CN106228819B - 一种多交叉口的交通信号优化控制方法及装置 - Google Patents

一种多交叉口的交通信号优化控制方法及装置 Download PDF

Info

Publication number
CN106228819B
CN106228819B CN201610688735.7A CN201610688735A CN106228819B CN 106228819 B CN106228819 B CN 106228819B CN 201610688735 A CN201610688735 A CN 201610688735A CN 106228819 B CN106228819 B CN 106228819B
Authority
CN
China
Prior art keywords
intersection
main line
population
particle group
particle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610688735.7A
Other languages
English (en)
Other versions
CN106228819A (zh
Inventor
蔡延光
戚远航
蔡颢
黄柏亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201610688735.7A priority Critical patent/CN106228819B/zh
Publication of CN106228819A publication Critical patent/CN106228819A/zh
Application granted granted Critical
Publication of CN106228819B publication Critical patent/CN106228819B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/081—Plural intersections under common control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/087—Override of traffic control, e.g. by signal transmitted by an emergency vehicle

Abstract

本申请公开了一种多交叉口的交通信号优化控制方法，首先，确定区域路网中关键交叉口和关键交叉口对应的各干线的优先级，根据公交优先通行原则，建立区域路网的交通信号控制数学模型，然后采用基础粒子群对交通信号控制数学模型中的各干线上交叉口与各干线相邻交叉口间的相位差进行迭代寻优，获得基础粒子群中全局最优解，并将全局最优解作为上层协调粒子群的初始值，依据所述初始值对上层协调粒子群进行寻优，并获取交通信号控制数学模型中的各干线上交叉口与各干线相邻交叉口间的相位差的最优值，从而对交通信号进行控制。因此，本申请不但能够实现区域路网中个交叉口间信号的协同控制，而且实现了公交的优先通行，从而减轻了交通拥堵的情况。

