CN117133119A - 基于时间预测的无专用道公交车辆优先行驶控制方法 - Google Patents
基于时间预测的无专用道公交车辆优先行驶控制方法 Download PDFInfo
- Publication number
- CN117133119A CN117133119A CN202311035384.6A CN202311035384A CN117133119A CN 117133119 A CN117133119 A CN 117133119A CN 202311035384 A CN202311035384 A CN 202311035384A CN 117133119 A CN117133119 A CN 117133119A
- Authority
- CN
- China
- Prior art keywords
- bus
- time
- speed
- strategy
- phase
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000001133 acceleration Effects 0.000 claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000002068 genetic effect Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000011144 upstream manufacturing Methods 0.000 claims description 6
- 230000006855 networking Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 5
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 description 29
- 238000004088 simulation Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 5
- 230000002457 bidirectional effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005312 nonlinear dynamic Methods 0.000 description 2
- 206010021033 Hypomenorrhoea Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000819 phase cycle Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- 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
- 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
Abstract
本发明属于交通信号控制技术领域,公开了一种基于时间预测的无专用道公交车辆优先行驶控制方法,包括以下步骤:S1、获取相关参数,预测公交车辆到达车速引导区域起点的时间;S2、依据下游交叉口的绿灯剩余时间,若公交车辆不能不停车通过下游交叉口,则执行公交车辆加速引导策略和/或执行绿灯延长策略;S3、依据下游交叉口的红灯剩余时间,若公交车辆不能不用停车排队等待下一信号周期绿灯亮起,则执行公交车辆减速引导策略和/或执行红灯早断策略。本发明设计了多种场景下的公交车辆优先行驶决策机制,为提高城市公共交通服务水平提供了参考。
Description
技术领域
本发明属于交通信号控制技术领域,具体涉及一种基于时间预测的无专用道公交车辆优先行驶控制方法。
背景技术
公交信号优先能够有效提升公交运营系统的效率和可靠性,对缓解城市交通拥堵具有重要意义。传统的公交信号优先控制分为被动优先、主动优先和自适应优先。国内外已有比较成熟的理论成果来实现公交的优先通行。董玉璞等根据交通事件的触发计算相位优先度,设计了一种在双环相位结构下基于相位优先度规则的公交信号优先控制策略。徐洪峰等研究了基于逻辑规则控制方法。然而上述研究大多数是通过预测公交车辆到达交叉口的时刻,从而对交通信号灯状态进行调整,忽略了交叉口社会车辆到达波动性和排队长度不确定性对优先控制效果的影响。但上述策略无法完全获取路段上公交车辆的实时信息,因此不能有效地响应不同的交通状况和公交车辆运行状态。
近年来,随着车联网技术的发展,车辆与控制器之间能够进行信息的实时、双向传递,使交通控制从对交通流的被动响应到主动引导,为满足公交优先需求提供了更多的策略。因此,越来越多的学者开始在人工-网联混合环境下进行有关公交信号优先控制的研究,如将速度引导、驻站控制等策略与传统公交优先相结合。马万经等以公交运行状态最优为目标,设计了公交车辆运行速度和信号优先控制策略的协调优化规则。郑晨等根据交叉口有无站点对公交车辆到达时间进行划分区间,针对不同区间分别采取不同的车速诱导策略。欧诗琪等为解决公交优先可能破坏干线协调并影响社会车辆行驶效益问题,建立了配合干线信号协调的实时公交优先控制方法,实现了公交车辆速度诱导-驻站控制和信号优化一体化控制。王宝杰等应用Kalman实时预测公交车辆行程时间,同时结合驻站时间和背景信号配时,对BRT车辆进行速度引导,使车辆尽可能在绿灯期间到达交叉口。但以上研究都是以公交专用道为前提,忽略了无公交专用道时社会车辆排队的因素。
目前我国城市城区公交车辆专用车道设置比例不高,大多数情况下还是以社会车辆和公交车辆在路段上混合行驶为主。考虑到社会车辆对公交车辆会产生干扰,Yang等在无公交专用道的背景下,研究了交叉口进口处公交车辆与社会车辆的放行顺序优化,可减少乘客的延误。Wu等则以提高公交准点率为目标,对提前到达的公交车辆,建立了公交驻站模型,对晚点到达的公交车辆,提出了速度引导模型,当速度引导模型无效时,引入信号优先控制模型。为了避免传统公交信号优先对干线协调控制的影响,蔡雅苹等提出公交优先可变车速引导和多交叉口信号配时优化的集成方案,建立实时干线协调控制下车速引导的公交优先模型,可大幅降低公交车辆行程时间。Zeng等建立了基于路径的公交信号优先模型(R-TSP)及其局域化模型(L-TSP),对两种模型的公式变体进行分析和讨论,R-TSP模型在很大程度上降低公交延误,提高准点率。Hu等以最小化人均延误为目标,提出了基于人延误的智能公交信号优先逻辑优化方法(TSPCV-C),来确保该方法在干线产生效益。但是上述研究主要是在检测到公交车辆后,针对公交车辆的运行状态或信号状态进行调整,并没有考虑车辆从进入引导区域到行驶至交叉口期间排队长度的波动,在实际应用中可能导致公交优先效果下降,甚至出现负优化现象。
发明内容
本发明针对传统公交信号优先级设计效果不好的技术问题,提供一种基于时间预测的无专用道公交车辆优先行驶控制方法,设计了多种场景下的公交车辆优先行驶决策机制,为提高城市公共交通服务水平提供了参考。
为实现上述目的,本发明采用以下技术方案:
本发明提供一种基于时间预测的无专用道公交车辆优先行驶控制方法,包括以下步骤:
S1、车网联环境下,获取公交车辆的行驶速度、公交车辆至下游交叉口停车线的实时距离、公交车辆到达车速引导区域起点时下游交叉口的信号状态、以及下游交叉口车辆通行情况,采用扩展卡尔曼滤波模型预测公交车辆到达车速引导区域起点的时间;
