CN114141013B - 基于低渗透率网联车轨迹数据的交叉口信号配时方法 - Google Patents

Abstract

本发明公开了基于低渗透率网联车轨迹数据的交叉口信号配时方法，包括：基于SUMO仿真平台构建一个有交叉口信号配时优化需求的低渗透率网联车路网；向构建的路网中输入数据，默认SUMO仿真平台定义的车流模型，设计低渗透率网联车路网场景，模拟路网车流情况；在模拟的路网车流情况中，对于每个信号周期，随机选取网联车轨迹数据作为样本数据，且选取的网联车轨迹数据占整个路网车流轨迹数据的3%‑5%；根据选取的网联车轨迹数据，在上一个信号周期结束时确定下一个信号周期的交通信号计划；根据下一个信号周期的交通信号计划修改SUMO仿真平台中路网的信号配时，直至仿真结束，实现预防交叉口溢出、缓解路网拥堵等问题。

Description

基于低渗透率网联车轨迹数据的交叉口信号配时方法

技术领域

本发明涉及基于低渗透率网联车轨迹数据的交叉口信号配时方法，属于交通行为分析和数据处理技术领域。

背景技术

在城市道路中，交叉口是拥堵产生的“重灾区”。在高峰时段，当进入某一交叉口进口道车辆数大于该进口道的承载能力时，就会发生溢出现象。排队溢出通常在排队超过路段长度时发生，一旦溢出控制不及时，拥堵或从单个交叉口扩散至上下游及相邻交叉口，大大降低城市道路网络的通行效率。为实现对交通流的有效控制，并有效缓解在流量较大情况下，交叉口的溢流问题、提高交通系统整体的运输效率，需要为整个交通网络中的交叉口选择相应的最优配时方案，以解决系统整体上的拥堵状况。

交通信号控制是影响城市网络中交通流效率的关键控制策略之一，它可以使冲突的交通流在不同相位时间通过交叉路口，防止交通流冲突、提升交叉口通行效率。而信号控制策略的核心，在于找到交叉口的最佳周期时间和最优相位时长的分配方案，以减少总体拥堵并增加通过网络的吞吐量。

发明内容

本发明所要解决的技术问题是：提供基于低渗透率网联车轨迹数据的交叉口信号配时方法，检测周期内的最长排队位置，并增加最小绿灯时长、防溢流等约束，对交叉口信号控制进行优化，使其适应低渗透率网联车轨迹数据。

本发明为解决上述技术问题采用以下技术方案：

基于低渗透率网联车轨迹数据的交叉口信号配时方法，包括如下步骤：

步骤1，基于SUMO仿真平台构建一个有交叉口信号配时优化需求的低渗透率网联车路网；

步骤2，向步骤1构建的路网中输入数据，包括：高峰小时流量、平均车速、路网结构、路段长度、车道数、道路限速和进口道方向，默认SUMO仿真平台定义的车流模型，包括：Krauss跟驰模型和LC2013换道模型，设计低渗透率网联车路网场景，模拟路网车流情况；

步骤3，在模拟的路网车流情况中，对于每个信号周期，随机选取网联车轨迹数据作为样本数据，且选取的网联车轨迹数据占整个路网车流轨迹数据的3％-5％；

步骤4，根据选取的网联车轨迹数据，在上一个信号周期结束时确定下一个信号周期的交通信号计划；

步骤5，根据下一个信号周期的交通信号计划修改SUMO仿真平台中路网的信号配时，直至仿真结束。

作为本发明的一种优选方案，所述步骤1中，构建的路网具有如下特征：1)路网上车流流量超过饱和流量的90％；2)路网交叉口上下游存在流量差；3)路网存在溢流情况。

作为本发明的一种优选方案，所述步骤4中，在第k^j个信号周期结束时确定第k^j+1个信号周期的交通信号计划，具体过程如下：

步骤41，计算交叉口每个进口道最大排队率

定义路网为由路段连接的交叉口组成，对于交叉口j，进入的进口道s集合表示为S_j，则进口道s在第k^j个周期的最大排队率r_s(k^j)为：

其中，x_s(k^j)表示第k^j个周期中的最大排队长度，L_s(k^j)表示进口道s的长度；

步骤42，对于第k^j个信号周期，计算交叉口四个相位的溢出压力

对于路段x，定义一个临界排队率来表示溢出的风险，即路段x的排队率大于临界排队率，则该路段具有溢出风险；定义车流的直行和左转均为运动m，运动m的溢出压力为：

其中，δ_m(k^j)表示在k^j个信号周期运动m的溢出压力，

表示第k^j个周期m上游路段的排队率，

表示第k^j个周期m下游路段的排队率，

为m上游路段的临界排队率，

为m下游路段的临界排队率；

对于南北直行相位，选取南直行和北直行的溢出压力中较大的那个作为南北直行相位的溢出压力；

对于南北左转相位，选取南左转和北左转的溢出压力中较大的那个作为南北左转相位的溢出压力；

对于东西直行相位，选取东直行和西直行的溢出压力中较大的那个作为东西直行相位的溢出压力；

对于东西左转相位，选取东左转和西左转的溢出压力中较大的那个作为东西左转相位的溢出压力；

步骤43，对于第k^j个信号周期，计算交叉口四个相位的溢出压力权重

用一个指数函数来计算交叉口运动m的溢出压力权重：

其中，w_m(k^j)表示在k^j个信号周期运动m的溢出压力权重，η是参数；当δ_m(k^j)为负值，即运动m的下游路段有溢出风险，则w_m(k^j)接近于0；如果δ_m(k^j)为正值，即运动m的上游路段有溢出风险，则w_m(k^j)为正值；如果δ_m(k^j)等于0，即运动m的上下游路段溢出风险一致，则w_m(k^j)等于1；

步骤44，对于第k^j个信号周期，计算交叉口进口道的服务车辆数

在第k^j个信号周期内为运动m服务的车辆数量表示为Q_m(k^j)：

Q_m(k^j)＝f_m(k^j)·g_m(k^j+1)

其中，f_m(k^j)表示运动m的平均流速，g_m(k^j+1)表示第k^j+1个信号周期中运动m的绿灯持续时间；

步骤45，计算第k^j+1个信号周期最优分配绿灯时间

设计非线性凸优化控制算法计算各交叉口不同相位最佳绿灯时间：

约束条件：

其中，M_j表示直行和左转的集合，ε是误差项，

表示第k^j+1个信号周期中运动m在相位p的绿灯分配时间，

分别为相位p绿灯时间的最小值和最大值，g_p(k^j+1)、g_p(k^j)分别为第k^j+1和k^j周期中相位p的绿灯分配时间，

为相邻周期相位p绿灯时间允许调整的最大值。

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：

本发明在利用低渗透率车辆轨迹数据的基础上，实现预防交叉口溢出、缓解路网拥堵等问题。同时，本发明信号配时方法可以为交叉口车流控制、预防溢流、缓解拥堵等工作提供帮助，还可以为交通管控部门的运营组织优化提供参考依据与信号配时策略方案，更好地实现城市交通网一体化融合发展。

附图说明

图1是本发明基于低渗透率网联车轨迹数据的交叉口信号配时方法的流程图；

图2是仿真路网SUMO示意图；

图3是仿真路网单交叉口初始信号配时示意图。

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。

如图1所示，为本发明基于低渗透率网联车轨迹数据的交叉口信号配时方法的流程图，具体步骤如下：

步骤10.构建一个有交叉口信号配时优化需求的低渗透率网联车路网。为模拟现实拥堵路网，构建具有如下特征的仿真路网：1)路网具有明显拥堵。车流接近饱和流量、通行缓慢。2)路网上下游存在流量差。路网上下游区域车流存在压力差，路网局部交叉口存在明显拥堵。3)路网高峰时期存在溢流情况。路网在高峰时期，由于绿灯信号分配不合理，部分交叉口发生溢流，影响整个路网的通行；

步骤20.搭建仿真路网并输入数据。基于SUMO仿真平台，搭建仿真路网，路网的信息包括路网结构、路段长度、车道数、道路限速、进口道方向。设计低渗透率网联车轨迹数据场景，根据实地调研和默认参数数据调整路网结构和仿真场景，使其尽可能接近实际情况。实地调研数据包括高峰小时流量、平均车速、路网结构、路段长度、车道数、道路限速、进口道方向；默认参数数据为SUMO仿真平台默认车流模型定义参数，模型为Krauss跟驰模型、LC2013换道模型，其参数和默认值如表1和表2所示：

表1Krauss跟驰模型参数

属性	描述	默认值
			MinGap	最小车头间距(m)	2.5
accel	最大加速度(m/s<sup>2</sup>)	2.9
			decal	最大减速度(m/s<sup>2</sup>)	7.5
emergencyDecal	有危险时的最大减速度(m/s<sup>2</sup>)	9
			sigma	驾驶员的熟练程度(取值范围[0,1])	0.5
tau	最小车头时距(s)	1

表2LC2013换道模型参数

步骤30.连通仿真平台，模拟提取车流实时轨迹数据。利用python语言编程，通过traci接口与SUMO仿真平台连通，实现轨迹数据实时提取。在仿真实验中随机选取每个信号周期内的轨迹数据作为数据样本，并将采集数据范围控制在整体轨迹数据集的3％-5％以内；

步骤40.根据车辆实时轨迹数据计算上下游交叉口的车流压力差，方法如下：

1)计算每个进口道最大排队率

在拥堵交通流的基础上，考虑溢流对路网的影响。将城市交通路网定义为由路段连接的路口组成，索引为s。对于交叉口j，进入的路段集合表示为S_j。在第k^j个周期结束时确定第k^j+1个周期的交通信号计划。定义r_s(k^j)为路段s在第k^j个周期的最大排队率为：

其中，x_s(k^j)是第k^j个周期中的最大排队长度，L_s(k^j)表示路段s的长度，S_j是交通流由交汇点j控制的一组路段。

2)计算每个交叉口的溢出压力

对于路段s，定义一个临界排队率

来表示溢出的风险。如果路段s的排队率大于临界值，则具有较高的溢出风险。车流不同方向的运动为m。因此，进一步定义了运动m的溢出压力δ_m(k^j)为：

式中，

第k^j个周期m上游段的排队率，

为第k^h个周期m下游段的排队率，

为m上游段的临界排队率，

为m下游段的临界排队率。

3)计算交叉口溢出权重

用一个指数函数来计算每个交叉口运动m的溢出权重：

η是参数，其值取一个很大的值。当δ_m(k^j)为负值，即运动m的下游段有很高的溢出风险，那么w_m(k^j)接近于0；如果δ_m(k^j)为正值，即运动m的上游段有很高的溢出风险，则w_m(k^j)是一个非常大的值；如果δ_m(k^j)等于0，即运动m的上下游段溢出风险一致，则w_m(k^j)等于1。

4)计算每个交叉口进口道的服务车辆数

假设一个运动在两个连续循环中的平均流速是恒定的，那么在第k^j个周期内为运动m服务的车辆数量表示为Q_m(k^j)：

Q_m(k^j)＝f_m(k^j)·g_m(k^j+1) (4)

其中，f_m(k^j)是运动m的平均流速，g_m(k^j+1)是第k^j+1个周期中运动m的绿灯持续时间。

5)计算最优分配绿灯时间

为了防止溢流，获取最优分配绿灯时间，设计一个非线性凸优化控制算法，其公式如下：

约束条件：

其中，ε是误差项，为一个很小的值，

是第k^j+1个周期中每个运动m的绿灯分配时间，g_p(k^j+1)、g_p(k^j)分别为第k^j+1和k^j周期中每个相位p的绿灯分配时间，

分别为相位p绿灯时间的最小值和最大值，

为相邻周期相位p绿灯时间允许调整的最大值。

步骤50.根据步骤40，计算得出每个周期开始前各交叉口不同相位最佳绿灯时间；在此基础上，基于步骤30中的搭建的仿真连通，修改当前信号配时，直到仿真结束。

实施例

步骤10.基于SUMO平台构建一个交叉口信号配时优化需求的低渗透率网联车路网；

利用SUMO软件中的可视化网络编辑器netedit，构建了具有9个交叉路口的简易路网，如图2所示，并基于netedit修改现有路网的所有方面。通过对每个交叉口有序编号，按统一标准命名每条路径，方便后期编辑与车辆数据输入。

步骤20.输入路网数据；

输入初始车辆数据，共292条轨迹流量，并通过更改每条路径交通量构建了多个交叉路口的溢流情况。车辆采用统一类型，车流量分两阶段输入，第一阶段流量较低，道路畅通性高，第二阶段流量较大，多个交叉口出现溢流情况。

如图3所示，在每个交叉口设置信号灯，周期时长为120s。共设4个相位，分别为：南北直行、东西直行、南北左转、东西左转。不设全红时间，右转信号灯常绿，黄灯时间暂定为3秒，每个相位均匀分配绿灯时间，如表3：

表3初始分配绿灯时间

步骤30.连通仿真平台，模拟提取车流实时轨迹数据；

在仿真实验中，随机选取每个周期内的轨迹数据作为数据样本，对于当前进口道无车辆的情况，不进行数据采集；对于当前进口道有车辆的情况，随机选取整体轨迹数据集的3％-5％的车辆，采集并记录被采集车辆当前的相对位置信息。

步骤40.根据车辆实时轨迹数据计算当前上下游交叉口的车流压力差；

由于该步骤由python编码实现，因此，仅选取仿真步长720s，作为示例，计算当前上下游交叉口的车流压力差。

根据公式(1)，计算每个进口道最大排队率，其值如表4：

表4进口道最大排队率

交叉口编号	东进口道	北进口道	西进口道	南进口道
					1	0.99161	0.00000	0.99979	0.99786
2	0.98839	0.00000	0.99788	0.90583
					3	0.99529	0.00000	0.03430	0.99888
4	0.03859	0.99798	0.99979	0.99978
					5	0.98308	0.55516	0.99473	0.96034
6	0.99794	0.99788	0.03644	0.98641
					7	0.99788	0.89097	0.99794	0.00000
8	0.98955	0.99788	0.99048	0.00000
					9	0.99979	0.97860	0.98931	0.00000

根据公式(2)和公式(3)，计算每个交叉口的溢出压力权重，其值如表5：

表5交叉口的溢出压力权重

交叉口编号	南北直行	南北左转	东西直行	东西左转
					1	0.00005	21586.12717	1.06581	21565.01896
2	0.00007	0.00012	0.01314	2.35778
					3	0.93330	0.00005	13643.96452	0.90039
4	0.95061	0.34298	0.98083	0.00005
					5	0.00007	83.69747	0.41109	0.00010
6	0.86187	0.82461	0.82413	0.00005
					7	0.00005	21979.02024	0.00005	2.70506
8	1.08688	0.00005	0.00005	21565.02275
					9	0.00005	19227.507065	0.00005	19841.30052

根据非线性凸优化控制算法公式(5)，采用scipy.optimize.minimize优化求解，得出最优分配绿灯时间如表6：

表6最优分配绿灯时间

交叉口编号	南北直行	南北左转	东西直行	东西左转
					1	27	27	27	27
2	27	27	27	27
					3	15	45	15	33
4	27	27	27	27
					5	27	27	27	27
6	27	27	27	27
					7	27	27	27	27
8	45	15	15	33
					9	15	15	33	45

步骤50.设计上下游交叉口信号配时并进行实时调整，直到周期结束。

通过python设计代码计算得出每个周期开始前各交叉口不同相位最佳绿灯时间；在此基础上，基于步骤30中的搭建的仿真连通，修改当前信号配时，直到周期结束。

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 (2)

1.基于低渗透率网联车轨迹数据的交叉口信号配时方法，其特征在于，包括如下步骤：

步骤1，基于SUMO仿真平台构建一个有交叉口信号配时优化需求的低渗透率网联车路网；

步骤2，向步骤1构建的路网中输入数据，包括：高峰小时流量、平均车速、路网结构、路段长度、车道数、道路限速和进口道方向，默认SUMO仿真平台定义的车流模型，包括：Krauss跟驰模型和LC2013换道模型，设计低渗透率网联车路网场景，模拟路网车流情况；

步骤3，在模拟的路网车流情况中，对于每个信号周期，随机选取网联车轨迹数据作为样本数据，且选取的网联车轨迹数据占整个路网车流轨迹数据的3％-5％；

步骤4，根据选取的网联车轨迹数据，在上一个信号周期结束时确定下一个信号周期的交通信号计划；

所述步骤4中，在第k^j个信号周期结束时确定第k^j+1个信号周期的交通信号计划，具体过程如下：

步骤41，计算交叉口每个进口道最大排队率

定义路网为由路段连接的交叉口组成，对于交叉口j，进入的进口道s集合表示为S_j，则进口道s在第k^j个周期的最大排队率r_s(k^j)为：

其中，x_s(k^j)表示第k^j个周期中的最大排队长度，L_s(k^j)表示进口道s的长度；

步骤42，对于第k^j个信号周期，计算交叉口四个相位的溢出压力

对于路段x，定义一个临界排队率来表示溢出的风险，即路段x的排队率大于临界排队率，则该路段具有溢出风险；定义车流的直行和左转均为运动m，运动m的溢出压力为：

其中，δ_m(k^j)表示在k^j个信号周期运动m的溢出压力，

表示第k^j个周期m上游路段的排队率，

表示第k^j个周期m下游路段的排队率，

为m上游路段的临界排队率，

为m下游路段的临界排队率；

对于南北直行相位，选取南直行和北直行的溢出压力中较大的那个作为南北直行相位的溢出压力；

对于南北左转相位，选取南左转和北左转的溢出压力中较大的那个作为南北左转相位的溢出压力；

对于东西直行相位，选取东直行和西直行的溢出压力中较大的那个作为东西直行相位的溢出压力；

对于东西左转相位，选取东左转和西左转的溢出压力中较大的那个作为东西左转相位的溢出压力；

步骤43，对于第k^j个信号周期，计算交叉口四个相位的溢出压力权重

用一个指数函数来计算交叉口运动m的溢出压力权重：

其中，w_m(k^j)表示在k^j个信号周期运动m的溢出压力权重，η是参数；当δ_m(k^j)为负值，即运动m的下游路段有溢出风险，则w_m(k^j)接近于0；如果δ_m(k^j)为正值，即运动m的上游路段有溢出风险，则w_m(k^j)为正值；如果δ_m(k^j)等于0，即运动m的上下游路段溢出风险一致，则w_m(k^j)等于1；

步骤44，对于第k^j个信号周期，计算交叉口进口道的服务车辆数

在第k^j个信号周期内为运动m服务的车辆数量表示为Q_m(k^j)：

Q_m(k^j)＝f_m(k^j)·g_m(k^j+1)

其中，f_m(k^j)表示运动m的平均流速，g_m(k^j+1)表示第k^j+1个信号周期中运动m的绿灯持续时间；

步骤45，计算第k^j+1个信号周期最优分配绿灯时间

设计非线性凸优化控制算法计算各交叉口不同相位最佳绿灯时间：

约束条件：

其中，M_j表示直行和左转的集合，ε是误差项，

表示第k^j+1个信号周期中运动m在相位p的绿灯分配时间，

分别为相位p绿灯时间的最小值和最大值，g_p(k^j+1)、g_p(k^j)分别为第k^j+1和k^j周期中相位p的绿灯分配时间，

为相邻周期相位p绿灯时间允许调整的最大值；

步骤5，根据下一个信号周期的交通信号计划修改SUMO仿真平台中路网的信号配时，直至仿真结束。

2.根据权利要求1所述的基于低渗透率网联车轨迹数据的交叉口信号配时方法，其特征在于，所述步骤1中，构建的路网具有如下特征：1)路网上车流流量超过饱和流量的90％；2)路网交叉口上下游存在流量差；3)路网存在溢流情况。

Images