CN104134356A - 城市交叉口模型参考自适应信号的控制方法 - Google Patents

Abstract

本发明公开了城市交叉口模型参考自适应信号的控制方法，属于智能交通的技术领域。所述控制方法结合Petri网的参考模型构成的反馈控制系统，以Petri网的参考模型输出的期望直流车辆数修正各相位实际滞留车辆数与期望滞留车辆数的差值，进而修正各相位的延长时间，再由修正后的各相位延长时间、预测的车流量、初始相位信号修正交叉路口的实际相位信号，对车流量的扰动具有更强的抵抗能力；相比于现有技术中固定配时方案以及建立交叉口状态转移矩阵继而引入反馈控制方法的方案而言优化了控制效果。

Description

城市交叉口模型参考自适应信号的控制方法

技术领域

本发明公开了城市交叉口模型参考自适应信号的控制方法，属于智能交通的技术领域。

背景技术

随着机动车的需求量增加，城市交通拥堵问题日显严重。当城市发展到一定的程度，城市布局相对固定，以拓宽道路去减少交通拥堵的成本太高。所以近几年来，越来越多的研究者将协调交叉口信号作为研究方向，以达到缓解交通压力的目的。城市交叉口系统是一个复杂的大系统，同时具有并发性，同步性等特征。常见的研究方法是建立交叉，口信号的延误模型。通过对系统的运行状态进行分析，并利用统计学的相关知识，建立车辆通过路口的延误时间模型。

在经典的优化方法中，Webster和Akcelik分别提出了Webster模型和ARRB模型。这两个模型在固定配时方法中有重大的影响。这两个模型在低流量下，能够很好的计算出来车辆通过路口的平均延误时间，但是在高流量下，计算的结果误差较大。近几年，随着Petri网技术的发展，用Petri网建立交叉路口的模型成为现在研究的热点之一。利用Petri网模型可以同时描述车辆通过路口的宏观特征和微观特征。通过对连续Petri网的研究，可以同时从连续的和离散的角度对交叉路口进行分析和研究。

传统的相位配时方法是通过寻优算法对特定的交叉口延误模型进行寻优，得到最小延误的信号分配方案。常用的方法有爬山法，粒子群寻优算法，蚁群寻优算法等。比较实用的是爬山法，其实现比较的简单，在实际中已经得到了一定的应用。统计学模型和寻优算法一般于用固定配时方案中，利用人工采集数据得到模型中的各个参数值，然后结合寻优算法，求解出配时方案。但是城市中车流量变化迅速，尤其在早晚高峰时，车流量与平峰时期流量相差较大，利用单纯的固定配时方法难以取得比较好的控制效果。一些学者希望通过建立交叉路口的状态转移矩阵，继而引入常见的反馈控制方法，以达到实时优化的目的。但是因为交叉口系统的复杂性，状态转移矩阵模型难以建立。

发明内容

本发明所要解决的技术问题是针对上述背景技术的不足，提供了城市交叉口模型参考自适应信号的控制方法。

本发明为实现上述发明目的采用如下技术方案：

城市交叉口模型参考自适应信号的控制方法，

步骤1，以Petri网模型为交叉口的参考模型，参考模型在初始相位信号作用下确定各相位在每个采样点时的期望滞留车辆数；

步骤2，建立的相位时间延长模型： $K_{\mathrm{ei}}=\mathrm{\Δ}{K}_{\mathrm{ei}}+K_{e0}=-\mathrm{\λ}\underset{K-N}{\overset{K}{\mathrm{\Σ}}}{e}_i\left(k\right)\·S_i+K_{e0},$ 在初始信号控制下得到交叉口各相位的延时信号，

