CN104091456A - 绿波控制条件下交通诱导与信号控制协同系统与方法 - Google Patents

Abstract

本发明公开了一种绿波控制条件下交通诱导与信号控制协同系统及方法，所述系统包括：绿波控制策略模块，用于存储协同系统作用范围内的各信号交叉口的绿波控制参数，所述绿控制参数包括交叉口各相位排序、各相位绿灯时长以及绝对相位差；交通流数据模块，用于存储协同系统作用范围内的各路段流量；第一运算模块，用于求解第一优化模型，得到当前交通流量条件下的各起讫点间的交通需要；第二运算模块，用于根据所述各起讫点间的交通需要求计算最佳诱导控制策略。本发明可以优化在绿波控制条件下的交通诱导系统的运行效率，减少因为系统间信息交互的缺失而致使的交通路网资源的浪费，从而提高整个交通系统的运行效率。

Description

绿波控制条件下交通诱导与信号控制协同系统与方法

技术领域

本发明属于智能交通协同系统领域，尤其是一种绿波控制条件下交通诱导与信号控制协同系统与方法。

背景技术

所谓绿波控制条件，就是在一系列连续的交叉口上，设置一定的相互关联的交通控制信号，使得主路上的车辆顺次通过各个信号交叉口时，均能遇上绿灯，从而提高整个系统的交通运行效率。

但是值得注意的是，绿波条件下的交通运行效率优化的关键在于车辆能够按照设计的时速在交叉口间行驶。随着城市交通智能化体系的逐渐完善，智能化的交通诱导系统正在不断改变传统的交通出行方式，出行者逐渐依赖于诱导系统所发布的行驶信息。特别的当绿波控制下路段运行效率较好时，会出现大量用户被诱导至绿波控制路段行驶。但是当大量用户涌入这些路段时，由于过高车流量的存在，车辆行驶速度远远无法达到设计时速，可能致使绿波变“红波”，即所有的车辆在驶进交叉口后，均会被红灯拦下；进而绿波控制路段效率下降，车辆被诱导离开这些路段，周而复始。

现有的研究方案均着重普适性路网的算法优化。但是，无论如何优化协同算法效率，随着目标路网的路段数、节点数增加，计算复杂度呈几何级数增长，以目前的计算机运算效率，仍难以在实际应用中使用这些优化算法。

亦即在目前的技术条件下，无法高效快速的实现交通诱导系统与信号控制系统的协同最优化运行。此外，现有的研究中，往往不考虑信号控制策略限制，不加约束的进行优化，即与实际不符，也缺乏有效性。

发明内容

发明目的：提供一种绿波控制条件下交通诱导与信号控制协同系统与方法，以减少因为系统间信息交互的缺失而致使的交通路网资源的浪费，提高整个交通系统的运行效率。

技术方案：一种绿波控制条件下交通诱导与信号控制协同系统，包括：

绿波控制策略模块，用于存储协同系统作用范围内的各信号交叉口的绿波控制参数，所述绿波控制参数包括交叉口各相位排序、各相位绿灯时长以及绝对相位差；

交通流数据模块，用于存储协同系统作用范围内的各路段流量；

第一运算模块，用于求解第一优化模型，得到当前交通流量条件下的各起讫点间的交通需要；

第二运算模块，用于根据所述各起讫点间的交通需要求计算最佳诱导控制策略。

在进一步的实施例中，还包括策略分发模块，用于将最佳诱导控制策略通过交通诱导系统发送到用户。

所述第一运算模块根据优化模型OP1计算交通需要d(i,j)：

$\left(\mathrm{OP}1\right)\min Z_1=\underset{(j,i)\∈A}{\mathrm{\Σ}}{(\stackrel{\‾}{p}(j,i)-p(j,i))}^2---(1-1)$

$s.t.\underset{j\∈\left\{j\right|(j,i)\∈A\}}{\mathrm{\Σ}}\stackrel{\‾}{p}(j,i)=\underset{k\∈\left\{k\right|(i,k)\∈A\}}{\mathrm{\Σ}}\stackrel{\‾}{p}(i,k),i\∈I---(1-2)$

$\underset{j\∈\{(j,i)\∈A\}}{\text{\Σ}}\stackrel{\‾}{p}(j,i)=\underset{k\∈\mathrm{OD}}{\mathrm{\Σ}}d(k,i),i\∈\mathrm{OD}---(1-3)$

$\underset{j\∈\{(i,j)\∈A\}}{\mathrm{\Σ}}\stackrel{\‾}{p}(i,j)=\underset{k\∈\mathrm{OD}}{\mathrm{\Σ}}d(i,k),i\∈\mathrm{OD}---(1-4)$

其中是计算得到的路段(i,j)上的流量，是辅助变量；

p(j,i)是路段(i,j)上的实际流量，i表示路段的起点，j表示路段的终点；

A是路网中所有路段的集合；

I是路网中所有交叉口的集合；

OD是路网中所有起点和终点的集合；

k是可行域内标记路段节点的序号；

d(i,j)是起点i到终点j的交通需求。

所述第二计算模块根据优化模型OP2求解最佳诱导控制策略ζ：

$\left(\mathrm{OP}2\right)\min Z_2=\underset{t=0}{\overset{T}{\mathrm{\Σ}}}\underset{(j,i)\∈A}{\mathrm{\Σ}}{x}_{(j,i)}\left(t\right)\×t_0---(2-1)$

$s.t.h_{(i,k)}^1\left(t\right)=d(i,k)\×\mathrm{\ξ},i,k\∈\mathrm{OD};t=\mathrm{0,1,2},...,T---(2-2)$

$h_{(i,k)}^2\left(t\right)=d(i,k)-h_{(i,k)}^1\left(t\right),i,k\∈\mathrm{OD};t=\mathrm{0,1,2},...,T---(2-3)$

x_(i,j)(t+1)-x_(i,j)(t)＝(p_(i,j)(t)-v_(i,j)(t))t₀ (i,j)∈A；t＝0,1,2,...,T   (2-4)

$\underset{j\∈\left\{j\right|(i,j)\∈A\}}{\mathrm{\Σ}}{p}_{(i,j)}^1\left(t\right)=\underset{k\∈\left\{k\right|(k,i)\∈A\}}{\mathrm{\Σ}}{v}_{(k,i)}^1\left(t\right),i\∈I;t=\mathrm{0,1,2},...,T---(2-5)$

$\underset{j\∈\left\{j\right|(i,j)\∈A\}}{\mathrm{\Σ}}{p}_{(i,j)}^2\left(t\right){\mathrm{\λ}}_{(r,s)}^{(i,j)}=\underset{k\∈\left\{k\right|(k,i)\∈A\}}{\mathrm{\Σ}}{v}_{(k,i)}^2\left(t\right){\mathrm{\λ}}_{(r,s)}^{(k,i)}i\∈I;r,s\∈\mathrm{OD};t=\mathrm{0,1,2},...,T---(2-6)$

$\underset{j\∈\left\{j\right|(i,j)\∈A\}}{\mathrm{\Σ}}{p}_{(i,j)}^1\left(t\right)=\underset{k\∈\mathrm{OD}}{\mathrm{\Σ}}{h}_{(i,k)}^1\left(t\right),i\∈\mathrm{OD};t=\mathrm{0,1,2},...,T---(2-7)$

$\underset{j\∈\left\{j\right|(i,j)\∈A\}}{\text{\Σ}}{p}_{(i,j)}^2\left(t\right){\mathrm{\λ}}_{(i,s)}^{(i,j)}=\underset{k\∈\mathrm{OD}}{\mathrm{\Σ}}{h}_{(i,k)}^2\left(t\right),i\∈I;s\∈\mathrm{OD};t=\mathrm{0,1,2},...,T---(2-8)$

$p_{(i,j)}\left(t\right)=p_{(i,j)}^1\left(t\right)+p_{(i,j)}^2\left(t\right),(i,j)\∈A;t=\mathrm{0,1,2},...,T---(2-9)$

$v_{(i,j)}\left(t\right)=v_{(i,j)}^1\left(t\right)+v_{(i,j)}^2\left(t\right),(i,j)\∈A;t=\mathrm{0,1,2},...,T---(2-10)$

$x_{(i,j)}\left(t\right)=\underset{m=t}{\overset{t+c_{(i,j)}\left(\text{t}\right)}{\mathrm{\Σ}}}{v}_{(i,j)}\left(m\right),(i,j)\∈A;t=\mathrm{0,1,2},...,T---(2-11)$

p_(i,j)(t)≤s(i,j) (i,j)∈A；t＝0,1,2,...,T   (2-12)

v_(i,j)(t)≤s(i,j)×δ_(i,j)(t) (i,j)∈A；t＝0,1,2,...,T   (2-13)

${\mathrm{\δ}}_{(i,j)}\left(t\right)=\left\{\begin{array}{cc}1& a\×C_j+\underset{k=1}{\overset{m-1}{\mathrm{\Σ}}}{g}_{(i,j)}\left(k\right)+1\≤t\≤a\×C_j+\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{g}_{(i,j)}\left(k\right)\\ 0& \mathrm{otherwise}\end{array}\right.$

(i,j)∈A；1≤m≤g(j)；a∈N；t＝0,1,2,...,T   (2-14)

其中变量x(i,j)(t)是路段(i,j)在t时刻的车辆数；

s(j,i)是路段(i,j)的饱和流率；常数t₀是单位时间步的时长；

变量ζ代表诱导策略，即为一定比例的用户发布优化诱导信息；

hn(i,j)(t)是t时刻发出的由起点i发往终点j的流量，其中n＝1代表收到诱导信息的用户，n＝2代表未收到诱导信息的用户；

p(i,j)(t)是路段(i,j)在t时刻的驶入流量；pn(i,j)(t)是路段(i,j)在t时刻的驶入流量，其中n＝1代表收到诱导信息的用户，n＝2代表未收到诱导信息的用户；

v(i,j)(t)是路段(i,j)在t时刻的驶出流量；vn(i,j)(t)是路段(i,j)在t时刻的驶出流量，其中n＝1代表收到诱导信息的用户，n＝2代表未收到诱导信息的用户；针对未收到诱导信息的用户，根据自由流速度为其设计最短路径，

λ(i,j)(r,s)表示路段(i,j)是否在链接起点r和终点s的最短路径上，1代表在，0代表不在；

c(i,j)(t)是路段(i,j)在t时刻的瞬时行程时间；δ(i,j)(t)是信号控制变量，路段(i,j)在t时刻的信号控制状态，1代表绿灯，0代表红灯；

变量g(j,i)(m)表示路段(j,i)在交叉口i的第m个相位时的绿灯时长，若第m个相位里路段(j,i)处于红灯状态，则g(j,i)(m)为0；变量o(i)表示交叉口i的绝对相位差；

变量C(i)表示交叉口i的周期时长；变量g(i)表示交叉口i的相位数；Cj是信号交叉口j周期时长C(j)的离散化表达，有Cj＝C(j)/t₀。

k是可行域内标记路段节点的序号；

系数a是任意自然数；

一种绿波控制条件下交通诱导与信号控制协同方法，包括如下步骤：

步骤1，采集并存储协同系统作用范围内的各信号交叉口的绿波控制参数，所述绿波控制参数包括交叉口各相位排序、各相位绿灯时长以及绝对相位差；

步骤2，采集并存储协同系统作用范围内的各路段流量；

步骤3，求解第一优化模型，得到当前交通流量条件下的各起讫点间的交通需要：

$\left(\mathrm{OP}1\right)\min Z_1=\underset{(j,i)\∈A}{\mathrm{\Σ}}{(\stackrel{\‾}{p}(j,i)-p(j,i))}^2---(1-1)$

$s.t.\underset{j\∈\left\{j\right|(j,i)\∈A\}}{\mathrm{\Σ}}\stackrel{\‾}{p}(j,i)=\underset{k\∈\left\{k\right|(i,k)\∈A\}}{\mathrm{\Σ}}\stackrel{\‾}{p}(i,k),i\∈I---(1-2)$

$\underset{j\∈\{(j,i)\∈A\}}{\text{\Σ}}\stackrel{\‾}{p}(j,i)=\underset{k\∈\mathrm{OD}}{\mathrm{\Σ}}d(k,i),i\∈\mathrm{OD}---(1-3)$

$\underset{j\∈\{(i,j)\∈A\}}{\mathrm{\Σ}}\stackrel{\‾}{p}(i,j)=\underset{k\∈\mathrm{OD}}{\mathrm{\Σ}}d(i,k),i\∈\mathrm{OD}---(1-4)$

其中是计算得到的路段(i,j)上的流量，是辅助变量；

p(j,i)是路段(i,j)上的实际流量，i表示路段的起点，j表示路段的终点；

A是路网中所有路段的集合；

I是路网中所有交叉口的集合；

OD是路网中所有起点和终点的集合；

k是可行域内标记路段节点的序号；

d(i,j)是起点i到终点j的交通需求；

步骤4，根据所述各起讫点间的交通需要求计算最佳诱导控制策略：

$\left(\mathrm{OP}2\right)\min Z_2=\underset{t=0}{\overset{T}{\mathrm{\Σ}}}\underset{(j,i)\∈A}{\mathrm{\Σ}}{x}_{(j,i)}\left(t\right)\×t_0---(2-1)$

$s.t.h_{(i,k)}^1\left(t\right)=d(i,k)\×\mathrm{\ξ},i,k\∈\mathrm{OD};t=\mathrm{0,1,2},...,T---(2-2)$

$h_{(i,k)}^2\left(t\right)=d(i,k)-h_{(i,k)}^1\left(t\right),i,k\∈\mathrm{OD};t=\mathrm{0,1,2},...,T---(2-3)$

x_(i,j)(t+1)-x_(i,j)(t)＝(p_(i,j)(t)-v_(i,j)(t))t₀ (i,j)∈A；t＝0,1,2,...,T   (2-4)

$\underset{j\∈\left\{j\right|(i,j)\∈A\}}{\mathrm{\Σ}}{p}_{(i,j)}^1\left(t\right)=\underset{k\∈\left\{k\right|(k,i)\∈A\}}{\mathrm{\Σ}}{v}_{(k,i)}^1\left(t\right),i\∈I;t=\mathrm{0,1,2},...,T---(2-5)$

$\underset{j\∈\left\{j\right|(i,j)\∈A\}}{\mathrm{\Σ}}{p}_{(i,j)}^2\left(t\right){\mathrm{\λ}}_{(r,s)}^{(i,j)}=\underset{k\∈\left\{k\right|(k,i)\∈A\}}{\mathrm{\Σ}}{v}_{(k,i)}^2\left(t\right){\mathrm{\λ}}_{(r,s)}^{(k,i)}i\∈I;r,s\∈\mathrm{OD};t=\mathrm{0,1,2},...,T---(2-6)$

$\underset{j\∈\left\{j\right|(i,j)\∈A\}}{\mathrm{\Σ}}{p}_{(i,j)}^1\left(t\right)=\underset{k\∈\mathrm{OD}}{\mathrm{\Σ}}{h}_{(i,k)}^1\left(t\right),i\∈\mathrm{OD};t=\mathrm{0,1,2},...,T---(2-7)$

$\underset{j\∈\left\{j\right|(i,j)\∈A\}}{\text{\Σ}}{p}_{(i,j)}^2\left(t\right){\mathrm{\λ}}_{(i,s)}^{(i,j)}=\underset{k\∈\mathrm{OD}}{\mathrm{\Σ}}{h}_{(i,k)}^2\left(t\right),i\∈I;s\∈\mathrm{OD};t=\mathrm{0,1,2},...,T---(2-8)$

$p_{(i,j)}\left(t\right)=p_{(i,j)}^1\left(t\right)+p_{(i,j)}^2\left(t\right),(i,j)\∈A;t=\mathrm{0,1,2},...,T---(2-9)$

$v_{(i,j)}\left(t\right)=v_{(i,j)}^1\left(t\right)+v_{(i,j)}^2\left(t\right),(i,j)\∈A;t=\mathrm{0,1,2},...,T---(2-10)$

$x_{(i,j)}\left(t\right)=\underset{m=t}{\overset{t+c_{(i,j)}\left(\text{t}\right)}{\mathrm{\Σ}}}{v}_{(i,j)}\left(m\right),(i,j)\∈A;t=\mathrm{0,1,2},...,T---(2-11)$

p_(i,j)(t)≤s(i,j) (i,j)∈A；t＝0,1,2,...,T   (2-12)

v_(i,j)(t)≤s(i,j)×δ_(i,j)(t) (i,j)∈A；t＝0,1,2,...,T   (2-13)

${\mathrm{\δ}}_{(i,j)}\left(t\right)=\left\{\begin{array}{cc}1& a\×C_j+\underset{k=1}{\overset{m-1}{\mathrm{\Σ}}}{g}_{(i,j)}\left(k\right)+1\≤t\≤a\×C_j+\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{g}_{(i,j)}\left(k\right)\\ 0& \mathrm{otherwise}\end{array}\right.$

(i,j)∈A；1≤m≤g(j)；a∈N；t＝0,1,2,...,T   (2-14)

其中变量x(i,j)(t)是路段(i,j)在t时刻的车辆数；

s(j,i)是路段(i,j)的饱和流率；常数t₀是单位时间步的时长；

变量ζ代表诱导策略，即为一定比例的用户发布优化诱导信息；

hn(i,j)(t)是t时刻发出的由起点i发往终点j的流量，其中n＝1代表收到诱导信息的用户，n＝2代表未收到诱导信息的用户；

p(i,j)(t)是路段(i,j)在t时刻的驶入流量；pn(i,j)(t)是路段(i,j)在t时刻的驶入流量，其中n＝1代表收到诱导信息的用户，n＝2代表未收到诱导信息的用户；

v(i,j)(t)是路段(i,j)在t时刻的驶出流量；vn(i,j)(t)是路段(i,j)在t时刻的驶出流量，其中n＝1代表收到诱导信息的用户，n＝2代表未收到诱导信息的用户；针对未收到诱导信息的用户，根据自由流速度为其设计最短路径，

λ(i,j)(r,s)表示路段(i,j)是否在链接起点r和终点s的最短路径上，1代表在，0代表不在；

c(i,j)(t)是路段(i,j)在t时刻的瞬时行程时间；δ(i,j)(t)是信号控制变量，路段(i,j)在t时刻的信号控制状态，1代表绿灯，0代表红灯；

变量g(j,i)(m)表示路段(j,i)在交叉口i的第m个相位时的绿灯时长，若第m个相位里路段(j,i)处于红灯状态，则g(j,i)(m)为0；变量o(i)表示交叉口i的绝对相位差；

变量C(i)表示交叉口i的周期时长；变量g(i)表示交叉口i的相位数；Cj是信号交叉口j周期时长C(j)的离散化表达，有Cj＝C(j)/t₀。

k是可行域内标记路段节点的序号；

系数a是任意自然数；

步骤5：将最佳诱导控制策略通过交通诱导系统发送到用户。

有益效果：本发明通过本协同系统可以优化在绿波控制条件下的交通诱导系统的运行效率，减少了因为系统间信息交互的缺失而致使的交通路网资源的浪费，从而提高了整个交通系统的运行效率。

附图说明

图1是本发明的示意图。

具体实施方式

如图1所示，

绿波控制策略模块。对协同系统作用范围内的各信号交叉口的绿波控制参数进行存储，变量g_(j,i)(m)表示路段(j,i)在交叉口i的第m个相位时的绿灯时长，若第m个相位里路段(j,i)处于红灯状态，则g_(j,i)(m)为0，如表1所示，

表1路段信号控制信息

变量o(i)表示交叉口i的绝对相位差；变量C(i)表示交叉口i的周期时长；变量g(i)表示交叉口i的相位数，如表2所示。

表2交叉口信号控制信息

交通流数据模块。路段(j,i)上流量为p(j,i)，路段(j,i)的饱和流率为s(j,i)，如表3所示。

表3路段流量信息

路段	流量	饱和流率	路段	流量	饱和流率
						(1,11)	2500	3600	(11,1)	2105	3600
(1,12)	1200	3600	(12,1)	1345	3600

(1,13)	2340	3600	(13,1)	1120	3600
						…	…	…	…	…	…

运算模块1。将上一步中路段流量p(j,i)代入优化模型OP1,如下

$\left(\mathrm{OP}1\right)\min Z_1=\underset{(j,i)\∈A}{\mathrm{\Σ}}{(\stackrel{\‾}{p}(j,i)-p(j,i))}^2$

$s.t.\underset{j\∈\left\{j\right|(j,i)\∈A\}}{\mathrm{\Σ}}\stackrel{\‾}{p}(j,i)=\underset{k\∈\left\{k\right|(i,k)\∈A\}}{\mathrm{\Σ}}\stackrel{\‾}{p}(i,k),i\∈I$

$\underset{j\∈\{(j,i)\∈A\}}{\text{\Σ}}\stackrel{\‾}{p}(j,i)=\underset{k\∈\mathrm{OD}}{\mathrm{\Σ}}d(k,i),i\∈\mathrm{OD}$

$\underset{j\∈\{(i,j)\∈A\}}{\mathrm{\Σ}}\stackrel{\‾}{p}(i,j)=\underset{k\∈\mathrm{OD}}{\mathrm{\Σ}}d(i,k),i\∈\mathrm{OD}$

其中，是计算得到的路段(i,j)上的流量，是辅助变量；A是路网中所有路段的集合；I是路网中所有交叉口的集合；OD是路网中所有起点和终点的集合；d(i,j)是起点i到终点j的交通需求。模型求解得到当前交通流量条件下的各起讫点间的交通需要d(i,j)，如表4所示。

表4

4，运算模块2。将运算模块1中得到的起讫点交通需求代入优化模型2，其中t₀＝1min。

$\left(\mathrm{OP}2\right)\min Z_2=\underset{t=0}{\overset{T}{\mathrm{\Σ}}}\underset{(j,i)\∈A}{\mathrm{\Σ}}{x}_{(j,i)}\left(t\right)\×t_0$

$s.t.h_{(i,k)}^1\left(t\right)=d(i,k)\×\mathrm{\ξ},i,k\∈\mathrm{OD};t=\mathrm{0,1,2},...,T$

$h_{(i,k)}^2\left(t\right)=d(i,k)-h_{(i,k)}^1\left(t\right),i,k\∈\mathrm{OD};t=\mathrm{0,1,2},...,T$

x_(i,j)(t+1)-x_(i,j)(t)＝(p_(i,j)(t)-v_(i,j)(t))t₀ (i,j)∈A；t＝0,1,2,...,T

$\underset{j\∈\left\{j\right|(i,j)\∈A\}}{\mathrm{\Σ}}{p}_{(i,j)}^1\left(t\right)=\underset{k\∈\left\{k\right|(k,i)\∈A\}}{\mathrm{\Σ}}{v}_{(k,i)}^1\left(t\right),i\∈I;t=\mathrm{0,1,2},...,T$

$\underset{j\∈\left\{j\right|(i,j)\∈A\}}{\mathrm{\Σ}}{p}_{(i,j)}^2\left(t\right){\mathrm{\λ}}_{(r,s)}^{(i,j)}=\underset{k\∈\left\{k\right|(k,i)\∈A\}}{\mathrm{\Σ}}{v}_{(k,i)}^2\left(t\right){\mathrm{\λ}}_{(r,s)}^{(k,i)}i\∈I;r,s\∈\mathrm{OD};t=\mathrm{0,1,2},...,T$

$\underset{j\∈\left\{j\right|(i,j)\∈A\}}{\mathrm{\Σ}}{p}_{(i,j)}^1\left(t\right)=\underset{k\∈\mathrm{OD}}{\mathrm{\Σ}}{h}_{(i,k)}^1\left(t\right),i\∈\mathrm{OD};t=\mathrm{0,1,2},...,T$

$\underset{j\∈\left\{j\right|(i,j)\∈A\}}{\text{\Σ}}{p}_{(i,j)}^2\left(t\right){\mathrm{\λ}}_{(i,s)}^{(i,j)}=\underset{k\∈\mathrm{OD}}{\mathrm{\Σ}}{h}_{(i,k)}^2\left(t\right),i\∈I;s\∈\mathrm{OD};t=\mathrm{0,1,2},...,T$

$p_{(i,j)}\left(t\right)=p_{(i,j)}^1\left(t\right)+p_{(i,j)}^2\left(t\right),(i,j)\∈A;t=\mathrm{0,1,2},...,T$

$v_{(i,j)}\left(t\right)=v_{(i,j)}^1\left(t\right)+v_{(i,j)}^2\left(t\right),(i,j)\∈A;t=\mathrm{0,1,2},...,T$

$x_{(i,j)}\left(t\right)=\underset{m=t}{\overset{t+c_{(i,j)}\left(\text{t}\right)}{\mathrm{\Σ}}}{v}_{(i,j)}\left(m\right),(i,j)\∈A;t=\mathrm{0,1,2},...,T$

p_(i,j)(t)≤s(i,j) (i,j)∈A；t＝0,1,2,...,T

v_(i,j)(t)≤s(i,j)×δ_(i,j)(t) (i,j)∈A；t＝0,1,2,...,T

${\mathrm{\δ}}_{(i,j)}\left(t\right)=\left\{\begin{array}{cc}1& a\×C_j+\underset{k=1}{\overset{m-1}{\mathrm{\Σ}}}{g}_{(i,j)}\left(k\right)+1\≤t\≤a\×C_j+\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{g}_{(i,j)}\left(k\right)\\ 0& \mathrm{otherwise}\end{array}\right.$

(i,j)∈A；1≤m≤g(j)；a∈N；t＝0,1,2,...,T

其中变量x_(i,j)(t)是路段(i,j)在t时刻的车辆数；s(j,i)是路段(i,j)的饱和流率；常数t₀是单位时间步的时长；变量ζ代表诱导策略，即为一定比例的用户发布优化诱导信息；hⁿ _{(i, j)}(t)是t时刻发出的由起点i发往终点j的流量，其中n＝1代表收到诱导信息的用户，n＝2代表未收到诱导信息的用户；p_(i,j)(t)是路段(i,j)在t时刻的驶入流量；pⁿ _(i,j)(t)是路段(i,j)在t时刻的驶入流量，其中n＝1代表收到诱导信息的用户，n＝2代表未收到诱导信息的用户；v_(i,j)(t)是路段(i,j)在t时刻的驶出流量；vⁿ _(i,j)(t)是路段(i,j)在t时刻的驶出流量，其中n＝1代表收到诱导信息的用户，n＝2代表未收到诱导信息的用户；针对未收到诱导信息的用户，根据自由流速度为其设计最短路径，λ^(i,j) _(r,s)表示路段(i,j)是否在链接起点r和终点s的最短路径上，1代表在，0代表不在；c_(i,j)(t)是路段(i,j)在t时刻的瞬时行程时间；δ_(i,j)(t)是信号控制变量，路段(i,j)在t时刻的信号控制状态，1代表绿灯，0代表红灯；变量g_(j,i)(m)表示路段(j,i)在交叉口i的第m个相位时的绿灯时长，若第m个相位里路段(j,i)处于红灯状态，则g_(j,i)(m)为0；变量o(i)表示交叉口i的绝对相位差；变量C(i)表示交叉口i的周期时长；变量g(i)表示交叉口i的相位数；C_j是信号交叉口j周期时长C(j)的离散化表达，有C_j＝C(j)/t₀。求解此优化模型可以得到适合当前绿波信号控制策略的最佳诱导控制策略ζ＝0.758，即此时为75.8％的用户发布诱导信息可得最佳效果。通过交通诱导系统向75.8％的用户发布诱导信息即可。

在此算例中，由于考虑了绿波控制策略的特殊性，即各关联交叉口的控制变量存在显著的关联性，大幅降低了变量数量，与传统优化算法相比，算法收敛时间仅为传统优化算法的约80％。

总之，本发明针对绿波控制策略的特殊性，对传统协调优化算法进行了改进。在传统协调优化算法中，每个信号交叉口所含变量包括信号相位，相序，各相位绿灯时长，以及各信号交叉口的各自的相位差；在本发明所提出的协调优化算法中，将各交叉口所含变量缩减为传统方法的1/2，包括各进口道在各相位中的绿灯时长以及所有交叉口的绝对相位差，有效降低了优化算法的计算复杂度，提升收敛速度。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

Claims (6)

1.一种绿波控制条件下交通诱导与信号控制协同系统，其特征在于，包括：

绿波控制策略模块，用于存储协同系统作用范围内的各信号交叉口的绿波控制参数，所述绿波控制参数包括交叉口各相位排序、各相位绿灯时长以及绝对相位差；

交通流数据模块，用于存储协同系统作用范围内的各路段流量；

第一运算模块，用于求解第一优化模型，得到当前交通流量条件下的各起讫点间的交通需要；

第二运算模块，用于根据所述各起讫点间的交通需要求计算最佳诱导控制策略。

2.如权利要求1所述的绿波控制条件下交通诱导与信号控制协同系统，其特征在于，还包括：策略分发模块，用于将最佳诱导控制策略通过交通诱导系统发送到用户。

3.如权利要求1或2所述的绿波控制条件下交通诱导与信号控制协同系统，其特征在于，所述第一运算模块根据优化模型OP1计算交通需要d(i,j)：

$\left(\mathrm{OP}1\right)\min Z_1=\underset{(j,i)\∈A}{\mathrm{\Σ}}{(\stackrel{\‾}{p}(j,i)-p(j,i))}^2---(1-1)$

$s.t.\underset{j\∈\left\{j\right|(j,i)\∈A\}}{\mathrm{\Σ}}\stackrel{\‾}{p}(j,i)=\underset{k\∈\left\{k\right|(i,k)\∈A\}}{\mathrm{\Σ}}\stackrel{\‾}{p}(i,k),i\∈I---(1-2)$

$\underset{j\∈\{(j,i)\∈A\}}{\text{\Σ}}\stackrel{\‾}{p}(j,i)=\underset{k\∈\mathrm{OD}}{\mathrm{\Σ}}d(k,i),i\∈\mathrm{OD}---(1-3)$

$\underset{j\∈\{(i,j)\∈A\}}{\mathrm{\Σ}}\stackrel{\‾}{p}(i,j)=\underset{k\∈\mathrm{OD}}{\mathrm{\Σ}}d(i,k),i\∈\mathrm{OD}---(1-4)$

其中是计算得到的路段(i,j)上的流量，是辅助变量；

p(j,i)是路段(i,j)上的实际流量，i表示路段的起点，j表示路段的终点；

A是路网中所有路段的集合；

I是路网中所有交叉口的集合；

OD是路网中所有起点和终点的集合；

k是可行域内标记路段节点的序号；

d(i,j)是起点i到终点j的交通需求。

4.如权利要求3所述的绿波控制条件下交通诱导与信号控制协同系统，其特征在于，所述第二计算模块根据优化模型OP2求解最佳诱导控制策略ζ：

$\left(\mathrm{OP}2\right)\min Z_2=\underset{t=0}{\overset{T}{\mathrm{\Σ}}}\underset{(j,i)\∈A}{\mathrm{\Σ}}{x}_{(j,i)}\left(t\right)\×t_0---(2-1)$

$s.t.h_{(i,k)}^1\left(t\right)=d(i,k)\×\mathrm{\ξ},i,k\∈\mathrm{OD};t=\mathrm{0,1,2},...,T---(2-2)$

$h_{(i,k)}^2\left(t\right)=d(i,k)-h_{(i,k)}^1\left(t\right),i,k\∈\mathrm{OD};t=\mathrm{0,1,2},...,T---(2-3)$

x_(i,j)(t+1)-x_(i,j)(t)＝(p_(i,j)(t)-v_(i,j)(t))t₀ (i,j)∈A；t＝0,1,2,...,T   (2-4)

$\underset{j\∈\left\{j\right|(i,j)\∈A\}}{\mathrm{\Σ}}{p}_{(i,j)}^1\left(t\right)=\underset{k\∈\left\{k\right|(k,i)\∈A\}}{\mathrm{\Σ}}{v}_{(k,i)}^1\left(t\right),i\∈I;t=\mathrm{0,1,2},...,T---(2-5)$

$\underset{j\∈\left\{j\right|(i,j)\∈A\}}{\mathrm{\Σ}}{p}_{(i,j)}^2\left(t\right){\mathrm{\λ}}_{(r,s)}^{(i,j)}=\underset{k\∈\left\{k\right|(k,i)\∈A\}}{\mathrm{\Σ}}{v}_{(k,i)}^2\left(t\right){\mathrm{\λ}}_{(r,s)}^{(k,i)}i\∈I;r,s\∈\mathrm{OD};t=\mathrm{0,1,2},...,T---(2-6)$

$\underset{j\∈\left\{j\right|(i,j)\∈A\}}{\mathrm{\Σ}}{p}_{(i,j)}^1\left(t\right)=\underset{k\∈\mathrm{OD}}{\mathrm{\Σ}}{h}_{(i,k)}^1\left(t\right),i\∈\mathrm{OD};t=\mathrm{0,1,2},...,T---(2-7)$

$\underset{j\∈\left\{j\right|(i,j)\∈A\}}{\text{\Σ}}{p}_{(i,j)}^2\left(t\right){\mathrm{\λ}}_{(i,s)}^{(i,j)}=\underset{k\∈\mathrm{OD}}{\mathrm{\Σ}}{h}_{(i,k)}^2\left(t\right),i\∈I;s\∈\mathrm{OD};t=\mathrm{0,1,2},...,T---(2-8)$

$p_{(i,j)}\left(t\right)=p_{(i,j)}^1\left(t\right)+p_{(i,j)}^2\left(t\right),(i,j)\∈A;t=\mathrm{0,1,2},...,T---(2-9)$

$v_{(i,j)}\left(t\right)=v_{(i,j)}^1\left(t\right)+v_{(i,j)}^2\left(t\right),(i,j)\∈A;t=\mathrm{0,1,2},...,T---(2-10)$

$x_{(i,j)}\left(t\right)=\underset{m=t}{\overset{t+c_{(i,j)}\left(\text{t}\right)}{\mathrm{\Σ}}}{v}_{(i,j)}\left(m\right),(i,j)\∈A;t=\mathrm{0,1,2},...,T---(2-11)$

p_(i,j)(t)≤s(i,j) (i,j)∈A；t＝0,1,2,...,T   (2-12)

v_(i,j)(t)≤s(i,j)×δ_(i,j)(t) (i,j)∈A；t＝0,1,2,...,T   (2-13)

${\mathrm{\δ}}_{(i,j)}\left(t\right)=\left\{\begin{array}{cc}1& a\×C_j+\underset{k=1}{\overset{m-1}{\mathrm{\Σ}}}{g}_{(i,j)}\left(k\right)+1\≤t\≤a\×C_j+\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{g}_{(i,j)}\left(k\right)\\ 0& \mathrm{otherwise}\end{array}\right.---(2-14)$

(i,j)∈A；1≤m≤g(j)；a∈N；t＝0,1,2,...,T

其中变量x(i,j)(t)是路段(i,j)在t时刻的车辆数；

s(j,i)是路段(i,j)的饱和流率；常数t₀是单位时间步的时长；

变量ζ代表诱导策略，即为一定比例的用户发布优化诱导信息；

hn(i,j)(t)是t时刻发出的由起点i发往终点j的流量，其中n＝1代表收到诱导信息的用户，n＝2代表未收到诱导信息的用户；

p(i,j)(t)是路段(i,j)在t时刻的驶入流量；pn(i,j)(t)是路段(i,j)在t时刻的驶入流量，其中n＝1代表收到诱导信息的用户，n＝2代表未收到诱导信息的用户；

v(i,j)(t)是路段(i,j)在t时刻的驶出流量；vn(i,j)(t)是路段(i,j)在t时刻的驶出流量，其中n＝1代表收到诱导信息的用户，n＝2代表未收到诱导信息的用户；针对未收到诱导信息的用户，根据自由流速度为其设计最短路径，

λ(i,j)(r,s)表示路段(i,j)是否在链接起点r和终点s的最短路径上，1代表在，0代表不在；

c(i,j)(t)是路段(i,j)在t时刻的瞬时行程时间；δ(i,j)(t)是信号控制变量，路段(i,j)在t时刻的信号控制状态，1代表绿灯，0代表红灯；

变量g(j,i)(m)表示路段(j,i)在交叉口i的第m个相位时的绿灯时长，若第m个相位里路段(j,i)处于红灯状态，则g(j,i)(m)为0；变量o(i)表示交叉口i的绝对相位差；

k是可行域内标记路段节点的序号；

系数a是任意自然数；

变量C(i)表示交叉口i的周期时长；变量g(i)表示交叉口i的相位数；Cj是信号交叉口j周期时长C(j)的离散化表达，有Cj＝C(j)/t₀。

5.一种绿波控制条件下交通诱导与信号控制协同方法，其特征在于，包括如下步骤：

步骤1，采集并存储协同系统作用范围内的各信号交叉口的绿波控制参数，所述绿波控制参数包括交叉口各相位排序、各相位绿灯时长以及绝对相位差；

步骤2，采集并存储协同系统作用范围内的各路段流量；

步骤3，求解第一优化模型，得到当前交通流量条件下的各起讫点间的交通需要：

$\left(\mathrm{OP}1\right)\min Z_1=\underset{(j,i)\∈A}{\mathrm{\Σ}}{(\stackrel{\‾}{p}(j,i)-p(j,i))}^2---(1-1)$

$s.t.\underset{j\∈\left\{j\right|(j,i)\∈A\}}{\mathrm{\Σ}}\stackrel{\‾}{p}(j,i)=\underset{k\∈\left\{k\right|(i,k)\∈A\}}{\mathrm{\Σ}}\stackrel{\‾}{p}(i,k),i\∈I---(1-2)$

$\underset{j\∈\{(j,i)\∈A\}}{\text{\Σ}}\stackrel{\‾}{p}(j,i)=\underset{k\∈\mathrm{OD}}{\mathrm{\Σ}}d(k,i),i\∈\mathrm{OD}---(1-3)$

$\underset{j\∈\{(i,j)\∈A\}}{\mathrm{\Σ}}\stackrel{\‾}{p}(i,j)=\underset{k\∈\mathrm{OD}}{\mathrm{\Σ}}d(i,k),i\∈\mathrm{OD}---(1-4)$

其中是计算得到的路段(i,j)上的流量，是辅助变量；

p(j,i)是路段(i,j)上的实际流量，i表示路段的起点，j表示路段的终点；

A是路网中所有路段的集合；

I是路网中所有交叉口的集合；

OD是路网中所有起点和终点的集合；

k是可行域内标记路段节点的序号；

d(i,j)是起点i到终点j的交通需求；

步骤4，根据所述各起讫点间的交通需要求计算最佳诱导控制策略：

$\left(\mathrm{OP}2\right)\min Z_2=\underset{t=0}{\overset{T}{\mathrm{\Σ}}}\underset{(j,i)\∈A}{\mathrm{\Σ}}{x}_{(j,i)}\left(t\right)\×t_0---(2-1)$

$s.t.h_{(i,k)}^1\left(t\right)=d(i,k)\×\mathrm{\ξ},i,k\∈\mathrm{OD};t=\mathrm{0,1,2},...,T---(2-2)$

$h_{(i,k)}^2\left(t\right)=d(i,k)-h_{(i,k)}^1\left(t\right),i,k\∈\mathrm{OD};t=\mathrm{0,1,2},...,T---(2-3)$

x_(i,j)(t+1)-x_(i,j)(t)＝(p_(i,j)(t)-v_(i,j)(t))t₀ (i,j)∈A；t＝0,1,2,...,T   (2-4)

$\underset{j\∈\left\{j\right|(i,j)\∈A\}}{\mathrm{\Σ}}{p}_{(i,j)}^1\left(t\right)=\underset{k\∈\left\{k\right|(k,i)\∈A\}}{\mathrm{\Σ}}{v}_{(k,i)}^1\left(t\right),i\∈I;t=\mathrm{0,1,2},...,T---(2-5)$

$\underset{j\∈\left\{j\right|(i,j)\∈A\}}{\mathrm{\Σ}}{p}_{(i,j)}^2\left(t\right){\mathrm{\λ}}_{(r,s)}^{(i,j)}=\underset{k\∈\left\{k\right|(k,i)\∈A\}}{\mathrm{\Σ}}{v}_{(k,i)}^2\left(t\right){\mathrm{\λ}}_{(r,s)}^{(k,i)}i\∈I;r,s\∈\mathrm{OD};t=\mathrm{0,1,2},...,T---(2-6)$

$\underset{j\∈\left\{j\right|(i,j)\∈A\}}{\mathrm{\Σ}}{p}_{(i,j)}^1\left(t\right)=\underset{k\∈\mathrm{OD}}{\mathrm{\Σ}}{h}_{(i,k)}^1\left(t\right),i\∈\mathrm{OD};t=\mathrm{0,1,2},...,T---(2-7)$

$\underset{j\∈\left\{j\right|(i,j)\∈A\}}{\text{\Σ}}{p}_{(i,j)}^2\left(t\right){\mathrm{\λ}}_{(i,s)}^{(i,j)}=\underset{k\∈\mathrm{OD}}{\mathrm{\Σ}}{h}_{(i,k)}^2\left(t\right),i\∈I;s\∈\mathrm{OD};t=\mathrm{0,1,2},...,T---(2-8)$

$p_{(i,j)}\left(t\right)=p_{(i,j)}^1\left(t\right)+p_{(i,j)}^2\left(t\right),(i,j)\∈A;t=\mathrm{0,1,2},...,T---(2-9)$

$v_{(i,j)}\left(t\right)=v_{(i,j)}^1\left(t\right)+v_{(i,j)}^2\left(t\right),(i,j)\∈A;t=\mathrm{0,1,2},...,T---(2-10)$

$x_{(i,j)}\left(t\right)=\underset{m=t}{\overset{t+c_{(i,j)}\left(\text{t}\right)}{\mathrm{\Σ}}}{v}_{(i,j)}\left(m\right),(i,j)\∈A;t=\mathrm{0,1,2},...,T---(2-11)$

p_(i,j)(t)≤s(i,j) (i,j)∈A；t＝0,1,2,...,T   (2-12)

v_(i,j)(t)≤s(i,j)×δ_(i,j)(t) (i,j)∈A；t＝0,1,2,...,T   (2-13)

${\mathrm{\δ}}_{(i,j)}\left(t\right)=\left\{\begin{array}{cc}1& a\×C_j+\underset{k=1}{\overset{m-1}{\mathrm{\Σ}}}{g}_{(i,j)}\left(k\right)+1\≤t\≤a\×C_j+\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{g}_{(i,j)}\left(k\right)\\ 0& \mathrm{otherwise}\end{array}\right.$

(i,j)∈A；1≤m≤g(j)；a∈N；t＝0,1,2,...,T   (2-14)

其中变量x(i,j)(t)是路段(i,j)在t时刻的车辆数；

s(j,i)是路段(i,j)的饱和流率；常数t₀是单位时间步的时长；

变量ζ代表诱导策略，即为一定比例的用户发布优化诱导信息；

hn(i,j)(t)是t时刻发出的由起点i发往终点j的流量，其中n＝1代表收到诱导信息的用户，n＝2代表未收到诱导信息的用户；

p(i,j)(t)是路段(i,j)在t时刻的驶入流量；pn(i,j)(t)是路段(i,j)在t时刻的驶入流量，其中n＝1代表收到诱导信息的用户，n＝2代表未收到诱导信息的用户；

v(i,j)(t)是路段(i,j)在t时刻的驶出流量；vn(i,j)(t)是路段(i,j)在t时刻的驶出流量，其中n＝1代表收到诱导信息的用户，n＝2代表未收到诱导信息的用户；针对未收到诱导信息的用户，根据自由流速度为其设计最短路径，

λ(i,j)(r,s)表示路段(i,j)是否在链接起点r和终点s的最短路径上，1代表在，0代表不在；c(i,j)(t)是路段(i,j)在t时刻的瞬时行程时间；δ(i,j)(t)是信号控制变量，路段(i,j)在t时刻的信号控制状态，1代表绿灯，0代表红灯；

k是可行域内标记路段节点的序号；

系数a是任意自然数；

变量g(j,i)(m)表示路段(j,i)在交叉口i的第m个相位时的绿灯时长，若第m个相位里路段(j,i)处于红灯状态，则g(j,i)(m)为0；变量o(i)表示交叉口i的绝对相位差；

变量C(i)表示交叉口i的周期时长；变量g(i)表示交叉口i的相位数；Cj是信号交叉口j周期时长C(j)的离散化表达，有Cj＝C(j)/t₀。

6.如权利要求5所述的绿波控制条件下交通诱导与信号控制协同方法，其特征在于，还包括步骤5：将最佳诱导控制策略通过交通诱导系统发送到用户。