CN103500511B - 一种基于车联网的交叉口信号灯绿信比调节方法 - Google Patents

Abstract

本发明公开了一种基于车联网的交叉口信号灯绿信比调节方法，该方法的步骤是：车辆GPS道路修正及道路平均速度及道路平均速度计算，建立平均车速估计模型，建立单交叉路口信号灯六相位控制系统模型，并采用粒子群算法求解得到各相位的持续时间，进行交叉路口各相位时间的动态更新。经现场实验应用表明，本发明的一种基于车联网的交叉口信号灯绿信比调节方法效果良好，能有效提高交叉口车辆通行效率，适用于交叉口信号灯绿信比调节等场合。

Description

一种基于车联网的交叉口信号灯绿信比调节方法

技术领域

本发明属于交通流参数检测及控制领域，涉及交通控制中的交叉路口信号灯绿信比调节方法，特别设计一种基于车联网的交叉路口信号灯绿信比调节方法。

背景技术

对于交叉路口信号灯的有效控制，是交通控制领域中的一个重要方向，特别是在车流量较大、交通情况复杂等交叉路口，信号灯的有效控制变得尤为重要。所以，提高交叉路口交通灯的控制有效性意义重大。

在城市道路交通系统中，交叉口是两条道路相互交叉而产生的作为方向转换的枢纽，是道路网中道路通行能力的“咽喉”，也是交通阻塞和事故的多发地。世界上一些大城市如纽约、巴黎的市中心高峰时车速在16公里/小时左右，公共汽车速度则更低。在日本东京市内，早晚高峰时车速仅为9公里/小时，最低时只有4公里/小时，出现了乘车比步行还慢的情况，而机动车在市中心的旅行时间约1/3花在交叉口上。日本全国每年由于交通拥挤所造成的经济损失高达12兆3千亿日元(合人民币9000多亿元)。作为经济和科技都很发达的美国，每年因为交通问题导致的经济损失也高达2370亿美元，而美国交通事故约有一半以上发生在交叉口。我国国内百万人口以上的大城市，每年由于交通拥挤带来的直接和间接经济损失达1600亿元，相当于国内生产总值的3.2％。因此，解决好交叉口上的交通控制问题能够极大地缓解目前城市道路交通所面临的各种交通问题。

一种有效的绿信比调节方法将对各个车道的车流产生很大影响。目前,国内外已经有相关学者对城市交通网络的优化控制进行研究,但大多是针对城市交通网路的交通流分配进行优化,或依据出行者的起讫点之间路径按时间最短优化控制等。少数文献中提及针对信号周期或信号时间区间进行优化，其中大多数决策数据均来源于在交叉口设置地感线圈等感应设备，但通过这些方法获取的数据具有局部性、滞后性，难以提供有效的交通控制决策。随着无线通信技术的成熟发展，通过车联网机制可以收集到更多与行车有关的信息,如车辆状态、交通环境信息等。基于车联网的交通数据采集方式有利于交通状态的全面感知，有利于交通信息的整体规划，有利于提高交通设备的高效利用，最终建立行人、车辆、道路一体的交通运输系统。

因此，针对交叉路口交通信号灯控制系统有效性不高，交叉路口通行不畅等问题，提出一种基于车联网的交叉口信号灯绿信比调节方法是本领域技术人员所关注的热点。

发明内容

针对交叉路口交通信号灯控制系统有效性不高，交叉路口通行不畅等问题，本发明的目的在于提出一种针对于双向六车道交叉路口的基于车联网的交叉口信号灯绿信比调节方法，提高交叉路口的通行效率。

为了实现上述任务，本发明采取如下的技术解决方案：

一种基于车联网的交叉口信号灯绿信比调节方法，该方法包括以下步骤：

步骤一，车辆GPS道路修正及道路平均速度计算

步骤S10，监控中心在GIS地图中获取车辆在t时刻GPS点的经纬度坐标；

步骤S11，预设查找范围为以GPS点为圆心，半径r为18m的道路区域；

步骤S12，在步骤S11设置的查找范围内查找道路：若道路条数大于1，则执行步骤S13；若道路条数为0，则执行步骤S14；若道路条数为1，则执行步骤S15；

步骤S13，将查找半径r缩小1m，若半径r小于0则获取车辆t+1时刻的GPS点的经纬度坐标，返回步骤S11，否则返回步骤S12；

步骤S14，将查找半径r扩大1m，若半径r大于40m则获取车辆t+1时刻的GPS点的经纬度坐标，返回步骤S11，否则返回步骤S12；

步骤S15，得到唯一道路对象，即为该车辆当前的所在的道路；

步骤S16，对所有车辆执行步骤S10至S15，得到每个车辆当前所在道路；

步骤S17，根据下式计算道路上同一方向的车辆平均行车速度v(t)：

$v\left(t\right)=\frac{1}{\mathrm{cnum}}\underset{\mathrm{cid}=1}{\overset{\mathrm{cnum}}{\mathrm{\Σ}}}{v}_{\mathrm{cid}}\left(t\right)$    (式1)

