则存在：

${\mathrm{sgn}}_i=\left\{\begin{array}{cc}0& \mathrm{st}(i,t)<Q\\ 1& \mathrm{st}(i,t)\&GreaterEqual;Q\end{array}\right.$

sgn_i＝0时，bJ_i不与nJ_i进行协调；sgn_i＝1时，bJ_i与nJ_i进行协调。

Step2：bJ_i符合协调控制条件时，则根据当前的区域边界交叉口群交通状态st(i，t)向相邻区域nJ_i要求执行最佳协调策略SeMG_i，如果nJ_i满足不了bJ_i所提出的支付效用u_i，则bJ_i与nJ_i进行谈判，执行可行策略MG_i

Step3：智能型区域边界协调控制器随机决定是否向nJ_i提出进一步协调的请求，进一步请求的概率假定为取决于MG_i、SeMG_i支付效用的相对值。

Step4：nJ_i执行MG_i后，可能仍存在如下临界条件temp，如果temp＝0，则取消进一步协调请求，否则要求继续进行协调，直至满足要求为止。

区域边界交叉口群的交通信号控制策略通过不断与相邻区域进行协调，最终确定最优的交通信号控制模式和控制目标OptMG。

(3)基于区域边界交叉口群与相邻区域进行交通信号控制模式和控制目标协调的结果，对区域边界交叉口群各信号交叉口的交通信号控制方案进行协调优化：

$\min \mathrm{OptMG}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\frac{K_{i,1}\&CenterDot;{\mathrm{Delay}}_i+K_{i,2}\&CenterDot;{\mathrm{Stop}}_i}{K_{i,3}{\mathrm{Cap}}_i}$

$S.T.\left\{\begin{array}{c}{G}_{\mathrm{ij}}\left(t\right)={\stackrel{..}{g}}_{\mathrm{ij}}\left(t\right)+A\left(\mathrm{OptMG}\right)+\mathrm{\&alpha;}\left(t\right)\\ C_i\left(t\right)={\stackrel{\&CenterDot;\&CenterDot;}{c}}_i\left(t\right)+B\left(\mathrm{OptMG}\right)+\mathrm{\&beta;}\left(t\right)\\ O_{\mathrm{ik}}\left(t\right)={\stackrel{\&CenterDot;\&CenterDot;}{o}}_{\mathrm{ik}}\left(t\right)+Z\left(\mathrm{OptMG}\right)+\mathrm{\&gamma;}\left(t\right)\\ g_{\min }\&le;G_{\mathrm{ij}}\left(t\right)\&le;g_{\max }\\ c_{\min }\&le;C_i\left(t\right)\&le;c_{\max }\end{array}\right.$

其中：K_i，1、K_i，2、K_i，3分别为区域边界交叉口群中交叉口i延误、停车次数、通行能力的优化权重；

为交叉口i智能型交通信号控制器自我优化模块优化出的j相位的局部最佳绿信比；为交叉口i智能型交通信号控制器自我优化模块优化出的局部最佳周期时长；

为交叉口i智能型交通信号控制器自我优化模块优化出k方向的局部最佳相位差；A(OptMG)、B(OptMG)、Z(OptMG)分别为区域边界交叉口群最优控制策略和控制目标下的绿信比、周期时长、相位差调整函数；α(t)，β(t)、γ(t)分别为t时刻交叉口群最优控制策略OptMG下绿信比、周期时长、相位差的随机调和因子；G_ij(t)为区域边界交叉口群最优控制策略OptMG下i交叉口j相位的最优绿信比；C_i(t)为区域边界交叉口群最优控制策略OptMG下i交叉口的最优周期时长；O_ik(t)为区域边界交叉口群最优控制策略OptMG下i交叉口k方向的最优相位差。

采用进化算法对上述模型进行优化求解，具体步骤如下：

Step1：初始化。设置初始蚁群数M，最大迭代次数MaxCount，分别计算每只蚂蚁的适应度函数和信息素：

$f_{\max }\left(i\right)=\underset{i\&le;k\&le;N}{\max }\left\{f(i,k)\right\}$

$f_{\min }\left(i\right)=\underset{i\&le;k\&le;N}{\min }\left\{f(i,k)\right\}$

τ_ij(t+n)＝(1-ρ)τ_ij(t)+Δτ_ij(t)

其中：f_max(i)、f_min(i)为最大、最小适应度函数；τ_ij(t+n)为t+n次循环后的信息素；1-ρ为信息素残留因子。

Step2：状态转移。计算蚁群状态转移概率

其中τ_ir(t)为t时刻边(i，j)上的信息素。

Step3：更新规则。每只蚂蚁按如下规则进行信息素更新：

τ_ij(t+1)＝(1-ρ)τ_ij(t)+Q ·Δτ_ij(t)

Δτ_ij(t)＝(f_max-f)/(f_max-f_min)

