CN106710220B - 一种城市道路分层动态协调控制算法及控制方法 - Google Patents

Abstract

本发明公开了一种城市道路分层动态协调控制算法及控制方法，将城市道路纵向分为三层，横向分为不同的控制子区。根据实时动态交通数据，动态更新不同层的各个子区控制范围和各个子区的控制参数，达到城市道路各层交通流动态协调控制的目的。验算分析表明，城市道路分层协调控制技术使车辆平均车速明显提升，各层车辆能快速驶离各个子区，有效缓解城市道路车流拥堵问题。

Description

一种城市道路分层动态协调控制算法及控制方法

技术领域

本发明涉及城市道路交通控制领域，特别涉及一种城市道路分层动态协调控制算法及控制方法。

背景技术

现代城市交通网络不仅包括普通道路，而且也包括仅供车辆快速通行的快速路，此二类路网通过匝道连接在一起，构成一个复杂的非线性时变大交通网络。因此实现二者的协调控制，对于改善整个城市交通状况具有重大意义。

目前，由于城市道路存在交通网络的复杂性和非线性时变性，因此国内外许多学者对不同类的城市道路分别进行了深入的研究。然而现有缓解城市道路拥堵方法一般仅单独研究其中之一，并未将二者综合考虑。单一研究普通道路，忽略了城市快速路快速通行能力；单一研究匝道，则忽略了普通道路的路径优化能力。

发明内容

基于以上分析，为了缓解城市交通拥堵，本发明提出了一种新的城市道路分层动态协调控制算法及控制方法。首先，城市道路按纵向分为匝道层、普通道路层和快速路层。然后，设计了一种用于匝道子区划分的函数将匝道层横向分为主匝道子区和从匝道子区；根据关联度公式将普通道路划分为不同控制子区间；考虑到快速路层无十字路口，并且匝道入口车流量决定快速路主线的车流状态，因此将快速路层并入匝道层处理，不对快速路横向分层。其中采用BP神经网络简单快速预测下游动态临界车辆占有率。最后，以控制子区为单位对各层的交通流进行协调控制。

具体的，本发明的目的通过下述技术方案实现：

一种城市道路分层动态协调控制算法，其特征在于通过以下算法实现：

S1、用于匝道子区划分的函数

式中：E_N为匝道i的相对排队长度，E_o为入口匝道i下游的占有率与临界占有率的比值，为两者值之和；A(k_c-1)为修正参数，其值主要受上一周期匝道滞留车辆的影响；为匝道i+u当前排队长度之和与最大排队长度之和的比值，N_i(k_c)为第k_c控制周期内，匝道i的排队长度预测值，为匝道i允许的最大排队长度；是第k_c控制周期匝道i下游动态临界车辆的时间占有率；O_i(k_c)为第k_c控制周期内，匝道i下游的实测占有率；设E_NOS为激活阈值，E_NHS为激活阈值，当大于E_NOS时，匝道i其上游相邻匝道为从匝道；当大于E_NHS时，匝道i+u其上游相邻匝道为从匝道；

S2、主匝道子区最终局部调节量调节车辆的排队长度的算法

式中：q_i(k_c)为匝道i的最终局部调节量；为第k_c控制周期内入口匝道允许通过的最大调节交通量；为匝道i第k_c控制周期内最大排队控制的调节量；为第k_c控制周期内，匝道i的交通需求预测值；为动态临界占有率；

其中，动态临界占有率的值通过BP神经网络训练的方法预测得到，具体如下：

将第k_c周期内的时间m等分为{t₁，t₂，...，t_m}，不同时间段采集到的数据为O_im，则

O_im＝(o₁，o₂，…，o_m)，(m∈N₊) (5)

将其分为n组，每组M+1个数据，且满足

n+M＝m，(n∈N₊，M∈N₊) (6)

对于其中的第p，(p＝1，2，…，n)组，记为：

X_P＝[o_p，o_p+1，…，o_p+M]^T (7)

选取X_p的前M项作为BP神经网络的输入，第M+1项作为网络的期望输出，则有

对以上分成n组数据，由其构成的网络的输入矩阵集X和目标输出矩阵集Y分别为

X＝[X₁，X₂，…，X_n] (9)

Y＝[Y₁，Y₂，…，Y_n] (10)

