CN116758765A - 一种适用多模式交通的多目标信号控制优化方法 - Google Patents

一种适用多模式交通的多目标信号控制优化方法 Download PDF

Info

Publication number
CN116758765A
CN116758765A CN202310680098.9A CN202310680098A CN116758765A CN 116758765 A CN116758765 A CN 116758765A CN 202310680098 A CN202310680098 A CN 202310680098A CN 116758765 A CN116758765 A CN 116758765A
Authority
CN
China
Prior art keywords
traffic
function
model
optimization
objective
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.)
Pending
Application number
CN202310680098.9A
Other languages
English (en)
Inventor
钟绍鹏
龚云海
洪思雨
翟君诺
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202310680098.9A priority Critical patent/CN116758765A/zh
Publication of CN116758765A publication Critical patent/CN116758765A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G08G1/0137—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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/081—Plural intersections under common control
    • 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)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于智能交通信号控制的技术领域，具体为一种适用多模式交通的多目标信号控制优化方法，包括模型准备、带约束的多目标全概率贝叶斯优化和终止迭代。其中，模型准备部分构建多模式交通整合模型，获取先验训练集；带约束的多目标全概率贝叶斯优化部分是基于模型准备部分的先验训练集优化得到下一采样点(一组信号配时方案)，并将结果输入至多模式交通整合模型中运行获得所有目标函数值；之后通过终止迭代部分判断是否终止优化过程。可以利用本发明对多模式交通信号控制多目标优化问题进行求解，当达到终止迭代中设置的条件，就可获得满意的信号配时方案。本发明同样适用于无模型的场景(即完全脱离微观交通仿真平台和交通安全评估软件)。

Description

一种适用多模式交通的多目标信号控制优化方法
技术领域
本发明属于智能交通信号控制的技术领域，涉及多目标贝叶斯优化算法、带约束的贝叶斯优化算法、主动学习、全贝叶斯高斯过程以及多模式交通信号优化方法，具体为一种适用多模式交通的多目标信号控制优化方法。
背景技术
交通系统的组成多样而复杂(如私家车、公交车、行人、自行车、卡车、应急车辆等)。为了更好地解决交通控制问题，对基于模式交互的多模式交通系统进行现实建模与控制研究是十分必要的。以往许多研究采用以私家车为基础增加公交车或自行车或行人作为另一种交通方式的策略进行多模式交通信号控制研究(如公交信号优先级和行人过街)，并且多以优化通行效率为主要目标。如Tang等在《Multi-Modal Traffic Signal Control inShared Space Street》中针对多模式信号协调问题，建立了基于周期的多模式(私家车、公交车和轻轨)交通信号控制优化模型，以三种交通方式的总出行成本和交通延误最小为目标，使用粒子群优化算法选择最优的信号方案。Li等在《Regional Coordinated BusPriority Signal Control Considering Pedestrian and Vehicle Delays at UrbanIntersections》中提出了一种区域协调公交优先信号控制方法，这是一种考虑行人和乘客延误的网络级公交优先控制方法，并使用遗传算法优化获得近似最优的网络信号方案。Khwais和Haddad在《Optimal Presignal Control for Two-Mode Traffic at IsolatedSignalized Intersections》中提出了一种最优的信号预控制策略，该策略基于私家车和公交车总花费时间的最小化，使用庞特里亚金最大化原理来确定信号方案。
现有多模式交通信号控制优化方法存在以下问题：一是，多以私家车和公交车组成的多模式交通，而实际交通环境更加复杂，无法获得适用真实交通环境的信号配时方案。二是，多以交通通行效率为优化目标，无法优化从更加安全、公平和高效的角度优化多种交通模式组成的交通流。三是，现有的启发式优化算法往往需要很多次迭代才能获取近似最优解，而多模式交通模型由于涉及多种交通方式的交互影响使其很复杂计算成本很高，这种以高计算成本换取更优信号配时方案的策略会阻碍其应用至实际交通问题。
发明内容
针对上述问题，本发明提出一种适用多模式交通的多目标信号控制优化方法。本发明基于网络所有路段流量数据、转向比数据、原始信号配时方案数据和网络道路基础上数据，使用微观交通仿真软件和交通安全分析软件构建多模式交通整合模型；设计基于微观交通仿真模型、交通安全分析模型和带约束的多目标全概率贝叶斯优化算法的优化器，使用该优化器求解上述的多模式多目标交通信号优化模型，直至获得交叉口最优的信号配时方案。本发明所要解决的信号控制优化问题的决策变量为信号控制参数(相位显示顺序、周期时长、绿灯时间、相位差)。
本发明的技术方案：
一种适用多模式交通的多目标信号控制优化方法，包括模型准备、带约束的多目标全概率贝叶斯优化和终止迭代。其中，模型准备部分构建多模式交通整合模型，获取先验训练集；带约束的多目标全概率贝叶斯优化部分是基于模型准备部分的先验训练集优化得到下一采样点(一组信号配时方案)，并将结果输入至多模式交通整合模型中运行获得所有目标函数值；之后通过终止迭代部分判断是否终止优化过程。
具体步骤如下：
步骤1.模型准备
(1.1)搭建多模式交通整合模型
多模式交通整合模型是由微观交通仿真软件和交通安全评估软件搭建而成。首先，基于可靠的道路网络基础数据、网络交通流中不同类型车辆属性及车辆比例数据、原始的信号配时方案数据、网络各路段流量数据和转向比数据输入至微观交通仿真软件(如VISSIM、SUMO)中构建微观交通仿真模型；其次，通过运行微观交通仿真模型可以获取所有车辆的运行状态数据和轨迹数据；最后，将车辆轨迹数据输入至交通安全评估软件(如SSAM)中进行交通安全评估计算交通总冲突数。
基于多模式交通整合模型，使用者可以获得多类目标函数值。这些目标函数可分为三类，分别为交通效率评估函数、交通公平性评估函数和交通安全性评估函数。其中，交通效率评估函数(如总等待时间、总延误时间、平均出行时间)和交通公平性评估函数(如基尼系数)的值都是通过所有车辆的运行状态数据计算而得；交通安全性评估函数(如冲突率、交通事故估计数)的值是通过交通总冲突数计算而得。
综上，多模式交通整合模型输入是一组信号配时方案，输出是相对应的多类目标函数值。
(1.2)获得带约束的多目标全概率贝叶斯优化所需要的先验训练集并设置相关参数
通过拉丁超立方体取样方法选取n0组信号配时方案i∈{1,…,n0}，其中xi表示第i组信号配时方案。将这些方案输入逐一至步骤(1.1)构建的多模式交通整合模型获得相应的多类目标函数值，初始目标函数集为w∈{1,…,O}，其中/>表示第i组的第w个目标函数值，W为目标函数的个数。最后，基于信号配时方案和目标函数值构建先验训练集/>
将迭代次数记为Iter，令Iter＝0，预先设置最大迭代次数Itermax。预先设置多类目标函数最大值ymax和最小值ymin，基于yinit计算初始帕累托前沿超体积值记为POimp，计数器Count＝0，并预先设置计数器最大值Countmax。
步骤2.带约束的多目标全概率贝叶斯优化
(2.1)使用步骤(1.2)获得的先验训练集基于全贝叶斯高斯过程回归模型拟合潜在函数f与决策变量x(即信号控制参数)之间的关系。而y是潜在函数与高斯噪音ε的观测值，即
将进行高斯过程回归训练的数据集记为D＝(x,y)，令D＝D0，则该多元高斯分布可以表示为：
其中Kθ＝kθ(xi,xj)，kθ(xi,xj)是协方差核函数，kθ表示核函数是用超参数θ进行参数化的，核函数可以为径向基函数、马顿核函数或二次有理函数等。
(2.2)使用全贝叶斯估计步骤(2.1)模型的超参数。
在超参数上放置先验信息p(θ)并近似模型完整的后验分布，即：
p(f,θ|y,x)∝p(y|f)p(f|θ,x)p(θ)＝p(y|θ,x)p(θ)
则使用马尔科夫链蒙特卡洛(MCMC)取样方法选取M个样本通过最大化后验分布来确定最佳的超参数即：
其中
(2.3)基于步骤(2.2)取样结果确定下一采样点x*的均值和方差。
每次MCMC取样都可以获得一个θj，j∈{1,…,M}，从而可以得到相应的均值和方差，即：
其中是x*与训练集输入之间的协方差矩阵，/>是x*和x*之间的协方差矩阵。
基于MCMC取样的每一个预测都能看成为一个高斯混合模型，则分层的预测后验实际上就是M个高斯过程的混合。下一采样点后验分布的均值μGMM和方差分为：
(2.4)基于步骤(2.3)的均值μGMM和方差构建获取函数，并最大化获取函数确定下一采样点。
通过最大化获取函数AF(x)确定下一采样点x*，即：
其中Ω是满足周期时长约束的决策变量空间，AF(x)＝HvPOI(x)+λ*B-QBC(x)，HvPOI(x)是基于超体积的改进概率函数，λ是权重参数，B-QBC(x)是由后验p(θ|y)得出的均值函数μθ(x)的方差给出的，即B-QBC(x)＝Vp(θ|D)[μθ(x)|θ]。
HvPOI(x)的计算过程具体如下：
其中Himp表示帕累托前沿超体积的提升值， 是第w个目标的均值函数；/>是当前帕累托前沿点集合；H(·)是超体积指示函数；PM表示提升的概率；Q表示目标函数空间的非支配区域；φw是第w个目标函数的概率密度函数；fw是第w个目标的潜在函数。
(2.5)评估下一采样点
将步骤(2.4)获得的x*输入至步骤(1.1)的多模式交通整合模型中，输出下一采样点所对应的目标值
(2.6)计算帕累托前沿超体积值
基于步骤(2.5)的结果更新确定当前的帕累托前沿点集，再根据ymax和ymin计算当前帕累托前沿非支配区域的面积(超体积)值如果/>令计数器Count＝0和/>如果/>则Count＝Count+1。
步骤3.终止迭代
判断当前迭代是否满足终止条件。终止条件有2个，第一个条件是迭代次数要超过最大迭代次数Itermax，第二个条件是计数器超过最大值Countmax。如果Iter＞Itermax或者Count＞Countmax，则直接返回帕累托前沿集合点所对应的信号配时方案；反之，则更新训练集Iter＝Iter+1，返回至步骤2继续迭代优化。
使用者可以利用本发明对多模式交通信号控制多目标优化问题进行求解，当达到终止迭代中设置的条件，就可获得满意的信号配时方案。本发明同样适用于无模型的场景(即完全脱离微观交通仿真平台和交通安全评估软件)，即在实际条件允许的情况下，使用者可以在现实世界中选定一片实验区域，设定好该区域的信号配时方案，通过道路和交叉口安装的检测设备来获得一定时间内的交通评价数据，进而计算多目标函数值。
本发明与现有技术相比，具有以下优势：
(1)本发明能够解决多模式交通信号控制多目标优化问题。以往交通信号控制优化问题的解决方案多以机动车的通行效率为主要考虑因素，而现实交通往往是由多种交通方式组成并且系统通行效率最大化已经不能作为衡量交通环境优劣的唯一标准，以往的方案缺少对多种模式交通在交叉口通行相互影响的考量。本发明的多模式交通多目标信号优化方法既能真实反应交通环境，又能使各类交通出行者更加安全、公平、高效地通过信号控制交叉口。
(2)本发明使用带约束的多目标全概率贝叶斯优化算法，既能在约束空间中快速寻找到近似最优解(即大幅度降低计算成本)，又能保证帕累托前沿集合的优越性(即多目标权衡优化下的高质量解)。以往多采用遗传算法，收敛速度慢，易获得局部最优解，而本发明在所使用方法中融入主动学习方法，能够快速寻找到约束空间中多目标权衡优化下的最优解。
附图说明
图1是本发明中带约束的多目标全概率贝叶斯优化流程图；
图2是实施例中多模式交通整合模型示意图；
图3是实施例中三维帕累托前沿图；
图4是实施例中平均等待时间与基尼系数的二维平面图；
图5是实施例中平均等待时间与冲突率的二维平面图；
图6是实施例中基尼系数与冲突率的二维平面图；
图7是实施例中超体积值随着迭代次数的变化图。
具体实施方式
以下是结合附图和技术方案，详细叙述本发明的具体实施方式，并模拟发明的实施效果。
本实施例通过以丹麦根本哈根市典型信号控制交叉口为案例进行验证，并对案例的信号配时方案进行优化，最终可以得到多目标权衡下最优的信号配时方案，该方案能够同时兼顾交通安全性、交通公平性和交通效率。具体如下：
1.多模式交通整合模型构建
选取某市中心城区一个典型的信号控制交叉口作为研究对象。该交叉口的交通组成主要为私家车、公交车和自行车，其中公交车没有公交专用道，也没有相应的专用相位，自行车有自行车专用道，也没有专用相位。
通过实地调研，以及综合HCM2010和丹麦交通年报2020，获得如下晚高峰17:00至18:00交通数据：
表1研究交叉口交通数据
交通方式 高峰小时流量 转向比 平均容量 模式划分
私家车 1000辆/小时 3:6:1 3 51.5％
公交车 48辆/小时 3:6:1 40 33％
自行车 900辆/小时 3:6:1 1 15.5％
在交叉口的四个方向共设有8个公交站点，12条公交线路，公交发车频率均为15分钟/辆。
初始信号配时方案有4个相位，周期时长为124秒，黄灯设置的为4秒。各个相位及绿灯时间具体如表2所示：
表2交叉口原始信号配时方案
相位 东西直行 东西左转 南北直行 南北左转
绿灯时间 30秒 24秒 30秒 24秒
通过上述数据，使用城市微观交通仿真软件(本实施例以SUMO为例)和交通安全评估软件(本实施例以SSAM为例)构建多模式交通整合模型，如图1所示。本实施例设置的仿真运行时间长度为4500秒，其中前900秒为仿真模型不稳定期，后3600秒为模型稳定期(即有效仿真时间)。运行仿真模型，通过记录统计有效仿真时间期间结果，获得交叉口所有车辆的等待时间和交通冲突数。
2.求解多模式多目标信号控制优化问题说明
为了简化问题，本实施例考虑定时信号控制下的交通信号优化问题。具体为，相位结构和相位显示顺序固定，周期时长固定，仅优化四个相位的绿信比。根据满足行人安全过街的最小绿灯时间原则，将机动车相位的最小绿灯时间设置为5秒。上述多模式多目标信号优化问题，可用如下公式表示：
minF(x1,x2,x3)＝[f1(x1,x2,x3),f2(x1,x2,x3),f3(x1,x2,x3)]
s.t.
x1+x2+x3≤124-4×4-5＝103
xi≥5,i∈{1,2,3}
其中F表示目标函数向量，x1是第一个相位绿灯时间，x2是第二个相位绿灯时间，x3是第三个相位绿灯时间；f1是交叉口平均等待时间(通行效率)，f2是基尼系数(交通公平性)，f3是交通冲突率(交通安全性)。
3.求解上述问题
本实施例中相关参数设置为Itermax＝300，n0＝10，ymax＝(1500,1,50)，ymin＝(0,0,0)，Countmax＝100。根据周期时间和最小绿灯时间约束，本实施例中所有决策变量的取值范围设置为[5,93]。
本发明方法从交通安全、公平和效率三个维度优化信号控制交叉口的信号配时方案，所得帕累托前沿如图2所示，同时图4、图5和图6给了三个目标两两之间的二维平面图。图7展示了帕累托前沿超体积值随迭代次数的变化情况，从图中可以发现从250次迭代开始，超体积值变化已经非常小了，则认为优化迭代收敛。初始状态基于先验数据集的帕累托前沿值为25455，通过300次迭代优化最终可得帕累托前沿值为30972，相较初始状态提升21.67％，可以看出帕累托前沿的提升程度非常大，也就是本实施案例结果的改善效果也是非常好。帕累托前沿上集合点所对应的信号配时方案如表3所示。同时，表4以其中一优化结果进行了优化前后结果的对比，可以发现本发明方法能够在保证更加公平的通行权和提升交通安全的前提下，尽可能减少系统平均等待时间。此外，使用者可以根据交通实际情况选择合适的信号配时方案，如果使用者更看重交通安全层面，则可以选择交通冲突率尽可能小的方案，如若使用者更看重交通公平性，则可以选择基尼系数较小的方案。
表3帕累托前沿上集合点以及所对应的信号配时方案
表4优化前后结果对比

Claims (1)

1.一种适用多模式交通的多目标信号控制优化方法，其特征在于，包括模型准备、带约束的多目标全概率贝叶斯优化和终止迭代；其中，模型准备部分构建多模式交通整合模型，获取先验训练集；带约束的多目标全概率贝叶斯优化部分是基于模型准备部分的先验训练集优化得到下一采样点，即一组信号配时方案，并将结果输入至多模式交通整合模型中运行获得所有目标函数值；之后通过终止迭代部分判断是否终止优化过程；具体步骤如下：
步骤1.模型准备
(1.1)搭建多模式交通整合模型
多模式交通整合模型是由微观交通仿真软件和交通安全评估软件搭建而成；首先，基于可靠的道路网络基础数据、网络交通流中不同类型车辆属性及车辆比例数据、原始的信号配时方案数据、网络各路段流量数据和转向比数据输入至微观交通仿真软件中构建微观交通仿真模型；其次，通过运行微观交通仿真模型可以获取所有车辆的运行状态数据和轨迹数据；最后，将车辆轨迹数据输入至交通安全评估软件中进行交通安全评估计算交通总冲突数；
基于多模式交通整合模型，获得多类目标函数值；这些目标函数分为三类，分别为交通效率评估函数、交通公平性评估函数和交通安全性评估函数；其中，交通效率评估函数和交通公平性评估函数的值都是通过所有车辆的运行状态数据计算而得；交通安全性评估函数的值是通过交通总冲突数计算而得；
因此，多模式交通整合模型输入是一组信号配时方案，输出是相对应的多类目标函数值；
(1.2)获得带约束的多目标全概率贝叶斯优化所需要的先验训练集并设置相关参数
通过拉丁超立方体取样方法选取n0组信号配时方案i∈{1,…,n0}，其中xi表示第i组信号配时方案；将这些方案输入逐一至步骤(1.1)构建的多模式交通整合模型获得相应的多类目标函数值，初始目标函数集为其中/>表示第i组的第w个目标函数值，W为目标函数的个数；最后，基于信号配时方案和目标函数值构建先验训练集/>
将迭代次数记为Iter，令Iter＝0，预先设置最大迭代次数Itermax；预先设置多类目标函数最大值ymax和最小值ymin，基于yinit计算初始帕累托前沿超体积值记为POimp，计数器Count＝0，并预先设置计数器最大值Countmax；
步骤2.带约束的多目标全概率贝叶斯优化
(2.1)使用步骤(1.2)获得的先验训练集基于全贝叶斯高斯过程回归模型拟合潜在函数f与决策变量x即信号控制参数之间的关系；而y是潜在函数与高斯噪音ε的观测值，即
将进行高斯过程回归训练的数据集记为D＝(x,y)，令D＝D0，则该多元高斯分布表示为：
其中Kθ＝kθ(xi,xj)，kθ(xi,xj)是协方差核函数，kθ表示核函数是用超参数θ进行参数化；
(2.2)使用全贝叶斯估计步骤(2.1)模型的超参数；
在超参数上放置先验信息p(θ)并近似模型完整的后验分布，即：
p(f,θ|y,x)∝p(y|f)p(f|θ,x)p(θ)＝p(y|θ,x)p(θ)
则使用马尔科夫链蒙特卡洛MCMC取样方法选取M个样本通过最大化后验分布来确定最佳的超参数即：
其中
(2.3)基于步骤(2.2)取样结果确定下一采样点x*的均值和方差；
每次MCMC取样都获得一个θj，j∈{1,…,M}，从而得到相应的均值和方差，即：
其中是x*与训练集输入之间的协方差矩阵，/>是x*和x*之间的协方差矩阵；
基于MCMC取样的每一个预测都能看成为一个高斯混合模型，则分层的预测后验实际上就是M个高斯过程的混合；下一采样点后验分布的均值μGMM和方差分为：
(2.4)基于步骤(2.3)的均值μGMM和方差构建获取函数，并最大化获取函数确定下一采样点；
通过最大化获取函数AF(x)确定下一采样点x*，即：
其中Ω是满足周期时长约束的决策变量空间，AF(x)＝HvPOI(x)+λ*B-QBC(x)，HvPOI(x)是基于超体积的改进概率函数，λ是权重参数，B-QBC(x)是由后验p(θy)得出的均值函数μθ(x)的方差给出的，即B-QBC(x)＝Vp(θ|D)[μθ(x)|θ]；
HvPOI(x)的计算过程具体如下：
其中Himp表示帕累托前沿超体积的提升值， 是第w个目标的均值函数；/>是当前帕累托前沿点集合；H(·)是超体积指示函数；PM表示提升的概率；Q表示目标函数空间的非支配区域；φw是第w个目标函数的概率密度函数；fw是第w个目标的潜在函数；
(2.5)评估下一采样点
将步骤(2.4)获得的x*输入至步骤(1.1)的多模式交通整合模型中，输出下一采样点所对应的目标值
(2.6)计算帕累托前沿超体积值
基于步骤(2.5)的结果更新确定当前的帕累托前沿点集，再根据ymax和ymin计算当前帕累托前沿非支配区域的面积值如果/>令计数器Count＝0和如果/>则Count＝Count+1；
步骤3.终止迭代
判断当前迭代是否满足终止条件；终止条件有2个，第一个条件是迭代次数要超过最大迭代次数Itermax，第二个条件是计数器超过最大值Countmax；如果Iter＞Itermax或者Count＞Countmax，则直接返回帕累托前沿集合点所对应的信号配时方案；反之，则更新训练集Iter＝Iter+1，返回至步骤2继续迭代优化。
CN202310680098.9A 2023-06-09 2023-06-09 一种适用多模式交通的多目标信号控制优化方法 Pending CN116758765A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310680098.9A CN116758765A (zh) 2023-06-09 2023-06-09 一种适用多模式交通的多目标信号控制优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310680098.9A CN116758765A (zh) 2023-06-09 2023-06-09 一种适用多模式交通的多目标信号控制优化方法

Publications (1)

Publication Number Publication Date
CN116758765A true CN116758765A (zh) 2023-09-15

Family

ID=87960130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310680098.9A Pending CN116758765A (zh) 2023-06-09 2023-06-09 一种适用多模式交通的多目标信号控制优化方法

Country Status (1)

Country Link
CN (1) CN116758765A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117119022A (zh) * 2023-10-25 2023-11-24 广东百德朗科技有限公司 一种基于mqtt协议的能耗数据处理方法、系统、设备及介质
CN117744894A (zh) * 2024-02-19 2024-03-22 中国科学院电工研究所 一种综合能源系统的主动学习代理优化方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117119022A (zh) * 2023-10-25 2023-11-24 广东百德朗科技有限公司 一种基于mqtt协议的能耗数据处理方法、系统、设备及介质
CN117119022B (zh) * 2023-10-25 2024-01-30 广东百德朗科技有限公司 一种基于mqtt协议的能耗数据处理方法、系统、设备及介质
CN117744894A (zh) * 2024-02-19 2024-03-22 中国科学院电工研究所 一种综合能源系统的主动学习代理优化方法
CN117744894B (zh) * 2024-02-19 2024-05-28 中国科学院电工研究所 一种综合能源系统的主动学习代理优化方法

Similar Documents

Publication Publication Date Title
CN116758765A (zh) 一种适用多模式交通的多目标信号控制优化方法
Zhu et al. Typical-driving-style-oriented personalized adaptive cruise control design based on human driving data
CN110362910A (zh) 基于博弈论的自动驾驶车辆换道冲突协调模型建立方法
CN108848462B (zh) 适用于信号控制交叉口的实时车辆轨迹预测方法
WO2018064931A1 (zh) 考虑出租车运营状态下的城市道路行程时间分布估算方法
Jayawardana et al. Learning eco-driving strategies at signalized intersections
CN110956851B (zh) 一种智能网联汽车协同调度换道方法
CN105046956A (zh) 一种基于转向系数的交通流模拟及预测方法
Hyeon et al. Short-term speed forecasting using vehicle wireless communications
Zhang et al. Optimal Signal Timing Method of Intersections Based on Bus Priority
Guo et al. A novel energy consumption prediction model with combination of road information and driving style of BEVs
Xie et al. Aerodynamic-aware coordinated control of following speed and power distribution for hybrid electric trucks
CN110517510A (zh) 基于改进Webster函数和遗传算法的交叉口信号灯配时优化方法
CN104700634A (zh) 基于最小生成树聚类改进遗传算法的相邻交叉口干道协调控制方法
Wang et al. ARIMA model and few-shot learning for vehicle speed time series analysis and prediction
CN111311905A (zh) 一种基于粒子群优化小波神经网络的高速公路行程时间预测方法
CN113110359B (zh) 约束型智能汽车自主决策系统在线训练方法及装置
Bakibillah et al. Sustainable eco-driving strategy at signalized intersections from driving data
CN109255948A (zh) 一种基于卡尔曼滤波的分车道车流比例预测方法
CN112750304A (zh) 一种基于交通仿真的交叉口数据采集区间确定方法及装置
CN116588123A (zh) 基于安全势场模型的风险感知的预警策略方法
Luo et al. Evaluation on the Fuel Economy of Automated Vehicles with Data-Driven Simulation Method
CN113705891B (zh) 基于mra-bas-bp算法的城市商办综合体建筑停车需求预测方法
Jayasinghe et al. Calibration of SUMO microscopic simulator for Sri Lankan traffic conditions
Fei et al. The Driver Time Memory Car‐Following Model Simulating in Apollo Platform with GRU and Real Road Traffic Data

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