其中：Q为调和因子；f为当前时刻的目标函数minOptMG的值；f_max、f_min分别为目标函数minOptMG的最大计算值和最小计算值。

Step4：交叉和变异。通过随机选择两端点进行对蚁群进行交叉口重组，并r＝max(rand()，0.618)作为蚁群交叉口的概率；同时，对选出的个体部分随机2个点，中间部分根据适应度与最大适应度的关系产生一个可变的变异概率ρ(fit)，并采用倒转法进行变异；接着，检测倒转后的个体是否可行，如果不可行，对两边的一部分也进行一次倒转变异，直到可行为止。

Step5：重复Step1～Step4，直至求解精度满足要求或达到最大迭代次数为止。

从而在最优控制模式和控制目标下，获得区域边界交叉口群各交叉口的交通信号控制方案。

(4)将求解出的最优控制方案以及与之相对应的区域边界交叉口群的交通流运行状态、交通信号控制模式、交通信号控制目标等写入知识规则库，为后续区域边界交叉口群选择与交通流运行状态相适应的交通信号控制模式、控制目标提供决策支持。区域边界交叉口群最优交通信号控制模式、控制目标、控制方案及与之相对应的交通运行状态形成知识规则，写入规则库的过程如下：

Step1：通过输入接口将区域边界交叉口群的交通流运行状态信息、交通信号控制模式、交通信号控制目标、交通信号控制方案等全部放入消息表中；

Step2：将消息表中的全部消息与知识规则库中的所有规则进行比较，记录所有匹配交通流运行状态、交通信号控制模式、交通信号控制目标、交通信号控制方案的所有知识规则；

Step3：满足消息表和知识规则库中的知识部分匹配时，将部分匹配的所有消息发送到新消息表中，用新的消息表取代消息表中的全部消息。

Step4：当消息表中的记录与知识规则库中的知识部分匹配时，采用投标方式进行知识规则更新，投标形式为：

Bid(KW，ST)＝ζ·R(KW )·S(KW，ST)

其中：R(KW)是特性，等于知识规则KW中部分匹配的消息数目除以知识规则长度；S(KW，ST)是知识规则KW在交通状态ST的强度；ζ为协调因子，小于1。

减少消息表中投标者的投标强度 $\stackrel{\&CenterDot;\&CenterDot;}{S}(\mathrm{KW},\mathrm{ST})=S(\mathrm{KW},\mathrm{ST})-\mathrm{Bid}(\mathrm{KW},\mathrm{ST}),$ 同时提高知识规则中送去匹配的规则的投标强度 $\stackrel{\&OverBar;}{S}({\mathrm{KW}}^{*},\mathrm{ST})=S({\mathrm{KW}}^{*},\mathrm{ST})-\mathrm{\&epsiv;}\&CenterDot;\mathrm{Bid}(\mathrm{KW},\mathrm{ST}).$ 两种进行比较，若消息表胜出，则将消息表的消息记录更新知识规则库中相对应的知识规则，否则，知识规则库中的知识规则不变。

Step5：返回Step1，直至所有具有部分匹配的消息与知识规则都进行竞标为止。

从而实现对规则知识库的知识更新，确保规则知识库中的知识规则能够为区域边界交叉口群提供最优的交通信号控制模式、控制目标和控制方案。

5)自我评估模块

自我评估模型的主要功能在于利用微观仿真评价模型对区域边界交叉口群的交通信号控制效率进行评价。具体实施过程如下：

Step1：利用开源的微观交通仿真软件，构建COM接口，将区域边界交叉口群的路网条件、交通流运行状态信息以及区域边界交叉口群各交叉口的交通信号控制方案实时自动传输到开源微观仿真软件的路网参数设置和控制参数设置文件中。

Step2：设置开源微观交通仿真软件的交通仿真的随机种子数、仿真速度、仿真步长等仿真运行设置参数，启动开源微观交通仿真软件软件。

Step3：通过COM接口自动读取开源仿真软件运行得出的交通流运行性能参数(包括延误、停车次数、通行能力、行程时间等)文件，比较开源仿真软件路网运行效果SimOpt与进化学习模块优化效果OptMG之间的差异，如果|SimOpt-OptMG|≤Ξ(ST，t)(Ξ(ST，t)为t时刻交通状态ST的容许偏差阈值)，则仿真效果和优化效果基本一致，不用进行控制模式和控制目标调整。否则，从进化学习模块的知识规则库DB(KW)中选择与区域边界交叉口交通流近似匹配的知识规则，获取规则中对应的控制模式、控制目标以及交通信号控制方案，重新进入开源微观交通仿真软件中进行运行，直至|SimOpt-OptMG|≤Ξ(ST，t)。以获得区域边界交叉口群最佳的交通信号控制模式、控制目标和控制方案。

