CN110751834A - 一种城市饱和交叉口信号配时的优化方法 - Google Patents

Abstract

本发明公开了一种城市饱和交叉口信号配时的优化方法，首先利用交叉口各进口道方向实时到达车辆检测机制，结合历史分布数据预测下一周期交叉口进口道转向流量与滞留车辆数，同时在自适应调整信号相位模式、确定相位相序基础上，引入延误、停车次数与排队长度三个指标最终搭建双环配时优化模型，利用综合评价函数以衡量信号配时方案的优劣。再通过改进的遗传算法寻优求解，最终得出周期性动态信号配时方案。该方法每隔一个周期单元循环，实时分析道路交通数据来更新配时状况，从而达到提高交叉口整体运行效率的目的。

Description

一种城市饱和交叉口信号配时的优化方法

技术领域

本发明属于智能交通和交通控制技术领域，具体涉及一种城市饱和交叉口信号配时的优化方法。

背景技术

交叉口作为道路交通网中的瓶颈区域，是交通堵点和安全事故的多发点。由于车流量具有时空分布不均的特性，且考虑到道路建设资金与空间的约束，大部分信控交叉口在高峰时段常处于过饱和状态，这时传统信号配时易使交叉口车辆出现过长排队并回溯至上游交叉口，引发大面积的交通瘫痪。而目前还没有一种有效手段来解决该问题。

发明内容

本发明的目的在于提供一种城市饱和交叉口信号配时的优化方法，以解决现有技术中城市中早晚高峰时期车流量增多导致交叉口出现短暂过饱和状态的问题，该方法能够在避免车辆回溯上游交叉口或快速路主路造成锁死的前提下，改良信号灯配时，将交叉口各个进口道的综合性能最优化。

本发明的技术方案是：为解决上述技术问题，本发明采用一种城市饱和交叉口信号配时的优化方法，包括交叉口车流量检测方法、双环配时优化模型与改进遗传算法。具体包括以下几个步骤：

S1：检测交叉口进口道上游、中游以及下游的车辆数，根据交叉口进口道上游车辆数实时获取每一信号周期内的车辆到达数；结合历史统计的转向流量比例数据和交叉口进口道上游、中游以及下游的车辆数，实时获取每一信号周期内的滞留车辆数；

S2：根据每一信号周期内的车辆到达数与历史统计的转向流量比例数据，预测交叉口下一周期的进口道转向流量；

S3：根据预测周期的延误、停车次数和排队长度指标计算公式，综合建立交叉口不同相序相位下的双环信号配时决策模型；

S4：基于自适应改进式遗传算法框架，对下一信号周期的绿灯时长进行编码，得到绿灯配时群体；代入绿灯配时群体、S1的滞留车辆数和S2的预测周期交叉口进口道的转向流量到S3的双环信号配时决策模型中，求出不同适应度函数值，通过选择、交叉和变异的方式，从而筛选出决策模型中适应度函数最优个体的预测周期绿灯配时，将该预测周期绿灯配时作为城市饱和交叉口信号配时方案。

进一步地，在S1中，在交叉口各进口道上游、中游以及下游布置检测器，通过检测器检测车辆数，具体布设原则为：

将上游的检测器布设在进口道路段与其他主要道路相交距离不远处(上游交叉口、快速路下匝道衔接地面道路处等)和研究路段的进出岔路口以统计到达的车辆总数，中游检测器布设在道路交叉口实画标线起始处，认为此时车辆已经换道完成。下游检测器布设在交叉口停车线处。

到达车辆数的计算，公式具体为：

Do＝∑di

其中，di为上游第i车道对应上游检测器在周期结束时检测到的整周期的车辆数。

对滞留车辆数

的计算，数据采集处理间隔为一周期一次，每一信号周期内的滞留车辆数

按如下公式进行：

当车辆排队Lq_i小于de_i时：

当进口道第i车道组车辆排队Lq_i大于de_i，且其他车道组排队长度小于de_i时：

当进口道第i车道组车辆排队Lq_i大于de_i，且还存在其他车道组车辆排队Lq_i大于de_i时：

其中，de_i为在第i车道组中游检测器与下游检测器间的距离；Lq_i为在第i车道组实际的车队长度；

N_M分别是进口道车道组i滞留车辆数和中游检测器通过车辆数；θi为交叉口历史转向流量数据中第i转向对应的比例。

在S2中，预测下一周期各进口道转向流量具体为：对S1通过上游检测器检测的到达车辆数Do除以周期长度，再乘以θi，得到这一周期第i转向的流量q_i。再将最近3个周期检测的流量数据求和取平均，并乘以修正系数S以此作为下一周期的各进口道转向流量q_r，公式如下：

其中，q_i为此时第i相位的流量；di为上游第i流向对应检测器在周期结束时检测到的整周期的车辆数；q_r为预测下一周期第i相位的流量；S为修正系数，一般取值为1.05-1.2。

