CN106971565A - 一种基于物联网的区域交通边界控制与诱导协同方法及系统 - Google Patents

Abstract

本发明涉及智能交通领域，更具体地，涉及一种基于物联网的区域交通边界控制与诱导协同方法及系统。所述方法包括：采集和处理多源实时交通数据；根据实时交通数据将中心区与外围区分别分成若干个子区，并对各区和子区进行MFD宏观基本图状态监控；根据交通流量和MFD宏观基本图优化计算得到区域信号控制策略和子区信号控制策略；基于区域和子区的信号控制策略与网络拥堵状况来生成相应的诱导策略。本发明能够解决全局性交通拥堵问题。

Description

一种基于物联网的区域交通边界控制与诱导协同方法及系统

技术领域

本发明涉及智能交通领域，更具体地，涉及一种基于物联网的区域交通边界控制与诱导协同方法及系统。

背景技术

随着城市道路交通的快速发展，道路基础设施的升级换代已经远远跟不上私家车的增长速度。城市格局基本形成，这使得道路拓宽成本变得十分巨大。如何利用已有的道路基础设施，通过交通控制、交通诱导等手段，对在途交通流进行合理的控制、管理，以实现出行交通流(需求)在有限路网(供给)中的合理时空分布，从而减少甚至避免交通拥堵已成为广大学者普遍关注的问题。

由于交通路网与交通流自身的复杂性(交通环境不确定性、多模式出行方式、多类型交通路网混合、时空密度不均匀性)，使得城市大规模交通控制管理复杂性与难度增大。因而许多学者将解决全局性交通拥堵问题转向优先解决城市中心区拥堵问题，即将城市划分为中心区与外围区，通过控制边界入口流量的方式优先保障城市中心区内的服务水平。

对交通路网实施交通控制优化管理，交通网络中流量、速度、密度等交通状态数据的采集、处理与分析是基本前提。随着互联网技术的发展，各种数据迅速膨胀，由于数据的分散性与多样性，增加了对数据采集的难度，也使得数据处理与分析更为复杂，这些庞大的数据量对我们的数据处理技术提出了新的挑战。

现有技术中，交通信息数据的采集主要依赖于各种交通信息检测器。交通信息检测器主要有固定微波检测器、感应线圈检测器、视频检测器和移动GPS检测器等。但现实路网中，难以达到检测器对路网的100％覆盖，使得数据采集不全。按照传统的交通控制建模方法，需要采集所有信号交叉口的基础交通流信息，当路口规模增加时此方法实施的难度太大，对路网性能分析出现偏差，从而影响控制方案的实施与优化。为了解决这类问题，Daganzo于2008年提出了宏观基本图(Macroscopic Fundamental Diagram，简称MFD)的概念，并指出MFD是道路网络的基本属性，与交通需求和OD(交通出行量)无关，可以描述网络中移动车辆数和网络运行水平之间的普遍关系，并建立道路网络中的服务水平和交通量的关系。MFD引起交通网络分析、管理和控制等多领域的广泛关注。

在交通管理手段上，交通信号控制、交通诱导、拥堵收费、信息服务、可变车道利用、可变速度控制等，都可作为解决拥堵的技术手段。然而，在大规模复杂路网中，一种交通管理策略的实施可能会引发网络中其他问题的出现，如在交通流超饱和情况下，为了缓解中心区的交通拥堵状态，实施边界控制限制外围车辆进入中心区内，这样可能会导致下游交叉路口排队出现溢出现象。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷(不足)，提供一种能够解决全局性交通拥堵问题的基于物联网的区域交通边界控制与诱导协同方法。

本发明还提供一种能够解决全局性交通拥堵问题的基于物联网的区域交通边界控制与诱导协同系统。

为解决上述技术问题，本发明的技术方案如下：

一种基于物联网的区域交通边界控制与诱导协同方法，包括：

采集和处理多源实时交通数据；

根据实时交通数据将中心区与外围区分别分成若干个子区，并对各区和子区进行MFD宏观基本图状态监控；

根据交通流量和MFD宏观基本图优化计算得到区域信号控制策略和子区信号控制策略；

基于区域和子区的信号控制策略与网络拥堵状况来生成相应的诱导策略。

上述方案中，所述交通数据包括交通流量、交通速度、交通占有率、车牌。

上述方案中，根据实时交通数据将中心区与外围区分别分成若干个子区，并对各区和子区进行MFD宏观基本图状态监控的具体步骤为：

根据交通路段信息和交通流量数据，将中心区和外围区分别分成若干个子区；

根据采集的实时交通流量与路网区域划分状况，建立区域和子区的MFD宏观基本图；

以区域和各子区的MFD图对路网的交通运行状况进行实时监测。

上述方案中，根据交通流量和MFD宏观基本图优化计算得到区域信号控制策略和子区信号控制策略的具体步骤包括：

根据中心区和外围区的交通流量与其MFD图进行区域交通建模，优化计算得出区域边界控制参数；

根据各边界子区的交通流量与其MFD图进行子区交通建模，将区域边界控制参数分解为各边界子区主要交通控制路口的控制参数，其中边界子区指的是中心区、外围区的所有子区中，和中心区与外围区的交界处直接相邻的子区

将各边界子区主要交通控制路口的控制参数转变为交通控制配时参数并实施控制。

上述方案中，基于区域和子区的信号控制策略与网络拥堵状况来生成相应的诱导策略的具体步骤包括：

对出行者出行偏好、对诱导信息服从行为进行分析得到分析结果；

根据各边界子区主要交通控制路口的控制参数计算各边界的主要交通控制被限流量与排队长度；

根据分析结果、被限流量与排队长度、MFD图生成区域诱导策略。

上述方案中，所述方法还包括：

基于采集的实时交通数据，将区域诱导策略、区域边界控制参数、各边界子区主要交通控制路口的控制参数进行交通仿真评估，确定下一周期的控制诱导实施方案。

一种基于物联网的区域交通边界控制与诱导协同系统，包括：

物联网数据管控子系统，用于采集和处理多源实时交通数据；

交通态势监控子系统，用于根据实时交通数据将中心区与外围区分别分成若干个子区，并对各区和子区进行MFD宏观基本图状态监控；

交通信号控制子系统，用于根据交通流量和MFD宏观基本图优化计算得到区域信号控制策略和子区信号控制策略；

交通诱导子系统，用于基于区域和子区的信号控制策略与网络拥堵状况来生成相应的诱导策略。

上述方案中，所述交通数据包括交通流量、交通速度、交通占有率、车牌。

上述方案中，交通态势监控子系统具体包括：

交通动态分区模块，用于根据交通路段信息和交通流量数据，将中心区和外围区分别分成若干个子区；

交通流量监测模块，用于根据采集的实时交通流量与路网区域划分状况，建立区域和子区的MFD宏观基本图；

交通状态研判模块，用于以区域和各子区的MFD图对路网的交通运行状况进行实时监测。

上述方案中，交通信号控制子系统具体包括：

区域信号控制策略生成模块，用于根据中心区和外围区的交通流量与其MFD图进行区域交通建模，优化计算得出区域边界控制参数；

子区信号控制策略生成模块，用于根据各边界子区的交通流量与其MFD图进行子区交通建模，将区域边界控制参数分解为各边界子区主要交通控制路口的控制参数；

交通信号优化控制模块，用于将各边界子区主要交通控制路口的控制参数转变为交通控制配时参数并实施控制。

上述方案中，交通诱导子系统具体用于：

对出行者出行偏好、对诱导信息服从行为进行分析得到分析结果；

根据各边界子区主要交通控制路口的控制参数计算各边界路口被限流量与排队长度；

根据分析结果、被限流量与排队长度、MFD图生成区域诱导策略。

上述方案中，交通信号控制子系统还包括交通仿真评估模块，所述交通仿真评估模块具体用于：

基于采集的实时交通数据，将区域诱导策略、区域边界控制参数、各边界子区主要交通控制路口的控制参数进行交通仿真评估，确定下一周期的控制诱导实施方案。

与现有技术相比，本发明技术方案的有益效果是：

本发明将交通网络区域化，利用交通边界控制和交通诱导连接起来，降低交通建模复杂度，用边界控制手段限制过饱和交通流进入中心区，保证中心区处于相对稳定的不拥堵状态的同时，通过交通诱导方法，转移外围区内入境交通流或过境交通流到达中心区内或外围目的地，从而解决全局性交通拥堵问题。

附图说明

图1为本发明一种基于物联网的区域交通边界控制与诱导协同方法具体实施例的流程图。

图2为本发明一种基于物联网的区域交通边界控制与诱导协同系统具体实施例的总体框架图。

图3为本发明一种基于物联网的区域交通边界控制与诱导协同系统具体实施例中区域边界控制与诱导协同逻辑结构图。

图4为本发明一种基于物联网的区域交通边界控制与诱导协同系统具体实施例中交通信号控制子系统的说明图。

图5为宏观基本图的一个实例示意图。

图6为本发明一种基于物联网的区域交通边界控制与诱导协同系统具体实施例中边界控制原理图。

图7为本发明边界门限控制逻辑图。

图8为本发明仿真参考路网图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

在本发明的描述中，需要理解的是，此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含所指示的技术特征的数量。由此，限定的“第一”、“第二”的特征可以明示或隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以是通过中间媒介间接连接，可以说两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明的具体含义。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示，为本发明一种基于物联网的区域交通边界控制与诱导协同方法具体实施例的流程图。参见图1，本具体实施例一种基于物联网的区域交通边界控制与诱导协同方法具体包括如下步骤：

S101.采集和处理多源实时交通数据；

S102.根据实时交通数据将中心区与外围区分别分成若干个子区，并对各区和子区进行MFD宏观基本图状态监控；

S103.根据交通流量和MFD宏观基本图优化计算得到区域信号控制策略和子区信号控制策略；

S104.基于区域和子区的信号控制策略与网络拥堵状况来生成相应的诱导策略。

在步骤S101中，交通数据包括但不限于交通流量、交通速度、交通占有率、车牌。具体实施过程中，可以利用现有的浮动车、地磁、线圈、微波、卡口视频、GPS等交通参数检测器采集多源交通信息，采集到的多源交通数据进行统一接入，经过数据筛选、数据恢复、数据转换和融合等预处理，剔除错误或者异常的数据并在不同应用条件下采用不同的预测方法来恢复被剔除或丢失的数据。此外，还可以采集和登记交通路段信息和车辆的车况信息，与预处理后的交通数据一并进行分布式存储，提供信息资源的查询、更新和共享功能。其中，所述的交通路段信息指的是交通网络中道路本身的空间位置相关性信息。共享功能的实现，还可以根据不同的服务对象，对信息共享的权限和内容进行分类、分级、分层，实现灵活且安全的信息共享和交换。

在步骤S102中，根据实时交通数据信息，借助MFD宏观基本图理论将中心区与外围区分别划分为拥堵均衡的若干子区，并建立区域与子区的宏观基本图模型，对路网的交通运行状况进行实时监测与准确预测。

其中，宏观基本图(MFD，或流量-密度关系图)正式定义由Daganzo和Geroliminis于2008年给出，MFD是道路网络的基本属性，可以描述网络中移动车辆数和网络运行水平之间的普遍关系，并建立道路网络中的服务水平和交通量的关系。以宏观交通基本图作为路网的性能表征工具，根据路网中MFD低分散、密度均匀分布的准则，实现对中心区及其关联区域的子区划分。依据MFD理论，可以通过道路检测器所获取的数据和仿真得出宏观基本图，实现对路网的宏观描述，还可以根据宏观基本图，对路网的交通运行状况进行实时监测与准确预测。MFD可以通过部分主干道流量、占有率数据，来反映路网整体交通状态，故借助MFD可实现对各子区边界入口的流量控制(即边界控制)。这样就将问题描述层次，从路口级提升到区域级，从而降低了问题描述的复杂度，也降低了对路网完备交通数据的要求。

在具体实施过程中，S102的具体步骤为：

S1021.根据交通路段信息和交通流量数据，将中心区和外围区分别分成若干个子区；子区的划分遵循如下原则：

(1)同一个子区内各路段在地理位置上相关性大，交通流互相影响；

(2)同一个子区内各路段车流密度、拥堵状况分布均匀；

(3)每个子区都有一个单峰分散性较低的MFD宏观基本图。

基于上述原则划分子区后，确定各子区间关键控制路口。

S1022.根据采集的实时交通流量与路网区域划分状况，建立区域和子区的MFD宏观基本图；具体实施过程中，将路段交通流信息转换成区域交通流信息，即根据实时路段交通流量与路我那个区域划分状况加权计算分析得到区域与各子区的实时交通流量，区域交通流量计算公式如下：

其中：R_I表示区域I；SR_i表示子区i；N_I指在t时刻区域I的总的车辆数；n_i指在t时刻子区i的总的车辆数；L_r和l_r分别表示路段r的车道数和长度；o_r(t)表示在t时刻检测得到的路段r的占有率；s表示平均车辆长度(一般取s≈5m)。

所述MFD宏观基本图函数关系式模型：

其中：G_I(N_I(t))表示在t时刻区域I的网络总流量；A₁、A₂、A₃为拟合得到的函数系数；Err(t)为拟合误差。

S1023.以区域和各子区的MFD图对路网的交通运行状况进行实时监测。监测过程中实时对交通状态进行研判，交通运行状态可以分为畅通、临界拥堵、拥堵、阻塞；其中，畅通状态，表示交通流率较小，道路上的车辆基本不受其他车辆的影响，可以保持较高的车速行驶；临界拥堵状态，表示区域交通流量达到最大化，车辆以较大速度稳定行驶，受外界干扰小；拥堵状态，表示当交通需求增大，临界拥堵状态转变为拥堵状态，路网中车流打破稳定，车辆受到其他车辆及外界环境的影响，车速降低，排队增长；阻塞状态，表示路网交通流密度大，车辆行驶受到较大制约，网络交通流量急剧下降，车辆旅行延误时间增长。

此外，为了更好地预测交通变化，具体实施过程中还可以进行交通流量预测，具体为：

S1024.基于实测的交通流数据与历史数据预测未来短期交通流状态及其变化趋势。预测得到的结果可以供检测人员参考，预防拥堵。

在步骤S102进行分区并实现MFD图状态监测后，利用MFD图进行区域交通建模，实现边界控制。具体地，步骤S103的具体步骤包括：

根据中心区和外围区的交通流量与其MFD图进行区域交通建模，优化计算得出区域边界控制参数，生成区域信号控制策略；其中，优化计算是以交通网络总延误时间最小为目标，利用模型预测控制算法MPC进行优化求解，求解的边界控制参数为外围区流入中心区的总流入车辆百分比。

所述模型预测控制算法(MPC)是一种基于模型的闭环优化控制策略，主要包括预测模型、滚动优化、反馈矫正三部分，其算法核心为：在某个控制时刻，把当前时刻的状态作为最优控制的初始状态，结合预测模型、约束、目标函数来求解一个有限时域内的最优解，得到最有序列后，只实施第一个解(即下一时刻的控制量)，把这个控制量作用于系统之后，采集此刻的系统状态，再次进行优化求解，如此反复直到整个控制优化过程结束。该算法较好处理了系统中可能存在的干扰、噪声等不确定问题，也就增强了系统的鲁棒性。

根据各边界子区的交通流量与其MFD图进行子区交通建模，将区域边界控制参数分解为各边界子区主要交通控制路口的控制参数，生成子区信号控制策略；其中边界是指中心区和外围区的交界处，边界子区是指与此边界线直接相邻的子区，如图4中Sj就不是边界子区；主要交通控制路口指的是交通量大或者布设复杂的交叉路口，其主要是通过交通量的大小和路口布设的复杂程度确定。

将各边界子区主要交通控制路口的控制参数转变为交通控制配时参数。其中，所述交通控制配时参数可以为周期、绿灯信号比等，根据得到的交通控制配时参数可以先进行仿真模拟，仿真模拟后在应用到实际道路上进行道路控制。。

上述步骤S103采用的是边界控制方法。边界控制是针对饱和路网提出来的一种控制方法，主要思想是将中心区设为保护区，根据保护区内各子区的MFD图形，监控各子区的交通状态，适时对保护区的边界流(即主要交叉路口流量)采取红灯延长或拥堵收费措施，以保证保护区内交通流量处于非拥堵的期望水平。

具体实施过程中，步骤S104的具体步骤为：

S1041.对出行者出行偏好、对诱导信息服从行为进行分析得到分析结果；

S1042.根据各边界子区主要交通控制路口的控制参数计算各边界路口被限流量与排队长度；

S1043.根据分析结果、被限流量与排队长度、MFD图生成区域诱导策略。

区域诱导策略生成后还可以通过信息显示步骤将诱导信息发布到诱导屏、手机移动客户端、网站、电台、车载系统等显示终端诱导出行者改变出行行为，合理分配交通流，缓解交通拥堵，减少旅行延误时间。

上述步骤充分利用实时的道路、交通等信息通过诱导策略的生成与诱导信息的发布来改变出行者的出行行为，降低出行者对未知交通状态的焦虑，合理分配整个交通网络上的交通流，避免因缓解中心区拥堵状况采取边界控制限制车流进入保护区而导致下游交叉路口排队溢出现象的出现，从而减少整个系统总的交通时耗，减少机动车尾气排放。

在具体实施过程中，该具体实施例还设有交通仿真评估步骤，该步骤基于采集的实时交通数据，将区域诱导策略、区域边界控制参数、各边界子区主要交通控制路口的控制参数进行交通仿真评估，确定下一周期的控制诱导实施方案。仿真后得到的仿真结果如果使交通状态得以改善，则执行对应的信号控制与诱导策略方案，仿真效果不理想时，则可以重新进行区域优化计算，得到新的信号控制与诱导策略方案。

交通仿真评估步骤是将计算优化出的区域控制与诱导方案输入仿真软件进行实时仿真，对其进行评估确定下周期的控制诱导实施方案，对较大区域进行交通流总体态势的仿真计算，评估各种动态交通管理措施对交通流的影响。能够在确定的路网范围内，针对路段上发生的事件引起的交通拥堵.对多套不同的缓解措施(即交通响应预案)的实施效果进行量化评估，使用者根据评估结果不断修改完善响应预案，并最终将优秀预案存储到预案库中，作为今后发生类似事件时的应对方案。针对突发事件造成的交通拥堵，系统能够建议变通响应预案，辅助日常交通管理与决策。

本发明的方法研究存在交通控制与诱导两个层面的协同，其中两者互为输入和约束，构成负反馈调节。交通信息影响驾驶员的路径选择，改变路径流率，进而影响控制分流率，同时控制信息决定了诱导信息的生成。从系统最优的角度建立了控制与诱导的一体化模型，对检测到的实时交通数据进行分析，同时求解得到最佳路径参数(行程时间或者诱导交通量)和交通控制配时参数(周期、绿信比)，即通过一个模型求解两个系统的重要参数。

实施例2

在实施例1的基础上，本发明还提供一种基于物联网的区域交通边界控制与诱导协同系统。如图2和3所示，本发明的基于物联网的区域交通边界控制与诱导协同系统具体包括：

物联网数据管控子系统，用于采集和处理多源实时交通数据；交通数据包括但不限于交通流量、交通速度、交通占有率、车牌。

交通态势监控子系统，用于根据实时交通数据将中心区与外围区分别分成若干个子区，并对各区和子区进行MFD宏观基本图状态监控；

交通信号控制子系统，用于根据交通流量和MFD宏观基本图优化计算得到区域信号控制策略和子区信号控制策略；

交通诱导子系统，用于基于区域和子区的信号控制策略与网络拥堵状况来生成相应的诱导策略。

本具体实施例的系统利用物联网数据管控子系统采集多源实时交通数据，并将采集的速度、流量、占有率等交通数据进行预处理并存储，通过数据通信子系统将数据传输给交通态势监控子系统，交通态势监控子系统将受保护的中心区与外围区分别分成若干个子区并对各区域与子区进行MFD宏观基本图状态监控，根据各区域与子区的MFD图，交通信号优化控制子系统生成区域信号控制策略与子区信号控制策略，交通诱导子系统对出行者出行偏好与其对诱导信息的服从行为进行分析，基于区域控制策略与网络拥堵状况来生成相应的诱导策略。

具体地，物联网数据管控子系统包括交通信息采集模块、交通数据分析与处理模块、交通信息存储模块以及交通信息共享模块；

交通信息采集模块，用于利用现有的浮动车、地磁、线圈、微波、卡口视频、GSP等交通参数检测器采集多源交通信息。

交通数据分析与处理模块，用于对采集到的多源交通数据进行统一接入，经过数据筛选、数据恢复、数据转换和融合等预处理，剔除错误或者异常的数据并在不同应用条件下采用不同的预测方法来恢复被剔除或丢失的数据。

交通信息存储模块，用于登记交通路段信息和车辆的车况信息，与预处理后的交通数据一并进行分布式存储，提供信息资源的查询、更新和共享功能。

交通信息共享模块，用于根据不同的服务对象，对信息共享的权限和内容进行分类、分级、分层，实现灵活且安全的信息共享和交换。

具体地，交通态势监控子系统具体包括：

交通动态分区模块，用于根据交通路段信息和交通流量数据，将中心区和外围区分别分成若干个子区；子区的划分遵循如下原则：

(1)同一个子区内各路段在地理位置上相关性大，交通流互相影响；

(2)同一个子区内各路段车流密度、拥堵状况分布均匀；

(3)每个子区都有一个单峰分散性较低的MFD宏观基本图。

基于上述原则划分子区后，确定各子区间关键控制路口。

交通流量监测模块，用于根据采集的实时交通流量与路网区域划分状况，建立区域和子区的MFD宏观基本图。

宏观基本图(MFD，或流量-密度关系图)正式定义由Daganzo和Geroliminis于2008年给出，MFD是道路网络的基本属性，可以描述网络中移动车辆数和网络运行水平之间的普遍关系，并建立道路网络中的服务水平和交通量的关系。以宏观交通基本图作为路网的性能表征工具，根据路网中MFD低分散、密度均匀分布的准则，实现对中心区及其关联区域的子区划分。依据MFD理论，可以通过道路检测器所获取的数据和仿真得出宏观基本图，实现对路网的宏观描述，还可以根据宏观基本图，对路网的交通运行状况进行实时监测与准确预测。MFD可以通过部分主干道流量、占有率数据，来反映路网整体交通状态，故借助MFD可实现对各子区边界入口的流量控制(即边界控制)。这样就将问题描述层次，从路口级提升到区域级，从而降低了问题描述的复杂度，也降低了对路网完备交通数据的要求。

具体实现时，交通流量监测模块将路段交通流信息转换成区域交通流信息，即根据实时路段交通流量与路我那个区域划分状况加权计算分析得到区域与各子区的实时交通流量，区域交通流量计算公式如下：

其中：R_I表示区域I；SR_i表示子区i；N_I指在t时刻区域I的总的车辆数；n_i指在t时刻子区i的总的车辆数；L_r和l_r分别表示路段r的车道数和长度；o_r(t)表示在t时刻检测得到的路段r的占有率；s表示平均车辆长度(一般取s≈5m)。

所述MFD宏观基本图函数关系式模型：

其中：G_I(N_I(t))表示在t时刻区域I的网络总流量；A₁、A₂、A₃为拟合得到的函数系数；Err(t)为拟合误差。

交通状态研判模块，其包括区域交通状态研判模块与子区交通状态研判模块，分别以区域和子区的MFD图对路网的交通运行状况进行实时监测。交通运行状态可以分为畅通、临界拥堵、拥堵、阻塞；其中，畅通状态，表示交通流率较小，道路上的车辆基本不受其他车辆的影响，可以保持较高的车速行驶；临界拥堵状态，表示区域交通流量达到最大化，车辆以较大速度稳定行驶，受外界干扰小；拥堵状态，表示当交通需求增大，临界拥堵状态转变为拥堵状态，路网中车流打破稳定，车辆受到其他车辆及外界环境的影响，车速降低，排队增长；阻塞状态，表示路网交通流密度大，车辆行驶受到较大制约，网络交通流量急剧下降，车辆旅行延误时间增长。

交通流量预测模块，用于基于实测的交通流数据与历史数据预测未来短期交通流状态及其变化趋势。

具体实施过程中，交通信号控制子系统具体包括：

区域信号控制策略生成模块，用于根据中心区和外围区的交通流量与其MFD图进行区域交通建模，优化计算得出区域边界控制参数；其中，优化计算是以交通网络总延误时间最小为目标，利用模型预测控制算法MPC进行优化求解，求解的边界控制参数为外围区流入中心区的总流入车辆百分比。

所述模型预测控制算法(MPC)是一种基于模型的闭环优化控制策略，主要包括预测模型、滚动优化、反馈矫正三部分，其算法核心为：在某个控制时刻，把当前时刻的状态作为最优控制的初始状态，结合预测模型、约束、目标函数来求解一个有限时域内的最优解，得到最有序列后，只实施第一个解(即下一时刻的控制量)，把这个控制量作用于系统之后，采集此刻的系统状态，再次进行优化求解，如此反复直到整个控制优化过程结束。该算法较好处理了系统中可能存在的干扰、噪声等不确定问题，也就增强了系统的鲁棒性。

子区信号控制策略生成模块，用于根据各边界子区的交通流量与其MFD图进行子区交通建模，将区域边界控制参数分解为各边界子区主要交通控制路口的控制参数；

交通信号优化控制模块，用于将各边界子区主要交通控制路口的控制参数转变为交通控制配时参数并实施控制。

交通信号控制子系统采用的是边界控制方法。边界控制是针对饱和路网提出来的一种控制方法，主要思想是将中心区设为保护区，根据保护区内各子区的MFD图形，监控各子区的交通状态，适时对保护区的边界流(即主要交叉路口流量)采取红灯延长或拥堵收费措施，以保证保护区内交通流量处于非拥堵的期望水平。

具体实施过程中，交通诱导子系统具体包括区域诱导策略生成模块和诱导信息发布模块；

区域诱导策略生成模块具体用于：

对出行者出行偏好、对诱导信息服从行为进行分析得到分析结果；

根据各边界子区主要交通控制路口的控制参数计算各边界路口被限流量与排队长度；

根据分析结果、被限流量与排队长度、MFD图生成区域诱导策略。

诱导信息发布模块，用于将诱导信息发布到诱导屏、手机移动客户端、网站、电台、车载系统等显示终端诱导出行者改变出行行为，合理分配交通流，缓解交通拥堵，减少旅行延误时间。

上述模块充分利用实时的道路、交通等信息通过诱导策略的生成与诱导信息的发布来改变出行者的出行行为，降低出行者对未知交通状态的焦虑，合理分配整个交通网络上的交通流，避免因缓解中心区拥堵状况采取边界控制限制车流进入保护区而导致下游交叉路口排队溢出现象的出现，从而减少整个系统总的交通时耗，减少机动车尾气排放。

在具体实施过程中，交通态势监控子系统还包括交通仿真评估模块，交通仿真评估模块具体用于：

基于采集的实时交通数据，将区域诱导策略、区域边界控制参数、各边界子区主要交通控制路口的控制参数进行交通仿真评估，确定下一周期的控制诱导实施方案。仿真后得到的仿真结果如果是交通状态得以改善，则执行对应的信号控制与诱导策略方案，仿真效果不理想时，则可以重新进行区域优化计算，得到新的信号控制与诱导策略方案。

交通仿真评估模块是将计算优化出的区域控制与诱导方案输入仿真软件进行实时仿真，对其进行评估确定下周期的控制诱导实施方案，对较大区域进行交通流总体态势的仿真计算，评估各种动态交通管理措施对交通流的影响。能够在确定的路网范围内，针对路段上发生的事件引起的交通拥堵.对多套不同的缓解措施(即交通响应预案)的实施效果进行量化评估，使用者根据评估结果不断修改完善响应预案，并最终将优秀预案存储到预案库中，作为今后发生类似事件时的应对方案。针对突发事件造成的交通拥堵，系统能够建议变通响应预案，辅助日常交通管理与决策。

为了对本具体实施例的系统进行进一步的，下面结合图示进行阐述。

在具体实施过程中，交通信号控制子系统中区域信号控制策略生成模块和子区信号控制策略生成模块相当于控制器，如图4所示，“交通信号控制子系统”分为边界信号控制器(PFC)和区域内部信号控制器(IPC)，边界信号控制器PFC设置在中心区与外围区边界关键交通控制路口，对从外围区进入中心区的流量进行控制，以保护中心区处于稳定的非饱和理想状态，同时在该控制路口设置诱导信息屏，对被限制的过境交通流进行诱导，降低出行者对未知交通状态的焦虑，合理分配整个交通网络上的交通流，避免因缓解保护区拥堵状况采取边界控制限制车流进入保护区而导致下游交叉路口排队溢出现象的出现。区域内部信号控制器IPC设置在各子区间关键交叉路口处，用于协调相邻子区间的交通流，使区域内各子区拥堵状况均匀化，从而使整个区域交通性能处于最优状态。其中“关键路口”具有交通流量大、连通性强、路口较复杂等特性。“边界关键路口”为直接与中心区和外围区边界相接壤的子区间的关键路口。其中“交通诱导子系统”只是针对区域边界交通流而言的，即只对中心区与外围区边界关键交通控制路口的被限制进入中心区的流量实行诱导措施，区域内部各子区间只实施信号控制措施而不进行诱导，通过优化交通控制信号使区域内各子区拥堵状况均匀化，降低了数学建模与优化求解的复杂度。其中，图4中所示的Sj、Sh、Si分别表示子区j、子区h、子区i，ujh表示区域内部信号控制器(IPC),是子区j和h间的控制参数，uih表示边界信号控制器(PFC)，是边界子区i和h之间控制参数。

如图5所示，为宏观基本图MFD的一个实例示意图。图6为借助宏观基本图实时监控中心区和外围区交通运行状况并进行边界控制的原理图。如图6所示，整个交通网络划分为中心区与外围区，借助宏观基本图实时监控中心区与外围区的交通运行状况，当中心区和外围区处于自由流状态A或临界拥堵状态B时(即整个交通网络处于未饱和状态)，边界信号控制器(PFC)和区域内部信号控制器(IPC)均以协调相邻子区间交通流量使整个路网交通性能最大化为目标，此时不需要进行区域交通诱导；随着交通需求的增大，中心区会吸引更多的车流进入，当中心区处于饱和拥堵状态C而外围处于自由流状态A或临界拥堵状态B时，为了保护中心区，缓解中心区的拥堵状况，启用边界控制与诱导协同，根据区域MFD图，进行区域优化建模生成区域信号控制策略与子区信号控制策略，通过调整边界关键路口信号灯，延长进入中心区方向的红灯时间与离开中心区方向的绿灯时间来控制外围区进入中心区的车流量，当由于延长红灯时间造成路口排队长队长超过阈值时，启用交通诱导子系统，根据边界控制策略、出行者出行偏好及其对诱导信息服从行为分析，生成区域诱导策略，并将诱导信息发布到诱导屏、手机移动客户端、网站、电台、车载系统等改变出行者的出行路径，合理分配交通流，缓解交通拥堵，减少旅行延误时间。

图7为本发明的边界门限控制逻辑图，边界控制是针对饱和路网提出来的一种控制方法，主要思想是将中心区设为保护区，根据交通监测数据，建立中心区和外围区的MFD宏观基本图，基于MFD图监控各区的交通状态，适时对保护区的边界流(即主要边界交叉路口流量)采取红灯延长或拥堵收费措施，以保证保护区内交通流量处于非拥堵的期望水平。实施边界控制的主要参数可简化为主入口放行率U(0到1之间的常数)，一般情况下，控制参数值不会取到0，因为当放行率等于0时，该边界控制路口将不允许任何车辆通过，这将会造成下游交通排队溢出，从而诱发外围区的拥堵阻塞。

图8本发明效果评价的仿真参考路网图，参考路网选取广州市天河中心区，其中粗实线代表内外区的界线，细实线表示路段，各子区通过虚线隔开；根据该参考路网将计算优化出的区域控制与诱导方案输入仿真软件进行实时仿真，对其进行评估确定下周期的控制诱导实施方案，对较大区域进行交通流总体态势的仿真计算，评估各种动态交通管理措施对交通流的影响。能够在确定的路网范围内，针对路段上发生的事件引起的交通拥堵.对多套不同的缓解措施(即交通响应预案)的实施效果进行量化评估，使用者根据评估结果不断修改完善响应预案，并最终将优秀预案存储到预案库中，作为今后发生类似事件时的应对方案。针对突发事件造成的交通拥堵，系统能够建议变通响应预案，辅助日常交通管理与决策。

具体实施过程中，数据通信子系统是具备有线通信、无线通信、有线与无线互通功能的，以有线光纤为主、无线为辅、移动介入、卫星跟踪定位的通信稳定、质量可靠、覆盖整个城市交通管辖区域范围的交通通信系统。其用于实现物联网数据管控子系统与交通态势监控子系统、交通信号优化控制子系统、交通诱导子系统之间的通信。主要通信技术包括电缆通信、微波通信、无线电广播、无线通信、光纤通信、数字通信、卫星通信等。主要负责各子系统之间、信息中心与外部服务器的信息传输、交换与共享。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (12)

1.一种基于物联网的区域交通边界控制与诱导协同方法，其特征在于，包括：

采集和处理多源实时交通数据；

根据实时交通数据将中心区与外围区分别分成若干个子区，并对各区和子区进行MFD宏观基本图状态监控；

根据交通流量和MFD宏观基本图优化计算得到区域信号控制策略和子区信号控制策略；

基于区域和子区的信号控制策略与网络拥堵状况来生成相应的诱导策略。

2.根据权利要求1所述的基于物联网的区域交通边界控制与诱导协同方法，其特征在于，所述交通数据包括交通流量、交通速度、交通占有率、车牌。

3.根据权利要求1所述的基于物联网的区域交通边界控制与诱导协同方法，其特征在于，根据实时交通数据将中心区与外围区分别分成若干个子区，并对各区和子区进行MFD宏观基本图状态监控的具体步骤为：

根据交通路段信息和交通流量数据，将中心区和外围区分别分成若干个子区；

根据采集的实时交通流量与路网区域划分状况，建立区域和子区的MFD宏观基本图；

以区域和各子区的MFD图对路网的交通运行状况进行实时监测。

4.根据权利要求1所述的基于物联网的区域交通边界控制与诱导协同方法，其特征在于，根据交通流量和MFD宏观基本图优化计算得到区域信号控制策略和子区信号控制策略的具体步骤包括：

根据中心区和外围区的交通流量与其MFD图进行区域交通建模，优化计算得出区域边界控制参数；

根据各边界子区的交通流量与其MFD图进行子区交通建模，将区域边界控制参数分解为各边界子区主要交通控制路口的控制参数，其中边界子区指的是中心区、外围区的所有子区中，和中心区与外围区的交界处直接相邻的子区；

将各边界子区主要交通控制路口的控制参数转变为交通控制配时参数。

5.根据权利要求4所述的基于物联网的区域交通边界控制与诱导协同方法，其特征在于，基于区域和子区的信号控制策略与网络拥堵状况来生成相应的诱导策略的具体步骤包括：

对出行者出行偏好、对诱导信息服从行为进行分析得到分析结果；

根据各边界子区主要交通控制路口的控制参数计算各边界的主要交通控制路口被限流量与排队长度；

根据分析结果、被限流量与排队长度、MFD图生成区域诱导策略。

6.根据权利要求5所述的基于物联网的区域交通边界控制与诱导协同方法，其特征在于，所述方法还包括：

基于采集的实时交通数据，将区域诱导策略、区域边界控制参数、各边界子区主要交通控制路口的控制参数进行交通仿真评估，确定下一周期的控制诱导实施方案。

7.一种基于物联网的区域交通边界控制与诱导协同系统，其特征在于，包括：

物联网数据管控子系统，用于采集和处理多源实时交通数据；

交通态势监控子系统，用于根据实时交通数据将中心区与外围区分别分成若干个子区，并对各区和子区进行MFD宏观基本图状态监控；

交通信号控制子系统，用于根据交通流量和MFD宏观基本图优化计算得到区域信号控制策略和子区信号控制策略；

交通诱导子系统，用于基于区域和子区的信号控制策略与网络拥堵状况来生成相应的诱导策略。

8.根据权利要求7所述的基于物联网的区域交通边界控制与诱导协同系统，其特征在于，所述交通数据包括交通流量、交通速度、交通占有率、车牌。

9.根据权利要求7所述的基于物联网的区域交通边界控制与诱导协同系统，其特征在于，交通态势监控子系统具体包括：

交通动态分区模块，用于根据交通路段信息和交通流量数据，将中心区和外围区分别分成若干个子区；

交通流量监测模块，用于根据采集的实时交通流量与路网区域划分状况，建立区域和子区的MFD宏观基本图；

交通状态研判模块，用于以区域和各子区的MFD图对路网的交通运行状况进行实时监测。

10.根据权利要求7所述的基于物联网的区域交通边界控制与诱导协同系统，其特征在于，交通信号控制子系统具体包括：

区域信号控制策略生成模块，用于根据中心区和外围区的交通流量与其MFD图进行区域交通建模，优化计算得出区域边界控制参数；

子区信号控制策略生成模块，用于根据各边界子区的交通流量与其MFD图进行子区交通建模，将区域边界控制参数分解为各边界子区主要交通控制路口的控制参数；

交通信号优化控制模块，用于将各边界子区主要交通控制路口的控制参数转变为交通控制配时参数并实施控制。

11.根据权利要求10所述的基于物联网的区域交通边界控制与诱导协同系统，其特征在于，交通诱导子系统具体用于：

对出行者出行偏好、对诱导信息服从行为进行分析得到分析结果；

根据各边界子区主要交通控制路口的控制参数计算各边界路口被限流量与排队长度；

根据分析结果、被限流量与排队长度、MFD图生成区域诱导策略。

12.根据权利要求11所述的基于物联网的区域交通边界控制与诱导协同系统，其特征在于，交通信号控制子系统还包括交通仿真评估模块，所述交通仿真评估模块具体用于：

基于采集的实时交通数据，将区域诱导策略、区域边界控制参数、各边界子区主要交通控制路口的控制参数进行交通仿真评估，确定下一周期的控制诱导实施方案。