CN105844927A - 新型感知与控制的道路交叉口群信号控制系统及控制方法 - Google Patents

Abstract

本发明公开了新型感知与控制的道路交叉口群信号控制系统及控制方法，通过构建360º交叉口全景视频实时监测与建模、交叉口评估指数与在线仿真分析、过饱和交叉口关键路径与控制策略优化、交叉口信号控制优化与全景视频采集机器人联动指挥的四步骤法方法，建立城市基于交叉口群的交通控制智能化机器人，解决城市道路过饱和交叉口单点运行最优化问题，形成智能化指挥城市道路交叉口、过饱和交叉口、过饱和交叉口群交通控制与优化方案，并采用基于交叉口群的交通控制智能化机器人，实现全景视频采集机器人与交通信号控制机联动，提升交叉口单点控制的交通效率和服务水平，从而大幅度提高城市交通系统的运行效率，缓解城市交通拥堵。

Description

新型感知与控制的道路交叉口群信号控制系统及控制方法

技术领域

本发明涉及交通控制技术领域，具体的说是涉及新型感知与控制的道路交叉口群信号控制系统及控制方法。

背景技术

交叉口群是指城市道路网络中地理位置相邻且存在较强关联性的若干交叉口集合，对路网交通运行状态影响显著，是城市交通拥堵与交通安全的核心节点和关键所在。交叉口群在城市道路网络中存在形式分为城市中心区域的交叉口、城市内部隧道两端的交叉口、立交桥相邻的交叉口、高速路进出口匝道与城市道路街道衔接交叉口、城市快速路进出口处的信号控制交叉口等。交叉口群构成了城市道路网络的重点交通区域，是提升城市交通控制性能的关键，解决交叉口群拥堵问题将使城市整个片区道路网络的交通拥堵问题得到很大缓解。交叉口群关联性主要表现在交叉口间距较短、关键路径流量较大、车流离散性小，下游交叉口的车流到达分布呈现车流组团状态，而上游交叉口通行状况在一定条件下会受到下游排队车辆的影响。交叉口群概念的提出，最早是基于交叉口协调控制的需要，交叉口群关键词定义包括：

交叉口过饱和状态：当交叉口两个方向的流量与交叉口饱和流量之比的和大于1时，即交通需求超过其通行能力时，将交叉口的状态定义为过饱和状态。

交叉口群过饱和状态：当交叉口群内交通需求大于交叉口群路网的通行能力时，认为交叉口群处于过饱和状态。利用交叉口群整体交通需求和通行能力的比值(V/C比)来判断交叉口或交叉口群是否拥堵。同样，也可以应用滞留排队来定义过饱和状态，即存在车辆在一个绿灯周期内不能通过交叉口的情况(绿灯开始前已在排队，绿灯时间结束时仍未能通过交叉口)，便可定义该状态为过饱和状态，并且扩展相关因素：过饱和状态的程度(排队长度)、过饱和状态的变化速度(排队增长率)、过饱和状态在交叉口群内部的影响(阻挡溢流、绿灯空放等负面效应)、过饱和状态的持续时间(持续时间)等。

交叉口群关键路径：在交叉口群的信号控制中，路径是交叉口群中一个交叉口的序列，使得从它的每个交叉口都有一个路段到达该序列的下一个交叉口。鉴于交叉口群中交叉口是有限的，交叉口群中的所有路径均为有限路径，每条路径均存在起点交叉口和终点交叉口，对应的交叉口流向定义为起点流向和终点流向，路径经过的交叉口定义为路径内交叉口。交叉口群关键路径指交叉口群中交通量最大且决定交叉口群整体运行效率的路径，在交叉口群关键路径中，任何路段交通服务水平的改变都会对外交叉口群范围内其他路径产生影响，容易产生拥堵。长期以来，城市交通拥堵、交叉口群运行过饱和状态的基于交叉口群的交通控制问题，在实际应用中并没有从宏观、中观、微观一体化层面上思考与解决问题的实质性成 因。现有技术对于城市交通安全、拥堵的交叉口控制，只是进行单一的技术手段提升，如：交叉口建模分析，或是交叉口仿真，或是交叉口优化等。基于此，经过长期研究发现：在过饱和状态运行交叉口群中，首先城市道路交叉口单点运行并没有达到最优状态；其次，城市交通过饱和状态运行的交叉口早、晚高峰及平峰时段，现场指挥多数采用人工模式，直接受天气、季节、时间、空气、身体等条件影响。诸如此类，既不能满足长时间、连续不断地科学协调指挥交叉口信号控制，提高交叉口运行效率，由于交通污染原因又损害交叉口指挥人员的身心健康，这一问题应该予以解决。进入交通大数据、云计算等新一代信息技术时代，根据国内外相关技术发展现状，在获取交叉口群范围、过饱和状态产生时间、交叉口群关键路径、交通流参数饱和特征、控制信号机与全景视频采集机器人联动后指挥交叉口运行诸多方面都迫切需要完善与提升。

目前，过饱和状态下的交通管理与控制方法已有过相关研究，但识别交叉口过饱和状态却不多，现有的过饱和状态的交通管理策略中，通常都假设交叉口得到大流量已知，从而获取交叉口的交通状态；而过饱和状态下，不能提供足够有效的数据来识别交叉口的交通状态。

当前，国内外主流的城市交通信号控制系统大部分采用分层次递阶式控制结构，如英国的SCOOT(Split Cyele Offset Optimization Technique)、澳大利亚的SCATS(Sydney Coordinated Adaptive Traffic System)、日本的STREAM(Strategic Real-time Control for Megalopolis-traffic)、德国的MOTION(Method for the Optimization of Traffic Signals In On-Line Controlled Network)等。分层递阶式的控制结构一般分为组织层、协调层、控制层，其中协调层为区域级控制。英国的SCOOT和澳大利亚的SCATS都属于静态分区控制策略，二者的不同主要是分区后的相邻子区域合并与分离的策略不同，英国的SCOOT是不能合并，澳大利亚的SCATS可以合并，二者的缺点是静态分区控制策略，无法适应城市道路交通网络交通流OD分布的动态变化。其它模式国内并没有一成不变地完整引入。

综上所述，国内外对城市道路交叉口群或类似概念进行了许多研究讨论，讨论的主要内容包括交叉口群概念、范围界定、交通关联特性、交通协调控制方法，而对于过饱和状态交叉口群的控制策略和方法研究还停留在初级阶段。特别是在交通大数据、云计算环境下，既使有关对过饱和状态下交通控制和交通建模进行了讨论，但是大部分研究工作只专注与如何检测过饱和状态会带来的延误或在过饱和状态下模型效果，获得类似道路通行能力手册形式的公式或工作流程。对于管理过饱和状态下交通流的运行最重要的是对过饱和状态所产生的超长排队进行管理或控制整个路网的过饱和度(V/C比)；现有对过饱和状态产生的排队进行管理的策略，大部分是根据下游交叉口的高级检测器能检测的排队长度来估计，但是很少有模型能预测排队超过检测点，甚至整个路段长度的情况。已有研究可以实现不利用出口检测 器便能估计过饱和状态排队情况；大多数针对过饱和状态交通控制的研究是基于自适应控制系统发展的；这些系统必须在过饱和状态下都能工作，或者至少在接近过饱和状态下能有效运行。但是因为已有系统大多数是商用系统，关于自适应信号控制系统对过饱和状态估计及控制的详细方法的文献很少见刊。

针对交通流的过饱和特性，一些交通信号控制优化的理论优化策略或算法被提出。部分常用的离线交通信号控制优化软件(如PASSER和TRANSYT)研发了过饱和状态的信号周期、绿信比、相位差的优化方法。这些理论优化策略和算法的主要缺点在于算法应用时要求道路的流量必须是已知的，即过饱和状态下流量等交通参数必须是可测量的，但是在过饱和状态下交通参数不易获取。理论算法多未讨论算法在不同区域的适用性，不能简单的直接应用。只有部分研究中提出了可进行实际工程应用的过饱和状态交通控制策略，因为下游交叉口的限制，近期的研究多关注于单点交叉口的信号控制配时优化，或识别用于清除转向车道排队而对信号配时参数的调整方法，这些方法对于将信号控制策略进行分类是有积极作用的，但是必须进行系统的定义。交通控制策略都提出了应用“反向交通控制”或“次要道路应用绿闪灯”等策略，但是未对这些策略所产生的效果和机理进行深入讨论和分析。自适应控制系统SCOOT、SCATS和RHODES也仅仅讨论了宏观的控制策略。如SCOOT的上游截流控制策略，在已有文献中仅仅是讨论了控制原理，但是未给出应用在实际控制系统中的限制。因此，对过饱和状态交通控制理论研究中具有代表性的有：

①交通信号控制优化的实时截流策略，主要适用于过饱和的干道网络，RT/IMPOST通过限制上游路段的交通量控制过饱和交叉口进口处的流量增长，这种方法充分地利用了道路网络的存储能力。

②最大通行策略主要通过调整不同的信号控制方案来使过饱和交叉口的通车数最大。应用此类型策略的主要有德克萨斯州城市信号控制策略、阿灵顿控制策略。

③防止溢流的相位优化方法可应用于网格状态城市道路网络，此控制策略曾在美国纽约州曼哈顿CBD部分应用，并使总出行时间降低20％。

国内外学者提出了若干种交通控制子区/交叉口群范围界定算法、过饱和状态及识别算法、瓶颈路段判别算法及交通控制策略及智能算法，缓解了城市道路网络的交通拥堵。但是现有的研究对过饱和状态下交叉口群交通特性及容量等本质特性多为定性分析，未能见到定量化的揭示其特点；提出的交通控制策略多为针对实际问题的解决方案，不具备普适性；对应的信号控制模型及算法也多为理论探索，未能在实际道路网络中进行验证应用。

