CN113327436B - 一种基于轨迹数据的干线协调控制优化方法 - Google Patents

Abstract

本发明公开了一种基于轨迹数据的干线协调控制优化方法，涉及干线协调控制技术领域，包括以下步骤：预先搭建基于轨迹数据的交通特征参数计算模型，其中包括获取车辆在采样间隔内的停车次数和周期实时排队长度；进行搭建交叉口信号协调控制指数模型，并进行获取下游车辆到达分布和获取对当前车流条件下路段能够达到的最大绿灯到达率；进行信号协调相位差优化模型，用于协调最小车流总延误。本发明实现低渗透率、低采样频率的车辆轨迹数据，建立了交通特征参数计算方法，在此基础上，提出了交叉口信号协调控制指数模型与信号协调相位差优化模型，对协调控制研究涉及的两项关键问题。

Description

一种基于轨迹数据的干线协调控制优化方法

技术领域

本发明涉及干线协调控制技术领域，具体来说，涉及一种基于轨迹数据的干线协调控制优化方法。

背景技术

随着城市道路交通需求的快速增长以及路网规模的逐渐增大，干线协调控制对道路交通运行效率的提升越来越重要。

在城市交通中，交通干线承担了大量的交通负荷，干线的交通畅通对改善城市交通状况往往具有很大作用。交叉口信号间的协调优化，使得交通流在交叉口处遇到绿灯信号而不需停车等待，形成道路双向交通流的“绿波带”，将极大地改善交通拥堵现象。

目前，城市干线道路上信号控制的支路交叉口绝大多数采用两相位信号控制，在制定信号协调控制方案时，一般选用公共周期的一半作为其信号控制周期，但是由于支路交叉口与上下游交叉口的间距往往较近，导致两相位交叉口每两个周期才能走通一个绿波，一般只能实现单方向的协调控制，而反方向会有一定的积压排队；同时，下一个周期的协调相位绿灯时间只有反方向的车辆通行，协调方向的车辆基本在上一周期已经通行，在此周期内的绿灯时间浪费较多；而且，由于每个周期内都需要重点考虑主线方向的绿灯时间，相交道路上的放行绿灯时间较多，往往会造成一定程度的车辆积压。

检索中国发明专利CN106297334A，公开了一种绿波协调控制下的干线路段划分方法，依据路段固有属性以及交通参数的变化，利用相邻交叉口、路段间的相似性、宏观基本图中的交通流模型以及交通流密度的约束，将一条干线划分为多个路段，在此基础上进行协调控制；该种绿波协调控制下的干线路段划分方法，利用宏观基本图中道路属性对干线交通参数变化较大的路段进行划分，解决了交通干线绿波协调控制带宽较窄的问题。该方法同时是基于实时数据，因此具有动态调整，实时反馈的功能，增加了方法的适应性和准确性。但其存在一定局限性，标定周期较短，另外其未获取下游车辆到达分布和对当前车流条件下路段能够达到的最大绿灯到达率。

检索中国发明专利CN103366556A涉及协调控制干线的自动组织方法，包括将满足预定条件的路段列入集合L，并将交叉口列入集合M；按路段安全速度差异将集合L中连贯的路段分组，得到子集合Ln，并将对应的交叉口列入子集合Mn；依次针对子集合Lj，检测各交叉口的车流量比γ，将交叉口标记为ai或bk；根据子集合Mj中标记为ai的交叉口个数N(ai)确定子集合Lj的干线；依次针对各子干线，根据该子干线的上行、下行交通流量，以交通流量较大的流向为该子干线的绿波方向；最后以确定的干线和绿波方向实施干线控制。本发明可根据实际交通情况的变化自动组织干线，从而使现有干线控制系统具备随机应变能力，有利于提高交通管理效率。但其为适应协调控制，且会造成一定程度的车辆积压。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的问题，本发明提出一种基于轨迹数据的干线协调控制优化方法，实现低渗透率、低采样频率的车辆轨迹数据，建立了交通特征参数计算方法，在此基础上，提出了交叉口信号协调控制指数模型与信号协调相位差优化模型，对协调控制研究涉及的两项关键问题，以克服轨迹数据普遍存在的低渗透率、低采样频率技术问题。

本发明的技术方案是这样实现的：

一种基于轨迹数据的干线协调控制优化方法，包括以下步骤：

预先搭建基于轨迹数据的交通特征参数计算模型，其中包括获取车辆在采样间隔内的停车次数和周期实时排队长度；

进行搭建交叉口信号协调控制指数模型，并进行获取下游车辆到达分布和获取对当前车流条件下路段能够达到的最大绿灯到达率；

进行信号协调相位差优化模型，用于协调最小车流总延误，将获取的结果作为干线协调控制优化。

其中，所述获取车辆在采样间隔内的停车次数，包括以下步骤：

建立有序回归模型，表示为：

其中，0、1和2表示为采样间隔内停车次数；stops为采样间隔内的预测停车次数；p_(stops＝n)为预测停车次数为n的概率；θ₀～θ₅为回归系数；Δt为采样间隔长度；v₁为采样间隔开始时的车速；v₂为采样间隔结束时的车速；d为采样间隔内的车辆行驶距离；

基于有序回归模型，并获得车辆在每一采样间隔内的停车次数后，预测车辆通过交叉口时整条轨迹的总停车次数。

其中，所述周期实时排队长度，包括标定排队长度的期望，表示为：

其中，l_p≥1，浮动车渗透率为p；周期C_j中实际排队车辆数为N；其浮动车数量为N_p；最后一辆排队浮动车位置为L_p。

其中，所述获取下游车辆到达分布，包括以下步骤：

获取车辆的平均行驶车速v_a，预测其若不发生停车到达停车线的时间，表示为：

t_a＝t_s+d_s/v_a

其中，t_a为车辆预计到达停车线的时间；t_s为车辆受到交叉口信号灯影响而开始停车的时间；d_s为车辆开始停车位置到进口道停车线距离；v_a为车辆平均行驶车速；

进行轨迹数据的叠加，包括将多时段的轨迹数据根据所在周期的对应时刻进行叠加，利用叠加后的数据进行到达时间分布计算；

获取车辆到达时间分布，包括将每辆车到达下游断面的时间，将多周期的轨迹数据进行叠加。

其中，所述获取对当前车流条件下路段能够达到的最大绿灯到达率，包括以下步骤：

标定预计到达下游交叉口的时间在下游交叉口绿灯范围内的车辆N_g，占所有车辆N的比例，且绿灯到达率，表示为：

其中，N_g为到达时间在绿灯范围内的车辆数；N为协调方向总车辆数；POG为绿灯到达率；

获取绿灯到达率最大(max POG)的目标等价为使未及时清空的车辆数最小作为模型的目标函数，表示为：

min∑_tRn_T(t)。

其中，所述进行信号协调相位差优化模型，包括标定交叉口排队修正模型、标定车辆轨迹预测模型和标定车辆延误计算模型。

其中，所述标定交叉口排队修正模型，包括对各个交叉口排队的特征参数进行修正，包括以下步骤：

令两个相邻交叉口之间的原始相对相位差

两个相邻交叉口之间的当前相对相位差xdF_i＝F_i-F_i-1，则两个相邻交叉口之间的相对相位差变化为：

表示为：

其中，所述标定车辆轨迹预测模型，包括基于所述交叉口排队修正模型，进行轨迹预测，获得该相位差情况下车辆n离开交叉口i的时间

包括以下步骤：

通过车辆通过后续交叉口时的轨迹预测，获得车辆从上一交叉口预计驶离时间

确定该车辆在两个交叉口间路段的行程时间；

预测车辆到达下游交叉口的预计到达时间

基于修正后的交叉口排队情况，计算该相位差情况下车辆离开交叉口i+1的时间

其中，所述标定车辆延误计算模型，包括获得该相位差下预测的车辆轨迹之后，分析车辆预测得到的轨迹参数，获得车辆在各个交叉口的预测停车延误

表示为：

本发明的有益效果：

本发明基于轨迹数据的干线协调控制优化方法，

通过预先搭建基于轨迹数据的交通特征参数计算模型，获取车辆在采样间隔内的停车次数和周期实时排队长度，并进行搭建交叉口信号协调控制指数模型，获取下游车辆到达分布和获取对当前车流条件下路段能够达到的最大绿灯到达率，再进行信号协调相位差优化模型，用于协调最小车流总延误，将获取的结果作为干线协调控制优化，实现低渗透率、低采样频率的车辆轨迹数据，建立了交通特征参数计算方法，在此基础上，提出了交叉口信号协调控制指数模型与信号协调相位差优化模型，对协调控制研究涉及的两项关键问题，即协调单元划分与相位差优化研究有一定借鉴意义。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的一种基于轨迹数据的干线协调控制优化方法的不同浮动车比例的车辆行驶轨迹图；

图2是根据本发明实施例的一种基于轨迹数据的干线协调控制优化方法的不同采样间隔的车辆行驶轨迹图；

图3是根据本发明实施例的一种基于轨迹数据的干线协调控制优化方法的采样间隔内车速随时间变化示意图；

图4是根据本发明实施例的一种基于轨迹数据的干线协调控制优化方法的停车次数计算模型示意图；

图5是根据本发明实施例的一种基于轨迹数据的干线协调控制优化方法的交叉口排队车辆示意图；

图6是根据本发明实施例的一种基于轨迹数据的干线协调控制优化方法的车辆到达时间计算示意图；

图7是根据本发明实施例的一种基于轨迹数据的干线协调控制优化方法的车辆到达时间计算流程图；

图8是根据本发明实施例的一种基于轨迹数据的干线协调控制优化方法的轨迹行驶方向示意；

图9是根据本发明实施例的一种基于轨迹数据的干线协调控制优化方法的不同行驶方向车流到达分布统计图；

图10是根据本发明实施例的一种基于轨迹数据的干线协调控制优化方法的轨迹示意图；

图11是根据本发明实施例的一种基于轨迹数据的干线协调控制优化方法的模型流程图；

图12是根据本发明实施例的一种基于轨迹数据的干线协调控制优化方法的排队车辆轨迹提取示意图；

图13是根据本发明实施例的一种基于轨迹数据的干线协调控制优化方法的交叉口排队修正示意图一；

图14是根据本发明实施例的一种基于轨迹数据的干线协调控制优化方法的交叉口排队修正示意图二；

图15是根据本发明实施例的一种基于轨迹数据的干线协调控制优化方法的交叉口车辆轨迹示意图；

图16是根据本发明实施例的一种基于轨迹数据的干线协调控制优化方法的轨迹随相位差变化示意图；

图17是根据本发明实施例的一种基于轨迹数据的干线协调控制优化方法的轨迹随相位差变化示意图一；

图18是根据本发明实施例的一种基于轨迹数据的干线协调控制优化方法的轨迹随相位差变化示意图二；

图19是根据本发明实施例的一种基于轨迹数据的干线协调控制优化方法的车辆到达下一交叉口轨迹示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

根据本发明的实施例，提供了一种基于轨迹数据的干线协调控制优化方法。

如图1-图19所示，根据本发明实施例的基于轨迹数据的干线协调控制优化方法，包括以下步骤：

预先搭建基于轨迹数据的交通特征参数计算模型，其中包括获取车辆在采样间隔内的停车次数和周期实时排队长度；

进行搭建交叉口信号协调控制指数模型，并进行获取下游车辆到达分布和获取对当前车流条件下路段能够达到的最大绿灯到达率；

进行信号协调相位差优化模型，用于协调最小车流总延误，将获取的结果作为干线协调控制优化。

其中，所述获取车辆在采样间隔内的停车次数，包括以下步骤：

建立有序回归模型，表示为：

其中，0、1和2表示为采样间隔内停车次数；stops为采样间隔内的预测停车次数；p_(stops＝n)为预测停车次数为n的概率；θ₀～θ₅为回归系数；Δt为采样间隔长度；v₁为采样间隔开始时的车速；v₂为采样间隔结束时的车速；d为采样间隔内的车辆行驶距离；

基于有序回归模型，并获得车辆在每一采样间隔内的停车次数后，预测车辆通过交叉口时整条轨迹的总停车次数。

其中，所述周期实时排队长度，包括标定排队长度的期望，表示为：

其中，l_p≥1，浮动车渗透率为p；周期C_j中实际排队车辆数为N；其浮动车数量为N_p；最后一辆排队浮动车位置为L_p。

其中，所述获取下游车辆到达分布，包括以下步骤：

获取车辆的平均行驶车速v_a，预测其若不发生停车到达停车线的时间，表示为：

t_a＝t_s+d_s/v_a

其中，t_a为车辆预计到达停车线的时间；t_s为车辆受到交叉口信号灯影响而开始停车的时间；d_s为车辆开始停车位置到进口道停车线距离；v_a为车辆平均行驶车速；

进行轨迹数据的叠加，包括将多时段的轨迹数据根据所在周期的对应时刻进行叠加，利用叠加后的数据进行到达时间分布计算；

获取车辆到达时间分布，包括将每辆车到达下游断面的时间，将多周期的轨迹数据进行叠加。

其中，所述获取对当前车流条件下路段能够达到的最大绿灯到达率，包括以下步骤：

标定预计到达下游交叉口的时间在下游交叉口绿灯范围内的车辆N_g，占所有车辆N的比例，且绿灯到达率，表示为：

其中，N_g为到达时间在绿灯范围内的车辆数；N为协调方向总车辆数；POG为绿灯到达率；

获取绿灯到达率最大(max POG)的目标等价为使未及时清空的车辆数最小作为模型的目标函数，表示为：

min∑_tRn_T(t)。

其中，所述进行信号协调相位差优化模型，包括标定交叉口排队修正模型、标定车辆轨迹预测模型和标定车辆延误计算模型。

其中，所述标定交叉口排队修正模型，包括对各个交叉口排队的特征参数进行修正，包括以下步骤：

令两个相邻交叉口之间的原始相对相位差

两个相邻交叉口之间的当前相对相位差xdF_i＝F_i-F_i-1，则两个相邻交叉口之间的相对相位差变化为：

表示为：

其中，所述标定车辆轨迹预测模型，包括基于所述交叉口排队修正模型，进行轨迹预测，获得该相位差情况下车辆n离开交叉口i的时间

包括以下步骤：

通过车辆通过后续交叉口时的轨迹预测，获得车辆从上一交叉口预计驶离时间

确定该车辆在两个交叉口间路段的行程时间；

预测车辆到达下游交叉口的预计到达时间

基于修正后的交叉口排队情况，计算该相位差情况下车辆离开交叉口i+1的时间

其中，所述标定车辆延误计算模型，包括获得该相位差下预测的车辆轨迹之后，分析车辆预测得到的轨迹参数，获得车辆在各个交叉口的预测停车延误

表示为：

借助于上述方案，通过预先搭建基于轨迹数据的交通特征参数计算模型，获取车辆在采样间隔内的停车次数和周期实时排队长度，并进行搭建交叉口信号协调控制指数模型，获取下游车辆到达分布和获取对当前车流条件下路段能够达到的最大绿灯到达率，再进行信号协调相位差优化模型，用于协调最小车流总延误，将获取的结果作为干线协调控制优化，实现低渗透率、低采样频率的车辆轨迹数据，建立了交通特征参数计算方法，在此基础上，提出了交叉口信号协调控制指数模型与信号协调相位差优化模型，对协调控制研究涉及的两项关键问题，即协调单元划分与相位差优化研究有一定借鉴意义。

具体的，包括以下步骤：

一.基于轨迹数据的特征参数计算方法：

另外，停车次数计算：在基于轨迹数据的停车次数计算中，主要存在两方面的问题：(1)浮动车渗透率低；(2)浮动车采样频率小。浮动车渗透率低即需要验证采样浮动车计算所得的停车次数能否代表全样本车辆的停车次数。而浮动车采样频率小则需要建立新的针对于不同采样频率的停车次数计算方法，降低大间隔轨迹采样数据的停车次数计算误差。

如图1所示，在轨迹数据的实际应用中，还未存在100％浮动车渗透率的情况，而通常能收集到轨迹数据的浮动车比例是很小的。当浮动车比例较小(如5％)时，采集到的轨迹非常稀疏，因此需要对模型在不同浮动车样本量下的适用性进行验证分析。

如图2所示，当采集的轨迹数据精度较高时(如时间粒度为1s)，可以直接根据车辆瞬时车速是否为0作为车辆是否存在停车的依据。在实际应用中，较高精度的轨迹数据往往较难获取，通常采集到的轨迹数据间隔可能达到3s，10s，20s甚至30s。随着时间粒度的增大，很多短暂的停车无法被收集到。

例如，假设轨迹数据采集的时间粒度为15s时，若某辆车只停了5s，则这次停车就很有可能未被检测到。

如图3所示，为预测车辆在较大采样间隔内的停车情况，首先需要对车辆的行驶过程进行分析。图3(a)为某辆车的速度随时间变化图，在采样间隔开始(t₁)时车辆的瞬时速度为v₁，采样间隔结束(t₂)时车辆的瞬时速度为v₂，则在采样间隔内，车辆的速度有多种变化的可能性。图3(b)中曲线I为车辆先加速后减速的情况，而曲线II表示车辆先减速后停车再加速的情况。若车辆按曲线I行驶，则其在采样间隔内通过的距离为A、B、C三块面积之和；若车辆按曲线II行驶，则其在采样间隔内通过的距离仅为B、C两块面积之和。故可以推断，车辆在间隔内是否停车与间隔长度(Δt)，间隔开始时车速(v₁)、间隔结束时车速(v₂)，及其间隔内行驶的距离(d)很有可能存在较大的相关性，若能获取这些指标与停车次数之间的关系，便能对采样间隔内车辆是否存在停车做出有效预测。

在本模型中，车辆在采样间隔内的实际停车次数(stops)可能为0、1、2等多种情况，即因变量为有序分类变量，也称等级变量。传统模型回归方式无法对这种因变量进行拟合,而有序回归模型能有效解决这类问题,其原理是将因变量的多个分类依次分割为多个二元的逻辑回归。基于对轨迹数据的统计，发现当轨迹数据点采样间隔小于等于30s时，间隔内停车次数大于等于3次的情况很少，只占0.2％。因此，在停车次数预测中，只考虑采样间隔内停车次数为0、1和2次的三种情况，建立有序回归模型，如下所示：

其中，stops为采样间隔内的预测停车次数；p_(stops＝n)为预测停车次数为n的概率；θ₀～θ₅为回归系数；Δt为采样间隔长度，秒；v₁为采样间隔开始时的车速，米/秒；v₂为采样间隔结束时的车速，米/秒；d为采样间隔内的车辆行驶距离，米。

另外，如图4所示，根据有序回归模型获得车辆在每一采样间隔内的停车次数后，还需进一步预测车辆通过交叉口时整条轨迹的总停车次数。当采样间隔内车辆的开始速度或结束速度为0时，停车次数可能会出现重复计算的情况。此时，在总停车次数的计算中，还应减去其重复的次数。因此，整条轨迹的总停车次数计算应为采样间隔内的预测停车次数之和减去各个间隔内被重复统计的停车次数。

另外，排队长度计算：如图5所示，假设能采集到轨迹数据的浮动车渗透率为p，周期C_j中实际排队车辆数为N，其中浮动车数量为N_p，最后一辆排队浮动车位置为L_p，且假设浮动车在所有车辆中的分布是均匀的，具体的：

对于任意一辆车i，其是否为浮动车以y_i∈{0,1}表示：

假设每一辆车是浮动车的可能性是相同的，则有P(y_i＝1)＝p。当排队车共有N＝n辆时，观测到排队浮动车辆数N_p＝n_p的概率为：

其中，0≤p≤1，n_p＝0,1,2,…,n。

在该情况下，最后一辆浮动车出现的位置L_p＝l_p的可能性为：

其中，l_p＝n_p,n_p+1,…,n，n_p≥1。基于贝叶斯公式，上述条件分布公式可改写为：

根据全概率公式(Total Probability Theorem)，则有：

则变为：

简化后，变为：

其中，l_p≥1。

为当检测到最后一辆浮动车位置为L_p＝l_p时，可计算实际排队长度N服从的概率分布P(N＝n)。可以看出P(N＝n)只与最后一辆浮动车位置L_p有关，而与排队车辆中的总浮动车数量N_p无关，且对于排队长度服从任意概率分布都是有效的。基于上述条件概率分布，排队长度的期望可由下式计算：

其中，l_p≥1。

二、交叉口信号协调控制指数模型：

另外，车辆到达分布计算模型：如图6-图7所示，由于受到下游交叉口信号控制的影响，可能导致部分车辆在到达下游停车线前产生停车延误，故车辆真正通过停车线的时间将会涵盖这部分延误。而在协调控制优化中，实际需要考虑的是车辆在排除交叉口的排队延误影响后，预计到达交叉口的时间。对于未受到交叉口排队延误影响的车辆，即车辆受到信号灯影响而产生的延误时间为0，该车辆的到达时间t_a即为车辆实际通过交叉口停车线的时间t_d；而对于受到交叉口排队延误影响的车辆，则需要进一步通过该车的平均行驶车速v_a，预测其若不发生停车到达停车线的时间。

t_a＝t_s+d_s/v_a

其中，t_a为车辆预计到达停车线的时间，秒；t_s为车辆受到交叉口信号灯影响而开始停车的时间，秒；d_s为车辆开始停车位置到进口道停车线距离，米；v_a为车辆平均行驶车速，米/秒。

另外，轨迹数据的叠加：车辆的到达具有时变、日变、月变等特征，同时也具有加强的随机性，但是其到达仍存在一定的周期性规律，并在这一期望值的基础上波动。因此车辆的到达可以认为是一种广义循环随机平稳过程。若干天相同时段的轨迹数据相当于若干独立同分布的样本，其中对应某一时刻的统计量则相当于一个独立同分布的随机变量序列，且均值存在。根据辛钦大数定律(Wiener-khinchin law of large Numbers)，X1,X2,…是独立同分布的随机变量序列，且它们的期望值存在，记为E(Xi)＝μ(i＝1,2,…)，则

有：

根据这一性质，大量的轨迹数据同周期叠加可以反映出真实的分布规律。因此本文将多时段的轨迹数据根据所在周期的对应时刻进行叠加，利用叠加后的数据进行到达时间分布的有关计算，以克服轨迹数据采样率较低的缺陷。

另外，车辆到达时间分布统计：如图8-图9所示，其根据每辆车到达下游断面的时间，将多周期的轨迹数据进行叠加，可分别统计不同行驶方向的车辆到达分布，可分为四类：直行-直行，直行-左转，左转-直行，左转-左转。

此外，最大绿灯到达率计算模型：为获得后续的交叉口信号协调控制指数，通过建立了最大绿灯到达率计算模型，对当前车流条件下路段能够达到的最大绿灯到达率及不同相位差方案对应的绿灯到达率进行计算，具体如下：如表一所示：

表一，模型变量说明表

通过选取绿灯到达率作为两个交叉口之间的协调效益指标。绿灯到达率是指车辆由上游交叉口驶出后，排除下游交叉口排队延误影响后，预计到达下游交叉口的时间在下游交叉口绿灯范围内的车辆N_g，占所有车辆N的比例。绿灯到达率计算公式如下：

其中，N_g为到达时间在绿灯范围内的车辆数；N为协调方向总车辆数；POG为绿灯到达率。

因此，通过调整相位差能达到的最大绿灯到达率。以绿灯到达率最大为目标时的最佳情况是，每一辆车到达后都能及时驶离，即对于每一辆车i：

At_T(i)＝Dt_T(i)

此时，每一秒到达的车辆数等于驶离车辆数，即：

Dq(t)＝Aq(t)

若存在车辆未能及时清空，则这一秒协调方向(假设为直行方向，下标为T)未清空的车辆数为：

Rn_T(t)＝Count(At_T(i)≠Dt_T(i))

因此，将绿灯到达率最大(max POG)的目标等价为使未及时清空的车辆数最小作为模型的目标函数：

具体的，还包括以下约束：

1)到达车辆数约束：每一秒实际到达车辆数等于上游交叉口直行、左转、右转过来的车辆到达车辆数之和：

Aq(t)＝Aq_T(t)+Aq_L(t)+Aq_R(t)

2)驶离车辆数约束：

每一秒实际驶离车辆数等于上游交叉口直行、左转、右转过来的驶离车辆数之和：

Dq(t)＝Dq_T(t)+Dq_L(t)+Dq_R(t)

驶离车辆数大于等于0：

Dq(t),Dq_T(t),Dq_L(t),Dq_R(t)≥0

驶离车辆数之和小于等于到达车辆数：

3)每一秒存储流率的计算：

4)每一秒驶离流率约束：第t秒的最大驶离车辆数为Dq_max(t)。若第t秒处于红灯范围内，则该秒驶离车辆数Dq_max(t)为0；若处于绿灯范围内，该秒驶离车辆数Dq_max(t)为每秒最大驶离车辆数D_max：

第t秒的实际驶离车辆数小于第t秒的最大驶离车辆数：

Dq_T(t)≤Dq_max(t),t＝1,…,C

Dq_R(t)≤Dq_max(t),t＝1,…,C

Dq_L(t)≤Dq_max(t),t＝1,…,C

第t秒的实际驶离车辆数小于第t秒的实际到达车辆数与第t-1秒存储车辆数之和：

Dq_T(t)≤Rn_T(t-1)+Aq_T(t),t＝1,…,C

Dq_R(t)≤Rn_R(t-1)+Aq_R(t),t＝1,…,C

Dq_L(t)≤Rn_L(t-1)+Aq_L(t),t＝1,…,C

5)相位差约束：

0≤Os≤C

此外，交叉口信号协调控制指数计算模型：绿灯到达率变异系数(CV_POG)是用于描述路段在当前车流到达情况下，在不同相位差下的绿灯到达率变化程度。如果在当前车流到达分布下，绿灯到达率随下游交叉口相位差变化产生的差异很大，说明通过改变相位差可以带来很大的协调效益，则两个交叉口适宜协调。反之，若绿灯到达率随下游交叉口相位差变化产生的差异很小，说明两个交叉口是否协调带来的效果差异并不显著，则两个交叉口无需协调。

因为当有些数据整体都很大时，其相对的标准差也会比较大，但这并不能说明它的波动更大。比如在相同的到达离散程度下，若某一路段下游交叉口协调相位绿信比较大，可能该路段所有相位差对应的绿灯到达率均会增大，此时计算出的标准差也会增加。实际上，当需要比较的两组数据均值不同时，用变异系数比用标准差更能反映问题。为排除下游交叉口协调相位绿信比造成的不同路段协调效益均值的差异，选用变异系数(CV)作为评价指标。变异系数是概率分布离散程度的一个归一化量度，其定义为标准差与平均值之比：

其中：CV为变异系数；σ为标准差；μ为平均值。

根据变异系数的计算公式，绿灯到达率变异系数可以由下式计算：

其中：CV_POG为绿灯到达率变异系数；σ_POG为各相位差下的路段绿灯到达率标准差；μ_POG为各相位差下的路段绿灯到达率均值；POG_Os为相位差Os下的绿灯到达率，Os＝1,2,…,C；C为下游交叉口周期，秒。

变异系数的优势在于作为一个无量纲量，可以对比两组数据在不同测量尺度甚至不同度量单位下的离散程度差异，可以适用于不同路段绿灯到达率变化程度的衡量。但变异系数还存在一定的缺陷，即无法反映真实的绝对数值水平。为此，进一步引入第二项评价指标，即路段能够达到的最大绿灯到达率(POG_max)，用以衡量路段通过协调控制能够达到的最大协调效益水平。

路段最大绿灯到率(POG_max)是用于描述路段在当前车流到达分布下，通过相位差优化能够达到的最大协调效益，已由计算获得。如果在当前车流离散性下，通过改变下游交叉口相位差能获得的最大协调效益仍然很小，说明该路段即使进行了干线协调也难以获得良好的协调效果，此时两个交叉口仍不适宜实行协调控制。

具体的，其指标阈值的确定如下：

1)绿灯到达率变异系数(CV_POG)的阈值推荐：

在针对变异系数的研究中，对于不同研究领域，变异系数的分级差异也有所不同。本发明确定25％作为变异系数CV_POG阈值。

2)路段最大绿灯到达率(POG_max)的阈值推荐：

对于协调效益评价指标的研究中，大多研究根据干线行程车速、延误、绿波带宽等给出了协调效益分级阈值，但没有直接关于最大绿灯到达率的阈值，对不同范围的信号协调系统效益进行了分级，如表所示。

信号协调系统效益(％)	协调效益评级
		0～12	较差
13～24	一般
		25～36	较好
37～100	很好

表2基于绿波带宽的信号协调系统效益评级

借助于表2所示，若要使协调效益评级达到“较好”的水平，则要求双向绿波覆盖比例达到25％。上式中的信号协调系统效益E需要同时考虑上行与下行两个方向的绿波带宽，针对协调单元划分合理性的评价中，可能存在对于同一路段，上行路段适宜实行协调控制，而下行路段不适宜实行协调控制的情况。因此，最大绿灯到达率(POG_max)指标是针对单向车流的，故推荐POG_max阈值为25％×2＝50％。若某路段相位差达到最优时，其最大绿灯到达率POG_max仍然小于50％，则该路段不适宜实行协调控制。

交叉口信号协调控制指数：提出的两项协调单元划分指标是：绿灯到达率变异系数、路段最大绿灯到达率，以及两项指标的计算方法与阈值。而两个交叉口是否适宜实行协调控制的判定需要综合上述两项指标，在两项指标均满足阈值的条件下，才判定两个交叉口需要划分在同一协调单元内。故进一步提出了交叉口信号协调控制指数(IntersectionCoordination Index,ICI)，其计算方法如下：

其中：ICI：交叉口信号协调控制指数，ICI≥1：两个交叉口应划分为同一单元，ICI＝0：两个交叉口不应划分为同一单元；CV_POG：绿灯到达率变异系数；CQ_max：路段最大绿灯到达率；T_CV：绿灯到达率变异系数的阈值，推荐25％；T_CQ：路段最大绿灯到达率的阈值，推荐50％。

当两项指标均满足阈值要求时(即CV_POG≥T_CV且POG_max≥T_CQ)，交叉口信号协调控制指数ICI≥1，且ICI越大说明该路段方向越适宜实行协调控制；当两项指标中有一项不满足阈值要求时，协调单元划分指数ICI＝0，说明该路段方向不适宜实行协调控制，此时可进一步对比两项指标与阈值的关系，判断该路段不适宜实行协调控制的原因。

三、信号协调相位差优化模型：

另外，如图10所示，对于干线协调控制交叉口，若长时间段内采用的都是同一套信号配时方案，每一个信号周期都对应着若干车辆轨迹，从这若干车辆轨迹中提取一定比例的样本车辆轨迹。当采集到的样本车辆轨迹达到一定的数量，将每个周期的轨迹按照到达的周期时间，叠加在同一个时段内，当样本车辆达到一定数量的时候，样本车辆的轨迹能够反映出总体车辆的轨迹。图10(a)是全样本的车辆在某一时段内(从660秒至1320秒)的行驶轨迹；图(b)是从全样本车辆中随机抽取5％的样本车辆的轨迹；图(c)是将两个小时内所有周期随机抽取的5％的样本车辆轨迹叠加到同一时段(660秒至1320秒)后形成的轨迹图。模型假设：如果调整信号协调方案能使图(c)中显示的抽样车辆运行更优，则认为也能使(a)中的所有车辆运行更优。建立的相位差优化模型为离线优化模型，应用于基于时段的定时干线信号协调控制。

具体的，其涉及到的变量及其含义如表3所示，如下：

表3变量说明表

如图11所示，通过对停车次数与延误是衡量干线绿波运行效益的主要指标，也是使出行者能够最直观感受到干线协调效益的指标。由于车辆延误的主要组成部分是车辆的停车延误，故停车次数与延误通常呈现较强的正相关关系，即干线停车次数增加通常也会伴随着车辆延误的增加。因此，若将两项指标同时作为模型的目标函数，可能会导致重复计算的情况。当干线处于未饱和状态时，信号协调控制主要追求绿波带的带宽最大、延误最小或停车次数最少，故延误或停车次数最小均能作为本模型干线相位差优化的目标。但当干线处于过饱和状态时，信号协调控制更关注干线通行能力等指标。由于本章的协调相位差优化模型是基于已有的部分轨迹进行优化的，故整体干线通行能力最大实际上可以等价于使得当前轨迹的总延误最小。因此，本发明建立的优化模型以所有协调方向车辆的总延误最小为目标，在已知现状信号配时方案下的车辆轨迹的条件下，找到调整的相位差(F₁,F₂,…,F_NI)和该轨迹的延误da_n,i,j对应的函数关系da_n,i,j＝f(F₁,F₂,…,F_NI)。

目标

S.T.轨迹n：da_n,i,j＝f(F₁,F₂,…,F_NI)

如图11所示，对于每个相位差方案，计算该相位差对应的干线协调方向总延误，从而获得能使协调方向总延误最小的相位差组合，作为干线最优相位差。

具体的，其模型流程图中主要包含三个模型：1)交叉口排队修正模型；2)车辆轨迹预测模型；3)车辆延误计算模型。表示如下：

1)交叉口排队修正模型；

如图12所示，交叉口的原始排队情况会对后续的干线车辆轨迹预测产生重要影响，因此在进行轨迹预测之前，需要对交叉口的原始排队情况进行提取与修正。将交叉口处多个周期的车辆轨迹叠加到一个周期内，可以获得历史排队轨迹图，从而基于第三章中的排队长度计算模型提取交叉口排队情况的特征参数。在相位差优化过程中，当交叉口相位差发生变化时，相邻两个交叉口之间的相对相位差也会发生变化，此时下游交叉口的排队情况也会发生改变。因此，在对车辆轨迹进行预测前，首先需要对各个交叉口排队的特征参数进行修正。

具体的，令两个相邻交叉口之间的原始相对相位差

两个相邻交叉口之间的当前相对相位差xdF_i＝F_i-F_i-1，则两个相邻交叉口之间的相对相位差变化为：

对于交叉口i，当交叉口原始状态有排队/无排队时，随着两个交叉口相对相位差的改变，由于以下参数均代表交叉口i转向j处的相关参数，故均省略下标i、j。

A)交叉口原始状态有排队：

如图13所示，由于交叉口排队对于后续到达车辆轨迹的影响主要是需要判断后续车辆与下一辆受排队影响的车辆轨迹之间的关系。若后续到达的车辆轨迹在下一辆受排队影响的车辆轨迹之前，则其会受到交叉口排队的影响；反之，则不会受到交叉口排队的影响。因此对交叉口排队特征参数的修正，主要是对下一辆受排队影响的车辆轨迹相关特征参数(nte¹、ntm¹、nlm¹)随相位差发生改变时的变化进行修正。当交叉口原始状态有排队车辆时，随着交叉口相位差的改变，交叉口的排队以及下一辆受排队影响的车辆轨迹相关特征参数可能发生如下几种变化。

a)当0≤ΔF<FQs⁰，交叉口排队变化情况如图13中(b)所示，下一到达的车辆会发生停车，特征参数修正如下所示：

nte¹＝nte⁰+ΔxdF

ntm¹＝ntm⁰+ΔxdF

FQe¹＝FQe⁰+ΔxdF

FQs¹＝FQs⁰

nlm¹＝x-(nte¹-FQe¹)×h^t/h^s

yspd＝1

b)当FQs⁰≤ΔF<nte⁰-(ntm⁰-nts⁰)即FQs≤ΔF<nte⁰-ntm⁰+nts⁰时，处于交叉口排队前方的车辆由于遇到绿灯相位逐渐开始消散，如图13的(c)所示。但下一到达的车辆仍会发生停车，特征参数修正如下所示：

nte¹＝nte⁰+FQs⁰

ntm¹＝ntm⁰+FQs⁰

FQe¹＝FQe⁰+ΔxdF

FQs¹＝Rs+ΔxdF

nlm¹＝x-(nte¹-FQe¹)×h^t/h^s

yspd＝1

c)当nte⁰-ntm⁰+nts⁰≤ΔF≤nte⁰-(ntm⁰-nts⁰)-(nte⁰-FQe⁰)，即nte⁰-ntm⁰+nts⁰≤ΔF≤nts⁰-ntm⁰+FQe⁰时，交叉口排队情况可能存在图13中(d)、(e)两种情况，此时下一到达的车辆将不发生停车，特征参数修正如下所示：

nte¹＝nte⁰-ntm⁰+nts⁰

ntm¹＝nts⁰

FQe¹＝FQe⁰+ΔxdF

nlm¹＝x-(nte¹-FQe¹)×h^t/h^s

yspd＝0

d)当nts⁰-ntm⁰+FQe⁰<ΔF≤C，交叉口排队变化情况如图13中(f)所示，下一到达的车辆会发生停车，特征参数修正如下所示：

nts¹＝nts⁰+Rs

nte¹＝nte⁰+ΔF-C+Rs

ntm¹＝ntm⁰+ΔF-C+Rs

FQe¹＝FQe⁰+ΔxdF

nlm¹＝x-(nte¹-FQe¹)×h^t/h^s

yspd＝1。

B)交叉口原始状态无排队：

当干线协调效果较好时，可能出现交叉口原始状态无排队车辆的情况。此时，若对交叉口相位差进行修改，可能会导致交叉口重新出现排队车辆，因此也需要对交叉口排队进行修正。随着交叉口相位差的改变，交叉口的排队以及下一辆受排队影响的车辆轨迹相关特征参数可能发生如下几种变化。

假设车辆在排队后依次驶离交叉口的车头时距为h^t，现有排队车辆数为n^q,则有：

FQe⁰＝nte⁰-n^q×h^t

a)当0≤ΔF≤FQs⁰-R时，交叉口仍未出现排队情况，如图14(b)所示，下一到达车辆的特征参数修正如下所示：

nte¹＝nte⁰

ntm¹＝ntm⁰

yspd＝0

b)当FQs⁰-R≤ΔF≤FQe⁰-R，交叉口开始出现排队情况，如图14(c)所示，但还未影响到下一到达车辆，特征参数修正如下所示：

nte¹＝nte⁰

ntm¹＝ntm⁰

yspd＝1

c)当FQe⁰-R<ΔF≤FQs⁰，交叉口排队情况如图14(d)所示，下一到达车辆受到交叉口排队影响也发生停车，特征参数修正如下所示：

nte¹＝nte⁰+ΔF-(FQe⁰-R)＝nte⁰+ΔxdF-FQe⁰+R

ntm¹＝ntm⁰+ΔxdF-FQe⁰+R

nlm⁰＝x-(nte⁰-FQe⁰)×h^t/h^s

yspd＝1

d)当FQs⁰<ΔF<nte⁰，交叉口排队情况如图14(e)所示，排队前方的车辆由于遇到绿灯相位逐渐开始消散，下一到达车辆受到交叉口排队影响仍会出现停车，特征参数修正如下所示：

nte¹＝nte⁰+FQs⁰-FQe⁰+R

ntm¹＝ntm⁰+FQs⁰-FQe⁰+R

ntl⁰＝x-(nte⁰-FQe⁰)×h^t/h^s

yspd＝1

e)当nte⁰≤ΔF≤C，前方排队完全消散，如下图14(e)所示，此时下一到达的车辆将不发生停车，特征参数修正如下所示：

nte¹＝nte⁰

ntm¹＝ntm⁰

yspd＝0

2)车辆轨迹预测模型：

如图15所示，车辆轨迹预测分为车辆通过第一个交叉口时的轨迹预测和车辆通过后续交叉口时的轨迹预测两部分。对于车辆通过第一个交叉口时的轨迹预测，根据车辆原始轨迹是否发生停车，分为有停车与无停车两种情况。在交叉口排队修正的基础上，分别利用不同的方法进行轨迹预测，获得该相位差情况下车辆n离开交叉口i的时间

通过车辆通过后续交叉口时的轨迹预测，需要在获得车辆从上一交叉口预计驶离时间

的基础上，进一步计算该车辆在两个交叉口间路段的行程时间，预测车辆到达下游交叉口的预计到达时间

然后，基于修正后的交叉口排队情况，计算该相位差情况下车辆离开交叉口i+1的时间

具体如下：

(2-1)当车辆直行通过第一个交叉口时的轨迹预测：

a)情形1：原始轨迹存在停车：

如图16所示，在原始车辆轨迹存在停车的情况下，当相位差发生变化时，影响的主要是车辆轨迹(n,i,j)是否停车及停车时长。下列与车辆轨迹相关的符号均表示同一辆车，故均省略了下标(n,i,j)。由于车辆在通过第一个交叉口时，与上游交叉口并没有关系，故这里的相位差变化是指该交叉口绝对相位差发生的变化。

ΔF＝F¹-F⁰

车辆在新相位差方案下的预计离开交叉口i时间为，原相位差下车辆离开交叉口的时间te⁰减去原相位差车辆延误da⁰，再加上车辆在新相位差方案下的车辆延误da¹。

te¹＝te⁰-da⁰+da¹

当ΔF从0到C逐渐增大时，车辆轨迹以及相关参数会发生以下几种变化(错误！未找到引用源。)：

(a-1)当0≤ΔF<te⁰-da⁰-tc(因为te⁰-tc＝R,故可写成0≤ΔF<R-da⁰)，即当0≤ΔF<R-da⁰时，车辆延误增加，轨迹随相位差变化如图16(b)所示，轨迹相关参数预测如下：

te¹＝te⁰+ΔF

s¹＝s⁰

(a-2)当R-da⁰≤ΔF<te⁰-da⁰时，车辆前方排队逐渐清空，但轨迹受到红灯影响仍存在停车，如图16(c)所示，轨迹相关参数预测如下：

te¹＝te⁰+R-da⁰

s¹＝s⁰

(a-3)当te⁰-da⁰≤ΔF≤C-da⁰时，车辆无需停车即可通过交叉口，其延误为0，如图16(d)所示，轨迹相关参数预测如下：

te¹＝te⁰-da⁰

s¹＝s⁰-1

(a-4)当C-da⁰<ΔF<C时，车辆轨迹出现停车，如图16(e)所示，轨迹相关参数预测如下：

te¹＝te⁰+ΔF-C

s¹＝s⁰

b)情形2：原始轨迹未发生停车：

如图17所示，当车辆原始轨迹没有发生停车时，不能确定清空当前轨迹前面的车需要多少时间。此时，根据之前对各个交叉口的排队情况的修正，作为各交叉口的初始排队。通过对比车辆原始驶离时间te⁰与交叉口排队情况(FQs¹、nte¹、ntm¹、nlm¹)的关系(图17(b))，判断该车在当前相位差下是否会发生停车。交叉口排队可能存在有排队和无排队两种情况。

i)交叉口有排队时：当交叉口有排队时，通过对比车辆原始到达停车线的时间(te⁰)与交叉口排队之间的关系，可以对该车在当前相位差下是否会发生停车进行判断，分为以下几种情况：

(i-1)当0≤te⁰≤FQs¹时，车辆到达时间在第一辆排队车之前，则车辆的停车情况受到交叉口红灯相位的影响，如图17(b)所示，轨迹特征参数预测如下所示：

te¹＝te⁰+R

s¹＝s⁰+1

(i-2)当FQs¹<te⁰≤nts¹，车辆到达时间处于排队车辆之中，如图17(c)所示，则对车辆可能的开始停车时间、驶离时间进行预测，轨迹特征参数预测如下所示：

ts¹＝ts⁰-(ts⁰-FQs¹)×h^s/(h^t×v)(错误！文档中没有指定样式的文字。.1)

te¹＝FQs¹+(ts¹-FQs¹)×(nte¹-FQe¹)/(nts¹-FQs¹)

s¹＝s⁰+1

(i-3)当nts¹<te⁰<nte¹时，车辆到达时间在最后一辆排队车辆之后，但仍受到前方排队车辆的影响，如图17(d)所示，轨迹特征参数预测如下所示：

te¹＝nte¹

s¹＝s⁰+1

(i-4)当nte¹≤te⁰≤C时，车辆已不再受到前方排队车辆的影响，且处于绿灯相位，故可以不停车通过交叉口，如图17(e)所示，轨迹特征参数预测如下所示：

te¹＝te⁰

s¹＝s⁰

ii)交叉口无排队时：

如图18所示，当交叉口无排队时，通过对比车辆原始到达停车线的时间(te⁰)与交叉口红灯相位之间的关系，可以对该车在当前相位差下是否会发生停车进行判断，分为以下几种情况：

(ii-1)当0≤te⁰<R，车辆到达时间处于红灯范围内，故会发生停车，如下图18(b)所示，轨迹特征参数预测如下所示：

te¹＝R

s¹＝s⁰+1

(ii-2)当R≤te⁰≤C，车辆到达时间处于绿灯范围内，故可以不停车通过交叉口，如图18(c)所示，轨迹特征参数预测如下所示：

te¹＝te⁰

s¹＝s⁰

(2-2)当车辆直行通过后续交叉口的轨迹预测：

如图19所示，车辆n从上一交叉口预计离开的时间为

假设车辆平均行驶速度为v_n，两个交叉口间距为X_i+1。则预计车辆到达下一交叉口的时间为：

根据之前对各个交叉口排队情况的修正结果，对比车辆原始到达交叉口的时间

与交叉口排队情况的关系，可以判断该车在当前相位差下是否会发生停车。对于该情况下车辆轨迹的预测方法与上述车辆通过第一个交叉口时的情形2(原始轨迹未发生停车)相同。

3)延误计算模型：

本发明目标函数为协调方向车辆总延误最小，对于车辆轨迹的预测最终都需要转化为对车辆延误的预测，从而获得该相位差情况下，每辆车在各个交叉口产生的延误。获得该相位差下预测的车辆轨迹之后，通过分析车辆预测得到的轨迹参数，即可获得车辆在各个交叉口的预测停车延误

当车辆原始轨迹无停车时，车辆原始轨迹未发生停车，故其原始到达交叉口停车线的时间即为原始驶离交叉口的时间

当车辆原始轨迹有停车时，需要排除车辆在交叉口原始相位差下发生的延误，故车辆实际到达交叉口停车线的时间为原始驶离交叉口的时间

减去车辆的原始延误

4)模型线性化处理：

由于在上述模型中存在较多判断情形，比如在车辆轨迹预测模型中，对于原始轨迹是否发生停车存在不同的轨迹预测方法，而车辆通过第一个交叉口与通过后续交叉口的轨迹预测也有所不同，且当控制变量(相位差)处于不同范围时，模型对于轨迹特征参数的预测也有所不同。因此，需要对原始模型进行线性化处理，将原始问题转化为线性规划问题并求解。

以车辆经过第一个交叉口(i＝fi)，原始有停车的情况为例，模型引入辅助变量：a，b，c，d₁～d₃，模型线性化过程如下：

4-1)判断车辆轨迹属于第一个交叉口还是后续交叉口：

当车辆n经过其轨迹的第一个交叉口(fi_n)时，有i＝fi_n。此时，引入0-1辅助变量a，如下式所示。可以看出，当i＝fi_n时，车辆经过的是第一个交叉口，此时a_n,i＝0；当i≠fi_n时，车辆通过的是后续交叉口，此时a_n,i＝1。

-a_n,iM+fi_n≤i≤fi_n+a_n,iM

4-2)判断车辆原始轨迹是否存在停车：

当车辆n经过其轨迹的第一个交叉口发生停车时，

否则，

故引入0-1辅助变量b，如下式所示。可以看出，当

时，即车辆经过其轨迹的第一个交叉口时发生停车，此时a_n,i＝0，b_n,i＝0；当

时，即车辆经过其轨迹的第一个交叉口时未发生停车，此时a_n,i＝0，b_n,i＝1。

4-3)判断控制变量(相位差)所处范围：

对于相位差(ΔF_i)所处的四种不同范围，车辆轨迹特征参数存在不同的轨迹预测公式。故引入d¹～d³三个0-1辅助变量，将原式转化如(a)～(d)所示：

(a)当

时，

则有如下约束：

(b)当

时,

则有如下约束：

(c)当

时，

则有如下约束：

(d)当

时，

则有如下约束：

而对于车辆经过其轨迹的第一个交叉口时未发生停车的情况(a_n,i＝0，b_n,i＝1)，以及车辆通过的后续交叉口的情况(a_n,i＝1)。

综上所述，借助于本发明的上述技术方案，本发明以干线为控制对象，建立了基于车辆轨迹数据的信号协调控制优化方法，主要包括基于轨迹数据的交通特征参数计算模型、交叉口信号协调控制指数模型与信号协调相位差优化模型三部分内容。

其基于轨迹数据的特征参数计算是后续信号协调控制优化的基础。针对轨迹数据普遍存在的低渗透率、低采样频率等问题，本发明分别建立了基于有序回归模型的停车次数计算方法与逐周期实时排队长度计算方法，能够适应于当前低渗透率、低采样频率的轨迹数据条件，具有较高的准确性和可靠度。

其交叉口信号协调控制指数模型。传统的协调单元划分主要基于交叉口之间的距离、流量和信号周期等参数间接地描述路段协调效益，缺乏直接反映协调效果的判断依据。本文基于车辆轨迹数据，首先建立了下游车辆到达分布计算模型和最大绿灯到达率计算模型，在此基础上，提出了直接反映协调控制效果的绿灯到达率变异系数、路段最大绿灯到达率两项判断指标，进而建立了交叉口信号协调控制指数用于协调单元划分合理性评价。

其信号协调相位差优化模型。相位差是决定干线协调运行效益的关键参数。不同于以绿波带宽等替代指标为目标的相位差优化方法，本发明直接基于相位差和车辆轨迹的相互作用关系构建相位差优化模型。在分析车辆轨迹与相位差之间的关系及交叉口排队对协调控制影响的基础上，建立了以协调车流总延误最小为目标的相位差优化模型，并进一步研究了考虑交叉口排队等随机性的相位差随机优化模型。

综上所述，本发明基于低渗透率、低采样频率的车辆轨迹数据，建立了交通特征参数计算方法，在此基础上，提出了交叉口信号协调控制指数模型与信号协调相位差优化模型，对协调控制研究涉及的两项关键问题，即协调单元划分与相位差优化研究有一定借鉴意义。

以上所述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、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于轨迹数据的干线协调控制优化方法，其特征在于，包括以下步骤：

预先搭建基于轨迹数据的交通特征参数计算模型，其中包括获取车辆在采样间隔内的停车次数和周期实时排队长度；

进行搭建交叉口信号协调控制指数模型，并进行获取下游车辆到达分布和获取对当前车流条件下路段能够达到的最大绿灯到达率；

进行信号协调相位差优化模型，用于协调最小车流总延误，将获取的结果作为干线协调控制优化；

所述获取车辆在采样间隔内的停车次数，包括以下步骤：

建立有序回归模型，表示为：

p_(stops＝2)＝1-p_(stops＝0)-p_(stops＝1)

其中，0、1和2表示为采样间隔内停车次数；stops为采样间隔内的预测停车次数；p_(stops＝n)为预测停车次数为n的概率；θ₀～θ₅为回归系数；Δt为采样间隔长度；v₁为采样间隔开始时的车速；v₂为采样间隔结束时的车速；d为采样间隔内的车辆行驶距离；

基于有序回归模型，并获得车辆在每一采样间隔内的停车次数后，预测车辆通过交叉口时整条轨迹的总停车次数；

所述周期实时排队长度，包括标定排队长度的期望，表示为：

其中，l_p≥1，浮动车渗透率为p；周期C_j中实际排队车辆数为N；其浮动车数量为N_p；最后一辆排队浮动车位置为L_p；

所述获取下游车辆到达分布，包括以下步骤：

获取车辆的平均行驶车速v_a，预测其若不发生停车到达停车线的时间，表示为：

t_a＝t_s+d_s/v_a

其中，t_a为车辆预计到达停车线的时间；t_s为车辆受到交叉口信号灯影响而开始停车的时间；d_s为车辆开始停车位置到进口道停车线距离；v_a为车辆平均行驶车速；

进行轨迹数据的叠加，包括将多时段的轨迹数据根据所在周期的对应时刻进行叠加，利用叠加后的数据进行到达时间分布计算；

获取车辆到达时间分布，包括将每辆车到达下游断面的时间，将多周期的轨迹数据进行叠加；

所述获取对当前车流条件下路段能够达到的最大绿灯到达率，包括以下步骤：

标定预计到达下游交叉口的时间在下游交叉口绿灯范围内的车辆N_g，占所有车辆N的比例，且绿灯到达率，表示为：

其中，N_g为到达时间在绿灯范围内的车辆数；N为协调方向总车辆数；POG为绿灯到达率；

获取绿灯到达率最大(max POG)的目标等价为使未及时清空的车辆数最小作为模型的目标函数，表示为：

min∑_tRn_T(t)。

2.根据权利要求1所述的基于轨迹数据的干线协调控制优化方法，其特征在于，所述进行信号协调相位差优化模型，包括标定交叉口排队修正模型、标定车辆轨迹预测模型和标定车辆延误计算模型。

3.根据权利要求2所述的基于轨迹数据的干线协调控制优化方法，其特征在于，所述标定交叉口排队修正模型，包括对各个交叉口排队的特征参数进行修正，包括以下步骤：

令两个相邻交叉口之间的原始相对相位差

两个相邻交叉口之间的当前相对相位差xdF_i＝F_i-F_i-1，则两个相邻交叉口之间的相对相位差变化为：

表示为：

4.根据权利要求3所述的基于轨迹数据的干线协调控制优化方法，其特征在于，所述标定车辆轨迹预测模型，包括基于所述交叉口排队修正模型，进行轨迹预测，获得该相位差情况下车辆n离开交叉口i的时间

包括以下步骤：

通过车辆通过后续交叉口时的轨迹预测，获得车辆从上一交叉口预计驶离时间

确定该车辆在两个交叉口间路段的行程时间；

预测车辆到达下游交叉口的预计到达时间

基于修正后的交叉口排队情况，计算该相位差情况下车辆离开交叉口i+1的时间

5.根据权利要求4所述的基于轨迹数据的干线协调控制优化方法，其特征在于，所述标定车辆延误计算模型，包括获得该相位差下预测的车辆轨迹之后，分析车辆预测得到的轨迹参数，获得车辆在各个交叉口的预测停车延误

表示为：

Images