CN108665714A - 交通信号泛弦控制方法及其系统 - Google Patents
交通信号泛弦控制方法及其系统 Download PDFInfo
- Publication number
- CN108665714A CN108665714A CN201710897777.6A CN201710897777A CN108665714A CN 108665714 A CN108665714 A CN 108665714A CN 201710897777 A CN201710897777 A CN 201710897777A CN 108665714 A CN108665714 A CN 108665714A
- Authority
- CN
- China
- Prior art keywords
- crossing
- phase
- vehicle
- fleet
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
- G08G1/082—Controlling the time between beginning of the same phase of a cycle at adjacent intersections
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
- G08G1/083—Controlling the allocation of time between phases of a cycle
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/095—Traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及交通信号控制领域,公开了根据路网交通量进行减少车流停启次数、利用空闲绿灯时间的动态响应控制交通信号时间的方法及其系统,方法主要步骤包括:1)获取信号参数及路网参数,2)获取路网交通量,3)各路口元预测交通量,4)初判元根据路口的超阈值路口情况作路网分析发现通道超阈值向决策层提出应对初判,5)决策层统筹各种初判,制发指令;系统主要构件包括,1)预测控制方法包,2)交通数据中心或路口车队长度检测装置,3)或还包括车辆出入检测装置,4)交通信号灯控制装置等;公开了新交通分析预测数学模型为核心的各种信号路网通用的“A‑A”等系列方法,支持了弦信号模式控制,使弦信号模式路网总是使用低能耗的信号时间,避免了多余停启每周期每路段每辆车1次约60秒等效怠速油耗、通常每路段停启减少约30车次约30分钟等效怠速油耗,与路网孤波技术一起为化解拥堵核、突发大车流、初期拥堵、推迟队长集聚式大范围拥堵的到来提供信号控制方面的系列性连续性解决手段工具,提高了信号控制随交通状况响应功效。
Description
技术领域
本发明涉及交通信号模式控制领域。具体地说,是一种可以根据交通状况调整信号时间的控制方法及其系统。
背景技术
目前城市交通信号控制包括区域控制都是以干道协调控制技术为核心,优先优化各干道兼顾平衡非干道,该技术自随原始城市布局进化形成以来目前正在日益严重地反作用制约着城市发展。干道线型绿波可使“车流跟随其行至波尽头无限远端”,解决了原始比率模式一次放行绿灯最多只能使车流行驶该绿灯时长乘以法定车速的距离的问题;但存在单向性不均衡、压制了交叉方向交通需求、无动态优化、大量绿灯浪费时间、且重要的是这个本为提供顺畅交通而生的干道技术,由于会聚集周围交通流反而造成自身路面逐年加宽仍然不堪应宽聚来的重负而其周边道路闲置浪费等问题;起源于解决小城市小经济交通需求的干道技术其原有“干道优先”优点随着现代城市规模经济普遍的面型道路交通需求已经褪变成致使“拓宽干道引来更重拥堵”式恶性循环的其技术先天固有的无法适应的缺陷。近期发明的时间微分比率技术在全网域全方位解决了小交通广谱负载绿灯空等浪费问题;弦模式解决了各方向均衡快速问题;泛绿波“无冗trq=0”定律及其操作原理的发现使得通道交通的浪费减到最小。弦模式需要解决对区域中分布的交通流量响应问题以进一步提高弦技术实际控制效果。交通流量预测是信号动态控制关键,当前研究较多是神经网络、混沌时序、小波等方法。
发明内容
本发明的目的是为解决信号对交通流分布响应的低耗优化问题。
本发明提出了实现上述目的解决方案,包括新创立的以信号间距-队长冗余公式trq为核心的路网交通预测数学模型,和基于此模型含智能学习模块包的解析-智能预测控制“A-A”方法,融合拓展了“无冗余定律trq=0”和泛绿波判定操作原理,设计了“孤波”算法,整合出应用该模型于弦模式方法系统,得到弹拨的弦,取名泛弦。具体如下:
一种道路路网交通信号泛弦控制方法,简称“A-A”方法,其特征包括步骤注释①:
S1获取信号参数与路网参数;
S2检测各路口各方向d车队尾q即滞留车数、或/和流向路段车源出入车数即出入量s、或还包括路口驶出车数即流出量x、或/和队头位置q0信息及相变量子用时⊿t Th0即微分时间;
S3预测层各路口元预测其下时段各方向或/和相位车队Q及其变化⊿Q、驶出车数x及其剩余绿灯信号时间,即余时
S4分析层初判元分析确定下时段的路口间信号时间差变化的涨落、或/和区域车流两个交叉大流量变化引起的时间差原点移动初判,即移原初判等,或/和结合得到的相关各路口方向余时一起进一步为上述排队Q及其变化⊿Q测算出信号临时配时的孤波初判,或/和发现超阈值的干道绿波通道中的路段作涨落、孤波初判,或/和发现两维流量变化超阈值,或/和发现无车队可微分路口,或/和发现区域緑信比变化超阈值等等;
S5决策层统筹各初判取舍、先后、时间,制发指令,无车队路口直接进入S7;
S6信号时间调整:(1)超阈值路口:根据指令解码配置泛弦时间差:1)涨落变态时差tgw:根据宏涨落/变态指令、涨落时差tgw,配置成过渡期,并将之送到涨落路口及其绿波所有下游路口,2)孤波相优:将孤波源及其流向路径路口配时方案做成修改各路口方向相位时间时限的指令发给相应路口系统,无缝切换其入孤波态;3)配置两维原点移动过渡期,(2)非阈值路口:车队不过阈值的路口直接执行下一步S5;
S7执行:(1)过渡期控制:新周期前,先运行完成各子区模式的过渡期或/和临时时间表;或/和(2)微分控制[已专利申请201710224791.X“泛绿波”-权利1-S5]:装微感路口或根据指令决定是否启用微分控制:分析路口个相位获取队头q0位置、决定转入微分(即量子相变)绿波控制:当q0在安全距离时将无车方向相位信号绿灯一个微分时间(即相变量子用时)⊿t Th0转给有车q0相位占用并禁再微分;微分操作判断:“非”则返S3执行;
所述车辆排队Q计量单位是米或标准车数,标准车数队长包括车间距,与米长有换算率,非标准车与标准车换算率,通过这些换算率可将车队折算成标准车数或米;
所述车数指折算后等效标准车数;
所述下时段包括多倍信号周期C,如1C、2C、4C、8C,通用于任何信号路网车队预测。
根据本发明所述泛弦方法:其特征是所述S2进一步包括:
S2-1[专利申请201710224791.X“泛绿波”-权利2]所述队尾信息包括车流最后车辆位置与流向路口位置距离代表车流队长q,队头信息包括车流最前车辆位置与流向路口位置距离q0,所述队尾信息可以用交通实时米级精度大数据获得,如,运行车辆定位装置、随车手机定位插件、常用交通传感装置获得,如视频、微波雷达等任何可以实时测得车流最后一辆车的装置,所述队头信息可以用交通高实时交通视频分析装置、微波、移动定位大数据等任何可以实时测得车流第一辆车的装置获得;
根据本发明所述泛弦方法:其特征是所述S2进一步包括:
S2-2[专利申请201710224791.X“泛绿波”-权利4]所述相变量子时间⊿t表示时间微分比率法所用最小安全绿灯响应时间,该最小量时间在城市60公里时速限制以下道路建议可用小于等于6秒,相应的来车流队头q0响应距离范围在40米-60米,或/和用所控路段流向限制时速直接算出;
根据本发明所述泛弦方法,其特征是所述S3进一步包括:
S3-1所述下时段各路口方向或/和相位车队Q及其变化⊿Q预测步骤:(1)将路口流向d上游实测的路段驶入车数或/和该上游路口x±1汇入该流向d的各方向相位流出量x±1,d1,j1,x±1,d2,j2,x±1,d3,j3之和,加上该上游路段车源的出入车数Sd(c),没有流向d车源的加0,得到路口预测流入车数a±0,d,(2)再与该路口方向相位流量分布μd(c)相乘得到该路口方向相位预测到达车数ad,j(c),(3)再用到达量ad,j(c)减去流出量x±0,d,j得到各相位排队变化⊿Q,(4)这个预测排队变化⊿Q加上时段的车队Qd,j(c-1)得到预测Qd(c);
所述x±0,d,j下角标:±k,d,j,按其位置顺序“±”号表示上游、表示k段上游路口、d车流方向、j信号相位,k=0段代表本路口,k=1相邻路口,k=2级是相邻后下一个上游等等,本路口简记为qd,j(c)或q(c)或q±0(c)或qm,n,d,j(c),‘m,n’代表路口坐标位置,上游路口驶出车数x±1,d1,j1,x±1,d2,j2,x±1,d3,j3中‘d#,j#’表示上游路口驶出汇入下游d流向的方向相位,‘d2,j2’表示左转汇入d流向的方向相位,‘d3,j3’表示右转汇入d流向的方向相位,‘d1,j1’或‘d,j’表示直行汇入d流向的方向相位,相位j=1表示直行、j=2左转、j=3右转,其(c)代表下时段、(c-1)代表前时段,以下依此类推及至各变量;
所述车源的流量Sd(c)是预测值,用该车源流量智能函数根据实测值预测Sd(c-1)得到,智能函数是用统计学习或其它智能方法和过去数据培训或在线学习得到的;
所述方向相位交通量共用车道的,仍用相位分布μd(c)决定;
所述路段车源包括多车源的按它们流向到车源到路口平均距离决定其时间差,常用平均值或0估计;
所述智能方法包括综合使用神经网络ann、混沌时序、小波理论、统计回归与支撑向量机svm、遗传优化ga、粒子群优化pso、模糊分析与信息粒化等等智能学习及时序分析方法,以下提到智能方法均同此意;
所述流出量x±0,d,j、x±1,d1,j1,x±1,d2,j2,x±1,d3,j3等可以用下面权利4方法预测得到或/和加装路口方向相位驶出检测器实测得到;