Description

一种多交叉口的交通信号优化控制方法及装置
技术领域
本发明涉及交通信号控制领域，尤其涉及一种多交叉口的交通信号控制方法和装置。
背景技术
随着社会经济的发展，城市交通拥堵问题日益严重，交通系统是典型的复杂系统，是由各个交叉口和干线道路组成的，在车辆通行时，需要各交叉口间的协同控制，来减轻交通拥堵的情况。
但在现有技术中，对交叉口的交通信息进行控制时，并未考虑公交的优先通行，致使公交车在区域路网中运行时，会因为经常遇到红灯而影响通行效率。
发明内容
有鉴于此，本发明提供了一种多交叉口的交通信号优化控制方法及装置，解决了现有技术中对多交叉口的信号进行协同控制时并未考虑公交的优先通行的问题，从而提高了公交的通行效率，并减轻了交通拥堵的问题。
本发明提供了一种多交叉口的交通信号优化控制方法，该方法包括：
确定区域路网中关键交叉口及与所述关键交叉口相关的各干线的优先级；
其中，所述与关键交叉口相关的各干线包括所述关键交叉口所在干线中交通流量最大的一条干线及与所述干线平行的其它干线；
依据所述各干线的优先级，建立所述区域路网的交通信号控制数学模型：
其中，Z表示所述区域路网各交叉口人均延误总和；M表示所述区域路网中的干线总数，Ni表示所述区域路网中干线i上的交叉口总数，
Tij＝(t1,t2,∧,tn)表示干线i交叉口j的绿信比，tn表示干线i交叉口j中相位n的绿灯时长；表示干线i上各相邻交叉口间的相位差方案，表示交叉口Ni与交叉口(Ni-1)之间的相位差；Dij＝(Tij,Pi)为干线i交叉口j的乘客平均延误时间；
对上层协调粒子群进行迭代寻优，获取上层协调粒子群的最优解；
依据所述上层协调粒子群的最优解和所述区域路网的交通信号控制数学模型，获取所述区域路网中所述各干线中所有交叉口的最优绿信比和所述各干线相邻交叉口间的最优相位差；
依据所述所有交叉口的最优绿信比和各干线相邻交叉口间的最优相位差，对所述区域路网中的交通信号进行控制。
上述方法，优选的，确定区域路网中的关键交叉口及与所述关键交叉口相关的各干线的优先级，包括：
确定公式中S的最大值，并将所述S的最大值对应的交叉口确定为关键交叉口；
其中，S为交叉口的关键指标，p为路口i的车道数量，为交叉口中车道l的时间占有率，为车道l的交通流量，τ为公交车补偿系数，Pb为通过交叉口的公交线路数；
将所述关键交叉口所在的干线中交通流量最大的一条干线确定为主控干线；
依据与所述主控干线的距离，设置所述区域路网中所述主控干线及与所述主控干线平行的其它干线的优先级。
上述方法，优选的，所述对上层协调粒子群进行迭代寻优，获取上层协调粒子群的最优解，包括：
依据所述各干线上的各交叉口的绿信比和每条干线相邻交叉口间的相位差，建立多个基础粒子群；
其中，所述基础粒子群为(A0,ij；A1,A2,∧,AN)，A0,ij对应干线i交叉口j的绿信比，(A1,A2,∧,AN)对应各干线相邻交叉口间的相位差；
对所述多个基础粒子群进行迭代寻优，并获取所述多个基础粒子群在迭代寻优过程中的最优解；
依据所述基础粒子的最优解和所述区域路网交通信号控制数学模型，分别计算上层协调粒子群中各粒子的适应度值，并分别更新所述上层协调粒子群中各粒子的个体最优解和全局最优解；
依据公式和公式X(t+1)＝X(t)+V(t+1)，更新上层协调粒子群中粒子的速度和位置；
其中，t为当前迭代次数，Vi(t)为粒子在时刻t的速度值，Vi(t+1)为粒子在时刻t+1的速度值，Xi(t)为粒子的位置值，c1、c2和c3为学习因子，r1(t)、r2(t)和r3(t)为(0，1)之间的随机数，ω为惯性权重系数，Pi l表示粒子Xi(t)的个体最优值对应的位置解向量，表示粒子Xi(t)所在的基础粒子群总体最优解对应的解向量位置，Pg表示协调粒子群的全局最优值对应的解向量；
判断当前迭代次数是否小于预设的第一阈值，若小于所述预设的第一阈值，返回执行所述对所述多个基础粒子群进行迭代寻优，并获取基础粒子群在迭代寻优过程中的最优解；
若不小于所述预设的第一阈值，获取上层协调粒子群在迭代过程中的最优解。
上述方法，优选的，所述对所述多个基础粒子群进行迭代寻优，并获取基础粒子群在迭代寻优过程中的最优解，包括：
对所述基础粒子群A0,ij和(A1,A2,∧,AN)分别进行速度编码和位置编码；
对各个基础粒子群A0,ij和(A1,A2,∧,AN)分别进行混沌初始化；
依据所述区域路网交通信号控制数学模型，分别计算各个基础粒子群A0,ij和(A1,A2,∧,AN)的适应度值，分别更新各个所述基础粒子群A0,ij和(A1,A2,∧,AN)的个体最优解和全局最优解；
其中所述个体最优解表示每个粒子群中最优的粒子位置，全局最优解表示的是所有的A0,ij中，最优的粒子位置，和所有的(A1,A2,∧,AN)中最优的粒子位置；
依据预设的约束条件和所述适应度值，对各个基础粒子群A0,ij和(A1,A2,∧,AN)进行寻优；所述约束条件为
判断当前迭代次数是否小于预设的第二阈值，若小于预设的第二阈值，返回执行对各个基础粒子群A0,ij和(A1,A2,∧,AN)分别进行混沌初始化；
若不小于预设的第二阈值，分别获取各个基础粒子群A0,ij和(A1,A2,∧,AN)中的全局最优解。
上述方法，优选的，所述依据预设的约束条件和所述适应度值，对各个基础粒子群A0,ij和(A1,A2,∧,AN)进行寻优，包括：
对关键交叉口对应的基础粒子群进行寻优，并获取所述关键交叉口的信号周期；
将所述信号周期共享给其它交叉口对应的粒子群，并对所述其它交叉口对应的粒子群进行寻优；
对各个基础粒子群(A1,A2,∧,AN)进行寻优。
本发明还提供了一种多交叉口的交通信号优化控制装置，所述装置包括：
确定单元，用于确定区域路网中关键交叉口及与所述关键交叉口相关的各干线的优先级；
其中，所述与关键交叉口相关的各干线包括所述关键交叉口所在的干线中交通流量最大的一条甘心啊及与所述甘心啊平行的其它干线；
建立单元，用于依据所述各干线的优先级，建立所述区域路网的交通信号控制数学模型：
其中，Z表示所述区域路网各交叉口人均延误总和；M表示所述区域路网中的干线总数，Ni表示所述区域路网中干线i上的交叉口总数，Tij＝(t1,t2,∧,tn)表示干线i交叉口j的绿信比，tn表示干线i交叉口j中相位n的绿灯时长；表示干线i上各相邻交叉口间的相位差方案，表示交叉口Ni与交叉口(Ni-1)之间的相位差；Dij＝(Tij,Pi)为干线i交叉口j的乘客平均延误时间；
第一获取单元，用于对上层协调粒子群进行迭代寻优，获取上层协调粒子群的最优解；
第二获取单元，用于依据所述上层协调粒子群的最优解和所述区域路网的交通信号控制数学模型，获取所述区域路网中所述各干线中所有交叉口的最优绿信比和所述各干线相邻交叉口间的最优相位差；
控制单元，用于依据所述所有交叉口的最优绿信比和各干线相邻交叉口间的最优相位差，对所述区域路网中的交通信号进行控制。
上述装置，优选的，所述确定单元，包括：
第一确定子单元，用于确定公式中S的最大值，并将所述S的最大值对应的交叉口确定为关键交叉口；
其中，S为交叉口的关键指标，p为路口i的车道数量，为交叉口中车道l的时间占有率，为车道l的交通流量，τ为公交车补偿系数，Pb为通过交叉口的公交线路数；
第二确定子单元，用于将所述关键交叉口所在的干线中交通流量最大的一条干线确定为主控干线；
设置子单元，用于依据与所述主控干线的距离，设置所述区域路网中所述主控干线及与所述主控干线平行的其它干线的优先级。
上述装置，优选的，所述第一获取单元包括：
建立子单元，用于依据所述各干线上的各交叉口的绿信比和每条干线相邻交叉口间的相位差，建立多个基础粒子群；
其中，所述基础粒子群为(A0,ij；A1,A2,∧,AN)，A0,ij对应干线i交叉口j的绿信比，(A1,A2,∧,AN)对应各干线相邻交叉口间的相位差；
第一获取子单元，用于对所述多个基础粒子群进行迭代寻优，并获取所述多个基础粒子群在迭代寻优过程中的最优解；
第一计算子单元，用于依据所述基础粒子的最优解和所述区域路网交通信号控制数学模型，分别计算上层协调粒子群中各粒子的适应度值，并分别更新所述上层协调粒子群中各粒子的个体最优解和全局最优解；
更新子单元，用于
依据公式和公式X(t+1)＝X(t)+V(t+1)，更新上层协调粒子群中粒子的速度和位置；
其中，t为当前迭代次数，Vi(t)为粒子在时刻t的速度值，Vi(t+1)为粒子在时刻t+1的速度值，Xi(t)为粒子的位置值，c1、c2和c3为学习因子，r1(t)、r2(t)和r3(t)为(0，1)之间的随机数，ω为惯性权重系数，Pi l表示粒子Xi(t)的个体最优值对应的位置解向量，表示粒子Xi(t)所在的基础粒子群总体最优解对应的解向量位置，Pg表示协调粒子群的全局最优值对应的解向量；
第一判断子单元，用于判断当前迭代次数是否小于预设的第一阈值，若小于所述预设的第一阈值，返回第一获取子单元；
第二获取子单元，用于若不小于所述预设的第一阈值，获取上层协调粒子群在迭代过程中的最优解。
上述装置，优选的，所述第一获取子单元，包括：
编码子单元，用于对所述基础粒子群A0,ij和(A1,A2,∧,AN)分别进行速度编码和位置编码；
初始化子单元，用于对各个基础粒子群A0,ij和(A1,A2,∧,AN)分别进行混沌初始化；
第二计算子单元，用于依据所述区域路网交通信号控制数学模型，分别计算各个基础粒子群A0,ij和(A1,A2,∧,AN)的适应度值，分别更新各个所述基础粒子群A0,ij和(A1,A2,∧,AN)的个体最优解和全局最优解；
其中所述个体最优解表示每个粒子群中最优的粒子位置，全局最优解表示的是所有的A0,ij中，最优的粒子位置，和所有的(A1,A2,∧,AN)中最优的粒子位置；
第一寻优子单元，用于依据预设的约束条件和所述适应度值，对各个基础粒子群A0,ij和(A1,A2,∧,AN)进行寻优；所述约束条件为
第二判断子单元，用于判断当前迭代次数是否小于预设的第二阈值，若小于预设的第二阈值，返回执行对各个基础粒子群A0,ij和(A1,A2,∧,AN)分别进行混沌初始化；
第三获取子单元，用于若不小于预设的第二阈值，分别获取各个基础粒子群A0,ij和(A1,A2,∧,AN)中的全局最优解。
上述装置，优选的，所述第一寻优子单元，包括：
第四获取子单元，用于对关键交叉口对应的基础粒子群进行寻优，并获取所述关键交叉口的信号周期；
第二寻优单元，用于将所述信号周期共享给其它交叉口对应的粒子群，并对所述其它交叉口对应的粒子群进行寻优；
第三寻优单元，用于对各个基础粒子群(A1,A2,∧,AN)进行寻优。
根据本发明提供的优化控制方法和装置，通过采用降级建模策略确定区域路网中关键交叉口和关键交叉口对应的各干线的优先级，根据公交优先通行原则，建立区域路网的交通信号控制数学模型，然后采用基础粒子群和协调粒子群对交通信号控制数学模型中的各干线上交叉口与各干线相邻交叉口间的相位差进行迭代寻优。因此，不但能够实现区域路网中个交叉口间信号的协同控制，而且实现了公交优先通行，从而减轻了交通拥堵的情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例中一种多交叉口的交通信号优化控制方法的流程示意图；
图2为本发明实施例中一种多交叉口的交通信号优化控制方法的流程示意图；
图3为本发明实施例中一种多交叉口的交通信号优化控制方法的流程示意图；
图4为本发明实施例中一种多交叉口的交通信号优化控制装置的结构示意图；
图5为本发明实施例区域路网的示意图；
图6为本发明实施例针对图5的区域路网在不同交通流量的情况下平均延误时间的对比结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参考图1，示出了本发明实施例中一种多交叉口的交通信号优化控制方法的流程示意图，在本实施例中，所述方法例如可以包括：
S101：确定区域路网中关键交叉口及与所述关键交叉口相关的各干线的优先级；其中，所述与关键交叉口相关的各干线为所述关键交叉口所在干线中交通流量最大的一条干线及与所述干线平行的其它干线。
本实施例中，所述区域路网是由许多交叉口形成的多约束、多耦合性特征的复杂交通环境，通过应用降级建模策略，并依据各交叉口和干线的交通流量情况，将所述区域路网进行划分，划分出关键交叉口和具有不同重要程度的多条干线。
在本实施例提供的一些实施方式中，S101具体可以包括：
确定公式中S的最大值，并将所述S的最大值对应的交叉口确定为关键交叉口；其中，S为交叉口的关键指标，p为路口i的车道数量，为交叉口中车道l的时间占有率，为车道l的交通流量，τ为公交车补偿系数，Pb为通过交叉口的公交线路数；将所述关键交叉口所在的干线中交通流量最大的一条干线确定为主控干线；依据与所述主控干线的距离，设置所述区域路网中所述主控干线及与所述主控干线平行的其它干线的优先级。
本实施例中，区域路网中交叉口重要程度的判断是通过交叉口的车流量和公交线路数决定的，从公式中也可以看出，所述交叉口的关键指标表示的就是一段时间通过交叉口的交通流量和公交线路数的和，交通流量和公交线路数越大，也就是说关键指标S越大，表示交叉口的重要程度越高。确定了关键交叉口后，判断关键交叉口对应的两条干线中的交通流量最大的干线，则将交通流量大的干线作为主控干线，并将所述区域路网中与所述主控干线平行的其它干线，依据与所述主控干线的距离，设置所述其它干线的优先级。其中，距离所述主控干线越近的干线，重要程度越高。并且，所述交通流量表示的是一段时间内通过交叉口或者一条干线的车流量。
举例说明，如图5所示，该区域路网中包含9个交叉口，分别为交叉口1、2、3、4、5、6、7、8、9，假设其中交叉口5对应的关键指标S为最大的，也就是交叉口5为关键交叉口，L1、L4为通过关键交叉口5的两条干线，假设其中L1为二者中交通流量较大的一个，则L1表示为主控干线，将与L1平行的L2和L3设置重要程度优先级，离L1越近，则表示优先级越高。
本实施例中，在S101后，还可以包括：采用单交叉口公交优先的信号控制方法，获取优化后的所述区域路网中个交叉口的绿信比，并采用基于延误的干线滤波信号控制方法，获取优化后的各干线相邻交叉口间的相位差。
本实施例中，采用现有技术中的单交叉口公交优先的信号控制方法，对区域路网中各交叉口的绿信比进行首次优化，并获取优化结果；采用现有技术中基于延误的干线滤波信号控制方法，对各干线相邻交叉口间的相位差进行优化，并获取优化后的结果。
需要说明的是，绿信比是交叉口的某一通行相位的有效绿灯时长与整个周期总时长的比值。各相邻交叉口间的相位差，干线上同一个通行方向上，绿灯开始的时间差。
S102：依据所述各干线的优先级，建立所述区域路网的交通信号控制数学模型：
其中，Z表示所述区域路网各交叉口人均延误总和；M表示所述区域路网中的干线总数，Ni表示所述区域路网中干线i上的交叉口总数，Tij＝(t1,t2,∧,tn)表示干线i交叉口j的绿信比，tn表示干线i交叉口j中相位n的绿灯时长；表示干线i上各相邻交叉口间的相位差方案，表示交叉口Ni与交叉口(Ni-1)之间的相位差；Dij＝(Tij,Pi)为干线i交叉口j的乘客平均延误时间。
本实施例中，依据公交优先通行原则，以人均延误最小为目标，建立区域路网的交通信号控制数学模型。其中，人均延误最小，指的是乘客上下车对于公交通行的延误。并且各干线上各交叉口的绿信比和各干线相邻交叉口间的相位差，是依据各干线的优先级确定的。
S103：对上层协调粒子群进行迭代寻优，获取上层协调粒子群的最优解。
本实施例中，对上层协调粒子群进行寻优的过程，参考图2，该步骤具体可以包括：
S106：依据所述各干线上的各交叉口的绿信比和每条干线相邻交叉口间的相位差，建立多个基础粒子群；
其中，所述基础粒子群为(A0,ij；A1,A2,∧,AN)，A0,ij对应干线i交叉口j的绿信比，(A1,A2,∧,AN)对应各干线相邻交叉口间的相位差。
S107：对所述多个基础粒子群进行迭代寻优，并获取所述多个基础粒子群在迭代寻优过程中的最优解。
本实施例中，依据所述各干线的交叉口的绿信比建立个基础粒子群A0,ij，并依据所述各干线相邻交叉口间的相位差建立N个基础粒子群(A1,A2,∧,AN)。然后对各个基础粒子群进行迭代寻优，将各个基础粒子群迭代寻优的结果作为上层协调粒子群的初始值，也就是将各个基础粒子群A0,ij和(A1,A2,∧,AN)的全局最优粒子位置作为上层协调粒子群中各粒子的初始位置。
S108：依据所述基础粒子的最优解和所述区域路网交通信号控制数学模型，分别计算上层协调粒子群中各粒子的适应度值，并分别更新所述上层协调粒子群中各粒子的个体最优解和全局最优解。
S109：
依据公式和公式X(t+1)＝X(t)+V(t+1)，更新上层协调粒子群中粒子的速度和位置。
其中，t为当前迭代次数，Vi(t)为粒子在时刻t的速度值，Vi(t+1)为粒子在时刻t+1的速度值，Xi(t)为粒子的位置值，c1、c2和c3为学习因子，r1(t)、r2(t)和r3(t)为(0，1)之间的随机数，ω为惯性权重系数，Pi l表示粒子Xi(t)的个体最优值对应的位置解向量，表示粒子Xi(t)所在的基础粒子群总体最优解对应的解向量位置，Pg表示协调粒子群的全局最优值对应的解向量。
本实施例中，首先设定粒子迭代的次数，也就是提前设定迭代次数的第一阈值，然后获取所述上层协调粒子群的适应度值，再通过获得的基础粒子群A0,ij和(A1,A2,∧,AN)的最优粒子位置，利用公式更新粒子的速度，然后根据更新的粒子的速度，采用公式X(t+1)＝X(t)+V(t+1)，更新粒子的位置。当达到最大的迭代次数后，分别获取上层协调粒子群A0,ij和(A1,A2,∧,AN)在迭代过程中得到的最优的粒子位置。
本实施例中，对速度更新时，公式中的参数值，例如：c1、c2和c3为学习因子、随机数r1(t)、r2(t)和r3(t)、惯性权重系数ω，可以是在运行公式之前提前设定一个初始值，然后在实验的过程中根据实验结果进行调节获得的。本实施例中，获得的效果较好的参数值可以是：c1＝c2＝c3＝1、ω＝0.8。并且最大的迭代次数设置为100。
S110：判断当前迭代次数是否小于预设的第一阈值，若小于所述预设的第一阈值，返回执行S107，并获取基础粒子群在迭代寻优过程中的最优解。
本实施中，对上层协调粒子群的迭代寻优，要依赖基础粒子群的寻优结果，当上层协调粒子群迭代一次后，若未达到最大的迭代次数，要重新对基础粒子群进行迭代寻优，然后再次将基础粒子群迭代的结果作为上层协调粒子群进行迭代的初始值，进行下一次的迭代。也可以这样理解，假设基础粒子群的迭代次数是80次，上层协调粒子群每迭代一次，基础粒子群要迭代80次。
S111：若不小于所述预设的第一阈值，获取上层协调粒子群在迭代过程中的最优解。
本实施例中，所述上层协调粒子群在迭代过程中的最优解，就是上层协调粒子群全局最优的粒子位置。
需要说明的是，基础粒子群与上层协调粒子群的关系是，这两个粒子群，对粒子位置和速度更新时，粒子的群体规模和参数值不一样，并且基础粒子群的寻优结果会共享给上层协调粒子群，上层协调粒子群根据基础粒子群的寻优结果进行粒子寻优。
本实施例中，针对降级建模策略建立的数学模型，使用多种群协同搜索策略对数学模型进行求解，区域路网中通过降级建模策略划分出来的每个交叉口和每条干线，都用一个基础粒子种群进行搜索寻优，得到各交叉口和干线的最优配时方案。然后把基础种群的寻优结果，应用到区域路网的配时模型中，并通过上层协调粒子群来进行寻优。其中，对基础粒子群的寻优过程，参考图3，具体可以包括以下步骤：
S112：对所述基础粒子群A0,ij和(A1,A2,∧,AN)分别进行速度编码和位置编码。
S113：对各个基础粒子群A0,ij和(A1,A2,∧,AN)分别进行混沌初始化。
S114：依据所述区域路网交通信号控制数学模型，分别计算各个基础粒子群A0,ij和(A1,A2,∧,AN)的适应度值，分别更新各个所述基础粒子群A0,ij和(A1,A2,∧,AN)的个体最优解和全局最优解。
其中所述个体最优解表示每个粒子群中最优的粒子位置，全局最优解表示的是所有的A0,ij中，最优的粒子位置，和所有的(A1,A2,∧,AN)中最优的粒子位置。
S115：依据预设的约束条件和所述适应度值，对各个基础粒子群A0,ij和(A1,A2,∧,AN)进行寻优；所述约束条件为
其中，tk,min为相位最小绿灯时间；tk,max为相位最大绿灯时间；C为周期时长；Cmin为相位最小绿灯时间；Cmax为相位最大绿灯时间；为相位干线上交叉口间的相位差。
S116：判断当前迭代次数是否小于预设的第二阈值，若小于预设的第二阈值，返回执行S113。
S117：若不小于预设的第二阈值，分别获取各个基础粒子群A0,ij和(A1,A2,∧,AN)中的全局最优解。
