CN111710167A - 一种基于在线交通仿真的单点优化控制方法及装置 - Google Patents

Abstract

本发明提供了一种基于在线交通仿真的单点优化控制方法及装置，涉及交通信号控制技术领域，包括：获取实时交通检测数据；根据实时交通检测数据进行在线仿真，预测信号交叉口在预设时间内的交通状态；根据预测的交通状态采用自适应优化算法对信号交叉口进行单点信号配时优化，确定优化信号配时方案；根据优化信号配时方案进行在线仿真，评估优化信号配时方案下的交通状态是否满足预设优化条件；当满足预设优化条件时，根据优化信号配时方案对信号交叉口进行控制。本发明通过根据不同的交通状态，选择合适的控制策略、优化目标和约束条件，利用在线仿真对优化方案进行预验证，形成控制闭环，提高优化方案的有效性。

Description

一种基于在线交通仿真的单点优化控制方法及装置

技术领域

本发明涉及交通信号控制技术领域，具体而言，涉及一种基于在线交通仿真的单点优化控制方法及装置。

背景技术

近年来，随着人民生活水平的提高和汽车工业的蓬勃发展，我国汽车保有量逐年剧增。而汽车持有量的增加也引发了各种问题，例如交通流量增长速度加快、交通秩序紊乱程度增高、道路基础设施不足以及道路路网布局不合理等等。由于交叉口是车辆与行人汇集、转向和疏散的必经之地，相当于交通的咽喉，因此解决交叉口的拥堵问题至关重要。

交通信号配时优化经多年的研究和发展，已经形成了一套较为成熟和稳定的理论体系。以Webster为代表的基于流量比和等饱和度法的信号配时理论长期处于重要地位，该方法根据交叉口各个流向的交通需求大小，来均衡分配一个周期内的绿灯时间，是实际应用最广的配时优化方法，但在实地应用中也面临诸多问题。一方面，交通流自身存在复杂性，不同交通需求量条件下的信号配时控制策略有所不同，出行者的心理因素和安全性也不容忽视。另一方面，由于交通流存在明显的随机性，多时段控制的信号配时方案有时不能很好地捕捉实时动态的交通状态变化。而近年来出现的基于机器学习和强化学习等非显性建模的信号配时方法，将信号控制模型的知识和配时经验完全交给机器模型进行自主学习，并不具备验证优化方案的能力，导致实地验证的试错成本较高。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题，为达上述目的，第一方面，本发明提供了一种基于在线交通仿真的单点优化控制方法，其包括：

