CN109887274A - 一种基于车辆平均延误的区域交通协调优化控制系统和方法 - Google Patents

Abstract

基于车辆平均延误的区域交通协调优化控制系统及控制方法，包括路口节点和区域协调控制节点。路口节点，用于采集本地交通流状态信息并输出该路口配时方案；区域协调控制节点，用于采集区域路网交通流状态，协调各路口的控制及输出各路口配时方案。区域协调控制节点包括交通信息采集模块、协调优化模块和配时方案输出模块。交通信息采集模块，用于采集路网中的交通流状态；协调优化模块，用于通过多路口协调控制器协调优化各路口的信号配时方案；配时方案输出模块，用于将协调优化模块协调的配时方案输出给各路口节点执行。本发明通过分析区域路网交通流的动态特点，以车辆延误最小为目标，建立了区域车辆延误模型及协调控制方法，并根据延误模型的高维特点和系统实时性的要求，采用混沌遗传算法对区域交通信号协调优化控制。能有效提高区域路网的交通效率。

Description

一种基于车辆平均延误的区域交通协调优化控制系统和方法

技术领域

本发明属于智能交通技术领域，具体涉及一种基于车辆平均延误的区域交通协调优化控制系统和方法。

背景技术

随着经济的快速发展和城市化进程的加快，交通机动化趋势日益明显，道路交通量快速增长，路网密度不断增强，城市交通拥挤状况日趋严重。城市对交通信号控制的要求变得越来越高，以区域或者整个城市作为研究对象的区域交通信号协调控制方法越来越受到研究人员的重视，区域交通信号协调控制技术成为提高城市路网交通效率的有效途径。现有的区域信号协调控制技术中，部分研究者在车辆延误模型Webster的基础上，采用粒子群算法对相序进行优化，在一定程度减少了车辆的平均延误时间，但该延误模型仅适应于低饱和交通状态，当饱和度接近于1时，由计算公式得到的延误时间趋向于无穷大，与实际情况相悖；有的研究者采用过渡延误模型，提出了一种均衡交通流分布的区域交通信号配时优化方法，并使用协同进化算法求得模型最优解，但是该算法并没有考虑各交叉口之间的相位差因素，使区域难以实现整体的协调控制；还有的研究者综合了延误模型和带宽模型算法的优点，利用遗传算法对绿信比、相位差等参数进行优化，得到了一定的控制效果，但是对绿信比、相位差等相关参数的优化并不是同时进行，且遗传算法本身存在早熟收敛、收敛速度慢的缺点，造成计算结果的不准确。

发明内容

本发明所要解决的技术问题是克服现有技术的不足，提供一种基于车辆平均延误的区域交通协调优化控制系统和方法，通过分析区域路网交通流的动态特点，以车辆延误最小为目标，建立了区域车辆延误模型及协调控制方法，并根据延误模型的高维特点和系统实时性的要求，采用混沌遗传算法对区域交通信号协调优化控制，能有效提高区域路网的交通效率。

本发明提供一种基于车辆平均延误的区域交通协调优化控制系统，

包括路口节点和区域协调控制节点；

路口节点，用于采集本地交通流状态信息并输出该路口配时方案；

区域协调控制节点，用于采集区域路网交通流状态，协调各路口的控制及执行各路口配时方案；

区域协调控制节点包括交通信息采集模块、协调优化模块和配时方案输出模块；

交通信息采集模块，用于采集路网中的交通流状态；

协调优化模块，用于通过多路口协调控制器协调优化各路口的信号配时方案；

配时方案输出模块，用于将协调优化模块协调的配时方案输出给各路口节点执行。

本发明还提供一种基于车辆平均延误的区域交通协调优化控制方法，包括如下步骤；

步骤S1、初始化交通配时方案；

步骤S2、判断是否达到交通流状态的采样周期，若没有达到，则各路口以当前配时方案运行，若达到，则各路段上的感应器采集各路段的交通流信息并传输至就近的路口节点；

步骤S3、区域协调控制节点的信息采集模块采集各路口节点接收到的各路口交通流状态信息，获取区域路网交通流状态信息；

步骤S4、协调优化模块根据区域路网交通流状态信息通过区域交通信号协调优化目标函数和优化算法计算协调优化各路口交通信号，产生优化配时方案；

步骤S5、配时方案输出模块将协调优化模块产生的优化配时方案传输给各路口节点并执行，循环步骤S2-步骤S5。

作为本发明的进一步技术方案，步骤S4中区域交通信号协调优化模型为：

根据车辆延误模型获取车辆的平均延误时间，公式为

其中，PI为车辆平均延误，分子部分表示总延误，分母部分表示总的车流量。N_c表示观测周期个数；N_i，phase表示第i交叉口的相位数量；N_i，j，flow表示第i个交叉口第j个相位的交通流集合；表示区域外部、内进口道某一方向交通流的平均延误时间，为对应的交通流量；