综上所述，现有技术的缺点主要表现在以下几个方面：

①交叉口群协调控制范围未能体现其交通关联性的实时动态变化；现有技术的既有研究已经认识到交叉口群的关联特征不仅受交叉口间距的影响，还与车流分布特征、信号控制方案等交叉口群的交通运行特性有关。在实际工程运行使用中，交叉口群和交通协调控制的范围都是动态变化的，而传统交叉口群范围确定方法智能化程度不高，只根据历史数据静态划分，且未考虑道路网络的拓扑关系，需要对交叉口群关联性特征以及交叉口群范围的判断进行从新认识。

②交叉口群过饱和状态难以识别：

过饱和状态交叉口群中交通需求大于其通行能力，交叉口的排队过长甚至溢出，使常规交通检测方法不能准确检测实时交通运行数据。因过饱和状态的交通控制策略和稳态的交通控制策略不同，如果不能准确识别过饱和状态起始时间，将影响交通控制优化算法应用效果。

③缺乏定量分析过饱和状态关键路径的方法：

将交叉口群作为整体进行信号协调控制已经获得学者的认同与关注，但是已有交通控制策略通常以全局优化或关键交叉口整治为主，在优化过程中选取的协同路径一般为人工指定，未能对交叉口群范围内的关键路径的识别与分级进行系统研究与应用。

④交通协调控制算法未能根据过饱和状态交叉口群交通特性优化；交叉口群要求交通信号控制系统必须兼顾相邻交叉口之间的协调性，优化高密度道路网络内所有信号交叉口的信号控制方案；此外由于交叉口群相邻交叉口间距小，相邻交叉口之间交通流相互影响较大。

发明内容

针对现有技术中的不足，本发明要解决的技术问题在于提供了新型感知与控制的道路交叉口群信号控制系统及控制方法。

为解决上述技术问题，本发明通过以下方案来实现：新型感知与控制的道路交叉口群信号控制系统，该控制系统包括：

全景视频采集机器人，所述全景视频采集机器人包括第一视频摄像模块、第二视频摄像模块和数据处理器模块，所述第一视频摄像模块和第二视频摄像模块分别与数据处理器模块连接；

所述第一视频摄像模块和第二视频摄像模块用于实时动态采集交叉口360°全景视频，并将拍摄的视频数据传输至数据处理器模块；

所述数据处理器模块用于根据视频数据建立交叉口运行模型，根据交叉口运行模型分析交叉口群交通特性，根据交叉口群交通特性进行交叉口评估指数与在线仿真分析，识别交叉口群交通运行状态，从而对过饱和状态交叉口群的关键路径进行过饱和交叉口信号配时控制方案优化，调整过饱和状态交叉口群交通信号控制策略，并控制全景视频采集机器人运行调 整后的交叉口群交通信号控制策略，实现交叉口控制信号配时优化方案稳态运行与全景视频采集机器人联动指挥。

进一步的，所述第一视频摄像模块为高度可以伸缩的360°全景高清视频摄像机，设于全景视频采集机器人的头部上方，所述第二视频摄像模块为高清视频摄像机，设于全景视频采集机器人的眼部。

进一步的，所述数据处理器模块包括模型建立单元、交通特性分析单元、交通运行状态识别单元、策略优化单元和方案运行单元；

所述模型建立单元用于接收第一视频摄像模块及第二视频摄像模块传输的视频数据，并对视频数据进行归类筛选、图像识别及特征提取等处理后生成交叉口实时动态信息环境，建立画面清晰、视野开阔的交叉口运行模型；

交通特性分析单元用于对交叉口运行模型进行运行态势监测，并根据交叉口运行模型分析交叉口群交通特性；

交通运行状态识别单元用于根据交通特性进行交叉口评估指数与在线仿真分析，识别交叉口群交通运行状态；

策略优化单元用于对过饱和状态交叉口群的关键路径进行过饱和交叉口信号配时控制方案优化与诱导，调整过饱和状态交叉口群交通信号控制策略；

方案运行单元用于运行调整后的交叉口群交通信号控制策略，实现交叉口控制信号配时优化方案稳态运行与全景视频采集机器人联动指挥。

进一步的，所述全景视频采集机器人还包括显示模块，所述显示模块为触摸显示屏，位于全景视频采集机器人的身体部位，所述第一视频摄像模块和第二视频摄像模块分别与显示模块连接，所述第一视频摄像模块和第二视频摄像模块将拍摄的视频数据传输至显示模块，所述显示模块用于显示第一视频摄像模块和第二视频摄像模块拍摄的视频数据。

新型感知与控制的道路交叉口群信号控制系统的控制方法，该控制方法包括以下步骤：

步骤a：通过全景视频采集机器人实时动态采集交叉口360°全景视频，根据视频数据建立交叉口运行模型，并根据交叉口运行模型分析交叉口群交通特性；

步骤b：根据交通特性进行交叉口评估指数与在线仿真分析，识别交叉口群交通运行状态；

步骤c：对过饱和状态交叉口群的关键路径进行过饱和交叉口信号配时控制方案优化，调整过饱和状态交叉口群交通信号控制策略；

步骤d：运行调整后的交叉口群交通信号控制策略，实现交叉口控制信号配时优化方案稳态运行与全景视频采集机器人联动指挥。

进一步的，在步骤a中，对交叉口运行模型进行运行态势监测，所述运行态势监测包括分析交叉口群拥堵形成、疏散机理、交通运行参数的采集与处理；所述交通运行参数的采集与处理方法包括视频车辆检测和交通关联性指标建模；

交通关联性指标包括离散性关联指标和阻滞性关联指标：

离散性关联性指标为一个信号控制周期内路径起、讫点等长绿灯时间通过车辆的比值I 1或通过车队离散公式计算，即：

其中：q0(i)代表某一条路径初始上游交叉口停车线i个时段的车流通过数；qd(i+T)代表路径末端交叉口第i+T个时段的车流到达数；T代表从路径起点至终点的行驶时间；tg代表一个信号周期内的绿波持续时间，q0(i)与qd(i+T)可采用现场观测值；

离散性关联性指标通过车队离散公式计算，即：

其中：qd(j)代表路径末端交叉口第j个时段的车流到达数，t＝βT＝β(j-i)，离散系数α、β表示待定参数，建议取值分别为0.35和0.8；

阻滞性关联指标为：对于交叉口群组成某条路的任意路段m，沿该路径前进方向的交叉口进口道若有N个不同流向，计算每个流向的功能区长度值 排队长度采用实地观测统计值或使用排队长度计算公式进行估算，采用排队长度计算方法，减速距离和感知-反应距离的计算方法，将定义为路段m沿路径前进方向的交叉口进口道中流向功能区长度最大值与路径长度L的比值，即：

若该路径由M个路段组成，则其阻滞性指标I2为：

进一步的，在步骤b中，所述识别交叉口群交通运行状态包括交叉口群范围界定、交叉口群过饱和状态识别、交叉口群的关键路径检测及交通参数短时预测建模与仿真；

所述交叉口群过饱和状态识别包括采用冲击波的方法估算交叉口滞留排队长度，根据排队车辆长期停留在检测器上面造成的检测器高占有率现象识别交叉口群中的溢流现象，进一步识别交叉口群的过饱和状态，所述冲击波包括离使冲击波U₂、背离冲击波U₃，波速计算公式为：

其中：qm和km分别代表流量最大时的流率和密度，kj代表堵塞密度，和代表交通到达率和对应的密度，和指的是在时间Tc后经过检测器的交通流状态；

交叉口滞留排队长度及过饱和程度指数计算：第n个周期内的最大排队长度和达到最大排队长度的时刻为：

其中：Ld代表停车线到检测器之间的距离。

进一步的，在步骤c中，所述对过饱和状态交叉口群的关键路径进行过饱和交叉口信号配时控制方案优化方式包括交叉口信号配时控制优化方案静态优化、动态协同交通信号控制交叉口群、分层筛选过饱和状态交叉口群的交通控制策略、基于非支配排序遗传算法优化协调配时方案、作为信号控制动态优化的基准配时方案、交通参数实时动态优化算法。

进一步的，在步骤d中，所述交叉口信号控制优化方案与全景视频采集机器人联动指挥的方法包括：城市道路过饱和交叉口群动静协同交通控制、交叉口群关键路径协调控制周期 的选择、过饱和交叉口群关键路径的相位差在线优化、混合交通流对绿信比优化的影响在最大最小绿灯时间和绿灯间隔时间约束中合理考虑、建立新交叉口信号配时控制协同联动与指挥运行模式；

所述交叉口群关键路径协调控制周期的周期长度计算公式为：

在上述公式中：L为路段长度、W为上游交叉口宽度、Ga为下游交叉口的有效绿灯时间、h为离驶车辆车头时距、l为损失时间、Lv为平均车辆有效车度、C₁为防止溢流的周期长度、SF为车辆清空时的安全系数。