在式1中，v_cid(t)是车辆当前道路t时刻第cid辆车的速度；cnum为该条道路上同一方向t时刻时车辆总数；v(t)是当前道路t时刻的平均速度；

步骤二，建立平均车速估计模型：

步骤S20，记一个道路Y在t时刻驶向道路交叉口方向的平均速度为v^ym，有n条旁道与道路Y相连接，这些旁道分别为：X₁,X₂...X_n，根据步骤一可得到在t时刻这些旁道的平均速度分别为v^x1m,v^x2m...v^xnm，这些平均速度的方向为旁道驶向道路Y的方向，或由道路Y驶向旁道的方向；则有如下线性关系：

v^ym＝β₀+β₁v^x1m+β₂v^x2m+...+β_kv^xkm+ε_m   (式2)

式中，β₀、β₁、...β_k为常数，ε_m为随机误差；

步骤S21，将b₀、b₁、...b_k分别作为β₀、β₁、...β_k的拟合值，可得到式3的回归方程：

式中，b₀为常数，b₀、b₁、...b_k为偏回归系数；

步骤S22，根据最小二乘法可得：

式中，Q为离差平方和，代表了和v^ym两组数据的逼近程度；

步骤S23，将式3代入式4中并根据求解极值的条件进行展开可得式5：

$\left\{\begin{array}{c}{\mathrm{nb}}_0+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{x1m}\right)b_1+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{x2m}\right)b_2+...+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{\mathrm{xkm}}\right)b_k=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{\mathrm{ym}}\\ \left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{x1m}\right)b_0+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(v^{x1m}\right)}^2\right)b_1+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{x1m}{v}^{x2m}\right)b_2+...+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{x1m}{v}^{\mathrm{xkm}}\right)b_k=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{x1m}{v}^{\mathrm{ym}}\\ \left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{\mathrm{xkm}}\right)b_0+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{x1m}{v}^{\mathrm{xkm}}\right)b_1+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{x2m}{v}^{\mathrm{xkm}}\right)b_2+...+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(v^{\mathrm{xkm}}\right)}^2\right)b_k=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{\mathrm{xkm}}{v}^{\mathrm{ym}}\end{array}\right.$

(式5)

对式5进一步整理可得：Ab＝Y；

令 $\mathrm{VX}=\left[\begin{array}{ccccc}1& v^{x11}& v^{x21}& ...& v^{\mathrm{xk}1}\\ 1& v^{x12}& v^{x22}& ...& v^{\mathrm{xk}2}\\ ...& ...& ...& ...& ...\\ 1& v^{x1n}& v^{x2n}& ...& v^{\mathrm{xkn}}\end{array}\right],\mathrm{VY}=\left[\begin{array}{c}{v}^{y1}\\ v^{y2}\\ ...\\ v^{\mathrm{yn}}\end{array}\right],b=\left[\begin{array}{c}{b}_0\\ b_1\\ ...\\ b_k\end{array}\right];$ A＝VX^TVX,B＝VX^TVY；

对上述方程Ab＝Y求解，可得到：

b＝A^-1B＝(VX^TVX)VX^TVY   (式6)

求解式6，可得到b₀、b₁、...b_k的值；将b₀、b₁、...b_k代入式3，可求得道路Y的平均速度进而计算出道路Y的车辆到达率此处L的取值为道路Y距离道路交叉口100～150m的距离；

步骤S24，在道路同一方向距离交叉路口50m的每个车道上均设置地感线圈，获取一段时间Tk内各个车道经过地感线圈的车辆个数C_k，k代表车道，取值为1，2，3；则道路Y的单个车道在一段时间内的车辆到达率可表示为

步骤三，建立单交叉路口信号灯六相位控制系统模型

步骤S30，建立单交叉路口六相位信号灯控制模型，其中第一相位表示东西方向直行车道车辆通行，第二相位表示东西方向左转车道车辆通行，第三相位表示东西方向右转车道车辆通行，第四相位表示南北方向直行车道车辆通行，第五相位表示南北方向左转车道车辆通行，第六相位表示南北方向右转车道车辆通行；

步骤S31，记一个周期T为六个相位持续的总时间，分别按照步骤二的方法计算交叉路口在一个周期内第i个相位第j方向第k车道的车辆到达率q_ijk，在计算q_ijk时，C_k为该车道k在一个周期T内非通行状态下的时间中所有通过地感线圈的车辆数；则一个周期内第i个相位第j个方向第k个车道的车辆到达数s_in为：

s_in＝q_ijk.t_i   (式7)

式中，t_i指一个周期内一个相位的时间长度；

i取1～6，分别表示交叉路口一个周期内的第一至第六相位；

j取1～4，分别表示交叉路口东、西、南、北方向；

k取1～3，分别表示交叉路口每条道路上的左转车道、直行车道和右转车道；

步骤S32，计算第j个方向、第k个车道的车辆平均离开率u_jk，其计算方法如下：

u_jk＝L_jk/v'   (式8)

其中，L_jk为第j个方向、第k个车道所对应交叉路口的长度，v'为交叉路口车辆的行驶速度，取10～20km/h；

计算一个周期内第i个相位、第j个方向、第k个车道可能驶离路口的车辆数为：

s_out＝p_ijk.u_jk.t_i   (式9)

