CN109360429B

CN109360429B - 一种基于模拟优化的城市道路交通调度方法及系统

Info

Publication number: CN109360429B
Application number: CN201811525762.8A
Authority: CN
Inventors: 吴新宇; 刘东辉
Original assignee: Wuhan Titan Intelligent Technology Co Ltd
Current assignee: Jiangsu Titan Intelligent Technology Co ltd
Priority date: 2018-12-13
Filing date: 2018-12-13
Publication date: 2021-03-23
Anticipated expiration: 2038-12-13
Also published as: CN109360429A

Abstract

本发明公开了一种基于模拟优化的城市道路交通调度方法及系统。所述方法包括：(1)获取包括待调度路口的实时路况信息；(2)根据待调度路口的实时路况信息对用于优化模拟的模拟沙盘进行初始化；(3)在模拟沙盘上采用各种信号灯调控优化算法对待调度路口进行相位决策并模拟相应决策结果；(4)根据模拟的决策结果，针对优化目标择优将相应的信号灯调控优化算法的决策结果作为待调度路口的信号灯调控结果。所述系统包括实时路况获取模块、沙盘模拟器、信号灯调控优化算法控制模块、以及信号机服务器。本发明采用模拟沙盘对决策结果进行评估择优选择，能在整体框架不变、不额外增加开发成本的前提下，针对设定的优化目标进行路口调度。

Description

一种基于模拟优化的城市道路交通调度方法及系统

技术领域

本发明属于计算机技术领域，更具体地，涉及一种基于模拟优化的城市道路交通调度方法及系统。

背景技术

随着汽车保有量的逐年增加，城市生活逐渐遍历，然而同时城市交通问题也逐渐成为各个城市的顽疾。城市交通问题一方面受到路网结构的影响，另一方面也深受交通灯调控的影响。不良的交通灯调控不仅使得道路通行效率低下，更极容易引起道路交通拥堵。因此，各大城市均亟需能够有效提升道路通行效率、降低拥堵的交通灯调控方法。然而，现有的交通灯调控大都是基于历史统计信息设计的固定配时方案，也有部分路口使用了动态调控方案，但一般也针对单个车行方向，如电感线圈探测到某车行方向持续有车，则保持该方向绿灯通行，缺乏对其他车行方向(或称为相位)的统筹调控。

目前虽然已经开发出一些基于只能学习的交通信号控制方法例如利用大数据挖掘进行城市道路交通调度、利用实时监测信号进行城市道路交通调度、利用各种机器学习算法对于特定路口或者特定区域进行城市道路交通调度，然而这些方法的都根据开发者考虑的优化目标，通过考虑不同的数据和参数影响决策，不能适应优化目标的改变。如果优化目标改变，则需要重新收集数据、进行模型训练和调度决策，重新开发一套决策系统，时间成本和经济成本过高，导致实际应用非常少。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于模拟优化的城市道路交通调度方法及系统，其目的在于利用计算机快速模拟的能力，通过路况数据对城市道路的决策调度方案进行模拟评估，根据不同的优化目标择优选择相应的最终调度方案，由此解决现有的调度结果不能适应优化目标的改变的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于模拟优化的城市道路交通调度方法，包括以下步骤：

(1)通过各类城市道路交通设备，包括但不限于电感线圈、摄像头、雷达、ETC读取器等，获取包括待调度路口的实时路况信息；

(2)根据步骤(1)中获取的待调度路口的实时路况信息对用于优化模拟的模拟沙盘进行初始化；

(3)在步骤(2)中获得的模拟沙盘上采用各种信号灯调控优化算法对待调度路口进行相位决策并模拟相应决策结果，对信号灯调度决策进行评估；

(4)根据步骤(3)模拟的决策结果，针对优化目标择优将相应的信号灯调控优化算法的决策结果作为待调度路口的信号灯调控结果。

优选地，所述基于模拟优化的城市道路交通调度方法，其步骤(1)所述包括待调度路口的实时路况信息，包括待调度路口及其所有相关联路口的路网结构、实时车辆信息、以及各路口当前相位及时长。

优选地，所述基于模拟优化的城市道路交通调度方法，其所述模拟沙盘用于对现实世界中的车辆驾驶行为进行实时模拟还原真实世界中的交通状况，采用交通模拟器，包括但不限于SUMO(http://sumo.dlr.de/index.html)、MATSim(https://matsim.org/)、MITSIMlab(https://its.mit.edu/software/mitsimlab)、AIMSUN(https://www.aimsun.com/)、CORSIM(https://mctrans.ce.ufl.edu/mct/index.php/tsis-corsim/)、Paramics(https://www.paramics.co.uk/en/)、SimTraffic(https://www.trafficware.com/blog/recording-simtraffic)、VISSIM(http://vision-traffic.ptvgroup.com/en-us/products/ptv-vissim/)、TRANSIMS(http://ndssl.vbi.vt.edu/transims-docs.html)等。

优选地，所述基于模拟优化的城市道路交通调度方法，其步骤(2)所述根据步骤(1)中获取的待调度路口的实时路况信息对用于优化模拟的模拟沙盘进行初始化，具体为：

将所有步骤(1)中路口设备探测到的实时车辆信息加载在所述模拟沙盘上，所述车辆的起点为实时路况信息中所述车辆位置，即探测设备所在位置；所述车辆的终点，按照如下方法确定：

当针对单路口调控时，则车辆终点为按照所述车辆的车行方向经过待调度路口的下游关联路口；

当针对多路口调控时，则车辆终点为经过待调控路口后，根据其车行方向所示的驶入车道的下一个探测设备所在位置；

所述车行方向根据车辆所在车道的属性判断，例如所述车辆处于不可变道的直行道上，则可直接判定车辆经过路口后直行；如果车辆所在车道属性为多重方向，例如直行和右转，则按照统计概率赋予所述车辆其车行方向；

模拟沙盘的信号灯状态，为步骤(1)获取的形成各路口当前相位的信号灯状态。

优选地，所述基于模拟优化的城市道路交通调度方法，其在步骤(2)中获得的模拟沙盘上采用各种信号灯调控优化算法对待调度路口进行相位决策，具体为：

对于每一种各种信号灯调控优化算法，在模拟沙盘上进行相位决策，获获取相应更新后的相位及时长；

所述模拟相应决策结果，具体为：

对于每一种各种信号灯调控优化算法，将其更新后的相位及时长反馈到所述模拟沙盘中，进行模拟更新后的相位及时长，获得包括待调度路口的模拟路况信息。

优选地，所述基于模拟优化的城市道路交通调度方法，其所述信号灯调控优化算法，包括非反馈的信号灯调控优化算法和反馈的信号灯调控优化算法；所述非反馈的信号灯调控优化算法，运行一次即可获得更新后的相位及时长，包括但不限于决策树、穷举等；所述反馈的信号灯调控优化算法，经过多次迭代获得更新后的相位及时长，包括但不限于包括但不限于蚁群、遗传、模拟退火算法等。

优选地，所述基于模拟优化的城市道路交通调度方法，其步骤(4)所述优化目标根据调控目的不同而不同，优选为各调控目的的加权和。

优选地，所述基于模拟优化的城市道路交通调度方法，其步骤(1)、(2)、(3)、(4)可以根据各自的频率分别执行或统一的频率顺序执行。

按照本发明的另一个方面，提供了一种基于模拟优化的城市道路交通调度系统，包括：实时路况获取模块、沙盘模拟器、信号灯调控优化算法控制模块、以及信号机服务器；

所述实时路况获取模块，用于获取包括待调度路口的实时路况信息，并将实时路况信息提交给沙盘模拟器；

所述沙盘模拟器，用于根据实时路况信息对现实世界中的车辆驾驶行为进行实时模拟；

所述信号灯调控优化算法控制模块，用于在沙盘模拟器上采用各种信号灯调控优化算法对待调度路口进行相位决策并模拟相应决策结果，并提交给信号机服务器；

所述信号机服务器，用于根据所述信号灯调控优化算法控制模块的决策结果，针对优化目标择优将相应的信号灯调控优化算法的决策结果作为待调度路口的信号灯调控结果。

优选地，所述基于模拟优化的城市道路交通调度系统，其所述信号灯调控优化算法，包括非反馈的信号灯调控优化算法和反馈的信号灯调控优化算法；所述非反馈的信号灯调控优化算法，运行一次即可获得更新后的相位及时长，包括但不限于决策树、穷举等；所述反馈的信号灯调控优化算法，经过多次迭代获得更新后的相位及时长，包括但不限于包括但不限于蚁群、遗传、模拟退火算法等。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

由于本发明提供的方法及系统，采用模拟沙盘对决策结果进行评估，从而择优选择，所以只需要简单设置优化目标，即能在整体框架不变，在不额外增加开发成本的前提下，针对用户当时设定的优化目标进行路口相位决策即路口调度。由于充分考虑到了实时交通状况和决策方法的影响，因此从总体上能够获得较佳的决策结果，适应性强。

附图说明

图1是本发明提供的基于模拟优化的城市道路交通调度方法流程示意图；

图2是本发明提供的城市道路交通调度方法系统的结构示意图；

图3是本发明实施例1提供的模拟沙盘车辆加载示意图；

图4是本发明实施例1提供的染色体构成示意图；

图5是本发明实施例2提供的基于模拟优化的城市道路交通调度系统结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明提供的基于模拟优化的城市道路交通调度方法，如图1所示，包括以下步骤：

(1)获取包括待调度路口的实时路况信息；

所述包括待调度路口的实时路况信息，包括待调度路口及其所有相关联路口的路网结构、实时车辆信息、以及各路口当前相位及时长；

所述待调度路口及其所有相关联路口的路网结构，可采取现场测量或者基于施工工程图的方式获取，路网结构包括如各路口的车道宽度、路口长度、停车线位置、扩口长度等参数。

所述待调度路口及其所有相关联路口的实时车辆信息，包括用于唯一标识车辆的车辆ID、车辆位置、车辆平均行驶速度、加速度、减速度、跟车距离、车辆限速等参数；所述车辆信息可采用车辆识别设备实时捕捉获取，所述车辆识别设备包括道路摄像头、雷达、电感线圈、ETC读取器等；所述摄像头，用于获取待调度路口及其所有相关联路口的车辆视觉信息，所述雷达，用于获取车辆的位置信息及实时速度车速信息；所述电感线圈用于获取车辆驶过信息。

所述唯一标识车辆的车辆ID，根据车辆视觉信息进行车辆识别而唯一分别给每一车辆，所述车辆识别算法可采用技术深度学习及大规模图像训练的车辆识别算法，例如百度公司提供的车辆识别服务；所述车辆位置，为当时车辆所在道路的位置，优选采用视觉信息进行车辆识别算法时一并获取；所述车辆平均行驶速度，所述车辆平均速度、车辆平均加速度、平均减速度，均可通过采集、测量目标路段的驾驶行为获得，取平均值用于设置模拟器中的相应参数，以尽可能准确地还原真实车辆的行驶行为。测量设备包括但不限于雷达、车载传感器、手机等。所述跟车距离根据电感线圈测得的车辆驶过间隔时间及车辆平均行驶速度之积计算；所述车辆限度为道路要求的限速。

所述模拟沙盘，可采用各种类型的交通模拟器，包括但不限于SUMO,MATSim,MITSIMlab,AIMSUN,CORSIM,Paramics,SimTraffic,VISSIM,TRANSIMS等。所述模拟沙盘，对现实世界中的车辆驾驶行为进行实时模拟还原真实世界中的交通状况；其中：

所述模拟沙盘根据步骤(1)进行数据初始化，具体为：

当针对多路口调控时，则车辆终点为经过待调控路口后，根据其车行方向所示的驶入车道的下一个探测设备所在位置。

通过此方法，确保车辆探测的唯一性，即若车辆在第一个探测设备(设为探测设备A)中探测到后，其将在沙盘模拟器中驶入第一个待调控路口(假设为路口I)，经过第一待调控路口后将在下一个探测设备(假设为探测设备B)所在位置处(交通沙盘与真实世界的位置对应)消失。根据上述逻辑，该车辆将在探测设备B处被重新探测加入到模拟沙盘中，再驶入下一个待调控路口(假设为路口II)，从而作为第二待调控路口的输入。

所述车行方向根据车辆所在车道的属性判断，例如所述车辆处于不可变道的直行道上，则可直接判定车辆经过路口后直行；如果车辆所在车道属性为多重方向，例如直行和右转，则按照统计概率赋予所述车辆其车行方向。

(3)在步骤(2)中获得的模拟沙盘上采用各种信号灯调控优化算法对待调度路口进行相位决策并模拟相应决策结果；

在步骤(2)中获得的模拟沙盘上采用各种信号灯调控优化算法对待调度路口进行相位决策，具体为：

对于每一种各种信号灯调控优化算法，在模拟沙盘上进行相位决策，获获取相应更新后的相位及时长；所述信号灯调控优化算法包括原理和步骤不同的信号灯调控优化算法以及相同原理、步骤而参数不同的信号灯调控优化算法。

所述模拟相应决策结果，具体为：

所述信号灯调控优化算法，包括非反馈的信号灯调控优化算法和反馈的信号灯调控优化算法；所述非反馈的信号灯调控优化算法，运行一次即可获得更新后的相位及时长，包括但不限于决策树、穷举等；所述反馈的信号灯调控优化算法，经过多次迭代获得更新后的相位及时长，包括但不限于包括但不限于蚁群、遗传、模拟退火算法等。

所述优化目标根据调控目的不同而不同，例如某些路口要求减少所有关联道路上的排队长度，则应该以最小化排队长度为优化目标；若某些路口以减少车辆等待时间为目标，则设定目标为所有车辆的平均等待时间。所述优化目标也可以是某些调控目的综合评价，例如加权和，即可对不同的车行方向设置不同的权重，以优化整体加权和为目标。

本发明在实际应用中，步骤(1)、(2)、(3)、(4)可以根据各自的频率分别执行，例如步骤(1)以最高频率执行，从而获得更加准确的实时信息；步骤(2)可根据决策需求，例如5s决策一次相位待调度路口的相位变化，则5s执行一次即可；步骤(3)可根据目前的相位维持时间，进行执行，在有限的时间内获得最优的决策结果；步骤(4)可以根据决策结果使得相位改变时执行，或者按照固定频率执行。另外步骤(1)、(2)、(3)、(4)也可以按照统一的频率顺序执行。

本发明提供的基于模拟优化的城市道路交通调度系统，如图3所示，包括：

实时路况获取模块、沙盘模拟器、信号灯调控优化算法控制模块、以及信号机服务器；

所述实时路况获取模块，用于获取包括待调度路口的实时路况信息，并将实时路况信息提交给沙盘模拟器；包括：

存储有待调度路口及其所有相关联路口的路网结构的数据库，所述路网结构包括各路口的车道宽度、路口长度、停车线位置、扩口长度等参数；

存储有待调度路口及其所有相关联路口的实时车辆信息的数据库及数据接口；所述实时车辆信息包括用于唯一标识车辆的车辆ID、车辆位置、车辆平均行驶速度、加速度、减速度、跟车距离、车辆限速等参数；所述实时车辆信息数据接口用于从车辆识别设备获取实时车辆信息，所述车辆识别设备包括道路摄像头、雷达、电感线圈；所述摄像头，用于获取待调度路口及其所有相关联路口的车辆视觉信息，所述雷达，用于获取车辆的位置信息及实时速度车速信息；所述电感线圈用于获取车辆驶过信息。

所述沙盘模拟器，用于根据实时路况信息对现实世界中的车辆驾驶行为进行实时模拟；基于SUMO,MATSim,MITSIMlab,AIMSUN,CORSIM,Paramics,SimTraffic,VISSIM,TRANSIMS等交通模拟器。

在所述沙盘模拟器中，车辆根据其ID加载，其起点为实时路况信息中所述车辆位置，所述车辆的终点，为按照所述车辆的车行方向经过待调度路口的下游关联路口，所述车行方向根据车辆所在车道的属性判断，例如所述车辆处于不可变道的直行道上，则可直接判定车辆经过路口后直行；如果车辆所在车道属性为多重方向，例如直行和右转，则按照统计概率赋予所述车辆其车行方向。信号灯状态，为实时路况获取模块获取的形成各路口当前相位的信号灯状态。

所述决策结果为按照相应信号灯调控优化算法对待调度路口进行相位决策获得的更新后的相位及时长。

所述信号机服务器，用于根据所述信号灯调控优化算法控制模块的决策结果，针对优化目标择优将相应的信号灯调控优化算法的决策结果作为待调度路口的信号灯调控结果。路口信号机根据信号机服务器的输出结果调整交通等控制指令。

以下为实施例：

实施例1

一种基于模拟优化的城市道路交通调度方法，如图1所示，包括以下步骤：

(1)获取包括待调度路口的实时路况信息；

所述待调度路口及其所有相关联路口的实时车辆信息，包括用于唯一标识车辆的车辆ID、车辆位置、车辆平均行驶速度、加速度、减速度、跟车距离、车辆限速等参数；所述车辆信息可采用车辆识别设备实时捕捉获取，所述车辆识别设备包括道路摄像头、雷达、电感线圈、ETC等；所述摄像头，用于获取待调度路口及其所有相关联路口的车辆视觉信息，所述雷达，用于获取车辆的位置信息及实时速度车速信息；所述电感线圈用于获取车辆驶过信息。为使得模拟尽可能真实，应采集大量的数据并使用其平均值。该数据将作为车辆模拟的配置信息，输入模拟沙盘。具体地：

所述待调度路口及其所有相关联路口的实时车辆信息可使用城市中现有部署的各类设备，或者有针对性地部署摄像头、雷达、电感线圈等设备，获取道路上的车辆信息。对于摄像头，可基于人工智能技术，识别视频流中的车辆信息，并记录车辆所在位置、车道等信息。通过雷达一般除了能够获取车辆的位置信息外，还能够获取车辆的实时速度信息。电感线圈能够探测车辆经过，若探测有车辆经过，则生成相应记录。本实施例以基于道路摄像头的接入为例，路口视觉可能以各种不同的格式或者协议进行发送，例如RTSP协议等，根据不同的协议的访问方法，获得相应的访问接口以及访问权限。接入视频，并通过协议对应的视频解帧程序获取视频的图像帧。本实施例对于每一幅图像，采用但不限于，百度公司提供的基于深度学习及大规模图像训练的车辆识别服务。

所述唯一标识车辆的车辆ID，根据车辆视觉信息进行车辆识别而唯一分别给每一车辆，获得的每一辆车辆首先赋予用于唯一识别的ID作为车辆标识以避免重复车辆添加；所述车辆位置，为当时车辆所在道路的位置，优选采用视觉信息进行车辆识别算法时一并获取；所述车辆平均速度、车辆平均加速度、平均减速度，均可通过采集、测量目标路段的驾驶行为获得，取平均值用于设置模拟器中的相应参数，以尽可能准确地还原真实车辆的行驶行为。测量设备包括但不限于雷达、车载传感器、手机等。所述跟车距离根据电感线圈测得的车辆驶过间隔时间及车辆平均行驶速度之积计算；所述车辆限度为道路要求的限速。本发明不限具体的接入设备，并非所有所需的车辆属性信息均能够通过设备获取。若使用设备能够获取准确的车辆相关信息(如使用雷达获取车辆速度)，则直接使用；若不能够获取，则使用步采集的统计信息进行补充(如车辆在某车道的平均速度等)。

本实施例的模拟沙盘采用的交通模拟器为SUMO；其中：

按照所使用模拟器的要求，将步骤(1)中通过现场测量方式获取的真是的路网结构的相应参数生成适用于模拟器的地图数据。SUMO所使用路网结构数据使用.xml文件进行描述与记录。SUMO-GUI提供可视化的地图修正方式，也可按照所采集的路网结构信息手动编写对应的.xml文件。

模拟沙盘根据步骤(1)进行数据初始化，将所有实时车辆信息加载在所述模拟沙盘上，所述车辆的起点为实时路况信息中所述车辆位置，本实施例为针对多路口调控，因此所述车辆的终点，为经过待调控路口后，根据其车行方向所示的驶入车道的下一个探测设备所在位置，所述车行方向根据车辆所在车道的属性判断，例如所述车辆处于不可变道的直行道上，则可直接判定车辆经过路口后直行；如果车辆所在车道属性为多重方向，例如直行和右转，则按照统计概率赋予所述车辆其车行方向。如图3所示，当在A点捕捉到车辆，车辆驶入路口B，所捕捉到车辆的目的地可设为与路口B相关的任一路段的车辆探测位置。当在A点捕捉到车辆，而所在车辆处于不可变道的直行道上，则可直接判定车辆经过路口B后将直行，故将车辆的目的地设为D点。经过D点，车辆将在模拟器中消失，但D点的设备将重新探测到该车辆，并将其认为是驶向路口F的车辆。如果不能够准确判断车行方向，则可根据概率统计的方式，设定车辆经过下一路口时的行为。如图3所示，若在A点所识别的车辆所在车道的行进方向不可确定，则将车辆的目的地根据历史统计信息进行设置。如基于历史数据，得知在A点捕获的车辆经过路口B后，30％的车辆左转，60％的车辆直行，10％的车辆右转。基于此，可按照相应概率设置在A点捕获的车辆行进目的地，如30％的概率设为C点、60％的概率为D点、10％的概率为E点。

模拟沙盘的信号灯状态，为步骤(1)获取的形成各路口当前相位的信号灯状态。具有RJ45接口的信号机平台大都提供通信接口，可通过网络远程访问发送指定格式的信令，通过解析反馈的数据即可获取信号机的状态，包括相位以及时长等。将路口相位翻译为对应的信号灯的状态，再利用所选用的模拟器的编程接口，将红绿灯的状态同步至交通沙盘模拟器中。

所述模拟相应决策结果，具体为：

所述信号灯调控优化算法，包括非反馈的信号灯调控优化算法和反馈的信号灯调控优化算法；所述非反馈的信号灯调控优化算法，运行一次即可获得更新后的相位及时长，包括但不限于决策树、穷举等；所述反馈的信号灯调控优化算法，经过多次迭代获得更新后的相位及时长，其新一代运行依赖于上一代的输入，包括但不限于包括但不限于蚁群、遗传、模拟退火算法等。

本实施例以遗传算法为例进行具体说明：

(3-1)初始化种群。在遗传算法中，每一代由一个种群(population)构成，每个种群包含多个个体(individual)代表一个交通灯调控决策方案，由染色体(chromosome)表示。染色体的编码结构不限，要求能够表达所管控路口的信号灯决策配置即可，如可直接由每隔交通灯的灯色以及时长构成、也可由当前相位以及剩余时长构成、也可所有相位以及预设时长构成。不失一般性，染色体通过二进制编码构成(即由0和1构成)。本实施例依据所设定路口的总备选相位以及预设时长构成。如图4所示，考虑一个十字路口典型四相位的路口，{NS,NSL,EW,EWL}，分别表示南北直行(包括南向北与北向南)、南北左转(包括南向北与北向南)、东西直行(包括东向西与西向东)、东西左转(包括东向西与西向东)，则可由00代表NS、01代表NSL、10代表EW、11代表EWL。图4所示当前通行相位为南北直行,且剩余相位时长为46秒、南北左转相位时长为63秒。染色体编码随机设置，一般应包括当前实时的相位配置。

(3-2)设定目标函数。目标函数根据调控目标进行设定，一般应为可直接观察评测的数值构成(如排队车辆数目、车辆停等时间、车辆通行速度等)。若以提升车辆通行速度为目标，则可定义目标函数为最大化所有车辆的通行速度和，即max:

其中N为路口关联道路上的车辆数目，v_i为车辆i的通行速度；若以降低车辆等待时间为目标，则可定义目标函数为所有车辆等待时间之和，即min:

其中N为路口关联道路上的车辆数目，w_i为车辆i的等待时间；也可根据需要制定为车辆通行速度和等待时间的加权和，如max:αV-βW，其中α与β均为加权系数，按调控目标偏向赋值。所设定目标也可区分不同的车道，如通过加权的方式赋予主干道更高的权重以使得调控偏向于优化主干道。

(3-3)个体适应值计算。对于每个个体，拷贝系统实时交通状况参数，依据染色体所指示的调控策略，运行交通沙盘模拟器，模拟一段固定时长B(如模拟1分钟、2分钟、3分钟，模拟时间，非真实时间，应大于最大相位时长。模拟一个路口3分钟的车辆行为，一般仅需1～2秒)，根据优化目标，获取目标函数所涉及的相关参数，如排队长度、车辆速度、车辆等待时间等，相关参数均可通过交通沙盘模拟器相关模拟器获得，在此不再赘述。固定时长B的设定也由交通状况及计算资源决定。若交通量较大、计算资源不高，则设定较短的模拟时长B；若交通量较小、计算资源较高，则可设定较长的固定时长B。将所获得参数代入步骤4.2.2所设定的目标函数计算适应值(fitness)。适应值的计算与目标函数存在以下关系，若目标设定为最大化目标值，则直接使用目标函数(如车辆速度)计算值为适应值；若目标设定为最小化，则采用转化的方式，使得最优方案的适应值最大，如Fitness＝C-λ·Objective,其中C为使适应值取正数的某固定值，λ为映射系数。优选地，该步骤可并行以加速算法运行。例如，每个个体的适应值计算，可指定一个线程，从而利用处理器的并行处理能力。

(3-4)比较并按照自大到小排序步骤(3-3)所计算适应值。按照复制概率复制具有较高适应值的染色体至下一代，按照杂交、变异概率生成下一代并使新一代的染色体数目满足所设定的种群数目。此步骤按照遗传算法的标准执行步骤，在此不再赘述，根据需要对遗传算法在执行速度、资源消耗等方面进行优化。

(3-5)重复步骤(3-3)以及(3-4)步骤，直至适应值小于预设阈值或者迭代次数达到预设次数，保证总迭代时长不能超过当前相位的剩余时长。

所述优化目标根据调控目的不同而不同，例如某些路口要求减少所有关联道路上的排队长度，则应该以最小化排队长度为优化目标；若某些路口以减少车辆等待时间为目标，则设定目标为所有车辆的平均等待时间。所设定目标也可以是某些目标综合评价，例如加权和，即可对不同的车行方向设置不同的权重，以优化整体加权和为目标。具体地：

拷贝系统实时交通状况参数，依据原相位及时长配置运行交通沙盘模拟器，获取相关目标函数参数，计算相应的优化目标的数值。

比较优化算法获得的优化目标的数值与原始方案的目标函数值，选择更优的信号灯调控方案作为决策方案。若原始方案优于优化算法方案，则维持原始方案不变；若优化算法方案优于原始方案，则做相应的调整决策，包括：1)若优化方案决策应该延长当前相位时长，则决策结果为延长当前相位剩余时长；2)若优化方案决策为缩短当前相位时长，则决策结果为缩短当前相位时长；3)若优化方案为切换至其他相位，则根据优化方案决策切换相位并按决策设置相应时长。

将步骤所得到的调控方案发送至路口信号机进行实际控制，所得出的决策按照所控制信号机对应的接口格式翻译为信号机控制指令。通过网络将信号机指令发送至相应的信号机。信号机按照指令相应程序调整或者按需调整信号灯灯色(若有相位切换)。

本实施例中，每一个固定时长A(如5秒、10秒、15秒等)，以当前包括待调度路口的实时路况信息，通过步骤(2)至(4)由模拟沙盘按照优化目标评估所获取方案的效果。固定时长A的设置有交通状况以及系统计算资源决定，若交通量较小、系统计算资源不高，则可考虑使用较长的固定时长A；反之，则可考虑使用更短的固定时长A，以期更高频率的优化决策。

实施例2

一种基于模拟优化的城市道路交通调度系统，如图5所示，包括：

实时路况获取模块、交通沙盘模拟器、信号灯调控优化算法控制模块、以及信号机服务器；

用于解析车辆探测设备反馈的车辆的信息，不同的设备具有不同的解析方式。如电感线圈的反馈一般为车辆的经过信息，可直接解析获取，但存在着准确度差等问题；摄像头能够准确探测车辆的位置、车辆类型等信息，但需要相对复杂的识别过程，目前的人工智能技术已经能够完成这一任务(见上述实施例)，雷达不仅能够检测到车辆，还能够给出车辆的通行速度。本发明不限具体使用何种设备，可使用一种设备，也可多种设备融合使用，，包括但不限于摄像头、电感线圈、雷达、ETC等，能够探测到经过某个位置的事件并能够将事件反馈至控制中心。

所述沙盘模拟器，用于根据实时路况信息对现实世界中的车辆驾驶行为进行实时模拟；基于SUMO交通模拟器。通过可通过接口设置模拟器中的交通灯相位及时长，利用模拟器快速模拟仿真的优势，快速评估所设置方案的效果。评估所需相关参数也可通过模拟器获得。

该模块以实时的交通状况为输入，以调控目标为优化目标，可选用各类算法(如遗传算法、确定性启发式算法、人工智能算法等)进行优化计算。本发明不限所使用的具体算法，但算法需能够在一定的时间内完成。例如，如果每5秒进行一次模拟优化，则整个优化算法加上模拟的总时长不能超过5秒，不论算法是否要求迭代。

本实施例该模块也负责维护信号机状态，一般通过心跳机制确认信号机是否正常工作。一个信号机服务器可同时管理多个不同路口的信号机。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于模拟优化的城市道路交通调度方法，其特征在于，包括以下步骤：

(1)获取包括待调度路口的实时路况信息；

(2)根据步骤(1)中获取的待调度路口的实时路况信息对用于优化模拟的模拟沙盘进行初始化；所述模拟沙盘用于对现实世界中的车辆驾驶行为进行实时模拟还原真实世界中的交通状况，采用交通模拟器；

对于每一种信号灯调控优化算法，在模拟沙盘上进行相位决策，获取相应更新后的相位及时长；所述信号灯调控优化算法包括原理和步骤不同的信号灯调控优化算法以及相同原理、步骤而参数不同的信号灯调控优化算法；

所述信号灯调控优化算法为反馈的信号灯调控优化算法，经过多次迭代获得更新后的相位及时长；

2.如权利要求1所述的基于模拟优化的城市道路交通调度方法，其特征在于，步骤(1)所述包括待调度路口的实时路况信息，包括待调度路口及其所有相关联路口的路网结构、实时车辆信息、以及各路口当前相位及时长。

3.如权利要求1所述的基于模拟优化的城市道路交通调度方法，其特征在于，所述交通模拟器，包括SUMO、MATSim,MITSIMlab、AIMSUN、CORSIM、Paramics、SimTraffic、VISSIM、TRANSIMS。

4.如权利要求3所述的基于模拟优化的城市道路交通调度方法，其特征在于，步骤(2)所述根据步骤(1)中获取的待调度路口的实时路况信息对用于优化模拟的模拟沙盘进行初始化，具体为：

将所有步骤(1)中路口设备探测到的实时车辆信息加载在所述模拟沙盘上，车辆的起点为实时路况信息中车辆位置，即探测设备所在位置；车辆的终点，按照如下方法确定：

所述车行方向根据车辆所在车道的属性判断

5.如权利要求4所述的基于模拟优化的城市道路交通调度方法，其特征在于，

所述车行方向根据车辆所在车道的属性判断具体为：

如果车辆处于不可变道的直行道上，则直接判定车辆经过路口后直行；

如果车辆所在车道属性为多重方向，则按照统计概率赋予所述车辆其车行方向。

6.如权利要求1所述的基于模拟优化的城市道路交通调度方法，其特征在于，在步骤(2)中获得的模拟沙盘上采用各种信号灯调控优化算法对待调度路口进行相位决策，具体为：

对于每一种各种信号灯调控优化算法，在模拟沙盘上进行相位决策，获取相应更新后的相位及时长；

所述模拟相应决策结果，具体为：

对于每一种各种信号灯调控优化算法，将其更新后的相位及时长反馈到所述模拟沙盘中，模拟执行更新后的相位及时长，获得包括待调度路口的模拟路况信息。

7.如权利要求1所述的基于模拟优化的城市道路交通调度方法，其特征在于，所述反馈的信号灯调控优化算法，包括蚁群、遗传、模拟退火算法。

8.如权利要求1所述的基于模拟优化的城市道路交通调度方法，其特征在于，步骤(4)所述优化目标根据调控目的不同而不同。

9.如权利要求8所述的基于模拟优化的城市道路交通调度方法，其特征在于，步骤(4)所述优化目标为各调控目的的加权和。

10.如权利要求1所述的基于模拟优化的城市道路交通调度方法，其特征在于，步骤(1)、(2)、(3)、(4)可以根据各自的频率分别执行或统一的频率顺序执行。

11.一种基于模拟优化的城市道路交通调度系统，其特征在于，包括：实时路况获取模块、沙盘模拟器、信号灯调控优化算法控制模块、以及信号机服务器；

所述沙盘模拟器，用于根据实时路况信息对现实世界中的车辆驾驶行为进行实时模拟，采用交通模拟器；

所述信号灯调控优化算法控制模块，用于在沙盘模拟器上采用各种信号灯调控优化算法对待调度路口进行相位决策并模拟相应决策结果，并提交给信号机服务器；所述信号灯调控优化算法为反馈的信号灯调控优化算法，经过多次迭代获得更新后的相位及时长

12.如权利要求11所述的基于模拟优化的城市道路交通调度系统，其特征在于，所述反馈的信号灯调控优化算法，包括蚁群、遗传、模拟退火算法。