CN105869417A - 一种基于组合控制的交通信号控制方法及系统 - Google Patents

Abstract

本发明涉及一种基于组合控制的交通信号控制方法及系统，方法包括(1)设置相位的最大排队车辆数、最大入口车流量、最短绿灯时间和最长绿灯时间；(2)采集交通流数据；(3)利用SOM神经网络对交叉口的历史交通流数据进行聚类识别，对路口交通状态划分拥堵等级；(4)采集当前交通流数据，采用SOM神经网络对路口交通状态进行识别；(5)控制器结构选择；(6)确定绿灯相位的延长时间并对两级模糊控制器优化；(7)确定当前放行车流相位的绿灯时长。利用车辆检测数据，采用SOM神经网络对交叉口交通状态进行识别，依据路口交通状态，动态选择合适的模糊控制器结构，有效地减少了车辆的平均延误，方法具有适应性好、控制性能优异、成本低等特点。

Description

一种基于组合控制的交通信号控制方法及系统

技术领域

本发明属于智能交通优化控制领域，具体涉及一种基于组合控制的交通信号控制方法及系统。

背景技术

交叉口作为城市交通网络中的重要组成部分，是实现城市交通由点及线到面优化控制的重要基础组成部分。鉴于城市交通的复杂性、强动态性，传统的交通控制方式已经很难满足交通发展的要求。智能控制技术为解决交通问题提供了有效保障。目前对交通信号智能优化控制，多采用“跳相”的策略优化路口相序，相位变化频繁，易误导行人和驾驶员，难以推广使用。单一的两级模糊控制或者单级模糊控制模型，不能很好的适应车流量的变化。路口车流较大时，采用两级模糊控制，有效地减少了车辆的平均延误，控制效果良好。低车流的情况下，进口道车流量很小，使得两级模糊控制等同于最小周期控制，导致新增车辆需等待才能通过，平均停车次数增大，控制性能变差。饱和车流情况下，车辆的平均延误很大，优化前后适应度函数变化很微小，两级模糊控制器更新失败。

发明内容

为了解决现有技术存在的上述问题，本发明提供了一种基于组合控制的交通信号控制方法及系统。采用的SOM神经网络能有效识别交叉口交通流变化，确定交叉口的交通状态。利用组合控制思想，根据路口的交通状态，在低车流或饱和车流下选择单级模糊控制器，在中车流或高车流下选择单级模糊控制器，动态地选择控制策略，实现策略自适应切换。

本发明所采用的技术方案为：

一种基于组合控制的交通信号控制方法，其改进之处在于：所述方法包括

(1)设置交叉口各相位的最大排队车辆数、最大入口车流量、最短绿灯时间和最长绿灯时间；

(2)通过交叉口每条车道上布置的感应检测线圈，采集并记录交通流数据；

(3)利用SOM神经网络对交叉口的历史交通流数据进行聚类识别，对路口交通状态划分拥堵等级；

(4)采集当前交通流数据，采用SOM神经网络对路口交通状态进行识别；

(5)若步骤4识别后得出交叉口处于中车流或高车流状态，选择两级模糊控制器，将排队车辆数和入口道车流量作为输入，执行步骤6；若步骤4识别后得出交叉口处于低车流或饱或车流状态，选择单级模糊控制器，将排队车辆数作为输入，执行步骤7；

(6)确定绿灯相位的延长时间并对两级模糊控制器优化；

(7)确定当前放行车流相位的绿灯时长。

进一步的，所述步骤(2)包括以150m为间距，在交叉口的各个车道上分别布置前、后感应线圈，记录各个车道上排队车辆数、入口流量以及离开车辆。

进一步的，所述步骤(3)包括选择平均速度和车流量作为交叉口的交通状态识别的参数；平均速度为一个周期内交叉口所有机动车的平均速度，车流量指一个周期内交叉口各车型的车辆数目乘以相应的车型比重后之和；通过对历史交通流参数聚类划分拥堵等级，划分为低车流、中车流、高车流和饱和车流4个等级。

进一步的，所述步骤(4)包括交通状态的实时识别是非周期的，利用滚动时间窗，每个周期内控制器执行55s后，根据实时交通流数据采用SOM神经网络对交叉口状态进行识别，确定下一周期路口的交通状态。

进一步的，所述步骤(5)中两级模糊控制器包括第1级的2个并行控制器绿灯紧迫度判定模块、下一相位红灯紧迫度判定模块和第2级的决策模块；其中，第1级的2个并行控制器用于判定各个相位的紧迫度，第2级的决策模块用于确定当前绿灯的延长时间。

进一步的，所述步骤(6)包括

(6.1)给定当前放行车流相位i的初始绿灯时间G_i＝G_min，其中，G_min为最短绿灯时间；

(6.2)绿灯结束前2s，根据检测线圈实时检测到的交通流参数，由两级模糊控制器确定绿灯延长时间ΔG_i；若ΔG_i+G_i＞G_max，则ΔG_i＝G_max-G_i；其中，G_max为最大绿灯时间；

(6.3)若ΔG_i大于8s，当前绿灯相位进行延时，返回步骤(6.2)；若ΔG_i小于8s，则相位切换，当前车流停止放行，下一相位车流开始放行，返回步骤(6.1)，当4个相位全部运行结束时，当前信号周期结束，返回步骤4开始下一信号周期，并对两级模糊控制器参数进行优化，执行步骤(6.4)；其中，4个相位的最短绿灯时间均为G_min＝15s，直行相位1和相位3的最大绿灯时间为G_max＝70s，左转相位2和4最大绿灯时间G_max＝50s；

(6.4)计算本周期内车辆的平均延误，将车辆的平均延误的倒数作为个体适应度函数，采用改进混沌遗传算法同时优化控制器的隶属度函数和控制规则；

(6.4.1)初始化：设置种群规模，进化代数，Logistic混沌序列的初值，交叉和变异的概率；

(6.4.2)评价：选择车辆平均延误的倒数作为算法的适应度函数，同时兼顾车辆的平均停车次数，由公式(3)计算个体适应度；

$d_i=\frac{C{(1-{\mathrm{\λ}}_i)}^2}{2(1-{\mathrm{\λ}}_i{x}_i)}+\frac{x_i^2}{2q_i(1-x_i)}-0.65{\left(\frac{C}{q_i}\right)}^{\frac{1}{3}}\×{x_i}^{(2+5\mathrm{\λ})}---\left(1\right)$

$d=\underset{i}{\Σ}{d}_i{q}_i/\underset{i}{\Σ}{q}_i---\left(2\right)$

fit(d)＝1/d (3)

h_i＝0.9(1-λ_i)/(1-x_i) (4)

$h=\underset{i}{\Σ}{h}_i{q}_i/\underset{i}{\Σ}{q}_i---\left(5\right)$

式中：d—1个周期内车辆的平均延误；h—1个周期内车辆的平均停车次数；d_i—第i相位车辆的平均延误；h_i—第i相位车辆的平均停车次数；C—周期时长；λ_i—第i相位的绿信比；q_i—第i相位进口道车辆到达率；x_i—第i相位的饱和度；

(6.4.3)选择：采用轮盘赌转法选择；

(6.4.4)混沌交叉：将经过选择操作生成的种群随机选择两个个体配对，交叉操作分两段进行，分别在隶属函数编码段和控制规则编码段按照混沌交叉规律进行算术交叉，直至产生新的种群；

(6.4.5)混沌变异：对经过混沌交叉产生的新个体，进行变异操作，变异分两段进行，分别在隶属函数编码段和控制规则编码段按照混沌变异规律进行多点随机变异；

(6.4.6)精英保留策略：将新生代种群中最差的5个体替换为父代种群中适应度值最高的5个个体；

(6.4.7)判断算法终止条件：若循环次数小于最大代数则返回(6.4.2)；否则，输出最优个体及最小平均延误值。

进一步的，所述步骤(7)包括

(7.1)根据单级模糊控制器的控制规则确定当前放行车流相位i的时长G_i；

(7.2)若G_i<G_min，则G_i＝G_min，若G_i>G_max，则G_i＝G_max，当前绿灯时间到达G_i时，当前车流停止放行，下一相位开始放行，返回步骤(7.1)；

