CN108806290B - 基于交通状态判别的动态双向绿波控制方法 - Google Patents

基于交通状态判别的动态双向绿波控制方法 Download PDF

Info

Publication number
CN108806290B
CN108806290B CN201810536259.6A CN201810536259A CN108806290B CN 108806290 B CN108806290 B CN 108806290B CN 201810536259 A CN201810536259 A CN 201810536259A CN 108806290 B CN108806290 B CN 108806290B
Authority
CN
China
Prior art keywords
signal
traffic
ideal signal
intersection
ideal
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.)
Active
Application number
CN201810536259.6A
Other languages
English (en)
Other versions
CN108806290A (zh
Inventor
柴干
孙常聪
张翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201810536259.6A priority Critical patent/CN108806290B/zh
Publication of CN108806290A publication Critical patent/CN108806290A/zh
Application granted granted Critical
Publication of CN108806290B publication Critical patent/CN108806290B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • G08G1/07—Controlling traffic signals
    • G08G1/08—Controlling traffic signals according to detected number or speed of vehicles

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提出了一种基于交通状态识别的交通干线双向动态绿波控制方法，该方法将基于K均值聚类分析法的交通状态识别方法和基于数解法的双向绿波控制模型相结合，能够根据路网交通状态的变化动态地调整双向绿波控制方案。该方法的具体步骤为：交通参数获取、交通状态判别、计算各假定的理想信号间距、确定实际信号相对于各理想信号的挪移量、确定合适的理想信号位置、连续行驶通过带的设计、确定系统带速。该方法能够显著减少城市道路交通流的延误和停车率，提高城市道路的运行效率，为城市道路绿波控制提供有力的技术支撑。

