CN113345234B - 面向应急疏散场景的快速路入口匝道协同控制方法及装置 - Google Patents

面向应急疏散场景的快速路入口匝道协同控制方法及装置 Download PDF

Info

Publication number
CN113345234B
CN113345234B CN202110631447.9A CN202110631447A CN113345234B CN 113345234 B CN113345234 B CN 113345234B CN 202110631447 A CN202110631447 A CN 202110631447A CN 113345234 B CN113345234 B CN 113345234B
Authority
CN
China
Prior art keywords
ramp
refers
traffic
cell
cells
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
CN202110631447.9A
Other languages
English (en)
Other versions
CN113345234A (zh
Inventor
谢秉磊
管华军
吴大壮
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.)
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School Harbin Institute of Technology
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 Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN202110631447.9A priority Critical patent/CN113345234B/zh
Publication of CN113345234A publication Critical patent/CN113345234A/zh
Application granted granted Critical
Publication of CN113345234B publication Critical patent/CN113345234B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/075—Ramp control

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种面向应急疏散场景的快速路入口匝道协同控制方法及装置，方法包括：获取当前采样周期下的车辆平均速度、流量和车流密度；获取预先建立的交通流预测模型；基于交通流预测模型，结合预先建立的有限时域优化问题的目标函数和约束条件，执行一个预测时域的优化操作，得到最优控制序列，其中，目标函数基于匝道路段车辆的排队等待时长、主线路段车辆的通行时间以及疏散风险发生概率构建而成；基于最优控制序列中的第一个控制量生成交通控制信号，以对快速路入口匝道进行交通控制，同时进入下一采样周期，重复上述步骤，直至采样完成。本发明可实现疏散风险不同的区域区别控制，使得风险更大区域的清空时间降低。

Description

面向应急疏散场景的快速路入口匝道协同控制方法及装置
技术领域
本发明涉及交通数据处理技术领域，具体涉及一种面向应急疏散场景的快速路入口匝道协同控制方法及装置。
背景技术
随着城镇化进程的加快、汽车保有量的迅猛增加，城市交通拥堵日益严重，快速路的建设与控制引起了广泛地关注。近些年来，众多学者在控制策略方面提出了匝道控制、可变限速控制以及多种控制的协同等策略，交通控制相关研究在解决城市交通拥堵问题方面也取得了一系列进展和成果。
然而，针对交通拥堵提出的交通控制策略并不具有普适性。一般情况下，快速路匝道系统交通流有出有进，维持动态平衡，但在疏散场景下，快速路匝道系统交通流基本上只有流入而很少或几乎没有流出，主线的交通压力更大，对整个快速路的控制要求更高。此外，在应急疏散场景下，疏散区域内不同匝道受灾严重程度不同，应优先保障受灾严重区域的车量疏散需求，即不同区域的疏散紧急程度不同，传统的针对交通拥堵交通控制策略无法解决这一问题。
发明内容
本发明解决的是传统的针对交通拥堵交通控制策略不能有效解决应急疏散场景下的交通控制问题。
本发明提出一种面向应急疏散场景的快速路入口匝道协同控制方法，包括：
获取当前采样周期下的车辆平均速度、流量和车流密度；
获取预先建立的交通流预测模型，将所述当前采样周期下的车辆平均速度、流量和车流密度，作为所述交通流预测模型预测未来交通状态量的初始参数，其中，所述未来交通状态量包含平均速度、流量和车流密度；
基于所述交通流预测模型，结合预先建立的有限时域优化问题的目标函数和约束条件，执行一个预测时域的优化操作，得到最优控制序列，其中，所述目标函数基于匝道路段车辆的排队等待时长、主线路段车辆的通行时间以及疏散风险发生概率构建而成；
基于所述最优控制序列中的第一个控制量生成交通控制信号，以对快速路入口匝道进行交通控制，同时进入下一采样周期，返回执行所述获取当前采样周期下的车辆平均速度、流量和车流密度的步骤，直至采样完成。
可选地，所述交通流预测模型为元胞传输模型，所述目标函数基于疏散风险构建而成，所述疏散风险基于所述匝道路段车辆的排队等待时长、所述主线路段车辆的通行时间以及所述疏散风险发生概率，结合第一预设公式计算而得，所述第一预设公式为：
Risk＝Ri+Ro，
Ri＝TTT*δ(s,ci)，
Ro＝TWT*δ(s,co)，
Figure BDA0003103717640000021
Figure BDA0003103717640000022
Figure BDA0003103717640000025
Figure BDA0003103717640000026
Figure BDA0003103717640000023
Figure BDA0003103717640000024
其中，Risk指所述疏散风险，Ri指主线路段车辆的疏散风险，Ro指匝道路段车辆的疏散风险，TTT指主线路段车辆的通行时间，δ(s,ci)指主线路段ci点车辆受到事故源s伤害的概率，TWT指匝道路段车辆的排队等待时长，δ(s,co)指匝道路段co点车辆受到事故源s伤害的概率，ρi(k)指第k个采样周期时路段元胞i的密度,Li指第i个路段元胞的长度，λi指第i个路段元胞的车道数，T指采样周期时长，Iall指所有主线路段元胞集合，ωo(k)指第k个采样周期入口匝道o处排队车辆数，Oall指所有匝道路段元胞集合，α指危害影响随距离增加而衰减的速度，α>0，d(s,ci)指事故源s与点ci的距离，(xi，yi)指点c的坐标，(x'，y')指事故源s的坐标,d(s，co)指事故源s与点co的距离，(xo，yo)指点co的坐标。
可选地，所述目标函数基于所述疏散风险，结合第二预设公式构建而成，所述第二预设公式为：
R＝Risk+αvRv+αwRw，
Figure BDA0003103717640000031
Figure BDA0003103717640000032
其中，R指所述目标函数，Rv指控制输入高波动惩罚项，Rw指匝道排队溢出惩罚项，αv为所述控制输入高波动惩罚项的加权因子，αw为所述匝道排队溢出惩罚项的加权因子，αv、αw均为正值，ro(k)指第k个采样周期时匝道o的匝道调节率，ωmax.o指匝道所能容许的最大排队车辆数。
可选地，所述交通流预测模型为元胞传输模型，包含入口匝道的汇流结构的元胞传输模型迭代步骤包括：
计算上游主线元胞输出能力、上游匝道元胞输出能力及下游元胞接收能力；
基于所述上游主线元胞输出能力、所述上游匝道元胞输出能力及所述下游元胞接收能力，计算上游主线元胞传输至下游元胞的流量及上游匝道元胞传输至所述下游元胞的流量；
根据所述上游主线元胞传输至下游元胞的流量及上游匝道元胞传输至所述下游元胞的流量，计算得到所述下游元胞下一时刻的密度、所述下游元胞下一时刻的速度及所述匝道元胞下一时刻的排队长度。
可选地，所述基于所述上游主线元胞输出能力、所述上游匝道元胞输出能力及所述下游元胞接收能力，计算上游主线元胞传输至下游元胞的流量及上游匝道元胞传输至所述下游元胞的流量包括：
当所述下游元胞接收能力大于所述上游主线元胞输出能力与所述上游匝道元胞输出能力之和时，所述上游主线元胞传输至所述下游元胞的流量qx，y(k)为：
qx，y(k)＝Sx(k)，
所述上游匝道元胞传输至所述下游元胞的流量qz，y(k)为：
qz,y(k)＝Sz(k)ro(k)，
当所述下游元胞接收能力小于所述上游主线元胞输出能力与所述上游匝道元胞输出能力之和，且所述下游元胞接收能力大于所述上游主线元胞输出能力时，所述上游主线元胞传输至所述下游元胞的流量qx,y(k)为：
qx,y(k)＝Sx(k)，
所述上游匝道元胞传输至所述下游元胞的流量qz,y(k)为：
qz,y(k)＝[Ry(k)-Sz(k)]ro(k)，
当所述下游元胞接收能力小于所述上游主线元胞输出能力与所述上游匝道元胞输出能力之和，且所述下游元胞接收能力小于所述上游主线元胞输出能力时，所述上游主线元胞传输至所述下游元胞的流量qx,y(k)为：
qx,y(k)＝Ry(k)，
所述上游匝道元胞传输至所述下游元胞的流量qz,y(k)为：
qz,y(k)＝min{Sz(k),Ry(k)}ro(j)，ro(k)＝0，
其中，Ry(k)指所述下游元胞接收能力，Sx(k)指所述上游主线元胞输出能力，Sz(k)指所述上游匝道元胞输出能力。
可选地，所述约束条件包括：
Figure BDA0003103717640000041
Figure BDA0003103717640000042
qi(k)＝min[Si(k)，Ri+1(k)]，
Si(k)＝min[vf，i·ρi(k)λi，Qi(k)]，
Ri(k)＝min{Qi(k)，wj，i·(ρjam，i-ρi(k))·λi}，
Figure BDA0003103717640000043
Figure BDA0003103717640000051
其中，ρi(k)指第k个采样周期时路段元胞i的密度，ρi(k+1)指第k+1个采样周期时路段元胞i的密度，T指采样周期时长，Li指第i个路段元胞的长度，λi指第i个路段元胞的车道数，vi(k)指第k个采样周期时路段元胞i的速度，Si(k)指第k个采样周期时路段元胞i最大输出能力，Ri(k)指第k个采样周期时路段元胞i最大接受能力，Ri(k)指第k个采样周期时路段元胞i+1的最大接受能力，Qi(k)指第k个采样周期时路段元胞i的通行能力，ρcr指临界密度，ρjam指阻塞密度，ρjam(k)指第k个采样周期的阻塞密度，ρjam，i指路段元胞i的阻塞密度，w指反向波的传播速度，wj，i指路段元胞j到i的反向波的传播速度，qx，y(k)指k时刻主线路段上游元胞流入下游元胞的流量，qz,y(k)指k时刻匝道路段上游元胞流入下游元胞的流量，Ry(k)指k时刻下游元胞的最大接受能力，Sx(k)指k时刻主线路段元胞的最大输出能力，Sz(k)指k时刻入口匝道路段元胞的最大输出能力，vf指自由流速度，qi(k)指k时刻第i个路段的流量，qi-1(k)指k时刻第i-1个路段的流量，ro(k)指第k个采样周期时匝道o的匝道调节率。
可选地，使用进化算法求解所述有限时域优化问题的最优解，所述交通流预测模型为元胞传输模型，所述基于所述交通流预测模型，结合预先建立的有限时域优化问题的目标函数和约束条件，执行一个预测时域的优化操作，得到最优控制序列包括：
获取种群规模、匝道数目及控制周期，根据所述种群规模、所述匝道数目及所述控制周期初始化种群；
由所述交通流预测模型预测出各个元胞的交通状态量，将预测获得的所述交通状态量代入适应度函数，计算种群各个体的适应度值并进行评价；
对种群个体进行选择、变异和交叉，反复迭代直至满足迭代终止条件，输出最优控制序列。
本发明还提出一种协同控制装置，包括：
采样获取单元，其用于获取当前采样周期下的车辆平均速度、流量和车流密度；
优化计算单元，其用于获取预先建立的交通流预测模型，将所述当前采样周期下的车辆平均速度、流量和车流密度，作为所述交通流预测模型预测未来交通状态量的初始参数，其中，所述未来交通状态量包含平均速度、流量和车流密度；基于所述交通流预测模型，结合预先建立的有限时域优化问题的目标函数和约束条件，执行一个预测时域的优化操作，得到最优控制序列，其中，所述目标函数基于匝道路段车辆的排队等待时长、主线路段车辆的通行时间以及疏散风险发生概率构建而成；
控制单元，其用于基于所述最优控制序列中的第一个控制量生成交通控制信号，以对快速路入口匝道进行交通控制，同时进入下一采样周期，返回执行所述获取当前采样周期下的车辆平均速度、流量和车流密度的步骤，直至采样完成。
本发明还提出一种协同控制装置，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上所述的面向应急疏散场景的快速路入口匝道协同控制方法。
本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如上所述的面向应急疏散场景的快速路入口匝道协同控制方法。
本发明通过引入模型预测控制，构建了多匝道协同控制框架，通过基于匝道路段车辆的排队等待时长、主线路段车辆的通行时间以及疏散风险发生概率构建而成的目标函数，可设立疏散风险最小化的优化目标，对其进行滚动优化求解，基于最优控制序列中的第一个控制量生成交通控制信号，以对快速路入口匝道进行交通控制，实现疏散风险不同的区域区别控制，调节风险较大的匝道系统以更高的匝道控制率汇入主线，使得风险更大区域的清空时间降低，减少在高风险路段的停留时间，尽快地将风险更大区域的需求疏散至安全区域。
附图说明
图1为本发明面向应急疏散场景的快速路入口匝道协同控制方法一实施例示意图；
图2为快速路控制系统结构示意图；
图3为本发明本发明面向应急疏散场景的快速路入口匝道协同控制方法另一实施例示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
为便于理解本发明，首先对相关背景技术进行简要介绍。
事故灾难属于四大应急突发事件之一，包含交通运输事故、供电、供水、网络信息安全、通讯等设备事故，危险化学用品泄漏、核泄漏等，其中，爆炸、危化品泄漏以及核辐射等事故具有突发性、蔓延性、偶然性和高危害性特征，疏散受灾区域的人员是第一要务，应急交通疏散是解决此类问题的关键，而如何实现高效地应急疏散，是亟需解决的问题。
城市快速路的交通拥堵是当前较为突出的问题，因而大量研究工作围绕交通拥堵问题展开，涌现出大量针对解决交通拥堵问题的快速路的控制策略，此处为便于描述称其为传统控制策略。传统控制策略不能满足应急疏散场景下的疏散需求，具体而言：
为缓解快速路交通拥堵，传统控制策略考虑的是维持主线通行稳定，提高通行效率，因此大量文献的控制目标是基于消耗时间、行驶里程、尾气排放量、燃油消耗量最小提出。但在应急疏散场景下，整个疏散区域不同分区的疏散风险是不同的，如果单纯考虑效率可能会导致死亡或重伤的人数更多。即在现有的传统控制策略下受灾严重区域的清空时间反而会更长，受灾较轻区域的清空时间反而变短。即，传统控制策略的交通控制目标并不适用于应急疏散场景。
图2为快速路控制系统结构示意图。在应急疏散情境下，根据快速路交通流特性分析，疏散车辆及社会车辆集中在影响范围内入口匝道，而几乎无车辆从出口匝道驶出。仅依靠局部控制，每个单独的匝道系统根据下游的占有率以及临界占有率来确定汇入主线的交通量。如图2所示，在疏散范围内出口匝道基本上丧失了作用，而不管是用于正常通行还是用于应急疏散的匝道系统，还在持续不断控制交通流汇入快速路主线，主路上的车辆占有率也在不断地迫近占有率阈值，随着时间的推移，当主线趋于饱和时，在局部匝道控制下将会导致后续匝道交通流严重排队，特别是在交通需求较大的情况下，会使得越往后面的入口匝道排队现象越严重，甚至引发匝道交通流回溢。另一方面，当疏散匝道I的交通风险大于疏散匝道II及其他匝道系统，根据疏散的公平理念，即在疏散过程中的任何时刻处于风险较低区域或路段的交通流应尽量不延误高风险区域或路段交通流的运行。换句话说，交通管理者应制定相应的管控策略对高风险区域居民疏散实施优先控制，即人们所处位置距离事故源越近越危险，那么基于公平理念考虑，他们就越应该被优先疏散；处于低风险区域或路段上的交通流就应该尽量配合完成整个疏散过程。在本文中即保证qAl2>qAl1,qAl3，但这种现象在当前的局部控制策略下是无法实现的。因而单纯地使用局部匝道控制或许可以保障疏散效率，但无法保障受灾区域的生命财产安全。
对于协调式匝道控制策略而言，无论是启发式的匝道控制策略还是最优控制策略均是针对城市交通拥堵提出，其控制目标是如何保障交通安全、快速通行，一般情况下整个快速路系统中的匝道系统无差别控制，少数针对排队情况施加优先控制，但都无法满足应急疏散场景下的疏散需求。
总的来说，单独的使用局部匝道控制策略，或使用现有的匝道协调控制策略，都不能很好的保障疏散交通流顺畅的运行。在现有的局部控制策略和协调控制策略下，交通流不良运行将导致以下后果：
受灾区域清空时间变长。应急疏散条件下，受灾区域的交通流恐慌情绪蔓延，在不采取交通管制措施时，疏散的公平性很难得到保证。综合考虑灾害特征、供应条件和需求特征，位于直接受灾区域的交通流应该被优先疏散，以更好地解决被疏散人员承受的疏散风险，但在不采取任何措施，或仅采用微观层面某一种的控制方式的情况下，风险相对较小区域的交通流会影响风险较大区域交通流的疏散，最终的结果是导致直接影响区域的清空时间变长，可能会造成更多的生命财产损失。
快速路入口匝道交通拥堵。入口匝道与主路的合流路段的是交通冲突最为严重的区域，主路与匝道道路通行能力不同，两者的路段限速也有差异，为了给匝道交通流营造可插车间隙，主线车流在靠近匝道路段时被动地需要加减速及变换车道。综合考虑灾害特征、供应条件和需求特征，应急疏散情境下，交通需求的增加使得在局部匝道控制条件下，快速路主线将无法保持最佳的临界占有率，最终会使得通行能力降低会使得入口匝道车辆排队更严重，甚至排队溢出。
快速路路段通行能力降低。快速路与入口匝道连接段是制约交通流稳定运行的主要因素，在不采取任何控制措施情况下，该区域容易形成瓶颈路段，一旦瓶颈路段形成交通拥堵，根据车辆的跟驰特征，交通波将在快速路路段传递。一旦恶化，路段通行能力将会突降，当交通流发生突变时，道路的通行能力会降低10％到30％，严重影响疏散效率。
综上所述，局部匝道控制策略，或使用现有的匝道协调控制策略并不能较好的解决应急交通疏散问题。因而提出本发明中适用于应急疏散场景的匝道协同控制方法，以保障疏散效率，维护生命安全。
如图1和图3所示，本发明面向应急疏散场景的快速路入口匝道协同控制方法一实施例中，所述面向应急疏散场景的快速路入口匝道协同控制方法包括：
步骤S100，获取当前采样周期下的车辆平均速度、流量和车流密度。
采样周期是指模型重复预测的迭代时间周期。在主线路段上每间隔一定距离设置流量、速度、占有率检测器，在入口匝道设置排队检测器，每个采样周期均采集一次实际交通状态量。采样周期可设置15～19s。
获取的当前采样周期下的车辆平均速度、流量和车流密度，可供交通流预测模型用以预测未来的交通状态量，还可用于反馈校正，通过计算交通流预测模型预测得到的未来交通状态量与未来实际场景中的状态量之间的偏差进行反馈校正。
步骤S200，获取预先建立的交通流预测模型，将所述当前采样周期下的车辆平均速度、流量和车流密度，作为所述交通流预测模型预测未来交通状态量的初始参数，其中，所述未来交通状态量包含平均速度、流量和车流密度。
本发明采用模型预测控制架构实现本发明所述的匝道协同控制，模型预测控制架构包含预测、优化和反馈校正三个部分，其中，预测主要指通过模型输出下个周期的交通流三参数，包括流量、速度、密度等，此处的交通流预测模型，能够根据输入的过去或现状交通数据准确预测未来的交通状态量。本发明采用元胞传输模型作为交通流预测模型，其优势在于，首先，元胞传输模型可以通过交通流三参数的变化模拟交通流的传输情况，达到交通状态转移或预测的效果。其次，元胞传输模型可以很好的适用于多种交通流运行状态。此外，元胞传输模型在一定意义上可以模拟车辆排队现象。应急疏散中，由于需求的增加，主路及匝道车辆排队不可避免，元胞传输模型是基于上下游路段元胞自身的能力属性来确定流量传输关系的。因此，若下游路段出现滞留现象，上游元胞将无法发送至下游元胞，只能停车等待，换即，元胞传输模型本身是可以模拟排队现象的。因而，将元胞传输模型应用于应急疏散场景下可以获得较好的控制效果。
步骤S300，基于所述交通流预测模型，结合预先建立的有限时域优化问题的目标函数和约束条件，执行一个预测时域的优化操作，得到最优控制序列，其中，所述目标函数基于匝道路段车辆的排队等待时长、主线路段车辆的通行时间以及疏散风险发生概率构建而成。
其中，采用应急疏散情境下快速路疏散总风险模型作为目标函数，该疏散总风险模型基于匝道路段车辆的排队等待时长、主线路段车辆的通行时间以及疏散风险发生概率构建而成，即疏散总风险模型与疏散对象在疏散路径上的总的通行时间和在匝道上的排队等候时间有关，在风险更大区域的路段以更小的速度通行，即在此路段上滞留的时间越长，排队时间越长，导致的风险将显著增加。故而需要采取适宜的控制策略，降低所有疏散车辆在风险较大区域路段上的通行时间和排队等候时间，例如，若危险源为泄露物，则泄漏物浓度越大，风险越大。
主线路段车辆的通行时间(Total Travel Time，TTT)，其计算公式为：
Figure BDA0003103717640000101
其中，ρi(k)指第k个采样周期时路段元胞i的密度,Li指第i个路段元胞的长度，λi指第i个路段元胞的车道数，T指采样周期时长，Iall指所有主线路段元胞集合。
匝道路段车辆的排队等待时长(Total Waiting Time，TWT)。TWT的计算公式为：
Figure BDA0003103717640000111
其中，ωo(k)指第k个采样周期入口匝道o处排队车辆数，Oall指所有匝道路段元胞集合。
车辆在既定的撤离路线进行撤离时受到的风险，除了与不同路段上暴露的车辆数和车辆在路段上的旅行时间有关系，还与风险发生概率有关系。此处的风险发生概率指车辆暴露在危险环境中，随着主线路段车辆的通行时间增加或车辆距离事故源的距离减少，受到实质性危害的概率。
疏散风险发生概率，c点车辆受到危害的概率可以由下列公式表示：
Figure BDA0003103717640000112
Figure BDA0003103717640000113
α指危害影响随距离增加而衰减的速度，α>0，α越大，事故影响衰减越快，即事故影响范围越小，相反也意味着事故影响范围越大，d(s,c)指事故源s与点ci的距离，(xi,yi)指点c的坐标，(x',y')指事故源s的坐标,车辆受到实质性危害的概率随着事故源s与c点的距离d(s,ci)增加而减少。
通过疏散风险Risk构建目标函数，而疏散风险基于匝道路段车辆的排队等待时长、主线路段车辆的通行时间以及疏散风险发生概率，结合第一预设公式计算而得。第一预设公式为：
Risk＝Ri+Ro，
Ri＝TTT*δ(s,co)，
Ro＝TWT*δ(s,co)，
其中，
Figure BDA0003103717640000114
Figure BDA0003103717640000121
Figure BDA0003103717640000122
Figure BDA0003103717640000123
即，用整个疏散过程暴露在当前路段上的车辆数及其通行时间与受灾区域当前路段的车辆受到伤害的概率值的乘积来表征疏散风险：
Figure BDA0003103717640000124
上文中，δ(s,ci)指主线路段ci点车辆受到事故源s伤害的概率，δ(s,co)指匝道路段co点车辆受到事故源s伤害的概率，d(s,ci)指事故源s与主线路段上点ci的距离，(xi,yi)指主线路段上点c的坐标，(x',y')指事故源s的坐标,d(s,co)指事故源s与匝道路段上点co的距离，(xo,yo)指匝道路段上点co的坐标。
通过上述疏散风险Risk构建目标函数，以进行匝道控制。在每一个控制周期中，调节风险较大的匝道系统以更高的匝道控制率汇入主线，能使得风险更大区域的清空时间降低，尽快地将风险更大区域的需求疏散至安全区域。
可选地，在构建目标函数时，除需考虑上文所述的基于匝道路段车辆的排队等待时长、主线路段车辆的通行时间以及疏散风险发生概率构外，还考虑控制输入高波动惩罚项和匝道排队溢出惩罚项。具体而言，所述目标函数基于所述疏散风险，结合第二预设公式构建而成，所述第二预设公式为：
R＝Risk+αvRv+αwRw，
Figure BDA0003103717640000125
Figure BDA0003103717640000126
其中，R指目标函数，也即疏散总风险，Rv指控制输入高波动惩罚项，Rw指匝道排队溢出惩罚项，αv为控制输入高波动惩罚项的加权因子，αw为匝道排队溢出惩罚项的加权因子，αv、αw均为正值，ro(k)指第k个采样周期时匝道o的匝道调节率，ωmax.o指匝道所能容许的最大排队车辆数。
信号控制时长有高的波动是不可取的，这是因为在现实生活中，交通信号不可能随着时间的推移而改变频率。此外，控制输入的高波动在某些情况下可能造成不稳定，特别是在应急疏散情境下。因此，在目标函数中加入调节输入偏差的惩罚项Rv，本发明中，控制输入是指控制车流从各个入口匝道汇入主线的匝道调节率，考虑到前一周期与后一周期的匝道计量的差值会出现负值，故对其差值添加绝对值进行矫正，即|ro(k)-ro(k-1)|。
在应急疏散情况下很容易引发匝道排队及溢出。在溢出时可能会导致交通混乱，致使更多疏散时间的损耗，使得总的疏散增大。为了避免此现象的发生，在许多启发式控制策略下一般采用匝道排队控制直接避免排队的产生，但在应急疏散情境下，匝道与主路的交通需求均相对较大，更平滑的策略在某种程度上可以使得主路的通行更加连续，故通过引入惩罚项Rw以惩罚队列长度超过最大排队长度。
综上，目标函数，即应急疏散情境下快速路疏散总风险模型为：
Figure BDA0003103717640000131
进一步地，所述交通流预测模型为元胞传输模型，所述约束条件包括：
Figure BDA0003103717640000132
Figure BDA0003103717640000133
qi(k)＝min[Si(k),Ri+1(k)]，
Si(k)＝min[vf，i·ρi(k)λi,Qi(k)]，
Ri(k)＝min{Qi(k)，wj,i·(ρjam,i-ρi(k))·λi}，
Figure BDA0003103717640000134
Figure BDA0003103717640000141
其中，ρi(k)指第k个采样周期时路段元胞i的密度，ρi(k+1)指第k+1个采样周期时路段元胞i的密度，T指采样周期时长，Li指第i个路段元胞的长度，λi指第i个路段元胞的车道数，vi(k)指第k个采样周期时路段元胞i的速度，Si(k)指第k个采样周期时路段元胞i最大输出能力，Ri(k)指第k个采样周期时路段元胞i最大接受能力，Ri(k)指第k个采样周期时路段元胞i+1的最大接受能力，Qi(k)指第k个采样周期时路段元胞i的通行能力，ρcr指临界密度，ρjam指阻塞密度，ρjam(k)指第k个采样周期的阻塞密度，ρjam，i指路段元胞i的阻塞密度，w指反向波的传播速度，wj，i指路段元胞j到i的反向波的传播速度，qx,y(k)指k时刻主线路段上游元胞流入下游元胞的流量，qz,y(k)指k时刻匝道路段上游元胞流入下游元胞的流量，Ry(k)指k时刻下游元胞的最大接受能力，Sx(k)指k时刻主线路段元胞的最大输出能力，Sz(k)指k时刻入口匝道路段元胞的最大输出能力，vf指自由流速度，qi(k)指k时刻第i个路段的流量，qi-1(k)指k时刻第i-1个路段的流量，ro(k)指第k个采样周期时匝道o的匝道调节率。
步骤S400，基于所述最优控制序列中的第一个控制量生成交通控制信号，以对快速路入口匝道进行交通控制，同时进入下一采样周期，返回执行所述获取当前采样周期下的车辆平均速度、流量和车流密度的步骤，直至采样完成。
通过滚动时域优化求解，可得到最优解，最优解为最优控制序列，将最优控制序列的第一个控制量应用于道路系统的信号控制中，其余部分在有限滚动平面方案中重新计算优化，用于下一个控制周期。
通过引入模型预测控制，构建了多匝道协同控制框架，通过基于匝道路段车辆的排队等待时长、主线路段车辆的通行时间以及疏散风险发生概率构建而成的目标函数，可设立疏散风险最小化的优化目标，对其进行滚动优化求解，基于最优控制序列中的第一个控制量生成交通控制信号，以对快速路入口匝道进行交通控制，实现疏散风险不同的区域区别控制，调节风险较大的匝道系统以更高的匝道控制率汇入主线，使得风险更大区域的清空时间降低，减少在高风险路段的停留时间，尽快地将风险更大区域的需求疏散至安全区域。
可选地，所述交通流预测模型为元胞传输模型，包含入口匝道的汇流结构的元胞传输模型迭代步骤包括：
计算上游主线元胞输出能力、上游匝道元胞输出能力及下游元胞接收能力；基于所述上游主线元胞输出能力、所述上游匝道元胞输出能力及所述下游元胞接收能力，计算上游主线元胞传输至下游元胞的流量及上游匝道元胞传输至所述下游元胞的流量；根据所述上游主线元胞传输至下游元胞的流量及上游匝道元胞传输至所述下游元胞的流量，计算得到所述下游元胞下一时刻的密度、所述下游元胞下一时刻的速度及所述匝道元胞下一时刻的排队长度。
其中，使用第三预设公式计算上游主线元胞输出能力Si-1(k)，第三预设公式为：
Si-1(k)＝min[vf·ρi-1(k)λi-1,Qi-1(k)]，
其中，vf指自由流速度，ρi-1(k)指第k个采样周期时路段元胞i-1的密度，λi-1指第i-1个路段元胞的车道数，Qi(k)指第k个采样周期时路段元胞i-1的通行能力。
使用第四预设公式计算上游匝道元胞输出能力So(k)，第四预设公式为：
So(k)＝min[do(k)+wo(k)/T,Qo(k)]，
其中，do(k)指第k个采样周期时匝道o的流量，wo(k)指第k个采样周期时匝道o的排队长度，Qo(k)指第k个采样周期时匝道o的通行能力。
使用第五预设公式计算下游元胞接收能力Ri(k)，第五预设公式为：
Ri(k)＝min[Qi(k),wj,i·(ρjam,i-ρi(k))·λi]，
其中，ρjam,i指路段元胞i的阻塞密度，wj,i指路段元胞j到i的反向波的传播速度，ρi(k)指第k个采样周期时路段元胞i的密度，λi指第i个路段元胞的车道数，Qi(k)指第k个采样周期时路段元胞i的通行能力。
使用第六预设公式计算得到下游元胞下一时刻的密度ρi(k+1)，第六预设公式为：
ρi(k+1)＝ρi(k)+T/Liλi·[qi-1(k)-qi(k)]，
使用第七预设公式计算得到下游元胞下一时刻的速度vi(k+1)，第七预设公式为：
Figure BDA0003103717640000161
使用第八预设公式计算得到下游元胞下一时刻的速度wo(k+1)，第八预设公式为：
wo(k+1)＝wo(k)+T[do(k)-qo，i(k)]。
其中，do(k)指第k个采样周期时匝道o的流量，wo(k)指第k个采样周期时匝道o的排队长度，wo(k+1)指第k个采样周期时匝道o的排队车辆，qo，i(k)指第k个采样周期时匝道o流向路段元胞i的流量。
通过上述迭代步骤，元胞传输模型可基于上游主线元胞输出能力、上游匝道元胞输出能力及下游元胞接收能力，预测出下游元胞下一时刻的密度、下游元胞下一时刻的速度及匝道元胞下一时刻的排队长度。
所述基于所述上游主线元胞输出能力、所述上游匝道元胞输出能力及所述下游元胞接收能力，计算上游主线元胞传输至下游元胞的流量及上游匝道元胞传输至所述下游元胞的流量包括：
当所述下游元胞接收能力大于所述上游主线元胞输出能力与所述上游匝道元胞输出能力之和时，所述上游主线元胞传输至所述下游元胞的流量qx,y(k)为：
qx,y(k)＝Sx(k)，
所述上游匝道元胞传输至所述下游元胞的流量qz,y(k)为：
qz,y(k)＝Sz(k)ro(k)，
当所述下游元胞接收能力小于所述上游主线元胞输出能力与所述上游匝道元胞输出能力之和，且所述下游元胞接收能力大于所述上游主线元胞输出能力时，所述上游主线元胞传输至所述下游元胞的流量qx,y(k)为：
qx，y(k)＝Sx(k)，
所述上游匝道元胞传输至所述下游元胞的流量qz，y(k)为：
qz,y(k)＝[Ry(k)-Sz(k)]ro(k)，
当所述下游元胞接收能力小于所述上游主线元胞输出能力与所述上游匝道元胞输出能力之和，且所述下游元胞接收能力小于所述上游主线元胞输出能力时，所述上游主线元胞传输至所述下游元胞的流量qx,y(k)为：
qx,y(k)＝Ry(k)，
所述上游匝道元胞传输至所述下游元胞的流量qz,y(k)为：
qz,y(k)＝min{Sz(k),Ry(k)}ro(k)，ro(k)＝0，
其中，Ry(k)指所述下游元胞接收能力，Sx(k)指所述上游主线元胞输出能力，Sz(k)指所述上游匝道元胞输出能力。
即，当快速路下游元胞接收能力Ry(k)超过其上游总的输出能力Sx(k)+Sz(k)，主路交通流通行不受影响，实施匝道控制；当快速路下游元胞接收能力Ry(k)不足以吸收元胞全部的流出量，但主路输出能力Sx(k)<Ry(k)，此时主路交通流不受限制，实施匝道控制；而对于主路输出能力Sx(k)>Ry(k)，此时交通拥堵已经较为严重，当前周期需采取匝道关闭策略以缓解主路拥堵情况。ro(k)作为表征入口匝道控制程度的量，0≤ro(k)≤1，当ro(k)＝0时，当前周期采取匝道关闭策略；当ro(k)＝1时，匝道及主线交通流自由通行不施加控制。
可选地，使用进化算法求解所述有限时域优化问题的最优解，进化算法可选为差分进化算法或遗传算法。
一实施方式中，使用差分进化算法求解所述有限时域优化问题的最优解，所述交通流预测模型为元胞传输模型，所述基于所述交通流预测模型，结合预先建立的有限时域优化问题的目标函数和约束条件，执行一个预测时域的优化操作，得到最优控制序列包括：
获取种群规模、匝道数目及控制周期，根据所述种群规模、所述匝道数目及所述控制周期初始化种群。其中，种群规模、匝道数目及控制周期为预先设定好的预设值。根据匝道数目及控制周期确定决策变量的维度(即一个个体中入口匝道调节率的个数)，产生初始的种群。
由所述交通流预测模型预测出各个元胞的交通状态量，将预测获得的所述交通状态量代入适应度函数，计算种群各个体的适应度值并进行评价。
其中，元胞传输模型通过流量密度关系及不同元胞之间流量传播关系，通过迭代求解的方式获得各个路段元胞连续时段的交通状态量的解，并作为输入以求解不同优化时域的效果评价指标。
对种群个体进行选择、变异和交叉，反复迭代直至满足迭代终止条件，输出最优控制序列。
在计算出种群各个体的适应度值，对初始种群进行评价，并基于评价结果进行选择操作，即对于父代解向量，若子代解向量比他差则保留父代解向量，否则选择子代解向量。对种群中的每一个个体将一个差分向量加到基向量上去以完成变异操作；通过对种群中初始个体和变异后的个体按照一定的充足概率相互交换一些元素，完成交叉操作步骤，以增加种群的多样性。
此处以最大迭代次数为迭代终止条件，迭代次数小于阈值则返回执行所述由所述交通流预测模型预测出各个元胞的交通状态量，迭代次数大于阈值则退出迭代，输出最优解，即最优控制序列。
通过差分进化算法实现优化求解，其变异规则是基于差分向量进行的，相比其他算法而言结构更简单，易于实现。
本发明实施例协同控制装置一实施例中，所述协同控制装置包括：
采样获取单元，其用于获取当前采样周期下的车辆平均速度、流量和车流密度；
优化计算单元，其用于获取预先建立的交通流预测模型，将所述当前采样周期下的车辆平均速度、流量和车流密度，作为所述交通流预测模型预测未来交通状态量的初始参数，其中，所述未来交通状态量包含平均速度、流量和车流密度；基于所述交通流预测模型，结合预先建立的有限时域优化问题的目标函数和约束条件，执行一个预测时域的优化操作，得到最优控制序列，其中，所述目标函数基于匝道路段车辆的排队等待时长、主线路段车辆的通行时间以及疏散风险发生概率构建而成；
控制单元，其用于基于所述最优控制序列中的第一个控制量生成交通控制信号，以对快速路入口匝道进行交通控制，同时进入下一采样周期，返回执行所述获取当前采样周期下的车辆平均速度、流量和车流密度的步骤，直至采样完成。
本发明实施例一种协同控制装置，所述协同控制装置包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上所述的面向应急疏散场景的快速路入口匝道协同控制方法。
本发明协同控制装置相对于现有技术所具有的有益效果与上述面向应急疏散场景的快速路入口匝道协同控制方法一致，此处不赘述。
本发明实施例一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如上所述的面向应急疏散场景的快速路入口匝道协同控制方法。
本发明计算机可读存储介质相对于现有技术所具有的有益效果与上述面向应急疏散场景的快速路入口匝道协同控制方法一致，此处不赘述。
虽然本发明公开披露如上，但本发明公开的保护范围并非仅限于此。本领域技术人员在不脱离本发明公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

Claims (9)

1.一种面向应急疏散场景的快速路入口匝道协同控制方法，其特征在于，包括：
获取当前采样周期下的车辆平均速度、流量和车流密度；
获取预先建立的交通流预测模型，将所述当前采样周期下的车辆平均速度、流量和车流密度，作为所述交通流预测模型预测未来交通状态量的初始参数，其中，所述未来交通状态量包含平均速度、流量和车流密度；
基于所述交通流预测模型，结合预先建立的有限时域优化问题的目标函数和约束条件，执行一个预测时域的优化操作，得到最优控制序列，其中，所述交通流预测模型为元胞传输模型，所述目标函数基于疏散风险构建而成，所述疏散风险基于匝道路段车辆的排队等待时长、主线路段车辆的通行时间以及疏散风险发生概率，结合第一预设公式计算而得，所述第一预设公式为：
Risk＝Ri+Ro，
Ri＝TTT*δ(s，ci)，
Ro＝TWT*δ(s，co)，
Figure FDA0003906984950000011
Figure FDA0003906984950000012
Figure FDA0003906984950000013
Figure FDA0003906984950000014
Figure FDA0003906984950000015
Figure FDA0003906984950000016
其中，Risk指所述疏散风险，Ri指主线路段车辆的疏散风险，Ro指匝道路段车辆的疏散风险，TTT指主线路段车辆的通行时间，δ(s，ci)指主线路段ci点车辆受到事故源s伤害的概率，TWT指匝道路段车辆的排队等待时长，δ(s，co)指匝道路段co点车辆受到事故源s伤害的概率，ρi(k)指第k个采样周期时路段元胞i的密度，Li指第i个路段元胞的长度，λi指第i个路段元胞的车道数，T指采样周期时长，Iall指所有主线路段元胞集合，ωo(k)指第k个采样周期入口匝道o处排队车辆数，Oall指所有匝道路段元胞集合，α指危害影响随距离增加而衰减的速度，α＞0，d(s，ci)指事故源s与点ci的距离，(xi，yi)指点c的坐标，(x′，y′)指事故源s的坐标，d(s，co)指事故源s与点co的距离，(xo，yo)指点co的坐标；
基于所述最优控制序列中的第一个控制量生成交通控制信号，以对快速路入口匝道进行交通控制，同时进入下一采样周期，返回执行所述获取当前采样周期下的车辆平均速度、流量和车流密度的步骤，直至采样完成。
2.如权利要求1所述的面向应急疏散场景的快速路入口匝道协同控制方法，其特征在于，所述目标函数基于所述疏散风险，结合第二预设公式构建而成，所述第二预设公式为：
R＝Risk+αvRv+αwRw，
Figure FDA0003906984950000021
Figure FDA0003906984950000022
其中，R指所述目标函数，Rv指控制输入高波动惩罚项，Rw指匝道排队溢出惩罚项，αv为所述控制输入高波动惩罚项的加权因子，αw为所述匝道排队溢出惩罚项的加权因子，αv、αw均为正值，ro(k)指第k个采样周期时匝道o的匝道调节率，ωmax.o指匝道所能容许的最大排队车辆数。
3.如权利要求2所述的面向应急疏散场景的快速路入口匝道协同控制方法，其特征在于，所述交通流预测模型为元胞传输模型，包含入口匝道的汇流结构的元胞传输模型迭代步骤包括：
计算上游主线元胞输出能力、上游匝道元胞输出能力及下游元胞接收能力；
基于所述上游主线元胞输出能力、所述上游匝道元胞输出能力及所述下游元胞接收能力，计算上游主线元胞传输至下游元胞的流量及上游匝道元胞传输至所述下游元胞的流量；
根据所述上游主线元胞传输至下游元胞的流量及上游匝道元胞传输至所述下游元胞的流量，计算得到所述下游元胞下一时刻的密度、所述下游元胞下一时刻的速度及所述匝道元胞下一时刻的排队长度。
4.如权利要求3所述的面向应急疏散场景的快速路入口匝道协同控制方法，其特征在于，所述基于所述上游主线元胞输出能力、所述上游匝道元胞输出能力及所述下游元胞接收能力，计算上游主线元胞传输至下游元胞的流量及上游匝道元胞传输至所述下游元胞的流量包括：
当所述下游元胞接收能力大于所述上游主线元胞输出能力与所述上游匝道元胞输出能力之和时，所述上游主线元胞传输至所述下游元胞的流量qx，y(k)为：
qx，y(k)＝Sx(k)，
所述上游匝道元胞传输至所述下游元胞的流量qz，y(k)为：
qz，y(k)＝Sz(k)ro(k)，
当所述下游元胞接收能力小于所述上游主线元胞输出能力与所述上游匝道元胞输出能力之和，且所述下游元胞接收能力大于所述上游主线元胞输出能力时，所述上游主线元胞传输至所述下游元胞的流量qx，y(k)为：
qx，y(k)＝Sx(k)，
所述上游匝道元胞传输至所述下游元胞的流量qz，y(k)为：
qz，y(k)＝[Ry(k)-Sz(k)] ro(k)，
当所述下游元胞接收能力小于所述上游主线元胞输出能力与所述上游匝道元胞输出能力之和，且所述下游元胞接收能力小于所述上游主线元胞输出能力时，所述上游主线元胞传输至所述下游元胞的流量qx，y(k)为：
qx，y(k)＝Ry(k)，
所述上游匝道元胞传输至所述下游元胞的流量qz，y(k)为：
qz，y(k)＝min{Sz(k)，Ry(k)}ro(k)，ro(k)＝0，
其中，Ry(k)指所述下游元胞接收能力，Sx(k)指所述上游主线元胞输出能力，Sz(k)指所述上游匝道元胞输出能力，ro(k)指第k个采样周期时匝道o的匝道调节率。
5.如权利要求2所述的面向应急疏散场景的快速路入口匝道协同控制方法，其特征在于，所述约束条件包括：
Figure FDA0003906984950000041
Figure FDA0003906984950000042
qi(k)＝min[Si(k)，Ri+1(k)]，
Si(k)＝min[vf，i·ρi(k)λi，Qi(k)]，
Ri(k)＝min{Qi(k)，wj，i·(ρjam，i-ρi(k))·λi}，
Figure FDA0003906984950000043
Figure FDA0003906984950000044
0≤ro(k)≤1，
其中，ρi(k)指第k个采样周期时路段元胞i的密度，Si(k)指第k个采样周期时路段元胞i最大输出能力，Ri(k)指第k个采样周期时路段元胞i最大接受能力，Qi(k)指第k个采样周期时路段元胞i的通行能力，ρcr指临界密度，ρjam(k)指第k个采样周期的阻塞密度，w指反向波的传播速度，wj，i指路段元胞j到i的反向波的传播速度，qx，y(k)指k时刻主线路段上游元胞流入下游元胞的流量，qz，y(k)指k时刻匝道路段上游元胞流入下游元胞的流量，Ry(k)指k时刻下游元胞的最大接受能力，Sx(k)指k时刻主线路段元胞的最大输出能力，Sz(k)指k时刻入口匝道路段元胞的最大输出能力，vf指自由流速度，vf，j指第i个路段元胞的自由流速度，qi(k)指k时刻第i个路段的流量。
6.如权利要求1所述的面向应急疏散场景的快速路入口匝道协同控制方法，其特征在于，使用进化算法求解所述有限时域优化问题的最优解，所述交通流预测模型为元胞传输模型，所述基于所述交通流预测模型，结合预先建立的有限时域优化问题的目标函数和约束条件，执行一个预测时域的优化操作，得到最优控制序列包括：
获取种群规模、匝道数目及控制周期，根据所述种群规模、所述匝道数目及所述控制周期初始化种群；
由所述交通流预测模型预测出各个元胞的交通状态量，将预测获得的所述交通状态量代入适应度函数，计算种群各个体的适应度值并进行评价；
对种群个体进行选择、变异和交叉，反复迭代直至满足迭代终止条件，输出最优控制序列。
7.一种协同控制装置，其特征在于，包括：
采样获取单元，其用于获取当前采样周期下的车辆平均速度、流量和车流密度；
优化计算单元，其用于获取预先建立的交通流预测模型，将所述当前采样周期下的车辆平均速度、流量和车流密度，作为所述交通流预测模型预测未来交通状态量的初始参数，其中，所述未来交通状态量包含平均速度、流量和车流密度；基于所述交通流预测模型，结合预先建立的有限时域优化问题的目标函数和约束条件，执行一个预测时域的优化操作，得到最优控制序列，其中，所述交通流预测模型为元胞传输模型，所述目标函数基于疏散风险构建而成，所述疏散风险基于匝道路段车辆的排队等待时长、主线路段车辆的通行时间以及疏散风险发生概率，结合第一预设公式计算而得，所述第一预设公式为：
Risk＝Ri+Ro，
Ri＝TTT*δ(s，ci)，
Ro＝TWT*δ(s，co)，
Figure FDA0003906984950000051
Figure FDA0003906984950000052
Figure FDA0003906984950000053
Figure FDA0003906984950000054
Figure FDA0003906984950000055
Figure FDA0003906984950000056
其中，Risk指所述疏散风险，Ri指主线路段车辆的疏散风险，Ro指匝道路段车辆的疏散风险，TTT指主线路段车辆的通行时间，δ(s，ci)指主线路段ci点车辆受到事故源s伤害的概率，TWT指匝道路段车辆的排队等待时长，δ(s，co)指匝道路段co点车辆受到事故源s伤害的概率，ρi(k)指第k个采样周期时路段元胞i的密度，Li指第i个路段元胞的长度，λi指第i个路段元胞的车道数，T指采样周期时长，Iall指所有主线路段元胞集合，ωo(k)指第k个采样周期入口匝道o处排队车辆数，Oall指所有匝道路段元胞集合，α指危害影响随距离增加而衰减的速度，α＞0，d(s，ci)指事故源s与点ci的距离，(xi，yi)指点c的坐标，(x′，y′)指事故源s的坐标，d(s，co)指事故源s与点co的距离，(xo，yo)指点co的坐标；
控制单元，其用于基于所述最优控制序列中的第一个控制量生成交通控制信号，以对快速路入口匝道进行交通控制，同时进入下一采样周期，返回执行所述获取当前采样周期下的车辆平均速度、流量和车流密度的步骤，直至采样完成。
8.一种协同控制装置，其特征在于，所述协同控制装置包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如权利要求1-6任一项所述的面向应急疏散场景的快速路入口匝道协同控制方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如权利要求1-6任一项所述的面向应急疏散场景的快速路入口匝道协同控制方法。
CN202110631447.9A 2021-06-07 2021-06-07 面向应急疏散场景的快速路入口匝道协同控制方法及装置 Active CN113345234B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110631447.9A CN113345234B (zh) 2021-06-07 2021-06-07 面向应急疏散场景的快速路入口匝道协同控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110631447.9A CN113345234B (zh) 2021-06-07 2021-06-07 面向应急疏散场景的快速路入口匝道协同控制方法及装置

Publications (2)

Publication Number Publication Date
CN113345234A CN113345234A (zh) 2021-09-03
CN113345234B true CN113345234B (zh) 2023-01-17

Family

ID=77474964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110631447.9A Active CN113345234B (zh) 2021-06-07 2021-06-07 面向应急疏散场景的快速路入口匝道协同控制方法及装置

Country Status (1)

Country Link
CN (1) CN113345234B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113971888B (zh) * 2021-10-09 2022-09-30 南京航空航天大学 一种基于交通事故数估计的匝道汇入交通控制方法及系统
CN113947900B (zh) * 2021-10-15 2023-10-24 苏州科技大学 一种智能网联快速路匝道协同控制系统
CN114141030B (zh) * 2021-12-27 2022-11-01 吉林大学 一种异质行驶需求下的事故后高速公路车流诱导方法
CN114353804B (zh) * 2022-01-04 2024-04-30 哈尔滨工业大学（深圳） 火灾应急疏散路径规划方法、装置、智能终端及存储介质
CN114758513B (zh) * 2022-04-14 2023-05-05 清华大学 匝道合流的协同控制方法、装置、电子设备及存储介质
CN114627658B (zh) * 2022-04-22 2023-10-27 河北上元智能科技股份有限公司 一种重大特殊车队通行高速公路的交通控制方法
CN115188204B (zh) * 2022-06-29 2023-08-15 东南大学 一种异常天气条件下高速公路车道级可变限速控制方法
CN116343523B (zh) * 2022-12-28 2024-02-27 合肥工业大学 网联环境下快速路近距离匝道间车辆协同换道控制方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1039534A (en) * 1962-07-05 1966-08-17 Gen Signal Corp Improvements in and relating to traffic control systems
CN102360522B (zh) * 2011-09-27 2013-11-13 浙江交通职业技术学院 一种高速公路优化控制方法
CN110070732B (zh) * 2019-05-10 2020-06-30 东南大学 一种基于实时仿真的匝道信号前馈控制方法及系统
CN112201057B (zh) * 2020-09-08 2021-11-09 同济大学 一种基于事故风险的快速路车速和匝道协同控制方法

Also Published As

Publication number Publication date
CN113345234A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN113345234B (zh) 面向应急疏散场景的快速路入口匝道协同控制方法及装置
US11708098B2 (en) Method and device for optimizing target operation speed curve in ATO of train
CN110110403B (zh) 一种适用单向连续过闸船舶的调度排档方法
Fu et al. Hierarchical perimeter control with guaranteed stability for dynamically coupled heterogeneous urban traffic
CN114202316A (zh) 基于深度强化学习的城市轨道交通列车时刻表优化方法
CN104657538A (zh) 一种多节点航道调度的仿真方法
Li et al. Multi-objective optimization of urban bus network using cumulative prospect theory
CN110543991A (zh) 内河船闸联合调度方法
Xu et al. On optimal freeway local ramp metering using fuzzy logic control with particle swarm optimisation
Chen et al. Passenger-oriented traffic management integrating perimeter control and regional bus service frequency setting using 3D-pMFD
Li et al. Assessing ramp metering and variable speed limits strategies for Auckland motorway
Liard et al. A PDE-ODE model for traffic control with autonomous vehicles
CN104809890A (zh) 基于主成分分析和局部搜索改进正交遗传算法的交通信号配时优化方法
Shen et al. Deep reinforcement learning based train door adaptive control in metro tunnel evacuation optimization
Anirudh et al. Intelligent Traffic Control System using Deep Reinforcement Learning
Haut et al. A macroscopic traffic model for road networks with a representation of the capacity drop phenomenon at the junctions
Zhang et al. Speed Grade Evaluation of Public-Transportation Lines Based on an Improved TS Fuzzy Neural Network
Zhang et al. Approximate dynamic programming approach to efficient metro train timetabling and passenger flow control strategy with stop-skipping
Zhu et al. Improved harmony search algorithm for bus scheduling optimization
Wang et al. Performance Analysis of Road Intersections Based on Game Theory and Dynamic Level-k Model
Bugarski et al. Fuzzy expert system for adaptive vessel traffic control on one-way section on navigable canal
CN107146416A (zh) 一种智能交通管理系统
de Wit et al. A variable-length cell road traffic model: application to ring road speed limit optimization
Chen et al. Research on Emergency Evacuation Strategy Selection Considering Uncertain Conditions
KR20180068828A (ko) 주행 정보 추정 방법 및 장치

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