CN109348423B - 一种基于抽样轨迹数据的干道协调控制优化方法 - Google Patents

Abstract

本发明涉及一种基于抽样轨迹数据的干道协调控制优化方法，包括以下步骤：1)获取抽样车辆轨迹数据，预处理得到轨迹特征向量以及先验的到达率矩阵；2)基于先验的到达率矩阵，根据任一组给定的信号配时数据对抽样轨迹在所在周期的到达状态进行判定并对交通波进行重构，估计轨迹的映射到达时刻和实际到达时刻，得到轨迹在每个交叉口的信控延误；3)累加各轨迹在所有交叉口的信控延误，得到干道所有抽样轨迹的总延误与每个交叉口的信号配时参数的解析式，并基于配时参数间的约束建立优化模型，通过多峰群优化算法求解。与现有技术相比，本发明具有考虑时空关联、协调效果较好、适用性广等优点。

Description

一种基于抽样轨迹数据的干道协调控制优化方法

技术领域

本发明涉及交通控制领域，尤其是涉及一种基于抽样轨迹数据的干道协调控制优化方法。

背景技术

城市主干道作为交通网络的骨架，承担着长距离快速交通和通勤交通的通达功能，拥堵现象却是最频繁和严重的，因此城市干道常采取协调控制的策略以保证主线交通的运行效率。虽然当前信号控制领域已经发展到感应控制和自适应控制的阶段，类似SCOOT、SCATS等感应控制系统应用也已经落地，但多时段的定时控制策略仍是现阶段城市主干道交通控制与管理应用较广泛且经济有效的方式。

目前，定时干道控制的主要数据输入为通过定时检测器或者人工测量获取的干道各流向的小时集计流量，一方面设备的运维成本高，另一方面数据精度也会受到设备损坏或者检测失效的影响。另外，现有的定时控制模型的协调目标和数据输入之间的关系多基于特定理论推到得到，流量输入对信号配时参数优化的作用不够显著，且协调结果与流量之间缺乏反馈机制，无法确定干道运行在协调之后的变化。在实际应用中，实际的运行质量和优化得到的协调目标值常存在不一致的情况，例如基于带宽的干道协调模型应用中，实际的主线运行车流并不完全在绿波带的范围内行驶。在数据检测方面，随着车联网和移动检测技术的发展，海量轨迹数据开始为交通检测提供丰富实时的交通信息。相比于传统的定点检测器，轨迹数据上传频率高，精度高，且不会受到布设范围的限制，也不需要考虑设备购置和维修的成本。因此，建立基于轨迹数据的干道协调控制方法对于补充现有干道控制研究具有重要的现实意义。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于抽样轨迹数据的干道协调控制优化方法。

本发明的目的可以通过以下技术方案来实现：

一种基于抽样轨迹数据的干道协调控制优化方法，包括以下步骤：

1)获取抽样车辆轨迹数据，预处理得到轨迹特征向量以及先验的到达率矩阵；

2)基于先验的到达率矩阵，根据任一组给定的信号配时数据对抽样轨迹在所在周期的到达状态进行判定并对交通波进行重构，估计轨迹的映射到达时刻和实际到达时刻，得到轨迹在每个交叉口的信控延误；

3)累加各轨迹在所有交叉口的信控延误，得到干道所有抽样轨迹的总延误与每个交叉口的信号配时参数的解析式，并基于配时参数间的约束建立优化模型，通过多峰群优化算法求解。