Description

基于交通状态判别的动态双向绿波控制方法
技术领域
本发明涉及干线绿波控制技术领域，特别是涉及基于交通状态判别的动态双向绿波控制 方法。
背景技术
城市的交通干线通常都承受着巨大的交通负荷，如何减少干线上交通延误和停车次数成 为了近年来城市交通信号优化控制研究的重点之一。人们研究把一条干道上一批相邻的交通 信号连接起来，加以协调控制，使车流在干道上的行驶过程中，连续得到一个接一个的绿灯 信号，畅通无阻地通过沿途所有交叉路口，这就是通常意义上的绿波交通。绿波交通是伴随 着城市可持续发展趋势而出现的，它充分体现了以人为本、人与自然相协调的思想。然而传 统的绿波交通，其交通信号控制系统配时方案及控制策略的制定主要以历史或经验数据为基 础，其控制方案一旦形成，就极少改变，属于静态的绿波控制方法。一旦路网交通发生变化， 该方法的控制效果就受到极大影响。
目前城市路网中的各交叉口大多采用单点信号控制方式，独立进行配时，不考虑与相邻 路口的联动性，使得车辆经常在几个路口连续遇到红灯，造成行车极为不便，极大影响了交 通干线的通行能力。同时，在有些道路上，交通状态波动较大，运用传统的静态绿波控制方 法不能够起到很好的协调控制效果。因此，为减少车辆在各个交叉口上的停车时间，特别是 使主干道上的车辆能够畅通行驶，通过实时的数据采集、状态判别、参数调整，将主干道上 若干个相邻的信号交叉口连接起来加以实时协调控制，形成干线交叉口交通信号实时协调绿 波控制系统，尽可能地增强城市干线的通行能力就显得至关重要。
发明内容
为了解决上述存在的问题，本发明提供基于交通状态判别的动态双向绿波控制方法，通 过对信号交叉口的实时协调控制，使该干线上的车辆能够畅通行驶，提高道路通行能力，对 解决当前城市干线交通拥堵不断加剧的问题具有极强的现实意义，为达此目的，本发明提供 基于交通状态判别的动态双向绿波控制方法，包括以下步骤：
(1)交通状态聚类中心判定；
采集道路的交通流数据对象，基于K均值聚类分析方法，确定各交通状态的聚类中心， 以各个交通状态中交通流数据对象的速度平均值作为该状态下对应的初始系统带速。
(2)交通参数获取；
定义1,2,3…n为n个相邻的交叉口，它们相邻的间距分别为L12，L23，L34，…，Ln-1,n，并根据实时获得的交通流数据按照单点交叉口信号控制方法计算各个交叉口对应的周期时长 {C1,C2,...,Cn}和绿信比{λ1,λ2,...,λn}，选取最大值作为该路段的关键交叉口周期时长C，获取 交叉口平均饱和度、平均延误、平均排队车辆数等交通参数值，并判别当前交通流所属类别 和对应的初始系统带速；
(3)计算各假定的理想信号间距；
组成交互式协调或者同步式协调的信号为理想信号，又由于相距信号的时差相当于交 互式协调的时差，相距vC信号的时差相当于同步式协调的时差，因此以1为起始信号，则其 下游同1相距处即为正好能组成交互式协调或者同步协调的理想信号的位置；
以作为理想信号间距的变化范围，并取步长为10m,确定各假定理想信号的间 距ai：
其中i为满足1≤i≤20的整数；
(4)确定实际信号相对于各理想信号的挪移量；
设实际信号位置同各理想信号错移的距离为实际信号相对于个理想信号的挪移量。对于 每一个理想信号ai，均需要确定信号交叉口j实际信号位置相对于理想信号ai的挪移量Aij， 其计算公式为：
(5)确定合适的理想信号位置；
对于每一个ai，将对应的Aij按从小到大的顺序排列得到序列Ci1,Ci2,...,Cin，设排列后对 应的交叉口序列为ji1,ji2,...,jin，并计算排序后各相邻挪移量之差，设各差值组成的新的序列 为Bi1,Bi2,...,Bin-1，将Bi1,Bi2,...,Bin-1序列里的最大者记入bi列，再取bi中的最大值b及b所对 应的ai值a，则a作为该路段交叉口的理想信号值，实际信号距理想信号的最大挪移量为
根据b对应的序列Bin做出理想信号位置图，在图中选取与理想信号间的挪移量差值最大 的交叉口x，将x前移作为其中的一个理想信号，然后按照每a间距将各理想信号列在 各实际信号之间，得到最合适的理想信号的位置，并做出理想信号与实际信号的相对位置图。
(6)连续行驶通过带的设计；
根据做出的理想信号与实际信号的相对位置图，获得各实际信号在理想信号的左、右位 置，若两个相邻实际信号合用一个理想信号，则这两个实际信号为同步协调；其他各实际信 号间都采用交互式协调；
设第j个交叉口的实际挪移量为Aj，则因实际信号与理想信号位置不一致所产生的绿时 损失GSj为：
各交叉口的有效绿信比λej：
λej＝λ-GSj
分别获得各实际信号在理想信号的左、右位置的有效绿信比的最小值λe1、λe2，则双向 绿波的带宽效率E为路段左右端交叉口有效绿信比的平均值，即
(7)确定系统带速；
若保持原定周期时长，则系统带速需要调整为v*：
本发明的进一步改进，所述步骤(1)中，交通流数据对象是指实际观测到的交通流；路 网的聚类类别数目为4，即路网被分为轻度交通状态、适度交通状态、重度交通状态以及过 饱和交通状态；交通流数据对象和交通状态的聚类中心都为向量，所包含的元素包括：饱和 度、延误、排队长度。
本发明的进一步改进，所述步骤(1)中，采集的交通流数据对象应超过100个。
本发明的进一步改进，所述步骤(1)中，具体的步骤为：
1)根据路网聚类类别数目，将N个交通流数据对象中随机分为4类，并计算初始聚类 中心Ck(k＝1,2,3,4)，具体计算公式为：
其中Ck(k＝1,2,3,4)表示第k个交通状态类别Pk(k＝1,2,3,4)的聚类中心，Nk表示第k个 交通状态类别Pk(k＝1,2,3,4)中的对象数目，Xj(＝1,2,…,N)表示第k个交通状态类别 Pk(k＝1,2,3,4)的第j个交通流数据对象；
2)计算交通流数据对象Mj(＝1,2,…,N)与各聚类中心Ck(k＝1,2,3,4)之间的距离，若对 象Mj与聚类中心Ci之间的距离最小，那么将该对象归为Pi类，其计算公式为：
其中，向量Mj＝(mj1,mj2,…,mjn)T、向量Ck＝(ck1,ck2,…,ckn)T分别表示第j个对象Mj与第k 个类别的聚类中心Ci，表示对象Mj与聚类中心Ck之间的距离度量。
3)计算目标函数J，若J值收敛则聚类结束，当前类别即为最终的分类类别：否则进入 步骤4)。其中J值的计算公式为：
4)重新计算聚类中心，并进入步骤1)。
本发明的进一步改进，所述步骤(4)中，由于Aij的物理意义是信号交叉口j实际信号位 置相对于理想信号ai的挪移量，因此当Aij大于ai值时，应取Aij-ai作为新的Aij，并重新判断 新Aij是否大于ai，直至Aij<ai时，取该值作为最终的Aij。
本发明的进一步改进，所述步骤(4)中，若计算出的Aij为负值，表示交叉口j要后移|Aij| 的距离才能和理想信号点重合，此时交叉口j与相邻交叉口形成交互式协调；如果不后移， 则同相邻交叉口组成同步协调，此时应将计算得到Aij的值加上ai，使其大于0，作为最终的Aij。
本发明基于交通状态判别的动态双向绿波控制方法，其是基于交通状态识别的动态交通 干线双向动态绿波控制方法，将将基于K均值聚类分析法的交通状态识别方法和基于数解法 的双向绿波控制模型相结合，能够根据路网交通状态的变化动态地调整双向绿波控制方案， 能使干线上的车辆能够畅通行驶，提高道路通行能力，对解决当前城市干线交通拥堵不断加 剧的问题具有极强的现实意义。
附图说明
图1为本发明的方法操作流程示意图；
图2为本发明的实例道路图；
图3为本发明的实例理想信号位置图；
图4为本发明的实例理想信号与实际信号相对位置图；
图5为本发明的实例数解法计算结果图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供基于交通状态判别的动态双向绿波控制方法，通过对信号交叉口的实时协调 控制，使该干线上的车辆能够畅通行驶，提高道路通行能力，对解决当前城市干线交通拥堵 不断加剧的问题具有极强的现实意义。
本发明所采用的技术方案是如图1所示的一种交通干线双向动态绿波控制方法，包括以 下步骤：
(1)交通状态聚类中心判定；
采集道路的交通流数据对象，基于K均值聚类分析方法，确定各交通状态的聚类中心， 以各个交通状态中交通流数据对象的速度平均值作为该状态下对应的初始系统带速。
(2)交通参数获取；
定义1,2,3…n为n个相邻的交叉口，它们相邻的间距分别为L12，L23，L34，…，Ln-1,n，并根据实时获得的交通流数据按照单点交叉口信号控制方法计算各个交叉口对应的周期时长 {C1,C2,...,Cn}和绿信比{λ1,λ2,...,λn}，选取最大值作为该路段的关键交叉口周期时长C，获取 交叉口平均饱和度、平均延误、平均排队车辆数等交通参数值，并判别当前交通流所属类别 和对应的初始系统带速；
(3)计算各假定的理想信号间距：组成交互式协调或者同步式协调的信号为理想信号， 又由于相距信号的时差相当于交互式协调的时差，相距vC信号的时差相当于同步式协调 的时差，因此以1为起始信号，则其下游同1相距处即为正好能组成交互式协 调或者同步协调的“理想信号”的位置。
以作为理想信号间距的变化范围，并取步长为10m,确定各假定理想信号的间 距ai：
其中i为满足1≤i≤20的整数。
(4)确定实际信号相对于各理想信号的挪移量：设实际信号位置同各理想信号错移的距 离为实际信号相对于个理想信号的挪移量。对于每一个理想信号ai，均需要确定信号交叉口 j实际信号位置相对于理想信号ai的挪移量Aij，其计算公式为：
(5)确定合适的理想信号位置：对于每一个ai，将对应的Aij按从小到大的顺序排列得 到序列Ci1,Ci2,...,Cin，设排列后对应的交叉口序列为ji1,ji2,...,jin，并计算排序后各相邻挪移量 之差，设各差值组成的新的序列为Bi1,Bi2,...,Bin-1，将Bi1,Bi2,...,Bin-1序列里的最大者记入bi列，再取bi中的最大值b及b所对应的ai值a，则a作为该路段交叉口的理想信号值，实际 信号距理想信号的最大挪移量为
根据b对应的序列Bin做出理想信号位置图，在图中选取与理想信号间的挪移量差值最大 的交叉口x，将x前移作为其中的一个理想信号，然后按照每a间距将各理想信号列在 各实际信号之间，得到最合适的理想信号的位置，并做出理想信号与实际信号的相对位置图。
(6)连续行驶通过带的设计：根据做出的理想信号与实际信号的相对位置图，获得各实 际信号在理想信号的左、右位置，若两个相邻实际信号合用一个理想信号，则这两个实际信 号为同步协调；其他各实际信号间都采用交互式协调。
设第j个交叉口的实际挪移量为Aj，则因实际信号与理想信号位置不一致所产生的绿时 损失GSj为：
各交叉口的有效绿信比λej：
λej＝λ-GSj
分别获得各实际信号在理想信号的左、右位置的有效绿信比的最小值λe1、λe2，则双向 绿波的带宽效率E为路段左右端交叉口有效绿信比的平均值，即
(7)确定系统带速：
若保持原定周期时长，则系统带速需要调整为v*：
具体的，所述步骤(1)中，交通流数据对象是指实际观测到的交通流；路网的聚类类别 数目为4，即路网被分为轻度交通状态、适度交通状态、重度交通状态以及过饱和交通状态； 交通流数据对象和交通状态的聚类中心都为向量，所包含的元素包括：饱和度、延误、排队 长度。
所述步骤(1)中，采集的交通流数据对象应超过100个。
所述步骤(1)中，具体的步骤为：
1)根据路网聚类类别数目，将N个交通流数据对象中随机分为4类，并计算初始聚类 中心Ck(k＝1,2,3,4)，具体计算公式为：
其中Ck(k＝1,2,3,4)表示第k个交通状态类别Pk(k＝1,2,3,4)的聚类中心，Nk表示第k个 交通状态类别Pk(k＝1,2,3,4)中的对象数目，Xj(＝1,2,…,N)表示第k个交通状态类别Pk(k＝1,2,3,4)的第j个交通流数据对象；
2)计算交通流数据对象Mj(＝1,2,…,N)与各聚类中心Ck(k＝1,2,3,4)之间的距离，若对 象Mj与聚类中心Ci之间的距离最小，那么将该对象归为Pi类，其计算公式为：
其中，向量Mj＝(mj1,mj2,…,mjn)T、向量Ck＝(ck1,ck2,…,ckn)T分别表示第j个对象Mj与第k 个类别的聚类中心Ci，表示对象Mj与聚类中心Ck之间的距离度量。
3)计算目标函数J，若J值收敛则聚类结束，当前类别即为最终的分类类别：否则进入 步骤4)。其中J值的计算公式为：
4)重新计算聚类中心，并进入步骤1)。
所述步骤(4)中，由于Aij的物理意义是信号交叉口j实际信号位置相对于理想信号ai的 挪移量，因此当Aij大于ai值时，应取Aij-ai作为新的Aij，并重新判断新Aij是否大于ai，直 至Aij<ai时，取该值作为最终的Aij。
所述步骤(4)中，若计算出的Aij为负值，表示交叉口j要后移|Aij|的距离才能和理想信 号点重合，此时交叉口j与相邻交叉口形成交互式协调；如果不后移，则同相邻交叉口组成 同步协调，此时应将计算得到Aij的值加上ai，使其大于0，作为最终的Aij。
结合徐州市三环南路的实施例对本发明的技术方案座进一步的说明。
图2表现了徐州市三环南路实际的道路情况。
步骤1：交通状态聚类中心判定
根据采集到的三环南路3天共288条交通流历史数据，采集间隔为15分钟，进行聚类分 析，得到的聚类中心如表1所示：
表1不同交通状态对应的聚类中心
以各状态下各对象的平均车速作为该状态下的初始系统带速，如表2所示：
表2不同交通状态对应的初始系统带速
步骤2：交通参数获取；
获得三环南路的当前饱和度，平均延误，各交叉口平均排队长度、各交叉口绿信比、 关键交叉口周期等交通数据。各个交叉口的交通数据及五个交叉口的总的交通数据如表3 和表4所示。
表3各交叉路口交通数据
表4五个交叉口总的基础数据
步骤2：交通状态判别；
计算得到该交通流情况和各交通状态聚类中心的距离，如表5所示：
表5该交通流情况和其他交通状态聚类中心的距离
可知该交通流和轻度交通状态的距离最近，因此判定该交通流为轻度交通状态，根据 表2，其对应的暂定系统带速为v＝40km/h＝11.1m/s。
步骤3：计算各假定的理想信号间距；
确定各假定理想信号间距ai：
其中i为满足1≤i≤20的整数。
步骤4：确定实际信号相对于各理想信号的挪移量；
确定信号交叉口j实际信号位置相对于理想信号ai的挪移量Aij，结果如表6第二列至 第五列所示。
表6数解法确定信号时差
步骤5：确定合适的理想信号位置；
以a1＝90为例计算其对应的bi值，其计算方法是得到表7，步骤为：
1)其对应的Aij值按从小到大顺序排列得到序列C11,C12,...,C1n，写入表7第2行；
2)对应的交叉口编号序列j11,j12,...,j1n写入表7第一行；
3)然后计算排序后的相邻Aij值的差值，得到序列B11,B12,...,B1n-1，写入表7第三行。
表7重新排序的交叉口编号表
显然B11,B12,...,B1n-1中的最大值为27，即b1＝27。
按照上述步骤计算bi列的其他值，结果如表6第6列所示。
由表6可知，当ai≥106时，始终有bi值最大，为48；为使最大挪移量最小，取a＝106，此时最大挪移量为根据a和b对应的序列Bin做出理想信号位置图图3。
由图2可知与理想信号间的挪移量差值最大的交叉口x为交叉口2，故将交叉口2前移 290m作为一个理想信号，然后按照每1060m间距将各理想信号列在各实际信号间，如图4所示。
步骤6：连续行驶通过带的设计；
制作各交叉口绿时损失、有效绿信比、绿时差结果表表8，根据图3把理想信号按次列 在最靠近的实际信号下面(表8第二行)，再把各实际信号在理想信号的左、右位置填入表 8第三行，
表8各交叉口绿时损失、有效绿信比、绿时差
步骤7：确定系统带速
系统带速可调整为：
根据各交叉口距离、信号配时和绿时差，做出数解法计算结果图如图5所示。
效果比较；
分别在2016年12月19日、20日、21日上午9:30-10:30对这5个交叉口进行单点控制、静态双向绿波控制、动态双向绿波控制，实地测量交通流数据以便进行分析。
实地调研并加以分析，分别得到无绿波控制、静态绿波控制与动态绿波控制三种方案 下各时间段的车辆平均延误(m/s)和平均停车次数(次)，如表9所示。
表9各时段三种控制方案下的车辆平均延误(m/s)和平均停车次数(次)；
其中：相对平均延误是指该控制方式相对于单点控制，其平均延误减少的百分比；相 对平均停车率是指该方式相对于单点控制，其平均停车率减少的百分比。
根据表9可知，在三环南路交通量较大的情况下，无控制方式下车辆通过交叉口时遇 到红灯的情况较多，平均延误和平均停车率都较大，在这种情况下静态控制的控制效果有 限，相对平均延误和相对平均停车次数都较小(如在9:30-9:45时间段内)；随着交通量的 不断减小，单点控制方式下车辆的平均延误和平均停车率开始减小，静态控制的效果开始 提升。
无论在什么交通状态下，动态控制相对于静态控制都能显著提升控制效果，相对平均 延误和相对平均停车率都较大。
实例结果表明：动态绿波控制可以实时响应路段交通量的变化，实时调整相邻交叉口 相位差，大多数车辆可不停车通过交叉口，控制效果明显。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制， 而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (6)