相对于现有技术，本发明的有益效果是：本发明的新型感知与控制的道路交叉口群信号控制系统及其控制方法，通过构建360°交叉口全景视频实时监测与建模、交叉口评估指数与在线仿真分析、过饱和交叉口关键路径与控制策略优化、交叉口信号控制优化与全景视频采集机器人联动指挥的“四步骤法”方法，建立城市基于交叉口群的交通控制智能化机器人，解决城市道路过饱和交叉口单点运行最优化问题，形成智能化指挥城市道路交叉口、过饱和交叉口、过饱和交叉口群交通控制与优化方案，并采用基于交叉口群的交通控制智能化机器人，实现全景视频采集机器人与交通信号控制机联动，建立交叉口信号控制机器人服务模式，提升交叉口单点控制的交通效率和服务水平，有利于科学合理地对城市道路网络的交通流进行动态监测与优化组织，从而大幅度提高城市交通系统的运行效率，缓解城市交通拥堵。

附图说明

图1是本发明实施例的基于交叉口群的交通控制方法的流程图；

图2是本发明实施例的识别交叉口群交通运行状态的方法的流程图；

图3是本发明实施例的过饱和状态的交通信号控制优化流程图；

图4是本发明实施例的过饱和交叉口关键路径与控制策略优化方法的流程示意图；

图5是本发明实施例的交叉口群交通控制动态优化方法框架图；

图6是本发明实施例的防止溢流的周期长度计算方法示意图；

图7是本发明实施例的新型感知与控制的道路交叉口群信号控制系统的结构示意图；

具体实施方式

下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

请参阅图1，是本发明实施例的基于交叉口群的交通控制方法的流程图，本发明实施例的基于交叉口群的交通控制方法包括以下步骤：

步骤100：通过全景视频采集机器人实时动态采集交叉口360°全景视频，并根据视频数据建立交叉口运行模型；

在步骤100中，全景视频采集机器人的头部上方设有高度可以伸缩的360°全景高清视频摄像机，全景视频采集机器人的眼部为高清视频摄像机，通过360°全景高清视频摄像机和高清视频摄像机实时动态采集交叉口360°全景视频，对于采集的全景视频进行归类筛选、图像识别、特征提取等处理后生成交叉口实时动态信息环境，建立画面清晰、视野开阔的交叉口运行模型。

步骤200：对交叉口运行模型进行运行态势监测，并根据交叉口运行模型分析交叉口群交通特性；

在步骤200中，开展交通大数据交叉口运行模型标定与运行态势监测，并根据交叉口整体模型分析交叉口群几何拓扑结构特性、道路空间特性、交叉口间交通流离散特性及交通信号控制特性等交叉口群交通特性，分析交叉口群内交通流运行特点和交通运行数据采集及处理方法，作为交通状态识别和交通信号控制的基础。具体地，对交叉口运行模型进行运行态势监测的方法包括以下步骤：

步骤201：分析交叉口群拥堵形成及疏散机理；

具体包括：分析交叉口群拥堵的诱发因素，确定交叉口溢流、绿灯空放、滞留排队等不良影响对于交叉口群交通拥堵的影响，确定过饱和状态形成的过程；判断交通流瓶颈消散时的交通流运行状态，应用交通网络负载均衡理论描述拥堵状态疏散过程的交通流特征，为分析过饱和状态交叉口群的交通状态奠定理论基础。

步骤202：交通运行参数的采集与处理；

具体包括：确定分析城市道路交叉口群交通运行状态所需要的交通运行参数，比较分析各种交通运行参数采集方法的优缺点及对过饱和状态交通信号控制的适应性，优选交叉口群交通状态识别和交通控制所需的数据来源；建立交通运行参数清洗处理方法，确定交通流丢失数据补齐、交通流错误数据判别、修正及交通流冗余数据约简的算法，为交通状态分析奠定基础。本发明实施例的交通运行参数采集与处理方法具体包括视频车辆检测和交通关联性指标建模；其中：

视频车辆检测的具体方式为：

1)运动目标候选区域提取，确定车辆可能存在的区域；

2)目标确认，对上阶段产生的候选区域进行确认，判断是车辆还是背景；

3)目标分割，通过识别出图像中符合车辆特征的像素，将待识别的目标从背景中分离出来；

4)目标跟踪，依据提取出的特征匹配前后帧中的车辆，从而计算交通运行参数；

5)目标分类，根据几何外形、纹理特征等对不同类型的车辆进行分类；

6)后期处理，根据检测需求计算交通运行参数，如车流量、车速等。

交通关联性指标包括离散性关联指标和阻滞性关联指标；

离散性关联指标为：受车流离散因素的影响，下游交叉口若要保证车队的首车和末车均在同一绿灯时间内通过交叉口，则需要设计一种扩散状的变宽绿波带。但此设计会使最下游的交叉口的绿灯时间长得无法接受，是一种对离散性不加约束的控制方式，在实际工程应用中往往不可取。对离散约束的控制方法多采用等宽绿波，但该方法会使位于车流首部或尾部的部分车辆会在每一个路口有一定的延误。设定离散性关联性指标I1为一个信号控制周期内路径起、讫点等长绿灯时间通过车辆的比值，即：

在公式(1)中：q0(i)代表某一条路径初始上游交叉口停车线i个时段的车流通过数；qd(i+T)代表路径末端交叉口第i+T个时段的车流到达数；T代表从路径起点至终点的行驶时间；tg代表一个信号周期内的绿波持续时间。q0(i)与qd(i+T)可采用现场观测值，也可以通过车队离散公式计算，即：

在公式(2)中：qd(j)代表路径末端交叉口第j个时段的车流到达数，t＝βT＝β(j-i)，离散系数α、β表示待定参数，建议取值分别为0.35和0.8。

阻滞性关联指标为：对于交叉口群组成某条路的任意路段m，沿该路径前进方向的交叉口进口道若有N个不同流向，计算每个流向的功能区长度值 排队长度可采用实地观测统计值，也可以使用排队长度计算公式进行估算，本发明采用排队长度计算方法，减速距离和感知-反应距离的计算方法，将定义为路段m沿路 径前进方向的交叉口进口道中流向功能区长度最大值与路径长度L的比值，即：

若该路径由M个路段组成，则其阻滞性指标I2为：

通过以上步骤，实现静态/动态相宜、俯瞰全局的全方位360°建模，对于交叉口规划设计指标、交叉口当前运行指标、交叉口优化生成指标三大类别指标进行比对分析研判，完成交叉口实时动态运行监测，形成全天候连续不断的模型优化自适应循环工作，采集并汇聚接入交叉口全天候的三个阶段早高峰、平峰、晚高峰不同信号控制模式和组合控制模式。实时动态汇聚接入交通大数据，同步开展交叉口在线建模，融合结构化、半结构化、非结构化采集的不同交叉口数据，优化并完善交叉口运行模型，完成交叉口动态模型，构建全市域交叉口交通大数据的信息源池，通过每个年度、每个季度、每个月份、每一天的监测与模型动态标定，实现交叉口实时动态监测建模机器人。

本发明实施例的对交叉口群交通特性进行分析的具体分析方式为：分别从交叉口群几何拓扑特性、道路空间特性、交通流特性、交通信号控制特性等方面了解交叉口群的交通特性，寻找交叉口群中交通流的变化特征，为应用过饱和交通控制策略提供依据。其中，交叉口群几何拓扑特性根据交叉口群中两个交叉口间的道路路径数目特征将交叉口群分类；道路空间特性分析了道路交通设施设计会对交通流运行产生的影响；交通流特性给出了适用于过饱和状态城市道路间断流的描述模型，根据交叉口群交通流特性，选取合适的交通运行数据采集手段，建立数据清洗及处理方法。交通信号控制特性分析基本控制原理与控制结构，为建立交通控制方法奠定了基础。

步骤300：根据交通特性进行交叉口评估指数与在线仿真分析，识别交叉口群交通运行状态；

在步骤300中，在交叉口群评估指数与再现仿真分析中，用于过饱和状态交通信号控制的交叉口群交通状态识别，主要包括交叉口群范围界定、交叉口群过饱和状态识别、交叉口群的关键路径检测、短时交通流参数变化特性预测四个方面。在交叉口运行状态的评价时所需要的交通运行参数主要包括：车速、流量、占有率等，对于交通拥堵状态自动判断算法主要包括指数平滑法、加州算法、McMaster算法、SND法、互相关法、卡尔曼滤波法等。具体地， 为了清楚说明步骤300，请参阅图2，是本发明实施例的识别交叉口群交通运行状态的方法的流程图。本发明实施例的识别交叉口群交通运行状态的方法包括以下步骤：

步骤301：界定交叉口群范围；

在对象道路网络中构建交叉口群，需要建立分析和解决交叉口群交通问题的基本范围，交叉口群范围的界定是对于交叉口群进行交通状态识别和交通控制优化的先决条件。在城市道路网络干线信号协调控制中，交叉口群层面对的交叉口进行协调控制，可以取得显著的改善交叉口群范围内的交通运行状。在交通信号机的计算能力与计算时间不足以直接求解整个路网的最优化交通控制方案，经常会陷入局部最优的情况下，利用交叉口群范围确定算法将整个路网划分为若干个交叉口群，进而优化其交通控制策略是进行交通协调控制的可行之路。交叉口群的协调控制介于单点控制和区域控制之间，其范围应符合交通信号机的硬件需求，并能在短时间内选择最优的交通控制策略。交叉口群范围界定的原则如下：