选取网络输入层、隐含层和输出层神经元的个数，建立神经网络，然后利用神经网络工具箱进行网络训练得出预测结果；

S3、从匝道子区最终局部调节量调节车辆的排队长度的算法

式中：q_i+u(k_c)为从匝道i+u的最终局部调节量；为第k_c控制周期从匝道i+u的最小排队控制调节量；K_w为控制参数；为第k_c控制周期，从匝道i+1设置的最小排队长度，协调匝道组{i，i+1，...，i+n_j}；

S4、相邻路口关联度的算法

式中，D_S(i→j)为i→j方向的路段交通量关联度；D_C(i-j)为路口i与路口j之间的周期关联度：N_E(i→j)为i→j方向路段上已存在的关联车流车辆数，包括排队车辆数与行驶车辆数，可以通过路段设置的磁感应线圈实时获取；N_A(i→j)为i→j方向路段上下一个信号周期内可能出现的最大关联车流车辆增量，需要综合考虑路段交通状况与路口信号控制参数进行实时预测；L_V为平均车辆长度；n_1(i→j)为i→j方向路段上的关联车流占用车道数；L_1(i→j)为i→j方向路段车道总长度；为i→j方向路段车道总长度所对应的路段交通量关联补偿系数；K_N为比例放大系数；T_max与T_min分别为路口i与路口j的独立设计信号周期最大与最小值；K_C为相邻路口信号周期关联权重系数；

S5、多路口组合关联度的算法

式中，D_{S(i，j，....s，t)}为关联路口(i，j，...s，t)之间总的路段交通量关联度；D_{C(i，j，...s，t)}为关联路口(i，j，...s，t)之间总的路口周期关联度；Π为连乘运算符；n为关联路口对数，即关联路段数；为第k对关联路口之间的路段交通量关联度，由下式(17)确定；为路段交通量关联度组合函数：

式中，sort为升序排序函数，表示将n对关联路口之间的路段交通量关联度按从小到大的顺序重新排列，并依次赋以

S6、普通道路控制子区划分方法及公共周期、绿信比参数计算方法、相序优化方案，其中，

控制子区划分方法为：

H1、当相邻路口i与路口j之间的关联度D_(i，j)小于等于相邻路口分离阈值D_TNS时，路口i与路口j不划分在同一控制子区；

H2、当相邻路口i与路口j之间的关联度D_(i，j)大于等于相邻路口合并阈值D_TNC时，路口i与路口j划分在同一控制子区；

H3当相邻路口i与路口j之间的关联度D_(i，j)处于D_TNS与D_TNC之间时，通过多路口组合关联度是否大于多路口分离阈值D_TMS，决定路口i与路口j是否划分在同一控制子区；

公共周期算法为：

式中，L为路口一个信号周期内的损失时间，Y为路口各相位流量比之和，n为半个周期运行内左转车道内掉头车辆数(可根据路口监控得到)，t为左转掉头每辆车离开路口所需的时间，r为修正参数；

绿信比的算法为：

s_it_ip＝C*g_ip(i＝1，2，3...；p＝1，2，3，4) (20)

式中，g_ip为路口i相位p的绿信比，s_it_ip为路口i相位p的绿灯时间，Q_ip为相位的车流量，Q_{ip_z}为路口i相位p驶上匝道车流量，H_ip为相位的车辆占有率，W_ip为相位权重；

相序优化方案：

根据普通道路层十字路口的关键程度不同将其分为关键路口和非关键路口，关键路口的公共周期为控制子区的最佳周期，将匝道层与普通道路层相连的十字路口设为关键路口，相序为优化相序方案，其余普通道路层十字路为非关键路口，相序为一般相序方案；

S7、将不同层的子区间协调控制，确定关键路口的最佳周期及各相位绿灯时间，计算不同层的引导车速，引导车速计算方法为

式中，V_pz为普通道路匝道层的引导车速，V_zk为匝道层的引导车速，假设由路口i到路口i+1之间的路段为子区衔接路段。L_{i_i+1}表示控制子区间隔路段i_i+1之间的距离，L_sx表示单侧相连上下匝道的距离，L_pz表示普通道路到匝道的距离，C_i+1表示路口i+1所在子区的公共周期，C_i表示路口i所在子区的公共周期，t_i表示路口i的上行车道启动时，路口i的已运行时间，P_{i+1_p1}为路口i+1相位1车道的车辆左转掉头排队长度，为路口i相位p驶向匝道时匝道所滞留的车辆，t为每辆车驶离十字路口所需的时间。

