CN102646330B - 一种相邻路口交通关联度智能计算方法 - Google Patents

Abstract

本发明公开了一种相邻路口交通关联度智能计算方法。针对城市路网交通协调控制中的交通子区动态划分问题，应用智能控制理论设计了一种相邻交叉口交通关联度的智能计算方法。根据相邻交叉口路段长度、路段交通密度以及交叉口信号配时参数对相邻交叉口交通关联度的影响，设计了基于分层递阶结构的相邻交叉口交通关联度计算方法，上层基于路段长度对关联度进行阀值判断，下层基于距离长度、路段交通密度和信号周期，采用模糊控制方法对关联度进行计算。本发明为交通子区的动态划分及区域交通信号协调控制提供了一种有效的方法。

Description

一种相邻路口交通关联度智能计算方法

技术领域

本发明涉及交通控制算法，具体地说涉及一种相邻路口交通关联度智能计算方法。

背景技术

随着城市路网密度的增加和车辆数的增长，相邻交叉口之间的关联程度日益增强，路网交叉口间交通流对智能交通信号控制的协调要求也变得越来越高。现代智能交通控制系统提出了分区控制的模式，其基本思想是将整个城市道路网络分为相对独立的交通子区，以交通子区为单位进行协调控制，降低交通系统的复杂性并提高控制系统的效能和可靠性。

相邻交叉口关联度是一个对相邻交叉口间交通流相关性进行定量描述的交通参数，综合反映了路段交通状态和信号控制方案差异对相邻交叉口间关联程度的客观影响。相邻交叉口关联度的研究作为交通子区动态划分的理论基础，已受到国内外专家学者的较大关注。

本发明设计的相邻路口关联度计算方法可以用于交通子区的动态划分及区域交通信号协调控制，对交通流协调控制具有重要意义。

发明内容

本发明目的是为降低交通系统的复杂性并提高控制系统的效能和可靠性，提供一种相邻路口交通关联度智能计算方法。

相邻路口交通关联度智能计算方法：通过相邻交叉口路段长度、路段交通密度以及交叉口信号配时参数对相邻交叉口交通关联度的影响，设计了两层递阶结构，上层基于路段长度对关联度进行阀值判断，下层基于距离长度、路段交通密度和信号周期的分层递阶结构与模糊控制关联度计算方法；方法包括如下步骤：

1)关联度分析：根据相邻交叉口距离的远近L、路段交通密度ρ以及交叉口信号周期T的优化程度对相邻交叉口关联度强弱的影响，分别确定影响交叉口因素的相邻交叉口距离影响系数F_L、路段交通密度影响系数Γ_ρ、交叉口信号配时参数影响系数F_C；

2)算法结构：采用一种两层结构来实现相邻交叉口关联度的计算，上层基于路段长度对关联度进行阀值判断，如果交叉口间的距离L小于200m，那么关联度D作为1处理，而交叉口间的距离L大于1000m，则关联度D作为0处理，如果交叉口间距离L处于200m和1000m之间，则关联度D∈[0，1]，进入下一层，下层基于距离长度、路段交通密度和信号周期的模糊控制递阶结构；

3)智能计算：采用一种三输入单输出的模糊模块来实现关联度的计算，即输入为路段长度影响系数、路段交通流密度影响系数和信号周期影响系数，输出为相邻交叉口关联度。

所述的步骤1)为：

2.1)相邻交叉口距离：相邻交叉口间的距离远近对相邻交叉口间的关联度强弱产生影响，影响交通流的连续性和稳定性，交叉口距离影响系数F_L取决于路段长度L，当L小于200m时，F_L取1，当L大于1000m时，F_L取0，当L处于200m与1000m之间的时候，F_L取(1000-L)/800的计算值，且F_L∈[0，1]；

2.2)路段交通量：根据当前路段交通流密度大小对相邻交叉口间的关联度强弱产生影响，判断当前路段的拥挤状况，交叉口间路段交通量影响因素Γ_ρ是判断交叉口是否需要协调控制的主要因素，Γ_ρ取决于当前路段交通流密度ρ，当路段交通流密度小时，车流行驶的离散性强，相邻交叉口之间关联度弱，实施协调控制无法带来明显的效益；反过来，当路段交通流密度大时，车流行驶的离散性弱，相邻交叉口之间剩余的交通容量小，具有强关联度，实施协调控制效果将非常明显，ρ是如下定义的：

${\mathrm{\ρ}}_{(1\→2)}=\frac{N_{E(1\→2)}+N_{A(1\→2)}}{n_{(1\→2)}L}$

${\mathrm{\ρ}}_{(2\→1)}=\frac{N_{E(2\→1)}+N_{A(2\→1)}}{n_{(2\→1)}L}$

其中：1→2和2→1分别代表由路口1到路口2和路口2到路口1的两个交通流通行方向；N_E(1→2)和N_E(2→1)分别为两个方向路段上现有的车辆数，单位为PCU，PCU即Passenger Car Unit，为标准车当量数；N_A(1→2)和N_A(2→1)分别为两个方向路段上下一个信号周期内的车辆预测增量，与路段交通流量、交叉口交通流渠化与信号配时等因素相关，单位为PCU；n_(1→2)和n_(2→1)分别为两个方向路段上的车道数；ρ_(1→2)和ρ_(2→1)分别为两个方向上的路段交通流密度，单位为PCU/m。由此定义Γ_ρ的计算式：

$F_{\mathrm{\ρ}}=\mathrm{avg}(\frac{{\mathrm{\ρ}}_{(1\→2)}}{{\mathrm{\ρ}}_{s,(1\→2)}},\frac{{\mathrm{\ρ}}_{(2\→1)}}{{\mathrm{\ρ}}_{s,(2\→1)}})$

其中，ρ_s，(1→2)和ρ_s，(2→1)分别为饱和状态下两个方向上的路段交通流密度，单位为PCU/m。该式表示Γ_ρ取两个方向的交通流密度与饱和密度比的均值，如果该路段为单行道，则取有通行权那个方向的比值。并且当Γ_ρ的值大于1的时候取1，以保证相邻交叉口的路段交通量影响系数不大于1；

2.3)交叉口信号配时参数：根据当前交叉口信号配时参数的优化程度对相邻交叉口间的关联度强弱产生影响，判断当前相邻交叉路口间信号协调程度，交叉口信号配时参数影响系数F_C主要与交叉口的信号周期T相关，为了在相邻交叉口之间实施信号协调控制，要求两个相邻交叉口的信号周期必须相等或成倍数关系，如果相邻交叉口信号周期相差悬殊，且无法形成整数比例关系，则难以在相邻交叉口之间实施协调控制，此时表现为弱关联；相反，如果相邻交叉路口为一个公共信号周期，此时相邻交叉口之间表现为强关联，交叉口信号配时参数影响系数F_C如下定义：

$F_C=\left|(\frac{R+1}{2}-\frac{T_{\max }}{T_{\min }})\right|\×\frac{2}{R-1}$

其中：T_max和T_min分别为2个相邻交叉口信号周期中的最大值和最小值；R为周期比例T_max/T_min，T_max/T_min∈[1，R]，因此F_c∈[0，1]。

所述的步骤3)为：

智能计算采用三输入单输出的模糊模块来实现关联度的计算，输入为路段长度影响系数F_L、路段交通流密度影响系数Γ_ρ和信号周期影响系数F_C，输出为相邻交叉口关联度D；

路段长度影响系数F_L，其语言值为：S、M、B，其中S表示小，M表示中，B表示大，F_L的论域处于0与1之间，也即路段长度必须在200m和1000m之间，否则关联度D在L小于200m时定义为0，而在L大于1000m时定义为1；

路段交通流密度影响系数Γ_ρ，其语言值为：VS、S、LS、LB、B、VB，其中VS表示很小，S表示小，LS表示略小，LB表示略大，B表示大，VB表示很大，Γ_ρ的论域处于0与1之间，也即其交通流密度不能大于饱和状态下的交通流密度；

交叉口信号配时参数影响系数F_C，其语言值为：VS、S、B、VB，其中VS表示很小，S表示小，B表示大，VB表示很大，F_C的论域处于0与1之间，其相邻两交叉口信号周期T最大最小比值不超过2；

相邻交叉口关联度D，其语言值为：VW、W、M、S、VS，其中VW表示很弱，W表示弱，M表示中，S表示强，VS表示很强，D的论域处于0与1之间，若相邻交叉口间距离L大于1000m，那么D的值定义为1，若相邻交叉口间距离L小于200m，那么D的值定义为1，而若L处于200m与1000m之间时，关联度D通过三个输入量在模糊化转换为模糊矢量后，经模糊规则推理再作清晰化处理后得到，其值大表示两交叉口间的关联程度强，反之，关联度D小则两交叉口间的关联程度弱；

所述模糊规则为：如果路口间距影响系数大，即相邻交叉口路段长度小，或路段交通流密度影响系数很大，即相邻交叉口间路段上单位距离单位车道上车辆很多，或信号周期影响系数很大，即相邻交叉口的周期很一致，则这两个相邻交叉口的关联度强。

本发明为交通子区的动态划分及区域交通信号协调控制与降低交通系统的复杂性并提高控制系统的效能和可靠性，提供了一种相邻路口交通关联度智能计算方法。

附图说明

图1为相邻路口交通关联度智能计算分层结构示意图；

图2(a)为相邻交叉口距离影响系数F_L隶属度函数模糊集定义示意图；

图2(b)为路段交通密度影响系数Γ_ρ隶属度函数模糊集定义示意图；

图2(c)为交叉口信号配时参数影响系数F_C隶属度函数模糊集定义示意图；

图2(d)为相邻交叉口关联度D隶属度函数模糊集定义示意图；

图3为基于关联度智能计算方法的某地路网子区划分应用示意图。

具体实施方式

相邻路口交通关联度智能计算方法：通过相邻交叉口路段长度、路段交通密度以及交叉口信号配时参数对相邻交叉口交通关联度的影响，设计了两层递阶结构，上层基于路段长度对关联度进行阀值判断，下层基于距离长度、路段交通密度和信号周期的分层递阶结构与模糊控制关联度计算方法；方法包括如下步骤：

1)关联度分析：根据相邻交叉口距离的远近L、路段交通密度ρ以及交叉口信号周期T的优化程度对相邻交叉口关联度强弱的影响，分别确定影响交叉口因素的相邻交叉口距离影响系数F_L、路段交通密度影响系数Γ_ρ、交叉口信号配时参数影响系数F_C；

2)算法结构：采用一种两层结构来实现相邻交叉口关联度的计算，上层基于路段长度对关联度进行阀值判断，如果交叉口间的距离L小于200m，那么关联度D作为1处理，而交叉口间的距离L大于1000m，则关联度D作为0处理，如果交叉口间距离L处于200m和1000m之间，则关联度D∈[0，1]，进入下一层，下层基于距离长度、路段交通密度和信号周期的模糊控制递阶结构；

3)智能计算：采用一种三输入单输出的模糊模块来实现关联度的计算，即输入为路段长度影响系数、路段交通流密度影响系数和信号周期影响系数，输出为相邻交叉口关联度。

所述的步骤1)为：

2.1)相邻交叉口距离：相邻交叉口间的距离远近对相邻交叉口间的关联度强弱产生影响，影响交通流的连续性和稳定性，交叉口距离影响系数F_L取决于路段长度L，当L小于200m时，F_L取1，当L大于1000m时，F_L取0，当L处于200m与1000m之间的时候，F_L取(1000-L)/800的计算值，且F_L∈[0，1]；

2.2)路段交通量：根据当前路段交通流密度大小对相邻交叉口间的关联度强弱产生影响，判断当前路段的拥挤状况，交叉口间路段交通量影响因素Γ_ρ是判断交叉口是否需要协调控制的主要因素，Γ_ρ取决于当前路段交通流密度ρ，当路段交通流密度小时，车流行驶的离散性强，相邻交叉口之间关联度弱，实施协调控制无法带来明显的效益；反过来，当路段交通流密度大时，车流行驶的离散性弱，相邻交叉口之间剩余的交通容量小，具有强关联度，实施协调控制效果将非常明显，ρ是如下定义的：

${\mathrm{\ρ}}_{(1\→2)}=\frac{N_{E(1\→2)}+N_{A(1\→2)}}{n_{(1\→2)}L}$

${\mathrm{\ρ}}_{(2\→1)}=\frac{N_{E(2\→1)}+N_{A(2\→1)}}{n_{(2\→1)}L}$

其中：1→2和2→1分别代表由路口1到路口2和路口2到路口1的两个交通流通行方向；N_E(1→2)和N_E(2→1)分别为两个方向路段上现有的车辆数，单位为PCU，PCU即Passenger Car Unit，为标准车当量数；N_A(1→2)和N_A(2→1)分别为两个方向路段上下一个信号周期内的车辆预测增量，与路段交通流量、交叉口交通流渠化与信号配时等因素相关，单位为PCU；n_(1→2)和n_(2→1)分别为两个方向路段上的车道数；ρ_(1→2)和ρ_(2→1)分别为两个方向上的路段交通流密度，单位为PCU/m。由此定义Γ_ρ的计算式：

$F_{\mathrm{\ρ}}=\mathrm{avg}(\frac{{\mathrm{\ρ}}_{(1\→2)}}{{\mathrm{\ρ}}_{s,(1\→2)}},\frac{{\mathrm{\ρ}}_{(2\→1)}}{{\mathrm{\ρ}}_{s,(2\→1)}})$

其中，ρ_s，(1→2)和ρ_s，(2→1)分别为饱和状态下两个方向上的路段交通流密度，单位为PCU/m。该式表示Γ_ρ取两个方向的交通流密度与饱和密度比的均值，如果该路段为单行道，则取有通行权那个方向的比值。并且当Γ_ρ的值大于1的时候取1，以保证相邻交叉口的路段交通量影响系数不大于1；

2.3)交叉口信号配时参数：根据当前交叉口信号配时参数的优化程度对相邻交叉口间的关联度强弱产生影响，判断当前相邻交叉路口间信号协调程度，交叉口信号配时参数影响系数F_C主要与交叉口的信号周期T相关，为了在相邻交叉口之间实施信号协调控制，要求两个相邻交叉口的信号周期必须相等或成倍数关系，如果相邻交叉口信号周期相差悬殊，且无法形成整数比例关系，则难以在相邻交叉口之间实施协调控制，此时表现为弱关联；相反，如果相邻交叉路口为一个公共信号周期，此时相邻交叉口之间表现为强关联，交叉口信号配时参数影响系数F_C如下定义：

$F_C=\left|(\frac{R+1}{2}-\frac{T_{\max }}{T_{\min }})\right|\×\frac{2}{R-1}$

其中：T_max和T_min分别为2个相邻交叉口信号周期中的最大值和最小值；R为周期比例T_max/T_min，T_max/T_min∈[1，R]，因此F_c∈[0，1]。

所述的步骤3)为：

智能计算采用三输入单输出的模糊模块来实现关联度的计算，输入为路段长度影响系数F_L、路段交通流密度影响系数Γ_ρ和信号周期影响系数F_C，输出为相邻交叉口关联度D；

路段长度影响系数F_L，其语言值为：S、M、B，其中S表示小，M表示中，B表示大，F_L的论域处于0与1之间，也即路段长度必须在200m和1000m之间，否则关联度D在L小于200m时定义为0，而在L大于1000m时定义为1；

路段交通流密度影响系数Γ_ρ，其语言值为：VS、S、LS、LB、B、VB，其中VS表示很小，S表示小，LS表示略小，LB表示略大，B表示大，VB表示很大，Γ_ρ的论域处于0与1之间，也即其交通流密度不能大于饱和状态下的交通流密度；

交叉口信号配时参数影响系数F_C，其语言值为：VS、S、B、VB，其中VS表示很小，S表示小，B表示大，VB表示很大，F_C的论域处于0与1之间，其相邻两交叉口信号周期T最大最小比值不超过2；

相邻交叉口关联度D，其语言值为：VW、W、M、S、VS，其中VW表示很弱，W表示弱，M表示中，S表示强，VS表示很强，D的论域处于0与1之间，若相邻交叉口间距离L大于1000m，那么D的值定义为1，若相邻交叉口间距离L小于200m，那么D的值定义为1，而若L处于200m与1000m之间时，关联度D通过三个输入量在模糊化转换为模糊矢量后，经模糊规则推理再作清晰化处理后得到，其值大表示两交叉口间的关联程度强，反之，关联度D小则两交叉口间的关联程度弱；

所述模糊规则为：如果路口间距影响系数大，即相邻交叉口路段长度小，或路段交通流密度影响系数很大，即相邻交叉口间路段上单位距离单位车道上车辆很多，或信号周期影响系数很大，即相邻交叉口的周期很一致，则这两个相邻交叉口的关联度强。

如图1所示，该示意图为实现相邻交叉路口关联度计算的两层结构，上层基于路段长度对关联度进行阀值判断，如果交叉口间的距离L小于200m，那么关联度D作为1处理，而交叉口间的距离L大于1000m，则关联度D作为0处理，如果交叉口间距离L处于200m和1000m之间，则关联度D∈[0，1]，进入下一层，下层基于距离长度、路段交通密度和信号周期的模糊控制递阶结构，该结构通过关联度分析、智能计算实现：

1)关联度分析：根据相邻交叉口距离的远近L、路段交通密度ρ以及交叉口信号周期T的优化程度对相邻交叉口关联度强弱的影响，分别确定影响交叉口因素的相邻交叉口距离影响系数F_L、路段交通密度影响系数Γ_ρ、交叉口信号配时参数影响系数F_C；

2)智能计算：采用三输入单输出的模糊模块来实现关联度的计算，输入为路段长度影响系数F_L、路段交通流密度影响系数Γ_ρ和信号周期影响系数F_C，输出为相邻交叉口关联度D。

图2(a)所示为相邻交叉口距离影响系数F_L隶属度函数模糊集定义示意图，其语言值为：S、M、B，其中S表示小，M表示中，B表示大，F_L的论域处于0与1之间，也即路段长度必须在200m和1000m之间，否则关联度D在L小于200m时定义为0，而在L大于1000m时定义为1；

图2(b)为路段交通密度影响系数Γ_ρ隶属度函数模糊集定义示意图，路段交通流密度影响系数Γ_ρ，其语言值为：VS、S、LS、LB、B、VB，其中VS表示很小，S表示小，LS表示略小，LB表示略大，B表示大，VB表示很大，Γ_ρ的论域处于0与1之间，也即其交通流密度不能大于饱和状态下的交通流密度；

图2(c)为交叉口信号配时参数影响系数F_C隶属度函数模糊集定义示意图，交叉口信号配时参数影响系数F_C，其语言值为：VS、S、B、VB，其中VS表示很小，S表示小，B表示大，VB表示很大，F_C的论域处于0与1之间，其相邻两交叉口信号周期T最大最小比值不超过2；

图2(d)为相邻交叉口关联度D隶属度函数模糊集定义示意图，相邻交叉口关联度D，其语言值为：VW、W、M、S、VS，其中VW表示很弱，W表示弱，M表示中，S表示强，VS表示很强，D的论域处于0与1之间，若相邻交叉口间距离L大于1000m，那么D的值定义为1，若相邻交叉口间距离L小于200m，那么D的值定义为1，而若L处于200m与1000m之间时，关联度D通过三个输入量在模糊化转换为模糊矢量后，经模糊规则推理再作清晰化处理后得到，其值大表示两交叉口间的关联程度强，反之，关联度D小则两交叉口间的关联程度弱；

所述模糊规则为：如果路口间距影响系数大，即相邻交叉口路段长度小，或路段交通流密度影响系数很大，即相邻交叉口间路段上单位距离单位车道上车辆很多，或信号周期影响系数很大，即相邻交叉口的周期很一致，则这两个相邻交叉口的关联度强，该模块有72条模糊规则，表1列举了部分规则：

表1智能计算模块部分模糊规则

如图3所示为基于关联度智能计算方法的某地路网子区划分应用示意图，，该区域总共有25信控路口，其中关键路口8个，图中用“○”表示，普通路口17个，图中用“△”表示，另有非信控路口6个。该区域中，A由北往南、B由西往东、C由东往西、D由东往西单向通行。图中，路口旁的数据为“路口编号(信号周期时间)”形式；

基于路口信号周期、路段间距和交通数据，采用本发明方法计算得到的路段关联度如表2所示，如图3虚线包围的所有路口，为通过关联度来划分的一个交通子区，相邻路口间的关联度D大，表示关联性强，可以划分为一个子区，且一个子区包含一个关键路口，如路口9和路口18间的关联度为1，因此可以划为一个子区，而路口12和路口13之间的关联度虽然有0.7，但路口13是一个关键路口，路口13不能归并到路口12所在的交通子区，因此单独设置一个交通子区。

表2相邻路口间距与关联度

Claims (2)

1.一种相邻路口交通关联度智能计算方法，其特征在于：通过相邻交叉口距离、路段交通流密度以及交叉口信号周期对相邻交叉口交通关联度的影响，设计了上层为基于路段长度对关联度进行阀值判断和下层为基于相邻交叉口距离、路段交通流密度和交叉口信号周期的模糊控制递阶结构的两层结构，两层结构与模糊控制关联度计算方法包括如下步骤：

1)关联度分析：根据相邻交叉口距离L、路段交通流密度ρ以及交叉口信号周期T的优化程度对相邻交叉口关联度D强弱的影响，分别确定影响交叉口因素的相邻交叉口距离影响系数F_L、路段交通流密度影响系数F_ρ、交叉口信号周期影响系数F_C；

2)算法结构：采用一种两层结构来实现相邻交叉口关联度的计算，上层基于路段长度对关联度进行阀值判断，如果相邻交叉口距离L小于200m，那么关联度D作为1处理，而相邻交叉口距离L大于1000m，则关联度D作为0处理，如果相邻交叉口距离L处于200m和1000m之间，则关联度D∈[0，1]，进入下一层，下层为基于相邻交叉口距离、路段交通流密度和交叉口信号周期的模糊控制递阶结构；

3)智能计算：采用一种三输入单输出的模糊模块来实现关联度的计算，即输入为相邻交叉口距离影响系数、路段交通流密度影响系数和交叉口信号周期影响系数，输出为相邻交叉口关联度；

所述的步骤1）为：

2.1)相邻交叉口距离：相邻交叉口距离对相邻交叉口间的关联度强弱产生影响，影响交通流的连续性和稳定性，相邻交叉口距离影响系数F_L取决于相邻交叉口距离L，当相邻交叉口距离L小于200m时，相邻交叉口距离影响系数F_L取1，当相邻交叉口距离L大于1000m时，相邻交叉口距离影响系数F_L取0，当相邻交叉口距离L处于200m与1000m之间的时候，相邻交叉口距离影响系数F_L取(1000-L)/800的计算值，且相邻交叉口距离影响系数F_L∈[0，1]；

2.2)路段交通流密度：根据当前路段交通流密度大小对相邻交叉口间的关联度强弱产生影响，判断当前路段的拥挤状况，路段交通流密度影响系数F_ρ是判断交叉口是否需要协调控制的主要因素，路段交通流密度影响系数F_ρ取决于当前路段交通流密度ρ，当路段交通流密度小时，车流行驶的离散性强，相邻交叉口之间关联度弱，实施协调控制无法带来明显的效益；反过来，当路段交通流密度大时，车流行驶的离散性弱，相邻交叉口之间剩余的交通容量小，具有强关联度，实施协调控制效果将非常明显，路段交通流密度ρ是如下定义的：

${\mathrm{\ρ}}_{(1\→2)}=\frac{N_{E(1\→2)}+N_{A(1\→2)}}{n_{(1\→2)}L}$

${\mathrm{\ρ}}_{(2\→1)}=\frac{N_{E(2\→1)}+N_{A(2\→1)}}{n_{(2\→1)}L}$

其中：1→2和2→1分别代表由路口1到路口2和路口2到路口1的两个交通流通行方向；N_E(1→2)和N_E(2→1)分别为两个方向路段上现有的车辆数，单位为PCU，PCU即Passenger Car Unit,为标准车当量数；N_A(1→2)和N_A(2→1)分别为两个方向路段上下一个信号周期内的车辆预测增量，与路段交通流量、交叉口交通流渠化与信号配时因素相关，单位为PCU；n_(1→2)和n_(2→1)分别为两个方向路段上的车道数；ρ_(1→2)和ρ_(2→1)分别为两个方向上的路段交通流密度,单位为PCU/m，由此定义路段交通流密度影响系数F_ρ的计算式：

$F_{\mathrm{\ρ}}=\mathrm{avg}(\frac{{\mathrm{\ρ}}_{(1\→2)}}{{\mathrm{\ρ}}_{s,(1\→2)}},\frac{{\mathrm{\ρ}}_{(2\→1)}}{{\mathrm{\ρ}}_{s,(2\→1)}})$

其中，ρ_s,(1→2)和ρ_s,(2→1)分别为饱和状态下两个方向上的路段交通流密度,单位为PCU/m，该式表示路段交通流密度影响系数F_ρ取两个方向的路段交通流密度与饱和密度比的均值，如果该路段为单行道，则取有通行权那个方向的比值，并且当路段交通流密度影响系数F_ρ的值大于1的时候取1，以保证路段交通流密度影响系数F_ρ不大于1；

2.3)交叉口信号周期：根据当前交叉口信号周期的优化程度对相邻交叉口间的关联度强弱产生影响，判断当前相邻交叉路口间信号协调程度，交叉口信号周期影响系数F_C主要与交叉口信号周期T相关，为了在相邻交叉口之间实施信号协调控制，要求两个相邻交叉口的信号周期必须相等或成倍数关系，如果相邻交叉口信号周期相差悬殊，且无法形成整数比例关系，则难以在相邻交叉口之间实施协调控制，此时表现为弱关联；相反，如果相邻交叉路口为一个公共信号周期，此时相邻交叉口之间表现为强关联，交叉口信号周期影响系数F_C如下定义：

$F_C=\left|(\frac{R+1}{2}-\frac{T_{\max }}{T_{\min }})\right|\×\frac{2}{R-1}$

其中：T_max和T_min分别为2个相邻交叉口信号周期中的最大值和最小值；R为周期比例T_max/T_min，T_max/T_min∈[1,R]，因此F_c∈[0,1]。

2.如权利要求1所述的一种相邻路口交通关联度智能计算方法，其特征在于所述的步骤3）为：

智能计算采用三输入单输出的模糊模块来实现关联度的计算，输入为相邻交叉口距离影响系数F_L、路段交通流密度影响系数F_ρ和交叉口信号周期影响系数F_C，输出为相邻交叉口关联度D；

相邻交叉口距离影响系数F_L，其语言值为：S、M、B，其中S表示小，M表示中，B表示大，相邻交叉口距离影响系数F_L的论域处于0与1之间，也即相邻交叉口距离必须在200m和1000m之间，否则关联度D在相邻交叉口距离L小于200m时定义为0，而在相邻交叉口距离L大于1000m时定义为1；

路段交通流密度影响系数F_ρ，其语言值为：VS、S、LS、LB、B、VB，其中VS表示很小，S表示小，LS表示略小，LB表示略大，B表示大，VB表示很大，路段交通流密度影响系数F_ρ的论域处于0与1之间，也即其路段交通流密度不能大于饱和状态下的路段交通流密度；

交叉口信号周期影响系数F_C，其语言值为：VS、S、B、VB，其中VS表示很小，S表示小，B表示大，VB表示很大，交叉口信号周期影响系数F_C的论域处于0与1之间，其相邻两交叉口信号周期T最大最小比值不超过2；

相邻交叉口关联度D，其语言值为：VW、W、M、S、VS，其中VW表示很弱，W表示弱，M表示中，S表示强，VS表示很强，关联度D的论域处于0与1之间，若相邻交叉口距离L大于1000m，那么关联度D的值定义为1，若相邻交叉口距离L小于200m，那么关联度D的值定义为1，而若相邻交叉口距离L处于200m与1000m之间时，关联度D通过三个输入量在模糊化转换为模糊矢量后，经模糊规则推理再作清晰化处理后得到，其值大表示两交叉口间的关联程度强，反之，关联度D小则两交叉口间的关联程度弱；

所述模糊规则为：如果相邻交叉口距离影响系数大，即相邻交叉口距离小，或路段交通流密度影响系数很大，即相邻交叉口间路段上单位距离单位车道上车辆很多，或信号周期影响系数很大，即相邻交叉口信号周期很一致，则这两个相邻交叉口的关联度强。

Images