CN108898854A - 一种基于模型预测控制的多匝道协同控制方法 - Google Patents
一种基于模型预测控制的多匝道协同控制方法 Download PDFInfo
- Publication number
- CN108898854A CN108898854A CN201810739023.2A CN201810739023A CN108898854A CN 108898854 A CN108898854 A CN 108898854A CN 201810739023 A CN201810739023 A CN 201810739023A CN 108898854 A CN108898854 A CN 108898854A
- Authority
- CN
- China
- Prior art keywords
- sub
- district
- ramp
- control
- vehicle number
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/075—Ramp control
-
- 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)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于模型预测控制的多匝道协同控制方法,包括步骤:1)对多匝道路网进子区划分;2)绘制各子区的宏观基本图,确定各子区最佳运行状态对应的车辆数;3)建立上层主线关联多匝道协同控制模型;4)建立下层子系统的模型预测控制;5)模型求解。本发明提出的方法将各子区内剩余车辆数作为性能指标建立协同控制模型来求解各匝道的控制律,并进一步求解了各匝道信号控制方案,同时结合了模型预测控制策略,使得匝道控制效果更好,各匝道之间的车流分配更加均衡。
Description
技术领域
本发明涉及匝道协同控制领域,尤其涉及一种基于模型预测控制的多匝道协同控制方法。
背景技术
随着新世纪新时代的到来,我国城市社会经济迅猛发展使得城市规模不断扩展,城市发展开始进入城乡一体化发展的新时期,城市路网规模也随之不断扩大,由于城市快速路是城市内的快速过境通道,相对于普通道路具有快速、畅通、舒适等优点,因此,大部分城市开始大力兴建快速路来分担城市干道的交通量,以期缓解城市中心道路交通拥堵,然而,随着交通需求的不断扩大,尤其是城际和市郊交通流量的大幅增加,城市快速路系统的整体运行效率降低,并开始出现高峰期拥堵。而城市快速路通过匝道与地面道路相连接,极易出现某些路段和匝道拥堵蔓延至路网拥堵的情况,这种情况不仅影响快速路功能的发挥,也妨碍城区内部交通正常运行,因此采取有效的控制与管理方法提高快速路系统的整体运行效率迫在眉睫。
对于多匝道协同控制方面的研究,其研究对象包括高速公路多匝道协同控制和城市快速路多匝道协同控制两种。姜紫峰等提出入口匝道联合调节模型和出口匝道分流模型,再运用META模型中的守恒方程、速度方程和稳态速-密方程将两个模型协调起来,以实现对多匝道的协同控制;江竹等对高速公路多匝道分层递阶控制结构中的网络负荷层进行了改进,并在其中加入了基于卡尔曼滤波方法的OD矩阵预测,实现对总需求和匝道排队长度的预测,进一步利用预测数据实现多匝道协调控制;K.Bogenberger和A.D.May对匝道自适应协同控制策略进行了一定的研究,并对ANN在匝道协同控制中的应用进行了说明,同时提出了动态分层的online simulation和adaptative fuzzy control两点研究方向的设想;李曙红等从路网层面建立了基于双层规划模型的多匝道协调控制模型,但该模型的缺陷是设定的阻抗随流量严格递增,也没有考虑排队的影响;A.Kotsialos等将AMOC应用在城市快速换线的多匝道协调控制中,同时运用仿真分析了不同场景下控制的效率和公平问题;I.Papamichail等考虑到多匝道的分层递阶控制结构,并结合启发式算法,提出一种基于启发式算法和分层递阶结构的多匝道协同控制策略和方法;Q.Meng等从公平性的角度对多匝道协调控制进行研究,基于Pareto最优理论和改进的元胞传输模型,建立了一个多目标匝道协调控制模型;李伟等建立了基于动态图混杂自动机和元胞传输模型的快速路网交通流模型,用以分析系统的平衡状态集,然后提出一种分布式匝道协调控制方法,该方法的控制目标是使系统状态尽可能达到某个平衡状态;朱炯提出了一种拥挤条件下的多入口匝道动态协调控制方法,该方法以系统通过流量最大和入口匝道车辆平均等待时间最少为控制目标,并讨论了不同控制周期下各入口匝道相对应的最佳调节率;熊健针对高速公路多匝道协调控制问题,提出一种新遗传蚁群混合算法并用其构建了多匝道协调控制模型,通过该模型优化各匝道的控制器参数,达到协调优化多匝道调节率的目的;牛忠海等针对不同的匝道控制范围提出不同的匝道控制模式,分别从局部控制和路网全局控制两个层面对匝道控制进行研究。