进一步在S3中，具体方法有：

首先，根据S1中采集的流量数据，判断交叉口是否需要设置左转专用相位和双环信号配时模式以确定模型的相位相序，具体为：

(1)根据左转车辆与对向直行小时车流量乘积是否大于50000决定，若流量乘积大于50000，则应设置左转保护相位，反之则不需设置；且其相关约束为周期时长在50s-200s之间，分割线内的总时长为20s-120s之间，若分割线内有两个相位，则单个相位时长占分割线内总时长的比值范围为0.25-0.75之间；

(2)在双环配时优化中，将相位用一条分割线分成两部分，分割线内的相位时长之和必须相等，分割线两边的相位之和等于周期时长，并且相位绿灯时间、周期时长在合理的区间内，以此确定配时约束条件；

随后，对预测周期三大指标的计算公式的确定，具体表现为：

(1)延误指标公式的确定，采用AKCELIK延误模型，其中，均匀延误

和随机与过饱和延误

的计算公式如下：

根据均匀延误

和随机与过饱和延误

得到交叉口车辆平均延误d^*：

式中：Cir为circle，代表信号周期长，单位为s，表示信号灯色按设定的相位顺序显示一周所需的时间；d^*为交叉口车辆平均延误，单位为s；c为通行能力，单位为pcu/s；g_e为有效绿灯时间，单位s；λ为绿信比v是车辆平均到达率，单位pcu/s；S为饱和流率，单位为pcu/s；y为流率比(v/S)；r_e为有效红灯时间，单位为s；x为饱和度；N₀为平均过饱和滞留车队长度函数，公式如上；T为分析时段，单位为s；i为第i个进口道车道组。

(2)停车次数指标公式的确定，具体有：

1、稳态理论

其中，h:平均停车率；u:某相位下绿信比；y:流率比；N_s:不饱和交叉口平均滞留排队长度；v:到达率；C:周期；x:饱和度；s:饱和流率；

2、过渡函数

h＝f(h_u+h_o)

其中，h_u:正常阻滞的停车率；h_o:随机与过饱和下的停车率；f:考虑完全停车而设置的修正系数；c:通行能力；t_f:d_h-(g_s-g_e)；g_e:有效绿灯时间；d_h为在一次完全停车的减速加速过程中，车辆平均延误值(由平均阻滞行驶车速与平均速度变化率关系比求得)；r:有效红灯时间；z:x-1；

g_s:通行饱和状态持续时间；

3、定数理论

其中，N_d:平均过饱和滞留车辆数，即进口道方向所有车道上滞留车辆总和；T为分析时段。

(3)对预测消散排队长度模型的分析，结合交通波理论和二流理论，建立当量预测消散排队长度模型，具体公式为：

N_U(t)＝q_r×t

N_D(t)＝c×t_g

式中，N₀:初始时刻上下游断面之间车辆数，即代入为步骤一的周期结束时滞留车辆数；N_U(t):t时刻通过上游检测器断面的车辆累计数；N_D(t):t时刻通过下游检测器断面的车辆累计数；ΔN(t):t时刻上下游断面之间的车辆数；L_D(t):t时刻上下游断面之间的当量排队长度；L:上下游断面间的实际距离长度；L_A(t):t时刻启动波所在位置；k_j：上下游之间交通流阻塞密度；k_m：上下游之间交通流最佳密度；t_r：红灯持续时间；t_g：有效绿灯时间；c：进口道通行能力，与饱和流率及绿信比相关；q_r：下一周期的各进口道转向流量；

预测消散排队长度取值为三个时刻最大值作为约束，分别为下一个周期研究相位绿灯结束时的排队长度预测值L_S1；下一周期结束时的排队长度预测值L_S2；下两个周期研究相位绿灯结束时的排队长度预测值L_S3，其中下两个周期的预测流量与下一个周期的保持一致性，检测时长取值为下一周期的两倍。

(4)结合道路交叉口实际情况，将合适的地点作为消散排队长度的阈值，排队长度在未触及阈值时不对综合评价函数造成影响；若路段无大型接入口，可将上游交叉口出口道功能区与研究交叉口停车线间距作为消散排队长度阈值，若有大型接入口(例如快速路下匝道)，则将接入口离研究交叉口停车线的距离的非交织段作为消散排队长度阈值，即需求解最小交织区长度L_w，公式如下：

L_w＝n×L_b

式中，式中，n：小区数；L_b：车辆进行一次换道所需长度；

最后，综合延误指标、停车次数指标和排队长度指标引入多属性决策模型，将延误指标、排队长度指标以及停车次数指标归一化并计算各自所占权重，确定综合评价函数，具体公式如下：

Objvalue＝α×D+λ×h+w

B＝L_Smax-Q

C＝L_S3-Q

L_Smax＝max(L_S1,L_S2,L_S3)

其中，w₁、w₂为归一化车辆排队长度；Q为排队长度阈值；L_S为实际消散排队长度；D为归一化延误值；h为停车次数；α、λ、θ₁、θ₂则为各指标权重值；Objvalue是交叉口综合评价指标函数，也即是双环信号配时决策模型。

