CN115116225A - 一种面向混合交通流的数据驱动随机模型预测控制方法 - Google Patents

Abstract

本发明公开了一种面向混合交通流的数据驱动随机模型预测控制方法，涉及交通工程领域，所述方法包括以下步骤：步骤1、基于智能交通系统的交通数据采集与混合交通流模型辨识；步骤2、基于增量主元分析的模糊集构建；步骤3、基于分布鲁棒模型预测控制的混合交通优化策略制定；步骤4、控制策略下发。本发明针对混合交通流场景，建立随机模型描述交通系统动态特征，并基于真实交通数据与机器学习方法提取人为驾驶车流的随机特征，构建分布鲁棒模型预测控制问题，实现对城市高速路的优化控制，有效应对人为驾驶车流的随机性对交通系统的影响，显著减少交通拥堵，提升交通效率。

Description

一种面向混合交通流的数据驱动随机模型预测控制方法

技术领域

本发明涉及交通工程领域，尤其涉及一种面向混合交通流的数据驱动随机模型预测控制方法。

背景技术

作为城市动脉的城市高速公路，往往承载着超过道路容量的交通需求，从而容易出现大规模拥堵，给城市运行、经济发展与环境保护带来威胁。智能交通相关技术的发展则为解决交通拥堵带来新的机遇，借助计算机视觉、C-V2X等技术可以更好地对交通状态信息进行感知，加强与智能车辆地信息交互，在此基础上借助边缘计算、云计算技术制定交通控制策略，可以显著减少交通拥堵，提升交通效率。

随着自动驾驶技术的快速发展，未来人为驾驶汽车与自动驾驶汽车共存的混合交通车流将是普遍场景，但是，人为驾驶车辆的随机性会对自动驾驶汽车的行驶和交通系统的运行带来严重不利影响。如何有效应对自动驾驶车流的随机性，进而对混合交通流量进行优化与控制是亟待解决的问题。

专利号为CN112735126A的中国专利公开了一种基于模型预测控制的混合交通流协同优化控制方法，采用双层优化模型进行混合交通流协同决策控制，上层基于动态规划进行车辆排序，下次基于动态矩阵预测算法进行轨迹优化。此方法可进行无红绿灯交叉口混合交通流控制，但未针对人为驾驶车辆的随机性进行设计。

因此，本领域的技术人员致力于开发一种面向混合交通流的数据驱动随机模型预测控制方法，针对混合交通流场景，建立随机模型描述交通系统动态特征，并基于真实交通数据与机器学习方法提取人为驾驶车流的随机特征，构建分布鲁棒模型预测控制问题，实现对城市高速路的优化控制。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是人为驾驶行为的任意性导致混合交通流动态的高度随机性，人驾驶行为的随机分布特征往往难以获得，而鲁棒优化不需要随机变量的分布信息，但其优化结果存在保守性。

为实现上述目的，本发明提供了一种面向混合交通流的数据驱动随机模型预测控制方法，所述方法包括以下步骤：

步骤1、基于智能交通系统的交通数据采集与混合交通流模型辨识；

步骤2、基于增量主元分析的模糊集构建；

步骤3、基于分布鲁棒模型预测控制的混合交通优化策略制定；

步骤4、控制策略下发。

进一步地，所述智能交通系统包括智能网联汽车、智能路侧单元、交通云管理中心，所述智能路侧单元包括智能传感单元、通信装置、计算存储设备，通过智能传感单元或者直接与车辆通信进行交通数据的采集；所述交通云管理中心负责整个城市的交通管理。

进一步地，所述混合交通流模型为随机混合交通流元胞传输模型，用于描述人为驾驶车流和自动驾驶车流的动态变化；

其中，交通状态更新方程如下：

q_i(k+1)＝q_i(k)+Δt(ξ_i(k)-r_i(k))

式中，

为主路i在k时刻的自动驾驶车流密度，

为主路i在k时刻的人为驾驶车流密度，

为主路i在k时刻的自动驾驶车流量，

为主路i在k时刻的人为驾驶车流量，q_i(k)为上匝道i在k时刻的队列长度，L_i为主路i的长度，Δt为采样间隔，ξ_i(k)为上匝道i在k时刻的交通需求；其余参数由状态更新约束计算：

r_i(k)＝min{q_i(k),c_i(k)}

式中，

为拥堵波速，η∈[0.5,1]为自动驾驶汽车等效流量，ρ^max为路段最大交通密度，

为路段i最大通行流量，r_i为通过匝道i进入主路的车辆数量，

为主路i的自动驾驶车辆交通需求，

为主路i的人为驾驶车辆交通需求，

为主路i自动驾驶车辆的通行能力，

为人为驾驶车辆的通行能力，θ_i为自动驾驶汽车占比，定义如下：

经由上述采集到的数据，采用最小二乘法对混合交通模型相应参数进行辨识。

进一步地，所述步骤2还包括：

步骤2.1、所述交通云管理中心将采集的交通数据进行预处理；

步骤2.2、预处理后的数据通过主元分析方法构建模糊集；

步骤2.3、当收集到新的交通数据时，采用增量式主元分析来对模糊集进行调整。

进一步地，所述步骤2.1还包括：将采集的交通数据用于构建密度-流量基本图，通过与理论基本图进行比较得到人为驾驶车流的随机扰动量，再将随机扰动量数据以矩阵形式储存，矩阵行代表采样时间，矩阵列代表样本量。

进一步地，所述步骤2.2还包括：将随机数据矩阵的时序特性视为需降维分析的特征，运用主元分析方法进行特征提取，保留随机扰动量中最重要的部分，即主元方向的数据。

进一步地，所述步骤3还包括：

步骤3.1、基于模糊集构建模型预测控制问题；

步骤3.2、将步骤3.1中的模型预测控制问题进行鲁棒对等转化，研究其对偶问题。

进一步地，所述步骤3.1还包括：

s.t.x_N＝x₀+B_u u_N+B_υ v_N

Gu_N≤g

式中，

x_N、u_N、w_N分别为预测时域N内状态x_i、输入u_i、随机扰动

的向量表述，B_u、B_ω、B_υ、H、

D、G、g为相应的矩阵；

目标函数定义如下：

进一步地，所述步骤3.2中的模型预测控制问题进行鲁棒对等转化具体为：

s.t.β≥0

x_N＝x₀+B_u u_N+B_υ v_N

Gu_N≤g

其中支持集

定义如下：

对偶问题转化为如下形式进行求解：

s.t.β≥0

λ^Tz≤b

λ≥0

其中

进一步地，所述步骤4还包括：求解得到交通控制策略通过C-V2X通信下发到自动驾驶汽车，同时所述智能路侧单元向人为驾驶汽车下发建议速度，实现对城市高速路网的优化控制。

与现有技术相比，本发明至少具有如下有益技术效果：

1、本发明所提出的数据驱动的模糊集构建方法能有效应对混合交通的随机动态特征，应对交通环境的时变特征，同时所采用的IPCA方法能对数据进行降维，大大降低了数据分析的计算成本；

2、本发明所提出的基于分布鲁棒的随机模型预测控制算法适用于混合交通流场景，可有效减少交通拥堵，提升路网交通效率。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的一个较佳实施例的混合交通流智能交通场景；

图2是本发明的一个较佳实施例的方法流程图；

图3是本发明的一个较佳实施例的真实散布数据与理论MFD曲线图；

图4是本发明的一个较佳实施例的模糊集构建结果图；

图5是本发明的一个较佳实施例的无控制场景下混合交通流密度变化；

图6是本发明的一个较佳实施例的分布鲁棒MPC策略控制下的混合交通流密度变化。

具体实施方式

以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。

在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。

如图1所示，是本发明的一个较佳实施例的混合交通流智能交通场景，智能交通系统包含端-边-云三层架构，“端”指参与交通的人为驾驶汽车和智能驾驶汽车，“边”指智能路边单元，集成有智能传感单元以及计算、存储通信设备，支持C-V2X通信、数据计算与存储功能，“云”指交通云管理中心，负责整个城市的交通管理。

如图2所示，是本实施例的方法流程图，包括以下步骤：

步骤1、基于智能交通系统的交通数据采集与混合交通流模型辨识。

步骤1.1、交通数据采集：

智能路边单元借助C-V2X通信技术与自动驾驶汽车交换信息，收集自动驾驶汽车的行驶数据，包括速度、位置等，通过智能传感单元，如摄像头、雷达等收集人为驾驶车辆的相应数据。将道路网络划分成多个子网，可进一步计算获得子网的交通密度与交通流量数据，绘制宏观基本图中的真实散点数据，通过与真实宏观基本图曲线做差，可得到人为驾驶车流的随机扰动数据。

步骤1.2、混合交通流模型辨识：

提出随机混合交通流元胞传输模(Stochastic Mixed Traffic CellTransmission Model,SMT-CTM)描述人为驾驶车流和自动驾驶车流的动态变化：

交通状态更新方程：

q_i(k+1)＝q_i(k)+Δt(ξ_i(k)-r_i(k))

式中，

为主路i在k时刻的自动驾驶车流密度，

为主路i在k时刻的人为驾驶车流密度，

为主路i在k时刻的自动驾驶车流量，

为主路i在k时刻的人为驾驶车流量，q_i(k)为上匝道i在k时刻的队列长度，L_i为主路i的长度，Δt为采样间隔，ξ_i(k)为上匝道i在k时刻的交通需求；其余参数由状态更新约束计算：

r_i(k)＝min{q_i(k),c_i(k)}

式中，

为拥堵波速，η∈[0.5,1]为自动驾驶汽车等效流量，ρ^max为路段最大交通密度，

为路段i最大通行流量，r_i为通过匝道i进入主路的车辆数量，

为主路i的自动驾驶车辆交通需求，

为主路i的人为驾驶车辆交通需求，

为主路i自动驾驶车辆的通行能力，

为人为驾驶车辆的通行能力，θ_i为自动驾驶汽车占比，定义如下：

经由上述采集到的数据，可采用最小二乘法等对混合交通模型相应参数进行辨识，如自由流速υ，最大流量φ^max，临界密度，堵塞密度ρ^max，拥堵波速

采集的人为驾驶车流数据预处理后得到人为驾驶车流的密度-流量分散数据点，与理论密度-流量曲线，即宏观基本图(MFD)，通过与理论基本图进行比较得到人为驾驶车流的随机扰动量，如图3所示，理论曲线与实际散布点的差值即为关于变量w的人为驾驶车流的扰动数据。该数据以矩阵的形式存储，矩阵行代表数据采样时间，矩阵列代表数据采样数量。

步骤2、基于增量主元分析的模糊集构建。

数据预处理后，因交通条件存在时变性，故将随机数据矩阵的时序特性视为需降维分析的特征，运用主元分析方法进行特征提取，保留随机变量中最重要的部分，即主元方向的数据，可在保留数据集主要信息的基础上减少所要分析的数据样本量，节省计算资源。

采用如下模糊集引入随机变量w的一阶矩信息：

其中f_π(w_N)可视为关于随机变量w的广义矩信息，上述模糊集可等效转化为如下松弛模糊集：

本实施例提出的基于IPCA的模糊集构建分为两步：首先使用PCA方法确定映射方向f_π，然后选取截断点γ。由于交通环境的动态性，车流的行驶特征也在随时间变化，故将步骤1中数据矩阵的行视为高维特征采用PCA方法降维处理，在保留数据集主要信息的基础上大大降低计算的成本。当收集到新数据时，采用IPCA更新映射方向f_π，而不用重新训练，可大大降低计算成本，主元分析结果如图4所示。

步骤3、基于分布鲁棒随机模型预测控制的混合交通优化策略制定。

模糊集构建完成后，考虑如下模型预测控制问题制定交通优化策略：

s.t.x_N＝x₀+B_u u_N+B_υ v_N

Gu_N≤g

式中，

x_N、u_N、w_N分别为预测时域N内状态x_i、输入u_i、随机扰动

的向量表述，B_u、B_ω、B_υ、H、

D、G、g为相应的矩阵；

目标函数定义如下：

分析可知由于模糊集的存在导致该问题存在无穷维约束，故将其进行鲁棒对等转化为线性规划，研究其对偶问题，可在有限时间内高效求解：

s.t.β≥0

x_N＝x₀+B_u u_N+B_υ v_N

Gu_N≤g

其中支持集

定义如下：

进一步地，对偶问题转化为如下形式进行求解：

s.t.β≥0

λ≥0

其中

步骤4、控制策略下发。

求解得到的最优匝道限流控制策略和主路可变限速控制策略通过C-V2X通信下发到自动驾驶汽车，同时智能路边单元交通指示牌向人为驾驶汽车下发建议速度，实现对城市高速路网的优化控制；自动驾驶车辆接收到交通控制策略后会根据相应策略进行调整，而人为驾驶车辆在遵循此控制策略形式时会具有一定的随机性。

如图5、图6所示，为无控制和采用数据驱动分布鲁棒模型预测控制下的混合交通流密度变化。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种面向混合交通流的数据驱动随机模型预测控制方法，其特征在于，所述方法包括以下步骤：

步骤1、基于智能交通系统的交通数据采集与混合交通流模型辨识；

步骤2、基于增量主元分析的模糊集构建；

步骤3、基于分布鲁棒模型预测控制的混合交通优化策略制定；

步骤4、控制策略下发。

2.如权利要求1所述的面向混合交通流的数据驱动随机模型预测控制方法，其特征在于，所述智能交通系统包括智能网联汽车、智能路侧单元、交通云管理中心；所述智能路侧单元包括智能传感单元、通信装置、计算存储设备，通过智能传感单元或者直接与车辆通信进行交通数据的采集；所述交通云管理中心负责整个城市的交通管理。

3.如权利要求2所述的面向混合交通流的数据驱动随机模型预测控制方法，其特征在于，所述混合交通流模型为随机混合交通流元胞传输模型，用于描述人为驾驶车流和自动驾驶车流的动态变化；

其中，交通状态更新方程如下：

q_i(k+1)＝q_i(k)+Δt(ξ_i(k)-r_i(k))

式中，

为主路i在k时刻的自动驾驶车流密度，

为主路i在k时刻的人为驾驶车流密度，φ_i ^a(k)为主路i在k时刻的自动驾驶车流量，

为主路i在k时刻的人为驾驶车流量，q_i(k)为上匝道i在k时刻的队列长度，L_i为主路i的长度，Δt为采样间隔，ξ_i(k)为上匝道i在k时刻的交通需求；其余参数由状态更新约束计算：

r_i(k)＝min{q_i(k),c_i(k)}

式中，

为拥堵波速，η∈[0.5,1]为自动驾驶汽车等效流量，ρ^max为路段最大交通密度，

为路段i最大通行流量，r_i为通过匝道i进入主路的车辆数量，

为主路i的自动驾驶车辆交通需求，

为主路i的人为驾驶车辆交通需求，

为主路i自动驾驶车辆的通行能力，

为人为驾驶车辆的通行能力，θ_i为自动驾驶汽车占比，定义如下：

经由上述采集到的数据，采用最小二乘法对混合交通模型相应参数进行辨识。

4.如权利要求3所述的面向混合交通流的数据驱动随机模型预测控制方法，其特征在于，所述步骤2还包括：

步骤2.1、所述交通云管理中心将采集的交通数据进行预处理；

步骤2.2、预处理后的数据通过主元分析方法构建模糊集；

步骤2.3、当收集到新的交通数据时，采用增量式主元分析来对模糊集进行调整。

5.如权利要求4所述的面向混合交通流的数据驱动随机模型预测控制方法，其特征在于，所述预处理是指将采集的交通数据用于构建密度-流量基本图，通过与理论基本图进行比较得到人为驾驶车流的随机扰动量，再将随机扰动量数据以矩阵形式储存，矩阵行代表采样时间，矩阵列代表样本量。

6.如权利要求5所述的面向混合交通流的数据驱动随机模型预测控制方法，其特征在于，所述步骤2.2还包括：将随机数据矩阵的时序特性视为需降维分析的特征，运用主元分析方法进行特征提取，保留随机扰动量中最重要的部分，即主元方向的数据。

7.如权利要求6所述的面向混合交通流的数据驱动随机模型预测控制方法，其特征在于，所述步骤3还包括：

步骤3.1、基于模糊集构建模型预测控制问题；

步骤3.2、将步骤3.1中的模型预测控制问题进行鲁棒对等转化，研究其对偶问题。

8.如权利要求7所述的面向混合交通流的数据驱动随机模型预测控制方法，其特征在于，所述步骤3.1还包括：

s.t.x_N＝x₀+B_uu_N+B_υv_N

Gu_N≤g

式中，

x_N、u_N、w_N分别为预测时域N内状态x_i、输入u_i、随机扰动

的向量表述，B_u、B_ω、B_υ、H、

D、G、g为相应的矩阵；

目标函数定义如下：

。

9.如权利要求8所述的面向混合交通流的数据驱动随机模型预测控制方法，其特征在于，所述步骤3.2中的模型预测控制问题进行鲁棒对等转化具体为：

s.t.β≥0

x_N＝x₀+B_uu_N+B_υv_N

Gu_N≤g

其中支持集

定义如下：

对偶问题转化为如下形式进行求解：

s.t.β≥0

λ≥0

其中

。

10.如权利要求1所述的面向混合交通流的数据驱动随机模型预测控制方法，其特征在于，所述步骤4还包括：求解得到交通控制策略通过C-V2X通信下发到自动驾驶汽车，同时所述智能路侧单元向人为驾驶汽车下发建议速度，实现对城市高速路网的优化控制。

Images