CN109767632B - 一种基于迭代学习与模型预测控制的交通信号混合控制方法 - Google Patents

Abstract

本发明提供了一种基于迭代学习与模型预测控制的交通信号混合控制方法，包括以下步骤：1）对研究区域的交通流模型进行优化；2）在优化的交通流模型中引入相邻两次迭代间的绿灯时长增量关系，并引入路网内实际车辆数与期望车辆数的误差；3）通过模型预测控制进行绿灯时长增量的预测；4）将迭代学习控制获得的绿灯时长与模型预测控制获得的绿灯时长增量进行有效结合，得到优化的绿灯时长，5）根据优化的绿灯时长设置交叉口绿灯时长。本发明将迭代学习控制与模型预测控制进行结合，既充分利用了路网宏观交通流相似性分布的历史批次信息，又能通过预测模型在线进行滚动优化，使路网交通信号能更有效、更迅速的达到控制要求，提高路网通行效率。

Description

一种基于迭代学习与模型预测控制的交通信号混合控制方法

技术领域

本发明涉及智能交通控制领域，具体说是一种基于迭代学习与模型预测控制的交通信号混合控制方法。

背景技术

随着社会的不断发展，我国汽车保有量快速增长，同时面临的交通问题也越来越突出，严重制约了城市的健康发展，为了更好地利用现有的交通设施以及路网交通情况的历史批次信息来改善城市路网的通行效率。申请人通过充分利用每日宏观交通流固有的相似性分布的特性，以及预测模型可进行在线滚动优化的特点，提出了一种基于迭代学习与模型预测控制的交通信号混合控制方法。本发明有效的结合了迭代学习控制和模型预测控制的优点，在不改变现有交通道路硬件设施的基础上，充分结合路网的实际交通情况并对城市的交通信号进行优化控制，有效提高了城市路网的通行效率，改善了交通状况。

发明内容

本发明的目的在于有效解决交通信号控制方案效率不高且信号控制方案不能与路网的历史信息状况进行有效结合的问题，申请人提出一种基于迭代学习与模型预测控制的交通信号混合控制方法，在提高路网通行效率的同时能使控制方案有效结合路网交通状况的历史批次信息，从而使路网的通行效率达到最优。

为实现上述目的，本发明所提供的技术方案为：一种基于迭代学习与模型预测控制的交通信号混合控制方法，包括以下几个步骤：

1)对研究区域的交通流模型进行优化；

2)在优化的交通流模型中引入相邻两次迭代间的绿灯时长增量关系，并引入路网内实际车辆数与期望车辆数的误差，得到误差预测模型；

3)通过模型预测控制进行绿灯时长增量的预测；

4)将迭代学习控制获得的绿灯时长与模型预测控制获得的绿灯时长增量进行结合，得到优化的绿灯时长；

5)根据步骤4计算得到的优化的绿灯时长设置路网内各交叉口信号绿灯时长，使得路网内实际车辆数与期望车辆数的误差值逐渐减小，直到达到理想状态。

上述的一种基于迭代学习与模型预测控制的交通信号混合控制方法，在步骤(1)中对研究区域的交通流模型进行优化包括以下几个步骤：

1.1)获得路网的交通流模型，形式如下：

式中x_k(t)为状态向量表示为第k次迭代第t时刻各路段内的车辆数；y_k(t)为输出向量表示为第k次迭代第t时刻路网内总的车辆数；u_k(t)为控制向量表示为第k次迭代第t时刻所有相位的绿灯时长；A和C分别为系统的状态矩阵和输出矩阵，B为输入矩阵分别由路网的特性决定；

1.2)在步骤1.1)中的交通流模型中引入相邻两时刻的路网交叉口绿灯时长增量δu_k(t)＝u_k(t)-u_k(t-1)，从而得到交通流系统的增量模型，形式如下：

其中：

设置N为预测范围，并定义以下向量：

δu_k＝[δu(0)^丅,δu(1)^丅,…,δu^丅(N-1)]^丅，结合上式所述，可得优化后的交通流的增量模型为

式中：

上述的一种基于迭代学习与模型预测控制的交通信号混合控制方法，步骤(2)中在优化的交通流模型中引入相邻两次迭代间的绿灯时长增量关系，并引入路网内实际车辆数与期望车辆数的误差，得到误差预测模型，包括以下几个步骤：

2.1)结合步骤1.2)中优化的交通流系统的增量模型，引入相邻两次迭代之间的绿灯时长增量关系△δu_k(t)，△δu_k(t)＝{u_k(t)-u_k(t-1)}-{u_k-1(t)-u_k-1(t-1)}，可将交通流系统的增量模型重新写为：

2.2)在步骤2.1)中的模型中加入第k次迭代时路网内实际车辆数的向量y_k与期望的车辆数的向量y_d的误差值e_k＝y_d-y_k，则交通流系统的增量模型可重新写为误差的预测模型：

因此，最终可得到误差预测模型的具体表达式如下：

上述的一种基于迭代学习与模型预测控制的交通信号混合控制方法，在步骤(3)中通过模型预测控制进行绿灯时长增量的预测，包括以下几个步骤：

3.1)结合步骤2.2)得到的误差预测模型，通过二次型性能优化目标函数，可得到预测后的绿灯时长增量，具体的二次型性能优化的目标函数如下：

式中Q和R分别是惩罚矩阵和对称正阵；

3.2)由于现实中的路网交叉口信号绿灯时长必然存在最大值与最小值，且在控制过程中交叉口信号的周期一般保持不变，因此有限制条件：u_min≤u_k(t)≤u_max，δu_min≤δu_k(t)≤δu_max，△δu_min≤△δu_k(t)≤△δu_max，u_k(t)＝D-L，其中D和L分别为信号周期和损失时间；

3.3)将步骤3.1)中的式子通过MATLAB软件计算求得符合步骤3.1)中限制条件的预测值△δu_k ^m(t)，通过△δu_k ^m(t)可得到预测的交叉口绿灯时长增量

上述的一种基于迭代学习与模型预测控制的交通信号混合控制方法，其特征在于：在步骤(4)中，将迭代学习控制获得的绿灯时长与模型预测控制获得的绿灯时长增量进行结合，得到优化的绿灯时长，具体步骤为：将绿灯时长u_k-1(t-1)通过P型迭代学习控制律获得到的绿灯时长u_k ^I(t-1)与模型预测控制获得的绿灯时长增量预测值

相加，从而得到优化后的交叉口信号绿灯时长u_k(t)，

本发明将迭代学习控制与模型预测控制进行结合，既充分利用了路网宏观交通流相似性分布的历史批次信息，又能通过预测模型在线进行滚动优化，使路网交通信号能更有效、更迅速的达到控制要求，提高路网通行效率。

附图说明

图1为本发明的流程图。

图2为模型预测控制原理结构框图。

图3为迭代学习控制原理结构框图。

图4为迭代学习控制与模型预测控制混合控制原理结构框图。

具体实施方式

本发明的目的在于有效解决信号控制方案效率不高且信号控制方案不能与实际路网情况有效结合的问题，提出一种基于迭代学习与模型预测控制的交通信号混合控制方法，在提高路网通行效率的同时能使控制方案有效结合路网交通情况的历史批次信息，从而使路网的通行效率达到最优。

为实现上述目的，本发明所提供的技术方案为：一种基于迭代学习与模型预测控制的交通信号混合控制方法，流程图如图1所示，包括的具体步骤为：

1)对研究区域的交通流模型进行优化；

2)在优化的交通流模型中引入相邻两次迭代间的绿灯时长增量关系，并引入路网内实际车辆数与期望车辆数的误差；

3)通过模型预测控制进行绿灯时长增量的预测；

4)将迭代学习控制获得的绿灯时长与模型预测控制获得的绿灯时长增量进行结合，得到优化的绿灯时长；

5)根据步骤4计算得到的绿灯时长设置路网内各交叉口信号绿灯时长，使得路网内实际车辆数与期望车辆数的误差值逐渐减小，直到达到理想状态，理想状态误差值为0。

在步骤(1)中，根据研究区域的交通流模型写出改进后的增量模型，包括以下几个步骤：

1.1)获得路网的交通流模型，根据经典的存储转发模型，可写出路网的交通流模型，一般形式如下：

式中x_k(t)，y_k(t)和u_k(t)分别为第k次迭代第t时刻的状态向量(道路中的车辆数)、输出向量(路网内累计的车辆数)和控制向量(所有相位的绿灯时长)；A和C分别为系统的状态矩阵和输出矩阵，B为输入矩阵由路网特性决定；

1.2)在上述的交通流模型中引入相邻两时刻的路网交叉口绿灯时长增量关系δu_k(t)＝u_k(t)-u_k(t-1)，从而得到交通流系统的增量模型，形式如下：

其中：

设置N为预测范围，并定义以下向量：

δu_k＝[δu(0)^丅,δu(1)^丅,…,δu^丅(N-1)]^丅，结合上式所述，可得优化后的交通流系统增量模型为：

式中：

在步骤(2)中，在优化的交通流模型中引入相邻两次迭代间的绿灯时长增量关系，并引入路网内实际车辆数与期望车辆数的误差，具体包括以下几个步骤：

2.1)结合路网交叉口信号灯的历史批次信息，引入两个相邻迭代之间的交叉口绿灯时长的增量关系△δu_k(t)，△δu_k(t)＝{u_k(t)-u_k(t-1)}-{u_k-1(t)-u_k-1(t-1)}，并结合步骤1.2)中的交通流系统增量模型，可重新写为优化后的交通流系统增量模型：

2.2)在步骤2.1)中的系统中加入第k次迭代时路网内实际车辆数的向量y_k与期望的车辆数的向量y_d的误差值e_k(e_k＝y_d-y_k)，则交通流系统的增量模型可重新写为误差的预测模型：

因此，最终可得到误差预测模型的具体表达式如下：

在步骤(3)中，通过模型预测控制进行路网交叉口的绿灯时长增量的预测，模型预测控制的原理如图2所示，具体包括以下几个步骤：

3.1)结合步骤2.2)得到的误差预测模型，通过二次型性能优化目标函数，可得到预测后的绿灯时长增量，具体的二次型性能优化的目标函数如下：

式中Q和R分别是惩罚矩阵和对称正阵；

3.2)由于现实中的路网交叉口信号绿灯时长必然存在最大值与最小值，且在控制过程中交叉口信号的周期一般保持不变，因此有限制条件：

u_min≤u_k(t)≤u_max

δu_min≤δu_k(t)≤δu_max

△δu_min≤△δu_k(t)≤△δu_max

u_k(t)＝D-L，其中D和L分别为信号周期和损失时间；

3.3)将步骤3.1)中的式子通过MATLAB软件计算可求得符合3.2)中限制条件的预测值△δu_k ^m(t)，通过△δu_k ^m(t)可得到最终预测的绿灯时长增量δu_k ^m(t)。

在步骤(4)中，将迭代学习控制获得的绿灯时长与模型预测控制获得的绿灯时长增量进行结合，得到优化的绿灯时长。迭代学习控制的原理如图3所示。迭代学习控制与模型预测控制的具体结合方式为：将绿灯时长u_k-1(t-1)通过P型迭代学习控制率得到的绿灯时长

与模型预测控制获得的预测的绿灯时长增量δu_k ^m(t)相加，从而得到优化后的绿灯时长u_k(t)，具体计算如下：

P是迭代学习增益。

(5)根据步骤4计算得到的绿灯时长u_k(t)设置路网内各交叉口信号绿灯时长，使得路网内实际车辆数的向量y_k与期望的车辆数的向量y_d的误差值e_k逐渐减小，直到达到理想状态。

综上所述，本发明将迭代学习控制与模型预测控制相结合，在不改变现有交通设施的基础上，通过充分利用交通流的历史批次信息，使城市的交通通行效率得到有效的改善。图4为迭代学习控制与模型预测控制混合控制原理结构框图，从技术手段上具有较高的可行性，值得推广。

Claims (2)

1.一种基于迭代学习与模型预测控制的交通信号混合控制方法，其特征在于，包括以下几个步骤：

1)对研究区域的交通流模型进行优化；

1.1)获得路网的交通流模型，形式如下：

式中x_k(t)为状态向量表示为第k次迭代第t时刻各路段内的车辆数；y_k(t)为输出向量表示为第k次迭代第t时刻路网内总的车辆数；u_k(t)为控制向量表示为第k次迭代第t时刻所有相位的绿灯时长；A和C分别为系统的状态矩阵和输出矩阵，B为输入矩阵分别由路网的特性决定；

1.2)在步骤1.1)中的交通流模型中引入相邻两时刻的路网交叉口绿灯时长增量δu_k(t)＝u_k(t)-u_k(t-1)，从而得到交通流系统的增量模型，形式如下：

其中：

设置N为预测范围，并定义以下向量：

结合上式所述，可得优化后的交通流的增量模型为

式中：

2)在优化的交通流模型中引入相邻两次迭代间的绿灯时长增量关系，并引入路网内实际车辆数与期望车辆数的误差，得到误差预测模型；

2.1)结合步骤1.2)中优化的交通流系统的增量模型，引入相邻两次迭代之间的绿灯时长增量关系△δu_k(t)，△δu_k(t)＝{u_k(t)-u_k(t-1)}-{u_k-1(t)-u_k-1(t-1)}，可将交通流系统的增量模型重新写为：

2.2)在步骤2.1)中的模型中加入第k次迭代时路网内实际车辆数的向量y_k与期望的车辆数的向量y_d的误差值e_k＝y_d-y_k，则交通流系统的增量模型可重新写为误差的预测模型：

因此，最终可得到误差预测模型的具体表达式如下：

3)通过模型预测控制进行绿灯时长增量的预测；

3.1)结合步骤2.2)得到的误差预测模型，通过二次型性能优化目标函数，可得到预测后的绿灯时长增量，具体的二次型性能优化的目标函数如下：

式中Q和R分别是惩罚矩阵和对称正阵；

3.2)由于现实中的路网交叉口信号绿灯时长必然存在最大值与最小值，且在控制过程中交叉口信号的周期一般保持不变，因此有限制条件：u_min≤u_k(t)≤u_max，δu_min≤δu_k(t)≤δu_max，△δu_min≤△δu_k(t)≤△δu_max，u_k(t)＝D-L，其中D和L分别为信号周期和损失时间；

3.3)将步骤3.1)中的式子通过MATLAB软件计算可求得符合步骤3.2)中限制条件的预测值△δu_k ^m(t)，通过△δu_k ^m(t)可得到预测的交叉口绿灯时长增量

4)将迭代学习控制获得的绿灯时长与模型预测控制获得的绿灯时长增量进行结合，得到优化的绿灯时长；

5)根据步骤4计算得到的优化的绿灯时长设置路网内各交叉口信号绿灯时长，使得路网内实际车辆数与期望车辆数的误差值逐渐减小，直到达到理想状态。

2.根据权利要求1所述的一种基于迭代学习与模型预测控制的交通信号混合控制方法，其特征在于：在步骤(4)中，将迭代学习控制获得的绿灯时长与模型预测控制获得的绿灯时长增量进行结合，得到优化的绿灯时长，具体步骤为：将绿灯时长u_k-1(t-1)通过P型迭代学习控制律获得到的绿灯时长u_k ^I(t-1)与模型预测控制获得的绿灯时长增量预测值

相加，从而得到优化后的交叉口信号绿灯时长u_k(t)，

Images