CN115188199A - 交通诱导与信号控制协同优化方法、电子设备及存储介质 - Google Patents

交通诱导与信号控制协同优化方法、电子设备及存储介质 Download PDF

Info

Publication number
CN115188199A
CN115188199A CN202211108272.4A CN202211108272A CN115188199A CN 115188199 A CN115188199 A CN 115188199A CN 202211108272 A CN202211108272 A CN 202211108272A CN 115188199 A CN115188199 A CN 115188199A
Authority
CN
China
Prior art keywords
traffic
path
road
flow
signal control
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.)
Granted
Application number
CN202211108272.4A
Other languages
English (en)
Other versions
CN115188199B (zh
Inventor
张晓春
罗舒琳
丘建栋
吕国林
刘星
刘美华
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.)
Shenzhen Urban Transport Planning Center Co Ltd
Original Assignee
Shenzhen Urban Transport Planning Center Co Ltd
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 Shenzhen Urban Transport Planning Center Co Ltd filed Critical Shenzhen Urban Transport Planning Center Co Ltd
Priority to CN202211108272.4A priority Critical patent/CN115188199B/zh
Publication of CN115188199A publication Critical patent/CN115188199A/zh
Application granted granted Critical
Publication of CN115188199B publication Critical patent/CN115188199B/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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • 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)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

交通诱导与信号控制协同优化方法、电子设备及存储介质，智能交通管理与控制领域。为解决道路拥堵交通诱导与信号控制协同优化模型控制不细、不准的问题。本发明针对城市拥堵顽疾，通过交通预测，在交通拥堵形成初期，对比道路容量限制，量化拥堵点调控总量，在此基础上，根据过车轨迹确定拥堵交通流的来源于去向，根据不同信号控制条件下道路实际通行能力，诊断关键致堵交通流及关键疏堵交叉口，通过诱导关键交通流绕行、优化关键节点信号控制方案协同治堵，快速消除原发性拥堵。该方法能够快速响应交通拥堵，靶向定位管理对象，利用交通诱导与信号控制的迭代联调，快速消除路网局部拥堵点，提高交通治理精度与效能。