S2、若公交车辆到达车速引导区域起点时下游交叉口的信号状态为绿灯,依据下游交叉口的绿灯剩余时间,判断公交车辆以当前车速匀速行驶能否不停车通过下游交叉口,若能,则维持原行驶速度和原信号配时;若不能,则执行公交车辆加速引导策略和/或执行绿灯延长策略,并采用遗传算法求解使下游交叉口每辆车的行程延误时间和信号延误时间之和最小;
S3、若公交车辆到达车速引导区域起点时下游交叉口的信号状态为红灯,依据下游交叉口的红灯剩余时间,判断公交车辆以当前车速匀速行驶到达下游交叉口时能否不用停车排队等待下一信号周期绿灯亮起,若能,则维持原行驶速度和原信号配时;若不能,则执行公交车辆减速引导策略和/或执行红灯早断策略,并采用遗传算法求解使下游交叉口每辆车的行程延误时间和信号延误时间之和最小。
进一步地,所述下游交叉口车辆通行情况包括交叉口各通行方向车流量及下游交叉口的信号状态为红灯时社会车辆排队长度;所述车速引导区域的长度为从下游交叉口停车线到该停车线上游150~200m的距离。
进一步地,步骤S2中所述执行公交车辆加速引导策略和/或执行绿灯延长策略具体分为两种情况:
1)仅执行公交车辆加速引导策略就能使公交车辆不停车顺利通过下游交叉口,此时公交车辆的引导速度计算公式如下:
其中:为公交车辆到达车速引导区域起点的时间,单位:s;/>为第j信号周期第i相位绿灯结束时间,单位:s;L为从车速引导区域起点至下游交叉口停车线的距离,单位:m;α、β为加权系数;Vb为公交车辆平均速度,单位:km/h,且Vmin≤Vb≤Vmax,Vmax为公交车辆所允许的最高速度,Vmin为公交车辆最低速度;aa为公交车辆加速度,单位:m/s2,且 为公交车辆最小加速度,/>为公交车辆最大加速度;
2)同时执行公交车辆加速引导策略和执行绿灯延长策略才能使公交车辆不停车顺利通过下游交叉口,此时公交车辆的引导速度计算公式如下:
Vi-two=Vmax;
此时绿灯延长时间的计算公式如下:
其中:Δg1j为第j信号周期公交通行相位绿灯剩余时间,单位:s;且 为最大绿灯延长时间,单位:s;C为下游交叉口信号周期长度,单位:s;λi为第i相位的最小绿信比;Gi为第i相位的最小绿灯时间,单位:s;l为绿灯损失时间,单位:s;q为下游交叉口社会车辆到达率,S为下游交叉口社会车辆饱和流率。
进一步地,所述仅执行公交车辆加速引导策略时,公交车辆处于加速行驶时,其行程延误相较于正常速度行驶的公交车辆小,并且公交车辆的加速过程对其他社会车辆的延误影响较小,故因公交车辆加速行驶导致的社会车辆的行程延误时间可以忽略不计,本发明仅计算因公交车辆加速行驶导致的公交车辆的行程延误时间,其计算公式如下:
ΔDb=L/(Vb-Vi-one)。
进一步地,所述同时执行公交车辆加速引导策略和执行绿灯延长策略时,公交车辆在其通行相位减少的延误等于信号优化前公交在交叉口需要等待的时间,故因绿灯延长导致的公交车辆在优先相位的信号延误时间的计算公式如下:
其中:rij为在非优先相位的红灯时间。
此外,公交车辆优先相位使社会车辆也同时获得额外的通行时间,使得该相位社会车辆无需排队等待下一信号周期即可通过,故因绿灯延长导致的社会车辆在优先相位的信号延误时间的计算公式如下:
其中:r1j为优先相位红灯时长;q1j为优先相位社会车辆到达率;S1j为优先相位社会车辆饱和流率;
而采取绿灯延长策略后,非优先相位通行方向到达的社会车辆需要额外等待gextent时间才能通过下游交叉口,因绿灯延长导致的社会车辆在非优先相位的信号延误时间的计算公式如下:
其中:qij为非优先相位社会车辆到达率;Sij表示非优先相位社会车辆饱和流率。
由上述公式可知,执行公交车辆加速引导策略和/或执行绿灯延长策略时,下游交叉口每辆车的行程延误时间和信号延误时间之和的计算模型如下:
其中,ΔD表示优化后公交车辆减少的延误,Occb表示公交车辆的平均占有率;ΔDc表示优化后社会车辆减少的延误,/>Occc表示社会车辆的平均占有率;J为交叉口信号相位总数;/>为优化时间段内通过的公交车数量;/>为优化时间段内通过的社会车辆总数。
进一步地,步骤S3中所述执行公交车辆减速引导策略和/或执行红灯早断策略具体分为两种情况:
1)仅执行公交车辆减速引导策略就能使下一信号周期绿灯亮起时启动波传到公交车辆避免停车等待,此时公交车辆的引导速度计算公式如下:
其中:为公交车辆到达车速引导区域起点的时间,单位:s;γ、η为权重系数;L为从车速引导区域起点至下游交叉口停车线的距离,单位:m;Vb为公交车辆平均速度,单位:km/h,Vmin为公交车辆最低速度;ad为公交车辆减速度,单位:m/s2,/> 为公交车辆最小减速度,/>为公交车辆最大减速度;X(i,j)表示第j信号周期第i相位下游交叉口车辆排队长度,单位:m,/>q为下游交叉口社会车辆到达率;Lv为下游交叉口社会车辆平均长度,/>为第j信号周期第i相位红灯开始时间;Tm为队尾社会车辆启动时间/>S为下游交叉口社会车辆饱和流率,/>为第j+1周期第i相位绿灯开始时间;
2)同时执行公交车辆减速引导策略和执行红灯早断策略才能使下一信号周期绿灯亮起时启动波传到公交车辆避免停车等待,此时公交车辆的引导速度计算公式如下:
Vi-four=Vmin;
此时红灯早断时间的计算公式如下:
其中:为第j信号周期第i相位红灯结束时间;Ta为公交车辆以引导速度行驶至队尾时间,/>且/> 为最大红灯早断时间;G(i-1,j)为公交通行方向上一相位原始绿灯时长;T(i-1,j)为公交通行方向上一相位排队车辆完全消散所需时间;r1j为优先相位红灯时长;q1j为优先相位社会车辆到达率;S1j为优先相位社会车辆饱和流率。
进一步地,所述仅执行公交车辆减速引导策略时,公交车辆处于减速行驶状态,其行程延误相较于正常速度行驶的公交车辆大,此时公交车辆的行程延误分为两部分:一是从车速引导区域行驶至队伍末端的延误;二是跟随排队车辆从队尾到交叉口的延误,故因公交车辆减速行驶导致的公交车辆的行程延误时间的计算公式如下:
进一步地,所述同时执行公交车辆减速引导策略和执行红灯早断策略时,由于红灯早断后公交车辆减少的延误等于信号配时调整前等待红灯时间与绿灯亮起时启动波传递到队尾时间之和,故因红灯早断导致的公交车辆在优先相位的信号延误时间的计算公式如下:
由于实施红灯早断,与公交通行方向一致的社会车辆也能提前驶离交叉口,故因红灯早断导致的社会车辆在优先相位的信号延误时间的计算公式如下:
此外,实施红灯早断后,非优先相位绿灯时间被压缩,优化前能在本信号周期驶离交叉口的车辆可能需要等待下一周期绿灯才能通过,导致非优先相位社会车辆在路口排队等待的时间会增加,故因红灯早断导致的社会车辆在非优先相位的信号延误时间的计算公式如下:
其中:qij为非优先相位社会车辆到达率;Sij表示非优先相位社会车辆饱和流率。
由上述可知,执行公交车辆减速引导策略和/或执行红灯早断策略,下游交叉口每辆车的行程延误时间和信号延误时间之和的计算模型如下:
其中,ΔD'表示优化后公交车辆减少的延误,O'ccb表示公交车辆的平均占有率;ΔD′c表示优化后社会车辆减少的延误,/>Occc表示社会车辆的平均占有率;J为交叉口信号相位总数;/>为优化时间段内通过的公交车数量;/>为优化时间段内通过的社会车辆总数。
相比现有技术,本发明的有益效果在于:
传统的公交到达时间依赖于检测信息和前方道路状态,严重制约了优先级的效果。本发明基于时间预测的无专用道公交车辆优先行驶控制方法,基于车联网环境下信息的双向实时传递,采用扩展卡尔曼滤波模型预测公交车辆到达车速引导区域的时间,进一步通过将公交车辆到达车速引导区域起点的时间与此时下游交叉口的信号剩余时长进行比较,并且考虑了交叉口社会车辆的排队现象,以总人延误最小化为目标,设计了四种场景下的公交车辆优先行驶决策机制(加速、加速+绿灯延长、减速、减速+红灯早断),以满足不同到达时间公交车的优先需求,为提高城市公共交通服务水平提供了参考。
附图说明
图1为本发明车网联交叉口的示意图。
图2为本发明仅执行公交车辆加速引导策略的场景示意图。
图3为本发明同时执行公交车辆加速引导策略和执行绿灯延长策略的场景示意图。
图4为本发明因绿灯延长导致的社会车辆在优先相位的信号延误时间的分析示意图。
图5为本发明因绿灯延长导致的社会车辆在非优先相位的信号延误时间的分析示意图。
图6为本发明仅执行公交车辆减速引导策略的场景示意图。
图7为本发明同时执行公交车辆减速引导策略和执行红灯早断策略的场景示意图。
图8为本发明因红灯早断导致的社会车辆在优先相位的信号延误时间的分析示意图。
图9为本发明因红灯早断导致的社会车辆在非优先相位的信号延误时间的分析示意图。
图10本发明采用遗传算法求解下游交叉口每辆车的行程延误时间和信号延误时间之和最小值的流程图。
图11为本发明应用实例的仿真示意图。
图12为本发明应用实例的交叉口信号配时方案。
图13为本发明应用实例在不同时段的交通量优化前后公交车辆平均停车次数的对比图。
图14为本发明应用实例在不同时段的交通量优化前后公交车辆平均延误时间的对比图。
具体实施方式
以下实施例用于说明本发明,但不用来限定本发明的保护范围。若未特别指明,实施例中所用技术手段为本领域技术人员所熟知的常规手段。下述实施例中的试验方法,如无特别说明,均为常规方法。
实施例一
本发明所依据的车网联交叉口如图1所示,并进行以下假设:(1)研究区域为单一的网联交叉口,且交叉口上游附近无公交车辆站。(2)车辆进入车速引导区域后均严格服从车速引导策略。(3)车辆的运行状态(速度)和距离交叉口的长度可以被实时检测,并且公交车辆能与信号控制器进行双向通信。(4)不考虑行人、非机动车的干扰。(5)不设置公交专用车道。
公交车辆在到达网联交叉口时一般会遇到以下几种情况:(1)匀速通过交叉口。公交车辆进入车速引导区域时,社会车辆排队已经完全消散。(2)减速通过交叉口。公交车辆进入车速引导区域时,信号灯处于绿灯刚开始或者红灯将结束状态,交叉口社会车辆排队尚未完全消散,车辆需要减速通过交叉口。(3)加速通过交叉口。公交车辆进入引导区域时,信号灯处于绿灯将结束状态,车辆需要提高车速,才可能在本周期绿灯结束前通过交叉口。(4)停车等待下一周期绿灯通过交叉口。
基于此,本发明一种基于时间预测的无专用道公交车辆优先行驶控制方法,包括以下步骤:
S1、车网联环境下,获取公交车辆的行驶速度、公交车辆至下游交叉口停车线的实时距离、公交车辆到达车速引导区域起点时下游交叉口的信号状态、以及下游交叉口车辆通行情况,采用扩展卡尔曼滤波模型预测公交车辆到达车速引导区域起点的时间。
传统的卡尔曼滤波(KF)一般是基于车辆匀速运动或者简单的加减速度来描述车辆的动力学和观测方程,因此模型可以视为线性模型。在无公交专用道条件下,即公交车辆与社会车辆混行,需要考虑两者之间的交互作用、道路拥堵情况和信号灯配时等因素,这些因素会导致动力学和观测方程的非线性,故本发明采用扩展卡尔曼滤波(EKF)解决公交车辆非线性的状态测量,提供更精确的状态估计和预测结果。
当公交车辆从上游交叉口出发后,使用EKF对公交车辆到达车速引导区域起点的时间和此时的信号状态(绿灯、红灯、黄灯)进行预测,从而给构建的模型争取更多的反应时间,更加精准地对公交车辆实施速度引导和信号优化,使其能够在不停车的情况下顺利通过交叉口。公交车辆从上游交叉口出发,到达引导区域点的行驶过程可以看作是车辆的行驶状态,状态参数主要包括车辆距离交叉口的长度、车辆行驶速度,据此得到公交车辆的非线性动力学方程和观测方程分别如下所示:
xk+1=f(xk,uk)+wk,
zk=h(xk,uk)+vk,
其中:xk+1表示非线性动力学方程;f(xk,uk)表示非线性状态转移函数;wk表示高斯白噪声;zk表示非线性观测方程;h(xk,uk)表示非线性观察函数;vk表示观测噪声向量;协方差为Q或R。
