CN110175692B - 一种基于轨迹数据的干线交叉口协调控制方法 - Google Patents

Abstract

本发明涉及一种基于轨迹数据的干线交叉口协调控制方法，该方法采集干线交叉口车辆运行数据，分析获得车辆轨迹与相位差之间的关系，考虑交叉口排队影响因素，建立以协调车流总延误最小为目标的相位差优化模型，获得最优相位差方案，根据该最优相位差方案实现干线交叉口协调控制。与现有技术相比，本发明使用轨迹数据建立干线协调相位差优化模型，避免了固定检测数据在交通信号控制优化中存在的精度低、空间覆盖不足等问题，并进一步考虑了交叉口原始排队情况对协调效益的影响，更符合整条干线车流的实际运行情况，相比传统方法能够有效降低干线协调车流延误，提升干线协调效益。

Description

一种基于轨迹数据的干线交叉口协调控制方法

技术领域

本发明涉及干线交叉口协调控制及浮动车轨迹数据应用领域，尤其是涉及一种基于轨迹数据的干线交叉口协调控制方法。

背景技术

随着现代城市道路交通量的快速增长、路网密度的逐渐增大，交叉口之间的相关性日益明显，交叉口控制也逐渐从单个交叉口各自为政演变为各个交叉口相互关联的控制形态。干线协调控制一方面可以使干线上的车流更容易形成车队，使得交通流平稳运行，另一方面还有提高车辆在整个路网的通行效率，避免排队溢出、控制拥堵蔓延等作用。

目前的城市交通信号协调控制系统主要基于线圈、地磁等固定检测数据。固定检测数据属于“点”检测数据，只能检测交叉口或某一断面的交通信息，难以获取车流在整个干线区域的运行情况。此外，固定检测器易损坏、造价高的问题也往往导致其收集的交通信息存在精度低、完备性不足的问题。随着交通信息发布精准化与交通管理精细化的需求日益增长，仅仅基于固定检测数据的交通控制优化方法在空间覆盖以及计算精度上均存在一定不足。随着GPS技术的不断进步与广泛应用，高质量的车辆轨迹数据资源日益丰富，交通控制系统对固定检测数据的依赖将大大降低，而轨迹数据在交通控制优化中的应用正受到广泛关注。但现有研究主要基于固定检测数据或轨迹数据推算车辆到达分布、行程时间等参数，或基于仿真的方法来优化干线相位差，其实质上是间接地对车辆行驶过程进行研究，还存在一定误差。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于轨迹数据的干线交叉口协调控制方法。

本发明的目的可以通过以下技术方案来实现：

一种基于轨迹数据的干线交叉口协调控制方法，该方法采集干线交叉口车辆运行数据，分析获得车辆轨迹与相位差之间的关系，考虑交叉口排队影响因素，建立以协调车流总延误最小为目标的相位差优化模型，获得最优相位差方案，根据该最优相位差方案实现干线交叉口协调控制。

进一步地，所述相位差优化模型为基于离散场景的随机线性规划模型，所建立的目标函数表达式为：

其中，p(h)为离散场景h的发生概率，

表示离散场景h下车辆n在交叉口i的第j个转向的预测停车延误，CO_N为干线所有协调方向车辆编号集合，CO_I为干线所有协调方交叉口编号集合，CO_J为干线所有协调转向集合，Ω为样本空间。

进一步地，所述相位差优化模型的约束条件包括交叉口原始排队情况预测约束和轨迹变化情况预测约束。

进一步地，所述交叉口原始排队情况预测约束通过以下方式获得：

基于历史排队轨迹，提取交叉口原始排队情况的排队特征参数，对不同相位差下的交叉口原始排队情况进行分析，获得排队特征参数修正约束。

进一步地，所述排队特征参数修正约束的获取步骤具体包括：

11)判断交叉口原始状态是否存在排队，若是，则执行步骤12)，若否，则执行步骤13)；

12)在不同相位差方案下确定不同的排队特征参数修正，具体地，

a1)当0≤ΔF＜FQs⁰，排队特征参数修正如下所示：

nte¹＝nte⁰+ΔxdF (1)

ntm¹＝ntm⁰+ΔxdF (2)

FQe¹＝FQe⁰+ΔxdF (3)

FQs¹＝FQs⁰ (4)

nlm¹＝x-(nte¹-FQe¹)×h^t/h^s (5)

yspd＝1 (6)

a2)当FQs⁰≤ΔF＜nte⁰-(ntm⁰-nts⁰)时，排队特征参数修正如下所示：

nte¹＝nte⁰+FQs⁰ (7)

ntm¹＝ntm⁰+FQs⁰ (8)

FQe¹＝FQe⁰+ΔxdF (9)

FQs¹＝Rs+ΔxdF (10)

nlm¹＝x-(nte¹-FQe¹)×h^t/h^s (11)

yspd＝1 (12)

a3)当nte⁰-ntm⁰+nts⁰≤ΔF≤nts⁰-ntm⁰+FQe⁰时，排队特征参数修正如下所示：

nte¹＝nte⁰-ntm⁰+nts⁰ (13)

ntm¹＝nts⁰ (14)

FQe¹＝FQe⁰+ΔxdF (15)

nlm¹＝x-(nte¹-FQe¹)×h^t/h^s (16)

yspd＝0 (17)

a4)当nts⁰-ntm⁰+FQe⁰＜ΔF≤C时，排队特征参数修正如下所示：

nts¹＝nts⁰+Rs (18)

nte¹＝nte⁰+ΔF-C+Rs (19)

ntm¹＝ntm⁰+ΔF-C+Rs (20)

FQe¹＝FQe⁰+ΔxdF (21)

nlm¹＝x-(nte¹-FQe¹)×h^t/h^s (22)

yspd＝1 (23)

13)在不同相位差方案下确定不同的排队特征参数修正，具体地，

b1)当0≤ΔF≤FQs⁰-R时，排队特征参数修正如下所示：

nte¹＝nte⁰ (24)

ntm¹＝ntm⁰ (25)

yspd＝0 (26)

b2)当FQs⁰-R≤ΔF≤FQe⁰-R时，排队特征参数修正如下所示：

nte¹＝nte⁰ (27)

ntm¹＝ntm⁰ (28)

yspd＝1 (29)

b3)当FQe⁰-R＜ΔF≤FQs⁰时，排队特征参数修正如下所示：

nte¹＝nte⁰+ΔF-(FQe⁰-R)＝nte⁰+ΔxdF-FQe⁰+R (30)

ntm¹＝ntm⁰+ΔxdF-FQe⁰+R (31)

nlm⁰＝x-(nte⁰-FQe⁰)×h^t/h^s (32)

yspd＝1 (33)

b4)当FQs⁰＜ΔF＜nte⁰时，排队特征参数修正如下所示：

nte¹＝nte⁰+FQs⁰-FQe⁰+R (34)

ntm¹＝ntm⁰+FQs⁰-FQe⁰+R (35)

ntl⁰＝x-(nte⁰-FQe⁰)×h^t/h^s (36)

yspd＝1 (37)

b5)当nte⁰≤ΔF≤C时，排队特征参数修正如下所示：

nte¹＝nte⁰ (38)

ntm¹＝ntm⁰ (39)

yspd＝0 (40)

上式中，ΔF为相位差，ΔxdF为相邻两个交叉口的相对相位差，FQs⁰为原始第一辆排队车开始排队的时间，nte⁰为原始预计下一辆排队车驶离交叉口的时间，ntm⁰为原始预计下一辆排队车结束排队的时间，nts⁰为原始预计下一辆排队车开始排队的时间，FQe⁰为原始第一辆排队车结束排队的时间，nlm⁰为原始预计下一辆排队车的排队位置，C为交叉口的周期时长，nte¹为修正后预计下一辆排队车驶离交叉口的时间，ntm¹为修正后预计下一辆排队车结束排队的时间，FQe¹为修正后第一辆排队车结束排队的时间，FQs¹为修正后第一辆排队车开始排队的时间，nlm¹为修正后预计下一辆排队车的排队位置，nts¹为修正后预计下一辆排队车开始排队的时间，x为交叉口处停车线所在位置，根据上行或下行方向分别为

h^t为车辆驶离交叉口的平均车头时距，h^s为排队车头间距，yspd为是否修正后存在原始排队，Rs为交叉口协调相位红灯开始时间。

进一步地，所述轨迹变化情况预测约束中的车辆轨迹相关参数基于交叉口原始排队情况预测获得，所述轨迹变化情况预测包括车辆通过第一个交叉口时的轨迹预测和车辆通过后续交叉口时的轨迹预测。

进一步地，所述车辆通过第一个交叉口时的轨迹预测具体为：

21)判断原始轨迹是否存在停车，若是，则执行步骤22)，若否，则执行步骤23)；

22)在不同相位差方案下确定不同的车辆轨迹相关参数，具体地，

c1)当0≤ΔF＜R-da⁰时，车辆轨迹相关参数预测如下：

te¹＝te⁰+ΔF (41)

s¹＝s⁰ (42)

c2)当R-da⁰≤ΔF＜te⁰-da⁰时，车辆轨迹相关参数预测如下：

te¹＝te⁰+R-da⁰ (43)

s¹＝s⁰ (44)

c3)当te⁰-da⁰≤ΔF≤C-da⁰时，车辆轨迹相关参数预测如下：

te¹＝te⁰-da⁰ (45)

s¹＝s⁰-1 (46)

c4)当C-da⁰＜ΔF＜C时，车辆轨迹相关参数预测如下：

te¹＝te⁰+ΔF-C (47)

s¹＝s⁰ (48)

23)判断当前交叉口是否有排队，若是，则执行步骤24)，若否，则执行步骤25)；

24)在不同相位差方案下确定不同的车辆轨迹相关参数，具体地，

d1)当0≤te⁰≤FQs¹时，车辆轨迹相关参数预测如下：

te¹＝te⁰+R (49)

s¹＝s⁰+1 (50)

d2)当FQs¹＜te⁰≤nts¹时，车辆轨迹相关参数预测如下：

ts¹＝ts⁰-(ts⁰-FQs¹)×h^s/(h^t×v) (51)

te¹＝FQs¹+(ts¹-FQs¹)×(nte¹-FQe¹)/(nts¹-FQs¹) (52)

s¹＝s⁰+1 (53)

d3)当nts¹＜te⁰＜nte¹时，车辆轨迹相关参数预测如下：

te¹＝nte¹ (54)

s¹＝s⁰+1 (55)

d4)当nte¹≤te⁰≤C时，车辆轨迹相关参数预测如下：

te¹＝te⁰ (56)

s¹＝s⁰ (57)

25)在不同相位差方案下确定不同的车辆轨迹相关参数，具体地，

e1)当0≤te⁰＜R时，车辆轨迹相关参数预测如下：

te¹＝R (58)

s¹＝s⁰+1 (59)

e2)当R≤te⁰≤C时，车辆轨迹相关参数预测如下：

te¹＝te⁰ (60)

s¹＝s⁰ (61)

上式中，R为红灯时长，da⁰为原始停车延误，te⁰为原始车辆离开交叉口的时间，s⁰为原始停车次数，te¹为预测车辆离开交叉口的时间，s¹为预测停车次数，v为车的行驶速度。

进一步地，所述车辆通过后续交叉口时的轨迹预测具体为：

根据各个交叉口排队情况的修正结果，对比车辆原始到达交叉口的时间与交叉口排队情况的关系，以原始轨迹不存在停车情况预测获得车辆轨迹相关参数。

与现有技术相比，本发明以干线交叉口群为控制对象，建立基于车辆轨迹数据的干线协调控制优化模型，使优化结果更符合整条干线车流的实际运行情况，能够有效提升干线协调效益，具有以如下有益效果：

1)该方法使用轨迹数据建立干线协调相位差优化模型，避免了固定检测数据在交通信号控制优化中存在的精度低、空间覆盖不足等问题，不仅能有效提升干线协调效益，还有助于降低交通信号控制系统对于固定检测器的依赖性，降低交通信号控制系统的应用成本，提升系统的空间覆盖范围与计算精度。

2)与以往基于流量、到达分布的相位差优化模型不同，本发明直接基于车辆轨迹数据，通过建立车辆轨迹与相位差之间的关系，计算获得使车辆轨迹运行情况最佳的相位差方案，更符合整条干线车流的实际运行情况。

3)交叉口原始排队问题对干线协调控制优化具有重要影响。基于历史排队数据对各周期的排队特征值进行估计，建立了交叉口原始排队修正子模型，并进一步考虑了排队问题的随机性，使方法能够更好地适应不同干线车流条件，具有更好的鲁棒性。本发明考虑了交叉口原始排队情况对协调效益的影响，更符合整条干线车流的实际运行情况，相比传统方法能够有效降低干线协调车流延误，提升干线协调效益。

4)仿真、实际案例结果均表明本发明具有较好的效益，其相对原始方案、传统MULTIBAND模型及Synchro软件方案均有一定程度的效益提升。仿真案例表明，在不同流量情况下，本相位差优化模型求解结果相对未协调控制的方案延误降低约20％～30％；相对传统MULTIBAND模型方案，延误降低约4～6％；而相对Synchro软件输出的方案，延误降低约7～9％。而实际案例表明，本相位差优化模型结果相对于原方案能够降低13～15％的车辆延误。

附图说明

图1为本发明的原理示意图；

图2为实施例中模型输出的车辆轨迹图，其中，(a)为原始相位差下的上行方向示意图，(b)为原始相位差下的下行方向示意图，(c)为最优相位差下的上行方向示意图，(d)为最优相位差下的下行方向示意图；

图3为不同流量下各方案对应的车均延误对比图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

车辆轨迹数据作为“线”检测数据，可以提供连续的、路段的甚至整个路网的交通信息，包含了许多固定检测器未覆盖地区的丰富时空信息。利用海量轨迹数据，通过轨迹数据与道路设施数据、信号配时数据的关联匹配，将其有效应用于城市交通信号控制优化，是深入挖掘轨迹数据价值的重要方向。本发明提供一种基于轨迹数据的干线交叉口协调控制方法，该方法采集干线交叉口车辆运行数据，分析获得车辆轨迹与相位差之间的关系，考虑交叉口排队影响因素，建立以协调车流总延误最小为目标的相位差优化模型，获得最优相位差方案，根据该最优相位差方案实现干线交叉口协调控制。该方法利用轨迹数据建立干线协调相位差优化模型，避免了固定检测数据在交通信号控制优化中存在的精度低、空间覆盖不足等问题，并进一步考虑了交叉口原始排队情况对协调效益的影响，更符合整条干线车流的实际运行情况，相比传统方法能够有效降低干线协调车流延误，提升干线协调效益。

如图1所示，本发明建立的以协调车流总延误最小为目标的相位差优化模型包括交叉口原始排队修正子模型和车辆轨迹预测子模型，具体建立过程包括：

A、基于历史排队轨迹，提取交叉口原始排队情况的特征参数，对不同相位差下的交叉口原始排队情况进行分析，并进一步考虑交叉口原始排队问题的随机性，建立交叉口原始排队修正子模型；

B、在交叉口原始排队修正的基础上，建立车辆轨迹预测子模型对车辆在不同相位差方案下的轨迹变化情况进行预测；

C、在对不同相位差下车辆轨迹预测的基础上，对不同相位差下的车流延误进行预测，建立以协调车流总延误最小为目标的相位差优化模型，并交叉口原始排队情况预测约束和轨迹变化情况预测约束作为模型约束条件。

交叉口原始排队修正子模型能够对交叉口的原始排队情况进行提取与修正，有效预测不同相位差方案下交叉口原始排队的变化情况，具体排队修正步骤包括：

11)判断交叉口原始状态是否存在排队，若是，则执行步骤12)，若否，则执行步骤13)；

12)在不同相位差方案下确定不同的排队特征参数修正，具体地，

a1)当0≤ΔF＜FQs⁰，排队特征参数修正如下所示：

nte¹＝nte⁰+ΔxdF (1)

ntm¹＝ntm⁰+ΔxdF (2)

FQe¹＝FQe⁰+ΔxdF (3)

FQs¹＝FQs⁰ (4)

nlm¹＝x-(nte¹-FQe¹)×h^t/h^s (5)

yspd＝1 (6)

a2)当FQs⁰≤ΔF＜nte⁰-(ntm⁰-nts⁰)时，排队特征参数修正如下所示：

nte¹＝nte⁰+FQs⁰ (7)

ntm¹＝ntm⁰+FQs⁰ (8)

FQe¹＝FQe⁰+ΔxdF (9)

FQs¹＝Rs+ΔxdF (10)

nlm¹＝x-(nte¹-FQe¹)×h^t/h^s (11)

yspd＝1 (12)

a3)当nte⁰-ntm⁰+nts⁰≤ΔF≤nts⁰-ntm⁰+FQe⁰时，排队特征参数修正如下所示：

nte¹＝nte⁰-ntm⁰+nts⁰ (13)

ntm¹＝nts⁰ (14)

FQe¹＝FQe⁰+ΔxdF (15)

nlm¹＝x-(nte¹-FQe¹)×h^t/h^s (16)

yspd＝0 (17)

a4)当nts⁰-ntm⁰+FQe⁰＜ΔF≤C时，排队特征参数修正如下所示：

nts¹＝nts⁰+Rs (18)

nte¹＝nte⁰+ΔF-C+Rs (19)

ntm¹＝ntm⁰+ΔF-C+Rs (20)