式中，p_ijk指i个相位、第j个方向、第k个车道车辆放行率，如果第i个相位时，第j个方向，第k个车道的车辆放行，则p_ijk取1，否则取0；

步骤S33，记s^l _ijk表示第l个周期、第i个相位、第j个方向、第k个车道滞留的车辆数，则有：

$\left\{\begin{array}{c}{s^l}_{\mathrm{ijk}}={s^l}_{i-1\mathrm{jk}}+q_{\mathrm{ijk}}\·t_i-p_{\mathrm{ijk}}\·u_{\mathrm{jk}}\·t_i\\ {s^l}_{i-1\mathrm{jk}}+q_{\mathrm{ijk}}\·t_i\≥p_{\mathrm{ijk}}\·u_{\mathrm{jk}}\·t_i\end{array}\right.$    (式10)

式中，i＝1,2,3,4,5,6；j＝1,2,3,4；k＝1,2,3；

则第l个周期末路口总的滞留车辆数可表示为：

$s=\underset{j=1}{\overset{4}{\mathrm{\Σ}}}\underset{k=1}{\overset{3}{\mathrm{\Σ}}}{s^l}_{6\mathrm{jk}}$

步骤S34，为了使交叉路口流通能力最大，即要求交叉路口滞留车辆数最小，即：

$s^{*}=\min s=\min \underset{j=1}{\overset{6}{\mathrm{\Σ}}}\underset{k=1}{\overset{3}{\mathrm{\Σ}}}{s^l}_{6\mathrm{jk}}=\min \underset{j=1}{\overset{4}{\mathrm{\Σ}}}\underset{k=1}{\overset{3}{\mathrm{\Σ}}}({s^{l-1}}_{6\mathrm{jk}}+\underset{i=1}{\overset{6}{\mathrm{\Σ}}}{q}_{\mathrm{ijk}}{t}_i-\underset{i=1}{\overset{6}{\mathrm{\Σ}}}{p}_{\mathrm{ijk}}{u}_{\mathrm{jk}}{t}_i)$

且需满足：

e≤t_i≤T-(m-1)e和t₁+t₂+t₃+t₄+t₅+t₆＝T

其中i＝1,2,…,m，6个相位的持续时间分别记为：t₁、t₂、t₃、t₄、t₅、t₆，e为最短绿灯时间；

步骤四，利用粒子群算法求解，得到t₁、t₂、t₃、t₄、t₅、t₆，即为各相位绿灯持续时间。

本发明建立了交叉路口信号灯六相位控制模型，能根据车辆GPS数据对交叉路口各车道的车辆滞留数进行动态预测，并对各相位的红绿灯根据每个车道的车辆滞留数进行实时、准确、动态、及时地调整，保证了交叉路口车辆的通行效率。经现场实验应用表明，本发明的一种基于车联网的交叉口信号灯绿信比调节方法效果良好，能有效提高双向六车道交叉口车辆通行效率，适用于双向六车道交叉路口信号灯绿信比调节等场合。

附图说明

图1为本发明的整体流程图；

图2为修正前获取的车辆GPS数据；

图3为修正后获取的车辆GPS数据；

图4为一个路网结构示意图；

图5为交叉路口地感线圈设置位置示意图；

图6为个车道对应交叉路口长度示意图；

图7为叉路口六相位控制模型图；

图8为粒子群算法求解流程图；

下面结合附图对本发明的作进一步的详细说明。

具体实施方式

目前城市道路中广泛采用的双向六车道，即同一条道路的两个方向各分为前行车道、左转车道和右转车道，本发明针对双向六车道交叉路口提出一种六相位控制系统模型，能及时有效地预测各车道的通行状况，并动态地调整各相位的持续时间，使交叉路口的通行效率显著提高。

本发明中各步骤的详细介绍如下，整体流程图如图1所示；

步骤一，车辆GPS道路修正及道路平均速度计算

目前，大多数车联网设备中GPS返回的数据包括六个字段，分别为车牌号、发送时间、经度、纬度、速度、方向，其数据格式如下图2所示。由于GPS存在误差、属性信息不足等原因，因此该数据并不能直接应用于本方法，必须对GPS数据进行预修正。其详细步骤如下：

步骤S10，监控中心在GIS地图中获取车辆在t时刻GPS点的经纬度坐标；

步骤S11，预设查找范围为以GPS点为圆心，半径r为18m的道路区域；由于当前的GPS误差为5至25米范围，因此设置一个相对中间的数为查找半径，如果查找半径过大，则说明该车辆数据偏离道路太多，数据有误不具备参考价值；

步骤S12，在步骤S11设置的查找范围内查找道路：若道路条数大于1，则执行步骤S13；若道路条数为0，则执行步骤S14；若道路条数为1，则表示查找到正确的道路，则执行步骤S15；

步骤S13，将查找半径r缩小1m，若半径r小于0则获取车辆t+1时刻的GPS点的经纬度坐标，返回步骤S11，否则返回步骤S12；

步骤S14，将查找半径r扩大1m，若半径r大于40m则获取车辆t+1时刻的GPS点的经纬度坐标，返回步骤S11，否则返回步骤S12；

步骤S15，得到唯一道路对象，即将该道路认为是车辆目前所在道路，车辆的GPS坐标修正为与该道路上与当前GPS点垂线段距离最短的一点；修正结果如图2所示，修正后其数据结构包括六个字段，分别为车牌号、发送时间、经度、纬度、速度、方向、道路ID，其数据格式如图3所示。

步骤S16，对所有车辆执行步骤S10至S15，得到每个车辆当前所在道路；

步骤S17，根据下式计算道路上同一方向的车辆平均行车速度v(t)：

$v\left(t\right)=\frac{1}{\mathrm{cnum}}\underset{\mathrm{cid}=1}{\overset{\mathrm{cnum}}{\mathrm{\Σ}}}{v}_{\mathrm{cid}}\left(t\right)$    (式1)

在式1中，v_cid(t)是车辆当前道路t时刻第cid辆车的速度；cnum为该条道路上同一方向t时刻时车辆总数，v(t)是当前道路t时刻的平均速度；每一条道路有相反的两个方向，此处只取一个方向；

通过车辆GPS点的修正，使GPS点能正确映射到道路上，从而将车辆GPS信息与路网信息相结合，使每条车辆GPS记录信息可与道路相对应，以有利于道路平均车速的求解。

步骤二，建立平均车速估计模型：

基于几何空间拓扑的自回归算法模型融合了历史数据和实时平均车速，从而取各自方法之长处避短处，达到较为理想的效果。该方法的基本思路是，在实际路网中由于车辆具有流动性与实时性，一条道路的交通情况是与其它与之相连的各条道路紧密相关，同时城市道路交通流的密集度、流动性具有周期性，因此可以一周为周期对交通流趋势进行回归预算。以单向交通流为讨论对象，复杂交通流可根据车辆GPS方向过滤选择，其原理一致。

步骤S20，记一个道路Y在t时刻驶向道路交叉口方向的平均速度为v_ym，有n条旁道与道路Y相连接，这些旁道分别为：X₁,X₂...X_n，根据步骤一可得到在t时刻这些旁道的平均速度分别为v^x1m,v^x2m...v^xnm，这些平均速度的方向为旁道驶向道路Y的方向，或由道路Y驶向旁道的方向；如图4所示，即图中箭头所指方向；此时针对的交叉路口为图中右边的交叉路口，即v^ym为道路Y上的车辆向这个交叉路口方向行进时的平均速度；由于每条道路并不独立，则有如下线性关系：

v^ym＝β₀+β₁v^x1m+β₂v^x2m+...+β_kv^xkm+ε_m   (式2)

式中，β₀、β₁、...β_k为常数，ε_m为随机误差；

步骤S21，将b₀、b₁、...b_k分别作为β₀、β₁、...β_k的拟合值，可得到式3的回归方程：

式中，b₀为常数，b₀、b₁、...b_k为偏回归系数；

步骤S22，根据最小二乘法可得：

式中，Q为离差平方和，代表了和v^ym两组数据的逼近程度；

步骤S23，将式3代入式4中并根据求解极值的条件进行展开可得式5：

$\left\{\begin{array}{c}{\mathrm{nb}}_0+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{x1m}\right)b_1+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{x2m}\right)b_2+...+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{\mathrm{xkm}}\right)b_k=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{\mathrm{ym}}\\ \left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{x1m}\right)b_0+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(v^{x1m}\right)}^2\right)b_1+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{x1m}{v}^{x2m}\right)b_2+...+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{x1m}{v}^{\mathrm{xkm}}\right)b_k=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{x1m}{v}^{\mathrm{ym}}\\ \left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{\mathrm{xkm}}\right)b_0+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{x1m}{v}^{\mathrm{xkm}}\right)b_1+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{x2m}{v}^{\mathrm{xkm}}\right)b_2+...+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(v^{\mathrm{xkm}}\right)}^2\right)b_k=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{\mathrm{xkm}}{v}^{\mathrm{ym}}\end{array}\right.$

(式5)

对式5进一步整理可得：Ab＝Y；

令 $\mathrm{VX}=\left[\begin{array}{ccccc}1& v^{x11}& v^{x21}& ...& v^{\mathrm{xk}1}\\ 1& v^{x12}& v^{x22}& ...& v^{\mathrm{xk}2}\\ ...& ...& ...& ...& ...\\ 1& v^{x1n}& v^{x2n}& ...& v^{\mathrm{xkn}}\end{array}\right],\mathrm{VY}=\left[\begin{array}{c}{v}^{y1}\\ v^{y2}\\ ...\\ v^{\mathrm{yn}}\end{array}\right],b=\left[\begin{array}{c}{b}_0\\ b_1\\ ...\\ b_k\end{array}\right];$ A＝VX^TVX,B＝VX^TVY；

对上述方程Ab＝Y求解，可得到：

b＝A^-1B＝(VX^TVX)VX^TVY   (式6)

求解式6，可得到b₀、b₁、...b_k的值；将b₀、b₁、...b_k代入式3，可求得道路Y的平均速度该平均速度是根据与其相连的其他道路的车辆数据而预估来的，具有超前性；进而可计算出道路Y的车辆到达率此处L的取值为道路Y距离道路交叉口100～150m的距离，如图4所示；

