CN109872538A - 基于mfd的饱和交叉口群多层边界迭代学习控制方法和装置 - Google Patents
基于mfd的饱和交叉口群多层边界迭代学习控制方法和装置 Download PDFInfo
- Publication number
- CN109872538A CN109872538A CN201910305465.0A CN201910305465A CN109872538A CN 109872538 A CN109872538 A CN 109872538A CN 201910305465 A CN201910305465 A CN 201910305465A CN 109872538 A CN109872538 A CN 109872538A
- Authority
- CN
- China
- Prior art keywords
- transition region
- area
- congestion area
- vehicle number
- boundary
- 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.)
- Granted
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种基于MFD的饱和交叉口群多层边界迭代学习控制方法和装置，与现有技术相比，本申请提供的方法，迭代次数可以得到明显降低，有效提高收敛速度，使得时滞问题得到改善，同时，利用前馈反馈迭代学习控制器对拥堵区和过渡区进行双层边界控制，对拥堵区和过渡区的边界出入车流进行调节，使得拥堵区和过渡区的各项交通信号评价指标均得到明显改善，提高了控制区域的整体交通运行效率，边界控制效果更加理想。
Description
技术领域
本申请涉及交通管控技术领域，尤其涉及一种基于MFD的饱和交叉口群多层边界迭代学习控制方法和装置。
背景技术
随着社会经济的高速发展，汽车保有量剧增，城市交通拥堵问题愈演愈烈，给城市交通带来了巨大的挑战，如何缓解城市交通拥堵是各大城市发展过程中共同面临的棘手问题，尤其是过饱和交叉群的交通控制问题。
目前，将基于宏观基本图(Macroscopic Fundamental Diagrems，MFD)的交通管理与控制方法应用于路网中，对饱和交叉口群进行有效的管控，包括基于模型的反馈控制方法和基于MFD的迭代学习控制方法。但是目前的基于模型的反馈控制方法和基于MFD的迭代学习控制方法存在两个问题：
(1)时滞问题，从发现控制参数偏差到采取更正措施之间有较严重的时间延迟现象，不能精确跟踪控制系统期望输出值；
(2)边界控制效果不理想，在大型网络的交通条件下，控制区域的拥堵分布不均，即存在异构路网，此时单一区域的周界控制将不能有效发挥作用。
针对以上两个问题，本领域尚未有较好的解决方案，因此，如何改善饱和交叉口群交通管控的时滞问题和边界控制效果不理想问题，是本领域技术人员亟待解决的技术问题。
发明内容
本申请实施例提供了一种基于MFD的饱和交叉口群多层边界迭代学习控制方法和装置，用于解决现有的饱和交叉口群交通管控方式时滞较差和边界控制效果不理想的技术问题。
有鉴于此，本申请第一方面提供了一种基于MFD的饱和交叉口群多层边界迭代学习控制方法，包括以下步骤：
101、获取交叉口群的控制区域的MFD，所述控制区域包括：拥堵区和过渡区；
102、实时监测所述拥堵区和所述过渡区的交通状态，判断所述拥堵区和所述过渡区是否进入高峰期，若所述拥堵区进入所述高峰期，则执行步骤103，若所述过渡区进入所述高峰期，则执行步骤105；
103、启动用于控制所述拥堵区的边界出入流控制比率的第一前馈反馈迭代学习控制器，并检测所述拥堵区是否存在边界路段最大排队长度超过安全排队长度，若是，则执行步骤104，否则执行步骤108；
104、判断所述拥堵区所有边界路段是否均超过安全排队长度，若是，则执行步骤105，否则，执行步骤109；
105、启动用于控制所述过渡区的边界出入流控制比率的第二前馈反馈迭代学习控制器，并检测所述过渡区是否存在边界路段最大排队长度超过安全排队长度，若是，则执行步骤106，否则执行步骤107；
106、根据考虑排队长度的边界控制算法，重新调整所述过渡区的边界出入流控制比率，执行步骤107；
107、根据所述过渡区的边界出入流控制比率，对所述过渡区进行车流控制；
108、根据所述拥堵区的边界出入流控制比率，对所述拥堵区进行车流控制；
109、根据考虑排队长度的边界控制算法，重新调整所述拥堵区的出入流控制比率，执行步骤108。
优选地，步骤101具体包括：
根据浮动车数据估测法估测拥堵区和过渡区的累积车辆数和加权交通流量，绘制所述拥堵区和所述过渡区的MFD。
优选地，步骤101之后步骤102之前，还包括：
1012、分别对所述拥堵区和所述过渡区的所述MFD的散点数据进行拟合，分别得到所述拥堵区和所述过渡区的拟合函数；
1013、根据所述拟合函数分别计算所述拥堵区和所述过渡区的临界累积车辆数、临界加权交通流量和最佳累积车辆数，其中，所述最佳累积车辆数为所述临界累积车辆数的90％。
优选地，所述第一前馈反馈迭代学习控制器的状态方程为：
其中，N1,i(t)为第i次迭代t时刻拥堵区的累积车辆数，qxy(t)为t时刻从x区到y区的交通量，x、y取值为1时为拥堵区，x、y取值为2时为过渡区，x、y取值为3时为常态区，μxy,i(t)为第i次迭代t时刻从x区到y区的边界出入流控制比率，为第i次迭代t时刻拥堵区的完成旅行加权交通流量，α1,i(t)为t时刻拥堵区的外部转移比例系数，e1,i(t)为第i次迭代t时刻拥堵区边界控制器输入累积车辆数的跟踪误差，为e1,i(t)对t的求导，N12,i(t)为第i次迭代t时刻拥堵区向过渡区转移累积车辆数，Γ为前馈迭代学习增益矩阵，K为反馈控制增益矩阵，N1,d(t)为t时刻拥堵区期望累积车辆数，Nm1为拥堵区的最佳累积车辆数，N1(0)为拥堵区的初始累积车辆数，θ1为采集间隔时间内拥堵区的期望累积车辆数增长量，t1，0为拥堵区启动迭代学习控制器的初始时间。
优选地，所述第二前馈反馈迭代学习控制器的状态方程为：
其中，N2,i(t)为第i次迭代t时刻过渡区的累积车辆数，为第i次迭代t时刻过渡区的完成旅行加权交通流量，α2,i(t)为t时刻过渡区的外部转移比例系数，e2,i(t)为第i次迭代t时刻过渡区边界控制器输入累积车辆数的跟踪误差，为e2,i(t)对t的求导，N23,i(t)为第i次迭代t时刻过渡区向常态区转移累积车辆数，N1,d(t)为t时刻过渡区期望累积车辆数，Nm2为过渡区的最佳累积车辆数，N2(0)为过渡区的初始累积车辆数，θ2为采集间隔时间内过渡区的期望累积车辆数增长量，t2，0为过渡区启动迭代学习控制器的初始时间。
本申请第二方面还提供了一种基于MFD的饱和交叉口群多层边界迭代学习控制装置，包括：
获取单元，用于获取交叉口群的控制区域的MFD，所述控制区域包括：拥堵区和过渡区；
监测单元，用于实时监测所述拥堵区和所述过渡区的交通状态，判断所述拥堵区和所述过渡区是否进入高峰期，若所述拥堵区进入所述高峰期，则触发第一安全单元，若所述过渡区进入所述高峰期，则触发第二安全单元；
所述第一安全单元，用于启动用于控制所述拥堵区的边界出入流控制比率的第一前馈反馈迭代学习控制器，并检测所述拥堵区是否存在边界路段最大排队长度超过安全排队长度，若是，则触发判断单元，否则触发第二控制单元；
所述判断单元，用于判断所述拥堵区所有边界路段是否均超过安全排队长度，若是，则触发所述第二安全单元，否则，触发第二调整单元；