(7.3)当4个相位全部运行结束时，当前信号周期结束，返回步骤4开始下一信号周期。

本发明还包括一种基于组合控制的交通信号控制系统，其改进之处在于：所述系统包括主控模块、A/D转换模块、I/O扩展电路、存储模块、驱动模块、显示模块、电源模块和键盘输入模块；

所述主控模块分别连接所述I/O扩展电路、存储模块、驱动模块、显示模块、电源模块和键盘输入模块；所述主控模块通过以太网连接控制台；用于接收控制台发出的控制信号，同时将实时交通数据传输到控制台；

所述检测器通过A/D转换模块连接I/O扩展电路；所述驱动模块连接信号灯。

进一步的，所述主控模块采用S3C6410处理器。

进一步的，所述主控模块设有手动开关。

本发明的有益效果为：

本发明利用车辆检测数据，采用SOM神经网络对交叉口交通状态进行识别，依据路口交通状态，动态选择合适的模糊控制器结构，有效地减少了车辆的平均延误，方法具有适应性好、控制性能优异、成本低等特点。

本发明采用组合控制策略将两套及以上的多套控制系统结合起来，保留各套控制系统的优点，克服各自的缺点，从而使系统的性能达到最优。将单级模糊控制和两级模糊控制两种策略相结合，对不同的交通状态采用相应的控制策略，可保留两种策略的优点。

附图说明

图1为本发明提供的基于组合控制的交通信号控制方法流程示意图；

图2为本发明提供的交叉口信号控制原理示意图；

图3为本发明提供的基于SOM的交通状态聚类识别示意图；

图4为本发明提供的两级模糊控制器结构示意图；

图5为本发明提供的两级模糊控制器优化流程示意图；

图6为本发明提供的基于组合控制的交通信号控制系统结构示意图。

具体实施方式

如图1所示，本发明提供了一种基于组合控制的城市交通信号控制方法，交通信号控制的方法步骤如图1所示：

步骤1：设定4个相位中各相位的最大排队车辆数Q_max、最大入口车流量λ_max、最短绿灯时间G_min和最长绿灯时间G_max；

步骤2：如图2所示，交叉口为标准4个相位控制，不考虑右转向车流，以150m为间距，在每条车道上布置前、后两个感应检测线圈，记录排队车辆数、入口流量以及离开车辆；

步骤3：如图3所示，利用SOM网络对交叉口的历史交通流数据进行聚类识别，选择平均速度和车流量作为交叉口的交通状态识别的参数，其中平均速度是一个周期内交叉口所有机动车的平均速度，单位为km/h，车流量指一个周期内交叉口各车型的车辆数目乘以相应的车型比重后之和，单位为pcu/h；通过对历史交通流参数聚类划分拥堵等级，划分为低车流、中车流、高车流和饱和车流4个等级；低车流、中车流、高车流和饱和车流分别以数字1、2、3、4代替；

步骤4：根据实时采集得到的交通流参数，利用滚动时间窗，每个周期内控制器执行55s后，采用SOM神经网络确定下一周期路口的交通状态；

步骤5：若步骤4得出交叉口处于中车流或高车流状态，若选择两级模糊控制器，如图4所示为两级模糊控制器结构示意图，两级模糊控制器包过第1级的2个并行控制器绿灯紧迫度判定模块、下一相位红灯紧迫度判定模块和第2级的决策模块，第1级的2个并行控制器用于判定各个相位的紧迫度，第2级的决策模块用于确定当前绿灯的延长时间，每个模糊控制器具有两个输入变量和一个输出变量，均划分为7个模糊子集MS、VS、S、M、L、VL、ML，选择三角形隶属度函数，然后执行步骤6；若步骤4得出交叉口处于低车流或饱和车流状态，选择单级模糊控制器，将绿灯相位和下一红灯相位的排队车辆数作为输入，控制器具有两个输入变量和一个输出变量，均划分为7个模糊子集MS、VS、S、M、L、VL、ML，选择三角形隶属度函数；执行步骤7；

步骤6：确定绿灯相位的延长时间并对两级模糊控制器优化；

(1)给定当前放行车流相位i的初始绿灯时间G_i＝G_min，其中，G_min为最短绿灯时间；

(2)绿灯结束前2s，根据检测线圈实时检测到的交通流参数，由两级模糊控制器确定绿灯延长时间ΔG_i。若ΔG_i+G_i＞G_max，则ΔG_i＝G_max-G_i；其中，G_max为最大绿灯时间；

(3)若ΔG_i大于8s，当前绿灯相位进行延时，返回步骤(6.2)；若ΔG_i小于8s，则相位切换，当前车流停止放行，下一相位车流开始放行，返回步骤(6.1)，当4个相位全部运行结束时，当前信号周期结束，返回步骤4开始下一信号周期，并对两级模糊控制器参数进行优化，执行步骤(6.4)；其中，4个相位的最短绿灯时间均为G_min＝15s，直行相位1和相位3的最大绿灯时间为G_max＝70s，左转相位2和4最大绿灯时间G_max＝50s；

(4)计算本周期内车辆的平均延误，将车辆的平均延误的倒数作为个体适应度函数，利用改进混沌遗传算法同时优化控制器的隶属度函数和控制规则，采用实属编码，如图5所示优化过程包括；

1)初始化：设置种群规模，进化代数，Logistic混沌序列的初值，交叉和变异的概率；

2)评价：选择车辆平均延误的倒数作为算法的适应度函数，同时兼顾车辆的平均停车次数，由公式(3)计算个体适应度。

$d_i=\frac{C{(1-{\mathrm{\&lambda;}}_i)}^2}{2(1-{\mathrm{\&lambda;}}_i{x}_i)}+\frac{x_i^2}{2q_i(1-x_i)}-0.65{\left(\frac{C}{q_i}\right)}^{\frac{1}{3}}\&times;{x_i}^{(2+5\mathrm{\&lambda;})}---\left(1\right)$

$d=\underset{i}{\&Sigma;}{d}_i{q}_i/\underset{i}{\&Sigma;}{q}_i---\left(2\right)$

fit(d)＝1/d (3)

h_i＝0.9(1-λ_i)/(1-x_i) (4)

$h=\underset{i}{\&Sigma;}{h}_i{q}_i/\underset{i}{\&Sigma;}{q}_i---\left(5\right)$

式中：d—1个周期内车辆的平均延误；h—1个周期内车辆的平均停车次数；d_i—第i相位车辆的平均延误；h_i—第i相位车辆的平均停车次数；C—周期时长；λ_i—第i相位的绿信比；q_i—第i相位进口道车辆到达率；x_i—第i相位的饱和度。

3)选择：采用轮盘赌转法选择。

4)混沌交叉：将经过选择操作生成的种群随机选择两个个体配对，交叉操作分两段进行，分别在隶属函数编码段和控制规则编码段按照混沌交叉规律进行算术交叉，直至产生新的种群。

5)混沌变异：对经过混沌交叉产生的新个体，进行变异操作，变异分两段进行，分别在隶属函数编码段和控制规则编码段按照混沌变异规律进行多点随机变异；

6)精英保留策略：将新生代种群中最差的5个体替换为父代种群中适应度值最高的5个个体；

7)判断算法终止条件：若循环次数小于最大代数则返回2)；否则，输出最优个体及最小平均延误值；

步骤7：确定当前放行车流相位i的时长G_i；

(1)根据当前绿灯相位的排队车辆数l_G和下一红灯相位的排队车辆数l_R，利用单级模糊控制器的控制规则确定当前放行车流相位i的时长G_i，控制规则如表1所示；

表1单级模糊控制器控制规则

(2)若G_i<G_min，则G_i＝G_min，若G_i>G_max，则G_i＝G_max，当前绿灯时间到达G_i时，当前车流停止放行，下一相位开始放行，返回步骤7(1)；