根据本发明所述泛弦方法,其特征是所述S3-1进一步包括:
S3-1-1路口方向相位流量分布μd(c)是预测值,是用该路口方向相位流量分布智能函数根据测算值μd(c-1)预测得到;
所述测算值μd(c-1)的步骤包括,(1)用前两个时段实测得的相位排队量相减得到前时段的排队变化ΔQd,j(c-1),(2)用相位绿灯时间τd,j乘以相位流出速率vd,j得到前时段流出量xd,j(c-1),轻载时用前周期预测的流出量代替作为本周期“实测”流出量,或/和直接用实测流出量,(3)相加前面得到的排队变化ΔQd,j(c-1)和流出量xd,j(c-1)得到相位到达量ad,j(c-1),(4)分别将相位到达量除以前面三个相位的到达量之和得到相位流量分布比μd,j(c-1);
所述相位流出速率vd,j指车流驶离交通灯控制线每秒车辆数;
所述智能函数用过去数据和智能方法培训得到一个该路口相位流量时序分布智能函数时;
根据本发明所述泛弦方法,其特征是所述S3-1进一步包括:
S3-1-2路口方向相位流出量xd,j(c)获得预测值的方法是从预测路口开始向流向上游逐k路段测算每个路口流出量x±k,d,j(c)及其路段车源流出量s±k,d,j(c)达到通过预测路口用时及预测路口余时k=0,1,2…,有余时的路口,该路口流出量计入预测路口的流出量,直至预测路口余时不足,余时不足的各路口包括本路口及其流出量时,其流出量x±k,d,j(c)是该方向相位相均排队量-车数乘以该余时与该排队量的通过用时比,这里的路口流出量x±k,d,j(c)以该路口流向的等待车队q±k,d,j(c-1)测算,k=0,1,2…;
所述流出量等可用下面权利5方法预测得到;
或/和用加装路口驶出车数检测器实测替代计算预测xd,j(c);
根据本发明所述泛弦方法,其特征是所述S3-1进一步包括:
S3-1-3所述下S3-1-3路口方向相位余时获得预测值的方法是预测路口绿灯时间从预测路口开始向流向上游逐k路段减去每个路口车队量q±k,d,j(c)及其路段车源流出量s±k,d,j(c)的分流流量对预测路口通过的前面路段车流的时距trq±k(c)及其通过用时tq0±k,d,j(c),即余时k=0,1,2…,直减至余时为0;
所述车队量通过路口用时tq0d,j(c)以该车队量除以相位流出速率vd,j计;
所述上游k路口车队与前面车流的时距trq±(k-1)(c)以车辆从路口k驶达预测路口路段距离D±(k-1)除以车辆规定车速vd,l再减去前面路口车队量q±(k-1)(c)与队扰因子β的乘积计,当信号是绿波系统时,信号时间差|δc±i,dc|>0,顺波来车流,trq±(k-1)(c)=-β×q±(k-1)(c),小于0,车流紧密,车队q±(k-1)(c)很小时其trq±(k-1)(δc±(k-1),dc)约为0,逆波来车流,其trq±(k-1)(δc)=2×tv0±(k-1)(0)-β×q±(k-1)(c);
所述队扰因子β=1/vd,l+α,是规定车速的倒数与队动系数α之和;
所述队动系数α是单位车队长度从车队首车启动到尾车启动的时间,单位秒/米,其估值范围0.14至0.22,取中0.18,可根据经验调整;
所述信号时间差δc±i,dc初始值以路段i长度D±i除以规定车速vd,l计,即tv0±i;
根据本发明所述泛弦方法,其特征是所述S3-1进一步包括:
S3-1-4路口方向相位预测的排队Qm,n,d,j(c)及其变化ΔQm,n,d,j(c)超过下列控制阈值时,将产生路口元输出信号并将相关交通信息送出作进一步分析,这些控制阈值包括最小队变阈值ΔQTh0、变态阈值QThC、最小孤波相对队变阈值ΔQThS、最小孤波绝对队变阈值QThS;
所述最小队变阈值ΔQTh0指一段时间内车队长度最小变化认定值;
所述变态阈值QThC指车流排队长度达到信号绿波流向换向值或说平衡值;
所述最小孤波相对队变阈值ΔQThS指车队长度相对其它相位车队最小队长差认定值;
所述最小孤波绝对队变阈值QThS指车流排队长度最小孤波认定值;
根据本发明所述泛弦方法,其特征是所述S3-1进一步包括:
S3-1-5预测层各路口元获取数据时间:信号不是绿波的系统,各路口同步在周期开始前获取数据,是绿波的则异步在路口各自周期开始前;
根据本发明所述泛弦方法,其特征是所述S3-1进一步包括:
S3-1-6所述路口元从其它路口元获取数据的范围Kd取决于路口信号绿灯时间规定速度车程覆盖来车路口范围,非绿波信号系统的:获取流向d相位j=1绿灯时间τ以规定车速v0的车程τ*v0覆盖Kd个长度Di路段路口范围,即是绿波:波上游至原点的路口范围、波下游至绿灯τ*v0覆盖Kd个长度Di路段及其时间差δci的路口范围,即在Kd覆盖不进最后一个路口的路段或可覆盖其车源S;
根据本发明所述泛弦方法,其特征是所述S4进一步包括:
S4-1所述分析层涨落初判元根据从预测层相应行-列路口元收到路口方向排队Q及其变化⊿Q超过控制阈值ΔQTh0、QThC,判断是否超过该路口所在同流向、同路段行或列的路段下游路口的排队变化⊿q超过阈值ΔQTh0的路段数超过控制行阈值MTh0或列阈值NTh0,是超过,则作涨落初判,对绿灯时间过短或道路间距过大的区域,不用行或列阈值MTh0或NTh0判定,分别独立作涨落初判;
根据本发明所述泛弦方法,其特征是所述S4进一步包括:
S4-2所述分析层流向初判元根据从预测层路口元收到的各路口方向排队Q及其变化⊿Q超过控制阈值ΔQTh0、QThC,计算区内各路口流向d总交通量或/和排队量及其总变化大于控制值按两个最大流量方向,确定重置区域两维原点时差表,做移原初判;
根据本发明所述泛弦方法,其特征是所述S4进一步包括:
S4-3所述分析层孤波初判元根据从预测层路口元收到的各路口方向排队Q及其变化⊿Q超过控制阈值ΔQThS与QThS,预测计算判断对该流向流量该路口及其流经各路口有否余时可被使用,即可否产生孤波,是,则作孤波初判;
根据本发明所述泛弦方法,其特征是所述S4-3进一步包括:
S4-3-1所述可否产生孤波预测计算包括(1)孤波源预测:计算收到的流向流量超过孤波相对阈值ΔQThS及绝对阈值QThS的路口的各方向余时有允许流出量QS=QThS通过或较大减少QThS的余时可用时,配置流量QS作为孤波源的临时配时表,(2)孤波路径预测:根据孤波源流量QS通过路口所需绿灯时间及驶达沿途下游路口的车程时间,预测沿途各路口的余时控制范围内都有余时可被使用,配置孤波QS路径临时配时表;
根据本发明所述泛弦方法,其特征是所述S5进一步包括:
S5-1所述决策层统筹判定规则包括:(1)孤波初判间无冲突规则:孤波间路径平行或孤波间路径流向没有交汇点,(2)孤波-涨落初判间无冲突规则:孤波流向路径涨落绿波的上游,(3)大孤波优先规则:孤波冲突时大孤波量优先,(4)涨落冲突时孤波优先,(5)孤波阶段管理,孤波每波最多经过nLimS个路口,制定智指令及孤波路径禁止再孤波路径时限指令,发智指令
根据本发明所述泛弦方法,其特征是所述S3-1还包括:
S3-1-7所述路口各方向相位到达量a±0,d,j(c),用已得的x±1,d,1(c),x±1,d2,2(c),x±1,d3,3(c),Sd(c),μd(c),步骤如下;
1)用待测路口来车流向d上游路口d方向直行相位j1、d2方向左转相位j2、d3方向右转相位j3的三个汇入d的流出分量x±1,d1,j1(c)、x±1,d2,j2(c)、x±1,d3,j3(c)与该路段车源汇入析出量±Sd(c-1)相加,
2)经μ±0,d,j分流得到,ad,j=μ±i,d,j×(x±1,d1,j1+x±1,d2,j2+x±1,d3,j3±s±1,d)
根据本发明所述泛弦方法,其所述S3-1特征还包括:
S3-1-1-1所述智能函数用qm,n,d,j(c)或其变化Δqm,n,d,j(c)、sm,n,d,j(c)和用智能学习方法培训发现一个该路口相位时序分布函数时,步骤如下:
1)用实测各相位Qd,j(c-1)-Qd,j(c-2)得到ΔQd,j(c-1),
2)用绿灯时长乘以相位流速τd,j*vd,j得到xd,j(c-1),或轻载时用之前预测的流出量xd,j(c)作为本周期的“实测”流出量xd,j(c-1),
3)两者相加进而得到ad,j(c-1)=ΔQd,j(c-1)+xd,j(c-1),
4)三个ad,j(c-1)相加得到
5)分数化,ad,j(c-1)除以ad(c-1)得到μd,j(c-1)=ad,j(c-1)/ad(c-1)
6)同时,将与上述μd,j(c-1)对应作为三个相位期望值,该路口实测得到上游来车汇入各分量x±1,d,j=1(c)+x±1,d2,j=2(c)+x±1,d3,j=3(c)±s±1,d(c)、车源sd(c)净出入量四个参数或车源出入量sd,o(c)、sd,i(c)五个参数作为输入,以如此推算并按一定信号周期取得的7天或30天输入数据和对应期望值,如10080/分钟数每周期,用智能学习2方法培训一个智能学习机,如RBF神经元网络,获得智能函数并可在线学习;
根据本发明所述泛弦方法,其特征是所述S4进一步包括:
S4-1-1所述涨落的算法:
1)两维原点路口新周期开始前获取各路口方向相位Q(c-1)和Q(c)(预测层)
2)发现超涨落阈值ΔQd,j Th0或变态阈值Qd,j ThC路口(预测层),ΔQd,j Th0=3(辆长),判定变化规则是当道均车排队长度Qd,j(c)=Qd,j(c)/nd,j,nd,j是相位j车道数,由原来小Qd,j(c)增加,即k*ΔQd,j Th0/2<Qd,j(c)<(k/2+1)×ΔQd,j Th0增大ΔQd,j(k为奇数)或由原大Qd,j(c)减少,即(k/2+1)×ΔQd,j Th0≤Qd,j(c)减少ΔQd,j超过控制值ΔQd,j Th0,
3)发现涨落路段行或列数超阈值MTh0或NTh0的行或列(分析层),行阈值MTh0=M/2,列阈值NTh0=N/2,M和N是总行数和总列数,
4)计算涨落路段行或列数超阈值MTh0或NTh0的平均涨变时间差tgw(分析层),
5)初判方案计算平均涨落差和各涨落路段行、列的时间差组(分析层)
6)统筹审查与协调(决策层):审查、协调与其它智能指令冲突,发智指令
7)解码执行涨落变态(执行层):根据宏涨落/变态指令、涨落时差tgw,配置成过渡期,并将之送到涨落路口及其绿波所有下游路口;
根据本发明所述泛弦方法,其特征是所述S3-1进一步包括:
S3-1-8所述绿波涨落队变时差tgw是根据路队波差trqm,n,d(δcdc)的变化⊿trqm,n,d(δcdc),即,-⊿tqx(q)=-(1/v0+a)*⊿q,智指令包括调整各路口泛弦时间差δc相应改变队变时差tgw以消除⊿q的冗余:将⊿tqx作为tgw计入该路口及流向下游各路口时间差δc,具体计算:⊿trq=⊿tqx=tqx2-tqx1=-(1/v0+a)*⊿q,⊿q=q2-q1,q1--前时刻队长,q2—后时刻队长;
根据本发明所述泛弦模式控制方法:其特征是所述S6进一步包括:
S6-1所述信号时间调整包括涨落队变时差tgw、孤波配时方案time-tbl、两维原点移动时差o-tmd等,1)涨落tgw将tgw计入该路口及其流向下游各路口时间差δc,即将涨落时差tgw配置成过渡期送到涨落路口及其绿波所有下游路口,2)孤波配时方案time-tbl将孤波源及其流向路径路口配时方案做成修改各路口方向相位时间时限的指令发给相应路口系统,无缝切换其进入孤波态,3)两维原点移动时差o-tmd将制成各路口过渡期tmp-p送达相应路口;
根据本发明所述泛弦模式控制方法:其特征是所述S7进一步包括:
S7-1所述“⊿t发转给有车其它相位占用”中有多个有车相位其它相位时,按预设的方向、相位及时间轮序分配,或已获得占用权相位的优先续占;
一种道路路网交通信号泛弦控制系统,其特征包括运行“A-A”方法的预测控制包即“A-A”包、交通定位数据中心或/和车队即滞留车数检测器、交通信号灯控制路口机、或/和路边车源出入检测器、或另含路口驶出车辆检测器、或/和路段驶入车辆检测器,
所述“A-A”包根据从交通定位数据中心或/和车队检测器获取的各路口方向车队、或/和路边车源出入检测器获取的出入量预测下时段交通量、确定信号时间方案,“A-A”包可以是中心式或分布式或并行运行,用软件展开或/和硬件展开实现;
所述交通定位数据中心检测定位路口各方向或/和相位车队末尾车辆位置确定车队长度,定位数据来自包括车载定位导航、车辆绑定手机定位导航等任何可定位的移动终端;
所述车队长度检测器指任何可以检测路口方向相位车队长度的装置,如视频分析装置、超声、微波、红外、线圈组等等;
所述路边车源出入检测器检测该路口流向的出入车辆数,包括路边计时收费器、小区、停车场、小巷、非交通灯控制路口、高速公路出入检测器,路边有多个车源的可按相关流向到路口的平均距离整合成1个车源估算;
所述驶出车辆检测器在路口、路段、小区、高速公路等出口处检测驶离的车辆数;
所述驶入车辆检测器在路段、小区、高速公路等入口处检测驶入的车辆数;
所述车辆数检测器包括如可用线圈、压电、磁感、红外、视频或/和其它任何可进行车辆通过计数装置实测获取;
根据本发明所述泛弦系统,其“A-A”包特征至少包括含有根据实测交通量预测下时段路口交通量的称为路口元的预测模块的预测层,含有分析路口元传来的阈值信息的称为初判元的分析模块的分析层,含有统筹分析层初判元传来各种阈值信息功能的决策层;
根据本发明所述泛弦系统“A-A”包:其路口元模块特征包括:
所述路口元预测模块与实际路口是对应关系,路口元之间按需动态相调各自实测/预测交通信息;
根据本发明所述泛弦系统“A-A”包,其路口元模块特征包括:
所述路口元输入的是方向或/和相位前时段车队、或/和其流向路段车源驶出车数、输出是预测出下时段方向或/和相位剩余绿灯时间、或/和驶出车数、或/和车队变化、或/和车队长度等阈值判定等信息,传送给分析层相关初判元模块;
根据本发明所述泛弦系统“A-A”包,其路口元模块特征包括:
所述路口元包括神经元网络及统计学习及时序分析等智能方法模块;
根据本发明所述泛弦系统“A-A”包,其初判元模块特征包括:
所述初判元模块输入是路口元传来阈值及其相关信息、输出是作出的信号时间差或/和信号临时配时表的初判,传送给决策层统筹;
根据本发明所述泛弦系统“A-A”包,其决策层特征包括:
所述决策层统筹模块输入从分析层传来的初判,输出是对这些初判冲突情况决定取舍、先后、时间等,发出给执行层信号时间指令;
本发明优点如下:1)新路网交通预测数学模型更接近实际情况,“A-A”方法及其系统,为预测、解决城市路口排队拥堵问题提供了可靠的理论支持,2)方法可以仅靠来自云端的车辆排队等大数据,易于应用实施,3)在全区内可以将中-大负载引导绿波、近饱和-饱和负载疏理绿波及小负载广谱微分绿波(自适应“0”红灯技术),为化解拥堵核、初期拥堵、推迟队长集聚式大范围拥堵的到来提供信号控制方面的系列性连续性解决手段工具4)通过涨落功能总以量子化步调ΔQd,j Th0使信号网时间随进以消解排队增长带来的损耗至最低状态,从中小等负载引导态到饱和负载的疏堵态,很好地避免了多余停启每周期每路段每辆车1次约60秒等效怠速油耗、通常每路段停启减少约30车次约30分钟等效怠速油耗,5)其孤波功能动态调节各方向相位间多余时间,将突发的大车流负载快速送出至其自行消散,更能早期消除该类负载作为引发“核-膨胀式”混乱拥堵诱因的隐患,减少了绿灯浪费,进一步提高了信号控制的随交通状况响应功效、改善交通及其控制效率,6)该孤波功能与“A-A”方法通用于现行所有交通信号与路网,与来自云端数据,三者结合优化应用前景广阔,再加上与移动终端互动功能更前途不可限量,7)即使不融合小负载广谱“‘0’红灯技术”,泛弦在小负载时也远优于现行技术绿波、非绿波,四边形路网车辆去远对角子区从任何外入口位置8方位,设非绿波信号每次绿灯车辆可过1.5信号路口,传统双对流绿波模至少遇红灯,当n=4时,就已经遇红灯4.83次,非绿波传统比率则至少次,当n=9时,遇红灯4.83次,传统绿波与非绿波都含随n严格单调递增,非绿波比绿波增长快0.5倍,而对比泛弦平均至少需红灯4.83次,与n无关,即便200x200个路口横跨50公里方圆范围。
注:①所述泛弦控制方法的7步结构自然包括以下蜕变:1)当信号是0时间差时,泛弦方法就自然变成“微分绿波”方法,2)当指令“不启用微分绿波S5”或路网系统没有安装相应传感及数据采集装置而不能使用步骤“S7”中“微分控制”时,泛弦方法自然也就没有了“微分绿波”功能而常处于非微分状态。
附图说明
图1泛弦控制方法流程图;
图2弦模式四边形路网结构、流向及交通用时分布;
图3泛弦-预测控制三层结构图;
图4路网滞留车数与流量关系及“A-A”方法原理图;
图5路网各路口630秒时信号、排队、预测及涨落-变态、孤波-相优双态图;
附图中的编号索引:
图2:左旋虫洞型弦模式运行四边田字形4个子区中,其4个两维引导绿波原点Q1(0,5)、Q2(4,9)、Q3(9,5)和Q4(5,0);1--网络路口节点编码标识起始点(0,0)是路网的左下角路口,2--路网记号{(0,0),(9,9)}代表原点是(0,0),纵横最大坐标增量(9,9)即各为9,3--路口,4--信号灯,5—行驶车队,6--路口信号控制机,7--互联网云,8--中心控制系统,9—子区域记号4{(5,0),(4,4)}代表第4号子区域,子区坐标起始点是(5,0),纵横最大坐标增量(4,4)即各为4,10—实线空心箭头代表主流向及其通道组绿波指向东-右,虚线箭头代表副流向及其通道组绿波,11--两维原点记号Q和小八边形节点及其坐标(5,0),12--路口间距-拥堵车队启动用时/行车用时被记作#-#/#:单位:米-秒/秒,13—圆圈代表停车场、小区、高速公路出入口装有驶出驶入车数检测器通过232/485/wifi接通信网络;以下通用本图数字标注。图3:1—预测层,2—路口元基本数据接收及预测模块,3—预测层与分析层数据连接,4—分析层-子区初判,各子区一个模块,5—子区第1路口列涨落变态初判元,6—子区第0路口行涨落变态初判元,7—子区第0路口孤波相优初判元,8—分析层与决策层数据连接,9—分析层-子区宏分析模块,10—子区微比控制,11—子区强流向分析,12—子区强流向组合,13—分析层与决策层数据连接,14—决策层-子区4,15—孤波冲突判定,16—涨落冲突判定,17—统筹决策,18—孤波管理,19—决策及智能指令连接,20—原点移动判定,
图4:1—被预测的4方向信号控制路口,标记±0,2—被预测西行方向d的总车队Q,包括直行j=1、左转j=2、右转j=3,实线箭头代表现有车队Qd(c-1),用实测得到,虚线代表预测车队⊿Qd(c),用预测得到,进入路口的部分代表流出车队Xd(c),以下同理,3—连接两个路口的路段,4—被预测路口西行方向上游路口,标记±1,5—该上游路口南来左转相位西行汇入预测路口的车队q±1,d1,j=2(c-1),6—该上游路口东来直行相位西行汇入预测路口的车队q±1,d,j=1(c-1),7—该上游路口北来右转西行汇入预测路口的车队q±1,d2,j=3(c-1),8—该上游路段从发出汇入、收回离开西行预测路口车队的车源总和Sd(c),智能方法预测车源车流净出入,9、10、11—分别为被预测路口北来、西来、南来总车队,12—被预测路口西行方向2级上游路口,标记±2,13—该2级上游路口将汇入预测路口的东来直行相位车队q±2,d,j=1(c-1);
图5:1--4{(5,0),(4,4)}是路网记号:表示子区4编码标识起始点(5,0)是路网的左下角路口,计算绿波时间差的两维原点Q4,主绿波流向-东,副流向-北,2--路口间距-交通用时被记作#-#/#:米-秒/秒,如该值表示路段-行(0,1)的间距D=125米、路段满车队启动用时tqd=23秒、行车用时tv=10秒按45公里时速计,3—通道-北1{*},“*”代表该通道各路段或路口某组数值,如,各路段“间距-交通用时被记作#-#/#”,3—这组围绕交叉路口的“东”“西”“南”“北”方位标注各引出的6个数字表示该方位直、左、右三相位实测等待通过路口车队长度和用双尖括号“《”隔开的预测车队长度,如“东1/0/0《0/1/0”表示该路口东侧等等西行的实测车队直行相位1,左转0,右转0,预测长《0/1/0,位向与流向相反,单位是车数,车数队长q相应秒数用标准车长6.25米换算成米队长再用队扰时间tqx=(1/v0+α)*q换算成秒,用v0绿波秒速12.5米秒,α=0.18及tqx=0.26计算得到,如20米对应于5秒3辆车,4—主、副流向绿波长度覆盖标示该绿波时段正运行的路口路段,如该副绿波从路口(7,0)至路口(7,1)运行8秒,主绿波从路口(7,2)运行至路口(9,2)18秒还余2秒,5—圆圈代表车源,处于路头的代表连接其它区或高速公路的车源,处于路段中的代表停车场、小区出入库的车源,各路段边另有路边停车位△标记(设其均本周期净出入为0,略),其中数字为预测驶出相关流向车数;
