CN107545729A

CN107545729A - 一种基于数据驱动的交通路网分布式区域控制方法

Info

Publication number: CN107545729A
Application number: CN201710742733.6A
Authority: CN
Inventors: 张浪文; 谢巍; 杨晓峰; 何伟; 吴伟林; 余孝源
Original assignee: South China University of Technology SCUT
Current assignee: South China University of Technology SCUT
Priority date: 2017-08-25
Filing date: 2017-08-25
Publication date: 2018-01-05
Anticipated expiration: 2037-08-25
Also published as: CN107545729B

Abstract

本发明公开了一种基于数据驱动的交通路网分布式区域控制方法，包括交通数据滤波、交通路网车道饱和度建模和信号灯配时分布式区域控制；根据预测模型进行滚动优化，设定一系列未来的控制信号U(k)，在给定约束下，求得最优解决方案U*(k)，并将其作为控制对象的输入；进一步利用纳什优化方法解决多个子系统的关联问题，获得最优信号周期时长本发明利用数据驱动方法研究车道饱和度预测模型，提出基于分布式预测控制的交通信号灯区域配时优化，为避免或缓解交通拥堵提供一套高效控制方法。

Description

一种基于数据驱动的交通路网分布式区域控制方法

技术领域

本发明复杂系统控制技术领域，特别涉及一种基于数据驱动的交通路网分布式区域控制方法。

背景技术

随着我国经济的飞速发展和居民收入水平的稳定增加，我国城市交通运输的需求激增。如何处理交通拥堵问题成为城市化进程中迫切需要解决的难题之一。交通信号灯配时优化是解决城市交通问题的有效手段之一，其主要任务是对道路上的交通流进行合理的引导。采用智能交通系统，对现有路网进行科学有效管理，可以提高车辆通行率。智能交通在支撑交通运输管理的同时，更加注重满足民众出行和公众交通出行的需求，构建一个绿色安全的体系。

减少车辆的平均延误时间和平均停车次数是城市智能交通系统设计的主要目标。由于子系统间相互耦合性、物理空间和信息空间时变交互性、诸多不确定性等本质特点，城市交通系统的控制设计面临许多挑战。区域交通信号协调控制技术发展迅速、需求强，经过众多的研究人员的多年努力，也已经取得了不错的成果。然而，交通区域信号协调控制在我国还未发展成熟，尤其在交通系统的智能预测及控制方法仍有诸多问题亟待解决。目前，随着现代技术和通信技术的不断提高，复杂分布式系统的控制方式也逐渐向网络化的分布式协调控制转变。与集中式控制相比，分布控制的安全性、可靠性和灵活性得到大大提高，且具有较高的故障容错能力，即当系统部分传感器或执行机构出现故障或开启关闭部分单元时，整个系统仍可正常运行。

针对复杂系统的控制逐渐向网络化的分布式区域控制转变，分布式控制的安全性、可靠性和灵活性得到大大提高，且具有较高的故障容错能力。近年来，分布式预测控制受到了极大关注，分布式预测控制不再将复杂工业过程当成一个整体，而是看作成相互耦合的若干个子系统，各子系统都具有传感器、控制器和执行器。由于子系统之间具有较好的独立性，我们可以将分布式区域控制器安装距离子系统较近的距离，传输距离一般也不长，这样就可以减少或去除控制器到对象的传输时延，使得网络传输带宽较小，性能可靠。

城市交通系统规模巨大、系统复杂、干扰众多，无法准确获取全局甚至局部的数学模型，传统基于模型的方法无法应付其预报与控制问题。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于数据驱动的交通路网分布式区域控制方法，利用数据驱动方法研究车道饱和度预测模型，提出基于分布式预测控制的交通信号灯区域配时优化，为避免或缓解交通拥堵提供一套高效控制方法。

本发明的目的通过以下的技术方案实现：一种基于数据驱动的交通路网分布式区域控制方法，包括：

S1、交通数据滤波：对交通数据进行预处理，处理包括数据丢包、异常数据的问题；

S2、交通路网车道饱和度建模：车道饱和度是指在一个相位周期内，绿灯时间的使用效率；具体是指在车道探测器处，被车流有效利用的绿灯时间与总的绿灯时间之比；车道饱和度的计算公式为：

其中DS指车道饱和度，T_G指绿灯时间，T₀指有效绿灯时间，T是指探测器上无车辆通过的绿灯时间，t是指车流正常行驶时前后两辆车间的空当时间，h是指一个相位车道通过路口的车辆数；

车道饱和度建模步骤包括：

S2-1模型输入参数选择；

S2-2车道饱和度预测建模；

S2-3模型参数寻优；

S3、信号灯配时分布式区域控制：根据预测模型进行滚动优化，求解滚动优化问题过程中，设定一系列未来的控制信号U(k)，在给定约束下，求得最优解决方案U*(k)，并将其作为控制对象的输入；进一步利用纳什优化方法解决多个子系统的关联问题，获得最优信号周期时长

优选的，为了便于计算，车道饱和度的计算公式中t取固定值。

优选的，步骤S1中采用限幅滤波算法进行交通数据预处理，限幅滤波算法的原理为：每次检测到新值时判断，如果本次值与上次值之差不大于A，则本次值有效；如果本次值与上次值之差大于A，则本次值无效，放弃本次值，用上次值代替本次值。

优选的，步骤S2-1中模型输入参数选择采用PCA主成分分析法，具体步骤如下：

对于一个样本，有L变量x₁,x₂,…,x_L,则对于n个样品的数据矩阵为：

第一步：标准化处理，计算公式如下：

其中

第二步：计算样本相关系数矩阵：

经过了标准化的变量的相关系数分别为：

其中i,j＝1,…,L；

第三步：用正交矩阵变换方法求出相关系数矩阵R的特征值(λ₁,λ₂,…,λ_L)和相对应的特征向量u₁,u₂,…,u_L，使得其中U＝[u₁,u₂,…,u_L]；

第四步：计算出每个成分的贡献率，贡献率计算公式如下：

第五步：选择出贡献率高于一定阈值的成分作为主成分，剔除掉其余成分，将主成分代替原始的变量。

优选的，通过设定一个阈值来帮助确定主成分，这些主成分的贡献率之和不能小于这个阈值。

具体的，选取的阈值是95％。

优选的，步骤S2-2车道饱和度预测建模具体过程为：

采用支持向量回归算法构建车道饱和度预测模型，对于步骤S2-1得到的数据样本，得到最优超平面方程为：

f(x)＝w^Tx+b (4)

为了确定w和b，需要求解如下的优化问题：

s.t.Y-(Aw+be)≤εe+ξ,ξ≥0,

(Aw+be)-Y≤εe+ξ^*,ξ≥0,

C＞0 (5)

其中A为输入样本数据，Y为输出样本数据，ξ和ξ^*为松弛变量，e为有n维数据的向量，ε和C分别是松弛因子和惩罚系数；ε和C能影响到整个回归效果，因此需要找寻到最佳的松弛因子和惩罚系数，使得模型的精度最高。

优选的，步骤S2-3中利用粒子群模型进行参数寻优，首先，将公式(5)的潜在解都可以看成搜索空间中的一个飞行物，将其定义为粒子；每个粒子都有着其相应的适值，计算适值及速度；速度矢量决定着粒子在空间里前进的速率和方向，这样就可以确定粒子的具体位置，再根据其适值确定一个最优粒子，让其它粒子根据这个最优粒子来调整自己的速度，在整个空间找寻最佳的解，以确定参数松弛因子ε和惩罚系数C的最佳值。

优选的，步骤S3中，在进行滚动优化时，需要先设定控制时域为N_c和预测时域为N_p；整个系统的调控时间间隔为T_c＝nT₀，T₀为仿真对应最小时间单位，在时刻kT_c，将来N_cT_c时间内的信号控制时刻集合可以表示为{kT_c,(k+1)T_c,...,(k+N_c-1)T_c}；

交通系统的每个子系统中，控制对象为交通信号灯，控制输入为各路口交通信号周期时间；假设交通系统可以划分为m个子系统，对于第n个子系统，控制输入可以表示为：

第n个子系统中U_n(k+i|k)表示在控制时间步k步时设置的控制时间步k+i步的控制输入；由于预测时域可能大于控制时域，对于i≥N_c时刻，U_n(k+i|k)可以表示为：

U_n(k+i|k)＝U_n(k+N_c-1|k),N_c≤i≤N_p (7)

第n个子系统的车道饱和度预测模型可以表示为数学式：

预测时域内的车道饱和度预测模型为：

第n个子系统的优化策略数学式可以表示为：

其中，_α为权重系数，N_p表示预测时域，N_r表示控制的交通路网中干线的数目；由于干线有两个方向，这里用d表示一条干线的两个方向；N_l表示一条干线中路口的数目，表示i干线d方向上第l个路口与下一个路口间各车道饱和度平均值；U_max和U_min分别表示控制输入U(k)的上限和下限。

优选的，利用纳什优化方法解决各个子系统的关联问题，具体流程如下：

(1)在控制时间步k，每个子系统初始化其控制输入U_n(k)，n＝1,2,...,m；在子系统求解滚动优化策略时，其他子系统的控制输入从上述控制输入中得到；设置迭代次数l＝0；

(2)每个子系统通过求解滚动优化策略可以得到最优解决方案U_n*(k)，n＝1,2,...,m；

(3)设置ε_n，n＝1,2,...,m，如果对于求解的最优方案决方案U_n*(k)，满足约束||U_n*(k)-U_n(k)||≤ε_n，迭代结束并执行步骤(4)；

否则，l＝l+1，U_n(k)＝U_n*(k)，并跳转至步骤(2)；

(4)一段时间之内，交通系统中信号灯维持相位周期不变；一段时间后跳转至步骤(1)，重新计算各路口相位周期。

优选的，步骤S3还包括反馈校正步骤，即每当模型预测得到输出数据，都会对输出数据做一个动态补偿。

本发明与现有技术相比，具有如下优点和有益效果：

本发明利用数据驱动方法研究车道饱和度预测模型，提出基于分布式预测控制的交通信号灯区域配时优化，为避免或缓解交通拥堵提供一套高效控制方法。

1、本发明将复杂路网系统拆分成多个耦合子系统结构，各个路口的信号灯相位时间的计算时间复杂度低，拆分后的每个子系统具有较小的系统规模，即子系统系统包含的输出和输入个数都小于集中系统，因此本方法可以有效地降低各个路口子系统的信号灯相位时间在线计算时间。

2、本发明各路口子系统都具有独立的局部控制器，如果部分子系统与其它子系统通信出现故障，或某个控制器失效，其它子系统仍然可以保持一定的控制性能运作，而不会出现大规模的事故发生，其影响被限定在相对较小的局部范围，各个路口子系统控制结构的可靠性和灵活性高。

附图说明

图1是实施例基于数据驱动的交通路网分布式区域优化结构。

图2是实施例PCA主成分分析流程图。

图3是实施例粒子群-支持向量回归饱和度预测建模流程。

图4是实施例交通路网分布式区域控制方案。

图5分布式预测控制结构。

图6是实施例各交通路口分布式控制具体流程。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

本实施例的数据来源于SCATS系统，SCATS系统在上海、沈阳等众多城市得以实施应用，也达到了有效的控制效果。SCATS系统根据实测的饱和度值，在多个方案中预先确定周期、绿信比和相位差这些参数，这些参数在一定时段内不会改变。

