CN113538897A - 一种考虑扰动的城市交通区域迭代学习边界控制方法 - Google Patents

Abstract

本发明公开了一种考虑扰动的城市交通区域迭代学习边界控制方法，基于城市交通区域的宏观基本图特性以及宏观交通流的周期性特征，在车辆平衡方程中引入扰动项，将迭代学习边界控制计算的结果与非对称信号配时策略结合得出边界交叉口各相位信号时长，通过对边界交叉口信号进行多次迭代学习控制，将控制子区的累计车辆数量稳定到期望值，从而提高路网的整体运行效率。本发明考虑了实际城市交通系统运行中的扰动因素对控制作用性能的影响，构建的车辆平衡方程更接近路网实际情况；且开闭环PD型迭代学习控制可以克服开环控制的不足，能同时利用系统前一次和当前的输出误差信息，进一步抑制系统的不确定性，提高系统的鲁棒性。

Description

一种考虑扰动的城市交通区域迭代学习边界控制方法

技术领域

本发明涉及交通管控技术领域，尤其涉及一种考虑扰动的城市交通区域迭代学习边界控制方法。

背景技术

城市化的快速发展导致城市交通拥堵问题日益突出，由于交通拥堵范围的扩大以及交通流的复杂性，传统的单点与干线协调控制方法，只能局部改善单个交叉口的交通状态，难以解决大范围的交通拥堵。路网的宏观基本图(Macroscopic Fundamental Diagram，MFD)特性能够反映出路网中流量与路网运行效率之间的关系，可以从宏观层面监测路网运行状态，为解决交通拥堵提供了一个良好的工具。

当前基于MFD进行边界控制的研究成果非常丰富，但大多仍是基于模型的反馈控制算法，其控制效果易受模型参数选择的影响；从宏观角度看，针对一个城市特定区域，其每天的交通流具有相似的时空分布特点，因此可认为城市交通流具有重复性特征。迭代学习控制(Iterative learning control，ILC)可以用于解决有限区间内重复运行系统的跟踪控制问题，它以完全跟踪为目标，不依赖于系统精确的模型，适应性强，易于实现，仅通过先前操作的信息获得能够产生期望输出轨迹的控制输入，以改善控制质量，适用于具有重复性的交通控制中。

实际工程系统往往会受到各种干扰和不确定性因素的影响，并且不同程度的干扰作用到被控系统上，可能会使控制作用的性能减弱甚至会导致不可预测的结果，所以研究扰动对控制性能的作用是至关重要的。现有的区域边界控制方法大都仅适用于理想状态下的路网，未考虑实际城市交通系统运行中的交通事故、行人过街以及停车场等扰动因素的影响，这些扰动不仅会影响交通信号控制器的控制性能，可能会使已经产生的交通拥堵进一步加剧。

发明内容

为解决现有技术的不足，本发明提出了一种考虑扰动的城市交通区域迭代学习边界控制方法。

为了实现上述目的，本发明提供一种考虑扰动的城市交通区域迭代学习边界控制方法，包括：

1)、选定待研究路网，划分为若干个同质区域；

2)、根据路网内检测器收集的车辆数据，绘制步骤1)划分后路网子区的宏观基本图；

3)、构建考虑扰动后的车辆平衡方程；

4)、判断路网运行状态，若为拥堵状态，则实施边界控制；否则继续监测路网运行状态；

5)、对不同程度扰动作用下的路网实施边界控制，利用城市交通流的重复特性，引入迭代控制方案，根据迭代学习控制得到的绿灯时长增量与非对称信号配时策略结合设置边界交叉口各相位绿灯时长，使得路网内实际车辆数与期望车辆数的误差值逐渐减小，直到达到理想状态。

其中，在划分同质区域的步骤中，包括步骤：

1.1)、选择将要研究的路网G，获取该路网的道路拓扑结构，在各信号交叉口的进口道和出口道位置设计安装检测器，获取路网内各交叉口实际交通流数据，包括：相邻交叉口间的车道数N、车流量Q、车流分支数h、平均行程时间T；

1.2)、基于获取的道路拓扑结构以及实际交通流数据，计算相邻交叉口之间的交通关联度，相邻交叉口i和交叉口j之间的交通关联度计算公式如下：

其中，w_ij是相邻交叉口i与交叉口j之间的交通关联度；I_f为路段流量不均衡系数；h为来自上游交叉口的车流驶入的分支数；

为到达下游交叉口的车流量总和；Q_max为来自上游交叉口车流驶入分支中最大的车流量，为Q_s中的最大值；T为车辆在两个相邻交叉口之间的平均行程时间；N为由上游交叉口驶向下游交叉口的车道数；

1.3)、根据相邻信号交叉口之间的关联度信息，计算路网G的密度拉普拉斯矩阵L，构建聚类特征矩阵X，对聚类特征矩阵X进行快速全局K-means聚类，将属于同一聚类的信号交叉口划分到同一个控制子区内。

其中，绘制划分后路网子区的宏观基本图的步骤包括：

2.1)、采集待研究区域从低峰状态到高峰状态的车辆数据，获取满足宏观基本图绘制条件的路网中主要道路的车辆数，统计出t时刻时区域内的车辆数N；

2.2)、对获取的车辆数据进行处理，剔除明显误差的数据点，获取有效的宏观基本图样本值；

2.3)、以路网内采样时间间隔Δt时刻的累计车辆总数N为横坐标，以路网内采样时间间隔Δt内驶离路网的车辆总数为纵坐标，绘制路网MFD散点图，并根据散点数据对路网的MFD曲线进行拟合，得到待研究区域的MFD曲线以及该区域的临界累计车辆数N_cr。

其中，构建考虑扰动后的车辆平衡方程的步骤包括：

3.1)、设一个城市路网，根据车流密度或其他相关性参数划分为若干个具有良好定义的宏观基本图子区，各子区之间交通流的流入流出相对稳定，子区1是处于过饱和状态或极易发生交通拥堵的区域，子区2为其外围区域，则车辆动态平衡方程表示为：

其中，x_ij(t)为t时刻子区i中以子区j为目的地的累计车辆数；q₁₁(t)为t时刻子区1的内部交通需求；q_ij(t)为t时刻子区i到子区j的交通流率；u_ij(t)为t时刻子区i到子区j的边界控制率；x₁(t)为t时刻子区1的累计车辆数；G₁(x₁(t))为子区1内累计车辆数到达x₁(t)时的旅行车辆完成量；

3.2)、设置控制区域边界和边界控制闸门，考虑实际城市交通系统运行中易对累计车辆数造成影响的三种扰动形式：(a)车辆进出停车场，(b)行人乱穿马路，(c)突发交通事故；

3.3)、采用边界控制方法计算过程中，在当前控制周期T内，每个信号周期的相位绿灯时长保持不变，直到下一控制周期时，再根据上一控制周期计算得到的绿灯时长进行调整，将加入扰动后的车辆平衡方程的离散化得：

其中，T为采样周期，q_ξij(k)为影响车辆行驶状态或路网累计车辆数的扰动；η(k)为子区内数据采集设备输出产生的误差。

其中，判断路网运行状态的步骤中，包括步骤：

4.1)、根据路网MFD特性，路网内累计车辆数存在一个临界值，当累计车辆数达到临界值附近的预设阈值范围时，路网内的旅行车辆完成量最大；当实际累计车辆数小于预设阈值范围的最小值时，路网则处于畅通状态，旅行车辆完成量随着累计车辆数的增加而增加；而一旦实际累计车辆数大于预设阈值范围的最大值，则该路网内的旅行车辆完成量会下降，从而该区域的交通会陷入拥堵状态；

4.2)、若路网中的累计车辆数大于临界累计车辆数N_cr，则认为此时路网处于拥堵状态，将该区域最外围的信号交叉口视为边界节点，对该区域实施边界控制；若路网中的累计车辆数小于临界累计车辆数N_cr，则继续监测路网运行状态。

其中，在对不同程度扰动作用下的路网实施边界控制，利用城市交通流的重复特性，引入迭代控制方案，根据迭代学习控制得到的绿灯时长增量与非对称信号配时策略结合设置边界交叉口各相位绿灯时长，使得路网内实际车辆数与期望车辆数的误差值逐渐减小，直到达到理想状态的步骤中，包括步骤：

5.1)、为了满足行人过街时间，信号周期因素的影响，交通信号各相位绿灯时长必须设置在一个合理的范围内，即迭代学习控制后的控制输入能够满足实际交通情况：

u_n(k)∈[u_min(k),u_max(k)]

5.2)、为了减少扰动对控制系统性能的影响，增强系统的鲁棒性，迭代控制方案采取开闭环PD型迭代，迭代学习控制律如下：

u_n+1(k)＝sat[u_n(k)]+β₁(e_n(k+1)-e_n(k))+β₂e_n+1(k)

其中，u_n(k)为控制输入，sat[u_n(t)]为控制输入的饱和函数；β₁为迭代学习增益，β₂为反馈控制增益；

5.3)、在路网未进入拥堵状态时，期望曲线设置为固定配时的累计车辆数；当路网累计车辆数超过临界累计车辆数时，期望曲线都设置为临界累计车辆数；

5.4)、第一次迭代采用原有固定配时方案，从第二次迭代开始与上一次采集的累计车辆数做误差，计算当前时刻的控制输入，根据迭代学习控制得到的绿灯时长增量与非对称信号配时策略结合设置边界交叉口各相位绿灯时长，即g_k+1(t)＝g_k(t)+Δu；

5.5)、在当前控制周期内，每个信号周期的相位绿信比保持不变，到下一控制周期时，根据下一控制周期计算得到的绿信比进行调整。

区别于现有技术，本发明提供了一种考虑扰动的城市交通区域迭代学习边界控制方法，基于城市交通区域的宏观基本图特性以及宏观交通流的周期性特征，在车辆平衡方程中引入扰动项，将迭代学习边界控制计算的结果与非对称信号配时策略结合得出边界交叉口各相位信号时长，通过对边界交叉口信号进行多次迭代学习控制，将控制子区的累计车辆数量稳定到期望值，从而提高路网的整体运行效率。本发明考虑了实际城市交通系统运行中的扰动因素对控制作用性能的影响，构建的车辆平衡方程更接近路网实际情况；且开闭环PD型迭代学习控制可以克服开环控制的不足，能同时利用系统前一次和当前的输出误差信息，进一步抑制系统的不确定性，提高系统的鲁棒性。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为本发明提供的一种考虑扰动的城市交通区域迭代学习边界控制方法的流程示意图；

图2为本发明提供的一种考虑扰动的城市交通区域迭代学习边界控制方法的交通子区宏观交通流模型示意图；

图3为本发明提供的一种考虑扰动的城市交通区域迭代学习边界控制方法的城市交通系统中三种常见的扰动形式的示意图。

图4为本发明提供的一种考虑扰动的城市交通区域迭代学习边界控制方法考虑扰动的开闭环PD型迭代学习控制原理框图。

图5为本发明提供的一种考虑扰动的城市交通区域迭代学习边界控制方法中子区边界交叉口相位示意图。

图6为本发明提供的一种考虑扰动的城市交通区域迭代学习边界控制方法中子区边界交叉口两相位非对称信号配时修改方案示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

参阅图1，本发明提出一种考虑扰动的城市交通区域迭代学习边界控制方法，包括以下步骤：

1)、选定待研究路网，划分为若干个同质区域：

1.1)、选择将要研究的路网G，获取该路网的道路拓扑结构，在各信号交叉口的进口道和出口道位置设计安装检测器，获取路网内各交叉口实际交通流数据，包括：相邻交叉口间的车道数N、车流量Q、车流分支数h、平均行程时间T；

1.2)、基于获取的道路拓扑结构以及实际交通流数据，计算相邻交叉口之间的交通关联度，相邻交叉口i和交叉口j之间的交通关联度计算公式如下：

其中，w_ij是相邻交叉口i与交叉口j之间的交通关联度；I_f为路段流量不均衡系数；h为来自上游交叉口的车流驶入的分支数；

为到达下游交叉口的车流量总和；Q_max为来自上游交叉口车流驶入分支中最大的车流量，为Q_s中的最大值；T为车辆在两个相邻交叉口之间的平均行程时间；N为由上游交叉口驶向下游交叉口的车道数；

1.3)、根据相邻信号交叉口之间的关联度信息，计算路网G的密度拉普拉斯矩阵L，构建聚类特征矩阵X，对聚类特征矩阵X进行快速全局K-means聚类，将属于同一聚类的信号交叉口划分到同一个控制子区内；