(3)当4个相位全部运行结束时，当前信号周期结束，返回步骤4开始下一信号周期。

本发明还包括一种基于组合控制的交通信号控制系统，所述系统包括主控模块、A/D转换模块、I/O扩展电路、存储模块、驱动模块、显示模块、电源模块和键盘输入模块；

所述主控模块分别连接所述I/O扩展电路、存储模块、驱动模块、显示模块、电源模块和键盘输入模块；所述主控模块通过以太网连接控制台；用于接收控制台发出的控制信号，同时将实时交通数据传输到控制台；

所述检测器通过A/D转换模块连接I/O扩展电路；所述驱动模块连接信号灯。

所述主控模块采用S3C6410处理器。

所述主控模块设有手动开关。

本发明不局限于上述最佳实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。

Claims (10)

1.一种基于组合控制的交通信号控制方法，其特征在于：所述方法包括

(1)设置交叉口各相位的最大排队车辆数、最大入口车流量、最短绿灯时间和最长绿灯时间；

(2)通过交叉口每条车道上布置的感应检测线圈，采集并记录交通流数据；

(3)利用SOM神经网络对交叉口的历史交通流数据进行聚类识别，对路口交通状态划分拥堵等级；

(4)采集当前交通流数据，采用SOM神经网络对路口交通状态进行识别；

(5)若步骤4识别后得出交叉口处于中车流或高车流状态，选择两级模糊控制器，将排队车辆数和入口道车流量作为输入，执行步骤6；若步骤4识别后得出交叉口处于低车流或饱或车流状态，选择单级模糊控制器，将排队车辆数作为输入，执行步骤7；

(6)确定绿灯相位的延长时间并对两级模糊控制器优化；

(7)确定当前放行车流相位的绿灯时长。

2.根据权利要求1所述的基于组合控制的交通信号控制方法，其特征在于：所述步骤(2)包括以150m为间距，在交叉口的各个车道上分别布置前、后感应线圈，记录各个车道上排队车辆数、入口流量以及离开车辆。

3.根据权利要求1所述的基于组合控制的交通信号控制方法，其特征在于：所述步骤(3)包括选择平均速度和车流量作为交叉口的交通状态识别的参数；平均速度为一个周期内交叉口所有机动车的平均速度，车流量指一个周期内交叉口各车型的车辆数目乘以相应的车型比重后之和；通过对历史交通流参数聚类划分拥堵等级，划分为低车流、中车流、高车流和饱和车流4个等级。

4.根据权利要求1所述的基于组合控制的交通信号控制方法，其特征在于：所述步骤(4)包括交通状态的实时识别是非周期的，利用滚动时间窗，每个周期内控制器执行55s后，根据实时交通流数据采用SOM神经网络对交叉口状态进行识别，确定下一周期路口的交通状态。

5.根据权利要求1所述的基于组合控制的交通信号控制方法，其特征在于：所述步骤(5)中两级模糊控制器包括第1级的2个并行控制器绿灯紧迫度判定模块、下一相位红灯紧迫度判定模块和第2级的决策模块；其中，第1级的2个并行控制器用于判定各个相位的紧迫度，第2级的决策模块用于确定当前绿灯的延长时间。

6.根据权利要求4所述的基于组合控制的交通信号控制方法，其特征在于：所述步骤(6)包括

(6.1)给定当前放行车流相位i的初始绿灯时间G_i＝G_min，其中，G_min为最短绿灯时间；

(6.2)绿灯结束前2s，根据检测线圈实时检测到的交通流参数，由两级模糊控制器确定绿灯延长时间ΔG_i；若ΔG_i+G_i＞G_max，则ΔG_i＝G_max-G_i，其中，G_max为最大绿灯时间；