本实施例中，先依据所述各干线上的各交叉口的绿信比和每条干线相邻交叉口间的相位差，建立多个基础粒子群后，设置各基础粒子群的初始值和迭代次数，然后对各基础粒子群进行速度编码和位置编码。对速度编码和位置编码为：基础粒子群A0,ij对应的是交叉口相位绿灯时间寻优，在粒子群所在的空间中，每个粒子的位置均用n维向量表示，则编号为k(k＝1，2，…,n)的粒子位置编码为x0k＝(t0k1,t0k2,…,t0kn)，速度编码为v0k＝(v0k1,v0k2,…,v0kn)。基础粒子群(A1,A2,∧,AN)对应干线相位差寻优，用(Ni-1)维向量表示，则基础粒子群i粒子编号为y(y＝1,2,∧,Ni-1)的位置编码为速度编码为然后，对粒子进行混沌初始化，使粒子位置能够相对均匀地分布在解空间中，提高寻优收敛度。再后，分别采用差分扰动策略计算基础粒子群A0,ij和(A1,A2,∧,AN)中所有粒子的适应度值，找到各基础粒子群中粒子的个体最优和全局最优，通过预设的约束条件和所述适应度值，对基础粒子群A0,ij和基础粒子群(A1,A2,∧,AN)进行迭代寻优，直到达到预设的最大迭代次数，也就是达到预设的第二阈值。
在本实施例的一些实施方式中，对基础粒子群进行迭代寻优时，先对关键交叉口对应的基础粒子群进行迭代寻优，得到关键交叉口的信号周期，并将其作为公共周期，然后把公共周期共享给基础粒子群A0,ij中其它交叉口对应的基础粒子群，并对所述其它交叉口对应的粒子群进行迭代寻优，最后再对基础粒子群(A1,A2,∧,AN)进行迭代寻优。
在本实施例的一些实施方式中，分别计算基础粒子群A0,ij和(A1,A2,∧,AN)的适应度值的过程为，按照公式以最小时间延误为目的，计算粒子的个体最优位置和全局最优位置，其中Pb为一辆公交车的载客数；Pv为社会车辆载客数；Dv为社会车辆总延误时间，按式(1)计算；Db(T)为公交车辆乘客总延误时间，按式(1)计算。
需要说明的是，对基础粒子群中的粒子进行编码能够得到粒子的位置，并能够与目标函数相对应，其中，在本实施例中，目标函数就是S103中的区域路网交通信号控制数学模型，也就是说粒子的位置表示的是各交叉口的绿信比和各干线相邻交叉口间的相位差。迭代寻优采用的是查分扰动策略，该策略是在粒子群寻优的过程中，通过所有粒子的平均适应度值，找到好的寻优粒子和差的寻优粒子，然后对这两类粒子进行不同的迭代更新，以提高粒子的寻优收敛度。
S104：依据所述上层协调粒子群的最优解和所述区域路网的交通信号控制数学模型，获取所述区域路网中各所述干线中所有交叉口的最优绿信比和所述各干线相邻交叉口间的最优相位差。
S105：依据所述所有交叉口的最优绿信比和各干线相邻交叉口间的最优相位差，对所述区域路网中的交通信号进行控制。
本实施例中，所述上层协调粒子群的最优解就是在S111中获得的上层协调粒子群的最优的粒子位置，将最优的粒子位置与区域路网的交通信号控制数学模型中的位置参数相对应，得到区域路网中各干线中所有交叉口的最优绿信比和各干线相邻交叉口间的最优相位差。然后依据获得的各交叉口的最优绿信比和各干线相邻交叉口的最优相位差，对区域路网中的交通信号进行控制。
本实施例中，通过采用降级建模策略确定区域路网中关键交叉口和关键交叉口对应的各干线的优先级，根据公交优先通行原则，建立区域路网的交通信号控制数学模型，然后采用基础粒子群对交通信号控制数学模型中的各干线上交叉口与各干线相邻交叉口间的相位差进行迭代寻优，获得基础粒子群中全局最优解，并将全局最优解作为上层协调粒子群的初始值，依据所述初始值对上层协调粒子群进行寻优，并获取交通信号控制数学模型中的各干线上交叉口与各干线相邻交叉口间的相位差的最优值。因此，本发明实施例不但能够实现区域路网中个交叉口间信号的协同控制，而且实现了公交的优先通行，从而减轻了交通拥堵的情况。
本实施例中，根据本实施例提供的方案，参考表1，示出的是本方案与其它两种方案，针对图5的区域路网在不同交通流量情况下的平均延误时间，为了能直观体现实验结果，如图6所示，为表1的结果对应的结果对比示意图。
从表1和图6可以看出，采用PSO(基础粒子群算法)的人均延误时间小于Webster(韦伯斯特)固定配时方案，而本方案采用的MSCPSO(多种群协同粒子群算法)比PSO算法的人均延误时间小，因此本方案，对于降低车辆延误，特别是降低公交车的延误，缓解交通拥堵，提高交通运行效率具有较好的效果。
表1
参考图4，示出了本发明实施例一种多交叉口交通信号优化控制装置的结构示意图，所述装置包括：
确定单元401，用于确定区域路网中关键交叉口及与所述关键交叉口相关的各干线的优先级；
其中，所述与关键交叉口相关的各干线包括所述关键交叉口所在的干线中交通流量最大的一条甘心啊及与所述甘心啊平行的其它干线；
建立单元402，用于依据所述各干线的优先级，建立所述区域路网的交通信号控制数学模型：
其中，Z表示所述区域路网各交叉口人均延误总和；M表示所述区域路网中的干线总数，Ni表示所述区域路网中干线i上的交叉口总数，Tij＝(t1,t2,∧,tn)表示干线i交叉口j的绿信比，tn表示干线i交叉口j中相位n的绿灯时长；表示干线i上各相邻交叉口间的相位差方案，表示交叉口Ni与交叉口(Ni-1)之间的相位差；Dij＝(Tij,Pi)为干线i交叉口j的乘客平均延误时间；
第一获取单元103，用于对上层协调粒子群进行迭代寻优，获取上层协调粒子群的最优解；
第二获取单元104，用于依据所述上层协调粒子群的最优解和所述区域路网的交通信号控制数学模型，获取所述区域路网中所述各干线中所有交叉口的最优绿信比和所述各干线相邻交叉口间的最优相位差；
控制单元405，用于依据所述所有交叉口的最优绿信比和各干线相邻交叉口间的最优相位差，对所述区域路网中的交通信号进行控制。
优选的，所述确定单元包括：
第一确定子单元，用于确定公式中S的最大值，并将所述S的最大值对应的交叉口确定为关键交叉口；
其中，S为交叉口的关键指标，p为路口i的车道数量，为交叉口中车道l的时间占有率，为车道l的交通流量，τ为公交车补偿系数，Pb为通过交叉口的公交线路数；
第二确定单元，用于将所述关键交叉口所在的干线中交通流量最大的一条干线确定为主控干线；
设置子单元，用于依据与所述主控干线的距离，设置所述区域路网中所述主控干线及与所述主控干线平行的其它干线的优先级。
优选的，所述第一获取单元包括：
建立子单元，用于依据所述各干线上的各交叉口的绿信比和每条干线相邻交叉口间的相位差，建立多个基础粒子群；
其中，所述基础粒子群为(A0,ij；A1,A2,∧,AN)，A0,ij对应干线i交叉口j的绿信比，(A1,A2,∧,AN)对应各干线相邻交叉口间的相位差；
第一获取子单元，用于对所述多个基础粒子群进行迭代寻优，并获取所述多个基础粒子群在迭代寻优过程中的最优解；
第一计算子单元，用于依据所述基础粒子的最优解和所述区域路网交通信号控制数学模型，分别计算上层协调粒子群中各粒子的适应度值，并分别更新所述上层协调粒子群中各粒子的个体最优解和全局最优解；
更新子单元，用于
依据公式和公式X(t+1)＝X(t)+V(t+1)，更新上层协调粒子群中粒子的速度和位置；
