CN111009140B - 一种基于开源路况信息的智能交通信号控制方法 - Google Patents

Abstract

本发明公开了一种基于开源路况信息的智能交通信号控制方法，克服了现有技术中，交通信号控制的智能程度仍待改进的问题。该发明含有以下步骤：步骤1，采集开源实时路况下的交通数据；步骤2，评价拥塞指数；步骤3，构建智能信号周期模型；步骤4，基于开源实时路况交通数据的路口信号灯配时模型。该技术主要用来应对高峰时段的交通拥塞，实验结果与预期一致，交通愈拥塞，本方法缓解效果愈好，在一般拥塞情况下减少拥塞排队16.14％，在严重拥塞情况下减少拥塞排队29.99％，显著提升了道路的通行能力，一方面可以节约城市道路建设成本，另一方面可以降低车辆出行成本。

Description

一种基于开源路况信息的智能交通信号控制方法

技术领域

本发明涉及智能交通领域，特别是涉及一种基于开源路况信息的智能交通信号控制方法。

背景技术

随着社会经济的发展和城市化进程的加块，城市的人口与车辆急剧增加，交通拥塞问题变得愈加严重。在特大城市，交通拥塞问题已经严重影响到人们的工作与生活，在中国北京，城市面积1445.54km2，市区人口2154.2万，高峰时段平均车速只有23.35km/h。早期，特大城市主要通过新建道路、建设立交桥和兴修地铁来解决交通拥塞问题，但是这种方法存在两方面问题，一是城市土地资源及空间有限，不可能无限制地修建道路，二是建设道路需要大量的资金投入，会大大增加城市的经济负担。因此，当城市道路建设到达一定阶段后，提高道路的通行能力就具有重要意义。

研究表明，多数交通拥塞的形成并非道路的通行能力不足，而是由于路口的信号控制不合理导致。传统的交通信号控制方式大多是定时控制，其无法根据实时交通拥塞状况智能地调整信号周期和各相位绿灯时长，无法主动适应交通流量的较大波动以及道路事件(如交通事故)的发生。因此，诸多国家开始采用智能的方式来进行交通信号控制。现有的智能交通信号控制主要分为3类：感应控制、神经网络控制和模糊控制。感应控制是以检测器检测的交通流信息为基础，通过调整绿灯时长来适应交通需求的一种交通信号控制方法。Ayesha Atta等利用感应控制的方法，通过感知交通流密度来动态控制交通信号的配时，有效地减少了交通拥堵。Zhang G H等利用实时排队长度以及各相位的车流到达情况对交通信号控制参数进行动态优化，使信号控制系统的效率得到较大提高。感应控制在一定程度上适应了交通需求的实时变化，但是其需要在道路上安装地感线圈、测速雷达等监测工具，成本和维护费用高，而且感应控制的控制对象只是单个路口的一个相位的绿灯时间。神经网络控制是采用神经网络对难以精确描述的复杂问题进行建模的一种控制方法。Guiilherme B.Castro等提出了一种自适应生物学激发的神经网络用于城市交通管理控制，它通过接收系统状态来改变控制方案的行为以及信号量阶段的顺序，对不同的初始条件具有较好的鲁棒性，并且在系统平衡状态之间具有快速适应性。邱祥利用BP神经网络控制算法研究出了一种能够根据车流量的变化智能调节车辆通行时间的交通控制系统，该系统能够提高车流量的调度效率，有效地缓解城市交通拥堵状况。神经网络控制具有较好的鲁棒性和智能性，而且能够控制不确定的、多维的和非线性的复杂系统。但是，在网络训练过程中，确定它的初始权值具有一定难度，并且对信号控制器硬件的计算速度与能力要求非常高。模糊控制将手动控制或经验控制的过程用条件语句来描述，形成模糊控制规则，易于实现对动态复杂对象的控制。Trabia M B等人设计了基于模糊逻辑的信号控制器，并将其应用到单点交叉口，证明模糊信号控制器的控制效果好于传统信号控制。Murat等提出了具有相序优化功能的模糊逻辑信号模块，并将应用到两相位和三相位交叉口的控制情况。C.A.Teixeira等采用了模糊控制的方法来调节交通信号灯的绿灯时间，使得车辆的通行量和行人的等待时间保持在合理水平。Khooban M H等将通用类型2模糊逻辑集和回溯搜索算法(MBSA)相结合来控制交通信号调度和相位连续，确保车辆等待时间和平均排队长度保持在合理水平。王一鸣等提出了一种基于模糊控制算法的单交叉路口交通信号灯的优化控制方案，根据车流量的实时变化对红绿灯延时进行可靠控制，从而大幅提高了交通效率。模糊控制不需要建立准确的数学模型，其可从专家经验中得出模糊控制规则。因此，模糊控制在应对实时多变的交通流，以及复杂的十字路口、环岛等，可以取得较好的效果。

另外，现在大多数智能交通信号控制方式为单个路口的信号控制。然而，在一个邻域路口以及更大范围内，每个路口交通信号的调整必将影响相邻路口的交通状况。所以，采用智能交通信号控制的方式解决城市交通拥塞问题时，需要掌握邻域路口乃至更大范围的实时路况信息。目前，实时路况数据的采集主要有三种方式。(1)传统的路况信息检测方法：在城市的路口和道路上安装地感线圈、地磁、测速雷达和视频监测等装置，这些装置主要是来检测道路的占用率、车流量、车速等路况信息。该方式需要大量硬件设备，成本较高，一般政府部门才会采用，数据不容易获得。(2)基于浮动车GPS的路况信息监测：这种方式依赖于出租车、公交车上的GPS设备。车上的GPS终端每隔一定时间(10秒-30秒)向监测中心发送一次信息，这些信息包括车辆的位置信息、车速、行驶方向等。当有足够多的车辆装上这种GPS终端后，就在整个城市中形成了一个动态、实时的路况信息监测网。该方式由于浮动车的数量有限，其采集的数据的覆盖度和实时性较低，数据一般掌握在提供实时路况数据服务的公司，如九州联宇、世纪高通、北大千方等公司，数据获取的难度较大。(3)众源数据：该方式是通过位置权限获取大量交通使用者自主提供的位置、轨迹和速度数据。由于交通使用者的人数很多，该方式获得的数据的覆盖度和实时性较高，而且这种数据一般是由网络实时路况信息发布平台免费发布的，如高德地图、百度地图、腾讯地图等平台，数据获取方便容易。随着面向公众的在线导航地图服务的快速发展，通过开源导航服务平台实时获取城市路况信息成为可能。例如，高德导航地图日活跃用户数已经超过1亿，并且对部分城市发布开源实时路况数据，该数据在覆盖度和实时性方面都有很大优势。