(6.3)若ΔG_i大于8s，当前绿灯相位进行延时，返回步骤(6.2)；若ΔG_i小于8s，则相位切换，当前车流停止放行，下一相位车流开始放行，返回步骤(6.1)，当4个相位全部运行结束时，当前信号周期结束，返回步骤4开始下一信号周期，并对两级模糊控制器参数进行优化，执行步骤(6.4)；其中，4个相位的最短绿灯时间均为G_min＝15s，直行相位1和相位3的最大绿灯时间为G_max＝70s，左转相位2和4最大绿灯时间G_max＝50s；

(6.4)计算本周期内车辆的平均延误，将车辆的平均延误的倒数作为个体适应度函数，采用改进混沌遗传算法同时优化控制器的隶属度函数和控制规则；

(6.4.1)初始化：设置种群规模，进化代数，混沌序列的初值，交叉和变异的概率；

(6.4.2)评价：选择车辆平均延误的倒数作为算法的适应度函数，同时兼顾车辆的平均停车次数，由公式(3)计算个体适应度；

$d_i=\frac{C{(1-{\mathrm{\&lambda;}}_i)}^2}{2(1-{\mathrm{\&lambda;}}_i{x}_i)}+\frac{x_i^2}{2q_i(1-x_i)}-0.65{\left(\frac{C}{q_i}\right)}^{\frac{1}{3}}\&times;x_i^{(2+5\mathrm{\&lambda;})}---\left(1\right)$

$d=\underset{i}{\&Sigma;}{d}_i{q}_i/\underset{i}{\&Sigma;}{q}_i---\left(2\right)$

fit(d)＝1/d (3)

h_i＝0.9(1-λ_i)/(1-x_i) (4)

$h=\underset{i}{\&Sigma;}{h}_i{q}_i/\underset{i}{\&Sigma;}{q}_i---\left(5\right)$

式中：d—1个周期内车辆的平均延误；h—1个周期内车辆的平均停车次数；d_i—第i相位车辆的平均延误；h_i—第i相位车辆的平均停车次数；C—周期时长；λ_i—第i相位的绿信比；q_i—第i相位进口道车辆到达率；x_i—第i相位的饱和度；

(6.4.3)选择：采用轮盘赌转法选择；

(6.4.4)混沌交叉：将经过选择操作生成的种群随机选择两个个体配对，交叉操作分两段进行，分别在隶属函数编码段和控制规则编码段按照混沌交叉规律进行算术交叉，直至产生新的种群；

(6.4.5)混沌变异：对经过混沌交叉产生的新个体，进行变异操作，变异分两段进行，分别在隶属函数编码段和控制规则编码段按照混沌变异规律进行多点随机变异；

(6.4.6)精英保留策略：将新生代种群中最差的5个体替换为父代种群中适应度值最高的5个个体；

(6.4.7)判断算法终止条件：若循环次数小于最大代数则返回(6.4.2)；否则，输出最优个体及最小平均延误值。

7.根据权利要求4所述的基于组合控制的交通信号控制方法，其特征在于：所述步骤(7)包括

(7.1)根据单级模糊控制器的控制规则确定当前放行车流相位i的时长G_i；

(7.2)若G_i<G_min，则G_i＝G_min，若G_i>G_max，则G_i＝G_max，当前绿灯时间到达G_i时，当前车流停止放行，下一相位开始放行，返回步骤(7.1)；

(7.3)当4个相位全部运行结束时，当前信号周期结束，返回步骤4开始下一信号周期。

8.一种基于组合控制的交通信号控制系统，其特征在于：所述系统包括主控模块、A/D转换模块、I/O扩展电路、存储模块、驱动模块、显示模块、电源模块和键盘输入模块；

所述主控模块分别连接所述I/O扩展电路、存储模块、驱动模块、显示模块、电源模块和键盘输入模块；所述主控模块通过以太网连接控制台；用于接收控制台发出的控制信号，同时将实时交通数据传输到控制台；

所述检测器通过A/D转换模块连接I/O扩展电路；所述驱动模块连接信号灯。

9.根据权利要求8所述的一种基于组合控制的交通信号控制系统，其特征在于：所述主控模块采用S3C6410处理器。

10.根据权利要求9所述的一种基于组合控制的交通信号控制系统，其特征在于：所述主控模块设有手动开关。