CN106408961B - 单交叉口信号灯的二级泛逻辑智能控制方法及控制系统 - Google Patents

单交叉口信号灯的二级泛逻辑智能控制方法及控制系统 Download PDF

Info

Publication number
CN106408961B
CN106408961B CN201610999730.6A CN201610999730A CN106408961B CN 106408961 B CN106408961 B CN 106408961B CN 201610999730 A CN201610999730 A CN 201610999730A CN 106408961 B CN106408961 B CN 106408961B
Authority
CN
China
Prior art keywords
control
wagon flow
traffic
police
extensive
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
CN201610999730.6A
Other languages
English (en)
Other versions
CN106408961A (zh
Inventor
刘丽
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN201610999730.6A priority Critical patent/CN106408961B/zh
Publication of CN106408961A publication Critical patent/CN106408961A/zh
Application granted granted Critical
Publication of CN106408961B publication Critical patent/CN106408961B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/07Controlling traffic signals
    • G08G1/08Controlling traffic signals according to detected number or speed of vehicles

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

在单交叉路口信号灯控制的每个控制周期内:首先,对路口的交通状况进行采样,得到控制器的输入量,即两个方向的车流长度和车流强度;其次,对两个方向的车流长度和车流强度进行泛化,转化为泛组合模型工作区间上的对应量;再次,基于以各泛组合模型为核心的泛逻辑控制器,根据泛化了的两个方向的车流长度和车流强度进行决策,通过第一级控制和第二级控制,获得交通信号灯在x方向的绿灯延时△t';接着,对△t'进行逆泛化,得到对应的实际绿灯延时△t;最后,将该绿灯延时△t作用于信号灯,完成该控制周期的信号灯控制。在控制过程中,采用了能更好模拟交通警察控制时思维逻辑的泛组合运算模型。

Description

单交叉口信号灯的二级泛逻辑智能控制方法及控制系统
技术领域
本发明涉及信号灯智能控制的技术领域,特别是一种单交叉口信号灯的二级泛逻辑智能控制方法及控制系统。
背景技术
中小城市的交通网中,大多数的单交叉路口是由两条车流量较小的道路交叉或者一主一次道路交叉而成,一般采用二相位交通信号灯,其二相位示意图如图2和图3所示。令横向道路为x方向道路,纵向道路为y方向道路,利用交通路口普遍具备的视频采集设备实现交通数据的采集,采集到的信息主要包括x方向的车流长度x(k),x方向的车流强度λx(k),y方向的车流长度y(k),y方向的车流强度λy(k),其中k指第k个控制周期,车流长度x(k)和y(k)分别指x方向和y方向的车辆数目,车流强度λx(k)和λy(k)分别指每分钟经过x方向和y方向固定监测点的车辆数。传统的交叉路口信号灯控制方法采用模型控制或预先人为地设定多套方案,由于信号相位、配时方案的参数既定,不能跟随交通量的变化,导致交叉口常存在绿灯方向无车辆通行,红灯方向等待车辆较多的情况;即使采用模糊控制等智能控制方法,也无法很好地模拟交通警察在路口进行实际交通控制的过程,信号灯控制器的控制决策只依赖于路口各方向上的交通情况,没有像交通警察那样综合考虑某时段内各方向交通情况的关系,导致高峰情况下无法及时自适应地调节信号灯,无法合理分配交通流达到减小延误率的效果。
发明内容
本发明的目的是提供一种延误率小、控制程度合理、能很好模拟交通警察控制过程的单交叉口信号灯的二级泛逻辑智能控制方法及控制系统。
为了实现上述目的,本发明所采取的技术手段是:
单交叉口信号灯的二级泛逻辑智能控制方法,单交叉路口信号灯控制的每一个控制周期内包括以下步骤:
步骤一,计算输入量,根据交通控制系统中单交叉路口控制目标以及检测器检测到的当前交通状况,获得控制系统的输入变量包括x方向的车流长度误差Ex、车流强度误差ECx,y方向的车流长度误差Ey,车流强度误差ECy
步骤二,输入量的泛化,对步骤一中4个输入变量进行泛化,将其转化为控制器工作论域上的对应值Ex'、ECx'、Ey'和ECy',4个输入变量的泛化因子为k1、k2、k3和k4
步骤三,综合决策,为包含第一级控制和第二级控制的二级泛逻辑智能控制模块,第一级控制和第二级控制由不同类型的泛组合模型构成,其中第一级控制指对x方向和y方向的控制,第二级控制是指对第一级控制结果的组合;
综合决策模块根据步骤二中泛化了的输入量Ex'、ECx'以及Ex'和ECx'的耦合关系h1、控制决策门限基于[-8,8]区间上的零级泛组合运算模型,确定x方向的控制输出u1',根据泛化了的输入量Ey'、ECy'以及Ey'和ECy'的耦合关系h2、控制决策门限基于[-8,8]区间上的零级泛组合运算模型,确定y方向的控制输出u2';然后根据x方向和y方向交通情况的耦合关系h3,控制决策门限基于[-8,8]区间上的线性加权零级泛组合运算模型对u1'和u2'进行组合,确定x方向的绿灯延时△t';
步骤四,逆泛化,将步骤三中得到的x方向的绿灯延时△t'通过逆泛化因子k5将其转化为绿灯延时论域上的时间量△t,计算方法为
Δt=k5Δt′;
步骤五,信号灯控制,假设信号灯x方向上一控制周期的绿灯时间为t0,根据步骤四得到的绿灯延时时间△t,获得实际绿灯时间作用于x方向的信号灯,绿灯时长为t,即t=t0+Δt,本控制周期的控制任务完成。
所述的步骤一中,单交叉路口控制目标包括x方向的最佳车流长度为x0,y方向的最佳车流长度为y0,x方向的最佳车流强度为λx0和y方向的最佳车流强度为λy0;当前交通状况包括x方向的当前车流长度x(k),y方向的当前车流长度y(k),x方向的当前车流强度λx(k)和y方向的当前车流强度λy(k);控制系统的输入变量包括x方向的车流长度误差Ex、车流强度误差ECx,y方向的车流长度误差Ey,车流强度误差ECy;计算方法为
Ex=x(k)-x0
ECx=λx(k)-λx0
Ey=y(k)-y0
ECy=λy(k)-λy0
其中k指第k个控制周期。
所述的步骤二中,对4个输入变量进行泛化,计算方法为
Ex′=k1Ex
ECx′=k2ECx
Ey′=k3Ey
ECy′=k4ECy
所述的步骤三中,第一级控制中,x方向控制和y方向控制均使用零级泛组合运算模型[a,b]×[a,b]→[a,b],
其中a=-8,b=8,m=(3-4h)/(4h(1-h)),h∈[0,1];
x方向控制器的输入量为Ex'和ECx',对应零级泛组合运算模型的输入量x和y,控制参数h1反映了Ex'和ECx'的耦合关系,从0到1对应为最大吸引力和最大排斥力的过渡,控制参数为对x方向控制的决策门限,反映了控制器所模拟的交通警察的控制特点,从0到1对应为最低要求和最高要求的过渡,一般警察对应对x方向车流长度和强度控制要求较高的警察对应对x方向车流长度和强度控制要求较低的警察对应其控制输出为u1';
y方向控制器的输入量为Ey'和ECy',对应零级泛组合运算模型的输入量x和y,控制参数h2反映了Ey'和ECy'的耦合关系,从0到1对应为最大吸引力和最大排斥力的过渡,控制参数为对y方向控制的决策门限,反映了控制器所模拟的交通警察的控制特点,从0到1对应为最低要求和最高要求的过渡,一般警察对应对y方向车流长度和强度控制要求较高的警察对应对y方向车流长度和强度控制要求较低的警察对应其控制输出为u2';
在第二级控制中,对x方向和y方向控制器的输出u1'和u2'用[-8,8]区间上的线性加权零级泛组合运算模型进行组合,其形式为
其中,α表示x方向信号控制的加权系数,β表示y方向信号控制的加权系数,β=1-α,α和β反映了对x方向和y方向交通控制的优先级,即给予交叉路口不同方向以不同的控制优先级,参数h3表示u1'和u2'的耦合关系,从0到1对应为最大吸引力和最大排斥力的过渡,反映了x方向交通情况和y方向交通情况的关系,该关系与城市规划、城市各功能区域分布、交通流主体的作息时间密切相关,控制参数为对整个路口控制的综合决策门限,反映了控制器所模拟的交通警察的控制特点,从0到1对应为最低要求和最高要求的过渡,一般警察对应对两个方向车流长度和强度控制要求较高的警察对应对两个方向车流长度和强度控制要求较低的警察对应
所述的控制方法中,各个参数的优化基于遗传算法,遗传算法适应值设计时给不同控制目标以不同的控制优先级,以反映控制快速性和稳定性的要求,适应值函数设计为
其中,w1表示对x方向车流长度控制的优先级,w2表示对x方向车流强度控制的优先级,w3表示对y方向车流长度控制的优先级,w4表示对y方向车流强度控制的优先级,实际控制时可以像交通警察控制一样,根据当前车流状况确定wi的值,其中,如果对车流强度的控制优先级设置大,则交通控制的快速性要求更高;如果对车流长度的控制优先级设置大,则交通控制的稳定性要求更高。
包括依次连接的检测器、计算输入量模块、泛化处理模块、综合决策模块、逆泛化处理模块、执行机构和交通信号灯,检测器为视频采集设备,交通控制中心通过对采集到的视频数据分析得到当前路口各方向的车流长度和车流强度状态,根据车流长度和车流强度状态,利用二级泛逻辑控制器决策出x方向的绿灯延时,基于有线或无线通讯方式,该绿灯延时传送给执行机构,用于控制被控对象,被控对象为交通信号灯。
本发明的有益效果是:
1、在决定单交叉路口交通信号控制方案时,综合考虑了某时段内路口的交通流情况、路口交叉方向的车流情况之间的关系,单方向上车流长度和车流强度之间的关系,以及不同时段对各控制目标的不同控制优先级。该信号灯控制方法基于泛逻辑学,以[-8,8]区间上的加权形式的泛组合运算模型和基本泛组合模型构建决策核心。
2、在单交叉路口信号灯控制的每个控制周期内:首先,对路口的交通状况进行采样,得到控制器的输入量,即两个方向的车流长度和车流强度;其次,对两个方向的车流长度和车流强度进行泛化,转化为泛组合模型工作区间上的对应量;再次,基于以各类泛组合模型为核心的泛逻辑控制器,根据泛化了的两个方向的车流长度和车流强度进行决策,通过第一级控制和第二级控制,获得交通信号灯在x方向的绿灯延时△t';接着,对△t'进行逆泛化,得到对应的实际绿灯延时△t;最后,将该绿灯延时△t作用于信号灯,完成该控制周期的信号灯控制。
3、在控制过程中,采用了能更好模拟交通警察控制时思维逻辑的泛组合运算模型,该模型不仅能综合考虑交叉路口各方向的交通情况,还考虑到了各方向交通情况之间的关系、不同方向的控制优先权,其中,各方向上交通情况之间的关系在实际控制中与城市规划、城市功能区域分布、交通主流人群作息时间密切相关,该关系在控制器中用参数hi(i=1,2,3)反映,hi(i=1,2,3)反映了相应状态量的耦合关系,从0到1对应为最大吸引力和最大排斥力的过渡。
4、单交叉口信号灯的控制能模拟不同交通警察进行路口交通控制的差异性,该差异性在控制器中用参数反映,为路口控制的决策门限,从0到1对应为最低要求和最高要求的过渡,一般警察对应对控制要求较高的警察对应对控制要求较低的警察对应
5、单交叉路口信号灯的泛逻辑控制决策综合考虑了不同方向的控制优先级,体现在用线性加权泛组合模型对两个方向的控制输出进行综合,这与交通警察在实际控制中的方法更为接近。
6、单交叉口信号灯泛逻辑控制器中的控制参数的优化采用离线的不等权的参数优化方法,主要基于遗传算法,遗传算法适应值设计中体现了控制效果快速性和稳定性的不同要求和侧重。
附图说明
图1是本发明的流程图。
图2是二相位交通信号灯相位一示意图。
图3是二相位交通信号灯相位二示意图。
图4是本发明中控制器系统的结构示意图。
具体实施方式
本发明为一种单交叉口信号灯的二级泛逻辑智能控制方法及控制系统,在控制过程中,采用了能更好模拟交通警察控制时思维逻辑的泛组合运算模型,该模型不仅能综合考虑交叉路口各方向的车流长度和车流强度,还考虑到了单方向上车流长度和车流强度之间的关系、路口交叉方向的车流情况之间的关系、不同方向的控制优先权,其中,路口交叉方向的交通情况之间的关系在实际控制中与城市规划、城市功能区域分布、交通主流人群作息时间密切相关。
下面结合附图和具体实施例对本发明做进一步说明。
具体实施例,如图1所示,工作过程如下:
步骤一、计算输入量
根据交通控制系统中单交叉路口控制目标(x方向的最佳车流长度x0,y方向的最佳车流长度y0,x方向的最佳车流强度λx0和y方向的最佳车流强度λy0)以及检测器检测到的当前交通状况(x方向的当前车流长度x(k),y方向的当前车流长度y(k),x方向的当前车流强度λx(k)和y方向的当前车流强度λy(k)),获得控制系统的输入变量:x方向的车流长度误差Ex、车流强度误差ECx,y方向的车流长度误差Ey,车流强度误差ECy。计算方法如下。
Ex=x(k)-x0
ECx=λx(k)-λx0
Ey=y(k)-y0
ECy=λy(k)-λy0
其中k指第k个控制周期。
步骤二、输入量的泛化
对4个输入变量进行泛化,将其转化为控制器工作论域上的对应值Ex'、ECx'、Ey'和ECy'。4个输如变量的泛化因子为k1、k2、k3和k4。计算方法如下。
Ex′=k1Ex
ECx′=k2ECx
Ey′=k3Ey
ECy′=k4ECy
步骤三、综合决策
单交叉口信号灯的二级泛逻辑智能的综合决策模块是由不同类型的泛组合模型构成的,第一级控制指对x方向和y方向的控制,第二级控制是指对第一级控制结果的组合。
第一级控制中,x方向控制和y方向控制均使用零级泛组合运算模型[a,b]×[a,b]→[a,b],
其中a=-8,b=8,m=(3-4h)/(4h(1-h)),h∈[0,1]。
x方向控制器的输入量为Ex'和ECx',对应零级泛组合运算模型的输入量x和y,控制参数h1反映了Ex'和ECx'的耦合关系,从0到1对应为最大吸引力和最大排斥力的过渡,控制参数为对x方向控制的决策门限,反映了控制器所模拟的交通警察的控制特点,从0到1对应为最低要求和最高要求的过渡,一般警察对应对x方向车流长度和强度控制要求较高的警察对应对x方向车流长度和强度控制要求较低的警察对应其控制输出为u1'。
y方向控制器的输入量为Ey'和ECy',对应零级泛组合运算模型的输入量x和y,控制参数h2反映了Ey'和ECy'的耦合关系,从0到1对应为最大吸引力和最大排斥力的过渡,控制参数为对y方向控制的决策门限,反映了控制器所模拟的交通警察的控制特点,从0到1对应为最低要求和最高要求的过渡,一般警察对应对y方向车流长度和强度控制要求较高的警察对应对y方向车流长度和强度控制要求较低的警察对应其控制输出为u2'。
在第二级控制中,对x方向和y方向控制器的输出u1'和u2'用[-8,8]区间上的线性加权零级泛组合运算模型进行组合,其形式为