1)拥有较强关联性的交叉口应被划分到一个交叉口群，关联性不强的交叉口应划分在不同的交叉口群中；

2)城市道路网络中各个交叉口群中的交叉口数应大致相等，并且符合交通控制机的硬件需求；

3)算法的时间复杂度要低，占用内存要少；

4)范围界定的结果应对交通流运行有正面的影响。

在本发明实施例中，界定交叉口群范围的方法具体包括：在判断交叉口群空间特性及内在关联机理的基础上，分析交叉口群中交叉口间的交通关联性，建立基于特征矩阵的交叉口群范围界定方法和基于自组织神经网络的交叉口群范围界定方法。分别应用车辆排队长度与连线交叉口空间距离的比值和绿灯时间的有效利用程度来描述交叉口群关联特征，前者结合流量因素和距离因素，后者兼顾流量因素和配时因素，综合应用各种特征分析方法，界定交叉口群的范围。

步骤302：识别及评估交叉口群过饱和状态；

了解交叉口群过饱和状态的形成与疏散机理，为过饱和状态交叉口群交通信号控制提供理论依据。在本发明实施例中，交叉口群过饱和状态识别及评估指数的识别方法为：基于分析交叉口群过饱和程度的方法，提出应用由负面效应造成的无效绿灯时间和总绿灯时间的比值来定义过饱和程度指数，并用此衡量交叉口群过饱和程度。基于过饱和状态交叉口群在空间维度和时间维度上所产生的负面效应的特性，分别在空间和时间维度计算交叉口群的过饱和程度指数。在空间维度上通过冲击波模型和时空图，由排队开始消散时产生的冲击波和绿波开始时产生的离驶冲击波计算交叉口最大排队长度，由排队开始消散时产生的冲击波和下 周期红灯开始时产生的停车冲击波计算交叉口的支流排队长度，以此计算空间维度的过饱和程度系数。在时间维度，主要通过由交叉口排队溢流产生的上游检测器长时间占有现象来计算交叉口的过饱和程度系数。综合空间维度和时间维度的过饱和程度系数，识别交叉口群的过饱和状态。

过饱和状态不能直接由交通参数测量或计算识别，只能通过过饱和状态所产生的溢流等负面效应间接获得。为定量识别交叉口群的过饱和状态，对交叉口群过饱和状态的定义进行延伸，通过由过饱和状态引起的负面效应计算过饱和系数，从而确定交叉口群的过饱和状态。过饱和状态指当一个受交通信号控制的交通设施发生交通需求大于其通行能力状态(绿灯时间的最大通过数)时的情况，其可由某周期的滞留排队对下一周期的负面影响或上游交通设施因溢流出而在一个周期内产生的负面效应来定义，并应用无效绿灯时间和总绿灯时间的比值(过饱和系数)来衡量过饱和程度。

在本发明实施例中，采用感应线圈交通检测数据评估交叉口群的过饱和状态，感应线圈典型布设方式包括停车线检测器和高级检测器(在停车线上游布设)两种。在过饱和状态下交叉口群排队较长，不管停车线检测器还是高级检测器都不能准确检测识别过饱和状态交叉口的交通组织，需要用参数估计方法来识别交叉口群的过饱和状态。应用过饱和状态下交通控制在时空范围内产生的负面效应来代替传统的估计方法评价交通设施的状态。算法所识别负面效应主要有信号周期结束时的滞流排队长度和上游交叉口的溢流现象，两种负面效应都会造成信号交叉口的有效绿灯时间降低。采用冲击波的方法估算交叉口滞留排队长度，根据排队车辆长期停留在检测器上面造成的检测器高占有率现象识别交叉口群中的溢流现象，进一步识别交叉口群的过饱和状态。

冲击波波速的计算，设波速(u2，u3，u4)也被用于计算一个周期内的最大排队长度，因交通到达流率方差较大，排队冲击波(u1)不适用于估算排队长度。选用离使冲击波(u2)和背离冲击波(u3)估算排队长度，计算公式为：

在公式(4)中：qm和km分别代表流量最大时的流率和密度，kj代表堵塞密度，和代表交通到达率和对应的密度。和指的是在时间Tc后经过检测器的交通流状态，在求解u2时此处假设了qm，km和kj为固定值，压缩冲击波u4和离驶冲击波u2有着相同的波速。

高分辨交通数据被用来估算包括qm，km在内的各种交通变量，其中交通流率 数据，如和qm可直接由检测器获取，但是km等密度数据必须进行估算。基于事件的交通数据可以提供单独的占有时间，假设有效车长已知，即可获得空间平均速度；此时可利用平均流率除以空间平均车速来估算密度数据。估算个体速度ui，空间平均速度us，流率q和密度k的方法为：

在公式(5)至公式(8)中：t0,i和tg,i代表车辆i的检测器占有时间和时间间隔，ui和hi代表车辆i的速度和车头间距，q,us和k分别代表平均流率，空间平均车速和密度，Le代表有效车长，n代表同一交通状态中一个车队的车辆数。滞留排队长度及过饱和程度指数计算，第n个周期内的最大排队长度和达到最大排队长度的时刻为：

在公式(9)和公式(10)中：Ld代表停车线到检测器之间的距离。

步骤303：交叉口群关键路径检测与分级；

交叉口群的关键路径是交通拥堵的高发路段，也是交叉口群的瓶颈路段，根据实时动态交通信息分析交叉口群的路径等级，识别交叉口群的关键路径，可使交叉口群交通控制能更加高效的对交叉口群的交通流进行优化，基于交叉口群中车队交通关联性强的特征，采用基于小波变换和频谱分析的交叉口群关键路径识别办法，分析并提取交叉口群交通流短时变化特性，利用数据挖掘分析的方法检测交叉口群的关键路径，对于交叉口群路径分级。结合交叉口群关键路径上下游车流离散程度小的特性，应用小波变换技术将交通信号按不同频率分解，保留反映交通流短时变化特性的高频信号和反映交通流基础变化特性的低频信号，将滤波后的交通信号重构成突显交通流短时变化特性的新交通信号，作为关键路径识别及分级的输入数据。计算用小波变换重构的交叉口群各个进口流向交通信号的功率谱密度和流向间的交叉谱密度。通过计算各个交叉谱的一致性系数确定两个交通信号的相关度，获得对应指定进口所有路径的关键程度指数，再通过计算两个信号之间的相位，辅以两点的出行时间验证计算有效性，综合分析所有进口关键路径的重要程度。

交叉口群中个交叉口交通关联性的强弱主要表现在交叉口间车流离散程度大小，即下游交叉口的到达车流特性和上游车流特性的相似性。这种相似性在关键路径上的表现更为明显，一旦关联交叉口群中上游交叉口因交通信号控制或交通拥堵引起流量、车速等交通流参数变化，根据关联性相邻交叉口的强关联性，交通流参数的短时变化特性可保持至下游交叉口。在过饱和状态下，因车流一直以饱和流率通过交叉口，路段中交通流变化参数的离散程度比稳态时更少，将交叉口各流向交通流参数的短时变化特性作为依据，可建立模型识别过饱和状态交叉口群的关键路径。模型需要确定合适的交通参数以描述车流特征，并选取恰当的数据挖掘方法提取车流的短时变化特性。

为了突显交叉口群关键路径上下游车流离散程度小的特征，运用小波变换方法将交通信号按不同频率分解，保留反映交通流短时变化特性的高频信号和反映交通流基础变化特征的低频信号，将滤波后的交通信号重构成突显交通短时变化特性的新交通信号，作为关键路径识别及分级的输入数据。小波变换是时间(空间)频率的局部化分析，它通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了傅里叶变换的困难问题。 小波变换是一种窗口大小固定且其形状可变，时间窗和频率窗都可以改变的时频分辨率，而高频部分具有较高的时间分辨率和较低的频率分辨率。

小波变换继承和发扬了短时傅里叶变换局部化的思想，同时又可克服了窗口大小不随频率变化等缺点能够提供一个随频率改变的时间-频率窗口，时进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，在许多领域都得到了成功的应用。

小波变换即为将待分析信号展开成一族小波机之加权和，其含义把母小波(Mother Wavelet)函数作位移τ后，再在不同尺度α下与待分析信号f(t)作内积：

在公式(11)中：α代表尺度因子，α>0；τ代表位移，其值可正可负；代表小波函数及其位移与尺度伸缩。

为了定量计算交叉口群各路径上下游交通流的关联度，采用频谱分析的方法，将交通流变化作为输入信号，分析其在不同频率下的频谱变化特征。通过计算各个交叉口进口交通信号的交叉谱密度，分析其信号的一致性系数，以确定两个交通信号的相关度，并应用两个信号的相位差，以判断算法的有效性。

频谱是指一个时域的信号在频域下的表示方式，可以针对信号进行傅里叶变换而得到，所得的结论分别以振幅或相位为纵轴，频率为横轴。以振幅频谱表示振幅随频率变化的情况，相位频谱表示相位随频率变化的情形。频谱可以表示一个信号由哪些频率的弦波所组成，也可以看出各频率弦波的大小和相位等信息。频谱分析是一种将复杂信号分解为较简单信号的技术，找出一个信号在不同频率下的信息(如振幅、功率、强度、相位等)的做法即位频谱分析。

功率谱是数字时间序列在不同频率上能量分布特性的表征，如果时间序列自协方差函数γ_k满足条件则功率谱密度f(μ)与γk之间有如下的对应关系：式中：f(μ)定义在[-π，π]上，是实值非负函数。