具体实施方式
结合附图详细描述本发明一个实施例:
根据交通信号泛弦控制方法流程如图1开发一交通信号控制系统软件用于控制如图2所示的路网[已申请201710137495.6实施例],泛弦系统包括用引号注明的6个部分,“路口机系统”如图2标记6加装“车队长度视频交通检测器”或/和“路口驶出车数检测器”等,“车源s如图2标记13装有驶出驶入车数检测器”通过232/485/wifi接通信网络如图2标记7将数据送至“交通数据中心”、通过通信网如图2标记7由中心控制系统如图2标记8或从云端交通数据中心获取移动定位大数据定制米级、亚米级各路口方向相位车队长度q数据、各路段车源s的驶出驶入车数数据,经过中心的“预测控制软件”的预测如图3标记1、分析如图3标记4、决策如图3标记14的三层结构如图3的运算,产生控制指令发布到各路口;具体流程步骤如下:
S1获取信号参数及其路网参数[已申请201710137495.6实例]:(1)比率信号模式、上述各路段交通控制用时参数:1)路网所有路口信号启动方向=北,周期时长=60秒,南北与东西各30秒,直-左相位时间各为直行相20秒、左行相10秒;2)并获取设定各路段长度D及其行车用时tv=D/v0,按时速v0=45公里=12.5米/秒计,和满堵车队启动用时tqd=α*D,队长启动系数α=0.18秒/米计,同时这里的疏离系数定为1现状疏离,还忽略路口宽度影响,如图2标记12标明路段长度D、堵满车队启动用时tqd=α*D、规定车速用时tv=D/v0,米-秒/秒;(2)弦模式参数:如图2中的a):1)模式田型分割,具体如图2标记9指的4{(5,0),(4,4)}代表第4子区其范围从起点路口(5,0)向上加4行、向右加4列,及其它3个子区,从略,2)和3)从略,如图2标记9标明的4个子区;b)模式是左旋虫洞型弦超模,每个子区中两个空心箭头表示绿波流向如图2标记10,实线箭头代表主流向虚线代表副流向,如图2标记11标明两个绿波时差起起始点也称原点;
S2获取实时交通信息:队尾信息q取自随车定位大数据中心或/和路口机交通视频每10秒1次,车源出入数据s用驶出驶入检测器获得如随车定位大数据经中心特殊设置可通用于各种车源,路边停车以其计费装置作为出入数据,或/和加装路口机线圈测得流出量χ每周期1次,队头信息q0从路口实时交通视频每秒1次作为微感,相变量子用时⊿t=6秒(即微分时间),即车流时距均大于6秒广谱微分绿波运行等等;
S3每个路口各对应的路口元系统如图3标记2运行“A-A”算法模块,其计算基本原理如图4,根据获取前周期路口方向相位车队车队q预测下周期排队Q及其变化⊿Q、流量X及其余时τ~并按规定队长小变化阈值ΔQTh0、临界阈值QThC、大变化阈值QThS判定等信息通过信息通道如图3标记3推送相关初判元如图3标记4至标记7、标记9至标记12等;
S4初判元如图3标记5至标记7、标记10至标记12等根据预测推送来的阈值信息,进一步分析,发现同绿波流向、同路段行,即两相邻行通道间的相邻路口间的路段,或同路段列,即两相邻列通道间的相邻路口间的路段,中处于绿波下游的路口的排队变化⊿Q超过阈值
ΔQTh0的路段数超过该行或列的判定阈值MTh0或NTh0时初判为涨落、使Q超过阈值QThC时初判为变态,如图3标记6第0路口行,可产生南北两个流向涨落,当南流向涨落时指的路段行在路口北路段,北流向涨落时指的路段行在路口南路段,涨落变态时同路段行或列所有路段共同涨或共同落或共同同变,发现路口排队Q超过阈值QThS时根据这个超长队长Q流向路径各路口余时τ~计算有空余时间可占的初判为孤波相优如图3标记7,发现超阈值的干道通道中的路段作涨落、孤波初判,发现两维流量变化超阈值如图3标记12,发现无车队可微分路口,发现区域緑信比变化超阈值如图3标记10等等,
S5统筹如图3标记17由孤波间冲突规则如图3标记15、孤波涨落冲突规则如图3标记16、孤波时间管理规则如图3标记18、移原规则如图3标记20等确定各初判的取舍、优先、时间及如何组织实施,并发出涨落变态、孤波相优智指令,无车队路口直接进入S5;开始时小负载,没有排队信息计算,没有智指令;
S6信号时间调整:(1)超阈值路口:执行智指令配置过渡期,1)“涨落”、2)“孤波”,(2)非阈值路口:车队不过阈值的路口直接执行下一步S7;根据S3“无智指令”,进入S7;
S7执行:(1)过渡期控制:有过渡期的在新周期开始前,先运行完成过渡期,(2)微分控制:指令各装有车队头传感器的路口启用微分(量子相变)操作:分析路口获取队头q0位置、决定转入微分(即量子相变)状态的微分绿波控制:当40米<q0时将无车相位比率信号绿灯一个单位时间发转给有车其它相位占用并设为微分状态;运行至630秒时仍然处于微分控制状态路口如下:
通道-行4的5个路口排队都是{北0/0/0《0/0/0东0/0/0《0/0/0南0/0/0《0/0/0西0/0/0《0/0/0},其余路口由于交通负载量增加而形成的等待车队使它们自动恢复比率控制;各路口左行相位车队长为0;
这些非微分状态的路口运行步骤S7判定后,返回步骤S3;
下面展示预测控制软件包根据前周期队长Q(c-1)用“A-A”方法预测下周期队长Q(c)、信号余时的实例:按照“A-A”方法步骤,预测前先(1)构建所有车源出入时间分布预测智能函数用智能方法1学习以往各路口路段车源s的出入量时间分布数据,设已建立(2)构建所有路口各方向流入量-相位时间分布预测智能函数用智能方法2学习以往各自路口排队变化⊿Q(c)和流量X(c)的时间分布数据,设已建立
下角标值说明,方向d={e,s,w,n}={东,南,西,北},相位j={1,2,3}={直行,左转,右转},另设每个相位1个车道nd=1,
如图5中路口(4,2)北来流量被发现、“孤波”预测与建立实例
Ⅰ.预测各路口流量X(c)及余时车队Q(c)及变化⊿Q(c)(预测层):
1)确定待预测路口(4,2)对应的路口元获取数据时间:非绿波同步在周期开始前获取数据,绿波异步在本地路口周期开始前获取数据,
2)确定待预测路口(4,2)对应的路口元从其它路口元获取数据的范围Kd取决于路口信号时间覆盖来车路口获取数据范围:
非绿波:获取各方向绿灯时间τ内以车速v0行驶的车程τ*v0覆盖路口范围,
绿波:波上游至原点、波下游至信号时间τ1*v0覆盖范围内路口,
本信号系统是绿波系统,τ1*v0=20*12.5米秒=250米,路口(4,2)一上游方向主绿波西覆盖包括路口(3,2)、路口(2,2)、路口(1,2)至该绿波起算点(0,2),Ke=4,该下游没有路口有个车源①,Kw=0,路口(4,2)另一上游方向副绿波南覆盖包括路口(4,1)至该绿波起算点(4,0),Kn=2,该下游250米包括路口(4,3)有个车源,而到路口(4,4)间距和是125+150=275米超出覆盖范围不影响本预测,Ks=1,
3)获取待预测路口(4,2)各方向d相位实测车队长度Q(c-1)及上游车源Sd(c-1)出入车数、及其Kd范围路口的Q±K(c-1)、S±K(c-1);获取数据如下:
Q(c-1),西1/0/0,北9/0/0,东1/0/0+①,南1/0/0,其它相关路口数据如图5所示,
4)预测该路口各方向路段的Sd(c),用实测的Sd(c-1),和智能函数数据如图5所示,
5)预测该路口各方向相位流量分布μd(c),a)用实测各相位ΔQd,j(c-1)和Xd,j(c-1),算得相位μd,j(c-1),b)再依此用智能函数预测μd(c),这里假设预测得到直行分布,即,μd(c)=(1,0,0),对应相位μd(c)=(直行,左转,右转);
6)是运行绿波信号的,顺波来δc±k,dc:绿波流向dc与路口车流流向d一致,是正值,用实测Q(c-1),逆波来δc±k,dc:绿波流向dc与路口车流流向d相反,是负值,用上周期预测暂存的Q(c)作为其前周期本该实测得的“Q(c-1)”,或/和用前几对预测实测Q(c-1)值的某估计值(图5中“《#/#/#”设定),
7)计算该路口各方向相位余时已得队长Qd,j(c-1),车源出入量Sd(c)如图5,μd(c)=(1,0,0)和基本参数绿灯时间τd,j=20,路段长度D,绿波车速vd,l=12.5米/秒,队启系数α=0.18,相位流速vdj=0.5辆/秒等,具体步骤如下,
非绿波系统,绿灯时间τd,j减去本路口车队通过用时Qd,j(c-1)/vd,j,有余时再逐个减上游路口车队与前面车队时距或路队时差trq±k,d,j(c)及其通过用时Q±k,d,j(c-1)/vd,j之和,直至
绿波系统,顺波来车时,来车流向d与绿波流向δc±k,dc的dc一致,
(1)Kd覆盖路口西来车流绿波上游至绿波起算点包括路口(3,2)、(2,2)、(1,2)和起算点(0,2)的所有Ke=4个路段和南来车流绿波上游至起算点包括路口(4,1)和起算点(4,0)的所有Kn=2个路段的trq±k,d,j(δcdc)=-Q±k,d,j(c-1)*β<0,都是紧密车流,
(2)余时等于绿灯时长τd,j减去本路口车队qd,j用时qd,j/vd,j再减去所有k个上游路口车队q±k,d,j经逐段分流后用时总和
西来,
路口(4,2)南来北流向是其副绿波上游,同理得到
南来,
逆波来车时时,Kd覆盖路口北来车流逆波τ±0-2×tv0±0=0甚至不包括相邻路口(4,3)但包括Ks=1个路段车源和东来车流逆波没有路口但有Kw=1个路段车源,
(1)逆波来车,每段路车时加倍,没有仍可赶到路口的并有通过时间的,计算
北来逆北流向绿波,τ±0-tv0±0-δc±0,n=0,逆波北来车流q=5没有余时,
(2)与非绿波来车相同,逆波来车Kd覆盖所有k路段排队情况分为离散车流trq±k,d,j(δcdc)=Q±k,d,j(c-1)*β>0,和紧密车流trq±k,d,j(δcdc)≤0(拥堵),
北来,trq±0,d,j(δcdc)=trq±0,d,j(-10)=20-tqx±0,d,j(c-1)q=6>0,离散车流
(3)离散车流余时等于绿灯时长τd,j减去本路口车队qd,j用时qd,j/vd,j再减去Kd覆盖所有k个来车路口车队q±k,d,j经逐段分流后用时Πμ±i,d×q±k,d,j/vd,j及其与前面车流时距trq±(k1-1),d,j(δcdc)之和