2)、根据路网内检测器收集的车辆数据，绘制步骤1)划分后路网子区的宏观基本图MFD：

2.1)、采集待研究区域从低峰状态到高峰状态的车辆数据，获取路网中主要道路的车辆数即可满足宏观基本图绘制条件，统计出t时刻区域内的车辆数N；

2.2)数据处理阶段，对获取的数据进行处理，剔除明显误差较大的数据点，获取有效的宏观基本图样本值；

2.3)以路网内采样时间间隔Δt时刻的累计车辆总数N为横坐标，以路网内采样时间间隔Δt内驶离路网的车辆总数为纵坐标，绘制路网MFD散点图，并根据散点数据对路网的MFD曲线进行拟合，得到待研究区域的MFD曲线以及该区域的临界累计车辆数N_cr。

3)、构建考虑扰动后的车辆平衡方程：

3.1)、如图2所示，假设一个城市路网可根据车流密度或其他相关性参数划分为若干个具有良好定义的宏观基本图子区，各子区之间交通流的流入流出相对稳定，子区1是处于过饱和状态或极易发生交通拥堵的区域，子区2为其外围区域，则车辆动态平衡方程可表示为：

其中，x_ij(t)为t时刻子区i中以子区j为目的地的累计车辆数；q₁₁(t)为t时刻子区1的内部交通需求；q_ij(t)为t时刻子区i到子区j的交通流率；u_ij(t)为t时刻子区i到子区j的边界控制率；x₁(t)为t时刻子区1的累计车辆数；G₁(x₁(t))为子区1内累计车辆数到达x₁(t)时的旅行车辆完成量。

3.2)、如图3所示，虚线为控制区域的边界，边界控制闸门设置在上游交叉口处，本发明考虑了实际城市交通系统运行中易对累计车辆数造成影响的三种扰动形式：(a)车辆进出停车场，(b)行人乱穿马路，(c)突发交通事故；车辆进出停车场会对路网中正常行驶的车辆以及累计车辆数造成影响，尤其在大型商业中心或居民住宅区的影响作用更大；；由于部分行人不遵守交通规则横穿马路时，路网中正常行驶的车辆会对其作出反应并开始减速，增加了交通环境的随机性；交通事故的发生容易造成路段拥堵，导致该路段短时间内通行能力快速下降，使路网中的其他车辆延误增加，尤其发生在高峰时段的交通事故会使原本的拥堵进一步加重。

3.3)、由于本发明采用的边界控制方法在当前控制周期T内，每个信号周期的相位绿灯时长保持不变，直到下一控制周期时，再根据上一控制周期计算得到的绿灯时长进行调整，所以将加入扰动后的车辆平衡方程的离散化得：

其中，T为采样周期，为影响车辆行驶状态或路网累计车辆数的扰动；η(k)为子区内数据采集设备输出产生的误差。

4)、判断路网运行状态，若为拥堵状态，则实施边界控制；否则继续监测路网运行状态：

4.1)、根据路网MFD特性：路网内累计车辆数存在一个临界值，当累计车辆数达到该临界值附近时，路网内的旅行车辆完成量最大。当实际累计车辆数小于该临界值时，路网则处于畅通状态，旅行车辆完成量随着累计车辆数的增加而增加；而一旦实际累计车辆数大于该临界值，则该路网内的旅行车辆完成量会下降，从而该区域的交通会陷入拥堵状态。

4.2)、若路网中的累计车辆数大于步骤2)中得出的临界累计车辆数N_cr，则认为此时路网处于拥堵状态，将该区域最外围的信号交叉口视为边界节点，对该区域实施边界控制；若路网中的累计车辆数小于临界累计车辆数N_cr，则继续监测路网运行状态。

5)、对不同程度扰动作用下的路网实施边界控制，利用城市交通流的重复特性，引入迭代控制方案，根据迭代学习控制得到的绿灯时长增量与非对称信号配时策略结合设置边界交叉口各相位绿灯时长，使得路网内实际车辆数与期望车辆数的误差值逐渐减小，直到达到理想状态：

5.1)、为了满足行人过街时间，信号周期等因素的影响，交通信号各相位绿灯时长必须设置在一个合理的范围内，即迭代学习控制后的控制输入能够满足实际交通情况：u_n(k)∈[u_min(k),u_max(k)]；

5.2)、为了减少扰动对控制系统性能的影响，增强系统的鲁棒性，迭代方式采取开闭环PD型迭代，其原理示意图如图4所示，迭代学习控制律如下：

u_n+1(k)＝sat[u_n(k)]+β₁(e_n(k+1)-e_n(k))+β₂e_n+1(k)

其中，sat[u_n(t)]为控制输入的饱和函数；β₁为迭代学习增益，β₂为反馈控制增益。

5.3)、在路网未进入拥堵状态时，所以此时的期望曲线设置为固定配时的累计车辆数；当路网累计车辆数超过临界累计车辆数时，此时的期望曲线都设置为临界累计车辆数；

5.4)、设每个边界交叉口为两相位，即：东西向直行+左转相位、南北向直行+左转相位，如图5所示。第一次迭代采用原有固定配时方案，从第二次迭代开始可以与上一次采集的累计车辆数做误差，计算当前时刻的控制输入，并结合非对称信号配时策略结合设置边界交叉口各相位绿灯时长，如图6所示，即当子区处于过饱和状态时，根据迭代学习控制计算的绿灯时长增量g_k+1(t)＝g_k(t)+Δu提前关闭进入子区的绿灯限制车辆驶入子区，保留允许车辆驶离子区的相位作为过渡相位直到下一相位开始；

5.5)、在当前控制周期内，每个信号周期的相位绿信比保持不变，到下一控制周期时，根据下一控制周期计算得到的绿信比进行调整。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (6)

1.一种考虑扰动的城市交通区域迭代学习边界控制方法，其特征在于，包括步骤：

1)、选定待研究路网，划分为若干个同质区域；

2)、根据路网内检测器收集的车辆数据，绘制步骤1)划分后路网子区的宏观基本图；

3)、构建考虑扰动后的车辆平衡方程；

4)、判断路网运行状态，若为拥堵状态，则实施边界控制；否则继续监测路网运行状态；

5)、对不同程度扰动作用下的路网实施边界控制，利用城市交通流的重复特性，引入迭代控制方案，根据迭代学习控制得到的绿灯时长增量与非对称信号配时策略结合设置边界交叉口各相位绿灯时长，使得路网内实际车辆数与期望车辆数的误差值逐渐减小，直到达到理想状态。

2.根据权利要求1所述的考虑扰动的城市交通区域迭代学习边界控制方法，其特征在于，在划分同质区域的步骤中，包括步骤：

1.1)、选择将要研究的路网G，获取该路网的道路拓扑结构，在各信号交叉口的进口道和出口道位置设计安装检测器，获取路网内各交叉口实际交通流数据，包括：相邻交叉口间的车道数N、车流量Q、车流分支数h、平均行程时间T；

1.2)、基于获取的道路拓扑结构以及实际交通流数据，计算相邻交叉口之间的交通关联度，相邻交叉口i和交叉口j之间的交通关联度计算公式如下：

其中，w_ij是相邻交叉口i与交叉口j之间的交通关联度；I_f为路段流量不均衡系数；h为来自上游交叉口的车流驶入的分支数；

为到达下游交叉口的车流量总和；Q_max为来自上游交叉口车流驶入分支中最大的车流量，为Q_s中的最大值；T为车辆在两个相邻交叉口之间的平均行程时间；N为由上游交叉口驶向下游交叉口的车道数；

1.3)、根据相邻信号交叉口之间的关联度信息，计算路网G的密度拉普拉斯矩阵L，构建聚类特征矩阵X，对聚类特征矩阵X进行快速全局K-means聚类，将属于同一聚类的信号交叉口划分到同一个控制子区内。

3.根据权利要求1所述的考虑扰动的城市交通区域迭代学习边界控制方法，其特征在于，绘制划分后路网子区的宏观基本图的步骤包括：

2.1)、采集待研究区域从低峰状态到高峰状态的车辆数据，获取满足宏观基本图绘制条件的路网中主要道路的车辆数，统计出t时刻时区域内的车辆数N；

2.2)、对获取的车辆数据进行处理，剔除明显误差的数据点，获取有效的宏观基本图样本值；

2.3)、以路网内采样时间间隔Δt时刻的累计车辆总数N为横坐标，以路网内采样时间间隔Δt内驶离路网的车辆总数为纵坐标，绘制路网MFD散点图，并根据散点数据对路网的MFD曲线进行拟合，得到待研究区域的MFD曲线以及该区域的临界累计车辆数N_cr。

4.根据权利要求1所述的考虑扰动的城市交通区域迭代学习边界控制方法，其特征在于，构建考虑扰动后的车辆平衡方程的步骤包括：

3.1)、设一个城市路网，根据车流密度或其他相关性参数划分为若干个具有良好定义的宏观基本图子区，各子区之间交通流的流入流出相对稳定，子区1是处于过饱和状态或极易发生交通拥堵的区域，子区2为其外围区域，则车辆动态平衡方程表示为：

其中，x_ij(t)为t时刻子区i中以子区j为目的地的累计车辆数；q₁₁(t)为t时刻子区1的内部交通需求；q_ij(t)为t时刻子区i到子区j的交通流率；u_ij(t)为t时刻子区i到子区j的边界控制率；x₁(t)为t时刻子区1的累计车辆数；G₁(x₁(t))为子区1内累计车辆数到达x₁(t)时的旅行车辆完成量；

3.2)、设置控制区域边界和边界控制闸门，考虑实际城市交通系统运行中易对累计车辆数造成影响的三种扰动形式：(a)车辆进出停车场，(b)行人乱穿马路，(c)突发交通事故；

3.3)、采用边界控制方法计算过程中，在当前控制周期T内，每个信号周期的相位绿灯时长保持不变，直到下一控制周期时，再根据上一控制周期计算得到的绿灯时长进行调整，将加入扰动后的车辆平衡方程的离散化得：

其中，T为采样周期，q_ξij(k)为影响车辆行驶状态或路网累计车辆数的扰动；η(k)为子区内数据采集设备输出产生的误差。

5.根据权利要求2所述的考虑扰动的城市交通区域迭代学习边界控制方法，其特征在于，判断路网运行状态的步骤中，包括步骤：

4.1)、根据路网MFD特性，路网内累计车辆数存在一个临界值，当累计车辆数达到临界值附近的预设阈值范围时，路网内的旅行车辆完成量最大；当实际累计车辆数小于预设阈值范围的最小值时，路网则处于畅通状态，旅行车辆完成量随着累计车辆数的增加而增加；而一旦实际累计车辆数大于预设阈值范围的最大值，则该路网内的旅行车辆完成量会下降，从而该区域的交通会陷入拥堵状态；

4.2)、若路网中的累计车辆数大于临界累计车辆数N_cr，则认为此时路网处于拥堵状态，将该区域最外围的信号交叉口视为边界节点，对该区域实施边界控制；若路网中的累计车辆数小于临界累计车辆数N_cr，则继续监测路网运行状态。

6.根据权利要求1所述的考虑扰动的城市交通区域迭代学习边界控制方法，其特征在于，在对不同程度扰动作用下的路网实施边界控制，利用城市交通流的重复特性，引入迭代控制方案，根据迭代学习控制得到的绿灯时长增量与非对称信号配时策略结合设置边界交叉口各相位绿灯时长，使得路网内实际车辆数与期望车辆数的误差值逐渐减小，直到达到理想状态的步骤中，包括步骤：

5.1)、为了满足行人过街时间，信号周期因素的影响，交通信号各相位绿灯时长必须设置在一个合理的范围内，即迭代学习控制后的控制输入能够满足实际交通情况：

u_n(k)∈[u_min(k),u_max(k)]

5.2)、为了减少扰动对控制系统性能的影响，增强系统的鲁棒性，迭代控制方案采取开闭环PD型迭代，迭代学习控制律如下：

u_n+1(k)＝sat[u_n(k)]+β₁(e_n(k+1)-e_n(k))+β₂e_n+1(k)

其中，u_n(k)为控制输入，sat[u_n(t)]为控制输入的饱和函数；β₁为迭代学习增益，β₂为反馈控制增益；

5.3)、在路网未进入拥堵状态时，期望曲线设置为固定配时的累计车辆数；当路网累计车辆数超过临界累计车辆数时，期望曲线都设置为临界累计车辆数；

5.4)、第一次迭代采用原有固定配时方案，从第二次迭代开始与上一次采集的累计车辆数做误差，计算当前时刻的控制输入，根据迭代学习控制得到的绿灯时长增量与非对称信号配时策略结合设置边界交叉口各相位绿灯时长，即g_k+1(t)＝g_k(t)+Δu；

5.5)、在当前控制周期内，每个信号周期的相位绿信比保持不变，到下一控制周期时，根据下一控制周期计算得到的绿信比进行调整。

Images