所述的步骤1)中，轨迹特征向量X_i的表达式为：

其中，i为轨迹编号，

为轨迹在每个交叉口的映射到达时刻，

为轨迹进入当前干道范围的时刻，

为每个路段的平均行驶速度，

为每个交叉口是否停车排队；

由二项变量δ_i,m组成，用于表征轨迹在每个交叉口是否停车通过，具体为：

的计算式为：

其中，上标0表示初始配时，下标m表示交叉口编号，M为交叉口总数，

为初始配时下轨迹i在交叉口m的映射到达时刻，

为在初始配时下轨迹i在交叉口m是否停车排队，

为在初始配时下轨迹i的平均行驶速度，

为初始配时下轨迹i在交叉口m的实际到达时刻；

的具体计算式为：

其中，

为轨迹i在交叉口m加入排队的时刻，sl_m为交叉口m停车线的位置，

为轨迹i在交叉口m加入排队的位置。

所述的步骤1)中，初始配时方案下每个信号周期内的先验到达率矩阵A的计算式为：

其中，λ_i,m为交叉口m轨迹i-1与i之间到达间隔之间的到达率，I为轨迹总数，

为轨迹i在交叉口m的所在周期的红灯启亮时刻，

用以表征初始配时下轨迹i在交叉口m所在周期是否为第一条抽样轨迹。

所述的步骤2)具体包括以下步骤：

21)根据给定的信号配时组合确定轨迹i所在的周期c_i,m；

22)从最上游的交叉口开始，根据给定配时方案和轨迹的映射到达时刻对抽样轨迹在所在周期的到达状态进行判定，按照轨迹是否在原配时为停车通过的变量值

以及在给定配时方案下是否为周期内第一条抽样轨迹的二项变量值n_i,m进行划分，根据划分结果并获取简化后的轨迹i在交叉口m的实际到达时刻，并计算轨迹i在交叉口m的信控延误。

所述的步骤21)中，轨迹i所在的周期c_i,m的计算式为：

其中，C_m、

为交叉口的周期长度和相位差。

所述的步骤22)中，简化后的轨迹i在交叉口m的实际到达时刻PT_i,m的表达式为：

其中，ρ_i,m为表征实际通过停车线时刻与该周期排队消散的临界时刻的大小关系的0-1变量，r_m为交叉口m的配时方案的红灯时长，ω₂为消散波波速，ω₃为压缩波波速，R_i,m为轨迹i在交叉口m的所在周期的红灯启亮时刻，CT_i,m为轨迹i在交叉口m所在周期的排队消散的临界时刻。

所述的步骤22)中，轨迹i在交叉口m的信控延误d_i,m的计算式为：

d_i,m＝PT_i,m-PP_i,m。

所述的步骤3)具体包括以下步骤：

31)根据轨迹i在交叉口m的实际到达时刻PT_i,m得到轨迹到达下游交叉口的映射到达时刻PP_i,m，其计算式为：

其中，L_m为从交叉口m-1到交叉口m的路段长度；

32)累加轨迹i在所有交叉口的信控延误，即可得到该轨迹驶完全线的总延误d_i，则有：

33)建立基于延误最小化的干道协调控制模型，并对该模型采用多峰群优化算法进行求解。

所述的步骤33)中，基于延误最小化的干道协调控制模型的目标函数为：

其中，i₁、i₂为双向的轨迹集，i₁表示上行方向的轨迹集，i₂表示下行方向的轨迹集。

所述的步骤33)中，基于延误最小化的干道协调控制模型的约束条件包括：

C'_m＝C_m

r_m＝r'_m+Δr_m

R_m＝R'_m+Δs_m

C'_m-R'_m≤Δs_m≤C_m-R_m

d_m＝R'_m-R_m

C_m,min≤C_m≤C_m,max

r_m,min≤r_m≤r_m,max，即

r‘_m,min≤r’_m≤r‘_m,max，即

PT_i,m-PP_i,m≤r_m

其中，上标'表示干道对向的各项变量，Δr_m为交叉口m双向红灯的差值，R_m为交叉口m的红灯相位长度，Δs_m为交叉口m双向红灯启亮时刻的差值，d_m为Δs_m的相反数，

为交叉口m的配时方案的相位差，C_m为交叉口m的信号周期长度，C_m,min为交叉口m的信号周期长度的下界，C_m,max为交叉口m的信号周期长度的上界，g_k,min为交叉口m非协调相位k的绿灯相位时长的下界，g_m,min为交叉口m协调相位的绿灯时长的下界，r_m,min为交叉口m协调相位的红灯时长的下界，r_m,max为交叉口m协调相位的红灯时长的上界，θ_m为交叉口配时方案的相位数，