综上所述,在多匝道控制研究中,单向主线关联多匝道协同控制研究类型尤为受到关注,针对多匝道协同控制系统复杂性大的问题,主要采用分层递阶控制和分布式控制两种策略,且均属于实时交通控制研究领域,而对于预测控制没有涉及,尤其是基于滚动时间域的预测控制,另外,在以往对于匝道控制研究最后都是求解得到匝道控制律,不能直接实施。因此,本文提出一种基于分层递阶控制和S模型预测控制的多匝道协同控制方法,将各子区内剩余车辆数作为性能指标建立协同控制模型来求解各匝道的控制律,并进一步求解了各匝道信号控制方案,同时结合了模型预测控制策略,使得匝道控制效果更好,各匝道之间的车流分配更加均衡。
发明内容
本发明的目的在于克服过去多匝道协同控制方法在预测控制方面的不足,提供一种基于模型预测控制的多匝道协同控制方法,该方法可以大大提高匝道控制效率,极大优化主线及匝道车辆的行程时间、停车次数及排队长度等,该方法采用滚动优化的方式,不断调整优化模型,大大增加了控制的稳定性和可靠性,在匝道控制方面应用范围较广。
为实现上述目的,本发明所提供的技术方案为:一种基于模型预测控制的多匝道协同控制方法,包括以下步骤:
1)对多匝道路网进行子区划分;
2)绘制各子区的宏观基本图,确定各子区最佳运行状态对应的车辆数;
3)建立上层主线关联多匝道协同控制模型;
4)建立下层子系统的模型预测控制;
5)模型求解。
所述步骤1)包括以下内容:
根据出入口匝道间隔分布的特点,在对多匝道路网进行子区划分时通常应保证各子区均包括一组相邻出入口匝道组合,并以出入口匝道为分区划分的边界,相邻子区匝道间的主线基本路段均分到两个子区,由此建立路网子分区,如图2所示。
所述步骤2)包括以下内容:
2.1)收集数据:在各子区的进出口处布设交通检测器,主要包括子区中的入口匝道、出口匝道以及主线上车辆驶入子区处和驶出子区处,能够实时记录驶入子区和驶出子区的车辆数;
2.2)绘制各子区的宏观基本图:该图为驶出子区的车辆数与子区内车辆数的关系图,图中横坐标表示驶出子区的车辆数,纵坐标表示子区内车辆数,此关系图有较为明显的变化趋势,第一段是初始阶段,随着车流的驶入,子区内驶出车辆数增加,剩余车辆数也增加;第二段是,随着车流的驶入,子区内驶出车辆数增加,剩余车辆数维持在一定数量有微小起伏变化;第三段开始,随着驶入车辆数的增加,驶出车辆数也增加,但是子区内剩余车辆数迅速积累。可以通过在出入口布设检测器获得宏观基本图,同时可以用交通仿真辅助以补充数据;
2.3)定义各子区最佳运行状态对应的车辆数为
2.4)确定各子区值的大小:根据宏观基本图变化趋势,定义第二段子区内剩余车辆数基本维持不变时所对应的车辆数即为值。
所述步骤3)包括以下内容:
3.1)确定上层主线关联多匝道协同控制模型的控制目标:对于主线关联多匝道协同控制模型优化目标的选择,不仅要考虑快速路主线的状态,也要考虑匝道的状态。对于快速路主线来说,控制目标是使运行状态保持在最佳运行状态;对于入口匝道来说,控制目标主要是使匝道上的车辆尽快进入主线,在匝道上排队车辆数最少。
3.2)确定上层控制目标表达式:为了保障主线运行的效益,当主线内车辆数越接近其运行效益越高,因此控制目标方程可表示如下式:
3.3)确定约束条件:
其中:qi(k+1)—表示k+1时刻子区i的车辆数;qi(k)—表示k时刻子区i的车辆数;—表示k时刻进入子区i的车辆数;—表示k时刻驶出子区i的车辆数;ri(k)—表示k时刻入口匝道i的控制律;T·ri(k)—表示k时刻从入口匝道驶入子区i的车辆数;si(k)—表示k时刻从出口匝道驶出子区i的车辆数;ζi(k+1)—表示k+1时刻子区i的入口匝道上排队车辆数;ζi(k)—表示k时刻子区i的入口匝道上排队车辆数;di(k)—表示k时刻驶入入口匝道i的车辆数;—表示入口匝道最大调节律,—表示入口匝道最小调节律;
所述步骤4)包括以下内容:
4.1)预测模型的选择:考虑到计算复杂性,通常选用研究交通流而不是单个车辆的微观交通模型作为模型预测控制器的预测模型。由于模型预测控制器的联机可行性非常重要,所以预测模型需要很好地权衡精确性和计算复杂性之间的关系,通过验证,S模型能在基本保持精确性的基础上大大降低仿真计算时间,因此,采用S模型作为预测模型。