发明内容

本发明克服了现有技术中交通信号控制的智能程度仍待改进的问题，提供一种智能化程度较高的基于开源路况信息的智能交通信号控制方法。

本发明的技术解决方案是，提供一种具有以下结构的基于开源路况信息的智能交通信号控制方法：含有以下步骤：

步骤1，采集开源实时路况下的交通数据；步骤2，评价拥塞指数；步骤3，构建智能信号周期模型；步骤4，基于开源实时路况交通数据的路口信号灯配时模型。

优选地，所述步骤1包括应用程序接口API进行指定线路查询，采用B/S的模式，利用javascript脚本语言编程，获取实时路况数据，分为以下3个分步骤：

步骤1.1，每30秒自动发送一次Http请求URL；

步骤1.2，接收返回的JOSN格式数据；

步骤1.3，从JSON路况数据中提取所需的信息，并将其存储在数据库中以进行道路拥堵评估和模拟。

优选地，所述步骤2包括以下分步骤，

步骤2.1，基于开源实时路况数据的方向路段拥塞评价模型；其中方向路段是指相邻路口之间的单一方向行车道路用公式

表示，其中

为方向路段i的交通拥塞指数，v_i为方向路段i的车速，k为城市高峰时段平均车速；当

时，表示方向路段车速接近平均车速，则路况属于一般；当

时，表示方向路段车速大于平均车速，则路况属于畅通；当

时，表示向路段车速小于平均车速，则路况属于拥塞；

步骤2.2，基于开源实时路况数据的单个路口拥塞评价模型；将路口的每条方向路段的交通拥塞指数进行叠加，并求平均值得到单个路口的交通拥塞指数，用公式

表示，其中

表示方向路段j的交通拥塞指数，n表示路口i内的方向路段条数，

表示路口i的交通拥塞指数；

步骤2.3，基于开源实时路况数据的邻域路口拥塞评价模型；选定最常见的邻域路口情况为研究对象，即当前路口为十字路口及与其相邻有4个十字路口，在确定邻域内各路口的交通拥塞指数的基础上，综合考虑这些路口的交通拥塞状况对邻域交通拥塞状况的影响，将邻域内各路口的交通拥塞指数叠加，再求取平均值，建立邻域路口的交通拥塞评价模型，用公式

表示，其中t表示邻域内路口数量，

表示路口j的交通拥塞指数，

表示邻域路口的交通拥塞指数。

优选地，所述步骤3包括以下分步骤，

步骤3.1，设计模糊控制方案；

步骤3.2，输入与输出量的模糊化处理，其含有以下分步骤：

步骤3.2.1，输入量的模糊化处理，其中输入量为邻域路口的交通拥塞指数

将输出量的连续论域均匀量化到离散论域Q{-4,-3,-2,-1,0,1,2,3,4}中，在论域Q上定义模糊集合I{十分畅通，畅通，一般，拥塞，十分拥塞}，简记为{A,B,C,D,E}；

步骤3.2.2，输出量的模糊化处理，其中输出量为邻域内路口的平均信号周期

将输出量的连续论域均匀量化到离散论域U{-2,-1,0,1,2}中，在论域U上定义模糊集合O{特短周期，短周期，一般周期，长周期，特长周期},简记为{VS,S,M,L,VL}；

步骤3.3，模糊推理，其包括：

步骤3.3.1，制定模糊控制规则，其为if…then…的形式：(1)、If I_i＝A then O_i＝VS；(2)If I_i＝B then O_i＝S；(3)If I_i＝C then O_i＝M；(4)If I_i＝D then O_i＝L；(5)、IfI_i＝E then O_i＝VL；

步骤3.3.2，模糊推理，其中每一条模糊控制规则用一个模糊推理关系R_i表示，R_i＝I_i×O_i，规则内的模糊集运算取交集；将所有控制规则利用“或”的关系组合在一起，规则间的模糊集运算取并集，描述所有模糊控制规则的模糊推理关系R可写作R＝R₁∪R₂∪R₃∪R₄∪R₅；根据模糊控制规则和模糊推理关系矩阵，采用最常用的最大-最小合成进行模糊推理，即对模糊集合先求交集再求并集，可得输出的模糊集合，用F表示，

步骤3.4，解模糊，其中采用重心法来进行解模糊，用公式

其中n表示输出量离散论域的点数，U_i表示输出量的离散论域点，μ(U_i)表示输出量离散论域对应的隶属度，u表示模糊控制器精确的输出量；模糊控制器精确的输出量u不能直接用于控制，需要转换到邻域内路口的平均信号周期

的范围中，用公式

式中

表示连续论域最大、小值，ΔU表示离散论域最大最小值之差，u表示模糊控制器精确的输出值，

表示邻域内路口的平均信号周期；

步骤3.5基于模糊控制的智能信号周期模型，其中在模糊控制得到邻域内路口的平均信号周期

基础上，根据当前路口的交通拥塞指数与其邻域路口的交通拥塞指数的比值，进一步求得当前路口的信号周期，建立智能信号周期模型，公式

其中

表示当前路口的交通拥塞指数；

表示邻域交通拥塞指数；

表示邻域内路口的平均信号周期；P表示当前路口的信号周期。

优选地，所述步骤4包括，

步骤4.1，十字路口信号灯配时指数模型，其建立步骤如下：

步骤4.1.1，计算出十字路口每条方向路段的拥塞指数；

步骤4.1.2，计算每个相位的绿灯配时指数，将十字路口出口路段车辆汇入方式，即左转、直行和右转的比例和入口路段车辆驶离方式的比例均设为1:3:1，用公式表示东西向干道、南北向干道组成的各个相位，

(一)南北干道相位一，

其中W₁表示十字路口第一相位的绿灯配时指数；

(二)南北干道相位二，

其中W₂表示十字路口第二相位的绿灯配时指数；

(三)东西干道相位三，

其中W₃表示十字路口第三相位的绿灯配时指数；

(四)东西干道相位四，

其中W₄表示十字路口第四相位的绿灯配时指数；m为折减系数，取值范围均为0.15-0.3；

步骤4.2，“T”型路口信号灯配时指数模型，其建立步骤如下，

步骤4.2.1，计算出路口每条方向路段的拥塞指数；

步骤4.2.2，计算路口每个相位的绿灯配时指数，南北向干道路口处车流的规律设定一个直行车辆和转弯车辆的比例，设为3:1；东西向支路路口处车流的规律设定一个左转车辆和右转车辆的比例，本文设为1:1；

“T”型路口三个相位的计算公式如下：

南北干道绿灯通行时相位一，

其中W₁为“T”型路口第一相位的绿灯配时指数；

东西干道绿灯通行时相位二，

其中W₂为“T”型路口第二相位的绿灯配时指数；

南北干道允许左转通行时相位三，

其中W₃为“T”型路口第三相位的绿灯配时指数；m为折减系数，取值范围均为0.15-0.3；

步骤4.3环岛路口信号灯配时指数模型，其建立步骤如下，

步骤4.3.1，计算环岛路口每条方向路段的拥塞指数；

步骤4.3.2，设定环岛路口的入口路段的驶离方式，即左转、直行、右转的比例和入口路段车辆驶离方式的比例均设为1:3:1，用公式表示环岛路口西入口、环岛路口北入口、环岛路口东入口和环岛路口南入口的各个相位，

西入口相位一，

式中W₁表示环岛路口第一相位的绿灯配时指数；

北入口相位二，

式中W₂表示环岛路口第二相位的绿灯配时指数；

东入口相位三，

式中W₃表示环岛路口第三相位的绿灯配时指数；

南入口相位四，

式中W₄表示环岛路口第四相位的绿灯配时指数；

步骤4.4，智能信号绿灯配时模型，其建立步骤如下，基于路口信号灯配时指数模型和模糊控制得到的信号灯周期，计算每个相位的绿灯时间，计算公式如下，

式中W_i表示第i个相位的绿灯时间分配指数，W_j表示第j个相位的绿灯配时指数，T_i表示第i个相位的绿灯时间，n表示路口相位总数，P表示信号灯周期。

与现有技术相比，本发明基于开源路况信息的智能交通信号控制方法具有以下优点：使用高德Web服务平台提供的实时路况数据，分别建立了城市方向路段、单一路口、邻域路口的拥塞评价模型，并结合模糊控制理论在此基础上建立了基于邻域路口拥塞评价的智能信号周期模型和智能信号配时模型，最后使用VISSIM交通仿真软件对模型进行验证。结果表明，本申请提出的模型优于传统定时信号控制系统，而且在严重拥塞时段的效果要优于一般拥塞时段，能够使路网排队长度减少29.99％。。这项研究有助于缓解城市拥塞问题，在严重拥塞城市中具有良好的推广应用前景。

本申请通过真实路况数据的仿真实验，证明了其可行性，实验结果表明该方法能有效缓解交通拥塞的情况。而且，该方法与传统信号控制相比，几乎不需要硬件的投入，主要是软件的开发，其容易实现，成本低廉。

本申请实验证明效果明显。智能交通信号主要用来应对高峰时段的交通拥塞，实验结果与预期一致，交通愈拥塞，本方法缓解效果愈好，在一般拥塞情况下减少拥塞排队16.14％，在严重拥塞情况下减少拥塞排队29.99％，显著提升了道路的通行能力，一方面可以节约城市道路建设成本，另一方面可以降低车辆出行成本。

附图说明

图1是本发明基于开源路况信息的智能交通信号控制方法中十字路口及其方向路段的编号示意图；

图2是本发明基于开源路况信息的智能交通信号控制方法中十字路口与其相邻4个十字路口示意图；

图3是本发明基于开源路况信息的智能交通信号控制方法中智能信号周期的模糊控制结构示意图；

图4是本发明基于开源路况信息的智能交通信号控制方法中模糊化处理的流程示意图；

图5是本发明基于开源路况信息的智能交通信号控制方法中十字路口的各个相位示意图；

图6是本发明基于开源路况信息的智能交通信号控制方法中“T”型路口每个方向路段的编号结构示意图；

图7是本发明基于开源路况信息的智能交通信号控制方法中“T”型路口的三个相位示意图；

图8是本发明基于开源路况信息的智能交通信号控制方法中环岛路口每个方向路段的编号示意图；

图9是本发明基于开源路况信息的智能交通信号控制方法中环岛路口的四个相位示意图；

图10是本发明基于开源路况信息的智能交通信号控制方法中的具体仿真实验框架示意图；

图11是本发明基于开源路况信息的智能交通信号控制方法在VISSIM中建立的路网模型示意图；

图12是本发明基于开源路况信息的智能交通信号控制方法中某时刻的局部仿真交通状况示意图；

图13是本发明基于开源路况信息的智能交通信号控制方法中仿真过程中一般拥塞时段各路口排队长度的柱状图；

图14是本发明基于开源路况信息的智能交通信号控制方法中仿真过程中严重拥塞时段各路口排队长度柱状图。

具体实施方式

下面结合附图和具体实施方式对本发明基于开源路况信息的智能交通信号控制方法作进一步说明：如图所示，本实施例中主要包括开源路况数据的获取、基于开源路况数据的实时拥塞评价、基于实时拥塞评价的智能信号周期计算以及信号灯时相分配计算。

1.1数据获取方法

基于网络实时路况信息开放平台的交通数据采集主要有两种途径。(1)实时交通状况图片：截取网络实时路况信息开放平台发布的实时路况图，在图上以不同颜色的线状矢量表示路段的交通状况。如在高德地图中，将交通状况分为四个级别:畅通、缓行、拥堵、严重拥堵，分别用绿色、黄色、红色、暗红表示。(2)应用程序接口(API)：高德地图提供交通态势查询功能，查询方式分为矩形区域查询、圆形区域查询、指定线路查询。前两种查询方式返回的是查询区域整体的交通状况信息，不适用于对路段拥塞评价和智能交通信号研究，而指定线路查询能够返回较为详细的道路交通状况信息，如采集时间、路段方向、路段路况、平均车速、路段编码等，满足研究的需求。

本申请采用B/S的模式，利用javascript脚本语言编程，获取实时路况数据，分为3个步骤：

(1)每30秒自动发送一次Http请求URL(如:https://restapi.amap.com/v3/traffic/status/road？name＝朱雀大街&city＝西安市&key＝e2c624259b96375b9d9703dff4de72e3&extensions＝all)。其中，name为道路名，city为城市名，key为申请的高德地图Web服务API的密钥，extension用于控制返回结果，其可选值有base和all。当extension＝base时，只返回基本路况信息；当extension＝all时，返回基本路况信息和道路信息。

(2)接收返回的JOSN格式数据。

(3)从JSON路况数据中提取所需的信息，并将其存储在数据库中以进行道路拥堵评估和模拟。

1.2拥塞评价方法

1.2.1基于开源实时路况数据的方向路段拥塞评价模型

方向路段是指相邻路口之间的单一方向行车道路，十字路口及其方向路段编号如图1示。车速是对道路拥塞状况的综合反映，道路拥塞状况与车速成反比，我们通过方向路段的实时车速对方向路段的实时拥塞情况进行评价。拥塞评价公式见式(1)。

其中，

为方向路段i的交通拥塞指数，v_i为方向路段i的车速，k为城市高峰时段平均车速。当

时，表示方向路段车速接近平均车速，此时路况属于一般；当

时，表示方向路段车速大于平均车速，此时路况属于畅通；当

时，表示向路段车速小于平均车速，此时路况属于拥塞。

1.2.2基于开源实时路况数据的单个路口拥塞评价模型

将路口的每条方向路段的交通拥塞指数进行叠加，并求平均值得到单个路口的交通拥塞指数，公式见式(2)。

其中，

表示方向路段j的交通拥塞指数，n表示路口i内的方向路段条数，

表示路口i的交通拥塞指数。

1.2.3基于开源实时路况数据的邻域路口拥塞评价模型

选定最常见的邻域路口情况为研究对象，即当前路口为十字路口，与其相邻有4个十字路口，如图2所示。

在确定邻域内各路口的交通拥塞指数的基础上，综合考虑这些路口的交通拥塞状况对邻域交通拥塞状况的影响，将邻域内各路口的交通拥塞指数叠加，再求取平均值，建立邻域路口的交通拥塞评价模型，见公式(3)：

其中，t表示邻域内路口数量，

表示路口j的交通拥塞指数，

表示邻域路口的交通拥塞指数。

1.3智能信号周期模型

1.3.1模糊控制方案的设计

城市交通信号周期是典型的模糊变量，可以通过模糊控制方法实现信号周期的智能改变，智能信号周期的模糊控制结构见图3。控制的核心是模糊控制器，其通过三个步骤实现，包括输入与输出量的模糊化处理、模糊推理和解模糊。输入量为邻域路口的交通拥塞指数，经过模糊控制器处理获取邻域路口平均信号周期，然后用邻域路口平均信号周期乘以当前路口交通拥塞指数与其邻域路口交通拥塞指数的比值，得到当前路口的信号周期，从而实现每个路口的智能周期控制，下面介绍模糊控制方案的实现方法。

1.3.2输入与输出量的模糊化处理

输入量与输出量的模糊化处理原理一致，流程见图4

1.3.2.1输入量的模糊化处理

通过对连续采集的路况数据统计可以获得高峰时段的平均车速k，采用公式(1)、(2)、(3)可以计算出所有路口对应的邻域路口交通拥塞指数

并将其作为输入量，其取值范围即连续论域。连续论域量化到离散论域的方法分为非均匀量化和均匀量化，由于邻域路口的拥塞状况并不随着邻域路口交通拥塞指数均匀变化且考虑到智能交通信号的灵敏度，因此将输入量的连续论域非均匀量化到离散论域Q{-4,-3,-2,-1,0,1,2,3,4}中。在论域Q上定义通行状态模糊集合I{十分畅通，畅通，一般，拥塞，十分拥塞}，简记为{A,B,C,D,E}。隶属度函数主要分为Z函数、S函数和Π函数，本申请采用的三角形隶属度函数属于Π函数，其具有常用且易于实现的特点，其公式见式(4)。通过总结专家经验和多次实验确定每个输入量模糊集合的三角形隶属度函数的参数，见表1。离散论域Q对通行状态模糊集合I的隶属度见表2。

表1输入量模糊集合的三角形隶属度函数的参数

表2输入量离散论域对通行状态模糊集合I的隶属度

统计收集的数据得到西安市的车速范围为[5,65]，高峰时段平均车速为25.59km/h，邻域路口交通拥塞指数分布见表3，连续论域[0.39，5.12]非均匀量化结果见表4

表3西安市邻域路口交通拥塞指数分布

表4输入量连续论域非均匀量化表

1.3.2.2输出量的模糊化处理

输出量为邻域内路口的平均信号周期

将输出量的连续论域均匀量化到离散论域U{-2,-1,0,1,2}中。在论域U上定义模糊集合O{特短周期，短周期，一般周期，长周期，特长周期},简记为{VS,S,M,L,VL}。每个输出量模糊集合的三角形隶属度函数的参数见表5离散论域U对模糊集合O的隶属度见表6。

表5输出量模糊集合的三角形隶属度函数的参数

表6输出量离散论域对模糊集合O的隶属度

1.3.3模糊推理

1.3.3.1模糊控制规则的制定

模糊控制规则是将专家经验或手动控制策略加以总结而得到的一组模糊条件语句。本申请的5条模糊控制规则表示为If…then…的形式为：

1)If I_i＝A then O_i＝VS；

2)If I_i＝B then O_i＝S；

3)If I_i＝C then O_i＝M；

4)If I_i＝D then O_i＝L；

5)If I_i＝E then O_i＝VL；

1.3.3.2模糊推理

每一条模糊控制规则都可以用一个模糊推理关系R_i表示，R_i＝I_i×O_i，规则内的模糊集运算取交集。将所有控制规则利用“或”的关系组合在一起，规则间的模糊集运算取并集，描述所有模糊控制规则的模糊推理关系R可写作R＝R₁∪R₂∪R₃∪R₄∪R₅。

根据模糊控制规则和模糊推理关系矩阵，采用最常用的最大-最小合成进行模糊推理，即对模糊集合先求交集再求并集，可得输出的模糊集合，用F表示，

1.3.4解模糊

解模糊是将模糊推理得出的模糊集合进一步确定为精确量。常采用重心法来进行解模糊，因为该方法考虑了最多的隶属度、具有良好的稳定性、应用广泛，公式见式(5)。

其中，n表示输出量离散论域的点数，U_i表示输出量的离散论域点，μ(U_i)表示输出量离散论域对应的隶属度，u表示模糊控制器精确的输出量。由于模糊控制器精确的输出量u不能直接用于控制，需要转换到邻域内路口的平均信号周期

的范围中，见式(6)。

式中，

表示连续论域最大、小值，ΔU表示离散论域最大最小值之差，u表示模糊控制器精确的输出值，

表示邻域内路口的平均信号周期。

1.3.5基于模糊控制的智能信号周期模型

在模糊控制得到邻域内路口的平均信号周期

基础上，根据当前路口的交通拥塞指数与其邻域路口的交通拥塞指数的比值，进一步求得当前路口的信号周期，建立智能信号周期模型。公式见式(7)：

其中，

表示当前路口的交通拥塞指数；

表示邻域交通拥塞指数；

表示邻域内路口的平均信号周期；P表示当前路口的信号周期。

1.4基于开源实时路况数据的信号灯配时指数模型

相位是指在一个信号周期内，任何时刻都获得完全相同的信号灯色显示的一股或几股车流获得不同灯色(绿灯、黄灯、红灯)的连续时序。通过建立智能信号周期模型，仅仅只能对信号灯的总周期进行智能控制，而不能控制各绿灯的时长，因此需要建立配时指数模型将信号总周期合理的分配给各相位的绿灯。

信号灯配时指数由信号相位各车流拥塞指数变换叠加得到。每个路口都有进入路口的路段(简称入口)和离开路口的路段(简称出口)。车流拥塞指数由出入口的拥塞指数、车辆转向比例决定。首先，本申请设定每个出口路段以左转、直行、右转方式驶离和每个入口路段以左转、直行、右转方式汇入的比例为1:3:1。其次，由于交通拥塞的后向传递特性，入口产生拥塞时，应延长该方向绿灯时长，出口产生拥塞时，应缩短该方向的绿灯时长，因此，车流拥塞指数与入口、出口的拥塞指数分别是正、负相关关系。最后，在分配当前路口相位的绿灯时长时，由于出口的拥塞是本路口引起的，而入口的拥塞是邻近路口引起的，故出口拥塞指数的影响小于入口拥塞指数，因此，出口拥塞指数的影响要乘以折减系数m，其取值通过多次实验得出，m的取值范围为0.15-0.3，此处将m取值为0.2。

各相位的配时指数具体计算过程可以分为两部份：一、计算出口拥塞指数，二、计算入口拥塞指数。出口路段的拥塞指数为该方向路段的车流在本相位离开的比例乘以该方向路段的拥塞指数再乘以折减系数m再取负，将所有出口路段的拥塞指数相加即为出口拥塞指数。入口路段的拥塞指数为该方向路段的车流在本相位进入的比例乘以该方向路段的拥塞指数，将所有入口路段的拥塞指数相加即为入口拥塞指数。出口拥塞指数加上入口拥塞指数即得到该相位的配时指数。

1.4.1十字路口信号灯配时指数模型

十字路口每个方向路段编号如图1所示，模型建立步骤如下。

第一步，根据公式(1)计算出十字路口每条方向路段的拥塞指数。

第二步，计算每个相位的绿灯配时指数，路段1、3、5、7在该路口为入口路段，路段2、4、6、8在该路口为出口路段。每个入口路段的车辆都可能以左转、直行、右转的方式驶离，而每个出口路段的车辆都可能以左转、直行、右转的方式汇入。因此将十字路口出口路段车辆汇入方式(左转、直行、右转)的比例和入口路段车辆驶离方式(左转、直行、右转)的比例均设为1:3:1。计算公式如式(8)、(9)、(10)、(11)，各个相位示意图如图5。

(一)相位一

其中，W₁表示十字路口第一相位的绿灯配时指数。

(二)相位二

其中，W₂表示十字路口第二相位的绿灯配时指数。

(三)相位三

其中，W₃表示十字路口第三相位的绿灯配时指数。

(四)相位四

其中，W₄表示十字路口第四相位的绿灯配时指数。

1.4.2“T”型路口信号灯配时指数模型

“T”型路口每个方向路段编号如图6所示，“T”型路口信号灯配时指数模型建立步骤如下。

第一步，根据公式(1)计算出路口每条方向路段的拥塞指数。

第二步，计算路口每个相位的绿灯配时指数，从路段1到路段2和从路段5到路段6的车流不会对其他车流产生影响，因此信号灯设置为常绿，而从路段3到路段4车流则跟随直行车流。

在路段1、3上车辆通过路口有两种选择，一是直行通过，二是转弯由路段4离开，根据路口处车流的规律可以设定一个直行车辆和转弯车辆的比例，本申请中设为3:1。

在路段2、6上车辆的来源也有直行和转弯两种可能，同样根据路口处车流的规律设定一个直行车辆和转弯车辆的比例，本申请中设为3:1。

在路段4、5上车辆来源和去向也是有两种可能，分别为左转和右转，根据路口处车流的规律设定一个左转车辆和右转车辆的比例，本申请设为1:1。计算公式如式(12)、(13)、(14)，“T”型路口有三个相位，各相位图示如图7。

(一)相位一

其中，W₁为“T”型路口第一相位的绿灯配时指数。

(二)相位二

其中，W₂为“T”型路口第二相位的绿灯配时指数。

(三)相位三

其中，W₃为“T”型路口第三相位的绿灯配时指数。“T”型路口和十字路口中的折减系数m的取值范围均为0.15-0.3，此处也将m取值为0.2。

1.4.3环岛路口信号灯配时指数模型

环岛路口每个方向路段编号如图8所示，环岛路口的信号灯配时指数模型建立过程如下：

第一步，按照公式(1)计算环岛路口每条方向路段的拥塞指数。

第二步，将环岛路口信号灯分为四个相位，根据每条方向路段的拥塞指数计算每个相位的绿灯配时指数，与十字路口相似，1、3、5、7为入口路段，2、4、6、8为出口路段。每个入口路段的车辆都可能以左转、直行、右转的方式驶离，每个出口路段的车辆都可能以左转、直行、右转的方式汇入。因此设定环岛路口的入口路段的驶离方式(左转、直行、右转)的比例和入口路段车辆驶离方式(左转、直行、右转)的比例均设为1:3:1。计算公式如式(15)、(16)、(17)、(18)，相位图如图9。

(一)相位一

式中，W₁表示环岛路口第一相位的绿灯配时指数。

(二)相位二

式中，W₂表示环岛路口第二相位的绿灯配时指数。

(三)相位三

式中，W₃表示环岛路口第三相位的绿灯配时指数。

(四)相位四

式中，W₄表示环岛路口第四相位的绿灯配时指数。

1.5智能信号绿灯配时模型

基于路口信号灯配时指数模型和模糊控制得到的信号灯周期，计算每个相位的绿灯时间，计算公式如式(19)。

其中，W_i表示第i个相位的绿灯时间分配指数，W_j表示第j个相位的绿灯时间分配指数，T_i表示第i个相位的绿灯时间，n表示路口相位总数，P表示信号灯周期。

2仿真实验及结果

2.1仿真软件介绍

VISSIM微观交通仿真软件是由德国PTV公司开发的，软件中可以设置车道数、车流量、期望速度、行车安全距离、路径决策、信号灯控制器、检测器等，其具有良好的交通流生成模型和信号控制模型，两者之间能实时地交换检测到的数据和信号状态，用于实时控制交通流，并可以显示交通仿真的动画效果，输出多种统计数据，如道路的车辆排队长度等，且支持多种编程语言进行二次开发，适用于验证、评价交通控制方案。

2.2仿真实验设计

本申请使用VISSIM软件，选取中国西安市中南部24个路口作为仿真区域。考虑到智能交通信号仅仅在拥塞时段才能发挥作用，所以选取2个一般拥塞时段和2个严重拥塞时段的高德实时路况数据，分别进行定时信号控制和智能信号控制仿真，通过对比15个路口排队长度变化评价智能交通信号模型的效用，具体仿真实验框架图如图10。

2.3仿真数据介绍

西安市是中国机动车保有量超过300万辆的8个城市之一，其2018年度交通运行处于“亚健康”状态。仿真区域为西安市中南部24个路口，该区域交叉路口种类多样，含有13个十字路口，6个“T”型路口，2个环岛路口，3个立交桥，在高峰时段常发生交通拥塞，因此选择该区域作为仿真区域；基于高德开放平台的Web服务API，获取该区域的真实路况数据，主要数据为时间、方向路段的编码和方向路段上车辆的行车速度，仿真时段选取2019年5月23日8：30-9：00和5月28日17：30-18：00两个一般拥塞时段，2019年5月27日7：50-8：20和5月28日8：00-8：30两个严重拥塞时段。

2.4仿真实验结果

2.4.1路网模型建立及仿真环境设置

以SUMO软件获取该区域的OpenStreetMap路网图作为底图，根据百度地图街景地图确定车道数和路口处的车道转向，在VISSIM中建立路网模型，如图11所示：VISSIM软件中车流量为每小时进入道路模型起点的车辆数。为尽可能模拟实际拥塞状况，设车流量与车速负相关。在VISSIM软件中是通过车流量控制交通的流量，这里需要将行车速度转换为车流量。根据实地检测，在一个小时包含的绿灯时间内，车速约为30km/h时，单车道在理想状态下通过车辆数约为240-350辆，对车速为0-70km/h时的车流量进行估计，并与高德实时路况对比确定其大致符合真实路况，具体车速与流量对应关系见表7。

表7车速与流量对应关系

分别对定时信号控制和智能信号控制的信号灯进行设置。定时信号控制相关参数见表8。

表8定时信号控制相关参数

在Vissim中通过C#编程实现交通信号的动态智能控制。首先采用拥塞评价模型获取邻域路口拥塞指数，然后通过模糊控制计算获取当前路口的动态信号周期，再通过信号灯时相分配模型实现交通信号的动态智能控制。在智能信号控制中，十字路口和环岛路口的信号周期范围设置为92到162秒，各相位最长绿灯时间为50秒，最短绿灯时间为20秒；“T”型路口的信号周期范围为[69-129]秒，各相位最长绿时间为40秒，最短绿灯时间为20秒；各路口的每个黄灯时长均为3秒。

选择代表性15个路口的入口设置排队计数器(Queue Counters)，分别是路口1、2、3、4、5、8、9、14、15、16、17、20、21、22、23。VISSIM中根据车速来定义排队长度(单位：米)，当车速度减小到5km/h，则认为该车开始排队；当速度增加到超过10km/h，则认为该车结束排队，排队长度即为排队状态下的第一辆车到最后一辆车的距离。本实验选择交通高峰时段进行了1800秒仿真，每隔600秒检测一次排队长度，图12为某仿真时刻局部的交通状况。

2.4.2仿真实验结果

两个一般拥塞时段最后600秒检测的排队长度见表9，对应柱状图见图13。

表9一般拥塞时段各路口排队长度统计表

两个严重拥塞时段最后一次检测的15个路口排队长度见表10，对应柱状图见图14，路网总排队长度见表11。

表10严重拥塞时段各路口排队长度统计表

表11路网总排队长度统计表

2.4.3总结：

本申请针对智能交通发展的需求，利用实时开源路况数据，建立了基于实时拥塞评价的智能信号模型并对其进行仿真验证。研究了基于高德地图API的实时路况信息获取方法，基于方向路段车速建立了方向路段、单个路口、邻域路口实时拥塞评价模型，建立了基于模糊控制的智能信号周期模型和智能信号配时模型。最后使用VISSIM交通仿真软件，采用西安真实路况数据对建立的拥塞评价模型和智能信号模型进行了仿真，并与传统交通信号控制方法进行对比，本申请取得如下成果：

(1)验证了通过开源实时路况数据建立智能交通信号模型的可行性与优势。开源实时路况信息具有数据易获取、成本低、实时性好、覆盖度高等优点，本申请从数据的获取到拥塞评价，再到智能信号周期模型的建立给出了系统的解决方案，并通过真实城市交通数据进行了仿真验证，证明了本申请提出方法的可行性与优势。

(2)建立了基于开源实时路况数据的拥塞评价模型。基于实时的方向路段行车速度数据，分别建立了方向路段、单个路口、邻域路口的实时拥塞评价模型，并进一步建立了基于邻域路口拥塞评价的智能信号周期模型和基于开源实时路况数据的智能信号配时模型，为实现智能信号系统奠定了基础，对严重拥塞比一般拥塞效果更好这一现象分析发现：1)严重拥塞时，路口的拥塞指数更高，智能信号算法分配的信号周期也更长，使得更多车辆通过路口，拥塞缓解效果更好；2)严重拥塞时，道路中拥塞的车辆更多，智能信号算法为其分配更长的绿灯时长，使得更多车辆通过路口，拥塞缓解效果更好。。

(3)通过仿真实验证明了本申请提出的智能交通信号模型对缓解交通拥塞的显著作用。通过采集西安市开源交通数据并在VISSIM平台进行仿真实验，结果表明，采用基于实时交通拥塞评价的智能信号控制系统优于定时信号控制系统，有效减少了路网的车辆排队长度，对于严重拥塞时段，减少路网排队长度达29.99％，在严重拥塞城市中具有良好的推广应用前景。

Claims (4)

1.一种基于开源路况信息的智能交通信号控制方法，其特征在于：含有以下步骤：

步骤1，采集开源实时路况下的交通数据；

步骤2，评价拥塞指数；

步骤3，构建智能信号周期模型，其含有以下分步骤，

步骤3.1，设计模糊控制方案；

步骤3.2，输入与输出量的模糊化处理，其含有以下分步骤：

步骤3.2.1，输入量的模糊化处理，其中输入量为邻域路口的交通拥塞指数

将输出量的连续论域均匀量化到离散论域Q{-4,-3,-2,-1,0,1,2,3,4}中，在论域Q上定义模糊集合I{十分畅通，畅通，一般，拥塞，十分拥塞}，简记为{A,B,C,D,E}；

步骤3.2.2，输出量的模糊化处理，其中输出量为邻域内路口的平均信号周期

将输出量的连续论域均匀量化到离散论域U{-2,-1,0,1,2}中，在论域U上定义模糊集合O{特短周期，短周期，一般周期，长周期，特长周期},简记为{VS,S,M,L,VL}；

步骤3.3，模糊推理，其包括：

步骤3.3.1，制定模糊控制规则，其为if…then…的形式：(1)、If I_i＝A then O_i＝VS；(2)If I_i＝B then O_i＝S；(3)If I_i＝C then O_i＝M；(4)If I_i＝D then O_i＝L；(5)、If I_i＝E then O_i＝VL；

步骤3.3.2，模糊推理，其中每一条模糊控制规则用一个模糊推理关系R_i表示，R_i＝I_i×O_i，规则内的模糊集运算取交集；将所有控制规则利用“或”的关系组合在一起，规则间的模糊集运算取并集，描述所有模糊控制规则的模糊推理关系R可写作R＝R₁∪R₂∪R₃∪R₄∪R₅；根据模糊控制规则和模糊推理关系矩阵，采用最常用的最大-最小合成进行模糊推理，即对模糊集合先求交集再求并集，可得输出的模糊集合，用F表示，

步骤3.4，解模糊，其中采用重心法来进行解模糊，用公式

其中n表示输出量离散论域的点数，U_i表示输出量的离散论域点，μ(U_i)表示输出量离散论域对应的隶属度，u表示模糊控制器精确的输出量；模糊控制器精确的输出量u不能直接用于控制，需要转换到邻域内路口的平均信号周期

的范围中，用公式

式中

表示连续论域最大、小值，ΔU表示离散论域最大最小值之差，u表示模糊控制器精确的输出值，

表示邻域内路口的平均信号周期；

步骤3.5基于模糊控制的智能信号周期模型，其中在模糊控制得到邻域内路口的平均信号周期

基础上，根据当前路口的交通拥塞指数与其邻域路口的交通拥塞指数的比值，进一步求得当前路口的信号周期，建立智能信号周期模型，公式

其中

表示当前路口的交通拥塞指数；

表示邻域交通拥塞指数；

表示邻域内路口的平均信号周期；P表示当前路口的信号周期；

步骤4，建立基于开源实时路况交通数据的路口信号灯配时模型。

2.根据权利要求1所述的基于开源路况信息的智能交通信号控制方法，其特征在于：所述步骤1包括应用程序接口API进行指定线路查询，采用B/S的模式，利用javascript脚本语言编程，获取实时路况数据，分为以下3个分步骤：

步骤1.1，每30秒自动发送一次Http请求URL；

步骤1.2，接收返回的JOSN格式数据；

步骤1.3，从JSON路况数据中提取所需的信息，并将其存储在数据库中以进行道路拥堵评估和模拟。

3.根据权利要求1所述的基于开源路况信息的智能交通信号控制方法，其特征在于：所述步骤2包括以下分步骤，

步骤2.1，基于开源实时路况数据的方向路段拥塞评价模型；其中方向路段是指相邻路口之间的单一方向行车道路用公式

表示，其中

为方向路段i的交通拥塞指数，v_i为方向路段i的车速，k为城市高峰时段平均车速；当

时，表示方向路段车速接近平均车速，则路况属于一般；当

时，表示方向路段车速大于平均车速，则路况属于畅通；当

时，表示向路段车速小于平均车速，则路况属于拥塞；

步骤2.2，基于开源实时路况数据的单个路口拥塞评价模型；将路口的每条方向路段的交通拥塞指数进行叠加，并求平均值得到单个路口的交通拥塞指数，用公式

表示，其中

表示方向路段j的交通拥塞指数，n表示路口i内的方向路段条数，

表示路口i的交通拥塞指数；

步骤2.3，基于开源实时路况数据的邻域路口拥塞评价模型；选定最常见的邻域路口情况为研究对象，即当前路口为十字路口及与其相邻有4个十字路口，在确定邻域内各路口的交通拥塞指数的基础上，综合考虑这些路口的交通拥塞状况对邻域交通拥塞状况的影响，将邻域内各路口的交通拥塞指数叠加，再求取平均值，建立邻域路口的交通拥塞评价模型，用公式

表示，其中t表示邻域内路口数量，

表示路口j的交通拥塞指数，

表示邻域路口的交通拥塞指数。

4.根据权利要求1所述的基于开源路况信息的智能交通信号控制方法，其特征在于：所述步骤4包括，

步骤4.1，十字路口信号灯配时指数模型，其建立步骤如下：

步骤4.1.1，计算出十字路口每条方向路段的拥塞指数；

步骤4.1.2，计算每个相位的绿灯配时指数，将十字路口出口路段车辆汇入方式，即左转、直行和右转的比例和入口路段车辆驶离方式的比例均设为1:3:1，用公式表示东西向干道、南北向干道组成的各个相位，

(一)南北干道相位一，

其中W₁表示十字路口第一相位的绿灯配时指数；

(二)南北干道相位二，

其中W₂表示十字路口第二相位的绿灯配时指数；

(三)东西干道相位三，

其中W₃表示十字路口第三相位的绿灯配时指数；

(四)东西干道相位四，

其中W₄表示十字路口第四相位的绿灯配时指数；m为折减系数，取值范围均为0.15-0.3；

步骤4.2，“T”型路口信号灯配时指数模型，其建立步骤如下，

步骤4.2.1，计算出路口每条方向路段的拥塞指数；

步骤4.2.2，计算路口每个相位的绿灯配时指数，南北向干道路口处车流的规律设定一个直行车辆和转弯车辆的比例，设为3:1；东西向支路路口处车流的规律设定一个左转车辆和右转车辆的比例，本文设为1:1；

“T”型路口三个相位的计算公式如下：

南北干道绿灯通行时相位一，

其中W₁为“T”型路口第一相位的绿灯配时指数；

东西干道绿灯通行时相位二，

其中W₂为“T”型路口第二相位的绿灯配时指数；

南北干道允许左转通行时相位三，

其中W₃为“T”型路口第三相位的绿灯配时指数；m为折减系数，取值范围均为0.15-0.3；

步骤4.3环岛路口信号灯配时指数模型，其建立步骤如下，

步骤4.3.1，计算环岛路口每条方向路段的拥塞指数；

步骤4.3.2，设定环岛路口的入口路段的驶离方式，即左转、直行、右转的比例和入口路段车辆驶离方式的比例均设为1:3:1，用公式表示环岛路口西入口、环岛路口北入口、环岛路口东入口和环岛路口南入口的各个相位，

西入口相位一，

式中W₁表示环岛路口第一相位的绿灯配时指数；

北入口相位二，

式中W₂表示环岛路口第二相位的绿灯配时指数；

东入口相位三，

式中W₃表示环岛路口第三相位的绿灯配时指数；

南入口相位四，

式中W₄表示环岛路口第四相位的绿灯配时指数；

步骤4.4，智能信号绿灯配时模型，其建立步骤如下，基于路口信号灯配时指数模型和模糊控制得到的信号灯周期，计算每个相位的绿灯时间，计算公式如下，

式中W_i表示第i个相位的绿灯时间分配指数，W_j表示第j个相位的绿灯配时指数，T_i表示第i个相位的绿灯时间，n表示路口相位总数，P表示信号灯周期。

Images