CN112466116A - 基于边缘计算的交叉口群分布式控制方法 - Google Patents
基于边缘计算的交叉口群分布式控制方法 Download PDFInfo
- Publication number
- CN112466116A CN112466116A CN202011306588.5A CN202011306588A CN112466116A CN 112466116 A CN112466116 A CN 112466116A CN 202011306588 A CN202011306588 A CN 202011306588A CN 112466116 A CN112466116 A CN 112466116A
- Authority
- CN
- China
- Prior art keywords
- intersection
- time
- control
- road
- intersections
- 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.)
- Pending
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
-
- 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
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/087—Override of traffic control, e.g. by signal transmitted by an emergency vehicle
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/095—Traffic lights
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/097—Supervising of traffic control systems, e.g. by giving an alarm if two crossing streets have green light simultaneously
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
- G08G1/127—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams to a central station ; Indicators in a central station
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/42—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for mass transport vehicles, e.g. buses, trains or aircraft
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Signal Processing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本专利公开了一种基于边缘计算的交叉口群分布式控制方法,其特征在于,所述方法包括:步骤一、交叉口与交通流的边缘建模;步骤二、边缘节点信号控制;步骤三、交叉口群分布式控制。通过上述方法相对于直接对路网的求解而言难度大大降低;又因对单个交叉口的车流量预测与信号优化由临近交叉口的边缘计算节点完成,其计算速度与传输速度均可以得到保证。
Description
技术领域
本发明属于智能交通控制技术领域,涉及交叉口群的分布式控制。具体而言涉及一种基于边缘计算的交叉口群分布式控制方法。
背景技术
作为实现各路段交通流转换的节点、制约道路网络通行能力的主要瓶颈,交叉口在现代交通管理与控制领域扮演着重要角色。然而现阶段针对的交叉口的信号控制优化往往针对孤立交叉口,并不意味着路网整体的最优,而对于路网的信号控制则没有公认的最优方法。
边缘计算(Edge computing)是一中将部分处理和存储放在网络的边缘节点处的分布式计算形式。与传统的云计算相比,边缘计算聚焦实时、短周期的数据分析,能够更好地支撑本地业务的实时智能化处理与执行。由于边缘计算距离用户更近,在边缘节点处实现了对数据的过滤和分析,因此效率更高。边缘节点进行一部分简单数据处理,进而能够设备响应时间,减少从设备到云端的数据流量。边缘计算的诸多优势恰好可以为交叉口群控制面临的计算量庞大、计算时延过高的问题提供解决方案。
故基于边缘计算,本发明提出了一种分布式控制方法用于对交叉口群的信号控制。
发明内容
本发明要解决的技术问题是:提出一种基于边缘计算的分布式控制方法对交叉口群实施信号控制。
系统架构由三部分构成:(1)交叉口车辆检测器:用于检测驶出交叉口进口各车道的车流量并将相关册数采集上传至边缘计算节点;交叉口车辆检测器主要安装于交叉口进口处。(2)路段车辆检测器:用于检测路段中的车辆的流入与流出并将相关参数采集上传至边缘计算节点;路段车辆检测器安装于路段中无信控支路处。(3)交叉口边缘计算节点:集成在信号控制机内,可以与其他边缘计算节点通信获取其信号控制方案。主要负责对路段车辆检测器上传的数据进行集成与处理,根据系统状态进行信号控制方案的生成并下发至信号机执行。每一个交叉口部署一个边缘计算节点。边缘计算节点与车辆检测器、边缘计算节点间的通信方式采用5G,具有传输速度快,稳定性强的优点。
交叉口与交通流的边缘建模,与传统的区域信号控制在信号控制中心对整个路网进行不同,本发明借助边缘结算节点对每个交叉口及相邻交叉口分别进行建模,具体如下:假设若存在相邻的交叉口W与J,其中间的路段为z,T为离散时间步长,kT为起始时刻,qwz(k)为交叉口W各个方向流入路段z的流率则应有:qwz(k)=∑τw,iqw,i(k)其中τw,i为从交叉口W各出口向路段z的转向率;qw,i(k)为从交叉口W各出口向路段z的流率。qzj(k)为z路段进入交叉口J的流率,计算方法为:其中sz为z路段的饱和流率,C是信号周期,∑u(k)则为各相位绿灯时间和。和则是由路段中进入和离开z的流率,可以由路侧检测设备测得。因此可以预测,在考虑路段中的其他扰动ez(k)的情况下,第(k+1)T时刻,路段z中的交通量xz(k+1)可以写成:
边缘节点信号控制,部署于各个交叉口的边缘计算节点主要承担预测下一步长交叉口流量并进行单个交叉口最优控制方法输出的任务:在路侧车辆检测器采集到从路段中交叉口的流量后,将会通过5G通信传递给边缘计算节点,边缘结算节点按2)中的形式计算并生成该交叉口的状态空间模型,对下一时间步长的交通流量进行预测,并根据目标函数与约束条件进行信号控制任务。因为边缘计算节点带来的实时性,本发明采用的控制方法的核心思想是滚动优化,对于单个交叉口而言,在每一个采用时刻,根据获得的当前测量信息,在线求解一个有限时间开环优化问题,并将得到的控制序列的第一个元素作用于被控对象。在下一个采样时刻,重复上述过程:用新的测量值作为此时预测系统未来动态的初始条件,刷新优化问题并重新求解。采用线性二次调节器作为控制器,该控制器的核心为对角非负正定矩阵Q与R的选择。在交通信号控制中,选取Q为路网中各条道路中的最大车辆数矩阵,R为控制输入的惩罚矩阵,Q和R可根据实际情况进行设定。假设Nc是控制范围,Np是预测范围,令:Nc=Np-T进一步考虑前文中的状态空间模型,对于整体路网,假设初始时间为t0,在kT时控制器可以写作:其中x与u并不仅仅代表单个路段的车辆数或者单个出口单方向的绿灯控制时间,而是表达所有路段或路口车辆数量的向量和绿灯时间控制序列。表示在一个采样周内t0+k时间步长处的预测状态向量,通过下一步添加目标函数与约束条件,信号控制问题即转化为通过求解一个有限时域内的的约束优化控制问题获得预测时间窗内的整个系统的优化方案。对于单个交叉口处的边缘计算节点,其目标函数为:相应的约束条件为:①xz(k+1)=xz(k)+Bu(k)+Dd(k)+e(k),即为系统的状态空间模型;②∑u+L≤C,L为各相位绿灯损失时间,即所有相位绿灯时间与损失时间之和小于周期;③umin≤u≤umax,即限定单个路口与方向最短和最大绿灯时间;④0≤x≤xmax,限定道路能容纳的交通量上限。至此,将每个时间步长内由路侧车辆检测器测得的通过饱和流率、信号周期与该步长内的绿灯时间计算得到的qwz(k)、qzj(k),及提前设定好的Q矩阵与R矩阵,即刻预测下一时间步长内的车流量并给出最优的绿灯时间,直至到达控制范围Nc。