4.2)确定下层模型预测控制的控制目标:下层模型预测控制的控制目标是要使得模型预测的入口匝道控制率尽可能接近上层协同控制模型优化得到的各入口匝道控制率,因此,以模型预测的入口匝道控制率与上层协同控制模型优化得到的各入口匝道控制率之差作为性能指标,以上述性能指标达到最小为控制目标。
4.3)确定下层控制目标表达式:为达到控制目标,对应方程可表示如下式:
4.3)确定约束条件:
其中:qi(k)—表示k时刻上层优化模型求得的子区i内车辆数;g(kctrl)表示控制步长kctrl内的未来控制输入序列,例如绿灯时间划分;为了保证入口匝道各个相位绿灯时间之和与该入口匝道信号控制系统的周期时长一致,故设定φ(g(kctrl))=0;gmin和gmax分别是控制信号g的上下界。
所述步骤5)包括以下内容:
5.1)求解得到各子区匝道控制率;
5.2)求解得到各子区信号控制绿灯时长。
本发明与现有技术相比,具有如下优点与有益效果:
1.本发明提出了根据子区宏观基本图以剩余车辆数为性能指标确定子区最佳运行状态,能够直接控制子区车辆数来保证子区状态,较易实施,效果明显;
2.本发明在实时控制的基础上引入基于滚动时间域的模型预测控制,使得模型预测通过不断校正更加贴近现实,从而大大提高了控制效果;
3.本发明在常规只求解匝道控制律的基础上进一步通过模型求得了匝道信号控制方案,增加了应用效果;
附图说明
图1为本发明方法流程图。
图2为快速路主线及多匝道的基本空间模型形式图。
图3为仿真信息传递图。
图4为子区1驶出车辆数与剩余车辆数的关系图。
图5为子区2驶出车辆数与剩余车辆数的关系图。
图6为子区3驶出车辆数与剩余车辆数的关系图。
图7为三个子区驶出车辆数与剩余车辆数的关系图。
图8为快速路主线平均行程时间对比分析。
图9为入口匝道1平均行程时间对比分析。
图10为入口匝道2平均行程时间对比分析。
图11为入口匝道3平均行程时间对比分析。
图12为入口匝道1平均排队长度对比分析。
图13为入口匝道2平均排队长度对比分析。
图14为入口匝道3平均排队长度对比分析。
图15为快速路车均延误对比分析。
图16为入口匝道1车均延误对比分析。
图17为入口匝道2车均延误对比分析。
图18为入口匝道3车均延误对比分析。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如图1所示,本实施例所述的基于模型预测控制的多匝道协同控制方法,其具体情况如下:
1)对多匝道路网进行子区划分;
2)绘制各子区的宏观基本图,确定各子区最佳运行状态对应的车辆数;
3)建立上层主线关联多匝道协同控制模型;
4)建立下层子系统的模型预测控制;
5)模型求解。
所述步骤1)包括以下内容:
根据出入口匝道间隔分布的特点,在对多匝道路网进行子区划分时通常应保证各子区均包括一组相邻出入口匝道组合,并以出入口匝道为分区划分的边界,相邻子区匝道间的主线基本路段均分到两个子区,由此建立路网子分区,如图2所示。
所述步骤2)包括以下内容:
2.1)收集数据:在各子区的进出口处布设交通检测器,主要包括子区中的入口匝道、出口匝道以及主线上车辆驶入子区处和驶出子区处,能够实时记录驶入子区和驶出子区的车辆数;
2.2)绘制各子区的宏观基本图:该图为驶出子区的车辆数与子区内车辆数的关系图,图中横坐标表示驶出子区的车辆数,纵坐标表示子区内车辆数,此关系图有较为明显的变化趋势,第一段是初始阶段,随着车流的驶入,子区内驶出车辆数增加,剩余车辆数也增加;第二段是,随着车流的驶入,子区内驶出车辆数增加,剩余车辆数维持在一定数量有微小起伏变化;第三段开始,随着驶入车辆数的增加,驶出车辆数也增加,但是子区内剩余车辆数迅速积累。可以通过在出入口布设检测器获得宏观基本图,同时可以用交通仿真辅助以补充数据;
2.3)定义各子区最佳运行状态对应的车辆数为
2.4)确定各子区值的大小:根据宏观基本图变化趋势,定义第二段子区内剩余车辆数基本维持不变时所对应的车辆数即为值。
所述步骤3)包括以下内容:
3.1)确定上层主线关联多匝道协同控制模型的控制目标:对于主线关联多匝道协同控制模型优化目标的选择,不仅要考虑快速路主线的状态,也要考虑匝道的状态。对于快速路主线来说,控制目标是使运行状态保持在最佳运行状态;对于入口匝道来说,控制目标主要是使匝道上的车辆尽快进入主线,在匝道上排队车辆数最少。
3.2)确定上层控制目标表达式:为了保障主线运行的效益,当主线内车辆数越接近其运行效益越高,因此控制目标方程可表示如下式:
3.3)确定约束条件:
