CN113724510B - 一种应急信号优先与社会车辆动态路径诱导协同优化方法 - Google Patents

一种应急信号优先与社会车辆动态路径诱导协同优化方法 Download PDF

Info

Publication number
CN113724510B
CN113724510B CN202110830390.5A CN202110830390A CN113724510B CN 113724510 B CN113724510 B CN 113724510B CN 202110830390 A CN202110830390 A CN 202110830390A CN 113724510 B CN113724510 B CN 113724510B
Authority
CN
China
Prior art keywords
intersection
emergency
emergency rescue
road network
vehicle
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
CN202110830390.5A
Other languages
English (en)
Other versions
CN113724510A (zh
Inventor
王晨
徐嗣轩
许跃如
刘阳
戴宇露
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202110830390.5A priority Critical patent/CN113724510B/zh
Publication of CN113724510A publication Critical patent/CN113724510A/zh
Application granted granted Critical
Publication of CN113724510B publication Critical patent/CN113724510B/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
    • G08G1/07—Controlling traffic signals
    • G08G1/087—Override of traffic control, e.g. by signal transmitted by an emergency vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/081—Plural intersections under common control
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种应急信号优先与社会车辆动态路径诱导协同优化方法，基于复杂网络理论构造路网韧性能力指标；将韧性能力较低的节点删除。在此基础上构建应急救援路径双层规划模型，上层目标是最大化应急信号优先对应急救援车辆延误的减少量，使得应急救援车辆的行程延误最小；下层目标是优化交通流分配，使得社会车辆的行程时间最小。应急车辆每通过一个交叉口后根据当前路网交通状态更新子网路、应急救援路径、应急信号优先策略以及社会车辆诱导方案，直至抵达事故地点。本发明考虑了应急救援任务对路网韧性能力的负面影响，构建双层规划模型实现应急救援效率与社会车辆通行效率之间的博弈均衡，有效避免路网级联失效甚至二次交通事故的发生。