进一步地，对S4中的求解说明，可分为：

(1)按照S3的相位相序给定条件，随机生成的绿灯时长群体采用如下方式编码：

<G₁|G₂|α₁|α₂…|α_i>

其中，G₁、G₂为两条分割线的各自时长；α_i为分割线内相位的比例。

(2)适应度函数的计算，与双环配时模型的综合评价函数有关。具体为：将所述绿灯配时群体、S1得到的滞留车辆数以及S2得到的预测周期交叉口进口道的转向流量代入S3得到的双环信号配时决策模型中，计算S3的预测周期的延误指标、停车次数指标和排队长度指标，从而得出根据预测周期的延误指标、停车次数指标和排队长度指标建立的综合评价函数值objvalue。因此对适应度函数fitvalue定义：

其中，i为当前迭代次数；C_min为随迭代次数变化的实数，取值方法如下：

其中，growtime为最大迭代次数；bestfit为当前种群最优解。

(3)对上述群体中不同适应度的个体进行选择、单点交叉及新的变异操作保留最优个体；选择机制为赌盘选择法，交叉操作采用标准的单点交叉，变异采用不完全变异与完全变异相结合的方式；按照生成的随机数取值来确定变异选择方式，具体新的变异为：

不完全变异方式是建立在现有的基础之上，具有较强的局部寻优能力同时也能防止早熟现象的出现，具体示例如下：

在第1-2个基因部位j的变异：

a_ij＝a_ij+round(rand*12-6)

在第3-6个基因部位j的变异：

a_ij＝a_ij+(rand*0.2-0.1)

其中，a_ij为第i个染色体中的第j个基因；

完全变异具体方式如下：

在第1-2个基因部位j的变异：

a_ij＝round(rand*80+20)

在第3-6个基因部位j的变异：

a_ij＝rand*0.3+0.5

(4)通过多次的迭代循环，得到若干个不同适应度的个体，筛选并保存出综合评价最优个体的预测信号周期的交叉口绿灯配时，将该预测周期绿灯配时作为城市饱和交叉口信号配时方案。

本发明具有如下有益效果：

本发明的城市交叉口信号配时优化方法是通过在交叉口进口道合理地布设上游、中游、下游检测器采集数据的基础上，结合历史统计流量转向分布数据，得到预测下一周期的交叉口进口道转向流量和滞留车辆数，以延误、停车次数和排队长度指标综合最优为目标，建立双环信号配时模型，并采用改进式的遗传算法求解出下一信号周期的最优配时。在matlab和vissim交互搭建的平台上实例验证结果表明，本发明提出的方法能够根据实时获取交叉口进口道的交通流数据，分析该时段存在的交通运行问题，从而确立有效的动态配时策略以减少进口道延误、停车次数及排队长度的指标；并针对具有城市快速路下匝道衔接交叉口的特殊路段，也能起到防止进口道车辆排队回溯主路的作用，科学地实现了交叉口时空资源的合理配置的条件，提高交叉口整体的通行效益。

附图说明

图1为本发明城市饱和交叉口信号配时的优化方法的流程。

图2为本发明流量检测装置布设图。

图3为本发明相位相序确定流程图。

图4为本发明双环结构示意图。

图5为本发明延误曲线示意图。

图6为本发明排队长度阈值图。

图7为本发明的方法与现有方法的延误效果对比图。

图8为本发明的方法与现有方法的排队长度效果对比图。

具体实施方式

为使本发明功能和技术方案定位清晰，以下结合具体实施例及附图，进一步对本发明详细阐述。应理解这些实施例仅用于说明本发明而不用于限制本发明范围。在阅读本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

以西安市金花北路与长乐西路交叉口为例。该路口南进口道上游与东二环快速路匝道相接，其余东、西、北三个方向分别与万年路、兴庆路和长缨东路相交形成交叉口。

本实施例的城市饱和交叉口信号配时的优化方法在快速路下匝道衔接交叉口处的应用步骤总体流程为：在每个交叉口信号周期结束时，利用获取的历史统计资料进口道转向流量比数据θ_i以及检测器采集的车辆通过数据N_U、N_M和N_D，分析得出交叉口进口道的实时转向流量q_i，滞留车辆数将借助最近3个周期的转向流量求出的预测流量值q_r，滞留车辆数作为主要变量输入双环配时优化模型中用以简化待计算的三大指标，同时根据转向流量分配关系确定相位相序设计，建立综合评价函数，根据延误、停车次数和排队长度三个指标以衡量其整体配时方案的效果。通过改进的遗传算法对模型进行未知量求解，以特殊的编码形式，将任意配时方案基因化表达，并寻求不同绿灯配时可能下使得三大指标评价最优的唯一解。最后将得出的最优解反馈给信号接收机，更新配时。流程图如图1所示。

对研究区域内包括城市快速路、快速路的下匝道及其辅路、地面道路和衔接交叉口几部分进行道路交通数据调查和仿真，仿真效果良好。实例证明，本发明提出的算法能很好地避免饱和状态下车辆排队回溯的问题，并能在城市道路与下匝道衔接道路间寻求平衡点，使得整个交叉口运行效率最优。具体步骤如下：

步骤一检测交叉口进口道上游、中游以及下游的车辆数，根据交叉口进口道上游车辆数实时获取每一信号周期内的车辆到达数；结合历史统计的转向流量比例数据和交叉口进口道上游、中游以及下游的车辆数，实时获取每一信号周期内的滞留车辆数。具体为：

第一步：确定布设检测器位置。

将下游检测器布设在交叉口各个进口道的停车线处；中游检测器布设在道路交叉口各进口道实画标线起始处，认为此时车辆已经换道完成，即非交织区与排队区的分界点；将上游检测器布设在进口道路段与其他主要道路相交距离不远处(如上游交叉口、快速路下匝道衔接地面道路处等)和研究路段的进出岔路口，以统计到达的车辆总数。此实施例中将与快速路相接的进口道的上游检测器布设在快速路下匝道衔接城市道路接口处，其余三个进口道的上游检测器布设在上游交叉口处以及研究区域中的进出岔路口处。布设情况如图2所示。

第二步：检测各个进口道的车辆滞留情况，计算滞留车辆数

如果车辆排队长度Lq_i未超过中游检测器布设位置de_i，则滞留车辆数为：

当进口道第i车道组车辆排队Lq_i大于de_i，且其他车道组排队长度小于de_i时：

当进口道第i车道组车辆排队Lq_i大于de_i，且还存在其他车道组车辆排队Lq_i大于de_i时：

第三步：结合上游检测器检测数据，得到到达车辆数Do。

Do＝∑di

其中，di为上游第i车道对应上游检测器在周期结束时检测到的整周期的车辆数。

符号定义与上文保持一致。

步骤二根据每一信号周期内的车辆到达数与历史统计的转向流量比例数据，预测交叉口下一周期的进口道转向流量，具体如下：

第一步：结合上游检测器检测得到的到达车辆数和历史转向流量比例，代入预测出下一周期的流量。

首先将周期末的到达车辆数Do除以周期长度再乘以θi，得到这一周期第i转向的流量q_i。再将最近3个周期检测的流量数据分别求和取平均，并乘以修正系数S以此作为下一周期的车辆预测周期进口道转向流量q_r，公式如下：

符号定义与上文保持一致。

步骤三根据预测周期的延误、停车次数和排队长度指标计算公式，综合建立交叉口不同相序相位下的双环信号配时决策模型，具体如下：

第一步：交叉口相序相位的应用条件，具体根据各个进口道预测统计的转向流量，判断交叉口是否需要设置左转专用相位。相位的判定依据是根据左转车辆与对向直行小时车流量乘积是否大于50000决定，若流量乘积大于50000，则应设置左转保护相位，反之则不需设置；本实施例中各进口道均需设置左转专用相位。流程图如图3所示。

第二步：双环相位信号配时模式的选择，在第一步确定左转专用相位基础上进行优化。将相位用一条分割线分成两部分，分割线内的相位时长之和必须相等，分割线两边的相位之和等于周期时长，并且相位绿灯时间、周期时长在合理的区间内，其相关约束为周期时长在50s-200s之间，分割线内的总时长为20s-120s之间，本实施例中分割线内有两个相位，单个相位时长占分割线内总时长的比值范围为0.25-0.75之间，以此确定配时方案。双环相位原理图如图4所示。

第三步：对预测周期延误指标的公式，选用AKCELIK模型，AKCELIK延误模型曲线如图5所示。

其中，均匀延误

随机与过饱和延误

的计算公式如下：

根据均匀延误

和随机与过饱和延误

得到交叉口车辆平均延误d^*：

式中：Cir为circle，代表信号周期长，单位为s，表示信号灯色按设定的相位顺序显示一周所需的时间；d^*为交叉口车辆平均延误，单位为s；c为通行能力，单位为pcu/s；g_e为有效绿灯时间，单位s；λ为绿信比

v是车辆平均到达率，单位pcu/s；S为饱和流率，单位为pcu/s；y为流率比(v/S)；r_e为有效红灯时间，单位为s；x为饱和度；N₀为平均过饱和滞留车队长度函数，公式如上；T为分析时段，单位为s；i为第i个进口道车道组。

第四步：预测周期停车次数指标的计算，方法如下：

1、稳态理论

其中，h:平均停车率；u:某相位下绿信比；y:流率比；N_s:不饱和交叉口平均滞留排队长度；v:到达率；C:周期；x:饱和度；s:饱和流率；

2、过渡函数

h＝f(h_u+h_o)