其中，t为当前迭代次数，Vi(t)为粒子在时刻t的速度值，Vi(t+1)为粒子在时刻t+1的速度值，Xi(t)为粒子的位置值，c1、c2和c3为学习因子，r1(t)、r2(t)和r3(t)为(0，1)之间的随机数，ω为惯性权重系数，Pi l表示粒子Xi(t)的个体最优值对应的位置解向量，表示粒子Xi(t)所在的基础粒子群总体最优解对应的解向量位置，Pg表示协调粒子群的全局最优值对应的解向量。
第一判断子单元，用于判断当前迭代次数是否小于预设的第一阈值，若小于所述预设的第一阈值，返回第一获取子单元；
第二获取子单元，用于若不小于所述预设的第一阈值，获取上层协调粒子群在迭代过程中的最优解。
优选的，所述第一获取子单元，包括：
编码子单元，用于对所述基础粒子群A0,ij和(A1,A2,∧,AN)分别进行速度编码和位置编码；
初始化子单元，用于对各个基础粒子群A0,ij和(A1,A2,∧,AN)分别进行混沌初始化；
第二计算子单元，用于依据所述区域路网交通信号控制数学模型，分别计算各个基础粒子群A0,ij和(A1,A2,∧,AN)的适应度值，分别更新各个所述基础粒子群A0,ij和(A1,A2,∧,AN)的个体最优解和全局最优解；
其中所述个体最优解表示每个粒子群中最优的粒子位置，全局最优解表示的是所有的A0,ij中，最优的粒子位置，和所有的(A1,A2,∧,AN)中最优的粒子位置；
第一寻优子单元，用于依据预设的约束条件和所述适应度值，对各个基础粒子群A0,ij和(A1,A2,∧,AN)进行寻优；所述约束条件为
第二判断子单元，用于判断当前迭代次数是否小于预设的第二阈值，若小于预设的第二阈值，返回执行对各个基础粒子群A0,ij和(A1,A2,∧,AN)分别进行混沌初始化；
第三获取子单元，用于若不小于预设的第二阈值，分别获取各个基础粒子群A0,ij和(A1,A2,∧,AN)中的全局最优解。
优选的，所述第一寻优子单元，包括：
第四获取子单元，用于对关键交叉口对应的基础粒子群进行寻优，并获取所述关键交叉口的信号周期；
第二寻优单元，用于将所述信号周期共享给其它交叉口对应的粒子群，并对所述其它交叉口对应的粒子群进行寻优；
第三寻优单元，用于对各个基础粒子群(A1,A2,∧,AN)进行寻优。
本实施例中，通过采用降级建模策略确定区域路网中关键交叉口和关键交叉口对应的各干线的优先级，根据公交优先通行原则，建立区域路网的交通信号控制数学模型，然后采用基础粒子群对交通信号控制数学模型中的各干线上交叉口与各干线相邻交叉口间的相位差进行迭代寻优，获得基础粒子群中全局最优解，并将全局最优解作为上层协调粒子群的初始值，依据所述初始值对上层协调粒子群进行寻优，并获取交通信号控制数学模型中的各干线上交叉口与各干线相邻交叉口间的相位差的最优值。因此，本发明实施例不但能够实现区域路网中个交叉口间信号的协同控制，而且实现了公交的优先通行，从而减轻了交通拥堵的情况。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种多交叉口的交通信号优化控制方法，其特征在于，所述方法包括：
确定区域路网中关键交叉口及与所述关键交叉口相关的各干线的优先级；
其中，所述与关键交叉口相关的各干线包括所述关键交叉口所在干线中交通流量最大的一条干线及与所述干线平行的其它干线；
依据所述各干线的优先级，建立所述区域路网的交通信号控制数学模型：
其中，Z表示所述区域路网各交叉口人均延误总和；M表示所述区域路网中的干线总数，Ni表示所述区域路网中干线i上的交叉口总数，Tij＝(t1,t2,∧,tn)表示干线i交叉口j的绿信比，tn表示干线i交叉口j中相位n的绿灯时长；表示干线i上各相邻交叉口间的相位差方案，表示交叉口Ni与交叉口(Ni-1)之间的相位差；Dij＝(Tij,Pi)为干线i交叉口j的乘客平均延误时间；
对上层协调粒子群进行迭代寻优，获取上层协调粒子群的最优解，得到所有交叉口的最优绿信比和各干线相邻交叉口间的最优相位差；所述上层协调粒子群最优解的确定，是通过对基础粒子群寻优得到的最优解和所述区域路网的交通信号控制数学模型确定的；所述基础粒子群是依据所述各干线上的各交叉口的绿信比和每条干线相邻交叉口间的相位差建立的；
依据所述所有交叉口的最优绿信比和各干线相邻交叉口间的最优相位差，对所述区域路网中的交通信号进行控制。
2.根据权利要求1所述的方法，其特征在于，确定区域路网中的关键交叉口及与所述关键交叉口相关的各干线的优先级，包括：
确定公式中S的最大值，并将所述S的最大值对应的交叉口确定为关键交叉口；
其中，S为交叉口的关键指标，p为路口i的车道数量，为交叉口中车道l的时间占有率，为车道l的交通流量，τ为公交车补偿系数，Pb为通过交叉口的公交线路数；
将所述关键交叉口所在的干线中交通流量最大的一条干线确定为主控干线；
依据与所述主控干线的距离，设置所述区域路网中所述主控干线及与所述主控干线平行的其它干线的优先级。
3.根据权利要求1所述的方法，其特征在于，所述对上层协调粒子群进行迭代寻优，获取上层协调粒子群的最优解，包括：
依据所述各干线上的各交叉口的绿信比和每条干线相邻交叉口间的相位差，建立多个基础粒子群；
其中，所述基础粒子群为(A0,ij；A1,A2,∧,AN)，A0,ij对应干线i交叉口j的绿信比，(A1,A2,∧,AN)对应各干线相邻交叉口间的相位差；
对所述多个基础粒子群进行迭代寻优，并获取所述多个基础粒子群在迭代寻优过程中的最优解；
依据所述基础粒子的最优解和所述区域路网交通信号控制数学模型，分别计算上层协调粒子群中各粒子的适应度值，并分别更新所述上层协调粒子群中各粒子的个体最优解和全局最优解；
依据公式和公式X(t+1)＝X(t)+V(t+1)，更新上层协调粒子群中粒子的速度和位置；
其中，t为当前迭代次数，Vi(t)为粒子在时刻t的速度值，Vi(t+1)为粒子在时刻t+1的速度值，Xi(t)为粒子的位置值，c1、c2和c3为学习因子，r1(t)、r2(t)和r3(t)为(0，1)之间的随机数，ω为惯性权重系数，Pi l表示粒子Xi(t)的个体最优值对应的位置解向量，表示粒子Xi(t)所在的基础粒子群总体最优解对应的解向量位置，Pg表示协调粒子群的全局最优值对应的解向量，V(t+1)为粒子在t+1时刻的速度值，X(t+1)为粒子在时刻t+1的位置，X(t)为粒子在时刻t的位置；
判断当前迭代次数是否小于预设的第一阈值，若小于所述预设的第一阈值，返回执行所述对所述多个基础粒子群进行迭代寻优，并获取基础粒子群在迭代寻优过程中的最优解；
若不小于所述预设的第一阈值，获取上层协调粒子群在迭代过程中的最优解。
4.根据权利要求3所述的方法，其特征在于，所述对所述多个基础粒子群进行迭代寻优，并获取基础粒子群在迭代寻优过程中的最优解，包括：
对所述基础粒子群A0,ij和(A1,A2,∧,AN)分别进行速度编码和位置编码；
对各个基础粒子群A0,ij和(A1,A2,∧,AN)分别进行混沌初始化；
依据所述区域路网交通信号控制数学模型，分别计算各个基础粒子群A0,ij和(A1,A2,∧,AN)的适应度值，分别更新各个所述基础粒子群A0,ij和(A1,A2,∧,AN)的个体最优解和全局最优解；
其中所述个体最优解表示每个粒子群中最优的粒子位置，全局最优解表示的是所有的A0,ij中，最优的粒子位置，和所有的(A1,A2,∧,AN)中最优的粒子位置；
依据预设的约束条件和所述适应度值，对各个基础粒子群A0,ij和(A1,A2,∧,AN)进行寻优；所述约束条件为
判断当前迭代次数是否小于预设的第二阈值，若小于预设的第二阈值，返回执行对各个基础粒子群A0,ij和(A1,A2,∧,AN)分别进行混沌初始化；
若不小于预设的第二阈值，分别获取各个基础粒子群A0,ij和(A1,A2,∧,AN)中的全局最优解。
5.根据权利要求4所述的方法，其特征在于，所述依据预设的约束条件和所述适应度值，对各个基础粒子群A0,ij和(A1,A2,∧,AN)进行寻优，包括：
对关键交叉口对应的基础粒子群进行寻优，并获取所述关键交叉口的信号周期；
将所述信号周期共享给其它交叉口对应的粒子群，并对所述其它交叉口对应的粒子群进行寻优；
对各个基础粒子群(A1,A2,∧,AN)进行寻优。
6.一种多交叉口的交通信号优化控制装置，其特征在于，所述装置包括：
确定单元，用于确定区域路网中关键交叉口及与所述关键交叉口相关的各干线的优先级；
其中，所述与关键交叉口相关的各干线包括所述关键交叉口所在的干线中交通流量最大的一条甘心啊及与所述甘心啊平行的其它干线；
建立单元，用于依据所述各干线的优先级，建立所述区域路网的交通信号控制数学模型：
其中，Z表示所述区域路网各交叉口人均延误总和；M表示所述区域路网中的干线总数，Ni表示所述区域路网中干线i上的交叉口总数，Tij＝(t1,t2,∧,tn)表示干线i交叉口j的绿信比，tn表示干线i交叉口j中相位n的绿灯时长；表示干线i上各相邻交叉口间的相位差方案，表示交叉口Ni与交叉口(Ni-1)之间的相位差；Dij＝(Tij,Pi)为干线i交叉口j的乘客平均延误时间；
第一获取单元，用于对上层协调粒子群进行迭代寻优，获取上层协调粒子群的最优解；
第二获取单元，用于依据所述上层协调粒子群的最优解和所述区域路网的交通信号控制数学模型，获取所述区域路网中所述各干线中所有交叉口的最优绿信比和所述各干线相邻交叉口间的最优相位差；
控制单元，用于依据所述所有交叉口的最优绿信比和各干线相邻交叉口间的最优相位差，对所述区域路网中的交通信号进行控制。
7.根据权利要求6所述的装置，其特征在于，所述确定单元，包括：
第一确定子单元，用于确定公式中S的最大值，并将所述S的最大值对应的交叉口确定为关键交叉口；
其中，S为交叉口的关键指标，p为路口i的车道数量，为交叉口中车道l的时间占有率，为车道l的交通流量，τ为公交车补偿系数，Pb为通过交叉口的公交线路数；
第二确定子单元，用于将所述关键交叉口所在的干线中交通流量最大的一条干线确定为主控干线；
设置子单元，用于依据与所述主控干线的距离，设置所述区域路网中所述主控干线及与所述主控干线平行的其它干线的优先级。
8.根据权利要求6所述的装置，其特征在于，所述第一获取单元包括：
建立子单元，用于依据所述各干线上的各交叉口的绿信比和每条干线相邻交叉口间的相位差，建立多个基础粒子群；
其中，所述基础粒子群为(A0,ij；A1,A2,∧,AN)，A0,ij对应干线i交叉口j的绿信比，(A1,A2,∧,AN)对应各干线相邻交叉口间的相位差；
第一获取子单元，用于对所述多个基础粒子群进行迭代寻优，并获取所述多个基础粒子群在迭代寻优过程中的最优解；
第一计算子单元，用于依据所述基础粒子的最优解和所述区域路网交通信号控制数学模型，分别计算上层协调粒子群中各粒子的适应度值，并分别更新所述上层协调粒子群中各粒子的个体最优解和全局最优解；
更新子单元，用于
依据公式和公式X(t+1)＝X(t)+V(t+1)，更新上层协调粒子群中粒子的速度和位置；
其中，t为当前迭代次数，Vi(t)为粒子在时刻t的速度值，Vi(t+1)为粒子在时刻t+1的速度值，Xi(t)为粒子的位置值，c1、c2和c3为学习因子，r1(t)、r2(t)和r3(t)为(0，1)之间的随机数，ω为惯性权重系数，Pi l表示粒子Xi(t)的个体最优值对应的位置解向量，表示粒子Xi(t)所在的基础粒子群总体最优解对应的解向量位置，Pg表示协调粒子群的全局最优值对应的解向量，V(t+1)为粒子在t+1时刻的速度值，X(t+1)为粒子在时刻t+1的位置，X(t)为粒子在时刻t的位置；
第一判断子单元，用于判断当前迭代次数是否小于预设的第一阈值，若小于所述预设的第一阈值，返回第一获取子单元；
第二获取子单元，用于若不小于所述预设的第一阈值，获取上层协调粒子群在迭代过程中的最优解。
9.根据权利要求8所述的装置，其特征在于，所述第一获取子单元，包括：
编码子单元，用于对所述基础粒子群A0,ij和(A1,A2,∧,AN)分别进行速度编码和位置编码；
初始化子单元，用于对各个基础粒子群A0,ij和(A1,A2,∧,AN)分别进行混沌初始化；
第二计算子单元，用于依据所述区域路网交通信号控制数学模型，分别计算各个基础粒子群A0,ij和(A1,A2,∧,AN)的适应度值，分别更新各个所述基础粒子群A0,ij和(A1,A2,∧,AN)的个体最优解和全局最优解；
其中所述个体最优解表示每个粒子群中最优的粒子位置，全局最优解表示的是所有的A0,ij中，最优的粒子位置，和所有的(A1,A2,∧,AN)中最优的粒子位置；
第一寻优子单元，用于依据预设的约束条件和所述适应度值，对各个基础粒子群A0,ij和(A1,A2,∧,AN)进行寻优；所述约束条件为
第二判断子单元，用于判断当前迭代次数是否小于预设的第二阈值，若小于预设的第二阈值，返回执行对各个基础粒子群A0,ij和(A1,A2,∧,AN)分别进行混沌初始化；
第三获取子单元，用于若不小于预设的第二阈值，分别获取各个基础粒子群A0,ij和(A1,A2,∧,AN)中的全局最优解。
10.根据权利要求9所述的装置，其特征在于，所述第一寻优子单元，包括：
第四获取子单元，用于对关键交叉口对应的基础粒子群进行寻优，并获取所述关键交叉口的信号周期；
第二寻优单元，用于将所述信号周期共享给其它交叉口对应的粒子群，并对所述其它交叉口对应的粒子群进行寻优；
第三寻优单元，用于对各个基础粒子群(A1,A2,∧,AN)进行寻优。
CN201610688735.7A 2016-08-18 2016-08-18 一种多交叉口的交通信号优化控制方法及装置 Active CN106228819B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610688735.7A CN106228819B (zh) 2016-08-18 2016-08-18 一种多交叉口的交通信号优化控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610688735.7A CN106228819B (zh) 2016-08-18 2016-08-18 一种多交叉口的交通信号优化控制方法及装置

