CN104575051A - 一种基于阵列雷达的高架匝道智能信号控制方法及装置 - Google Patents

Abstract

本发明涉及一种基于阵列雷达的高架匝道智能信号控制方法及装置。该方法包括下列顺序的步骤：在高架道路上安装多个阵列雷达检测设备，在高架入口匝道前方设置信号机设备；获取的检测区路段的实时交通参数信息，计算检测区路段的平均交通流密度参数，构建密度-运行指数模型，提取检测区路段的实时交通运行指数；计算入口匝道的平均交通运行指数；设置匝道信号控制的信号调节率，计算实时的信号控制绿信比，构建运行指数-绿信比模型；信号机设备通过调用数据库中的运行指数-绿信比模型，对高架入口匝道的信号进行控制。本发明能够提高高架道路交通事件检测的准确度和交通流运行效率。

Description

一种基于阵列雷达的高架匝道智能信号控制方法及装置

技术领域

本发明涉及城市高架匝道的智能交通信号控制技术领域，尤其是一种基于阵列雷达的高架匝道智能信号控制方法及装置。

背景技术

随着城市汽车拥有量大幅增加，交通流量和道路供需的矛盾日益突出，城市高架的出现大大增加了出行路线选择，但城市高架带来畅通、快速的出行的同时带来了更加的矛盾，每到高峰时段高架就成了高空停车场，大大延误了公众的出行，造成了社会资源的浪费。传统的方法大多是通过人工方式进行匝道的限行关闭来调节高架的交通流，应急处理延迟，还浪费人力成本。国内外学者提出了各种各样的管理控制措施，入口匝道信号控制就是其中之一，现已被证明是一种灵活而有效的控制方法。通过智能交通信息采集技术，实现入口匝道的智能信号控制，是未来匝道控制管理发展的方向。

传统的信息采集方式存在一定的弊端，如视频检测在雨、雪、雾天环境下容易误判，线圈检测容易受到大型车辆的重压损坏，微波的探测范围较小等。现有的交通信息采集技术种类多样，有基于浮动车的信息采集技术，也有基于固定检测设备的信息采集方式，如阵列雷达检测、微波检测、地感线圈等。新型的阵列雷达交通信息采集方式具有很多长处，采用二维主动式阵列雷达技术，可以大区域大范围的路面交通信息检测、准确检测多目标的即时位置和即时速度、可检测排队长度、逆行等多类交通事件、解决车辆遮挡、停车等漏检或多检问题，为交通信息采集带来了更全面的数据和更新、更广泛的应用。

匝道信号控制算法也多种多样如ALINEA、ALINEA/Q、Mixed-control算法，相互之间各有利弊。传统的ALINEA控制算法，是基于时间占有率的反馈控制，算法现已成功应用于欧洲多个城市；ALINEA/Q控制算法同时考虑了匝道上的排队数，以求更合理的控制策略；Mixed-control算法通过实时反馈控制来优化网络环境，需要实时检测快速路的时间占有率和匝道的排队长度。

发明内容

本发明的首要目的在于提供一种能够降低交通信息采集成本，提高高架道路交通事件检测的准确度和交通流运行效率，实现基于阵列雷达检测设备的高架匝道智能交通信号控制方法。

为实现上述目的，本发明采用了以下技术方案：

一种基于阵列雷达的高架匝道智能信号控制方法，该方法包括下列顺序的步骤：

(1)在高架道路上安装多个阵列雷达检测设备，并在高架入口匝道前方设置信号机设备；分别对高架道路进行路段划分编码、阵列雷达检测设备编码和信号机设备编码，并将路段划分编码、阵列雷达检测设备编码和信号机设备编码进行关联配对。

(2)阵列雷达检测设备将获取的检测区路段的实时交通参数信息，实时传输至服务器设备进行存储，服务器设备将实时交通参数信息传输至交通状态处理设备，交通状态处理设备根据检测区路段的实时交通参数信息，计算检测区路段的平均交通流密度参数，构建密度-运行指数模型，提取检测区路段的实时交通运行指数。

(3)交通状态处理设备统计各个匝道所关联路段的交通运行指数，计算入口匝道的平均交通运行指数。

(4)智能信号处理设备根据入口匝道的平均交通运行指数，设置匝道信号控制的信号调节率，计算实时的信号控制绿信比，构建运行指数-绿信比模型。

(5)智能信号处理设备将智能信号控制模型传输至数据库，信号机设备通过调用数据库中的运行指数-绿信比模型，对高架入口匝道的信号进行控制。

步骤(2)中，所述的交通参数信息包括阵列雷达检测设备所对应路段的各个车道的交通流量数据和车辆速度数据。

步骤(2)中，所述的交通状态处理设备根据检测区路段的实时交通参数信息，计算检测区路段的平均交通流密度参数，构建密度-运行指数模型，提取检测区路段的实时交通运行指数；具体包括以下步骤：

(21)交通状态处理设备提取各个阵列雷达检测设备检测到的实时交通参数信息，并基于周期分析时间粒度，在空间维度和时间维度层面分别计算检测区路段的平均交通流参数和平均速度参数；

(22)利用交通流密度判断模型，计算空间维度和时间维度的平均交通流密度参数；

(23)根据平均交通流密度参数，构建密度-运行指数模型；

(24)根据密度-运行指数模型，计算检测区路段的实时交通运行指数。

步骤(2)中，所述交通状态处理设备计算检测区路段的平均交通流密度参数的计算方法如下：

阵列雷达检测设备实时上报的数据格式为(t,n,q,v),t表示上报时间，n表示所在车道，q表示交通流数据，v表示车流速度数据，(t,n,q,v)的单位分别为秒、1、辆/小时/车道和千米/小时；

假设样本数据集可表示为S＝{(t,1,q₁,v₁),(t,2,q₂,v₂),...,(t,n,q_n,v_n)}，样本的处理粒度周期为T，其单位为小时；先利用式(1)，统计时间内待测路段空间维度和时间维度的平均交通流

$\stackrel{\‾}{q}=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{q}_n/N---\left(1\right)$

在式(1)中，n表示所在车道，N表示路段的车道个数，q_n表示第n车道的交通流，表示单位粒度周期的平均交通流；

再利用式(2)，计算单位粒度周期的平均速度：

$\stackrel{\‾}{v}=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{v}_n/N---\left(2\right)$

在式(2)中，v_n表示第n车道的速度，表示单位粒度周期的平均速度；

利用式(3)，统计时间内待测路段空间维度和时间维度的平均交通流密度

$\stackrel{\‾}{k}=\frac{\stackrel{\‾}{q}}{\stackrel{\‾}{v}}---\left(3\right)$

在式(3)中，表示单位周期粒度的平均交通流密度，其单位为辆/千米/车道。

步骤(2)中，所述的密度-运行指数模型，具体如式(4)所示：

$\mathrm{RTPI}=\left\{\begin{array}{c}2\&times;\frac{\stackrel{\&OverBar;}{k}}{x}(0\&le;\stackrel{\&OverBar;}{k}\&le;x)\\ 2+2\&times;\frac{\stackrel{\&OverBar;}{k}-x}{y-x}(x<\stackrel{\text{-}}{k}\&le;y)\\ 4+2\&times;\frac{\stackrel{\&OverBar;}{k}-y}{z-y}(y<\stackrel{\text{-}}{k}\&le;z)\\ 6+2\&times;\frac{\stackrel{\&OverBar;}{k}-z}{p-z}(z<\stackrel{\&OverBar;}{k}\&le;p)\\ 8+2\&times;\frac{\stackrel{\&OverBar;}{k}-p}{m-p}(p<\stackrel{\&OverBar;}{k}\&le;m)\\ 10(\stackrel{\&OverBar;}{k}>m)\end{array}\right.---\left(4\right)$

在式(4)中，RTPI表示交通运行指数；x,y,z,p,m的值是道路交通拥堵感受优化参数，按照道路等级赋予其参数值，其初始化参考值如表1所示；

表1 路段交通运行指数模型参数

安装阵列雷达检测器的路段，路段交通运行指数等于检测器交通运行指数，没有检测器的路段交通运行指数为0，具体如式(5)所示：

${\mathrm{RTPI}}_{r_s}=\left\{\begin{array}{cc}{\mathrm{RTPI}}_{d_j}& r_s=f\left(d_j\right)\\ 0& r_s\&NotEqual;f\left(d_j\right)\end{array}\right.---\left(5\right)$

其中，表示检测器交通运行指数，表示路段交通运行指数。

步骤(4)中，所述的智能信号处理设备根据入口匝道的平均交通运行指数，设置匝道信号控制的信号调节率，计算实时的信号控制绿信比，构建运行指数-绿信比模型；具体包括以下步骤：

(41)统计每个匝道信号机设备所关联的所有路段的交通运行指数，分别计算有阵列雷达检测设备的路段和没有阵列雷达检测设备的路段的交通运行指数，并统计分析入口匝道的平均交通运行指数；

(42)根据入口匝道的平均交通运行指数，判定当前匝道所关联道路的交通运行状态等级，并构建运行指数-绿信比模型，获取绿灯和红灯相位时间，制定当前匝道信号的控制方案；

(43)提取匝道信号控制方案指令，信号机设备通过调用数据库接口服务对高架匝道的交通信号进行控制。

步骤(42)中，所述的根据入口匝道的平均交通运行指数，判定当前匝道所关联道路的交通运行状态等级，并构建运行指数-绿信比模型，获取绿灯和红灯相位时间，制定当前匝道信号的控制方案；具体包括以下步骤：

(421)利用式(6)获取匝道平均交通运行指数：

$\stackrel{\&OverBar;}{z_i}=\underset{1}{\overset{j}{\mathrm{\&Sigma;}}}{\mathrm{TPI}}_{d_j}/j---\left(6\right)$

其中，表示匝道平均交通运行指数，j表示检测器的顺序编号，表示检测器d_j的交通运行指数。

再利用式(7)获取匝道所关联路段的平均交通流：

$\stackrel{\&OverBar;}{q_{z_i}}=\underset{1}{\overset{j}{\mathrm{\&Sigma;}}}\underset{1}{\overset{n}{\mathrm{\&Sigma;}}}{q}_{\mathrm{jn}}/j---\left(7\right)$

其中，n表示检测点车道的个数，i表示当前匝道编码，j表示当前匝道所关联的检测器个数，q_jn表示第j个检测器第n车道的交通流，表示当前匝道所关联路段的平均交通流；

(422)根据匝道所关联路段的平均交通流获取匝道信号周期C，其初始化参考值如表2所示：

表2 匝道信号周期模型参数

(423)根据匝道平均交通运行指数和匝道所关联路段的平均交通流获取匝道信号周期C，利用式(8)计算当前匝道的绿信比r_i：

$r_i=C*\frac{\stackrel{\&OverBar;}{z_i}}{10}---\left(8\right)$

(424)根据匝道信号周期C和当前匝道的绿信比r_i，利用式(9)和式(10)，获取红绿灯相位时间：

G＝C*(1-r_i)       (9)

R＝C-G-Y          (10)

其中，G表示有效绿灯相位时间，R表示红灯相位时间，Y表示黄闪时间，C表示匝道信号周期C，r_i表示当前匝道的绿信比。

本发明的另一目的在于提供一种基于阵列雷达的高架匝道智能信号控制装置，包括阵列雷达检测设备、用于数据通讯和储存的服务器设备、交通状态处理设备、智能信号处理设备和信号机设备。阵列雷达检测设备，其输出端与服务器设备的输入端相连，服务器设备，其输出端与交通状态处理设备的输入端相连，交通状态处理设备，其输出端与智能信号处理设备的输入端相连，智能信号处理设备，其输出端与信号机设备的输入端相连。

由上述技术方案可知，本发明通过构建基于阵列雷达检测器数据的智能化匝道信号控制算法，实现了高架入口匝道智能信号控制。本发明充分利用了交通流和车辆速度交通参数进行综合分析，提高了交通事件检测的准确度和交通流运行效率。本发明应用后能够降低人工视频方式进行匝道限行的人力成本，对城市交通流进行有效疏导，缓解高架道路的交通拥堵，减少交通事故的发生，提升高架道路交通的使用效率和服务水平。

附图说明

图1是本发明的方法流程图；

图2是本发明的装置结构框图；

图3是本发明的装置安装示意图。

其中：

1、阵列雷达检测设备，2、服务器设备，3、交通状态处理设备，4、智能信号处理设备，5、信号机设备。

具体实施方式

如图1所示的一种基于阵列雷达的高架匝道智能信号控制方法，该方法包括下列顺序的步骤：

S1、如图3所示，在高架道路上安装多个阵列雷达检测设备，并在高架入口匝道前方设置信号机设备；分别对高架道路进行路段划分编码r_s、阵列雷达检测设备编码d_j和信号机设备编码，并将路段划分编码r_s、阵列雷达检测设备编码d_j和信号机设备编码进行关联配对。根据车流方向绑定各个信号机设备及其所关联的路段。对高架入口匝道进行编码z_i，绑定入口匝道所关联的路段，匝道编码z_i和路段编码r_s进行一对多关联配对，匝道编码z_i和阵列雷达检测设备编码d_j进行如式(0)所示的一对多关联配对；

z_i＝f(d₁,d₂,...,d_j)(i∈I,j∈J)

r_s＝f(d_j)(s∈S,j∈J)     (0)

其中，I为高架上所有匝道的总个数；J为高架单方向上所有阵列雷达检测器的总个数；S为高架单方向上所有路段的总个数。

根据高架道路的长度确定安装阵列雷达检测设备的个数，一般而言阵列雷达检测设备数量的增加可以提高事件检测的准确度，但是会增加设备的成本费用。权衡准确度和成本的平衡，本发明采用每1～3千米长度安装一个阵列雷达设备，系统设备安装示意图如图3。

S2、阵列雷达检测设备将获取的检测区路段的实时交通参数信息，实时传输至服务器设备进行存储和标准化，服务器设备将实时交通参数信息传输至交通状态处理设备。

S3、交通状态处理设备根据检测区路段的实时交通参数信息，计算检测区路段的平均交通流密度参数，构建密度-运行指数模型，提取检测区路段的实时交通运行指数。所述的交通参数信息包括阵列雷达检测设备所对应路段的各个车道的交通流量数据和车辆速度数据。该过程具体包括以下步骤：

S31、交通状态处理设备提取各个阵列雷达检测设备检测到的实时交通参数信息，并基于周期分析时间粒度，在空间维度和时间维度层面分别计算检测区路段的平均交通流参数和平均速度参数。

S32、利用交通流密度判断模型，计算空间维度和时间维度的平均交通流密度参数。平均交通流密度参数的计算方法如下：

阵列雷达检测设备实时上报的数据格式为(t,n,q,v),t表示上报时间，n表示所在车道，q表示交通流数据，v表示车流速度数据，(t,n,q,v)的单位分别为秒、1、辆/小时/车道和千米/小时；

假设样本数据集可表示为S＝{(t,1,q₁,v₁),(t,2,q₂,v₂),...,(t,n,q_n,v_n)}，样本的处理粒度周期为T，其单位为小时；先利用式(1)，统计时间内待测路段空间维度和时间维度的平均交通流

$\stackrel{\&OverBar;}{q}=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{q}_n/N---\left(1\right)$

在式(1)中，n表示所在车道，N表示，q_n表示第n车道的交通流，表示单位粒度周期的平均交通流；

再利用式(2)，计算单位粒度周期的平均速度：

$\stackrel{\&OverBar;}{v}=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{v}_n/n---\left(2\right)$

在式(2)中，v_n表示第n车道的速度，表示单位粒度周期的平均速度；

利用式(3)，统计时间内待测路段空间维度和时间维度的平均交通流密度

$\stackrel{\&OverBar;}{k}=\frac{\stackrel{\&OverBar;}{q}}{\stackrel{\&OverBar;}{v}}---\left(3\right)$

在式(3)中，表示单位周期粒度的平均交通流密度，其单位为辆/千米/车道。

S33、根据平均交通流密度参数，构建密度-运行指数模型；所述的密度-运行指数模型，具体如式(4)所示：

$\mathrm{RTPI}=\left\{\begin{array}{c}2\&times;\frac{\stackrel{\&OverBar;}{k}}{x}(0\&le;\stackrel{\&OverBar;}{k}\&le;x)\\ 2+2\&times;\frac{\stackrel{\&OverBar;}{k}-x}{y-x}(x<\stackrel{\text{-}}{k}\&le;y)\\ 4+2\&times;\frac{\stackrel{\&OverBar;}{k}-y}{z-y}(y<\stackrel{\text{-}}{k}\&le;z)\\ 6+2\&times;\frac{\stackrel{\&OverBar;}{k}-z}{p-z}(z<\stackrel{\&OverBar;}{k}\&le;p)\\ 8+2\&times;\frac{\stackrel{\&OverBar;}{k}-p}{m-p}(p<\stackrel{\&OverBar;}{k}\&le;m)\\ 10(\stackrel{\&OverBar;}{k}>m)\end{array}\right.---\left(4\right)$

在式(4)中，RTPI表示交通运行指数；x,y,z,p,m的值是道路交通拥堵感受优化参数，按照道路等级赋予其参数值，其初始化参考值如表1所示；

表1 路段交通运行指数模型参数

安装阵列雷达检测器的路段，路段交通运行指数等于检测器交通运行指数，没有检测器的路段交通运行指数为0，具体如式(5)所示：

${\mathrm{RTPI}}_{r_s}=\left\{\begin{array}{cc}{\mathrm{RTPI}}_{d_j}& r_s=f\left(d_j\right)\\ 0& r_s\&NotEqual;f\left(d_j\right)\end{array}\right.---\left(5\right)$

其中，表示检测器交通运行指数，表示路段交通运行指数。

S34、根据密度-运行指数模型，计算检测区路段的实时交通运行指数。

S4、交通状态处理设备统计各个匝道所关联路段的交通运行指数，计算入口匝道的平均交通运行指数。

S5、智能信号处理设备根据入口匝道的平均交通运行指数，设置匝道信号控制的信号调节率，计算实时的信号控制绿信比，构建运行指数-绿信比模型。步骤S5具体包括以下步骤：

S51、统计每个匝道信号机设备所关联的所有路段的交通运行指数，分别计算有阵列雷达检测设备的路段和没有阵列雷达检测设备的路段的交通运行指数，并统计分析入口匝道的平均交通运行指数。

S52、根据入口匝道的平均交通运行指数，判定当前匝道所关联道路的交通运行状态等级，并构建运行指数-绿信比模型，获取绿灯和红灯相位时间，制定当前匝道信号的控制方案。该过程具体包括以下步骤：

S521、利用式(6)获取匝道平均交通运行指数：

$\stackrel{\&OverBar;}{z_i}=\underset{1}{\overset{j}{\mathrm{\&Sigma;}}}{\mathrm{TPI}}_{d_j}/j---\left(6\right)$

其中，表示匝道平均交通运行指数，j表示检测器的顺序编号，表示检测器d_j的交通运行指数。

再利用式(7)获取匝道所关联路段的平均交通流：

$\stackrel{\&OverBar;}{q_{z_i}}=\underset{1}{\overset{j}{\mathrm{\&Sigma;}}}\underset{1}{\overset{n}{\mathrm{\&Sigma;}}}{q}_{\mathrm{jn}}/j---\left(7\right)$

其中，n表示检测点车道的个数，i表示当前匝道编码，j表示当前匝道所关联的检测器个数，q_jn表示第j个检测器第n车道的交通流，表示当前匝道所关联路段的平均交通流；

S522、根据匝道所关联路段的平均交通流获取匝道信号周期C，其初始化参考值如表2所示：

表2 匝道信号周期模型参数

S523、根据匝道平均匝道平均交通运行指数和匝道所关联路段的平均交通流获取匝道信号周期C，利用式(8)计算当前匝道的绿信比r_i：

$r_i=C*\frac{\stackrel{\&OverBar;}{z_i}}{10}---\left(8\right)$

S524、根据匝道信号周期C和当前匝道的绿信比r_i，利用式(9)和式(10)，获取红绿灯相位时间：

G＝C*(1-r_i)         (9)

R＝C-G-Y         (10)

其中，G表示有效绿灯相位时间，R表示红灯相位时间，Y表示黄闪时间，C表示匝道信号周期C，r_i表示当前匝道的绿信比。

S53、提取匝道信号控制方案指令，信号机设备通过调用数据库接口服务对高架匝道的交通信号进行控制。

S6、智能信号处理设备将智能信号控制模型传输至数据库，信号机设备通过调用数据库中的运行指数-绿信比模型，对高架入口匝道的信号进行控制。

如图2所示的一种基于阵列雷达的高架匝道智能信号控制装置，包括阵列雷达检测设备1、用于数据通讯和储存的服务器设备2、交通状态处理设备3、智能信号处理设备4和信号机设备5。阵列雷达检测设备1，其输出端与服务器设备2的输入端相连，服务器设备2，其输出端与交通状态处理设备3的输入端相连，交通状态处理设备3，其输出端与智能信号处理设备4的输入端相连，智能信号处理设备4，其输出端与信号机设备5的输入端相连。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (8)

1.一种基于阵列雷达的高架匝道智能信号控制方法，其特征在于：该方法包括下列顺序的步骤：

(1)在高架道路上安装多个阵列雷达检测设备，并在高架入口匝道前方设置信号机设备；分别对高架道路进行路段划分编码、阵列雷达检测设备编码和信号机设备编码，并将路段划分编码、阵列雷达检测设备编码和信号机设备编码进行关联配对；

(2)阵列雷达检测设备将获取的检测区路段的实时交通参数信息，实时传输至服务器设备进行存储，服务器设备将实时交通参数信息传输至交通状态处理设备，交通状态处理设备根据检测区路段的实时交通参数信息，计算检测区路段的平均交通流密度参数，构建密度-运行指数模型，提取检测区路段的实时交通运行指数；

(3)交通状态处理设备统计各个匝道所关联路段的交通运行指数，计算入口匝道的平均交通运行指数；

(4)智能信号处理设备根据入口匝道的平均交通运行指数，设置匝道信号控制的信号调节率，计算实时的信号控制绿信比，构建运行指数-绿信比模型；

(5)智能信号处理设备将智能信号控制模型传输至数据库，信号机设备通过调用数据库中的运行指数-绿信比模型，对高架入口匝道的信号进行控制。

2.根据权利要求1所述的一种基于阵列雷达的高架匝道智能信号控制方法，其特征在于：步骤(2)中，所述的交通参数信息包括阵列雷达检测设备所对应路段的各个车道的交通流量数据和车辆速度数据。

3.根据权利要求1所述的一种基于阵列雷达的高架匝道智能信号控制方法，其特征在于：步骤(2)中，所述的交通状态处理设备根据检测区路段的实时交通参数信息，计算检测区路段的平均交通流密度参数，构建密度-运行指数模型，提取检测区路段的实时交通运行指数；具体包括以下步骤：

(21)交通状态处理设备提取各个阵列雷达检测设备检测到的实时交通参数信息，并基于周期分析时间粒度，在空间维度和时间维度层面分别计算检测区路段的平均交通流参数和平均速度参数；

(22)利用交通流密度判断模型，计算空间维度和时间维度的平均交通流密度参数；

(23)根据平均交通流密度参数，构建密度-运行指数模型；

(24)根据密度-运行指数模型，计算检测区路段的实时交通运行指数。

4.根据权利要求1所述的基于阵列雷达的高架匝道智能诱导方法，其特征在于：步骤(2)中，所述交通状态处理设备计算检测区路段的平均交通流密度参数的计算方法如下：

阵列雷达检测设备实时上报的数据格式为(t,n,q,v),t表示上报时间，n表示所在车道，q表示交通流数据，v表示车流速度数据，(t,n,q,v)的单位分别为秒、1、辆/小时/车道和千米/小时；

假设样本数据集可表示为S＝{(t,1,q₁,v₁),(t,2,q₂,v₂),...,(t,n,q_n,v_n)}，样本的处理粒度周期为T，其单位为小时；先利用式(1)，统计时间内待测路段空间维度和时间维度的平均交通流

$\stackrel{\&OverBar;}{q}=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{q}_n/N---\left(1\right)$

在式(1)中，n表示所在车道，N表示路段的车道个数，q_n表示第n车道的交通流，表示单位粒度周期的平均交通流；

再利用式(2)，计算单位粒度周期的平均速度：

$\stackrel{\&OverBar;}{v}=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{v}_n/N---\left(2\right)$

在式(2)中，v_n表示第n车道的速度，表示单位粒度周期的平均速度；

利用式(3)，统计时间内待测路段空间维度和时间维度的平均交通流密度

$\stackrel{\&OverBar;}{k}=\frac{\stackrel{\&OverBar;}{q}}{\stackrel{\&OverBar;}{v}}---\left(3\right)$

在式(3)中，表示单位周期粒度的平均交通流密度，其单位为辆/千米/车道。

5.根据权利要求1所述的一种基于阵列雷达的高架匝道智能信号控制方法，其特征在于：步骤(2)中，所述的密度-运行指数模型，具体如式(4)所示：

$\mathrm{PTPI}=\left\{\begin{array}{c}2\&times;\frac{\stackrel{\&OverBar;}{k}}{x}(0\&le;\stackrel{\&OverBar;}{k}\&le;x)\\ 2+2\&times;\frac{\stackrel{\&OverBar;}{k}-x}{y-x}(x\&le;\stackrel{\&OverBar;}{k}\&le;y)\\ 4+2\&times;\frac{\stackrel{\&OverBar;}{k}-y}{z-y}(y\&le;\stackrel{\&OverBar;}{k}\&le;z)\\ 6+2\&times;\frac{\stackrel{\&OverBar;}{k}-z}{p-z}(z\&le;\stackrel{\&OverBar;}{k}\&le;p)\\ 8+2\&times;\frac{\stackrel{\&OverBar;}{k}-p}{m-p}(p\&le;\stackrel{\&OverBar;}{k}\&le;m)\\ 10(\stackrel{\&OverBar;}{k}>m)\end{array}\right.---\left(4\right)$

在式(4)中，RTPI表示交通运行指数；x,y,z,p,m的值是道路交通拥堵感受优化参数，按照道路等级赋予其参数值，其初始化参考值如表1所示；

表1  路段交通运行指数模型参数

安装阵列雷达检测器的路段，路段交通运行指数等于检测器交通运行指数，没有检测器的路段交通运行指数为0，具体如式(5)所示：

${\mathrm{PTPI}}_{r_s}=\left\{\begin{array}{cc}{\mathrm{PTPI}}_{d_j}& r_s=f\left(d_j\right)\\ 0& r_s\&NotEqual;f\left(d_j\right)\end{array}\right.---\left(5\right)$

其中，表示检测器交通运行指数，表示路段交通运行指数。

6.根据权利要求1所述的一种基于阵列雷达的高架匝道智能信号控制方法，其特征在于：步骤(4)中，所述的智能信号处理设备根据入口匝道的平均交通运行指数，设置匝道信号控制的信号调节率，计算实时的信号控制绿信比，构建运行指数-绿信比模型；具体包括以下步骤：

(41)统计每个匝道信号机设备所关联的所有路段的交通运行指数，分别计算有阵列雷达检测设备的路段和没有阵列雷达检测设备的路段的交通运行指数，并统计分析入口匝道的平均交通运行指数；

(42)根据入口匝道的平均交通运行指数，判定当前匝道所关联道路的交通运行状态等级，并构建运行指数-绿信比模型，获取绿灯和红灯相位时间，制定当前匝道信号的控制方案；

(43)提取匝道信号控制方案指令，信号机设备通过调用数据库接口服务对高架匝道的交通信号进行控制。

7.根据权利要求6所述的一种基于阵列雷达的高架匝道智能信号控制方法，其特征在于：步骤(42)中，所述的根据入口匝道的平均交通运行指数，判定当前匝道所关联道路的交通运行状态等级，并构建运行指数-绿信比模型，获取绿灯和红灯相位时间，制定当前匝道信号的控制方案；具体包括以下步骤：

(421)利用式(6)获取匝道平均交通运行指数：

$\stackrel{\&OverBar;}{z_i}=\underset{1}{\overset{j}{\mathrm{\&Sigma;}}}{\mathrm{TPI}}_{d_j}/j---\left(6\right)$

其中，表示匝道平均交通运行指数，j表示检测器的顺序编号，表示检测器d_j的交通运行指数。

再利用式(7)获取匝道所关联路段的平均交通流：

$\stackrel{\&OverBar;}{q_{z_i}}=\underset{1}{\overset{j}{\mathrm{\&Sigma;}}}\underset{1}{\overset{n}{\mathrm{\&Sigma;}}}{q}_{\mathrm{jn}}/j---\left(7\right)$

其中，n表示检测点车道的个数，i表示当前匝道编码，j表示当前匝道所关联的检测器个数，q_jn表示第j个检测器第n车道的交通流，表示当前匝道所关联路段的平均交通流；

(422)根据匝道所关联路段的平均交通流获取匝道信号周期C，其初始化参考值如表2所示：

表2  匝道信号周期模型参数

(423)根据匝道平均交通运行指数和匝道所关联路段的平均交通流获取匝道信号周期C，利用式(8)计算当前匝道的绿信比rⁱ：

$r_i=C*\frac{{\stackrel{\&OverBar;}{z}}_i}{10}---\left(8\right)$

(424)根据匝道信号周期C和当前匝道的绿信比r_i，利用式(9)和式(10)，获取红绿灯相位时间：

G＝C*(1-r_i)   (9)

R＝C-G-Y   (10)

其中，G表示有效绿灯相位时间，R表示红灯相位时间，Y表示黄闪时间，C表示匝道信号周期C，r_i表示当前匝道的绿信比。

8.一种基于阵列雷达的高架匝道智能信号控制装置，其特征在于：包括阵列雷达检测设备、用于数据通讯和储存的服务器设备、交通状态处理设备、智能信号处理设备和信号机设备；

阵列雷达检测设备，其输出端与服务器设备的输入端相连；服务器设备，其输出端与交通状态处理设备的输入端相连；交通状态处理设备，其输出端与智能信号处理设备的输入端相连；智能信号处理设备，其输出端与信号机设备的输入端相连。