CN105046990A - 一种基于粒子群算法的相邻路口间人行道信号灯控制方法 - Google Patents

Abstract

一种基于粒子群算法的相邻路口间人行道信号灯控制方法，所述控制方法包括如下步骤：1)参考历史交通数据的时间段划分；采集历史交通数据中，按交通流量变化划分时间段，将流量变化较小时间段的划在一块，区分交通流量高峰段和平缓段；2)人行道信号灯相位设置；3)实时采集人行道和机动车道交通数据，计算信号相位状态及相位时间；4)判断当前人行道和机动车道绿灯相位需求程度是否满足信号灯相位变换条件；5)当满足信号灯相位变换条件时，信号灯变换相位。本发明提供一种兼顾路口车辆和行人通行效率、可靠性较高、提升交通效率的基于粒子群算法的相邻路口间人行道信号灯控制方法。

Description

一种基于粒子群算法的相邻路口间人行道信号灯控制方法

技术领域

本发明涉及智能交通领域，尤其是一种交通信号灯控制方法。

背景技术

随着城市车辆的不断增多，行人过街的问题越来越严重。在解决城市干道横向行人过街问题时，为了方便行人过街，需要在两个相邻交叉口中间设置人行道方便行人过街。而行人过街与干道车辆的通行是相互矛盾的，为保证人行过街与干道车辆的通行，需要对行人过街进行管理。

行人过街的管理措施主要有三种：1)定时信号控制；2)行人按钮式信号控制；3)无信号控制。人行道信号控制方法一般是根据路段历史行人、车辆交通量情况或控制经验制定定时控制方案，此种控制方法在交通量变化较为稳定的状况下较为适用，交通变化量较大时则难以适应交通需求，影响交通运行效率。行人按钮式信号控制方法，由于行人过街分布的不确定性，经常影响车辆正常通行，导致干道拥堵。

申请号为200710130953.X的中国专利公开了一种行人过街交通信号控制的系统及方法，其通过信号处理器综合行人过街请求与上游交叉口车辆过人行道所需时间，给出行人过街通行权。该种方法在交通量较小时较为适用，当出现上游交叉口车流量对通过人行道的需求较大，而行人等待时间较长时，信号处理器对该种情况处理较不适用。

申请号为201010121624.0的中国专利公开了一种自适应式智能交通灯及其控制方法，其使用摄像机获取各方向道路的视频图像，对图像进行信息提取，根据等待排队车辆的密度以及等待过街行人的密度，对交通灯进行切换控制。该种方法在交通流量较小时效果并不理想，切换控制约束较少，而计算机对车辆和行人双重识别及密度分析，计算量大、可靠性低。

发明内容

为了克服已有交通灯控制方法的无法兼顾车辆和行人通行效率、可靠性较低的不足，本发明提供一种兼顾路口车辆和行人通行效率、可靠性较高、提升交通效率的基于粒子群算法的相邻路口间人行道信号灯控制方法。

本发明解决其技术问题所采用的技术方案是：

一种基于粒子群算法的相邻路口间人行道信号灯控制方法，所述控制方法包括如下步骤：

1)参考历史交通数据的时间段划分；

采集历史交通数据中，按交通流量变化划分时间段，将流量变化较小时间段的划在一块，区分交通流量高峰段和平缓段；

2)人行道信号灯相位设置及相位变换设置

信号灯相位：R1人行道绿灯，机动车道红灯

R2人行道红灯，机动车道红灯

R3人行道红灯，机动车道绿灯

R4人行道红灯，机动车道红灯

相位R2、R4保证相位变换后，通行一半的行人或车辆顺利通行，其时间设置为固定值，R2时间TR2＝人行道长度/人平均速度，R4时间TR4＝人行道宽度/机动车平均速度；

相位变换设置：

2.1)当人行道没有行人，机动车道没有车辆时，机动车道绿灯相位；

2.2)当机动车道出现车辆而人行道未出现行人时，机动车道绿灯相位；

2.3)当人行道出现行人而机动车道未出现车辆时，人行道绿灯相位；

2.4)当人行道有行人、机动车道有车辆时，计算人行道和机动车道绿灯相位需求程度，此时，信号灯循环变换顺序为R1、R2、R3、R4，因为R2、R4的时间设置为固定值，R1、R3的相位时间根据人行道和机动车道绿灯相位需求程度是否满足信号灯相位变换条件进行确定；

3)实时采集人行道和机动车道交通数据，计算人行道和机动车道绿灯相位需求程度

人行道绿灯相位需求程度包括前一相位状态R3和当前相位状态R1的行人通过人行道流量、行人等候数量、行人等候时间和行人流量波动情况；机动车道绿灯相位需求程度包括前一相位状态R1和当前相位状态R3的车辆通过人行道流量、车辆等候的排队长度、车辆等候时间和车辆流量波动情况；

计算公式如下：

$\begin{array}{c}{g}_{ren}\left(t\right)={\mathrm{\α}}_1\·P(T_k,T_{k-1})\·R\left(T_{k-1}\right)+{\mathrm{\α}}_2\·P(t,T_k)\·R\left(T_k\right)\\ +{\mathrm{\α}}_3\·(\stackrel{\‾}{Q_r\left(J\right)}-\stackrel{\‾}{Q_r\left(T_{k-1},t\right)})/\sqrt{{\stackrel{\‾}{Q_r\left(J\right)}}^2+{\stackrel{\‾}{Q_r\left(T_{k-1},t\right)}}^2}\end{array}$