东来车流与北来车流没有或不覆盖相邻路口,trqd(c)=0,
东来,所有q±0都是实测值
北来,“-6”有3车没时过
8)计算该路口各方向相位流出量Xd,j(c),已得队长Qd,j(c-1),车源出入量sd(c),μd(c),和基本参数绿灯时间、相位车道数、相位流速τ,nd,j,vj等,或用装路口流出量检测器实测Xd,j(c)替代此预测,步骤如下,
(1)用Kd覆盖所有k路段的实测q±k,d,j(c-1),同前述,
(2)路口(4,2)的绿波流向e与路口西方来车车流流向d=e一致,其值为正,顺波来,否则为逆波来,trqe,(δc)=tdqe-tqe-δce≈-2<0,该路段车流连续,其它上游路段也同此,
(3)流出量xd,j(c)等于本路口车队数通过有余时时,逐路段加上上游路口车队到本路口分流量,直至用完,余时不足的各路口包括本路口及其流出量时,其流出量x±k,d,j(c)是该方向相位相均排队量-车数乘以该余时与该排队量的通过用时比,即
西来,x4,2,e,1=q±0+{q±1+q±2+q±3+q±4}=1+0+1+1+2=5
路口(4,2)南来北流向是其副绿波上游,同理得到
南来,x4,2,n,1=q±0+{q±1+q±2+s±2}=1+1+0+2=4
逆波来δc±k,d:中d绿波流向与路口车流流向相反,是负值,用前周期预测值Q(c)或/和用前几对预测/实测Q(c)/Q(c-1)趋势的某估计值(图中“《”设定)计算,
东来,x4,2,w,1=q±0+{s±0}=1+1=2,所有q±0都是实测值
北来,“+3”没时间过,
9)计算路口(4,2)方向相位Ad,j(c),已得X±1,d,1(c),X±1,d2,2(c),X±1,d3,3(c),S±0,d(c),μ±0,d(c),
西邻,x3,2,e,1=q±0+{q±1+q±2+q±3}=0+1+1+2=4,x3,2,s,2=0,x3,2,n,3=0,
南邻,x4,1,n,1=q±0+{q±1+s±2}=1+0+2=3,x4,1,e,2=0,x4,1,w,3=0,S±2,n(c)=2
东邻,x5,2,w,1不存在
北邻,x4,3,s,1=q±0+{q±1}=5+0=5,x4,3,w,2=0,x4,3,e,3=0,S±0,s(c)=7
同样为计算方便假设相关路段此时μm,n,e(c)=(1,0,0)集于直行相位,其它相位0,得到
A4,2,e,1(c)=x3,2,e,1+x3,2,s,2+x3,2,n,3=4+0+0=4,A4,2,e,2(c)=A4,2,e,3(c)=0,
A4,2,n,1(c)=x4,1,n,1+x4,1,e,2+x4,1,w,3=3+0+0=3,A4,2,n,2(c)=A4,2,n,3(c)=0,
A4,2,s,1(c)=x4,3,s,1+x4,3,w,2+x4,3,e,3+s4,3,e,1=5+0+4+7=16,A4,2,s,2(c)=A4,2,s,3(c)=0,
A4,2,w,1(c)=sw,1=1,A4,2,s,2(c)=A4,2,s,3(c)=不存在,
10)计算路口(4,2)各方向相位ΔQd,j(c),已得Xd,j(c)、Ad,j(c),
ΔQ4,2,e,1(c)=A4,2,e,1(c)-X4,2,e,1(c)=4-5=-1,ΔQ4,2,e,2(c)=A4,2,e,2(c)-X4,2,e,2(c)=0-0=0
ΔQ4,2,n,1(c)=A4,2,n,1(c)-X4,2,n,1(c)=3-3=0,ΔQ4,2,n,2(c)=A4,2,n,2(c)-X4,2,n,2(c)=0-0=0
ΔQ4,2,s,1(c)=A4,2,s,1(c)-X4,2,s,1(c)=16-10=6,ΔQ4,2,s,2(c)=A4,2,s,2(c)-X4,2,s,2(c)=0-0=0
ΔQ4,2,w,1(c)=A4,2,w,1(c)-X4,2,w,1(c)=1-2=-1,ΔQ4,2,w,2(c)=A4,2,w,2(c)-X4,2,w,2(c)=0-0=0
ΔQ4,2,e,3(c)=ΔQ4,2,n,3(c)=ΔQ4,2,s,3(c)=ΔQ4,2,s,3(c)=0,
11)计算路口(4,2)各方向相位Qd,j(c),用已得Qd,j(c-1)、Xd,j(c),
Q4,2,e,1(c)=Q4,2,e,1(c-1)+ΔQ4,2,e,1(c)=1-1=0,
Q4,2,n,1(c)=Q4,2,n,1(c-1)+ΔQ4,2,n,1(c)=1+0=1,
Q4,2,s,1(c)=Q4,2,s,1(c-1)+ΔQ4,2,s,1(c)=6+6=12,
Q4,2,w,1(c)=Q4,2,w,1(c-1)+ΔQ4,2,w,1(c)=1-1=0,
Q4,2,s,1>QThS和ΔQ4,2,s,1>ΔQThS
12)预测层向分析层推送双超阈值Q4,2,s,1=12>QThS=10和ΔQ4,2,s,1=6>ΔQThS=5的Q4,2,s,1,绝对阈值QThS=10辆、相对阈值ΔQThS=5辆,
Ⅱ.发现孤波源确定孤波路径(分析层):
13)发现孤波源(分析层):确认车数超孤波阈值QThS和ΔQThS的路口有余时,
用孤波绝对阈值QThS=10辆、相对阈值ΔQThS=5辆确定突发大增量方向相位:发现路口(4,2)北来南流向突增直行6+6=12>10,双过阈值,试算其作为孤波源查看有否足余时段的方向相位,查看前面预测路口(4,2)余时
西来,
南来,
东来,
北来,“-6”有3车没时过,
是下半周期,待用时间10,是其转弯相位的10秒,空闲,可以用于3辆直行相位,足余时段;
孤波源信号配时:东西直行相20,转弯10,南北直行相30,转弯0,时间段与原周期同14)确定孤波路径(分析层):确认孤波去向路径有空位有时间段及可衔接
孤波量13通过需要26秒,
该北来孤波量13南去逆着绿波各路口(4,1)(4,0)各方向排队暂用预测值或某估计值替:
路口(4,1)西《2/0/0,北《1/0/0,东《3/0/0,南《1/1/0,其比路口(4,2)晚时差8秒,驶达(4,1)需要8秒,待用时间44:此时东主绿波已用直行相16秒余时4秒,转弯相位余10秒,南北直行18秒,转弯8秒,共余40秒;
孤波源(4,2)南流向路径路口(4,1)配时方案:东西直行相2,转弯6,南北直行相26,转弯10,时间段与原周期相同;
路口(4,0)西《1/0/0,北《0/0/0,东《0/0/1,南《1/0/1,其比路口(4,1)晚时差12秒,东西直行相已用20秒,驶达(4,1)需要12秒,待用时间28:南北直行余18秒,转弯8秒,共余26秒,
孤波源(4,2)南流向路径路口(4,0)配时方案:南北直行相24,转弯4,时段与原周期相同;
送信息“孤波(4,2)南向-2”决策层,注“孤波(4,2)南向-2”表示孤波:源路口(4,2)南流向经2个路口;
Ⅲ.统筹(决策层)
15)统筹:经过决策层确定无现行冲突、可消冲突及优先,发宏执行与禁再孤波指令“孤波(4,2)南向-2”:(1)无孤波间冲突、(2)与“涨落行{*,0}北向-”无涨落间冲突,(3)孤波阶段管理:孤波(4,2)南向-2有效2个路口,路口(4,1)和路口(4,0),制定智能指令及孤波路径路口(4,2)、路口(4,1)和路口(4,0)在各自执行临时时间表time-tbl期间禁止再孤波时限指令,发智能指令
Ⅳ.新周期开始立即配时占用(解码、执行层)
16)将孤波源(4,2)及其南流向路径路口(4,1)(4,0)配时方案做成修改各路口方向相位时间时限的指令发给相应路口系统,无缝切换其进入孤波态
下面展示上述子区行列的涨落、变态等操作实例:
如图5中路段行“变态”与“涨/落”预测与操作实例
1)两维原点路口(0,0)630秒新周期开始前获取各路口Q(c-1)、Q(c)(预测层-路口元)如图5中各路口周边标示“北*/*/*《*/*/*东*/*/*《*/*/*南*/*/*《*/*/*西*/*/*《*/*/*”,标示“方向”紧接着是三个分别代表直相、左相、右相上一周期实测队长Q(c-1)的数字,随符号“《”后是相应三个预测队长Q(c);
2)发现超涨落阈值ΔQd,j Th0、变态阈值Qd,j ThC路口(预测层-路口元),ΔQd,j Th0=3(辆长),用涨落阈值ΔQTh)=3(辆车)发现南北通道路段{*,0}所有南北通道的第0段,用路口坐标表示即路段(0,0)-(0,1),(1,0)-(1,1),(2,0)-(2,1),(3,0)-(3,1),(4,0)-(4,1)5个南北流向自西向东并排,处在北副绿波,流量增加被发现该路段行南方位待北行Q(c-1)《Q(c)依次5《8,6《9,6《9,5《8,1《1,(q(c)-q(c-1))={3,3,3,3,0};
3)发现涨落路段行或列数超阈值MTh0或NTh0的行或列(分析层-初判元)该行5个路口中有4组满足Q(c-1)-Q(c)=ΔQTh)≧3,4>5/2也满足,要求“涨落”,同时,涨后它们又都满足了该路段变态阈值Q*,0,n ThC=7
4)计算涨落路段行或列数超阈值MTh0或NTh0的平均涨变时间差tgw(分析层-初判元)
平均涨落时间差tgw:队变涨落时间差⊿trq=⊿tqx=-0.26*⊿q=-0.26*(q(c)-q(c-1)),把图5中车辆数字转成长度米:6.25米/辆,trq将队长转成秒,如阈值ΔQTh)=3(辆车)=>18.75(米)=>4.875(秒),阈值Q*,0,n ThC=7(辆车)=>46.15(米)=>7.4(秒),因此涨落是首次,直接用预测队长q(c)替代队变化(q(c)-q(c-1))计算涨落时间差⊿trq,q(c)={8,9,9,7,(7)}(辆)=>{50,56,56,44,(44)}(米)=>{13,15,15,11,(11)}(秒)=>平均涨时间差值
路段{*,0}队变涨落时间差Δtrq*,0,n=0.26*⊿q=-0.26*q(c)=-13(秒),
5)初判方案计算平均涨落差和各涨落路段行、列的时间差组(分析层-初判元)
初始时间差矩阵如图5:设此前禁止涨落操作保持初值,
根据平均涨落时间差做涨落初案
对路段行的各路段绿波下游路口,即路口{(0,1)(1,1)(2,1)(3,1)(4,1)},及其下游所有路口的初始时间差减少13,
其初始时间差减少13时间差矩阵:
符合变态阈值,做变态操作:记住变态行、列,