6)自我设置模块

将自我评估模块最终确定的区域边界交叉口群交通信号控制模式、控制目标以及各交叉口的交通信号控制方案，结合区域边界交叉口的地理特征和交通状态特征，采用图形化的人机交互界面显示给用户，并提醒高级用户是否对区域边界交叉口群的控制范围、控制模式、控制目标以及各交叉口的交通信号方案进行人工干预调整，如果高级用户对提醒不进行响应，则默认不进行人工干预，自我设置模块将自我评估模块确定的控制参数通过光纤网络或3G无线通信网络下发到区域边界交叉口的智能型交通信号控制器，由智能型交通信号控制器执行控制参数。如果高级用户进行人工干预，则在消息记录表中高级用户对控制参数所作的修改，并将与之相对应的区域边界交叉口群及其他控制参数一起构建形成新的知识规则，存储到进化学习模块的知识规则库DB(KW)中。同时，自我设置模块将高级用户调整后的区域边界交叉口群交通控制参数通过光纤网络或3G无线通信网络下发到区域边界交叉口的智能型交通信号控制器，由智能型交通信号控制器执行控制参数。

从而实现区域边界交叉口之间的协调，避免区域边界交叉口交通拥挤、拥堵的发生。

Claims (1)

1.一种基于有机计算的区域边界交通信号协调控制方法，其特征在于由以下步骤实现：

1)车流监测模块

(1)首先，对采集的交通数据进行时空校准；

以时间T为校准的时间基准点，S_i(t₁，ρ)和S_i(t₂，ρ)分别为检测器S_i在T的相邻时刻t₁、t₂检测到的交通参数数值，且t₁＜T＜t₂，则时间基准点的交通参数数值校准为：

${\tilde{S}}_i(T,\mathrm{\&rho;})=S_i(t_1,\mathrm{\&rho;})+\mathrm{\&alpha;}\&CenterDot;\frac{T-t_1}{t_2-t_1}[S_i(t_2,\mathrm{\&rho;})-S_i(t_1,\mathrm{\&rho;})]+\mathrm{\&beta;}$

其中，α为交通流波动因子，β为交通检测随机噪声；

以某一检测截面O为校准的空间基准点，S_i(O₁，ρ)和S_j(O₂，ρ)分别为检测器S_i、S_j在截面O的相邻位置检测到的交通参数数值，且O₁在截面O的下游，O₂在截面O的上游，则以O为空间基准点的交通参数数值校准为：

${\tilde{S}}_i(O,\mathrm{\&rho;})=f^{-1}\&CenterDot;P_i+m\&CenterDot;R\&CenterDot;S_i(O_1,\mathrm{\&rho;})$

${\tilde{S}}_j(O,\mathrm{\&rho;})=f\&CenterDot;P_j+m\&CenterDot;R\&CenterDot;S_j(O_2,\mathrm{\&rho;})$

其中：f为离散系数；P_i、P_j分别为平移向量；m为尺度因子；R为旋转矩阵。

(2)其次设定

$I=\frac{1}{n-1}\left[\frac{n\&CenterDot;\underset{i=1}{\max }\left(Q_i\right)}{{\mathrm{\&Sigma;}}_i^n{Q}_i}\right]\&CenterDot;\frac{1}{1+\&Proportional;\&CenterDot;t}$

其中：n为上游交叉口的流入流向数；Q_i为上游交叉口第i流入流向的交通量；t为车流从上游交叉口智能型交通信号控制器交通流统计基准位置到达下游交叉口交通流统计分析位置的平均行程时间；∝为车流离散的影响因子，则可以进一步将相邻交叉口智能型交通信号控制器传送过来的流入方向的交通流统计数据进行时空校准，获得本地交叉口的交通流状态描述：

其中：J_up(x₂，t₂)为上游交叉口智能型交通信号控制器传送的t₂时刻x₂位置的交通参数统计量；J_down(x₁，t₁)为上游交叉口智能型交通信号控制器传送的交通参数统计量在本地交叉口x₁位置t₁时刻的映射量；

ω(t)分别为空间和时间转换函数；

(3)区域边界的交通流运行状态可以通过以下步骤进行挖掘：

Step1：从控制中心交通信息数据库中提取区域边界交叉口的数据集合P＝{p(t-n·T)，p(t-(n-1)·T)，...，p(t)}＝{p₁，p₂，...p_n}，p为交通流多元样本参数，t为样本取样最近时刻，T为样本取样周期；

Step2：利用欧氏距离的离差平和法D＝||p_i-v_j||²(p_i为交通参数样本，v_j为聚类中心)进行层次距离分析，按交通参数的时变特征把交通数据划分为具有相近的簇C＝{C₁，C₂，...，C_m}；

Step3：利用主成分分析法重新构建综合变量，通过考查各个综合变量的方差，以及构成综合变量的原始变量的权重来决定是否保留该原始变量，Y＝AP，P＝{p₁，p₂，...p_n}为原始变量，Y＝{y₁，y₂，...y_n}为正交变量的主分量，A为正交阵；

Step4：计算主分量y_i的贡献度主分量y_i的分差表示为λ_i

 Step5：建立回归方程

其中

为簇C_i内的交通参数构成的向量，β为待估参数的集合，ε为随机影响因子；

通过上述步骤实现对控制中心历史交通数据的提取，通过历史交通数据估计当前时刻区域边界交叉口的交通流运行状态；

(4)构建基于多源交通数据时空资源映射模型：

F_Map：{{U_i}，{V_j}}→{W_k}

其中：{U_i}为区域边界交叉口交通参数监测点的集合；{V_j}为区域边界交通流检测数据来源的集合；{W_k}为区域边界交叉口监测点交通参数的集合，资源映射的具体步骤如下：

