CN103810869B - 一种基于动态转向比例估计的路口信号控制方法 - Google Patents

Abstract

本发明公开了一种基于动态转向比例估计的路口信号控制方法，该方法针对四相位控制十字路口，建立了基于卡尔曼滤波的状态空间模型，设计了改进的顺序卡尔曼滤波算法求解路口动态转向比例，在此基础上进一步建立了最小化延误和排队长度、最大化有效通行能力的多目标信号控制模型求解路口实时信号配时参数及评价指标。实例研究表明，本方法具有较高的效率和精度，可以实现路口的实时信号控制。针对动态转向比例估计与信号控制结合的研究基本空白的现状，本发明具有动态实时、高效率、高精度、多目标最优、在线应用等优点。

Description

一种基于动态转向比例估计的路口信号控制方法

技术领域

本发明涉及应用在道路路口的基于动态转向比例估计的信号控制方法，用于道路路口交通信号优化控制。

背景技术

实时的信号控制系统作为先进的交通管理系统的核心部分，对于缓解城市交通拥堵问题起着至关重要的作用。信号控制配时方案需要以交通量为基础，而路口交通量具有高度的时变性、非线性和随机性，因此，确立信号控制方案需要获取实时的路口进出口流量及转向流量信息。目前的流量检测系统无法准确获取实时转向流量，而路口动态转向比例估计模型可以根据路口进出口流量的时间序列，反推得到路口动态转向比例。所以，建立基于动态转向比例估计的信号控制方法对于优化路口信号控制方案具有重要意义。

从路网信息获取完整性划分，动态O-D反推模型可分为封闭式网络动态O-D反推模型和开放式网络动态O-D反推模型。在开放式交通网络的O-D矩阵估计中，观测方程采用观测交通量等于O-D交通量与划分参数之积与随机项的和的形式。对于封闭式网络，假定所有入口和出口处的交通量均可检测到，并且网络中不存在随机的路径选择行为，即车辆均按预定好的路径行驶。所有的研究都是围绕寻找O-D分配比例展开的。最简单的封闭式网络即为单个路口，此时的O-D流即对应于路口处的转向比例，诸如Cremer&Keller(1981、1984)、Bell(1991)等，本发明即属于这一层次的问题。

在路口信号控制方面，国内外学者提出的再励学习、模糊理论、人工神经网络、遗传算法等理论均被广泛引入到信号控制优化的研究中，形成了许多基于历史数据的信号控制模型，也有许多学者在经典Webster法的基础上，提出了许多改进的Webster算法。然而，上述方法均未完全解决路口转向流量信息无法检测得到的问题。

由于现有的交通流量检测系统无法实时获取路口转向流量，目前考虑两者相互影响，在信号控制模型中考虑动态转向比例变化影响的研究几乎没有。本发明针对这一问题，引入基于卡尔曼滤波的动态转向比例估计模型和多目标信号控制模型，将二者结合，从而建立一种基于动态转向比例估计的路口信号控制方法，并设计算法，编程求解。

发明内容

为了解决当前交通信号控制方法对交通实时变化适应性差、控制效率低的问题，以动态转向比例数据为基础输入数据，寻求多目标最优的信号配时方案。

为了达成所述目的，本反明提供一种基于动念转向比例估计的跆口信亏控制力法，包括基于卡尔曼滤波的路口动态转向比例估计模型和多目标优化的路口信号控制模型，通过路段流量检测器得到路口进出口流量，输入卡尔曼滤波动态转向比例估计模型，得到路口动态转向比例，为多目标信号控制模型实现实时配时提供输入数据，从而得到路口的实时信号配时方案，最终实现路口在延误、排队长度、有效通行能力三个评价指标的综合最优化，其主要步骤如下：

步骤1：在路口进出口引道运行路段流量检测器，检测得到时间间隔k内的路段进出口流量，即Q_i(k)，i=1,2,3,4表示时段k自进口道i流入路口的流量，Y_j(k)，j=1,2,3,4表示时段k自出口道j流出路口的流量；

步骤2：定义路口的动态转向比例B_ij(k)为状态变量，以检测得到的路口进出口流量为己知量，在远端计算机中运行改进的顺序卡尔曼滤波算法程序，求解基于卡尔曼滤波的动态转向比例估计模型，得到优化的路口动态转向比例；

