CN111985619B - 一种基于短时交通流预测的城市单交叉口控制方法 - Google Patents

一种基于短时交通流预测的城市单交叉口控制方法 Download PDF

Info

Publication number
CN111985619B
CN111985619B CN202010830244.8A CN202010830244A CN111985619B CN 111985619 B CN111985619 B CN 111985619B CN 202010830244 A CN202010830244 A CN 202010830244A CN 111985619 B CN111985619 B CN 111985619B
Authority
CN
China
Prior art keywords
period
traffic
time
phase
traffic flow
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
Application number
CN202010830244.8A
Other languages
English (en)
Other versions
CN111985619A (zh
Inventor
刘青意
杜光
邵俊豪
王佼佼
赵瑞松
周强
李叙辰
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.)
Wisdri Engineering and Research Incorporation Ltd
Wisdri Urban Construction Engineering Technology Co Ltd
Original Assignee
Wisdri Engineering and Research Incorporation Ltd
Wisdri Urban Construction Engineering Technology Co Ltd
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 Wisdri Engineering and Research Incorporation Ltd, Wisdri Urban Construction Engineering Technology Co Ltd filed Critical Wisdri Engineering and Research Incorporation Ltd
Priority to CN202010830244.8A priority Critical patent/CN111985619B/zh
Publication of CN111985619A publication Critical patent/CN111985619A/zh
Application granted granted Critical
Publication of CN111985619B publication Critical patent/CN111985619B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于短时交通流预测的城市单交叉口控制方法，针对城市道路单交叉口信号控制问题，考虑城市道路交通流实时变化和明显非线性的特性，应用GA优化的RBF神经网络交通流预测模型，以特定时段为周期预测交叉口各进口道的交通量，由交通预测量计算各相位的交通延误，确定下一个时段内各信号周期的相位通行顺序；然后确定下一个时段的第一个信号周期的时长，并确定各相位的绿灯时间；同时以信号周期为周期对周期时长和绿灯时间进行调整，根据当前各进口道的车流到达率，对当前时段内信号周期和各相位的绿灯时间进行调整，实现自适应。本发明的方法能有效提高单交叉口的通行效率，缓解城市交通拥堵问题。

Description

一种基于短时交通流预测的城市单交叉口控制方法
技术领域
本发明属于城市交通控制技术领域，具体涉及一种基于短时交通流预测的城市单交叉口控制方法。
背景技术
随着我国城市的快速发展，机动车保有量增长迅猛，城市交通拥堵问题愈趋严重。交通控制是减少交通拥堵和提高道路通行能力的一个有效的手段，目前，对交叉口信号控制方法主要是定时控制、感应控制和自适应控制。由于交叉口是城市交通系统最重要的基础设施之一，交叉口的通畅与否直接影响着城市道路的通行水平，城市单个交叉路口是智能交通系统的最小控制单元，随着城市路网密度的增大，交叉口之间的相关性日益明显，多交叉路口间的协调控制能够明显改善路网的通行效率。然而，依然存在较多的交叉口无法与邻近的交叉口进行协调控制。因此，优化交叉口的信号控制并提高其控制效果对缓解城市道路交通拥堵问题具有重要意义。
当前，对单交叉口的控制方法主要分为：定时控制、感应控制和自适应控制。其中，定时控制又分为固定定时和分段定时控制，固定定时指以固定不变的配时方案来控制交叉口，分段定时指在高峰和平峰时段切换不同的配时方案，此外，定时控制都是基于历史数据得到的配时方案，不适用于一些交通流量变化大的情况。感应控制分为半感应控制和全感应控制，半感应控制是以主干道优先通行为原则，主要适用于支路交通流量非常少的情况；全感应控制以延时为原则，根据经验设定相关参数，主要适用于交通流量随机波动大且流量较小的情况。自适应控制是将单交叉路口看作不确定的系统，将实时检测的交通状态信息作为输入参数的值，经过计算得到输出参数的值，进而使控制系统达到最优状态，弥补了前两种控制方式的不足。
发明内容
本发明解决的技术问题是提供一种基于短时交通流预测的城市单交叉口控制方法，解决无法与邻近的交叉口进行协调控制的单交叉口的信号控制问题。
为解决上述技术问题，本发明提供一种基于短时交通流预测的城市单交叉口控制方法，其特征在于，包括以下步骤：
S1、获取所选单交叉口各进口道的短时交通流数据，并以特定时长为周期进行划分，得到多个时段的交通流数据；
S2、构建GA-RBF神经网络，即利用遗传算法优化的径向基神经网络；利用各进口道的多个时段的交通流数据对GA-RBF神经网络进行训练，得到预测各进口道下一时段的交通量的短时交通流预测模型；
S3、利用该模型得到各进口道下一时段的交通预测量，根据交通预测量计算下一个时段内各相位的平均交通延误；以平均交通延误最小为目标，确定下一个时段内各信号周期的相位通行顺序；然后确定下一个时段的第一个信号周期的时长，并确定该信号周期内各相位的绿灯时间；
S4、判断当前信号周期是否结束：若当前信号周期未结束，则信号继续运行，执行步骤S4；若当前信号周期结束，则执行步骤S5；
S5、判断当前时段是否结束：若当前时段结束，则执行步骤S3；否则，根据检测得到的当前各进口道的车流到达率，确定当前时段下一个信号周期的时长和各个相位的绿灯时间，然后执行步骤S4。
进一步地，步骤S2中径向基神经网络的输入表达式为：
xi＝{yi(l),yi(l-1),yi(l-2),…,yi(l-(p-1))}
式中，xi表示第i进口道共p个时段的交通流数据，l表示第l时段，yi表示第i进口道的交通流数据，i＝1,2,…,m，m表示该单交叉口的进口道总个数；
径向基神经网络的输出表达式为：
式中，表示第i进口道的交通预测量，wj表示隐含层至输出层的连接权值，θj、cj和σj为隐含层径向基函数的参数，θj为阈值，j＝1,2,…,n，n表示隐含层神经网络的个数。
进一步地，遗传算法优化径向基神经网络的步骤如下：
S21、构建基于RBF神经网络的城市道路交通流预测模型，确定RBF神经网络的训练次数、径向基函数的cj和σj，确定遗传算法种群规模以及遗传代数；
S22、随机生成初始种群W＝(W1,W2,…,WN)T，实数编码方法生成种群中的染色体Wi(w1,w2,…,ws)；
S23、将步骤S22中生成的染色体对RBF神经网络权值和阈值进行赋值，使用交通流数据对RBF神经网络进行训练，以训练误差和作为种群W中个体Wi的适应度，适应度函数具体为：
式中，yq是第q节点的期望输出值，oq是第q节点的实际输出值，s表示隐含层节点数；
S24、基于适应度比例选择策略对每一代种群中的染色体进行选择，个体Wi的选取概率表达式为：
式中，i＝1,2,…,N，N表示种群规模；
S25、采用实数交叉法进行交叉操作，第k个染色体wk和第l个染色体wl在j位的交叉操作为：
式中，a是[0，1]中的一个随机数；
S26、从[0，1]中产生一个随机数r，选取第i个体的第j个染色体进行变异操作：
式中，wmax和wmin分别为基因wij取值的上下界，r1为一个随机数，g为当前迭代次数，gmax为最大进化数；
S27、将遗传算法得到的最优个体解对RBF神经网络的权值wj和阈值θj进行赋值。
进一步地，步骤S1还包括：利用各进口道的短时交通流数据建立历史交通流量数据库。
进一步地，步骤S2中利用各进口道的短时交通流数据对GA-RBF神经网络进行训练具体包括：根据当前的星期日期从短时历史交通流数据中选择同日期的数据对GA-RBF神经网络进行训练。
进一步地，若当前时段结束，计算当前时段各进口道实际交通量和模型预测的交通预测量的绝对误差，若绝对误差超过预定阈值，则对模型进行在线训练和修正；同时利用当前时段的实际交通量替换历史交通流数据中最早的数据。
进一步地，步骤S3中各相位的平均交通延误的计算公式如下：
式中，C表示当前信号周期时长，rj表示第j相位的红灯时间，λj为第j相位的绿信比，qij为第i进口道在第j相位时的车流到达率预测值，由各进口道交通预测量计算得到，Si表示第i进口道的饱和流率，wi表示交叉口饱和度。
进一步地，步骤S3中确定下一时段第一个信号周期的时长，并确定该信号周期内各相位的绿灯时间具体为：
S31、确定第一个信号周期的时长C，计算公式如下：
式中，L表示每个周期信号总损失时间，Y表示交叉口关键相位的流量比之和，Y＜0.9，n表示一个周期内相位数，ls是启动损失时间，Ij是第j相位末的绿灯时间间隔，Aj是第j相位末的黄灯时间，yj为第j相位的流量比，qij为第i进口道在第j相位时的车流到达率预测值；
S32、确定总相位绿灯时间ge，计算公式如下：
ge＝C-L
S33、计算各相位的有效绿灯时间gej，计算公式如下：
进一步地，步骤S5中确定当前时段下一个信号周期的时长和各个相位的绿灯时间具体包括：
S51、确定下一个信号周期的时长C′，其计算公式如下：
式中，y′j为第j相位的流量比，Y′为关键相位的流量比之和，Y′＜0.9，交通流到达率qi′j的取值为检测到的当前车流到达率，ls是启动损失时间，Ij是第j相位末的绿灯时间间隔，Si表示第i进口道的饱和流率；
S52、确定总相位绿灯时间ge，计算公式如下：
ge＝C′-L
S53、计算各相位的有效绿灯时间gej，计算公式如下：
本发明的有益效果是：本发明针对目前城市道路单交叉口信号控制不理想的问题，考虑到城市道路交通流实时变化和明显非线性的特性，进一步设计基于遗传算法(GeneticAlgorithm,GA)-神经网络(RBF)的城市道路交通流预测模型，应用GA-RBF神经网络，得到以特定时段为周期，预测该交叉口各进口道的交通量的短时交通流预测模型，进而得到该单交叉口各进口道下一时段的交通预测量；一个时段再划分成多个信号周期，分信号周期来对交叉口进行控制，即根据交通预测量，通过平均交通延误确定下一个时段内各信号周期的相位通行顺序，然后确定第一个信号周期的时长，并确定该信号周期内各个相位的绿灯时间；同时，以信号周期为周期对信号周期的时长和绿灯时间进行调整，在当前信号周期结束时，根据当前各进口道的车流到达率，重新确定下一个信号周期的时长和各个相位的绿灯时间，进而对该交叉路口进行自适应控制；当信号周期与时段均运行结束，则重新进行下一时段的预测，以此有效缓解城市道路交通拥堵，提升通行效率。
进一步地，建立历史交通流量数据库后，会方便数据的调用、整理和更新，也有利于模型的训练；由于城市道路交通流具有周期性，根据当前的星期日期从短时历史交通流数据中选择同日期的数据对GA-RBF网络进行训练，能够有效提高预测的准确性。
进一步地，若当前时段结束，计算当前时段各进口道实际交通量和模型预测的交通量的绝对误差，若绝对误差超过预定阈值，则对模型进行在线训练和修正；同时利用当前时段的实际交通量替换历史交通流数据中最早的数据；模型的在线训练和修正以及数据的更新会提高模型的预测准确度。
附图说明
图1为本发明基于短时交通流预测的城市单交叉口控制方法的流程图；
图2为本发明实施例中仿真试验单交叉口路网示意图；
图3为本发明实施例中仿真试验单交叉口基本相位结构图；
图4为本发明城市道路交通流RBF神经网络结构图。
具体实施方式
下面将结合附图对本发明的基于短时交通流预测的城市单交叉口控制方法作进一步的说明：
本发明实施例的基于短时交通流预测的城市单交叉口控制方法，如图1所示，包括以下步骤：
S1、获取所选单交叉口各进口道的短时交通流数据，并以特定时长为周期进行划分，得到多个时段的交通流数据。
首先选择需要进行交通流预测的单交叉口以及检测各进口道车辆状态的车辆检测点，在各个车辆检测点设置信号检测器，如监测车流量的流量专用摄像机，构成该交叉口的交通检测系统。由交通检测系统，获取所选单交叉口车辆检测点的短时交通流历史数据。并以特定时长为周期进行划分，如15min，得到该交叉口多个15min内的交通流数据。
为了方便数据的调用、整理和更新，可以利用各进口道的短时历史交通流数据建立历史交通流量数据库。
S2、构建GA-RBF神经网络，即利用遗传算法优化的径向基神经网络；利用各进口道的多个时段的交通流数据对GA-RBF神经网络进行训练，得到预测各进口道下一时段的交通量的短时交通流预测模型。
首先，构建GA-RBF神经网络，GA-RBF网络为基于遗传算法优化的径向基神经网络。由步骤S1得到的多个时段的交通流数据对网络进行训练。如果时段的时长为15min，则模型也会以15min为间隔周期，使用数据库中交通量，对i进口方向下一个15min期间的交通流量进行预测。
其中：RBF神经网络是一种应用较为广泛的典型预测模型，由于城市道路交通流具有明显的非线性特征，而RBF神经网络具有识别复杂非线性系统的特性，它可以应用于城市道路交通流预测。其步骤如下：
①由于单交叉口有m个进口道,分别建立m个RBF神经网络，并对RBF神经网络结构进行设计，包括网络层数、输入层节点数、隐含层节点数和输出层节点数等参数。
②通过构建城市道路交通流三层前向RBF神经网络来预测城市道路交通流，该前向RBF神经网络结构如图4所示：
径向基神经网络的输入表达式为：
xi＝{yi(l),yi(l-1),yi(l-2),…,yi(l-(p-1))}
式中，xi表示第i进口道共p个时段的历史交通流数据，是一个状态向量，p是输入层节点数，l表示第l时段，yi表示第i进口道的历史交通流数据，i＝1,2,…,m，m表示该单交叉口的进口道总个数；
选用高斯函数作为径向基函数，则该城市道路交通流RBF神经网络的输出表达式为：
式中，表示第i进口道的交通预测量，为输出向量；wj表示隐含层至输出层的连接权值，θj、cj和σj为隐含层径向基函数的参数，θj为阈值，j＝1,2,…,n，n表示隐含层神经网络的个数。运用历史交通流对神经网络进行训练，然后进行交通量预测，能够得到m个进口方向在第l+1时段时的交通预测量，分别为：/>
一般地，通过RBF神经网络来预测交通流时，其输入层神经元个数取p，隐含层神经元数n则取经验值2p+1。由于城市道路交通流RBF神经网络存在初始权值和阈值不能准确获得的缺陷，同时RBF神经网络的连接权值wj和阈值θj的取值对RBF神经网络的预测性能有很大影响，而遗传算法(GA)具有全局优化、精度高和收敛速度快等优点，因此为了提高城市道路交通流预测的准确性及交通流控制的有效性，进一步设计出基于GA-RBF的城市道路交通流预测方法。
③GA对RBF神经网络的权值和阈值进行寻优，步骤如下：
S21、构建基于RBF神经网络的城市道路交通流预测模型，确定RBF神经网络的训练次数、径向基函数的cj和σj等参数，确定遗传算法种群规模以及遗传代数等参数；
S22、随机生成初始种群W＝(W1,W2,…,WN)T，在给定范围内，采用线性插值函数生成种群中的染色体Wi(w1,w2,…,ws)，为了得到较高精度的连接权值和阈值，采用实数编码方法。
S23、将步骤S22中生成的染色体对RBF神经网络权值和阈值进行赋值，使用交通流训练样本对RBF神经网络进行训练，达到设定的标准后得到训练输出值，以训练误差和作为种群W中个体Wi的适应度，适应度函数f(i)具体为：
式中，yq是第q节点的期望输出值，oq是第q节点的实际输出值，s表示隐含层节点数；
S24、采用轮盘赌法选择算子，即基于适应度比例选择策略对每一代种群中的染色体进行选择，个体Wi的选取概率为p(i)，其表达式为：
式中，i＝1,2,…,N，N表示种群规模；
S25、由于个体采用实数编码，因此交叉操作方法采用实数交叉法，第k个染色体wk和第l个染色体wl在j位的交叉操作为：
式中，a是[0，1]中的一个随机数；
S26、从[0，1]中产生一个随机数r，选取第i个体的第j个染色体进行变异操作：
式中，wmax和wmin分别为基因wij取值的上下界，r1为一个随机数，g为当前迭代次数，gmax为最大进化数；
S27、将遗传算法得到的最优个体解对RBF神经网络的权值wj和阈值θj进行赋值。当GA对RBF神经网络的权重wj和阈值θj进行赋值后，由于城市道路交通流具有周期性，可以根据当前的星期日期，调用数据库Sig中对应日期的历史交通量，进而对第i个进口道的RBF神经网络预测模型进行训练，能够有效提高模型的预测精度。然后使用RBF神经网络以15min为间隔周期对第i进口道第l+1时段15min期间的交通流量进行预测，得到m个进口方向在第l+1周期时的交通量预测值，分别为：
为了进一步提高模型预测数值的准确度，可以在当前时段结束时，计算当前时段各进口道实际交通量和模型预测的交通量的绝对误差，若绝对误差超过预定阈值，则对模型进行在线训练和修正；同时利用当前时段的实际交通量替换历史交通流数据中最早的数据。以第l+1时段为例，在第l+1时段,通过交通检测系统获得各个进口方向的实际交通流量yi(l+1)，计算实际值yi(l+1)与预测值间的绝对误差/>以绝对误差E为评价指标，若此误差值超出设定的误差指标，则对模型进行在线训练和修正，同时对交通量数据库Sig进行更新替换，将交通量yi(l)和yi(l+1)存储在Sig中，并删除Sig中最早的交通量数据。
S3、利用该模型得到各进口道下一时段的交通预测量，根据交通预测量计算下一个时段内各相位的平均交通延误；以平均交通延误最小为目标，确定下一个时段内各信号周期的相位通行顺序；然后确定下一个时段的第一个信号周期的时长，并确定该信号周期内各个相位的绿灯时间。
同样以15分钟为一时段进行举例说明：在模型训练完成之后，先利用模型得到各进口道下一时段的交通预测量根据该交通预测量得到各进口道的车流到达率预测值，然后计算各相位可能产生的平均交通延误，由最小平均交通延误确定相位通行顺序，交通延误越小，相位顺序越靠前；最后确定第一个最佳信号周期时长C，并求解出最佳绿灯时间。具体步骤如下：
(1)交通预测量的确定
当前15min的时段结束且信号周期也结束时，利用该模型预测各进口道下一时段的交通量交通预测量用来计算车流到达率预测值。
(2)通行相位的确定
根据交通预测量计算下一个信号周期内各相位的平均交通延误以平均交通延误最小为目标来确定通行相位。平均交通延误是指在持续时间内，进口道处平均每辆车产生的延误时间，单位为秒。采用Webster模型计算各相位的平均交通延误，公式如下：
式中，C表示当前信号周期时长，rj表示第j相位的红灯时间，λj为第j相位的绿信比(绿灯时间与周期的比值)，qij为第i进口道在第j相位时的车流到达率预测值(pcu/h)，Si表示第i进口道的饱和流率(pcu/h)，wi表示交叉口饱和度。
(3)信号时间的确定：
交通流信号控制的时间参数主要是信号周期和绿灯时间。
①信号周期
信号周期C为决定交通信号控制效果优劣的关键控制参数。选取交通延误最小的最佳信号周期C，其计算公式为：
式中，L表示每个周期信号总损失时间，Y表示交叉口关键相位的流量比之和，Y＜0.9，n表示一个周期内相位数，ls是启动损失时间，例如取值为3s，Ij是第j相位末的绿灯时间间隔，Aj是第j相位末的黄灯时间，例如取值为3s，yj为第j相位的流量比。
②绿灯时间
确定总相位绿灯时间ge，计算公式如下：
ge＝C-L
然后计算各相位的有效绿灯时间gej，计算公式如下：
S4、判断当前信号周期是否结束：若当前信号周期未结束，则信号继续运行，执行步骤S4；若当前信号周期结束，则执行步骤S5；
S5、判断当前时段是否结束：若当前时段结束，则执行步骤S3；否则，根据检测得到的当前各进口道的车流到达率，确定当前时段下一个信号周期的时长和各个相位的绿灯时间，然后执行步骤S4。
如果当前信号周期结束，但是当前l时段15min还未结束，需要对下一个信号周期的时间和各相位的绿灯时间进行调整，计算信号周期时长，再确定各相位的最佳绿灯时间。其具体步骤如下：
S51、确定下一个信号周期时长C′，其计算公式如下：
式中，y′j为第j相位的流量比，Y′为关键相位的流量比之和，Y′＜0.9，交通流到达率qi′j的取值为检测到的当前车流到达率；
确定下一个信号周期C′后，需要确定每个相位的绿灯时间。
S52、首先，确定总相位绿灯时间ge，计算公式如下：
ge＝C′-L
S53、然后，计算各相位的有效绿灯时间gej，计算公式如下：
将以上确定的控制参数(信号相位、信号周期和绿灯时间)输入交通流控制器中对交通流进行控制。
本实施例提供一种基于GA-RBF神经网络交通流预测的城市单交叉口控制方法的仿真验证方法：
在本实施例中，通过交通检测系统以15min为间隔采集交叉口各进口道的交通流信息，并折算得到标准小客车当量交通流量数据，将第i进口道、采集时间为星期g的标准交通量数据存入交通量数据库Sig中，其中g＝1,2,…,7，表示星期的日期。
(1)在VISSIM10中构建如图2所示的仿真交叉口路网。四个进口道都为3车道，每个车道宽度取3.5m，每个进口道停车线前都设置有检测车流量的流量专用摄像机和排队计数器，分别用来检测交通信息和统计排队长度；选取标准四相位：东西直行、南北直行、东西左转和南北左转，四相位基本结构如图3所示。
(2)选定需要进行交通流预测的路段以及该路段中的车辆检测点，获取所选单交叉口以及各进口道车辆检测点的短时交通流量历史数据。令仿真时间为5h：7:00-12:00，仿真日期为星期二，所以调用星期二数据库Si2中交通量，i＝1,2,3,4。仿真期间VISSIM中的路网流量为随机分布，产生规律服从泊松分布，左、直、右行交通流量比例为0.2:0.5:0.3，各方向饱和流量Si均取值为1600pcu/h，交叉口车辆期望车速为45km/h，假设各个进口道交通流量分布如表1所示。
表1 各个进口道交通流量分布
(3)为了验证本实施例交通流预测控制方法的有效性，将本发明实施方法与基于RBF预测模型的城市单交叉口交通流控制方法(以下简称“RBF预测控制方法”)和城市单交叉口交通流定时控制方法(以下简称“定时控制方法”)，在相同的仿真条件下进行对比试验：RBF神经网络采用10-21-1的三层结构，其训练次数取1500，训练目标取0.0005，学习率取0.02；遗传算法的种群规模取50，遗传代数为150，交叉概率0.5，变异概率为0.05；设定误差值E＝±30pcu。
本实施例中采用Matlab语言编写算法程序，在Matlab环境下构建基于RBF的城市道路交通流预测模型和基于GA-RBF的城市道路交通流预测模型，在VISSIM10中建立图2的仿真交叉口路网，并利用VISSIM提供的COM接口编程实现RBF预测控制方法和GA-RBF预测控制方法；在VISSIM10中构建城市单交叉口交通流定时控制模型。
本次分别应用GA-RBF预测控制方法，RBF预测控制方法和定时控制方法，通过输入以上控制参数到VISSIM10中进行仿真实验，以各进口处的平均排队长度(pcu)和平均交通延误(s)为评价指标，三种控制方法的仿真结果如表2所示。
表2 三种控制方法的仿真结果
由表2可知，对于各进口道处的平均排队长度和平均交通延误指标，本发明提出的GA-RBF预测控制方法均比RBF预测控制方法和目前常用的定时控制方法低，且RBF预测控制方法均比定时控制方法低；对于总排队长度和总平均交通延误指标，GA-RBF预测控制方法比定时控制方法分别低82pcu和69.9s，比RBF预测控制方法分别低31pcu和21.3s。由此得出，本发明提出的预测控制方法比目前常用的定时控制方法具有明显的优势，能更有效地降低城市单交叉口的平均排队长度和平均交通延误，能在一定程度上缓解城市道路交通拥堵问题。
本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于短时交通流预测的城市单交叉口控制方法，其特征在于，包括以下步骤：
S1、获取所选单交叉口各进口道的短时交通流数据，并以特定时长为周期进行划分，得到多个时段的交通流数据；
S2、构建GA-RBF神经网络，即利用遗传算法优化的径向基神经网络；利用各进口道的多个时段的交通流数据对GA-RBF神经网络进行训练，得到预测各进口道下一时段的交通量的短时交通流预测模型；
S3、利用该模型得到各进口道下一时段的交通预测量，根据交通预测量计算下一个时段内各相位的平均交通延误；以平均交通延误最小为目标，确定下一个时段内各信号周期的相位通行顺序；然后确定下一个时段的第一个信号周期的时长，并确定该信号周期内各相位的绿灯时间；
S4、判断当前信号周期是否结束：若当前信号周期未结束，则信号继续运行，执行步骤S4；若当前信号周期结束，则执行步骤S5；
S5、判断当前时段是否结束：若当前时段结束，则执行步骤S3；否则，根据检测得到的当前各进口道的车流到达率，确定当前时段下一个信号周期的时长和各个相位的绿灯时间，然后执行步骤S4；
其中，步骤S2中径向基神经网络的输入表达式为：
xi＝{yi(l),yi(l-1),yi(l-2),…,yi(l-(p-1))}
式中，xi表示第i进口道共p个时段的交通流数据，l表示第l时段，yi表示第i进口道的交通流数据，i＝1,2,…,m，m表示该单交叉口的进口道总个数；
径向基神经网络的输出表达式为：
式中，表示第i进口道的交通预测量，w”j表示隐含层至输出层的连接权值，θj、cj和σj为隐含层径向基函数的参数，θj为阈值，j＝1,2,…,n，n表示隐含层神经网络的个数；
遗传算法优化径向基神经网络的步骤如下：
S21、构建基于RBF神经网络的城市道路交通流预测模型，确定RBF神经网络的训练次数、径向基函数的cj和σj，确定遗传算法种群规模以及遗传代数；
S22、随机生成初始种群W＝(W1,W2,…,WN)T，实数编码方法生成种群中的染色体wi；
S23、将步骤S22中生成的染色体对RBF神经网络权值和阈值进行赋值，使用交通流数据对RBF神经网络进行训练，以训练误差和作为种群W中个体Wi的适应度，适应度函数具体为：
式中，yq是第q节点的期望输出值，oq是第q节点的实际输出值，s表示隐含层节点数；
S24、基于适应度比例选择策略对每一代种群中的染色体进行选择，个体Wi的选取概率表达式为：
式中，i＝1,2,…,N，N表示种群规模；
S25、采用实数交叉法进行交叉操作，第k个染色体wk和第l个染色体wl在j位的交叉操作为：
式中，a是[0，1]中的一个随机数；
S26、从[0，1]中产生一个随机数r，选取第i个体的第j个染色体进行变异操作：
式中，wmax和wmin分别为基因wij取值的上下界，r1为一个随机数，g为当前迭代次数，gmax为最大进化数；
S27、将遗传算法得到的最优个体解对RBF神经网络的权值w”j和阈值θj进行赋值；
步骤S3中各相位的平均交通延误的计算公式如下：
式中，C表示当前信号周期时长，rj表示第j相位的红灯时间，λj为第j相位的绿信比，qij为第i进口道在第j相位时的车流到达率预测值，由各进口道交通预测量计算得到，Si表示第i进口道的饱和流率，w'i表示交叉口饱和度。
2.根据权利要求1所述的城市单交叉口控制方法，其特征在于，步骤S1还包括：利用各进口道的短时交通流数据建立历史交通流量数据库。
3.根据权利要求1所述的城市单交叉口控制方法，其特征在于，步骤S2中利用各进口道的短时交通流数据对GA-RBF神经网络进行训练具体包括：根据当前的星期日期从短时历史交通流数据中选择同日期的数据对GA-RBF神经网络进行训练。
4.根据权利要求1所述的城市单交叉口控制方法，其特征在于，步骤S2还包括：若当前时段结束，计算当前时段各进口道实际交通量和模型预测的交通预测量的绝对误差，若绝对误差超过预定阈值，则对模型进行在线训练和修正；同时利用当前时段的实际交通量替换历史交通流数据中最早的数据。
5.根据权利要求1所述的城市单交叉口控制方法，其特征在于，步骤S3中确定下一时段第一个信号周期的时长，并确定该信号周期内各相位的绿灯时间具体为：
S31、确定第一个信号周期的时长C，计算公式如下：
式中，L表示每个周期信号总损失时间，Y表示交叉口关键相位的流量比之和，Y<0.9，n表示一个周期内相位数，ls是启动损失时间，Ij是第j相位末的绿灯时间间隔，Aj是第j相位末的黄灯时间，yj为第j相位的流量比，qij为第i进口道在第j相位时的车流到达率预测值；
S32、确定总相位绿灯时间ge，计算公式如下：
ge＝C-L
S33、计算各相位的有效绿灯时间gej，计算公式如下：
6.根据权利要求1所述的城市单交叉口控制方法，其特征在于，步骤S5中确定当前时段下一个信号周期的时长和各个相位的绿灯时间具体包括：
S51、确定下一个信号周期的时长C′，其计算公式如下：
式中，y′j为第j相位的流量比，Y′为关键相位的流量比之和，Y′<0.9，交通流到达率q′ij的取值为检测到的当前车流到达率，ls是启动损失时间，Ij是第j相位末的绿灯时间间隔，Si表示第i进口道的饱和流率；
S52、确定总相位绿灯时间ge，计算公式如下：
ge＝C′-L
S53、计算各相位的有效绿灯时间gej，计算公式如下：
CN202010830244.8A 2020-08-18 2020-08-18 一种基于短时交通流预测的城市单交叉口控制方法 Active CN111985619B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010830244.8A CN111985619B (zh) 2020-08-18 2020-08-18 一种基于短时交通流预测的城市单交叉口控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010830244.8A CN111985619B (zh) 2020-08-18 2020-08-18 一种基于短时交通流预测的城市单交叉口控制方法

Publications (2)

Publication Number Publication Date
CN111985619A CN111985619A (zh) 2020-11-24
CN111985619B true CN111985619B (zh) 2024-03-08

Family

ID=73434652

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010830244.8A Active CN111985619B (zh) 2020-08-18 2020-08-18 一种基于短时交通流预测的城市单交叉口控制方法

Country Status (1)

Country Link
CN (1) CN111985619B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112652164B (zh) * 2020-12-02 2022-12-30 北京北大千方科技有限公司 一种交通时段划分方法、装置及设备
CN112669628B (zh) * 2020-12-17 2023-01-24 安徽百诚慧通科技股份有限公司 一种基于需求-供给双波动的交叉口信号设计方法
CN114419878B (zh) * 2021-12-22 2023-04-07 银江技术股份有限公司 城市路网全域交通状态预测的方法、电子装置和存储介质
CN115050179B (zh) * 2022-05-26 2023-10-27 昆明理工大学 交叉口通行预测及其路径上交叉口通行动、静态预测方法
CN115440061A (zh) * 2022-08-04 2022-12-06 杭州海康威视数字技术股份有限公司 一种信号灯控制方法及装置
CN116229740B (zh) * 2023-05-10 2023-10-10 湖北大学 一种红绿灯配时控制方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976510A (zh) * 2010-10-26 2011-02-16 隋亚刚 高清视频检测条件下的交叉口机动车信号优化控制方法
CN102005125A (zh) * 2010-12-10 2011-04-06 东南大学 机动车通过交叉口的放行方法及设计方法和控制系统
CN105788249A (zh) * 2014-12-16 2016-07-20 高德软件有限公司 一种交通流量预测方法、预测模型生成方法及装置
CN105788302A (zh) * 2016-04-08 2016-07-20 华北电力大学（保定） 一种双目标优化的城市交通信号灯动态配时方法
CN105844927A (zh) * 2016-04-06 2016-08-10 深圳榕亨实业集团有限公司 新型感知与控制的道路交叉口群信号控制系统及控制方法
WO2018072240A1 (zh) * 2016-10-20 2018-04-26 中国科学院深圳先进技术研究院 一种路网潮汐交通流可变导向车道控制方法
CN110751834A (zh) * 2019-10-23 2020-02-04 长安大学 一种城市饱和交叉口信号配时的优化方法
CN111260118A (zh) * 2020-01-10 2020-06-09 天津理工大学 一种基于量子粒子群优化策略的车联网交通流量预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10255805B1 (en) * 2018-01-29 2019-04-09 Volkswagen Ag Traffic signal emulation using genetic algorithm
CN109410607B (zh) * 2018-03-22 2021-05-04 合肥革绿信息科技有限公司 一种基于视频的十字路口信号机控制方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976510A (zh) * 2010-10-26 2011-02-16 隋亚刚 高清视频检测条件下的交叉口机动车信号优化控制方法
CN102005125A (zh) * 2010-12-10 2011-04-06 东南大学 机动车通过交叉口的放行方法及设计方法和控制系统
CN105788249A (zh) * 2014-12-16 2016-07-20 高德软件有限公司 一种交通流量预测方法、预测模型生成方法及装置
CN105844927A (zh) * 2016-04-06 2016-08-10 深圳榕亨实业集团有限公司 新型感知与控制的道路交叉口群信号控制系统及控制方法
CN105788302A (zh) * 2016-04-08 2016-07-20 华北电力大学（保定） 一种双目标优化的城市交通信号灯动态配时方法
WO2018072240A1 (zh) * 2016-10-20 2018-04-26 中国科学院深圳先进技术研究院 一种路网潮汐交通流可变导向车道控制方法
CN110751834A (zh) * 2019-10-23 2020-02-04 长安大学 一种城市饱和交叉口信号配时的优化方法
CN111260118A (zh) * 2020-01-10 2020-06-09 天津理工大学 一种基于量子粒子群优化策略的车联网交通流量预测方法

Also Published As

Publication number Publication date
CN111985619A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN111985619B (zh) 一种基于短时交通流预测的城市单交叉口控制方法
CN112365724B (zh) 一种基于深度强化学习的连续交叉口信号协同控制方法
CN108197739B (zh) 一种城市轨道交通乘客流量预测方法
CN106971566B (zh) 基于遗传算法的自适应控制方法
CN110570672B (zh) 一种基于图神经网络的区域交通信号灯控制方法
CN103761138A (zh) 一种交通仿真软件的参数校正方法
CN114758497B (zh) 一种自适应停车场可变出入口控制方法、装置及存储介质
CN108417032A (zh) 一种城市中心区路边停车需求分析预测方法
CN111461500B (zh) 一种基于动态电子围栏和强化学习的共享单车系统潮汐现象控制方法
CN106781465A (zh) 一种道路车流量预测方法
CN114202917A (zh) 基于动态交通流短时预测的施工区域交通控制与诱导方法
CN111899511A (zh) 一种共线线路avl数据的公交车到站时间预测方法
CN117994986A (zh) 一种基于智能优化算法的交通车流量预测优化方法
CN115019523A (zh) 基于最小化压力差的深度强化学习交通信号协调优化控制方法
CN110211375A (zh) 基于改进时空关联knn算法的交通流量预测方法
CN117133138A (zh) 一种多交叉口交通信号协同控制方法
CN116805449A (zh) 一种考虑个体先验数据的交通信号模糊控制方法及系统
CN116824851A (zh) 一种基于路径的城市快速路走廊交通拥堵溯源方法
Xie Development and evaluation of an arterial adaptive traffic signal control system using reinforcement learning
Hu et al. SOUP: A fleet management system for passenger demand prediction and competitive taxi supply
Yang et al. Acyclic real-time traffic signal control based on a genetic algorithm
CN113077642B (zh) 一种交通信号灯控制方法、装置及计算机可读存储介质
CN115472023A (zh) 一种基于深度强化学习的智能交通灯控制方法及装置
CN115146524A (zh) 一种基于代理辅助进化算法的公交专用道仿真优化方法
Zhang et al. Development and Evaluation of a Multi-Agent Based Neuro-Fuzzy Arterial Traffic Signal Control System

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