其中,α表示x方向信号控制的加权系数,β表示y方向信号控制的加权系数,β=1-α,α和β反映了对x方向和y方向交通控制的优先级,即给予交叉路口不同方向以不同的控制优先级,参数h3表示u1'和u2'的耦合关系,从0到1对应为最大吸引力和最大排斥力的过渡,反映了x方向交通情况和y方向交通情况的关系,该关系与城市规划、城市各功能区域分布、交通流主体的作息时间密切相关,控制参数为对整个路口控制的综合决策门限,反映了控制器所模拟的交通警察的控制特点,从0到1对应为最低要求和最高要求的过渡,一般警察对应对两个方向车流长度和强度控制要求较高的警察对应对两个方向车流长度和强度控制要求较低的警察对应
综合决策模块根据步骤二中泛化了的输入量Ex'、ECx'、以及Ex'和ECx'的耦合关系h1、控制决策门限基于[-8,8]区间上的零级泛组合运算模型,确定x方向的控制输出u1',根据泛化了的输入量Ey'、ECy'、以及Ey'和ECy'的耦合关系h2、控制决策门限基于[-8,8]区间上的零级泛组合运算模型,确定y方向的控制输出u2',然后根据x方向和y方向交通情况的耦合关系h3,控制决策门限基于[-8,8]线性加权零级泛组合运算模型对u1'和u2'进行组合,确定x方向的绿灯延时△t'。
步骤四,逆泛化
步骤三得到的x方向的绿灯延时△t'是控制器工作论域上的量,无法直接作用于信号灯,因此通过逆泛化因子k5将其转化为绿灯延时论域上的时间量△t,计算方法如下。
Δt=k5Δt′
步骤五,信号灯控制
假设信号灯x方向上一控制周期的绿灯时间为t0,根据步骤4得到的绿灯延时时间△t,获得实际绿灯时间作用于x方向的信号灯,绿灯时长为t,即t=t0+Δt。本控制周期的控制任务完成。
单交叉口信号灯的二级泛逻辑控制器中用到的控制参数有:x方向车流长度误差Ex的泛化因子k1、车流强度误差ECx的泛化因子k2,y方向的车流长度误差Ey的泛化因子k3,车流强度误差ECy的泛化因子k4,x方向控制器的输入关系参数h1,控制决策门限y方向控制器的输入关系参数h2,控制决策门限对两个方向控制器输出进行组合的泛组合运算模型的输入关系参数h3,对整个路口控制的综合决策门限u1'的加权系数α,△t'的逆泛化因子k5,这些参数的优化基于遗传算法,遗传算法适应值设计时给不同控制目标以不同的控制优先级,以反映控制快速性和稳定性的要求,适应值函数设计如下。
其中,w1表示对x方向车流长度控制的优先级,w2表示对x方向车流强度控制的优先级,w3表示对y方向车流长度控制的优先级,w4表示对y方向车流强度控制的优先级,实际控制时可以像交通警察控制一样,根据当前车流状况确定wi的值。具体来说,如果对车流强度的控制优先级设置较大,则交通控制的快速性要求更高,如果对车流长度的控制优先级设置较大,则交通控制的稳定性要求更高。
如图4所示,单交叉口信号灯的二级泛逻辑智能控制方法的控制器系统,包括依次连接的检测器、计算输入量模块、泛化处理模块、综合决策模块、逆泛化处理模块、执行机构和交通信号灯,检测器为视频采集设备,交通控制中心通过对采集到的视频数据分析得到当前路口各方向的车流长度和车流强度状态,根据车流长度和车流强度状态,利用二级泛逻辑控制器决策出x方向的绿灯延时,基于有线或无线通讯方式,该绿灯延时传送给执行机构,用于控制被控对象,被控对象为交通信号灯。本发明模拟了交通警察在交通路口进行实时交通指挥的方法和过程,是一种更接近于人类专家控制的智能控制方法,其主要特点是:1、单交叉路口信号灯的控制没有将交叉方向上的交通情况简单量化为相互独立的状态变量,在对信号灯控制信号综合决策时还考虑了交叉方向上交通情况之间的关系,它们之间有天然耦合的关系,该关系与城市规划、各功能区域分布、交通流主体的作息时间密切相关,在控制器中用控制参数h3反映;2、单交叉口信号灯的控制考虑到了同一方向的车流长度和车流强度的关系,而不是将它们作为完全独立的状态变量,因为车流强度是单位时间内的车流长度,它们具有天然耦合关系,该关系在控制器中用参数h1和h2反映;3、单交叉口信号灯的控制能模拟不同交警进行路口交通控制的差异性,该差异性在控制器中用参数反映,为路口控制的决策门限,从0到1对应为最低要求和最高要求的过渡,一般警察对应对控制要求较高的警察对应对控制要求较低的警察对应4、单交叉路口信号灯的泛逻辑控制决策综合考虑了不同方向的控制优先级,体现在用线性加权泛组合模型对两个方向的控制输出进行综合,这与交通警察在实际控制中的方法更为接近;5、单交叉口路口信号灯泛逻辑控制器中的控制参数的优化采用离线的不等权的参数优化方法,主要基于遗传算法,遗传算法适应值设计中体现了控制效果快速性和稳定性的不同要求和侧重。

Claims (6)

1.单交叉口信号灯的二级泛逻辑智能控制方法,其特征在于单交叉路口信号灯控制的每一个控制周期内包括以下步骤:
步骤一,计算输入量,根据交通控制系统中单交叉路口控制目标以及检测器检测到的当前交通状况,获得控制系统的输入变量包括x方向的车流长度误差Ex、车流强度误差ECx,y方向的车流长度误差Ey,车流强度误差ECy
步骤二,输入量的泛化,对步骤一中4个输入变量进行泛化,将其转化为控制器工作论域上的对应值Ex'、ECx'、Ey'和ECy',4个输入变量的泛化因子为k1、k2、k3和k4
步骤三,综合决策,为包含第一级控制和第二级控制的二级泛逻辑智能控制模块,第一级控制和第二级控制由不同类型的泛组合模型构成,其中第一级控制指对x方向和y方向的控制,第二级控制是指对第一级控制结果的组合;
综合决策模块根据步骤二中泛化了的输入量Ex'、ECx'以及Ex'和ECx'的耦合关系h1、控制决策门限基于[-8,8]区间上的零级泛组合运算模型,确定x方向的控制输出u1',根据泛化了的输入量Ey'、ECy'以及Ey'和ECy'的耦合关系h2、控制决策门限基于[-8,8]区间上的零级泛组合运算模型,确定y方向的控制输出u2';然后根据x方向和y方向交通情况的耦合关系h3,控制决策门限基于[-8,8]区间上的线性加权零级泛组合运算模型对u1'和u2'进行组合,确定x方向的绿灯延时△t';
步骤四,逆泛化,将步骤三中得到的x方向的绿灯延时△t'通过逆泛化因子k5将其转化为绿灯延时论域上的时间量△t,计算方法为
Δt=k5Δt′;
步骤五,信号灯控制,假设信号灯x方向上一控制周期的绿灯时间为t0,根据步骤四得到的绿灯延时时间△t,获得实际绿灯时间作用于x方向的信号灯,绿灯时长为t,即t=t0+Δt,本控制周期的控制任务完成。
2.根据权利要求1所述的单交叉口信号灯的二级泛逻辑智能控制方法,其特征在于:所述的步骤一中,单交叉路口控制目标包括x方向的最佳车流长度为x0,y方向的最佳车流长度为y0,x方向的最佳车流强度为λx0和y方向的最佳车流强度为λy0;当前交通状况包括x方向的当前车流长度x(k),y方向的当前车流长度y(k),x方向的当前车流强度λx(k)和y方向的当前车流强度λy(k);控制系统的输入变量包括x方向的车流长度误差Ex、车流强度误差ECx,y方向的车流长度误差Ey,车流强度误差ECy;计算方法为
Ex=x(k)-x0
ECx=λx(k)-λx0
Ey=y(k)-y0
ECy=λy(k)-λy0
其中k指第k个控制周期。
3.根据权利要求1所述的单交叉口信号灯的二级泛逻辑智能控制方法,其特征在于:所述的步骤二中,对4个输入变量进行泛化,计算方法为
Ex′=k1Ex
ECx′=k2ECx
Ey′=k3Ey
ECy′=k4ECy
4.根据权利要求1所述的单交叉口信号灯的二级泛逻辑智能控制方法,其特征在于:所述的步骤三中,第一级控制中,x方向控制和y方向控制均使用零级泛组合运算模型[a,b]×[a,b]→[a,b],
其中a=-8,b=8,m=(3-4h)/(4h(1-h)),h∈[0,1];
x方向控制器的输入量为Ex'和ECx',对应零级泛组合运算模型的输入量x和y,控制参数h1反映了Ex'和ECx'的耦合关系,从0到1对应为最大吸引力和最大排斥力的过渡,控制参数为对x方向控制的决策门限,反映了控制器所模拟的交通警察的控制特点,从0到1对应为最低要求和最高要求的过渡,一般警察对应对x方向车流长度和强度控制要求较高的警察对应对x方向车流长度和强度控制要求较低的警察对应其控制输出为u1';
y方向控制器的输入量为Ey'和ECy',对应零级泛组合运算模型的输入量x和y,控制参数h2反映了Ey'和ECy'的耦合关系,从0到1对应为最大吸引力和最大排斥力的过渡,控制参数为对y方向控制的决策门限,反映了控制器所模拟的交通警察的控制特点,从0到1对应为最低要求和最高要求的过渡,一般警察对应对y方向车流长度和强度控制要求较高的警察对应对y方向车流长度和强度控制要求较低的警察对应其控制输出为u2';
在第二级控制中,对x方向和y方向控制器的输出u1'和u2'用[-8,8]区间上的线性加权零级泛组合运算模型进行组合,其形式为
其中,α表示x方向信号控制的加权系数,β表示y方向信号控制的加权系数,β=1-α,α和β反映了对x方向和y方向交通控制的优先级,即给予交叉路口不同方向以不同的控制优先级,参数h3表示u1'和u2'的耦合关系,从0到1对应为最大吸引力和最大排斥力的过渡,反映了x方向交通情况和y方向交通情况的关系,该关系与城市规划、城市各功能区域分布、交通流主体的作息时间密切相关,控制参数为对整个路口控制的综合决策门限,反映了控制器所模拟的交通警察的控制特点,从0到1对应为最低要求和最高要求的过渡,一般警察对应对两个方向车流长度和强度控制要求较高的警察对应对两个方向车流长度和强度控制要求较低的警察对应
5.根据权利要求1所述的单交叉口信号灯的二级泛逻辑智能控制方法,其特征在于:所述的控制方法中,各个参数的优化基于遗传算法,遗传算法适应值设计时给不同控制目标以不同的控制优先级,以反映控制快速性和稳定性的要求,适应值函数设计为
其中,w1表示对x方向车流长度控制的优先级,w2表示对x方向车流强度控制的优先级,w3表示对y方向车流长度控制的优先级,w4表示对y方向车流强度控制的优先级,实际控制时可以像交通警察控制一样,根据当前车流状况确定wi的值,其中,如果对车流强度的控制优先级设置大,则交通控制的快速性要求更高;如果对车流长度的控制优先级设置大,则交通控制的稳定性要求更高。
6.根据权利要求1所述的单交叉口信号灯的二级泛逻辑智能控制方法的控制系统,其特征在于:包括依次连接的检测器、计算输入量模块、泛化处理模块、综合决策模块、逆泛化处理模块、执行机构和交通信号灯,检测器为视频采集设备,交通控制中心通过对采集到的视频数据分析得到当前路口各方向的车流长度和车流强度状态,根据车流长度和车流强度状态,利用二级泛逻辑控制器决策出x方向的绿灯延时,基于有线或无线通讯方式,该绿灯延时传送给执行机构,用于控制被控对象,被控对象为交通信号灯。
CN201610999730.6A 2016-11-14 2016-11-14 单交叉口信号灯的二级泛逻辑智能控制方法及控制系统 Active CN106408961B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610999730.6A CN106408961B (zh) 2016-11-14 2016-11-14 单交叉口信号灯的二级泛逻辑智能控制方法及控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610999730.6A CN106408961B (zh) 2016-11-14 2016-11-14 单交叉口信号灯的二级泛逻辑智能控制方法及控制系统

Publications (2)

Publication Number Publication Date
CN106408961A CN106408961A (zh) 2017-02-15
CN106408961B true CN106408961B (zh) 2019-03-01

Family

ID=59230127

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610999730.6A Active CN106408961B (zh) 2016-11-14 2016-11-14 单交叉口信号灯的二级泛逻辑智能控制方法及控制系统

Country Status (1)

Country Link
CN (1) CN106408961B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109754617B (zh) * 2017-11-01 2021-07-13 张云超 一种高通行效率交通信号灯控制系统
CN107680393B (zh) * 2017-11-07 2021-07-09 长沙理工大学 一种基于时变论域的十字路口交通信号灯的智能控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2629241A1 (en) * 2012-02-16 2013-08-21 Orcam Technologies Ltd. Control of a wearable device
CN103280114A (zh) * 2013-06-24 2013-09-04 电子科技大学 一种基于bp-pso模糊神经网络的信号灯智能控制方法
WO2013143621A1 (en) * 2012-03-30 2013-10-03 Nec Europe Ltd. Method and system for adapting vehicular traffic flow
CN205665896U (zh) * 2016-01-08 2016-10-26 苏州龙的信息系统股份有限公司 一种交叉路口信号灯状态识别装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6587778B2 (en) * 1999-12-17 2003-07-01 Itt Manufacturing Enterprises, Inc. Generalized adaptive signal control method and system
US20060224543A1 (en) * 2005-04-05 2006-10-05 Clymer John R Guidance system
US8902758B2 (en) * 2011-06-01 2014-12-02 Cisco Technology, Inc. Light path priority in dense wavelength division multiplexed networks

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2629241A1 (en) * 2012-02-16 2013-08-21 Orcam Technologies Ltd. Control of a wearable device
WO2013143621A1 (en) * 2012-03-30 2013-10-03 Nec Europe Ltd. Method and system for adapting vehicular traffic flow
CN103280114A (zh) * 2013-06-24 2013-09-04 电子科技大学 一种基于bp-pso模糊神经网络的信号灯智能控制方法
CN205665896U (zh) * 2016-01-08 2016-10-26 苏州龙的信息系统股份有限公司 一种交叉路口信号灯状态识别装置

Also Published As

Publication number Publication date
CN106408961A (zh) 2017-02-15

Similar Documents

Publication Publication Date Title
CN108510764B (zh) 一种基于q学习的多路口自适应相位差协调控制系统及方法
CN112365724B (zh) 一种基于深度强化学习的连续交叉口信号协同控制方法
CN112216124B (zh) 一种基于深度强化学习的交通信号控制方法
Niittymaki et al. Application of fuzzy logic to the control of a pedestrian crossing signal
CN113643528A (zh) 信号灯控制方法、模型训练方法、系统、装置及存储介质
CN106408961B (zh) 单交叉口信号灯的二级泛逻辑智能控制方法及控制系统
CN102496284A (zh) 一种道路交通流量采集及预测方法
CN108921285A (zh) 基于双向门控循环神经网络的序列中单一元素分类方法
CN111429737B (zh) 一种基于agent的城市区域边界控制方法及系统
CN107862877A (zh) 一种城市交通信号模糊控制方法
CN111739284A (zh) 基于遗传算法优化模糊控制的交通信号灯智能配时方法
Box et al. An automated signalized junction controller that learns strategies by temporal difference reinforcement learning
CN115903485A (zh) 一种具有适应性的dqn模型优化方法及应用
Royani et al. Control of traffic light in isolated intersections using fuzzy neural network and genetic algorithm
Zeng et al. Training reinforcement learning agent for traffic signal control under different traffic conditions
CN107945534A (zh) 一种基于gmdh神经网络的交通车流量预测方法
Panovski et al. Simulation-based vehicular traffic lights optimization
Mashayekhi et al. A multiagent auction-based approach for modeling of signalized intersections
Moghaddam et al. Traffic light control based on fuzzy Q-leaming
CN109615885A (zh) 一种智能交通信号控制方法、装置及系统
CN109255948A (zh) 一种基于卡尔曼滤波的分车道车流比例预测方法
CN109635420A (zh) 一种微波微带发卡型滤波器的仿真方法及系统
Shahraki et al. Design and simulation of a fuzzy controller for a busy intersection
Shingate et al. Adaptive traffic control system using reinforcement learning
CN116894395A (zh) 一种自动驾驶测试场景的生成方法、系统及存储介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant