CN115909743A - 一种基于cp-cnn的近信号区混合车群cav引导控制方法 - Google Patents

Abstract

本发明公开了一种基于CP‑CNN的近信号区混合车群CAV引导控制方法，该方法包括获取三车道近信号区内混合异质车群的单车数据，将单车物理特征信息映射到多维特征图，构建模型数据集；基于卷积神经网络构建混合车群宏观车流预测模型，即CP‑CNN，并对模型进行训练；根据近信号区信号灯与实时交通状态，构建混合车群动态优化目标；设计混合交通近信号区下基于CP‑CNN的近信号区混合车群CAV引导控制方法；设计基于粒子群优化算法的可变限速值寻优策略。本发明针对近信号区车流变化与信号灯变化，自适应地对CAV车辆进行车速控制，实现交叉口通行瓶颈的有效控制。

Description

一种基于CP-CNN的近信号区混合车群CAV引导控制方法

技术领域

本发明属于智能交通信息技术领域，具体涉及一种新型混合交通条件下的近信号区车群CAV引导控制方法，可适用于智能网联环境下的近信号区车群优化与瓶颈负效应抑制。

背景技术

信号交叉口是城市道路拥堵瓶颈区域与事故高发区，车路冲突集中、调控决策复杂、通行效率低下。为提升控制效果，增加调控手段，国内外学者将交叉口及其相邻的一段延伸区域作为近信号控制区进行研究。随着智能汽车技术的发展，出现了网联自动车与网联人驾车构成的异质交通流，为解决信号交叉口拥堵问题提供了新的途径。因此，以新型混合车流中的网联自动车作为近信号区瓶颈负面影响的切入点，是一个值得探索的问题。

现有的关于信号交叉口拥堵的研究，多集中于车流预测对信号灯进行配时控制。如专利公开文献CN109697866A公开了一种边缘计算交通信号灯控制系统及控制方法，根据采集的车流量进行动态调整学习获得第一交通信号灯配时策略，根据预设算法对所有路口第一交通信号灯配时策略进行全局优化获得所有路口的最优交通信号灯配时策略。该方法侧重于对信号灯配时进行调整，而随着交通流量与交通密度的增大，通过调整信号灯配时所发挥的调控作用越来越小。

发明内容

有鉴于此，本发明的目的是提供一种一种新型混合交通条件下的近信号区车群CAV引导控制方法，该方法包括以下步骤：

步骤1：获取三车道近信号区内混合异质车群的单车数据，将单车物理特征信息映射到多维特征图，构建模型数据集；

步骤2：基于卷积神经网络构建混合车群宏观车流预测模型CP-CNN，并对模型进行训练；

步骤3：根据近信号区信号灯与实时交通状态，构建混合车群动态优化目标；

步骤4：设计混合交通近信号区下基于CP-CNN的近信号区混合车群CAV引导控制方法；

步骤5：设计基于粒子群优化算法的可变限速值寻优策略。

进一步地，所述步骤1包括：

步骤11：选定长度为L的近信号区路段s，获取t时刻路段s内车辆n₁,n₂,...,n_k的物理特征信息，所述物理特征信息包含车辆信息、车辆位置信息和运动状态信息，其中，所述车辆信息包括车辆id、车辆类型p，其用以区分人驾车HV和网联自动车CAV；所述车辆的位置信息包括所属车道c、车道纵向位置x(车头位置)；所述运动状态信息包括速度v、加速度a、偏航角h、目标转向车道td；

步骤12：根据t时刻路段s内的单车数据，将路段s划分为c×m个单元，c为车道的数量，m为每条车道划分的单元数量，确定每条车道单个单元划分的长度l_min，用公式表示为：

式中，L代表路段s的长度；

步骤13：确定每一条车道每辆车插入的单元位置，具体的操作为先构建c×m×f的特征矩阵，f为特征层的数量，然后根据车辆在路段中的相对位置将车辆的物理特征信息插入到对应的单元中，对于每一条车道，每辆车插入的单元位置的计算公式为：

式中，m_i和m_i′表示插入特征矩阵中横向位置的范围，即，m_i′表示插入的起始位置，m_i表示插入的终止位置，x_j为第j辆车的纵向位置，s_min为路段s的初始位置，l_j为第j辆车的长度，“[·]”表示取整函数；

步骤14：选取τ作为时间间隔，将选定控制时间T内所有时刻构建的特征矩阵作为卷积神经网络输入，表示为：

X＝[M₁,M₂,M₃,…,M_n]

式中，M_t为时刻t的车群特征矩阵，n为时间T内获取的数据量，即CNN模型输入的训练集数据大小。

进一步地，所述步骤2包括：

步骤21：选取t+τ时刻，近信号区引道内平均车流量作为训练标签，搭建CNN深度网络；

步骤22：对构建的t时刻路段s的多维特征图进行标准化处理，输入到CNN模型中进行训练，其中，数据标准化的公式为：

式中，f_i ^*为标准化的数据，f_i为样本i中的需要进行标准化的特征值，f_min为需要进行标准化的特征值的最小值，f_max为需要进行标准化的特征值的最大值；

步骤23：经过多次卷积和池化后，经过全连接层输出，完成模型的训练，CP-CNN模型输出为预测出的t+τ时刻近信号区引道内平均车流量q。

进一步地，所述步骤3包括：

步骤31：计算近信号区内不同信号灯状态下引道区域最大通行容量，

当信号灯为红色时，

当信号灯为绿色时，最大通行容量计算公式为：

式中，

为引道最大通行容量，p_c、p_h为CAV和HV的渗透率，且p_h＝1-p_c，Δx_cc为CAV跟驰CAV的车头时距，Δx_ch为CAV跟驰HV的车头时距，Δx_hc为HV跟驰CAV的车头时距，Δx_hh为HV跟驰HV的车头时距；

步骤32：将不同信号灯情况下的引道最大通行容量，作为混合车群动态优化目标，与CP-CNN模型预测的引道车流量进行对比，如果t+τ时刻引道车流量大于t+τ时刻引道区域最大通行容量，则进行可变限速控制。

进一步地，所述步骤4包括：

步骤41：根据引道区域计算出的t+τ时刻最大通行容量

与CP-CNN模型预测的引道车流量进行对比q，如果

则不进行控制；

步骤42：如果

则对近信号区内的CAV车辆进行控制，采用积分控制器计算可变限速值：

式中，V_SL(t)是采用CAV引导控制算法，对CAV车辆提出的速度控制值，K_I为待定控制参数，根据反馈进行优化，得到最优控制速度，其优化目标为：

式中，q^*(t+τ)为在t时刻实施CAV引导控制后，将V_SL(t)值替换多维特征图中CAV车辆速度v，根据CP-CNN模型预测出的t+τ时刻的引道车流量；q(t+τ)为未进行可变限速控制下CP-CNN模型预测出的t+τ时刻的引道车流量；

为根据饱和流率法计算出的t+τ时刻的引道最大通行容量；|·|为绝对值符号。

进一步地，所述步骤5包括：

根据所述优化目标，基于反馈思想与粒子群优化算法，对待定控制参数进行K_I寻优，具体包括以下步骤：

步骤51：设置粒子群优化算法中的相关参数，如算法中使用的粒子的数量n、Archive集的存档阈值

以及划分网格数量的参数M、约束条件的设置、算法的迭代次数；

步骤52：在约束条件下，随机生成均匀分布，初始化各个粒子的速度和粒子的位置；

步骤53：根据适应度函数，计算各个粒子对应的适应度，并将其作为自身的局部最优解Pbest；

步骤54：根据Pareto占优规则，将初始化粒子中的非劣解添加到Archive集中；

步骤55：基于网格法，获得Archive集中各个粒子的密度估计值，并根据基于自适应网格的Pareto最优解搜索算法筛选粒子的全局最优解gBest；

步骤56：更新各个粒子的速度和位置，生成下一代粒子群体；

步骤57：根据适应度函数计算各个粒子的适应度，并更新各个粒子的局部最优解Pbest；

步骤58：根据Pareto占优规则，将当前的粒子的非劣解加入到Archive集中，更新Archive集，并且判断Archive集中的粒子的数量是否达到存档阈值

如果是，则需要Archive集进行截断处理；

步骤59：返回到步骤55：更新粒子的全局最优解；

步骤510：对当前的迭代次数进行判断，如果没有达到设定的最大值，则返回步骤56，如果达到最大值，则结束寻优。

本发明的有益效果是：

本发明提出一种新型混合交通条件下的近信号区混合车群CAV引导控制方法，该方法针对目前少有学者从车辆控制的角度出发，探究如何以网联自动车为切入点，对信号交叉口拥堵情况进行缓解等问题。本发明利用网联环境下获得的单车信息，充分考虑新型混合车群单车空间物理信息，将车辆的运动状态和空间分布特征映射到多维特征图，并由卷积神经网络进行学习，实现混合车群演化规律的精准刻画。在此基础上，根据近信号区信号灯与实际交通情况，结合饱和流率法计算近信号区内不同信号灯状态下引道区域最大通行容量，将其结果与CAV速度引导控制算法相结合，并基于粒子群优化算法进行寻优，设计了基于CP-CNN的近信号区混合车群CAV引导控制算法方案。本发明提出的一种基于CP-CNN的近信号区混合车群CAV引导控制方法，能够针对近信号区车流变化与信号灯变化，自适应地对CAV车辆进行车速控制，实现交叉口通行瓶颈的有效控制，具有适用范围广，控制效果好等优点。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为本发明总体流程示意图；

图2为步骤1车群特征提取与多维特征向量构建示意图；

图3为步骤2深度学习网络示意图；

图4为粒子群优化算法流程图。

具体实施方式

以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

如图1所示，一种基于CP-CNN的近信号区混合车群CAV引导控制方法，该方法包括以下步骤：

步骤1)，获取三车道近信号区内混合异质车群的单车数据，将单车物理特征信息映射到多维特征图，构建模型数据集。在一些实施例中，该步骤具体包括以下几个子步骤：

步骤11：选定长度为L的近信号区路段s，获取t时刻路段s内车辆、n₁,n₂,...,n_k的物理特征信息，所述物理特征信息包含车辆信息、车辆位置信息和运动状态信息，其中，车辆信息包括车辆id、车辆类型(type)p(用以区分人驾车HV和网联自动车CAV)；车辆的位置信息包括所属车道c、车道纵向位置x(车头位置)；运动状态信息包括速度v、加速度a、偏航角(yaw angle)h、目标转向车道td，具体可参见图2所示的车群特征提取与多维特征向量构建示意图。其中，在图2中，整体长方形区域505*3表示的是长度为L的近信号区路段s及其纵向三个车道，长方形区域中不同深浅的小长方形表示当前车辆所在位置及其存储在五个通道(5channels)中的物理信息，每个通道分别为速度、加速度、偏航角、目标转向车道和车辆类型。由于每辆车的5个信息物理特征值不同，将其叠加并转化成RGB数值展现在示例图中时，呈现的颜色将不同，转成灰度图之后呈现出的色块的深浅就不同。需要说明的是，图2中示出的数据都只是示例性的，并不用来限制本发明。

步骤12：根据t时刻路段s内的单车数据，将路段s划分为c×m个单元，c为车道的数量，m为每条车道划分的单元数量，确定每条车道单个单元划分的长度l_min，可用以下公式表示：

式中，L代表路段s的长度；

步骤13：确定每一条车道每辆车插入的单元位置，具体的操作为先构建c×m×f的特征矩阵，f为特征层的数量，然后根据车辆在路段中的相对位置将车辆的物理特征信息插入到对应的单元中。由于车辆存在横跨多个单元的情况，因此需要对插入的位置进行确定。

在一些实施例中，对于每一条车道，每辆车插入的单元位置的计算公式可以表示为：

式中，m_i和m_i′表示插入特征矩阵中横向位置的范围，即，m_i′表示插入的起始位置，m_i表示插入的终止位置，x_j为第j辆车的纵向位置，s_min为路段s的初始位置，l_j为第j辆车的长度，“[·]”表示取整函数；

步骤14：选取τ作为时间间隔，将选定控制时间T内所有时刻构建的特征矩阵作为卷积神经网络输入，表示为：

X＝[M₁,M₂,M₃,…,M_n]

式中，M_t为时刻t的车群特征矩阵，n为时间T内获取的数据量，即CNN模型输入的训练集数据大小。

步骤2)，基于卷积神经网络构建混合车群宏观车流预测模型，即CP-CNN，并对模型进行训练，具体包括如下步骤：

步骤21：选取t+τ时刻近信号区引道内平均车流量作为训练标签，搭建CNN深度网络，如图3所示网络结构；

步骤22：对构建的t时刻路段s的多维特征图进行标准化处理，输入到CNN中进行训练。

数据标准化的公式为：

式中，f_i ^*为标准化的数据，f_i为样本i中的需要进行标准化的特征值，f_min为需要进行标准化的特征值的最小值，f_max为需要进行标准化的特征值的最大值；

步骤23：经过多次卷积(convolution)和池化(pooling)后，经过全连接层(FClayer)输出，完成模型的训练。在一些实施例中，在全连接层处理之前还可以经过压平层(Flatten layer)数据压平处理。CP-CNN模型输出为预测出的t+τ时刻近信号区引道内平均车流量q。

步骤3)，根据近信号区信号灯与实时交通状态，构建混合车群动态优化目标，具体包括如下步骤：

步骤31：基于美国道路通行能力手册HCM提出的饱和流率法，计算近信号区内不同信号灯状态下，引道区域最大通行容量。

当信号灯为红色时，

当信号灯为绿色时，最大通行容量计算公式为：

式中，

为引道最大通行容量，p_c、p_h为CAV和HV的渗透率，且p_h＝1-p_c。Δx_cc为CAV跟驰CAV的车头时距，同理，Δx_ch为CAV跟驰HV的车头时距，Δx_hc为HV跟驰CAV的车头时距，Δx_hh为HV跟驰HV的车头时距；

步骤32：将不同信号灯情况下的引道最大通行容量，作为混合车群动态优化目标，与CP-CNN模型预测的引道车流量进行对比，如果t+τ时刻引道车流量大于t+τ时刻引道区域最大通行容量，则进行可变限速控制。

步骤4)，结合步骤3)构建的神经网络模型，设计混合交通近信号区下基于CP-CNN的车群CAV引导控制算法，具体包括如下步骤：

步骤41：根据引道区域计算出的t+τ时刻最大通行容量

与CP-CNN模型预测的引道车流量进行对比q，如果

则不进行控制；

步骤42：如果

则对近信号区内的CAV车辆进行控制，采用积分控制器计算可变限速值：

式中，V_SL(t)是采用CAV速度控制算法，对CAV车辆提出的限速值；K_I为待定控制参数。根据反馈进行优化，得到最优控制速度，其优化目标为：

式中，q^*(t+τ)为在t时刻实施CAV速度控制后，将V_SL(t)值替换多维特征图中CAV车辆速度v，根据CP-CNN模型预测出的t+τ时刻的引道车流量；q(t+τ)为未进行可变限速控制下CP-CNN模型预测出的t+τ时刻的引道车流量；

为根据饱和流率法计算出的t+τ时刻的引道最大通行容量；|·|为绝对值符号。

步骤5)，根据步骤4)中设计的优化目标，基于反馈思想与粒子群优化算法，对待定控制参数进行K_I寻优，参考图4，具体包括以下步骤：

步骤51：设置粒子群优化算法中的相关参数，如算法中使用的粒子的数量n、Archive集的存档阈值

以及划分网格数量的参数M、约束条件的设置、算法的迭代次数；

步骤52：在约束条件下，随机生成均匀分布，初始化各个粒子的速度和粒子的位置；

步骤53：根据适应度函数，计算各个粒子对应的适应度，并将其作为自身的局部最优解Pbest；

步骤54：根据Pareto占优规则，将初始化粒子中的非劣解添加到Archive集中；

步骤55：基于网格法，获得Archive集中各个粒子的密度估计值，并根据基于自适应网格的Pareto最优解搜索算法筛选粒子的全局最优解gBest；

步骤56：更新各个粒子的速度和位置，生成下一代粒子群体；

步骤57：根据适应度函数计算各个粒子的适应度，并更新各个粒子的局部最优解Pbest；

步骤58：根据Pareto占优规则，将当前的粒子的非劣解加入到Archive集中，更新Archive集，并且判断Archive集中的粒子的数量是否达到存档阈值

如果是，则需要Archive集进行截断处理；

步骤59：返回到步骤55，更新粒子的全局最优解；

步骤510：对当前的迭代次数进行判断，如果没有达到设定的最大值，则返回步骤56，如果达到最大值，则结束寻优。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于CP-CNN的近信号区混合车群CAV引导控制方法，其特征在于，包括：

步骤1：获取三车道近信号区内混合异质车群的单车数据，将单车物理特征信息映射到多维特征图，构建模型数据集；

步骤2：基于卷积神经网络构建混合车群宏观车流预测模型CP-CNN，并对模型进行训练；

步骤3：根据近信号区信号灯与实时交通状态，构建混合车群动态优化目标；

步骤4：设计混合交通近信号区下基于CP-CNN的近信号区混合车群CAV引导控制方法；

步骤5：设计基于粒子群优化算法的可变限速值寻优策略。

2.根据权利要求1所述的基于CP-CNN的近信号区混合车群CAV引导控制方法，其特征在于，所述步骤1包括：

步骤11：选定长度为L的近信号区路段s，获取t时刻路段s内车辆n₁,n₂,...,n_k的物理特征信息，所述物理特征信息包含车辆信息、车辆位置信息和运动状态信息，其中，所述车辆信息包括车辆id、车辆类型p，其用以区分人驾车HV和网联自动车CAV；所述车辆的位置信息包括所属车道c、车道纵向位置x(车头位置)；所述运动状态信息包括速度v、加速度a、偏航角h、目标转向车道td；

步骤12：根据t时刻路段s内的单车数据，将路段s划分为c×m个单元，c为车道的数量，m为每条车道划分的单元数量，确定每条车道单个单元划分的长度l_min，用公式表示为：

式中，L代表路段s的长度；

步骤13：确定每一条车道每辆车插入的单元位置，具体的操作为先构建c×m×f的特征矩阵，f为特征层的数量，然后根据车辆在路段中的相对位置将车辆的物理特征信息插入到对应的单元中，对于每一条车道，每辆车插入的单元位置的计算公式为：

式中，m_i和m_i′表示插入特征矩阵中横向位置的范围，即，m_i′表示插入的起始位置，m_i表示插入的终止位置，x_j为第j辆车的纵向位置，s_min为路段s的初始位置，l_j为第j辆车的长度，“[·]”表示取整函数；

步骤14：选取τ作为时间间隔，将选定控制时间T内所有时刻构建的特征矩阵作为卷积神经网络输入，表示为：

X＝[M₁,M₂,M₃,…,M_n]

式中，M_t为时刻t的车群特征矩阵，n为时间T内获取的数据量，即CNN模型输入的训练集数据大小。

3.根据权利要求1所述的基于CP-CNN的近信号区混合车群CAV引导控制方法，其特征在于，所述步骤2包括：

步骤21：选取t+τ时刻，近信号区引道内平均车流量作为训练标签，搭建CNN深度网络；

步骤22：对构建的t时刻路段s的多维特征图进行标准化处理，输入到CNN模型中进行训练，其中，数据标准化的公式为：

式中，f_i ^*为标准化的数据，f_i为样本i中的需要进行标准化的特征值，f_min为需要进行标准化的特征值的最小值，f_max为需要进行标准化的特征值的最大值；

步骤23：经过多次卷积和池化后，经过全连接层输出，完成模型的训练，CP-CNN模型输出为预测出的t+τ时刻近信号区引道内平均车流量q。

4.根据权利要求1所述的基于CP-CNN的近信号区混合车群CAV引导控制方法，其特征在于，所述步骤3包括：

步骤31：计算近信号区内不同信号灯状态下引道区域最大通行容量，

当信号灯为红色时，

当信号灯为绿色时，最大通行容量计算公式为：

式中，

为引道最大通行容量，p_c、p_h为CAV和HV的渗透率，且p_h＝1-p_c，△x_cc为CAV跟驰CAV的车头时距，△x_ch为CAV跟驰HV的车头时距，△x_hc为HV跟驰CAV的车头时距，△x_hh为HV跟驰HV的车头时距；

步骤32：将不同信号灯情况下的引道最大通行容量，作为混合车群动态优化目标，与CP-CNN模型预测的引道车流量进行对比，如果t+τ时刻引道车流量大于t+τ时刻引道区域最大通行容量，则进行可变限速控制。

5.根据权利要求4所述的基于CP-CNN的近信号区混合车群CAV引导控制方法，其特征在于，所述步骤4包括：

步骤41：根据引道区域计算出的t+τ时刻最大通行容量

与CP-CNN模型预测的引道车流量进行对比q，如果

则不进行控制；

步骤42：如果

则对近信号区内的CAV车辆进行控制，采用积分控制器计算可变限速值：

式中，V_SL(t)是采用CAV引导控制算法，对CAV车辆提出的速度控制值，K_I为待定控制参数，根据反馈进行优化，得到最优控制速度，其优化目标为：

式中，q^*(t+τ)为在t时刻实施CAV引导控制后，将V_SL(t)值替换多维特征图中CAV车辆速度v，根据CP-CNN模型预测出的t+τ时刻的引道车流量；q(t+τ)为未进行可变限速控制下CP-CNN模型预测出的t+τ时刻的引道车流量；

为根据饱和流率法计算出的t+τ时刻的引道最大通行容量；|·|为绝对值符号。

6.根据权利要求5所述的基于CP-CNN的近信号区混合车群CAV引导控制方法，其特征在于，所述步骤5包括：

根据所述优化目标，基于反馈思想与粒子群优化算法，对待定控制参数进行K_I寻优，具体包括以下步骤：

步骤51：设置粒子群优化算法中的相关参数，如算法中使用的粒子的数量n、Archive集的存档阈值

以及划分网格数量的参数M、约束条件的设置、算法的迭代次数；

步骤52：在约束条件下，随机生成均匀分布，初始化各个粒子的速度和粒子的位置；

步骤53：根据适应度函数，计算各个粒子对应的适应度，并将其作为自身的局部最优解Pbest；

步骤54：根据Pareto占优规则，将初始化粒子中的非劣解添加到Archive集中；

步骤55：基于网格法，获得Archive集中各个粒子的密度估计值，并根据基于自适应网格的Pareto最优解搜索算法筛选粒子的全局最优解gBest；

步骤56：更新各个粒子的速度和位置，生成下一代粒子群体；

步骤57：根据适应度函数计算各个粒子的适应度，并更新各个粒子的局部最优解Pbest；

步骤58：根据Pareto占优规则，将当前的粒子的非劣解加入到Archive集中，更新Archive集，并且判断Archive集中的粒子的数量是否达到存档阈值N，如果是，则需要Archive集进行截断处理；

步骤59：返回到步骤55：更新粒子的全局最优解；

步骤510：对当前的迭代次数进行判断，如果没有达到设定的最大值，则返回步骤56，如果达到最大值，则结束寻优。

Images