送给决策层,注表示涨落路段行第0行所有路段北向绿波队变时差
6)统筹审查与协调(决策层-统筹):审查、协调与其它智能指令冲突,无冲突,发智指令包括
7)解码执行涨落变态(执行层):根据宏涨落/变态指令、涨落时差tgw,配置成过渡期,并将之送到涨落路口及其绿波所有下游路口;
根据宏涨落/变态指令、涨落时差tgw=-13及方案,配置过渡期-13mod(60)=+47=24+23,并将之配置到涨落路口绿波所有下游路口,如
涨变tgw=-13过渡期矩阵:
Claims (20)
1.一种道路网络交通信号泛弦控制方法即“A-A”方法,其特征至少包括步骤:
S1获取信号参数、路网参数;
S2检测各路口各流向d或/和相位j车队尾q即滞留车数、或/和流向路段车源出入车数即出入量s、或还含路口驶出车数即流出量x、或/和队头位置q0信息及相变量子用时⊿tTh0;
S3各路口元预测其下时段各方向或/和相位车队Q及其变化⊿Q、驶出车数x及其剩余绿灯时间,即余时
S4各初判元分析确定下时段的路口间信号时间差变化的涨落、或/和区域车流两个交叉大流量变化引起的时间差原点移动初判,即初判等,或/和结合得到的相关各路口方向或/和和相位余时一起进一步为上述车队Q及其变化⊿Q测算出信号临时配时的孤波初判;
S5统筹各初判取舍、先后、时间,制发指令;
S6根据指令和预测出信号时间差变化或/和临时配时决定下时段的信号配时;
所述车队Q计量单位是米或标准车数,标准车数队长包括车间距,与米长有换算率,非标准车与标准车换算率,通过这些换算率可将车队折算成标准车数或米;
所述车数指折算后等效标准车数;
所述下时段包括多倍信号周期C,如1C、2C、4C、8C,通用任何信号路网车队预测。
2.根据权利要求1所述方法,其特征是所述步骤S3进一步包括:
S3-1所述下时段各路口方向或/和相位车队Q及其变化⊿Q预测步骤:(1)将路口流向d上游实测的路段驶入车数或/和该上游路口x±1汇入该流向d的各方向相位流出量x±1,d1,j1,x±1,d2,j2,x±1,d3,j3之和,加上该上游路段车源的出入车数Sd(c),没有流向d车源的加0,得到路口预测流入车数a±0,d,(2)再与该路口方向相位流量分布μd(c)相乘得到该路口方向相位预测到达车数ad,j(c),(3)再用到达量ad,j(c)减去流出量x±0,d,j得到各相位排队变化⊿Q,(4)将预测得的车队变化⊿Q加上时段的车队Qd,j(c-1)得到预测Qd(c);
所述x±0,d,j下角标:±k,d,j,按其位置顺序“±”号表示上游、表示k段上游路口、d车流方向、j信号相位,k=0段代表本路口,k=1相邻路口,k=2级是相邻后下一个上游等等,本路口简记为qd,j(c)或q(c)或q±0(c)或qm,n,d,j(c),‘m,n’代表路口坐标位置,上游路口驶出车数x±1,d1,j1,x±1,d2,j2,x±1,d3,j3中‘d#,j#’表示上游路口驶出汇入下游d流向的方向相位,‘d2,j2’表示左转汇入d流向的方向相位,‘d3,j3’表示右转汇入d流向的方向相位,‘d1,j1’或‘d,j’表示直行汇入d流向的方向相位,相位j=1表示直行、j=2左转、j=3右转,其(c)代表下时段、(c-1)代表前时段,以下依此类推及至各变量;
所述车源的流出量Sd(c)是预测值,用该车源流量智能函数根据实测值Sd(c-1)预测得到,智能函数是用统计学习或/和其它智能方法和过去数据培训或/和在线学习得到的;
所述方向相位交通量共用车道的,仍用相位分布μd(c)决定;
所述路段车源包括多车源的按它们流向到车源到路口平均距离决定其时间差,常用平均值或0估计;
所述智能方法包括综合使用神经网络ann、混沌时序、小波理论、统计回归与支撑向量机svm、遗传优化ga、粒子群优化pso、模糊分析与信息粒化等等智能学习及时序分析方法,以下提到智能方法均同此意;
所述流出量x±0,d,j、x±1,d1,j1,x±1,d2,j2,x±1,d3,j3等可以用下面权利4方法预测得到;
或加装路口方向相位驶出检测器实测得到。
3.根据权利要求2所述方法,其特征是所述步骤S3-1进一步包括:
S3-1-1路口方向相位流量分布μd(c)是预测值,是用该路口方向相位流量分布智能函数根据测算值μd(c-1)预测得到;
所述测算值μd(c-1)的步骤包括,(1)用前两个时段实测得的相位车队相减得到前时段的排队变化ΔQd,j(c-1),(2)用相位绿灯时间τd,j乘以相位流出速率vd,j得到前时段流出量xd,j(c-1),轻载时用前周期预测的流出量代替作为本周期“实测”流出量,或直接用实测流出量,(3)将预测车队变化ΔQd,j(c-1)和流出量xd,j(c-1)相加得到相位到达量ad,j(c-1),(4)分别将相位到达量除以前面三个相位的到达量之和得到相位流量分布比μd,j(c-1);
所述相位流出速率vd,j指车流驶离交通灯控制线每秒车辆数;
所述智能函数用过去数据和智能方法培训得到一个该路口相位流量时序分布智能函数时。
4.根据权利要求2所述方法,其特征是所述步骤S3-1进一步包括:
S3-1-2路口方向相位流出量xd,j(c)获得预测值的方法是从预测路口开始向流向上游逐k路段测算每个路口流出量x±k,d,j(c)及其路段车源流出量s±k,d,j(c)达到通过预测路口用时及预测路口余时k=0,1,2…,有余时的路口,该路口流出量计入预测路口的流出量,直至预测路口余时不足,余时不足的各路口包括本路口及其流出量时,其流出量x±k,d,j(c)是该方向相位相均排队量-车数乘以该余时与该排队量的通过用时比,这里的路口流出量x±k,d,j(c)以该路口流向的等待车队q±k,d,j(c-1)测算,k=0,1,2…;
所述流出量等可用下面权利5方法预测得到;
或用加装路口驶出车数检测器实测替代计算预测xd,j(c)。
5.根据权利要求2所述方法,其特征是所述步骤S3-1进一步包括:
S3-1-3路口方向相位余时获得预测值的方法是预测路口绿灯时间从预测路口开始向流向上游逐k路段减去每个路口车队量q±k,d,j(c)及其路段车源流出量s±k,d,j(c)的相位分流量对预测路口通过的前面路段车流的时距trq±k(c)及其通过用时tq0±k,d,j(c),即余时k=0,1,2…,直减至余时为0;
所述车队量通过路口用时tq0d,j(c)以该车队量除以相位流出速率vd,j计;
所述上游k路口车队与前面车流的时距trq±(k-1)(c)以车辆从路口k驶达预测路口路段距离D±(k-1)除以车辆规定车速vd,l再减去前面路口车队量q±(k-1)(c)与队扰因子β的乘积计,当信号是绿波系统时,信号时间差|δc±i,dc|>0,顺波来车流,trq±(k-1)(c)=-β×q±(k-1)(c),逆波来车流,其trq±(k-1)(δc)=2×tv0±(k-1)(0)-β×q±(k-1)(c);
所述队扰因子β=1/vd,l+α,是规定车速的倒数与队动系数α之和;
所述队动系数α是单位车队长度从车队首车启动到尾车启动的时间,单位秒/米,其估值范围0.14至0.22,取中0.18,可根据经验调整;
所述信号时间差δc±i,dc初始值以路段i长度D±i除以规定车速vd,l计,即tv0±i。
6.根据权利要求2所述方法,其特征是所述步骤S3-1进一步包括:
S3-1-4路口方向或和相位预测车队Qm,n,d,j(c)及其变化ΔQm,n,d,j(c)超过下列控制阈值时,将产生路口元输出并将相关交通信息送出,这些控制阈值包括最小队变阈值ΔQTh0、变态阈值QThC、最小孤波相对队变阈值ΔQThS、最小孤波绝对队变阈值QThS;
所述最小队变阈值ΔQTh0指一段时间内车队长度最小变化认定值;
所述变态阈值QThC指车队长度达到信号绿波流向换向值或说平衡值;
所述最小孤波相对队变阈值ΔQThS指一段时间内车队长度相对其它相位车队最小队长差认定值;
所述最小孤波绝对队变阈值QThS指车流排队长度最小孤波认定值。
7.根据权利要求2所述方法,其特征是所述步骤S3-1进一步包括
S3-1-5预测层各路口元获取数据时间:信号不是绿波的系统,各路口同步在周期开始前获取数据,是绿波的则异步在路口各自周期开始前。
8.根据权利要求2所述方法,其特征是所述步骤S3-1进一步包括:
S3-1-6所述路口元从其它路口元获取数据的范围Kd取决于路口信号绿灯时间规定速度车程覆盖来车路口范围,非绿波信号系统的:获取流向d相位j=1绿灯时间τ以规定车速v0的车程τ*v0覆盖Kd个长度Di路段路口范围,即是绿波:波上游至原点的路口范围、波下游至绿灯τ*v0覆盖Kd个长度Di路段及其时间差δci的路口范围,即在Kd覆盖不进最后一个路口的路段或可覆盖其车源S。
9.根据权利要求1所述方法,其特征是所述步骤S4进一步包括:
S4-1所述分析层涨落初判元根据从预测层相应行-列路口元收到路口方向或/和相位车队Q及其变化⊿Q超过控制阈值ΔQTh0、QThC,判断是否超过该路口所在同流向、同路段行或列的路段下游路口的排队变化⊿q超过阈值ΔQTh0的路段数超过控制行阈值MTh0或列阈值NTh0,是超过,则作涨落初判,对绿灯时间过短或道路间距过大的区域,不用行或列阈值MTh0或NTh0判定,分别独立作涨落初判。
10.根据权利要求1所述方法,其特征是所述步骤S4进一步包括:
S4-2所述分析层流向初判元根据从预测层路口元收到的各路口方向或和相位车队Q及其变化⊿Q超过控制阈值ΔQTh0、QThC,计算区内各路口流向d总交通量或/和车队量及其总变化大于控制值按两个最大流量方向,确定重置区域两维原点时差表,做移原初判。
11.根据权利要求1所述方法,其特征是所述步骤S4进一步包括:
S4-3所述分析层孤波初判元根据从预测层路口元收到的各路口方向或/和相位车队Q及其变化⊿Q超过控制阈值ΔQThS与QThS,预测计算判断对该流向流量该路口及其流经各路口有否余时可被使用,即可否产生孤波,是,则作孤波初判。
12.根据权利要求9所述方法,其特征是所述步骤S4-3进一步包括:
S4-3-1所述可否产生孤波预测计算包括(1)孤波源预测:计算收到的流向流量超过孤波相对阈值ΔQThS及绝对阈值QThS的路口的各方向或/和相位余时有允许流出量QS=QThS通过或较大减少QThS的余时可用时,配置流量QS作为孤波源的临时配时表,(2)孤波路径预测:根据孤波源流量QS通过路口所需绿灯时间及驶达沿途下游路口的车程时间,预测沿途各路口的余时控制范围内都有余时可被使用,配置孤波QS路径临时配时表。