步骤304：交通参数短时预测建模与仿真；

根据过饱和状态交通流特性可知，传统交通流模型不能直接通过模型计算未来的交通状态。应用改进的指数平滑方法、状态空间神经网络、扩展卡尔曼滤波方法、数据融合方法预测交叉口群短时交通参数的变化特征。通过利用当前时段和历史时段的交通数据，对下一时段的交通数据进行预测，模型不受过饱和状态的限制。交通参数短时预测在动态交通控制算法设计中具有重要的作用，预测的精度对于交通控制算法的有效性有显著影响。根据预测的基本方式的不同，短时交通流预测模型分为数据驱动和基于模型两种类型。数据驱动的方法用数理统计或人工智能的方法处理，如交通流量、交通速度、旅行时间等历史交通数据，并预测未来时段交通流的变化；基于模型的方法主要应用交通流传播模型对薛丁路径上的交通流状态进行估计和预测，按照模型对交通流描述的细致程度，可将模型分为宏观模型、中观模型、微观模型三种。应用于交通参数短时预测的方法形式多样，效果各异，本发明采用基于状态空间神经网络和扩展卡尔曼滤波的短视交通流预测模型。和传统对神经网络不同，状态空间神经网络通过添加一个存储之前神经元状态的状态层作为短期记忆层，以使神经网络能根据当前时刻的状态和前一时刻的状态决定预测输出值，能更高效的学习复杂的时空状态。通过状态空间神经网络的数学描述可知，隐藏层的向量s(t)为输入向量和偏差加权和，其可通过传递函数式由输入层向量x(t)计算得出：

在公式(12)中：sm代表第m个隐藏层神经元的值，代表连接第i个输入层神经元和第m个隐藏层神经元的权重，代表连接第e个隐藏层神经元和第m个状态层神经元的权重，代表与第m个隐藏层神经元的偏差值权重，bm代表第m个隐藏层神经元的偏差值，其值固定为1，h(·)代表传递函数。

步骤400：对过饱和状态交叉口群的关键路径进行过饱和交叉口信号配时控制方案优化与诱导，调整过饱和状态交叉口群交通信号控制策略；

在步骤400中，交叉口群设施优化、控制结构、交通控制策略及模型决定了信号控制方案在过饱和状态下的优化思路和控制效果。由于当前尚未形成较为成熟的过饱和状态交通控制目标，因此当常规交通控制的目标可以使交通流畅运行时，应尽量采用较为成熟的信号优化策略而不是选用新的控制策略。

控制结构是指为实现控制策略所采取的系统结构，主要包括集中式、分散式、分布式三种。交通控制系统由于具有典型的信息分散(子系统分布于广阔的城市空间范围)的特点，随着道路网络规模的扩大难以做到集中式控制，根据对路网交通状态的判别，实现控制参数和控制结构的分级与组合，是解决控制问题的核心办法。

根据过饱和状态交叉口群的空间、交通流和交通控制的特性，在优化过饱和状态交叉口群交通控制方案时，应将交叉口群的交通控制分为三层：交叉口群交通管理层、关键路径协调控制层、单点交叉口优化层。交叉口群控制管理层在交叉口群层面对整体交通需求进行管理，保证在过饱和状态下，将交通压力向周边路网分担；关键路径协调控制层主要优化关键路径的协调交通信号控制方案，利用交叉口群路网的存储能力，保障交叉口群关键路径的交通流顺畅运行，快速疏散交通拥堵；单点交叉口优化层是根据实施动态交通状况优化各个交叉口的信号配时方案，保证关键路径通过车辆最多、平均排队长度最小，避免负面效应产生。

对应交叉口群的三层交通控制结构，过饱和状态的交通控制策略对应划分为单点优化层、关键路径优化层、网络优化层。单点优化层主要关注于单个交叉口配时方案的计算，在关键路径优化层反馈初始信号配时方案(绿信比、周期长度等)后优化初始配时方案，并将最终的信号配时方案发送至交叉口的控制单元，各控制单元需要能相互交换信息，进行短时交通流预测，完成控制方案的滚动优化。关键路径优化层是根据实时动态交通检测数据和关键路径，兼顾交通控制优化策略和优化目标约束条件，形成关键路径协调控制方案。此方案反映了交通控制者缓解交叉口群范围内瓶颈路段的决策思想，是网络层信号控制方案优化的基础，也是缓解交叉口群过饱和状态的核心。

在过饱和状态下的城市道路交叉口群进行协调控制时，应结合过饱和控制策略，针对交叉口群路网交通流的运行特征，在简化战略控制参数间相互影响的基础上，在关键路径采用共同的信号周期惊醒控制，并把交叉口间车队的离散程度限制在可协调的阈值内，充分利用干支路的空间存储能力，使整体优化后的控制输出方案能更好地适应交叉口群范围内交通需求状况的实时变化。

过饱和状态下城市道路交叉口群的交通运行状态评价标准和稳态的交通运行状态评价方 法不同，其优化目标也有所不同。过饱和状态交叉口群的交通控制策略需要根据交叉口群实时交通运行状态、交叉口群的设计特性、过饱和状态下的优化目标(如交叉口通过数、排队长度等)综合决定。通过检测装置采集的数据应该通过处理和计算才能满足交通控制和管理的需求。决策支持系统是整个交通控制回路中最核心的部分，该系统根据交通信息处理系统得出的实时交通运行数据以及短时预测信息来实时确定交通控制策略，从而在不同干扰的情况下实现预设的控制目标(如交叉口通过最大数、排队长度最短等)，以供交通决策人员参考。交通决策人员通过实地交通状况和交叉口群交通运行特性来确定最终的交通控制策略。交叉口群交通控制系统的有效性是由控制策略的有效性以及和实际情况的相关性决定的，因此在确定交通控制策略时，应尽可能完善系统的优化方法和选择自动控制理论算法，而非简单的应用某些特定的算法来解决问题。

城市道路交叉口群中交通运行的状况可用多种评价指标来描述，为了方便分析，本发明选取路网中总旅行时间的消耗为标准进行评价。假设在时段t内，第i个交叉口进入交叉口群区域的车辆数为Di(t)(i＝1，2，…)，所以交叉口群的总进入量为： 同理，设时段t内流出交叉口群的车辆总数为：因此，时段t内交叉口群范围路网车辆数为：N(t)＝N(t-1)+D(t)-S(t)。设交叉口群内部初始流量为N(0)，则：设路网中第i辆车的消耗时间为ti，则路网中的总耗时间Ts为：城市道路交叉口群的总消耗时间最小等价于时间权重下的输出流量最大，即在适当的交通控制措施下，车辆能越快离开交叉口群，总体所消耗的时间越短。

请参阅图3，是本发明实施例的过饱和状态的交通信号控制优化流程图。过饱和交叉口关键路径与控制策略优化方式具体为：在交叉口群范围、过饱和状态、关键路径、短时交通流参数变化信息明确前提下，首先优化过饱和状态交通信号控制的优化目标、交通控制结构及不同层面的交通控制策略，实现对过饱和状态交叉口群交通信号控制，选取关键路径通过车辆数最大和排队最小为优化目标，应用交叉口群层、关键路径层、单点交叉口层的三个层次优化模式分别论述交通控制优化策略；以防止交叉口群产生溢流、绿灯空放等负面效应为 边界条件，确定交叉口群交通控制参数的优化范围，并提出交通控制参数优化方法，以使过饱和状态交叉口群交通流顺畅运行，快速恢复道能应用稳态交通控制优化方法的状态。在静态参考配时方案优化的基础上，根据实时动态交通流和短时交通流预测信息，动态更新交通信号配时方案。为了清楚说明步骤400，请参阅图4，是本发明实施例的过饱和交叉口关键路径与控制策略优化方法的流程示意图。本发明实施例的过饱和交叉口关键路径与控制策略优化与调整方法包括以下步骤：

步骤401：交叉口信号配时控制优化方案静态优化；在过饱和状态下，稳态交通控制以使交通流运行顺畅的优化目标不再适用。分析关键路径通行车数最大、排队长度最小等优化目标在过饱和状态交通控制的适用性，并确定交通控制优化目标，为交通控制参数的优化奠定基础。结合过饱和状态交叉口群需要优化疏导瓶颈路段交通流量的控制目标，在交通控制时选择分层递阶的交通控制结构，并分为交叉口群层、关键路径层、单点交叉口层。交叉口群层主要通过限流、自适应控制等方法，将交叉口群内部交通流快速疏散，同时适当限制外部交通流进入；关键路径层关注交叉口群交通问题最突出路径的协调信号配时方案；单点交叉口层则通过交叉口处的信号机根据实时交通参数和关键路径层的协调控制方案优化配时参数，最终确定交叉口信号配时控制优化方案。

步骤402：动态协同交通信号控制交叉口群；

步骤403：分层筛选过饱和状态交叉口群的交通控制策略；根据交叉口群的三层递阶优化控制模型，在已有控制策略中筛选适用于过饱和状态的交通控制策略。其中单点交叉口层的交通控制策略有绿灯延时、提前终止相位、相位再服务、动态左转、左转相位提前/移后、短连线交叉口采用相同配时方案等；关键路径层包括反向协调控制、同步交通控制、绿闪和防止溢流、绿灯空放的相位差设计等；交叉口群层的控制策略主要有限流、自适应控制等。