$\begin{array}{c}{g}_{che}\left(t\right)={\mathrm{\α}}_4\·U(T_k,T_{k-1})\·R\left(T_{k-1}\right)+{\mathrm{\α}}_5\·U(t,T_k)\·R\left(T_k\right)\\ +{\mathrm{\α}}_3\·(\stackrel{\‾}{Q\left(J\right)}-\stackrel{\‾}{Q\left(T_{k-1},t\right)})/\sqrt{{\stackrel{\‾}{Q\left(J\right)}}^2+{\stackrel{\‾}{Q\left(T_{k-1},t\right)}}^2}\end{array}$

其中，

$P(t,T)=\frac{{\Σ}_{s=T}^{s=t}{Q}_r\left(s\right)}{{\Σ}_{s=T}^{s=t}{Q}_{r\max }}+\frac{{\Σ}_{s=T}^{s=t}N\left(s\right)}{{\Σ}_{s=T}^{s=t}{N}_{\max }}+\frac{t-T}{T_{c\max }}$

$U(t,T)=\frac{{\mathrm{\Σ}}_{s=T}^{s=t}Q\left(s\right)}{{\mathrm{\Σ}}_{s=T}^{s=t}{Q}_{\max }}+\frac{{\mathrm{\Σ}}_{s=T}^{s=t}L\left(s\right)}{{\mathrm{\Σ}}_{s=T}^{s=t}{L}_{max}}+\frac{t-T}{T_{cmax}}$

g_ren(t)、g_che(t)分别为t时人行道、机动车道绿灯相位需求程度；α_d(d＝1,2,...,6)为人行道、机动车道绿灯相位需求程度系数，根据历史交通数据和粒子群算法寻优求解得出；T_k-1为上一个相位状态的状态起点时间，T_k当前相位状态的状态起点时间，t为当前时间点；R(T_k-1)为T_k-1时相位状态，同一个相位状态在g_ren(t)、g_che(t)中的效果不同，因而取值不同，当前相位为R1时，R(T_k-1)在g_ren(t)的值设置为1，在g_che(t)值设置为-1，当前相位为R3时，R(T_k-1)在g_ren(t)的值设置为-1，在g_che(t)值设置为1；分别为J时间段内的车辆流量、行人流量历史数据均值，J为步骤1划分的时间段，J∈T_NEW； 分别为T_k-1～t之间的车辆流量、行人流量当前采集数据均值；Q(s)、Q_r(s)分别为s时的车辆流量、行人流量；L(s)、N(s)分别为s时的车辆排队长度、行人数，由检测行人过人行道的摄像机、车辆检测器等检测装置获得；Q_max、Q_rmax、N_max、L_max、T_cmax分别为车辆流量、行人流量、行人数量、车辆排队长度、相位状态维持时间的上限值，参考历史交通数据或经验获得；

4)判断当前人行道和机动车道绿灯相位需求程度是否满足信号灯相位变换条件，过程如下：

4.1)当g_ren(t)＝g_che(t)时，此时标记为T₀；

4.2)与T₀最接近的，路口A、B信号下一相位变化时间点分别为T_A0、T_B0，

max(T_A0,T_B0)-T₀≤TX，信号变换时间为max(T_A0,T_B0)

max(T_A0,T_B0)-T₀＞TX并且min(T_A0，T_B0)-T₀＜TX，信号变换时间为min(T_A0,T_B0)

min(T_A0,T_B0)-T₀＞TX，信号变换时间为T₀

其中，TX为信号灯相位变换时间阈值；max(T_A0,T_B0)、min(T_A0,T_B0)分别为T_A0、T_B0中的较大值、较小值；当人行道绿灯相位需求程度和机动车道绿灯相位程度满足阈值条件时，判断当前时间是否满足路口A、B信号周期及相位变化的时间切换阈值；此时标记为T₀₀；

4.3)信号灯状态维持时间，当前相位状态的状态起点时间T_k～T₀₀，是否在[T_cmin,T_cmax]范围，T_cmin、T_cmax分别相位状态维持时间的下限值和上限值，当T₀₀-T_k＜T_cmin时，信号变换时间为T_k+T_cmin，否则信号变换时间为T₀₀，这是为了防止信号灯根据行人、车辆情况反复变化；

5)当满足信号灯相位变换条件时，信号灯变换相位。

进一步，所述步骤3)中，人行道、机动车道绿灯相位需求程度系数α_d(d＝1,2,...,6)采用粒子群算法进行求解，过程如下：

I)输入交通参数及模型参数；

交通参数包括时间间隔DT、机动车道数NN、从路口A、B行驶到人行道的车辆流量，人行道两端C、D的行人流量；模型参数包括α_d取值范围[α_dmin,α_dmax]，粒子群规模数NUM，迭代次数kk，学习因子c1、c2，惯性权重因子w，[0,1]之间的随机数r1、r2，粒子空间搜索维度D＝6；

