CN106558226B

CN106558226B - 信号灯配时评估与实时调整方法

Info

Publication number: CN106558226B
Application number: CN201611042060.5A
Authority: CN
Inventors: 汤夕根; 刘晓华; 刘四奎; 赵顺晶
Original assignee: Whale Cloud Technology Co Ltd
Current assignee: Whale Cloud Technology Co Ltd
Priority date: 2016-11-23
Filing date: 2016-11-23
Publication date: 2021-07-02
Anticipated expiration: 2036-11-23
Also published as: CN106558226A

Abstract

本发明提供一种信号灯配时评估与实时调整方法，包括：初始化，通过路口编号获取相关信息；定义车道组，其中某一个相位下，同一路段上具备通行权的所有车道定义为一个车道组；找出当前相位的核心放行车道组，其中如果：车道在所有相位都具备通行权的情况下，车道组中去除该车道；找出相位的关键车道；判定理论最小周期和最大周期；判定每个相位关键车道的饱和度；确定对于周期的惩罚函数；确定非过饱和相位下的规划函数，并调用遗传函数求解该规划函数的最优解，最后根据最优解结果，基于周期与绿灯保护前提，动态调整信号灯。

Description

信号灯配时评估与实时调整方法

技术领域

本发明涉及公共交通技术领域，具体而言涉及一种基于遗传算法的信号灯配时评估与实时调整方法。

背景技术

智能交通系统(ITS)中，城市交通信号灯控制是一个极为重要的部分。城市车辆迅速增加，而道路资源有限，使得传统红绿灯控制难以取得满意的效果。传统红绿灯控制主要有固时控制和感应控制。固时控制的方式不能对实时变化的车流量做出相应反应。

针对城市交叉路口信号灯，以减少车辆平均等待时间为目标，在兼顾行人行车安全的前提下，现有技术中还提出一种红绿灯实时配时算法，根据视频实时检测的车辆数，对红绿灯配时实时调控。算法包括两级控制:一级控制基于模糊控制理论，根据通车率及车辆等待时间选取相应级别的初始配时；二级实时控制计算模拟通车数，对初始配时实时调控并控制相位转换。在相同交通条件下，相对于固时控制和模糊控制，红绿灯实时配时算法使车辆平均等待时间减少。同时，在各相位车辆密度差异较大时，避免了等待时间两极化。但该算法的计算复杂，对数据处理的要求比较高。

发明内容

本发明目的在于提供一种基于遗传算法的信号灯配时评估与实时调整方法，克服现有技术中的问题。

为达成上述目的，本发明提出一种基于遗传算法的信号灯配时评估与实时调整方法，包括：

步骤1、初始化，通过路口编号获取下述信息：路口的相位配置、每个相位对应的车道、车道的标志标线、每个车道的饱和流率、每个车道的通行能力、每个车道的15分钟流量、每个相位关键车道分组、高峰小时系数、延误与停车权重、增量延误修正系数、上下游联动修正系数、每个相位的最大最小绿灯时间、每个相位的最大最小周期时间以及每个相位的损失时间；