其中，h_u:正常阻滞的停车率；h_o:随机与过饱和下的停车率；f:考虑完全停车而设置的修正系数；c:通行能力；t_f:d_h-(g_s-g_e)；g_e:有效绿灯时间；d_h为在一次完全停车的减速加速过程中，车辆平均延误值(由平均阻滞行驶车速与平均速度变化率关系比求得)；r:有效红灯时间；z:x-1；

g_s:通行饱和状态持续时间；

3、定数理论

其中，N_d:平均过饱和滞留车辆数，即进口道方向所有车道上滞留车辆总和；T为分析时段。

第五步：排队长度的确定

结合交通波理论和二流理论，具体公式为：

N_U(t)＝q_r×t

N_D(t)＝c×t_g

式中，N₀:初始时刻上下游断面之间车辆数，即代入为步骤一的周期结束时滞留车辆数；N_U(t):t时刻通过上游检测器断面的车辆累计数；N_D(t):t时刻通过下游检测器断面的车辆累计数；ΔN(t):t时刻上下游断面之间的车辆数；L_D(t):t时刻上下游断面之间的当量排队长度；L:上下游断面间的实际距离长度；L_A(t):t时刻启动波所在位置；k_j：上下游之间交通流阻塞密度；k_m：上下游之间交通流最佳密度；t_r：红灯持续时间；t_g：有效绿灯时间；c：进口道通行能力，与饱和流率及绿信比相关；q_r：下一周期的各进口道转向流量。

预测消散排队长度取值为三个时刻最大值作为约束，分别为下一个周期研究相位绿灯结束时的排队长度预测值L_S1；下一周期结束时的排队长度预测值L_S2；下两个周期研究相位绿灯结束时的排队长度预测值L_S3，其中下两个周期的预测流量，与下一个周期的保持一致性；检测时长取值扩大为下一周期的两倍，周期内的配时不变。

应用时选取其中最大的排队长度与排队长度阈值进行比较，以此来选择约束条件的强弱。

第六步：消散排队长度阈值的确定

消散排队长度阈值的大小，需求出最小所需交织长度。再根据前文计算消散排队长度的式子进行分析，求出交叉口各进口道不同时刻的车辆排队长度，与阈值比较，即可作为约束性条件，判断是否会出现回溯，本例中如图6所示。

最短交织区长度L_w的计算，在本实例的过程如下：

用Worrall的交织区通行能力计算思想，研究交织区段通行能力，确定最小交织区长度L_w：

式中，P(k)_2→4:车流在小区k由车道2换至车道4概率；μ_i:车道i车头时距的二阶爱尔朗分布概率；Q_gL:城市道路左转流量；Q_rR:下匝道右转流量；Q_gR:城市道路右转流量；Q_gS:城市道路直行流量；Q_rS:下匝道直行流量；Q_rL:下匝道左转流量；

当随着n取值增大，若存在有某一值n，使得交织区通行能力大于交叉口进口道通行能力即C_j>C_in，则可根据下式确定L_w：

L_w＝n×L_b

式中，n：小区数；L_b：车辆进行一次换道所需长度，约为3-4倍的平均行驶车速；

第七步：引入多属性决策模型，将前文的延误、排队长度以及停车次数指标归一化并计算其所占权重，来确定综合评价函数表达式。

选取的三种指标都属于成本型，以停车次数对各指标进行标准化。

对延误标准化中，考虑交叉口服务等级为D时车辆平均通过交叉口的停车次数在1左右，故对延误采用如下公式标准化：

式中，A为标准化延误系数，国际上交叉口延误在35-55s时为D服务等级，取其中位数45s。

对于排队长度，采用如下函数的定义方法：

取三个时刻的排队长度作为计算依据：

下一个周期研究相位绿灯结束时的排队长度预测值L_S1；

下一周期结束时的排队长度预测值L_S2；

下两个周期研究相位绿灯结束时的排队长度预测值L_S3，其中下两个周期的预测流量与下一个周期的保持一致。

L_Smax＝max(L_S1,L_S2,L_S3)

B＝L_Smax-Q

C＝L_S3-Q

其中，w₁、w₂为归一化车辆排队长度；Q为排队长度阈值；L_S为实际消散排队长度。

通过上述公式知，当排队长度触及阈值时，指标w₁、w₂才为正值。

对指标取权重。作为交通信号控制优化的两个效益评价指标，车辆平均延误或停车率为不能同时获得最优，在进行交叉口信号控制优化的过程中，应该选取适宜的目标函数以达到所要获取的优化效果。而排队长度的系数也应保证排队车辆在正常情况下不会超过阈值。本文根据两因素的相关权重优化影响分析及相关比较矩阵，确定综合评价函数如下：

Objvalue＝α×D+λ×h+w

其中，D为归一化延误值；h为停车次数；α、λ、θ₁、θ₂则为各指标权重值。Objvalue是交叉口综合评价指标。

步骤四基于自适应改进式遗传算法框架，对下一信号周期的绿灯时长进行编码，得到绿灯配时群体。代入步骤一的滞留车辆数、步骤二的预测周期交叉口进口道的转向流量和绿灯配时群体到步骤三的双环信号配时决策模型中，求出不同适应度函数值，依次通过选择、交叉和变异的方式，从而筛选出决策模型中适应度函数最优个体的预测周期绿灯配时，具体过程如下：