步骤S24，由于每个车道在到达交叉路口以后，驶向不同的方向，因此需要分别计算每个车道的车辆到达率，以作为后续步骤计算每个车道方向通行时间的基础；在道路同一方向距离交叉路口50m的每个车道上均设置地感线圈，如图5所示，获取一段时间T_k内各个车道经过地感线圈的车辆个数C_k，这里的时间T_k要根据后面步骤中每个相位的时间而定；k代表车道，由于道路一个方向有三个车道，因此k的取值为1，2，3；则道路Y的每个车道在一段时间内的车辆到达率可表示为

通过该方法建立的道路平均速度模型，避免了传统方法无法准确描述道路平均速度变化过程的弊端，将单个道路的交通状态与其历史数据、空间拓扑关系相结合，具有较强的预测性、有效性。

步骤三，建立单交叉路口信号灯六相位控制系统模型

步骤S30，建立单交叉路口六相位信号灯控制模型，其中第一相位表示东西方向直行车道车辆通行，第二相位表示东西方向左转车道车辆通行，第三相位表示东西方向右转车道车辆通行，第四相位表示南北方向直行车道车辆通行，第五相位表示南北方向左转车道车辆通行，第六相位表示南北方向右转车道车辆通行，如图7所示；

六相位模型中，同一时刻只有一个相位处于通行状态，其余相位的车辆均禁止通行；此处的东、西、南、北方向是为了便于描述而采用的相对方向，对应于实际应用中交叉路口的四个方向，并非对方向有任何限制；

步骤S31，记一个周期T为六个相位持续的总时间，分别按照步骤二的方法计算交叉路口在一个周期内第i个相位第j方向第k车道的车辆到达率q_ijk，在计算q_ijk时，C_k为该车道k在一个周期T内非通行状态下的时间中所有通过地感线圈的车辆数，即，统计某个车道的C_k时，时间应为一个周期T内该车道所有红灯时间内到达通过地感线圈的车辆数；

则一个周期内第i个相位第j个方向第k个车道的车辆到达数s_in为：

s_in＝q_ijk.t_i   (式7)

式中，t_i指一个周期内一个相位的时间长度，即一个相位绿灯持续时间；

i取1～6，分别表示交叉路口一个周期内的第一至第六相位；

j取1～4，分别表示交叉路口东、西、南、北四个方向；

k取1～3，分别表示交叉路口每条道路上的左转车道、直行车道和右转车道；

步骤S32，计算第j个方向、第k个车道的车辆平均离开率u_jk，其计算方法如下：

u_jk＝L_jk/v'   (式8)

其中，L_jk为第j个方向、第k个车道所对应交叉路口的长度，其长度分别如图6所示，每个车道对应交叉路口的长度即为该车辆从当前道路的车道停止线到其所要驶向的道路的车道停止线之间的行驶距离，该值可以在交叉路口实际测量确定；v'为交叉路口车辆的行驶速度，根据大量的实际统计，车辆在交叉路口行驶速度约为10～20km/h，在实际计算时，优选取其平均值；

则一个周期内第i个相位、第j个方向、第k个车道可能驶离路口的车辆数为：

s_out＝p_ijk.u_jk.t_i   (式9)

式中，p_ijk指i个相位、第j个方向、第k个车道车辆放行率，如果第i个相位时，第j个方向，第k个车道的车辆放行，则p_ijk取1，否则取0；

步骤S33，记s^l _ijk表示第l个周期、第i个相位、第j个方向、第k个车道滞留的车辆数，则有：

$\left\{\begin{array}{c}{s^l}_{\mathrm{ijk}}={s^l}_{i-1\mathrm{jk}}+q_{\mathrm{ijk}}\·t_i-p_{\mathrm{ijk}}\·u_{\mathrm{jk}}\·t_i\\ {s^l}_{i-1\mathrm{jk}}+q_{\mathrm{ijk}}\·t_i\≥p_{\mathrm{ijk}}\·u_{\mathrm{jk}}\·t_i\end{array}\right.$    (式10)

式中，i＝1,2,3,4,5,6；j＝1,2,3,4；k＝1,2,3；

则第l个周期末路口总的滞留车辆数可表示为：

$s=\underset{j=1}{\overset{4}{\mathrm{\Σ}}}\underset{k=1}{\overset{3}{\mathrm{\Σ}}}{s^l}_{6\mathrm{jk}}$

步骤S34，为了使交叉路口流通能力最大，即要求交叉路口滞留车辆数最小，即：

$s^{*}=\min s=\min \underset{j=1}{\overset{6}{\mathrm{\Σ}}}\underset{k=1}{\overset{3}{\mathrm{\Σ}}}{s^l}_{6\mathrm{jk}}=\min \underset{j=1}{\overset{4}{\mathrm{\Σ}}}\underset{k=1}{\overset{3}{\mathrm{\Σ}}}({s^{l-1}}_{6\mathrm{jk}}+\underset{i=1}{\overset{6}{\mathrm{\Σ}}}{q}_{\mathrm{ijk}}{t}_i-\underset{i=1}{\overset{6}{\mathrm{\Σ}}}{p}_{\mathrm{ijk}}{u}_{\mathrm{jk}}{t}_i),$

(式11)

且需满足：

e≤t_i≤T-(m-1)e   (式12)