13.根据权利要求1所述方法,其特征是所述步骤S5进一步包括:
S5-1所述决策层统筹判定规则包括:(1)孤波初判间无冲突规则:孤波间路径平行或孤波间路径流向没有交汇点,(2)孤波-涨落初判间无冲突规则:孤波流向路径涨落绿波的上游,(3)大孤波优先规则:孤波冲突时大孤波量优先,(4)涨落冲突时孤波优先,(5)孤波阶段管理,孤波每波最多经过nLimS个路口,制定智指令及孤波路径禁止再孤波路径时限指令,发智指令。
14.一种道路网络交通信号泛弦控制系统,其特征至少包括运行“A-A”方法的预测控制包即“A-A”包、交通定位数据中心或/和车队即滞留车数检测器、交通路网及其信号灯控制路口机、或/和路边车源出入检测器、或另含路口驶出车辆检测器、或/和路段驶入车辆检测器;
所述“A-A”包根据从交通定位数据中心或/和车队检测器获取的各路口方向或/和相位滞留车数、或/和路边车源出入检测器获取的出入车数预测下时段交通量、确定信号时间方案,方法包可以是中心式或分布式或并行运行,用软件展开或/和硬件展开实现;
所述交通定位数据中心检测定位路口各方向或/和相位车队末尾车辆位置确定车队,定位数据来自包括车载定位导航、车辆绑定手机定位导航等任何可定位的移动终端;
所述车队检测器指任何可以检测路口方向或/和相位车队长度的装置,如视频分析装置、超声、微波、红外、线圈组等等;
所述路边车源出入检测器检测该路口流向的出入车辆数,包括路边计时收费器、小区、停车场、小巷、非交通灯控制路口、高速公路出入检测器,路边有多个车源的可按相关流向到路口的平均距离整合成1个车源估算;
所述驶出车辆检测器在路口、路段、小区、高速公路等出口处检测驶离的车辆数;
所述驶入车辆检测器在路段、小区、高速公路等入口处检测驶入路段的车辆数;
所述车辆检测器包括如可用线圈、压电、磁感、红外、视频或/和其它任何可进行车辆通过计数装置实测获取。
15.根据权利要求14所述“A-A”包,其特征至少包括含有根据实测交通量预测下时段路口交通量的称为路口元的预测模块的预测层,含有分析路口元传来的阈值等信息的称为初判元的分析模块的分析层,含有统筹分析层初判元传来各种阈值信息功能的决策层。
16.根据权利要求15所述路口元模块,其特征至少包括所述路口元预测模块与实际路口是对应关系,路口元之间按需动态相调各自实测/预测交通信息。
17.根据权利要求15所述路口元模块,其特征至少包括路口元输入的是方向或/和相位前时段滞留车数、或/和其路段车源驶出车数,输出是预测出的下时段方向或/和相位剩余绿灯时间、或/和驶出车数、或/和车队变化、或/和车队长度等阈值判定等信息,传送给分析层相关初判元模块。
18.根据权利要求15所述路口元模块,其特征至少包括路口元包括神经元网络及统计学习及时序分析等智能方法模块。
19.根据权利要求15所述初判元模块,其特征至少包括初判元模块输入是路口元传来阈值及其相关信息、输出是作出的信号时间差或/和信号临时配时表的初判,传送给决策层统筹。
20.根据权利要求15所述决策层,其特征至少包括决策层统筹模块输入从分析层传来的初判,输出是对这些初判冲突情况决定取舍、先后、时间等,发出给执行层信号时间指令。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710897777.6A CN108665714A (zh) | 2017-09-28 | 2017-09-28 | 交通信号泛弦控制方法及其系统 |
PCT/CN2018/000332 WO2019061933A1 (zh) | 2017-09-28 | 2018-09-18 | 交通信号泛弦控制方法及其系统 |
US16/649,652 US20210375129A1 (en) | 2017-09-28 | 2018-09-18 | Traffic Signal Pan-String Control Method and Its System |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710897777.6A CN108665714A (zh) | 2017-09-28 | 2017-09-28 | 交通信号泛弦控制方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108665714A true CN108665714A (zh) | 2018-10-16 |
Family
ID=63784879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710897777.6A Pending CN108665714A (zh) | 2017-09-28 | 2017-09-28 | 交通信号泛弦控制方法及其系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210375129A1 (zh) |
CN (1) | CN108665714A (zh) |
WO (1) | WO2019061933A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544945A (zh) * | 2018-11-30 | 2019-03-29 | 江苏智通交通科技有限公司 | 基于车道饱和度的区域控制相位配时优化方法 |
CN110263987A (zh) * | 2019-06-06 | 2019-09-20 | 太原理工大学 | 一种适用于半干旱半湿润地区的洪水预报方法 |
CN111127894A (zh) * | 2019-12-30 | 2020-05-08 | 江苏中路工程技术研究院有限公司 | 一种基于监测手段的交通运输能耗控制方法及其检测方法 |
CN111402615A (zh) * | 2020-04-08 | 2020-07-10 | 王爱伶 | 一种基于导航信息的可变车道控制方法 |
CN111696348A (zh) * | 2020-06-05 | 2020-09-22 | 南京云创大数据科技股份有限公司 | 一种多功能的智能信号控制系统和方法 |
WO2021174374A1 (zh) * | 2020-03-02 | 2021-09-10 | 孟卫平 | 交通信号极化绿波控制方法 |
CN113487884A (zh) * | 2021-06-15 | 2021-10-08 | 阿波罗智联(北京)科技有限公司 | 交通量的获取方法、装置及电子设备 |
CN114863677A (zh) * | 2022-04-26 | 2022-08-05 | 公安部交通管理科学研究所 | 一种停车场上游路口信号控制动态优化方法 |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11875371B1 (en) | 2017-04-24 | 2024-01-16 | Skyline Products, Inc. | Price optimization system |
WO2020039538A1 (ja) * | 2018-08-23 | 2020-02-27 | 三菱電機株式会社 | 通信装置、通信方法及び通信プログラム |
GB201900503D0 (en) * | 2019-01-14 | 2019-03-06 | Simplifai Systems Ltd | Traffic strategy system and method of implementing the same |
US11403938B2 (en) | 2019-04-04 | 2022-08-02 | Geotab Inc. | Method for determining traffic metrics of a road network |
CN110135436B (zh) * | 2019-04-30 | 2020-11-27 | 中国地质大学(武汉) | 一种用智能小车识别闪烁信标灯的方法、设备及存储设备 |
CN110782658B (zh) * | 2019-08-16 | 2022-03-29 | 华南理工大学 | 一种基于LightGBM算法的交通量预测方法 |
CN111785042A (zh) * | 2020-07-01 | 2020-10-16 | 浙江工商大学 | 基于ZigBee的车流量检测并自动调节红绿灯时长的方法 |
US11731651B2 (en) * | 2020-09-30 | 2023-08-22 | Baidu Usa Llc | Automatic parameter tuning framework for controllers used in autonomous driving vehicles |
CN112489456B (zh) * | 2020-12-01 | 2022-01-28 | 山东交通学院 | 基于城市主干线车辆排队长度的信号灯调控方法及系统 |
US11823565B2 (en) * | 2020-12-18 | 2023-11-21 | Yunex Llc | System and method for vehicle queue length detection in a connected vehicle infrastructure environment |
CN112785858B (zh) * | 2021-02-19 | 2023-06-16 | 阿里巴巴集团控股有限公司 | 一种交通控制方法、装置及电子设备 |
US12020566B2 (en) * | 2021-05-20 | 2024-06-25 | Bentley Systems, Incorporated | Machine-learning based control of traffic operation |
CN113450569A (zh) * | 2021-06-30 | 2021-09-28 | 阿波罗智联(北京)科技有限公司 | 确定路口状态的方法、装置、电子设备和存储介质 |