II)产生初始族群，以随机方式产生族群每个粒子的初始位置和速度；

随机产生NUM个粒子，D维空间中第d维的粒子i的速度表示为v_id，D维空间中第d维的粒子i的位置表示为x_id，d维表示{α₁、α₂、α₃、α₄、α₅、α₆}中的某一维度，x_id取值范围[α_dmin,α_dmax]，v_id取值范围在[0,α_dmax-α_dmin]，第i个粒子个体最优位置为 $p_{id}^k=(p_{i1}^k,p_{i2}^k,\mathrm{...},p_{i2}^k,\mathrm{...},p_{iD}^k),$ 所有中的最优为

III)计算适应度，根据适应度函数，计算每个粒子的适应度值，以此判断粒子的好坏；适应度函数为

$\max f={\mathrm{\Σ}}_{j=1}^{j=T_s}\[\mathrm{\β}Q\left(j\right)+(1-\mathrm{\β})Q_r\left(j\right)\]$

j为时间间隔计数，β为车辆流量比重；

当人行道行人数不为零且机动车道车辆数不为零时作为计算时间起点，此时j＝1，T_s为计算时间终点；

A、当j＝1时，机动车道为绿灯状态；

B、计算当前信号状态下βQ_r(j)+(1-β)Q(j)，按步骤3)计算当前人行道、机动车道绿灯紧急程度、判断是否满足信号变换条件；

C、根据行人平均速度、车辆平均速度计算判断信号变换条件后，人行道的滞留行人数NZ_ren、机动车道滞留的车辆数NZ_che；

D、当j+1时，人行道行人数N(j)＝NZ_ren+Q_{r_C}(j)·DT+Q_{r_D}(j)·DT，机动车道车辆数，进而计算机动车道排队长度L(j)＝[NZ_che+Q_{_A}(j)·DT+Q_{_B}(j)·DT]/NN；

E、j+1是否满足时间终点，不满足重复步骤B、C、D，满足则下一步

F、计算时间段内 $f={\mathrm{\Σ}}_{j=1}^{j=T_s}\[\mathrm{\β}Q\left(j\right)+(1-\mathrm{\β})Q_r\left(j\right)\];$

IV)更新速度和位置，找到每个粒子目前为止搜寻过程中的最优解，再找到所有粒子到目前为止搜寻过程中的最优解，根据速度公式更新每个粒子的位置和速度；

v_id(t+1)＝w·v_id(t)+c₁·r₁·(p_id(t)-x_id(t))+c₂·r₂·(p_gd(t)-x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

V)产生新族群，判断粒子好坏，产生新的粒子族群；

VI)判断是否满足停止条件，满足则进入下一步，不满足返回到步骤III)；

VII)找到全局最优。

再进一步，所述步骤1)中，划分过程如下：

采集历史交通数据中，一天内每个时间段，从路口A、B行驶到人行道的车辆流量信息，人行道两端C、D的行人流量信息，求取N天每个时间段车辆流量和行人流量的平均值，为第i个时间段车辆流量N天的平均值，为第i个时间段行人流量N天的平均值，根据车辆流量均值和行人流量均值的变化趋势划分时间段，每个时间段的流量变化趋势为：

$\mathrm{\Δ}\stackrel{\‾}{Q\left(i\right)}=|\stackrel{\‾}{Q(i+1)}-\stackrel{\‾}{Q\left(i\right)}|$

$\mathrm{\Δ}\stackrel{\‾}{Q_r\left(i\right)}=|\stackrel{\‾}{Q_r(i+1)}-\stackrel{\‾}{Q_r\left(i\right)}|$

其中，为第i个时间段车辆流量的变化趋势，第i个时间段行人流量的变化趋势，将分别从大到小排列，分别取排列前面的NY个，将第NY个标记为第NY个标记为分别比较与与记录和Y的时间点，按时间先后排成序列，相同的时间点合并，形成新的时间段序列，求取新的时间段序列内每个时间段的车辆流量和行人流量均值j∈T_NEW

本发明的技术构思为：本申请的基于粒子群算法的相邻路口间人行道信号灯控制方法，该方法具有以下几个特点：

根据人行道绿灯相位需求程度、机动车道绿灯相位需求程度、信号相位变换约束条件控制人行道信号变换；

人行道绿灯相位需求程度包括，前一相位与本相位时间内行人等候时间、行人密度、行人通行流量，以及与历史行人通行流量的变化波动；

机动车道绿灯相位需求程度包括，前一相位与本相位时间内车辆等候时间、车辆排队长度、车辆通行流量，以及与历史车辆通行流量的变化波动；

利用粒子群算法，以总通行流量最大化为目标，确定人行道绿灯相位需求程度和机动车道绿灯相位需求程度之间的关系；

该方法，以总通行流量最大化为控制目标，结合行人、车辆等候情况、通行情况、历史数据以及交叉口信号相位周期等约束条件，综合考虑了交通通行量、行人和车辆的等候情况、以及当前交通与历史数据的波动带来的信号控制需求，实现协调控制人行道信号状态，提高行人、车辆通行效率，缓解交通状态。

本发明的有益效果主要表现在：兼顾路口车辆和行人通行效率、可靠性较高、提升交通效率。

附图说明

图1是相邻路口的示意图。

图2是信号灯相位变换流程图。

图3是相邻路口间人行道信号灯控制方法的流程图。

图4是人行道车流量信息和人流量信息的示意图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图4，一种基于粒子群算法的相邻路口间人行道信号灯控制方法，所述控制方法包括如下步骤：

1)参考历史交通数据的时间段划分；

采集历史交通数据中，按交通流量变化划分时间段，将流量变化较小时间段的划在一块，区分交通流量高峰段和平缓段；

2)人行道信号灯相位设置及相位变换设置

信号灯相位：R1人行道绿灯，机动车道红灯

R2人行道红灯，机动车道红灯

R3人行道红灯，机动车道绿灯

R4人行道红灯，机动车道红灯

相位R2、R4保证相位变换后，通行一半的行人或车辆顺利通行，其时间设置为固定值，R2时间TR2＝人行道长度/人平均速度，R4时间TR4＝人行道宽度/机动车平均速度；

相位变换设置：

2.1)当人行道没有行人，机动车道没有车辆时，机动车道绿灯相位；

2.2)当机动车道出现车辆而人行道未出现行人时，机动车道绿灯相位；

2.3)当人行道出现行人而机动车道未出现车辆时，人行道绿灯相位；

2.4)当人行道有行人、机动车道有车辆时，计算人行道和机动车道绿灯相位需求程度，此时，信号灯循环变换顺序为R1、R2、R3、R4，因为R2、R4的时间设置为固定值，R1、R3的相位时间根据人行道和机动车道绿灯相位需求程度是否满足信号灯相位变换条件进行确定；

3)实时采集人行道和机动车道交通数据，，计算人行道和机动车道绿灯相位需求程度

人行道绿灯相位需求程度包括前一相位状态R3和当前相位状态R1的行人通过人行道流量、行人等候数量、行人等候时间和行人流量波动情况；机动车道绿灯相位需求程度包括前一相位状态R1和当前相位状态R3的车辆通过人行道流量、车辆等候的排队长度、车辆等候时间和车辆流量波动情况；

计算公式如下：

$\begin{array}{c}{g}_{ren}\left(t\right)={\mathrm{\α}}_1\·P(T_k,T_{k-1})\·R\left(T_{k-1}\right)+{\mathrm{\α}}_2\·P(t,T_k)\·R\left(T_k\right)\\ +{\mathrm{\α}}_3\·(\stackrel{\‾}{Q_r\left(J\right)}-\stackrel{\‾}{Q_r\left(T_{k-1},t\right)})/\sqrt{{\stackrel{\‾}{Q_r\left(J\right)}}^2+{\stackrel{\‾}{Q_r\left(T_{k-1},t\right)}}^2}\end{array}$

$\begin{array}{c}{g}_{che}\left(t\right)={\mathrm{\α}}_4\·U(T_k,T_{k-1})\·R\left(T_{k-1}\right)+{\mathrm{\α}}_5\·U(t,T_k)\·R\left(T_k\right)\\ +{\mathrm{\α}}_6\·(\stackrel{\‾}{Q\left(J\right)}-\stackrel{\‾}{Q\left(T_{k-1},t\right)})/\sqrt{{\stackrel{\‾}{Q\left(J\right)}}^2+{\stackrel{\‾}{Q\left(T_{k-1},t\right)}}^2}\end{array}$

其中，

$P(t,T)=\frac{{\Σ}_{s=T}^{s=t}{Q}_r\left(s\right)}{{\Σ}_{s=T}^{s=t}{Q}_{r\max }}+\frac{{\Σ}_{s=T}^{s=t}N\left(s\right)}{{\Σ}_{s=T}^{s=t}{N}_{\max }}+\frac{t-T}{T_{c\max }}$

$U(t,T)=\frac{{\mathrm{\Σ}}_{s=T}^{s=t}Q\left(s\right)}{{\mathrm{\Σ}}_{s=T}^{s=t}{Q}_{\max }}+\frac{{\mathrm{\Σ}}_{s=T}^{s=t}L\left(s\right)}{{\mathrm{\Σ}}_{s=T}^{s=t}{L}_{max}}+\frac{t-T}{T_{cmax}}$

g_ren(t)、g_che(t)分别为t时人行道、机动车道绿灯相位需求程度；α_d(d＝1,2,...,6)为人行道、机动车道绿灯相位需求程度系数，根据历史交通数据和粒子群算法寻优求解得出；T_k-1为上一个相位状态的状态起点时间，T_k当前相位状态的状态起点时间，t为当前时间点；R(T_k-1)为T_k-1时相位状态，同一个相位状态在g_ren(t)、g_che(t)中的效果不同，因而取值不同，当前相位为R1时，R(T_k-1)在g_ren(t)的值设置为1，在g_che(t)值设置为-1，当前相位为R3时，R(T_k-1)在g_ren(t)的值设置为-1，在g_che(t)值设置为1；分别为J时间段内的车辆流量、行人流量历史数据均值，J为步骤1划分的时间段，J∈T_NEW； 分别为T_k-1～t之间的车辆流量、行人流量当前采集数据均值；Q(s)、Q_r(s)分别为s时的车辆流量、行人流量；L(s)、N(s)分别为s时的车辆排队长度、行人数，由检测行人过人行道的摄像机、车辆检测器等检测装置获得；Q_max、Q_rmax、N_max、L_max、T_cmax分别为车辆流量、行人流量、行人数量、车辆排队长度、相位状态维持时间的上限值，参考历史交通数据或经验获得；

4)判断当前人行道和机动车道绿灯相位需求程度是否满足信号灯相位变换条件，过程如下：

4.1)当g_ren(t)＝g_che(t)时，此时标记为T₀；

4.2)与T₀最接近的，路口A、B信号下一相位变化时间点分别为T_A0、T_B0，

max(T_A0,T_B0)-T₀≤TX，信号变换时间为max(T_A0,T_B0)

max(T_A0,T_B0)-T₀＞TX并且min(T_A0，T_B0)-T₀＜TX，信号变换时间为min(T_A0,T_B0)

min(T_A0,T_B0)-T₀＞TX，信号变换时间为T₀

其中，TX为信号灯相位变换时间阈值；max(T_A0,T_B0)、min(T_A0,T_B0)分别为T_A0、T_B0中的较大值、较小值；当人行道绿灯相位需求程度和机动车道绿灯相位程度满足阈值条件时，判断当前时间是否满足路口A、B信号周期及相位变化的时间切换阈值；这是为了下一周期，不会因为路口A、B进入该机动车道的车流量发生突变；

此时标记为T₀₀；

4.3)信号灯状态维持时间，当前相位状态的状态起点时间T_k～T₀₀，是否在[T_cmin,T_cmax]范围，T_cmin、T_cmax分别相位状态维持时间的下限值和上限值，当T₀₀-T_k＜T_cmin时，信号变换时间为T_k+T_cmin，否则信号变换时间为T₀₀，这是为了防止信号灯根据行人、车辆情况反复变化；

5)当满足信号灯相位变换条件时，信号灯变换相位。

进一步，所述步骤3)中，人行道、机动车道绿灯相位需求程度系数α_d(d＝1,2,...,6)采用粒子群算法进行求解，其通用性较好，适合处理多种类型的目标函数和约束，在解决寻优问题中有很大的优势，这里采用粒子群算法，在历史交通数据的基础上，模拟某一列系数值下，人行道交通通行情况，并统计行人和车辆的通行流量总量，比较总通行流量的大小，选择总通行流量最大的系数值，作为最终的人行道、机动车道绿灯相位需求程度系数，具体过程如下：

I)输入交通参数及模型参数；

交通参数包括时间间隔DT、机动车道数NN、从路口A、B行驶到人行道的车辆流量，人行道两端C、D的行人流量；模型参数包括α_d取值范围[α_dmin,α_dmax]，粒子群规模数NUM，迭代次数kk，学习因子c1、c2，惯性权重因子w，[0,1]之间的随机数r1、r2，粒子空间搜索维度D＝6；

II)产生初始族群，以随机方式产生族群每个粒子的初始位置和速度；

随机产生NUM个粒子，D维空间中第d维的粒子i的速度表示为v_id，D维空间中第d维的粒子i的位置表示为x_id，d维表示{α₁、α₂、α₃、α₄、α₅、α₆}中的某一维度，x_id取值范围[α_dmin,α_dmax]，v_id取值范围在[0,α_dmax-α_dmin]，第i个粒子个体最优位置为 $p_{id}^k=(p_{i1}^k,p_{i2}^k,\mathrm{...},p_{id}^k,\mathrm{...},p_{iD}^k),$ 所有中的最优为

III)计算适应度，根据适应度函数，计算每个粒子的适应度值，以此判断粒子的好坏；适应度函数为

$\max f={\mathrm{\Σ}}_{j=1}^{j=T_s}\[\mathrm{\β}Q\left(j\right)+(1-\mathrm{\β})Q_r\left(j\right)\]$

j为时间间隔计数，β为车辆流量比重；

当人行道行人数不为零且机动车道车辆数不为零时作为计算时间起点，此时j＝1，T_s为计算时间终点；

A、当j＝1时，机动车道为绿灯状态；

B、计算当前信号状态下βQ_r(j)+(1-β)Q(j)，按步骤3)计算当前人行道、机动车道绿灯紧急程度、判断是否满足信号变换条件；

C、根据行人平均速度、车辆平均速度计算判断信号变换条件后，人行道的滞留行人数NZ_ren、机动车道滞留的车辆数NZ_che；

D、当j+1时，人行道行人数N(j)＝NZ_ren+Q_{r_C}(j)·DT+Q_{r_D}(j)·DT，机动车道车辆数，进而计算机动车道排队长度L(j)＝[NZ_che+Q_{_A}(j)·DT+Q_{_B}(j)·DT]/NN；

E、j+1是否满足时间终点，不满足重复步骤B、C、D，满足则下一步

F、计算时间段内 $f={\mathrm{\Σ}}_{j=1}^{j=T_s}\[\mathrm{\β}Q\left(j\right)+(1-\mathrm{\β})Q_r\left(j\right)\];$

IV)更新速度和位置，找到每个粒子目前为止搜寻过程中的最优解，再找到所有粒子到目前为止搜寻过程中的最优解，根据速度公式更新每个粒子的位置和速度；

v_id(t+1)＝w·v_id(t)+c₁·r₁·(p_id(t)-x_id(t))+c₂·r₂·(p_gd(t)-x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

V)产生新族群，判断粒子好坏，产生新的粒子族群；

VI)判断是否满足停止条件，满足则进入下一步，不满足返回到步骤III)；

VII)找到全局最优。

再进一步，所述步骤1)中，划分过程如下：

采集历史交通数据中，一天内每个时间段，从路口A、B行驶到人行道的车辆流量信息，人行道两端C、D的行人流量信息，求取N天每个时间段车辆流量和行人流量的平均值，为第i个时间段车辆流量N天的平均值，为第i个时间段行人流量N天的平均值，根据车辆流量均值和行人流量均值的变化趋势划分时间段，每个时间段的流量变化趋势为：

$\mathrm{\Δ}\stackrel{\‾}{Q\left(i\right)}=|\stackrel{\‾}{Q(i+1)}-\stackrel{\‾}{Q\left(i\right)}|$

$\mathrm{\Δ}\stackrel{\‾}{Q_r\left(i\right)}=|\stackrel{\‾}{Q_r(i+1)}-\stackrel{\‾}{Q_r\left(i\right)}|$

其中，为第i个时间段车辆流量的变化趋势，第i个时间段行人流量的变化趋势，将分别从大到小排列，分别取排列前面的NY个，将第NY个标记为第NY个标记为分别比较与与记录和Y的时间点，按时间先后排成序列，相同的时间点合并，形成新的时间段序列，求取新的时间段序列内每个时间段的车辆流量和行人流量均值j∈T_NEW

本实施例中，绿灯相位需求程度公式证明：为简化计算，假设α₁＝α₂＝α₃＝α₄＝α₅＝α₆＝1，T_k-1开始为机动车道绿灯相位，T_k开始为人行道绿灯相位，T_k-T_k-1＝T_cmax，左右这段时间都处于交通繁忙阶段，

机动车道绿灯相位时，Q(s)＝Q_max，L(s)～0，Q_r(s)～0，N(s)＝N_max

人行道为绿灯相位时，Q(s)～0，L(s)～L_max，Q_r(s)＝Q_rmax，N(s)～0

$g_{ren}\left(t\right)={\mathrm{\α}}_1\·(0+1+0.5)\·1+{\mathrm{\α}}_2\·(1+0+\frac{t-T_k}{T_{c\max }})\·(-1)$

$g_{che}\left(t\right)={\mathrm{\α}}_4\·(1+0+0.5)\·(-1)+{\mathrm{\α}}_5\·(0+1+\frac{t-T}{T_{cmax}})\·(+1)$

$g_{ren}\left(t\right)-g_{che}\left(t\right)=1.5{\mathrm{\α}}_1-{\mathrm{\α}}_2-\frac{t-T_k}{T_{cmax}}{\mathrm{\α}}_2+1.5{\mathrm{\α}}_4-{\mathrm{\α}}_5-\frac{t-T}{T_{cmax}}{\mathrm{\α}}_5$

(1)当0＜t-T_k＜＜T_cmax时，即时g_ren(t)-g_che(t)＝1.5α₁-α₂+1.5α₄-α₅＞0

此时，人行道绿灯相位需求程度大于机动车道绿灯相位需求程度，信号灯维持在人行道绿灯相位状态。

(2)随着人行道绿灯时间的延长，当t-T_k＝T_cmax时，即时g_ren(t)-g_che(t)＝1.5α₁-2α₂+1.5α₄-2α₅＝0

此时，人行道绿灯相位需求程度等于机动车道绿灯相位需求程度，进一步判断是否满足信号灯变换条件，若满足条件，则信号灯相位变换，经过R2相位(人行道红灯、机动车道红灯)转换到机动车道绿灯状态。

(3)信号灯转为机动车道绿灯时，与信号灯转为人行道绿灯时情况相同，交通繁忙时信号灯变换时间基本为固定时间的变换，与实际繁忙交通时情况吻合，该公式计算符合实际交通情况。

如图4所示，每5min采集一次人行道车流量信息和人流量信息，求历史数据平均值，图中带圆点曲线为车流量均值的时间分布曲线，带星星曲线为人流量均值的时间分布曲线，时间段为早上6:00h～10:00h。

计算车流量均值变化趋势，比较大小，取前6个变化趋势大时间点，即图中实线与时间轴交叉的时间点；计算人流量均值变化趋势，比较大小，取前6个变化趋势大的时间点，即图中虚线与时间轴交叉的时间点。其中有1个时间点，实线与虚线重合，该时间点合并，形成新的时间段序列T_NEW

以5s为仿真时间间隔，根据上述方法计算每一时间间隔对应的人行道绿灯相位需求程度和机动车道相位需求程度，并判断是否满足相位变换条件。从表中可以看出，7:00:00时，相位为R1，人行道侧绿灯相位；当7:00:25时，机动车道绿灯相位需求程度高于人行道侧，且满足其他约束条件，下一时间间隔，信号相位变为R2。R2为固定时间10s(人行道长约为14m÷人均速度约为1.4m/s)，接着信号变为R3，如表1：

表1。

Claims (3)

1.一种基于粒子群算法的相邻路口间人行道信号灯控制方法，其特征在于：所述控制方法包括如下步骤：

1)参考历史交通数据的时间段划分；

采集历史交通数据中，按交通流量变化划分时间段，将流量变化较小时间段的划在一块，区分交通流量高峰段和平缓段；

2)人行道信号灯相位设置及相位变换设置

信号灯相位：R1人行道绿灯，机动车道红灯

R2人行道红灯，机动车道红灯

R3人行道红灯，机动车道绿灯

R4人行道红灯，机动车道红灯

相位R2、R4保证相位变换后，通行一半的行人或车辆顺利通行，其时间设置为固定值，R2时间TR2＝人行道长度/人平均速度，R4时间TR4＝人行道宽度/机动车平均速度；

相位变换设置：

2.1)当人行道没有行人，机动车道没有车辆时，机动车道绿灯相位；

2.2)当机动车道出现车辆而人行道未出现行人时，机动车道绿灯相位；

2.3)当人行道出现行人而机动车道未出现车辆时，人行道绿灯相位；

2.4)当人行道有行人、机动车道有车辆时，计算人行道和机动车道绿灯相位需求程度，此时，信号灯循环变换顺序为R1、R2、R3、R4，因为R2、R4的时间设置为固定值，R1、R3的相位时间根据人行道和机动车道绿灯相位需求程度是否满足信号灯相位变换条件进行确定；

3)实时采集人行道和机动车道交通数据，计算人行道和机动车道绿灯相位需求程度

人行道绿灯相位需求程度包括前一相位状态R3和当前相位状态R1的行人通过人行道流量、行人等候数量、行人等候时间和行人流量波动情况；机动车道绿灯相位需求程度包括前一相位状态R1和当前相位状态R3的车辆通过人行道流量、车辆等候的排队长度、车辆等候时间和车辆流量波动情况；

计算公式如下：

$\begin{array}{c}{g}_{ren}\left(t\right)={\mathrm{\α}}_1\·P(T_k,T_{k-1})\·R\left(T_{k-1}\right)+{\mathrm{\α}}_2\·P(t,T_k)\·R\left(T_k\right)\\ +{\mathrm{\α}}_3\·(\stackrel{\‾}{Q_r\left(J\right)}-\stackrel{\‾}{Q_r\left(T_{k-1},t\right)})/\sqrt{{\stackrel{\‾}{Q_r\left(J\right)}}^2+{\stackrel{\‾}{Q_r\left(T_{k-1},t\right)}}^2}\end{array}$

$\begin{array}{c}{g}_{che}\left(t\right)={\mathrm{\α}}_4\·U(T_k,T_{k-1})\·R\left(T_{k-1}\right)+{\mathrm{\α}}_5\·U(t,T_k)\·R\left(T_k\right)\\ +{\mathrm{\α}}_6\·(\stackrel{\‾}{Q\left(J\right)}-\stackrel{\‾}{Q\left(T_{k-1},t\right)})/\sqrt{{\stackrel{\‾}{Q\left(J\right)}}^2+{\stackrel{\‾}{Q\left(T_{k-1},t\right)}}^2}\end{array}$

其中，

$P(t,T)=\frac{{\Σ}_{s=T}^{s=t}{Q}_r\left(s\right)}{{\Σ}_{s=T}^{s=t}{Q}_{r\max }}+\frac{{\Σ}_{s=T}^{s=t}N\left(s\right)}{{\Σ}_{s=T}^{s=t}{N}_{\max }}+\frac{t-T}{T_{c\max }}$

$U(t,T)=\frac{{\mathrm{\Σ}}_{s=T}^{s=t}Q\left(s\right)}{{\mathrm{\Σ}}_{s=T}^{s=t}{Q}_{\max }}+\frac{{\mathrm{\Σ}}_{s=T}^{s=t}L\left(s\right)}{{\mathrm{\Σ}}_{s=T}^{s=t}{L}_{max}}+\frac{t-T}{T_{cmax}}$

g_ren(t)、g_che(t)分别为t时人行道、机动车道绿灯相位需求程度；α_d(d＝1,2,...,6)为人行道、机动车道绿灯相位需求程度系数，根据历史交通数据和粒子群算法寻优求解得出；T_k-1为上一个相位状态的状态起点时间，T_k当前相位状态的状态起点时间，t为当前时间点；R(T_k-1)为T_k-1时相位状态，同一个相位状态在g_ren(t)、g_che(t)中的效果不同，因而取值不同，当前相位为R1时，R(T_k-1)在g_ren(t)的值设置为1，在g_che(t)值设置为-1，当前相位为R3时，R(T_k-1)在g_ren(t)的值设置为-1，在g_che(t)值设置为1；分别为J时间段内的车辆流量、行人流量历史数据均值，J为步骤1划分的时间段，J∈T_NEW； 分别为T_k-1～t之间的车辆流量、行人流量当前采集数据均值；Q(s)、Q_r(s)分别为s时的车辆流量、行人流量；L(s)、N(s)分别为s时的车辆排队长度、行人数，由检测行人过人行道的摄像机、车辆检测器等检测装置获得；Q_max、Q_rmax、N_max、L_max、T_cmax分别为车辆流量、行人流量、行人数量、车辆排队长度、相位状态维持时间的上限值，参考历史交通数据或经验获得；

4)判断当前人行道和机动车道绿灯相位需求程度是否满足信号灯相位变换条件，过程如下：

4.1)当g_ren(t)＝g_che(t)时，此时标记为T₀；

4.2)与T₀最接近的，路口A、B信号下一相位变化时间点分别为T_A0、T_B0，

max(T_A0,T_B0)-T₀≤TX，信号变换时间为max(T_A0,T_B0)

max(T_A0,T_B0)-T₀＞TX并且minT(_A0T,_B0-)T₀＜T，X信号变换时间为min(T_A0,T_B0)

min(T_A0,T_B0)-T₀＞TX，信号变换时间为T₀

其中，TX为信号灯相位变换时间阈值；max(T_A0,T_B0)、min(T_A0,T_B0)分别为T_A0、T_B0中的较大值、较小值；当人行道绿灯相位需求程度和机动车道绿灯相位程度满足阈值条件时，判断当前时间是否满足路口A、B信号周期及相位变化的时间切换阈值；此时标记为T₀₀；

4.3)信号灯状态维持时间，当前相位状态的状态起点时间T_k～T₀₀，是否在[T_cmin,T_cmax]范围，T_cmin、T_cmax分别相位状态维持时间的下限值和上限值，当T₀₀-T_k＜T_cmin时，信号变换时间为T_k+T_cmin，否则信号变换时间为T₀₀，这是为了防止信号灯根据行人、车辆情况反复变化；

5)当满足信号灯相位变换条件时，信号灯变换相位。

2.如权利要求1所述的一种基于粒子群算法的相邻路口间人行道信号灯控制方法，其特征在于：所述步骤3)中，人行道、机动车道绿灯相位需求程度系数α_d(d＝1,2,...,6)采用粒子群算法进行求解，过程如下：

I)输入交通参数及模型参数；

交通参数包括时间间隔DT、机动车道数NN、从路口A、B行驶到人行道的车辆流量，人行道两端C、D的行人流量；模型参数包括α_d取值范围[α_dmin,α_dmax]，粒子群规模数NUM，迭代次数kk，学习因子c1、c2，惯性权重因子w，[0,1]之间的随机数r1、r2，粒子空间搜索维度D＝6；

II)产生初始族群，以随机方式产生族群每个粒子的初始位置和速度；

随机产生NUM个粒子，D维空间中第d维的粒子i的速度表示为v_id，D维空间中第d维的粒子i的位置表示为x_id，d维表示{α₁、α₂、α₃、α₄、α₅、α₆}中的某一维度，x_id取值范围[α_dmin,α_dmax]，v_id取值范围在[0,α_dmax-α_dmin]，第i个粒子个体最优位置为所有中的最优为

III)计算适应度，根据适应度函数，计算每个粒子的适应度值，以此判断粒子的好坏；适应度函数为

$\max f={\mathrm{\Σ}}_{j=1}^{j=T_s}\[\mathrm{\β}Q\left(j\right)+(1-\mathrm{\β})Q_r\left(j\right)\]$

j为时间间隔计数，β为车辆流量比重；

当人行道行人数不为零且机动车道车辆数不为零时作为计算时间起点，此时j＝1，T_s为计算时间终点；

A、当j＝1时，机动车道为绿灯状态；

B、计算当前信号状态下βQ_r(j)+(1-β)Q(j)，按步骤3)计算当前人行道、机动车道绿灯紧急程度、判断是否满足信号变换条件；

C、根据行人平均速度、车辆平均速度计算判断信号变换条件后，人行道的滞留行人数NZ_ren、机动车道滞留的车辆数NZ_che；

D、当j+1时，人行道行人数N(j)＝NZ_ren+Q_{r_C}(j)·DT+Q_{r_D}(j)·DT，机动车道车辆数，进而计算机动车道排队长度L(j)＝[NZ_che+Q_{_A}(j)·DT+Q_{_B}(j)·DT]/NN；

E、j+1是否满足时间终点，不满足重复步骤B、C、D，满足则下一步

F、计算时间段内 $f={\mathrm{\Σ}}_{j=1}^{r=T_s}\[\mathrm{\β}Q\left(j\right)+(1-\mathrm{\β})Q_r\left(j\right)\];$

IV)更新速度和位置，找到每个粒子目前为止搜寻过程中的最优解，再找到所有粒子到目前为止搜寻过程中的最优解，根据速度公式更新每个粒子的位置和速度；

v_id(t+1)＝w·v_id(t)+c₁·r₁·(p_id(t)-x_id(t))+c₂·r₂·(p_gd(t)-x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

V)产生新族群，判断粒子好坏，产生新的粒子族群；

VI)判断是否满足停止条件，满足则进入下一步，不满足返回到步骤III)；

VII)找到全局最优。

3.如权利要求1或2所述的一种基于粒子群算法的相邻路口间人行道信号灯控制方法，其特征在于：所述步骤1)中，划分过程如下：

采集历史交通数据中，一天内每个时间段，从路口A、B行驶到人行道的车辆流量信息，人行道两端C、D的行人流量信息，求取N天每个时间段车辆流量和行人流量的平均值，为第i个时间段车辆流量N天的平均值，为第i个时间段行人流量N天的平均值，根据车辆流量均值和行人流量均值的变化趋势划分时间段，每个时间段的流量变化趋势为：

$\mathrm{\Δ}\stackrel{\‾}{Q\left(i\right)}=|\stackrel{\‾}{Q(i+1)}-\stackrel{\‾}{Q\left(i\right)}|$

$\mathrm{\Δ}\stackrel{\‾}{Q_r\left(i\right)}=|\stackrel{\‾}{Q_r(i+1)}-\stackrel{\‾}{Q_r\left(i\right)}|$

其中，为第i个时间段车辆流量的变化趋势，第i个时间段行人流量的变化趋势，将分别从大到小排列，分别取排列前面的NY个，将第NY个标记为第NY个标记为分别比较与 与记录和Y的时间点，按时间先后排成序列，相同的时间点合并，形成新的时间段序列，求取新的时间段序列内每个时间段的车辆流量和行人流量均值j∈T_NEW