其约束条件为：

其中，N_cross表示交叉口集合，T_i为区域内的第i交叉口的周期时长，T_min、T_max分别为T_i的最小、最大约束；λ_i，j表示第i个交叉口第j个相位中的绿信比，λ_min，i，j、λ_max，i，j分别为λ_i，j的最小和最大约约束；分别相邻交叉口间的上行相位差和下行相位差；

区域交通协调优化控制目标为使PI最小，则目标函数为：

s.t.T_min≤T_i≤T_max i∈N_cross

T_i＝T_j i、j∈N_cross

n为正整数

更进一步的，步骤S4中优化算法采用混沌遗传算法，其具体算法步骤如下：

步骤S41、采用Tent映射构造混沌序列，将混沌序列映射到变量空间，组成染色体序列，对种群进行初始化；

步骤S42、计算种群中个体适应度值；通过适应度函数计算各个个体的适应度值，并判断是否满足终止条件，若满足，则终止循环，并输出结果；否则，执行步骤S43；

步骤S43、遗传操作对父代进行选择、交叉、变异操作，产生子代个体；

步骤S44、对子代适应度较小的10％的个体加入混沌扰动，“放大”控制变量的取值范围，并将结果与未进行扰动的子代合并产生新一代种群，之后转步骤S42。

进一步的，步骤S41中采用Tent映射，其表达式为：

当x_k＝0或者x_k＝2/3时，x_k+1＝x_k，0和2/3为不动点；

为了不趋向不动点，引入随机方程的方法改进Tent映射，则混沌表达式修改为：

x_k+1＝(2*x_kmod1)+ρ ρ∈(0，0，1)；

混沌扰动方法为：

δ′_k＝(1-θ)δ^*+θδ_k

其中，δ^*为当前劣解映射到[0，1]区间后形成的向量，称为最劣混沌向量；δ_k为当前迭代k次的混沌向量；δ′_k为加了随机扰动后对应的混沌向量；k为迭代次数。

本发明有益效果如下：

1、采用区域车辆平均延误模型，能有效反映区域交通流的动态特点，较好描述路网中车辆的各种延误情况。通过考虑各个交叉口之间的相位协调关系，引入相位差协调策略，将各个交叉口关联起来，使区域内信号控制具有较好的协调作用。

2、采用混沌遗传算法，使用Tent混沌映射产生初始种群，增强了初始种群的遍历性；在遗传操作之后对部分个体进行扰动，“放大”控制变量的取值范围，避免陷入局部最优。针对复杂度较高的区域延误模型，本算法能够有效提高寻优效率，满足区域交通信号协调控制实时性、准确性的要求。

3、该系统可以有效降低车辆平均延误时间和停车次数，快速协调各个路口的信号控制，提高区域路网的交通效率。

附图说明

图1为本发明的系统结构示意图；

图2为本发明的区域协调控制节点结构图；

图3为本发明的方法流程示意图；

图4为本发明的四个交叉口组成的区域路网图；

图5为本发明的相邻交叉口相位差关系示意图；

图6为本发明的区域内部车队头部受阻延误图；

图7为本发明的区域内部车队尾部受阻延误图；

图8为本发明的混沌遗传算法流程图；

图9为本发明的区域平均延误函数测试图；

图10为本发明的遗传代数-最优解折线图；

图11为本发明的系统仿真区域路网对象；

图12为本发明的VISSIM-MATLAB系统仿真图。

具体实施方式

实施例一

请参阅图1和图2，本实施例提供一种基于车辆平均延误的区域交通协调优化控制系统，

包括路口节点和区域协调控制节点；

路口节点，用于采集本地交通流状态信息并执行该路口配时方案；

区域协调控制节点，用于采集区域路网交通流状态，协调各路口的控制及输出各路口配时方案；

区域协调控制节点如图2所示，包括交通信息采集模块、协调优化模块和配时方案输出模块；

交通信息采集模块，用于采集路网中的交通流状态；

协调优化模块，用于通过多路口协调控制器协调优化各路口的信号配时方案；

配时方案输出模块，用于将协调优化模块协调的配时方案输出给各路口节点执行。

本实施例还提供基于车辆平均延误的区域交通协调优化控制方法，如图3所示，包括如下步骤；

步骤S1、初始化交通配时方案；

步骤S2、判断是否达到交通流状态的采样周期，若没有达到，则各路口以当前配时方案运行，若达到，则各路段上的感应器采集各路段的交通流信息并传输至就近的路口节点；

步骤S3、区域协调控制节点的信息采集模块采集各路口节点接收到的各路口交通流状态信息，获取区域路网交通流状态信息；

步骤S4、协调优化模块根据区域路网交通流状态信息通过区域交通信号协调优化目标函数和优化算法计算协调优化各路口交通信号，产生优化配时方案；

步骤S5、配时方案输出模块将协调优化模块产生的优化配时方案传输给各路口节点并执行，循环步骤S2-步骤S5。

其中，初始化交通配时方案根据《道路交通信号灯设置与安装规范》得到，对交通信号初始设置。

步骤S4的具体流程为：

1.构建区域车辆平均延误模型

(1)车辆延误计算方法；

车辆延误指是的车辆通过某一路径时减速或停车造成的停滞时间，是交通信号控制中最重要的评价指标之一。信号配时中常用的延误时间模型，通常可分为三种类型：稳态理论延误模型、定数理论延误模型和过渡延误模型；

稳态理论主要适应于交叉口处于低饱和状态，通常采用Webster车辆排队延误模型。该模型以交叉口的车辆平均延误为目标，将车辆平均延误时间可分为均衡相位平均延误时间和随机延误时间两部分。当进口道饱和度增加时，随机平均延误时间将显著攀升，特别是当饱和度接近1时，随机平均延误时间将趋于无穷大，所以Webster延误模型并不适合饱和度接近于1的情况。

定数排队理论把过饱和阻滞作为一种确定的情况进行分析，虽然对于过饱和情况下车辆延误性能指标能够给出比较理想的结果，但在饱和度等于或略大于1的情况，车辆随机到达情况对性能指标的影响明显增加，与实际状况存在误差较大。

过渡延误模型则将稳态理论与定数理论结合起来，不仅适应于欠饱和，又适应于过饱和状况，并且能够将饱和度为1及其附近的交通状况很好的描述出来。过渡延误模型计算方法如下：

d＝d_u+d_o

其中，T：信号周期时长，t_g：绿灯时间，t_r：红灯时间，λ：进口道方向的绿信比(λ＝t_g/T)，q：进口道的实际交通到达流量，x：进口道方向的饱和度(x＝q/Q＝q/S·T/t_g＝y/λ，S为饱和流量，Q为道路通行能力)，y：进口道交通流量比(y＝q/S)，W：观测分析所设定时段，a_u；车辆平均延误时间，d_o为随机到达延误，N_d为平均滞留车辆数，x_o为交叉口饱和度临界值。

(2)区域约束条件分析

在区域信号协调控制中，通常有三个基本的控制参数：公共周期时长、绿信比和相位差。周期时长是决定信号控制效益的关键控制因素，是信号配时设计的主要对象。绿信比影响交叉口的通行效率，不同的绿信比将导致不同相位的延误和通行能力的变化。相位差是相邻交叉口建立协调关系的重要参数，相位差设置的好坏直接决定协调控制系统运行的有效性。本发明所提出的函数模型，主要对这三个参数进行优化。

①信号周期

信号周期T是指信号灯按设定的相位顺序显示一周所需的时间。若信号周期取得太短，则会导致车辆在路口频繁停车、路口的利用率下降；若取得太长，则会导致驾驶人等待时间太长，大大增加车辆的延误时间，故存在以下约束：

T_min≤T_i≤T_maxi∈N_cross

N_cross为区域内交叉口集合。在区域交通路网中，为了保证对各个路口的相位差和相位时间统一协调控制，往往要求各交叉口的周期时长保持一致，即：T_i＝T_j。

②绿信比约束

某一信号相位的绿信比越大则越有利于该信号相位车辆的通行，但却不利于其他信号相位车辆的通行。为了协调各相位车流能顺利通过交叉口，因而应设定上下限，且上限不能大于1：

λ_min，i，j≤λ_i，j≤λ_max，i，j＜1 λ_i，j＝t_g，i，j/T_i

t_g，i，j为i交叉口第j相位的绿灯显示时间。

③相位差约束

相位差是指每个交叉口的某一参考相位的绿灯开始时间与指定的某一系统时间的差值。区域路网中，引入相位差的目的在于使得交通流在路网中运行更为连续、平滑，力求总的车辆延误时间与停车次数最少，并尽可能的减少路网交通阻塞。

相邻交叉口相位差关系如图4所示，up、down代表距离为l_up，down的两个相邻路口，上下两条横线分别为两个交叉口的相位时间，实线表示红灯时间，虚线表绿灯时间。对于up路口的车辆，a时刻绿灯亮起，机动车向j路口方向行驶，在b时刻恰好遇到绿灯顺利通过，行驶时间就是up、down之间的相位差。设为上行相位差，则表示为下行相位差。在协调相位方向上，相邻交叉口的相位差应满足相位差闭合条件：

n为正整数

(3)区域车辆平均延误模型

在区域划分时，各个相邻交叉口之间的距离一般小于一定阈值(阈值通常为800米)。当交叉口之间距离较大，如超过1000m时，交叉口之间车流的离散性将会很大，上下游交通流相关性较小，将不利于区域的协调控制。本发明以4个交叉口组成的小区域交通网络作为研究对象，采用在大多数道路上常用的四相位八车道模式。区域交通路网模型中共有8个外进口道A～H和4个内部交叉口①～④，区域路网如图5所示。

区域外部进口道路段间距长、车流量相对较小，车流到达区域入口已经散开，车流被看成随机到达，不需要考虑相位差的影响。区域内部的相邻交叉口具有间距短、车流量大的特点，上游交叉口驶来的车流在接近下游交叉口时仍是一个整体，车流以车队形式到达，需要对相位差进行协调。因而，将区域车辆延误分为外部进口道延误和内部进口道延误两种情况。

①区域外部进口道延误

外部进口道延误为外部进口道车流进入该区域时，由于交叉口信号配时问题，造成车辆排队而产生延误。外部进口道的车流在下游交叉口被看成随机到达，同时考虑进口道可能存在过饱和状况，因而直接采用过渡延误模型，即：

d_out＝d

②区域内部进口道延误

内部进口道延误为内部进口道车流在区域中因交叉口排队造成的延误。由于内部进口道的车流是按照车队的形式到达下个交叉口形成排队，须按照整体进行计算。

上游交叉口S_up驶出的车队在通过下游交叉口S_down时，造成的延误存在以下几种情况：一是车队到达S_down交叉口时遇到绿灯，且在绿灯时间内通过，车队造成的延误为0；二是车队头部到达S_down交叉口时遇红灯受阻，即车队头部受阻；三是车队尾部到达S_down交叉口时，交叉口信号灯由绿灯变为红灯而造成车队尾部受阻。除此之外，由于机动车行驶的波动性，车辆会因为随机到达产生延误，且随机到达延误也受道路交通饱和度的影响。这样，内部进口道延误化分为车队头部受阻、尾部受阻、随机到达三种情况，接下来分别讨论。

a.车队头部受阻

交叉口S_up和S_down之间的距离为l_up，down，车流速度为v，则车流通过两交叉口所经历的时间为l_up，down/v，从车队头部到达S_down起至S_down红灯结束的时间为t_down，S_down相对于S_up的相位差为则有：

图6为车队头部受阻时的延误情况。当车队到达下游交叉口时，遇到红灯停车而产生排队；当绿灯亮起时，排队累积的车辆以饱和流率S驶出交叉口，车队消散所耗用的时间为t，在t时间后到达的车辆在绿灯时间内通过交叉口，延误时间为0。则有：

q(t_down+t)＝t·S

S_ΔABC的面积为这个周期内车队在内部进口道的延误，记为D_kead，则有：

b.车队尾部受阻

当车队尾部受阻时，车队的尾部需要在S_down等待剩余的红灯时间才可以离开。假设车队尾部从第一辆车遇到红灯受阻到最后一辆车到达S_down所经历的时间为t_down，则有：

图7为车队尾部受阻时的延误情况。在上个周期绿灯结束时，车队尾部有qt_down辆车未能在绿灯时间内通过，只能等待下个绿灯时间。在下个周期的绿灯时间中需要经过t时间才能使车队剩余的车辆全部通过，则有：

qt_down＝St

的面积为此周期内车队在内部进口道的总延误，记为D_tail，则有：

c.车辆随机到达平均延误

以上推理是基于车辆均匀到达交叉口而引起的延误，并没有考虑车辆随机到达产生的延误时间。采用过渡延误模型中的随机延误公式，该随机延误模型能够描述不同道路交通饱和度的车辆随机到达延误情况。该随机到达平均延误表达式为：

d_random＝d_o；

综上可得，内部进口道在三种情况下的延误模型。当以车队形式均匀到达时，车队头部受阻；车队尾部受阻。

令：

则以区域内部以车队形式到达平均延误时间为：

考虑车辆的随机延误，得到内部路段交通流的平均延误时间表达式：

d.区域平均延误模型

将区域内、外部进口道各个相位的延误进行整合，得到区域平均延误模型为：

其约束条件为：

PI为车辆平均延误，分子部分表示总延误，分母部分表示总的车流量。其中，N_c表示观测周期个数；N_i，phase表示第i交叉口的相位数量；N_i，j，flow表示第i个交叉口第j个相位的交通流集合；分别表示区域外部、内进口道某一方向交通流的平均延误时间，为对应的交通流量。

发明的区域交通协调优化控制目标是使PI最小，目标函数即为：

s.t.T_min≤T_i≤T_max i∈N_cross

T_i＝T_j i、j∈N_cross

λ_min，i，j≤λ_i，j≤λ_max，i，j＜1 λ_i，j＝t_g，i，j/T_i

n为正整数

该目标函数是多元的，具有多个变量约束条件，优化问题较为复杂，普通的数学方法计算难度较大。本发明采用智能算法，以PI最小为目标寻找全局最优解。

2.采用混沌遗传算法

a.混沌映射方法

采用的混沌映射方法为Tent映射，该映射方法具有均匀的概率密度、功率谱密度和理想的相关特性，数学表达式为：

当x_k＝0或者x_k＝2/3时，x_k+1＝x_k，0和2/3为不动点；此外，Tent映射还存在不稳定周期点，如：0.25，0.5，0.75都将迭代到不动点0。为了不趋向不动点，采用引入随机方程的方法改进Tent映射：如果x_k+1＝0、0.25、0.5、0.75或x_k＝x_k-m，其中m＝{0，1，2，3，4}(即x落入不动点或5周期以内的小循环)，混沌表达式改为：

x_k+1＝(2*x_kmod1)+ρ ρ∈(0，0.1)。

b.混沌扰动方法

δ′_k＝(1-θ)δ^*+θδ_k；

式中，δ^*为当前劣解映射到[0，1]区间后形成的向量，称为最劣混沌向量；δ_k为当前迭代k次的混沌向量；δ′_k为加了随机扰动后对应的混沌向量；k为迭代次数。

c.算法流程

流程如图8所示，具体内容如下：

步骤1：采用Tent映射构造混沌序列，将混沌序列映射到变量空间，组成染色体序列，对种群进行初始化；

步骤2：计算种群中个体适应度值。通过适应度函数计算各个个体的适应度值，并判断是否满足终止条件，若满足则终止循环，并输出结果；否则，执行步骤3；

步骤3：遗传操作。对父代进行选择、交叉、变异操作，产生子代个体；

步骤4：对子代适应度较小的10％的个体加入混沌扰动，“放大”控制变量的取值范围，并将结果与未进行扰动的子代合并产生新一代种群，之后转步骤2。

实施例二

本实施例协调优化模块能够根据交通信息采集模块采集到的区域交通流信息，对各路口的交通信号进行协调优化，具体包括：

1.区域车辆平均延误模型

依据上文提出的车辆延误分析，得到区域交通信号协调控制优化模型：

PI为车辆平均延误，分子部分表示总延误，分母部分表示总的车流量。其中，N_c表示观测周期个数；N_i，phase表示第i交叉口的相位数量；N_i，j，flow表示第i个交叉口第j个相位的交通流集合；表示区域外部、内进口道某一方向交通流的平均延误时间，为对应的交通流量。

约束条件为：

N_cross表示交叉口集合，T_i为区域内的第i交叉口的周期时长，T_min、T_max分别为T_i的最小、最大约束；λ_i，j表示第i个交叉口第j个相位中的绿信比，λ_min，i，j、λ_max，i，j分别为λ_i，j的最小和最大约约束；分别相邻交叉口间的上行相位差和下行相位差。

区域交通协调优化控制目标是使PI最小，目标函数即为：

s.t.T_min≤T_i≤T_maxi∈N_cross

T_i＝T_ji、j∈N_cross

n为正整数；

该目标函数是多元的，具有多个变量约束条件，优化问题较为复杂，普通的数学方法计算难度较大。本发明采用智能算法，以PI最小为目标寻找全局最优解。

2.求解区域车辆平均延误模型的混沌遗传算法

本实施例的混沌遗传算法流程如图8所示，具体内容如下：

步骤1：采用Tent映射构造混沌序列，将混沌序列映射到变量空间，组成染色体序列，对种群进行初始化。

步骤2：计算种群中个体适应度值。通过适应度函数计算各个个体的适应度值，并判断是否满足终止条件，若满足则终止循环，并输出结果；否则，执行步骤3；

步骤3：遗传操作。对父代进行选择、交叉、变异操作，产生子代个体。

步骤4：对子代适应度较小的10％的个体加入混沌扰动，“放大”控制变量的取值范围，并将结果与未进行扰动的子代合并产生新一代种群，之后转步骤2。

3.仿真实验与分析

(1)区域车辆延误模型数值仿真

现针对过渡延误模型、本发明的区域车辆延误模型分别建立目标函数，应用遗传算法进行仿真优化，比较不同交通负载状态下的区域车辆延误情况，优化过程中目标函数和遗传算法适应度函数相同。为了保证计算的一致性，遗传操作过程中的变量统一设置为：采用二进制方式编码，遗传代数50，种群规模为40，个体长度为20，代沟为0.95，交叉概率为0.7，变异概率为0.01。约束条件为：最大信号周期160s，最小信号周期80s，最小相位时间20s，最大相位时间40s。

以图5所示建立四个交叉口的区域路网模型，共计8个外进口道路段，4条内部路段，路段饱和流量均为1350veh/h，车辆行驶速度为30km/h，内部路段长度均为300m。每条路段包括4个车道，一条左转车道，两条直行车道，一条右转车道，外进口道车辆左转、直行、右转三个方向的概率分别为30％，40％，30％，低饱和、中饱和、过饱和状态下的进口道交通流量分别如表1、表5、表9所示。

a.采用过渡延误模型并结合遗传算法对区域交通协调优化控制系统建立目标函数，由上文可得目标函数为：

s.t.T_min≤T_i≤T_maxi∈N_cross

T_i＝T_ji、j∈N_cross

λ_min，i，j≤λ_i，j≤λ_max，i，j＜1λ_i，j＝t_g，i，j/T_i

其中，

b.采用本发明的区域车辆延误模型并结合遗传算法对区域交通协调优化控制系统建立目标函数，由上文可得目标函数为：

s.t.T_min≤T_i≤T_max i∈N_cross

T_i＝T_j i、j∈N_cross

n为正整数

其中，

实验一：低饱和交通状态(λ∈(0.2，0.5))

进口道------>交叉口	交通流量/(veh/h)
		A------>①	150
B------>①	120
		C------>②	90
D------>②	130
		E------>③	100
F------>③	80
		G------>④	170
H------>④	130

表1进口道交通流量

采用区域过渡延误模型的实验结果：

表2区域过渡延误模型及其优化配时结果

采用本实施例的区域车辆延误模型实验结果：

表3本实施例的区域车辆延误模型及其优化配时结果

仿真结果比较：

信号优化方案	车辆平均延误时间(s)
		区域过渡延误模型	24.41
本发明的区域车辆延误模型	17.98
		改进提升率	26.34％

表4区域车辆平均延误比较

实验二：中饱和交通状态(λ∈(0.6，0.9)λ∈(0.6，0.9))

进口道------>交叉口	交通流量/(veh/h)
		A------>①	220
B------>①	280
		C------>②	300
D------>②	200
		E------>③	240
F------>③	220
		G------>④	290
H------>④	260

表5进口道交通流量

采用区域过渡延误模型的实验结果：

表6区域过渡延误模型及其优化配时结果

采用本实施例的区域车辆延误模型实验结果：

表7本实施例的区域车辆延误模型及其优化配时结果

仿真结果比较：

信号优化方案	车辆平均延误时间(s)
		区域过渡延误模型	28.19
本发明的区域车辆延误模型	19.86
		改进提升率	29.54％

表8区域车辆平均延误比较

实验三：过饱和交通状态(λ∈(1，1.3))

进口道------>交叉口	交通流量/(veh/h)
		A------>①	440
B------>①	380
		C------>②	350
D------>②	410
		E------>③	370
F------>③	400
		G------>④	360
H------>④	350

表9进口道交通流量

采用区域过渡延误模型的实验结果：

表10区域过渡延误模型及其优化配时结果

采用本实施例的区域车辆延误模型实验结果：

表11本发明的区域车辆延误模型及其优化配时结果

仿真结果比较：

信号优化方案	车辆平均延误时间(s)
		区域过渡延误模型	35.06
本发明的区域车辆延误模型	24.97
		改进提升率	28.78％

表12区域车辆平均延误比较

由仿真结果可知，在未考相邻路口的相位差协调关系、仅对区域交通信号周期和各相位时间优化时，采用遗传算法优化，得到区域过渡延误模型在低饱和、中饱和、过饱和交通状态下的车辆平均延误分别为24.41s、28.19s、35.06s；本发明的区域车辆平均延误模型，考虑区域内部交通流的动态特点和相邻交叉口之间的相关性，对相位差、区域交通信号周期、各相位时间同时优化，在三种交通负载状态下，所得区域车辆平均延误时间对应为17.98s、19.86s、24.97s，与区域过渡延误模型相比，车辆平均延误时间提高26.22％以上。实验结果表明，本发明的区域车辆平均延误模型，在不同的交通负载状态下均表现较好的优化效果，能有效提高区域路网的交通效率。

(2)优化算法数值仿真

为验证本发明的混沌遗传算法的寻优性能，根据所提出的区域车辆平均延误模型，针对不同的约束条件，分别采用遗传算法和混沌遗传算法寻优，分析比较两种算法的性能。

本测试函数对应的区域路网模型如图5所示，以表5中的交通流量为研究对象，道路通行能力等其他交通参数以及遗传操作中的相关参数设置均与区域车辆延误模型数值仿真中的数据相同。

根据所提出的区域车辆平均延误模型得到对应的目标函数，画出不同约束条件的目标函数值分布图，如图9所示。

图a：当对交叉口①与②、②与③的相位差均约束为时，是一个连续、凸起的单峰函数，只有一个全局极小点(36.00，36.00)，最小值为21.05。

图b：当对交叉口④的第一、第二相位绿灯时间均约束为20≤t_g≤4020≤t_g≤40时，是一个连续、凸起的单峰函数，只有一个全局极小点(40.00，20.00)，最小值为21.64。

图c：当对交叉口①与②的相位差约束为对当对交叉口④的第一相位绿灯时间均约束为20≤t_g≤40时，是一个连续、凸起的单峰函数，只有一个全局极小点(36.00，38.63)，最小值为21.36。

分别采用遗传算法和混沌遗传算法对以上三种约束下的目标函数进行优化，得到遗传代数与每一代最优解之间的关系折线图。

图10为遗传代数-最优解折线图，a、b、c分别对应图9中的三种约束情况。由折线图可以明显观察到，对于不同的变量约束，遗传算法的全局寻优速度均大于28代，混沌遗传算法则均保持在20代以内，优化速度提高28.57％以上。因而，混沌遗传算法在寻优效率上明显优于标准遗传算法。

以上分析的三种情况中，均只对两个参数进行优化。而在实际的区域交通信号控制系统中，需要对多个相位差、相位时间同步协调控制，具有高维的寻优空间，解的分布情况更为复杂，寻优难度大，采用常规遗传算法，难以达到寻优性能要求。

(3)区域交通协调控制系统仿真

根据所提出的区域交通协调控制系统，以南京市栖霞区某区域路网为研究对象，使用VISSIM和MATLAB搭建区域路网微观模型及模拟实际路况进行控制仿真。该区域为四个交叉口组成的井字形路网，上下左右四条干道分别为文枢东路、文苑路、学衡路、文澜路。如图11所示。

调查获取各路段的相关参数，根据我国《城市道路交通规划设计规范》，可计算得到各条道路的通行能力。上述道路基本参数如表13所示，

道路	通行能力(veh/h)	距离(m)	机动车速度(veh/h)
				文枢东路	1800	437	30～40
文苑路	1800	427	30～40
				学衡路	1800	294	30～40
文澜路	1800	274	30～40

表13各道路基本参数

上述路网中，每个交叉口均有四个相位，分别为：第一相位：东西方向直行；第二相位：东西方向左转；第三相位：南北方向直行；第四相位：南北方向左转。在相位差计算时，以文枢东路与学衡路交叉口的东西直行方向绿灯启亮时刻为基准点，采用绝对相位差进行计算。

路网中共有8个外进口道、4个交叉口节点，路段共计24条，形成56个OD对。以文枢东路西进口方向为编号A，按顺时针方向依次标记各个OD点。本实施例针对路网低峰时期与高峰时期两种情况下的交通流连续运行状况进行模拟。

表14低峰交通流OD矩阵单位：veh/h

编号	A	B	C	D	E	F	G	H	总计
										A	0	54	54	108	54	108	54	54	486
B	120	0	40	80	80	40	80	40	480
										C	45	45	0	90	90	90	45	90	495
D	106	53	153	0	53	106	53	106	630
										E	96	48	48	48	0	144	96	96	576
F	39	39	39	78	108	0	39	78	420
										G	92	46	92	46	46	46	0	138	506
H	43	86	86	86	43	86	129	0	559
										总计	541	371	512	536	474	620	496	602	4152

表15高峰交通流OD矩阵单位：veh/h

在VISSIM中根据路网结构建立微观路网仿真模型，在MATLAB中实现优化控制。设置仿真时间为5000s，针对不同的时间段分配交通流量。0s-2500s采用表14中的交通流量数据，模拟区域路网的低峰时段车流量；2500s-5000s采用表15中的交通流量数据，模拟高峰时段车流量。分别针对无相位差协调控制的区域过渡延误模型和融入相位差的区域车辆延误模型、不同的优化算法搭建交通协调控制系统进行仿真，如图12所示。

实验一：以遗传算法作为优化算法，分别采用无相位差协调控制的区域过渡延误模型和融入相位差的区域车辆延误模型进行仿真，遗传算法参数设置同前。

表16VISSIM-MATLAB平台下两种延误模型仿真结果

实验二：分别以遗传算法和混沌遗传算法为优化算法，采用融入相位差的区域车辆延误模型进行仿真，遗传算法参数设置同前。

仿真结果	遗传算法	混沌遗传算法	改进提升率
				平均延误时间(s)	47.63	41.26	13.37％
平均停车延误(s)	42.56	37.47	12.48％
				平均停车次数(次)	1.13	1.01	10.62％

表17VISSIM-MATLAB平台两种优化算法仿真结果

由表16可知，以遗传算法作为优化算法时，采用无相位差协调控制的区域过渡延误模型所得车辆平均延误时间、平均停车延误、平均停车次数分别为60.48s、53.74s、1.35次；采用本发明的融入相位差协同控制策略的区域车辆延误模型，所得出的结果对应为47.63s、42.56s、1.31次，改进提升率依次为21.25％、20.80％、16.30％，具有明显的优化效果。

由表17可知，当采用融入相位差的区域车辆延误模型进行仿真时，基于遗传算法得到的车辆平均延误时间、平均停车延误、平均停车次数分别为47.63s、42.56s、1.13次；基于本发明的混沌遗传算法所得结果对应为41.26s，37.47s，1.01次，改进提升率依次为13.37％、12.48％、10.62％，优化效果显著。

以上显示和描述了本发明的基本原理、主要特征和优点。本领域的技术人员应该了解，本发明不受上述具体实施例的限制，上述具体实施例和说明书中的描述只是为了进一步说明本发明的原理，在不脱离本发明精神范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由权利要求书及其等效物界定。

Claims (5)

1.一种基于车辆平均延误的区域交通协调优化控制系统，其特征在于，包括路口节点和区域协调控制节点；

所述路口节点，用于采集本地交通流状态信息并执行该路口配时方案；

所述区域协调控制节点，用于采集区域路网交通流状态，协调各路口的控制及输出各路口配时方案；

所述区域协调控制节点包括交通信息采集模块、协调优化模块和配时方案输出模块；

所述交通信息采集模块，用于采集路网中的交通流状态；

所述协调优化模块，用于通过多路口协调控制器协调优化各路口的信号配时方案；

所述配时方案输出模块，用于将所述协调优化模块协调的配时方案输出给各路口节点执行。

2.一种基于车辆平均延误的区域交通协调优化控制方法，其特征在于，包括如下步骤；

步骤S1、初始化交通配时方案；

步骤S2、判断是否达到交通流状态的采样周期，若没有达到，则各路口以当前配时方案运行，若达到，则各路段上的感应器采集各路段的交通流信息并传输至就近的路口节点；

步骤S3、区域协调控制节点的信息采集模块采集各路口节点接收到的各路口交通流状态信息，获取区域路网交通流状态信息；

步骤S4、协调优化模块根据区域路网交通流状态信息通过区域交通信号协调优化目标函数和优化算法计算协调优化各路口交通信号，产生优化配时方案；

步骤S5、配时方案输出模块将协调优化模块产生的优化配时方案传输给各路口节点并执行，循环步骤S2-步骤S5。

3.根据权利要求2所述的一种车辆平均延误的区域交通协调优化控制方法，其特征在于，所述步骤S4中区域交通信号协调优化模型为：

根据车辆延误模型获取车辆的平均延误时间，公式为

其中，PI为车辆平均延误，分子部分表示总延误，分母部分表示总的车流量；

N_c表示观测周期个数；N_i，phase表示第i交叉口的相位数量；N_i，j，flow表示第i个交叉口第j个相位的交通流集合；分别表示区域外部、内进口道某一方向交通流的平均延误时间，为对应的交通流量；

其约束条件为：

其中，N_cross表示交叉口集合，T_i为区域内的第i交叉口的周期时长，T_min、T_max分别为T_i的最小、最大约束；λ_i，j表示第i个交叉口第j个相位中的绿信比，λ_min，i，j、λ_max，i，j分别为λ_i，j的最小和最大约约束；分别相邻交叉口间的上行相位差和下行相位差；

区域交通协调优化控制目标为使PI最小，则目标函数为：

4.根据权利要求2所述的一种车辆平均延误的区域交通协调优化控制方法，其特征在于，所述步骤S4中优化算法采用混沌遗传算法，其具体算法步骤如下：

步骤S41、采用Tent映射构造混沌序列，将混沌序列映射到变量空间，组成染色体序列，对种群进行初始化；

步骤S42、计算种群中个体适应度值；通过适应度函数计算各个个体的适应度值，并判断是否满足终止条件，若满足，则终止循环，并输出结果；否则，执行步骤S43；

步骤S43、遗传操作对父代进行选择、交叉、变异操作，产生子代个体；

步骤S44、对子代适应度较小的10％的个体加入混沌扰动，“放大”控制变量的取值范围，并将结果与未进行扰动的子代合并产生新一代种群，之后转步骤S42。

5.根据权利要求4所述的一种车辆平均延误的区域交通协调优化控制方法，其特征在于，所述步骤S41中采用Tent映射，其表达式为:

当x_k＝0或者x_k＝2/3时，x_k+1＝x_k，0和2/3为不动点；

为了不趋向不动点，引入随机方程的方法改进Tent映射，则混沌表达式修改为：周期以内的小循环)，混沌表达式改为：

x_k+1＝(2*x_kmod1)+ρ ρ∈(0，0.1)；

混沌扰动方法为：

δ′_k＝(1-θ)δ^*+θδ_k

其中，δ^*为当前劣解映射到[0，1]区间后形成的向量，称为最劣混沌向量；δ_k为当前迭代k次的混沌向量；δ′_k为加了随机扰动后对应的混沌向量；k为迭代次数。