步骤2、定义车道组，其中某一个相位下，同一路段上具备通行权的所有车道定义为一个车道组；

步骤3、找出当前相位的核心放行车道组，其中如果：车道在所有相位都具备通行权的情况下，车道组中去除该车道；

步骤4、找出相位的关键车道；

步骤5、判定理论最小周期和最大周期；

步骤6、判定每个相位关键车道的饱和度；

步骤7、确定对于周期的惩罚函数；

步骤8、确定非过饱和相位下的规划函数，并调用遗传函数求解该规划函数的最优解；

步骤9、根据步骤8的最优解结果，基于周期与绿灯保护前提，动态调整信号灯。

进一步的实施例中，前述步骤2中，车道组的判定条件为：

1、获取相位A下所有的具备通行权的车道；

2、将这些车道按照路段进行分组，具备相同路段ID的为一组。

进一步的实施例中，前述步骤4中，找出相位的关键车道的具体实现包括：

1、在核心车道组完成车道筛选后，每个路段会存在两种情况

情况1：相位内存在车道组，则执行步骤：

1)找出车道组内v/s比最大的车道，定义该车道为该路段的关键车道；

2)找出相位所有车道组中，v/s比最大的车道，定义该车道为相位的关键车道；

情况2：相位内不存在车道组，则执行步骤：

1)将该相位的关键车道组的v/s设为0.1；

2、相位所对应的路段存在至少一个车道组的情况；直接从车道组中选取流量最大的车道，将该车道定义为关键车道；

3、某个相位不具备关键车道，因为只有一个车道，则该相位直接运行最小绿灯。

进一步的实施例中，前述步骤5中，判定理论最小周期和最大周期的具体实现如下：

根据韦伯斯特延误理论，理论最小周期为：

如果:y≥1，则周期等于数据中的Cmin；

理论最大周期为：

如果：y≥1，则周期等于数据中的Cmax；

其中Y为所有相位的V/S比之和，L为相位个数乘以9。

进一步的实施例中，前述步骤6判定每个相位关键车道的饱和度的计算公式为：

进一步的实施例中，所述步骤9中，周期与绿灯保护的估算包括：

1)周期默认值估算

根据路口编号读取周期时间表中一周的数据；

找出该路口的最小周期和最大周期；

将数据更新到MD_INTERSECTION_TEP表，对应的相位编号。

2)相位时间默认值估算

根据路口编号读取周期相位表中一周的数据；

找出该路口每个相位的最小绿灯时间和最小绿灯时间；

将数据插入MD_PHASE_ATTRIBUTE表中，对应的相位编号。

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：

图1是根据本发明某些实施例的信号灯配时评估与实时调整方法的总的流程示意图。

图2是根据本发明某些实施例的信号灯动态评估的流程示意图。

图3是实数遗传算法通用模型的流程示意图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

结合图1、图2、图3所示，根据本发明的实施例，一种信号灯配时评估与实时调整方法，包括下述具体实现步骤：

第一步：初始化数据

通过路口编号分别获取下面的信息

路口的相位配置	MD_PHASE_GROUP	数据库自动获取
			每个相位对应的车道		数据库自动获取
车道的标志标线		数据库自动获取
			每个车道的饱和流率		数据库自动获取，页面可修改
每个车道的通行能力		数据库自动获取，页面可修改
			每个车道的15分钟流量		数据库中获取
每个相位关键车道分组		系统计算，页面可修改
			高峰小时系数		数据库读取，页面可修改
延误与停车权重		数据库读取，页面可修改
			增量延误修正系数		数据库读取，页面可修改
上下游联动修正系数		数据库默读取，页面可修改
			每个相位的最大最小绿灯时间		数据库默读取，页面可修改
每个相位的最大最小周期时间		每个相位的最大最小绿灯时间
			每个相位的损失时间	3	数据库默读取，页面可修改