步骤404：基于非支配排序遗传算法优化协调配时方案，作为信号控制动态优化的基准配时方案；以交叉口群运行的离线数据为基础，依照过饱和状态的交通控制目标，选取关键路径通过的加权通行车辆数最大和关键路径平均排队最小为优化目标，以各交叉口的绿灯时间为输入变量，应用第二代多目标非支配排序遗传算法优化协调配时方案，作为信号控制动态优化的基准配时方案。

步骤405：交通参数实时动态优化算法；

具体请参阅图5，是本发明实施例的交叉口群交通控制动态优化方法框架图。基于交通状态信息、短时交通流预测结果、关键控制参数的取值范围，在基准控制方案的基础上，根据实时交通数据动态地调整交通控制参数的取值，并对各个步骤进行时耗分析。为达到通过交通控制防止过饱和状态交叉口群产生负面效应的目标，可通过调整周期长度，避免离散冲击 波和排队消散冲击波的交汇点位于上游交叉口前，从而达到避免滞留排队的目的；通过调整两个交叉口的相位差，也同样可以避免溢流和绿灯空放现象的产生。应用此方法获取各个交通参数的取值范围，可以作为交通参数动态优化的取值范围。

步骤500：运行调整后的交叉口群交通信号控制策略，实现交叉口控制信号配时优化方案稳态运行与全景视频采集机器人联动指挥；

在步骤500中，现有的全景视频采集机器人已经能够胜任精确、重复性的工作，但很多时候它还不能够灵活地根据新任务进行自我调整，也不能够应付一个不熟悉的或不确定的情景，例如城市道路交通全景视频采集机器人联动指挥交叉口运行等，本发明通过对全景视频采集机器人进行感知、认知和行为控制，实现交叉口信号控制优化与全景视频采集机器人联动指挥。通过步骤100至步骤400实现全景视频采集机器人对交叉口的感知、认知，进入稳态交叉口信号配时控制优化方案，将交叉口信号配时控制优化方案运行三个周期，同时把交叉口信号配时控制优化方案与全景视频采集机器人联动指挥交叉口正常运行，实现交叉口信号控制优化与全景视频采集机器人联动指挥。本发明实施例的交叉口信号控制优化方案与全景视频采集机器人联动指挥的方法包括以下步骤：

(1)城市道路过饱和交叉口群动静协同交通控制流程：

根据城市道路交叉口群交通控制模型结构，对过饱和状态交叉口群进行交通控制，应结合交叉口群状态识别算法，识别交叉口群的过饱和状态。当确定交叉口群处于过饱和状态，且调整传统的交通信号控制方法不能消除当前拥堵状态时，应首先确定交叉口群过饱和状态形成的原因，如果交叉口群产生过饱和状态是由于个别交叉口因为交通设计而产生了溢流或绿灯空放等负面效应，应采用相应的交通管理控制措施，以尽快排除交通拥堵；如果交通量过大，则应在交叉口边界范围进行截留或限流的方法，尽快疏散交叉口群内部的滞留排队车辆，同时结合交通流短时预测的结果，以静态优化方案为基础，针对交叉口群的瓶颈路段--关键路径对交通信号进行动态优化，以尽可能快速地疏解关键路径上的车流。在优化各个交叉口的交通配时方案时，需要充分利用路网的车流存储能力，保障车流顺畅运行，使拥堵尽快消散。如果交叉口群的过饱和状态的形成已经常态化，则需要在城市整体范围内对交通需求进行分析，通过提高交通设施的供给和交通管理措施，并结合交通诱导等方式，减少瓶颈路段的交通流量。

(2)协调控制周期的选择：

交叉口群关键路径协调控制周期的选择是过饱和状态信号协调控制的关键任务，选取非最优信号周期长度将会增加交叉口排队溢流和阻挡发生的概率。在稳定交通流状态下，周期长度可以通过到达交通量和路段通行能力等参数确定；而在过饱和状态下，协调控制周期长 度的主要影响因素为路段存储能力及红灯时间和绿灯时间车辆的到达率。

过饱和状态交通协调控制周期长度选取的主要目标在于避免交叉口群的关键交叉口发生排队溢流现象，应用上游截流策略，通过协调上游交叉口的周期长度来避免交叉口溢流现象的产生。应用这一策略生成的建议周期长度为确保排队形成的冲击波在到达上游交叉口前消散的最大周期长度。

具体地，请参阅图6，是本发明实施例的防止溢流的周期长度计算方法示意图。本发明通过时空图绘制出计算防止产生排队溢流的最大信号控制周期的计算公式如下：

在公式(13)中：L-路段长度；W-上游交叉口宽度；Ga-下游交叉口的有效绿灯时间；h-离驶车辆车头时距；l-损失时间；Lu-平均车辆有效车度；RL-冲击波消散地点；C1-防止溢流的周期长度；SF-车辆清空时的安全系数；u-离驶冲击波的波速；v-下一车流第一辆车的速度；-停车冲击波的波速；Δ-协调控制相位差。

过饱和状态下协调交通控制周期长度还应考虑关键路径下游离驶率和路段长度[5]，因此，计算周期长度应为：

交叉口群各交叉口的周期长度应在关键路径协调控制周期的范围基础上，根据单点交叉口层的交通控制优化策略和信号控制约束结合实际交通到达率对信号周期长度进行搜索。当路段或短连线交叉口交通流量较大时，应该避免使用短周期；为避免短连线交叉口产生排队溢出现象，当不能使用短周期时可采用调整相位差的方法以减少红灯时间的到达率。同样延长下游交叉口绿灯时间以便在上游交叉口产生截流效果也可避免产生排队溢流问题。短连线交叉口在交通量较高时对周期长度的限制如下所述。

①各路口的最小通行能力约束：

在公式(15)中：-第i各交叉口相位j的时间长度；Li-第i各交叉口的总损失时间。

②各交叉口的最大通行能力约束：

③各交叉口的最大饱和度约束：

在公式(17)中：-第各交叉口的相位最大饱和度；Yi-第i个交叉口的流量比之和，其计算如下式所示：

在公式(18)中：j-一个周期的相位差；yj,y’_j-第j相位的流量比和设计流量比；qd-设计交通量，单位pcu/h；sd-设计饱和流量，单位pcu/h。

交叉口群协调交通控制参考周期长度取上述条件周期最小值：

C_ref＝min(C₁,C₂,C₃,C₄,C₅) (19)

(3)相位差优化计算方法：

相位差优化可以被看作以相位差为优化参数的优化问题，其目标是某个复杂函数的值最大或最小，过饱和交叉口群相位差在线优化时，应优化关键路径的相位差。在优化相位差时，将交叉口群中各路段分为若干路径，并按照关键路径的重要程度对其进行优化。在包含n个交叉口的路径中，可能存在的相位差个数为(C/r)n-1，C为周期长度(s)，r为搜索步长(s)。因此，求解相位差的计算复杂程度呈n的指数幂增长，需要采用高效的优化方法[6]，采用线-轴结合方法来优化城市道路交叉口群关键路径的相位差。

线-轴结合法通过一系列搜索、结合的步骤把路网等价为一个路段，每次结合相当于把一个额外的路段转化为与之前路段相同的路段，以直接利用之前路段所优化的路段流量，比较适用于中心城区的干线型交叉口群。其通过“串联”和“并联”组合的形式来优化交通信号控制网络的相位差。

假设j的取值范围是从jo到jmax：

步骤一：在所优化干线道路的起点位置定义其实交叉口Jo；

步骤二：按照以下过程依次组合干线路网上的各个交叉口；

①令{Δ}＝{Δjo,Δjo+1,…,Δj-1}(设第j个交叉口为关键交叉口，相位差优化以第j个交叉口优化级最高)；

②令{Δ}＝{Δ}{Δj}(其中Δj为先前合并过的相位差)；

③假设每个周期可分为B个时段，每个时段长度为ω，设δ＝1，2，…，(B-1)，通过对每个交叉口当前的相位差和之前结合的相位差增加，来建立网络相位差评价模型：

④选择合适的δ值以取得最好的评价效果，使得{Δ}←{Δ}δ。

步骤三：对于孤立系统，可指定相位差的调整集合{Δj}至特定值以便指定交叉口相位差达到要求。

优化过饱和状态交叉口群的相位差尤其需要考虑下游交叉口通行能力的限制和其他流向汇入关键路径的重转向交通流所形成的交叉口排队。过饱和状态交叉口群相位差的优化需要在原有方案的基础上考虑两个约束：即设计相位差防止交叉口产生溢流现象和绿灯空放现象。

(4)信号控制实时自适应更新

绿信比的优化调整是交通信号控制系统四大参数(周期、相位相序、绿信比、相位差)调整中最活跃、最频繁的参数。单点交叉口绿信比优化实时自适应控制关键内容如下：

①绿信比的界定

交通控制信号周期时长确定后，其中一个信号相位的有效绿灯时间与周期时长之比定义为信号相位的滤波比，即其中λ为绿信比，C为信号周期时长，ge为有效绿灯时间，ge＝g(绿灯时间)+A(黄灯时间)-L(启动损失时间)；在信号周期C确定以后，对绿信比λ的优化就是优化有效绿灯时间ge，而确定显示绿灯时间g之后同时就确定ge，本文中优化ge就是确定优化g。

②绿信比优化设置的目的和前提

当交通控制系统的信号周期时长已经优化确定后，为了动态地对应交通流的实际变化，需要每周期对各相位的绿灯时间进行再分配调整，以使整个交叉口交通流运行的指标值达到最佳化。同时保障信号周期和相位差的优化结果得以执行。建立假设：

