CN113327416B - 基于短时交通流预测的城市区域交通信号控制方法 - Google Patents

Abstract

本发明属于智能交通领域，涉及基于短时交通流预测的城市区域交通信号控制方法。包括：利用交叉口配置的摄像头获取各路口及相关车道交通状态信息；基于YOLOv4的视频识别检测本周期交通数据；根据上一时刻流量，基于历史数据建立ConvLSTM模型，预测出下一周期区域交通状况，修正并实时反馈；根据预测流量数据，建立起单点交叉口配时模型，并进行求解，优化配时；依据交叉口关联度，对交叉口群进行区域子区划分；通过量化有效绿灯时间损失判断交叉口饱和程度，建立区域协调控制模型，优化当前方案；编写系统界面程序，进行功能可视化，获取实时反馈并实现人性化管理。该方法实现了区域联动控制，提高区域交叉口控制的准确性和安全性。

Description

基于短时交通流预测的城市区域交通信号控制方法

技术领域

本发明涉及视频识别领域，深度学习领域和智能交通领域，涉及基于短时交通流预测的城市区域交通信号控制方法，是一种集识别、预测、配时优化于一体的区域信号协调控制方法。

背景技术

我国城市路网覆盖范围广，运行环境复杂多变。随着城市交通的快速发展，机动车保有量快速增加，交通事故发生率快速增长，城市道路的交通拥堵状况已成为国民经济和社会发展的一大制约，由此造成的损失不计其数。对于城市道路来说，问题主要集中在区域各交叉口，因而，如何提高区域交叉口的通行能力成为解决城市路网拥堵的首要问题。

目前，城市路网的信号配时系统多采用分时段配时方式进行交通控制，然而，部分城市交叉口交通流状况变化较大，不合理的信号配时难以最大化地利用交通资源，对交叉口通行能力有较大影响。

发明内容

针对上述技术问题，本发明提供一种基于短时交通流预测的城市区域交通信号控制方法，该方法利用视频识别进行车流量统计，基于神经网络建立预测模型，在建立单点配时模型的基础上，充分利用各交通子区自身特性，实现区域联动控制，从而提高区域交叉口控制的准确性和安全性。

本发明是通过以下技术方案实现的：

一种基于短时交通流预测的城市区域交通信号控制方法，所述方法包括：

步骤S1：利用交叉口配置的摄像头实时获取各路口及相关车道的交通状态信息；所述交通状态信息包括实时的车流量、排队长度；

步骤S2：基于YOLOv4卷积神经网络深度学习训练得到车辆识别模型并设置车辆统计区域进行车流量计数，即基于YOLOv4卷积神经网络的视频识别监测获得统计区域内的本周期交通数据；所述本周期交通数据包括本周期车流量数据、车型、车辆转向；

步骤S3：根据监测得到的上一周期交通数据，并结合历史大数据建立长短期卷积神经网络模型；根据学习训练得到的ConvLSTM卷积神经网络预测模型预测出下一周期区域车流量数据，根据步骤S2中识别获取的交通数据对预测数据进行实时误差修正；

步骤S4：根据预测的车流量数据，建立起单点交叉口配时模型，并通过第三代多目标进化算法进行求解，获取解的优化集合，并根据优化集合对交通配时进行优化配置；

步骤S5：通过比较交叉口关联度，对交叉口群进行区域子区划分；

步骤S6：通过量化有效绿灯时间损失判断交叉口饱和程度，对划分得到的区域子区交叉口组中的过饱和交叉口分别进行干线控制参数优化，以实现各子区干线协调，优化当前城市区域信号配时，缓解交通状况，提升路网效率。其中，各子区干线协调包括相位差设置，绿信比计算、修正。

进一步地，步骤S4，具体步骤如下：

401：对单个交叉口的绿灯通行时间采用四相位的信号配时方法：第一相位设置为南北方向直行，第二相位设置为南北方向左转，第三相位设置为东西方向直行，第四相位设置为东西方向左转；

402：需要降低的指标包括延误和停车率；

延误部分考虑均匀延误和随机附加延误，不考虑初始排队延误；计算方法如下所示：

D＝D₁P_F+D₂

其中，D表示控制延误；D₁表示标准延误；D₂表示增量延误；P_F表示协调控制和控制器类型的连续通行因子；C表示周期时长，单位s；T表示分析时间长度；g表示有效绿灯时间，单位s；X表示流量通行能力比，X＝v/c，v表示流量，c表示通行能力；k表示增量延误因子；I表示上游过滤系数；

因每个交叉口的总流量各不相同，计算车均延误：

其中，d表示平均延误；i为相位序号，i的取值是1,2,3,4；d_i表示第i相位每辆车的平均延误时间，s/pcu；Q_i表示第i相位的流量；

停车率公式如下：

其中，g_ei表示每个相位的有效绿灯时长，C表示周期长，x_ij表示为第i个相位第j个进口道的饱和度；

一个周期内的交叉口平均停车次数h为：

其中，h表示平均停车次数，h_i表示第i相位每辆车的停车次数，Q_i表示第i相位的流量；

403：模型约束条件：

其中，g_ei表示第i相位的有效绿灯时间；t_TL包括全红时间和启动损失时间，C表示周期长；

每个相位的绿灯时长g_p(t)必须大于等于相应相位的最短绿灯时长

小于等于相应相位的最长绿灯时长

即：

同时，每个周期时长C也必须大于等于最短周期时长C^min，小于等于最长周期时长C^max，即：

C^min≤C≤C^max

通过对绿信比和周期参数的求解使延误和停车率最低，目标函数如下：

F₁(g_ei,C)＝min h；

F₂(g_ei,C)＝min d；

404：在建立的基于降低延误和停车率的单点交叉口配时模型基础上，应用NSGA-Ⅲ算法，设置相关交通参数和优化算法参数，得到最终每个相位的绿灯时间和周期时长，得到最优配时方案。其中，NSGA-Ⅲ是求解多目标问题的常规解法。

进一步地，步骤S5，具体步骤如下：

501：依据交叉口关联度，对交叉口群建立起区域子区划分模型；其中，影响交叉口群区域子区划分模型建立的因素包括：交通流相关性和交通状态；

502：考虑交叉口间距、信号控制周期、流量、车队比例、消散时间因素，计算任意两个相邻交叉口的关联度；将关联度大于阈值的相邻交叉口纳入统一路网区域，以获取路网初步分区方案；对初步分区方案中相邻分区所链接路段与其余路段的关联度分别进行计算，通过比较双向路段关联系数大小，确定相应路段所属的划分区域；遍历所有分区相邻路段，得到路网划分图；结合实际方案进行调整优化，确定最终区域子区划分方案。

在步骤S501中：

交叉口群区域子区划分模型中，子区划分规则考虑的相关影响因素包括：相邻交叉口间距、路段交通流量、和交叉口信号控制周期和交叉口交通状态；

路口关联度随相邻交叉口距离增大而降低，随相邻交叉口距离增大而降低，随相邻交叉口路段交通流量相似度增大而提高；具有相同或者倍数关系的信号周期的两个相邻路口之间关联度较高，划到同一子区；当交叉口各自的信号周期差值较大且没有明显倍数关系时，相邻路口之间关联度较低，不可以划为同一子区。交通状态相似的交叉口也可以划为同一区域。

进一步地，步骤S6，具体步骤如下：

601：用过饱和严重度指数SSI来表示单个交叉口的过饱和度，SSI表示因过饱和状态导致浪费的绿灯时间与原先总绿灯时间的比率；

SSI包括时间维度上的SSI，即TSSI和空间维度上的SSI，即SSSI；

定义TSSI如下式：

其中V_true,i表示i相位绿灯时间内实际通过的车流量和绿灯时间内未通过的车流量，V_pre,i表示i相位绿灯时间预计通过车流量；

定义SSSI如下式：

其中，T_start，i和T_end，i分别表示交叉口相位i产生排队现象的开始时间和结束时间，g_ei表示相位i有效绿灯时间；

定义一个用于评价防止溢流发生，对下游造成影响的紧迫程度的指标LRU，如下式：

其中，L_street表示进口道处的街道长度，L_headway表示饱和路段的平均车头时距，V_in，j表示第j个周期从上游进入交叉口的车辆数，V_out，j表示第j个周期从交叉口释放出的车辆数；

602：对步骤S5划分得到的区域子区交叉口组进行干线控制，通过最大流算法找到首尾交叉口之间流量最大的路径；

干线控制包括三个参数：绿信比、周期、相位差；

所述周期能够根据所有时段所有的交叉口中车流量最大的交叉口通过Webster配时法进行确定，将确定的周期作为交叉口群的公共周期；交叉口的绿信比由各个相位的流量比按比例分配即可；相位差可以通过如下公式确定：

其中，Δt表示相位差，L表示交叉口间距，v表示车队的平均速度；通过车辆距离进而可以得到各个路口之间的相位差；

603：对所述绿信比进行修正，进而得到各个交叉口完整的配时方案，实现减少交叉口拥挤度的目的：

g_ei′＝αβδg_ei

∑g_ei＝∑g_ei′

α：如果TSSI＞0，那么α＝1+TSSI，否则α＝1；

β：如果SSSI<C，那么β＝1，如果SSSI≥C，那么β＝ln(e+SSSI)；

δ：如果LRU＞0，那么δ＝1+LRU，否则δ＝1；

g_ei表示第i相位的有效绿灯时长；

g_ei′表示修正后的第i相位的绿灯有效时间。

进一步地，所述方法还包括：步骤S7：编写系统界面程序，进行车辆识别及计数，短时交通流预测，以及区域交通控制，实现方便的人性化管理和实时反馈。

本发明的有益技术效果：

本发明提供了一种全新的集识别、预测、配时优化于一体的区域交通控制方法，将当下新型智能技术与交通理论研究充分结合。通过现有视频识别技术，对车流数据进行高精度识别统计；根据ConvLSTM信息构建对采集数据的特征进行分析和判断，训练建立短时交通流预测模型，精准预测得到下一时刻的区域交通流状况；结合实际交叉口路况，建立起多目标网络结构区域交叉口配时优化模型，有效减少冲突，提高交叉口安全性；按交叉口相似度高低进行分类，并以此为基础建立区域交通子区划分模型，便于实现区域控制，优化相位差，增加干线绿波带宽度，最后，提出了一种通过量化有效绿灯时间损失的概念来判断交叉口饱和程度，从而刻画各个相位的拥挤程度，并基于此建立起区域协调控制模型，优化当前城市交通信号控制配时，从而在保证系统安全服务能力的同时，最大程度上保证系统的可靠服务能力。

在不添加地面交通设施的情况下，通过对交通流量精准预测，自适应的多目标优化控制配时策略，区域子区划分方式改进，干线、区域协调控制，来尽可能降低交通延误，并通过仿真检验配时方案的优化程度。

附图说明

图1是本发明实施实例所述的一种车流量统计步骤流程图；

图2是本发明实施实例所述的一种ConvLSTM网络的单元结构图；

图3是本发明实施实例所述的一种交叉口关联度指标体系图；

图4是本发明实施实例所述的一种区域协调控制模型步骤示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。

相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。

本发明的一种基于短时交通流预测的城市区域交通信号控制方法，所述方法集识别、预测、配时优化于一体，将视频识别技术、深度学习技术和智能交通技术进行深度结合，所述具体方法包括：

步骤S1：利用交叉口配置的摄像头实时获取各路口、相关车道及各相位的交通状态信息；其中，所述交通状态信息包括实时的车流量、排队长度等；

在本实例中，利用交叉口配置的各相位摄像头收集目标监测点周边的交通流视频集，将其反馈到相关运动目标监测系统中；

步骤S2：基于YOLOv4卷积神经网络深度学习训练得到车辆识别模型并设置车辆统计区域进行车流量计数，即基于YOLOv4卷积神经网络的视频识别监测获得统计区域内的本周期交通数据；所述本周期交通数据包括本周期车流量数据、车型、车辆转向(左转，直行，右转)；

针对交叉口车流量监测问题，运用基于YOLOv4卷积神经网络的视频识别方法，通过TensorFlow2深度学习框架训练，对输入的大量图片进行分类训练，得到车辆识别模型，用于识别多种不同车型；

对于车流量统计，统计步骤流程图如图1所示，通过设定车流量统计区域，考虑摄像头角度影响，将检测区域设置在图像中部，检测区域由两条垂直于道路的检测线和道路边界组成，垂直于道路的检测线分别设置为起始检测线和终止检测线，检测区域的宽度与车辆大致相同，车流量的统计通过检测过线车辆的数目来完成；

设置计数器函数登记区域内的车辆数量及其他信息，有车辆离开目标区域时，计数器函数对车辆数进行累加，并实时反馈当前车流量统计结果，进而实现车流量监测获取交通数据的目的。

步骤S3：根据监测得到的上一周期交通数据，并结合历史大数据(所述历史大数据是指历史车流量数据集合)建立长短期卷积神经网络模型；根据学习训练得到的ConvLSTM卷积神经网络预测模型预测出下一周期区域车流量数据，根据步骤S2中识别获取的交通数据对预测数据进行实时误差修正，将修正后的预测数据实时反馈到系统中用于配时优化；

以5min为周期，将上周期检测得到的车流量数据结合历史大数据，学习训练得ConvLSTM卷积神经网络模型，预测下周期区域交通流状况，根据S2中识别获取的交通数据对预测数据进行实时误差修正，并将预测得到结果实时反馈回到路网中获取训练改进的交通流预测模型，基于实时交通数据预测交通流；

包括以下步骤：

301：构造一个双层ConvLSTM卷积神经网络模型，第一层网络包含多个卷积核，用于对视频识别监测得到的交通数据进行时空特征提取，从而输出交通数据的时空特征；第二层网络包含一个卷积核，用于对第一层网络的输出结果进行降维；包含如下步骤：

3011：网络的单元结构如图2所示，在ConvLSTM中，输入X₁，…，X_t，cell输出C₁，…，C_t，隐藏状态H₁，…，H_t，和门i_t，f_t，o_t均为3D tensors，它们的后两个维度代表行和列的空间信息，通过其本地邻居的过去和输入状态来确定网格中某单元的未来状态。在t时刻的输入为X_t，H_t为当前时刻的隐层状态，C_t是当前单元的候选状态。ConvLSTM单元包含三个门，即输入门(input gate)、输出门(output gate)和忘记门(forget gate)。三个门的输入都是当前时刻的输入X_t和上一个时刻隐层的输出H_t-1，输出分别是i_t、o_t和f_t，公式如下：

输入门：

忘记门：

输出门：

当前记忆：

ConvLSTM单元输出：

其中，W是权重参数，b是偏置参数，*表示卷积操作，

表示矩阵乘法，σ是Sigmoid函数，用于忘记一部分cell state；tanh为双曲正切函数，tan代表tanh()激活函数。

3012：对多个双层卷积长短期记忆网络ConvLSTM，分别设置第一层的卷积核数目为8，16，32，...，max，max是第一层网络包含卷积核的最大数量(取值可为128或256)；第二层只包含一个卷积核，卷积核的大小一般设置为2*2或3*3，优化器选用adam(AdaptiveMoment Estimation)；

302：由历史交通大数据获取训练集，对建立的所述双层ConvLSTM卷积神经网络模型进行训练，迭代计算不断降低损失，从而确定第一层网络中卷积核的最优数目，由此得到较优的ConvLSTM卷积神经网络预测模型；

包含如下步骤：

3021：使用历史交通大数据对步骤C12中第一层分别包含8，16，32，...，Kmax个卷积核的多个双层网络模型进行训练；

3022：指定次数迭代后，选出损失函数最小的卷积网络模型作为最优预测模型。损失函数为平均平方误差(MSE)，公式如下：

其中，n是训练样本的个数，X_t是真实值，

是预测值。

303：根据训练得到的ConvLSTM卷积神经网络预测模型对实时监测数据进行预测；

304：当前T周期时，能够根据步骤303获取(T+1)周期即5min后的区域交通流状况；(T+1)周期时，将通过视频识别监测得到的T周期的车流量数据添加到历史数据集中，并对双层ConvLSTM卷积神经网络模型重新训练更新，一同参与对(T+2)周期的车流量预测，以此类推，可以不断获取实时数据，丰富数据集，并及时修正误差，实时反馈。

通过上述步骤，可实现基于长短期卷积神经网络的短时交通流预测，得到下周期的路网交通数据。

步骤S4：根据预测流量数据，建立起基于降低延误和停车率的单点交叉口配时模型，并通过多目标进化算法NSGA-Ⅲ进行求解，获取解的优化集合，并根据优化集合对交通配时进行优化配置；

在本实例中，根据预测流量数据，通过多目标进化算法NSGA-Ⅲ对区域交通模型进行求解，在NSGAII的基础上，以车辆通过数最大和平均排队最小为优化目标，引入参考点机制，对非支配并且接近参考点的种群个体进行保留以维持种群的多样性，获取解的优化集合，优化当前城市交通信号控制配时，缓解交通状况，包括以下步骤：

401：对单个交叉口的绿灯通行时间采用四相位的信号配时方法。第一相位设置为南北方向直行，第二相位设置为南北方向左转，第三相位设置为东西方向直行，第四相位设置为东西方向左转。

402：需要降低的指标包括延误和停车率；

延误部分根据车道组划分结果，对所有的车道组进行平均车辆延误计算，进而计算得到交叉口的各进口道以及交叉口的延误。此处考虑均匀延误和随机附加延误，不考虑初始排队延误。每个交叉口的总流量各不相同，因而有必要计算车均延误。停车率部分包括交叉口每相位停车率和一个周期内的交叉口平均停车次数。以上相关计算方法参考HCM2010。

其中，在计算延误之前，先进行车道组的划分，接着对所有的车道组进行平均车辆延误计算，进而计算得到交叉口的各进口道以及交叉口的延误，其计算方法分别如下所示。

D＝D₁P_F+D₂

其中，D表示控制延误；D₁表示标准延误；D₂表示增量延误；P_F表示协调控制和控制器类型的连续通行因子，独立交叉口为1.0；C表示周期时长，单位s；T表示分析时间长度，默认为0.25h；g表示有效绿灯时间，单位s；X表示流量通行能力比，X＝v/c，v表示流量，c表示通行能力；k表示增量延误因子，根据控制器的设置，定时控制或者近饱和状态为0.5；I表示上游过滤系数，独立交叉口为1.0；

上述的计算延误的公式是计算一辆车的公式，因为每个交叉口的总流量各不相同，真正有意义的是车均延误，其有下面的公式计算：

其中，d表示平均延误；i为相位序号，i的取值是1,2,3,4；d_i表示第i相位每辆车的平均延误时间(s/pcu)，Q_i表示第i相位的流量；

停车率公式如下：

其中，g_ei表示每个相位的有效绿灯时长，C表示周期长，x_ij表示为第i个相位第j个进口道的饱和度；

一个周期内的交叉口平均停车次数h为：

其中，h表示平均停车次数，h_i表示第i相位每辆车的停车次数，Q_i表示第i相位的流量；

403：模型约束条件：为了给行人足够的过街时间，但是也不能一直处于绿灯，造成部分绿灯时间的浪费，每个相位的绿灯时长必须大于等于该相位的最短绿灯时长，小于等于最长绿灯时长，同时，为了路口各个相位高效率通车，每个周期时长也必须大于等于最大周期时长，小于等于最长周期时长；

其中，g_ei表示每个相位的有效绿灯时长，t_TL包括全红时间和启动损失时间，C表示周期长。

每个相位的绿灯时长g_p(t)必须大于等于相应相位的最短绿灯时长

小于等于相应相位的最长绿灯时长

即：

同同时，每个周期时长C也必须大于等于最短周期时长C^min，小于等于最长周期时长C^max，即：

C^min≤C≤C^max

通过对绿信比和周期参数的求解使延误和停车率最低，目标函数如下：

F₁(g_ei,C)＝min h；

F₂(g_ei,C)＝min d；

404：在建立的基于降低延误和停车率的单点交叉口配时模型基础上，结合经过ConvLSTM预测的各个相位的车流量，应用NSGA-Ⅲ算法，设置相关交通参数和优化算法参数，得到最终每个相位的绿灯时间和周期时长，得到最优配时方案；其中，NSGA-Ⅲ是求解多目标问题的常规解法。

步骤S5：依据交叉口关联度对交叉口群进行区域子区划分，具体包括以下步骤：

501：依据交叉口关联度，对交叉口群建立起区域子区划分模型，其中，影响交叉口群区域子区划分模型建立的因素主要分为两方面：交通流相关性和交通状态，如图3所示，我们建立起交叉口关联指标体系，主要考虑其中的交叉口间距、信号控制周期、流量、车队比例、消散时间因素；

按交叉口关联度高低进行分类，并以此为基础建立区域交通子区划分模型，便于实现区域控制，优化相位差，增加干线绿波带宽度。

其中，交叉口群区域子区划分模型中，子区划分规则考虑的相关影响因素主要有：相邻交叉口间距、路段交通流量、交叉口信号控制周期和交叉口交通状态。路口关联度随相邻交叉口距离增大而降低，随相邻交叉口距离增大而降低，随相邻交叉口路段交通流量相似度增大而提高；具有相同或者倍数关系的信号周期的两个相邻路口之间关联度较高，可以划到同一子区，当交叉口各自的信号周期差值较大且没有明显倍数关系时，此相邻路口之间关联度较低，不可以划为同一子区。交通状态相似的交叉口也可以划为同一子区域。

5011：考虑流量和间距因素，定义I_q(a,b)如下式：

I_q(a,b)表示交叉口a和交叉口b的流量间距因素的关联程度，该值越大，关联度越高；反之，关联度越小。

t表示交叉口a与交叉口b之间的行程时间(分钟)；q_max为上游交叉口驶出的直行方向中的最大流量值(辆/小时)；∑_iq_i为下游交叉口进口道交通流量(辆/小时)；n为下游交叉口进口道车道数。

考虑周期因素，定义I_C(a)如下式：

I_C(a)＝C_a

I_C(a)表示交叉口a的周期时长；C_a是交叉口a的周期时长。

考虑车队因素，定义I_p如下式：

I_p＝e^PF

I_p表示车队紧凑程度，该值越大，车队越紧凑，反之车队越稀疏。

式中，PF为脉冲因子，代表的是在下游交叉口一个信号周期的一定时间段内到达车流的交通量的比例；v_c为一个周期时长内通过的交通量；v₃₅是在一个信号周期中35％时间段内到达下游交叉口的最大交通量；v₆₅是在一个信号周期中65％时间段内到达下游交叉口的最大交通量。

拥堵的交叉口一般都会产生二次排队问题。将二次排队情况相似的临相邻交叉口划为同一子区进行控制。DTR定义为一个周期内滞留车辆的消散时间与总绿灯时间比的最大值，可以反应交叉口的排队情况：

DTR_a表示路口a排队扩散能力，该值越大，其扩散能力越弱；该值越小，其扩散能力越大。N_i表示第i相位滞留排队的车辆数，G_i表示相位i的总绿灯时间，h表示饱和状态的车头时距。

将每种因素的评价指标使用如下公式归一化，

其中：x是需要归一化的值，X_min指的是需要归一化的值的全体集合X中最小的，X_max指的是需要归一化的值的全体集合X中最大的。

式中矩阵各元素均为归一化后的值。使用偏好向量V_a和V_b的修正夹角余弦作为交叉口a和b的交叉口关联度。

其中R_(a,b)是交叉口a和b之间的交叉口关联度，取值范围(0,1)。

是四维向量V_a,V_b的分量和平均值组成的均值向量。

是

的欧氏2-范式。

502：经相关研究者总结归纳，划分后的子区需要存在以下特性：同质性，关联性，动态性，稳定性。在考虑该条件的基础上，给出基于关联度的子区划分算法步骤：

5021：分别计算任意两个相邻交叉口的关联度R_(a,b)

5022：将关联度R_(a,b)满足大于阈值的相邻交叉口纳入同一路网区域；

5023：获取路网区域初步分区方案；

5024：结合实际进行方案调整或优化；

5025：划分评价，即比较配时结果的延误等指标，确定最终方案。

步骤S6：通过量化有效绿灯时间损失判断交叉口饱和程度，对划分得到的区域子区交叉口组中的过饱和交叉口分别进行干线控制参数优化，建立区域协调控制模型，优化当前城市区域信号配时，缓解交通状况，提升路网效率，模型步骤示意图如图4：通过量化有效绿灯时间损失判断交叉口饱和程度，若饱和度大于1，对时间和空间双维度的过饱和严重度指数进行计算，并依据识别和预测得到的相关交通数据，对划分得到的区域子区交叉口组中的过饱和交叉口分别进行干线控制参数优化，包括选择关键交叉口和参考周期，优化相位差，计算绿信比并依据过饱和严重度指数进行修正，具体步骤如下：

601：为了能减少交叉口的拥堵，也为了能够刻画各个相位的拥挤程度，本发明提出了一种通过量化有效绿灯时间损失的概念来判断交叉口饱和程度，这个新概念定义任何由于过饱和状态导致有效绿灯时间损失的交叉口为过饱和交叉口；同时，根据这个概念可以量化由过饱和状态引起的有效绿灯时间损失，进而量化交叉口的过饱和度。为推进过饱和的量化研究，定义新的过饱和状态，即用过饱和严重度指数(Supersaturation SeverityIndex，SSI)来表示单个交叉口的过饱和度，SSI表示因过饱和状态导致浪费的绿灯时间与原先总绿灯时间的比率；包括：

6011：使用视频检测器对区域中各路口的四个进口道进行检测，可以得到各进口道排队长度。

6012：由过饱和状态导致交叉口有效绿灯时间的损失包括时间维度上的和空间维度上的。在时间维度上带来的不利影响主要来源于上一个周期结束时的滞留车辆，它们在上个信号周期已加入排队，但因绿灯时间不充足无法通过交叉口，从而占用下一周期的有效绿灯时间。在空间维度上，过饱和状态的不利影响主要体现为交叉口拥堵产生溢流，即下游道路的车辆排队超出了道路长度。当溢流发生时，交叉口因下游的排队车辆堵塞而无法正常通行，导致当前周期部分绿灯时间不能正常使用。两种维度上的损失都是有效绿灯时间的减少，但是时间维度的损失仅仅停留在单个交叉口，而空间维度上的损失体现了过饱和状态在空间上的蔓延。

根据新定义的过饱和度在时间和空间上的特性，SSI可进一步细分为时间维度上的SSI，即TSSI(temporal SSI)和空间维度上的SSI，即SSSI(spatial SSI)。TSSI的存在表现了滞留排队长度产生的不利影响，而SSSI的存在体现了溢流产生的不利影响，这样细分有助于直观表明过饱和以及干线拥堵产生原因，同时也通过数值刻画将路口拥堵状态下的交通需求量化可测。

定义TSSI如下式：

其中，V_ture,i表示i相位绿灯时间内实际通过的车流量和绿灯时间内未通过的车流量，V_pre,i表示i相位绿灯时间预计通过车流量；

当i相位内绿灯时间结束时，仍有车辆在停车线处排队，说明该相位的绿灯时长不够，容易产生二级排队，造成交叉口拥挤，因而延长该相位绿灯时间。

定义SSSI如下式：

其中，T_start，i和T_end，i分别表示交叉口相位i产生排队现象的开始时间和结束时间，g_ei表示相位i有效绿灯时间。

如果一个交叉口排队的时间越长，可能该相位的拥挤度越大，因而延长该相位绿灯时间使车辆得以通行。

6013：还定义了一个评价防止溢流发生，对下游造成影响的紧迫程度的指标LRU(Lack Ratio Urgency)如下式：

其中，L_street表示进口道处的街道长度，L_headway表示饱和路段的平均车头时距，V_in，j表示第j个周期从上游进入交叉口的车辆数，V_out，j表示第j个周期从交叉口释放出的车辆数。

LRU越大，说明路段内容纳该相位车辆排队的空间越不足，需要更长的有效绿灯时间。

602：对步骤S5划分得到的区域子区交叉口组进行干线控制，通过最大流算法，找到首尾交叉口之间流量最大的路径；

所述周期能够根据所有时段所有的交叉口中车流量最大的交叉口通过Webster配时法进行确定，将确定的周期作为交叉口群的公共周期；交叉口的绿信比由各个相位的流量比按比例分配即可；相位差可以通过如下公式确定：

其中，Δt表示相位差，L表示交叉口间距，v表示车队的平均速度。城市中车流的速度一般为40～50km/h，选取45km/h，通过车辆距离进而可以得到各个路口之间的相位差。

603：基于上述有关相位、交叉口拥挤度的定义，通过对上述提到的绿信比进行修正：

g_ei′＝αβδg_ei

∑g_ei＝∑g_ei′

α：如果TSSI＞0，那么α＝1+TSSI，否则α＝1；

β：如果SSSI<C，那么β＝1，如果SSSI≥C，那么β＝ln(e+SSSI)；

δ：如果LRU＞0，那么δ＝1+LRU，否则δ＝1；

g_ei表示第i相位的有效绿灯时长；

g_ei′表示修正后的第i相位的绿灯有效时间。

进而可以得到各个交叉口完整的配时方案，实现减少交叉口拥挤度的目的，并实现实时控制，相较于现有控制方案效果较好。

所述方法还包括：步骤S7：编写系统界面程序，进行车辆识别及计数，短时交通流预测，以及区域交通控制，实现方便的人性化管理和实时反馈。

本实例针对当前交叉口主要由不合理配时导致的拥堵现象，设计了一种全新的集识别、预测、配时优化于一体的区域交通控制方法，将当下新型智能技术与交通理论研究充分结合。在不添加地面交通设施的情况下，我们通过对交通流量精准预测，基于神经网络建立预测模型，自适应的多目标优化控制配时策略，在建立单点配时模型的基础上，充分利用各交通子区自身特性，改进区域子区划分方式，实现干线、区域协调控制，尽可能降低交通延误，有效提高区域交叉口控制的准确性和安全性。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。

Claims (4)

1.一种基于短时交通流预测的城市区域交通信号控制方法，其特征在于，所述方法包括：

步骤S1：利用交叉口配置的摄像头实时获取各路口及相关车道的交通状态信息；所述交通状态信息包括实时的车流量、排队长度；

步骤S2：基于YOLOv4卷积神经网络深度学习训练得到车辆识别模型并设置车辆统计区域进行车流量计数，即基于YOLOv4卷积神经网络的视频识别监测获得统计区域内的本周期交通数据；所述本周期交通数据包括本周期车流量数据、车型、车辆转向；

步骤S3：根据监测得到的上一周期交通数据，并结合历史大数据建立长短期卷积神经网络模型；根据学习训练得到的ConvLSTM卷积神经网络预测模型预测出下一周期区域车流量数据，根据步骤S2中识别获取的交通数据对预测数据进行实时误差修正；

步骤S4：根据预测的车流量数据，建立起单点交叉口配时模型，并通过第三代多目标进化算法进行求解，获取解的优化集合，并根据优化集合对交通配时进行优化配置；

步骤S5：通过比较交叉口关联度，对交叉口群进行区域子区划分；

步骤S6：通过量化有效绿灯时间损失判断交叉口饱和程度，对划分得到的区域子区交叉口组中的过饱和交叉口分别进行干线控制参数优化，以实现各子区干线协调，优化当前城市区域信号配时，缓解交通状况，提升路网效率；

其中，所述步骤S6，具体步骤如下：

601：用过饱和严重度指数SSI来表示单个交叉口的过饱和度，SSI表示因过饱和状态导致浪费的绿灯时间与原先总绿灯时间的比率；

SSI包括时间维度上的SSI，即TSSI和空间维度上的SSI，即SSSI；

定义TSSI如下式：

其中V_true,i表示i相位绿灯时间内实际通过的车流量和绿灯时间内未通过的车流量，V_pre,i表示i相位绿灯时间预计通过车流量；

定义SSSI如下式：

其中，T_start，i和T_end，i分别表示交叉口相位i产生排队现象的开始时间和结束时间，g_ei表示相位i有效绿灯时间；

定义一个用于评价防止溢流发生，对下游造成影响的紧迫程度的指标LRU，如下式：

其中，L_street表示进口道处的街道长度，L_headway表示饱和路段的平均车头时距，V_in，j表示第j个周期从上游进入交叉口的车辆数，V_out，j表示第j个周期从交叉口释放出的车辆数；

602：对步骤S5划分得到的区域子区交叉口组进行干线控制，通过最大流算法找到首尾交叉口之间流量最大的路径；

干线控制包括三个参数：绿信比、周期、相位差；

所述周期能够根据所有时段所有的交叉口中车流量最大的交叉口通过Webster配时法进行确定，将确定的周期作为交叉口群的公共周期；交叉口的绿信比由各个相位的流量比按比例分配即可；相位差可以通过如下公式确定：

其中，Δt表示相位差，L表示交叉口间距，v表示车队的平均速度；通过车辆距离进而可以得到各个路口之间的相位差；

603：对所述绿信比进行修正，进而得到各个交叉口完整的配时方案，实现减少交叉口拥挤度的目的：

g_ei'＝αβδg_ei

Σg_ei＝∑g_ei'

a：如果TSSI＞0，那么a＝1+TSSI，否则α＝1；

β：如果SSSI<C，那么β＝1，如果SSSI≥C，那么β＝ln(e+SSSI)；

δ：如果LRU＞0，那么δ＝1+LRU，否则δ＝1；

g_ei表示第i相位的有效绿灯时间；

g_ei′表示修正后的第i相位的有效绿灯时间。

2.根据权利要求1所述一种基于短时交通流预测的城市区域交通信号控制方法，其特征在于，步骤S4，具体步骤如下：

401：对单个交叉口的绿灯通行时间采用四相位的信号配时方法：第一相位设置为南北方向直行，第二相位设置为南北方向左转，第三相位设置为东西方向直行，第四相位设置为东西方向左转；

402：需要降低的指标包括延误和停车率；

延误部分考虑均匀延误和随机附加延误，不考虑初始排队延误；计算方法如下所示：

D＝D₁P_F+D₂

其中，D表示控制延误；D₁表示标准延误；D₂表示增量延误；P_F表示协调控制和控制器类型的连续通行因子；C表示周期时长，单位s；T表示分析时间长度；g表示有效绿灯时间，单位s；X表示流量通行能力比，X＝v/c，v表示流量，c表示通行能力；k表示增量延误因子；I表示上游过滤系数；

因每个交叉口的总流量各不相同，计算车均延误：

其中，d表示平均延误；i为相位序号，i的取值是1,2,3,4；d_i表示第i相位每辆车的平均延误时间，s/pcu；Q_i表示第i相位的流量；

停车率公式如下：

其中，g_ei表示第i相位的有效绿灯时间；C表示周期长，x_ij表示为第i个相位第j个进口道的饱和度；

一个周期内的交叉口平均停车次数h为：

其中，h表示平均停车次数，h_i表示第i相位每辆车的停车次数，Q_i表示第i相位的流量；

403：模型约束条件：

其中，g_ei表示每个相位的有效绿灯时长，t_TL包括全红时间和启动损失时间，C表示周期长；

每个相位的绿灯时长g_p(t)必须大于等于相应相位的最短绿灯时长

小于等于相应相位的最长绿灯时长

即：

同时，每个周期时长C也必须大于等于最短周期时长C^min，小于等于最长周期时长C^max，即：

C^min≤C≤C^max

通过对绿信比和周期参数的求解使延误和停车率最低，目标函数如下：

F₁(g_ei,C)＝min h；

F₂(g_ei,C)＝min d；

404：在建立的基于降低延误和停车率的单点交叉口配时模型基础上，应用NSGA-Ⅲ算法，设置相关交通参数和优化算法参数，得到最终每个相位的绿灯时间和周期时长，得到最优配时方案。

3.根据权利要求1所述一种基于短时交通流预测的城市区域交通信号控制方法，其特征在于，步骤S5，具体步骤如下：

501：依据交叉口关联度，对交叉口群建立起区域子区划分模型；其中，影响交叉口群区域子区划分模型建立的因素包括：交通流相关性和交通状态；

502：考虑交叉口间距、信号控制周期、流量、车队比例、消散时间因素，计算任意两个相邻交叉口的关联度；将关联度大于阈值的相邻交叉口纳入统一路网区域，以获取路网初步分区方案；对初步分区方案中相邻分区所链接路段与其余路段的关联度分别进行计算，通过比较双向路段关联系数大小，确定相应路段所属的划分区域；遍历所有分区相邻路段，得到路网划分图；结合实际方案进行调整优化，确定最终区域子区划分方案。

4.根据权利要求1所述一种基于短时交通流预测的城市区域交通信号控制方法，其特征在于，所述方法还包括：步骤S7：编写系统界面程序，进行车辆识别及计数，短时交通流预测，以及区域交通控制，实现方便的人性化管理和实时反馈。

Images