步骤3：在远端计算机中运行多目标信号控制模型的算法程序，以优化的路口动态转向比例为己知量，求解以车辆延误、平均排队长度、道路有效通行能力为评价指标的多目标信号控制模型，得到最优的信号配时方案，达到延误和排队长度小、有效通行能力大的评价指标综合最优化；

步骤4：将所得最优的信号配时方案传输到路口信号机，用来实施交通信号控制。

为满足实时在线应用和反推精度的要求，本发明采用基于卡尔曼滤波的状态空间模型，来求解路口动态转向比例；

引入动态转向比例B_ij(k)作为状态变量；

状态方程：B(k)=B(k-1)+W(k)

观测方程：Y(k)=Q(k)*B(k)+e(k)

式中B(k)、Y(k)、Q(k)分别为B_ij(k)、Q_i(k)、Y_j(k)的向量形式，W(k)是均值为0的高斯白噪声向量，e(k)是均值为0的观测高斯白噪声向量。

对于动态转向比例结果采用裁切和标准化的处理，使各进口动态转向比例均小于1且总和等于1，利用MATLAB的M语言编程求解卡尔曼滤波转向比例估计模型。

多目标信号控制模型针对延误、排队长度、有效通行能力三个评价指标定义加权参数，建立以相位的有效绿灯时间和周期为自变量，以延误最小、排队长度最小和道路有效通行能力最大作为目标函数的非线性优化模型。

首先，定义延误、排队长度、道路有效通行能力三个评价指标的加权系数K_x ¹、K_x ²、K_x ³：K_x ¹=2s_xp_x(1-P)；K_x ²=s_xP_x(1-P)T；K_x ³=2(3600/T)P；

式中s_x为第x个相位的饱和流量，p_x为第x个相位交通流量和饱和流量之比，P为各相位交通流量与饱和流量之比的和，T为信号周期。

K_x ¹、K_x ²和K_x ³三个参数的取值反映了以下三个方面的影响：

(1)K_x ¹和K_x ²随着P的增加而减小，K_x ³随着P的增加而增加，使得优化目标在平峰时侧重减少延误和排队，而在高峰期间则着重提高通行能力；

(2)随着周期时间增长，排队长度随之增大，在排队长度加权系数K_x ²中引入周期T；

(3)目标函数计算时间以小时为计算单位，K_x ³中引入每小时的周期数量3600／T。

在权重系数K_x ¹、K_x ²、K_x ³的计算中，p_x与P的获取均需要由动态转向比例估计模型提供的B_ij(k)作为已知数据，从而在信号控制模型中考虑了动态转向比例估计的影响。

非线性优化模型如下：

$\min f(G_x,T)=\underset{x=1}{\overset{n}{\mathrm{\Σ}}}\[{K_x}^1{d}_x+{K_x}^2{L}_x-{K_x}^3{Q}_x\]$

$s.t.\{\begin{array}{c}\underset{x=1}{\overset{n}{\mathrm{\Σ}}}(G_x+A_x+R_x)=T\\ 0.9p_x\≤\frac{G_x}{T}\≤1.1p_x,1\≤x\≤n\\ \mathrm{gree}{n}_{x,\min }\≤G_x\≤\mathrm{gree}{n}_{x,\max },1\≤x\≤n\\ \underset{x=1}{\overset{n}{\mathrm{\Σ}}}{G}_x+L\≤J,1\≤x\≤n\\ G_x\≥\mathrm{0,1}\≤x\≤n\end{array}$

式中：

G_x：第x个相位的有效绿灯时间；

d_x：第x个相位车辆到达的平均延误时间；

L_x：第x个相位的车辆平均排队长度；

Q_x：第x个相位的道路有效通行能力；

A_x：第x个相位的黄灯时间；

R_x：第x个相位的全红时间；

p_x：第x个相位交通流量和饱和流量之比；

n：信号相位数；

green_x,mmin’green_x,max：路口第x个相位的最小有效绿灯时间、最大有效绿灯时间；

L：信号周期总损失时间，

l_x：第x个相位的车辆启动损失时间；

I_x：第x个相位的绿灯间隔时间，I_x=A_x+R_x；

J：最大周期时间；

g_x：显示绿灯时间，g_x=G_x-A_x+l_x。

求解多目标信号控制模型属于非线性优化问题，采用Lingo编程求解，并得到信号配时参数和评价指标。

多目标信号控制模型的评价指标定义如下：

(1)车辆平均延误时间：车辆在路口入口引道处被阻碍行走所需时间与无阻碍行走所需时间之差，第x个相位的车辆平均延误时间：

$d_x=\frac{T(1-G_x/T{)}^2}{2(1-p_x)}+\frac{(1-\frac{\underset{x=1}{\overset{n}{\mathrm{\Σ}}}{l}_x}{T}{)}^2}{2\frac{\underset{x=1}{\overset{n}{\mathrm{\Σ}}}{l}_x}{T}}$

(2)车辆平均排队长度：在一个信号周期内，各条车道绿灯相位起始时最大排队长度的平均值，第x个相位的车辆平均排队长度：

L_x=2q_xR_x

式中q_x表示第x个相位的车辆到达流率。

(3)道路有效通行能力：路口饱和程度的重要指标，指在一定时间内通过某路口所有进口道停车线车辆数之和，对于信号路口，第x相位的道路有效通行能力：

Q_x=λ_xs_x

式中λ_x表示第x个相位的绿信比。

本发明的有益效果：综上所述，基于动态转向比例估计的路口信号控制方法就是根据路口处流量检测器所得到的进出口流量，利用卡尔曼滤波优化算法进行动态转向比例估计，得到动态转向比例，进而通过多目标信号控制模型调整交通信号控制方案，提高路口的运行效率，如降低车辆延误和平均排队长度、提高道路有效通行能力等。与其他路口信号优化控制方法相比，本发明提出的基于动态转向比例估计的路口信号控制方法具有以下不同之处：

①将动态转向比例估计模型得到的动态转向比例作为己知条件，为实时的信号控制模型提供动态交通量数据，便于信号控制模型根据动态交通需求实时调整配时方案，适应路口交通量的动态变化。

②多目标信号控制模型的目标函数实现了路口延误、排队长度、有效通行能力三个指标的综合最优化。

③卡尔曼滤波算法具备实时、迅速的应用特性，通过实例研究，本发明所得信号配时方案在比传统Webster算法优越的基础上，逼近真实转向流量输入多目标信号控制模型所得的结果，能够满足实时在线应用的精度和效率要求。

附图说明

图1是基于动态转向比例估计的路口信号控制方法结构图

图2是基于动态转向比例估计的路口信号控制方法流程图

具体实施方式

下面结合附图详细说明本发明技术方案中所涉及的各个细节问题。应指出的是，所描述的实施方式仅旨在便于对本发明的理解，而对其不起任何限定作用。

基于动态转向比例估计的路口信号控制方法结构图如图1所示。图1左半部分是实际路口和检测器，检测器在路段检测得到路口进出口流量Q_i(k)和Y_j(k)，作为己知数据，传输到远端计算机。图2右半部分示意了基于动态转向比例的路口信号控制方法的控制原理。基于卡尔曼滤波的动态转向比例估计模型根据输入的进出口流量Q_i(k)和Y_j(k)，以动态转向比例B_ij(k)为状态变量，对初始值(一般取0.33左右)逐步迭代优化，得到优化后的动态转向比例，并以此作为已知数据，输入到多目标信号控制模型，寻求使延误、排队长度和有效通行能力综合最优的信号配时方案，主要是信号周期和有效绿灯时间两个自变量，将所得最优的信号配时方案传输到路口信号机，实施交通信号控制。

基于动态转向比例估计的路口信号控制方法流程图如图2所示。整个流程由以下几个步骤组成：路口进出口流量检测；动态转向比例的估计；多目标最优信号配时方案的制定；将最优交通信号控制方案传输到路口信号机实施。具体步骤包括：

步骤1——路口进出口流量检测：

路口信号配时需要以动态转向比例为基础数据，为满足实时在线应用和反推精度的要求，本发明采用基于卡尔曼滤波的状态空间模型，来求解路口动态转向比例。卡尔曼滤波是一种时域方法，它可以求得最小方差意义下动态系统的变化特征，也即状态的最优估计值。此方法的基本思路是根据状态在时间轴上的变化规律由过去状态预测当前状态，并利用当前观测量对当前状态进行修正。其核心思想有三点：①确定状态变量；②建立描述状态变化的状态方程；③给出对状态进行修正的观测方程。定义如下变量：

Q_i(k)，i=l，2，...，4：时段k自进口道i流入路口的流量；

Y_j(k)，j=1，2，...，4：时段k自出口道j流出路口的流量；

B_ij(k)：时段k的动态转向比例，即Q_i(k)中自出口道j流出路口的流量比例。

按照卡尔曼滤波动态转向比例估计模型的假设，路口不存在车辆调头现象，即B_ij=0，i=1，2，3，4，需要说明的是，本发明对存在调头的路口同样适用，只需要修改B_ij(k)的数量即可。

由此，根据各进出口道间流量的相互关系，引入动态转向比例B_ij(k)作为状态变量，并建立状态方程和观测方程：

状态方程：B(k)=B(k-1)+W(k)

式中：B(k)为B_ij(k)对应的12维列向量；W(k)是12维的均值为0、协方差矩阵为Dδ_kl的高斯白噪声序列向量；D为协方差矩阵；δ_kl为克罗内克函数，即当k=l时，δ_kl=1，否则δ_kl=0。

观测方程：Y(k)=Q(k)*B(k)+e(k)

式中：Y(k)为4维的列向量；Q(k)为4×12维的观测矩阵；e(k)为4维的均值为0、协方差矩阵为Rδ_kl的观测高斯白噪声向量；R为4×4维的对角正定矩阵。

由状态方程和观测方程可知，需要观测得到分时段的进出口流量Q_i(k)和Y_j(k)，才能设计算法求解状态变量动态转向比例B_ij(k)。

因此，卡尔曼滤波动态转向比例估计的实现需要由路口进出口引道上的路段流量检测器来检测得到分时段的进出口流量Q_i(k)和Y_j(k)，并传输到远端计算机进行处理。

步骤2——动态转向比例的估计：

很明显，划分参数之间应满足如下的约束条件：

①B_ij(k)≥0，i=1，2，...，4；j=1，2，...，4

② $\underset{j=1}{\overset{4}{\mathrm{\Σ}}}{B}_{\mathrm{ij}}\left(k\right)=1,i=\mathrm{1,2},\…,4$

为了满足在线应用的需要，设计效率较高的Sequential卡尔曼算法求解卡尔曼滤波模型，同时考虑到卡尔曼滤波的递推过程中，动态转向比例不一定满足以上两个约束条件，采用裁切和标准化的方法来解决。考虑有4个进口道、4个出口道的四相位信号控制路口，算法的流程如下：

①初始化

1.划分参数的初值B_ij(0)(一般取0.33左右)

2.P(0)=var[B(0)]

3.Var[e(k)]=diαg[R₁，R₂,...，R₄]

4.var[W(k)]=diαg[D₁，D₂,...，D₁₂]

②设k=1，计算观测矩阵Q(k)，并令f_m为Q(k)的第m行的行向量

③初始化卡尔曼滤波器

1.B⁰=B(k-1)

2.P⁰=P(k-1)+D

④当m=1，2，...4时，进行卡尔曼滤波迭代、裁切和标准化

$1.g^m=p^{m-1}{f}_m^T\[f_m{p}^{m-1}{f}_m^T+R_m{\]}^{-1}$

2.P^m=P^m-1-g^mf_mP^m-1

3.δ^m=Y_m(k)-f_mB^m-1

4.裁切

计算α′，使得α′=max_0sαsl[α|0≤B^m-1+αδ^mg^m≤1]

令B^m=B^m-1+α′δ^mg^m

5.标准化

当i=1，2...，4时，令计算

$B_{\mathrm{ij}}^m=\frac{B_{\mathrm{ij}}^m}{B_i},j=\mathrm{1,2},...,4$

⑤令P(k)=P⁴，B(k)=B⁴，返回②进行下一轮迭代

由于设计了Sequential卡尔曼算法，在计算过程中避免了矩阵求逆的运算，提高了算法的效率，根据上述的求解算法，用Matlab软件的M语言编程，进而求解出动态转向比例。因此，将步骤1检测所得路口进出口流量作为己知数据传输到远端计算机，并由Sequential卡尔曼算法即可求解出动态转向比例。

步骤3——多目标最优信号配时方案的制定：

建立以周期和相位的有效绿灯时间为自变量，以延误最小、排队长度最小和道路有效通行能力最大作为目标函数的非线性优化模型：

$\min f(G_x,T)=\underset{x=1}{\overset{n}{\mathrm{\Σ}}}\[K_x^1{d}_x+K_x^2{L}_x-K_x^3{Q}_x\]$

$s.t.\{\begin{array}{c}\underset{x=1}{\overset{n}{\mathrm{\Σ}}}(G_x+A_x+R_x)=T\\ 0.9p_x\≤\frac{G_x}{T}\≤1.1p_x,1\≤x\≤n\\ \mathrm{gree}{n}_{x,\min }\≤G_x\≤\mathrm{gree}{n}_{x,\max },1\≤x\≤n\\ \underset{x=1}{\overset{n}{\mathrm{\Σ}}}{G}_x+L\≤J,1\≤x\≤n\\ G_x\≥\mathrm{0,1}\≤x\≤n\end{array}$

式中：G_x为第x个相位的有效绿灯时间；d_x为第x个相位车辆到达的平均延误时间；L_x为第x个相位的车辆平均排队长度；Q_x为第x个相位的道路有效通行能力；A_x为第x个相位的黄灯时间；R_x为第x个相位的全红时间；p_x为第x个相位交通流量和饱和流量之比；，n为信号相位数；green_x,min和green_x,max分别路口第x个相位的最小有效绿灯时间和最大有效绿灯时间；L为信号周期总损失时间，l_x为第x个相位的车辆启动损失时间；L_x为第x个相位的绿灯间隔时间，I_x=A_x+R_x；J为最大周期时间，显示绿灯时间g_x=G_x一A_x+l_x。

定义加权系数K_x ¹、K_x ²、K_x ³，分别对应延误、排队长度、道路有效通行能力三个性能指标：

延误：K_x ¹=2s_xp_x(1一p)

排队长度：K_x ²=s_xp_x(1一p)T

道路有效通行能力：K_x ³=2(3600／T)p；

K_x ¹、K_x ²和K_x ³三个参数的取值反映了以下三个方面的影响：

①K_x ¹和K_x ²随着尸的增加而减小，K_x ³随着户的增加而增加，使得优化目标在平峰时侧重减少延误和排队，而在高峰期间则着重提高通行能力；

②随着周期时间增长，排队长度随之增大，在排队长度加权系数K_x ²中引入周期T；

③目标函数计算时间以小时为计算单位，K_x ³中引入每小时的周期数量3600／T。

在权重系数K_x ¹、K_x ²、K_x ³的计算中，p_x与户的获取均需要由动态转向比例估计模型提供的B_ij(k)作为己知数据，从而在信号控制模型中考虑了动态转向比例估计的影响。

其中，延误、排队长度、道路有效通行能力三个性能评价指标定义如下：

车辆平均延误时间：车辆在路口入口引道处被阻碍行走所需时间与无阻碍行走所需时间之差，第x个相位的车辆平均延误时间：

$d_x=\frac{T(1-G_x/T{)}^2}{2(1-p_x)}+\frac{(1-\frac{\underset{x=1}{\overset{n}{\mathrm{\Σ}}}{l}_x}{T}{)}^2}{2\frac{\underset{x=1}{\overset{n}{\mathrm{\Σ}}}{l}_x}{T}}$

车辆平均排队长度：在一个信号周期内，各条车道绿灯相位起始时最大排队长度的平均值，第x个相位的车辆平均排队长度：

L_x=2Q_xR_x

式中q_x表示第x个相位的车辆到达流率。

道路有效通行能力：路口饱和程度的重要指标，指在一定时间内通过某路口所有进口道停车线车辆数之和，对于信号路口，第x相位的道路有效通行能力：

Q_x=λ_xs_x

式中λ_x表示第x个相位的绿信比。

基于以上多目标信号控制模型的定义，以及评价指标和加权参数的定义，本步骤中的多目标信号控制模型属于非线性优化问题，本发明采用Lingo编程进行求解。LINGO全称是Linear Interactive and General Optimizer的缩写，即交互式的线性和通用优化求解器，便于有效的构建和求解线性、非线性和整数最优化模型，包括功能强大的建模语言、建立和编辑问题的全功能环境、读取和写入Excel和数据库的功能、以及一系列完全内置的求解程序。

将步骤2所得的动态转向比例作为已知数据，求解出多目标信号控制模型的加权参数，即可由多目标信号控制模型求解出信号周期和有效绿灯时间这两个重要参数，进而得到具体的信号配时方案以及相关的三个评价指标。

步骤4——将最优交通信号控制方案传输到路口信号机实施：

将步骤3得到的最优信号配时方案由远端计算机传输到路口信号机，并实施实时交通信号控制。

本发明通过交通调查，将基于动态转向比例估计的路口信号控制模型在具体路口案例中所得的结果，与传统的路口Webster信号配时算法对比，基于动态转向比例的路口信号控制模型在延误、排队长度和通行能力三个指标上均明显占优，具有较好的效果；与此同时，基于动态转向比例估计的路口信号控制模型采用实时估计的动态转向比例输入，与采用调查所得的现状转向比例(实际信号控制系统中不可能检测得到)输入对比来看，其评价指标结果是十分接近的，变化趋势也完全相符，说明在转向比例无法通过交通检测系统实时获取的情况下，基于动态转向比例估计的路口信号控制模型能够较好地反映现状的交通需求并进行信号配时，可以满足信号控制系统的精度和效率要求。

前面已经具体描述了本发明的实施方案，应当理解，对于一个具有本技术领域的普通技能的人，在不脱离本发明范围的任何修改或局部替换，均属于本发明权利要求书保护的范围。

Claims (2)

1.一种基于动态转向比例估计的路口信号控制方法，其特征在于，基于动态转向比例估计的路口信号控制方法包括基于卡尔曼滤波的路口动态转向比例估计模型和多目标优化的路口信号控制模型，通过路段流量检测器得到路口进出口流量，输入卡尔曼滤波动态转向比例估计模型，得到路口动态转向比例，将其作为多目标信号控制模型的输入数据，从而得到路口的实时信号配时方案，最终实现路口在延误、排队长度、有效通行能力三个评价指标的综合最优化，其主要步骤如下：

步骤1：在路口进出口引道运行路段流量检测器，检测得到时间间隔k内的路段进出口流量，即Q_i(k)，i＝1，2，3，4表示时段k自进口道i流入路口的流量，Y_j(k)，j＝1，2，3，4表示时段k自出口道j流出路口的流量；

步骤2：定义路口的动态转向比例B_ij(k)为状态变量，以检测得到的路口进出口流量为已知量，在远端计算机中运行改进的顺序卡尔曼滤波算法程序，求解基于卡尔曼滤波的动态转向比例估计模型，得到优化的路口动态转向比例；

其中，引入动态转向比例B_ij(k)作为状态变量；

状态方程：B(k)＝B(k-1)+W(k)

观测方程：Y(k)＝Q(k)*B(k)+e(k)

式中B(k)、Y(k)、Q(k)分别为B_ij(k)、Q_i(k)、Y_j(k)的向量形式，W(k)是均值为0的高斯白噪声向量，e(k)是均值为0的观测高斯白噪声向量；

对于动态转向比例结果采用裁切和标准化的处理，使各进口动态转向比例均小于1且总和等于1，利用MATLAB的M语言编程求解卡尔曼滤波转向比例估计模型；

步骤3：在远端计算机中运行多目标信号控制模型的算法程序，以优化的路口动态转向比例为已知量，求解以车辆延误、平均排队长度、道路有效通行能力为评价指标的多目标信号控制模型，得到最优的信号配时方案，达到延误和排队长度小、有效通行能力大的综合最优化目标；

其中，多目标信号控制模型针对延误、排队长度、有效通行能力三个评价指标定义加权参数，建立以相位的有效绿灯时间和周期为自变量，以延误最小、排队长度最小和道路有效通行能力最大作为目标函数的非线性优化模型，

首先，定义延误、排队长度、道路有效通行能力三个评价指标的加权系数K_x ¹、K_x ²、K_x ³：

K_x ¹＝2s_xp_x(1-P)；K_x ²＝s_xp_x(1-P)T；K_x ³＝2(3600/T)P；

式中s_x为第x个相位的饱和流量，p_x为第x个相位交通流量和饱和流量之比，P为各相位交通流量与饱和流量之比的和，T为信号周期；

K_x ¹、K_x ²和K_x ³三个参数的取值反映了以下三个方面的影响：

(1)K_x ¹和K_x ²随着P的增加而减小，K_x ³随着P的增加而增加，使得优化目标在平峰时侧重减少延误和排队，而在高峰期间则着重提高通行能力；

(2)随着周期时间增长，排队长度随之增大，在排队长度加权系数K_x ²中引入周期T；

(3)目标函数计算时间以小时为计算单位，K_x ³中引入每小时的周期数量3600/T；

在权重系数K_x ¹、K_x ²、K_x ³的计算中，p_x与P的获取均需要由动态转向比例估计模型提供的B_ij(k)作为已知数据，从而在信号控制模型中考虑了动态转向比例估计的影响；

非线性优化模型如下：

$\min f(G_x,T)=\underset{x=1}{\overset{n}{\mathrm{\Σ}}}[{K_x}^1{d}_x+{K_x}^2{L}_x-{K_x}^3{Q}_x]$

$s.t.\left\{\begin{array}{cc}\underset{x=1}{\overset{n}{\mathrm{\Σ}}}(G_x+A_x+R_x)=T& \\ 0.9p_x\≤\frac{G_x}{T}\≤1.1p_x& 1\≤x\≤n\\ {\mathrm{green}}_{x,\min }\≤G_x\≤{\mathrm{green}}_{x,\max }& 1\≤x\≤n\\ \underset{x=1}{\overset{n}{\mathrm{\Σ}}}{G}_x+L\≤J& 1\≤x\≤n\\ G_x\≥0& 1\≤x\≤n\end{array}\right.$

式中：

G_x：第x个相位的有效绿灯时间；

d_x：第x个相位车辆到达的平均延误时间；

L_x：第x个相位的车辆平均排队长度；

Q_x：第x个相位的道路有效通行能力；

A_x：第x个相位的黄灯时间；

R_x：第x个相位的全红时间；

p_x：第x个相位交通流量和饱和流量之比；

n：信号相位数；

green_x，min、green_x，max：路口第x个相位的最小有效绿灯时间、最大有效绿灯时间；

L：信号周期总损失时间，

l_x：第x个相位的车辆启动损失时间；

I_x：第x个相位的绿灯间隔时间，I_x＝A_x+R_x；

J：最大周期时间；

g_x：显示绿灯时间，g_x＝G_x-A_x+l_x；

求解多目标信号控制模型属于非线性优化问题，采用Lingo编程求解，并得到信号配时参数和评价指标；

步骤4：将所得最优的信号配时方案传输到路口信号机，用来实施交通信号控制。

2.如权利要求1所述一种基于动态转向比例估计的路口信号控制方法，其评价指标定义如下：

(1)车辆平均延误时间：车辆在路口入口引道处被阻碍行走所需时间与无阻碍行走所需时间之差，第x个相位的车辆平均延误时间：

$d_x=\frac{T{(1-G_x/T)}^2}{2(1-p_x)}+\frac{{(1-\frac{\underset{x=1}{\overset{n}{\mathrm{\Σ}}}{l}_x}{T})}^2}{2\frac{\underset{x=1}{\overset{n}{\mathrm{\Σ}}}{l}_x}{\text{T}}}$

(2)车辆平均排队长度：在一个信号周期内，各条车道绿灯相位起始时最大排队长度的平均值，第x个相位的车辆平均排队长度：

L_x＝2q_xR_x

式中q_x表示第x个相位的车辆到达流率；

(3)道路有效通行能力：路口饱和程度的重要指标，指在一定时间内通过某路口所有进口道停车线车辆数之和，对于信号路口，第x相位的道路有效通行能力：

Q_x＝λ_xs_x

式中λ_x表示第x个相位的绿信比。