进一步的，所述S6控制子区划分方法及公共周期、绿信比参数计算方法中，公共周期算法里的修正参数r采用ANFIS(自适应神经网络模糊推理系统)来推理信号周期，其步骤为：首先设置训练样本数量，然后确定输出样本个数，然后在训练样本中根据车辆数的、修正前的信号周期和流量比的不同设置，经过样本训练，可使ANFIS产生合理的隶属度和模糊规则，其次根据测得的路口流量比和左转掉头占有率输入ANFIS推理系统，可计算出优化后的信号周期，针对修正后的周期公式建立的ANFIS推理系统，推理出的各路口信号周期，选择最大值作为该控制子区的公共信号周期C，该子区内所有路口统一采用公共信号周期。

一种城市道路分层动态协调控制技术，其特征在于通过以下步骤实现：

步骤1通过分层技术并从城市整体考虑，将城市道路分为普通道路层、匝道层和快速路层；

步骤2根据S4相邻路口关联度算法的公式D_(i→j)将普通道路主干道划分为不同子区；

步骤3根据权利要求1中，所述S6普通道路控制子区划分方法及公共周期、绿信比参数计算方法、相序优化方案来计算普通道路主干道各个路口的公共周期C、关键路口相序优化方案及各个相位绿灯时间s_it_ip；

步骤4根据步骤3的计算结果，将关键路口的周期设定为控制子区的最佳周期，普通道路主干道各个子区公共周期应与关键路口公共周期一致，以此确定最佳公共周期C_i；

步骤5根据S1用于匝道子区划分的函数来计算匝道排队长度激活阈值E_NOS和E_NHS，将匝道分为不同主从匝道子区。

步骤6根据S2主匝道子区最终局部调节量调节车辆的排队长度的算法，通过BP神经网络训练的方法简单快速的预测匝道下游车辆动态临界占有率

步骤7根据S2主匝道子区最终局部调节量调节车辆的排队长度的算法和S3从匝道子区最终局部调节量调节车辆的排队长度的算法来计算主从匝道子区最终局部调节量q_i(k_c)和q_i+u(k_c)判断主从匝道子区车辆排队是否溢出，如果溢出返回步骤4调整十字路口最佳公共周期及各个相位绿灯时间；

步骤8根据S7将不同层的子区间协调控制，确定关键路口的最佳周期及各相位绿灯时间，计算不同层的引导车速，对城市道路进行协调控制。

本发明较现有技术相比，具有以下优点及有益效果：

1、在S1中，通过引入修正参数A(k_c-1)，扩大激活阈值范围，从而增加匝道控制子区的范围；

2、在S2中，选取网络输入层、隐含层和输出层神经元的个数，建立神经网络，然后利用神经网络工具箱通过BP神经网络训练得出预测结果，简化了动态临界占有率的计算过程，并且提高了预测的快速性和准确性；

3、在S6中，采用修正后的周期公式缩短了公共信号周期，从而减少车辆等待信号灯时间，同时也缩短了各个十字路口车辆的排队长度；通过引入普通道路十字路口某相位驶向匝道车辆量调整绿信比公式，从而减少匝道排队溢出现象的出现；

综上，本发明能够使车辆平均车速明显提升，各层车辆能快速驶离各个子区，有效缓解城市道路车流拥堵问题。

附图说明

图1为本发明的城市道路分层示意图。

图2为本发明的BP神经网络示意图。

图3为本发明的一般相序方案图。

图4为本发明的优化相序方案图。

图5为本发明的普通道路层平均通行速度-周期变化情况图。

图6为本发明的匝道层平均通行速度-周期变化情况图。

具体实施方式

结合附图，以郑州西三环北段普通道路层主干道、普通道路层支路和快速路层匝道为例，采集4月份交通数据对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例

如图1、图2、图3和图4所示，一种城市道路分层动态协调控制技术，其特征在于通过以下步骤实现：

步骤1如图1所示，从城市整体考虑，通过分层技术将城市道路分为普通道路层、匝道层和快速路层；

步骤2根据S4相邻路口关联度算法

式中，D_s(i→j)为i→j方向的路段交通量关联度；D_c(i→j)为路口i与路口j之间的周期关联度：N_E(i→j)为i→j方向路段上已存在的关联车流车辆数，包括排队车辆数与行驶车辆数，可以通过路段设置的磁感应线圈实时获取；N_A(i→j)为i→j方向路段上下一个信号周期内可能出现的最大关联车流车辆增量，需要综合考虑路段交通状况与路口信号控制参数进行实时预测；L_V为平均车辆长度；n_1(i→j)为i→j方向路段上的关联车流占用车道数；L_1(i→j)为i→j方向路段车道总长度；为i→j方向路段车道总长度所对应的路段交通量关联补偿系数；K_N为比例放大系数；T_max与T_min分别为路口i与路口j的独立设计信号周期最大与最小值；K_C为相邻路口信号周期关联权重系数；

将普通道路主干道划分为不同子区；

步骤3根据S6普通道路控制子区划分方法及公共周期、绿信比参数计算方法、相序优化方案，其中，

控制子区划分方法为：

H1、当相邻路口i与路口j之间的关联度D_(i，j)小于等于相邻路口分离阈值D_TNS时，路口i与路口j不划分在同一控制子区；

H2、当相邻路口i与路口j之间的关联度D_(i，j)大于等于相邻路口合并阈值D_TNC时，路口i与路口j划分在同一控制子区；

H3当相邻路口i与路口j之间的关联度D_(i，j)处于D_TNS与D_TNC之间时，通过多路口组合关联度是否大于多路口分离阈值D_TMS，决定路口i与路口j是否划分在同一控制子区；

公共周期算法为：

式中，L为路口一个信号周期内的损失时间，Y为路口各相位流量比之和，n为半个周期运行内左转车道内掉头车辆数(可根据路口监控得到)，t为左转掉头每辆车离开路口所需的时间，r为修正参数；

绿信比的算法为：

s_it_ip＝C*g_ip(i＝1，2，3...；p＝1，2，3，4) (20)

式中，g_ip为路口i相位p的绿信比，s_it_ip为路口i相位p的绿灯时间，Q_ip为相位的车流量，Q_{ip_z}为路口i相位p驶上匝道车流量，H_ip为相位的车辆占有率，W_ip为相位权重；

相序优化：

根据普通道路层十字路口的关键程度不同将其分为关键路口和非关键路口，关键路口的公共周期为控制子区的最佳周期，将匝道层与普通道路层相连的十字路口设为关键路口，相序为优化相序方案，如图4所示，其余普通道路层十字路为非关键路口，相序为一般相序方案，如图3所示；

计算普通道路主干道各个路口的公共周期C、关键路口相序优化方案及各个相位绿灯时间s_it_ip；

步骤4根据步骤3的计算结果，将关键路口的周期设定为控制子区的最佳周期，普通道路主干道各个子区公共周期应与关键路口公共周期一致，以此确定最佳公共周期C_i；

步骤5根据所述S1用于匝道子区划分的函数

式中：E_N为匝道i的相对排队长度，E_o为入口匝道i下游的占有率与临界占有率的比值，为两者值之和；A(k_c-1)为修正参数，其值主要受上一周期匝道滞留车辆的影响；为匝道i+u当前排队长度之和与最大排队长度之和的比值，N_i(k_c)为第k_c控制周期内，匝道i的排队长度预测值，为匝道i允许的最大排队长度；是第k_c控制周期匝道i下游动态临界车辆的时间占有率；O_i(k_c)为第k_c控制周期内，匝道i下游的实测占有率；设E_NoS为激活阈值，E_NHS为激活阈值，当大于E_NOS时，匝道i其上游相邻匝道为从匝道；当大于E_NHS时，匝道i+u其上游相邻匝道为从匝道；

来计算匝道排队长度激活阈值E_NOS和E_NHS，将匝道分为不同主从匝道子区；

步骤6根据所述S2主匝道子区最终局部调节量调节车辆的排队长度的算法

式中：q_i(k_c)为匝道i的最终局部调节量；为第k_c控制周期内入口匝道允许通过的最大调节交通量；为匝道i第k_c控制周期内最大排队控制的调节量；为第k_c控制周期内，匝道i的交通需求预测值；为动态临界占有率；

其中，动态临界占有率的值通过如图2所示的BP神经网络训练的方法预测得到，具体如下：

将第k_c周期内的时间m等分为{t₁，t₂，...，t_m}，不同时间段采集到的数据为O_im，则

O_im＝(o₁，o₂，…，o_m)，(m∈N₊) (5)

将其分为n组，每组M+1个数据，且满足

n+M＝m，(n∈N₊，M∈N₊) (6)

对于其中的第p，(p＝1，2，...，n)组，记为：

X_P＝[o_p，o_p+1，…，o_p+M]^T (7)

选取X_p的前M项作为BP神经网络的输入，第M+1项作为网络的期望输出，则有

对以上分成n组数据，由其构成的网络的输入矩阵集X和目标输出矩阵集Y分别为

X＝[X₁，X₂，…，X_n] (9)

Y＝[Y₁，Y₂，…，Y_n] (10)

选取网络输入层、隐含层和输出层神经元的个数，建立神经网络，然后利用神经网络工具箱进行网络训练得出预测结果；

简单快速的预测匝道下游车辆动态临界占有率

步骤7根据所述S2主匝道子区最终局部调节量调节车辆的排队长度的算法

式中：q_i(k_c)为匝道i的最终局部调节量；为第k_c控制周期内入口匝道允许通过的最大调节交通量；为匝道i第k_c控制周期内最大排队控制的调节量；为第k_c控制周期内，匝道i的交通需求预测值；为动态临界占有率；

S3从匝道子区最终局部调节量调节车辆的排队长度的算法

式中：q_i+u(k_c)为从匝道i+u的最终局部调节量；为第k_c控制周期从匝道i+u的最小排队控制调节量；K_w为控制参数；为第k_c控制周期，从匝道i+1设置的最小排队长度，协调匝道组{i，i+1，...，i+n_j}；

来计算主从匝道子区最终局部调节量q_i(k_c)和q_i+u(k_c)判断主从匝道子区车辆排队是否溢出，如果溢出返回步骤4调整十字路口最佳公共周期及各个相位绿灯时间；

步骤8根据所述S7不同层的子区间协调控制，确定关键路口的最佳周期及各相位绿灯时间，计算不同层的引导车速

式中，V_pz为普通道路匝道层的引导车速，V_zk为匝道层的引导车速，假设由路口i到路口i+1之间的路段为子区衔接路段。L_{i_i+1}表示控制子区间隔路段i_i+1之间的距离，L_sx表示单侧相连上下匝道的距离，L_pz表示普通道路到匝道的距离，C_i+1表示路口i+1所在子区的公共周期，C_i表示路口i所在子区的公共周期，t_i表示路口i的上行车道启动时，路口i的已运行时间，p_{i+1_p1}为路口i+1相位1车道的车辆左转掉头排队长度，P_{ip_Pz}为路口i相位p驶向匝道时匝道所滞留的车辆，t为每辆车驶离十字路口所需的时间；

来计算不同层的引导车速，对城市道路进行协调控制。

郑州西三环北段普通道路层主干道、普通道路层支路和快速路层匝道4月份交通流数据采集统计如表1：

表1不同层交通流量数据

采用本发明的城市道路分层动态协调控制算法和控制技术，对采集数据进行验算。

开始时假设各路口各相位的车辆排队数为0，其中分别普通道路层和匝道层进行验算，每种情况进行10次验算，每次仿真时间为7200s。在验算过程中假设普通道路层的限制车速为60km/h，匝道层限制车速为80km/h。该普通道路主干道进行分散控制时控制子区平均车速25km/h。

如图5所示，采用本发明方法后，普通道路层平均速度-周期变化情况。

如图6所示，采用本发明方法后，匝道层平均通行速度-周期变化情况。

同时，不同层的车速10次验算结果如表2所示：

表2纵向分层平均车速验算结果

由验算结果可以看出，采用本发明提出的城市道路分层动态协调控制技术后，普通道路层的平均车速为54km/h，相对于分散控制时的25km/h，提高了113％，相对于干道动态协调控制技术的38km/h，提高了42％，相对于绿波协调控制的子区动态划分算法的48.32km/h和39.54km/h，提高了12％和37％。匝道层的平均车速为65km/h，车速较为理想。验算说明，采用本发明方法后车辆车速明显提升，各层车辆能快速驶离各个子区，有效缓解了城市道路交通拥堵。

本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (3)

1.一种城市道路分层动态协调控制算法，其特征在于通过以下算法实现：

S1、用于匝道子区划分的函数

式中：E_N为匝道i的相对排队长度，E_o为入口匝道i下游的占有率与临界占有率的比值，为两者值之和；A(k_c-1)为修正参数，其值主要受上一周期匝道滞留车辆的影响；为匝道i+u当前排队长度之和与最大排队长度之和的比值，N_i(k_c)为第k_c控制周期内，匝道i的排队长度预测值，为匝道i允许的最大排队长度；是第k_c控制周期匝道i下游动态临界车辆的时间占有率；o_i(k_c)为第k_c控制周期内，匝道i下游的实测占有率；设E_NOS为激活阈值，E_NHs为激活阈值，当大于E_NOS时，匝道i其上游相邻匝道为从匝道；当大于E_NHS时，匝道i+u其上游相邻匝道为从匝道；

S2、主匝道子区最终局部调节量调节车辆的排队长度的算法

式中：q_i(k_c)为匝道i的最终局部调节量；为第k_c控制周期内入口匝道允许通过的最大调节交通量；为匝道i第k_c控制周期内最大排队控制的调节量；为第k_c控制周期内，匝道i的交通需求预测值；为动态临界占有率；

其中，动态临界占有率的值通过BP神经网络训练的方法预测得到，具体如下：

将第k_c周期内的时间m等分为{t₁，t₂，…，t_m}，不同时间段采集到的数据为O_im，则

O_im＝(o₁，o₂，…，o_m)，(m∈N₊) (5)

将其分为n组，每组M+1个数据，且满

足

n+M＝m，(n∈N₊，M∈N₊) (6)

对于其中的第p，(p＝1，2，…，n)组，记为：

X_P＝[o_p，o_p+1，…，o_p+M]^T (7)

选取X_p的前M项作为BP神经网络的输入，第M+1项作为网络的期望输出，则有

对所述分成的n组数据，由其构成的网络的输入矩阵集X和目标输出矩阵集Y分别为

X＝[X₁，X₂，…，X_n] (9)

Y＝[Y₁，Y₂，…，Y_n] (10)

选取网络输入层、隐含层和输出层神经元的个数，建立神经网络，然后利用神经网络工具箱进行网络训练得出预测结果；

S3、从匝道子区最终局部调节量调节车辆的排队长度的算法

式中：q_i+u(k_c)为从匝道i+u的最终局部调节量；为第k_c控制周期从匝道i+u的最小排队控制调节量；K_w为控制参数；为第k_c控制周期，从匝道i+1设置的最小排队长度，协调匝道组{i，i+1，...，i+n_j}；

S4、相邻路口关联度的算法

式中，D_S(i→j)为i→j方向的路段交通量关联度；D_C(i→j)为路口i与路口j之间的周期关联度：N_E(i→j)为i→j方向路段上已存在的关联车流车辆数，包括排队车辆数与行驶车辆数，可以通过路段设置的磁感应线圈实时获取；N_A(i→j)为i→j方向路段上下一个信号周期内可能出现的最大关联车流车辆增量，需要综合考虑路段交通状况与路口信号控制参数进行实时预测；L_V为平均车辆长度；n_1(i→j)为i→j方向路段上的关联车流占用车道数；L_1(i→j)为i→j方向路段车道总长度；为i→j方向路段车道总长度所对应的路段交通量关联补偿系数；K_N为比例放大系数；T_max与T_min分别为路口i与路口j的独立设计信号周期最大与最小值；K_C为相邻路口信号周期关联权重系数；

S5、多路口组合关联度的算法

式中，D_{S(i，j，....s，t)}为关联路口(i，j，…s，t)之间总的路段交通量关联度；D_{C(i，j，....s，t)}为关联路口(i，j，…s，t)之间总的路口周期关联度；Π为连乘运算符；n为关联路口对数，即关联路段数；为第k对关联路口之间的路段交通量关联度，由下式(17)确定；为路段交通量关联度组合函数：

式中，sort为升序排序函数，表示将n对关联路口之间的路段交通量关联度按从小到大的顺序重新排列，并依次赋以

S6、普通道路控制子区划分方法及公共周期、绿信比参数计算方法、相序优化方案，其中，

控制子区划分方法为：

H1、当相邻路口i与路口j之间的关联度D_(i，j)小于等于相邻路口分离阈值D_TNS时，路口i与路口j不划分在同一控制子区；

H2、当相邻路口i与路口j之间的关联度D_(i，j)大于等于相邻路口合并阈值D_TNC时，路口i与路口j划分在同一控制子区；

H3当相邻路口i与路口j之间的关联度D_(i，j)处于D_TNS与D_TNC之间时，通过多路口组合关联度是否大于多路口分离阈值D_TMS，决定路口i与路口j是否划分在同一控制子区；

公共周期算法为：

式中，L为路口一个信号周期内的损失时间，Y为路口各相位流量比之和，n为半个周期运行内左转车道内掉头车辆数(可根据路口监控得到)，t为左转掉头每辆车离开路口所需的时间，r为修正参数；

绿信比的算法为：

s_it_ip＝C*g_ip(i＝1，2，3...；p＝1，2，3，4) (20)

式中，g_ip为路口i相位p的绿信比，s_it_ip为路口i相位p的绿灯时间，Q_ip为相位的车流量，Q_{ip_z}为路口i相位p驶上匝道车流量，H_ip为相位的车辆占有率，W_ip为相位权重；

相序优化：

根据普通道路层十字路口的关键程度不同将其分为关键路口和非关键路口，关键路口的公共周期为控制子区的最佳周期，将匝道层与普通道路层相连的十字路口设为关键路口，相序为优化相序方案，其余普通道路层十字路为非关键路口，相序为一般相序方案；

S7、将不同层的子区间协调控制，确定关键路口的最佳周期及各相位绿灯时间，计算不同层的引导车速，引导车速计算方法为

式中，V_pz为普通道路匝道层的引导车速，V_zk为匝道层的引导车速，假设由路口i到路口i+1之间的路段为子区衔接路段，L_{i_i+1}表示控制子区间隔路段i_i+1之间的距离，L_sx表示单侧相连上下匝道的距离，L_pz表示普通道路到匝道的距离，C_i+1表示路口i+1所在子区的公共周期，C_i表示路口i所在子区的公共周期，t_i表示路口i的上行车道启动时，路口i的已运行时间，p_{i+1_p1}为路口i+1相位1车道的车辆左转掉头排队长度，为路口i相位p驶向匝道时匝道所滞留的车辆，t为每辆车驶离十字路口所需的时间。

2.根据权利要求1所述的一种城市道路分层动态协调控制算法，其特征在于所述S6控制子区划分方法及公共周期、绿信比参数计算方法中，公共周期算法里的修正参数r采用ANFIS(自适应神经网络模糊推理系统)来推理信号周期，其步骤为：首先设置训练样本数量，然后确定输出样本个数，然后在训练样本中根据车辆数的、修正前的信号周期和流量比的不同设置，经过样本训练，可使ANFIS产生合理的隶属度和模糊规则，其次根据测得的路口流量比和左转掉头占有率输入ANFIS推理系统，可计算出优化后的信号周期，针对修正后的周期公式建立的ANFIS推理系统，推理出的各路口信号周期，选择最大值作为该控制子区的公共信号周期C，该子区内所有路口统一采用公共信号周期。

3.一种运用权利要求1所述城市道路分层动态协调控制算法的城市道路分层动态协调控制方法，其特征在于通过以下步骤实现：

步骤1通过分层技术并从城市整体考虑，将城市道路分为普通道路层、匝道层和快速路层；

步骤2根据权利要求1中，所述S4相邻路口关联度算法的公式D_(i→j)将普通道路主干道划分为不同子区；

步骤3根据权利要求1中，所述S6普通道路控制子区划分方法及公共周期、绿信比参数计算方法、相序优化方案来计算普通道路主干道各个路口的公共周期C、关键路口相序优化方案及各个相位绿灯时间s_it_ip；

步骤4根据步骤3的计算结果，将关键路口的周期设定为控制子区的最佳周期，普通道路主干道各个子区公共周期应与关键路口公共周期一致，以此确定最佳公共周期C_i；

步骤5根据权利要求1中，所述S1用于匝道子区划分的函数来计算匝道排队长度激活阈值E_NOS和E_NHS，将匝道分为不同主从匝道子区；

步骤6根据权利要求1中，所述S2主匝道子区最终局部调节量调节车辆的排队长度的算法，通过BP神经网络训练的方法简单快速的预测匝道下游车辆动态临界占有率

步骤7根据权利要求1中，所述S2主匝道子区最终局部调节量调节车辆的排队长度的算法和S3从匝道子区最终局部调节量调节车辆的排队长度的算法来计算主从匝道子区最终局部调节量q_i(k_c)和q_i+u(k_c)判断主从匝道子区车辆排队是否溢出，如果溢出返回步骤4调整十字路口最佳公共周期及各个相位绿灯时间；

步骤8根据权利要求1中，所述S7将不同层的子区间协调控制，确定关键路口的最佳周期及各相位绿灯时间，计算不同层的引导车速，对城市道路进行协调控制。