第二步：定义车道组

某一个相位下，同一路段上具备通行权的所有车道定义为一个车道组。判定条件为，

1、获取相位A下所有的具备通行权的车道。

2、将这些车道按照路段进行分组，具备相同路段I D的为一组。

第三步：找出当前相位的核心放行车道组

如果：车道在所有相位都具备通行权的情况下，车道组中去除该车道。

第四步：找出相位的关键车道

在核心车道组完成车道筛选后，每个路段会存在两种情况

情况1：相位内存在车道组

执行步骤：

1、找出车道组内v/s比最大的车道，定义该车道为该路段的关键车道。

2、找出相位所有车道组中，v/s比最大的车道，定义该车道为相位的关键车道。

情况2：相位内不存在车道组

执行步骤：

●将该相位的关键车道组的v/s设为0.1。

●相位所对应的路段存在至少一个车道组的情况

此情况为较为普遍的情况，直接从车道组中选取流量最大的车道。将该车道定义为关键车道。

●某个相位不具备关键车道，因为只有一个车道

此情况为较少见的情况，出现该情况，该相位直接运行最小绿灯。

第五步：判定理论最小周期和最大周期

根据韦伯斯特延误理论，理论最小周期为

如果：y≥1，则周期等于数据中的Cmin，。

理论最大周期为

如果：y≥1，则周期等于数据中的Cmax，。

其中Y为所有相位的V/S比之和，L为相位个数乘以9。

第六步：判定每个相位关键车道的饱和度

饱和度的计算公式为

第七步：确定对于周期的惩罚函数

如上所示的惩罚函数逻辑如下：

如果饱和度＞1

则平均延误等于＝原始平均延误+|饱和度-1|的平方*2500；

如果饱和度＜0.8

则平均延误等于＝原始平均延误+|饱和度-1|的平方*5000；

第八步：确定非过饱和相位下的规划函数

其中

n.为相位的个数

c，g_k为未知数，如果目标相位被锁定了，其对应的g_k为已知数。

k表示某一相位的车道组，A，B，C为相位编号。

T：取值分析时段.建议值为0.25。

k：增量延误修正，建议值0.5。

I：上下游联动控制修正，建议值1。

λ_k：存放在表MD_UTC_PRORITY，可以根据路段编号+相位组编号获取。默认值为1。

调用遗传算法(图3所示)求救该规划函数并输出最优解。

在本发明的实现过程中，结合图2所示，动态调整信号灯的过程可以采用现有的一些方法来实现，例如本人已经提交的名称为基于车头时距的交叉口动态信号配时优化方法等等。

其中，在步骤期9中，周期与绿灯保护的估算包括：

1)周期默认值估算

根据路口编号读取周期时间表中一周的数据；

找出该路口的最小周期和最大周期；

将数据更新到MD_INTERSECTION_TEP表，对应的相位编号。

2)相位时间默认值估算

根据路口编号读取周期相位表中一周的数据；

找出该路口每个相位的最小绿灯时间和最小绿灯时间；

将数据插入MD_PHASE_ATTRIBUTE表中，对应的相位编号。

前述方法中的参数和接口关系和定义如下：

本发明在实施过程中，配时理论的基本思想如下：

基于流量的交通信号配时的实际应用中存在三种情况，分别是

1.当饱和度介于0～0.3之间

此时信号灯的配时受到最小绿灯的限制。其原因是因为，信号灯的绿灯时间虽然有浪费，但是出于安全和行人过街的考虑，既是有浪费也不能缩短其绿灯时间。

2.当饱和度介于0.6～0.9之间

此时信号灯的配时可以通过优化来提高效率，优化的方法采用经典的韦伯斯特法则结合加权的方法进行最优化求解。

3.当饱和度大于0.9的时候

此时信号灯的配时受到最大绿灯的限制。其原因为，信号灯的绿灯时间不能够继续增大，因为过大的周期可能导致下游出现交通瓶颈。

自动计算

模块每1分钟运行一次，只获取流量，其他的数值均为第一次获取的缓冲。将计算的结果存入AY_RESULT_UTC_BESTREGARDS表中。

请求计算

模块接受页面传入的下面表格的数据，如果有若干项不传递，则默认使用数据库中的数据。根据用户请求生成计算结果。并存入AY_RESULT_UTC_BESTREGARDS。

术语介绍：

术语	介绍
		控制延误d	由于信号灯的控制，导致道路产生车辆停止或者不能正常通过的时间。
均匀延误d<sub>1</sub>	假设车辆平均到达，但是未能以平均速度通过交叉口产生的延误。
		增量延误d<sub>2</sub>	随着饱和度、密度的增大，车辆呈现的不均匀而导致的延误。
饱和流率s<sub>a</sub>	交叉口无信号灯，车辆以设计速度密集排队通过交叉口的数量。

图3所示为遗传算法的一个示例性算法，为实数遗传算法通用模型。

下面结合图3所示，在该算法的一些步骤和处理做说明。

第三步：判断终止条件

终止条件是一个集合，是由多个终止条件结合在一起的，只要任何一个条件满足就停止迭代运算。

终止条件一：遗传代数

设遗传代数为1000，每判断一次终止条件，代数增加1.当超过1000，返回true.

终止条件二：个体适应度趋于平稳。

第四步：调用竞争算子

竞争算法分为两个部分，第一部分为调用竞争算子获取f itness的解。

判断该竞争算法是否有惩罚项，

如果存在惩罚项则调用惩罚函数重新求解竞争算子的值。

如果不存在惩罚项则直接输出竞争算子的值。

第五步：调用惩罚函数

系统提供惩罚函数的接口，该接口的输入为种群的一个个体。输出是经过修改的个体。

第六步：编写选择算法

选择算法分为2个部分，调用选择算子求取个体的适应度。适应度函数应该向着目标函数有利的方向发展。即适应度越大，目标函数越靠近目标。

设每个个体的适应度为f_i,总共有n个体，则适应度轮盘可用下面的数列表示。

将此概率数列传入概率轮盘算法，求得n个个体的下标。将这n个个体选中生成新的种群。

第七步：调用杂交算子

设杂交概率为[ρ，1-ρ]，调用概率轮盘，如果命中，则调用杂交算子，如果未命中，则不调用杂交算子。

杂交算子的输入为一个个体，输出为经过杂交的新个体。对于实数遗传算法，杂交算子统一采用算术杂交的方式。

第八步：调用变异算子

设变异概率为[σ，1-σ]，调用概率轮盘，如果命中，则调用变异算子，如果未命中，则不调用变异算子。

杂交算子的输入为一个个体，输出为经过杂交的新个体。杂交算子需要根据具体问题具体定义。

第九步：选择最优解

根据个体的适应度对个体进行排序，选取适应度最高的的解，并输出结果。

实数染色体编码

系统提供一种基于密码表的基因座位的编码办法和解码算法。编码算法将客观知识转化为数学知识，解码算法用于将数学只是还原成客观知识。基因编码为编码接口，即根据不同的业务需求调用不同的编码方法就可以了。

实数编码的密码表

实数编码的基因座位

用一条染色体代表一个客观知识，染色体由多个按照一定顺序排列基因组成，不同的基因有不同的数据类型，但统一按照实数进行编码，基因是有序的。

x_n＝{z，bool，......enum}

其中x_n为染色体，也就是一个客观事实。z，bool，......enum为按照一定顺序排列的基因。

基因座位的生成非常简单，假设求解的问题有n个未知变量，只需要将n个变量按照顺序组织成一个基因向量即可。

x_n＝{x₁，x₂，......x_n}

编码适配器与解码适配器

在基因座位的条件下，按照密码表进行实数编码称之编码模组。而对编码模组进行逆变化称之为解码模组。编解码适配器配套出现，通过接口定义的方式实现。

产生实数初始种群

初始种群是可行性解和不可行解的结合，只有考究数量，不考究准确性。但较好的初始种群具备更好的广泛性，并且能够避免遗传算法的局部收敛。因此本系统采用均匀分布的随机算法生成初始种群。

随机调用编码算法生成若干个染色体，

1.染色体上的每个基因，在其取值范围内，使用均匀分析的随机变量得出其对应的实数值。

2.将计算出的基因值按照基因座位组合成染色体。

3.连续生成若干个这样的染色体，构成种群。染色体的个数默认为80个。

选择算子和惩罚函数

选择算子包含选择规划函数和惩罚函数，

1:规划函数为本文规划函数章节。

2:惩罚函数，采用R泛函的方式进行强惩罚。

对约束条件将其中的等式约束消除一个，得到以下约束：

1.vs_c≤0.6时，约束为下面

g_i-g_max≤0

g_min-g_i≤0

针对约束条件的罚函数为：

对于每个g_i，i＝1,2,3…,n，定义如下罚函数：

则总的罚函数：

2.vs_c＞0.6时，约束为下面

g_i-g_max≤0

g_min-g_i≤0

对于每个g_i，i＝1,2,3…,n，定义如下罚函数：

则总的罚函数：

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims

1.一种信号灯配时评估与实时调整方法，其特征在于，包括：

步骤4、找出相位的关键车道；

步骤5、判定理论最小周期和最大周期；

步骤6、判定每个相位关键车道的饱和度；

步骤7、确定对于周期的惩罚函数；

步骤9、根据步骤8的最优解结果，基于周期与绿灯保护前提，动态调整信号灯；

其中，前述步骤2中，车道组的判定条件为：

1、获取相位A下所有的具备通行权的车道；

2、将这些车道按照路段进行分组，具备相同路段ID的为一组；

其中，前述步骤4中，找出相位的关键车道的具体实现包括：

1、在核心车道组完成车道筛选后，每个路段会存在两种情况

情况1：相位内存在车道组，则执行步骤：

情况2：相位内不存在车道组，则执行步骤：

1)将该相位的关键车道组的v/s设为0.1；

3、某个相位不具备关键车道，因为只有一个车道，则该相位直接运行最小绿灯；

其中，前述步骤5中，判定理论最小周期和最大周期的具体实现如下：

根据韦伯斯特延误理论，理论最小周期为：

如果：y≥1，则周期等于数据中的Cmin；

理论最大周期为：

如果：y≥1，则周期等于数据中的Cmax；

其中Y为所有相位的V/S比之和，L为相位个数乘以9；

其中，前述步骤6判定每个相位关键车道的饱和度的计算公式为：

其中，所述步骤9中，周期与绿灯保护的估算包括：

1)周期默认值估算

根据路口编号读取周期时间表中一周的数据；

找出该路口的最小周期和最大周期；

将数据更新到MD_INTERSECTION_TEP表，对应的相位编号；

2)相位时间默认值估算

根据路口编号读取周期相位表中一周的数据；

找出该路口每个相位的最小绿灯时间和最小绿灯时间；

将数据插入MD_PHASE_ATTRIBUTE表中，对应的相位编号。