一种基于数据驱动的交通路网分布式区域控制方法，包括交通数据滤波、交通路网车道饱和度建模和信号灯配时分布式区域控制三个部分。附图1为本实施例设计的城市交通路网多路口模型，涉及到多个路口，通过获取路口数据、数据处理、路网建模及分布式区域优化，完成基于数据驱动的交通路网建模与分布式区域控制方法及系统。

S1、交通数据滤波：SCATS系统中，一些车道折合车流量常常会出现数据丢包的现象，短时间数据丢包可以通过数据预处理得以校正，但是长时间的数据丢包，就只能剔除这项数据。但是通过数据分析发现，易出现长时间数据丢包对应车道比较固定，这些车道数据肯定无法应用。剔除长时间数据丢包车道数据可以通过人为观察，然后直接剔除。但是，这种人工方法工作量巨大，而且容易引入人为误差因素。采用限幅滤波算法进行交通数据预处理，处理数据丢包、异常数据所带来的影响。限幅滤波算法的原理为：每次检测到新值时判断，如果本次值与上次值之差不大于A，则本次值有效；如果本次值与上次值之差大于A，则本次值无效，放弃本次值，用上次值代替本次值。

S2、交通路网车道饱和度建模：城市交通网数学模型具有高度复杂性(高维、结构不确定性、复杂拓扑结构和分布参数等)，同时包含多个模块，整个城市交通系统结构复杂，各模块本身及相互之间的影响难以用简单的数学模型描述。车道饱和度是指在一个相位周期内，绿灯时间的使用效率。具体是指在车道探测器处，被车流有效利用的绿灯时间与总的绿灯时间之比。车道饱和度的计算公式为：

其中DS指车道饱和度，T_G指绿灯时间，T₀指有效绿灯时间，T是指探测器上无车辆通过的绿灯时间，t是指车流正常行驶时前后两辆车间的空当时间，h是指一个相位车道通过路口的车辆数。为了便于计算，这里t是固定值，但是车流量过大时，前后两辆车间的空当时间显然减小。

本实施例拟采用数据驱动建模方法对交通路网的车道饱和度进行建模，其主要包括模型输入参数选择、车道饱和度预测建模和模型参数寻优三个步骤。

交通路网车道饱和度建模具体步骤如下：

本实施例涉及的基于数据驱动的交通路网建模过程，包括模型输入选择、预测建模及粒子群参数寻优三个步骤。

S2-1模型输入参数选择。

车道饱和度预测构建模型之前，需要选择预测模型的输入。如果选择的模型输入特征过多，会导致特征之间出现信息冗余。模型输入特征过少，又可能由于缺少信息而影响预测模型预测精度。因此，只有选择合适的模型输入，才能保证预测精度。如附图2所示，本实施例利用主成分分析(Principal Component Analysis，PCA)提取特征。主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标(即主成分)，其中每个主成分都能够反映原始变量的大部分信息，且所含信息互不重复。这种方法在引进多方面变量的同时将复杂因素归结为几个主成分，使问题简单化，同时得到的结果更加科学有效的数据信息。对于长时间数据丢包车道数据而言，折合车流量变化波动不明显，包含预测饱和度信息较少，相关性小，PCA主成分分析算法能将其他一些相关性较小的特征加以剔除，得到有效特征空间。采取主成分分析数据降维的思路，在原始的变量中提炼出部分关联性很弱的变量，这部分变量携带着原始变量的大部分特征，再利用这部分的变量代替原始变量去进行运算，提升运算速度。

利用PCA主成分分析提取特征的步骤具体如下：

对于一个样本，有12变量x₁,x₂,…,x₁₂，分别对应相位开始时间、路口检测器ID、相位、相位长度、周期长度、流量、饱和度、折算流量、通过检测器的平均时间、路口ID、小时最大流量、绿灯时长，则对于n个样品的数据矩阵为：

第一步：标准化处理，计算公式如下：

其中

第二步：计算样本相关系数矩阵。

经过了标准化的变量的相关系数分别为：

第三步：用正交矩阵变换方法求出相关系数矩阵R的特征值(λ₁,λ₂,…,λ₁₂)和相对应的特征向量u₁,u₂,…,u₁₂，使得其中U＝[u₁,u₂,…,u₁₂]。

第四步：计算出每个成分y_i的贡献率，贡献率计算公式如下：

贡献率可以用来衡量相应成分携带原始变量特征的比例大小。其值越大，说明该成分所携带的原始变量的特征就越多，在一定程度上更能代表原始数据。通过设定一个阈值来帮助确定主成分，这些主成分的贡献率之和不能小于这个阈值。在本实施例中，选取的阈值是95％，即提取出来的变量所含括的信息量为原来的95％。

第五步：通过贡献率的大小来确定主成分，选择出贡献率较高的成分，将主成分代替原始的变量。虽然数据量减少了，但保留了原始数据大部分的特征，在利用它代替原始变量进行分析时，不失准确性。提取出较大信息量的成分y₁,y₂,…,y_m，剔除掉其余成分，提取出的成分在很大程度上也能代表原始变量。

本实施选择折合车流量、信号周期、绿灯时间、相位差、饱和度为车道饱和度预测模型输入，采用上述步骤给出的PCA主成分分析算法特征提取，使得到的模型输入与模型输出相关性最大，模型输入之间冗余性最小，筛选出的模型输入的特征在于，这些输入的变化将交大地影响饱和度，而将关联性小的变量去除。

S2-2车道饱和度预测建模。

本实施例采用支持向量回归算法构建车道饱和度预测模型，对于步骤S2-1得到的数据样本，得到最优超平面方程为：

f(x)＝w^Tx+b (4)

为了确定w和b，需要求解如下的优化问题：

s.t.Y-(Aw+be)≤εe+ξ,ξ≥0,

(Aw+be)-Y≤εe+ξ^*,ξ≥0,

C＞0 (5)

其中A为输入样本数据，Y为输出样本数据，ξ和ξ^*为松弛变量，e为有n维数据的向量，ε和C分别是松弛因子和惩罚系数。ε和C能影响到整个回归效果，因此需要找寻到最佳的松弛因子和惩罚系数，使得模型的精度最高。

S2-3参数寻优。

在建立模型之后，需要优化其两个参数松弛因子ε和惩罚系数C的最佳值，以得到最优的预测模型，获得最优化预测精度。

附图3为利用粒子群模型进行参数寻优流程图。首先，将公式(5)的潜在解都可以看成搜索空间中的一个飞行物，将其定义为粒子；每个粒子都有着其相应的适值，计算适值及速度。速度矢量决定着粒子在空间里前进的速率和方向，这样就可以确定粒子的具体位置，再根据其适值确定一个最优粒子，让其它粒子根据这个最优粒子来调整自己的速度，在整个空间找寻最佳的解，以确定参数松弛因子ε和惩罚系数C的最佳值。

S3、信号灯配时分布式区域控制：交通系统可以划分为多个交通子系统，交通系统中的每个交通子系统相互耦合。本实施例采用分布式预测控制算法应用于交通系统信号区域控制，每个交通子系统对应一个控制策略，得到各路口信号灯相位时间，并将控制器的输出作为控制对象交通系统信号灯的控制输入。子系统控制器之间需要经过通信获得其他子系统交通数据，这些交通数据将会作为子系统控制器输入的一部分。分布式区域交通配时算法可以将集中式预测控制算法中的优化策略分解为多个规模减小的优化策略问题，每个分解后的优化策略对应一个交通子系统，这样可以极大减小计算复杂度。路网交通系统中的每个交通子系统相互耦合，各子系统之间需要信息交换。

附图4为本实施例交通信号灯分布式协同优化配时方案。交通信号灯分布式协同优化配时设计的过程包括预测模型、滚动优化、反馈校正三个方面。预测模型能够预测被控系统未来状态，模型能够根据当前测量到的系统信息预测未来的状态，本实施例采用支持向量回归算法。求解滚动优化问题过程中，可以设定一系列未来的控制信号U(k)。在给定约束下，求得最优解决方案U*(k)，并将其作为控制对象的输入。预测控制采用所谓的滚动时域原则，每当模型预测得到输出数据，都会对输出数据做一个动态补偿，这个动态补偿称为反馈校正。

在进行配时优化时，需要先设定控制时域为N_c和预测时域为N_p。整个系统的调控时间间隔为T_c＝nT₀，T₀为仿真对应最小时间单位，在时刻kT_c，将来N_cT_c时间内的信号控制时刻集合可以表示为{kT_c,(k+1)T_c,...,(k+N_c-1)T_c}。在k时刻给一个控制信号，控制信号调控之后Nc*Tc个时间内的信号。

交通系统中，每个路口各车道都有探测器，这些探测器可以采集得到一个信号周期中通过探测器的车辆数量、探测器上车流占用时间等数据。交通系统的每个子系统中，控制对象为交通信号灯，控制输入为各路口交通信号周期时间。假设交通系统可以划分为m个子系统，对于第n个子系统，控制输入可以表示为：

第n个子系统中U_n(k+i|k)表示在控制时间步k步时设置的控制时间步k+i步的控制输入。由于预测时域可能大于控制时域，对于i≥N_c时刻，U_n(k+i|k)可以表示为：

U_n(k+i|k)＝U_n(k+N_c-1|k),N_c≤i≤N_p (7)

第n个子系统的车道饱和度预测模型可以表示为数学式：

预测时域内的车道饱和度预测模型为：

第n个子系统的优化策略数学式可以表示为：

其中，_α为权重系数，N_p表示预测时域，N_r表示控制的交通路网中干线的数目。由于干线有两个方向，这里用d表示一条干线的两个方向。N_l表示一条干线中路口的数目，表示i干线d方向上第l个路口与下一个路口间各车道饱和度平均值。U_max和U_min分别表示是控制输入U(k)的上限和下限。

交通系统中的子系统相互耦合，每个子系统对应一个控制器，控制器中的滚动优化策略需要考虑其他子系统的折合车流量S_q(k+j|k)、车道饱和度F_q(k+j|k)和控制输入信号周期时间U_q(k+j|k)。但是，第n个子系统在求解滚动优化信号灯相位时间时，其他子系统最优信号灯相位时间U_q(k)(q＝1,2,...,n-1,n+1,...,m)也在同步求解，而不能实时提供给第n个子系统在求解滚动优化信号灯相位时间。如附图5，本实施例采用纳什优化解决分布式区域交通配时的协调问题，假设其他子系统最优相位时间U_q(k)(q＝1,2,...,n-1,n+1,...,m)已知，第n个子系统在求解滚动优化策略时只需要考虑U_n(k)，对于每个控制k步，采用滚动优化策略(10)可以得到一个最优控制策略，即最优信号周期时长

利用纳什优化方法解决各个子系统的关联问题，具体流程如下：

(1)在控制时间步k，每个子系统初始化其控制输入U_n(k)(n＝1,2,...,m)。在子系统求解滚动优化策略时，其他子系统的控制输入从上述控制输入中得到。设置迭代次数l＝0；

(2)每个子系统通过求解滚动优化策略可以得到最优解决方案U_n*(k)(n＝1,2,...,m)；

(3)设置ε_n(n＝1,2,...,m)，如果对于求解的最优方案决方案U_n*(k)(n＝1,2,...,m)，满足约束||U_n*(k)-U_n(k)||≤ε_n(n＝1,2,...,m)，迭代结束并执行步骤(4)。

否则，l＝l+1，U_n(k)＝U_n*(k)(n＝1,2,...,m)，并跳转至步骤(2)。

(4)500s之内，交通系统中信号灯维持相位周期不变。500s后跳转至步骤(1)，重新计算各路口相位周期。

如附图6所示为本实施例分布式区域控制中单个路口的具体执行方式。首先，基于获得的交通路口数据，每个路口控制器获得本路口的信息(包括相位时间、相位周期、相位差折合车流量等)、相邻路口的信息，构成优化问题(10)中的目标函数；然后，利用所建立的饱和度预测模型，预测将来N_p个采样周期的车流量饱和度；进而，利用分布式优化方案求解路口的最优信号灯相位时间U_n(k)；最后，将获得的信号灯相位时间U_n(k)执行到路口控制机，实现交通路网的分布式区域控制。

采用上述基于数据驱动的交通路网分布式区域控制方法及系统，一方面，各个路口的信号灯相位时间的计算时间复杂度低，将复杂路网系统拆分成多个耦合子系统结构，拆分后的每个子系统具有较小的系统规模，即子系统系统包含的输出和输入个数都小于集中系统，因此本方法可以有效地降低各个路口子系统的信号灯相位时间在线计算时间。另一方面，各个路口子系统控制结构的可靠性和灵活性高，各路口子系统都具有独立的局部控制器，如果部分子系统与其它子系统通信出现故障，或某个控制器失效，其它子系统仍然可以保持一定的控制性能运作，而不会出现大规模的事故发生，其影响被限定在相对较小的局部范围。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims

1.一种基于数据驱动的交通路网分布式区域控制方法，其特征在于，包括：

车道饱和度建模步骤包括：

S2-1模型输入参数选择；

S2-2车道饱和度预测建模；

S2-3模型参数寻优；

2.根据权利要求1所述的基于数据驱动的交通路网分布式区域控制方法，其特征在于，步骤S1中采用限幅滤波算法进行交通数据预处理，限幅滤波算法的原理为：每次检测到新值时判断，如果本次值与上次值之差不大于A，则本次值有效；如果本次值与上次值之差大于A，则本次值无效，放弃本次值，用上次值代替本次值。

3.根据权利要求1所述的基于数据驱动的交通路网分布式区域控制方法，其特征在于，步骤S2-1中模型输入参数选择采用PCA主成分分析法，具体步骤如下：

第一步：标准化处理，计算公式如下：

<mrow> <msubsup> <mi>x</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mo>*</mo> </msubsup> <mo>=</mo> <mfrac> <mrow> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mover> <mi>x</mi> <mo>&OverBar;</mo> </mover> <mi>j</mi> </msub> </mrow> <msqrt> <mrow> <mi>var</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> </msqrt> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>

其中

第二步：计算样本相关系数矩阵：

经过了标准化的变量的相关系数分别为：

<mrow> <msub> <mi>r</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mi>n</mi> <mo>-</mo> <mn>1</mn> </mrow> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>x</mi> <mrow> <mi>t</mi> <mo>,</mo> <mi>i</mi> </mrow> </msub> <msub> <mi>x</mi> <mrow> <mi>t</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>

其中i,j＝1,…,L；

第四步：计算出每个成分的贡献率，贡献率计算公式如下：

<mrow> <msub> <mi>&alpha;</mi> <mi>i</mi> </msub> <mo>=</mo> <msub> <mi>&lambda;</mi> <mi>i</mi> </msub> <mo>/</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>L</mi> </munderover> <msub> <mi>&lambda;</mi> <mi>i</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>

4.根据权利要求3所述的基于数据驱动的交通路网分布式区域控制方法，其特征在于，通过设定一个阈值来帮助确定主成分，这些主成分的贡献率之和不能小于这个阈值。

5.根据权利要求1所述的基于数据驱动的交通路网分布式区域控制方法，其特征在于，步骤S2-2车道饱和度预测建模具体过程为：

f(x)＝w^Tx+b (4)

为了确定w和b，需要求解如下的优化问题：

s.t.Y-(Aw+be)≤εe+ξ,ξ≥0,

(Aw+be)-Y≤εe+ξ^*,ξ≥0,

C＞0 (5)

6.根据权利要求5所述的基于数据驱动的交通路网分布式区域控制方法，其特征在于，步骤S2-3中利用粒子群模型进行参数寻优，首先，将公式(5)的潜在解都可以看成搜索空间中的一个飞行物，将其定义为粒子；每个粒子都有着其相应的适值，计算适值及速度；速度矢量决定着粒子在空间里前进的速率和方向，这样就可以确定粒子的具体位置，再根据其适值确定一个最优粒子，让其它粒子根据这个最优粒子来调整自己的速度，在整个空间找寻最佳的解，以确定参数松弛因子ε和惩罚系数C的最佳值。

7.根据权利要求1所述的基于数据驱动的交通路网分布式区域控制方法，其特征在于，步骤S3中，在进行滚动优化时，需要先设定控制时域为N_c和预测时域为N_p；整个系统的调控时间间隔为T_c＝nT₀，T₀为仿真对应最小时间单位，在时刻kT_c，将来N_cT_c时间内的信号控制时刻集合可以表示为{kT_c,(k+1)T_c,...,(k+N_c-1)T_c}；

U_n(k+i|k)＝U_n(k+N_c-1|k),N_c≤i≤N_p (7)

第n个子系统的车道饱和度预测模型可以表示为数学式：

预测时域内的车道饱和度预测模型为：

第n个子系统的优化策略数学式可以表示为：

<mrow> <mtable> <mtr> <mtd> <mrow> <munder> <mi>min</mi> <mrow> <msub> <mi>U</mi> <mi>n</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </munder> <mi>J</mi> <mo>=</mo> <munder> <mi>min</mi> <mrow> <msub> <mi>U</mi> <mi>n</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </munder> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>p</mi> </msub> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>r</mi> </msub> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>d</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>2</mn> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <msub> <mi>N</mi> <mi>l</mi> </msub> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mo>|</mo> <msubsup> <mi>S</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>l</mi> </mrow> <mi>d</mi> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mi>j</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <msub> <mi>N</mi> <mi>l</mi> </msub> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msubsup> <mi>S</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>t</mi> </mrow> <mi>d</mi> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mi>j</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>-</mo> <msubsup> <mi>&alpha;S</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>l</mi> </mrow> <mi>d</mi> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mi>j</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>s</mi> <mo>.</mo> <mi>t</mi> <mo>.</mo> <msub> <mi>S</mi> <mi>n</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>S</mi> <mi>n</mi> </msub> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mi>j</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>,</mo> <msub> <mi>U</mi> <mi>n</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mi>j</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>,</mo> <msub> <mi>F</mi> <mi>n</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mi>j</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>S</mi> <mi>q</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mi>j</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>,</mo> <msub> <mi>U</mi> <mi>q</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mi>j</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>,</mo> <msub> <mi>F</mi> <mi>q</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mi>j</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>)</mo> <mo>,</mo> <mn>0</mn> <mo>&le;</mo> <mi>j</mi> <mo>&le;</mo> <msub> <mi>N</mi> <mi>p</mi> </msub> <mo>-</mo> <mn>1</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>U</mi> <mi>min</mi> </msub> <mo>&le;</mo> <mi>U</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>&le;</mo> <msub> <mi>U</mi> <mi>max</mi> </msub> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>

8.根据权利要求7所述的基于数据驱动的交通路网分布式区域控制方法，其特征在于，利用纳什优化方法解决各个子系统的关联问题，具体流程如下：

否则，l＝l+1，U_n(k)＝U_n*(k)，并跳转至步骤(2)；

9.根据权利要求1所述的基于数据驱动的交通路网分布式区域控制方法，其特征在于，步骤S3还包括反馈校正步骤，即每当模型预测得到输出数据，都会对输出数据做一个动态补偿。