Description

交通诱导与信号控制协同优化方法、电子设备及存储介质
技术领域
本发明属于智能交通管理与控制领域，具体涉及一种交通诱导与信号控制协同优化方法、电子设备及存储介质。
背景技术
近年来，城市交通拥堵问题日益严峻，严重制约了城市交通运输效率。而随着检测技术不断提高，通过获取车辆点位、时间戳信息，能够对车辆轨迹进行识别，为深入研究交通运行机理与需求分布规律提供了依据，交通分析也从过去单一的状态判别改进的更精细，具备了开展精细化的拥堵致因诊断与机理认知分析的条件，支撑交通策略实施对象、调控交通量的细分与量化，对精细化的交通管控提出了更高要求。城市交通拥堵往往起始于某一路段或者交叉口，由于原发性拥堵得不到缓解导致迅速蔓延造成大范围的区域拥堵，因此，缓解城市交通拥堵的关键在于对拥堵热点的精准防控。
交通拥堵治理的主要手段包含交通诱导、信号控制优化、交通诱导与信号控制协同优化三种：
交通诱导模型通常以道路网络为研究对象，以面向网络均衡的动态交通分配模型为研究依据，主要包含系统最优DTA(System Optimum DTA，SO-DTA)模型、用户平衡的 DTA(User Equilibrium DTA，UE-DTA)。
根据研究范围，按照点线面的维度，信号控制优化研究可分为单点信号、干线协调优化、区域自适应优化模型，通常以交叉口延误最小、通行能力最大为优化目标。
协同模型通常以道路网络为研究对象，常见的协同方式是双层规划传参。诱导模型通过获取信控方案迭代升级、信控模型也通过获取诱导方案迭代优化，通过迭代优化收敛，实现区域整体交通需求的均衡。
既有交通诱导与信号控制协同优化模型存在以下缺陷：
（1）在拥堵判别层面：根据检测参数判定当前交通状态、预测未来交通态势，绘制拥堵地图，拥堵分析还停留在拥堵辨识层。模式化的交通策略，属于头痛医头脚痛医脚的管控模式，治理成效不显著；
（2）在分析精度层面：根据人为、经验公式或拥堵蔓延的历史规律、频次等开展管控，缺乏深入的致因诊断，实施诱导的交通流或信控优化的交叉口也不一定是真正导致拥堵的关键车流；
（3）在模型方法层面：既有经验公式或模型计算方法，以宏观分析与定性分析居多，针对局部点拥堵，无法形成精准的调控方案，难以对关键路段或关键流向、信控交叉口精准施策；
（4）在量化手段层面：缺乏对诱导量的考虑与把控，容易出现拥堵转移问题，且管控方案多为模式化方案，对复杂多变的交通状态缺乏弹性。
发明内容
本发明要解决的问题是解决道路拥堵时交通诱导模型控制不细致、不精准的问题，提出一种交通诱导与信号控制协同优化方法、电子设备及存储介质，实现对关键致堵车流与关键交叉口控制的协调联控，提高拥堵治理的精度。
为实现上述目的，本发明通过以下技术方案实现：
一种交通诱导与信号控制协同优化方法，包括如下步骤：
S1、采集多源实时交通数据：所述多源实时交通数据包括交通量、交通速度、交通占有率、车牌信息、时间戳、车辆位置、信号控制配时方案；
S2、利用步骤S1得到的车辆位置、时间戳，构造车辆轨迹；
S3、根据步骤S2得到的车辆轨迹和步骤S1的多源实时交通数据，利用神经网络算法进行交通状态预测，若出现交通拥堵，则以拥堵路段为源头，根据上下游路段的交通量关联度划定调控范围；
S4、根据步骤S3划定的调控范围合并相同车辆轨迹、定位关联交通流，然后进行交通量预测；
S5、在步骤S4确定的关联交通流中选取关键交通流，然后根据Dijstra算法确定车辆绕行方案，计算调控总量，以路网交通均衡为目标，以调控分量为控制变量，构建均衡度评价模型；
S6、利用步骤S5得到的均衡度评价模型确定关联交叉口，然后从得到的关联交叉口中选取关键交叉口，构建交叉口通行能力优化模型；
S7、将步骤S5得到的均衡度评价模型、步骤S6得到的交叉口通行能力优化模型进行求解，得到交通诱导与信号控制协同优化方案。
进一步的，步骤S2中结合车辆位置序列
Figure 18843DEST_PATH_IMAGE001
、时间戳过车时间序列
Figure 114975DEST_PATH_IMAGE002
，将车辆途径节点根据时间顺序串联，构造车辆轨迹，车辆轨迹
Figure 498683DEST_PATH_IMAGE003
的数学表达式为：
Figure 629450DEST_PATH_IMAGE004
其中，
Figure 768308DEST_PATH_IMAGE005
为
Figure 351736DEST_PATH_IMAGE006
中的任意一项，
Figure 37670DEST_PATH_IMAGE007
为
Figure 22943DEST_PATH_IMAGE008
中的任意一项。
进一步的，步骤S3中的上下游路段的交通量关联度的计算公式为：
Figure 332702DEST_PATH_IMAGE009
其中，
Figure 341109DEST_PATH_IMAGE010
为路段i到路段j的交通量关联度，
Figure 394516DEST_PATH_IMAGE011
为由路段i行驶到路段j的交通量，由行车轨迹分析结果确定；
Figure 234296DEST_PATH_IMAGE012
为路段j的预测交通量，取
Figure 855901DEST_PATH_IMAGE013
的路段划入调控范围。
进一步的，步骤S4的具体实现方法包括如下步骤：
S4.1、确定关联交通流，则交通流经路径k在t时刻到达路段a的交通量
Figure 148342DEST_PATH_IMAGE014
为：
Figure 5440DEST_PATH_IMAGE015
其中，
Figure 637409DEST_PATH_IMAGE016
为路径k起始路段至路段a的行程距离，
Figure 288971DEST_PATH_IMAGE017
为路径k的历史平均车速，T指车辆沿着路径k的起始路段运行至路段a的最大行驶时间，t为当前时刻，
Figure 334287DEST_PATH_IMAGE018
为
Figure 165715DEST_PATH_IMAGE019
时刻出发，沿着k路径，在t时刻到达路段a的交通量比例系数，
Figure 714508DEST_PATH_IMAGE020
为路径k在
Figure 802549DEST_PATH_IMAGE019
时刻的预测交通量；
S4.2、量化路径交通流与路段交通流的关系，路段a在t时刻的预测交通量
Figure 7266DEST_PATH_IMAGE021
与
Figure 940587DEST_PATH_IMAGE019
时刻的路径交通量
Figure 609465DEST_PATH_IMAGE020
的关系式为：
Figure 868408DEST_PATH_IMAGE022
其中，
Figure 294842DEST_PATH_IMAGE023
为经过路段a的交通流所行驶的路径集合；
S4.3、量化交通诱导前后，交通流行驶路径的变化对路段交通量的影响，表达式为：
Figure 297433DEST_PATH_IMAGE024
其中，
Figure 820818DEST_PATH_IMAGE025
为路段a的预测流量，
Figure 922766DEST_PATH_IMAGE026
为诱导交通流y从路段a绕走的交通量，
Figure 164392DEST_PATH_IMAGE027
为绕行路径交通流x流入路段a增加的交通量，
Figure 705094DEST_PATH_IMAGE028
为路段a的诱导交通流集合，
Figure 784784DEST_PATH_IMAGE029
为路段a的绕行交通流集合，
Figure 385529DEST_PATH_IMAGE030
、
Figure 848872DEST_PATH_IMAGE031
分别为交通流y与x在
Figure 130948DEST_PATH_IMAGE019
时刻出发，在t时刻到达路段a的路径交通量的比例系数。
进一步的，步骤S5的具体实现方法包括如下步骤：
S5.1、在关联交通流中选取关键交通流的步骤如下：
S5.1.1、获取信控方案，关联信号控制方案，量化路段的实际通行能力：
Figure 628926DEST_PATH_IMAGE032
其中，
Figure 134993DEST_PATH_IMAGE033
为a路段转向j的车道数，
Figure 288894DEST_PATH_IMAGE034
分别为a路段转向j的绿灯时间，
Figure 171400DEST_PATH_IMAGE035
分别为a路段转向j的饱和流率，
Figure 523884DEST_PATH_IMAGE036
为路段a的道路通行能力，大小取决于交叉口的信控方案；
S5.1.2、计算路段饱和度，基于道路通行能力与预测交通量比值，计算路段饱和度：
Figure 138536DEST_PATH_IMAGE037
其中，
Figure 576470DEST_PATH_IMAGE038
为路段a的交通饱和度，
Figure 262666DEST_PATH_IMAGE039
为路段a的排队交通量；
S5.1.3、计算路径饱和度，遵循木桶原理，定义路径饱和度为沿途路段饱和度的最大值为
Figure 911735DEST_PATH_IMAGE040
，表达式为：
Figure 25184DEST_PATH_IMAGE041
S5.1.4、计算交通流重要度，设拥堵路段d包含于路径k，则诱导路径k的交通流对疏导a路段拥堵的影响程度用贡献流量与饱和度的加权和表征
Figure 950415DEST_PATH_IMAGE042
，表达式为：
Figure 112406DEST_PATH_IMAGE043
K为路径k的集合；
S5.1.5、选取关键交通流，根据阈值法，设重要度阈值为
Figure 439482DEST_PATH_IMAGE044
，将
Figure 723833DEST_PATH_IMAGE045
的交通流定义为关键交通流，构成集合
Figure 808463DEST_PATH_IMAGE046
，对集合
Figure 836462DEST_PATH_IMAGE046
的交通流实施诱导；
S5.2、根据最短路算法确定交通流绕行方案，包括以下步骤：
S5.2.1、利用有效路径算法，确定与关键交通流起点、终点相同的有效绕行路径集合
Figure 18045DEST_PATH_IMAGE047
，设置理想饱和度阈值，根据预测交通量与通行能力差值，绕行路径的剩余通行能力为：
Figure 473297DEST_PATH_IMAGE048
其中，
Figure 310803DEST_PATH_IMAGE049
为路径k的剩余通行能力；
S5.2.2、基于BPR函数估算绕行阻抗，利用Dijstra算法求解最短绕行路径；
S5.3、计算诱导总量，设拥堵路段为d，d的交通需求为上一时间间隔滞留路段的车辆与预测交通量之和，拥堵路段的交通疏散能力取决于路段出口的信号配时方案，诱导总量为拥堵路段交通需求与疏散能力的差值：
Figure 876914DEST_PATH_IMAGE050
其中，
Figure 913003DEST_PATH_IMAGE051
为路段d的排队交通量，
Figure 804735DEST_PATH_IMAGE052
为路段d的预测流量，
Figure 926275DEST_PATH_IMAGE053
为路段d的道路通行能力，
Figure 296077DEST_PATH_IMAGE054
为d的诱导总量；
诱导分量与诱导总量满足以下关系：
Figure 888470DEST_PATH_IMAGE055
其中，诱导交通流承担的诱导分量为
Figure 685524DEST_PATH_IMAGE056
；
S5.4、以路网交通均衡为目标，以调控分量为控制变量，构建均衡度评价模型：
Figure 294360DEST_PATH_IMAGE057
其中，
Figure 139956DEST_PATH_IMAGE058
为交通诱导方案，
Figure 150638DEST_PATH_IMAGE059
为调控范围内各路段在t时刻的平均饱和度，min为求最小值函数。
进一步的，步骤S5.2.2的具体实现方法包括如下步骤：
S5.2.2.1、设置路径阻抗
Figure 118594DEST_PATH_IMAGE060
，计算交通流沿着原路径经过拥堵路段所需的行程时间
Figure 152409DEST_PATH_IMAGE061
；
S5.2.2.2、运用Dijstra算法求解与诱导交通流起、终点相同的最短绕行路径，阻抗记为
Figure 864013DEST_PATH_IMAGE062
；
S5.2.2.3、验证绕行路径及绕行量是否满足以下约束：
a 要求绕行时间≤拥堵延误，以保障对出行者绕行不会增加额外的时间成本，比较
Figure 994780DEST_PATH_IMAGE061
与
Figure 71320DEST_PATH_IMAGE062
的大小，若
Figure 389169DEST_PATH_IMAGE063
，采纳路径k，否则返回5.2.2.2，搜索次短绕行路径；
b 要求绕行路径剩余通行能力≥诱导分量，以保障诱导分量转移到最短绕行路径不会导致拥堵转移问题，设诱导交通流承担的诱导分量为
Figure 904464DEST_PATH_IMAGE064
，比较理想饱和度下绕行路径的剩余通行能力
Figure 325956DEST_PATH_IMAGE065
与诱导分量
Figure 635715DEST_PATH_IMAGE066
的大小，若
Figure 440860DEST_PATH_IMAGE067
，则最短绕行路径为分流路径，若
Figure 697529DEST_PATH_IMAGE068
，最短绕行路径剩余承载能力不足，选择次短绕行路径；
c 若遍历od对所有路径后，不存在满足步骤a或步骤b的绕行路径，则返回步骤5.1重新选定关键交通流。
进一步的，步骤S6的具体实现方法包括如下步骤：
S6.1、根据
Figure 537309DEST_PATH_IMAGE069
中交通流原始路径与绕行路径的轨迹，锁定转向需求发生变化的关联交叉口；
S6.2、路径k的预测交通量为
Figure 17969DEST_PATH_IMAGE070
，则路径交通流k在t时刻到达转向j的交通量
Figure 513672DEST_PATH_IMAGE071
为：
Figure 105190DEST_PATH_IMAGE072
其中，
Figure 65056DEST_PATH_IMAGE073
为第
Figure 654300DEST_PATH_IMAGE074
时刻出发，在t时到达转向j的路径交通流的比例系数；
则得到关系：
Figure 434038DEST_PATH_IMAGE075
其中，
Figure 829247DEST_PATH_IMAGE076
为转向j在t时刻的预测交通量；
S6.3、交叉口转向交通量量化：根据
Figure 79837DEST_PATH_IMAGE077
中关键交通流的转移交通量，确定原始路径上关联交叉口各转向j减少的交通量，绕行路径上关联交叉口各转向j增加的交通量，诱导前后交叉口各转向的流量变化量为：
Figure 902300DEST_PATH_IMAGE078
其中，
Figure 169333DEST_PATH_IMAGE079
为转向j的预测交通量；
Figure 305916DEST_PATH_IMAGE080
、
Figure 974795DEST_PATH_IMAGE081
分别为诱导交通流y从转向j绕走的交通量，绕行路径交通流x流入转向j增加的交通量，
Figure 968159DEST_PATH_IMAGE082
、
Figure 660171DEST_PATH_IMAGE083
分别为转向j的诱导交通流集合、绕行交通流集合，
Figure 662762DEST_PATH_IMAGE084
为诱导前后转向j的交通量变化量，
Figure 186148DEST_PATH_IMAGE085
、
Figure 288096DEST_PATH_IMAGE086
分别为交通流y与x在
Figure 529721DEST_PATH_IMAGE087
时刻出发，在t时刻到达进口j转向的路径交通量的比例系数；
S6.4、根据关联交叉口相位流量，计算相位饱和度：
Figure 70424DEST_PATH_IMAGE088
根据流量大小，计算关联交叉口的重要度
Figure 714612DEST_PATH_IMAGE089
；
Figure 315358DEST_PATH_IMAGE090
S6.5、设定交叉口重要度阈值为
Figure 778700DEST_PATH_IMAGE091
，将
Figure 264039DEST_PATH_IMAGE092
定义为关键交叉口，反之为非关键交叉口；
S6.6、以流向绿信比为控制变量，以关键交叉口通行能力最大为目标，构建交叉口通行能力优化模型：
Figure 496437DEST_PATH_IMAGE093
其中，
Figure 268084DEST_PATH_IMAGE094
为信号控制方案，max为求最大值函数。
进一步的，步骤S7的具体实现方法包括如下步骤：
S7.1、利用迭代算法进行求解，步骤如下：
S7.1.1、初始化：设置迭代次数n=0，路段初始信号控制方案为
Figure 156406DEST_PATH_IMAGE095
，根据初始信号控制方案求解交通诱导方案
Figure 38911DEST_PATH_IMAGE096
，得到初次迭代的交通分布
Figure 391395DEST_PATH_IMAGE097
；
S7.1.2、迭代：设置迭代次数n=1，根据
Figure 271627DEST_PATH_IMAGE098
，求解一次迭代的信号控制方案
Figure 709561DEST_PATH_IMAGE099
，然后求解一次迭代的交通诱导方案
Figure 395757DEST_PATH_IMAGE100
，得到一次迭代的交通分布
Figure 38966DEST_PATH_IMAGE101
；
S7.1.3、利用前后两次迭代结果的相对误差表征不同协同方案下交通变化的幅度
Figure 152416DEST_PATH_IMAGE102
：
Figure 77646DEST_PATH_IMAGE103
S7.1.4、当
Figure 239637DEST_PATH_IMAGE104
，终止迭代，反之，返回步骤S7.1.2继续迭代；
S7.2、采用遗传算法求解均衡度评价模型，计算关键交通流的诱导分量，步骤如下：
S7.2.1、编码：
Figure 566714DEST_PATH_IMAGE105
，设s=4，按以下规则编码：
Figure 585485DEST_PATH_IMAGE106
其中，
Figure 935695DEST_PATH_IMAGE107
为自变量编码精度，
Figure 760432DEST_PATH_IMAGE108
、
Figure 942014DEST_PATH_IMAGE109
指代自变量的最大、最小值，s为编码精度系数；
S7.2.2、适应度：适应度函数
Figure 334949DEST_PATH_IMAGE110
，S为均衡度上限；
S7.2.3、收敛：选用平均相对误差作为收敛标准，若连续2次迭代结果的相对误差小于0.15，中止求解，否则继续求解；
S7.3、采用遗传算法求解交叉口通行能力优化模型，计算关键交叉的信号控制方案，步骤如下：
S7.3.1、编码：
Figure 969193DEST_PATH_IMAGE111
，设s=4，按以下规则编码；
Figure 535304DEST_PATH_IMAGE112
其中，
Figure 273190DEST_PATH_IMAGE113
为自变量编码精度，
Figure 899344DEST_PATH_IMAGE108
、
Figure 20883DEST_PATH_IMAGE109
指代自变量的最大、最小值，s为编码精度系数；
S7.3.2、适应度：令适应度函数为
Figure 328368DEST_PATH_IMAGE114
；
S7.3.3、收敛：选用平均相对误差作为收敛标准，若连续2次迭代结果的相对误差小于0.15，中止求解，否则继续求解。
电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现所述的一种交通诱导与信号控制协同优化方法的步骤。
计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述的一种交通诱导与信号控制协同优化方法。
本发明的有益效果：
本发明所述的交通诱导与信号控制协同优化方法，克服了人工及经验判断的局限性，基于数据驱动，深化应用高精车辆轨迹等新型数据，利用过车轨迹追溯交通来源及去向，深入诊断拥堵致因，解析致堵车流，实现致因诊断与机理认知，确定关键致堵车流，以消除堵点为目标，计算最优调控量，避免局部拥堵的同时，大幅提高道路拥堵治理的速度与精度。
本发明所述的交通诱导与信号控制协同优化方法，突破了传统交通诱导与信号控制宏观协同的视角，针对单一堵点，建立靶向、定向的关联交通流诱导与交叉口控制协同优化模型，明确模型的传参流程与协作机制，给出层级递进的求解方法，提高交通施策精准度，解决管不准的难题。
本发明所述的交通诱导与信号控制协同优化方法，解决了因交通管制造成的拥堵转移问题，通过交通量预测，结合道路容量限制，确定调控总量，建模求解各个关联车流的调控分量，制定定量的协同调控方案，解决了管到什么程度的难题。
本发明所述的交通诱导与信号控制协同优化方法，以均衡交通分布为目标，确定绕行路径，靶向引流绕行并精准定位关联交叉口，适配最优信控方案，有效均衡交通分布，提高路网整体运行效益。
附图说明
图1为本发明所述的一种交通诱导与信号控制协同优化方法的流程图；
图2为本发明所述的一种交通诱导与信号控制协同优化方法的协同方案实现过程图；
图3为本发明所述的一种交通诱导与信号控制协同优化方法的关键车流诱导分流示意图；
图4为本发明所述的一种交通诱导与信号控制协同优化方法的关键交叉口信号配时优化示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施方式，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅用以解释本发明，并不用于限定本发明，即所描述的具体实施方式仅仅是本发明一部分实施方式，而不是全部的具体实施方式。通常在此处附图中描述和展示的本发明具体实施方式的组件可以以各种不同的配置来布置和设计，本发明还可以具有其他实施方式。
因此，以下对在附图中提供的本发明的具体实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定具体实施方式。基于本发明的具体实施方式，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他具体实施方式，都属于本发明保护的范围。
为能进一步了解本发明的发明内容、特点及功效，兹例举以下具体实施方式，并配合附图详细说明如下 ：
具体实施方式一：
一种交通诱导与信号控制协同优化方法，包括如下步骤：
S1、采集多源实时交通数据：所述多源实时交通数据包括交通量、交通速度、交通占有率、车牌信息、时间戳、车辆位置、信号控制配时方案；
S2、利用步骤S1得到的车辆位置、时间戳，构造车辆轨迹；
进一步的，步骤S2中结合车辆位置序列
Figure 484543DEST_PATH_IMAGE001
、时间戳过车时间序列
Figure 281597DEST_PATH_IMAGE002
，将车辆途径节点根据时间顺序串联，构造车辆轨迹，车辆轨迹
Figure 828116DEST_PATH_IMAGE003
的数学表达式为：
Figure 736030DEST_PATH_IMAGE004
其中，
Figure 746711DEST_PATH_IMAGE005
为
Figure 652350DEST_PATH_IMAGE006
中的任意一项，
Figure 748482DEST_PATH_IMAGE007
为
Figure 460086DEST_PATH_IMAGE008
中的任意一项；
S3、根据步骤S2得到的车辆轨迹和步骤S1的多源实时交通数据，利用神经网络算法进行交通状态预测，若出现交通拥堵，则以拥堵路段为源头，根据上下游路段的交通量关联度划定调控范围；
进一步的，步骤S3中的上下游路段的交通量关联度的计算公式为：
Figure 964755DEST_PATH_IMAGE009
其中，
Figure 103612DEST_PATH_IMAGE010
为路段i到路段j的交通量关联度，
Figure 687040DEST_PATH_IMAGE011
为由路段i行驶到路段j的交通量，由行车轨迹分析结果确定；
Figure 202335DEST_PATH_IMAGE012
为路段j的预测交通量，取
Figure 859712DEST_PATH_IMAGE013
的路段划入调控范围；
S4、根据步骤S3划定的调控范围合并相同车辆轨迹、定位关联交通流，然后进行交通量预测；
进一步的，步骤S4的具体实现方法包括如下步骤：
S4.1、确定关联交通流，则交通流经路径k在t时刻到达路段a的交通量
Figure 169471DEST_PATH_IMAGE014
为：
Figure 240195DEST_PATH_IMAGE015
其中，
Figure 231285DEST_PATH_IMAGE016
为路径k起始路段至路段a的行程距离，
Figure 71065DEST_PATH_IMAGE017
为路径k的历史平均车速，T指车辆沿着路径k的起始路段运行至路段a的最大行驶时间，t为当前时刻，
Figure 551725DEST_PATH_IMAGE018
为
Figure 47428DEST_PATH_IMAGE019
时刻出发，沿着k路径，在t时刻到达路段a的交通量比例系数，
Figure 638947DEST_PATH_IMAGE020
为路径k在
Figure 333233DEST_PATH_IMAGE019
时刻的预测交通量；
S4.2、量化路径交通流与路段交通流的关系，路段a在t时刻的预测交通量
Figure 692451DEST_PATH_IMAGE021
与
Figure 472188DEST_PATH_IMAGE019
时刻的路径交通量
Figure 867398DEST_PATH_IMAGE020
的关系式为：
Figure 681770DEST_PATH_IMAGE022
其中，
Figure 441915DEST_PATH_IMAGE023
为经过路段a的交通流所行驶的路径集合；
S4.3、量化交通诱导前后，交通流行驶路径的变化对路段交通量的影响，表达式为：
Figure 708949DEST_PATH_IMAGE024
其中，
Figure 907849DEST_PATH_IMAGE025
为路段a的预测流量，
Figure 779990DEST_PATH_IMAGE026
为诱导交通流y从路段a绕走的交通量，
Figure 773354DEST_PATH_IMAGE027
为绕行路径交通流x流入路段a增加的交通量，
Figure 527683DEST_PATH_IMAGE028
为路段a的诱导交通流集合，
Figure 202378DEST_PATH_IMAGE029
为路段a的绕行交通流集合，
Figure 725763DEST_PATH_IMAGE030
、
Figure 155608DEST_PATH_IMAGE031
分别为交通流y与x在
Figure 833451DEST_PATH_IMAGE019
时刻出发，在t时刻到达路段a的路径交通量的比例系数；
S5、在步骤S4确定的关联交通流中选取关键交通流，然后根据Dijstra算法确定车辆绕行方案，计算调控总量，以路网交通均衡为目标，以调控分量为控制变量，构建均衡度评价模型；
进一步的，步骤S5的具体实现方法包括如下步骤：
S5.1、在关联交通流中选取关键交通流的步骤如下：
S5.1.1、获取信控方案，关联信号控制方案，量化路段的实际通行能力：
Figure 108575DEST_PATH_IMAGE032
其中，
Figure 752046DEST_PATH_IMAGE033
为a路段转向j的车道数，
Figure 87212DEST_PATH_IMAGE034
分别为a路段转向j的绿灯时间，
Figure 753817DEST_PATH_IMAGE035
分别为a路段转向j的饱和流率，
Figure 832631DEST_PATH_IMAGE036
为路段a的道路通行能力，大小取决于交叉口的信控方案；
S5.1.2、计算路段饱和度，基于道路通行能力与预测交通量比值，计算路段饱和度：
Figure 330609DEST_PATH_IMAGE037
其中，
Figure 39939DEST_PATH_IMAGE038
为路段a的交通饱和度，
Figure 990577DEST_PATH_IMAGE039
为路段a的排队交通量；
S5.1.3、计算路径饱和度，遵循木桶原理，定义路径饱和度为沿途路段饱和度的最大值为
Figure 873083DEST_PATH_IMAGE040
，表达式为：
Figure 163250DEST_PATH_IMAGE041
S5.1.4、计算交通流重要度，设拥堵路段d包含于路径k，则诱导路径k的交通流对疏导a路段拥堵的影响程度用贡献流量与饱和度的加权和表征
Figure 105798DEST_PATH_IMAGE042
，表达式为：
Figure 543732DEST_PATH_IMAGE043
K为路径k的集合；
S5.1.5、选取关键交通流，根据阈值法，设重要度阈值为
Figure 229929DEST_PATH_IMAGE044
，将
Figure 702498DEST_PATH_IMAGE045
的交通流定义为关键交通流，构成集合
Figure 815948DEST_PATH_IMAGE046
，对集合
Figure 177397DEST_PATH_IMAGE046
的交通流实施诱导；
S5.2、根据最短路算法确定交通流绕行方案，包括以下步骤：
S5.2.1、利用有效路径算法，确定与关键交通流起点、终点相同的有效绕行路径集合
Figure 401705DEST_PATH_IMAGE047
，设置理想饱和度阈值，根据预测交通量与通行能力差值，绕行路径的剩余通行能力为：
Figure 463202DEST_PATH_IMAGE048
其中，
Figure 685236DEST_PATH_IMAGE049
为路径k的剩余通行能力；
进一步的，步骤S5.2.2的具体实现方法包括如下步骤：
S5.2.2.1、设置路径阻抗
Figure 97762DEST_PATH_IMAGE060
，计算交通流沿着原路径经过拥堵路段所需的行程时间
Figure 125761DEST_PATH_IMAGE061
；
S5.2.2.2、运用Dijstra算法求解与诱导交通流起、终点相同的最短绕行路径，阻抗记为
Figure 307344DEST_PATH_IMAGE062
；
S5.2.2.3、验证绕行路径及绕行量是否满足以下约束：
a 要求绕行时间≤拥堵延误，以保障对出行者绕行不会增加额外的时间成本，比较
Figure 434700DEST_PATH_IMAGE061
与
Figure 334523DEST_PATH_IMAGE062
的大小，若
Figure 900633DEST_PATH_IMAGE063
，采纳路径k，否则返回5.2.2.2，搜索次短绕行路径；
b 要求绕行路径剩余通行能力≥诱导分量，以保障诱导分量转移到最短绕行路径不会导致拥堵转移问题，设诱导交通流承担的诱导分量为
Figure 139985DEST_PATH_IMAGE064
，比较理想饱和度下绕行路径的剩余通行能力
Figure 500559DEST_PATH_IMAGE065
与诱导分量
Figure 887678DEST_PATH_IMAGE066
的大小，若
Figure 693698DEST_PATH_IMAGE067
，则最短绕行路径为分流路径，若
Figure 584293DEST_PATH_IMAGE068
，最短绕行路径剩余承载能力不足，选择次短绕行路径；
c 若遍历od对所有路径后，不存在满足步骤a或步骤b的绕行路径，则返回步骤5.1重新选定关键交通流；
S5.3、计算诱导总量，设拥堵路段为d，d的交通需求为上一时间间隔滞留路段的车辆与预测交通量之和，拥堵路段的交通疏散能力取决于路段出口的信号配时方案，诱导总量为拥堵路段交通需求与疏散能力的差值：
Figure 381348DEST_PATH_IMAGE050
其中，
Figure 927867DEST_PATH_IMAGE051
为路段d的排队交通量，
Figure 101359DEST_PATH_IMAGE052
为路段d的预测流量，
Figure 112041DEST_PATH_IMAGE053
为路段d的道路通行能力，
Figure 283259DEST_PATH_IMAGE054
为d的诱导总量；
诱导分量与诱导总量满足以下关系：
Figure 379391DEST_PATH_IMAGE055
其中，诱导交通流承担的诱导分量为
Figure 90995DEST_PATH_IMAGE056
；
S5.4、以路网交通均衡为目标，以调控分量为控制变量，构建均衡度评价模型：
Figure 893866DEST_PATH_IMAGE057
其中，
Figure 32723DEST_PATH_IMAGE058
为交通诱导方案，
Figure 616151DEST_PATH_IMAGE059
为调控范围内各路段在t时刻的平均饱和度，min为求最小值函数；
S6、利用步骤S5得到的均衡度评价模型确定关联交叉口，然后从得到的关联交叉口中选取关键交叉口，构建交叉口通行能力优化模型；
进一步的，步骤S6的具体实现方法包括如下步骤：
S6.1、根据
Figure 296226DEST_PATH_IMAGE069
中交通流原始路径与绕行路径的轨迹，锁定转向需求发生变化的关联交叉口；
S6.2、路径k的预测交通量为
Figure 281500DEST_PATH_IMAGE070
，则路径交通流k在t时刻到达转向j的交通量
Figure 591258DEST_PATH_IMAGE071
为：
Figure 599665DEST_PATH_IMAGE072
其中，
Figure 653072DEST_PATH_IMAGE073
为第
Figure 492852DEST_PATH_IMAGE074
时刻出发，在t时到达转向j的路径交通流的比例系数；
则得到关系：
Figure 911195DEST_PATH_IMAGE075
其中，
Figure 203636DEST_PATH_IMAGE076
为转向j在t时刻的预测交通量；
S6.3、交叉口转向交通量量化：根据
Figure 60734DEST_PATH_IMAGE077
中关键交通流的转移交通量，确定原始路径上关联交叉口各转向j减少的交通量，绕行路径上关联交叉口各转向j增加的交通量，诱导前后交叉口各转向的流量变化量为：
Figure 755020DEST_PATH_IMAGE078
其中，
Figure 344265DEST_PATH_IMAGE079
为转向j的预测交通量；
Figure 389581DEST_PATH_IMAGE080
、
Figure 784790DEST_PATH_IMAGE081
分别为诱导交通流y从转向j绕走的交通量，绕行路径交通流x流入转向j增加的交通量，
Figure 973064DEST_PATH_IMAGE082
、
Figure 61106DEST_PATH_IMAGE083
分别为转向j的诱导交通流集合、绕行交通流集合，
Figure 328139DEST_PATH_IMAGE084
为诱导前后转向j的交通量变化量，
Figure 464722DEST_PATH_IMAGE085
、
Figure 868022DEST_PATH_IMAGE086
分别为交通流y与x在
Figure 126965DEST_PATH_IMAGE087
时刻出发，在t时刻到达进口j转向的路径交通量的比例系数；
S6.4、根据关联交叉口相位流量，计算相位饱和度：
Figure 818977DEST_PATH_IMAGE088
根据流量大小，计算关联交叉口的重要度
Figure 555989DEST_PATH_IMAGE089
；
Figure 79374DEST_PATH_IMAGE090
S6.5、设定交叉口重要度阈值为
Figure 446902DEST_PATH_IMAGE091
，将
Figure 422948DEST_PATH_IMAGE092
定义为关键交叉口，反之为非关键交叉口；
S6.6、以流向绿信比为控制变量，以关键交叉口通行能力最大为目标，构建交叉口通行能力优化模型：
Figure 963651DEST_PATH_IMAGE093
其中，
Figure 43340DEST_PATH_IMAGE094
为信号控制方案，max为求最大值函数；
S7、将步骤S5得到的均衡度评价模型、步骤S6得到的交叉口通行能力优化模型进行求解，得到交通诱导与信号控制协同优化方案；
进一步的，步骤S7的具体实现方法包括如下步骤：
S7.1、利用迭代算法进行求解，步骤如下：
S7.1.1、初始化：设置迭代次数n=0，路段初始信号控制方案为
Figure 378506DEST_PATH_IMAGE095
，根据初始信号控制方案求解交通诱导方案
Figure 107428DEST_PATH_IMAGE096
，得到初次迭代的交通分布
Figure 123925DEST_PATH_IMAGE097
；
S7.1.2、迭代：设置迭代次数n=1，根据
Figure 621903DEST_PATH_IMAGE098
，求解一次迭代的信号控制方案
Figure 127971DEST_PATH_IMAGE099
，然后求解一次迭代的交通诱导方案
Figure 547451DEST_PATH_IMAGE100
，得到一次迭代的交通分布
Figure 429956DEST_PATH_IMAGE101
；
S7.1.3、利用前后两次迭代结果的相对误差表征不同协同方案下交通变化的幅度
Figure 782440DEST_PATH_IMAGE102
：
Figure 662671DEST_PATH_IMAGE103
S7.1.4、当
Figure 100606DEST_PATH_IMAGE104
，终止迭代，反之，返回步骤S7.1.2继续迭代；
S7.2、采用遗传算法求解均衡度评价模型，计算关键交通流的诱导分量，步骤如下：
S7.2.1、编码：
Figure 521223DEST_PATH_IMAGE105
，设s=4，按以下规则编码：
Figure 993792DEST_PATH_IMAGE106
其中，
Figure 277881DEST_PATH_IMAGE107
为自变量编码精度，
Figure 203112DEST_PATH_IMAGE108
、
Figure 427420DEST_PATH_IMAGE109
指代自变量的最大、最小值，s为编码精度系数；
S7.2.2、适应度：适应度函数
Figure 692179DEST_PATH_IMAGE110
，S为均衡度上限；
S7.2.3、收敛：选用平均相对误差作为收敛标准，若连续2次迭代结果的相对误差小于0.15，中止求解，否则继续求解；
S7.3、采用遗传算法求解交叉口通行能力优化模型，计算关键交叉的信号控制方案，步骤如下：
S7.3.1、编码：
Figure 976530DEST_PATH_IMAGE111
，设s=4，按以下规则编码；
Figure 389057DEST_PATH_IMAGE112
其中，
Figure 89159DEST_PATH_IMAGE113
为自变量编码精度，
Figure 270742DEST_PATH_IMAGE108
、
Figure 725994DEST_PATH_IMAGE109
指代自变量的最大、最小值，s为编码精度系数；
S7.3.2、适应度：令适应度函数为
Figure 563500DEST_PATH_IMAGE114
；
S7.3.3、收敛：选用平均相对误差作为收敛标准，若连续2次迭代结果的相对误差小于0.15，中止求解，否则继续求解。
本实施方式所述的一种交通诱导与信号控制协同优化方法，提出一种面向拥堵热点的交通诱导与信号控制靶向协同优化方法。针对城市拥堵顽疾，通过交通预测，在交通拥堵形成初期，对比道路容量限制，量化堵点调控总量，在此基础上，根据过车轨迹确定堵点车流的来源于去向，根据不同信号控制条件下道路实际通行能力，诊断关键致堵车流及关键疏堵交叉口，通过诱导关键车流绕行、优化关键节点信号控制方案协同治堵，快速消除原发性拥堵。该方法能够快速响应交通拥堵，靶向定位管理对象，利用交通诱导与信号控制的迭代联调，快速消除路网局部堵点，提高交通治理精度与效能。
具体实施方式二：
本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的基于CREO软件的可修改由关系驱动的推荐数据的推荐方法的步骤。所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital,SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
具体实施方式三：
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的基于CREO软件的可修改由关系驱动的建模数据的建模方法的步骤。所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本发明的技术关键点和欲保护点为：
1、靶向诱导与信号控制协同优化的总体思路；
2、靶向诱导与信号控制协同、传参机制；
3、靶向诱导与信号控制的方法细节、协同模型。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然在上文中已经参考具体实施方式对本申请进行了描述，然而在不脱离本申请的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本申请所披露的具体实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本申请并不局限于文中公开的特定具体实施方式，而是包括落入权利要求的范围内的所有技术方案。

Claims (10)

1.一种交通诱导与信号控制协同优化方法，其特征在于：包括如下步骤：
S1、采集多源实时交通数据：所述多源实时交通数据包括交通量、交通速度、交通占有率、车牌信息、时间戳、车辆位置、信号控制配时方案；
S2、利用步骤S1得到的车辆位置、时间戳，构造车辆轨迹；
S3、根据步骤S2得到的车辆轨迹和步骤S1的多源实时交通数据，利用神经网络算法进行交通状态预测，若出现交通拥堵，则以拥堵路段为源头，根据上下游路段的交通量关联度划定调控范围；
S4、根据步骤S3划定的调控范围合并相同车辆轨迹、定位关联交通流，然后进行交通量预测；
S5、在步骤S4确定的关联交通流中选取关键交通流，然后根据Dijstra算法确定车辆绕行方案，计算调控总量，以路网交通均衡为目标，以调控分量为控制变量，构建均衡度评价模型；
S6、利用步骤S5得到的均衡度评价模型确定关联交叉口，然后从得到的关联交叉口中选取关键交叉口，构建交叉口通行能力优化模型；
S7、将步骤S5得到的均衡度评价模型、步骤S6得到的交叉口通行能力优化模型进行求解，得到交通诱导与信号控制协同优化方案。
2.根据权利要求1所述的一种交通诱导与信号控制协同优化方法，其特征在于：步骤S2中结合车辆位置序列
Figure 546232DEST_PATH_IMAGE001
、时间戳过车时间序列
Figure 497745DEST_PATH_IMAGE002
，将车辆途径节点根据时间顺序串联，构造车辆轨迹，车辆轨迹
Figure 217439DEST_PATH_IMAGE003
的数学表达式为：
Figure 464881DEST_PATH_IMAGE004
其中，
Figure 535605DEST_PATH_IMAGE005
为
Figure 589012DEST_PATH_IMAGE006
中的任意一项，
Figure 366475DEST_PATH_IMAGE007
为
Figure 847135DEST_PATH_IMAGE008
中的任意一项。
3.根据权利要求1或2所述的一种交通诱导与信号控制协同优化方法，其特征在于：步骤S3中的上下游路段的交通量关联度的计算公式为：
Figure 405155DEST_PATH_IMAGE009
其中，
Figure 934357DEST_PATH_IMAGE010
为路段i到路段j的交通量关联度，
Figure 628643DEST_PATH_IMAGE011
为由路段i行驶到路段j的交通量，由行车轨迹分析结果确定；
Figure 545784DEST_PATH_IMAGE012
为路段j的预测交通量，取
Figure 325521DEST_PATH_IMAGE013
的路段划入调控范围。
4.根据权利要求3所述的一种交通诱导与信号控制协同优化方法，其特征在于：步骤S4的具体实现方法包括如下步骤：
S4.1、确定关联交通流，则交通流经路径k在t时刻到达路段a的交通量
Figure 517468DEST_PATH_IMAGE014
为：
Figure 331840DEST_PATH_IMAGE015
其中，
Figure 154302DEST_PATH_IMAGE016
为路径k起始路段至路段a的行程距离，
Figure 857554DEST_PATH_IMAGE017
为路径k的历史平均车速，T指车辆沿着路径k的起始路段运行至路段a的最大行驶时间，t为当前时刻，
Figure 56454DEST_PATH_IMAGE018
为
Figure 725333DEST_PATH_IMAGE019
时刻出发，沿着k路径，在t时刻到达路段a的交通量比例系数，
Figure 656380DEST_PATH_IMAGE020
为路径k在
Figure 410709DEST_PATH_IMAGE019
时刻的预测交通量；
S4.2、量化路径交通流与路段交通流的关系，路段a在t时刻的预测交通量
Figure 147721DEST_PATH_IMAGE021
与
Figure 608789DEST_PATH_IMAGE019
时刻的路径交通量
Figure 38634DEST_PATH_IMAGE020
的关系式为：
Figure 280259DEST_PATH_IMAGE022
其中，
Figure 493066DEST_PATH_IMAGE023
为经过路段a的交通流所行驶的路径集合；
S4.3、量化交通诱导前后，交通流行驶路径的变化对路段交通量的影响，表达式为：
Figure 136537DEST_PATH_IMAGE024
其中，
Figure 471703DEST_PATH_IMAGE025
为路段a的预测流量，
Figure 371264DEST_PATH_IMAGE026
为诱导交通流y从路段a绕走的交通量，
Figure 450078DEST_PATH_IMAGE027
为绕行路径交通流x流入路段a增加的交通量，
Figure 948056DEST_PATH_IMAGE028
为路段a的诱导交通流集合，
Figure 657386DEST_PATH_IMAGE029
为路段a的绕行交通流集合，
Figure 608024DEST_PATH_IMAGE030
、
Figure 490530DEST_PATH_IMAGE031
分别为交通流y与x在
Figure 780697DEST_PATH_IMAGE019
时刻出发，在t时刻到达路段a的路径交通量的比例系数。
5.根据权利要求4所述的一种交通诱导与信号控制协同优化方法，其特征在于：步骤S5的具体实现方法包括如下步骤：
S5.1、在关联交通流中选取关键交通流的步骤如下：
S5.1.1、获取信控方案，关联信号控制方案，量化路段的实际通行能力：
Figure 723245DEST_PATH_IMAGE032
其中，
Figure 161179DEST_PATH_IMAGE033
为a路段转向j的车道数，
Figure 519480DEST_PATH_IMAGE034
分别为a路段转向j的绿灯时间，
Figure 992049DEST_PATH_IMAGE035
分别为a路段转向j的饱和流率，
Figure 105499DEST_PATH_IMAGE036
为路段a的道路通行能力，大小取决于交叉口的信控方案；
S5.1.2、计算路段饱和度，基于道路通行能力与预测交通量比值，计算路段饱和度：
Figure 484526DEST_PATH_IMAGE037
其中，
Figure 708834DEST_PATH_IMAGE038
为路段a的交通饱和度，
Figure 770331DEST_PATH_IMAGE039
为路段a的排队交通量；
S5.1.3、计算路径饱和度，遵循木桶原理，定义路径饱和度为沿途路段饱和度的最大值为
Figure 726785DEST_PATH_IMAGE040
，表达式为：
Figure 139312DEST_PATH_IMAGE041
S5.1.4、计算交通流重要度，设拥堵路段d包含于路径k，则诱导路径k的交通流对疏导a路段拥堵的影响程度用贡献流量与饱和度的加权和表征
Figure 167311DEST_PATH_IMAGE042
，表达式为：
Figure 286577DEST_PATH_IMAGE043
K为路径k的集合；
S5.1.5、选取关键交通流，根据阈值法，设重要度阈值为
Figure 476250DEST_PATH_IMAGE044
，将
Figure 376072DEST_PATH_IMAGE045
的交通流定义为关键交通流，构成集合
Figure 942183DEST_PATH_IMAGE046
，对集合
Figure 181534DEST_PATH_IMAGE046
的交通流实施诱导；
S5.2、根据最短路算法确定交通流绕行方案，包括以下步骤：
S5.2.1、利用有效路径算法，确定与关键交通流起点、终点相同的有效绕行路径集合
Figure 542109DEST_PATH_IMAGE047
，设置理想饱和度阈值，根据预测交通量与通行能力差值，绕行路径的剩余通行能力为：
Figure 929228DEST_PATH_IMAGE048
其中，
Figure 735247DEST_PATH_IMAGE049
为路径k的剩余通行能力；
S5.2.2、基于BPR函数估算绕行阻抗，利用Dijstra算法求解最短绕行路径；
S5.3、计算诱导总量，设拥堵路段为d，d的交通需求为上一时间间隔滞留路段的车辆与预测交通量之和，拥堵路段的交通疏散能力取决于路段出口的信号配时方案，诱导总量为拥堵路段交通需求与疏散能力的差值：
Figure 625843DEST_PATH_IMAGE050
其中，
Figure 422898DEST_PATH_IMAGE051
为路段d的排队交通量，
Figure 969417DEST_PATH_IMAGE052
为路段d的预测流量，
Figure 142909DEST_PATH_IMAGE053
为路段d的道路通行能力，
Figure 153590DEST_PATH_IMAGE054
为d的诱导总量；
诱导分量与诱导总量满足以下关系：
Figure 59229DEST_PATH_IMAGE055
其中，诱导交通流承担的诱导分量为
Figure 155361DEST_PATH_IMAGE056
；
S5.4、以路网交通均衡为目标，以调控分量为控制变量，构建均衡度评价模型：
Figure 866966DEST_PATH_IMAGE057
其中，
Figure 404257DEST_PATH_IMAGE058
为交通诱导方案，
Figure 543115DEST_PATH_IMAGE059
为调控范围内各路段在t时刻的平均饱和度，min为求最小值函数。
6.根据权利要求5所述的一种交通诱导与信号控制协同优化方法，其特征在于：步骤S5.2.2的具体实现方法包括如下步骤：
S5.2.2.1、设置路径阻抗
Figure 126543DEST_PATH_IMAGE060
，计算交通流沿着原路径经过拥堵路段所需的行程时间
Figure 812477DEST_PATH_IMAGE061
；
S5.2.2.2、运用Dijstra算法求解与诱导交通流起、终点相同的最短绕行路径，阻抗记为
Figure 797750DEST_PATH_IMAGE062
；
S5.2.2.3、验证绕行路径及绕行量是否满足以下约束：
a 要求绕行时间≤拥堵延误，以保障对出行者绕行不会增加额外的时间成本，比较
Figure 107509DEST_PATH_IMAGE061
与
Figure 115916DEST_PATH_IMAGE062
的大小，若
Figure 169323DEST_PATH_IMAGE063
，采纳路径k，否则返回5.2.2.2，搜索次短绕行路径；
b 要求绕行路径剩余通行能力≥诱导分量，以保障诱导分量转移到最短绕行路径不会导致拥堵转移问题，设诱导交通流承担的诱导分量为
Figure 9103DEST_PATH_IMAGE064
，比较理想饱和度下绕行路径的剩余通行能力
Figure 427446DEST_PATH_IMAGE065
与诱导分量
Figure 719887DEST_PATH_IMAGE066
的大小，若
Figure 576984DEST_PATH_IMAGE067
，则最短绕行路径为分流路径，若
Figure 271271DEST_PATH_IMAGE068
，最短绕行路径剩余承载能力不足，选择次短绕行路径；
c 若遍历od对所有路径后，不存在满足步骤a或步骤b的绕行路径，则返回步骤5.1重新选定关键交通流。
7.根据权利要求6所述的一种交通诱导与信号控制协同优化方法，其特征在于：步骤S6的具体实现方法包括如下步骤：
S6.1、根据
Figure 860515DEST_PATH_IMAGE069
中交通流原始路径与绕行路径的轨迹，锁定转向需求发生变化的关联交叉口；
S6.2、路径k的预测交通量为
Figure 905832DEST_PATH_IMAGE070
，则路径交通流k在t时刻到达转向j的交通量
Figure 301041DEST_PATH_IMAGE071
为：
Figure 286052DEST_PATH_IMAGE072
其中，
Figure 374094DEST_PATH_IMAGE073
为第
Figure 641127DEST_PATH_IMAGE074
时刻出发，在t时到达转向j的路径交通流的比例系数；
则得到关系：
Figure 777710DEST_PATH_IMAGE075
其中，
Figure 181010DEST_PATH_IMAGE076
为转向j在t时刻的预测交通量；
S6.3、交叉口转向交通量量化：根据
Figure 439953DEST_PATH_IMAGE077
中关键交通流的转移交通量，确定原始路径上关联交叉口各转向j减少的交通量，绕行路径上关联交叉口各转向j增加的交通量，诱导前后交叉口各转向的流量变化量为：
Figure 131965DEST_PATH_IMAGE078
其中，
Figure 868977DEST_PATH_IMAGE079
为转向j的预测交通量；
Figure 392363DEST_PATH_IMAGE080
、
Figure 822207DEST_PATH_IMAGE081
分别为诱导交通流y从转向j绕走的交通量，绕行路径交通流x流入转向j增加的交通量，
Figure 594991DEST_PATH_IMAGE082
、
Figure 135694DEST_PATH_IMAGE083
分别为转向j的诱导交通流集合、绕行交通流集合，
Figure 779164DEST_PATH_IMAGE084
为诱导前后转向j的交通量变化量，
Figure 52014DEST_PATH_IMAGE085
、
Figure 780936DEST_PATH_IMAGE086
分别为交通流y与x在
Figure 859750DEST_PATH_IMAGE087
时刻出发，在t时刻到达进口j转向的路径交通量的比例系数；
S6.4、根据关联交叉口相位流量，计算相位饱和度：
Figure 799805DEST_PATH_IMAGE088
根据流量大小，计算关联交叉口的重要度
Figure 305873DEST_PATH_IMAGE089
；
Figure 522090DEST_PATH_IMAGE090
S6.5、设定交叉口重要度阈值为
Figure 342279DEST_PATH_IMAGE091
，将
Figure 694763DEST_PATH_IMAGE092
定义为关键交叉口，反之为非关键交叉口；
S6.6、以流向绿信比为控制变量，以关键交叉口通行能力最大为目标，构建交叉口通行能力优化模型：
Figure 637311DEST_PATH_IMAGE093
其中，
Figure 12929DEST_PATH_IMAGE094
为信号控制方案，max为求最大值函数。
8.根据权利要求7所述的一种交通诱导与信号控制协同优化方法，其特征在于：步骤S7的具体实现方法包括如下步骤：
S7.1、利用迭代算法进行求解，步骤如下：
S7.1.1、初始化：设置迭代次数n=0，路段初始信号控制方案为
Figure 433546DEST_PATH_IMAGE095
，根据初始信号控制方案求解交通诱导方案
Figure 906115DEST_PATH_IMAGE096
，得到初次迭代的交通分布
Figure 691669DEST_PATH_IMAGE097
；
S7.1.2、迭代：设置迭代次数n=1，根据
Figure 616900DEST_PATH_IMAGE098
，求解一次迭代的信号控制方案
Figure 841208DEST_PATH_IMAGE099
，然后求解一次迭代的交通诱导方案
Figure 338923DEST_PATH_IMAGE100
，得到一次迭代的交通分布
Figure 623273DEST_PATH_IMAGE101
；
S7.1.3、利用前后两次迭代结果的相对误差表征不同协同方案下交通变化的幅度
Figure 35800DEST_PATH_IMAGE102
：
Figure 798220DEST_PATH_IMAGE103
S7.1.4、当
Figure 917486DEST_PATH_IMAGE104
，终止迭代，反之，返回步骤S7.1.2继续迭代；
S7.2、采用遗传算法求解均衡度评价模型，计算关键交通流的诱导分量，步骤如下：
S7.2.1、编码：
Figure 372738DEST_PATH_IMAGE105
，设s=4，按以下规则编码：
Figure 272561DEST_PATH_IMAGE106
其中，
Figure 776354DEST_PATH_IMAGE107
为自变量编码精度，
Figure 812443DEST_PATH_IMAGE108
、
Figure 438597DEST_PATH_IMAGE109
指代自变量的最大、最小值，s为编码精度系数；
S7.2.2、适应度：适应度函数
Figure 763399DEST_PATH_IMAGE110
，S为均衡度上限；
S7.2.3、收敛：选用平均相对误差作为收敛标准，若连续2次迭代结果的相对误差小于0.15，中止求解，否则继续求解；
S7.3、采用遗传算法求解交叉口通行能力优化模型，计算关键交叉的信号控制方案，步骤如下：
S7.3.1、编码：
Figure 867621DEST_PATH_IMAGE111
，设s=4，按以下规则编码；
Figure 23796DEST_PATH_IMAGE112
其中，
Figure 257069DEST_PATH_IMAGE113
为自变量编码精度，
Figure 865905DEST_PATH_IMAGE108
、
Figure 711501DEST_PATH_IMAGE109
指代自变量的最大、最小值，s为编码精度系数；
S7.3.2、适应度：令适应度函数为
Figure 722182DEST_PATH_IMAGE114
；
S7.3.3、收敛：选用平均相对误差作为收敛标准，若连续2次迭代结果的相对误差小于0.15，中止求解，否则继续求解。
9.电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1-8任一项所述的一种交通诱导与信号控制协同优化方法的步骤。
10.计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8任一项所述的一种交通诱导与信号控制协同优化方法。
CN202211108272.4A 2022-09-13 2022-09-13 交通诱导与信号控制协同优化方法、电子设备及存储介质 Active CN115188199B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211108272.4A CN115188199B (zh) 2022-09-13 2022-09-13 交通诱导与信号控制协同优化方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211108272.4A CN115188199B (zh) 2022-09-13 2022-09-13 交通诱导与信号控制协同优化方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115188199A true CN115188199A (zh) 2022-10-14
CN115188199B CN115188199B (zh) 2023-02-14

Family

ID=83524781

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211108272.4A Active CN115188199B (zh) 2022-09-13 2022-09-13 交通诱导与信号控制协同优化方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115188199B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830851A (zh) * 2022-11-03 2023-03-21 阿波罗智联(北京)科技有限公司 交通流量调节方法、装置、设备及介质
CN116959275A (zh) * 2023-09-20 2023-10-27 济南致业电子有限公司 一种城市交通拥堵优化方法及系统
CN118506579A (zh) * 2024-07-09 2024-08-16 云南公路联网收费管理有限公司 一种基于高速流量监测的智能诱导方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101465057A (zh) * 2009-01-05 2009-06-24 天津大学 智能式动态路线诱导系统诱导子区协调方法
CN102542793A (zh) * 2012-01-11 2012-07-04 东南大学 一种交叉口群过饱和交通态势主动控制方法
CN105205546A (zh) * 2015-08-12 2015-12-30 东南大学 一种城市道路平面交叉口转向比例实时估计方法
CN106683450A (zh) * 2017-01-25 2017-05-17 东南大学 一种城市信号控制交叉口群关键路径识别方法
CN109215340A (zh) * 2018-08-31 2019-01-15 广州运星科技有限公司 一种交叉路口流量动态控制方法、系统、设备和存储介质
CN109754597A (zh) * 2018-08-02 2019-05-14 银江股份有限公司 一种城市道路区域拥堵调控策略推荐系统及方法
CN110111574A (zh) * 2019-05-16 2019-08-09 北京航空航天大学 一种基于流量树分析的城市交通不平衡评价方法
CN111613046A (zh) * 2019-02-26 2020-09-01 阿里巴巴集团控股有限公司 信息处理方法、装置和系统
CN112927513A (zh) * 2021-03-02 2021-06-08 深圳市城市交通规划设计研究中心股份有限公司 一种实时在线交通仿真方法及系统
CN113393679A (zh) * 2021-06-10 2021-09-14 中南大学 基于交通路口车流识别与统计的区域交通诱导方法及系统
CN114842659A (zh) * 2022-05-07 2022-08-02 青岛海信网络科技股份有限公司 一种交通拥堵疏导方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101465057A (zh) * 2009-01-05 2009-06-24 天津大学 智能式动态路线诱导系统诱导子区协调方法
CN102542793A (zh) * 2012-01-11 2012-07-04 东南大学 一种交叉口群过饱和交通态势主动控制方法
CN105205546A (zh) * 2015-08-12 2015-12-30 东南大学 一种城市道路平面交叉口转向比例实时估计方法
CN106683450A (zh) * 2017-01-25 2017-05-17 东南大学 一种城市信号控制交叉口群关键路径识别方法
CN109754597A (zh) * 2018-08-02 2019-05-14 银江股份有限公司 一种城市道路区域拥堵调控策略推荐系统及方法
CN109215340A (zh) * 2018-08-31 2019-01-15 广州运星科技有限公司 一种交叉路口流量动态控制方法、系统、设备和存储介质
CN111613046A (zh) * 2019-02-26 2020-09-01 阿里巴巴集团控股有限公司 信息处理方法、装置和系统
CN110111574A (zh) * 2019-05-16 2019-08-09 北京航空航天大学 一种基于流量树分析的城市交通不平衡评价方法
CN112927513A (zh) * 2021-03-02 2021-06-08 深圳市城市交通规划设计研究中心股份有限公司 一种实时在线交通仿真方法及系统
CN113393679A (zh) * 2021-06-10 2021-09-14 中南大学 基于交通路口车流识别与统计的区域交通诱导方法及系统
CN114842659A (zh) * 2022-05-07 2022-08-02 青岛海信网络科技股份有限公司 一种交通拥堵疏导方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DIAN DZHIBAROV: "Road traffic modelling and development of a specific traffic light control system", 《2021 INTERNATIONAL CONFERENCE AUTOMATICS AND INFORMATICS (ICAI)》 *
罗舒琳: "面向常发拥堵点的主动交通诱导方法", 《交通信息与安全》 *
郭亚娟: "城市道路交通拥堵区域动态识别及边界控制策略研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830851A (zh) * 2022-11-03 2023-03-21 阿波罗智联(北京)科技有限公司 交通流量调节方法、装置、设备及介质
CN115830851B (zh) * 2022-11-03 2024-05-31 阿波罗智联(北京)科技有限公司 交通流量调节方法、装置、设备及介质
CN116959275A (zh) * 2023-09-20 2023-10-27 济南致业电子有限公司 一种城市交通拥堵优化方法及系统
CN116959275B (zh) * 2023-09-20 2023-12-26 济南致业电子有限公司 一种城市交通拥堵优化方法及系统
CN118506579A (zh) * 2024-07-09 2024-08-16 云南公路联网收费管理有限公司 一种基于高速流量监测的智能诱导方法及系统
CN118506579B (zh) * 2024-07-09 2024-09-13 云南公路联网收费管理有限公司 一种基于高速流量监测的智能诱导方法及系统

Also Published As

Publication number Publication date
CN115188199B (zh) 2023-02-14

Similar Documents

Publication Publication Date Title
CN115188199B (zh) 交通诱导与信号控制协同优化方法、电子设备及存储介质
Boyce et al. Convergence of traffic assignments: how much is enough?
Christofa et al. Person-based traffic responsive signal control optimization
Lin et al. Real-time bus arrival time prediction: case study for Jinan, China
Liang et al. Real-time urban traffic amount prediction models for dynamic route guidance systems
CN102542793B (zh) 一种交叉口群过饱和交通态势主动控制方法
CN109035784B (zh) 基于多源异构数据的动态车流od估计方法
Dunne et al. Regime-based short-term multivariate traffic condition forecasting algorithm
Lazar et al. Learning how to dynamically route autonomous vehicles on shared roads
Groot et al. Toward system-optimal routing in traffic networks: A reverse stackelberg game approach
Liu et al. Development of a VISSIM simulation model for U-turns at unsignalized intersections
Roshandeh et al. New methodology for intersection signal timing optimization to simultaneously minimize vehicle and pedestrian delays
Hamad et al. Developing a measure of traffic congestion: Fuzzy inference approach
CN106952475B (zh) 用户均衡原则下的双路径路网个性化诱导率分配方法
CN105930914A (zh) 基于起讫点距离的城市公交最优收费结构的收费确定方法
Wismans et al. Real time traffic models, decision support for traffic management
Tan et al. Hybrid model predictive control based dynamic pricing of managed lanes with multiple accesses
CN113628446B (zh) 一种基于物联网的交通信息采集分析方法及系统
CN105279963B (zh) 一种获取路况信息的方法及装置
Ryu et al. Two-stage bicycle traffic assignment model
Roncoli et al. Model predictive control for motorway traffic with mixed manual and VACS-equipped vehicles
Sharma et al. Municipal infrastructure asset levels of service assessment for investment decisions using analytic hierarchy process
Xu et al. Applying finite mixture models to New York City travel times
JP2000285362A (ja) ナビゲーション装置
CN116434564A (zh) 速度预测方法、设备及存储介质

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