所述第二安全单元，用于启动用于控制所述过渡区的边界出入流控制比率的第二前馈反馈迭代学习控制器，并检测所述过渡区是否存在边界路段最大排队长度超过安全排队长度，若是，则触发第一调整单元，否则触发第一控制单元；
所述第一调整单元，用于根据考虑排队长度的边界控制算法，重新调整所述过渡区的边界出入流控制比率，触发第一控制单元；
所述第一控制单元，用于根据所述过渡区的边界出入流控制比率，对所述过渡区进行车流控制；
所述第二控制单元，用于根据所述拥堵区的边界出入流控制比率，对所述拥堵区进行车流控制；
所述第二调整单元，用于根据考虑排队长度的边界控制算法，重新调整所述拥堵区的出入流控制比率，触发所述第二控制单元。
优选地，所述获取单元具体用于：
根据浮动车数据估测法估测拥堵区和过渡区的累积车辆数和加权交通流量，绘制所述拥堵区和所述过渡区的MFD。
优选地，所述获取单元与所述监测单元之间还包括：
拟合单元，用于分别对所述拥堵区和所述过渡区的所述MFD的散点数据进行拟合，分别得到所述拥堵区和所述过渡区的拟合函数；
计算单元，用于根据所述拟合函数分别计算所述拥堵区和所述过渡区的临界累积车辆数、临界加权交通流量和最佳累积车辆数，其中，所述最佳累积车辆数为所述临界累积车辆数的90％。
本申请第三方面还提供了一种基于MFD的饱和交叉口群多层边界迭代学习控制设备，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面所述的基于MFD的饱和交叉口群多层边界迭代学习控制方法。
本申请第四方面还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面所述的基于MFD的饱和交叉口群多层边界迭代学习控制方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请中，提供了一种基于MFD的饱和交叉口群多层边界迭代学习控制方法，首先获取到交叉口群的拥堵区和过渡区，这样便能确定控制区域的拥堵区和过渡区两层边界，然后对拥堵区和过渡区的交通状态进行实时监测，判断拥堵区和过渡区是否达到高峰期，即饱和状态，当拥堵区或过渡区进入高峰期之后，启动各自的前馈反馈迭代学习控制器，实施多层边界FFILC方法，实时调整拥堵区和过渡区的边界出入车流控制比率，经若干次迭代后，使得拥堵区和过渡区的累积车辆数不断逼近其期望累积车辆数，而不超过控制区域的最佳累积车辆数，同时，实时监测控制区域边界路段的最大排队长度，当部分边界路段最大排队长度超过安全排队长度时，重新调整边界控制比率，若拥堵区的所有边界路段最大排队长度都超过安全排队长度，说明边界路段上已无多余的排队空间，则需强制性启动第二前馈反馈迭代学习控制器，进行考虑排队长度的边界控制算法，重新调整边界出入流控制比率；与现有技术相比，本申请提供的方法，迭代次数可以得到明显降低，有效提高收敛速度，使得时滞问题得到改善，同时，利用前馈反馈迭代学习控制器对拥堵区和过渡区进行双层边界控制，对拥堵区和过渡区的边界出入车流进行调节，使得拥堵区和过渡区的各项交通信号评价指标均得到明显改善，提高了控制区域的整体交通运行效率，边界控制效果更加理想。
附图说明
图1为本申请提供的一种基于MFD的饱和交叉口群多层边界迭代学习控制方法的一个实施例的流程示意图；
图2为本申请提供的一种交叉口群的基于MFD的饱和交叉口群多层边界迭代学习控制的另一个实施例的流程示意图；
图3为本申请提供的一种基于MFD的饱和交叉口群多层边界迭代学习控制装置的一个实施例的结构示意图；
图4为交叉口群的多边界控制示意图；
图5为控制区域期望累积车辆数曲线变化示意图；
图6为前馈反馈迭代学习控制器的迭代过程示意图；
图7为交叉口群的边界划分示意图；
图8为拥堵区MFD示意图；
图9为过渡区MFD示意图；
图10为拥堵区累积车辆数划分示意图；
图11为过渡区累积车辆数划分示意图；
图12为拥堵区的FILC迭代结果示意图；
图13为拥堵区的FFILC迭代结果示意图；
图14为过渡区(含拥堵区)的FILC迭代结果示意图；
图15为过渡区(含拥堵区)的FFILC迭代结果示意图；
图16为拥堵区的FILC平均误差车辆数示意图；
图17为拥堵区的FFILC平均误差车辆数示意图；
图18为过渡区(含拥堵区)的FILC平均误差车辆数示意图；
图19为过渡区(含拥堵区)的FFILC平均误差车辆数示意图；
图20为拥堵区边界出入口最终迭代控制比率示意图；
图21为过渡区(含拥堵区)边界出入口最终迭代控制比率示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了便于理解，请参阅图1，本申请提供的一种基于MFD的饱和交叉口群多层边界迭代学习控制方法的一个实施例，包括：
步骤101、获取交叉口群的控制区域的MFD，控制区域包括：拥堵区和过渡区。
需要说明的是，本申请实施例中，首先需要获取到交叉口群的控制区域的MFD，获取方式可以是利用Vissim交通仿真软件，建立车联网仿真平台，依据路网交通运行情况，将交叉口群划分为拥堵区、过渡区和常态区，根据拥堵区和过渡区的累积车辆数和加权交通流量，绘制拥堵区和过渡区的MFD。
步骤102、实时监测拥堵区和过渡区的交通状态，判断拥堵区和过渡区是否进入高峰期，若拥堵区进入高峰期，则执行步骤103，若过渡区进入高峰期，则执行步骤105。
需要说明的是，本申请实施例中，需要实施监测拥堵区和过渡区的交通状态(非拥堵状态或饱和状态)，判断拥堵区和过渡区是否进入了高峰期(即饱和状态)，然后再分别对进入了高峰期的拥堵区和过渡区进行交通控制。
步骤103、启动用于控制拥堵区的边界出入流控制比率的第一前馈反馈迭代学习控制器，并检测拥堵区是否存在边界路段最大排队长度超过安全排队长度，若是，则执行步骤104，否则执行步骤108。
进一步地，第一前馈反馈迭代学习控制器的状态方程为：
其中，N1,i(t)为第i次迭代t时刻拥堵区的累积车辆数，qxy(t)为t时刻从x区到y区的交通量，x、y取值为1时为拥堵区，x、y取值为2时为过渡区，x、y取值为3时为常态区，μxy,i(t)为第i次迭代t时刻从x区到y区的边界出入流控制比率，为第i次迭代t时刻拥堵区的完成旅行加权交通流量，α1,i(t)为t时刻拥堵区的外部转移比例系数，e1,i(t)为第i次迭代t时刻拥堵区边界控制器输入累积车辆数的跟踪误差，为e1,i(t)对t的求导，N12,i(t)为第i次迭代t时刻拥堵区向过渡区转移累积车辆数，Γ为前馈迭代学习增益矩阵，K为反馈控制增益矩阵，N1,d(t)为t时刻拥堵区期望累积车辆数，Nm1为拥堵区的最佳累积车辆数，N1(0)为拥堵区的初始累积车辆数，θ1为采集间隔时间内拥堵区的期望累积车辆数增长量，t1，0为拥堵区启动迭代学习控制器的初始时间。
需要说明的是，本申请实施例中，需要预先设置用于对拥堵区进行交通控制的第一前馈反馈迭代学习控制器。如图4所示，图4为交叉口群的多边界控制示意图，图4中存在3个子区域，子区域1为拥堵区，子区域2为过渡区，子区域3为常态区，子区域变量x,y∈{1,2,3}，qxy(t)表示t时刻从x区到y区的交通量，Nxy(t)表示t时刻从x区到y区的累积车辆数，uxy(t)表示t时刻从x区到y区的边界出入流控制比率，区域1和区域2是控制区域，同质路网MFD可以表示为qw(N(t))＝aN3(t)+bN2(t)+cN(t)+d，a、b、c、d为常系数，N为累积车辆数，qw(N(t))为加权交通流量，最大加权交通流量qc对应临界累积车辆数Nc。
边界控制是指实时监测进入拥堵区、过渡区的累积车辆数，依据MFD理论，确定控制比率，通过边界控制器，调整控制区域边界的出入流控制比率u12(t)、u21(t)、u23(t)，u32(t)，使得拥堵区和过渡区在t时刻累积车辆数接近最佳累积车辆数Nm。因此，在交叉口群的交通控制过程中，最关键的问题是当控制区域进入拥堵状态时，如何确定控制区域边界出入流控制比率u12(t)、u21(t)、u23(t)，u32(t)。本申请实施例中，设计第一前馈反馈迭代学习控制器来实时确定拥堵区的边界出入车流控制比率，使得控制区域的累积车辆数不断逼近期望累积车辆数N1,d(t)，设计原理为：
首先，在拥堵区PN1中，累积车辆数N1(t)显然存在以下关系：
N1(t)＝N11(t)+N12(t)；
式中，N1(t)为t时刻拥堵区的累积车辆数，N11(t)为t时刻拥堵区内部转移的累积车辆数，N12(t)t时刻从拥堵区转移到过渡区的累积车辆数。
则拥堵区PN1的完成旅行加权交通流量包括内部流和转移流两部分，其关系如下：
式中，为t时刻拥堵区的完成旅行加权交通流量，为t时刻拥堵区内部转移的完成旅行加权交通流量，为t时刻从拥堵区转移到过渡区的完成旅行加权交通流量。
因此，可建立拥堵区PN1的边界出入车流平衡方程为：
式中，μ12(t)∈[0,1]；μ21(t)∈[0,1]。
若将t时刻拥堵区PN1转移到过渡区PN2的车辆数N12(t)与拥堵区PN1内的车辆数N1(t)之间的比例关系定义为t时刻拥堵区PN1的外部转移比例系数，用表α1表示，则有
因此，综合上述公式，拥堵区的边界出入车流平衡方程可改写为：
式中，将交通流视为具有重复性，q11(t)，q12(t)，q21(t)无需加入迭代指标。
迭代学习控制法(Iterative Learning Control，ILC)的理论是，在给定交通流平衡方程、实时交通需求q11(t)，q12(t)，q21(t)、初始累积车辆数N1(0)、最佳累积车辆数Nm1、向外转移累积车辆数N12(t)等初始参数的条件下，以获得期望累积车辆数N1,d(t)的变化曲线为控制目标，不断调整边界出入车流控制比率，使得控制区域的累积车辆数不断逼近期望累积车辆数N1,d(t)。
定义第i次迭代t时刻拥堵区PN1边界控制器输入累积车辆数的跟踪误差为：
e1,i(t)＝N1,d(t)-N1,i(t)；
其中，期望累积车辆数N1,d(t)的曲线变化可由初始累积车辆数N1(0)按一定的增长量θ1，逐渐逼近最佳累积车辆数Nm1，如图5所示。图5为控制区域期望累积车辆数曲线变化示意图，图5中的期望累积车辆数曲线的表达式为：
其中，θ1为采集间隔时间内，拥堵区PN1的期望累积车辆数增长量，t1，0为拥堵区PN1启动迭代学习控制器的初始时间，单位为s。
前馈反馈迭代学习控制器包括前馈迭代学习控制环路和反馈控制环路，其控制规律构造函数为:
其中，Γ为前馈迭代学习增益矩阵，K为反馈控制增益矩阵。
综上所述，建立拥堵区PN1边界的前馈反馈迭代学习控制器的状态方程及相关参数为：
其中，N1,i(t)为第i次迭代t时刻拥堵区的累积车辆数，qxy(t)为t时刻从x区到y区的交通量，x、y取值为1时为拥堵区，x、y取值为2时为过渡区，x、y取值为3时为常态区，μxy,i(t)为第i次迭代t时刻从x区到y区的边界出入流控制比率，为第i次迭代t时刻拥堵区的完成旅行加权交通流量，α1,i(t)为t时刻拥堵区的外部转移比例系数，e1,i(t)为第i次迭代t时刻拥堵区边界控制器输入累积车辆数的跟踪误差，为e1,i(t)对t的求导，N12,i(t)为第i次迭代t时刻拥堵区向过渡区转移累积车辆数，Γ为前馈迭代学习增益矩阵，K为反馈控制增益矩阵，N1,d(t)为t时刻拥堵区期望累积车辆数，Nm1为拥堵区的最佳累积车辆数，N1(0)为拥堵区的初始累积车辆数，θ1为采集间隔时间内拥堵区的期望累积车辆数增长量，t1，0为拥堵区启动迭代学习控制器的初始时间。
前馈反馈迭代学习控制器的迭代过程如图6所示，在迭代过程中，可采用每次迭代平均误差车辆数来评价迭代学习控制器的效果，其公式为：
其中，表示每次迭代平均误差车辆数，Etotal表示每次迭代采样点误差车辆数绝对值的总和，m表示采样点个数。每次迭代平均误差车辆数越小，说明路网实际累积车辆数越接近路网期望的累积车辆数，因而，路网的运行状态越接近期望的运行状态。
本申请实施例中，利用设计好的第一前馈反馈迭代学习控制器，在拥堵区进行高峰期时，启动第一前馈反馈迭代学习控制器，进行若干次迭代后，使得拥堵区的累积车辆数不断逼近期望累积车辆数，而不超过拥堵区的最佳累积车辆数，同时，对拥堵区边界路段的最大排队长度进行实时监测。若拥堵区边界路段存在最大排队长度超过安全排队长度的情况，则执行步骤104，否则执行步骤108。
步骤104、判断拥堵区所有边界路段是否均超过安全排队长度，若是，则执行步骤105，否则，执行步骤109。
需要说明的是，在监测到拥堵区边界存在最大排队长度超过安全排队长度的情况时，需要检测拥堵区的所有边界路段是否均已超过安全排队长度，若只是部分拥堵区边界路段超过安全排队长度，则执行步骤109，若拥堵区的所有边界路段均超过安全排队长度，则执行步骤105。
步骤105、启动用于控制过渡区的边界出入流控制比率的第二前馈反馈迭代学习控制器，并检测过渡区是否存在边界路段最大排队长度超过安全排队长度，若是，则执行步骤106，否则执行步骤107。
进一步地，第二前馈反馈迭代学习控制器的状态方程为：
其中，N2,i(t)为第i次迭代t时刻过渡区的累积车辆数，为第i次迭代t时刻过渡区的完成旅行加权交通流量，α2,i(t)为t时刻过渡区的外部转移比例系数，e2,i(t)为第i次迭代t时刻过渡区边界控制器输入累积车辆数的跟踪误差，为e2,i(t)对t的求导，N23,i(t)为第i次迭代t时刻过渡区向常态区转移累积车辆数，N1,d(t)为t时刻过渡区期望累积车辆数，Nm2为过渡区的最佳累积车辆数，N2(0)为过渡区的初始累积车辆数，θ2为采集间隔时间内过渡区的期望累积车辆数增长量，t2，0为过渡区启动迭代学习控制器的初始时间。
需要说明的是，本申请实施例中，需要预先设计两个前馈反馈迭代学习控制器，一个是前述的用于拥堵区的交通控制的第一前馈反馈迭代学习控制器，另一个则是用于控制过渡区的边界出入流控制比率的第二前馈反馈迭代学习控制器，第二前馈反馈迭代学习控制器的设计原理同第一前馈反馈迭代学习控制器的设计原理一致，只是控制变量和对象相应替换成作用于过渡区的变量和对象，其状态方程为：
其中，N2,i(t)为第i次迭代t时刻过渡区的累积车辆数，为第i次迭代t时刻过渡区的完成旅行加权交通流量，α2,i(t)为t时刻过渡区的外部转移比例系数，e2,i(t)为第i次迭代t时刻过渡区边界控制器输入累积车辆数的跟踪误差，为e2,i(t)对t的求导，N23,i(t)为第i次迭代t时刻过渡区向常态区转移累积车辆数，N1,d(t)为t时刻过渡区期望累积车辆数，Nm2为过渡区的最佳累积车辆数，N2(0)为过渡区的初始累积车辆数，θ2为采集间隔时间内过渡区的期望累积车辆数增长量，t2，0为过渡区启动迭代学习控制器的初始时间。
可以理解的是，本申请实施例中，启动第二前馈反馈迭代学习控制器的情况有两种，一种是在步骤102时监测到过渡区的交通状态进入高峰期时，另一个则是步骤104中的当检测到拥堵区所有边界路段均超过安全排队长度时，启动第二前馈反馈迭代学习控制器，对过渡区的累积车辆数和加权交通流量进行迭代，进行若干次迭代后，使得过渡区的累积车辆数不断逼近期望累积车辆数，而不超过过渡区的最佳累积车辆数，同时，对过渡区边界路段的最大排队长度进行实时监测。当检测到过渡区存在边界路段最大排队长度超过安全排队长度的情况时，执行步骤106，否则，执行步骤107。
步骤106、根据考虑排队长度的边界控制算法，重新调整过渡区的边界出入流控制比率，执行步骤107。
需要说明的是，本申请实施例中，当检测到过渡区存在边界路段最大排队长度超过安全排队长度的情况时，根据考虑排队长度的边界控制算法，重新调整过渡区的边界出入流控制比率，然后执行步骤107。此处的考虑排队长度的边界控制算法是现有技术，在此不再进行详细赘述。
步骤107、根据过渡区的边界出入流控制比率，对过渡区进行车流控制。
需要说明的是，在步骤105中，启动第二前馈反馈迭代学习控制器之后，若检测到过渡区不存在边界路段最大排队长度超过安全排队长度的情况，则直接根据当前的过渡区的边界出入流控制比率对过渡区进行车流控制，若存在边界路段最大排队长度超过安全排队长度的情况，则需要先执行步骤106重新调整过渡区的边界出入流控制比率之后，再根据调整之后的过渡区的边界出入流控制比率对过渡区进行车流控制。
步骤108、根据拥堵区的边界出入流控制比率，对拥堵区进行车流控制。
需要说明的是，本申请实施例中，步骤108衔接于步骤103，当步骤103中检测到拥堵区进入高峰期，且拥堵区不存在边界路段最大排队长度超过安全排队长度时，可直接根据当前的拥堵区的边界出入流控制比率对拥堵区进行车流控制。
步骤109、根据考虑排队长度的边界控制算法，重新调整拥堵区的出入流控制比率，执行步骤108。
需要说明的是，本申请实施例中，步骤109与步骤104和步骤108衔接，当步骤104中检测到拥堵区存在边界路段最大排队长度超过安全排队长度，且并非拥堵区所有边界路段均超过安全排队长度，此时，执行步骤109，根据考虑排队长度的边界控制算法，重新调整拥堵区的出入流控制比率，再返回步骤108根据调整后的拥堵区的边界出入流控制比率对拥堵区进行车流控制。
本申请实施例中提供的一种交叉口群的交通管控方法，首先获取到交叉口群的拥堵区和过渡区，这样便能确定控制区域的拥堵区和过渡区两层边界，然后对拥堵区和过渡区的交通状态进行实时监测，判断拥堵区和过渡区是否达到高峰期，即饱和状态，当拥堵区或过渡区进入高峰期之后，启动各自的前馈反馈迭代学习控制器，实施多层边界FFILC方法，实时调整拥堵区和过渡区的边界出入车流控制比率，经若干次迭代后，使得拥堵区和过渡区的累积车辆数不断逼近其期望累积车辆数，而不超过控制区域的最佳累积车辆数，同时，实时监测控制区域边界路段的最大排队长度，当部分边界路段最大排队长度超过安全排队长度时，重新调整边界控制比率，若拥堵区的所有边界路段最大排队长度都超过安全排队长度，说明边界路段上已无多余的排队空间，则需强制性启动第二前馈反馈迭代学习控制器，进行考虑排队长度的边界控制算法，重新调整边界出入流控制比率；与现有技术相比，本申请提供的方法，迭代次数可以得到明显降低，有效提高收敛速度，使得时滞问题得到改善，同时，利用前馈反馈迭代学习控制器对拥堵区和过渡区进行双层边界控制，对拥堵区和过渡区的边界出入车流进行调节，使得拥堵区和过渡区的各项交通信号评价指标均得到明显改善，提高了控制区域的整体交通运行效率，边界控制效果更加理想。
为了便于理解，请参阅图2，本申请提供的一种基于MFD的饱和交叉口群多层边界迭代学习控制方法的另一个实施例，包括：
步骤201、根据浮动车数据估测法估测拥堵区和过渡区的累积车辆数和加权交通流量，绘制拥堵区和过渡区的MFD。
需要说明的是，本申请实施例中，首先需要获得交叉口群的拥堵区和过渡区的MFD，获取方式可以是根据浮动车数据估测法(简称FCD估测法)估测拥堵区和过渡区的累积车辆数和加权交通流量，假设浮动车均匀分布在路网中，采用FCD估测法估测拥堵区和过渡区的累积车辆数(由路网的加权交通密度可得到)和加权交通流量的估测公式为：
式中，为路网的加权交通密度，为路网的加权交通流量，T为采样周期，单位为s，n′为采样周期T内记录的浮动车数，r为路网中的路段总数，t′j为采样周期T内第j’浮动车的行驶时间，单位为s，li为路段i的长度，单位为m，d′j为采样周期T内第j’浮动车的行驶距离，单位为m。
拥堵区和过渡区的MFD均可表示为qw(N(t))＝aN3(t)+bN2(t)+cN(t)+d，当路网累积车辆数N＜临界累积车辆数Nc时，路网交通状态处于非拥堵状态，随着路网累积车辆数N的增加，路网加权交通流量qw逐步增加，直到增加至最大加权交通流量时，路网交通状态处于饱和状态；当路网累积车辆数N＞临界累积车辆数Nc时，路网交通状态处于拥堵状态，此时加权交通流量随着路网累积车辆数N的增加而减少。由此可见，路网区域内可容纳的最大加权交通流量是一定的，当车流不断涌入路网，路网加权交通流量就会急剧下降，发生交通拥堵，因此，可以利用MFD对过饱和交叉口群进行边界限流控制，使其维持在较高流量的状态下，仍然保持较高的交通运行效率，而不发生交通堵塞。
步骤202、分别对拥堵区和过渡区的MFD的散点数据进行拟合，分别得到拥堵区和过渡区的拟合函数。
步骤203、根据拟合函数分别计算拥堵区和过渡区的临界累积车辆数、临界加权交通流量和最佳累积车辆数，其中，最佳累积车辆数为临界累积车辆数的90％。
需要说明的是，在步骤201中绘制出拥堵区和过渡区的MFD之后，会得到对这两个区域的MFD散点分布数据，分别对这两个区域的散点数据进行数据拟合，得到相应的拟合函数，拥堵区MFD拟合函数和过渡区MFD拟合函数均可表示为y＝ax3-bx2+cx+d，其中,a、b、c、d为常系数，x为累积车辆数N，y为加权交通流量q。那么可以根据拟合函数得到拥堵区和过渡区的临界累积车辆数Nc和临界加权交通流量qc。
本申请实施例中，为了使迭代学习控制器能够快速有效地发挥作用，避免路网累积车辆数接近甚至超过临界值时，可能使路网进入极度拥堵状态而不可控的情况，将最佳累积车辆数设置为临界累积车辆数的90％。
步骤204、实时监测拥堵区和过渡区的交通状态，判断拥堵区和过渡区是否进入高峰期，若拥堵区进入高峰期，则执行步骤205，若过渡区进入高峰期，则执行步骤207。
需要说明的是，本申请实施例中的步骤204与上一实施例中的步骤102一致，在此不再进行详细赘述。
步骤205、启动用于控制拥堵区的边界出入流控制比率的第一前馈反馈迭代学习控制器，并检测拥堵区是否存在边界路段最大排队长度超过安全排队长度，若是，则执行步骤206，否则执行步骤210。
进一步地，第一前馈反馈迭代学习控制器的状态方程为：
其中，N1,i(t)为第i次迭代t时刻拥堵区的累积车辆数，qxy(t)为t时刻从x区到y区的交通量，x、y取值为1时为拥堵区，x、y取值为2时为过渡区，x、y取值为3时为常态区，μxy,i(t)为第i次迭代t时刻从x区到y区的边界出入流控制比率，为第i次迭代t时刻拥堵区的完成旅行加权交通流量，α1,i(t)为t时刻拥堵区的外部转移比例系数，e1,i(t)为第i次迭代t时刻拥堵区边界控制器输入累积车辆数的跟踪误差，为e1,i(t)对t的求导，N12,i(t)为第i次迭代t时刻拥堵区向过渡区转移累积车辆数，Γ为前馈迭代学习增益矩阵，K为反馈控制增益矩阵，N1,d(t)为t时刻拥堵区期望累积车辆数，Nm1为拥堵区的最佳累积车辆数，N1(0)为拥堵区的初始累积车辆数，θ1为采集间隔时间内拥堵区的期望累积车辆数增长量，t1，0为拥堵区启动迭代学习控制器的初始时间。
需要说明的是，本申请实施例中，步骤205与上一实施例中的步骤103一致，在此不再进行详细赘述。
步骤206、判断拥堵区所有边界路段是否均超过安全排队长度，若是，则执行步骤207，否则，执行步骤211。
需要说明的是，本申请实施例中，步骤206与上一实施例中的步骤104一致，在此不再进行详细赘述。
步骤207、启动用于控制过渡区的边界出入流控制比率的第二前馈反馈迭代学习控制器，并检测过渡区是否存在边界路段最大排队长度超过安全排队长度，若是，则执行步骤208，否则执行步骤209。
进一步地，第二前馈反馈迭代学习控制器的状态方程为：
其中，N2,i(t)为第i次迭代t时刻过渡区的累积车辆数，为第i次迭代t时刻过渡区的完成旅行加权交通流量，α2,i(t)为t时刻过渡区的外部转移比例系数，e2,i(t)为第i次迭代t时刻过渡区边界控制器输入累积车辆数的跟踪误差，为e2,i(t)对t的求导，N23,i(t)为第i次迭代t时刻过渡区向常态区转移累积车辆数，N1,d(t)为t时刻过渡区期望累积车辆数，Nm2为过渡区的最佳累积车辆数，N2(0)为过渡区的初始累积车辆数，θ2为采集间隔时间内过渡区的期望累积车辆数增长量，t2，0为过渡区启动迭代学习控制器的初始时间。
需要说明的是，本申请实施例中，步骤207与上一实施例中的步骤105一致，在此不再进行详细赘述。
步骤208、根据考虑排队长度的边界控制算法，重新调整过渡区的边界出入流控制比率，执行步骤209。
需要说明的是，本申请实施例中，步骤207与上一实施例中的步骤106一致，在此不再醒醒详细赘述。
步骤209、根据过渡区的边界出入流控制比率，对过渡区进行车流控制。
需要说明的是，本申请实施例中，步骤209与上一实施例中的步骤107一致，在此不再进行详细赘述。
步骤210、根据拥堵区的边界出入流控制比率，对拥堵区进行车流控制。
需要说明的是，本申请实施例中，步骤210与上一实施例中的步骤108一致，在此不再进行详细赘述。
步骤211、根据考虑排队长度的边界控制算法，重新调整拥堵区的出入流控制比率，执行步骤210。
需要说明的是，本申请实施例中，步骤211与上一实施例中的步骤109一致，在此不再进行详细赘述。
为了便于本领域技术人员更好地理解本申请的技术方案，本申请实施例中还提供了一种基于MFD的饱和交叉口群多层边界迭代学习控制方法的一个应用例，用于验证本申请提供的交叉口群的交通管控方法的实施效果。
本应用例以某一市区交叉口群为例，利用Vissim交通仿真软件，建立车联网仿真平台，依据路网交通运行情况，将交叉口群分为拥堵区、过渡区和常态区，如图7所示。采用FCD估测法，估测控制区域拥堵区和过渡区的累积车辆数N和加权交通流量qw，绘制拥堵区和过渡区的MFD，拥堵区MFD如图8所示，过渡区MFD如图9所示。
对两个区域的MFD散点进行数据拟合，得到拟合函数，计算各拟合函数的临界累积车辆数Nc和临界加权交通流量qc，如表1所示。
表1
将临界累积车辆数Nc的90％定义为最佳累积车辆数Nm，因此，拥堵区和过渡区(含拥堵区)的最佳累积车辆数分别为671veh、778veh。
为了便于观察和分析，本应用例中采用谱聚类算法对控制区域的累积车辆数进行划分，如图10和图11所示。从如图10和图11中可知，拥堵区从26400s开始进入过饱和状态，其初始累积车辆数取值652veh，过渡区(含拥堵区)从26640s开始进入过饱和状态，其初始累积车辆取值713veh。统计得到拥堵区和过渡区(含拥堵区)从26400s～32400s的交通需求数据，包括内部转移交通流量、外部转移至内部的交通流量、内部转移至外部的交通流量、内部转移至外部的累积车辆数、内部累积车辆数，计算得到内部转至外部的累积车辆数比例和加权交通流量，如表2和表3所示。
表1拥堵区的交通需求数据
表2过渡区(含拥堵区)交通需求数据
假设控制区域的交通运行变化具有重复性，且不考虑天气、交通事故等偶然性因素的影响，则可实施多层边界FFILC方法。控制区域出入车流的控制比率初始状态均设置为1，期望累积车辆数增量θ1、θ2均取0.04，取迭代学习增益Γ＝[0.02,-0.02]T，取反馈控制增益矩阵K＝[0.1,-0.1]T，仿真数据采集间隔时间ts＝120s，整理得到拥堵区和过渡区(含拥堵区)的迭代学习控制初始状态参数，如表3和表4所示。
表3拥堵区的迭代学习控制初始状态参数
表4过渡区(含拥堵区)的迭代学习控制初始状态参数
为了更好地分析前馈反馈迭代学习控制器(FFILC)的迭代效果，设计两个前馈迭代学习控制器(Feedforward Iterative Learning Control，FILC)作为对比控制器，分别用于拥堵区和过渡区边界。FILC与FFILC的区别在于控制律的差异，FILC的控制律构造如下：
式中，u1,i(t)——第i次迭代t时刻子区PN1边界的出入车流控制比率矩阵，
u1,i(t)＝μ12,i(t)μ21,i(t)]T；
Γ——前馈迭代学习增益矩阵，Γ＝[β-β]T，同样取值Γ＝[0.02,-0.02]T。
在Matlab软件中分别编程实现FILC控制器和FFILC控制器，分别得到拥堵区和过渡区(含拥堵区)的累积车辆数迭代过程和每步迭代的平均误差车辆数，如图12至图19所示。实施FILC方法后，拥堵区边界经过119次迭代得到最优控制比率，过渡区(含拥堵区)边界经过107次迭代得到最优控制比率；实施FFILC方法后，拥堵区边界经过19次迭代得到最终控制比率，过渡区(含拥堵区)边界经过17次迭代得到最终控制比率。由此可见，FFILC方法大大减少了迭代次数，有效地提高了收敛速度。实施FFILC方法后，拥堵区边界出入口的最终控制比率，如图20所示，过渡区(含拥堵区)边界出入口的最终控制比率，如图21所示。
由图20、图21可知，仿真至26400s，开始实施FFILC方法，仿真至29400s后，路网边界驶入控制比率会出现过小的情况，说明路网交通流量已严重超过路网的通行能力。为了更好地分析实施FFILC方法前后，控制区域的各项交通信号控制指标变化情况，取26400～29400s时段进行分析。此外，部分时间段内的边界驶出控制比率小于1，此时无需对驶出边界的车流进行限制。
为了验证控制区域实施多层边界FFILC方法后的控制效果，采用VB语言对Vissim提供的COM编程接口进行二次开发，在第26400s后开始依据上述所得的各边界控制比率对控制区域实施多层边界FFILC方法，共仿真29400s。考虑到实施的简便性，将所有边界交叉口均改用单口放行相序，受控方向的绿灯时长等于原绿灯时长乘以控制比率，其它方向绿灯时长保持不变。个别边界处因无红绿灯，则临时设置行人过街式红绿灯，起到调节控制的效果。即当u(t)＜100％，且u(t)变化超过5％时，调整拥堵区控制边界出入口的绿灯时长为gi(t+Δt)＝u(t)·gi(t)，其它进口方向绿灯时长保持不变。同时为了避免调节后边界入口绿灯时长过短，而引发交通事故，设置边界入口最短绿灯时长为10s。
经统计分析，得到26400s～29400s期间控制区域实施多层边界FFILC方法前后，各项交通信号控制评价指标改善情况，如表5所示。
表5 26400s～29400s期间控制区域各边界范围内的评价指标改善情况
由表5可知，当控制区域进入饱和状态后，启动多层边界FFILC控制器，对控制区域的拥堵区和过渡区边界出入车流进行调节，使得控制区域拥堵区和过渡区(含拥堵区)的各项交通信号评价指标均得到明显改善，使控制区域维持在较高流量的饱和状态，提高控制区域的整体交通运行效率。
为了便于理解，请参阅图3，本申请提供的一种交叉口群的交通管控装置的实施例，包括：
获取单元301，用于获取交叉口群的控制区域的MFD，控制区域包括：拥堵区和过渡区。
监测单元302，用于实时监测拥堵区和过渡区的交通状态，判断拥堵区和过渡区是否进入高峰期，若拥堵区进入高峰期，则触发第一安全单元303，若过渡区进入高峰期，则触发第二安全单元305。
第一安全单元303，用于启动用于控制拥堵区的边界出入流控制比率的第一前馈反馈迭代学习控制器，并检测拥堵区是否存在边界路段最大排队长度超过安全排队长度，若是，则触发判断单元304，否则触发第二控制单元308。
判断单元304，用于判断拥堵区所有边界路段是否均超过安全排队长度，若是，则触发第二安全单元305，否则，触发第二调整单元309。
第二安全单元305，用于启动用于控制过渡区的边界出入流控制比率的第二前馈反馈迭代学习控制器，并检测过渡区是否存在边界路段最大排队长度超过安全排队长度，若是，则触发第一调整单元306，否则触发第一控制单元307。
第一调整单元306，用于根据考虑排队长度的边界控制算法，重新调整过渡区的边界出入流控制比率，触发第一控制单元307。
第一控制单元307，用于根据过渡区的边界出入流控制比率，对过渡区进行车流控制。
第二控制单元308，用于根据拥堵区的边界出入流控制比率，对拥堵区进行车流控制。
第二调整单元309，用于根据考虑排队长度的边界控制算法，重新调整拥堵区的出入流控制比率，触发第二控制单元308。
进一步地，获取单元301具体用于：
根据浮动车数据估测法估测拥堵区和过渡区的累积车辆数和加权交通流量，绘制拥堵区和过渡区的MFD。
进一步地，获取单元301与监测单元302之间还包括：
拟合单元310，用于分别对拥堵区和过渡区的MFD的散点数据进行拟合，分别得到拥堵区和过渡区的拟合函数。
计算单元311，用于根据拟合函数分别计算拥堵区和过渡区的临界累积车辆数、临界加权交通流量和最佳累积车辆数，其中，最佳累积车辆数为临界累积车辆数的90％。
进一步地，第一前馈反馈迭代学习控制器的状态方程为：
其中，N1,i(t)为第i次迭代t时刻拥堵区的累积车辆数，qxy(t)为t时刻从x区到y区的交通量，x、y取值为1时为拥堵区，x、y取值为2时为过渡区，x、y取值为3时为常态区，μxy,i(t)为第i次迭代t时刻从x区到y区的边界出入流控制比率，为第i次迭代t时刻拥堵区的完成旅行加权交通流量，α1,i(t)为t时刻拥堵区的外部转移比例系数，e1,i(t)为第i次迭代t时刻拥堵区边界控制器输入累积车辆数的跟踪误差，为e1,i(t)对t的求导，N12,i(t)为第i次迭代t时刻拥堵区向过渡区转移累积车辆数，Γ为前馈迭代学习增益矩阵，K为反馈控制增益矩阵，N1,d(t)为t时刻拥堵区期望累积车辆数，Nm1为拥堵区的最佳累积车辆数，N1(0)为拥堵区的初始累积车辆数，θ1为采集间隔时间内拥堵区的期望累积车辆数增长量，t1，0为拥堵区启动迭代学习控制器的初始时间。
进一步地，第二前馈反馈迭代学习控制器的状态方程为：
其中，N2,i(t)为第i次迭代t时刻过渡区的累积车辆数，为第i次迭代t时刻过渡区的完成旅行加权交通流量，α2,i(t)为t时刻过渡区的外部转移比例系数，e2,i(t)为第i次迭代t时刻过渡区边界控制器输入累积车辆数的跟踪误差，为e2,i(t)对t的求导，N23,i(t)为第i次迭代t时刻过渡区向常态区转移累积车辆数，N1,d(t)为t时刻过渡区期望累积车辆数，Nm2为过渡区的最佳累积车辆数，N2(0)为过渡区的初始累积车辆数，θ2为采集间隔时间内过渡区的期望累积车辆数增长量，t2，0为过渡区启动迭代学习控制器的初始时间。
本申请实施例还提供了一种基于MFD的饱和交叉口群多层边界迭代学习控制设备的一个实施例，一种交叉口群的交通管控设备包括处理器以及存储器；
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行前述的方法实施例中的基于MFD的饱和交叉口群多层边界迭代学习控制方法。
本申请实施例还提供了一种计算机可读存储介质的一个实施例，一种计算机可读存储介质，用于存储程序代码，程序代码用于执行前述方法实施例中的基于MFD的饱和交叉口群多层边界迭代学习控制方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于MFD的饱和交叉口群多层边界迭代学习控制方法，其特征在于，包括以下步骤：
101、获取交叉口群的控制区域的MFD，所述控制区域包括：拥堵区和过渡区；
102、实时监测所述拥堵区和所述过渡区的交通状态，判断所述拥堵区和所述过渡区是否进入高峰期，若所述拥堵区进入所述高峰期，则执行步骤103，若所述过渡区进入所述高峰期，则执行步骤105；
103、启动用于控制所述拥堵区的边界出入流控制比率的第一前馈反馈迭代学习控制器，并检测所述拥堵区是否存在边界路段最大排队长度超过安全排队长度，若是，则执行步骤104，否则执行步骤108；
104、判断所述拥堵区所有边界路段是否均超过安全排队长度，若是，则执行步骤105，否则，执行步骤109；
105、启动用于控制所述过渡区的边界出入流控制比率的第二前馈反馈迭代学习控制器，并检测所述过渡区是否存在边界路段最大排队长度超过安全排队长度，若是，则执行步骤106，否则执行步骤107；
106、根据考虑排队长度的边界控制算法，重新调整所述过渡区的边界出入流控制比率，执行步骤107；
107、根据所述过渡区的边界出入流控制比率，对所述过渡区进行车流控制；
108、根据所述拥堵区的边界出入流控制比率，对所述拥堵区进行车流控制；
109、根据考虑排队长度的边界控制算法，重新调整所述拥堵区的出入流控制比率，执行步骤108。
2.根据权利要求1所述的基于MFD的饱和交叉口群多层边界迭代学习控制方法，其特征在于，步骤101具体包括：
根据浮动车数据估测法估测拥堵区和过渡区的累积车辆数和加权交通流量，绘制所述拥堵区和所述过渡区的MFD。
3.根据权利要求2所述的基于MFD的饱和交叉口群多层边界迭代学习控制方法，其特征在于，步骤101之后步骤102之前，还包括：
1012、分别对所述拥堵区和所述过渡区的所述MFD的散点数据进行拟合，分别得到所述拥堵区和所述过渡区的拟合函数；
1013、根据所述拟合函数分别计算所述拥堵区和所述过渡区的临界累积车辆数、临界加权交通流量和最佳累积车辆数，其中，所述最佳累积车辆数为所述临界累积车辆数的90％。
4.根据权利要求3所述的基于MFD的饱和交叉口群多层边界迭代学习控制方法，其特征在于，所述第一前馈反馈迭代学习控制器的状态方程为：
其中，N1,i(t)为第i次迭代t时刻拥堵区的累积车辆数，qxy(t)为t时刻从x区到y区的交通量，x、y取值为1时为拥堵区，x、y取值为2时为过渡区，x、y取值为3时为常态区，μxy,i(t)为第i次迭代t时刻从x区到y区的边界出入流控制比率，为第i次迭代t时刻拥堵区的完成旅行加权交通流量，α1,i(t)为t时刻拥堵区的外部转移比例系数，e1,i(t)为第i次迭代t时刻拥堵区边界控制器输入累积车辆数的跟踪误差，为e1,i(t)对t的求导，N12,i(t)为第i次迭代t时刻拥堵区向过渡区转移累积车辆数，Γ为前馈迭代学习增益矩阵，K为反馈控制增益矩阵，N1,d(t)为t时刻拥堵区期望累积车辆数，Nm1为拥堵区的最佳累积车辆数，N1(0)为拥堵区的初始累积车辆数，θ1为采集间隔时间内拥堵区的期望累积车辆数增长量，t1，0为拥堵区启动迭代学习控制器的初始时间。
5.根据权利要求4所述的基于MFD的饱和交叉口群多层边界迭代学习控制方法，其特征在于，所述第二前馈反馈迭代学习控制器的状态方程为：
其中，N2,i(t)为第i次迭代t时刻过渡区的累积车辆数，为第i次迭代t时刻过渡区的完成旅行加权交通流量，α2,i(t)为t时刻过渡区的外部转移比例系数，e2,i(t)为第i次迭代t时刻过渡区边界控制器输入累积车辆数的跟踪误差，为e2,i(t)对t的求导，N23,i(t)为第i次迭代t时刻过渡区向常态区转移累积车辆数，N1,d(t)为t时刻过渡区期望累积车辆数，Nm2为过渡区的最佳累积车辆数，N2(0)为过渡区的初始累积车辆数，θ2为采集间隔时间内过渡区的期望累积车辆数增长量，t2，0为过渡区启动迭代学习控制器的初始时间。
6.一种基于MFD的饱和交叉口群多层边界迭代学习控制装置，其特征在于，包括：
获取单元，用于获取交叉口群的控制区域的MFD，所述控制区域包括：拥堵区和过渡区；
监测单元，用于实时监测所述拥堵区和所述过渡区的交通状态，判断所述拥堵区和所述过渡区是否进入高峰期，若所述拥堵区进入所述高峰期，则触发第一安全单元，若所述过渡区进入所述高峰期，则触发第二安全单元；
所述第一安全单元，用于启动用于控制所述拥堵区的边界出入流控制比率的第一前馈反馈迭代学习控制器，并检测所述拥堵区是否存在边界路段最大排队长度超过安全排队长度，若是，则触发判断单元，否则触发第二控制单元；
所述判断单元，用于判断所述拥堵区所有边界路段是否均超过安全排队长度，若是，则触发所述第二安全单元，否则，触发第二调整单元；
所述第二安全单元，用于启动用于控制所述过渡区的边界出入流控制比率的第二前馈反馈迭代学习控制器，并检测所述过渡区是否存在边界路段最大排队长度超过安全排队长度，若是，则触发第一调整单元，否则触发第一控制单元；
所述第一调整单元，用于根据考虑排队长度的边界控制算法，重新调整所述过渡区的边界出入流控制比率，触发第一控制单元；
所述第一控制单元，用于根据所述过渡区的边界出入流控制比率，对所述过渡区进行车流控制；
所述第二控制单元，用于根据所述拥堵区的边界出入流控制比率，对所述拥堵区进行车流控制；
所述第二调整单元，用于根据考虑排队长度的边界控制算法，重新调整所述拥堵区的出入流控制比率，触发所述第二控制单元。
7.根据权利要求6所述的基于MFD的饱和交叉口群多层边界迭代学习控制装置，其特征在于，所述获取单元具体用于：
根据浮动车数据估测法估测拥堵区和过渡区的累积车辆数和加权交通流量，绘制所述拥堵区和所述过渡区的MFD。
8.根据权利要求7所述的基于MFD的饱和交叉口群多层边界迭代学习控制装置，其特征在于，所述获取单元与所述监测单元之间还包括：
拟合单元，用于分别对所述拥堵区和所述过渡区的所述MFD的散点数据进行拟合，分别得到所述拥堵区和所述过渡区的拟合函数；
计算单元，用于根据所述拟合函数分别计算所述拥堵区和所述过渡区的临界累积车辆数、临界加权交通流量和最佳累积车辆数，其中，所述最佳累积车辆数为所述临界累积车辆数的90％。
9.一种基于MFD的饱和交叉口群多层边界迭代学习控制设备，其特征在于，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-5任一项所述的基于MFD的饱和交叉口群多层边界迭代学习控制方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-5任一项所述的基于MFD的饱和交叉口群多层边界迭代学习控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910305465.0A CN109872538B (zh) | 2019-04-16 | 2019-04-16 | 基于mfd的饱和交叉口群多层边界迭代学习控制方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910305465.0A CN109872538B (zh) | 2019-04-16 | 2019-04-16 | 基于mfd的饱和交叉口群多层边界迭代学习控制方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109872538A true CN109872538A (zh) | 2019-06-11 |
| CN109872538B CN109872538B (zh) | 2021-08-31 |
Family
ID=66922686
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910305465.0A Active CN109872538B (zh) | 2019-04-16 | 2019-04-16 | 基于mfd的饱和交叉口群多层边界迭代学习控制方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109872538B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111862636A (zh) * | 2020-08-10 | 2020-10-30 | 长春理工大学 | 一种交通信号控制方法及系统 |
| CN111932914A (zh) * | 2020-06-03 | 2020-11-13 | 东南大学 | 城市拥堵区域路网双层边界控制方法 |
| CN113361051A (zh) * | 2021-06-02 | 2021-09-07 | 东北大学秦皇岛分校 | 一种基于可控性与重要度的路网控制方法 |
| CN113392577A (zh) * | 2021-05-18 | 2021-09-14 | 广东工业大学 | 一种基于深度强化学习的区域边界主交叉口信号控制方法 |
| CN113537555A (zh) * | 2021-06-03 | 2021-10-22 | 太原理工大学 | 一种考虑扰动的交通子区模型预测滑模边界控制方法 |
| CN116311990B (zh) * | 2023-03-27 | 2023-12-22 | 南京莱斯信息技术股份有限公司 | 一种基于互联网数据与检测数据融合的信号控制方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105023445A (zh) * | 2014-07-04 | 2015-11-04 | 吴建平 | 一种区域交通动态调控方法及系统 |
| CN106971565A (zh) * | 2017-04-22 | 2017-07-21 | 高新兴科技集团股份有限公司 | 一种基于物联网的区域交通边界控制与诱导协同方法及系统 |
| CN107507415A (zh) * | 2017-07-06 | 2017-12-22 | 广东交通职业技术学院 | 车联网下基于mfd和排队长度的路网边界限流控制方法 |
| CN107730923A (zh) * | 2017-09-30 | 2018-02-23 | 浙江海洋大学 | 一种带有约束的城市交通交叉口信号控制方法 |
| CN108171997A (zh) * | 2018-02-09 | 2018-06-15 | 太原理工大学 | 基于宏观基本图的交通信号迭代控制优化方法 |
| CN108198412A (zh) * | 2017-12-06 | 2018-06-22 | 广东交通职业技术学院 | 车联网下基于mfd的过饱和路网多层控制边界动态划分方法 |
| CN108648446A (zh) * | 2018-04-24 | 2018-10-12 | 浙江工业大学 | 一种基于mfd的路网交通信号迭代学习控制方法 |
-
2019
- 2019-04-16 CN CN201910305465.0A patent/CN109872538B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105023445A (zh) * | 2014-07-04 | 2015-11-04 | 吴建平 | 一种区域交通动态调控方法及系统 |
| CN106971565A (zh) * | 2017-04-22 | 2017-07-21 | 高新兴科技集团股份有限公司 | 一种基于物联网的区域交通边界控制与诱导协同方法及系统 |
| CN107507415A (zh) * | 2017-07-06 | 2017-12-22 | 广东交通职业技术学院 | 车联网下基于mfd和排队长度的路网边界限流控制方法 |
| CN107730923A (zh) * | 2017-09-30 | 2018-02-23 | 浙江海洋大学 | 一种带有约束的城市交通交叉口信号控制方法 |
| CN108198412A (zh) * | 2017-12-06 | 2018-06-22 | 广东交通职业技术学院 | 车联网下基于mfd的过饱和路网多层控制边界动态划分方法 |
| CN108171997A (zh) * | 2018-02-09 | 2018-06-15 | 太原理工大学 | 基于宏观基本图的交通信号迭代控制优化方法 |
| CN108648446A (zh) * | 2018-04-24 | 2018-10-12 | 浙江工业大学 | 一种基于mfd的路网交通信号迭代学习控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 金尚泰 等: "城市交通区域的迭代学习边界控制", 《控制与决策》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111932914A (zh) * | 2020-06-03 | 2020-11-13 | 东南大学 | 城市拥堵区域路网双层边界控制方法 |
| CN111932914B (zh) * | 2020-06-03 | 2022-05-13 | 东南大学 | 城市拥堵区域路网双层边界控制方法 |
| CN111862636A (zh) * | 2020-08-10 | 2020-10-30 | 长春理工大学 | 一种交通信号控制方法及系统 |
| CN111862636B (zh) * | 2020-08-10 | 2021-07-16 | 长春理工大学 | 一种交通信号控制方法及系统 |
| CN113392577A (zh) * | 2021-05-18 | 2021-09-14 | 广东工业大学 | 一种基于深度强化学习的区域边界主交叉口信号控制方法 |
| CN113392577B (zh) * | 2021-05-18 | 2023-01-13 | 广东工业大学 | 一种基于深度强化学习的区域边界主交叉口信号控制方法 |
| CN113361051A (zh) * | 2021-06-02 | 2021-09-07 | 东北大学秦皇岛分校 | 一种基于可控性与重要度的路网控制方法 |
| CN113537555A (zh) * | 2021-06-03 | 2021-10-22 | 太原理工大学 | 一种考虑扰动的交通子区模型预测滑模边界控制方法 |
| CN116311990B (zh) * | 2023-03-27 | 2023-12-22 | 南京莱斯信息技术股份有限公司 | 一种基于互联网数据与检测数据融合的信号控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109872538B (zh) | 2021-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109872538A (zh) | 基于mfd的饱和交叉口群多层边界迭代学习控制方法和装置 | |
| Liang et al. | A deep reinforcement learning network for traffic light cycle control | |
| Wang et al. | Local ramp metering in the presence of a distant downstream bottleneck: Theoretical analysis and simulation study | |
| CN108510764B (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 | |
| Singh et al. | Time optimization for traffic signal control using genetic algorithm | |
| CN103365704B (zh) | 虚拟机迁移中的内存预拷贝方法及执行该方法的装置和系统 | |
| Patel et al. | A hybrid ACO/PSO based algorithm for QoS multicast routing problem | |
| CN104881720B (zh) | 一种航班调度方法和装置 | |
| CN108650131B (zh) | 用于sdn网络中多控制器部署的处理系统 | |
| Liang et al. | A deep q learning network for traffic lights’ cycle control in vehicular networks | |
| CN105871724A (zh) | 电力通信网线路优化方法及系统 | |
| CN102903261B (zh) | 一种大区域多元约束下的尾随间隔限制的计算方法 | |
| CN105704055A (zh) | 一种基于自然启发的网络拥塞预防方法 | |
| Linsenmayer et al. | Event-triggered control for vehicle platooning | |
| CN109714795A (zh) | 一种基于sdn网络切片的资源管理方法、资源管理系统以及装置 | |
| CN111833590A (zh) | 交通信号灯的控制方法、装置及计算机可读存储介质 | |
| CN107016212A (zh) | 基于动态贝叶斯网络的意图分析方法 | |
| CN114023068A (zh) | 一种短距离交织区交通流短时预测与主动控制系统及方法 | |
| Zhu et al. | Intelligent traffic network control in the era of internet of vehicles | |
| Zhang et al. | Robust autonomous intersection control approach for connected autonomous vehicles | |
| Yan et al. | Effects of iterative learning based signal control strategies on macroscopic fundamental diagrams of urban road networks | |
| Lu et al. | A multi-agent adaptive traffic signal control system using swarm intelligence and neuro-fuzzy reinforcement learning | |
| de Abreu Batista et al. | A multiagent system for combining green wave and adaptive control in a dynamic way | |
| Yan et al. | Iterative learning perimeter control method for traffic sub-region considering disturbances | |
| Manolis et al. | Simulation study of centralized vs decentralized approaches to the signal control of large-scale urban networks |
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 |