Publications (2)

Publication Number Publication Date
CN106228819A CN106228819A (zh) 2016-12-14
CN106228819B true CN106228819B (zh) 2019-09-27

Family

ID=57554238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610688735.7A Active CN106228819B (zh) 2016-08-18 2016-08-18 一种多交叉口的交通信号优化控制方法及装置

Country Status (1)

Country Link
CN (1) CN106228819B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106683452B (zh) * 2017-01-16 2019-09-17 青岛海信网络科技股份有限公司 一种公交优先控制的方法及装置
CN108010347B (zh) * 2017-11-29 2020-10-27 湖南中车时代通信信号有限公司 一种有轨车辆半专用路权下平交道口通行控制方法及装置
CN108538065B (zh) * 2018-04-24 2020-10-02 浙江工业大学 一种基于自适应迭代学习控制的城市主干道协调控制方法
CN109003452A (zh) * 2018-08-29 2018-12-14 广东工业大学 一种区域交通的优化控制方法
CN109215340B (zh) * 2018-08-31 2022-07-08 广州运星科技有限公司 一种交叉路口流量动态控制方法、系统、设备和存储介质
CN109377753B (zh) * 2018-10-19 2021-04-30 江苏智通交通科技有限公司 协调方向重复放行的干线协调优化方法
CN110189529B (zh) * 2019-03-21 2021-06-15 江苏智通交通科技有限公司 交通信号控制方案切换调整管理系统及方法
CN111047883B (zh) * 2019-12-23 2021-01-01 西南科技大学 关键交叉口及相邻交叉口交通信号控制方法
CN111127889B (zh) * 2019-12-24 2021-03-16 银江股份有限公司 一种基于车流到达时间预测的连续交叉口协同优化方法
CN113392577B (zh) * 2021-05-18 2023-01-13 广东工业大学 一种基于深度强化学习的区域边界主交叉口信号控制方法
CN113362603B (zh) * 2021-07-15 2022-11-25 山东交通学院 一种基于边缘计算的区域交叉路口交通管控方法及系统
CN114743396B (zh) * 2022-03-29 2023-04-28 江苏拓邮信息智能技术研究院有限公司 基于粒子群优化算法的交通诱导调度系统及其调度方法
CN114926997B (zh) * 2022-04-29 2023-09-19 东南大学 一种基于性能加权的启发式在线路网信号优化方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07129882A (ja) * 1993-10-29 1995-05-19 Mitsubishi Electric Corp 道路交通信号制御適正化装置、およびそれを用いた道路交通流管制システム
CN1889114A (zh) * 2006-07-17 2007-01-03 中国科学院地理科学与资源研究所 基于粒子群算法的交通信号离线配时优化方法
JP2007122584A (ja) * 2005-10-31 2007-05-17 Sumitomo Electric Ind Ltd 交通信号制御システム、および交通信号制御システムの制御方法
CN104766485A (zh) * 2015-03-31 2015-07-08 杭州电子科技大学 一种基于改进的模糊控制的红绿灯优化配时方法
CN105096615A (zh) * 2015-07-14 2015-11-25 安徽四创电子股份有限公司 基于信号机的自适应优化控制系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07129882A (ja) * 1993-10-29 1995-05-19 Mitsubishi Electric Corp 道路交通信号制御適正化装置、およびそれを用いた道路交通流管制システム
JP2007122584A (ja) * 2005-10-31 2007-05-17 Sumitomo Electric Ind Ltd 交通信号制御システム、および交通信号制御システムの制御方法
CN1889114A (zh) * 2006-07-17 2007-01-03 中国科学院地理科学与资源研究所 基于粒子群算法的交通信号离线配时优化方法
CN104766485A (zh) * 2015-03-31 2015-07-08 杭州电子科技大学 一种基于改进的模糊控制的红绿灯优化配时方法
CN105096615A (zh) * 2015-07-14 2015-11-25 安徽四创电子股份有限公司 基于信号机的自适应优化控制系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Jos＇e Garc＇ıa-Nieto等.Optimal Cycle Program of Traffic Lights with Particle Swarm Optimization.《IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION》.2013, *
Multi-modal traffic signal control with priority, signal actuation and coordination;Qing He等;《Transportation Research Part C》;20141231;第65-82页 *
干线协调交叉口多相公交信号优先控制策略;别一鸣 等;《华南理工大学学报》;20111031;第39卷(第10期) *

Also Published As

Publication number Publication date
CN106228819A (zh) 2016-12-14

Similar Documents

Publication Publication Date Title
CN106228819B (zh) 一种多交叉口的交通信号优化控制方法及装置
CN105938572B (zh) 一种物流存储系统预防干涉的多自动导引车路径规划方法
CN105589461A (zh) 一种基于改进蚁群算法的泊车系统路径规划方法
CN106873599A (zh) 基于蚁群算法和极坐标变换的无人自行车路径规划方法
CN104766484B (zh) 基于进化多目标优化和蚁群算法的交通控制与诱导系统和方法
CN106681334A (zh) 基于遗传算法的自动搬运小车调度控制方法
CN112489464B (zh) 一种具有位置感知的路口交通信号灯调控方法
CN106525047A (zh) 一种基于floyd算法的无人机路径规划方法
CN106989748A (zh) 一种基于云模型的农业移动机器人人机合作路径规划方法
CN107871164A (zh) 一种雾计算环境个性化深度学习方法
CN102854880A (zh) 面向混合地形区域不确定环境的机器人全局路径规划方法
CN102903028B (zh) 一种面向应急的多飞艇对地观测任务协同分配方法
CN108413976A (zh) 一种面向多工况的爬壁机器人智能路径规划方法及系统
CN106444835A (zh) 基于Lazy Theta星和粒子群混合算法的水下潜器三维路径规划方法
CN107331166B (zh) 一种基于路径分析的动态限行方法
CN109269516B (zh) 一种基于多目标Sarsa学习的动态路径诱导方法
CN104932494B (zh) 一种概率式室内障碍物分布图的构建机制
CN109900289A (zh) 基于闭环控制的路径规划方法及装置
CN113393690B (zh) 考虑自动驾驶专用车道的混合交通均衡分配方法
CN109960246A (zh) 动作控制方法及装置
CN108413963A (zh) 基于自学习蚁群算法的条形机器人路径规划方法
CN106530779A (zh) 一种基于城市交通控制信号灯的路径规划方法及系统
CN116225066A (zh) 一种基于混沌映射鹈鹕优化算法的无人机路径优化方法
CN114706400A (zh) 一种越野环境下基于改进的a*算法的路径规划方法
CN108445894A (zh) 一种考虑无人艇运动性能的二次路径规划方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant