CN106846842A - 基于多时段控制方案的城市干道协调控制优化方法 - Google Patents

Abstract

本发明涉及一种基于多时段控制方案的城市干道协调控制优化方法，首先对历史交通数据进行处理，通过协调范围判定确定干道协调控制范围，接着通过单点交叉口流量数据混合聚类算法进行分析，并通过时序性处理确定信号控制方案，然后建立以带宽和延误为目标的协调优化模型，通过多目标优化进行模型求解,得到的优化结果与交叉口协调范围是否相符，如不符，重新进行分析，如相符将优化结果与仿真相对比，优化结果是否较好，如好，输出干道多时段协调控制优化方案，如不好返回重新进行分析。充分利用历史交通流量数据反应的对象道路在全天各时段的流量特征，明确区分各时段对应采用的交通控制方案，精确处理各时段的交通需求，提高运行效率，降低交通成本。

Description

基于多时段控制方案的城市干道协调控制优化方法

技术领域

本发明涉及一种交通管理技术，特别涉及一种基于多时段控制方案的城市干道协调控制优化方法。

背景技术

随着我国机动车总量的持续增长，我国城市道路拥堵情况愈演愈烈。在城市道路中，主干道上相邻的若干交叉口往往互相关联，互相影响，要想解决城市交通拥堵问题，仅仅局限于单一交叉口的信号控制是难以做到的，有效的城市干道协调控制才是城市交通拥堵“顽疾”的“治病良方”。

近几年，在协调控制方面，我国一些大中型城市也有所尝试，并先后引进了先进的智能交通控制管理系统，如北京、成都、大连引进英国的SCOOT系统；沈阳、上海、广州引进澳大利亚的SCATS系统；深圳引进日本的KYOSAN系统等。然而，以上协调控制系统均以自适应控制方式为主，对检测线圈及其硬件设施依赖程度较高。考虑到我国各大城市用于检测车辆的线圈故障率高达30％，易造成实时流量数据不准确的情况，不利于协调控制系统制定出适当的交通控制策略方案。此外，自适应控制方式可能因为其频繁切换策略而对交通流造成较大扰动，对交通状况改善的效果可能“适得其反”，因此，以上系统对我国城市干道的协调控制不具有普遍适用性。

目前，我国使用范围最广的交叉口控制方式为多时段定时控制(Time-of-Day)策略。多时段定时控制策略是指依据历史交通量数据，针对各周、各天中不同时段的交通流量状况及交通运行环境，分别制定出相应信号控制方案的策略。由于其高效稳定、不过度依赖检测器等硬件设备，具有效益费用比较高的特点，社会经济效益显著，多时段控制策略已在全世界400多个城市得到广泛应用，已成为现阶段最符合我国交通信号控制要求的策略。

多时段定时控制的对象灵活，可以是点控，也可以是线控或面控。如果能将多时段定时控制策略与干道信号协调控制策略适当结合，制定出适用于我国城市干道的多时段协调控制策略，不仅能满足城市干道协调控制从全局的角度上解决城市交通拥堵问题的期望，避免单点控制“拆东墙补西墙”的现象；又能采用在我国久经考验的多时段控制策略，不受硬件设备设施影响，达到交通控制高效稳定的要求。因此，城市干道多时段协调控制策略在我国城市交通控制领域将有广阔的发展前景。

因此，本领域的技术人员致力于开发一种符合我国国情的基于多时段控制方案的城市干道协调优化控制方式。

发明内容

本发明是针对现有城市干道交叉口控制方式对检测器等交通设备依赖性过高、缺乏可靠性，或不能有效适应我国道路交通情况并提高控制方式的效益费用比的问题，提出了一种基于多时段控制方案的城市干道协调控制优化方法，利用对城市干道协调范围内交叉口的仿真建模，提出了基于多时段控制方式下干道带宽最大和沿线交叉口车均延误最小的优化目标，采用多目标智能优化算法找寻控制方案最优切换时刻的优化控制方式；利用Matlab软件对混合聚类进行编程，用于历史交通流量处理计算，得到协调范围内各交叉口的单点控制方案，并对多目标智能优化算法进行编程，对协调范围内的干道交叉口的各时段方案切换时刻进行寻优求解，得到干道协调控制方案。最后采用微观交通仿真软件Synchro对协调对象进行仿真验证，结果表明该方法比未优化前交叉口车均延误降低12.63％，带宽增大0.98％。

本发明的技术方案为：一种基于多时段控制方案的城市干道协调控制优化方法，首先对历史交通数据进行处理，通过协调范围判定确定干道协调控制范围，接着通过单点交叉口流量数据混合聚类算法进行分析，并通过时序性处理确定信号控制方案，然后建立以带宽和延误为目标的协调优化模型，通过多目标优化进行模型求解,得到的优化结果与交叉口协调范围是否相符，如不符，重新进行分析，如相符将优化结果与仿真相对比，优化结果是否较好，如好，输出干道多时段协调控制优化方案，如不好返回重新进行分析。

所述对历史交通数据进行处理，即将历史交通流量数据进行缺失数据修补预处理，并将目标数据按时间顺序进行编码；

其中修补预处理为缺失的数据利用其之前若干天数据的加权平均，加上一个随机波动因子加以确定，具体如下公式所示预处理数据修补方法：

其中，v_i为第i天所在时段缺失交通数据的估计值；θ_i为第i天所在时段交通数据的随机波动范围，可根据同期交通数据确定其波动范围，具体θ_i的取值采用指数平滑异同移动平均线确定；V_i为第i天前的n天相应时段交通数据均值；n为数据修补所需相应时段历史交通数据的总天数；v_i-1,v_i-2,…,v_i-n为数据缺失日的前1,2...,n天相应时段的交通数据。

所述通过单点交叉口流量数据混合聚类算法进行分析，就是在确定城市干道协调控制范围后，将各交叉口交通流量数据进行快速聚类与系统聚类组成的混合聚类，具体如下：

快速聚类步骤：

1)选取初始聚类个数K为初始聚类个数，e为全天交通数据量,将所有样本的交通数据按时间顺序进行编码，依据升序排列均分为各类的初始元素；

2)根据各初始类中的元素，分别计算各类的重心，作为初始凝聚点；

3)将所有样本按距离最近原则进行二次聚类，重新归入距离最小的类中，并以此时每类中所包含的新的样本的均值作为该类的中心；

4)计算e个样本到新中心的距离，重复步骤3)再次归类；

5)重复步骤3)、4)直到快速聚类结果不再变化，快速聚类部分结束，并将其最终分类结果作为系统聚类的初始类；

系统聚类的步骤：

(1)选取Silhouette指标作为系统聚类的终止条件，Silhouette指标最大值所对应的聚类个数即为最佳聚类个数；

(2)依据各初始类的类间距离平方，对距离最近的两个类合并成一新类；

(3)计算该类与其他类的类间距离；

(4)重复系统聚类(1)、(2)步骤，继续对两个距离最近的类进行合并，每次减少一类，直至达到最佳聚类个数，混合聚类结束，聚类数即为多时段全天交叉口的控制方案；

所述Silhouette指标的值在[-1，1]范围内变动，所有样本的Silhouette指标值越大表示聚类质量越好，其最大值对应的类数为最佳聚类数K，即系统聚类的终止条件。

所述经过快速聚类与系统聚类相结合的混合聚类处理后的控制方案，进行时序性处理，即消除控制时段中的“奇异点”，保证交通控制方案的持续性，避免频繁切换可能带来的扰动。

所述建立以带宽和延误为目标的协调优化模型，采用多目标粒子群算法对模型求解，得到各交叉口各时段的方案切换时刻。

本发明的有益效果在于：本发明基于多时段控制方案的城市干道协调控制优化方法，充分利用历史交通流量数据反应的对象道路在全天各时段的流量特征，明确区分各时段对应采用的交通控制方案，精确处理各时段的交通需求，提高运行效率，降低交通成本。本发明具有高效性、可靠性。

附图说明

图1为本发明基于多时段控制的城市干道协调优化控制方案流程图；

图2为本发明协调交叉口关联度判定流程图；

图3为本发明交叉口协调策略隶属度函数示意图；

图4为本发明多时段控制混合聚类流程图；

图5-1为本发明三种类型奇异点消除前聚类时序图；

图5-2为本发明三种类型奇异点消除后聚类时序图；

图6为本发明干道协调延误与带宽优化模型原理示意图。

具体实施方式

如图1所示基于多时段控制的城市干道协调优化控制方案流程图，在协调范围内，通过对历史交通数据所反映的各时段及交叉口流量特征进行混合聚类分析，在时序性基础上制定各交叉口多时段控制方案。并在协调的全局考虑，通过扩大带宽和减小延误的模型及智能优化算法得到真正意义上符合我国国情的高效可靠的城市干道协调控制。

在聚类算法对各协调交叉口的多时段方案制定过程，及协调优化过程中，通过仿真建模不断对模型进行反馈与修正，以排除人为参数选取等方面的误差。

首先对历史交通数据进行处理，减少历史数据中缺失或错录数据对后续计算的影响，通过协调范围判定确定干道协调控制范围，接着通过单点交叉口流量数据混合聚类算法进行分析，并通过时序性处理确定信号控制方案，然后建立以带宽和延误为目标的协调优化模型，通过多目标智能优化进行模型求解。得到的优化结果与交叉口协调范围是否相符，如不符，重新进行分析，如相符将优化结果与仿真相对比，优化结果是否较好，如好，输出干道多时段协调控制优化方案，如不好返回重新进行分析。

图2为本发明协调交叉口关联度判定流程图。在得到城市干道可靠历史交通数据，并进行相应的预处理后，采用传统交叉口关联度进行计算并通过模糊控制模型进行协调范围判断。考虑到最后的协调控制优化方案可能会对关联度模型的范围判断产生影响，故而在优化控制结束后应对关联度模型进行反馈，如果与原判定范围不相符，则重新进行协调判定，若相符，则进行仿真对比，若仿真优化结果较差，则返回到控制策略，若较优，则结束本流程。

其中预处理方法为缺失的数据可利用其之前若干天数据的加权平均，加上一个随机波动因子加以确定，具体可表示公式(1)所示预处理数据修补方法：

其中，v_i为第i天所在时段缺失交通数据的估计值；θ_i为第i天所在时段交通数据的随机波动范围，可根据同期交通数据确定其波动范围，具体θ_i的取值可以采用指数平滑异同移动平均线(Moving Average Convergence Divergence，MACD)确定；V_i为第i天前的n天相应时段交通数据均值；n为数据修补所需相应时段历史交通数据的总天数；v_i-1,v_i-2,...,v_i-n为数据缺失日的前1,2...,n天相应时段的交通数据。

将历史交通流量数据进行缺失数据修补预处理，并将目标数据按时间顺序进行编码。考虑到历史交通数据可能由于检测器故障或存储过程及系统问题等造成的数据错误或缺失，需先进行数据处理，继而将目标数据进行编码后，方便聚类等进一步运算。

图3为本发明交叉口协调策略隶属度函数示意图。设协调程度函数取值τ为连续值，论域为[0,1]。由于交叉口关联度协调模型计算所得协调系数是由许多微小的独立随机因素影响的结果，根据中心极限定理可以将其视为正态分布，构造关联度模型隶属度函数如公式(2)所示。

其中，x为隶属度函数变量，由协调系数值作为x输入值；

隶属度函数的判定指标τ＝1-X_maxi

其中，X_maxi为多时段控制第i个方案运营期间，研究范围内两交叉口的最大饱和度。普遍认为，交通流量越大的情况下，协调控制的意义越大而且也越必要。因此，当流量越大的情况下，τ的取值也小。当隶属度τ(x)≥τ时，则可判定为协调。

图4为多时段控制混合聚类流程图。在确定城市干道协调控制范围后，将各交叉口交通流量数据进行快速聚类与系统聚类组成的混合聚类，具体实施方法如下：

快速聚类步骤：

(1)选取初始聚类个数(K为初始聚类个数，e为全天交通数据量),将所有样本的交通数据按时间顺序进行编码，依据升序排列均分为各类的初始元素；

(2)根据各初始类中的元素，分别计算各类的重心，作为初始凝聚点；

(3)将所有样本按距离最近原则(本研究采用欧式距离)进行二次聚类，重新归入距离最小的类中，并以此时每类中所包含的新的样本的均值作为该类的中心；

(4)计算e个样本到新中心的距离，重复步骤(3)再次归类；

(5)重复步骤(3)、(4)直到快速聚类结果不再变化，快速聚类部分结束，并将其最终分类结果作为系统聚类的初始类。

系统聚类的步骤：

(1)选取Silhouette指标作为系统聚类的终止条件，Silhouette指标最大值所对应的聚类个数即为最佳聚类个数；

(2)依据各初始类的类间距离平方，对距离最近的两个类合并成一新类；

(3)计算该类与其他类的类间距离；

(4)重复系统聚类(1)、(2)步骤，继续对两个距离最近的类进行合并，每次减少一类，直至达到最佳聚类个数，混合聚类结束。

Silhouette指标的计算方式如下：

计算元素i的评价指标Silhouette，如单Silhouette指标计算公式(3)所示：

其中，Sil(i)为元素i的评价指标Silhouette值，a(i)分元素i与类内所有其他元素的平均距离，b(i)类内元素i与其他类中元素平均距离的最小值。

(5)计算算法的评价指标Silhouette，如Silhouette平均指标值公式(4)所示：

其中N为所有交通数据样本数量。

Silhouette指标的值在[-1，1]范围内变动，所有样本的Silhouette指标值越大表示聚类质量越好，其最大值对应的类数为最佳聚类数K，即本步骤的终止条件。

进行Silhouette指标计算，得到最适合当前交叉口的控制方案数。混合聚类中的系统聚类需通过Silhouette指标计算所得阈值进行收敛，得到的聚类数即为多时段全天交叉口的控制方案。

图5-1和5-2为三种类型奇异点消除前和后聚类时序图。考虑的交通控制方案的持续性以及频繁切换可能带来的扰动，应对前述聚类结果加入时序性的考虑，消除控制时段中的“奇异点”。

这里的奇异点主要有两类：一是聚类结果中样本数较少的类；二是由于交通数据的时间序列属性，造成聚类结果中存在的某些短时孤立的交通样本数据。

为了消除这一现象，需要在时间连续性的基础上，若时间序列上，聚类中连续相同类的个数未达到一定阈值，则采用ISODATA算法中的“合并”操作。具体分以下三种情况进行：

①单一奇异点

当除极个别时段的交通数据，某一时段的交通数据均聚类都为同一类时(如图5-1中标号“①”所示)，则将该单一奇异点合并入该时段大多数流量所属类，保证该时段聚类的连续性(如图5-2中标号“①”所示)。

②聚类边界奇异点

若奇异点出现在两个连续聚类的边界(如图5-1中标号“②”所示)，则衡量其交通流量数据，并将其合并入与奇异点交通数据距离较近的一类(见图5-2中标号“②”所示)。

③波动较大的奇异点群

由于交通流具有时序性的特点，可能出现某时段聚类效果可能出现较大波动(如图5-1中标号“③”所示)的情况，将此段波动较大的时间段合并为一类(如图5-2中标号“③”所示)。考虑到临界饱和及过饱和交通状态，如果控制方案不当，可能带来的严重后果，因此当饱和度大于设定阈值时，按最坏情况考虑，则上述两类将其归为交通数据较大的一类，否则，取两类交通数据的均值，作为单独的一个类处理。

图6为城市干道协调延误与带宽优化模型原理示意图。由于信号控制方案频繁切换会对交通流造成扰动，不同交叉口方案切换的时刻差也可能引发“蝴蝶效应”，对流量较大的干道造成不利交通影响。不同交叉口方案切换的时刻差越少，对多时段控制协调控制而言，意味着干道车流行驶过程中遭遇的方案切换次数越少，并且全天总控制策略的“方案带宽W”最大。另一方面，城市干道在不同时间段车流量状况不同，交叉口环境状况不同，车辆平均延误最能反映交通控制策略对城市道路车辆造成的影响。因此，选取方案总带宽W和干道平均车辆延误D为干道多时段协调控制模型的目标函数，如协调优化模型公式(5)所示，

minf＝{W,D} (5)。

带宽模型如下公式(6)至公式(10)所示。

协调交叉口最先切换时刻：

协调交叉口最后切换时刻

带宽之间的时刻差值ΔS_i＝T_maxi-T_mini (8)

i的带宽W_i＝T_mini-T_max(i-1) (9)

总带宽

上式中，W_i为方案i的带宽，W为方案总带宽，b_i为权重系数，及方案数越重要(流量越大)，权重越大；b_i为i方案时期的交通流量占全天交通总流量的比值：ΔS_i为“方案带宽之间的时刻差值”，即被“浪费掉的带宽”；T_1i ⁰表示交叉口“方案绿波”切换的开始与结束时刻按速度距离关系折算到序号为1的交叉口的时刻；i＝1,2,3,...,m表示方案绿波序列号，m为方案切换次数；j＝1,2,3,...,l表示协调交叉口上游至下游序列号，l为协调交叉口口数量；d_1j表示序号为1的交叉口与序号为j的交叉口之间的距离；表示干道行驶平均速度。

干道平均车辆延误的计算根据阿克赛力科根据罗伯逊的论述，在计算协调控制采用过渡函数模型的方法并采用以下干道车均延误计算公式(11)：

下游断面在第j个时间段的车流到达率可按车流到达率公式(12)计算：

式中：q₂(k)为在时间段k到达下游交叉口停车线的车流流率；q₁(r)为在时间段r上游停车线断面车流的驶出流率；g(k-r)为从上游停车线断面到下游某断面行驶时间为(k-r)的车辆概率分布函数，是一种变换了的正态分布函数。

协调干道中车辆到达率公式(13)中：T为车辆行驶时间；d为下游某断面与上游停车线之间的距离；为车流的平均行驶速度；为车流中不同车辆所具有的行驶速度的标准差。排队长度计算公式(14)如下：

式中：Q_a为干道的排队车辆数；有效绿灯时间g；信号周期时长c；饱和流量s；；c为相位通行能力；x为该相位饱和度；x₀取值为Sg为绿灯时间通行车辆数。

多时段干道协调优化模型为多目标优化问题，其中的子目标为“延误最小”和“方案带宽最大”，任一子目标的改善都可能引起另一子目标性能降低。使子目标都到达最优显然难以通过传统单目标优化方法实现。选用多目标智能优化算法对以上多目标模型进行求解。多时段协调优化模型为高维多目标模型，且考虑到需要输入和处理大量历史交通流量信息，因此，选用多目标粒子群算法(MOPSO)进行模型求解。步骤如下：

(1)初始化粒子群算法中的粒子数M，对每个粒子，依据优化前的多时段干道策略中的绿信比、相位差、方案切换时刻等确定其初始位置P⁰和零初始速度V⁰，初始化惯性因子ω，学习因子C₁、C₂，最大迭代次数N_max；并根据其计算每个粒子对于协调带宽及车均延误的目标向量；

(2)将粒子群M中部分粒子保存在外部粒子群中，这些粒子的位置即为非劣解；

(3)将目标空间分割成若干储存空间，根据粒子所对应的目标向量确定每个粒子所在的存储空间；

(4)为每个至少包含一个外部粒子群个体的存储空间定义适应度值(等于或大于1的数与格子内所包含的成员个数之比)，然后对每个粒子，根据轮盘赌方法选择一个存储空间，并从中随机选择一个外部粒子群的个体作为粒子的g^best(g^best如前所述，为存储空间外部粒子群的随机个体，可理解为当前个体的最好位置信息)；

(5)更新粒子的P^best(P^best为当前粒子群所有个体的最好位置信息)。根据粒子飞行过程中获得的新解与其自身最好位置P^best比较，若新解支配了P^best，则新解为新的P^best；否则，P^best保持不变；若新解与P^best彼此不受支配，则从两者随机选择一个作为新的自身最好位置；

(6)利用公式15、16迭代更新所有粒子的位置和速度；

迭代过程下一粒子速度与上一粒子关系式:

V_i ^k+1为粒子i的第k+1次运动速度，由第i个粒子上一次运动速度V_i ^k与位置信息P_i ^k迭代得到；

迭代过程下一粒子位置与上一粒子关系式:

(7)采用如下措施以避免粒子飞出搜索空间：一旦粒子飞出了某个决策变量的边界，该粒子停留在该边界上，同时改变飞行方向；

(8)计算粒子群P中每个粒子的目标向量，继续迭代，如果适应值降低程度小于规定阈值，则停止搜索；否则，转到(6)。

最终得到的迭代结果即为优化后的协调范围内各交叉口各方案详细切换时刻。

运用Synchro仿真，通过实例，对上述协调优化控制方式与现状的控制方案进行对比分析，结果下表1所示干道多时段协调控制优化前后各方案控制效益对比。

表1

结果显示，就全天多时段控制方案而言，经过混合聚类优化后的多时段控制方案车均总延误较现状方案下降10.43％，总带宽却减少18.24％；协调优化方案与现状方案相比，延误下降12.63％，总带宽增加0.98％；与混合聚类方案比较延误下降2.45％，总带宽增加23.51％。具体到各个不同时段：

(1)早晚高峰时期延误优化效果较为明显，其中混合聚类优化方案使延误下降12.72％，协调优化方案较现状方案使延误下降15.40％，较混合聚类优化方案下降3.06％。主要原因是在控制方案数不变的情况下，聚类优化方案将全天时段划分更精细，增加了早高峰前和晚高峰后的时段划分，对这个时期的进行单独考虑，使得高峰时期到低峰时期有自然过渡；而协调控制方案在此基础上通过优化干道相关交叉口的方案切换时刻，使车辆在同一方案下通过该道路，对高峰时期大流量的车流扰动的冲击进一步降低。带宽方面，由于混合聚类优化方案以每个交叉口的历史交通流量及交通时序规律进行控制方案划分，以本交叉口效益最优为前提，故而协调控制效果不够理想，使得带宽较现状方案减少22.72％；协调优化方案经过交叉口之间切换时刻的相互妥协，使现状方案带宽增加2.41％。

(2)平峰及早高峰前、晚高峰后时期，车均延误上，混合聚类方案通过精确到5分钟的控制划分方式，将相应信号控制方案发挥到最大效益，使得降低延误13.41％，而协调控制需要兼顾上下游交叉口全局，在平峰时期的控制效益稍逊与混合聚类方案，降低延误13.34％。而由于现状控制方案的方案切换较少，四个路口一刀切的模式虽然使得带宽增大，但对干道造成的扰动和延误较大。此时期的协调优化控制方案较混合聚类优化方案带宽增加25.68％。

(3)晚低峰时期车流量较少，此时的延误主要来自于信号控制造成的车辆等待，混合聚类优化控制方案对流量少且分布差异不明显的情况优化效果不明显，而协调优化控制则通过对控制范围内交叉口的协调，使得车辆在通过四个交叉口的总等待时间减少，进而降低车均延误3.14％。此时协调优化控制方案与混合聚类优化控制方案相比，方案带宽增加10.41％。

因此我们可以得出结论：

(1)混合聚类优化方案可以有效降低车均延误，但由于其以车均延误降低为优化目标，可能导致车辆在干道行驶过程中，在不同交叉口遇到不同的控制方案，对车队造成扰动，不利于协调控制。

(2)协调控制优化方案在混合聚类优化方案对干道上交叉口分别优化控制方案的前提下，进行协调控制优化，其结果表明，协调控制优化方案既能有效降低车均延误，又能保证协调带宽。

(3)协调控制优化方案在高峰时期的控制效益改善程度优于非高峰时期。

Claims (5)

1.一种基于多时段控制方案的城市干道协调控制优化方法，其特征在于，首先对历史交通数据进行处理，通过协调范围判定确定干道协调控制范围，接着通过单点交叉口流量数据混合聚类算法进行分析，并通过时序性处理确定信号控制方案，然后建立以带宽和延误为目标的协调优化模型，通过多目标优化进行模型求解,得到的优化结果与交叉口协调范围是否相符，如不符，重新进行分析，如相符将优化结果与仿真相对比，优化结果是否较好，如好，输出干道多时段协调控制优化方案，如不好返回重新进行分析。

2.根据权利要求1所述基于多时段控制方案的城市干道协调控制优化方法，其特征在于，所述对历史交通数据进行处理，即将历史交通流量数据进行缺失数据修补预处理，并将目标数据按时间顺序进行编码；

其中修补预处理为缺失的数据利用其之前若干天数据的加权平均，加上一个随机波动因子加以确定，具体如下公式所示预处理数据修补方法：

$v_i=(1+{\mathrm{\θ}}_i)V_i=(1+{\mathrm{\θ}}_i)\frac{1}{n}(v_{i-1}+v_{i-2}+...+v_{i-n})$

其中，v_i为第i天所在时段缺失交通数据的估计值；θ_i为第i天所在时段交通数据的随机波动范围，可根据同期交通数据确定其波动范围，具体θ_i的取值采用指数平滑异同移动平均线确定；V_i为第i天前的n天相应时段交通数据均值；n为数据修补所需相应时段历史交通数据的总天数；v_i-1,v_i-2,...,v_i-n为数据缺失日的前1,2...,n天相应时段的交通数据。

3.根据权利要求1所述基于多时段控制方案的城市干道协调控制优化方法，其特征在于，所述通过单点交叉口流量数据混合聚类算法进行分析，就是在确定城市干道协调控制范围后，将各交叉口交通流量数据进行快速聚类与系统聚类组成的混合聚类，具体如下：

快速聚类步骤：

1)选取初始聚类个数K为初始聚类个数，e为全天交通数据量,将所有样本的交通数据按时间顺序进行编码，依据升序排列均分为各类的初始元素；

2)根据各初始类中的元素，分别计算各类的重心，作为初始凝聚点；

3)将所有样本按距离最近原则进行二次聚类，重新归入距离最小的类中，并以此时每类中所包含的新的样本的均值作为该类的中心；

4)计算e个样本到新中心的距离，重复步骤3)再次归类；

5)重复步骤3)、4)直到快速聚类结果不再变化，快速聚类部分结束，并将其最终分类结果作为系统聚类的初始类；

系统聚类的步骤：

(1)选取Silhouette指标作为系统聚类的终止条件，Silhouette指标最大值所对应的聚类个数即为最佳聚类个数；

(2)依据各初始类的类间距离平方，对距离最近的两个类合并成一新类；

(3)计算该类与其他类的类间距离；

(4)重复系统聚类(1)、(2)步骤，继续对两个距离最近的类进行合并，每次减少一类，直至达到最佳聚类个数，混合聚类结束，聚类数即为多时段全天交叉口的控制方案；

所述Silhouette指标的值在[-1，1]范围内变动，所有样本的Silhouette指标值越大表示聚类质量越好，其最大值对应的类数为最佳聚类数K，即系统聚类的终止条件。

4.根据权利要求3所述基于多时段控制方案的城市干道协调控制优化方法，其特征在于，所述经过快速聚类与系统聚类相结合的混合聚类处理后的控制方案，进行时序性处理，即消除控制时段中的“奇异点”，保证交通控制方案的持续性，避免频繁切换可能带来的扰动。

5.根据权利要求1所述基于多时段控制方案的城市干道协调控制优化方法，其特征在于，所述建立以带宽和延误为目标的协调优化模型，采用多目标粒子群算法对模型求解，得到各交叉口各时段的方案切换时刻。