交叉口群分布式控制方法,对于上述的边缘计算节点所执行的信号优化控制而言,因其只针对单个交叉口,并不意味着路网的最优。若由云端服务器进行路网状态的评估则计算量巨大且时延较高,可操作性差,故利用边缘计算节点,采取分布式的控制方法对交叉口进行控制以达到路网最优。分布式控制考虑了路网中各个交叉口间的相互作用,实际适用性更好。本节阐述如何将控制的计算任务分布式地卸载到边缘节点以提高优化效率、降低时延。首先将交叉口群分解为若干个局部优化模型,每个局部优化模型对应一个交叉口,则对于交叉口i,其局部优化模型为: 约束条件为:①xi,0=x0,即系统初始状态为矩阵,即交叉口i所连接的各个路段内的交通量;②x(k+1)=x(k)+Bu(k)+Dd(k)+e(k),即为系统的状态空间模型;③∑u+Lj≤C,即所有相位绿灯时间与损失时间之和小于周期;④umin≤u≤umax,即限定单个路口与方向最短和最大绿灯时间;⑤0≤x≤xmax,限定道路能容纳的交通量上限。
其次采用纳什最优对分布式交叉口群控制问题进行求解:为了使整体路网达到最优,在对每一个交叉口进行优化的同时,需要获取其他交叉口的最优解,而因所有交叉口都在并行地进行优化,前述条件无法实现。此时借助于边缘计算系统,位于各个交叉口的边缘计算节点之间可以彼此通信,对于其他交叉口的最优控制策略,可以先对其进行预估,将预估值作为最优值分别进行独立的优化,预估方法为使用其他交叉口上一时间步长的值作为预估控制输入,其他交叉口对交叉口i的预估输入为:根据预估值,各交叉口求出自身的最优绿灯时间并检查是否达到满足迭代结束的条件。迭代条件结束为: 该条件指代在时间步长kT内,交叉口i经过第l+1次迭代与第l次迭代获得的控制结果的差的绝对值充分小。当所有交叉口都满足结束条件,则终止迭代。终止迭代后,时间步长kT内的优化过程结束,各个子系统实施该控制率,并滚动至时间步长(k+1)T,重复上述优化。
因为依托了部署在信号机中的边缘计算节点,在分布式控制中每个交叉口i的局部优化模型的求解至于本交叉口的预测状态序列Xi(k)和预测控制序列Ui(k)有关,以十字路口为例,考虑针对左转与直行的控制,子系统共包含4个路段与8个控制相位,即:Xi(k)=[xi,1(k),xi,2(k),xi,3(k),xi,4(k)];Ui(k)=[ui,1(k),ui,2(k),…,ui,8(k)]。
求解该问题相对于直接对路网的求解,难度大大降低。又因对单个交叉口的车流量预测与信号优化由临近交叉口的边缘计算节点完成,其计算速度与传输速度均可以得到保证。
附图说明
图1为系统架构图;
图2为交叉口与交通流边缘建模示意图;
图3为边缘节点优化控制原理图;
图4为交叉口群分布式控制求解流程图。
具体实施方式
为更好地说明本发明提出的控制方法,结合配图对技术方案的具体实施公式进行详细说明:
本具体实施方式提供了一种基于边缘计算的交叉口群分布式控制方法,所述方法中采用的系统架构如图1所示,系统主要由两部分构成:(1)路段车辆检测器:用于检测路段中的车辆的流入与流出并将相关参数采集上传至边缘计算节点。所述路段车辆检测器包括交叉口车辆检测器和路段车辆检测器,所述交叉口车辆检测器用于检测驶出交叉口进口各车道的车流量并将相关册数采集上传至边缘计算节点;交叉口车辆检测器主要安装于交叉口进口处。路段车辆检测器用于检测路段中的车辆的流入与流出并将相关参数采集上传至边缘计算节点;路段车辆检测器安装于路段中无信控支路处。
交叉口边缘计算节点:集成在信号控制机内,可以与其他边缘计算节点通信获取其信号控制方案。主要负责对路段车辆检测器上传的数据进行集成与处理,根据系统状态进行信号控制方案的生成并下发至信号机执行。每一个交叉口部署一个边缘计算节点。边缘计算节点与车辆检测器、边缘计算节点间的通信方式采用5G,具有传输速度快,稳定性强的优点。
所述方法包括:
步骤一、交叉口与交通流的边缘建模
与传统的区域信号控制在信号控制中心对整个路网进行不同,本发明借助边缘结算节点对每个交叉口及相邻交叉口分别进行建模。
针对交叉口与交通流的边缘建模如图2所示,具体包括:
设定相邻的交叉口W与J,其中间的路段为z,T为离散时间步长,kT为起始时刻,qwz(k)为交叉口W各个方向流入路段z的流率;则qwz(k)=∑τw,iqw,i(k),其中τw,i为从交叉口W各出口向路段z的转向率;qw,i(k)为从交叉口W各出口向路段z的流率;qzj(k)为z路段进入交叉口J的流率,计算方法为:其中sz为z路段的饱和流率,C是信号周期,∑u(k)则为各相位绿灯时间和;和则是由路段中进入和离开z的流率;因此可以预测,在考虑路段中的其他扰动ez(k)的情况下,第(k+1)T时刻,路段z中的交通量xz(k+1)写成:
步骤二、边缘节点信号控制
如图3所示,部署于各个交叉口的边缘计算节点主要承担预测下一步长交叉口流量并进行单个交叉口最优控制方法输出的任务:在路侧车辆检测器采集到从路段中交叉口的流量后,将会通过5G通信传递给边缘计算节点,边缘结算节点按2)中的形式计算并生成该交叉口的状态空间模型,对下一时间步长的交通流量进行预测,并根据目标函数与约束条件进行信号控制任务。因为边缘计算节点带来的实时性,本发明采用的控制方法的核心思想是滚动优化,对于单个交叉口而言,在每一个采用时刻,根据获得的当前测量信息,在线求解一个有限时间开环优化问题,并将得到的控制序列的第一个元素作用于被控对象。在下一个采样时刻,重复上述过程:用新的测量值作为此时预测系统未来动态的初始条件,刷新优化问题并重新求解。采用线性二次调节器作为控制器,该控制器的核心为对角非负正定矩阵Q与R的选择。在交通信号控制中,选取Q为路网中各条道路中的最大车辆数矩阵,R为控制输入的惩罚矩阵,Q和R可根据实际情况进行设定。
设Nc是控制范围,Np是预测范围,令:Nc=Np-T;对于整体路网,设初始时间为t0,在kT时对于单个交叉口,控制器写作: 其中x与u并不仅仅代表单个路段的车辆数或者单个出口单方向的绿灯控制时间,而是表达所有路段或路口车辆数量的向量和绿灯时间控制序列;表示在一个采样周内t0+k时间步长处的预测状态向量,通过下一步添加目标函数与约束条件,信号控制问题即转化为通过求解一个有限时域内的的约束优化控制问题获得预测时间窗内的整个系统的优化方案;
对于单个交叉口处的边缘计算节点,其目标函数为:相应的约束条件为:①xz(k+1)=xz(k)+Bu(k)+Dd(k)+e(k)即为系统的状态空间模型;②∑u+L≤C,L为各相位绿灯损失时间,即所有相位绿灯时间与损失时间之和小于周期;③umin≤u≤umax,即限定单个路口与方向最短和最大绿灯时间;④0≤x≤xmax,限定道路能容纳的交通量上限;
将每个时间步长内由路侧车辆检测器测得的通过饱和流率、信号周期与该步长内的绿灯时间计算得到的qwz(k)、qzj(k),及提前设定好的Q矩阵与R矩阵,即刻预测下一时间步长内的车流量并给出最优的绿灯时间,直至到达控制范围Nc。
步骤三、交叉口群分布式控制
交叉口群分布式控制方法,对于上述的边缘计算节点所执行的信号优化控制而言,因其只针对单个交叉口,并不意味着路网的最优。若由云端服务器进行路网状态的评估则计算量巨大且时延较高,可操作性差,故利用边缘计算节点,采取分布式的控制方法对交叉口进行控制以达到路网最优。分布式控制考虑了路网中各个交叉口间的相互作用,实际适用性更好。本节阐述如何将控制的计算任务分布式地卸载到边缘节点以提高优化效率、降低时延。首先将交叉口群分解为若干个局部优化模型,每个局部优化模型对应一个交叉口,则对于交叉口i,其局部优化模型为: 约束条件为:①xi,0=x0,即系统初始状态为矩阵,即交叉口i所连接的各个路段内的交通量;②x(k+1)=x(k)+Bu(k)+Dd(k)+e(k),即为系统的状态空间模型;③∑u+Lj≤C,即所有相位绿灯时间与损失时间之和小于周期;④umin≤u≤umax,即限定单个路口与方向最短和最大绿灯时间;⑤0≤x≤xmax,限定道路能容纳的交通量上限。
其次采用纳什最优对分布式交叉口群控制问题进行求解:为了使整体路网达到最优,在对每一个交叉口进行优化的同时,需要获取其他交叉口的最优解,而因所有交叉口都在并行地进行优化,前述条件无法实现。此时借助于边缘计算系统,位于各个交叉口的边缘计算节点之间可以彼此通信,对于其他交叉口的最优控制策略,可以先对其进行预估,将预估值作为最优值分别进行独立的优化,预估方法为使用其他交叉口上一时间步长的值作为预估控制输入,其他交叉口对交叉口i的预估输入为:根据预估值,各交叉口求出自身的最优绿灯时间并检查是否达到满足迭代结束的条件。迭代条件结束为: 该条件指代在时间步长kT内,交叉口i经过第l+1次迭代与第l次迭代获得的控制结果的差的绝对值充分小。当所有交叉口都满足结束条件,则终止迭代。终止迭代后,时间步长kT内的优化过程结束,各个子系统实施该控制率,并滚动至时间步长(k+1)T,重复上述优化。
因为依托了部署在信号机中的边缘计算节点,在分布式控制中每个交叉口i的局部优化模型的求解至于本交叉口的预测状态序列Xi(k)和预测控制序列Ui(k)有关,以十字路口为例,考虑针对左转与直行的控制,子系统共包含4个路段与8个控制相位,即:Xi(k)=[xi,1(k),xi,2(k),xi,3(k),xi,4(k)];Ui(k)=[ui,1(k),ui,2(k),…,ui,8(k)]。
交叉口群分布式控制的流程如图4所示,具体求解过程如下:
Step1:输入时间步长k,令迭代次数l=0,输入各交叉口初始状态xi,0、初始控制序列ui,0,控制范围Nc;交叉口i获取其他交叉口初始控制序列uj,l(j≠i);
Step3:判断各个交叉口的最优控制序列是否满足结束条件: ε足够小,为结束门阀。若所有交叉口都满足,则终止迭代求解,转到Step4,若存在不满足的交叉口,则所有交叉口将自身的最优控制序列发送给其他交叉口,返回Step2;
Step4:每个交叉口取此时的控制序列实施控制,并进入Step5;
Step5:判断控制时间是否处于控制范围内,即kT≤Nc是否成立,若成立,则令k=k+1,返回Step1;若不成立则停止执行控制。
以上是本专利优选的技术方案而已,凡是在本专利的发明构思下对本专利技术方案进行的修改、删除或替换因为不脱离本专利的发明构思,因此仍然会落入本专利的保护范围之内。
Claims (4)
1.一种基于边缘计算的交叉口群分布式控制方法,其特征在于,所述方法包括:
步骤一、交叉口与交通流的边缘建模
路侧车辆检测器采集到从路段中交叉口的流量后借助边缘计算节点对每个交叉口及相邻交叉口分别进行建模,具体包括:
设定相邻的交叉口w与j,其中间的路段为z,T为离散时间步长,t0=kT为起始时刻,qwz(k)为交叉口w各个方向i流入路段z的流率;则qwz(k)=∑τw,iqw,i(k),其中τw,i为从交叉口w各出口向路段z的转向率;qw,i(k)为从交叉口w各出口向路段z的流率;qzj(k)为z路段进入交叉口J的流率,计算方法为:其中sz为z路段的饱和流率,C是信号周期,∑u(k)则为各相位绿灯时间和;和则是由路段中进入和离开z的流率;因此可以预测,在考虑路段中的其他扰动ez(k)的情况下,第(k+1)T时刻,路段z中的交通量xz(k+1)写成: x与u并表示所有路段或路口车辆数量的向量和绿灯时间控制序列矩阵。
步骤二、边缘节点信号控制
根据步骤一的建模,控制器对下一时间步长的交通流量进行预测,并根据目标函数与约束条件进行信号控制任务;
其中,选取Q为路网中各条道路中的最大车辆数矩阵,R为控制输入的惩罚矩阵,Q和R可根据实际情况进行设定。设Nc是控制范围,Np是预测范围,令:Nc=Np-T;对于整体路网,设初始时间为t0,在t0=kT时对于单个交叉口,控制器写作: 其中对于包含N个交叉口的路网,x=[x1,...,xn],u=[u1,...,un]其中x1,...,xn表示各个路口的车流量矩阵,u1,...,un表示各个交叉口的绿灯时间矩阵。
对于单个交叉口处的边缘计算节点,其目标函数为:相应的约束条件为:①即为系统的状态空间模型;②∑u+L≤C,L为各相位绿灯损失时间,即所有相位绿灯时间与损失时间之和小于周期;③umin≤u≤umax,即限定单个路口与方向最短和最大绿灯时间;④0≤x≤xmax,限定道路能容纳的交通量上限;
将每个时间步长内由路侧车辆检测器测得的通过饱和流率、信号周期与该步长内的绿灯时间计算得到的qwz(k)、qzj(k),及提前设定好的Q矩阵与R矩阵,即刻预测下一时间步长内的车流量并给出最优的绿灯时间,直至到达控制范围Nc;
步骤三、交叉口群分布式控制
利用边缘计算节点,采取分布式的控制方法对交叉口进行控制以达到路网最优;具体包括:
首先,将交叉口群分解为若干个局部优化模型,每个局部优化模型对应一个交叉口,则对于交叉口i,其局部优化模型为: 约束条件为:①xi,0=x0,即系统初始状态为矩阵,即交叉口i所连接的各个路段内的交通量;② 即为系统的状态空间模型;③∑u+Lj≤C,即所有相位绿灯时间与损失时间之和小于周期;④umin≤u≤umax,即限定单个路口与方向最短和最大绿灯时间;⑤0≤x≤xmax,限定道路能容纳的交通量上限。
其次,采用纳什最优对分布式交叉口群控制问题进行求解:借助于边缘计算系统,位于各个交叉口的边缘计算节点之间可以彼此通信,对于其他交叉口的最优控制策略,先对其进行预估,将预估值作为最优值分别进行独立的优化,预估方法为使用其他交叉口上一时间步长的值作为预估控制输入,其他交叉口对交叉口i的预估输入为:根据预估值,各交叉口求出自身的最优绿灯时间并检查是否达到满足迭代结束的条件;迭代条件结束为:该条件指代在时间步长kT内,交叉口i经过第l+1次迭代与第l次迭代获得的控制结果的差的绝对值充分小;当所有交叉口都满足结束条件,则终止迭代;终止迭代后,时间步长kT内的优化过程结束,各个子系统实施该控制率,并滚动至时间步长(k+1)T,重复上述优化。
2.根据权利要求1所述的一种基于边缘计算的交叉口群分布式控制方法,其特征在于,所述方法中采用的边缘计算的分布式系统包括交叉口车辆检测器、路段车辆检测器和交叉口边缘计算节点;
其中,
交叉口车辆检测器安装于交叉口进口处用于检测驶出交叉口进口各车道的车流量并将相关册数采集上传至边缘计算节点;路段车辆检测器,安装于路段中无信控支路处,用于检测路段中的车辆的流入与流出并将相关参数采集上传至边缘计算节点;交叉口边缘计算节点:集成在信号控制机内,与其他边缘计算节点通信获取其信号控制方案,并对路段车辆检测器上传的数据进行集成与处理,根据系统状态进行信号控制方案的生成并下发至信号机执行;每一个交叉口部署一个边缘计算节点。
3.根据权利要求1所述的一种基于边缘计算的交叉口群分布式控制方法,其特征在于,边缘计算节点与车辆检测器、边缘计算节点间的通信方式采用5G通信。
4.根据权利要求1所述的一种基于边缘计算的交叉口群分布式控制方法,其特征在于,交叉口w为十字路口,子系统共包含4个路段与控制相位,即:
预测状态序列xw(k)=[xw,west(k),xw,east(k),xw,south(k),xw,north(k)],xw,west(k),xw,east(k),xw,south(k),xw,north(k)分别是kT时刻交叉口w的四个方向路段中的车流量;
预测控制序列
xw(k)=[uw,west(k),,uw,east(k),uw,south(k),uw,north(k)],uw,west(k),,uw,east(k),uw,south(k),uw,north(k)是kT时刻交叉口w的各个方向进口的绿灯时间。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2019113884770 | 2019-12-27 | ||
CN201911388477 | 2019-12-27 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112466116A true CN112466116A (zh) | 2021-03-09 |
Family
ID=74837852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011306588.5A Pending CN112466116A (zh) | 2019-12-27 | 2020-11-19 | 基于边缘计算的交叉口群分布式控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112466116A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113140118A (zh) * | 2021-06-22 | 2021-07-20 | 华砺智行(武汉)科技有限公司 | 分布式单路口控制系统、多路口控制系统、方法及介质 |
CN113362603A (zh) * | 2021-07-15 | 2021-09-07 | 山东交通学院 | 一种基于边缘计算的区域交叉路口交通管控方法及系统 |
CN113554875A (zh) * | 2021-03-12 | 2021-10-26 | 北京航空航天大学 | 一种基于边缘计算的高速公路异质交通流可变限速控制方法 |
CN114267168A (zh) * | 2021-12-24 | 2022-04-01 | 北京航空航天大学 | 一种应用于城市快速路环境下的编队资源分配方法 |
CN114464001A (zh) * | 2022-01-30 | 2022-05-10 | 同济大学 | 车路协同环境下城市多交叉口多层分布控制系统及其方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106910350A (zh) * | 2017-03-22 | 2017-06-30 | 东南大学 | 一种寻找信号控制交叉口群关键路径的方法 |
CN108242159A (zh) * | 2018-03-09 | 2018-07-03 | 连云港杰瑞电子有限公司 | 一种基于边缘计算节点的城市交通区域协调控制系统 |
CN109697866A (zh) * | 2019-01-11 | 2019-04-30 | 西安电子科技大学 | 一种边缘计算交通信号灯控制系统及控制方法 |
US10424196B1 (en) * | 2018-06-25 | 2019-09-24 | At&T Intellectual Property I, L.P. | Dynamic edge network management of vehicular traffic |
CN110533946A (zh) * | 2019-09-18 | 2019-12-03 | 北京航空航天大学 | 一种基于边缘计算的混行环境下单点交叉口车速优化方法 |
-
2020
- 2020-11-19 CN CN202011306588.5A patent/CN112466116A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106910350A (zh) * | 2017-03-22 | 2017-06-30 | 东南大学 | 一种寻找信号控制交叉口群关键路径的方法 |
CN108242159A (zh) * | 2018-03-09 | 2018-07-03 | 连云港杰瑞电子有限公司 | 一种基于边缘计算节点的城市交通区域协调控制系统 |
US10424196B1 (en) * | 2018-06-25 | 2019-09-24 | At&T Intellectual Property I, L.P. | Dynamic edge network management of vehicular traffic |
CN109697866A (zh) * | 2019-01-11 | 2019-04-30 | 西安电子科技大学 | 一种边缘计算交通信号灯控制系统及控制方法 |
CN110533946A (zh) * | 2019-09-18 | 2019-12-03 | 北京航空航天大学 | 一种基于边缘计算的混行环境下单点交叉口车速优化方法 |
Non-Patent Citations (2)
Title |
---|
YANG, SR 等: "Short-Term Traffic Prediction for Edge Computing-Enhanced Autonomous and Connected Cars", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
汪煜超: "基于边缘计算的交通信号灯联合控制功能的研究与设计", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554875A (zh) * | 2021-03-12 | 2021-10-26 | 北京航空航天大学 | 一种基于边缘计算的高速公路异质交通流可变限速控制方法 |
CN113140118A (zh) * | 2021-06-22 | 2021-07-20 | 华砺智行(武汉)科技有限公司 | 分布式单路口控制系统、多路口控制系统、方法及介质 |
CN113140118B (zh) * | 2021-06-22 | 2021-09-17 | 华砺智行(武汉)科技有限公司 | 分布式单路口控制系统、多路口控制系统、方法及介质 |
CN113362603A (zh) * | 2021-07-15 | 2021-09-07 | 山东交通学院 | 一种基于边缘计算的区域交叉路口交通管控方法及系统 |
CN114267168A (zh) * | 2021-12-24 | 2022-04-01 | 北京航空航天大学 | 一种应用于城市快速路环境下的编队资源分配方法 |
CN114464001A (zh) * | 2022-01-30 | 2022-05-10 | 同济大学 | 车路协同环境下城市多交叉口多层分布控制系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112466116A (zh) | 基于边缘计算的交叉口群分布式控制方法 | |
CN102629418B (zh) | 基于模糊卡尔曼滤波的交通流预测方法 | |
CN113327416B (zh) | 基于短时交通流预测的城市区域交通信号控制方法 | |
Mohebifard et al. | Optimal network-level traffic signal control: A benders decomposition-based solution algorithm | |
Gao et al. | Reinforcement-learning-based cooperative adaptive cruise control of buses in the Lincoln tunnel corridor with time-varying topology | |
Ashok | Estimation and prediction of time-dependent origin-destination flows | |
CN107591011B (zh) | 考虑供给侧约束的交叉口交通信号自适应控制方法 | |
Grandinetti et al. | Distributed optimal traffic lights design for large-scale urban networks | |
CN111710167A (zh) | 一种基于在线交通仿真的单点优化控制方法及装置 | |
CN112185124B (zh) | 一种全路网交通状态预测方法及装置 | |
Li et al. | Distributed model-free adaptive predictive control for urban traffic networks | |
CN112466117A (zh) | 基于深度时空残差网络的路网短时交通流预测方法 | |
CN113112823B (zh) | 一种基于mpc的城市路网交通信号控制方法 | |
CN113053120B (zh) | 基于迭代学习模型预测控制的交通信号灯调度方法与系统 | |
CN110991776A (zh) | 一种基于gru网络实现水位预测的方法及系统 | |
CN111311905A (zh) | 一种基于粒子群优化小波神经网络的高速公路行程时间预测方法 | |
Bakibillah et al. | Robust estimation of traffic density with missing data using an adaptive-R extended Kalman filter | |
Yao et al. | A novel self-adaption macroscopic fundamental diagram considering network heterogeneity | |
Pham et al. | Distributed stochastic mpc traffic signal control for urban networks | |
CN112258856A (zh) | 一种区域交通信号数据驱动控制模型建立方法 | |
Karimi et al. | Integrated model predictive control of dynamic route guidance information systems and ramp metering | |
Savla et al. | On maximally stabilizing adaptive traffic signal control | |
CN115547050A (zh) | 一种基于马尔科夫决策过程的智能交通信号控制优化方法、软件 | |
Papapanagiotou et al. | Extended observer for urban traffic control based on limited measurements from connected vehicles | |
Qi et al. | Road intersection optimization considering spatial-temporal interactions among turning movement spillovers |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210309 |