Description

一种应急信号优先与社会车辆动态路径诱导协同优化方法
技术领域
本发明涉及一种应急信号优先与社会车辆动态路径诱导协同优化方法，属于智能交通技术领域。
背景技术
目前国内应急突发事件的数量日益渐增，如何有效制定合理的应急救援路径以及应急信号优先策略已成为缓解应急事件人员伤亡和财产损失的有效解决方案。目前，我国在提升道路交通事故应急处理能力方面已初见成效，但距一流水平仍有差距，特别是对事故应急快速响应关键技术的(如救援车辆路径优化、应急事件场景下的社会车辆诱导等)研究不足，造成应急处理科学性不强且大量依赖人力等问题。应急信号优先策略的优化是应急救援与疏散工作中的重要科学技术问题，由于应急车辆的绝对优先往往会对社会车辆的通行效率造成一定的负面影响，尤其是在整体路网的流量较大时，盲目的为应急车辆提供绝对优先通行权可能会引发路网内交通拥堵与交叉口级联失效，甚至诱发二次事故，此时针对社会车辆的路径诱导效果将会直接影响应急救援效率。另外，由于路网交通状态实时改变，为了保障应急救援效率，应急救援路径应能实现动态调整。
传统的应急车辆路径规划极少考虑路网交通状态的动态改变。假定车辆在路段上的行驶时间不随路网交通状态改变而改变，根据静态的路网交通流数据计算行驶时间，并以几何距离、道路质量为依据计算行程阻抗。方法包括Dijkstra算法、A*算法、D*Lite算法等，这些算法通常是为应急救援车辆寻找一条最短路径，并未考虑应急信号优先对路网韧性能力造成的负面影响。
大部分路径规划研究主要关注起点与终点位置，且假设路网内的交通状态是静态不变的，因此应急救援路径一旦确定便不再发生改变。然而事实上随着交通流状态的改变应急车辆在实际行驶过程中往往会根据当前路况动态选择行驶路径，吕伟等在《考虑受灾点需求时间窗的应急物资配送车辆路径规划研究》中提出一种考虑软硬时间窗约束的应急物资车辆配送路径方案生成模型。前期对路网数据预处理，形成配送中心到受灾点的多对多时间最短路径集合，后期以应急物资配送的总延迟时间最短、软时间窗的惩罚成本最小、硬时间窗的不满足个数最少为目标构建优化模型，并利用遗传算法进行求解。该方法并未考虑路网内交通流的动态变化，实际情况中应急车辆容易受到复杂交通状况的影响从而导致救援任务失败。杨兆升等在论文《城市路网下应急救援路径选择方法》中针对突发灾害造成的城市道路损毁、交通阻塞等多种不确定性、随机性特点，引入路网可靠性、行程时间可靠性等影响因素，结合城市路网交通分配的时变性，建立了一种基于双层规划思想的应急救援路径选择模型，并模拟突发灾害环境，对构建的模型进行模拟仿真分析。但该方法并未考虑路网内交通流的真实变化情况，无法实现应急救援路径的动态更新。
在专利CN202010769049.9《基于双层规划的应急救援调度与动态路径集成方法》中，基于双层规划的应急救援调度与动态路径集成方法，通过充分考虑不同的优先等级应急车辆和实时变化的交通环境，在考虑影响应急车辆调度和动态路径引导因素的基础上，建立基于双层规划的应急救援调度与动态路径集成方案，实现应急车辆实时避开交通拥堵，快速到达目的地，提高应急救援运行效率。但该路径规划方法没有考虑应急信号优先以及其对路网韧性能力带来的负面影响，且该路径规划方法在路网规模较大时计算效率相对较低，难以满足应急救援实时性要求。
在专利CN201711000650.6《面向紧急救援车辆行驶路径的交通信号协调控制优化方法》中涉及一种面向紧急救援车辆行驶路径的交通信号协调控制优化方法，包括紧急救援优先等级划分、路径类型划分、信号优先控制、信号协调控制、双层规划模型，以路径为研究对象进行相关的协调控制研究；首先，进行紧急救援特征及目标分析；进而，基于双层规划模型，研究不同路径形态下上层的动态相位差和下层的路径绿波协调，但该方法并未考虑其它应急信号优先策略的效果对应急救援车辆延误的影响。
目前针对应急救援路径规划的研究还存在如下缺点：
1、大部分针对应急救援的研究没有考虑应急信号优先对路网韧性能力的负面影响，仅以完成救援任务为唯一目标。随着我国城市化的不断发展，机动车保有量不断增加，路网内的交通压力也在不断增大，传统的应急救援路径规划方法可能会引发路网内交通拥堵与交叉口级联失效，甚至诱发二次事故。
2、大部分针对应急救援的研究主要集中在应急救援资源的调度和应急救援路径的规划上，针对应急信号优先策略的优化和应急事件场景下社会车辆的路径诱导的研究相对较少。
3、针对双层规划的研究大部分使用启发式算法进行路径寻优，一旦路网规模增大时计算耗时较长，难以满足应急救援任务的实时性要求。
