CN111311913A - 一种提高公路变窄路段通行效率的控制方法和系统 - Google Patents

一种提高公路变窄路段通行效率的控制方法和系统 Download PDF

Info

Publication number
CN111311913A
CN111311913A CN202010118824.4A CN202010118824A CN111311913A CN 111311913 A CN111311913 A CN 111311913A CN 202010118824 A CN202010118824 A CN 202010118824A CN 111311913 A CN111311913 A CN 111311913A
Authority
CN
China
Prior art keywords
vehicle
vehicles
traffic
type
speed
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.)
Granted
Application number
CN202010118824.4A
Other languages
English (en)
Other versions
CN111311913B (zh
Inventor
郭宇晴
姚丹亚
张毅
岳云
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202010118824.4A priority Critical patent/CN111311913B/zh
Publication of CN111311913A publication Critical patent/CN111311913A/zh
Application granted granted Critical
Publication of CN111311913B publication Critical patent/CN111311913B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Abstract

本发明属涉及一种提高公路变窄路段通行效率的控制方法和系统，包括：S1.记录每个采样时刻获得的各路段各车道中各类型车辆的平均速度、流量和车流密度；S2.基于Multi‑Class CTM模型，结合不同车道限速和换道的车辆数，建立交通流预测模型，其中测量值作为预测模型预测交通未来动态的初始条件；S3.基于交通流预测模型，建立优化问题的目标函数和约束条件,并求解有限时域优化问题；S4.基于模型预测控制的滚动优化框架，将优化问题解序列中第一个元素作用于被控对象，进入下一采样时刻，重复上述步骤直至完成整个采样时段。本方案预测了施加速度和换道控制后不同车道间有限时间内的交通状态变化，提高了预测精度。

Description

一种提高公路变窄路段通行效率的控制方法和系统
技术领域
本发明是关于一种提高公路变窄路段通行效率的控制方法和系统，属于动态交通控制领域。
背景技术
无人驾驶与智能网联技术的飞速发展，使得车辆自身不仅具有自动驾驶的功能，还可以与其他车辆、控制系统等进行实时通信。通过无人驾驶与智能网联技术，不仅可以获取全时空的交通信息，还可以对道路上的所有车辆进行协同控制，从而极大提升交通效率。上述优点在高速公路变窄路段控制上尤其明显。由于道路设计、交通事故、道路施工等因素，高速公路上经常会出现车道数目减少路段。在这些路段，由于车道数目减少，大量车辆会在此发生集中换道行为，加强了车辆间的相互干扰，使交通流运行状态混乱，严重降低了通行效率。
针对变窄路段，现有研究主要为两种，一种是通过对变窄路段上游的车辆进行限速控制，通过控制速度，减少经过瓶颈处的车流量，从而减少了变窄路段处的车辆相互影响。另一种则控制上游车辆进行提前换道。前者没有充分考虑变窄路段瓶颈处会存在大量车辆的被迫换道的情况，导致控制效果有限；而后者忽视了由于部分车道封闭所带来的相邻车道不同道路速度差异，导致当周围车辆速度差与换道间隙不满足换道条件时，无法执行换道控制。
发明内容
针对上述现有技术的不足，本发明的目的是提供一种提高公路变窄路段通行效率的控制方法和系统，其充分考虑了速度控制与换道控制之间的相互影响，基于多类型元胞传输模型(Multi-Class Cell Transition Model,Multi-ClassCTM模型)，预测施加速度和换道控制后不同车道间有限时间内的交通状态变化，提高了预测精度，将速度控制与换道控制统一到一个优化问题中，使优化问题形式简单有效，且便于求解，可以很方便的进行道路交通协同控制。
为实现上述目的，本发明提供了一种提高公路变窄路段通行效率的控制方法，包括以下步骤：S1.记录每个采样时刻获得的各路段各车道中各类型车辆的平均速度、流量和车流密度；S2.基于Multi-Class CTM模型，结合不同车道限速和换道的车辆数，建立交通流预测模型，步骤S1中获得的平均速度、流量和车流密度作为预测模型预测交通未来动态的初始条件；S3.基于交通流预测模型，建立有限时域优化问题的目标函数和约束条件，并求解有限时域优化问题；S4.将优化问题的解序列中第一个元素作用于被控对象，即将优化问题的解序列中第一个最佳速度控制量和最佳的换道车辆数用于公路控制，同时进入下一采样时刻，重复步骤S1-S4，直至采样完成。
进一步，交通流预测模型表示为：按道路上游不同距离将路段划分成等距的元胞，并将元胞按照车道分为若干子元胞，从第i个子元胞流向第i+1个子元胞的类型j的流量qi,j(k)为：
Figure BDA0002392320540000021
Figure BDA0002392320540000022
其中，ηi,j(k)为动态车辆等价系数；sdj为j类型车辆停止间隙；HWj为j类型车辆最小时距；vi,j(k)为j类型车辆的车辆实时速度；sdcar为统一类型车辆停止间隙；HWcar为统一类型车辆最小时距；vi,car(k)为统一类型车辆的车辆实时速度，Di(k)为每个子元胞的交通需求；Pi,j(k)为子元胞i中j类型车辆的交通组成；Si+1(k)为子元胞i+1的交通供给。
进一步，每个子元胞的交通需求采用如下方式获得：类型j的车辆对道路的需求Di,j(k)为：
Figure BDA0002392320540000023
因此，每个子元胞的交通需求Di(k)为：
Figure BDA0002392320540000024
其中，ui(k)为对子元胞i中车辆施加的速度控制量；ρi,j(k)为子元胞i中j类型车辆的密度；Qj是j类型车的最大需求量；J是车辆类型总数。
进一步，子元胞i中j类型车辆的交通组成采用如下方式获得：
Figure BDA0002392320540000025
Pi,j(k)为子元胞i中j类型车辆的交通组成；ηi,j(k)为动态车辆等价系数；vi,j(k)为车辆实时速度；ρi,j(k)为子元胞i中j类型车辆的密度。
进一步，对于车辆实时速度vi,j(k)为：
当密度满足
Figure BDA0002392320540000026
时，所有车辆均处于自由流状态，车辆速度为vi,j(k)＝min(vj,f,ui(k))；
当
Figure BDA0002392320540000027
且
Figure BDA0002392320540000028
时，对于j＝1,2,...,j'类型的车辆，车辆进入拥堵状态，此时这些车辆类型的速度相同，均为vi,j(k)＝{w(ρjam-Eρi(k))}/Eρi(k)，而对于类型为j＝j'+1,...,J的车辆，车辆仍为自由流状态，这些车辆类型的速度为vi,j(k)＝min(vj,f,ui(k))；
当
Figure BDA0002392320540000031
时，所有车辆类型均进入拥堵状态，此时所有类型车辆的速度相同，均为vi,j(k)＝{w(ρjam-Eρi(k))}/Eρi(k)；
其中，ρj,c为类型j车辆的关键需求密度，vj,f为类型j车辆的自由流速度，ui(k)为对子元胞车辆施加的速度控制量，j’为自由流与拥堵状态车辆类型分界点，即车辆小于等于j自的车辆均进入拥堵状态，车辆类型速度大于j车为自由流状态，
Figure BDA0002392320540000032
为类型j’+1车辆的临界拥堵密度，
Figure BDA0002392320540000033
为第J种类型车辆的临界拥堵密度。
进一步，元胞i的交通供给采用如下方式获得：
Figure BDA0002392320540000034
其中，Qs是每个子元胞的最大通行能力，w为道路自身所具有的拥堵上移速度，ρjam(k)为道路自身所具有的拥堵密度，Eρi,(k)为J种不同类型车辆的平均密度，ρc为道路通行流量最大时所对应的密度。
进一步，J种不同类型车辆的平均密度Eρi(k)为：
Figure BDA0002392320540000035
J种不同类型车辆的平均流量Eqi(k)为：
Figure BDA0002392320540000036
其中，ρi,j(k)为子元胞i中j类型车辆的密度，qi,j(k)为子元胞i中j类型车辆的流量。
进一步，对于左右两车道，当施加换道控制后，
左车道子元胞的密度ρl,i,j(k)为：
Figure BDA0002392320540000037
右车道子元胞的密度ρr,i,j(k)为:
Figure BDA0002392320540000038
其中，ql,i,j(k)为左车道子元胞i中j类型车辆的流量，qr,i,j(k)为右车道子元胞i中j类型车辆的流量；ci,j(k)为元胞i中j类型车辆的换道车辆数；
设右车道某子元胞被占用，此时的目标函数为：
Figure BDA0002392320540000041
其中，α1和α2为权重系数，l为子元胞长度，T是每个子元胞的单位时间，Tp为未来有限时域长度，N为子元胞的数量，ul,i(k)为对左车道子元胞车辆施加的速度控制量，ur,i(k)为对右车道子元胞车辆施加的速度控制量，根据k＝1采样时刻的测量值，并结合预测模型，得出k＝2,…,Tp时刻时子元胞的流量、密度和速度，将这些预测参数代入目标函数中以求解最佳速度控制量和最佳的换道车辆数。
进一步，约束条件为：
vmin≤ul,i(k)≤vf，vmin≤ur,i(k)≤vf，0≤ci(k)≤Tqr,i-1(k)；
|ur,i(k)-ur,i(k-1)|≤ad，|ul,i(k)-ul,i(k-1)|≤ad
vmin是道路最小速度，vf是道路的限速，qr,i-1(k)为右车道子元胞i-1中车辆的流量，ad是相邻时刻间速度控制量最大变化值，T为某一采样时刻。
本发明还公开了一种提高公路变窄路段通行效率的控制系统，包括：采集计算模块，用于记录每个采样时刻获得的各路段各车道中各类型车辆的平均速度、流量和车流密度；模型建立模块，用于结合不同车道限速和换道的车辆数，建立交通流预测模型，将采集得到的测量值作为此时预测系统未来动态的初始条件；有限时域优化问题建立与求解模块，建立目标函数和约束条件，基于交通流预测模型，形成关于有限时域的优化问题，并采用优化方法求解目标函数；公路控制模块，将此时获得的优化问题解序列中的第一个元素作用于被控对象，即将优化问题解序列中第一个时间序列的最佳速度控制量和最佳的换道车辆数用于公路控制。
本发明由于采取以上技术方案，其具有以下优点：本发明充分考虑了速度控制与换道控制之间的相互影响，基于Multi-Class CTM模型，预测施加速度和换道控制后不同车道间有限时间内的交通状态变化，提高了预测精度，将速度控制与换道控制统一到一个优化问题中，使优化问题形式简单有效，且便于求解，可以很方便的进行道路交通协同控制。基于模型预测控制，提高了控制的稳定性。实验验证，和传统的控制及无控制情况相比，本发明可显著降低道路总旅行时间，减少污染排放量及燃油消耗量，提高道路通行的交通流量。
附图说明
图1是本发明一实施例中公路变窄路段示意图；
图2是本发明一实施例中提高公路变窄路段通行效率的控制方法的流程图；
图3是本发明一实施例中公路元胞和子元胞的结构示意图；
图4是本发明一实施例中提高公路变窄路段通行效率的控制方法与传统控制方法及无控制情况下的实验结果道路流量对比图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方向，通过具体实施例对本发明进行详细的描绘。然而应当理解，具体实施方式的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。在本发明的描述中，需要理解的是，所用到的术语仅仅是用于描述的目的，而不能理解为指示或暗示相对重要性。
实施例一
本实施例中公路变窄路段，如图1所示，为由于交通事故或者公路施工或者车辆占据公路等原因导致一条或几条车道无法通行，公路可通行车道数减少。由于公路变窄常常会导致大面积、长时间的堵车，致使交通瘫痪。本实施例就主要解决如何在公路变窄的情况下，提高公路通行效率。其具体实施方式如下：
本实施例提供了一种提高公路变窄路段通行效率的控制方法，如图2所示，包括以下步骤：
S1.记录并计算每个采样时刻获得的各路段各车道中各类型车辆的平均速度、流量和车流密度；
S2.基于Multi-Class CTM模型，结合不同车道限速和换道的车辆数，建立交通流预测模型，其中测量值作为预测模型预测交通未来动态的初始条件；
S3.基于交通流预测模型，建立优化问题的目标函数和约束条件，并求解有限时域优化问题；
S4.基于模型预测控制的滚动时域控制思想，将此时获得的优化问题解序列中第一个元素作用于被控对象，即将优化问题解序列中第一个最佳速度控制量和最佳的换道车辆数用于公路控制，同时进入下一采样时刻，重复步骤S1-S4，直至完成整个采样时段。
本实施例中技术方案基于Multi-ClassCTM模型，预测施加速度和换道控制后不同车道间有限时间内的交通状态变化，提高了预测精度，将速度控制与换道控制统一到一个目标方程中，使目标方程形式简单有效，且便于求解，可以很方便的进行道路交通协同控制。
在步骤S1中，由于本实施例是基于Multi-Class CTM模型，故需要设定若干元胞(cell)来进行交通信息采集，如图3所示，具体元胞的划分方法为：按照道路上游不同距离将公路路段划分为等距的若干元胞。为了更清晰的描述车辆换道对交通状态改变，还需要将该若干元胞按照车道进行更进一步的划分，划分成若干子元胞(sub-cell)。在本实施例中优选每个元胞的长度l设置为400m，即l＝400m，元胞的数量优选为5个，即N＝5。进一步按左右两车道划分子元胞，即有5个左车道子元胞和5个右车道子元胞。采集每个子元胞中的车辆数据，具体过程为通过车车通信，车路通信获得每辆车的速度，通过车路协同技术统计采集每个子元胞i中单位时间T内，不同类型j的车辆的平均流量qi,j(k)、密度ρi,j(k)、速度vi,j(k)，其中，本实施例中优选单位时间T为1分钟。本实施例中车辆类型一共有J种。车辆类型按照如轿车、SUV、越野车、巴士、货车、卡车等类型进行分类；此外，为减少计算复杂度，也可以按照车辆的交通运行特性(如自由流行驶速度等)和自身体积特征分为快车(小型车)、中车(中型车)和慢车(大型车)。具体的车辆类型分类方法可以根据实际需要确定。将车辆类型按速度从大到小的方式进行排列，即j＝1对应速度最快的车辆类型，j＝2次之，j＝J对应速度最慢的车辆类型
步骤S2基于Multi-Class CTM模型，结合不同车道限速和换道的车辆数，建立交通流预测模型,具体步骤如下：
根据不同类型j的车辆的平均流量qi,j(k)、密度ρi,j(k)、速度vi,j(k)，获得类型j车辆停止间隙sdj，类型j车辆最小时距HWj和类型j车辆的车辆实时速度vi,j(k)。根据上述参数获得动态车辆等价公式：
Figure BDA0002392320540000061
其中，ηi,j(k)为动态车辆等价系数，sdcar为统一类型车辆停止间隙；HWcar为统一类型车辆最小时距；vi,car(k)为统一类型车辆的车辆实时速度。采用上述动态车辆等价公式，将其他类型的车辆转化到统一类型的车辆，以便计算公路中J种不同类型车辆的平均密度。
J种不同类型车辆的平均密度Eρi(k)为：
Figure BDA0002392320540000062
J种不同类型车辆的平均流量Eqi(k)为：
Figure BDA0002392320540000063
其中，ηi,j(k)为动态车辆等价系数，ρi,j(k)为子元胞i中j类型车辆的密度，qi,j(k)为子元胞i中j类型车辆的流量，J是车辆类型种类数。
由于不同类型的车辆速度和自身车辆特性及道路交通拥堵状况有关，车辆实时速度：
当密度满足
Figure BDA0002392320540000071
时，所有车辆均处于自由流状态，车辆速度为vi,j(k)＝min(vj,f,ui(k))，其中ρj,c为类型j车辆的关键需求密度，vj,f为类型j车辆的自由流速度，ui(k)为对子元胞所在车辆施加的速度控制量；
当
Figure BDA0002392320540000072
且
Figure BDA0002392320540000073
时，对于j＝1,2,...,j'类型的车辆，车辆进入拥堵状态，此时这些类型车辆的速度相同，均为vi,j(k)＝{w(ρjam-Eρi(k))}/Eρi(k)，而对于类型为j＝j'+1,...,J的车辆，车辆仍为自由流状态，这些车辆类型的速度为vi,j(k)＝min(vj,f,ui(k))，其中j’为自由流与拥堵状态车辆类型分界点，即车辆速度大于等于j’的车辆均进入拥堵状态，车辆类型速度小于j’(类型j’+1,j’+2，…,J)仍为自由流状态，j’可由第二个不等式得到，
Figure BDA0002392320540000074
为类型j’+1车辆的临界拥堵密度；
当
Figure BDA0002392320540000075
时，所有车辆类型均进入拥堵状态，此时所有类型车辆的速度相同，均为vi,j(k)＝{w(ρjam-Eρi(k))}/Eρi(k)，其中，
Figure BDA0002392320540000076
为第J种类型车辆的临界拥堵密度。
每个子元胞的交通需求采用如下方式获得：
类型j的车辆对道路的需求Di,j(k)为：
Figure BDA0002392320540000077
因此，每个子元胞的交通需求Di(k)为：
Figure BDA0002392320540000078
其中，ui(k)为对子元胞i中车辆施加的速度控制量；ρi,j(k)为子元胞i中j类型车辆的密度；Qj是j类型车的最大需求量。
子元胞i中j类型车辆的交通组成采用如下方式获得：
Figure BDA0002392320540000079
Pi,j(k)为子元胞i中j类型车辆的交通组成；ηi,j(k)为动态车辆等价系数；vi,j(k)为车辆实时速度；ρi,j(k)为子元胞i中j类型车辆的密度。
子元胞i的交通供给采用如下方式获得：
Figure BDA0002392320540000081
Qs是每个子元胞的最大通行能力，w为道路自身所具有的拥堵上移速度；ρjam(k)为道路自身所具有的拥堵密度；Eρi,(k)为J种不同类型车辆的平均密度，ρc为道路通行流量最大时所对应的密度。
交通流预测模型表示为：从第i个子元胞流向第i+1个子元胞的类型j的流量qi,j(k)为：
Figure BDA0002392320540000082
其中，sdj为j类型车辆停止间隙；HWj为最小时距；Di(k)为每个子元胞的交通需求；Pi,j(k)为子元胞i中j类型车辆的交通组成；Si+1(k)为子元胞i+1的交通供给。
考虑换道控制的影响，假设道路为双车道，其中右车道的某些子元胞由于交通事故或道路施工等原因而被占用，而左车道为正常车道，施加换道车辆数ci,j(k)的控制后，下一时刻左车道子元胞上的密度ρl,i,j(k)为：
Figure BDA0002392320540000083
右车道子元胞上的密度ρr,i,j(k)为：
Figure BDA0002392320540000084
其中，ql,i,j(k)为左车道子元胞i中j类型车辆的流量，qr,i,j(k)为右车道子元胞i中j类型车辆的流量。
考虑道路通行能力及相邻时刻、相邻路段控制量变化的平滑性，形成一个多目标优化问题。为使交通效率最大，车辆排队时间最小，采用最小化总旅行时间和最大化总旅行距离，α1和α2分别为二者的权重，优选的α1＝0.8，α2＝0.2。此外考虑乘车舒适性，相邻子元胞间速度变化不应太大，因此目标函数为：
Figure BDA0002392320540000085
l为子元胞长度，T为采样单位时间，Tp为未来有限时域长度，N为左右车道上子元胞的数量，ul,i(k)为左车道对子元胞车辆施加的速度控制量，ur,i(k)为右车道对子元胞车辆施加的速度控制量。根据k＝1采样时刻的测量值，并结合预测模型，可得出k＝2,…,Tp时刻时子元胞的流量、密度和速度，将这些预测代入目标函数中。
约束条件确定：由于速度限制不能超过道路的最大限速，换道车辆数不能超过原有车道上最大数量，因此vmin≤ul,i(k)≤vf，vmin≤ur,i(k)≤vf，0≤ci(k)≤Tqr,i-1(k)，此外，考虑乘车舒适性，要求相邻时刻间的速度变化不能超过ad：|ur,i(k)-ur,i(k-1)|≤ad，|ul,i(k)-ul,i(k-1)|≤ad。这些构成了多目标优化问题的约束条件。其中，vmin是道路最小速度，vf是道路的限速，qr,i-1(k)为右车道子元胞i-1中车辆的流量，ad是相邻时刻间速度控制量最大变化值。
在每一个采样时刻，根据获得的当前测量信息，基于交通流预测模型，结合约束条件，采用优化算法如遗传算法求解优化问题，其中，未来有限时域优化问题的解采用下式表示：
U(k)＝(ur,1(k),...,ur,i(k),...,ur,N(k),ul,1(k),...,ul,i(k),...,ul,N(k),c1(k),...,ci(k),...,cN(k))
其中未来有限时域序列指k＝1,2,…,Tp。
将此时获得的优化问题解中的第一个序列即k＝1的控制值作用于公路控制，即第一个序列最佳速度控制量和最佳的换道车辆数：
U(1)＝(ur,1(1),...,ur,i(1),...,ur,N(1),ul,1(1),...,ul,i(1),...,ul,N(1),c1(1),...,ci(1),...,cN(1))
用于公路控制，同时进入下一采样时刻，重复步骤S1-S4，直至完成整个采样时段。
利用本实施例中控制方法，在交通仿真SUMO(Simulation of Urban MObility)软件进行仿真实验，以验证该控制方法具体的控制效果。仿真实验的结果如表1所示。从表1可以看出，除了总旅行距离TTD没有较大改善外，施加本实施例中的控制方法后，相较传统可变限速VSL-only控制和无控制的情况，车辆的总旅行时间TTS、污染物排放量及油耗都得到了显著的降低。此外，交通流率也达到了较大的提高。如图4所示，从第10-40分钟，由于事故车占据车道，无控制情况下交通流量因为车辆换道造成的交通拥堵，流量急剧下降。而施加了本实施例中的控制方法后，交通流量得到提高。40分钟后，由于前期道路占据瓶颈处积累的车辆较多，当事故解除后，这些积累的车辆快速释放。从图4可以看出，本实施例中的控制方法可以减少积累车辆数，并使交通很快恢复到正常状态。
表1控制系统测试性能
Figure BDA0002392320540000101
实施例二
基于与实施例一相同的发明构思，本实施例提供了一种提高公路变窄路段通行效率的控制系统，包括：
采集计算模块，用于记录每个采样时刻获得的各路段各车道中各类型车辆的平均速度、流量和车流密度；
模型建立模块，用于结合不同车道限速和换道的车辆数，建立交通流预测模型，将采集得到的测量值作为此时预测系统未来动态的初始条件；
有限时域优化问题建立与求解模块，建立目标函数和约束条件，基于交通流预测模型，形成关于未来有限时域的优化问题，并采用优化方法求解目标函数；
公路控制模块，将此时获得的优化问题解序列中的第一个时间序列中的元素作用于被控对象，即将优化问题解序列中第一个最佳速度控制量和最佳的换道车辆数用于公路控制。
上述内容仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种提高公路变窄路段通行效率的控制方法，其特征在于，包括以下步骤：
S1.记录每个采样时刻获得的各路段各车道中各类型车辆的平均速度、流量和车流密度；
S2.基于Multi-Class CTM模型，结合不同车道限速和换道的车辆数，建立交通流预测模型，步骤S1中获得的所述平均速度、流量和车流密度作为预测模型预测交通未来动态的初始条件；
S3.基于所述交通流预测模型，建立有限时域优化问题的目标函数和约束条件，并求解有限时域优化问题；
S4.将所述优化问题的解序列中第一个元素作用于被控对象，即将所述优化问题的解序列中第一个最佳速度控制量和最佳的换道车辆数用于公路控制，同时进入下一采样时刻，重复步骤S1-S4，直至采样完成。
2.如权利要求1所述的提高公路变窄路段通行效率的控制方法，其特征在于，所述交通流预测模型表示为：按道路上游不同距离将路段划分成等距的元胞，并将所述元胞按照车道分为若干子元胞，从第i个子元胞流向第i+1个子元胞的类型j的流量qi,j(k)为：
Figure FDA0002392320530000011
Figure FDA0002392320530000012
其中，ηi,j(k)为动态车辆等价系数；sdj为j类型车辆停止间隙；HWj为j类型车辆最小时距；vi,j(k)为j类型车辆的车辆实时速度；sdcar为统一类型车辆停止间隙；HWcar为统一类型车辆最小时距；vi,car(k)为统一类型车辆的车辆实时速度，Di(k)为每个子元胞的交通需求；Pi,j(k)为子元胞i中j类型车辆的交通组成；Si+1(k)为子元胞i+1的交通供给。
3.如权利要求2所述的提高公路变窄路段通行效率的控制方法，其特征在于，所述每个子元胞的交通需求采用如下方式获得：
类型j的车辆对道路的需求Di,j(k)为：
Figure FDA0002392320530000013
因此每个子元胞的交通需求Di(k)为：
Figure FDA0002392320530000021
其中，ui(k)为对子元胞i中车辆施加的速度控制量；ρi,j(k)为子元胞i中j类型车辆的密度；Qj是j类型车的最大需求量；J是车辆类型总数。
4.如权利要求2所述的提高公路变窄路段通行效率的控制方法，其特征在于，所述子元胞i中j类型车辆的交通组成采用如下方式获得：
Figure FDA0002392320530000022
Pi,j(k)为子元胞i中j类型车辆的交通组成；ηi,j(k)为动态车辆等价系数；vi,j(k)为车辆实时速度；ρi,j(k)为子元胞i中j类型车辆的密度。
5.如权利要求4所述的提高公路变窄路段通行效率的控制方法，其特征在于，对于所述车辆实时速度vi,j(k)为：
当密度满足
Figure FDA0002392320530000023
时，所有车辆均处于自由流状态，车辆速度为vi,j(k)＝min9vj,f,ui(k))；
当
Figure FDA0002392320530000024
且
Figure FDA0002392320530000025
时，对于j＝1,2,...,j'类型的车辆，车辆进入拥堵状态，此时这些车辆类型的速度相同，均为vi,j(k)＝{w(ρjam-Eρi(k))}/Eρi(k)，而对于类型为j＝j'+1,...,J的车辆，车辆仍为自由流状态，这些车辆类型的速度为vi,j(k)＝min(vj,f,ui(k))；
当
Figure FDA0002392320530000026
时，所有车辆类型均进入拥堵状态，此时所有类型车辆的速度相同，均为vi,j(k)＝{w(ρjam-Eρi(k))}/Eρi(k)；
其中，ρj,c为类型j车辆的关键需求密度，vj,f为类型j车辆的自由流速度，ui(k)为对子元胞车辆施加的速度控制量，j’为自由流与拥堵状态车辆类型分界点，即车辆小于等于j自的车辆均进入拥堵状态，车辆类型速度大于j车为自由流状态，
Figure FDA0002392320530000027
为类型j’+1车辆的临界拥堵密度，
Figure FDA0002392320530000028
为第J种类型车辆的临界拥堵密度。
6.如权利要求2所述的提高公路变窄路段通行效率的控制方法，其特征在于，元胞i的交通供给采用如下方式获得：
Figure FDA0002392320530000029
其中，Qs是每个子元胞的最大通行能力，w为道路自身所具有的拥堵上移速度，ρjam(k)为道路自身所具有的拥堵密度，Eρi，(k)为J种不同类型车辆的平均密度，ρc为道路通行流量最大时所对应的密度。
7.如权利要求6所述的提高公路变窄路段通行效率的控制方法，其特征在于，所述J种不同类型车辆的平均密度Eρi(k)为：
Figure FDA0002392320530000031
J种不同类型车辆的平均流量Eqi(k)为：
Figure FDA0002392320530000032
其中，ρi,j(k)为子元胞i中j类型车辆的密度，qi,j(k)为子元胞i中j类型车辆的流量。
8.如权利要求5-7任一项所述的提高公路变窄路段通行效率的控制方法，其特征在于，对于左右两车道，当施加换道控制后，
左车道子元胞的密度ρl,i,j(k)为：
Figure FDA0002392320530000033
右车道子元胞的密度ρr,i,j(k)为:
Figure FDA0002392320530000034
其中，ql,i,j(k)为左车道子元胞i中j类型车辆的流量，qr,i,j(k)为右车道子元胞i中j类型车辆的流量；ci,j(k)为元胞i中j类型车辆的换道车辆数；
设右车道某子元胞被占用，此时的所述目标函数为：
Figure FDA0002392320530000035
其中，α1和α2为权重系数，l为子元胞长度，T是每个子元胞的单位时间，Tp为未来有限时域长度，N为子元胞的数量，ul,i(k)为对左车道子元胞车辆施加的速度控制量，ur,i(k)为对右车道子元胞车辆施加的速度控制量，根据k＝1采样时刻的测量值，并结合预测模型，得出k＝2,…,Tp时刻时子元胞的流量、密度和速度，将这些预测参数代入目标函数中以求解最佳速度控制量和最佳的换道车辆数。
9.如权利要求8所述的提高公路变窄路段通行效率的控制方法，其特征在于，所述约束条件为：
Figure FDA0002392320530000041
vmin是道路最小速度，vf是道路的限速，qr,i-1(k)为右车道子元胞i-1中车辆的流量，ad是相邻时刻间速度控制量最大变化值，T为某一采样时刻。
10.一种提高公路变窄路段通行效率的控制系统，其特征在于，包括：
采集计算模块，用于记录每个采样时刻获得的各路段各车道中各类型车辆的平均速度、流量和车流密度；
模型建立模块，用于结合不同车道限速和换道的车辆数，建立交通流预测模型，将采集得到的所述平均速度、流量和车流密度作为此时预测系统未来动态的初始条件；
有限时域优化问题建立与求解模块，建立目标函数和约束条件，基于交通流预测模型，形成关于未来有限时域的优化问题，并采用优化方法求解目标函数；
公路控制模块，将此时获得的优化问题解序列中的第一个元素作用于被控对象，即将优化问题解序列中第一个时间序列的最佳速度控制量和最佳的换道车辆数用于公路控制。
CN202010118824.4A 2020-02-26 2020-02-26 一种提高公路变窄路段通行效率的控制方法和系统 Active CN111311913B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010118824.4A CN111311913B (zh) 2020-02-26 2020-02-26 一种提高公路变窄路段通行效率的控制方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010118824.4A CN111311913B (zh) 2020-02-26 2020-02-26 一种提高公路变窄路段通行效率的控制方法和系统

Publications (2)

Publication Number Publication Date
CN111311913A true CN111311913A (zh) 2020-06-19
CN111311913B CN111311913B (zh) 2021-09-03

Family

ID=71149267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010118824.4A Active CN111311913B (zh) 2020-02-26 2020-02-26 一种提高公路变窄路段通行效率的控制方法和系统

Country Status (1)

Country Link
CN (1) CN111311913B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815953A (zh) * 2020-08-31 2020-10-23 深圳市城市交通规划设计研究中心股份有限公司 一种面向交通事件的高速公路交通管控效果评价方法
CN111951557A (zh) * 2020-08-21 2020-11-17 成都工业学院 一种基于车联网大数据的区域短时交通流预测方法及系统
CN111959492A (zh) * 2020-08-31 2020-11-20 重庆大学 一种网联环境下考虑换道行为的hev能量管理分层控制方法
CN112562318A (zh) * 2020-11-12 2021-03-26 云南省交通规划设计研究院有限公司 一种恶劣天气多发高速公路限速区的速度协同控制方法
CN112907950A (zh) * 2021-01-20 2021-06-04 东南大学 一种面向车路协同环境的元胞传输模型改进方法
CN113450583A (zh) * 2021-09-01 2021-09-28 长沙理工大学 一种车路协同下高速公路可变限速和变道协同控制方法
CN113762564A (zh) * 2020-08-07 2021-12-07 北京京东乾石科技有限公司 货物的输送方法、装置、计算设备及介质
CN113954868A (zh) * 2021-10-08 2022-01-21 南京航空航天大学 一种基于时空交通模型的车道级路径规划方法及系统
CN114387781A (zh) * 2021-12-30 2022-04-22 北京建筑大学 车辆引导控制方法
CN114627647A (zh) * 2022-03-16 2022-06-14 重庆大学 一种基于可变限速与换道结合的混合交通流优化控制方法
CN115394086A (zh) * 2022-10-26 2022-11-25 北京闪马智建科技有限公司 交通参数的预测方法、装置、存储介质及电子装置
CN116311940A (zh) * 2023-03-23 2023-06-23 东南大学 一种高速公路改扩建作业区动态交通诱导系统及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102568194A (zh) * 2011-12-26 2012-07-11 浙江工业大学 一种城市道路交通拥堵持续时间和空间扩散预测方法
JP5041178B2 (ja) * 2009-03-23 2012-10-03 株式会社デンソー ナビゲーション装置
CN104658252A (zh) * 2015-02-10 2015-05-27 交通运输部科学研究院 基于多源数据融合的高速公路交通运行状态的评估方法
CN106021814A (zh) * 2016-06-13 2016-10-12 东南大学 一种面向通行效率改善的可变限速优化控制方法
CN106128123A (zh) * 2016-07-11 2016-11-16 东南大学 一种面向不同交通瓶颈路段通行效率提升的交通控制算法优选算法
CN106157650A (zh) * 2016-07-11 2016-11-23 东南大学 一种基于强化学习可变限速控制的快速道路通行效率改善方法
CN106710215A (zh) * 2017-02-06 2017-05-24 同济大学 瓶颈上游车道级交通状态预测系统及实现方法
CN106981204A (zh) * 2017-04-01 2017-07-25 三峡大学 一种信息处理方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5041178B2 (ja) * 2009-03-23 2012-10-03 株式会社デンソー ナビゲーション装置
CN102568194A (zh) * 2011-12-26 2012-07-11 浙江工业大学 一种城市道路交通拥堵持续时间和空间扩散预测方法
CN104658252A (zh) * 2015-02-10 2015-05-27 交通运输部科学研究院 基于多源数据融合的高速公路交通运行状态的评估方法
CN106021814A (zh) * 2016-06-13 2016-10-12 东南大学 一种面向通行效率改善的可变限速优化控制方法
CN106128123A (zh) * 2016-07-11 2016-11-16 东南大学 一种面向不同交通瓶颈路段通行效率提升的交通控制算法优选算法
CN106157650A (zh) * 2016-07-11 2016-11-23 东南大学 一种基于强化学习可变限速控制的快速道路通行效率改善方法
CN106710215A (zh) * 2017-02-06 2017-05-24 同济大学 瓶颈上游车道级交通状态预测系统及实现方法
CN106981204A (zh) * 2017-04-01 2017-07-25 三峡大学 一种信息处理方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MIAO YU, PH.D.等: "Optimal Variable Speed Limit Control at a Lane Drop Bottleneck: Genetic Algorithm Approach", 《ASCE》 *
MIAO YU等: "Optimal Variable Speed Limit Control in Connected Autonomous Vehicle Environment for Relieving Freeway Congestion", 《J. TRANSP. ENG., PART A: SYSTEMS》 *
YIHANG ZHANG等: "Combined Variable Speed Limit and Lane Change Control for Highway Traffic", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 *
杨庆芳 等: "高速公路瓶颈区域可变限速阶梯控制方法", 《西南交通大学学报》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113762564A (zh) * 2020-08-07 2021-12-07 北京京东乾石科技有限公司 货物的输送方法、装置、计算设备及介质
CN111951557A (zh) * 2020-08-21 2020-11-17 成都工业学院 一种基于车联网大数据的区域短时交通流预测方法及系统
CN111951557B (zh) * 2020-08-21 2022-05-24 成都工业学院 一种基于车联网大数据的区域短时交通流预测方法及系统
CN111959492A (zh) * 2020-08-31 2020-11-20 重庆大学 一种网联环境下考虑换道行为的hev能量管理分层控制方法
CN111815953A (zh) * 2020-08-31 2020-10-23 深圳市城市交通规划设计研究中心股份有限公司 一种面向交通事件的高速公路交通管控效果评价方法
CN111959492B (zh) * 2020-08-31 2022-05-20 重庆大学 一种网联环境下考虑换道行为的hev能量管理分层控制方法
CN112562318B (zh) * 2020-11-12 2022-05-13 云南省交通规划设计研究院有限公司 一种恶劣天气多发高速公路限速区的速度协同控制方法
CN112562318A (zh) * 2020-11-12 2021-03-26 云南省交通规划设计研究院有限公司 一种恶劣天气多发高速公路限速区的速度协同控制方法
CN112907950A (zh) * 2021-01-20 2021-06-04 东南大学 一种面向车路协同环境的元胞传输模型改进方法
CN112907950B (zh) * 2021-01-20 2022-04-01 东南大学 一种面向车路协同环境的元胞传输模型改进方法
CN113450583B (zh) * 2021-09-01 2021-11-19 长沙理工大学 一种车路协同下高速公路可变限速和变道协同控制方法
CN113450583A (zh) * 2021-09-01 2021-09-28 长沙理工大学 一种车路协同下高速公路可变限速和变道协同控制方法
CN113954868A (zh) * 2021-10-08 2022-01-21 南京航空航天大学 一种基于时空交通模型的车道级路径规划方法及系统
CN114387781A (zh) * 2021-12-30 2022-04-22 北京建筑大学 车辆引导控制方法
CN114387781B (zh) * 2021-12-30 2024-04-09 北京建筑大学 车辆引导控制方法
CN114627647A (zh) * 2022-03-16 2022-06-14 重庆大学 一种基于可变限速与换道结合的混合交通流优化控制方法
CN115394086A (zh) * 2022-10-26 2022-11-25 北京闪马智建科技有限公司 交通参数的预测方法、装置、存储介质及电子装置
CN116311940A (zh) * 2023-03-23 2023-06-23 东南大学 一种高速公路改扩建作业区动态交通诱导系统及方法
CN116311940B (zh) * 2023-03-23 2024-03-26 东南大学 一种高速公路改扩建作业区动态交通诱导系统及方法

Also Published As

Publication number Publication date
CN111311913B (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN111311913B (zh) 一种提高公路变窄路段通行效率的控制方法和系统
Piacentini et al. Traffic control via moving bottleneck of coordinated vehicles
Xing et al. Energy oriented driving behavior analysis and personalized prediction of vehicle states with joint time series modeling
US20100305798A1 (en) System And Method For Vehicle Drive Cycle Determination And Energy Management
CN108909702A (zh) 一种插电式混合动力汽车能量管理方法及系统
Ma et al. Cooperative adaptive cruise control strategy optimization for electric vehicles based on SA-PSO with model predictive control
CN112735126B (zh) 一种基于模型预测控制的混合交通流协同优化控制方法
Qi et al. Energy impact of connected eco-driving on electric vehicles
Torabi et al. Energy minimization for an electric bus using a genetic algorithm
Yi et al. Energy aware driving: Optimal electric vehicle speed profiles for sustainability in transportation
Piacentini et al. Highway traffic control with moving bottlenecks of connected and automated vehicles for travel time reduction
Xu et al. Feasibility guaranteed traffic merging control using control barrier functions
Pan et al. A hierarchical robust control strategy for decentralized signal-free intersection management
Grubwinkler et al. A system for cloud-based deviation prediction of propulsion energy consumption for EVs
CN114999227A (zh) 非信控交叉路口混合多车无模型预测协同控制方法
Jin et al. Energy-optimal speed control for connected electric buses considering passenger load
Chen et al. Overall influence of dedicated lanes for connected and autonomous vehicles on freeway heterogeneous traffic flow
Song et al. Switching multi-objective receding horizon control for CACC of mixed vehicle strings
Tanveer et al. A cellular automata model for heterogeneous traffic flow incorporating micro autonomous vehicles
Kang et al. Velocity optimization of pure electric vehicles with traffic dynamics and driving safety considerations
Yang et al. Eco-driving over multi-signal road segments considering traffic flow constraints
Esmaeili et al. A platoon formation strategy for heterogeneous vehicle types at a signalized intersection
CN116469263B (zh) 一种网联环境下考虑公交车停靠的交通流控制方法
Gounni et al. A new car-following model considering the effect of complex driving behaviour
Rakha et al. Developing an Eco-Cooperative Automated Control System (Eco-CAC)

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