CN110070222B - 一种交通低排放的演化调控方法及系统 - Google Patents

一种交通低排放的演化调控方法及系统 Download PDF

Info

Publication number
CN110070222B
CN110070222B CN201910312976.5A CN201910312976A CN110070222B CN 110070222 B CN110070222 B CN 110070222B CN 201910312976 A CN201910312976 A CN 201910312976A CN 110070222 B CN110070222 B CN 110070222B
Authority
CN
China
Prior art keywords
virtual
emission
phase
traffic
vehicle
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.)
Active
Application number
CN201910312976.5A
Other languages
English (en)
Other versions
CN110070222A (zh
Inventor
陈锋
陈宇强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Zhongke Longan Science And Technology Co ltd
Original Assignee
Anhui Zhongke Longan Science And Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Zhongke Longan Science And Technology Co ltd filed Critical Anhui Zhongke Longan Science And Technology Co ltd
Priority to CN201910312976.5A priority Critical patent/CN110070222B/zh
Publication of CN110070222A publication Critical patent/CN110070222A/zh
Application granted granted Critical
Publication of CN110070222B publication Critical patent/CN110070222B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种交通低排放的演化调控方法及系统，可以针对不同几何形状、拓扑结构的交叉口，构建与真实交叉口对应的虚拟交叉口；并且交通低排放的信号控制方案优化是基于微观仿真平台实现的，降低了不合理的信号方案造成的风险；由于演化控制方案的优化以车辆平均延误和交通排放量为综合指标，实现多目标优化的，并通过多次学习后可较为显著的降低车辆平均延误和排放量，提高交叉口的交通通行能力。另外，本发明的系统通过与环境交互学习交通低排放的优化控制方案的，解决了难以进行精确数学建模问题，更好地适用不同的交叉口及交通流状况。

Description

一种交通低排放的演化调控方法及系统
技术领域
本发明涉及道路交通控制、生态交通技术领域，尤其涉及一种交通低排放的演化调控方法及系统。
背景技术
城市道路交叉口不仅是交通流的瓶颈，而且是机动车排放的主要区域。据环保部门统计，机动车尾气排放是城市大气环境的主要污染源。由于机动车排放与道路交叉口的信号控制方案有密切的相关关系，因此，研究面向交通低排放的信号优化控制方法，以降低交叉口车距延误和尾气排放量，具有重要意义。
现有交叉口的优化控制方法主要根据交叉口延误模型进行优化配时，以降低交叉口的车均延误为目的，没有考虑车辆排放因素。近年来，交通低排放控制的研究已经引起了重视，分别在机动车的一氧化碳、二氧化碳、二氧化氮和二氧化硫等单一污染物排放建模方面取得了一定的成果，但是，这些成果本质上仍然以延误模型(如Webster，HCM2000延误模型)、以及由此派生的停车次数和排队长度模型等为基础的，存在着模型参数难以标定；无法适应不同饱和度的交通流状况；没有区分大、中和小型车的差异；且假设初始排队为零等问题。
交叉口交通低排放的信号优化控制的关键在于建立交通控制方案-交通排放-延误的关系模型。由于影响因素较多，相互之间存在着非线性强耦合关系，因此，难以精确建模，因此，实现交叉口交通低排放优化控制具有挑战性。
发明内容
本发明的目的是提供一种交通低排放的演化调控方法及系统，不仅有效地降低了城市交叉口的车辆平均延误，提高了交叉口通行能力，更降低了车辆在交叉口区域的一氧化碳、二氧化氮、二氧化硫等污染排放量，并解决了交叉口的交通控制方案-交通排放-平均延误难以建模问题。
本发明的目的是通过以下技术方案实现的：
一种交通低排放的演化调控方法，包括：
根据实际交叉口的几何形状、道路渠化与信号机，采用微观交通仿真软件构建包含对应的虚拟交叉口及虚拟信号机的场景，在虚拟交叉口各个道路的上游入口处与出口处设置虚拟车辆检测器，并在各个道路生成指定数量的大型、中型与小型虚拟车辆；
根据虚拟交叉口交通流向，设定由非冲突交通流组成的各个相位；
根据所述虚拟车辆检测器获取各个相位所控制道路的当前排队状态；
根据预定的查找表，获得各个相位所控制道路的当前排队状态对应的最佳相位配时；
根据各相位所控制道路的当前排队长度的大小确定相位执行顺序；
由所述虚拟信号机根据所述相位执行顺序依次执行各个相位的最佳相位配时，各虚拟车辆根据微观跟驰模型运动，各虚拟车辆的排放量由微观排放模型推算，获得当前周期内虚拟交叉口虚拟车辆的平均延误、以及一氧化碳、二氧化氮和二氧化硫平均排放量，并以此更新所述查找表中的评价值，直至各评价值收敛，完成本次交通低排放的演化控制。
由上述本发明提供的技术方案可以看出，可以针对不同几何形状、拓扑结构的交叉口，构建与真实交叉口对应的虚拟交叉口；并且交通低排放的信号控制方案优化是基于微观仿真平台实现的，降低了不合理的信号方案造成的风险；由于演化控制方案的优化以车辆平均延误和交通排放量为综合指标，实现多目标优化的，通过多次学习后可较为显著的降低车辆平均延误和排放量，提高交叉口的交通通行能力。另外，本发明的系统通过与环境交互学习交通低排放的优化控制方案的，解决了难以进行精确数学建模问题，更好地适用不同的交叉口及交通流状况。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例一提供的一种交通低排放的演化调控方法的流程图；
图2为本发明实施例一提供的相位图；
图3为本发明实施例二提供的一种交通低排放的演化调控系统的示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，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，都属于本发明的保护范围。
本发明实施例提供了一种无模型的交通低排放演化控制方法，通过微观交通仿真，对低排放和平均延误进行多目标优化，综合考虑了影响交叉口车辆延误、交通排放的因素，包括交通控制方案、车辆怠速、加减速、匀速运动行为，以及交叉口的道路渠化、几何形状、车辆类型等，较好地刻画了交叉口信号方案与车辆平均延误、交通排放的复杂关系，适应不同类型交叉口的交通低排放的信号优化控制。
实施例一
如图1所示，为本发明实施例提供的一种交通低排放的演化调控方法的流程图，其主要包括如下步骤：
步骤11、根据真实交叉口的几何形状、道路渠化与信号机，采用微观交通仿真软件构建包含对应的虚拟交叉口及虚拟信号机的场景，在虚拟交叉口各个道路的上游入口处与出口处设置虚拟车辆检测器，并在各个道路生成指定数量的大型、中型与小型虚拟车辆。
本领域技术人员可以理解，虚拟车辆的车型大小可以通过常规方式来界定，比如，界定指标为车辆的尺寸。
本发明实施例基于仿真平台实现，为了与真实交通情况相一致，考虑了不同车辆的情况。所述不同类型的虚拟车辆可以包括如下可设置的参数：期望速度、期望加速度、最小安全距离、跟驰行为、排放行为；车辆类型(大型车、中型车和小型车)、车辆几何尺寸、速度、及最大加、减速性能等。
本发明实施例中，虚拟交叉口交通信号控制方案涉及到灯组、信号组、相位和信号周期等概念，所述灯组是指：一个完整的车辆红、黄、绿三单元灯或行人红、绿二单元灯的组合；所述信号组为：具有同一灯色序列的一个或多个信号灯组的集合；所述相位是指：同时获得通行权的一股或多股交通流所对应信号组的显示状态，相位绿灯时间为一个相位所获得的绿灯显示时间；所述信号周期为：信号灯色按设定的信号相位顺序变化一周所需的时间。
交叉口交通信号控制方案的演化设计可以表示为：通过对各道路交通流所对应相位时长的设计，使得交叉口车辆的平均延误，以及一氧化碳、二氧化氮和二氧化硫平均排放量的最小化。
步骤12、根据虚拟交叉口交通流向，设定由非冲突交通流组成的各个相位。
虚拟交叉口区域交通流存在着不同需求，形成多个可能的冲突点，所述冲突点为：在虚拟交叉口内两股不同方向的交通流其行驶轨迹的相交点；
为了实现各条道路的交通流安全通过交叉口区域，设定由非冲突交通流组成的不同相位，组成相位方案。如图2所示，所设定由非冲突交通流组成的相位至少包括：直行的对向车流(标记1、5)、一侧直行与左转弯车流(标记2、3、6、7)、以及左转弯与右转弯车流(4、8)所构成的相位。
步骤13、根据所述虚拟车辆检测器获取各个相位所控制道路的当前排队状态。
本发明实施例所述的排队状态主要为所述虚拟车辆排队的长度；各相位所控制道路的当前排队状态表示为：Sc＝＜Sc1,Sc2＞，其中，Sc1＝＜Sc11,Sc12,Sc13,Sc14>，Sc2＝＜Sc21,Sc22,Sc23,Sc24＞，Sc11～Sc24表示当前排队状态Sc包含的各条道路的虚拟车辆排队长度，令状态X＝Sc。
本发明实施例中，虚拟信号机由主控模块控制，所述主控模块根据交通低排放的演化控制结果产生交通信号控制方案或者演化学习初始时利用预设的交通信号控制方案，对所述虚拟信号机进行交通信号配时；
所述交通信号控制方案中包含了由虚拟车辆的平均延误、以及一氧化碳、二氧化氮和二氧化硫平均排放量决定的奖赏指标；具体来说，交通信号控制方案可以用四元组表示：〈S，A，P，R〉，其中Si＝＜Si1,Si2＞为离散的、联合状态的有限集合，Si1～Si2为其子状态，分别对应各道路入口方向的车辆排队长度；Aj＝＜Aj1,Aj2＞为对应排队长度Si相位的绿灯配时时长，其中，Aj1＝＜Aj11,Aj12,Aj13,Aj14>和Aj2＝＜Aj21,Aj22,Aj23,Aj24＞分别对应图2所示的相位1～8；P为状态转移概率(即虚拟信号机执行一种相位绿灯配时方案后，排队长度从一种排队状态变化为另一种排队状态的概率)；
本发明实施例中，奖赏是由虚拟车辆的平均延误、以及一氧化碳、二氧化氮和二氧化硫平均排放量来计算，虚拟车辆的平均延误、以及一氧化碳、二氧化氮和二氧化硫平均排放量越小，奖赏越高；
奖赏的计算公式为：
Figure BDA0002032126240000051
其中，w1、w2分别表示虚拟交叉口车辆平均延误和平均排放量的重要性，w1+w2＝1；d表示虚拟交叉口车辆平均延误；eco、comax分别表示虚拟车辆一氧化碳的平均排放量、大气中一氧化碳的最大值；eno、nomax分别表示虚拟车辆二氧化氮的平均排放量、大气中二氧化氮的最大值；eso、somax分别表示虚拟车辆二氧化硫的平均排放量、大气中二氧化硫的最大值。
步骤14、根据预定的查找表，获得各个相位所控制道路的当前排队状态对应的最佳相位配时。
如表1所示，所述预定的查找表包括：排队状态集合S(可以为0-最大排队长度)，以及与所述排队状态集合对应的相位绿灯配时集合A(可以为0-最大绿灯时间)；其中，所述排队状态集合中的每一子集对应若干个相位绿灯配时的时长；所述预定的查找表中还包括：排队状态集合中每一子集与其对应的每一相位绿灯配时的评价值集合Q(S，A)，在自学习过程开始前，评价值集合可以根据经验进行设置。
表1查找表
S A Q(S，A)
当前状态X≠＜＜0,0,0,0＞,＜0,0,0,0＞＞时，在所述预定的查找表中搜索与状态X相同排队状态对应的相位绿灯配时集合：
Figure BDA0002032126240000052
Figure BDA0002032126240000053
表示在状态X时对应的相位绿灯配时时长方案，j的数量由可能的各相位绿灯配时方案最大个数Nmax确定，即j∈{1,2,…,Nmax}。根据前述查找表的描述可知，每一相位所控制道路的排队状态可以对应若干个绿灯配时。
选择所述相位绿灯配时集合中使得所述状态转移概率最大的相位绿灯配时
Figure BDA0002032126240000054
作为最佳相位绿灯配时，o为Nmax个相位绿灯配时方案中的其中一个方案(或集合{1,2,…,Nmax}的任一元素)。
为避免演化过程中陷入局部最优，可采用如模拟退火方法对状态X时的动作
Figure BDA0002032126240000055
进行随机选择。
步骤15、根据各相位所控制道路的当前排队长度的大小确定相位执行顺序。
获取各相位所控制道路的当前排队长度，按照排队长度从大至小确定如图2所示的相位的执行次序(即相序)，为确保最佳相位绿灯配时时间有效，还需进行如下步骤：若某一道路对应的相位在连续两个相位中，最佳相位绿灯配时小于预设的最小绿灯时间，则表示当前相位所控制的道路未分配绿灯时间；
若所有相位的最佳相位绿灯配时时间与预设的黄灯配时时间总和大于预设的最大周期时间，则按照各个相位所控制道路流量的比例调整相位绿灯配时，如果调整后的相位绿灯配时小于预定的最小相位绿灯配时，则不进行调整。
步骤16、由所述虚拟信号机根据所述相位执行顺序依次执行各个相位的最佳相位配时，各虚拟车辆根据微观跟驰模型运动，各虚拟车辆的排放量由微观排放模型推算，获得当前周期内虚拟交叉口虚拟车辆的平均延误、以及一氧化碳、二氧化氮和二氧化硫平均排放量，并以此更新所述查找表中的评价值。
本发明实施例中，所述各虚拟车辆根据微观跟驰模型运动包括：虚拟车辆在所在道路行驶时，根据前车速度、车辆间距、本车速度，确定下一时刻的加速度或减速度；
本发明实施例中，所述各虚拟车辆的排放量由微观排放模型推算包括：根据虚拟车辆的车型大小、虚拟车辆的速度、减速度、加速度以及怠速，调用虚拟车辆的排放模型，计算一氧化碳、二氧化氮和二氧化硫排放量。
本发明实施例中，查找表中的评价值可采用如下公式更新：
Figure BDA0002032126240000061
其中，所述
Figure BDA0002032126240000062
表示在状态X可能的各相位绿灯配时集合；集合Y表示执行所述当前最佳相位绿灯配时后，各个相位所控制道路的排队状态Y＝＜＜Y11,Y12,Y13,Y14＞,<Y21,Y22,Y23,Y24＞＞；rj为对应的奖赏R；γ为预设的折扣因子(例如，0.96)；α表示学习率，根据状态X在自学习过程中出现的次数m进行计算，表示为
Figure BDA0002032126240000063
步骤17、重复上述步骤12～16，直至各评价值Q(S,A)收敛，通过多次演化学习，不断更新评价值，可获得一较为准确的查找表，从而完成本次交通低排放的演化控制。
当完成交通信号控制演化学习之后，将其发送至交通信号控制软件，由交通信号控制软件通过网络传输至真实信号机，由所述真实信号机调用执行。
本发明实施例可以针对不同形状、几何尺寸和拓扑结构的交叉口，构建与真实交叉口对应的虚拟交叉口；并且交通低排放的信号控制方案优化是基于仿真平台实现的，降低了不合理的信号方案造成的风险；另外，可以较为准确的获得车辆排放和延误信息，并通过演化学习后可较为显著的降低车均排放量和延误，提高交叉口通行能力。
实施例二
本发明另一实施例还提供一种交通低排放的演化调控系统，该系统主要用于实现前述实施例一所述的方法，如图3所示，该系统主要包括：
虚拟场景构建模块11，用于根据实际交叉口的几何形状、道路渠化与信号机，采用微观交通仿真软件构建包含对应的虚拟交叉口及虚拟信号机的场景；
虚拟信号机12，设置在所述虚拟场景中的预定位置，用于产生虚拟交通信号；
虚拟车辆检测器14，设置在虚拟交叉口各个道路的上游入口处与出口处，用于获取各个相位所控制道路的当前排队状态，并计算车辆平均延误；
发车模块13，用于在在各个道路生成指定数量的大型、中型与小型虚拟车辆；
演化控制模块17，用于根据虚拟交叉口交通流向，设定由非冲突交通流组成的各个相位，以及根据预定的查找表，获得各个相位所控制道路的当前排队状态对应的最佳相位配时；根据各相位所控制道路的当前排队长度的大小确定相位执行顺序；由所述虚拟信号机根据所述相位执行顺序依次执行各个相位的最佳相位配时，各虚拟车辆根据微观跟驰模型运动，各虚拟车辆的排放量由微观排放模型推算，获得当前周期内虚拟交叉口虚拟车辆的平均延误、以及一氧化碳、二氧化氮和二氧化硫平均排放量，并以此更新所述查找表中的评价值，直至各评价值收敛，完成本次交通低排放的演化控制。
本发明实施例中，虚拟交叉口区域交通流存在着不同需求，形成多个可能的冲突点，所述冲突点为：在虚拟交叉口内两股不同方向的交通流其行驶轨迹的相交点；
所设定由非冲突交通流组成的相位至少包括：直行的对向车流、一侧直行与左转弯车流、以及左转弯与右转弯车流所构成的相位。
本发明实施例中，该系统还包括：主控模块控制18，所述主控模块根据交通低排放的演化控制结果产生交通信号控制方案或者利用预设的交通信号控制方案，对所述虚拟信号机12进行交通信号配时；
所述交通信号控制方案中包含了由虚拟车辆的平均延误、以及一氧化碳、二氧化氮和二氧化硫平均排放量决定的奖赏指标。
本发明实施例中，所述虚拟车辆的平均延误、以及一氧化碳、二氧化氮和二氧化硫平均排放量越小，奖赏越高；
奖赏的计算公式为：
Figure BDA0002032126240000081
其中，w1、w2分别表示虚拟交叉口车辆平均延误和平均排放量的重要性，w1+w2＝1；d表示虚拟交叉口车辆平均延误；eco、comax分别表示虚拟车辆一氧化碳的平均排放量、大气中一氧化碳的最大值；eno、nomax分别表示虚拟车辆二氧化氮的平均排放量、大气中二氧化氮的最大值；eso、somax分别表示虚拟车辆二氧化硫的平均排放量、大气中二氧化硫的最大值。
本发明实施例中，该系统还包括：
微观跟驰行为模块15，由微观跟驰模型实现，用于各虚拟车辆在所在道路行驶时，根据前车速度、车辆间距、本车速度，确定下一时刻的加速度或减速度；
微观排放行为模块16，由微观排放模型实现，用于推算各虚拟车辆的排放量：根据虚拟车辆的车型大小、虚拟车辆的速度、减速度、加速度以及怠速，调用虚拟车辆的排放模型，计算一氧化碳、二氧化氮和二氧化硫排放量。
通过本发明实施例上述模块完成交通低排放的信号控制方案演化学习后，由主控模块18将演化学习结果经交通信号控制软件19发送至真实信号机10执行。
需要说明的是，上述系统中包含的各个功能模块所实现的功能的具体实现方式在前面的各个实施例中已经有详细描述，故在这里不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)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)执行本发明各个实施例所述的方法。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (2)

1.一种交通低排放的演化调控方法，其特征在于，包括：
根据实际交叉口的几何形状、道路渠化与信号机，采用微观交通仿真软件构建包含对应的虚拟交叉口及虚拟信号机的场景，在虚拟交叉口各个道路的上游入口处与出口处设置虚拟车辆检测器，并在各个道路生成指定数量的大型、中型与小型虚拟车辆；
根据虚拟交叉口交通流向，设定由非冲突交通流组成的各个相位；
根据所述虚拟车辆检测器获取各个相位所控制道路的当前排队状态；
根据预定的查找表，获得各个相位所控制道路的当前排队状态对应的最佳相位配时；
根据各相位所控制道路的当前排队长度的大小确定相位执行顺序；
由所述虚拟信号机根据所述相位执行顺序依次执行各个相位的最佳相位配时，各虚拟车辆根据微观跟驰模型运动，各虚拟车辆的排放量由微观排放模型推算，获得当前周期内虚拟交叉口虚拟车辆的平均延误、以及一氧化碳、二氧化氮和二氧化硫平均排放量，并以此更新所述查找表中的评价值，通过多次演化学习，不断更新评价值，直至各评价值收敛，完成本次交通低排放的演化控制；
虚拟交叉口区域交通流存在着不同需求，形成多个冲突点，所述冲突点为：在虚拟交叉口内两股不同方向的交通流其行驶轨迹的相交点；所设定由非冲突交通流组成的相位至少包括：直行的对向车流、一侧直行与左转弯车流、以及左转弯与右转弯车流所构成的相位；
所述虚拟信号机由主控模块控制，所述主控模块根据交通低排放的演化控制结果产生交通信号控制方案或者演化学习初始时利用预设的交通信号控制方案，对所述虚拟信号机进行交通信号配时；所述交通信号控制方案中包含了由虚拟车辆的平均延误、以及一氧化碳、二氧化氮和二氧化硫平均排放量决定的奖赏指标；
所述虚拟车辆的平均延误、以及一氧化碳、二氧化氮和二氧化硫平均排放量越小，奖赏越高；
奖赏的计算公式为：
Figure FDA0003830739030000011
其中，w1、w2分别表示虚拟交叉口车辆平均延误和平均排放量的重要性，w1+w2＝1；d表示虚拟交叉口车辆平均延误；eco、comax分别表示虚拟车辆一氧化碳的平均排放量、大气中一氧化碳的最大值；eno、nomax分别表示虚拟车辆二氧化氮的平均排放量、大气中二氧化氮的最大值；eso、somax分别表示虚拟车辆二氧化硫的平均排放量、大气中二氧化硫的最大值；
所述预定的查找表包括：排队状态集合X、与所述排队状态集合对应的相位绿灯配时集合A，以及排队状态集合X与相位绿灯配时集合A对应的评价值集合Q(X，A)，其中，排队状态集合X为0-最大排队长度，与所述排队状态集合对应的相位绿灯配时集合A为0-最大绿灯时间；
查找表中的评价值采用如下公式更新：
Figure FDA0003830739030000021
其中，所述
Figure FDA0003830739030000022
表示在状态X的各相位绿灯配时集合，j的数量由各相位绿灯配时方案最大个数Nmax确定，即j∈{1,2,…,Nmax}；集合Y表示执行当前最佳相位绿灯配时后，各个相位所控制道路的排队状态；rj为对应的奖赏R；γ为预设的折扣因子；α表示学习率，根据状态X在自学习过程中出现的次数m进行计算，表示为
Figure FDA0003830739030000023
所述各虚拟车辆根据微观跟驰模型运动包括：虚拟车辆在所在道路行驶时，根据前车速度、车辆间距、本车速度，确定下一时刻的加速度或减速度；
所述各虚拟车辆的排放量由微观排放模型推算包括：根据虚拟车辆的车型大小、虚拟车辆的速度、减速度、加速度以及怠速，调用虚拟车辆的排放模型，计算一氧化碳、二氧化氮和二氧化硫排放量。
2.一种交通低排放的演化调控系统，其特征在于，包括：
虚拟场景构建模块，用于根据实际交叉口的几何形状、道路渠化与信号机，采用微观交通仿真软件构建包含对应的虚拟交叉口及虚拟信号机的场景；
虚拟信号机，设置在所述虚拟场景中的预定位置，用于产生虚拟交通信号；
虚拟车辆检测器，设置在虚拟交叉口各个道路的上游入口处与出口处，用于获取各个相位所控制道路的当前排队状态；
发车模块，用于在各个道路生成指定数量的大型、中型与小型虚拟车辆；
演化控制模块，用于根据虚拟交叉口交通流向，设定由非冲突交通流组成的各个相位，以及根据预定的查找表，获得各个相位所控制道路的当前排队状态对应的最佳相位配时；根据各相位所控制道路的当前排队长度的大小确定相位执行顺序；由所述虚拟信号机根据所述相位执行顺序依次执行各个相位的最佳相位配时，各虚拟车辆根据微观跟驰模型运动，各虚拟车辆的排放量由微观排放模型推算，获得当前周期内虚拟交叉口虚拟车辆的平均延误、以及一氧化碳、二氧化氮和二氧化硫平均排放量，并以此更新所述查找表中的评价值，通过多次演化学习，不断更新评价值，直至各评价值收敛，完成本次交通低排放的演化控制；
虚拟交叉口区域交通流存在着不同需求，形成多个冲突点，所述冲突点为：在虚拟交叉口内两股不同方向的交通流其行驶轨迹的相交点；所设定由非冲突交通流组成的相位至少包括：直行的对向车流、一侧直行与左转弯车流、以及左转弯与右转弯车流所构成的相位；
该系统还包括：主控模块控制，所述主控模块根据交通低排放的演化控制结果产生交通信号控制方案或者演化学习初始时利用预设的交通信号控制方案，对所述虚拟信号机进行交通信号配时；所述交通信号控制方案中包含了由虚拟车辆的平均延误、以及一氧化碳、二氧化氮和二氧化硫平均排放量决定的奖赏指标；
所述虚拟车辆的平均延误、以及一氧化碳、二氧化氮和二氧化硫平均排放量越小，奖赏越高；
奖赏的计算公式为：
Figure FDA0003830739030000031
其中，w1、w2分别表示虚拟交叉口车辆平均延误和平均排放量的重要性，w1+w2＝1；d表示虚拟交叉口车辆平均延误；eco、comax分别表示虚拟车辆一氧化碳的平均排放量、大气中一氧化碳的最大值；eno、nomax分别表示虚拟车辆二氧化氮的平均排放量、大气中二氧化氮的最大值；eso、somax分别表示虚拟车辆二氧化硫的平均排放量、大气中二氧化硫的最大值；
所述预定的查找表包括：排队状态集合X、与所述排队状态集合对应的相位绿灯配时集合A，以及排队状态集合X与相位绿灯配时集合A对应的评价值集合Q(X，A)，其中，排队状态集合X为0-最大排队长度，与所述排队状态集合对应的相位绿灯配时集合A为0-最大绿灯时间；
查找表中的评价值采用如下公式更新：
Figure FDA0003830739030000041
其中，所述
Figure FDA0003830739030000042
表示在状态X的各相位绿灯配时集合，j的数量由各相位绿灯配时方案最大个数Nmax确定，即j∈{1,2,…,Nmax}；集合Y表示执行当前最佳相位绿灯配时后，各个相位所控制道路的排队状态；rj为对应的奖赏R；γ为预设的折扣因子；α表示学习率，根据状态X在自学习过程中出现的次数m进行计算，表示为
Figure FDA0003830739030000043
该系统还包括：
微观跟驰行为模块，由微观跟驰模型实现，用于各虚拟车辆在所在道路行驶时，根据前车速度、车辆间距、本车速度，确定下一时刻的加速度或减速度；
微观排放行为模块，由微观排放模型实现，用于推算各虚拟车辆的排放量：根据虚拟车辆的车型大小、虚拟车辆的速度、减速度、加速度以及怠速，调用虚拟车辆的排放模型，计算一氧化碳、二氧化氮和二氧化硫排放量。
CN201910312976.5A 2019-04-18 2019-04-18 一种交通低排放的演化调控方法及系统 Active CN110070222B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910312976.5A CN110070222B (zh) 2019-04-18 2019-04-18 一种交通低排放的演化调控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910312976.5A CN110070222B (zh) 2019-04-18 2019-04-18 一种交通低排放的演化调控方法及系统

Publications (2)

Publication Number Publication Date
CN110070222A CN110070222A (zh) 2019-07-30
CN110070222B true CN110070222B (zh) 2022-10-14

Family

ID=67368007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910312976.5A Active CN110070222B (zh) 2019-04-18 2019-04-18 一种交通低排放的演化调控方法及系统

Country Status (1)

Country Link
CN (1) CN110070222B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111125862B (zh) * 2019-09-27 2023-12-26 长安大学 一种基于遗传算法和比功率的跟驰模型排放测算方法
CN114333302B (zh) * 2021-12-15 2023-04-18 深圳先进技术研究院 全局交通优化系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761883A (zh) * 2014-01-29 2014-04-30 中国科学技术大学 一种交通信号控制的自学习方法及系统
CN105243855A (zh) * 2015-09-28 2016-01-13 大连理工大学 一种减少机动车尾气排放的交叉口信号配时优化方法
CN106205123A (zh) * 2016-07-25 2016-12-07 大连理工大学 一种降低延误和排放的一体化干线交叉口群时空资源配置方法
CN108734354A (zh) * 2018-05-23 2018-11-02 吉林大学 一种城市道路信号交叉口多目标配时优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100309023A1 (en) * 2009-06-05 2010-12-09 Alexander Busch Traffic Control System

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761883A (zh) * 2014-01-29 2014-04-30 中国科学技术大学 一种交通信号控制的自学习方法及系统
CN105243855A (zh) * 2015-09-28 2016-01-13 大连理工大学 一种减少机动车尾气排放的交叉口信号配时优化方法
CN106205123A (zh) * 2016-07-25 2016-12-07 大连理工大学 一种降低延误和排放的一体化干线交叉口群时空资源配置方法
CN108734354A (zh) * 2018-05-23 2018-11-02 吉林大学 一种城市道路信号交叉口多目标配时优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于低碳交通的信号交叉口优化控制研究;王芳;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20150415;全文 *
考虑低排放低延误的交通信号优化方法;杨兆升 等;《华南理工大学学报. 自然科学版》;20151031;第43卷(第10期);全文 *
考虑排放特性的交通信号配时多目标优化研究;董文会;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20170315;全文 *

Also Published As

Publication number Publication date
CN110070222A (zh) 2019-07-30

Similar Documents

Publication Publication Date Title
CN110070222B (zh) 一种交通低排放的演化调控方法及系统
CN108734354B (zh) 一种城市道路信号交叉口多目标配时优化方法
Baker et al. V2V communication based real-world velocity predictions for improved HEV fuel economy
He et al. An adaptive variable neighborhood search ant colony algorithm for vehicle routing problem with soft time windows
Deshpande et al. In-vehicle test results for advanced propulsion and vehicle system controls using connected and automated vehicle information
CN113415288A (zh) 分段式纵向车速规划方法、装置、设备及存储介质
JP3520331B2 (ja) 交通流シミュレーション装置
Kővári et al. Reward design for intelligent intersection control to reduce emission
Wu et al. ES-CTC: A deep neuroevolution model for cooperative intelligent freeway traffic control
CN113064423B (zh) 基于优化传输信息的跟驰控制模型、方法和系统
CN108182812A (zh) 基于强化学习的城市道路交叉口生态驾驶行为优化方法
CN115204455A (zh) 适用于高速与环路交通场景的长时域驾驶行为决策方法
CN111238519B (zh) 一种基于拓扑地图和冲突消除策略的多无人车寻路方法
CN109711054B (zh) 一种基于学习的用于车辆通信的车辆轨迹生成方法
CN114701517A (zh) 基于强化学习的多目标复杂交通场景下自动驾驶解决方法
Samizadeh et al. Decision making for autonomous vehicles' strategy in triple-lane roundabout intersections
CN109559527B (zh) 一种交叉口信号配时方法、存储介质及服务器
Fussey et al. Optimisation of geofencing for mobility solutions in smart cities
Gupta Look-ahead optimization of a connected and automated 48v mild-hybrid electric vehicle
Xu et al. A traffic-in-loop simulation system for validation of emission control strategy in diesel engine
Anida et al. Driving cycle analysis for fuel rate and emissions in Kuala Terengganu city during go-to-work time
Chen et al. Development and Testing of an Integrated Energy-Efficient Vehicle Speed and Traffic Signal Controller
CN114036748A (zh) 融合安全考量的路网信控随机仿真优化方法、设备及介质
Pan et al. Energy-optimized adaptive cruise control strategy design at intersection for electric vehicles based on speed planning
Yang et al. Analysis of the Impact of Self-driving Cars on Traffic Flow

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