为交叉口m-1和m之间路段的平均行驶时间。

与现有技术相比，本发明具有以下优点：

一、时空关联分析：本发明基于轨迹的先验到达信息对任一给定配时方案下的交叉口的交通波进行重构并对抽样轨迹在该配时下的信控延误进行了估计，考虑了路段上下游交叉口之间的车流运行影响以及相邻轨迹之间的相互影响，对干道运行的时空关联性进行了量化解析。

二、协调效果较好：本发明以抽样轨迹数据为唯一的数据输入，通过轨迹本身携带的交通流信息对实时的交通情况进行重现和评估，通过搜索算法得到优化的配时参数组合，在仿真验证中验证了模型的有效性。

三、适用性广：本发明采用的是抽样的车辆轨迹数据，在移动检测技术普及的背景下，中国大多数城市均具有可用的轨迹检测数据，该方法的普适性较强，适用范围广。

附图说明

图1为本发明中轨迹特征信息提取的示意图。

图2为第一种轨迹到达状态的实际到达时刻估计图，其中，图(2a)为初始配时下非停车轨迹到达间隔的到达率示意图，图(2b)为备选配时下轨迹在所在周期为第一条抽样轨迹的实际通过时刻示意图。

图3为第二种轨迹到达状态的实际到达时刻估计图，其中，图(3a)为初始配时下非停车轨迹到达间隔的到达率计算示意图，图(3b)为备选配时下轨迹在所在周期非第一条抽样轨迹的实际通过时刻示意图。

图4为第三种轨迹到达状态的实际到达时刻估计图，其中，图(4a)为初始配时下停车轨迹到达间隔的到达率计算示意图，图(4b)为备选配时下轨迹在所在周期为第一条抽样轨迹的实际通过时刻示意图。

图5为第四种轨迹到达状态的实际到达时刻估计图，其中，图(5a)为初始配时下停车轨迹到达间隔的到达率计算示意图，图(5b)为备选配时下轨迹在所在周期非第一条抽样轨迹的实际通过时刻示意图。

图6为仿真场景及配时图。

图7为仿真场景1(高流量输入)的车流输入(veh/h)示意图。

图8为仿真场景2(波动流量)的车流输入(veh/h)示意图。

图9为仿真场景3(双向均衡流量)的车流输入(veh/h)示意图。

图10为本发明的方法流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

本发明提供一种基于抽样轨迹数据的干道协调控制优化方法，通过采用抽样的车辆轨迹数据获取干道协调控制的优化配时方案，包括以下步骤：

1)获取抽样车辆轨迹数据，并预处理成轨迹特征向量以及先验的到达率矩阵：

如图1所示，将抽样轨迹数据的信息预处理成轨迹特征向量X_i，包括轨迹编号i、轨迹在每个交叉口的映射到达时刻

轨迹进入干道范围的初始时刻

在每个路段的平均行驶速度

以及在每个交叉口是否停车排队

表示如下：

其中，i为轨迹编号，

为轨迹进入研究的干道范围的时刻，,

由二项变量δ_i,m组成，用于表征轨迹在每个交叉口是否停车通过，δ_i,m的取值如下：

为轨迹在所有交叉口的映射到达时刻的向量，计算如下：

其中，上标0表示初始配时下的数值，

为轨迹i在交叉口m加入排队的时刻，sl_m为交叉口m停车线的位置，

为轨迹i在交叉口m加入排队的位置。

为在轨迹在各路段的平均行驶速度向量，计算如下：

根据每个交叉口的停车轨迹加入排队的位置和时刻，计算初始配时方案下每个信号周期内的先验到达率，对于不停车通过的轨迹，先验到达率由同周期内最邻近的停车轨迹信息计算的到达率替代，由此可得到初始配时下所有交叉口相邻轨迹间的到达率矩阵A。

其中，λ_i,m为交叉口m轨迹i-1与i之间的到达间隔之间的到达率，

为轨迹i在交叉口m的所在周期的红灯启亮时刻。

2)基于先验的到达信息，根据任一组给定的信号配时数据对抽样轨迹在所在周期的到达状态进行判定并对交通波进行重构，估计轨迹的映射到达时刻和实际到达时刻，得到轨迹在每个交叉口的信控延误：

21)根据给定的信号配时组合确定轨迹i所在的周期c_i,m，计算如下：

其中，C_m、

为交叉口的周期长度和相位差(以研究范围的干道的最上游交叉口相位差为基准点)。

22)从最上游的交叉口开始，根据给定配时方案和轨迹的映射到达时刻对抽样轨迹在所在周期的到达状态进行判定，共分为四种到达情况，按照轨迹是否在原配时为停车通过的变量值

以及在给定配时方案下是否为周期内第一条抽样轨迹的二项变量值

进行划分，详述如下：

(1)当

且n_i，m＝0时，如图2所示，轨迹i在交叉口m的实际到达时刻为：

其中，ρ_i,m为表征实际通过停车线时刻与该周期排队消散的临界时刻的大小关系的0-1变量，r_m为交叉口m的配时方案的红灯时长，ω₂为消散波波速，ω₃为压缩波波速，λ_i,m为标定的先验到达率，R_i,m为轨迹i在交叉口m的所在周期的红灯启亮时刻，CT_i,m为轨迹i在交叉口m所在周期的排队消散的临界时刻。

(2)当

且n_i,m＝1时，如图3所示，轨迹i在交叉口m的实际到达时刻为：

(3)当

且n_i,m＝0时，如图4所示，轨迹i在交叉口m的实际到达时刻为：

(4)当

且n_i,m＝1时，如图5所示，轨迹i在交叉口m的实际到达时刻为：

综合以上四种轨迹的到达情况，轨迹i在交叉口m的实际到达时刻可以简化为：

因此，轨迹i在交叉口m的信控延误为：

d_i,m＝PT_i,m-PP_i,m；

3)累加各轨迹在所有交叉口的信控延误，得到干道所有抽样轨迹的总延误与每个交叉口的信号配时参数的解析式，并基于配时参数间的约束建立优化模型，通过多峰群优化算法求解，具体为：

31)根据轨迹i在交叉口m的实际到达时刻，可以得到该轨迹到达下游交叉口的映射到达时刻：

其中，L_m为从交叉口m-1到m的路段长度。

32)累加轨迹i在所有交叉口的信控延误，即可得到该轨迹行驶完全线的总延误：

33)建立基于延误最小化的干道协调控制模型如下，其目标函数为：

其中，i₁，i₂为双向的轨迹集，若i₁表示上行方向的轨迹集，则i₂表示下行方向的轨迹集。

相应的约束条件为：

C'_m＝C_m

r_m＝r'_m+Δr_m

R_m＝R'_m+Δs_m

C'_m-R'_m≤Δs_m≤C_m-R_m

d_m＝R'_m-R_m

C_m,min≤C_m≤C_m,max

r_m,min≤r_m≤r_m,max，即

r‘_m,min≤r’_m≤r‘_m,max，即

PT_i,m-PP_i,m≤r_m

其中，上标'表示干道对向的各项变量，Δr_m为交叉口m双向红灯的差值，R_m为交叉口m的红灯相位长度(s)，Δs_m为交叉口m双向红灯启亮时刻的差值，d_m为Δs_m的相反数，

为交叉口m的配时方案的相位差(s)，C_m为交叉口m的信号周期长度(s)，C_m,min为交叉口m的信号周期长度的下界(s)，C_m,max为交叉口m的信号周期长度的上界(s)，g_k,min为交叉口m非协调相位k的绿灯相位时长的下界，g_m,min为交叉口m协调相位的绿灯时长的下界，r_m,min为交叉口m协调相位的红灯时长的下界，r_m,max为交叉口m协调相位的红灯时长的上界，θ_m为交叉口配时方案的非协调的相位数，

为交叉口m-1和m之间路段的平均行驶时间。

模型通过多峰群优化算法进行求解，解空间为由基于以上约束条件的限制条件下的周期、绿信比、相位差和相序可行域组成的X，最小步长设为Δt_c，子蜂群数目设为M，算法步骤如下：

Step1：设定子蜂群的初始位置x_j(0)和速度v_j(0)；

Step2：对第j代的子蜂群的适应值(即目标函数)进行计算，更新局部最优值LO_j(t)和全局最优值GO_j(t)，并基于目标函数的多峰特性，更新下一代子蜂群的位置和速度。

x_j(t+1)＝x_j(t)+v_j(t+1)

v_j(t+1)＝ω*v_j(t)+c₁r₁(LO_j(t)-x_j(t))

Step3：当满足迭代条件或者目标函数变化达到终止条件

时，结束算法，输出最优的配时参数组合。

4)运用VISSIM建立信控干道的仿真模型，对干道协调控制方法进行验证。

本发明运用VISSIM建立信控干道的仿真模型对干道协调控制方法进行验证，图6是连云港市朝阳东路的仿真路段，研究路段包括了五个交叉口，瀛洲路、郁洲路、巨龙南路、东盐河路和科苑路五个路口。

建模首先根据道路几何数据和配时数据在VISSIM中构建路段模型，其中，配时方案采用的是2017年11月的晚高峰7点半到9点这一时段的配时方案，流量输入场景如图7～9所示，分为高流量(潮汐流量)输入、波动流量输入和双向均衡输入三个场景。最后，运行VISSIM的仿真路网，通过检测干线双向的主线方向车流的总延误、通过量和停车次数，对该发明的协调效果进行评估。

表1各验证场景协调效果对比表

由表1的仿真验证结果可知，实施例中本发明得到的优化配时方案相比于初始的配时方案在总延误改善了61％，停车次数也降低了一半，虽然通过量稍有减少，但总体来看协调效果较好，主线运行的平顺性大大改善。

Claims (10)

1.一种基于抽样轨迹数据的干道协调控制优化方法，其特征在于，包括以下步骤：

1)获取抽样车辆轨迹数据，预处理得到轨迹特征向量以及先验的到达率矩阵；

2)基于先验的到达率矩阵，根据任一组给定的信号配时数据对抽样轨迹在所在周期的到达状态进行判定并对交通波进行重构，估计轨迹的映射到达时刻和实际到达时刻，得到轨迹在每个交叉口的信控延误；

3)累加各轨迹在所有交叉口的信控延误，得到干道所有抽样轨迹的总延误与每个交叉口的信号配时参数的解析式，并基于配时参数间的约束建立优化模型，通过多峰群优化算法求解。

2.根据权利要求1所述的一种基于抽样轨迹数据的干道协调控制优化方法，其特征在于，所述的步骤1)中，轨迹特征向量X_i的表达式为：

其中，i为轨迹编号，

为轨迹在每个交叉口的映射到达时刻，

为轨迹进入当前干道范围的时刻，

为每个路段的平均行驶速度，

为每个交叉口是否停车排队；

由二项变量δ_i,m组成，用于表征轨迹在每个交叉口是否停车通过，具体为：

的计算式为：

其中，上标0表示初始配时，下标m表示交叉口编号，M为交叉口总数，

为初始配时下轨迹i在交叉口m的映射到达时刻，

为在初始配时下轨迹i在交叉口m是否停车排队，

为在初始配时下轨迹i的平均行驶速度，为初始配时下轨迹i在交叉口m的实际到达时刻；

的具体计算式为：

其中，

为轨迹i在交叉口m加入排队的时刻，sl_m为交叉口m停车线的位置，

为轨迹i在交叉口m加入排队的位置。

3.根据权利要求2所述的一种基于抽样轨迹数据的干道协调控制优化方法，其特征在于，所述的步骤1)中，初始配时方案下每个信号周期内的先验到达率矩阵A的计算式为：

其中，λ_i,m为交叉口m轨迹i-1与i之间到达间隔之间的到达率，I为轨迹总数，

为轨迹i在交叉口m的所在周期的红灯启亮时刻，

用以表征初始配时下轨迹i在交叉口m所在周期是否为第一条抽样轨迹。

4.根据权利要求2所述的一种基于抽样轨迹数据的干道协调控制优化方法，其特征在于，所述的步骤2)具体包括以下步骤：

21)根据给定的信号配时组合确定轨迹i所在的周期c_i,m；

22)从最上游的交叉口开始，根据给定配时方案和轨迹的映射到达时刻对抽样轨迹在所在周期的到达状态进行判定，按照轨迹是否在原配时为停车通过的变量值

以及在给定配时方案下是否为周期内第一条抽样轨迹的二项变量值n_i,m进行划分，根据划分结果并获取简化后的轨迹i在交叉口m的实际到达时刻，并计算轨迹i在交叉口m的信控延误。

5.根据权利要求4所述的一种基于抽样轨迹数据的干道协调控制优化方法，其特征在于，所述的步骤21)中，轨迹i所在的周期c_i，m的计算式为：

其中，C_m、

为交叉口的周期长度和相位差。

6.根据权利要求4所述的一种基于抽样轨迹数据的干道协调控制优化方法，其特征在于，所述的步骤22)中，简化后的轨迹i在交叉口m的实际到达时刻PT_i,m的表达式为：

其中，ρ_i,m为表征实际通过停车线时刻与该周期排队消散的临界时刻的大小关系的0-1变量，r_m为交叉口m的配时方案的红灯时长，ω₂为消散波波速，ω₃为压缩波波速，R_i,m为轨迹i在交叉口m的所在周期的红灯启亮时刻，CT_i,m为轨迹i在交叉口m所在周期的排队消散的临界时刻。

7.根据权利要求6所述的一种基于抽样轨迹数据的干道协调控制优化方法，其特征在于，所述的步骤22)中，轨迹i在交叉口m的信控延误d_i,m的计算式为：

d_i,m＝PT_i,m-PP_i,m。

8.根据权利要求7所述的一种基于抽样轨迹数据的干道协调控制优化方法，其特征在于，所述的步骤3)具体包括以下步骤：

31)根据轨迹i在交叉口m的实际到达时刻PT_i,m得到轨迹到达下游交叉口的映射到达时刻PP_i,m，其计算式为：

其中，L_m为从交叉口m-1到交叉口m的路段长度；

32)累加轨迹i在所有交叉口的信控延误，即可得到该轨迹驶完全线的总延误d_i，则有：

33)建立基于延误最小化的干道协调控制模型，并对该模型采用多峰群优化算法进行求解。

9.根据权利要求8所述的一种基于抽样轨迹数据的干道协调控制优化方法，其特征在于，所述的步骤33)中，基于延误最小化的干道协调控制模型的目标函数为：

其中，i₁、i₂为双向的轨迹集，i₁表示上行方向的轨迹集，i₂表示下行方向的轨迹集。

10.根据权利要求8所述的一种基于抽样轨迹数据的干道协调控制优化方法，其特征在于，所述的步骤33)中，基于延误最小化的干道协调控制模型的约束条件包括：

C'_m＝C_m

r_m＝r'_m+Δr_m

R_m＝R'_m+Δs_m

C'_m-R'_m≤Δs_m≤C_m-R_m

d_m＝R'_m-R_m

C_m,min≤C_m≤C_m,max

r_m,min≤r_m≤r_m,max，即

r‘_m,min≤r’_m≤r‘_m,max，即

PT_i,m-PP_i,m≤r_m

其中，上标'表示干道对向的各项变量，Δr_m为交叉口m双向红灯的差值，R_m为交叉口m的红灯相位长度，Δs_m为交叉口m双向红灯启亮时刻的差值，d_m为Δs_m的相反数，

为交叉口m的配时方案的相位差，C_m为交叉口m的信号周期长度，C_m,min为交叉口m的信号周期长度的下界，C_m,max为交叉口m的信号周期长度的上界，g_k,min为交叉口m非协调相位k的绿灯相位时长的下界，g_m,min为交叉口m协调相位的绿灯时长的下界，r_m,min为交叉口m协调相位的红灯时长的下界，r_m,max为交叉口m协调相位的红灯时长的上界，θ_m为交叉口配时方案的相位数，

为交叉口m-1和m之间路段的平均行驶时间。

Images