和t₁+t₂+t₃+t₄+t₅+t₆＝T   (式

13)

其中i＝1,2,…,m，6个相位的持续时间分别记为：t₁、t₂、t₃、t₄、t₅、t₆，e为最短绿灯时间，由人为设定，即规定的一个相位的最短时间；T是六个相位的总时间，也是由人为设定的；得到6个相位的持续时间，即六个相位的绿灯通行时间t₁、t₂、t₃、t₄、t₅、t₆后，即时地对每个相位的红绿灯时间进行调整，并不断重复这一动态调整过程，提高交叉路口的通行效率。

步骤四，利用粒子群算法求解，如图8所示，即在式12、式13的约束下求解式11，得到t₁、t₂、t₃、t₄、t₅、t₆，即为各相位绿灯持续时间，粒子群算法如下：

a)根据维数越少求解速度越块的原则，将上式13进行降低维数，得到如下式14；

即以t₁、t₂、t₃、t₄、t₅为自变量，将上式13进行修改。

$\begin{array}{c}{s}^{*}=\min s=\min \underset{j=1}{\overset{6}{\mathrm{\Σ}}}{s^l}_{6\mathrm{jk}}\\ =\min \underset{j=1}{\overset{6}{\mathrm{\Σ}}}\underset{k=1}{\overset{3}{\mathrm{\Σ}}}({s^{l-1}}_{6\mathrm{jk}}+\underset{i=1}{\overset{5}{\mathrm{\Σ}}}{q}_{\mathrm{ijk}}{t}_i+q_{6\mathrm{jk}}(T-\underset{i=1}{\overset{5}{\mathrm{\Σ}}}{t}_i)-\underset{i=1}{\overset{5}{\mathrm{\Σ}}}{p}_{\mathrm{ijk}}{u}_{\mathrm{jk}}{t}_i-p_{6\mathrm{jk}}{u}_{\mathrm{jk}}(T-\underset{i=1}{\overset{5}{\mathrm{\Σ}}}{t}_i))\\ =\min \underset{j=1}{\overset{6}{\mathrm{\Σ}}}\underset{k=1}{\overset{3}{\mathrm{\Σ}}}({s^l}_{6\mathrm{jk}}+\underset{i=1}{\overset{5}{\mathrm{\Σ}}}(q_{\mathrm{ijk}}-p_{\mathrm{ijk}}{u}_{\mathrm{jk}})t_i+(q_{6\mathrm{jk}}-p_{6\mathrm{jk}}{u}_{\mathrm{jk}})(T-\underset{i=1}{\overset{5}{\mathrm{\Σ}}}{t}_i))\end{array}$

(式14)

其中，t₁、t₂、t₃、t₄、t₅为自变量；

b)根据粒子群算法求解原理，令t_i(i＝1,2,3,4,5)为粒子p的5维分向量，即p(t₁,t₂,t₃,t₄,t₅)。

c)初始化粒子群系统，即在上式12、13的限制下随机初始化粒子t_i(i＝1,2,3,4,5)并将其设置为局部最优粒子bestP，根据上式14计算各例子适应度R_m(m＝1,2,…,30)，根据R_m计算求得全局最有粒子为gBestP，设置初始速度v₀。并设置粒子群个数为n，迭代次数为m次。

d)更新更新权重因子w^l；

$w^l=(w_{\mathrm{start}}-w_{\mathrm{end}})*\frac{(m-l)}{m}+w_{\mathrm{end}}$

${c_1}^l=(c_{1\mathrm{start}}-c_{1\mathrm{end}})*\frac{(m-l)}{m}+c_{1\mathrm{end}}$

${c_2}^l=(c_{2\mathrm{start}}-c_{2\mathrm{end}})*\frac{(m-l)}{m}+c_{2\mathrm{end}}$

其中w^l为第l次迭代更新的权重系数，w_start为算法初始时权重、w_end为算法停止时权重，c₁ ^l、c₂ ^l分别为第l次迭代更新的加速系数，c_1start、c_2start为算法初始时加速系数c_1end、c_2end为算法停止时加速系数；

e)根据下式更新速度、粒子P的各维分量；

Pv^l+1 _i＝w^lPv^l _i+(c^l ₁*R₁*(gBestPt^l _i-Pt^l _i))+(c^l ₂*R₂*(bestPt^l _i-Pt^l _i))

Pt^l+1 _i＝Pt^l _i+Pv^l+1 _i

其中，l为迭代次数，Pt_i为粒子第l次迭代中第i维向量的值，Pv_i为粒子第l次迭代中第i维向量的更新速度，gBestP为全局最优例子，bestP为该粒子迭代过程中的最优位置，R₁、R₂为服从U(0,1)的两个随机数。

f)根据上式14重新计算各粒子适应度R_m(m＝1,2,…,30)，并更新相应的gBestP、bestP；

g)如上所述步骤进行迭代更新，当达到迭代次数时停止迭代，否则继续执行第d)步，所得全局最优粒子gBestP的解即为上式14的最优解。

使用粒子群算法对基于单交叉路口的信号灯绿信比控制模型进行求解，该算法可避免传统算法易于进入局部最优的缺陷，同时算法搜索速度快、效率高，算法简单，适合于实值型处理，可有效求解模型。