获取实时交通检测数据；

根据所述实时交通检测数据进行在线仿真，预测信号交叉口在预设时间内的交通状态；

根据预测的交通状态采用自适应优化算法对所述信号交叉口进行单点信号配时优化，确定优化信号配时方案，其中，所述自适应优化算法包括多个目标函数和多个约束条件；

根据所述优化信号配时方案进行在线仿真，评估所述优化信号配时方案下的交通状态是否满足预设优化条件；

当满足所述预设优化条件时，根据所述优化信号配时方案对所述信号交叉口进行控制。

进一步地，所述根据预测的交通状态采用自适应优化算法对所述信号交叉口进行单点信号配时优化，确定优化信号配时方案包括：

根据所述预测的交通状态选择控制策略；

根据所述控制策略确定所述自适应优化算法的所述目标函数和所述约束条件；

根据所述目标函数和所述约束条件进行优化，确定所述优化信号配时方案。

进一步地，所述根据所述预测的交通状态选择控制策略包括：

根据所述信号交叉口的流向饱和度和进口道的速度指数来选择所述控制策略。

进一步地，所述流向饱和度根据所述信号交叉口的流量和饱和流率确定，所述进口道的速度指数根据所述进口道的实时检测速度与历史最大检测速度确定。

进一步地，所述根据所述目标函数和所述约束条件进行优化，确定所述优化信号配时方案包括：

以所述信号交叉口各流向的绿灯时长为变量，随机生成二进制基因样本，样本转换为变量后进行约束校验并计算目标函数值；

选取所述目标函数值最优的前N个样本进行交叉和变异，并按预设的学习率更新所述变量的取值范围；

重新生成新的基因样本进入新一轮迭代，直至优化过程收敛，以确定所述优化信号配时方案。

进一步地，所述多个目标函数包括最小延误和最大化最小储备通行能力。

进一步地，所述最小延误根据所述信号交叉口的流向饱和度确定，所述最大化最小储备通行能力根据所述信号交叉口的通行能力和流量确定。

进一步地，多个所述约束条件包括时长约束、进口道排队约束和出口道排队约束。

进一步地，所述时长约束根据如下公式确定：

，

其中，M表示约束矩阵，G表示所有阶段绿灯时长的向量，G _{min}、G _{max}分别表示最小值约束和最大值约束。

进一步地，多个所述约束条件还包括：与上一周期相比，周期时长和绿灯时长的调整量小于预设范围。

进一步地，所述根据预测的交通状态采用自适应优化算法对所述信号交叉口进行单点信号配时优化，确定优化信号配时方案之前，还包括：

当存在外部指定控制策略和外部指定约束条件时，根据所述外部指定控制策略选择目标函数；

根据所述目标函数和所述外部指定约束条件进行所述单点信号配时优化。

为达上述目的，第二方面，本发明提供了一种基于在线交通仿真的单点优化控制装置，其包括：

获取模块，用于获取实时交通检测数据；

处理模块，用于根据所述实时交通检测数据进行在线仿真，预测信号交叉口在预设时间内的交通状态；还用于根据所述预测的交通状态采用自适应优化算法对所述信号交叉口进行单点信号配时优化，确定优化信号配时方案，其中，所述自适应优化算法包括多个目标函数和多个约束条件；还用于根据所述优化信号配时方案进行在线仿真，评估所述优化信号配时方案下的交通状态是否满足预设优化条件；

控制模块，用于当满足所述预设优化条件时，根据所述优化信号配时方案对所述信号交叉口进行控制。

使用本发明的基于在线交通仿真的单点优化控制方法或装置，通过根据不同的交通状态，选择合适的控制策略和优化目标，基于最小延误和最大化最小储备通行能力两种优化目标进行自动决策，构建了适应相位搭接、一周多次、行人专业相位、行人二次过街等多种相位结构下的时长约束模型，且具有灵活的时长约束设计，能够支持不同的相位结构方案和不同控制策略下的约束条件设计，以及进口道和出口道约束模型，为多种控制策略建立了统一框架，有助于提高信号配时优化效果。本发明利用在线仿真对优化方案进行预验证，形成控制闭环，提高优化方案的有效性。

为达上述目的，第三方面，本发明提供了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现根据本发明第一方面所述的基于在线交通仿真的单点优化控制方法。

为达上述目的，第四方面，本发明提供了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现根据本发明第一方面所述的基于在线交通仿真的单点优化控制方法。

根据本发明的非临时性计算机可读存储介质和计算设备，具有与根据本发明第一方面的基于在线交通仿真的单点优化控制方法具有类似的有益效果，在此不再赘述。

附图说明

图1为根据本发明实施例的基于在线交通仿真的单点优化控制方法的流程示意图；

图2为根据本发明实施例的确定优化信号配时方案的流程示意图；

图3为根据本发明实施例的相位相序方案的示意图；

图4为根据本发明实施例的优化求解的流程示意图；

图5为根据本发明实施例的外部指令确认的流程示意图；

图6为根据本发明实施例的基于在线交通仿真的单点优化控制装置的结构示意图；

图7为根据本发明实施例的计算设备的结构示意图。

具体实施方式

下面将参照附图详细描述根据本发明的实施例，描述涉及附图时，除非另有表示，不同附图中的相同附图标记表示相同或相似的要素。要说明的是，以下示例性实施例中所描述的实施方式并不代表本发明的所有实施方式。它们仅是与如权利要求书中所详述的、本发明公开的一些方面相一致的装置和方法的例子，本发明的范围并不局限于此。在不矛盾的前提下，本发明各个实施例中的特征可以相互组合。

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。

交通信号控制是城市道路交通管控的核心手段之一，路口信号配时调优对于缓解城市道路交通拥堵，提升路网通行能力具有重要作用。城市交叉口是城市道路网中的极其重要节点，其交通运行的状况影响着城市整个路网的运行状态，大多数的交通拥堵和交通事故集中在交叉口。因此，如何科学和精准地管控城市道路交叉口是缓解交通拥堵、减少交通延误以及提高通行能力的关键所在。

现有的配时信号控制方法中，有的采用多目标粒子群智能算法进行求解，得到满足多目标优化需求的最优信号方案。但由于多目标优化需要同时考虑多个相互冲突且不同量纲的目标，因此很难使每个优化目标都达到最优，而采取互相妥协和折中的方式，也会导致控制效益折损。此外，目前应用广泛的自适应控制系统例如SCATS和SCOOT也并非真正的自适应控制，SCATS是一种方案选择式的系统，SCOOT是一种被动响应式的系统，均没有实现主动和动态的精确控制。

发明基于实时在线仿真平台，对现实道路交通运行状况进行真实还原，掌握路网交通流的全量OD（ORIGIN DESTINATION，交通出行量）和路径，预测信号交叉口上游的在预设时间内的车辆到达量、当前信号交叉口及其下游路段的排队长度，在此基础上进行单点信号配时优化。通过将优化后的配时方案再返回仿真平台中评估优化方案下的交通运行状态，得到延误、通过量、停车次数、排队长度、饱和度等指标，对比优化前后的信号控制效果，将符合预期控制策略的优化方案实时下发至信号机执行，形成控制闭环，有效提高车辆在信号交叉口的通行效率，提高信号交叉口的服务水平。

图1所示为根据本发明实施例的基于在线交通仿真的单点优化控制方法的流程示意图，包括步骤S1至S5。

在步骤S1中，获取实时交通检测数据。在本发明实施例中，获取路网局部的交通检测数据，包括但不限于信号交叉口的静态数据（例如几何结构、交通组织方式等）、信号方案和动态数据（例如车流量、排队、速度数据、行人流量、步速数据等）。

在步骤S2中，根据所述实时交通检测数据进行在线仿真，预测信号交叉口在预设时间内的交通状态。在本发明实施例中，将获取的实时交通检测数据输入在线仿真平台，运行实时在线仿真程序后，获得多项交通状态数据的仿真结果，将各项仿真结果作为预测的信号交叉口上游的在预设时间内的交通状态，包括但不限于车辆到达量、当前信号交叉口及其下游路段的排队长度等。可以理解的是，预设时间表示在获取实时交通数据进行仿真后预设的一个时间段，其时长可根据实际需求进行设置，本发明并不对此作出限制。

在步骤S3中，根据预测的交通状态采用自适应优化算法对所述信号交叉口进行单点信号配时优化，确定优化信号配时方案，其中，所述自适应优化算法包括多个目标函数和多个约束条件。在本发明实施例中，多个所述目标函数包括最小延误和最大化最小储备通行能力，所述多个约束条件包括时长约束、进口道排队约束和出口道排队约束。图2所示为根据本发明实施例的确定优化信号配时方案的流程示意图，包括步骤S31至S33。

在步骤S31中，根据预测的交通状态选择控制策略。在本发明实施例中，根据所述信号交叉口的流向饱和度和进口道的速度指数来选择所述控制策略。结合实地配时经验，根据信号交叉口各流向的饱和度和进口道路段的拥堵情况，划分了六大类典型场景及对应的表征指标，如下表1所示。

表

其中，

表示流向

的饱和度，

表示进口道

的速度指数，二者的计算方法如下公式（1）和（2）所示：

其中，

分别表示流量和饱和流率，

分别表示进口道的实时检测速度和历史最大检测速度（例如限速或自由流速度），

表示各流向饱和度的25分位数，阈值

以交通状态的畅通和拥堵划分标准确定，本发明并不做具体限制。在本发明实施例中，根据仿真结果确定信号交叉口各流向的饱和度

和进口道的速度指数

，并根据上表1来选择不同的控制策略。例如当

，表明此时信号交叉口饱和度低，存在空放情况，因此选择对应的最小延误策略，据此进行后续优化。由此，根据不同的道路情况针对性地选择不同的控制策略，可有效提高信号配时的优化效果。

在步骤S32中，根据所述控制策略确定所述自适应优化算法的所述目标函数和所述约束条件。在本发明实施例中，根据信号交叉口各流向的饱和度

和进口道的速度指数

选择了表1中的相应控制策略后，即可根据所述控制策略选择相应的目标函数和约束条件。其中，表1中的最小延误对应选择目标函数为最小延误，最大通过量对应选择目标函数为最大化最小储备通行能力。限流约束对应出口道排队约束，防溢流约束对应进口道排队约束，均衡饱和度对应根据饱和度进行分段的非线性延误计算模型。可以理解的是，上述表1中的控制策略也可根据实际需求进行相应调整，本发明并不以此为限。

在单点信号优化中，常用的优化目标包括延误和通过量，因此在本发明实施例中，为了更好的优化信号交叉口的配时方案，整合了最小化加权车均延误和最大化最小储备通行能力两种目标函数，根据不同场景进行分析，选择合适的控制策略及对应的优化目标，可根据实际路况和需求更合理的对控制信号配时方案进行优化，有效提高信号交叉口的通过率。

在本发明实施例中，根据不同的饱和状态下车流的到达和离去特征，综合三种延误模型分别计算不同流向饱和度下的车辆延误：当流向饱和度小于0.85，采用Webster提出的非饱和交通流的稳态随机延误模型，能够准确描述非饱和状态下的车流延误；当流向饱和度大于1.15，采用Webster的溢出延误模型；而流向当饱和度在[0.85，1.15]时，前两个模型在接近溢流状态下对延误的描述均有偏差，Akcelik模型对此进行了修正和补充。延误计算如下公式（3）至（7）所示：

其中，

表示转向车均延误，

表示转向i的绿灯时间，C表示信号周期，T表示时段长度，

表示表示溢出延误，

表示基础饱和度，

表示通行能力。

在以通过量为优化目标时，如果直接寻找通过量最大的方案，往往会形成流量越大的方向得到的绿灯时间越多，可能导致流量较小的流向绿灯时间不足而出现过饱和现象。顾此失彼的优化方案与交叉口整体目标并不相符。因此，在本发明实施例中，采用最大化最小储备通行能力来代替最大通过量为优化目标，如下公式（8）所示：

其中，

表示最小储备通行能力。在本发明实施例中，储备通行能力是指，车辆在确定的信号方案下通行能力与车流量的相对富余量。最大化最小储备通行能力能够在各流向之间形成相互约束和制衡，在此基础上将更多的绿灯时间向流量更大的方向倾斜。

在本发明实施例中，构建多种灵活的约束条件以适应不同的控制策略，包括时长约束、进口道排队约束和出口道排队约束。

在本发明实施例中，时长约束包括相位结构约束、周期时长约束、绿灯时长约束和红灯时长约束。考虑到相位搭接和一周多次等特殊相位设计方案，需要进一步定义连续绿灯时长约束、各流向总绿灯时长约束等。同时，还要区分机动车流向和行人流向。在本发明实施例中，将此类约束构建为如下公式（9）所示的统一模型：

其中，M表示约束矩阵，G表示所有阶段绿灯时长的向量，G _{min}、G _{max}分别表示最小值约束和最大值约束。在本发明实施例中，相位结构约束通过矩阵M表示，矩阵的行表示任一广义流向，这里所说的广义流向包括机动车流向、行人流向、连续放行流等，矩阵的列表示流向的放行阶段和顺序，从而灵活表征多种相位结构方案。

表征了任一广义流向的开始时间、持续时间和结束时间，因此通过给定时长允许变化的范围，可以描述周期时长、绿灯时长、红灯时长等约束，形成统一的约束模型框架。

图3所示为根据本发明实施例的相位相序方案的示意图，以图3所示信号方案为例，前三个阶段存在相位搭接，南进口直左流向存在一周多次放行。周期时长表示为

即所有阶段的总时长，其中，M ₁为

的矩阵，如下式（10）所示。相位结构矩阵M ₂为

的矩阵，如下式（11）所示，每一行表示一个流向所在阶段的位置，每一列表示一个阶段所包含的流向，包括8个机动车流向和8个行人流向。基于相位结构矩阵，可以实现基于阶段的配时和基于流向的配时之间的转换，即

的结果为各流向总时长向量。同理可得各流向所处的红灯阶段矩阵，并对红灯阶段时长进行约束。

其中，1表示存在于该阶段，0表示不存在。例如M ₂中的第一行，表示南进口直行方向在6个阶段中的第1、2、4阶段存在，所以是[110100]。

可以理解的是，基于上述公式（9）的时长约束模型具有良好的拓展性。例如，在一周多次相位结构中，可以约束一个流向在单次放行中的时长；自适应控制中的绿灯时长调整量约束、子区协调控制中某个流向的绿灯开始和结束时间等，从而支持灵活的控制方案设计。

在本发明实施例中，进口道排队约束如下公式（12）至（14）所示。绿灯启亮后的最大排队长度采用消散波模型进行估算，并约束其小于进口道路段长度。

其中，

表示路段的初始排队长度，

分别表示流向i的到达波和离去波，

表示转向i的红灯时长，

表示绿信比，

表示进口道j的路段长度，

分别表示到达密度、流出密度和阻塞密度，

的常数参数。

在本发明实施例中，出口道排队约束是指，流向同一出口道的车流量不超过出口道路段的承载能力，防止下游路口出现溢流。通常，出口道排队长度约束需要关联上下游路口，从路网层面进行优化。在单点优化问题中，将模型简化为流向同一出口道的最大流量不超过出口道清空状态下的最大承载能力。出口道排队约束如下公式（15）至（16）所示：

其中，S表示饱和流率构成的向量，

表示出口道的承载能力向量，

表示出口道z的承载能力，矩阵M ₃表示进入每个出口道的流向所在阶段。由于一周多次结构的目的是在满足较大需求量的同时，避免车辆一次性涌入下游路口造成溢流。因此，在构建矩阵M ₃时，需要分别约束单次放行的流量满足出口道溢流约束，从而约束单次放行时长。在本发明实施例中，构建

的矩阵M ₃如下式（17）所示：

其中，每个流向对应一个出口道，例如流入南出口道的车流包括北直、东左。0/1表示这两个流向所在阶段，所以是[011001]。由于南直左在相位中存在搭接，所以这两个流向是拆开的。

在步骤S33中，根据所述目标函数和所述约束条件进行优化，确定所述优化信号配时方案。由于多种控制策略整合了多目标优化、线性约束和非线性约束，因此在本发明实施例中引入启发式算法——遗传算法——进行优化求解。同时，引入学习率的概念对遗传算法进行改进，通过在迭代中逐步将变量取值范围向更优的反向更新，来加快变量向收敛速度。图4所示为根据本发明实施例的优化求解的流程示意图，包括步骤S331至S333。

在步骤S331中，以所述信号交叉口各流向的绿灯时长为变量，随机生成二进制基因样本，样本转换为变量后进行约束校验并计算目标函数值。

在步骤S332中，选取所述目标函数值最优的前N个样本进行交叉和变异，并按预设的学习率更新所述变量的取值范围。在本发明实施例中，更新变量的取值范围如下公式（18）所示：

其中，β表示学习率，是（0，1）的常数参数；

表示第p个优秀样本的变量值。可以理解的是，在本发明实施例中引入学习率参数，有助于加快算法收敛速度，提高整体计算效率。

在步骤S333中，重新生成新的基因样本进入新一轮迭代，直至优化过程收敛，以确定所述优化信号配时方案。可以理解的是，收敛完成指上述计算得到的最大值等于最小值，即得到确定的结果，以确定所述优化信号配时方案。在本发明实施例中，还可设置最大迭代次数，达到最大迭代次数时也认为优化过程完成。

在本发明实施例中，约束条件还包括：与上一周期相比，周期时长和绿灯时长的调整量小于预设范围。在自适应控制模式下，要求周期级的信号方案切换在时间上尽量连续平滑过渡，因此在本发明实施例中增加两个时长约束：与上一周期相比，周期时长和绿灯时长的调整量不超过一定范围（默认为±30%）。在该约束条件下，根据实时的交通运行状态生成周期级的信号配时优化方案。

在步骤S4中，根据所述优化信号配时方案进行在线仿真，评估所述优化信号配时方案下的交通状态是否满足预设优化条件。在本发明实施例中，将优化后的配时方案再返回仿真平台中评估优化方案下的交通运行状态，得到延误、通过量、停车次数、排队长度、饱和度等指标。根据上述各指标的优化性能提升程度，来判断优化效果是否满足预设优化条件。

在步骤S5中，当满足所述预设优化条件时，根据所述优化信号配时方案对所述信号交叉口进行控制。在本发明实施例中，对比优化前后的信号控制效果，判断优化效果是否满足预期效果，例如对预期控制策略的各项指标的性能提升。当判优化后的配时方案符合预期效果时，则根据优化后的配时方案对信号交叉口进行相应的信号配时控制，以优化信号交叉口的通行效率。可以理解的是，如果优化的配时方案不符合预期效果时，信号交叉口的信号机按照预存的配时方案执行，信号方案会在下一个信号周期重新进行优化并评估。

在本发明实施例中，信号交叉口的信号机会预存配时方案，在优化方案不符合预期时，按预存的多时段定周期的方案进行交叉口的信号控制。其中，所述多时段定周期的方案是自适应控制方案的优化基础。多时段定周期方案通常按一周以上的间隔进行方案优化，对实时性要求较低，因此可以结合信号配时人员的实地经验，对控制策略和约束进行精细化校核。信号配时方案生成后，以离线的方式下发日计划表至信号机，在非自适应控制模式或控制模式降级时，按日计划表执行信号方案。

在本发明实施例中，在步骤S3中还包括约束条件，所述约束条件为与上一周期相比，周期时长和绿灯时长的调整量小于预设范围。在自适应控制模式下，要求周期级的信号方案切换在时间上尽量连续平滑过渡，因此在模型中增加两个时长约束：与上一周期相比，周期和绿灯时长的调整量不超过一定范围（默认为±30%）。在该约束条件下，根据实时的交通运行状态生成周期级的信号配时优化方案。

在本发明实施例中，在步骤S3之前，还包括外部指令确认步骤。图5所示为根据本发明实施例的外部指令确认的流程示意图，包括步骤S001至S002。

在步骤S001中，当存在外部指定控制策略和外部指定约束条件时，根据所述外部指定控制策略选择目标函数。在本发明实施例中，为适应本地定制化信号优化应用，设计了支持外部指定优化目标和约束的选项，在进行优化前，确认是否存在外部指令，如果存在外部的指定控制策略或指定约束条件时，优先根据外部指令进行后续优化。

在步骤S002中，根据所述目标函数和所述外部指定约束条件进行所述单点信号配时优化。在本发明实施例中，通过外部添加或解除部分约束来进行优化，可满足特定场景的应用需求。

采用本发明实施例的基于在线交通仿真的单点优化控制方法，通过根据不同的交通状态，选择合适的控制策略和优化目标，有助于提高信号配时优化效果，且具有灵活的时长约束设计，能够支持不同的相位结构方案和不同控制策略下的约束条件设计。本发明利用在线仿真对优化方案进行预验证，形成控制闭环，提高优化方案的有效性。本发明将传统的“人工+工具”决策方法转变为利用实时在线交通仿真实现自主决策再到自动控制的目标，提高信号配时人员工作效率和信号配时优化频次，有效减少配时车辆在信号交叉口的通行效率，提高信号交叉口的服务水平，信号交叉口同期总延误降低10%以上。

可以理解的是，上述基于在线交通仿真的单点优化控制方法仅针对配时参数优化，没有对相位相序进行调整。因此，对于新建立的信号交叉口，需要借助其它工具先构造相位相序。

本发明第二方面的实施例还提供了一种基于在线交通仿真的单点优化控制装置。图6所示为根据本发明实施例的基于在线交通仿真的单点优化控制装置600的结构示意图，包括获取模块601、处理模块602以及控制模块603。

获取模块601用于获取实时交通检测数据。

处理模块602用于根据所述实时交通检测数据进行在线仿真，预测信号交叉口在预设时间内的交通状态；还用于根据所述预测的交通状态采用自适应优化算法对所述信号交叉口进行单点信号配时优化，确定优化信号配时方案，其中，所述自适应优化算法包括多个目标函数和多个约束条件；还用于根据所述优化信号配时方案进行在线仿真，评估所述优化信号配时方案下的交通状态是否满足预设优化条件。

控制模块603用于当满足所述预设优化条件时，根据所述优化信号配时方案对所述信号交叉口进行控制。

在本发明实施例中，处理模块602还用于根据所述预测的交通状态选择控制策略；根据所述控制策略确定所述自适应优化算法的所述目标函数和所述约束条件；根据所述目标函数和所述约束条件进行优化，确定所述优化信号配时方案。

在本发明实施例中，处理模块602还用于当存在外部指定控制策略和外部指定约束条件时，根据所述外部指定控制策略选择目标函数；根据所述目标函数和所述外部指定约束条件进行所述单点信号配时优化。

所述基于在线交通仿真的单点优化控制装置600的各个模块的更具体实现方式可以参见对于本发明的基于在线交通仿真的单点优化控制方法的描述，且具有与之相似的有益效果，在此不再赘述。

本发明第三方面的实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现根据本发明第一方面所述的基于在线交通仿真的单点优化控制方法。

一般来说，用于实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质，除了临时性地传播中的信号本身。

计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言，特别是可以使用适于神经网络计算的Python语言和基于TensorFlow、PyTorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

本发明第四方面的实施例提供了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现根据本发明第一方面所述的基于在线交通仿真的单点优化控制方法。

根据本发明第三、四方面的非临时性计算机可读存储介质和计算设备，可以参照根据本发明第一方面实施例具体描述的内容实现，并具有与根据本发明第一方面实施例的基于在线交通仿真的单点优化控制方法具有类似的有益效果，在此不再赘述。

图7示出了适于用来实现本公开的实施方式的示例性计算设备的框图。图7显示的计算设备12仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，计算设备12可以通用计算设备的形式实现。计算设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件（包括系统存储器28和处理单元16）的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构（Industry StandardArchitecture；以下简称：ISA）总线，微通道体系结构（Micro Channel Architecture；以下简称：MAC）总线，增强型ISA总线、视频电子标准协会（Video Electronics StandardsAssociation；以下简称：VESA）局域总线以及外围组件互连（Peripheral ComponentInterconnection；以下简称：PCI）总线。

计算设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器（Random Access Memory；以下简称：RAM）30和/或高速缓存存储器32。计算设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性的计算机可读存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质（图中未显示，通常称为“硬盘驱动器”）。尽管图7中未示出，可以提供用于对可移动非易失性磁盘（例如“软盘”）读写的磁盘驱动器，以及对可移动非易失性光盘（例如：光盘只读存储器（Compact Disc Read OnlyMemory；以下简称：CD-ROM）、数字多功能只读光盘（Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM）或者其它光介质）读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组（例如至少一个）程序模块，这些程序模块被配置以执行本公开各实施例的功能。

具有一组（至少一个）程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。

计算设备12也可以与一个或多个外部设备14（例如键盘、指向设备、显示器24等）通信，还可与一个或者多个使得用户能与该计算设备12交互的设备通信，和/或与使得该计算设备12能与一个或多个其它计算设备进行通信的任何设备（例如网卡，调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口22进行。并且，计算设备12还可以通过网络适配器20与一个或者多个网络（例如局域网（Local Area Network；以下简称：LAN），广域网（Wide Area Network；以下简称：WAN）和/或公共网络，例如因特网）通信。如图所示，网络适配器20通过总线18与计算设备12的其它模块通信。要说明的是，尽管图中未示出，可以结合计算设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁盘驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的方法。

本发明的计算设备可以是服务器，也可以有限算力的终端设备。

尽管上面已经示出和描述了本发明的实施例，应当理解的是，上述实施例是示例性的，不能解释为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (14)

1.一种基于在线交通仿真的单点优化控制方法，其特征在于，包括：

获取实时交通检测数据；

根据所述实时交通检测数据进行在线仿真，预测信号交叉口在预设时间内的交通状态；

根据预测的交通状态采用自适应优化算法对所述信号交叉口进行单点信号配时优化，确定优化信号配时方案，其中，所述自适应优化算法包括多个目标函数和多个约束条件；

根据所述优化信号配时方案进行在线仿真，评估所述优化信号配时方案下的交通状态是否满足预设优化条件；

当满足所述预设优化条件时，根据所述优化信号配时方案对所述信号交叉口进行控制。

2.根据权利要求1所述的基于在线交通仿真的单点优化控制方法，其特征在于，所述根据预测的交通状态采用自适应优化算法对所述信号交叉口进行单点信号配时优化，确定优化信号配时方案包括：

根据所述预测的交通状态选择控制策略；

根据所述控制策略确定所述自适应优化算法的所述目标函数和所述约束条件；

根据所述目标函数和所述约束条件进行优化，确定所述优化信号配时方案。

3.根据权利要求2所述的基于在线交通仿真的单点优化控制方法，其特征在于，所述根据所述预测的交通状态选择控制策略包括：

根据所述信号交叉口的流向饱和度和进口道的速度指数来选择所述控制策略。

4.根据权利要求3所述的基于在线交通仿真的单点优化控制方法，其特征在于，所述流向饱和度根据所述信号交叉口的流量和饱和流率确定，所述进口道的速度指数根据所述进口道的实时检测速度与历史最大检测速度确定。

5.根据权利要求2所述的基于在线交通仿真的单点优化控制方法，其特征在于，所述根据所述目标函数和所述约束条件进行优化，确定所述优化信号配时方案包括：

以所述信号交叉口各流向的绿灯时长为变量，随机生成二进制基因样本，样本转换为变量后进行约束校验并计算目标函数值；

选取所述目标函数值最优的前N个样本进行交叉和变异，并按预设的学习率更新所述变量的取值范围；

重新生成新的基因样本进入新一轮迭代，直至优化过程收敛，以确定所述优化信号配时方案。

6.根据权利要求1所述的基于在线交通仿真的单点优化控制方法，其特征在于，所述多个目标函数包括最小延误和最大化最小储备通行能力。

7.根据权利要求6所述的基于在线交通仿真的单点优化控制方法，其特征在于，所述最小延误根据所述信号交叉口的流向饱和度确定，所述最大化最小储备通行能力根据所述信号交叉口的通行能力和流量确定。

8.根据权利要求1所述的基于在线交通仿真的单点优化控制方法，其特征在于，多个所述约束条件包括时长约束、进口道排队约束和出口道排队约束。

9.根据权利要求8所述的基于在线交通仿真的单点优化控制方法，其特征在于，所述时长约束根据如下公式确定：

，

其中，M表示约束矩阵，G表示所有阶段绿灯时长的向量，G _{min}、G _{max}分别表示最小值约束和最大值约束。

10.根据权利要求8所述的基于在线交通仿真的单点优化控制方法，其特征在于，多个所述约束条件还包括：与上一周期相比，优化后的周期时长和绿灯时长的调整量小于预设范围。

11.根据权利要求1所述的基于在线交通仿真的单点优化控制方法，其特征在于，所述根据预测的交通状态采用自适应优化算法对所述信号交叉口进行单点信号配时优化，确定优化信号配时方案之前，还包括：

当存在外部指定控制策略和外部指定约束条件时，根据所述外部指定控制策略选择目标函数；

根据所述目标函数和所述外部指定约束条件进行所述单点信号配时优化。

12.一种基于在线交通仿真的单点优化控制装置，其特征在于，包括：

获取模块，用于获取实时交通检测数据；

处理模块，用于根据所述实时交通检测数据进行在线仿真，预测信号交叉口在预设时间内的交通状态；还用于根据预测的交通状态采用自适应优化算法对所述信号交叉口进行单点信号配时优化，确定优化信号配时方案，其中，所述自适应优化算法包括多个目标函数和多个约束条件；还用于根据所述优化信号配时方案进行在线仿真，评估所述优化信号配时方案下的交通状态是否满足预设优化条件；

控制模块，用于当满足所述预设优化条件时，根据所述优化信号配时方案对所述信号交叉口进行控制。

13.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现根据权利要求1-11中任一项所述的基于在线交通仿真的单点优化控制方法。

14.一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现根据权利要求1-11中任一项所述的基于在线交通仿真的单点优化控制方法。

Images