1)信号周期已经得到合理的确定；

2)相位相序已经得到合理的选择优化；

3)交叉口各进口道连线的上下游均埋设了车辆检测器；

4)混合交通流对绿信比优化的影响在最大最小绿灯时间和绿灯间隔时间等约束中合理考 虑。

③绿信比初值的确定

信号控制系统开始运行时相位的绿灯时间可以通过离线优化确定，或调用在此前相近时段的方案，随着系统的运行可不断地在线优化调整，通过优化算法逐步符合实际交通流的运行状态。不同信号周期的各相位最佳绿信比之比基本与相位饱和流量比之比大致成正比：

在公式(21)中：gi、gj代表相位i、j的最佳绿信比；yi、yj代表相位i、j的饱和流量比；qi、qj代表相位i、j的流量，si、sj代表相位i、j的饱和流量。因此，在信号周期已经优化确定的情况下，可以按照等饱和分配的原则，依据各相位的饱和流量比之比来进行单点实时自适应控制下的绿信比初值的确定。

④绿信比优化的约束条件

绿信比优化的约束条件主要是信号周期约束、最大最小绿灯时间约束、通行能力约束：

在公式(22)中，i代表相位数目；qi代表相位i的流量，C代表信号周期；gi代表相位i的绿信比；S代表相位i的饱和流量；Xp代表每一相位的饱和可接受的最大临界饱和度，通常取Xp＝0.95；gmin代表相位的最小绿灯时间，gmax代表相位的最大绿灯持续时间，gmin和gmax可依据城市的交通状况离线确定，以有利于保证交通安全并提高效率。

⑤绿信比优化原理与算法

绿信比优化与信号周期优化存在最大的不同点在于：绿信比为多维向量，其维数等于相位数目。因此，在绿信比优化时必须考虑如何在保证优化精度的情况下简化多维空间优化的复杂性和占用的内存开销。在信号周期确定情况下，绿信比的分配通常具有以下方法：

a.等饱和配时法：基于公平的原则，按饱和流量比作为绿信比优化的依据，具有简单、快速、近似最优的特点，但通车效率和服务水平并不如总延误最小化配时。

b.总延误最小化配时法：基于效率的原则进行绿信比分配，通车效率和服务水平最好，但计算时间长、模型要求复杂。

c.车均延误相等配时法：使各相位车流的车均延误相等。

d.排队率相等配时法：使各相位车流的排队率相等。

基于此，选择基于等饱和分配的总延误最小化的优化法，以等饱和分配的绿信比作为系统寻优的初始绿信比，再逐步逼近最佳的绿信比。

⑥绿信比优化流程

依据上述分析，绿信比优化的运算流程可以分为三个阶段：

a.绿信比的初始分配阶段

利用上游检测器实时检测生成的周期交通量图式，依据等饱和度的原则，按照各相位的饱和流量比之比对信号周期时长进行初始分配，各相位的绿信比之和服从信号周期约束和最大最小绿灯时长、最大临界饱和度约束：

在公式(23)中，m代表交叉口的相位数；

在公式(24)中，qi代表第i相位的交通量，Si代表第i相位的饱和流量。

b.绿信比的二次优化

如果增加相位绿灯时间减少的延误和停车次数的总收益，大于被红灯延误的车辆所受的总损失，就应增加绿灯配时；反之则应减少绿灯时间。基于此，绿信比的优化从交叉口主路上的延长相位绿信比开始，使用爬山法，在绿灯开启前，与上一周期执行的绿信比进行比较，搜索+Δgs，0，-Δgs情况下交叉口延误大小的变化，找到延误最小的绿信比微调方案，此时优化试算交叉口所有的非延长相位依据等饱和度原则，按照到达饱和流量比之比分配绿信比，由此得出优化得出交叉口延长相位的绿信比和其他所有非延长相位的绿信比。如果存在任一非延长相位不满足最大最小绿灯时长约束、最大临界饱和度约束，则满足以上约束之后再新进行等饱和分配：

在公式(25)中，

其中为本周期

延长相位的绿信比，为上一周期延长相位的绿信比，其优化目标函数为：

c.绿信比的执行调整优化

由于系统上下游均设置了检测器，因此可以根据感应控制节约绿灯时间的情况，进行节余绿灯时间的重新分配，以获得更好的效益，促进系统的延误值进一步降低。建立三类相位：延长相位、感应相位、基本相位；其目的主要是便于感应控制时合理的调剂各相位绿灯时间的余缺，把非延长相位多余的绿灯时间优先分配给交通量大的延长相位。

⑦延长相位差设置的原则

延长相位通常设置在交通量大或饱和流量比大的主路，其最终绿灯时间，只能在其他相位的绿信比确定之后才能确定，其等于周期时长减去其他所有相位之后的剩余时间，延长相位的总数目通常应小于设置感应相位的总数。

引入延长相位后，需要把延长相位紧跟设置在感应相位之后，当感应相位被跳过时或有多余绿灯节余时，延长相位可以获得感应相位的多出的全部绿灯时间。反之把延长相位设置在感应相位完结之前则不可取，因为当感应相位尚未达到最大绿灯时，则节余绿灯时间无法调剂给延长相位以保证优化的周期时长得以执行。

一个主路方向通常最多可以设置一个延长相位，不一定每个协调方向均需要设置有延长相位，特别是在两相位情况下。基本相位只是为了规定执行调整时的方向而引入的相位，不一定每个交叉口都必须设置基本相位，特别是在两相位情况下。如果感应控制相位在上一周期被跳转过去，则在下一周期的绿信比优化时把一般相位设置时的最小绿灯时间赋为初始优化的感应相位绿信比初置。

⑧基于双延长相位的绿信比优化

上述内容主要是对单延长相位情况下的绿信比优化进行了描述，但会存在延长相位不唯一的情况，比如在两条主干道相交的大型交叉口存在典型的四相位情形。此时存在两个延长相位，可以采用双方向爬山法进行优化搜索，得到总延误最小情况下的最佳绿信比。此时对所有非延长相位按照等饱和进行绿灯分配，对所有延长相位也按照等饱和进行绿灯分配，但又不等同于计算初始绿信比情况下的所有相位间完成等饱和，而是同类相位间相对的等饱和。针对典型的四相位情况，令g1、g3为非延长相位1和3的绿信比，g2、g4为延长相位2和4的绿信比，对绿信比的优化搜索采用双方向爬山法，则有：

双延长相位的绿信比优化采用双方向爬山法，其优化目标函数为：

在公式(28)中，d(g1)、d(g3)、d(g4)代表沿延长相位g2方向使用爬山法得到的各非延长相位延误值；d(g11)、d(g33)、d(g44)代表沿延长相位g4方向使用爬山法得到的各非延长相位延误值；Δg2代表延长相位2的搜索步长；Δg4代表延长相位4的搜索步长；代表延长相位2上一信号执行的绿信比；代表延长相位4上一信号执行的绿信比。

⑨绿信比优化的间隔

为了最终实现信号周期确定情况下的延误最小化，必须实时匹配于不断变化的各进口连线的交通状况。当绿信比的调整间隔太长，则实时性较差，系统应对各相位交通需求变化过于滞后。当绿信比调整间隔太短，则频繁调整将带来系统运行的不稳定。由于作为战略主参数的信号周期的优化间隔为两周期，而绿信比作为纯战术参数，其调整间隔应低于信号周期，故绿信比的优化为每周期一次。绿信比的优化时间一般在本周期信号结束前优化下一周期的绿信比。考虑到系统优化运算以及通讯传输所需要的时间，故在下一周期第一组相位绿灯开启前必须优化出各种相位的绿信比，其提前时间T由以下两部分组成：第一是系统优化运算所需的时间T1：取决于算法的性能、计算规模、硬件配置情况；第二是系统方案执行所需的时间T2：由通讯传输时间和信号机解码时间所决定。

(5)建立新交叉口信号配时控制协同联动与指挥运行模式；

建立的过饱和状态交叉口群信号控制优化新方案，在交叉口实际控制信号机环境运行三个周期，与交叉口信号控制优化与全景视频采集机器人联动指挥运行，实现人工交通信号控制指挥的48个动作与交叉口信号控制协同一致，赋予全景视频采集机器人以优化过饱和状态交叉口群的交通信号控制功能，全景视频采集机器人行使人工协调交叉口交通运行指挥的新职能。

请参阅图7，是本发明实施例的新型感知与控制的道路交叉口群信号控制系统的结构示意图。本发明实施例的新型感知与控制的道路交叉口群信号控制系统包括全景视频采集机器人，全景视频采集机器人包括第一视频摄像模块1、第二视频摄像模块2、数据处理器模块(图未示)和显示模块3；第一视频摄像模块1和第二视频摄像模块2分别与数据处理器模块和显示模块3连接；第一视频摄像模块1和第二视频摄像模块2用于实时动态采集交叉口360°全景视频，并将拍摄的视频数据传输至数据处理器模块和显示模块3，数据处理器模块用于根据视频数据建立交叉口运行模型，对交叉口运行模型进行运行态势监测，并根据交叉口运行模型分析交叉口群交通特性，根据交叉口群交通特性进行交叉口评估指数与在线仿真分析， 识别交叉口群交通运行状态，从而对过饱和状态交叉口群的关键路径进行过饱和交叉口信号配时控制方案优化，调整过饱和状态交叉口群交通信号控制策略，并控制全景视频采集机器人运行调整后的交叉口群交通信号控制策略，实现交叉口控制信号配时优化方案稳态运行与全景视频采集机器人联动指挥，解决城市道路过饱和交叉口单点运行最优化问题；显示模块3用于显示第一视频摄像模块1和第二视频摄像模块2拍摄的视频数据。