实施例

申请人基于西安市4000多辆出租车数据进行验证，仿真系统交叉路口的各个方向各个车道在允许放行的条件下假定放行车辆数为1000辆时，车辆离开率u取15辆/min,固定信号周期T取为180s，e取值为6s。仿真程序设置v₀(v₀是粒子群算法中的粒子初始速度)为(1,1,1,1,1)，n取25，m取60，w_start为0.9，w_end取0.4，c_1start、c_2start、c_1end、c_2end分别取2.5,0.5,0.5,2.5；

采用本方法和传统方法(即每个相位时间固定)在6个周期内进行比较运行，仿真结果如附表1所示。表中，tl～t6分别表示一个周期内六个相位的配时时间(单位为秒)，R为优化后排队等候车辆数(单位为辆)。初始化粒子群算法优化时间为12秒，迭代次数为30次，传统固定周期时间的方法每周期各相位均设定为30秒。由如附表1可以看出，与传统的固定绿信比方法相比采用该方法进行交叉路口信号灯绿信比调节，实际效果良好，提高了交叉路口的通行效率。

表1 仿真结果对比

Claims (1)

1.一种基于车联网的交叉口信号灯绿信比调节方法，其特征在于，该方法包括以下步骤：

步骤一，车辆GPS道路修正及道路平均速度计算

步骤S10，监控中心在GIS地图中获取车辆在t时刻GPS点的经纬度坐标；

步骤S11，预设查找范围为以GPS点为圆心，半径r为18m的道路区域；

步骤S12，在步骤S11设置的查找范围内查找道路：若道路条数大于1，则执行步骤S13；若道路条数为0，则执行步骤S14；若道路条数为1，则执行步骤S15；

步骤S13，将查找半径r缩小1m，若半径r小于0则获取车辆t+1时刻的GPS点的经纬度坐标，返回步骤S11，否则返回步骤S12；

步骤S14，将查找半径r扩大1m，若半径r大于40m则获取车辆t+1时刻的GPS点的经纬度坐标，返回步骤S11，否则返回步骤S12；

步骤S15，得到唯一道路对象，即为该车辆当前的所在的道路；

步骤S16，对所有车辆执行步骤S10至S15，得到每个车辆当前所在道路；

步骤S17，根据下式计算道路上同一方向的车辆平均行车速度v(t)：

$v\left(t\right)=\frac{1}{\mathrm{cnum}}\underset{\mathrm{cid}=1}{\overset{\mathrm{cnum}}{\mathrm{\Σ}}}{v}_{\mathrm{cid}}\left(t\right)$    (式1)

在式1中，v_cid(t)是车辆当前道路t时刻第cid辆车的速度；cnum为该条道路上同一方向t时刻时车辆总数；v(t)是当前道路t时刻的平均速度；

步骤二，建立平均车速估计模型：

步骤S20，记一个道路Y在t时刻驶向道路交叉口方向的平均速度为v^ym，有n条旁道与道路Y相连接，这些旁道分别为：X₁,X₂...X_n，根据步骤一可得到在t时刻这些旁道的平均速度分别为v^x1m,v^x2m...v^xnm，这些平均速度的方向为旁道驶向道路Y的方向，或由道路Y驶向旁道的方向；则有如下线性关系：

v^ym＝β₀+β₁v^x1m+β₂v^x2m+...+β_kv^xkm+ε_m   (式2)

式中，β₀、β₁、...β_k为常数，ε_m为随机误差；

步骤S21，将b₀、b₁、...b_k分别作为β₀、β₁、...β_k的拟合值，可得到式3的回归方程：

   (式3)

式中，b₀为常数，b₀、b₁、...b_k为偏回归系数；

步骤S22，根据最小二乘法可得：

   (式4)

式中，Q为离差平方和，代表了和v^ym两组数据的逼近程度；

步骤S23，将式3代入式4中并根据求解极值的条件进行展开可得式5：

$\left\{\begin{array}{c}{\mathrm{nb}}_0+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{x1m}\right)b_1+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{x2m}\right)b_2+...+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{\mathrm{xkm}}\right)b_k=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{\mathrm{ym}}\\ \left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{x1m}\right)b_0+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(v^{x1m}\right)}^2\right)b_1+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{x1m}{v}^{x2m}\right)b_2+...+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{x1m}{v}^{\mathrm{xkm}}\right)b_k=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{x1m}{v}^{\mathrm{ym}}\\ \left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{\mathrm{xkm}}\right)b_0+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{x1m}{v}^{\mathrm{xkm}}\right)b_1+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{x2m}{v}^{\mathrm{xkm}}\right)b_2+...+\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(v^{\mathrm{xkm}}\right)}^2\right)b_k=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}^{\mathrm{xkm}}{v}^{\mathrm{ym}}\end{array}\right.$

                                                (式5)

