CN112562363B - 一种基于v2i的交叉口交通信号优化方法 - Google Patents

Abstract

本发明涉及一种基于V2I的交叉口交通信号优化方法及系统。首先，构造交通信号优化问题，收集车辆状态和信号状态，将交通信号优化目标抽象化为优化问题，设置约束条件；其次，通过算法设计找到问题最优解，处理预测优化问题，建立交通流模型和利用遗传算法找到问题最优解；最后，实现滚动时域控制。

Description

一种基于V2I的交叉口交通信号优化方法

技术领域

本发明涉及交叉口交通信号优化技术，特别是一种基于V2I的交叉口交通信号优化方法。

背景技术

交通信号优化控制作为一种直接有效的交通拥堵解决方案，引起了很多研究人员的关注。新兴的V2I(车辆与道路基础设施通信)技术的出现，给交通信号控制带来了新的机遇。通过将V2I通信用作一种新型的流量检测技术，准确而丰富的交通流信息可用于交通信号优化控制，从而有进一步提高交通效率。

目前，有部分专利着眼于交叉口交通信号优化。例如，CN109493617A设计了一种交通信号优化控制方法及装置，通过获取道路交叉口交通数据，并对数据进行处理，生成交通信号灯配时方案，此发明提高了路口信号时间控制，有效缓解了由于交通信号的时间控制问题带来的城市道路交通拥堵。CN106228819A设计了一种多交叉口的交通信号优化控制方法及装置，该方法及装置不但能够实现区域路网中个交叉口间信号的协同控制,而且实现了公交的优先通行，从而减轻了交通拥堵的情况。CN105118308A设计了基于聚类强化学习的城市道路交叉口交通信号优化方法，该方法通过聚类强化学习的方式可以提高单位时间内通过道路交叉口的车辆数。

上述技术对于优化交叉口交通信号具有积极意义，但其更多的是考虑获取交叉口过往的交通数据，根据这些数据生成交通信号灯配时方案，或者仅仅是根据区域路网中关键交叉口和关键交叉口对应的各干线的优先级来优化交叉口交通信号，未针对车辆与道路基础设施之间的通信形成交通信号灯配时方案。仅仅针对交叉口处车辆数据和道路优先级进行优化交通信号，这些方法对于提高车辆在交叉口的通行效率并不明显。

在实际应用中，优化交叉口交通信号时，考虑车辆与基础设施之间的通信，根据车辆到达停靠线之前有关交通流量和队列长度的数据进行有预测性的控制交叉口交通信号将有利于提升交通效率。因此，希望有一种技术方案来克服或至少减轻现有技术中的上述缺陷。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种基于V2I的交叉口交通信号优化方法及系统来克服或至少减轻现有技术中的上述缺陷。

为实现上述目的，本发明提供了如下技术方案：一种基于V2I的交叉口交通信号优化方法，包括如下步骤：

步骤1，收集车辆状态和信号状态，将目标抽象化为优化问题，设置约束条件；步骤2，处理预测优化问题，建立交通流模型和利用遗传算法找到问题最优解；步骤3，将步骤2中获得的最优解用于流量控制，即：

其中，

是最佳或次优解决方案，

是控制步骤的大小；在控制完成以后返回步骤1。

作为本发明的进一步改进，所述步骤1中将目标抽象化为优化问题的具体方式如下：

式中，G_i,j为j^th信号周期中i^th信号相位的时间长度，N_s为道路网中所有车辆的停靠点总数，T_d为道路网中所有车辆的总时延；w₁,w₂均为权重系数。

作为本发明的进一步改进，所述步骤1中设置约束条件的方式如下：

V(0)＝V₀,S(0)＝S₀

V(k+1)＝f_V(V(k),V_n(k),S(k))

N_s＝f_N(V),T_d＝f_T(V),V＝{V(0),V(1),…,V(T)}

其中：n_c为有限时间范围内的信号周期数[0,T]；n_p为信号周期中的信号相数；G_i,j为j^th信号周期中i^th信号相位的时间长度；N_s为道路网中所有车辆的停靠点总数；T_d为道路网中所有车辆的总时延；w₁,w₂为权重系数；V₀,S₀为初始车辆状态和信号状态；V_n(k)为在时间k进入道路网络的车辆状态；f_V(·)为抽象车辆动力学；f_S(·)为抽象信号演化函数；f_N(·),f_T(·)为计算N_s和T_d的抽象函数；G_int为绿色间隔持续时间，包括全红灯和黄灯；G_min,G_max为最小和最大时间长度限制。

作为本发明的进一步改进，所述步骤2中预测优化问题的公式为：

为j^th信号周期中i^th信号相位的时间长度，

为道路网中所有车辆的停靠点总数，

为道路网中所有车辆的总时延；w₁,w₂均为权重系数。

作为本发明的进一步改进，所述步骤2中建立交通流模型的具体内容包括：

加速步骤；

对于车辆n，它倾向于以较高的速度运行，因此它将逐步加速：

v_n→min(v_n+a_veh,v_lim)

其中v_n是车辆的速度n，a_vehis是车辆的加速度，v_lim是车辆的最大允许速度，减速步骤；

如果车辆n前方的信号为红色或交叉路口停车线之后的单元格被其他车辆占用，则

v_n→min(v_n,d_n,s_n)

否则为

v_n→min(v_n,d_n)

其中d_n是车辆n与前方车辆之间的距离，s_n是车辆n与前方的停车线之间的距离。

随机化步骤；

车辆n会随机减速，可能性为p_d(0≤p_d≤1)，这表明驾驶员分心：

v_n→max(v_n-1,0)

移动步骤；

车辆n将以更新的速度v_n：

x_n→x_n+v_n

其中x_n是车辆n的排量。

作为本发明的进一步改进，所述步骤2中利用遗传算法找到问题最优解具体步骤如下：

步骤21，进行染色体编码；

步骤22，产生最初的群体；

步骤23，计算适应度；

步骤24，进行自然选择；

步骤25，进行染色体交叉；

步骤26，进行基因突变操作；

步骤27，重复步骤23至步骤26，知道总代数达到最大代数极限，或者不同代的最大适应度值对于一定代数连续保持相同。

本发明的有益效果，首先，构建交通信号优化问题，收集车辆状态和信号状态，将交通信号优化目标抽象化为优化问题，设置信号约束条件；其次，通过算法设计找到问题最优解，处理预测优化问题，建立交通流模型和利用遗传算法找到问题最优解；最后，实现滚动时域控制，如此减少了平均时延和停车次数，有效的提高了交通效率，该方法及系统应用的范围越广，效果越好。

附图说明

图1为滚动时域控制架构；

图2为具体技术路线。

具体实施方式

下面将结合附图所给出的实施例对本发明做进一步的详述。

参照图1所示，本实施例的一种基于V2I的交叉口交通信号优化方法及系统。具体技术路线如图2所示。首先，构建交通信号优化问题，收集车辆状态和信号状态，将交通信号优化目标抽象化为优化问题，设置信号约束条件；其次，通过算法设计找到问题最优解，处理预测优化问题，建立交通流模型和利用遗传算法找到问题最优解；最后，实现滚动时域控制。

具体内容如下：

一种基于V2I的交叉口交通信号优化方法，其包括：

步骤1，构造交通信号优化问题，包括：收集车辆状态和信号状态，将目标抽象化为优化问题，设置约束条件。

步骤2，通过算法设计找到问题最优解，包括：处理预测优化问题，建立交通流模型和利用遗传算法找到问题最优解。

步骤3，实现滚动时域控制。

步骤1中，在这项研究中，主要考虑针对包含单个交叉路口的交通信号定时优化。在k时刻的车辆状态和信号状态分别表示为V(k)和S(k)。车辆状态根据车辆动力学和信号状态而变化，而信号状态根据预定义的信号演化函数而变化。因此，我们的目标是通过确定每个信号相位的时间长度[0,T]，从而在有限的时间范围内最小化特定的性能指标。

步骤1中，步骤1.1：将其抽象化为以下优化问题。

步骤1中，步骤1.2：设置约束条件。

V(0)＝V₀,S(0)＝S₀ (1-a)

V(k+1)＝f_V(V(k),V_n(k),S(k)) (1-b)

N_s＝f_N(V),T_d＝f_T(V),V＝{V(0),V(1),…,V(T)} (1-d)

公式中符号的含义：

n_c:有限时间范围内的信号周期数[0,T]；

n_p:信号周期中的信号相数；

G_i,j:j^th信号周期中i^th信号相位的时间长度；

N_s:道路网中所有车辆的停靠点总数；

T_d:道路网中所有车辆的总时延；

w₁,w₂:权重系数；

V₀,S₀:初始车辆状态和信号状态；

V_n(k):在时间k进入道路网络的车辆状态；

f_V(·):抽象车辆动力学；

f_S(·):抽象信号演化函数；

f_N(·),f_T(·):计算N_s和T_d的抽象函数；

G_int:绿色间隔持续时间，包括全红灯和黄灯；

G_min,G_max:最小和最大时间长度限制。

在优化问题(1)中，(1-a)是初始状态条件约束，(1-b)是车辆动力学约束，(1-c)是抽象信号演化函数，(1-d)是链接车辆状态和性能指标的抽象函数，(1-e)是时间范围约束，(1-f)是时间长度约束。

注意作如下假设：

1)所有车辆都配备了V2I通信设备，这意味着当车辆在通信范围内(表示为D)行驶时，信号控制器可以接收车辆的信息；

2)所有车辆在保证安全的情况下都希望以限速行驶v_lim以提升出行效率。

步骤2中，问题(1)很难一次全部解决，因为在进入通信范围之前无法获得车辆的信息。为了持续考虑新驶近路口的车辆，建立了预测性优化问题，以近似找到问题(1)的最优解。预测性优化问题使用k时刻实际交通状态(即车辆状态V(k)和信号状态S(k))作为输入，然后将交通流模型用于预测。通过使用启发式算法(例如遗传算法)解决预测性优化问题，将最优解中的第一个用于信号控制。在线重复以上步骤以实现滚动时域控制。

步骤2中，步骤2.1：预测优化问题。

在预测优化问题中，我们使用上标'^'表示预测范围

中的变量，其中k为预测时间的当前时间，

为预测范围的时间长度。在预测范围中，初始交通状态通过对实际流量，即

和

可以是固定的，也可以是动态的，并且应比T短得多，从而使预测问题更易于解决。为简单起见，我们假设在预测范围内(即

)没有车辆驶入道路网络。此外，我们还假设在预测范围内使用固定时间策略控制信号，即相同

信号相位在不同信号周期中的时间长度相同。然后，新的预测问题公式如下：

设置约束条件：

其中变量

和约束条件(2-a)至(2-f)与问题(1)中的含义相同，但扩展到了预测范围。此外，最后三个约束条件(2-g)至(2-i)基于上述假设。特别地，根据(2-i)，问题(2)的解决方案实际上是

的有序数组。

步骤2中，步骤2.2：建立交通流模型。

在问题(2)中，由于问题(1)中的函数f_V(·)未知，我们使用

隐式表示了车辆动力学。在这里，我们使用交通流量模型(充当隐函数

)来表征用于车辆状态预测的车辆动力学。

特别地，使用信号交叉口的单车道元胞自动机模型来进行交通流预测。在模型中，道路网络被离散成大小相等的单元。单元可以是空的，也可以被车辆占用。当一个单元被车辆占用时，它的状态(包括车辆的速度和位置)会根据以下给出的固定更新规则(此处的采样设为1秒)在不连续的时间内进行更新：

1)加速步骤

对于车辆n，它倾向于以较高的速度运行，因此它将逐步加速：

v_n→min(v_n+a_veh,v_lim) (2)

其中v_n是车辆的速度n，a_vehis是车辆的加速度，v_lim是车辆的最大允许速度。

2)减速步骤

如果车辆n前方的信号为红色或交叉路口停车线之后的单元格被其他车辆占用，则

v_n→min(v_n,d_n,s_n) (3)

否则为

v_n→min(v_n,d_n) (4)

其中d_n是车辆n与前方车辆之间的距离，s_n是车辆n与前方的停车线之间的距离。

3)随机化步骤

车辆n会随机减速，可能性为p_d(0≤p_d≤1)，这表明驾驶员分心：

v_n→max(v_n-1,0) (5)

4)移动步骤

车辆n将以更新的速度v_n：

x_n→x_n+v_n (6)

其中x_n是车辆n的排量。

步骤2中，步骤2.3：利用遗传算法找到问题最优解。

为了解决问题(2)，我们使用遗传算法找到最优解或次优解。它包含6个步骤：

1)染色体编码

染色体被编码为由n_p个整数(即

个)组成的有序数组。整数g_i,i∈{1,2,…,n_p}是染色体的基因。

2)最初的群体产生

我们将群体中的个体数表示为n_ind。然后使用随机方法生成初始群体：对于群体中的每个个体，其染色体的每个基因均以间隔[G_min,G_max]均匀分布地生成。

3)适应度计算

对于种群中的每个个体，我们将其染色体中的有序基因作为预测范围内信号周期中不同信号阶段的时间长度，即

然后应用以

作为信号定时计划的固定时间信号控制对交通模型进行仿真。当预测范围结束时，将个人的适应度值定义为

其中

是问题(2)的性能指标，其中

是解决方案。

4)自然选择

当计算出所有个体的适应度值时，根据适应度值进行轮盘选择以选择新一代的父本。轮盘赌总共选出了n_ind-1个人，而最后一个被选为拥有最大适应度的“精英”，直接被选为新一代个体。

5)染色体交叉

对于新一代的所有父本来说，它们的染色体彼此互换的可能性为p_c。详细地说，对于具有

染色体的选定个体，p_c可能与另一个选定个体交换其基因的某些片段带有染色体

的。可以从所有其他选定的个体中以相等的可能性选择进行杂交的目标个体，同时也从目标个体的染色体中的所有基因以同样的可能性选择进行杂交的目标基因。在交叉操作过程中，首先，将目标基因编码为二进制数，称为基因片段。例如，如果

和

它们将被编码为

然后，每个基因区段与等位基因上的另一个区段交换的可能性相同。例如，如果

和

的第一段和第二段被交换，它们将变成

最后，将新基因调整到可行范围[G_min,G_max]，即

因此，交叉后两个个体的染色体操作可能类似于

和

请注意，“精英”不会参与染色体交叉操作。

6)基因突变

染色体交叉操作后，对于新一代的所有父本，其基因都将以p_m的可能性进行突变。详细地说，对于具有

染色体的个体，其每个基因都有可能被随机整数替换为p_m从[G_min,G_max]中选择的具有均匀分布的数字。从染色体中的所有基因中选择具有相同可能性的突变目标基因。因此，例如，如果突变操作的第二个基因发生突变，那么个体的染色体可能像

请注意，“精英”不会参与基因突变操作。

在步骤6)之后，将生成新的一代。然后重复步骤3)-6)，直到总代数达到最大代数极限(记为g_max)，或者不同代的最大适应度值对于一定代数连续保持相同(记为g_remain)。然后，由

给出问题(2)的最优或次优解决方案，其中

是最后一代精英的染色体。步骤3中，通过使用遗传算法，可以获得问题(2)的最优或次优解决方案。然后将该解决方案用于流量控制的几个步骤，即：

其中

是最佳或次优解决方案，

是控制步骤的大小。在控制步骤之后，再次重复一个新的周期，包括交通状态采样，在线预测优化和交通控制，如图1所示。这称为滚动时域控制。

此外，本发明还提供一种基于V2I的交叉口交通信号优化系统，其包括交通信号灯、信号控制器、V2I通信设备等，其中信号控制器通过V2I通信设备获取交叉路口车辆信息，并进行信号灯控制，其特征在于，采用上述基于V2I的交叉口交通信号优化方法及系统。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种基于V2I的交叉口交通信号优化方法，其特征在于：包括如下步骤：

步骤1，收集车辆状态和信号状态，将目标抽象化为优化问题，设置约束条件；

步骤2，处理预测优化问题，建立交通流模型和利用遗传算法找到问题最优解；

步骤3，将步骤2中获得的最优解用于流量控制，即：

其中，

是最佳或次优解决方案，

是控制步骤的大小；在控制完成以后返回步骤1，所述步骤1中将目标抽象化为优化问题的具体方式如下：

式中，G_i，j为j^th信号周期中i^th信号相位的时间长度，N_s为道路网中所有车辆的停靠点总数，T_d为道路网中所有车辆的总时延；w₁，w₂均为权重系数，所述步骤1中设置约束条件的方式如下：

V(0)＝V₀，S(0)＝S₀

V(k+1)＝f_V(V(k)，V_n(k)，S(k))

S(k)＝f_S(G，k)，

N_s＝f_N(V)，T_d＝f_T(V)，V＝{V(0)，V(1)，...，V(T)}

其中：n_c为有限时间范围内的信号周期数[0，T]；n_p为信号周期中的信号相数；G_i，j为j^th信号周期中i^th信号相位的时间长度；N_s为道路网中所有车辆的停靠点总数；T_d为道路网中所有车辆的总时延；w₁，w₂为权重系数；V₀，S₀为初始车辆状态和信号状态；V_n(k)为在时间k进入道路网络的车辆状态；f_V(·)为抽象车辆动力学；f_S(·)为抽象信号演化函数；f_N(·)，f_T(·)为计算N_s和T_d的抽象函数；G_int为绿色间隔持续时间，包括全红灯和黄灯；G_min，G_max为最小和最大时间长度限制，所述步骤2中预测优化问题的公式为：

为j^th信号周期中i^th信号相位的时间长度，

为道路网中所有车辆的停靠点总数，

为道路网中所有车辆的总时延；w₁，w₂均为权重系数，所述步骤2中建立交通流模型的具体内容包括：

加速步骤；

对于车辆n，它倾向于以较高的速度运行，因此它将逐步加速：

v_n→min(v_n+a_veh，v_lim)

其中v_n是车辆的速度n，a_vehis是车辆的加速度，v_lim是车辆的最大允许速度，

减速步骤；

如果车辆n前方的信号为红色或交叉路口停车线之后的单元格被其他车辆占用，

则

v_n→min(v_n，d_n，s_n)

否则为

v_n→min(v_n，d_n)

其中d_n是车辆n与前方车辆之间的距离，s_n是车辆n与前方的停车线之间的距离，

随机化步骤；

车辆n会随机减速，可能性为p_d(0≤p_d≤1)，这表明驾驶员分心：

v_n→max(v_n-1，0)

移动步骤；

车辆n将以更新的速度v_n：

x_n→x_n+v_n

其中x_n是车辆n的排量，所述步骤2中利用遗传算法找到问题最优解具体步骤如下：

步骤21，进行染色体编码；

步骤22，产生最初的群体；

步骤23，计算适应度；

步骤24，进行自然选择；

步骤25，进行染色体交叉；

步骤26，进行基因突变操作；

步骤27，重复步骤23至步骤26，知道总代数达到最大代数极限，或者不同代的最大适应度值对于一定代数连续保持相同。

Images