1.基于交通状态判别的动态双向绿波控制方法，包括以下步骤，其特征在于：
(1)交通状态聚类中心判定；
采集道路的交通流数据对象，基于K均值聚类分析方法，确定各交通状态的聚类中心，以各个交通状态中交通流数据对象的速度平均值作为该状态下对应的初始系统带速；
(2)交通参数获取；
定义1,2,3…n为n个相邻的交叉口，它们相邻的间距分别为L12，L23，L34，…，Ln-1,n，并根据实时获得的交通流数据按照单点交叉口信号控制方法计算各个交叉口对应的周期时长{C1,C2,...,Cn}和绿信比{λ1,λ2,...,λn}，选取最大值作为该路段的关键交叉口周期时长C，获取交叉口平均饱和度、平均延误、平均排队车辆数交通参数值，并判别当前交通流所属类别和对应的初始系统带速；
(3)计算各假定的理想信号间距；
组成交互式协调或者同步式协调的信号为理想信号，又由于相距信号的时差相当于交互式协调的时差，相距vC信号的时差相当于同步式协调的时差，因此以1为起始信号，则其下游同1相距处即为正好能组成交互式协调或者同步协调的“理想信号”的位置；
以作为理想信号间距的变化范围，并取步长为10m,确定各假定理想信号的间距ai：
其中i为满足1≤i≤20的整数；
(4)确定实际信号相对于各理想信号的挪移量；
设实际信号位置同各理想信号错移的距离为实际信号相对于个理想信号的挪移量，对于每一个理想信号ai，均需要确定信号交叉口j实际信号位置相对于理想信号ai的挪移量Aij，其计算公式为：
(5)确定合适的理想信号位置；
对于每一个ai，将对应的Aij按从小到大的顺序排列得到序列Ci1,Ci2,...,Cin，设排列后对应的交叉口序列为ji1,ji2,...,jin，并计算排序后各相邻挪移量之差，设各差值组成的新的序列为Bi1,Bi2,...,Bin-1，将Bi1,Bi2,...,Bin-1序列里的最大者记入bi列，再取bi中的最大值b及b所对应的ai值a，则a作为该路段交叉口的理想信号值，实际信号距理想信号的最大挪移量为
根据b对应的序列Bin做出理想信号位置图，在图中选取与理想信号间的挪移量差值最大的交叉口x，将x前移作为其中的一个理想信号，然后按照每a间距将各理想信号列在各实际信号之间，得到最合适的理想信号的位置，并做出理想信号与实际信号的相对位置图；
(6)连续行驶通过带的设计；
根据做出的理想信号与实际信号的相对位置图，获得各实际信号在理想信号的左、右位置，若两个相邻实际信号合用一个理想信号，则这两个实际信号为同步协调；其他各实际信号间都采用交互式协调；
设第j个交叉口的实际挪移量为Aj，则因实际信号与理想信号位置不一致所产生的绿时损失GSj为：
各交叉口的有效绿信比λej：
λej＝λ-GSj
分别获得各实际信号在理想信号的左、右位置的有效绿信比的最小值λe1、λe2，则双向绿波的带宽效率E为路段左右端交叉口有效绿信比的平均值，即
(7)确定系统带速；
若保持原定周期时长，则系统带速需要调整为v*：
2.根据权利要求1所述的基于交通状态判别的动态双向绿波控制方法，其特征在于：所述步骤(1)中，交通流数据对象是指实际观测到的交通流；路网的聚类类别数目为4，即路网被分为轻度交通状态、适度交通状态、重度交通状态以及过饱和交通状态；交通流数据对象和交通状态的聚类中心都为向量，所包含的元素包括：饱和度、延误、排队长度。
3.根据权利要求1所述的基于交通状态判别的动态双向绿波控制方法，其特征在于：所述步骤(1)中，采集的交通流数据对象应超过100个。
4.根据权利要求1所述的基于交通状态判别的动态双向绿波控制方法，其特征在于：所述步骤(1)中，具体的步骤为：
1)根据路网聚类类别数目，将N个交通流数据对象中随机分为4类，并计算初始聚类中心Ck(k＝1,2,3,4)，具体计算公式为：
其中Ck(k＝1,2,3,4)表示第k个交通状态类别Pk(k＝1,2,3,4)的聚类中心，Nk表示第k个交通状态类别Pk(k＝1,2,3,4)中的对象数目，Xj(＝1,2,…,N)表示第k个交通状态类别Pk(k＝1,2,3,4)的第j个交通流数据对象；
2)计算交通流数据对象Mj(＝1,2,…,N)与各聚类中心Ck(k＝1,2,3,4)之间的距离，若对象Mj与聚类中心Ci之间的距离最小，那么将该对象归为Pi类，其计算公式为：
其中，向量Mj＝(mj1,mj2,…,mjn)T、向量Ck＝(ck1,ck2,…,ckn)T分别表示第j个对象Mj与第k个类别的聚类中心Ci，表示对象Mj与聚类中心Ck之间的距离度量；
3)计算目标函数J，若J值收敛则聚类结束，当前类别即为最终的分类类别：否则进入步骤4)，其中J值的计算公式为：
4)重新计算聚类中心，并进入步骤1)。
5.根据权利要求1所述的基于交通状态判别的动态双向绿波控制方法，其特征在于：所述步骤(4)中，由于Aij的物理意义是信号交叉口j实际信号位置相对于理想信号ai的挪移量，因此当Aij大于ai值时，应取Aij-ai作为新的Aij，并重新判断新Aij是否大于ai，直至Aij<ai时，取该值作为最终的Aij。
6.根据权利要求1所述的基于交通状态判别的动态双向绿波控制方法，其特征在于：所述步骤(4)中，若计算出的Aij为负值，表示交叉口j要后移|Aij|的距离才能和理想信号点重合，此时交叉口j与相邻交叉口形成交互式协调；如果不后移，则同相邻交叉口组成同步协调，此时应将计算得到Aij的值加上ai，使其大于0，作为最终的Aij。
CN201810536259.6A 2018-05-30 2018-05-30 基于交通状态判别的动态双向绿波控制方法 Active CN108806290B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810536259.6A CN108806290B (zh) 2018-05-30 2018-05-30 基于交通状态判别的动态双向绿波控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810536259.6A CN108806290B (zh) 2018-05-30 2018-05-30 基于交通状态判别的动态双向绿波控制方法

Publications (2)

Publication Number Publication Date
CN108806290A CN108806290A (zh) 2018-11-13
CN108806290B true CN108806290B (zh) 2019-06-14

Family

ID=64089254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810536259.6A Active CN108806290B (zh) 2018-05-30 2018-05-30 基于交通状态判别的动态双向绿波控制方法

Country Status (1)

Country Link
CN (1) CN108806290B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111462476A (zh) * 2019-01-22 2020-07-28 上海宝康电子控制工程有限公司 基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法
CN111951580B (zh) * 2019-05-14 2023-08-04 阿里巴巴集团控股有限公司 信号灯的协调方法、计算设备及存储介质
CN110097767B (zh) * 2019-05-22 2021-07-02 东南大学 一种改进的干线协调控制周期时长和相位差确定方法
CN110047303B (zh) * 2019-06-05 2021-04-16 上海千年城市规划工程设计股份有限公司 提高双向绿波控制中绿波带带宽的相位相序调整方法
CN110598747B (zh) * 2019-08-13 2023-05-02 广东工业大学 基于自适应k均值聚类算法的道路分类方法
CN111047883B (zh) * 2019-12-23 2021-01-01 西南科技大学 关键交叉口及相邻交叉口交通信号控制方法
CN111833620B (zh) * 2020-06-17 2021-06-25 东南大学 一种过饱和交通状态干线单向信号协调设计方法与装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101159097A (zh) * 2007-11-16 2008-04-09 东南大学 一路一线直行式公交系统的信号协调控制方法
CN102982686A (zh) * 2012-11-26 2013-03-20 上海千年城市规划工程设计股份有限公司 基于浮动车行程时间的交通绿波动态调整系统及方法
CN103198680A (zh) * 2013-04-25 2013-07-10 东南大学 干线多线路公交绿波协调控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9231843B2 (en) * 2012-11-29 2016-01-05 International Business Machines Corporation Estimating available bandwith in cellular networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101159097A (zh) * 2007-11-16 2008-04-09 东南大学 一路一线直行式公交系统的信号协调控制方法
CN102982686A (zh) * 2012-11-26 2013-03-20 上海千年城市规划工程设计股份有限公司 基于浮动车行程时间的交通绿波动态调整系统及方法
CN103198680A (zh) * 2013-04-25 2013-07-10 东南大学 干线多线路公交绿波协调控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
城市干线公交绿波优化控制方法及关键技术研究;戴光远;《中国优秀博士学位论文全文数据库 工程科技Ⅱ辑》;20170131;全文
城市干道绿波带配时方法研究;郭丽苹;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20160228;全文
基于道路交通状态判别的干线动态协调控制优化方法研究;王兹林;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20160131;全文

Also Published As

Publication number Publication date
CN108806290A (zh) 2018-11-13

Similar Documents

Publication Publication Date Title
CN108806290B (zh) 基于交通状态判别的动态双向绿波控制方法
CN105869405B (zh) 基于卡口数据的城市道路交通拥堵指数计算方法
CN103903433B (zh) 一种道路交通状态的实时动态判别方法及装置
CN103544841B (zh) 交通控制区域动态划分方法
CN103996289B (zh) 一种流量-速度匹配模型及行程时间预测方法及系统
CN106781563B (zh) 一种城市快速路交叉口公交优先信号协调配时方法
CN104680788B (zh) 一种用于交通路径选择的生态阻抗计算方法
CN108961747B (zh) 一种不完备卡口数据条件下的城市道路交通状态信息提取方法
CN104240523B (zh) 城市干道绿波控制方法
CN106846842A (zh) 基于多时段控制方案的城市干道协调控制优化方法
CN108564226A (zh) 一种基于出租车gps及手机信令数据的公交线路优化方法
CN104766476B (zh) 一种路段以及路网区域交通状态指数的计算方法
CN108470461B (zh) 一种交通信号控制器控制效果在线评价方法及系统
CN105489008B (zh) 基于浮动车卫星定位数据的城市道路拥堵计算方法及系统
CN107316472A (zh) 一种面向干道双向不同需求的动态协调控制方法
CN108629973A (zh) 基于固定检测设备的路段交通拥堵指数计算方法
CN109902864B (zh) 一种考虑网络配载均衡的施工区交通组织方案设计方法
CN104269066A (zh) 一种信号交叉路口过饱和状态判别方法
CN106710245A (zh) 基于密度的快速路多车道匝道控制方法
CN110111592A (zh) 基于交通信号控制机动态匹配最优信号配时方案的方法
CN106297334A (zh) 绿波协调控制下的干线路段划分方法
CN109840966A (zh) 基于车辆行驶数据清洗的行程划分方法和系统
WO2020186764A1 (zh) 基于视频号牌设备的待转区车道饱和车头时距计算方法
CN109147329A (zh) 基于通行能力的区域交通运行状态指数计算及可视化方法
CN106846808B (zh) 一种基于车牌数据的车辆停车次数计算方法

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
GR01 Patent grant
GR01 Patent grant