CN113823099B (zh) * | 2021-09-10 | 2023-03-21 | 上海商汤智能科技有限公司 | 信控方案调整方法、装置、设备及计算机可读存储介质 |
CN114120655B (zh) * | 2022-01-26 | 2022-04-12 | 苏州映赛智能科技有限公司 | 道路状态预测方法、系统、设备及存储介质 |
CN114446062B (zh) * | 2022-01-28 | 2022-09-27 | 深圳市八度云计算信息技术有限公司 | 基于大数据服务的动态调配系统及方法 |
CN114582166B (zh) * | 2022-03-07 | 2023-06-27 | 清华大学 | 交叉路口环境下的多车运动规划方法及装置 |
CN114677846B (zh) * | 2022-04-13 | 2022-12-06 | 合肥工业大学 | 纯网联自动驾驶环境下信号交叉口进口道的动态分配方法 |
CN114898576B (zh) * | 2022-05-10 | 2023-12-19 | 阿波罗智联(北京)科技有限公司 | 交通控制信号的生成方法、目标网络模型的训练方法 |
CN115662121B (zh) * | 2022-10-19 | 2024-05-10 | 吉林大学 | 混行信控交叉口以排队方式估算通行能力上下限的方法 |
CN116229740B (zh) * | 2023-05-10 | 2023-10-10 | 湖北大学 | 一种红绿灯配时控制方法及系统 |
CN116819986B (zh) * | 2023-08-28 | 2023-11-24 | 温州宝翔科技有限公司 | 一种稳压排插的远程控制方法及系统 |
CN117523823A (zh) * | 2023-10-11 | 2024-02-06 | 吉林师范大学 | 一种基于量子遗传算法的区域交通信号控制优化方法 |
CN117198071B (zh) * | 2023-11-03 | 2024-01-09 | 合肥工业大学 | 一种交通信号相位自适应调整方法、系统、设备 |
CN118155434B (zh) * | 2024-05-08 | 2024-07-23 | 山东领军智能交通科技有限公司 | 一种远程可视化动态指示控制方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003016582A (ja) * | 2001-07-03 | 2003-01-17 | Matsushita Electric Ind Co Ltd | 信号制御装置および方法 |
CN101281685B (zh) * | 2008-01-30 | 2010-08-25 | 吉林大学 | 区域混合交通自适应信号协调控制方法 |
CN101615344B (zh) * | 2009-07-21 | 2011-04-20 | 青岛海信网络科技股份有限公司 | 一种基于线协调的区域交通控制方法 |
CN101877169B (zh) * | 2009-11-13 | 2012-11-07 | 北京交通大学 | 干线多交叉口交通流均衡性控制的数据融合系统及方法 |
CN104464310B (zh) * | 2014-12-02 | 2016-10-19 | 上海交通大学 | 城市区域多交叉口信号协同优化控制方法及系统 |
CN105390000A (zh) * | 2015-12-18 | 2016-03-09 | 天津通翔智能交通系统有限公司 | 一种基于路况交通大数据的交通信号控制系统及方法 |
CN106355885A (zh) * | 2016-11-24 | 2017-01-25 | 深圳市永达电子信息股份有限公司 | 基于大数据分析平台的交通信号动态控制方法及系统 |
-
2017
- 2017-09-28 CN CN201710897777.6A patent/CN108665714A/zh active Pending
-
2018
- 2018-09-18 US US16/649,652 patent/US20210375129A1/en not_active Abandoned
- 2018-09-18 WO PCT/CN2018/000332 patent/WO2019061933A1/zh active Application Filing
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544945A (zh) * | 2018-11-30 | 2019-03-29 | 江苏智通交通科技有限公司 | 基于车道饱和度的区域控制相位配时优化方法 |
CN109544945B (zh) * | 2018-11-30 | 2021-06-01 | 江苏智通交通科技有限公司 | 基于车道饱和度的区域控制相位配时优化方法 |
CN110263987A (zh) * | 2019-06-06 | 2019-09-20 | 太原理工大学 | 一种适用于半干旱半湿润地区的洪水预报方法 |
CN111127894A (zh) * | 2019-12-30 | 2020-05-08 | 江苏中路工程技术研究院有限公司 | 一种基于监测手段的交通运输能耗控制方法及其检测方法 |
CN111127894B (zh) * | 2019-12-30 | 2021-07-09 | 江苏中路工程技术研究院有限公司 | 一种基于监测手段的交通运输能耗控制方法及其检测方法 |
WO2021174374A1 (zh) * | 2020-03-02 | 2021-09-10 | 孟卫平 | 交通信号极化绿波控制方法 |
CN111402615A (zh) * | 2020-04-08 | 2020-07-10 | 王爱伶 | 一种基于导航信息的可变车道控制方法 |
CN111696348A (zh) * | 2020-06-05 | 2020-09-22 | 南京云创大数据科技股份有限公司 | 一种多功能的智能信号控制系统和方法 |
CN111696348B (zh) * | 2020-06-05 | 2022-08-09 | 南京云创大数据科技股份有限公司 | 一种多功能的智能信号控制系统和方法 |
CN113487884A (zh) * | 2021-06-15 | 2021-10-08 | 阿波罗智联(北京)科技有限公司 | 交通量的获取方法、装置及电子设备 |
CN114863677A (zh) * | 2022-04-26 | 2022-08-05 | 公安部交通管理科学研究所 | 一种停车场上游路口信号控制动态优化方法 |
Also Published As
Publication number | Publication date |
---|---|
US20210375129A1 (en) | 2021-12-02 |
WO2019061933A1 (zh) | 2019-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108665714A (zh) | 交通信号泛弦控制方法及其系统 | |
CN104464310B (zh) | 城市区域多交叉口信号协同优化控制方法及系统 | |
CN100492435C (zh) | 单个交叉口混合交通信号的控制方法 | |
CN110136455B (zh) | 一种交通信号灯配时方法 | |
CN106297326A (zh) | 基于全息路网潮汐交通流可变车道控制方法 | |
CN106548633A (zh) | 一种路网潮汐交通流可变导向车道控制方法 | |
CN102708679B (zh) | 一种城市信号交叉口短时交通流预测方法 | |
Lin et al. | Transit priority strategies for multiple routes under headway-based operations | |
CN107240252B (zh) | 一种交叉口的主动式车辆调度方法 | |
CN108694839A (zh) | 交通信号泛绿波控制方法 | |
CN102165501A (zh) | 用于优化道路交通网络内灯控交叉点上的交通控制的方法 | |
CN106297329A (zh) | 一种联网信号机的信号配时自适应优化方法 | |
CN106408984B (zh) | 基于物联网的城市交通流诱导系统 | |
CN109612488A (zh) | 基于大数据微服务的混合出行方式路径规划系统及方法 | |
CN110889967B (zh) | 一种基于干道分割的溢流风险平衡信号控制优化方法 | |
CN111009140B (zh) | 一种基于开源路况信息的智能交通信号控制方法 | |
CN110415519A (zh) | 一种基于车辆轨迹数据的区域交通信号实时优化控制方法 | |
Cui et al. | Study on the selection model of staying adjustment bus lines along rail transit | |
Liang et al. | An Overlapping Phase Approach to Optimize Bus Signal Priority Control under Two‐Way Signal Coordination on Urban Arterials | |
CN110211392A (zh) | 一种针对可变公交进口道的信号优先控制方法 | |
CN108765988A (zh) | 一种面向互联网数据的路口信号动态优化方法 | |
CN110009544A (zh) | 一种并联双通道公交站台的设置方法 | |
CN107665580A (zh) | 一种基于传感器网络的新型智能交通模型的设计方法 | |
CN115063988B (zh) | 一种应急车辆优先的跨交通子区信号协同控制方法 | |
CN110288844A (zh) | 一种基于车路通信的连续交叉口协同优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |