CN110580814B - 一种交通信号灯的配时方法和装置 - Google Patents
一种交通信号灯的配时方法和装置 Download PDFInfo
- Publication number
- CN110580814B CN110580814B CN201911003081.XA CN201911003081A CN110580814B CN 110580814 B CN110580814 B CN 110580814B CN 201911003081 A CN201911003081 A CN 201911003081A CN 110580814 B CN110580814 B CN 110580814B
- Authority
- CN
- China
- Prior art keywords
- road
- representing
- time
- preset
- traffic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 claims abstract description 69
- 230000001413 cellular effect Effects 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 206010021033 Hypomenorrhoea Diseases 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 13
- 238000005096 rolling process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开实施例提供了一种交通信号灯的配时方法和装置。该方法包括:获取城市道路交通网络,并获取所述城市道路交通网络中每个路段上车辆的迭代关系式;根据预设的优化目标和预设的约束条件,建立优化模型,其中,所述预设的优化目标包括所述城市道路交通网络中所有交叉口在预设的信号灯周期内总延误的值最小,所述预设的约束条件包括所述城市道路交通网络中每条道路上的车辆数目不超过预设的负载;将所述预设的信号灯周期分成多个时段,所述多个时段中每个时段包括2个信号灯周期;以及将城市道路交通网络分割成多个子网络,在所述每个时段内,对所述每个子网络进行优化。
Description
技术领域
本公开涉及信号灯控制领域,尤其涉及一种交通信号灯的配时方法和装置。
背景技术
近年来,随着人民生活水平的大幅提高,车辆数目也随之剧增。然而,由于城市道路增长有限、道路设施建设滞后、交叉口渠化组织不科学、交通信号控制不协调等原因,车辆剧增引发的环境污染、资源浪费和交通拥堵现象日益严重。
对于大规模城市道路交通网络,现有的交通信号灯配时方式通常需要大量的运算,使得难以实现对交通信号灯的实时控制。
发明内容
本公开实施例提供了一种交通信号灯配时方法和装置,用于解决大规模城市道路交通网络中,交叉口处车辆延误较多导致的通行效率低下问题。
根据本公开第一方面,提供了一种交通信号灯配时方法,包括:获取城市道路交通网络,并获取城市道路交通网络中每个路段上车辆的迭代关系式;根据预设的优化目标和预设的约束条件,建立优化模型,其中,预设的优化目标包括城市道路交通网络中所有交叉口在预设的信号灯周期内总延误的值最小,预设的约束条件包括城市道路交通网络中每条道路上的车辆数目不超过预设的负载;将预设的信号灯周期分成多个时段,多个时段中每个时段包括2个信号灯周期;以及将城市道路交通网络分割成多个子网络,在每个时段内,对每个子网络进行优化。
可选地,多个子网络中的每个子网络只能与其相邻子网络进行通信,以获得相邻子网络中车辆输入信息和车辆输出信息。
可选地,预设的优化目标和预设的约束条件包括:
其中,dij(k)表示第一方向的道路lij在k时刻的车辆延误,nij(k)表示第一方向的道路lij在k时刻的车辆数目,Gij表示第一方向的道路lij的最大承载量,dij(k)表示第二方向的道路lij在k时刻的车辆延误,nij(k)表示第二方向的道路lij在k时刻的车辆数目,Gij表示第二方向的道路lij的最大承载量,Θ(k)表示k时刻所有交叉口处绿信比组成的列向量;M表示第一方向的交叉口数量,N表示第二方向的交叉口数量,K表示待优化的信号灯周期数目,第一方向和第二方向呈第一角度。
可选地,获取城市道路交通网络中每个路段上车辆的迭代关系式包括:
根据元胞传输模型中车辆密度与交通流的关系获取城市道路交通网络中每个路段上车辆的迭代关系式;
其中,元胞传输模型中车辆密度与交通流的关系包括:
其中,ρij(k)表示第一方向的道路lij在k时刻的车辆密度,fij(k)表示第一方向的道路lij在k时刻的交通流,ρij(k)表示第二方向的道路lij在k时刻的车辆密度,fij(k)表示第二方向的道路lij在k时刻的交通流,M表示第一方向的交叉口数量,N表示第二方向的交叉口数量,K表示待优化的信号灯周期数目。
可选地,交通流包括:
fi,j+1(k)=ρij(k)vfTθij(k),
fi+1,j(k)=ρij(k)vfT(1-θij(k)),
其中,vf表示车辆速度,T表示一个信号灯周期时长,θij(k)表示第一方向的道路lij处交叉口在k时刻的绿信比。根据本公开第二方面,提供了一种交通信号灯配时装置,包括:获取模块,用于获取城市道路交通网络,并获取城市道路交通网络中每个路段上车辆的迭代关系式;优化模型建立模块,用于根据预设的优化目标和预设的约束条件,建立优化模型,其中,预设的优化目标包括城市道路交通网络中所有交叉口在预设的信号灯周期内总延误的值最小,预设的约束条件包括城市道路交通网络中每条道路上的车辆数目不超过预设的负载;分段模块,用于将预设的信号灯周期分成多个时段,多个时段中每个时段包括2个信号灯周期;以及优化模块,用于将城市道路交通网络分割成多个子网络,在每个时段内,对每个子网络进行优化。
可选地,多个子网络中的每个子网络只能与其相邻子网络进行通信,以获得相邻子网络中车辆输入信息和车辆输出信息。
可选地,预设的优化目标和预设的约束条件包括:
其中,dij(k)表示第一方向的道路lij在k时刻的车辆延误,nij(k)表示第一方向的道路lij在k时刻的车辆数目,Gij表示第一方向的道路lij的最大承载量,dij(k)表示第二方向的道路lij在k时刻的车辆延误,nij(k)表示第二方向的道路lij在k时刻的车辆数目,Gij表示第二方向的道路lij的最大承载量,Θ(k)表示k时刻所有交叉口处绿信比组成的列向量;M表示第一方向的交叉口数量,N表示第二方向的交叉口数量,K表示待优化的信号灯周期数目,第一方向和第二方向呈第一角度。
可选地,获取模块用于根据元胞传输模型中车辆密度与交通流的关系获取城市道路交通网络中每个路段上车辆的迭代关系式。
元胞传输模型中车辆密度与交通流的关系包括:
其中,ρij(k)表示第一方向的道路lij在k时刻的车辆密度,fij(k)表示第一方向的道路lij在k时刻的交通流,ρij(k)表示第二方向的道路lij在k时刻的车辆密度,fij(k)表示第二方向的道路lij在k时刻的交通流,M表示第一方向的交叉口数量,N表示第二方向的交叉口数量,K表示待优化的信号灯周期数目。
可选地,交通流包括:
fi,j+1(k)=ρij(k)vfTθij(k),
fi+1,j(k)=ρij(k)vfT(1-θij(k)),
其中,vf表示车辆速度,T表示一个信号灯周期时长,θij(k)表示第一方向的道路lij处交叉口在k时刻的绿信比(绿灯时间和周期时长的比值)。
本公开的实施例提供的技术方案可以包括以下有益效果:
在本公开实施例中,获取城市道路交通网络,并获取城市道路交通网络中每个路段上车辆的迭代关系式,根据预设的优化目标和预设的约束条件,建立优化模型,将预设的信号灯周期分成多个时段,以及将城市道路交通网络分割成多个子网络,在每个时段内,对每个子网络进行优化。本公开可以在保证理论求解的前提下,利用局部的分布式计算和并行计算来减少计算量,提高运算效率。同时,本公开在具体实施时仅需获取初始时刻各路段上的车辆数目作为全局输入以预测交通流状况,单一输入量可以极大的降低操作复杂度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本公开实施例的一种交通信号灯配时的方法的流程图;
图2是根据本公开实施例的元胞传输模型中车辆密度与车流量示意图;
图3是根据本公开实施例的城市道路交通网络示意图;
图4是边缘节点与非边缘节点区分示意图;
图5是根据本公开实施例的区域化的城市道路交通网络示意图;
图6是根据本公开实施例的道路场景示意图;
图7是根据本公开实施例的道路场景的一种分割方式示意图;
图8是根据本公开实施例的优化效果对比示意图;
图9是本公开实施例的一种交通信号灯的配时装置的示意图。
具体实施方式
下面详细描述本公开的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本公开,而不能理解为对本公开的限制。
下面参考附图描述本公开实施例的交通信号灯的配时方法及装置。
在相关技术中,主要包括定时控制,感应控制和自适应控制等三种交通信号灯的设置方法。定时控制方法包括“交通网络研究工具”(Traffic Network Study Tool,TRANSYT)和“最大化绿波带宽”(Maximize Bandwidth,MAXBAND)方法,这两种方法基于历史数据,为每天的不同时段设置固定的交通信号灯配时方案。然而,在车流出现不同于历史数据的大幅波动时,定时控制方法不具备调整能力,使得其可靠性较差。感应控制方法通过在路口安装传感器来获取交通数据,进而优化交通信号灯的配时,但这种方法忽略了相邻路口对当前路口的影响,而相邻路口间的车流量通常具有相关性。自适应控制方法包括“绿信比、周期、相位差优化技术”(Split Cycle Offset Optimizing Technique,SCOOT)和“悉尼自适应交通控制系统”(Sydney Coordinated Adaptive Traffic System,SCATS)方法,需要控制中心以采取全局控制,使得实时控制难以保证。
对于大规模城市道路交通网络,预测其在未来相当长时间段内的最优交通信号灯配时方案通常是一个NP难的问题,且需要很大的计算量,从而导致实时控制难以实现。
本公开提供了一种利用滚动优化的思想来求取大规模城市交通路网中每个交叉口最优绿信比的方法。通过设置相应的优化目标和约束条件,借助滚动优化技术,将交通信号灯的设置问题转化成二次规划二次约束问题,并利用分支定界法求解,同时在空间维度上将城市道路交通网络分割成多个子网络,利用每个子网络与其相邻子网络的相互通信,实现交通信号灯的最优设置。
图1是根据本公开实施例的一种交通信号灯配时的方法的流程图,如图1所述,本公开的方法包括如下步骤。
在步骤S101中,获取城市道路交通网络,并获取所述城市道路交通网络中每个路段上车辆的迭代关系式。
根据本公开实施例,对每个路口和交叉口进行标号,并假定道路为单行道(交叉口处可以转弯),同时将每个路段看成同质的元胞,可以将城市道路交通网络抽象成一个二维网络,根据元胞传输模型(Cell-Transmission Model,CTM)中车辆密度与交通流的关系,考虑“低密度”的情形,此时满足交通流与密度成正比。可以得到不同路段中,车辆密度与交通流的关系,具体如下:
其中,ρij(k)表示第一方向的道路lij在k时刻的车辆密度,fij(k)表示第一方向的道路lij在k时刻的交通流,ρij(k)表示第二方向的道路lij在k时刻的车辆密度,fij(k)表示第二方向的道路lij在k时刻的交通流。M表示第一方向的交叉口数量,N表示第二方向的交叉口数量,K表示待优化的信号灯周期数目。图2是根据本发明实施例的元胞传输模型中车辆密度与车流量示意图,如图2所示,其中,ρjam为最大密度,fmax为最大交通流,w为拥挤扰动反向传播速度。可以看出,密度与交通流是分段线性相关的:在第一阶段(低密度),密度与交通流成正比,比例系数为vf;在第二阶段(中密度),交通流保持不变;在第三阶段(高密度),密度与交通流成反比,比例系数为-w。
根据本公开一个实施例,车辆密度与交通流正线性相关时,可以得到每个路段上车流量迭代关系。具体地,对于处在边缘位置上的交叉口(图4中虚线框内的节点),可以获取车流量迭代关系如下:
对于不在边界上的交叉口(图4中虚线框外的节点),可以获取车辆数目迭代关系如下:
对于二维网络,交通流的定义如下:
fi,j+1(k)=ρij(k)vfTθij(k),
fi+1,j(k)=ρij(k)vfT(1-θij(k)),
在步骤S102中,以最小化整个城市路网中K个周期内的总车辆延误为优化目标,设置每个路段上车辆数目不能过载的约束条件,建立优化模型。
基于车辆延误的定义(当前时刻的车辆数目减去当前信号灯周期流出的车辆数目):
dij(k)=nij(k)-fi+1,j(k),dij(k)=nij(k)-fi,j+1(k),
其中,dij(k)为第一方向的道路lij在k时刻的车辆延误,dij(k)为第二方向的道路lij在k时刻的车辆延误。
建立优化模型,通过预测每个路口处交通信号灯的最优绿信比,达到最小化整个城市路网在未来K个信号灯周期总车辆延误的目标。对于每个路段,由于其长度是固定的,因此能承载的车辆数目是有限的,过多的车辆涌入会产生交通拥堵,进而导致交通瘫痪。为此,我们为不同的路段设置了不同的约束,旨在控制所有路段上的车辆数目不超过最大限度。优化目标包括所述城市道路交通网络中所有交叉口在预设K个信号灯周期内的总延误,预设的约束条件包括所述城市道路交通网络中每条道路上的车辆数目不超过预设的负载。
根据本公开实施例,预设的优化目标和预设的约束条件包括:
对于给定的K个交通信号灯周期,优化模型中的目标函数和约束条件都是K次多项式。
优化目标可以表示为:
约束条件可以表示为:
对于在城市路网边缘位置的交叉口(图4中虚线框内的节点):
对于不在城市路网边缘位置的交叉口(图4中虚线框外的节点):
显然,目标函数和约束条件都是K次多项式。
在步骤S103中,将预设K个信号灯周期分成预设的多个时段,利用滚动优化的思想,将原NP难问题转化成可以通过分支定界法理论求解的二次约束二次优化问题。
其中,多个时段中每个时段包括2个信号灯周期。
将相邻两个交通信号灯周期当作一个时段,依次对各个时段进行优化。对于每个时段,优化目标和约束条件都是二次多项式,从而可将NP难的优化问题转化成二次约束二次优化问题,并可通过分支定界法进行理论求解。以第一时段为例,优化问题的具体形式为:
由于目标函数是二次的,约束条件nij(1)≤Gij,nij(1)≤Gij,0≤Θ(0)≤1,0≤Θ(1)≤1是线性不等式,nij(2)≤Gij,nij(2)≤Gij是二次不等式。由于初始时刻各路段的车辆数nij(0),nij(0)和每个信号周期进入该路网的输入车辆δi1,δ1j是已知的,所以对于第一时段,优化问题是一个二次约束二次规划问题,可以通过分支定界法进行理论求解。得到第一时段2个信号周期的最优绿信比之后,可以根据车辆迭代关系式算出下一时段各路段上的初始车辆数,从而进行下一时段的优化。重复此步骤,便可以预测未来K个信号周期每个交叉口的最优绿信比。
当城市道路交通网络规模很大时,整个城市路网中交通信号灯的数量随之增大,导致了对于每一个二次优化问题而言,决策变量的数目巨大。从而会使得计算量较大,优化用时过长,难以保证实时性。通过将城市道路网络分割成多个子网络,每个子网络可以与其相邻的子网络相互通信,以获得输入车辆的信息。
在步骤S104中,将城市路网在空间维度上分割成几个子网络,每个子网络仅与其邻居子网络进行沟通以获得输入车辆信息,进而实现区域滚动优化。
对于第一个时段,如图5,子网络1首先根据已知的每个信号灯周期固定输入车辆进行优化,得到子网络1中各交叉口处的最优绿信比。根据交通流的表达式,可以得出在子网络1在第一时段中每个信号灯周期向子网络2和子网络3输出的车辆数。然后子网络2和子网络3同时进行优化,得到它们所包含的各交叉口处的最优绿信比。同样地,根据交通流的表达式,可以得出在子网络2和子网络3在第一时段中每个信号灯周期向子网络4输出的车辆数。最后,子网络4进行优化。由此,所有子网络的最优绿信比得到,组成了第一时段整个城市道路网络的最优交通信号灯参数。根据该上一时段最优绿信比序列,得到下一时段开始时每个路段上的车辆数,继而再次进行区域滚动优化,最终实现为整个城市道路网络预测未来一段时间内最优交通信号灯参数的目的。该算法被称之为“区域滚动优化算法”,以图5为例,该算法的具体实施步骤如下:
首先,对子网络1进行第一时段的滚动优化,根据分支定界法,得到其前两个信号周期内的最优绿信比:
那么子网络2在前两个信号周期的输入车辆数也随之确定:
与子网络2同时确定的还有子网络3的输入车辆数:
然后,子网络2和子网络3同时进行第一时段的滚动优化,分别得到前两个信号周期的最优绿信比:
那么子网络4在前两个信号周期的输入车辆数也随之确定:
最后,子网络4进行第一时段的滚动优化,得到其前两个信号周期内的最优绿信比:
至此,第一时段的区域滚动优化结束,对于整个城市道路交通网络来说,第一时段的最佳绿信比由以下两个向量组成:
根据此时所设置的各个交叉口处交通信号的绿信比,可以计算出下一时段开始时每个路段上的车辆数目,从而进行新一时段的优化,重复此步骤,便可以预测未来个信号周期每个交叉口的最优绿信比。我们选取了北京市昌平区的一处实际道路场景(图6),针对不同的分割方式(图7)进行数值实验,给出不同优化方式下,优化效果的对比(图8)。
根据本公开实施例提供的交通信号灯的配时方法,获取城市道路交通网络,并获取城市道路交通网络中每个路段上车辆的迭代关系式,根据预设的优化目标和预设的约束条件,建立优化模型,将预设的信号灯周期分成多个时段,以及将城市道路交通网络分割成多个子网络,在每个时段内,对每个子网络进行优化。本公开可以在保证理论求解的前提下,利用局部的分布式计算和并行计算来减少计算量,提高运算效率。同时,本公开在具体实施时仅需获取初始时刻各路段上的车辆数目作为全局输入以预测交通流状况,单一输入量可以极大的降低操作复杂度。
为了实现本公开实施例,本公开还提供了一种交通信号灯的配时装置,图9是本公开实施例的一种交通信号灯的配时装置的示意图。
如图9所示,该装置包括获取模块90,优化模型建立模块91,分段模块92,以及优化模块93。
获取模块90用于获取城市道路交通网络,并获取该城市道路交通网络中每个路段上车辆的迭代关系式;
优化模型建立模块91用于根据预设的优化目标和预设的约束条件,建立优化模型,其中,所述预设的优化目标包括所述城市道路交通网络中所有交叉口在预设的信号灯周期内总延误的值最小。预设的约束条件包括所述城市道路交通网络中每条道路上的车辆数目不超过预设的负载;
分段模块92用于将所述预设的信号灯周期分成多个时段,所述多个时段中每个时段包括2个信号灯周期;
优化模块93用于将城市道路交通网络分割成多个子网络,在所述每个时段内,对所述每个子网络进行优化。
可选地,多个子网络中的每个子网络只能与其相邻子网络进行通信,以获得相邻子网络中车辆输入信息和车辆输出信息。
可选地,预设的优化目标和预设的约束条件包括:
其中,dij(k)表示第一方向的道路lij在k时刻的车辆延误,nij(k)表示第一方向的道路lij在k时刻的车辆数目,Gij表示第一方向的道路lij的最大承载量,dij(k)表示第二方向的道路lij在k时刻的车辆延误,nij(k)表示第二方向的道路lij在k时刻的车辆数目,Gij表示第二方向的道路lij的最大承载量,Θ(k)表示k时刻所有交叉口处绿信比组成的列向量;M表示第一方向的交叉口数量,N表示第二方向的交叉口数量,K表示待优化的信号灯周期数目,第一方向和第二方向呈第一角度。
可选地,获取模块90还用于根据元胞传输模型中车辆密度与交通流的关系获取城市道路交通网络中每个路段上车辆的迭代关系式。
元胞传输模型中车辆密度与交通流的关系包括:
其中,ρij(k)表示第一方向的道路lij在k时刻的车辆密度,fij(k)表示第一方向的道路lij在k时刻的交通流,ρij(k)表示第二方向的道路lij在k时刻的车辆密度,fij(k)表示第二方向的道路lij在k时刻的交通流,M表示第一方向的交叉口数量,N表示第二方向的交叉口数量,K表示待优化的信号灯周期数目。
可选地,交通流包括:
fi,j+1(k)=ρij(k)vfTθij(k),
fi+1,j(k)=ρij(k)vfT(1-θij(k)),
其中,vf表示车辆速度,T表示一个信号灯周期时长,θij(k)表示第一方向的道路lij处交叉口在k时刻的绿信比(绿灯时间和周期时长的比值)。
根据本公开实施例提供的交通信号灯的配时装置,获取城市道路交通网络,并获取城市道路交通网络中每个路段上车辆的迭代关系式,根据预设的优化目标和预设的约束条件,建立优化模型,将预设的信号灯周期分成多个时段,以及将城市道路交通网络分割成多个子网络,在每个时段内,对每个子网络进行优化。本公开可以在保证理论求解的前提下,利用局部的分布式计算和并行计算来减少计算量,提高运算效率。同时,本公开在具体实施时仅需获取初始时刻各路段上的车辆数目作为全局输入以预测交通流状况,单一输入量可以极大的降低操作复杂度。为实现本公开实施例,本公开还提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由终端的处理器执行时,使得终端能够执行上述实施例提供的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
Claims (8)
1.一种交通信号灯的配时方法,其特征在于,包括:
获取城市道路交通网络,并获取所述城市道路交通网络中每个路段上车辆的迭代关系式;
根据预设的优化目标和预设的约束条件,建立优化模型,其中,所述预设的优化目标包括所述城市道路交通网络中所有交叉口在预设的信号灯周期内总延误的值最小,所述预设的约束条件包括所述城市道路交通网络中每条道路上的车辆数目不超过预设的负载;
将所述预设的信号灯周期分成多个时段,所述多个时段中每个时段包括2个信号灯周期;
将城市道路交通网络分割成多个子网络,在所述每个时段内,对所述每个子网络进行优化;
其中,所述预设的优化目标和预设的约束条件包括:
其中,dij(k)表示第一方向的道路lij在k时刻的车辆延误,nij(k)表示所述第一方向的道路lij在k时刻的车辆数目,Gij表示所述第一方向的道路lij的最大承载量,dij(k)表示第二方向的道路lij在k时刻的车辆延误,nij(k)表示所述第二方向的道路lij在k时刻的车辆数目,Gij表示所述第二方向的道路lij的最大承载量,Θ(k)表示k时刻所有交叉口处绿信比组成的列向量;M表示所述第一方向的交叉口数量,N表示所述第二方向的交叉口数量,K表示待优化的信号灯周期数目,所述第一方向和所述第二方向呈第一角度。
2.根据权利要求1所述的方法,其特征在于,所述多个子网络中的每个子网络只能与其相邻子网络进行通信,以获得所述相邻子网络中车辆输入信息和车辆输出信息。
4.根据权利要求3所述的方法,其特征在于,所述交通流包括:
fi,j+1(k)=ρij(k)vfTθij(k),
fi+1,j(k)=ρij(k)vfT(1-θij(k)),
其中,vf表示车辆速度,T表示一个信号灯周期时长,θij(k)表示所述第一方向的道路lij处交叉口在k时刻的绿信比。
5.一种交通信号灯的配时装置,其特征在于,包括:
获取模块,用于获取城市道路交通网络,并获取所述城市道路交通网络中每个路段上车辆的迭代关系式;
优化模型建立模块,用于根据预设的优化目标和预设的约束条件,建立优化模型,其中,所述预设的优化目标包括所述城市道路交通网络中所有交叉口在预设的信号灯周期内总延误的值最小,所述预设的约束条件包括所述城市道路交通网络中每条道路上的车辆数目不超过预设的负载;
分段模块,用于将所述预设的信号灯周期分成多个时段,所述多个时段中每个时段包括2个信号灯周期;
优化模块,用于将城市道路交通网络分割成多个子网络,在所述每个时段内,对所述每个子网络进行优化;
其中,所述预设的优化目标和预设的约束条件包括:
其中,dij(k)表示第一方向的道路lij在k时刻的车辆延误,nij(k)表示所述第一方向的道路lij在k时刻的车辆数目,Gij表示所述第一方向的道路lij的最大承载量,dij(k)表示第二方向的道路lij在k时刻的车辆延误,nij(k)表示所述第二方向的道路lij在k时刻的车辆数目,Gij表示所述第二方向的道路lij的最大承载量,Θ(k)表示k时刻所有交叉口处绿信比组成的列向量;M表示所述第一方向的交叉口数量,N表示所述第二方向的交叉口数量,K表示待优化的信号灯周期数目,所述第一方向和所述第二方向呈第一角度。
6.根据权利要求5所述的装置,其特征在于,所述多个子网络中的每个子网络只能与其相邻子网络进行通信,以获得所述相邻子网络中车辆输入信息和车辆输出信息。
8.根据权利要求7所述的装置,其特征在于,所述交通流包括:
fi,j+1(k)=ρij(k)vfTθij(k),
fi+1,j(k)=ρij(k)vfT(1-θij(k)),
其中,vf表示车辆速度,T表示一个信号灯周期时长,θij(k)表示所述第一方向的道路lij处交叉口在k时刻的绿信比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911003081.XA CN110580814B (zh) | 2019-10-22 | 2019-10-22 | 一种交通信号灯的配时方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911003081.XA CN110580814B (zh) | 2019-10-22 | 2019-10-22 | 一种交通信号灯的配时方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110580814A CN110580814A (zh) | 2019-12-17 |
CN110580814B true CN110580814B (zh) | 2020-11-24 |
Family
ID=68815156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911003081.XA Active CN110580814B (zh) | 2019-10-22 | 2019-10-22 | 一种交通信号灯的配时方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110580814B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161552A (zh) * | 2019-12-31 | 2020-05-15 | 西安航天华迅科技有限公司 | 一种基于人工智能的交通辅助系统 |
CN113538910B (zh) * | 2021-07-14 | 2022-08-30 | 李丹丹 | 一种自适应的全链条城市区域网络信号控制优化方法 |
CN114038194A (zh) * | 2021-11-10 | 2022-02-11 | 长沙理工大学 | 基于雾计算的自适应交通信号灯控制 |
CN114743388B (zh) * | 2022-03-22 | 2023-06-20 | 中山大学·深圳 | 一种基于强化学习的多交叉口信号自适应控制方法 |
CN114822037B (zh) * | 2022-06-01 | 2023-09-08 | 浙江大华技术股份有限公司 | 交通信号的控制方法和装置、存储介质及电子装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105206071B (zh) * | 2015-09-21 | 2018-02-23 | 苏州派瑞雷尔智能科技有限公司 | 基于混合交通流延误模型的交叉口配时方法 |
US9965951B1 (en) * | 2017-01-23 | 2018-05-08 | International Business Machines Corporation | Cognitive traffic signal control |
-
2019
- 2019-10-22 CN CN201911003081.XA patent/CN110580814B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110580814A (zh) | 2019-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110580814B (zh) | 一种交通信号灯的配时方法和装置 | |
WO2019061933A1 (zh) | 交通信号泛弦控制方法及其系统 | |
CN108538065B (zh) | 一种基于自适应迭代学习控制的城市主干道协调控制方法 | |
CN105788302A (zh) | 一种双目标优化的城市交通信号灯动态配时方法 | |
CN113257016B (zh) | 一种交通信号控制方法、装置以及可读存储介质 | |
CN107426694A (zh) | 一种车载自组织网络的模糊分簇算法 | |
CN113053120B (zh) | 基于迭代学习模型预测控制的交通信号灯调度方法与系统 | |
CN112188627B (zh) | 一种基于状态预测的动态资源分配策略 | |
CN112863179B (zh) | 一种基于神经网络模型预测控制的路口信号灯控制方法 | |
Xiao et al. | Throughput optimality of extended back-pressure traffic signal control algorithm | |
CN113870588B (zh) | 一种基于深度q网络的交通灯控制方法、终端及存储介质 | |
Xiao et al. | Further study on extended back-pressure traffic signal control algorithm | |
CN112466126B (zh) | 一种基于mfd的路网可拓展区域控制方法 | |
CN112258856A (zh) | 一种区域交通信号数据驱动控制模型建立方法 | |
CN113628435A (zh) | 一种信息处理方法及装置 | |
JP4308364B2 (ja) | 信号制御サブエリア構成方法および装置 | |
CN110555037A (zh) | 智慧城市数据共享系统 | |
CN110366134B (zh) | 一种车联组网方法及装置 | |
Yu et al. | Minimize pressure difference traffic signal control based on deep reinforcement learning | |
Rosyidi et al. | Reinforcement learning with the classical q-learning algorithm for optimizing single intersection performance | |
Guo et al. | An indefinite cycle traffic light timing strategy | |
Bao et al. | Spatial Influence-aware Reinforcement Learning for Intelligent Transportation System | |
Baskan et al. | Reserve capacity model for optimizing traffic signal timings with an equity constraint | |
CN112634619B (zh) | 基于自适应遗传算法的二型模糊单交叉口控制方法、装置及存储介质 | |
Zhang et al. | Enhancing Model-Based Traffic Signal Control with Data-Driven Adaptive Optimization |
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 |