其中:qi(k+1)—表示k+1时刻子区i的车辆数;qi(k)—表示k时刻子区i的车辆数;—表示k时刻进入子区i的车辆数;—表示k时刻驶出子区i的车辆数;ri(k)—表示k时刻入口匝道i的控制律;T·ri(k)—表示k时刻从入口匝道驶入子区i的车辆数;si(k)—表示k时刻从出口匝道驶出子区i的车辆数;ζi(k+1)—表示k+1时刻子区i的入口匝道上排队车辆数;ζi(k)—表示k时刻子区i的入口匝道上排队车辆数;di(k)—表示k时刻驶入入口匝道i的车辆数;—表示入口匝道最大调节律,—表示入口匝道最小调节律;
所述步骤4)包括以下内容:
4.1)预测模型的选择:考虑到计算复杂性,通常选用研究交通流而不是单个车辆的微观交通模型作为模型预测控制器的预测模型。由于模型预测控制器的联机可行性非常重要,所以预测模型需要很好地权衡精确性和计算复杂性之间的关系,通过验证,S模型能在基本保持精确性的基础上大大降低仿真计算时间,因此,采用S模型作为预测模型。
4.2)确定下层模型预测控制的控制目标:下层模型预测控制的控制目标是要使得模型预测的入口匝道控制率尽可能接近上层协同控制模型优化得到的各入口匝道控制率,因此,以模型预测的入口匝道控制率与上层协同控制模型优化得到的各入口匝道控制率之差作为性能指标,以上述性能指标达到最小为控制目标。
4.3)确定下层控制目标表达式:为达到控制目标,对应方程可表示如下式:
4.3)确定约束条件:
其中:qi(k)—表示k时刻上层优化模型求得的子区i内车辆数;g(kctrl)表示控制步长kctrl内的未来控制输入序列,例如绿灯时间划分;为了保证入口匝道各个相位绿灯时间之和与该入口匝道信号控制系统的周期时长一致,故设定φ(g(kctrl))=0;gmin和gmax分别是控制信号g的上下界。
所述步骤5)包括以下内容:
5.1)求解得到各子区匝道控制率;
5.2)求解得到各子区信号控制绿灯时长。
采用微观交通仿真软件VISSIM作为仿真平台,它不但可以模拟真实的交通环境,还提供一种COM组件(COM component)可与外部应用程序相连接。基于协同控制模型所需数据的实时性,通过COM接口,外部程序可以获得VISSIM内部的交通数据,并且可以控制模型得到的信号配时改变VISSIM中各入口匝道的绿灯时长,这样就可以实现多匝道协同控制模型的仿真。通过COM接口访问VISSIM内部数据没有代码语言限制,可选用MATLAB进行二次开发,因此通过MATLAB引擎将COM得到的信息传递到MATLAB控制模型程序中进行计算优化,再通过引擎和COM接口将得到的优化结果传回到VISSIM,这样就完成一次在线优化过程。在一次仿真中,信息传递过程如图3所示。
(1)建立仿真路网及划分子区
本次仿真是多匝道协同控制与单匝道控制仿真及对比分析,其中单匝道控制采用ALINEA算法。评价指标为主线平均行程时间、主线车均延误、匝道平均行程时间、匝道车均延误和匝道平均排队长度。建立如下路网进行仿真分析:快速路为单向4车道,车流从西往东,长度为3.5km,入口匝道和出口匝道数量各为3个,分为3个子区,每个子区包含一个入口匝道和与其相邻的一个出口匝道,每个匝道都是单车道,各入口匝道信号周期为20s,调节控制周期为300s,本次仿真总时长为6000s,其中仿真清空时间为600s,实际仿真记录并输出仿真评价指标时间为5400s(1.5h),每隔60s记录一次数据,仿真时间分为三段,每一时段快速路与入口匝道流量均不同,具体流量输入如表1所示:
表1快速路与入口匝道流量输入
(2)确定各子区最佳运行状态下的车辆数
由于路网交通状态可通过路网内车辆数为指标进行判别,通过仿真获得快速路三个子区的驶出车辆数与子区内剩余车辆数的关系图分别如图4-图6所示。
从子区1和子区2的剩余车辆数变化图可以看出,在剩余车辆数在某一值附近上下微小波动一段时间后,随着车流量的增加,子区内车辆数开始急剧增加,子区3没有出现急剧增加是因为到达子区3的车辆数较少,但是根据前两个子区的变化情况,可以预测若到达子区3的车辆数继续增加,子区3的剩余车辆数变化趋势也跟前两个子区一样。将这三个变化趋势图结合到一张图上如图7所示。
从图中可以看出,在驶出车辆数为66veh/min时,子区内的剩余车辆数开始呈现不同变化趋势,因此,认为此时对应的剩余车辆数是子区运行状态最佳的时候,根据仿真数据可得到,此时三个子区对应的剩余车辆数分别是168veh、136veh和148veh,即
以上两个仿真除了输入指标和采用模型不一样,其中ALINEA算法是检测占有率进行输入,而协同控制模型是检测交通量数据进行输入,其他仿真环境均设置相同,根据以往研究,不同控制律对应绿灯时间如下表所示:
表2入口匝道信号配时表
(3)仿真结果及对比分析
①平均行程时间方面:通过仿真获得单匝道控制与多匝道协同控制下的快速路主线及各入口匝道平均行程时间如图8-图11所示。从图中可以看出,对于快速路主线平均行程时间来说,两种不同的匝道控制模型影响差别不大,仅在仿真后期,随着各匝道流量的增加,多匝道协同控制模型下的快速路主线平均行程时间比单匝道控制下的略高;但是对于各入口匝道平均行程时间来说,随着各匝道流量的增加,在仿真后期可以发现多匝道协同控制下的平均行程时间明显低于单匝道控制,说明多匝道协同控制能够有效降低各匝道的平均行程时间;从总体来看,在仿真时间内,多匝道协同控制模型下的快速路主线及各匝道总的平均时间比单匝道控制下的优化了14.6%。
②平均排队长度方面:通过仿真获得单匝道控制与多匝道协同控制下的各入口匝道平均排队长度如图12-图14所示。从图中可以看出:在仿真后期,入口匝道流量不断增大时,多匝道协同控制下的三个入口匝道的平均排队长度都明显小于单匝道控制,说明采用多匝道协同控制能有效缓解入口匝道拥堵;总体来看,在仿真时间内,多匝道协同控制下三个入口匝道的平均排队长度优化了88.9%。
③车均延误方面:通过仿真获得单匝道控制与多匝道协同控制下的快速路主线及各入口匝道车均延误如图15-图18所示。从图中可以看出,对于快速路主线车均延误来说,多匝道协同控制模型下的快速路主线车均延误比单匝道控制下的要高,尤其是在仿真后期更为明显;但是对于各入口匝道车均延误来说,随着各匝道流量的增加,在仿真后期可以发现多匝道协同控制下的车均延误明显低于单匝道控制,说明多匝道协同控制能够有效降低各匝道的车均延误;从总体来看,在仿真时间内,多匝道协同控制模型下的快速路主线及各匝道总的车均延误比单匝道控制下的优化了71.7%。
综合以上结果,两个仿真试验场景评价指标对比及优化率如下表所示。
表3不同仿真试验场景评价指标对比表
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (1)
1.一种基于模型预测控制的多匝道协同控制方法,其特征在于,包括以下步骤:
1)对多匝道路网进行子区划分;
2)绘制各子区的宏观基本图,确定各子区最佳运行状态对应的车辆数;
3)建立上层主线关联多匝道协同控制模型;
4)建立下层子系统的模型预测控制;
5)模型求解。
所述步骤1)包括以下内容:
根据出入口匝道间隔分布的特点,在对多匝道路网进行子区划分时通常应保证各子区均包括一组相邻出入口匝道组合,并以出入口匝道为分区划分的边界,相邻子区匝道间的主线基本路段均分到两个子区,由此建立路网子分区,如图2所示。
所述步骤2)包括以下内容:
2.1)收集数据:在各子区的进出口处布设交通检测器,主要包括子区中的入口匝道、出口匝道以及主线上车辆驶入子区处和驶出子区处,能够实时记录驶入子区和驶出子区的车辆数;
2.2)绘制各子区的宏观基本图:该图为驶出子区的车辆数与子区内车辆数的关系图,图中横坐标表示驶出子区的车辆数,纵坐标表示子区内车辆数,此关系图有较为明显的变化趋势,第一段是初始阶段,随着车流的驶入,子区内驶出车辆数增加,剩余车辆数也增加;第二段是,随着车流的驶入,子区内驶出车辆数增加,剩余车辆数维持在一定数量有微小起伏变化;第三段开始,随着驶入车辆数的增加,驶出车辆数也增加,但是子区内剩余车辆数迅速积累。可以通过在出入口布设检测器获得宏观基本图,同时可以用交通仿真辅助以补充数据;
2.3)定义各子区最佳运行状态对应的车辆数为
2.4)确定各子区值的大小:根据宏观基本图变化趋势,定义第二段子区内剩余车辆数基本维持不变时所对应的车辆数即为值。
所述步骤3)包括以下内容:
3.1)确定上层主线关联多匝道协同控制模型的控制目标:对于主线关联多匝道协同控制模型优化目标的选择,不仅要考虑快速路主线的状态,也要考虑匝道的状态。对于快速路主线来说,控制目标是使运行状态保持在最佳运行状态;对于入口匝道来说,控制目标主要是使匝道上的车辆尽快进入主线,在匝道上排队车辆数最少。
3.2)确定上层控制目标表达式:为了保障主线运行的效益,当主线内车辆数越接近其运行效益越高,因此控制目标方程可表示如下式:
3.3)确定约束条件:
其中:qi(k+1)—表示k+1时刻子区i的车辆数;qi(k)—表示k时刻子区i的车辆数;—表示k时刻进入子区i的车辆数;—表示k时刻驶出子区i的车辆数;ri(k)—表示k时刻入口匝道i的控制律;T·ri(k)—表示k时刻从入口匝道驶入子区i的车辆数;si(k)—表示k时刻从出口匝道驶出子区i的车辆数;ζi(k+1)—表示k+1时刻子区i的入口匝道上排队车辆数;ζi(k)—表示k时刻子区i的入口匝道上排队车辆数;di(k)—表示k时刻驶入入口匝道i的车辆数;—表示入口匝道最大调节律,—表示入口匝道最小调节律;
所述步骤4)包括以下内容:
4.1)预测模型的选择:考虑到计算复杂性,通常选用研究交通流而不是单个车辆的微观交通模型作为模型预测控制器的预测模型。由于模型预测控制器的联机可行性非常重要,所以预测模型需要很好地权衡精确性和计算复杂性之间的关系,通过验证,S模型能在基本保持精确性的基础上大大降低仿真计算时间,因此,采用S模型作为预测模型。
4.2)确定下层模型预测控制的控制目标:下层模型预测控制的控制目标是要使得模型预测的入口匝道控制率尽可能接近上层协同控制模型优化得到的各入口匝道控制率,因此,以模型预测的入口匝道控制率与上层协同控制模型优化得到的各入口匝道控制率之差作为性能指标,以上述性能指标达到最小为控制目标。
4.3)确定下层控制目标表达式:为达到控制目标,对应方程可表示如下式:
4.3)确定约束条件:
其中:qi(k)—表示k时刻上层优化模型求得的子区i内车辆数;g(kctrl)表示控制步长kctrl内的未来控制输入序列,例如绿灯时间划分;为了保证入口匝道各个相位绿灯时间之和与该入口匝道信号控制系统的周期时长一致,故设定φ(g(kctrl))=0;gmin和gmax分别是控制信号g的上下界。
所述步骤5)包括以下内容:
5.1)求解得到各子区匝道控制率;
5.2)求解得到各子区信号控制绿灯时长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810739023.2A CN108898854A (zh) | 2018-07-06 | 2018-07-06 | 一种基于模型预测控制的多匝道协同控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810739023.2A CN108898854A (zh) | 2018-07-06 | 2018-07-06 | 一种基于模型预测控制的多匝道协同控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108898854A true CN108898854A (zh) | 2018-11-27 |
Family
ID=64348618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810739023.2A Pending CN108898854A (zh) | 2018-07-06 | 2018-07-06 | 一种基于模型预测控制的多匝道协同控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108898854A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106773689A (zh) * | 2016-12-16 | 2017-05-31 | 西北工业大学 | 基于分层分布式模型预测控制的auv编队协同控制方法 |
CN109448402A (zh) * | 2018-12-24 | 2019-03-08 | 成都四方伟业软件股份有限公司 | 匝道控制方法及装置 |
CN109785623A (zh) * | 2019-02-03 | 2019-05-21 | 北方工业大学 | 一种面向应急疏散的干线匝道控制方法及系统 |
CN110471417A (zh) * | 2019-08-22 | 2019-11-19 | 东北大学 | 一种基于负载均衡的多agv避碰方法 |
CN111369813A (zh) * | 2020-03-23 | 2020-07-03 | 江苏大学 | 一种智能网联汽车的匝道分合流协同控制方法及系统 |
CN111429733A (zh) * | 2020-03-24 | 2020-07-17 | 浙江工业大学 | 一种基于宏观基本图的路网交通信号控制方法 |
CN111640297A (zh) * | 2020-05-09 | 2020-09-08 | 天津市市政工程设计研究院 | 车路协同环境下的多匝道协同控制及辅助驾驶方法 |
CN112650224A (zh) * | 2020-12-11 | 2021-04-13 | 国汽(北京)智能网联汽车研究院有限公司 | 自动驾驶仿真的方法、装置、设备及存储介质 |
CN113947900A (zh) * | 2021-10-15 | 2022-01-18 | 苏州科技大学 | 一种智能网联快速路匝道协同控制系统 |
CN114627658A (zh) * | 2022-04-22 | 2022-06-14 | 河北上元智能科技股份有限公司 | 一种重大特殊车队通行高速公路的交通控制方法 |
CN114882712A (zh) * | 2021-09-10 | 2022-08-09 | 无锡华通智能交通技术开发有限公司 | 一种基于车道空间占有率的多匝道控制快速路截流方法 |
CN117975737A (zh) * | 2024-04-02 | 2024-05-03 | 北京中交华安科技有限公司 | 一种面向公路交织区的车辆主动诱导和智能管控方法 |
-
2018
- 2018-07-06 CN CN201810739023.2A patent/CN108898854A/zh active Pending
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106773689B (zh) * | 2016-12-16 | 2019-08-13 | 西北工业大学 | 基于分层分布式模型预测控制的auv编队协同控制方法 |
CN106773689A (zh) * | 2016-12-16 | 2017-05-31 | 西北工业大学 | 基于分层分布式模型预测控制的auv编队协同控制方法 |
CN109448402A (zh) * | 2018-12-24 | 2019-03-08 | 成都四方伟业软件股份有限公司 | 匝道控制方法及装置 |
CN109448402B (zh) * | 2018-12-24 | 2021-02-09 | 成都四方伟业软件股份有限公司 | 匝道控制方法及装置 |
CN109785623A (zh) * | 2019-02-03 | 2019-05-21 | 北方工业大学 | 一种面向应急疏散的干线匝道控制方法及系统 |
CN109785623B (zh) * | 2019-02-03 | 2020-07-31 | 北方工业大学 | 一种面向应急疏散的干线匝道控制方法及系统 |
CN110471417A (zh) * | 2019-08-22 | 2019-11-19 | 东北大学 | 一种基于负载均衡的多agv避碰方法 |
CN110471417B (zh) * | 2019-08-22 | 2021-08-24 | 东北大学 | 一种基于负载均衡的多agv避碰方法 |
CN111369813B (zh) * | 2020-03-23 | 2021-10-08 | 江苏大学 | 一种智能网联汽车的匝道分合流协同控制方法及系统 |
CN111369813A (zh) * | 2020-03-23 | 2020-07-03 | 江苏大学 | 一种智能网联汽车的匝道分合流协同控制方法及系统 |
CN111429733A (zh) * | 2020-03-24 | 2020-07-17 | 浙江工业大学 | 一种基于宏观基本图的路网交通信号控制方法 |
CN111640297A (zh) * | 2020-05-09 | 2020-09-08 | 天津市市政工程设计研究院 | 车路协同环境下的多匝道协同控制及辅助驾驶方法 |
CN112650224A (zh) * | 2020-12-11 | 2021-04-13 | 国汽(北京)智能网联汽车研究院有限公司 | 自动驾驶仿真的方法、装置、设备及存储介质 |
CN114882712A (zh) * | 2021-09-10 | 2022-08-09 | 无锡华通智能交通技术开发有限公司 | 一种基于车道空间占有率的多匝道控制快速路截流方法 |
CN114882712B (zh) * | 2021-09-10 | 2023-12-29 | 无锡华通智能交通技术开发有限公司 | 一种基于车道空间占有率的多匝道控制快速路截流方法 |
CN113947900A (zh) * | 2021-10-15 | 2022-01-18 | 苏州科技大学 | 一种智能网联快速路匝道协同控制系统 |
CN113947900B (zh) * | 2021-10-15 | 2023-10-24 | 苏州科技大学 | 一种智能网联快速路匝道协同控制系统 |
CN114627658A (zh) * | 2022-04-22 | 2022-06-14 | 河北上元智能科技股份有限公司 | 一种重大特殊车队通行高速公路的交通控制方法 |
CN114627658B (zh) * | 2022-04-22 | 2023-10-27 | 河北上元智能科技股份有限公司 | 一种重大特殊车队通行高速公路的交通控制方法 |
CN117975737A (zh) * | 2024-04-02 | 2024-05-03 | 北京中交华安科技有限公司 | 一种面向公路交织区的车辆主动诱导和智能管控方法 |
CN117975737B (zh) * | 2024-04-02 | 2024-05-31 | 北京中交华安科技有限公司 | 一种面向公路交织区的车辆主动诱导和智能管控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898854A (zh) | 一种基于模型预测控制的多匝道协同控制方法 | |
CN108438003B (zh) | 一种道路车辆速度优化的分层控制方法 | |
CN106710220B (zh) | 一种城市道路分层动态协调控制算法及控制方法 | |
CN108109398A (zh) | 一种高架快速路多匝道协调控制系统及控制方法 | |
CN108510764A (zh) | 一种基于q学习的多路口自适应相位差协调控制系统及方法 | |
CN111710167A (zh) | 一种基于在线交通仿真的单点优化控制方法及装置 | |
CN103927887A (zh) | 结合离散速度模型的阵列式fpga交通状态预测及控制系统 | |
CN109872531B (zh) | 道路交通信号控制全路网最优化控制目标函数构建方法 | |
Yu et al. | An eco-driving strategy for partially connected automated vehicles at a signalized intersection | |
CN108898858A (zh) | 一种过饱和交通状态下连续交叉口的信号协调控制方法 | |
CN111429733A (zh) | 一种基于宏观基本图的路网交通信号控制方法 | |
Xue et al. | A platoon-based hierarchical merging control for on-ramp vehicles under connected environment | |
CN111724602A (zh) | 一种城市非信控多交叉路口环境下的多车协同控制方法 | |
CN113823076B (zh) | 一种基于联网车辆协调控制的即停即走路段缓堵方法 | |
CN108389404B (zh) | 道路交通拥堵治理方法 | |
CN117789491A (zh) | 一种高速公路主线借道通行管控策略确定方法及系统 | |
CN107680393A (zh) | 一种基于时变论域的十字路口交通信号灯的智能控制方法 | |
CN117152948A (zh) | 一种低碳视角下城市快速路匝道合流协同控制方法 | |
CN117075473A (zh) | 一种人机混驾环境下的多车协同决策方法 | |
CN115171408B (zh) | 一种交通信号优化控制方法 | |
Zhou et al. | Traffic signal coordination control optimization considering vehicle emissions on urban arterial road | |
CN116756916A (zh) | 基于ddpg的智能网联公交车车重自适应全局车速规划方法 | |
Hao et al. | Improving schedule adherence based on dynamic signal control and speed guidance in connected bus system | |
CN110288844A (zh) | 一种基于车路通信的连续交叉口协同优化方法 | |
Zhong et al. | Deep Q‐Learning Network Model for Optimizing Transit Bus Priority at Multiphase Traffic Signal Controlled Intersection |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181127 |