第一步：根据相位相序，随机生成各个相位的绿灯时长，本实施例中采用如下方式编码，得到编码后的绿灯配时群体：

<G₁|G₂|α₁|α₂|α₃|α₄>

解密时，遵循下述公式：

其中，α₁为g1占G₁的比例，α₂为g3占G₂的比例，α₃为g5占G₁的比例，α₄为g7占G₂的比例。上述编码将相位总长设为两个基因，分割线内的周期所占比例设为四个基因，种群进化约束大大减少。

第二步：适应度函数的确定，代入步骤一的滞留车辆数、步骤二的预测周期交叉口进口道的转向流量和绿灯配时群体到步骤三中延误、停车次数和排队长度指标的计算公式中，从而得出根据三大指标建立的综合评价函数表达式的objvalue数值，进一步对适应度函数fitvalue定义：

其中，i为当前迭代次数；C_min为随迭代次数变化的实数。

第三步：不同适应度的绿灯群体采用选择、交叉和变异的方法筛选出最优适应度的绿灯个体。选择机制为赌盘选择法，交叉操作采用标准的单点交叉，变异采用不完全变异与完全变异相结合的方式，具体包括如下步骤：

(1)选择机制中，采用比例选择法，也称赌盘选择法，赌盘选择法是从种群中按照与适应度值成正比的概率选择个体进入下一代。设计的选择过程如下：

1、计算所有个体的适应度值f(G_i)

2、计算出种群中所有个体的适应度总和

3、计算出每个染色体被选中的概率

4、计算出每个染色体的累计概率

5、转动转盘：随机产生一个0到1之间的数r，如果r＜q₁，则选择染色体G₁；如果q_k-1＜r＜q_k，则选择染色体G_k。重复上述过程直至达到种群大小50,进入第六步。

6、存储经过上述过程所有选出的个体，然后返回新种群。

(2)交叉机制：

交叉操作采用标准的单点交叉，从群体中随机的选择两个个体，然后再从这两个个体中随机的选择一个基因位，按照一定概率进行交换。例如第i个染色体和第k个染色体在j位的交叉算子如下：

a_ij＝round(a_kj*(1-α)+a_ij*α)

a_kj＝round(a_ij*(1-α)+a_kj*α)

式中，α是[0,1]区间的随机数；

在遗传算法中选用固定交叉效率，容易出现早熟，形成局部最优；本文采用一种根据适应度以及进化代数自适应的调节个体的交叉率，调节方法见以下公式：

式中：pc——交叉概率；pc_max——最大交叉概率；pc_min——最小交叉概率；grow——迭代代数；grow_i——当前迭代代数；fit_c——在交叉的两个个体中较大的适应度值；fit_avg——种群平均适应度值；

(3)变异机制：为提高算法搜索能力，本文采用自适应的变异概率，并且引入两种变异形式。

不完全变异方式是建立在现有的基础之上，具有较强的局部寻优能力同时也能防止早熟现象的出现，具体方式如下：

在第1-2个基因部位j的变异：

a_ij＝a_ij+round(rand*12-6)

在第3-6个基因部位j的变异：

a_ij＝a_ij+(rand*0.2-0.1)

a_ij为第i个染色体中的第j个基因；

完全变异具体方式如下：

在第1-2个基因部位j的变异：

a_ij＝round(rand*80+20)

在第3-6个基因部位j的变异：

a_ij＝rand*0.3+0.5

第四步：在得到若干个计算出的不同适应度函数值下的绿灯配时个体基础上，筛选保存使得适应度函数最优的个体，即为交叉口预测信号周期的绿灯配时方案。

最后经过仿真对比发现，采用本发明的双环信号控制方案的车辆平均总延误时间明显低于单点定时式。在平峰时期延误时间相差不大，均为50s左右；但在高峰缓冲期时，定时式的延误开始大幅增加，两者延误差值越来越大，本文控制策略的优势开始展现。高峰时期双环信号控制策略的平均延误也比定时式要小20s左右。在流量降低恢复平峰时，双环信号控制的延误出现回落，但是定时式的延误依然居高不下。综合来说，采用双环信号控制得到的平均延误时间比单点信号控制减少了18.68％，并且随着高峰时期结束，延误下降的速度也很理想。对比图如图7所示。

本发明的自适应控制的排队长度指标总体也小于固定式信号控制。因为排队长度阈值的原因，在高峰过渡期自适应控制的排队长度也在不断增加，但当排队长度达到230m左右时，排队长度就不再增加，一直低于230米。而固定式信号控制的排队长度在高峰期就达到了300m。排队长度对比定时式缩短了大约25.32％，同时也未发生回溯现象。对比图如图8所示。

本发明的双环配时优化模型在下匝道衔接交叉口处能很好地避免饱和状态下车辆排队回溯的问题，并能在城市道路与下匝道衔接道路间寻求平衡使整个交叉口运行效率最优化；且双环配时优化模型在优化交叉口配时方面相较于单环模型更具有优势，在延误和停车次数方面都有改进。比较用synchro软件确定的传统的定时信号控制策略与该模型仿真策略，该动态优化配时优势十分明显。且双环配时模型能在高峰小时过去后更快地使交叉口回归正常运行。本发明提出的配时策略极大程度上弥补了现有研究大多是基于非饱和状态，单一检测经过车辆数调整信号配时的固有缺陷，具有广泛的适用范围和良好的应用前景。

Claims (10)

1.一种城市饱和交叉口信号配时的优化方法，其特征在于，包括如下步骤：

S1：检测交叉口进口道上游、中游以及下游的车辆数，根据交叉口进口道上游车辆数实时获取每一信号周期内的车辆到达数；结合历史统计的转向流量比例数据和交叉口进口道上游、中游以及下游的车辆数，实时获取每一信号周期内的滞留车辆数；

S2：根据每一信号周期内的车辆到达数与历史统计的转向流量比例数据，预测交叉口下一周期的进口道转向流量；

S3，确定预测周期的延误指标、停车次数指标和排队长度指标计算公式，根据预测周期的延误指标、停车次数指标和排队长度指标计算公式，建立交叉口不同相序相位下的双环信号配时决策模型；

S4，基于自适应改进式遗传算法框架，对下一信号周期的绿灯时长进行编码，得到绿灯配时群体，将所述绿灯配时群体、S1得到的滞留车辆数以及S2得到的预测周期交叉口进口道的转向流量代入S3得到的双环信号配时决策模型中，求解出不同适应度函数值，筛选出决策模型中适应度函数最优个体的预测周期绿灯配时，将该预测周期绿灯配时作为城市饱和交叉口信号配时方案。

2.根据权利要求1所述的一种城市饱和交叉口信号配时的优化方法，其特征在于，S1中，在交叉口进口道上游、中游以及下游分别布置检测器，通过检测器检测车辆数；交叉口进口道上游的检测器布置于进口道路段与其他主要道路相交预设距离处和研究路段的进出岔路口；交叉口进口道中游的检测器布置于道路交叉口实画标线起始处；交叉口进口道下游的检测器布置于交叉口停车线处。

3.根据权利要求1所述的一种城市饱和交叉口信号配时的优化方法，其特征在于，S1中，每一信号周期内的车辆到达数Do的计算过程如下：

Do＝∑di

其中，di为上游第i车道对应上游检测器在周期结束时检测到的整周期的车辆数。

4.根据权利要求1所述的一种城市饱和交叉口信号配时的优化方法，其特征在于，S1中，数据采集处理间隔为一周期一次，每一信号周期内的滞留车辆数

的计算过程如下：

当车辆排队Lq_i小于de_i时：

当进口道第i车道组车辆排队Lq_i大于de_i，且其他车道组排队长度小于de_i时：

当进口道第i车道组车辆排队Lq_i大于de_i，且还存在其他车道组车辆排队Lq_i大于de_i时：

其中，de_i为在第i车道组中游检测器与下游检测器间的距离；Lq_i为在第i车道组实际的车队长度；

N_M分别是进口道车道组i滞留车辆数和中游检测器通过车辆数；θi为交叉口历史转向流量数据中第i转向对应的比例。

5.根据权利要求1所述的一种城市饱和交叉口信号配时的优化方法，其特征在于，S2中，预测交叉口下一周期的进口道转向流量的过程包括：

对S1中检测的每一信号周期内的车辆到达数Do除以周期长度，再乘以θi，得到这一周期第i转向的流量q_i；再将最近3个周期检测的流量数据求和取平均，并乘以修正系数S以此作为下一周期的各进口道转向流量q_r，计算公式如下：

其中，q_i为此时第i相位的流量；di为上游第i流向对应检测器在周期结束时检测到的整周期的车辆数；q_r为预测下一周期第i相位的流量；S为修正系数。

6.根据权利要求1所述的一种城市饱和交叉口信号配时的优化方法，其特征在于，S3中：

延误指标公式的确定：采用AKCELIK延误模型，其中，均匀延误

和随机与过饱和延误的计算公式分别如下：

根据均匀延误

和随机与过饱和延误

得到交叉口车辆平均延误d^*：

以交叉口车辆平均延误d^*作为延误指标公式；

式中：Cir为circle，代表信号周期长，单位为s，表示信号灯色按设定的相位顺序显示一周所需的时间；d^*为交叉口车辆平均延误，单位为s；c为通行能力，单位为pcu/s；g_e为有效绿灯时间，单位s；λ为绿信比

v是车辆平均到达率，单位pcu/s；S为饱和流率，单位为pcu/s；y为流率比(v/S)；r_e为有效红灯时间，单位为s；x为饱和度；N₀为平均过饱和滞留车队长度函数，公式如上；T为分析时段，单位为s；i为第i个进口道车道组。

7.根据权利要求1所述的一种城市饱和交叉口信号配时的优化方法，其特征在于，S3中：

停车次数指标以平均停车率h表示，平均停车率h采用如下任意一种方式确定：

方式一：稳态理论

其中，h:平均停车率；u:某相位下绿信比；y:流率比；N_s:不饱和交叉口平均滞留排队长度；v:到达率；C:周期；x:饱和度；s:饱和流率；

方式二：过渡函数

h＝f(h_u+h_o)