Step1：将资源请求按照请求向量的长度，从大到小排队，构成一个资源请求序列；

Step2：遍历资源请求序列，对每个未分配的资源请求w_k分别计算w_k与各个请求子集总资源向量W_i的决策因子δ，

其中：θ(W_i，w_k)表示W_i和w_k之间的向量夹角，ξ为调和因子；

Step3：计算并保存调和因子、资源分配情况；

Step4：对于每一个未分配资源请求的w_k，计算w_k与监测点u_i所有设备v_j的可用资源向量的夹角，并把w_k分配到夹角最小的设备上，实现监测点u_i交通参数w_k与v_j的最佳映射；

(5)采用多属性决策方法对区域边界交叉口的交通流运行状态进行融合分析：

假设X＝{x₁，x₂，...，x_n}为区域边界交叉口不同交通流监测点的位置；

P＝{p₁，p₂，...，p_m}为监测点所能检测或获取的交通流运行参数；γ_ij为监测点i交通参数j的具体数值，则构成如下的区域边界交叉口运行参数矩阵：

W＝{w₁，w₂，...，w_n}为各监测点在描述路段或交叉口交通流状态中的重要程度，则通过Fu(P)＝W·R获得路段或交叉口的交通流运行状态；

(6)通过欧氏距离计算当前交通流运行状态参数数值

P(t)＝[v(t)，q(t)，...，ρ(t)](v(t)为当前时刻t检测的速度、q(t)为当前时刻t检测的流量、ρ(t)当前时刻t检测的占有率等交通参数检测值)与不同交通状态中心交通状态向量之间的距离来确定交通状态，假设Status＝[S₁，S₂，...S_s]表示s个不同交通状态的中心，

(

为i交通状态中心的速度、

为i交通状态中心的流量、为i交通状态中心的占有率)为第i交通状态的中心交通参数向量，则：

$D_{\mathrm{st}}=\underset{1\&le;i\&le;s}{\min }\sqrt{{(v\left(t\right)-{\stackrel{\&OverBar;}{v}}_i)}^2+{(q\left(t\right)-{\stackrel{\&OverBar;}{q}}_i)}^2+...+{(\mathrm{\&rho;}\left(t\right)-{\stackrel{\&OverBar;}{\mathrm{\&rho;}}}_i)}^2}$

距离交通状态中心最小的位置，则为当前时刻交通流的运行状态；

(7)在对当前时刻交通流运行状态进行判别的基础上，对交通流运行态势进行估计：

$\mathrm{TS}:X_{\mathrm{SN}}\&times;X_{\mathrm{DB}}^{\mathrm{SL}}\&RightArrow;X_{\mathrm{\&phi;}}^{\mathrm{SK}}$

其中：TS表示态势元素的提取过程，X_SN表示当前交通流运行状态，

为态势特征知识表达系统，

为交通流运行态势。

的态势特征知识表达系统为：

$X_{\mathrm{DB}}^{\mathrm{SL}}=(U,R=C\&cup;D,V,f)$

其中：U为论域，表示城市交通流运行状态的非空有限集合；R为属性集合，R＝C∪D，且

C为条件属性，C＝{a|α∈C}表示区域边界交叉口交通参数的属性集合；D为决策属性，D＝{d|d∈D}表示区域边界交叉口交通运行态势的属性集合；f为信息函数，f：U×R→V指定论域U中每个对象的属性值；V为值阈，

为属性值的集合，V_r表示r∈R的属性范围；

2)自我优化模块

根据车流监测模块提供的本地交叉口实时动态的交通信息，首先判断是否接收到上级控制模块下发的协调控制指令CoMa，如果接收到的指令CoMa包含SigPlan数据包，则按上级提供的交通信号控制方案，准备进行交通信号控制方案过渡，并从过渡方案库GD＝{gd₁，gd₂，...，gd_n}中选取对区域边界交叉口交通流影响最小的过渡方案，如果接收到的指令CoMa包含ModTag数据包，则根据CoMa提供的控制模式对本地交叉口的交通信号配时参数进行优化：

$\min \mathrm{Tag}=\frac{K_1\&CenterDot;\mathrm{Delay}+K_2\&CenterDot;\mathrm{Stop}}{K_3\mathrm{Cap}}$

其中：K₁、K₂、K₃分别为延误、停车次数、通行能力的优化权重，由ModTag数据包提供；g(t)为t时刻绿信比；c(t)为t时刻周期时长；o₊(t-1)、o_(t-1)分别为t-1时刻正向绿波、反向绿波相位差；ω₁、ω₂为正向绿波、反向绿波的权重；ψ(Δq)、