在本发明实施例中，第一视频摄像模块1为高度可以伸缩的360°全景高清视频摄像机，设于全景视频采集机器人的头部上方，第二视频摄像模块2为高清视频摄像机，设于全景视频采集机器人的眼部，显示模块3为触摸显示屏，位于全景视频采集机器人的身体部位，便于人工触摸操作。

以上所述仅为本发明的优选实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.新型感知与控制的道路交叉口群信号控制系统，其特征在于，该控制系统包括：

全景视频采集机器人，所述全景视频采集机器人包括第一视频摄像模块(1)、第二视频摄像模块(2)和数据处理器模块，所述第一视频摄像模块和第二视频摄像模块分别与数据处理器模块连接；

所述第一视频摄像模块和第二视频摄像模块用于实时动态采集交叉口360°全景视频，并将拍摄的视频数据传输至数据处理器模块；

所述数据处理器模块用于根据视频数据建立交叉口运行模型，根据交叉口运行模型分析交叉口群交通特性，根据交叉口群交通特性进行交叉口评估指数与在线仿真分析，识别交叉口群交通运行状态，从而对过饱和状态交叉口群的关键路径进行过饱和交叉口信号配时控制方案优化，调整过饱和状态交叉口群交通信号控制策略，并控制全景视频采集机器人运行调整后的交叉口群交通信号控制策略，实现交叉口控制信号配时优化方案稳态运行与全景视频采集机器人联动指挥。

2.根据权利要求1所述的新型感知与控制的道路交叉口群信号控制系统，其特征在于：所述第一视频摄像模块为高度可以伸缩的360°全景高清视频摄像机，设于全景视频采集机器人的头部上方，所述第二视频摄像模块为高清视频摄像机，设于全景视频采集机器人的眼部。

3.根据权利要求1所述的新型感知与控制的道路交叉口群信号控制系统，其特征在于：所述数据处理器模块包括模型建立单元、交通特性分析单元、交通运行状态识别单元、策略优化单元和方案运行单元；

所述模型建立单元用于接收第一视频摄像模块及第二视频摄像模块传输的视频数据，并对视频数据进行归类筛选、图像识别及特征提取等处理后生成交叉口实时动态信息环境，建立画面清晰、视野开阔的交叉口运行模型；

交通特性分析单元用于对交叉口运行模型进行运行态势监测，并根据交叉口运行模型分析交叉口群交通特性；

交通运行状态识别单元用于根据交通特性进行交叉口评估指数与在线仿真分析，识别交叉口群交通运行状态；

策略优化单元用于对过饱和状态交叉口群的关键路径进行过饱和交叉口信号配时控制方案优化与诱导，调整过饱和状态交叉口群交通信号控制策略；

方案运行单元用于运行调整后的交叉口群交通信号控制策略，实现交叉口控制信号配时优化方案稳态运行与全景视频采集机器人联动指挥。

4.根据权利要求1所述的新型感知与控制的道路交叉口群信号控制系统，其特征在于：所述全景视频采集机器人还包括显示模块，所述显示模块为触摸显示屏，位于全景视频采集机器人的身体部位，所述第一视频摄像模块和第二视频摄像模块分别与显示模块连接，所述第一视频摄像模块和第二视频摄像模块将拍摄的视频数据传输至显示模块，所述显示模块用于显示第一视频摄像模块和第二视频摄像模块拍摄的视频数据。

5.一种以权利要求1所述的新型感知与控制的道路交叉口群信号控制系统的控制方法，其特征在于，该控制方法包括以下步骤：

步骤a：通过全景视频采集机器人实时动态采集交叉口360°全景视频，根据视频数据建立交叉口运行模型，并根据交叉口运行模型分析交叉口群交通特性；

步骤b：根据交通特性进行交叉口评估指数与在线仿真分析，识别交叉口群交通运行状态；

步骤c：对过饱和状态交叉口群的关键路径进行过饱和交叉口信号配时控制方案优化，调整过饱和状态交叉口群交通信号控制策略；

步骤d：运行调整后的交叉口群交通信号控制策略，实现交叉口控制信号配时优化方案稳态运行与全景视频采集机器人联动指挥。

6.根据权利要求5所述的新型感知与控制的道路交叉口群信号控制系统的控制方法，其特征在于：在步骤a中，对交叉口运行模型进行运行态势监测，所述运行态势监测包括分析交叉口群拥堵形成、疏散机理、交通运行参数的采集与处理；所述交通运行参数的采集与处理方法包括视频车辆检测和交通关联性指标建模；

交通关联性指标包括离散性关联指标和阻滞性关联指标：

离散性关联性指标为一个信号控制周期内路径起、讫点等长绿灯时间通过车辆的比值I 1或通过车队离散公式计算，即：

$I_1=\frac{\underset{i=1}{\overset{t_g}{\Σ}}{q}_d(i+T)}{\underset{i=1}{\overset{t_g}{\Σ}}{q}_0\left(i\right)};$

其中：q0(i)代表某一条路径初始上游交叉口停车线i个时段的车流通过数；qd(i+T)代表路径末端交叉口第i+T个时段的车流到达数；T代表从路径起点至终点的行驶时间；tg代表一个信号周期内的绿波持续时间，q0(i)与qd(i+T)可采用现场观测值；

离散性关联性指标通过车队离散公式计算，即：

$q_d(i+T)=q_d\left(j\right)=\underset{i=1}{\overset{j-t}{\Σ}}{q}_0\left(i\right)F{(1-F)}^{j-i-t};$

其中：qd(j)代表路径末端交叉口第j个时段的车流到达数，t＝βT＝β(j-i)，离散系数α、β表示待定参数，建议取值分别为0.35和0.8；

阻滞性关联指标为：对于交叉口群组成某条路的任意路段m，沿该路径前进方向的交叉口进口道若有N个不同流向，计算每个流向的功能区长度值 排队长度采用实地观测统计值或使用排队长度计算公式进行估算，采用排队长度计算方法，减速距离和感知-反应距离的计算方法，将定义为路段m沿路径前进方向的交叉口进口道中流向功能区长度最大值与路径长度L的比值，即：

$I_2^m=\frac{\max (D_1^m,D_2^m,\mathrm{...},D_n^m,\mathrm{...},D_N^m)}{};$

若该路径由M个路段组成，则其阻滞性指标I2为：

7.根据权利要求5所述的新型感知与控制的道路交叉口群信号控制系统的控制方法，其特征在于：在步骤b中，所述识别交叉口群交通运行状态包括交叉口群范围界定、交叉口群过饱和状态识别、交叉口群的关键路径检测及交通参数短时预测建模与仿真；

所述交叉口群过饱和状态识别包括采用冲击波的方法估算交叉口滞留排队长度，根据排队车辆长期停留在检测器上面造成的检测器高占有率现象识别交叉口群中的溢流现象，进一步识别交叉口群的过饱和状态，所述冲击波包括离使冲击波U₂、背离冲击波U₃，波速计算公式为：

其中：qm和km分别代表流量最大时的流率和密度，kj代表堵塞密度，和代表交通到达率和对应的密度，和指的是在时间Tc后经过检测器的交通流状态；

交叉口滞留排队长度及过饱和程度指数计算：第n个周期内的最大排队长度和达到最大排队长度的时刻为：

$L_{\max }^n=L_d+\frac{T_C-T_B}{\frac{1}{u_2}+\frac{1}{u_3}};$

$T_{\max }^n=T_B+\frac{L_{\max }^n-L_d}{u_2};$

其中：Ld代表停车线到检测器之间的距离。

8.根据权利要求5所述的新型感知与控制的道路交叉口群信号控制系统的控制方法，其特征在于：在步骤c中，所述对过饱和状态交叉口群的关键路径进行过饱和交叉口信号配时控制方案优化方式包括交叉口信号配时控制优化方案静态优化、动态协同交通信号控制交叉口群、分层筛选过饱和状态交叉口群的交通控制策略、基于非支配排序遗传算法优化协调配时方案、作为信号控制动态优化的基准配时方案、交通参数实时动态优化算法。

9.根据权利要求5所述的新型感知与控制的道路交叉口群信号控制系统的控制方法，其特征在于：在步骤d中，所述交叉口信号控制优化方案与全景视频采集机器人联动指挥的方法包括：城市道路过饱和交叉口群动静协同交通控制、交叉口群关键路径协调控制周期的选择、过饱和交叉口群关键路径的相位差在线优化、混合交通流对绿信比优化的影响在最大最小绿灯时间和绿灯间隔时间约束中合理考虑、建立新交叉口信号配时控制协同联动与指挥运行模式；

所述交叉口群关键路径协调控制周期的周期长度计算公式为：

$C_1\≤\frac{Lh}{L_{\mathrm{\υ}}}\frac{(1-\frac{W}{L}-\frac{\left(SF\right)L_{\mathrm{\υ}}}{L})}{\frac{G_a-L}{L_1}}$

在上述公式中：L为路段长度、W为上游交叉口宽度、Ga为下游交叉口的有效绿灯时间、h为离驶车辆车头时距、l为损失时间、Lv为平均车辆有效车度、C₁为防止溢流的周期长度、SF为车辆清空时的安全系数。