其中，h_u:正常阻滞的停车率；h_o:随机与过饱和下的停车率；f:考虑完全停车而设置的修正系数；c:通行能力；t_f:d_h-(g_s-g_e)；g_e:有效绿灯时间；d_h为在一次完全停车的减速加速过程中，车辆平均延误值(由平均阻滞行驶车速与平均速度变化率关系求得)；r:有效红灯时间；z:x-1；

g_s:通行饱和状态持续时间；

方式三：定数理论

其中，N_d:平均过饱和滞留车辆数，即进口道方向所有车道上滞留车辆总和；T为分析时段。

8.根据权利要求1所述的一种城市饱和交叉口信号配时的优化方法，其特征在于，S3中：

排队长度指标计算公式的公式的确定时，结合交通波理论和二流理论，建立当量预测消散排队长度模型，当量预测消散排队长度模型的公式如下：

N_U(t)＝q_r×t

N_D(t)＝c×t_g

式中，N₀:初始时刻上下游断面之间车辆数，即代入为步骤一的周期结束时滞留车辆数；N_U(t):t时刻通过上游检测器断面的车辆累计数；N_D(t):t时刻通过下游检测器断面的车辆累计数；ΔN(t):t时刻上下游断面之间的车辆数；L_D(t):t时刻上下游断面之间的当量排队长度；L:上下游断面间的实际距离长度；L_A(t):t时刻启动波所在位置；k_j：上下游之间交通流阻塞密度；k_m：上下游之间交通流最佳密度；t_r：红灯持续时间；t_g：有效绿灯时间；c：进口道通行能力，与饱和流率及绿信比相关；q_r：下一周期的各进口道转向流量；

预测消散排队长度取值为三个时刻最大值作为约束，分别为下一个周期研究相位绿灯结束时的排队长度预测值L_S1、下一周期结束时的排队长度预测值L_S2和下两个周期研究相位绿灯结束时的排队长度预测值L_S3。

9.根据权利要求1所述的一种城市饱和交叉口信号配时的优化方法，其特征在于，S3中：

根据预测周期的延误指标、停车次数指标和排队长度指标计算公式，建立交叉口不同相序相位下的双环信号配时决策模型过程包括：

结合道路交叉口实际情况，将合适的地点作为消散排队长度的阈值，排队长度在未触及阈值时不对综合评价函数造成影响；若路段无大型接入口，将上游交叉口出口道功能区与研究交叉口停车线间距作为消散排队长度阈值；若有大型接入口，则将接入口离研究交叉口停车线的距离的非交织段作为消散排队长度阈值，即求解最小交织区长度L_w，公式如下：

L_w＝n×L_b

式中，n：小区数；L_b：车辆进行一次换道所需长度；

综合延误指标、停车次数指标和排队长度指标引入多属性决策模型，将延误指标、停车次数指标和排队长度指标归一化并计算各自所占权重，确定综合评价函数，将该综合评价函数作为双环信号配时决策模型，双环信号配时决策模型Objvalue的公式如下：

Objvalue＝α×D+λ×h+w

B＝L_Smax-Q

C＝L_S3-Q

L_Smax＝max(L_S1,L_S2,L_S3)

其中，w₁、w₂为归一化车辆排队长度；Q为排队长度阈值；L_S为实际消散排队长度；D为归一化延误值；h为停车次数；α、λ、θ₁、θ₂则为各指标权重值。

10.根据权利要求1所述的一种城市饱和交叉口信号配时的优化方法，其特征在于，S4中具体包括如下步骤：

(1)按照S3的相位相序给定条件，随机生成的绿灯时长群体采用如下方式编码：

<G₁|G₂|α₁|α₂…|α_i>

其中，G₁、G₂为两条分割线的各自时长；α_i为分割线内相位的比例；

(2)适应度函数的计算，与双环配时模型的综合评价函数有关，具体为：将所述绿灯配时群体、S1得到的滞留车辆数以及S2得到的预测周期交叉口进口道的转向流量代入S3得到的双环信号配时决策模型中，计算S3的预测周期的延误指标、停车次数指标和排队长度指标，得出根据预测周期的延误、停车次数和排队长度建立的综合评价函数值objvalue，适应度函数fitvalue为：

其中，i为当前迭代次数；C_min为随迭代次数变化的实数，取值方法如下：

其中，growtime为最大迭代次数；bestfit为当前种群最优解；

(3)对群体中不同适应度的个体进行选择、单点交叉及新的变异操作保留最优个体，选择机制为赌盘选择法，交叉操作采用标准的单点交叉，变异采用不完全变异与完全变异相结合的方式，按照生成的随机数取值来确定变异选择方式，新的变异为：

(4)通过多次的迭代循环，得到若干个不同适应度的个体，筛选并保存出综合评价最优个体的预测信号周期的交叉口绿灯配时，将该预测周期绿灯配时作为城市饱和交叉口信号配时方案。

Images