对式5进一步整理可得：Ab＝Y；

令 $\mathrm{VX}=\left[\begin{array}{ccccc}1& v^{x11}& v^{x21}& ...& v^{\mathrm{xk}1}\\ 1& v^{x12}& v^{x22}& ...& v^{\mathrm{xk}2}\\ ...& ...& ...& ...& ...\\ 1& v^{x1n}& v^{x2n}& ...& v^{\mathrm{xkn}}\end{array}\right],\mathrm{VY}=\left[\begin{array}{c}{v}^{y1}\\ v^{y2}\\ ...\\ v^{\mathrm{yn}}\end{array}\right],b=\left[\begin{array}{c}{b}_0\\ b_1\\ ...\\ b_k\end{array}\right];$

A＝VX^TVX,B＝VX^TVY；

对上述方程Ab＝Y求解，可得到：

b＝A^-1B＝(VX^TVX)VX^TVY   (式6)

求解式6，可得到b₀、b₁、...b_k的值；将b₀、b₁、...b_k代入式3，可求得道路Y的平均速度进而计算出道路Y的车辆到达率此处L的取值为道路Y距离道路交叉口100～150m的距离；

步骤S24，在道路同一方向距离交叉路口50m的每个车道上均设置地感线圈，获取一段时间Tk内各个车道经过地感线圈的车辆个数C_k，k代表车道，取值为1，2，3；则道路Y的单个车道在一段时间内的车辆到达率可表示为

步骤三，建立单交叉路口信号灯六相位控制系统模型

步骤S30，建立单交叉路口六相位信号灯控制模型，其中第一相位表示东西方向直行车道车辆通行，第二相位表示东西方向左转车道车辆通行，第三相位表示东西方向右转车道车辆通行，第四相位表示南北方向直行车道车辆通行，第五相位表示南北方向左转车道车辆通行，第六相位表示南北方向右转车道车辆通行；

步骤S31，记一个周期T为六个相位持续的总时间，分别按照步骤二的方法计算交叉路口在一个周期内第i个相位第j方向第k车道的车辆到达率q_ijk，在计算q_ijk时，C_k为该车道k在一个周期T内非通行状态下的时间中所有通过地感线圈的车辆数；则一个周期内第i个相位第j个方向第k个车道的车辆到达数s_in为：

s_in＝q_ijk.t_i   (式7)

式中，t_i指一个周期内一个相位的时间长度；

i取1～6，分别表示交叉路口一个周期内的第一至第六相位；

j取1～4，分别表示交叉路口东、西、南、北方向；

k取1～3，分别表示交叉路口每条道路上的左转车道、直行车道和右转车道；

步骤S32，计算第j个方向、第k个车道的车辆平均离开率u_jk，其计算方法如下式：

u_jk＝L_jk/v'   (式8)

其中，L_jk为第j个方向、第k个车道所对应交叉路口的长度，v'为交叉路口车辆的行驶速度，取10～20km/h；

计算一个周期内第i个相位、第j个方向、第k个车道可能驶离路口的车辆数为：

s_out＝p_ijk.u_jk.t_i   (式9)

式中，p_ijk指i个相位、第j个方向、第k个车道车辆放行率，如果第i个相位时，第j个方向，第k个车道的车辆放行，则p_ijk取1，否则取0，t_i指一个周期内一个相位的时间长度；

步骤S33，记s^l _ijk表示第l个周期、第i个相位、第j个方向、第k个车道滞留的车辆数，则有：

$\left\{\begin{array}{c}{s^l}_{\mathrm{ijk}}={s^l}_{i-1\mathrm{jk}}+q_{\mathrm{ijk}}\·t_i-p_{\mathrm{ijk}}\·u_{\mathrm{jk}}\·t_i\\ {s^l}_{i-1\mathrm{jk}}+q_{\mathrm{ijk}}\·t_i\≥p_{\mathrm{ijk}}\·u_{\mathrm{jk}}\·t_i\end{array}\right.$    (式10)

式中，i＝1,2,3,4,5,6；j＝1,2,3,4；k＝1,2,3；

则第l个周期末交叉路口总的滞留车辆数可表示为：

$s=\underset{j=1}{\overset{4}{\mathrm{\Σ}}}\underset{k=1}{\overset{3}{\mathrm{\Σ}}}{s^l}_{6\mathrm{jk}}$

步骤S34，为了使交叉路口流通能力最大，即要求交叉路口滞留车辆数最小，即：

$s^{*}=\min s=\min \underset{j=1}{\overset{6}{\mathrm{\Σ}}}\underset{k=1}{\overset{3}{\mathrm{\Σ}}}{s^l}_{6\mathrm{jk}}=\min \underset{j=1}{\overset{4}{\mathrm{\Σ}}}\underset{k=1}{\overset{3}{\mathrm{\Σ}}}({s^{l-1}}_{6\mathrm{jk}}+\underset{i=1}{\overset{6}{\mathrm{\Σ}}}{q}_{\mathrm{ijk}}{t}_i-\underset{i=1}{\overset{6}{\mathrm{\Σ}}}{p}_{\mathrm{ijk}}{\mathrm{ut}}_i)$

，且需满足：

e≤t_i≤T-(m-1)e和t₁+t₂+t₃+t₄+t₅+t₆＝T

其中i＝1,2,…,m，6个相位的持续时间分别记为：t₁、t₂、t₃、t₄、t₅、t₆，e为最短绿灯时间；

步骤四，利用粒子群算法求解，得到t₁、t₂、t₃、t₄、t₅、t₆，即为各相位绿灯持续时间。