CN113781772B - 一种点对点迭代学习与模型预测的交通信号混合控制方法 - Google Patents
一种点对点迭代学习与模型预测的交通信号混合控制方法 Download PDFInfo
- Publication number
- CN113781772B CN113781772B CN202110944333.XA CN202110944333A CN113781772B CN 113781772 B CN113781772 B CN 113781772B CN 202110944333 A CN202110944333 A CN 202110944333A CN 113781772 B CN113781772 B CN 113781772B
- Authority
- CN
- China
- Prior art keywords
- point
- green light
- road network
- model
- traffic
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
-
- 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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/07—Controlling traffic signals
- G08G1/085—Controlling traffic signals using a free-running cyclic timer
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及智能交通控制领域,具体说是一种点对点迭代学习与模型预测的交通信号混合控制方法。包括以下步骤,S100~对研究区域的交通流提出两种增量模型;S200~建立新的双增量交通饱和度模型;S300~建立提取矩阵,对有限的关键点对多次迭代,将误差收敛;S400~用性能指标函数对绿灯时长增量进行预测;S500~根据优化后的绿灯时长,设置交叉口绿灯时长;S600~设置路网内各交叉口信号绿灯时长,使得路网的饱和度达到目标值。本发明将点对点和迭代学习控制和模型预测控制进行结合,不仅利用了路网宏观交通流相似性分布的历史批次信息,又能通过预测模型在线进行滚动优化,最终使路网交通信号能更有效、更迅速的达到控制要求,提高路网通行效率。
Description
技术领域
本发明涉及智能交通控制领域,具体说是一种点对点迭代学习与模型预测的交通信号混合控制方法。
背景技术
随着城市化进程的推进,社会中的车辆越来越集中在城市,城市交通拥堵的问题日益突出,高峰期交通出现过饱和,严重影响城市的健康发展。为了更好地利用现有的交通设施以及历史交通批次信息来改善交通路网通行效率。申请人将点对点和迭代学习控制和模型预测控制进行结合,不仅利用了路网宏观交通流相似性分布的历史批次信息,又能通过预测模型在线进行滚动优化,最为关键的是不用时时刻刻控制交通流在交叉口的饱和度并且对路口的饱和度有更好的预测,对非关键点的饱和度拥有多的自由度,在不改变现有的交通硬件的基础上,最终使路网交通信号能更有效、更迅速的达到控制要求,提高路网通行效率。
发明内容
本发明为了有效解决交通信号控制在实时性、控制方案效率低和与历史路网信息脱离的问题,提供一种点对点迭代学习与模型预测的交通信号混合控制方法。
本发明采取以下技术方案:一种点对点迭代学习与模型预测的交通信号混合控制方法,包括以下步骤,S100~对研究区域的交通流提出两种增量模型;S200~建立新的双增量交通饱和度模型;S300~建立提取矩阵,对有限的关键点对多次迭代,将误差收敛;S400~用性能指标函数对绿灯时长增量进行预测;S500~根据优化后的绿灯时长,设置交叉口绿灯时长;S600~设置路网内各交叉口信号绿灯时长,使得路网的饱和度达到目标值。
步骤S100中,第一种增量模型的获取方法为:
S101~路网交通流模型,形式为
为状态向量表示为第k次迭代的第t时刻各路段的饱和度; 为第k次迭代的第t时刻路网内的饱和度;为控制向量表示为第k次迭代的第t时刻所有相位的绿灯时长;A为状态矩阵即单位矩阵,B为输入矩阵,C为输出矩阵由路网饱和度的计算方法得到。
S102~第二种增量模型采用以下形式:
步骤S200中,将两种增量模型结合起来,双增量交通饱和度模型为。
步骤S400包括以下步骤。
得到:
S402~现实的路网中绿灯时长必然存在最大值和最小值,因此设置限制条件:
与现有技术相比,本发明将点对点和迭代学习控制和模型预测控制进行结合,不仅利用了路网宏观交通流相似性分布的历史批次信息,又能通过预测模型在线进行滚动优化,最为关键的是不用时时刻刻控制交通流在交叉口的饱和度并且对路口的饱和度有更好的预测,对非关键点的饱和度拥有更多的自由度,最终使路网交通信号能更有效、更迅速的达到控制要求,提高路网通行效率。
附图说明
图1为本发明的流程图;
图2为点对点迭代学习控制与模型预测控制。
具体实施方式
本发明的目的在于有效解决交通信号控制在实时性、控制方案效率低和与历史路网信息脱离的问题,申请人提出一种点对点迭代与模型预测控制的交通信号混合控制方法,不仅提高路网通行效率,也结合了路网交通状况的历史数据,最重要是使非关键点的交通饱和度有更多的自由度,有效提高路网交通信号的响应速度,提高路网通行效率。
为实现上述目的,本发明所提供的技术方案为:一种点对点迭代学习与模型预测控制的交通信号混合控制方法,包括以下几个步骤:
S100~对研究区域的交通流提出两种增量模型;
S200~建立新的双增量交通饱和度模型;
S300~建立提取矩阵,对多次迭代中选取的有限的关键点;
S400~用性能指标函数对绿灯时长增量进行预测;
S500~根据优化后的绿灯时长,设置交叉口绿灯时长;
S600~设置路网内各交叉口信号绿灯时长,使得路网的饱和度达到目标值。
上述的一种基于点对点迭代学习与模型控制的交通信号混合控制方法,在步骤S100中对研究区域的交通流增量模型包括以下几个步骤:
S101~路网交通流模型,形式如,,为状态向量表示为第k次迭代的第t时刻各路段的饱和度; 为第k次迭代的第t时刻路网内的饱和度;为控制向量表示为第k次迭代的第t时刻所有相位的绿灯时长;A和C分别为系统的状态矩阵和输出矩阵,B为输入矩阵,输入矩阵B的元素反映了路网的拓扑结构、相位、周期、饱和流量及转向率特征,由技术人员自行设定。
S103~定义一种新的状态向量形式,增量模型采用以下形式:
S200~将步骤S102和步骤S103两种增量形式结合起来得到:
在步骤S300中通过建立提取矩阵,对多次迭代中选取的有限的关键点,具体步骤如下
性能指标函数还可以用这种形式写出:
得到
根据步骤S500所得的绿灯时长来设置路网内各交叉口信号绿灯时长,使得路网的饱和度达到目标值,具体步骤为在双增量模型中,利用性能指标函数将绿灯预测时长增量与通过迭代所获得的绿灯时长相加,得到新的绿灯时长,
综上所述,本发明将点对点和迭代学习控制和模型预测控制进行结合,不仅利用了路网宏观交通流相似性分布的历史批次信息,又能通过预测模型在线进行滚动优化,最为关键的是不用时时刻刻控制交通流在交叉口的饱和度并且对路口的饱和度有更好的预测,对非关键点的饱和度拥有更多的自由度,最终使路网交通信号能更有效、更迅速的达到控制要求,提高路网通行效率。图2为点对点迭代学习控制与模型预测控制混合控制原理结构图,从技术手段上具有较高的可行性,值得推广。
Claims (5)
1.一种点对点迭代学习与模型预测的交通信号混合控制方法,其特征在于:包括以下步骤,
S100~对研究区域的交通流提出两种增量模型;
S200~建立新的双增量交通饱和度模型;
S300~建立提取矩阵,对多次迭代中选取有限的关键点;
步骤S300包括以下步骤,
S400~用性能指标函数对绿灯时长增量进行预测;
S500~根据优化后的绿灯时长,设置交叉口绿灯时长;
S600~设置路网内各交叉口信号绿灯时长,使得路网的饱和度达到目标值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110944333.XA CN113781772B (zh) | 2021-08-17 | 2021-08-17 | 一种点对点迭代学习与模型预测的交通信号混合控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110944333.XA CN113781772B (zh) | 2021-08-17 | 2021-08-17 | 一种点对点迭代学习与模型预测的交通信号混合控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113781772A CN113781772A (zh) | 2021-12-10 |
CN113781772B true CN113781772B (zh) | 2022-11-01 |
Family
ID=78838137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110944333.XA Active CN113781772B (zh) | 2021-08-17 | 2021-08-17 | 一种点对点迭代学习与模型预测的交通信号混合控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781772B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105702031A (zh) * | 2016-03-08 | 2016-06-22 | 北京航空航天大学 | 基于宏观基本图的路网关键路段识别方法 |
CN108257382A (zh) * | 2018-01-11 | 2018-07-06 | 上海应用技术大学 | 基于关联度分析的交叉口拥堵关键点寻找方法及系统 |
CN109767632A (zh) * | 2019-03-02 | 2019-05-17 | 太原理工大学 | 一种基于迭代学习与模型预测控制的交通信号混合控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4435146B2 (ja) * | 2006-12-28 | 2010-03-17 | 株式会社東芝 | 通信装置 |
CN102542793B (zh) * | 2012-01-11 | 2014-02-26 | 东南大学 | 一种交叉口群过饱和交通态势主动控制方法 |
-
2021
- 2021-08-17 CN CN202110944333.XA patent/CN113781772B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105702031A (zh) * | 2016-03-08 | 2016-06-22 | 北京航空航天大学 | 基于宏观基本图的路网关键路段识别方法 |
CN108257382A (zh) * | 2018-01-11 | 2018-07-06 | 上海应用技术大学 | 基于关联度分析的交叉口拥堵关键点寻找方法及系统 |
CN109767632A (zh) * | 2019-03-02 | 2019-05-17 | 太原理工大学 | 一种基于迭代学习与模型预测控制的交通信号混合控制方法 |
Non-Patent Citations (1)
Title |
---|
闫飞 等.城市区域交通信号迭代学习控制策略.《控制与决策》.2015, * |
Also Published As
Publication number | Publication date |
---|---|
CN113781772A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
CN113538910B (zh) | 一种自适应的全链条城市区域网络信号控制优化方法 | |
CN109767632B (zh) | 一种基于迭代学习与模型预测控制的交通信号混合控制方法 | |
CN111243271A (zh) | 一种基于深度循环q学习的单点交叉口信号控制方法 | |
Lin et al. | Traffic signal optimization based on fuzzy control and differential evolution algorithm | |
CN110570672A (zh) | 一种基于图神经网络的区域交通信号灯控制方法 | |
CN113780624B (zh) | 一种基于博弈均衡理论的城市路网信号协调控制方法 | |
CN114495500B (zh) | 一种基于对偶动态时空图卷积的交通预测方法 | |
CN102610092A (zh) | 基于rbf神经网络城市道路速度预测方法 | |
CN108537366B (zh) | 基于最优卷积二维化的水库调度方法 | |
CN109462821A (zh) | 预测位置的方法、装置、存储介质及电子设备 | |
CN111158237B (zh) | 基于神经网络的工业炉炉温多步预测控制方法 | |
CN112907970B (zh) | 一种基于车辆排队长度变化率的可变车道转向控制方法 | |
CN108629970A (zh) | 基于蒙特卡罗树搜索的交叉口信号参数优化方法 | |
CN109377761A (zh) | 基于马尔可夫链模型的交通因子网络构建方法 | |
Wu et al. | Traffic signal networks control optimize with PSO algorithm | |
CN113781772B (zh) | 一种点对点迭代学习与模型预测的交通信号混合控制方法 | |
CN113409576B (zh) | 一种基于贝叶斯网络的交通路网动态预测方法及系统 | |
CN110543978A (zh) | 基于小波神经网络的交通流数据预测方法和装置 | |
CN117131979A (zh) | 基于有向超图及注意力机制的交通流速度预测方法及系统 | |
CN113421444B (zh) | 一种基于车辆路径信息的城市道路网信号控制方法与装置 | |
Qi et al. | Road intersection optimization considering spatial-temporal interactions among turning movement spillovers | |
CN115240871A (zh) | 一种基于深度嵌入聚类元学习的流行病预测方法 | |
Liu et al. | Research on the short-term traffic flow prediction method based on BP neural networks | |
CN114545928A (zh) | 一种基于自触发分布式预测控制的异构车辆队列控制方法 |
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 |