其中：K_ei是第i个相位的延长时间，K_e0是初始延长时间，ΔK_ei是相位延长时间的实时变化量，λ是保持路口系统稳定的参数，e_i(k)是第i个相位在第k个采样点时实际滞留车辆数与期望滞留车辆数的差值，S_i是车道饱和流量，K是最近一次采样点在整个采样序列中的序列号，N是保证k＝K-N,…,K时e_i(k)≠0的最大自然数，i为自然数， $e_i\left(k\right)=\left\{\begin{array}{c}0,y_{\mathrm{pi}}\left(k\right)-y_{\mathrm{mi}}\left(k\right)\≤\mathrm{\γ}\\ y_{\mathrm{pi}}\left(k\right)-y_{\mathrm{mi}}\left(k\right),y_{\mathrm{pi}}\left(k\right)-y_{\mathrm{mi}}\left(k\right)>\mathrm{\γ}\end{array}\right.,$ y_pi(k)是第i个相位在第k个采样点时的实际滞留车辆数，y_mi(k)是第i个相位在第k个采样点时的期望滞留车辆数，γ是表示对扰动的不敏感程度，γ取值大于零；

步骤3，交叉口的实际滞留车辆数在延时信号作用下更新，由延时信号、车流量、初始相位信号更新交叉口控制信号。

作为所述城市交叉口模型参考自适应信号的控制方法的进一步优化方案，保持路口系统稳定的参数λ： $\mathrm{\&lambda;}<\min \left(\frac{2e_i\left(k\right)\&CenterDot;m_i}{\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e}_i\left(k\right)\&CenterDot;S_i}\right)i=\mathrm{1,2,3},\&CenterDot;\&CenterDot;\&CenterDot;,$ mi是设定的每秒钟通过路口的车辆数。

作为所述城市交叉口模型参考自适应信号的控制方法的进一步优化方案，所述初始相位信号是利用爬山法对交叉口延误模型进行初始信号分配得到的，其中，延误模型为各个相位延误时间的总和d_l：

d_l＝μ₁·d_l1+μ₂·d_l2+μ₃·d_l3+μ₄·d_l4，

${\mathrm{\&mu;}}_1=\left\{\begin{array}{cc}1+(t_{\mathrm{PD}}-g)/(g/2),& g/2<t_{\mathrm{PD}}<g\\ 1-(t_{\mathrm{PD}}-g)/(r/2),& g<t_{\mathrm{PD}}<g+r/2\end{array}\right.,$

${\mathrm{\&mu;}}_2=\left\{\begin{array}{cc}1+(t_{\mathrm{PD}}-g-r/2)/(r/2),& g<t_{\mathrm{PD}}<g+r/2\\ 1-(t_{\mathrm{PD}}-g-r/2)/(r/2),& g+r/2<t_{\mathrm{PD}}<g+r\end{array}\right.,$

${\mathrm{\&mu;}}_3=\left\{\begin{array}{cc}1+(t_{\mathrm{PD}}-r-g)/(r/2),& g+r/2<t_{\mathrm{PD}}<g+r\\ 1-t_{\mathrm{PD}}/(g/2),& 0<t_{\mathrm{PD}}<g/2\end{array}\right.,$

${\mathrm{\&mu;}}_4=\left\{\begin{array}{cc}1+(t_{\mathrm{PD}}-g/2)/(g/2),& 0<t_{\mathrm{PD}}<g/2\\ 1-(t_{\mathrm{PD}}-g/2)/(g/2),& g/2<t_{\mathrm{PD}}<g\end{array}\right.,$

d_l1为车队在红灯初期到达的延误时间，d_l2为车队在红灯中期到达的延误时间，d_l3为车队在绿灯初期到达的延误时间，d_l4为车队在绿灯中期到达的延误时间，μ₁为d_l1的隶属度函数，μ₂为d_l2的隶属度函数，μ₃为d_l3的隶属度函数，μ₄为d_l4的隶属度函数，t_PD为车辆到达下一个路口的时间，g为交叉口的绿灯时长，r为交叉口的红灯时长，L_AJ是上游路口与下游路口的间距，V_AJP是车辆通过两个路口之间道路的平均速度，θ是两个相邻路口信号之间的信号相位差，R是保证t_PD在0到路口周期C之间最小的整数。

本发明采用上述技术方案，具有以下有益效果：对车流量的扰动具有更强的抵抗能力，优化了控制效果。

附图说明

图1(a)、图1(b)、图1(c)、图1(d)分别为实施例中的路口4个相位的变化顺序。

图2为本发明中针对城市交叉口配时信号在线优化设计方法的Petri网模型图。

图3为本发明中针对城市交叉口配时信号在线优化设计方法的控制框图。

图4(a)、图4(b)为车队在红灯初期到达的离散图。

图5(a)、图5(b)为车队在红灯中期到达的离散图。

图6(a)、图6(b)为车队在绿灯初期到达的离散图。

图7(a)、图7(b)为车队在绿灯中期到达的离散图。

图8为在车队延误模型中引入的隶属度函数图。

图9(a)、图9(b)、图9(c)、图9(d)为实施例中仿真得到的各相位车辆滞留状况的示意图。

具体实施方式

下面结合附图对发明的技术方案进行详细说明。

被研究的道路交叉口相位变化如图1所示有4个相位，相位1如图1(a)所示为南北向直行，相位2如图1(b)所示为南北向左转，相位3如图1(c)所示为东西向直行，相位4如图1(d)所示为东西向左转。在这篇发明中，因考虑到如果路口有专用右转车道，则右转车辆与其他方向车辆冲突较小，不考虑专门的绿灯相位。

第i个相位的期望滞留车辆数y_mi由交叉口的Petri网模型输出，交叉口的Petri网模型的配时方案由信号初始分配模块决定。在信号初始分配模块中，设定对应路口的延误模型，并利用爬山法对初始相位信号进行分配。其具体方案如下：

下游路口的到达车辆受到上游路口的信号影响，易形成车队。车队到达时车流量明显大于离散车流量。为了更精确的计算出车辆通过交叉路口的延误时间，将车队的不同到达情况分开考虑。车队在不同时间的到达离散图如图4至图7所示，横坐标为时间，纵坐标n为滞留车辆数。由图4(a)、图4(b)得到车队在红灯初期到达的延误时间d_l1，由图5(a)、图5(b)得到车队在红灯中期到达的延误时间d_l2，由图6(a)、图6(b)得到车队在绿灯初期到达的延误时间d_l3，由图7(a)、图7(b)得到车队在绿灯中期到达的延误时间d_l4：

$d_{l1}=0.38\&times;[r-t_1\&CenterDot;(1-\frac{q_{\mathrm{pl}}}{q_{\mathrm{av}}})-t_2\&CenterDot;(\frac{1}{X}-1)]---\left(1\right)$

$d_{l2}=\frac{0.38}{C\&CenterDot;q_{\mathrm{av}}}[0.5\&times;r\&CenterDot;(r+t_1+t_2)+q_{\mathrm{pl}}\&CenterDot;t_1\&CenterDot;(t_2+0.5r)+S\&CenterDot;t_2(0.5r-t_1)]---\left(2\right)$

$d_{l3}=\frac{0.38}{C\&CenterDot;q_{\mathrm{av}}}\&times;[r\&CenterDot;q_n{}_{}\&CenterDot;(r+t_1+t_2)+t_2\&CenterDot;t_1\&CenterDot;(q_{\mathrm{pl}}-S)]---\left(3\right)$

$d_{l4}=\frac{0.38}{C\&CenterDot;q_{\mathrm{av}}}[q_n\&CenterDot;(C-0.5g)\&CenterDot;(r+t_1+t_2)-S\&CenterDot;t_2\&CenterDot;(t_1+0.5g)+q_{\mathrm{pl}}\&CenterDot;t_1\&CenterDot;(t_2-0.5g)]---\left(4\right)$

式(1)至式(4)中：t₁为车队到达的持续时间，t₂为等待通行车辆的消散时间，q_pl为车队到达时的车流量，q_n为无车队到达时的车流量，q_av为平均车流量，r为交叉口的红灯时长，g为交叉口的绿灯时长，C为交叉口信号周期，X为车道的饱和度，S为车道的饱和流量。

q_pl＝(1-β)α·q_av，q_n＝(β·q_av)(1-α)，α＝(12)[λ·X·(1-β)+1-λ]，

β＝[1λ-(X-1)](2P-X)，X＝q_av·C/(S·g)。

为了计算任意时刻的车队到达延误时间，利用隶属度函数将四种车队到达的延误模型(式(1)至式(4))联系起来并建立目标函数。

隶属度函数由图8所示，横坐标为一周期内的时间，根据图8可以得到各个车队到达类型的隶属度函数：

${\mathrm{\&mu;}}_1=\left\{\begin{array}{cc}1+(t_{\mathrm{PD}}-g)/(g/2)& g/2<t_{\mathrm{PD}}<g\\ 1-(t_{\mathrm{PD}}-g)/(r/2)& g<t_{\mathrm{PD}}<g+r/2\end{array}\right.---\left(5\right)$

${\mathrm{\&mu;}}_2=\left\{\begin{array}{cc}1+(t_{\mathrm{PD}}-g-r/2)/(r/2)& g<t_{\mathrm{PD}}<g+r/2\\ 1-(t_{\mathrm{PD}}-g-r/2)/(r/2)& g+r/2<t_{\mathrm{PD}}<g+r\end{array}\right.---\left(6\right)$

${\mathrm{\&mu;}}_3=\left\{\begin{array}{cc}1+(t_{\mathrm{PD}}-r-g)/(r/2)& g+r/2<t_{\mathrm{PD}}<g+r\\ 1-t_{\mathrm{PD}}/(g/2)& 0<t_{\mathrm{PD}}<g/2\end{array}\right.---\left(7\right)$

${\mathrm{\&mu;}}_4=\left\{\begin{array}{cc}1+(t_{\mathrm{PD}}-g/2)/(g/2)& 0<t_{\mathrm{PD}}<g/2\\ 1-(t_{\mathrm{PD}}-g/2)/(g/2)& g/2<t_{\mathrm{PD}}<g\end{array}\right.---\left(8\right)$

式(5)至式(8)中，L_AJ是上游路口与下游路口的间距，V_AJP是车辆通过两个路口之间道路的平均速度，θ是两个相邻路口信号之间的信号相位差，R是保证t_PD在0到路口周期C之间最小的整数。

结合隶属度函数和不同的车队到达的延误模型，目标函数可以选择为各个相位延误时间的总和：

d_l＝μ₁·d_l1+μ₂·d_l2+μ₃·d_l3+μ₄·d_l4     (9)

结合爬山法寻优得到最佳的相位配时，使得路口总延误模型公式(9)最低。并将结果用到基于Petri网的参考模型中。Petri网模型如图2所示，其中变迁t₁，t₂，t₃，t₄的延误时间为寻优所得到的最佳相位配时决定。

图2各个下标的介绍如下表所示：

如图3所示，由参考模型的输出为y_M＝[y_m1 y_m2 y_m3 y_m4]^T，其中y_mi(i＝1,2,3,4)是参考模型各相位的滞留车辆数(即为权利要求中的期望滞留车辆数)。滞留车辆是在绿灯开始之前就到达路口，等待绿灯放行，但是绿灯结束后，依然没有通过路口的车辆。实际道路交叉口的滞留车辆数为其中y_pi(i＝1,2,3,4)是实际交叉口各相位的滞留车辆数，t是变迁，p是库所。实际道路交叉口延长时间为K_E＝[K_e1 K_e2 K_e3 K_e4]，其中，K_ei(i＝1,2,3,4)是实际交叉口各相位的延长时间。rF为车流量信息，包括车队到达时的车流量q_pl、无车队到达时的车流量q_n、平均车流量q_av。控制系统反馈的误差为e_F＝[e₁(k) e₂(k) e₃(k) e₄(k)]，e_i(k)(i＝1,2,3,4)是实际交叉路口各相位滞留车辆数与参考模型各相位滞留车辆数的误差：

$e_i\left(k\right)=\left\{\begin{array}{c}0,y_{\mathrm{pi}}\left(k\right)-y_{\mathrm{mi}}\left(k\right)\&le;\mathrm{\&gamma;}\\ y_{\mathrm{pi}}\left(k\right)-y_{\mathrm{mi}}\left(k\right),y_{\mathrm{pi}}\left(k\right)-y_{\mathrm{mi}}\left(k\right)>\mathrm{\&gamma;}\end{array}\right.---\left(10\right)$

其中，γ是大于0的整数，代表对于误差的不敏感程度，由工程经验设定。

为了取得最优的控制策略，设立目标函数：

$J=\frac{1}{2}\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e_i}^2\left(k\right),k=K-N,\&CenterDot;\&CenterDot;\&CenterDot;,K---\left(11\right)$

其中，N是最大的自然数，以保证k＝K-N,…,K,e_i(k)≠0，如果e_i(K)＝0，则N＝0。K是最后一个采样点。

目标函数对调节量K_ei求偏导得：

$\frac{\&PartialD;J}{\&PartialD;K_{\mathrm{ei}}}=\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e}_i\left(k\right)\&CenterDot;\frac{\&PartialD;e_i\left(k\right)}{\&PartialD;K_{\mathrm{ei}}}---\left(12\right)$

为了取得目标函数的最小值，调节量应该向梯度下降最大的方向：

${\mathrm{\&Delta;K}}_{\mathrm{ei}}=-\mathrm{\&lambda;}\frac{\&PartialD;J}{\&PartialD;K_{\mathrm{ei}}}=-\mathrm{\&lambda;}\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e}_i\left(k\right)\&CenterDot;\frac{\&PartialD;e_i\left(k\right)}{\&PartialD;K_{\mathrm{ei}}}---\left(13\right)$

为调节量的增量对于滞留车辆的影响，通过实际的物理意义，可以等同于车道的饱和流量S_i。所以，公式(13)可以被改写为：

$\mathrm{\&Delta;}{K}_{\mathrm{ei}}=-\mathrm{\&lambda;}\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e}_i\left(k\right)\&CenterDot;S_i---\left(14\right)$

由此K_ei可以被写为：

$K_{\mathrm{ei}}=\mathrm{\&Delta;}{K}_{\mathrm{ei}}+K_{e0}=-\mathrm{\&lambda;}\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e}_i\left(k\right)\&CenterDot;S_i+K_{e0}---\left(14\right)$

λ的限制条件为： $\mathrm{\&lambda;}<\min \left(\frac{2e_i\left(k\right)\&CenterDot;m_i}{\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e}_i\left(k\right)\&CenterDot;S_i}\right)i=\mathrm{1,2,3},\&CenterDot;\&CenterDot;\&CenterDot;,$ 其中m_i是假定的每秒钟通过路口的车辆数，其推导过程如下：

设定李雅普诺夫函数：

$\left\{\begin{array}{c}V\left(k\right)=e\left(k\right)\mathrm{Pe}\left(k\right)\\ V(k+1)=e(k+1)\mathrm{Pe}(k+1)\end{array}\right.$

其中：

$p=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right],$ e(k+1)＝e(k)+K_E/m_i,e(k)＝[e₁(k) e₂(k) e₃(k) e₄(k)]

(1)考虑单相位车流量过饱和，整体交叉路口车流量欠饱和，不是一般性的，假设过饱和相位为相位1，则

e_i(k)＝0(i＝2,3,4).

$\begin{array}{c}V(k+1)-V\left(k\right)=e_1{(k+1)}^2-e_1{\left(k\right)}^2\\ ={[e_1\left(k\right)+K_{e1}/m_1]}^2-e_1{\left(k\right)}^2\\ =[e_1\left(k\right)-\mathrm{\&lambda;}\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e}_1\left(k\right)\&CenterDot;S_1/m_1{]}^{2-e_1{\left(k\right)}^2}\\ =\mathrm{\&lambda;}\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e}_1\left(k\right)\&CenterDot;S_1/m_1[\mathrm{\&lambda;}\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e}_1\left(k\right)\&CenterDot;S_1/m_1-2e_1\left(k\right)]\end{array}$

∵V(k+1)-V(k)≤0

$\begin{array}{c}\&Therefore;\mathrm{\&lambda;}\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e}_1\left(k\right)\&CenterDot;S_1/m_1-2e_1\left(k\right)<0\\ \&DoubleRightArrow;\mathrm{\&lambda;}<\frac{2e_1\left(k\right)\&CenterDot;m_1}{\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e}_1\left(k\right)\&CenterDot;S_1}\end{array}$

(2)考虑双相位车流量过饱和，整体交叉路车流量口欠饱和，不是一般性的，假设过饱和相位为相位1和相位2，则

e_i(k)＝0,i＝3，4.

$V(k+1)-V\left(k\right)=e_1{(k+1)}^2-e_1{\left(k\right)}^2+e_2{(k+1)}^2-e_2{\left(k\right)}^2$

$\begin{array}{c}={[e_1\left(k\right)+K_{e1}/m_1]}^2-e_1{\left(k\right)}^2+{[e_2\left(k\right)+K_{e2}/m_2]}^2-e_2{\left(k\right)}^2\\ ={[e_1\left(k\right)-\mathrm{\&lambda;}\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e}_1\left(k\right)\&CenterDot;S_1/m_1]}^2-e_1{\left(k\right)}^2\\ +{[e_2\left(k\right)-\mathrm{\&lambda;}\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e}_2\left(k\right)\&CenterDot;S_2/m_2]}^2-e_2{\left(k\right)}^2\\ =\mathrm{\&lambda;}\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e}_1\left(k\right)\&CenterDot;S_1/m_1[\mathrm{\&lambda;}\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e}_1\left(k\right)\&CenterDot;S_1/m_1-2e_1\left(k\right)]\\ +\mathrm{\&lambda;}\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e}_2\left(k\right)\&CenterDot;S_2/m_2[\mathrm{\&lambda;}\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e}_2\left(k\right)\&CenterDot;S_2/m_2-2e_2\left(k\right)]\end{array}$

∵V(k+1)-V(k)≤0

$\begin{array}{c}\&Therefore;\mathrm{\&lambda;}\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e}_1\left(k\right)\&CenterDot;S_1/m_1-2e_1\left(k\right)<0\mathrm{and\&lambda;}\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e}_2\left(k\right)\&CenterDot;S_2/m_2-2e_2\left(k\right)<0\\ \&DoubleRightArrow;\mathrm{\&lambda;}<\min (\frac{2e_1\left(k\right)\&CenterDot;m_1}{\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e}_1\left(k\right)\&CenterDot;S_1},\frac{{2e}_2\left(k\right)\&CenterDot;m_2}{\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e}_2\left(k\right)\&CenterDot;S_2})\end{array}$

(3)当多个相位车流量过饱和，整体路口车流量欠饱和，可得为使系统稳定，λ的限制条件为：

$\mathrm{\&lambda;}<\min \left(\frac{2e_i\left(k\right)\&CenterDot;m_i}{\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e}_i\left(k\right)\&CenterDot;S_i}\right)i=\mathrm{1,2,3},\&CenterDot;\&CenterDot;\&CenterDot;.$

图9为利用MATLAB软件，结合本文所述的控制方法得到的控制效果图，图9(a)、图9(b)、图9(c)、图9(d)为同一路口四个相位的车辆到达与离开状态，横坐标为时间，纵坐标为车辆滞留数。可见，当车流量数突然出现扰动时，滞留车辆数不为零，此时，控制策略被激活，减少欠饱和相位的绿灯时间，增加过饱和相位的绿灯时长。利用公式(14)求出延长的绿灯时间。对路口的相位的重新分配，在下一个周期结束时，滞留车辆数已经减为零，同时没有引起其他欠饱和相位出现滞留车辆数。

综上所述，本发明具有以下优点：

(1)结合Petri网的参考模型构成的反馈控制系统，以Petri网的参考模型输出的期望直流车辆数修正各相位实际滞留车辆数与期望滞留车辆数的差值，进而修正各相位的延长时间，再由修正后的各相位延长时间、预测的车流量、初始相位信号修正交叉路口的实际相位信号，对车流量的扰动具有更强的抵抗能力；

(2)相比于现有技术中固定配时方案以及建立交叉口状态转移矩阵继而引入反馈控制方法的方案而言优化了控制效果。

Claims (3)

1.城市交叉口模型参考自适应信号的控制方法，其特征在于：

步骤1，以Petri网模型为交叉口的参考模型，参考模型在初始相位信号作用下确定各相位在每个采样点时的期望滞留车辆数；

步骤2，建立的相位时间延长模型： $K_{\mathrm{ei}}=\mathrm{\&Delta;}{K}_{\mathrm{ei}}+K_{e0}=-\mathrm{\&lambda;}\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e}_i\left(k\right)\&CenterDot;S_i+K_{e0},$ 在初始信号控制下得到交叉口各相位的延时信号，

其中：K_ei是第i个相位的延长时间，K_e0是初始延长时间，ΔK_ei是相位延长时间的实时变化量，λ是保持路口系统稳定的参数，e_i(k)是第i个相位在第k个采样点时实际滞留车辆数与期望滞留车辆数的差值，S_i是车道饱和流量，K是最近一次采样点在整个采样序列中的序列号，N是保证k＝K-N,…,K时e_i(k)≠0的最大自然数，i为自然数， $e_i\left(k\right)=\left\{\begin{array}{c}0,y_{\mathrm{pi}}\left(k\right)-y_{\mathrm{mi}}\left(k\right)\&le;\mathrm{\&gamma;}\\ y_{\mathrm{pi}}\left(k\right)-y_{\mathrm{mi}}\left(k\right),y_{\mathrm{pi}}\left(k\right)-y_{\mathrm{mi}}\left(k\right)>\mathrm{\&gamma;}\end{array}\right.,$ y_pi(k)是第i个相位在第k个采样点时的实际滞留车辆数，y_mi(k)是第i个相位在第k个采样点时的期望滞留车辆数，γ是表示对扰动的不敏感程度，γ取值大于零；

步骤3，交叉口的实际滞留车辆数在延时信号作用下更新，由延时信号、车流量、初始相位信号得到更新后的交叉口控制信号。

2.根据权利要求1所述城市交叉口模型参考自适应信号的控制方法，其特征在于：所述保持路口系统稳定的参数λ： $\mathrm{\&lambda;}<\min \left(\frac{2e_i\left(k\right)\&CenterDot;m_i}{\underset{K-N}{\overset{K}{\mathrm{\&Sigma;}}}{e}_i\left(k\right)\&CenterDot;S_i}\right)i=\mathrm{1,2,3},\&CenterDot;\&CenterDot;\&CenterDot;,m_i$ 是设定的每秒钟通过路口的车辆数。

3.根据权利要求1所述城市交叉口模型参考自适应信号的控制方法，其特征在于：所述初始相位信号是利用爬山法对交叉口延误模型进行初始信号分配得到的，其中，延误模型为各个相位延误时间的总和d_l：

d_l＝μ₁·d_l1+μ₂·d_l2+μ₃·d_l3+μ₄·d_l4，

${\mathrm{\&mu;}}_1=\left\{\begin{array}{cc}1+(t_{\mathrm{PD}}-g)/(g/2),& g/2<t_{\mathrm{PD}}<g\\ 1-(t_{\mathrm{PD}}-g)/(r/2),& g<t_{\mathrm{PD}}<g+r/2\end{array}\right.,$

${\mathrm{\&mu;}}_2=\left\{\begin{array}{cc}1+(t_{\mathrm{PD}}-g-r/2)/(r/2),& g<t_{\mathrm{PD}}<g+r/2\\ 1-(t_{\mathrm{PD}}-g-r/2)/(r/2),& g+r/2<t_{\mathrm{PD}}<g+r\end{array}\right.,$

${\mathrm{\&mu;}}_3=\left\{\begin{array}{cc}1+(t_{\mathrm{PD}}-r-g)/(r/2),& g+r/2<t_{\mathrm{PD}}<g+r\\ 1-t_{\mathrm{PD}}/(g/2),& 0<t_{\mathrm{PD}}<g/2\end{array}\right.,$

${\mathrm{\&mu;}}_4=\left\{\begin{array}{cc}1+(t_{\mathrm{PD}}-g/2)/(g/2),& 0<t_{\mathrm{PD}}<g/2\\ 1-(t_{\mathrm{PD}}-g/2)/(r/2),& g/2<t_{\mathrm{PD}}<g\end{array}\right.,$

d_l1为车队在红灯初期到达的延误时间，d_l2为车队在红灯中期到达的延误时间，d_l3为车队在绿灯初期到达的延误时间，d_l4为车队在绿灯中期到达的延误时间，μ₁为d_l1的隶属度函数，μ₂为d_l2的隶属度函数，μ₃为d_l3的隶属度函数，μ₄为d_l4的隶属度函数，t_PD为车辆到达下一个路口的时间，g为交叉口的绿灯时长，r为交叉口的红灯时长，L_AJ是上游路口与下游路口的间距，V_AJP是车辆通过两个路口之间道路的平均速度，θ是两个相邻路口信号之间的信号相位差，R是保证t_PD在0到路口周期C之间最小的整数。