φ₁(Δq)、φ₂(Δq)分别为t时刻与t-1时刻之间增量流量影响下的绿信比、周期时长、正向绿波相位差、反向绿波相位差调整函数；g_min、g_max分别为最小、最大相位绿信比；c_min、c_max分别为最小、最大周期时长；

如果没有接收到上级控制模块下发的协调控制指令CoMa，则自我优化模块则根据车流监测模块检测的实时交通状态信息，从知识规则数据库中选择与交通流相适应的控制模式和控制目标：

KW：St×Ts→P(M，K)：Mode×TagK

其中：St为区域边界交叉口当前交通流运行状态，可从车流监测模块获取；Ts为区域边界交叉口交通流运行态势，可从车流监测模块获取；P(M，K)为在交通运行状态St和运行态势Ts，选用交通信号控制模式和控制目标的区域边界交叉口交通流运行效能；Mode为区域边界交叉口交通信号控制模式，为可选项{M₁，M₂，...，M_n}(为模式1，模式2，模式n)；TagK为区域边界交叉口交通信号控制目标，对应不同的K₁、K₂、K₃数值。通过知识库中对交通流运行状态和运行态势的匹配，选取交通流运行效能最大下的交通信号控制模式和控制目标，在此条件下优化交叉口的交通信号配时参数：

$\min \mathrm{TagK}=\frac{K_1\&CenterDot;\mathrm{Delay}+K_2\&CenterDot;\mathrm{Stop}}{K_3\mathrm{Cap}}$

3)自我组织模块

通过交叉口智能型交通信号控制器的车流监测模块和自我优化模块，控制中心的智能型区域边界协调控制器可以获得区域边界各交叉口的交通状态变量和交通控制变量：

CS(i，t)＝[Status(i，t)，Control(i，t)]

其中：CS(i，t)为区域边界交叉口i在t时刻的状态；Status(i，t)为区域边界交叉口i在t时刻的交通状态变量；Control(i，t)为区域边界交叉口i在t时刻的交通控制变量，从而构建出区域边界交叉口的状态矩阵：

R＝[CS(1，t)，CS(2，t)，...，CS(n，t)]

定义将区域边界交叉口构建形成区域边界交叉口群的理想状态为A⁺，不建议将区域边界交叉口构建形成区域边界交叉口群的负理想状态为A^-，则区域边界交叉口构建形成交叉口群的耦合性为：

$\mathrm{\&Gamma;}=\frac{|\mathrm{CS}(i,t)-A^{-}|}{|\mathrm{CS}(i,t)-A^{+}|+|\mathrm{CS}(i,t)-A^{-}|}$

区域边界交叉口之间相邻交叉口的相似性为：

$\mathrm{\&theta;}=\frac{|\mathrm{CS}(i,t)\&CenterDot;\mathrm{CS}(j,t)|}{\left|\mathrm{CS}(i,t)\right|\&CenterDot;\left|\mathrm{CS}(j,t)\right|}$

区域边界相邻交叉口交通流之间的相关性为：

$\mathrm{\&Lambda;}=\frac{|\mathrm{CS}(i,t)-\stackrel{\&OverBar;}{\mathrm{CS}}(i,t)||\mathrm{CS}(j,t)-\stackrel{\&OverBar;}{\mathrm{CS}}(j,t)|}{\sqrt{{|\mathrm{CS}(i,t)-\stackrel{\&OverBar;}{\mathrm{CS}}(i,t)|}^2+{|\mathrm{CS}(j,t)-\stackrel{\&OverBar;}{\mathrm{CS}}(j,t)|}^2}}$

采用动态聚类分析方法对区域边界交叉口群进行动态划分，具体步骤如下：

Step1：计算区域边界内所有边界交叉口的交叉口群耦合性、相邻交叉口的相似性、相邻交叉口交通流之间的相关性；

Step2：将交叉口群的耦合性、相邻交叉口的相似性、相邻交叉口交通流之间的相关性从大到小按顺序排列，确定初始化m个聚类，并计算每个聚类中心的距离；

Step3：依据交叉口群的耦合性把区域边界的所有交叉口分别归入不同的区域边界动态交叉口群；

Step4：依据相邻交叉口的相似性判断区域边界内剩余的交叉口是否能够加入相邻的区域边界交叉口群；

Step5：依据区域边界相邻交叉口交通流的相关性判断区域边界剩余交叉口是否能够加入相邻的区域边界交叉口群；

Step6：把剩余的的区域边界交叉口作为独立的区域边界交叉口群；

4)进化学习模块

是对自我组织模块形成的区域边界交叉口群从全局优化的角度进行交通信号动态优化，具体实施步骤如下：

(1)根据区域边界交通流运行状态，对交通流运行状态进行动态分类学习，选择最佳的区域边界交叉口群交通信号控制模式和交通信号控制目标，动态分类学习器的构造过程如下：

Step1：准备训练数据

Ξ＝{(st₁，mg₁)，(st₂，mg₂)，...，(st_i，mg_i)}∈(Status×ModTag)^l，Status为区域边界交叉口群交通状态的集合，st_i∈Status，i＝1，2，...l；ModTag为区域边界交叉口群交通信号控制模式和控制目标的集合，mg_i∈ModTag，i＝1，2，...l；

Step2：构造一个二叉树结点，引入松弛变量H＞0和核函数K(st，st_i)，确定最优化函数：

$\underset{a}{\max }L\left(a\right)=\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{a}_i-\frac{1}{2}\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{mg}}_i{\mathrm{mg}}_j{a}_i{a}_j({\mathrm{st}}_i\&CenterDot;{\mathrm{st}}_j)K({\mathrm{st}}_i,{\mathrm{st}}_j)$

$S.T.\left\{\begin{array}{c}\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{mg}}_i{a}_i=0\\ 0\&le;a_i\&le;H\&ForAll;i=\mathrm{1,2},...,l\end{array}\right.$

求解最优解： $a^{*}={(a_1^{*},a_2^{*},...,a_i^{*})}^T;$

Step3：计算 $w^{*}={\mathrm{\&Sigma;}}_{i=1}^l{\mathrm{mg}}_i{a}_i^{*}K({\mathrm{st}}_i,{\mathrm{st}}_j);$ 选择a^*的一个小于H的正分量，并据此计算： $b^{*}={\mathrm{mg}}_j-{\mathrm{\&Sigma;}}_{i=1}^l{\mathrm{mg}}_i{a}_i^{*}K({\mathrm{st}}_i,{\mathrm{st}}_j);$

Step4：构造分划超平面：(w^*·st)+b^*＝0，求得决策函数：f(x)＝sgn((w^*·st)+b^*)；

Step5：由此训练得出分类器SVM₁，判断是否满足分类需求，如果是则分类结束，否则Step6；

Step6：分别以上一层SVM_i分类出的正样本训练集合负样本训练集为原始训练集，引入松弛变量H^m＞0和核函数K^m(st，st_i)，确定最优化函数：

$\underset{a^m}{\max }{L}^m\left(a^m\right)=\underset{i=1}{\overset{l^m}{\mathrm{\&Sigma;}}}{a}_i^m-\frac{1}{2}\underset{i=1}{\overset{l^m}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{l^m}{\mathrm{\&Sigma;}}}{\mathrm{mg}}_i{\mathrm{mg}}_j{a}_i^m{a}_j^m({\mathrm{st}}_i\&CenterDot;{\mathrm{st}}_j)K^m({\mathrm{st}}_i,{\mathrm{st}}_j)$

$S.T.\left\{\begin{array}{c}\underset{i=1}{\overset{l^m}{\mathrm{\&Sigma;}}}{\mathrm{mg}}_i{a}_i^m=0\\ 0\&le;a_i^m\&le;H^m\&ForAll;i=\mathrm{1,2},...,l^m\end{array}\right.$

求解最优解： $a_m^{*}={(a_1^{*},a_2^{*},...,a_i^{*})}_m^T;$

Step7：由此训练得出两个分类器SVM_i，1，SVM_i，2，以此类推，直到满足分类需求；

由此，将当前的区域边界交叉口群交通流运行状态输入动态分类学习器，即可获得最佳的交通信号控制模式和控制目标；

(2)

将区域边界交叉口群与相邻区域的协调过程表示为：

∏＝{Re，(MG_i)_i∈N，(u_i)_i∈N}

其中：Re为区域集，含边界交叉口群；MG_i为区域i的协调策略集；

u_i：MG→Re表示区域i的效果支付；MG表示区域边界交叉口群i从其协调策略集MG_i中选择一个策略时，其他相邻区域可能会选择的所有可能策略组合形成的集合

同时，在不同的交通状态st(i，t)下，区域i存在可选协调策略集

且存在

SeMG_-i为区域边界交叉口群i在交通状态st(i，t)下，各相邻区域最佳反应协调策略组成的集合，令G_i(SeMG_-i)为所有最佳协调策略组成的集合，存在：

$\left\{\begin{array}{c}{\mathrm{semg}}_i\&Element;\underset{i\&Element;M{G}_i}{\arg \max }\underset{\mathrm{sem}{g}_{-i}\&Element;{\mathrm{SeMG}}_{-i}}{\mathrm{\&Sigma;}}f\left({\mathrm{semg}}_{-i}\right)u_i({\mathrm{semg}}_{-i},{\mathrm{mg}}_i)\\ {\mathrm{semg}}_i\&Element;G_i\left({\mathrm{SeMG}}_{-i}\right)\end{array}\right.$

区域边界交叉口群与相邻区域的协调过程如下：

Step1：BRe为区域边界交叉口群的集合，bJ_i∈BRe；NRe为区域边界交叉口群相邻区域的集合，nJ_i∈NRe，当区域边界交叉口群处于交通状态st(i，t)下，则存在：

${\mathrm{sgn}}_i=\left\{\begin{array}{cc}0& \mathrm{st}(i,t)<Q\\ 1& \mathrm{st}(i,t)\&GreaterEqual;Q\end{array}\right.$

sgn_i＝0时，bJ_i不与nJ_i进行协调；sgn_i＝1时，bJ_i与nJ_i进行协调；

Step2：bJ_i符合协调控制条件时，则根据当前的区域边界交叉口群交通状态st(i，t)，向相邻区域nJ_i要求执行最佳协调策略SeMG_i，如果nJ_i满足不了bJ_i所提出的支付效用u_i，则bJ_i与nJ_i进行谈判，执行可行策略MG_i

Step3：智能型区域边界协调控制器随机决定是否向nJ_i提出进一步协调的请求，进一步请求的概率假定为

取决于MG_i、SeMG_i支付效用的相对值；

Step4：nJ_i执行MG_i后，可能仍存在如下临界条件temp，如果temp＝0，则取消进一步协调请求，否则要求继续进行协调，直至满足要求为止；

区域边界交叉口群的交通信号控制策略通过不断与相邻区域进行协调，最终确定最优的交通信号控制模式和控制目标OptMG；

(3)基于区域边界交叉口群与相邻区域进行交通信号控制模式和控制目标协调的结果，对区域边界交叉口群各信号交叉口的交通信号控制方案进行协调优化：

$\min \mathrm{OptMG}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\frac{K_{i,1}\&CenterDot;{\mathrm{Delay}}_i+K_{i,2}\&CenterDot;{\mathrm{Stop}}_i}{K_{i,3}{\mathrm{Cap}}_i}$

$S.T.\left\{\begin{array}{c}{G}_{\mathrm{ij}}\left(t\right)={\stackrel{..}{g}}_{\mathrm{ij}}\left(t\right)+A\left(\mathrm{OptMG}\right)+\mathrm{\&alpha;}\left(t\right)\\ C_i\left(t\right)={\stackrel{\&CenterDot;\&CenterDot;}{c}}_i\left(t\right)+B\left(\mathrm{OptMG}\right)+\mathrm{\&beta;}\left(t\right)\\ O_{\mathrm{ik}}\left(t\right)={\stackrel{\&CenterDot;\&CenterDot;}{o}}_{\mathrm{ik}}\left(t\right)+Z\left(\mathrm{OptMG}\right)+\mathrm{\&gamma;}\left(t\right)\\ g_{\min }\&le;G_{\mathrm{ij}}\left(t\right)\&le;g_{\max }\\ c_{\min }\&le;C_i\left(t\right)\&le;c_{\max }\end{array}\right.$

其中：K_i，1、K_i，2、K_i，3分别为区域边界交叉口群中交叉口i延误、停车次数、通行能力的优化权重；

为交叉口i智能型交通信号控制器自我优化模块优化出的j相位的局部最佳绿信比；

为交叉口i智能型交通信号控制器自我优化模块优化出的局部最佳周期时长；

为交叉口i智能型交通信号控制器自我优化模块优化出k方向的局部最佳相位差；A(OptMG)、B(OptMG)、Z(OptMG)分别为区域边界交叉口群最优控制策略和控制目标下的绿信比、周期时长、相位差调整函数；α(t)、β(t)、γ(t)分别为t时刻交叉口群最优控制策略OprMG下绿信比、周期时长、相位差的随机调和因子；G_ij(t)为区域边界交叉口群最优控制策略OptMG下i交叉口j相位的最优绿信比；C_i(t)为区域边界交叉口群最优控制策略OptMG下i交叉口的最优周期时长；O_ik(t)为区域边界交叉口群最优控制策略OptMG下i交叉口k方向的最优相位差；

采用进化算法对上述模型进行优化求解，具体步骤如下：

Step1：初始化，设置初始蚁群数M，最大迭代次数MaxCount，分别计算每只蚂蚁的适应度函数和信息素：

$f_{\max }\left(i\right)=\underset{i\&le;k\&le;N}{\max }\left\{f(i,k)\right\}$

$f_{\min }\left(i\right)=\underset{i\&le;k\&le;N}{\min }\left\{f(i,k)\right\}$

τ_ij(t+n)＝(1-ρ)τ_ij(t)+Δτ_ij(t)

其中：f_max(i)、f_min(i)为最大、最小适应度函数；τ_ij(t+n)为t+n次循环后的信息素；1-ρ为信息素残留因子；

Step2：状态转移。计算蚁群状态转移概率其中τ_ir(t)为t时刻边(i，j)上的信息素；

Step3：更新规则。每只蚂蚁按如下规则进行信息素更新：

τ_ij(t+1)＝(1-ρ)τ_ij(t)+Q·Δ_τj(t)

Δτ_ij(t)＝(f_max-f)/(f_max-f_min)

其中：Q为调和因子；f为当前时刻的目标函数minOptMG的值；f_max、f_min分别为目标函数minOptMG的最大计算值和最小计算值；

Step4：交叉和变异。通过随机选择两端点进行对蚁群进行交叉口重组，并r＝max(rand()，0.618)作为蚁群交叉口的概率；同时，对选出的个体部分随机2个点，中间部分根据适应度与最大适应度的关系产生一个可变的变异概率ρ(fit)并采用倒转法进行变异；接着，检测倒转后的个体是否可行，如果不可行，对两边的一部分也进行一次倒转变异，直到可行为止；

Step5：重复Step1～Step4，直至求解精度满足要求或达到最大迭代次数为止；

从而在最优控制模式和控制目标下，获得区域边界交叉口群各交叉口的交通信号控制方案；

(4)将求解出的最优控制方案以及与之相对应的区域边界交叉口群的交通流运行状态、交通信号控制模式、交通信号控制目标等写入知识规则库，为后续区域边界交叉口群选择与交通流运行状态相适应的交通信号控制模式、控制目标提供决策支持，区域边界交叉口群最优交通信号控制模式、控制目标、控制方案及与之相对应的交通运行状态形成知识规则，写入规则库的过程如下：

Step1：通过输入接口将区域边界交叉口群的交通流运行状态信息、交通信号控制模式、交通信号控制目标、交通信号控制方案等全部放入消息表中；

Step2：将消息表中的全部消息与知识规则库中的所有规则进行比较，记录所有匹配交通流运行状态、交通信号控制模式、交通信号控制目标、交通信号控制方案的所有知识规则；

Step3：满足消息表和知识规则库中的知识部分匹配时，将部分匹配的所有消息发送到新消息表中，用新的消息表取代消息表中的全部消息；

Step4：当消息表中的记录与知识规则库中的知识部分匹配时，采用投标方式进行知识规则更新，投标形式为：

Bid(KW，ST)＝ζ·R(KW)·S(KW，ST)

其中：R(KW)是特性，等于知识规则KW中部分匹配的消息数目除以知识规则长度；S(KW，ST)是知识规则KW在交通状态ST的强度；ζ为协调因子，小于1；

减少消息表中投标者的投标强度 $\stackrel{\&CenterDot;\&CenterDot;}{S}(\mathrm{KW},\mathrm{ST})=S(\mathrm{KW},\mathrm{ST})-\mathrm{Bid}(\mathrm{KW},\mathrm{ST}),$ 同时提高知识规则中送去匹配的规则的投标强度 $\stackrel{\&OverBar;}{S}({\mathrm{KW}}^{*},\mathrm{ST})=S({\mathrm{KW}}^{*},\mathrm{ST})-\mathrm{\&epsiv;}\&CenterDot;\mathrm{Bid}(\mathrm{KW},\mathrm{ST}),$ 两种进行比较，若消息表胜出，则将消息表的消息记录更新知识规则库中相对应的知识规则，否则，知识规则库中的知识规则不变；

Step5：返回Step1，直至所有具有部分匹配的消息与知识规则都进行竞标为止；

5)自我评估模块

利用微观仿真评价模型对区域边界交叉口群的交通信号控制效率进行评价，具体实施过程如下：

Step1：构建COM接口，将区域边界交叉口群的路网条件、交通流运行状态信息以及区域边界交叉口群各交叉口的交通信号控制方案实时自动传输到路网参数设置和控制参数设置文件中；

Step2：设置交通仿真的随机种子数、仿真速度、仿真步长运行设置参数；

Step3：通过COM接口自动读取开源仿真软件运行得出的交通流运行性能参数文件，比较路网运行效果SimOpt与进化学习模块优化效果OptMG之间的差异，如果|SimOpt-OptMG|≤Ξ(ST，t)(Ξ(ST，t)为t时刻交通状态ST的容许偏差阈值)，则仿真效果和优化效果基本一致，不用进行控制模式和控制目标调整，否则，从进化学习模块的知识规则库DB(KW)中选择与区域边界交叉口交通流近似匹配的知识规则，获取规则中对应的控制模式、控制目标以及交通信号控制方案，重新进入开源微观交通仿真软件中进行运行，直至|SimOpt-OptMG|≤Ξ(ST，t)，以获得区域边界交叉口群最佳的交通信号控制模式、控制目标和控制方案；

6)自我设置模块

将自我评估模块最终确定的区域边界交叉口群交通信号控制模式、控制目标以及各交叉口的交通信号控制方案，结合区域边界交叉口的地理特征和交通状态特征，采用图形化的人机交互界面显示给用户，并提醒高级用户是否对区域边界交叉口群的控制范围、控制模式、控制目标以及各交叉口的交通信号方案进行人工干预调整，如果高级用户对提醒不进行响应，则默认不进行人工干预，将自我评估模块确定的控制参数下发到区域边界交叉口的智能型交通信号控制器，由智能型交通信号控制器执行控制参数，如果高级用户进行人工干预，则在消息记录表中高级用户对控制参数所作的修改，并将与之相对应的区域边界交叉口群及其他控制参数一起构建形成新的知识规则，存储到进化学习模块的知识规则库DB(KW)中，同时，将高级用户调整后的区域边界交叉口群交通控制参数下发到区域边界交叉口的智能型交通信号控制器，由智能型交通信号控制器执行控制参数。

Images