FQe¹＝FQe⁰+ΔxdF (21)

nlm¹＝x-(nte¹-FQe¹)×h^t/h^s (22)

yspd＝1 (23)

13)在不同相位差方案下确定不同的排队特征参数修正，具体地，

b1)当0≤ΔF≤FQs⁰-R时，排队特征参数修正如下所示：

nte¹＝nte⁰ (24)

ntm¹＝ntm⁰ (25)

yspd＝0 (26)

b2)当FQs⁰-R≤ΔF≤FQe⁰-R时，排队特征参数修正如下所示：

nte¹＝nte⁰ (27)

ntm¹＝ntm⁰ (28)

yspd＝1 (29)

b3)当FQe⁰-R＜ΔF≤FQs⁰时，排队特征参数修正如下所示：

nte¹＝nte⁰+ΔF-(FQe⁰-R)＝nte⁰+ΔxdF-FQe⁰+R (30)

ntm¹＝ntm⁰+ΔxdF-FQe⁰+R (31)

nlm⁰＝x-(nte⁰-FQe⁰)×h^t/h^s (32)

yspd＝1 (33)

b4)当FQs⁰＜ΔF＜nte⁰时，排队特征参数修正如下所示：

nte¹＝nte⁰+FQs⁰-FQe⁰+R (34)

ntm¹＝ntm⁰+FQs⁰-FQe⁰+R (35)

ntl⁰＝x-(nte⁰-FQe⁰)×h^t/h^s (36)

yspd＝1 (37)

b5)当nte⁰≤ΔF≤C时，排队特征参数修正如下所示：

nte¹＝nte⁰ (38)

ntm¹＝ntm⁰ (39)

yspd＝0 (40)

车辆轨迹预测子模型能够有效描述轨迹与相位差之间的关系，预测不同相位差方案下的车辆轨迹变化情况，轨迹变化情况预测考虑车辆通过第一个交叉口时的轨迹预测和车辆通过后续交叉口时的轨迹预测两部分。

所述车辆通过第一个交叉口时的轨迹预测具体为：

21)判断原始轨迹是否存在停车，若是，则执行步骤22)，若否，则执行步骤23)；

22)在不同相位差方案下确定不同的车辆轨迹相关参数，具体地，

c1)当0≤ΔF＜R-da⁰时，车辆轨迹相关参数预测如下：

te¹＝te⁰+ΔF (41)

s¹＝s⁰ (42)

c2)当R-da⁰≤ΔF＜te⁰-da⁰时，车辆轨迹相关参数预测如下：

te¹＝te⁰+R-da⁰ (43)

s¹＝s⁰ (44)

c3)当te⁰-da⁰≤ΔF≤C-da⁰时，车辆轨迹相关参数预测如下：

te¹＝te⁰-da⁰ (45)

s¹＝s⁰-1 (46)

c4)当C-da⁰＜ΔF＜C时，车辆轨迹相关参数预测如下：

te¹＝te⁰+ΔF-C (47)

s¹＝s⁰ (48)

23)判断当前交叉口是否有排队，若是，则执行步骤24)，若否，则执行步骤25)；

24)在不同相位差方案下确定不同的车辆轨迹相关参数，具体地，

d1)当0≤te⁰≤FQs¹时，车辆轨迹相关参数预测如下：

te¹＝te⁰+R (49)

s¹＝s⁰+1 (50)

d2)当FQs¹＜te⁰≤nts¹时，车辆轨迹相关参数预测如下：

ts¹＝ts⁰-(ts⁰-FQs¹)×h^s/(h^t×v) (51)

te¹＝FQs¹+(ts¹-FQs¹)×(nte¹-FQe¹)/(nts¹-FQs¹) (52)

s¹＝s⁰+1 (53)

d3)当nts¹＜te⁰＜nte¹时，车辆轨迹相关参数预测如下：

te¹＝nte¹ (54)

s¹＝s⁰+1 (55)

d4)当nte¹≤te⁰≤C时，车辆轨迹相关参数预测如下：

te¹＝te⁰ (56)

s¹＝s⁰ (57)

25)在不同相位差方案下确定不同的车辆轨迹相关参数，具体地，

e1)当0≤te⁰＜R时，车辆轨迹相关参数预测如下：

te¹＝R (58)

s¹＝s⁰+1 (59)

e2)当R≤te⁰≤C时，车辆轨迹相关参数预测如下：

te¹＝te⁰ (60)

s¹＝s⁰ (61)

上式中，R为红灯时长，da⁰为原始停车延误，te⁰为原始车辆离开交叉口的时间，s⁰为原始停车次数，te¹为预测车辆离开交叉口的时间，s¹为预测停车次数，v为车的行驶速度。

所述车辆通过后续交叉口时的轨迹预测具体为：

根据各个交叉口排队情况的修正结果，对比车辆原始到达交叉口的时间与交叉口排队情况的关系，以原始轨迹不存在停车情况预测获得车辆轨迹相关参数。

车辆n从上一交叉口预计离开的时间为

假设车辆平均行驶速度为v_n，两个交叉口间距为X_i+1。则预计车辆到达下一交叉口的时间为：

根据之前对各个交叉口排队情况的修正结果，对比车辆原始到达交叉口的时间

与交叉口排队情况的关系，可以判断该车在当前相位差下是否会发生停车。对于该情况下车辆轨迹的预测方法与上述车辆通过第一个交叉口时的情形2(原始轨迹未发生停车)相同。根据交叉口排队可能存在有排队和无排队两种情况，分别如式(49)～(57)、式(58)～(61)进行预测，此处不再赘述。

在对不同相位差下车辆轨迹预测的基础上，对不同相位差下的车流延误进行预测，延误计算模型如下：

当车辆原始轨迹无停车时，车辆原始轨迹未发生停车，故其原始到达交叉口停车线的时间即为原始驶离交叉口的时间

当车辆原始轨迹有停车时，需要排除车辆在交叉口原始相位差下发生的延误，故车辆实际到达交叉口停车线的时间为原始驶离交叉口的时间

减去车辆的原始延误

基于上述内容，通过模型线性化处理，可以构建以延误最小为目标函数的相位差优化模型，该模型由目标函数式(66)和约束(1)～(65)构成，是一个线性混合整数规划问题：

min f＝∑_n∑_i∑_jda_n，i，j (66)

轨迹n：da_n，i，j＝f(F₁，F₂，...，F_NI) (67)

为进一步考虑交叉口排队长度的随机性，将原始的确定性优化模型转化成随机线性规划问题。本发明选用基于场景(Scenario)的方法即将随机变量FQs⁰、nts⁰、ntm⁰、ntl⁰、nte⁰离散成一个个具有确切取值的场景h，每个场景h对应随机变量的取值为FQs^h、nts^h、ntm^h、ntl^h、nte^h，即用多个离散的场景h，去描述随机变量的分布。每个场景h下随机变量的取值，可以基于历史浮动车轨迹通过计算排队长度分布获得。令样本空间为Ω，则对于任意h∈Ω，发生的概率为p(h)。不同场景下的干线协调目标函数f的取值也有所不同，而最终优化的到的协调相位差方案需要使得f的加权平均最小，即平均每辆车的延误最小。令场景h对应的干线协调目标函数取值为f^h，相位差随机优化模型如下：

目标：

S.T.(1)～(65)

其中，决策变量包括：

相位差方案F_i(i＝1，2，...，NI)；

交叉口排队长度修正相关变量：

等；

车辆轨迹预测相关变量：

等。上述各公式中的变量说明如表1所示。

表1变量说明

图2为在应用案例中本发明输出的车辆轨迹图。经过优化后上下行的车辆的行驶轨迹更加平顺，更多的车辆可以不停车或者只停一次车就能通过整条干线。总体而言，干线车辆的延误、停车次数、排队长度均有所减少。

图3为本发明与其他方法在不同流量情况下的结果对比图。在各种流量情况下，本模型相对于原始方案，车均延误均有显著的降低，降低比例基本在20％～30％左右。而相对与其他相位差优化模型，如MULTIBAND模型、Synchro软件求得的相位差方案，本文模型在不同流量情况下也仍保持一定的优势。相对MULTIBAND模型输出的方案，本文模型获得的优化方案能够使得延误下降约4～6％；而相对Synchro软件输出的方案，本文模型获得的优化方案能够使得延误下降约7～9％。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (2)

1.一种基于轨迹数据的干线交叉口协调控制方法，其特征在于，该方法采集干线交叉口车辆运行数据，分析获得车辆轨迹与相位差之间的关系，考虑交叉口排队影响因素，建立以协调车流总延误最小为目标的相位差优化模型，获得最优相位差方案，根据该最优相位差方案实现干线交叉口协调控制，所述相位差优化模型的约束条件包括交叉口原始排队情况预测约束和轨迹变化情况预测约束；

所述相位差优化模型为基于离散场景的随机线性规划模型，所建立的目标函数表达式为：

其中，p(h)为离散场景h的发生概率，

表示离散场景h下车辆n在交叉口i的第j个转向的预测停车延误，CO_N为干线所有协调方向车辆编号集合，CO_I为干线所有协调方交叉口编号集合，CO_J为干线所有协调转向集合，Ω为样本空间；

所述交叉口原始排队情况预测约束通过以下方式获得：

基于历史排队轨迹，提取交叉口原始排队情况的排队特征参数，对不同相位差下的交叉口原始排队情况进行分析，获得排队特征参数修正约束；

所述排队特征参数修正约束的获取步骤具体包括：

11)判断交叉口原始状态是否存在排队，若是，则执行步骤12)，若否，则执行步骤13)；

12)在不同相位差方案下确定不同的排队特征参数修正，具体地，

a1)当0≤ΔF＜FQs⁰，排队特征参数修正如下所示：

nte¹＝nte⁰+ΔxdF (1)

ntm¹＝ntm⁰+ΔxdF (2)

FQe¹＝FQe⁰+ΔxdF (3)

FQs¹＝FQs⁰ (4)

nlm¹＝x-(nte¹-FQe¹)×h^t/h^s (5)

yspd＝1 (6)

a2)当FQs⁰≤ΔF＜nte⁰-(ntm⁰-nts⁰)时，排队特征参数修正如下所示：

nte¹＝nte⁰+FQs⁰ (7)

ntm¹＝ntm⁰+FQs⁰ (8)

FQe¹＝FQe⁰+ΔxdF (9)

FQs¹＝Rs+ΔxdF (10)

nlm¹＝x-(nte¹-FQe¹)×h^t/h^s (11)

yspd＝1 (12)

a3)当nte⁰-ntm⁰+nts⁰≤ΔF≤nts⁰-ntm⁰+FQe⁰时，排队特征参数修正如下所示：

nte¹＝nte⁰-ntm⁰+nts⁰ (13)

ntm¹＝nts⁰ (14)

FQe¹＝FQe⁰+ΔxdF (15)

nlm¹＝x-(nte¹-FQe¹)×h^t/h^s (16)

yspd＝0 (17)

a4)当nts⁰-ntm⁰+FQe⁰＜ΔF≤C时，排队特征参数修正如下所示：

nts¹＝nts⁰+Rs (18)

nte¹＝nte⁰+ΔF-C+Rs (19)

ntm¹＝ntm⁰+ΔF-C+Rs (20)

FQe¹＝FQe⁰+ΔxdF (21)

nlm¹＝x-(nte¹-FQe¹)×h^t/h^s (22)

yspd＝1 (23)

13)在不同相位差方案下确定不同的排队特征参数修正，具体地，

b1)当0≤ΔF≤FQs⁰-R时，排队特征参数修正如下所示：

nte¹＝nte⁰ (24)

ntm¹＝ntm⁰ (25)

yspd＝0 (26)

b2)当FQs⁰-R≤ΔF≤FQe⁰-R时，排队特征参数修正如下所示：

nte¹＝nte⁰ (27)

ntm¹＝ntm⁰ (28)

yspd＝1 (29)

b3)当FQe⁰-R＜ΔF≤FQs⁰时，排队特征参数修正如下所示：

nte¹＝nte⁰+ΔF-(FQe⁰-R)＝nte⁰+ΔxdF-FQe⁰+R (30)

ntm¹＝ntm⁰+ΔxdF-FQe⁰+R (31)

nlm⁰＝x-(nte⁰-FQe⁰)×h^t/h^s (32)

yspd＝1 (33)

b4)当FQs⁰＜ΔF＜nte⁰时，排队特征参数修正如下所示：

nte¹＝nte⁰+FQs⁰-FQe⁰+R (34)

ntm¹＝ntm⁰+FQs⁰-FQe⁰+R (35)

ntl⁰＝x-(nte⁰-FQe⁰)×h^t/h^s (36)

yspd＝1 (37)

b5)当nte⁰≤ΔF≤C时，排队特征参数修正如下所示：

nte¹＝nte⁰ (38)

ntm¹＝ntm⁰ (39)

yspd＝0 (40)

上式中，ΔF为相位差，ΔxdF为相邻两个交叉口的相对相位差，FQs⁰为原始第一辆排队车开始排队的时间，nte⁰为原始预计下一辆排队车驶离交叉口的时间，ntm⁰为原始预计下一辆排队车结束排队的时间，nts⁰为原始预计下一辆排队车开始排队的时间，FQe⁰为原始第一辆排队车结束排队的时间，nlm⁰为原始预计下一辆排队车的排队位置，C为交叉口的周期时长，nte¹为修正后预计下一辆排队车驶离交叉口的时间，ntm¹为修正后预计下一辆排队车结束排队的时间，FQe¹为修正后第一辆排队车结束排队的时间，FQs¹为修正后第一辆排队车开始排队的时间，nlm¹为修正后预计下一辆排队车的排队位置，nts¹为修正后预计下一辆排队车开始排队的时间，x为交叉口处停车线所在位置，h^t为车辆驶离交叉口的平均车头时距，h^s为排队车头间距，yspd为是否修正后存在原始排队，Rs为交叉口协调相位红灯开始时间，R为红灯时长；

所述轨迹变化情况预测约束中的车辆轨迹相关参数基于交叉口原始排队情况预测获得，所述轨迹变化情况预测包括车辆通过第一个交叉口时的轨迹预测和车辆通过后续交叉口时的轨迹预测；

所述车辆通过第一个交叉口时的轨迹预测具体为：

21)判断原始轨迹是否存在停车，若是，则执行步骤22)，若否，则执行步骤23)；

22)在不同相位差方案下确定不同的车辆轨迹相关参数，具体地，

c1)当0≤ΔF＜R-da⁰时，车辆轨迹相关参数预测如下：

te¹＝te⁰+ΔF (41)

s¹＝s⁰ (42)

c2)当R-da⁰≤ΔF＜te⁰-da⁰时，车辆轨迹相关参数预测如下：

te¹＝te⁰+R-da⁰ (43)

s¹＝s⁰ (44)

c3)当te⁰-da⁰≤ΔF≤C-da⁰时，车辆轨迹相关参数预测如下：

te¹＝te⁰-da⁰ (45)

s¹＝s⁰-1 (46)

c4)当C-da⁰＜ΔF＜C时，车辆轨迹相关参数预测如下：

te¹＝te⁰+ΔF-C (47)

s¹＝s⁰ (48)

23)判断当前交叉口是否有排队，若是，则执行步骤24)，若否，则执行步骤25)；

24)在不同相位差方案下确定不同的车辆轨迹相关参数，具体地，

d1)当0≤te⁰≤FQs¹时，车辆轨迹相关参数预测如下：

te¹＝te⁰+R (49)

s¹＝s⁰+1 (50)

d2)当FQs¹＜te⁰≤nts¹时，车辆轨迹相关参数预测如下：

ts¹＝ts⁰-(ts⁰-FQs¹)×h^s/(h^t×v) (51)

te¹＝FQs¹+(ts¹-FQs¹)×(nte¹-FQe¹)/(nts¹-FQs¹) (52)

s¹＝s⁰+1 (53)

d3)当nts¹＜te⁰＜nte¹时，车辆轨迹相关参数预测如下：

te¹＝nte¹ (54)

s¹＝s⁰+1 (55)

d4)当nte¹≤te⁰≤C时，车辆轨迹相关参数预测如下：

te¹＝te⁰ (56)

s¹＝s⁰ (57)

25)在不同相位差方案下确定不同的车辆轨迹相关参数，具体地，

e1)当0≤te⁰＜R时，车辆轨迹相关参数预测如下：

te¹＝R (58)

s¹＝s⁰+1 (59)

e2)当R≤te⁰≤C时，车辆轨迹相关参数预测如下：

te¹＝te⁰ (60)

s¹＝s⁰ (61)

上式中，R为红灯时长，da⁰为原始停车延误，te⁰为原始车辆离开交叉口的时间，s⁰为原始停车次数，te¹为预测车辆离开交叉口的时间，s¹为预测停车次数，v为车的行驶速度。

2.根据权利要求1所述的基于轨迹数据的干线交叉口协调控制方法，其特征在于，所述车辆通过后续交叉口时的轨迹预测具体为：

根据各个交叉口排队情况的修正结果，对比车辆原始到达交叉口的时间与交叉口排队情况的关系，以原始轨迹不存在停车情况预测获得车辆轨迹相关参数。

Images