4、大部分针对应急救援对交通状态的动态变化考虑不足。事实上路网交通状态的实时动态变化对应急救援路径的影响较大，在实际救援任务中应急车辆容易受到复杂交通状况的影响从而导致救援任务失败。
发明内容
本发明所要解决的技术问题是：提供一种应急信号优先与社会车辆动态路径诱导协同优化方法，基于双层规划思想，在为应急车辆提供应急信号优先的同时，对社会车辆进行路径诱导(根据动态交通流数据，根据应急信号优先所导致的交通需求变化动态调整社会车辆诱导方案)，最小化路网整体行程时间。通过实时更新路网交通流运行状态并动态调整应急信号优先策略以及社会车辆路径诱导方案，保障应急救援车辆执行任务过程中的安全与效率。
本发明为解决上述技术问题采用以下技术方案：
一种应急信号优先与社会车辆动态路径诱导协同优化方法，包括如下步骤：
步骤1，记录应急救援车辆出发地位置P1、应急救援目的地位置PN；
步骤2，确定应急救援车辆当前所在路网的交叉口为k，k＝1,…,N，设定应急救援车辆出发地位置的交叉口为k＝1，获取路网中所有路段上的交通状态信息；
步骤3，基于复杂网络理论构造路网中所有交叉口的韧性能力指标，并按从大到小的顺序对所有交叉口的韧性能力指标进行排序，将排序后10％的交叉口剔除，生成子网络；
步骤4，输入应急救援车辆当前所在交叉口k以及应急救援目的地位置PN，利用Dijkstra算法在子网络中找到一条当前所在交叉口k至目的地位置PN的最短行程时间路径，作为应急救援路径；
步骤5，基于卡尔曼滤波模型步进式预测应急救援车辆到达下一个交叉口停车线的时间，并获得车辆到达时刻对应的信号相位情况，作为双层规划上层模型的输入；
步骤6，根据获取的路网交通状态信息，构造基于信号优先控制策略的目标函数，最小化应急救援车辆的延误，保障应急救援任务的时效性；
步骤7，分析补充上层约束条件；
步骤8，利用粒子群算法求解上层应急车辆路径引导的优化方程即基于信号优先控制策略的目标函数，获得应急信号优先相位控制模式以及信号调整时长作为下层模型的输入；
步骤9，根据获取的路网交通状态信息，基于用户均衡理论构造路网社会车辆行程时间最短交通流分配优化模型，作为双层规划的下层目标函数；
步骤10，分析补充下层约束条件；
步骤11，采用迭代加权法对下层目标函数进行求解，获得路网各路段上的流量，返回步骤6；
步骤12，当应急救援车辆通过当前交叉口的下一个交叉口时，判断该交叉口是否为应急救援目的地位置PN；如果是，则终止计算；如果不是，则返回步骤2。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1、本发明在智能网联环境下，在考虑路网韧性能力的条件下实现了应急救援路径的动态更新。同时，基于双层规划的思想，实现了应急救援车辆的优先通行与路网社会车辆总行程时间的博弈均衡。
2、本发明在双层规划模型的上层对应急信号优先策略以及配时进行优化，减小应急救援车辆的行驶延误；在双层规划模型的下层考虑应急信号优先造成的额外延误的前提下对社会车辆进行诱导，优化交通流分配，减小社会车辆的行程时间。
3、本发明在应急救援车辆每经过一个交叉口更新一次应急信号优先策略并调整社会车辆诱导方案，在网联环境下有效保障了路网整体通行效率以及应急救援成功率，为多源信息环境下道路交通事故应急处理技术的发展奠定基础。
附图说明
图1是本发明一种应急信号优先与社会车辆动态路径诱导协同优化方法的流程图。
图2是本发明实施例的仿真效果图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本发明提出一种应急信号优先与社会车辆动态路径诱导协同优化方法研究对象为车路协同环境下进行应急救援任务的网联车辆。该方法面向智能网联环境，当应急车辆执行应急救援任务时，可获取路网中的交通状态并通过V2I(Vehicle to Infrastructure)通信技术向应急车辆行驶路径上的交叉口信号灯发送信号优先协同请求。同时利用可变信息板，电子标志标线等设备对社会车辆进行路径诱导。该方法基于双层规划的思想，在为应急车辆提供应急信号优先的同时，对社会车辆进行路径诱导，最小化路网整体行程时间。上层决策为最大化应急信号优先对应急救援车辆延误的减少量，确保救援效率。下层决策为最小化社会车辆的行程时间，优化交通流分配。
如图1所示，为本发明一种应急信号优先与社会车辆动态路径诱导协同优化方法的流程图，包括以下步骤：
S1.记录应急救援车辆的出发地位置P1、应急救援目的地位置PN；
S2.确定当前应急救车辆所属交叉口Pk，假设车辆初始位置所属交叉口k＝1，获取路网中各路段上的流量、密度等交通状态信息；
S3.首先基于复杂网络理论构造路网韧性能力指标，对路网交叉口的韧性能力从小到大排序，将路网中韧性能力较小(交叉口总数后10％)的交叉口剔除，生成子网络；
具体步骤如下：
S3-1.构造路段权重指标：
Figure BDA0003175322200000061
式中：W1i表示路段i的权重；Li表示路段i总长度；qi表示路段i的交通量；ci表示路段i的通行能力。
S3-2.构造交叉口权重指标：
W2j＝∑Whj+ST
其中，W2j表示交叉口j的权重；Whj表示与交叉口j连接的第h个路段的权重，ST＝(N-1)/∑Wjg为路网的紧密度指标，N表示路网中所有交叉口的个数，N-1表示路网中除当前车辆所需通过的交叉口外，路网中其余交叉口的个数，Wjg表示交叉口j到其他所有能够达到交叉口g的路段权重。
S3-3.构造交叉口介数指标：
Figure BDA0003175322200000062
式中，
Figure BDA0003175322200000068
表示交叉口j的介数；V为路网中所有交叉口的集合；eml表示交叉口m到交叉口l间最短路的个数；eml(j)表示连接任意交叉口m和交叉口l且经过交叉口j的最短路径个数。
S3-4.构造路网有效性指标：
Figure BDA0003175322200000063
E1表示路网有效性。交叉口剔除前后路网有效性的变化值为：
Figure BDA0003175322200000064
其中，VEa表示路网有效性评价指标；
Figure BDA0003175322200000065
为交叉口失效前的路网有效性，可利用S3-4公式计算得到；
Figure BDA0003175322200000066
为交叉口剔除后的路网有效性，同理可利用S3-4公式计算得到。
S3-5.构造路网全局效率指标：
Figure BDA0003175322200000067
路网全局效率可由交叉口介数效率的均值衡量，则交叉口剔除前后路网全局效率的变化值为：
Figure BDA0003175322200000071
其中，VEb表示路网全局效率评价指标；
Figure BDA0003175322200000072
为交叉口剔除前的路网全局效率；
Figure BDA0003175322200000073
为交叉口剔除后的路网有效性。
S3-6.构造路网韧性能力评价指标：
Figure BDA0003175322200000074
VV的值大小表示路网中交叉口的韧性能力，其值越大，则路网韧性能力越强，否则越弱。
S3-7.根据路网韧性能力评价指标，对路网中各交叉口的韧性能力评价指标VV值的大小进行排序，将路网韧性能力较小(交叉口总数后10％)的交叉口从路网中剔除。从而有效避免当对这些交叉口采取应急信号优先可能导致的交叉口堵塞。
S4.输入当前应急救援车辆所属交叉口Pk以及应急救援目的地位置PN，利用Dijkstra在子网络中找到一条当前交叉口至终点的最短行程时间路径，作为应急救援路径；
计算最短路径时的目标函数Z具体如下：
Figure BDA0003175322200000075
Figure BDA0003175322200000076
其中，A为子网络中的路段集合，路段a∈A在路段流量为xa下的行驶时间记为ta(xa)。La表示当前行驶路段的长度，
Figure BDA0003175322200000077
表示理想状态下应急救援车辆应保持的行驶速度，
Figure BDA0003175322200000078
表示应急救援车辆的延误时间。Cj为交叉口j的信号周期，
Figure BDA0003175322200000079
为应急救援车辆当前行驶方向上交叉口j处的绿信比，
Figure BDA00031753222000000710
为路段a上流向交叉口j的流量，
Figure BDA00031753222000000711
为应急救援车辆行驶方向上交叉口j处的饱和度，应急救援车辆行驶方向上交叉口j处其它社会车辆的延误时间为
Figure BDA0003175322200000081
S5.基于卡尔曼滤波模型步进式预测应急救援车辆到达交叉口停车线的时间，并获得车辆到达时刻对应的信号相位情况，作为双层规划上层模型的输入；
S6.构造基于信号优先控制策略的目标函数，最小化应急救援车辆的延误，保障应急救援任务的时效性；
上层模型解决信号优先控制策略优化问题，以应急救援车辆延误减少量最大为优化目标：
Figure BDA0003175322200000082
Figure BDA0003175322200000083
表示应急信号优先导致的应急车辆延误减少量。具体由以下步骤得出：
S6-1.红灯缩短策略下信号优先条件下应急救援车辆延误减少量的计算公式如下：
Figure BDA0003175322200000084
其中，Δt为红灯缩短时间，r1为当前相位的有效红灯时间。
S6-2.绿灯延长策略下信号优先条件下应急救援车辆延误减少量的计算公式如下：
Figure BDA0003175322200000085
其中，Δt'为绿灯延长时间，r1为当前相位的有效红灯时间。
S7.分析补充上层约束条件；具体包括：
S7-1.最大饱和度约束。
随着周期的增加，通行能力增加，延误增加，由于目标函数为延误最小，最大饱和度约束χmax保障了一个可接受的通行能力值，即：
Figure BDA0003175322200000086
S7-2.信号周期约束。
受信号机控制参数阈值等因素的影响，信号周期存在最小与最大约束，即：
Cmin≤Cj≤Cmax
其中，Cj代表交叉口j处的信号周期，Cmin代表信号交叉口j处的最小信号周期，Cmax代表信号交叉口j处的最大信号周期。
S8.利用粒子群算法求解上层应急车辆路径引导的优化方程，获得应急信号优先相位控制模式以及信号调整时长(红灯缩短时长或绿灯延长时长)作为下层模型的输入；
S9.根据获取的路网交通状况，基于用户均衡理论构造路网社会车辆行程时间最短交通流分配优化模型，作为双层规划的下层目标函数：
Figure BDA0003175322200000091
其中，ta′(xa)表示社会车辆在路段a上的行程时间，da(xa)表示采用应急信号优先策略对社会车辆造成的延误时间。具体如下：
S9-1.社会车辆行程时间
Figure BDA0003175322200000092
其中，
Figure BDA0003175322200000097
表示路段a在自由流状态(交通量极小，车辆可以“自由”行驶的状态)下的行驶时间，Ca是指路段a的通行能力。
S9-2.绿灯延长时间信号优先策略下，与应急车辆同向或对向的社会车辆交通流延误减少量对交通分配模型的影响
Figure BDA0003175322200000093
S9-3.绿灯延长时间信号优先策略下，与应急车辆侧向(假设应急救援车辆的行驶方向为南北方向，侧向代表东西或西东方向的社会车辆)的社会车辆交通流延误增加量对交通分配模型的影响
Figure BDA0003175322200000094
S9-4.红灯缩短时间信号优先策略下，与应急车辆同向或对向的社会车辆交通流延误减少量对交通分配模型的影响
Figure BDA0003175322200000095
S9-5.红灯缩短时间信号优先策略下，与应急车辆侧向的社会车辆交通流延误增加量对交通分配模型的影响
Figure BDA0003175322200000096
S10.分析补充下层约束条件；具体包括：
S10-1.路径和OD(Origin-Destination，起点-终点，代表起点与终点间的出行量)对之间交通量恒等约束：
Figure BDA0003175322200000101
其中，qrs表示OD对(r,s)间所有路径的总交通量，r为OD对起点，s为OD对终点。OD对(r,s)上第n条路径的交通量记为
Figure BDA0003175322200000102
S10-2.路段-路径恒等约束：
Figure BDA0003175322200000103
其中，若OD对(r,s)上的第n条路径经过路段a，则
Figure BDA0003175322200000104
否则，
Figure BDA0003175322200000105
S10-3.路段流量和路径流量的非负约束：
xa≥0,a∈A
Figure BDA0003175322200000106
S11.采用迭代加权法(method of successive averages，MSA)对下层模型进行求解，获得路网各路段上的流量，返回S6；
S12.当应急救援车辆通过交叉口时，判断该交叉口是否为应急救援目的地位置PN。如果是，则终止计算。如果不是，则返回S2，更新当前应急救援路径。
如图2所示，为仿真效果图。本发明利用Dijkstra算法生成初始应急救援路径，其路径结果如图中虚线所示(应急救援路径起点见图中“起点位置”)。初始路径并未考虑路网交通流的动态变化以及应急救援任务对路网造成的局部堵塞等现象。利用本发明提出的算法可对应急救援路径进行动态更新，同时通过剔除韧性能力较低(交叉口总数后10％)以及对社会车辆进行诱导从而降低应急信号优先对路网的负面影响。动态更新后的应急救援路径如图中实线所示(应急救援路径终点见图中“终点位置”)。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (1)

1.一种应急信号优先与社会车辆动态路径诱导协同优化方法，其特征在于，包括如下步骤：
步骤1，记录应急救援车辆出发地位置P1、应急救援目的地位置PN；
步骤2，确定应急救援车辆当前所在路网的交叉口为k，k＝1,…,N，设定应急救援车辆出发地位置的交叉口为k＝1，获取路网中所有路段上的交通状态信息；
步骤3，基于复杂网络理论构造路网中所有交叉口的韧性能力指标，并按从大到小的顺序对所有交叉口的韧性能力指标进行排序，将排序后10％的交叉口剔除，生成子网络；
具体过程如下：
3.1，构造路段权重指标：
Figure FDA0003714784290000011
其中，W1i表示路段i的权重，Li表示路段i的长度，qi表示路段i的交通量，ci表示路段i的通行能力；
3.2，构造交叉口权重指标：
W2j＝∑Whj+ST
其中，W2j表示交叉口j的权重，Whj表示与交叉口j连接的第h个路段的权重，ST为路网的紧密度指标，ST＝(N-1)/∑Wjg，N为路网中所有交叉口的个数，Wjg表示交叉口j到其他所有能够达到的交叉口g之间路段的权重；
3.3，构造交叉口介数指标：
Figure FDA0003714784290000012
其中，
Figure FDA0003714784290000013
表示交叉口j的介数，V为路网中所有交叉口的集合，eml表示交叉口m到交叉口l间最短路径的个数，eml(j)表示连接交叉口m和交叉口l且经过交叉口j的最短路径个数，m、l为V中的任意两个交叉口；
3.4，构造路网有效性指标：
Figure FDA0003714784290000021
则某交叉口剔除前后路网有效性的变化值为：
Figure FDA0003714784290000022
其中，E1表示路网有效性指标，VEa表示某交叉口剔除前后路网有效性的变化值，
Figure FDA0003714784290000023
表示某交叉口剔除前的路网有效性，
Figure FDA0003714784290000024
表示某交叉口剔除后的路网有效性；
3.5，构造路网全局效率指标：
Figure FDA0003714784290000025
则某交叉口剔除前后路网全局效率的变化值为：
Figure FDA0003714784290000026
其中，E2表示路网全局效率指标，VEb表示某交叉口剔除前后路网全局效率的变化值，
Figure FDA0003714784290000027
表示某交叉口剔除前的路网全局效率，
Figure FDA0003714784290000028
表示某交叉口剔除后的路网全局效率；
3.6，构造路网某交叉口的韧性能力指标：
Figure FDA0003714784290000029
其中，VV表示路网某交叉口的韧性能力指标；
3.7，按从大到小的顺序对所有交叉口的韧性能力指标进行排序，将排序后10％的交叉口剔除，生成子网络；
步骤4，输入应急救援车辆当前所在交叉口k以及应急救援目的地位置PN，利用Dijkstra算法在子网络中找到一条当前所在交叉口k至目的地位置PN的最短行程时间路径，作为应急救援路径；
其中，找到最短行程时间路径的目标函数Z为：
Figure FDA00037147842900000210
Figure FDA0003714784290000031
其中，A为子网络中所有路段的集合，ta(xa)表示路段a在路段流量为xa下的行驶时间，La表示路段a的长度，
Figure FDA0003714784290000032
表示理想状态下应急救援车辆应保持的行驶速度，
Figure FDA0003714784290000033
表示应急救援车辆的延误时间，Cj为交叉口j的信号周期，
Figure FDA0003714784290000034
为应急救援车辆当前行驶方向上交叉口j处的绿信比，
Figure FDA0003714784290000035
为路段a上流向交叉口j的流量，
Figure FDA0003714784290000036
为应急救援车辆行驶方向上交叉口j处的饱和度；
步骤5，基于卡尔曼滤波模型步进式预测应急救援车辆到达下一个交叉口停车线的时间，并获得车辆到达时刻对应的信号相位情况，作为双层规划上层模型的输入；
步骤6，根据获取的路网交通状态信息，构造基于信号优先控制策略的目标函数，最小化应急救援车辆的延误，保障应急救援任务的时效性；具体过程如下：
上层模型解决信号优先控制策略优化问题，以应急救援车辆延误减少量最大为优化目标：
Figure FDA0003714784290000037
其中，F1表示应急救援车辆延误减少量，
Figure FDA0003714784290000038
表示应急信号优先导致的应急救援车辆延误减少量，A为子网络中所有路段的集合，a表示A中的路段；
1)采用缩短红灯时长的信号优先策略时，应急救援车辆延误减少量
Figure FDA0003714784290000039
的计算公式如下：
Figure FDA00037147842900000310
其中，Δt为红灯缩短时间，r1为当前相位的有效红灯时间，
Figure FDA00037147842900000311
为应急救援车辆行驶方向上交叉口j处的饱和度；
2)采用延长绿灯时长的信号优先策略时，应急救援车辆延误减少量
Figure FDA00037147842900000313
的计算公式如下：
Figure FDA00037147842900000312
其中，Δt'为绿灯延长时间；
步骤7，分析补充上层约束条件；其中，上层约束条件包括：
1)最大饱和度约束：
Figure FDA0003714784290000041
2)信号周期约束：
Cmin≤Cj≤Cmax
其中，
Figure FDA0003714784290000042
为应急救援车辆行驶方向上交叉口j处的饱和度，χmax为最大饱和度，Cj为交叉口j的信号周期，Cmin、Cmax分别表示信号交叉口j处的最小、最大信号周期；
步骤8，利用粒子群算法求解基于信号优先控制策略的目标函数，获得应急信号优先相位控制模式以及信号调整时长作为下层模型的输入；
步骤9，根据获取的路网交通状态信息，基于用户均衡理论构造路网社会车辆行程时间最短交通流分配优化模型，作为双层规划的下层目标函数；具体过程如下：
构造路网社会车辆行程时间最短交通流分配优化模型，作为双层规划的下层目标函数：
Figure FDA0003714784290000043
其中，F2表示社会车辆的总行程时间，ta′(xa)表示社会车辆在路段a上的行程时间，da(xa)表示采用应急信号优先策略对社会车辆造成的延误时间，A为子网络中所有路段的集合，a表示A中的路段；
Figure FDA0003714784290000044
其中，
Figure FDA0003714784290000045
表示路段a在自由流状态下的行驶时间，Ca表示路段a的通行能力，xa表示路段a的流量；
1)绿灯延长时间信号优先策略下，与应急车辆同向或对向的社会车辆交通流延误减少量对交通分配模型的影响为：
Figure FDA0003714784290000046
2)绿灯延长时间信号优先策略下，与应急车辆行驶方向垂直的方向上的社会车辆交通流延误增加量对交通分配模型的影响为：
Figure FDA0003714784290000051
3)红灯缩短时间信号优先策略下，与应急车辆同向或对向的社会车辆交通流延误减少量对交通分配模型的影响为：
Figure FDA0003714784290000052
4)红灯缩短时间信号优先策略下，与应急车辆行驶方向垂直的方向上的社会车辆交通流延误增加量对交通分配模型的影响为：
Figure FDA0003714784290000053
其中，Δt'为绿灯延长时间，Δt为红灯缩短时间，
Figure FDA0003714784290000054
为路段a上流向交叉口j的流量，r1为当前相位的有效红灯时间，r2为下一相位的有效红灯时间，
Figure FDA0003714784290000055
为应急救援车辆行驶方向上交叉口j处的饱和度；
步骤10，分析补充下层约束条件；其中，下层约束条件包括：
1)路径和OD对之间交通量恒等约束：
Figure FDA0003714784290000056
其中，qrs表示OD对(r,s)间所有路径的总交通量，r为OD对起点，s为OD对终点，
Figure FDA0003714784290000057
表示OD对(r,s)上第n条路径的交通量；
2)路段-路径恒等约束：
Figure FDA0003714784290000058
其中，xa表示路段a的流量，
Figure FDA0003714784290000059
表示OD对(r,s)上的第n条路径是否经过路段a，若经过则
Figure FDA00037147842900000510
否则
Figure FDA00037147842900000511
A为子网络中所有路段的集合，a表示A中的路段；
3)路段流量和路径流量的非负约束：
Figure FDA00037147842900000512
步骤11，采用迭代加权法对下层目标函数进行求解，获得路网各路段上的流量，返回步骤6；
步骤12，当应急救援车辆通过下一个交叉口时，判断该交叉口是否为应急救援目的地位置PN；如果是，则终止计算；如果不是，则返回步骤2，更新当前应急救援路径。
CN202110830390.5A 2021-07-22 2021-07-22 一种应急信号优先与社会车辆动态路径诱导协同优化方法 Active CN113724510B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110830390.5A CN113724510B (zh) 2021-07-22 2021-07-22 一种应急信号优先与社会车辆动态路径诱导协同优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110830390.5A CN113724510B (zh) 2021-07-22 2021-07-22 一种应急信号优先与社会车辆动态路径诱导协同优化方法

Publications (2)

Publication Number Publication Date
CN113724510A CN113724510A (zh) 2021-11-30
CN113724510B true CN113724510B (zh) 2022-08-16

Family

ID=78673681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110830390.5A Active CN113724510B (zh) 2021-07-22 2021-07-22 一种应急信号优先与社会车辆动态路径诱导协同优化方法

Country Status (1)

Country Link
CN (1) CN113724510B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114141017B (zh) * 2021-12-14 2022-09-27 北京航空航天大学 一种考虑长短期路段性能的道路韧性衡量方法
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
CN114283594B (zh) * 2021-12-31 2023-03-21 淮阴工学院 一种动态调整的特种车辆路径优化方法
CN115063988B (zh) * 2022-05-05 2023-06-02 北京联合大学 一种应急车辆优先的跨交通子区信号协同控制方法
CN114882715B (zh) * 2022-05-07 2023-05-23 郑州航空工业管理学院 一种应急交通运行分阶段优化方法
CN115620513B (zh) * 2022-09-20 2023-10-03 东南大学 基于韧性分析的城市道路网络状态监测方法及可视化系统
CN116307260B (zh) * 2023-05-11 2023-08-08 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) 一种面向缺陷路段扰动的城市路网韧性优化方法及系统
CN116504375B (zh) * 2023-06-29 2023-10-17 江西江铃汽车集团改装车股份有限公司 一种救护车智慧管理方法及系统
CN117475653B (zh) * 2023-12-27 2024-03-26 山东华夏高科信息股份有限公司 一种基于远程控制的智慧交通信号灯管理系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109389825A (zh) * 2018-11-26 2019-02-26 武汉理工光科股份有限公司 基于最短路径的消防救援路线最优化方法
CN111882909A (zh) * 2020-08-03 2020-11-03 上海理工大学 基于双层规划的应急救援调度与动态路径集成方法
CN112071060A (zh) * 2020-08-27 2020-12-11 华南理工大学 一种基于城市路网交通环境变化的应急救援路径规划方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109389825A (zh) * 2018-11-26 2019-02-26 武汉理工光科股份有限公司 基于最短路径的消防救援路线最优化方法
CN111882909A (zh) * 2020-08-03 2020-11-03 上海理工大学 基于双层规划的应急救援调度与动态路径集成方法
CN112071060A (zh) * 2020-08-27 2020-12-11 华南理工大学 一种基于城市路网交通环境变化的应急救援路径规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
城市应急车辆调度模型优化研究;赵韩涛等;《交通运输系统工程与信息》;20100815(第04期);全文 *
城市路网下应急救援路径选择方法;杨兆升等;《哈尔滨工程大学学报》;20131021(第12期);全文 *

Also Published As

Publication number Publication date
CN113724510A (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN113724510B (zh) 一种应急信号优先与社会车辆动态路径诱导协同优化方法
CN108847037B (zh) 一种面向非全局信息的城市路网路径规划方法
Celtek et al. Real-time traffic signal control with swarm optimization methods
Wei et al. Colight: Learning network-level cooperation for traffic signal control
Rasheed et al. Deep reinforcement learning for traffic signal control under disturbances: A case study on Sunway city, Malaysia
CN112365724B (zh) 一种基于深度强化学习的连续交叉口信号协同控制方法
CN109959388B (zh) 一种基于栅格扩展模型的智能交通精细化路径规划方法
CN103996289B (zh) 一种流量-速度匹配模型及行程时间预测方法及系统
CN112629533B (zh) 基于路网栅格化道路车流预测的精细化路径规划方法
CN112216130B (zh) 一种车路协同环境下的应急车辆诱导方法
CN109300326A (zh) 一种基于实时gps的公交短时动态调度方法
Chen et al. Dynamic traffic light optimization and Control System using model-predictive control method
CN117804490B (zh) 一种车辆运行路线的综合规划方法及装置
Kuang et al. Real-Time Traffic Signal Intelligent Control with Transit-Priority.
Liu et al. Trade-offs between bus and private vehicle delays at signalized intersections: Case study of a multiobjective model
Cheng et al. The adaptive road routing recommendation for traffic congestion avoidance in smart city
Sun et al. KeyLight: Intelligent Traffic Signal Control Method Based on Improved Graph Neural Network
Nishikawa et al. Improvements of the traffic signal control by complex-valued Hopfield networks
Agafonov et al. Adaptive traffic signal control based on maximum weighted traffic flow
Greguric et al. A neuro-fuzzy based approach to cooperative ramp metering
Ma et al. Feudal multi-agent reinforcement learning with adaptive network partition for traffic signal control
CN111611332B (zh) 航线中转的优化方法及系统
Kammer Coordinated heavy truck platoon routing using global and locally distributed approaches
Rida et al. Coordinated Signal Control System in Urban Road Network
Wang et al. Xrouting: Explainable vehicle rerouting for urban road congestion avoidance using deep reinforcement learning

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