为了进一步提高模型得到预测精度,定义如下状态变量和控制变量:
xk=(lk,vk)T,
uk=(Qk,sk)T,
其中:lk表示公交车辆的位置信息;vk表示公交车辆的行驶速度;Qk表示路段的拥堵状况;sk表示交叉口信号灯配时信息。
对公交车辆的非线性动力学方程和观测方程进行泰勒公式展开并舍去最高项:
定义:
通过对非线性函数进行泰勒展开,将上述非线性方程转化为线性方程,对其赋初值并进行扩展卡尔曼滤波的递推估计,令模型输入为uk-1,递推过程如下:
pk/k-1=Ak-1pk-1/k-1Ak-1 T+Qk-1,
Kk=ok/k-1Hk T[Hkpk/k-1Hk T+Rk-1]-1,
pk/k=[I-KkHk]pk/k-1,
则采用扩展卡尔曼滤波模型预测公交车辆到达车速引导区域起点的时间的公式如下:
S2、若公交车辆到达车速引导区域起点时下游交叉口的信号状态为绿灯,依据下游交叉口的绿灯剩余时间,判断公交车辆以当前车速匀速行驶能否不停车通过下游交叉口,若能,则维持原行驶速度和原信号配时;若不能,则执行公交车辆加速引导策略和/或执行绿灯延长策略,并采用遗传算法求解使下游交叉口每辆车的行程延误时间和信号延误时间之和最小(即总人延误最小化)。
本发明将执行公交车辆加速引导策略和/或执行绿灯延长策略具体分为两种情况:
1)仅执行公交车辆加速引导策略就能使公交车辆不停车顺利通过下游交叉口(即在下游交叉口绿灯结束之前,只要公交车辆加速行驶就能使公交车辆不停车顺利通过下游交叉口,如图2所示),此时公交车辆的引导速度计算公式如下:
其中:为公交车辆到达车速引导区域起点的时间,单位:s;/>为第j信号周期第i相位绿灯结束时间,单位:s;L为车速引导区域起点至下游交叉口停车线的距离,单位:m;α、β为加权系数;Vb为公交车辆平均速度,单位:km/h,且Vmin≤Vb≤Vmax,Vmax为公交车辆所允许的最高速度,Vmin为公交车辆最低速度;aa为公交车辆加速度,单位:m/s2,且 为公交车辆最小加速度,/>为公交车辆最大加速度。
在仅执行公交车辆加速引导策略时,公交车辆处于加速行驶时,其行程延误相较于正常速度行驶的公交车辆小,并且公交车辆的加速过程对其他社会车辆的延误影响较小,故因公交车辆加速行驶导致的社会车辆的行程延误时间可以忽略不计,本发明仅计算因公交车辆加速行驶导致的公交车辆的行程延误时间,其计算公式如下:
ΔDb=L/(Vb-Vi-one)。
2)同时执行公交车辆加速引导策略和执行绿灯延长策略才能使公交车辆不停车顺利通过下游交叉口(即在下游交叉口绿灯结束之前,只将公交车辆速度加速至公交车辆所允许的最高速度不能使公交车辆不停车顺利通过下游交叉口,必须再进行绿灯延长才能使公交车辆不停车顺利通过下游交叉口,如图3所示),此时公交车辆的引导速度计算公式如下:
Vi-two=Vmax。
此时绿灯延长时间的计算公式如下:
其中:Δg1j为第j信号周期公交通行相位绿灯剩余时间,单位:s;且 为最大绿灯延长时间,单位:s;C为下游交叉口信号周期长度,单位:s;λi为第i相位的最小绿信比;Gi为第i相位的最小绿灯时间,单位:s;l为绿灯损失时间,单位:s;q为下游交叉口社会车辆到达率,S为下游交叉口社会车辆饱和流率。
值得说明的是,在不改变信号周期长度的情况下,绿灯延长会导致其余相位绿灯时间减少,故为了避免交叉口其余相位流量过于饱和(≥0.9),需要规定最大绿灯延长时间。
在同时执行公交车辆加速引导策略和执行绿灯延长策略时,公交车辆在其通行相位减少的延误等于信号优化前公交在交叉口需要等待的时间,故因绿灯延长导致的公交车辆在优先相位的信号延误时间的计算公式如下:
其中:rij为非优先相位的红灯时间。
此外,公交车辆优先相位使社会车辆也同时获得额外的通行时间,使得该相位社会车辆无需排队等待下一信号周期即可通过,如图4所示,故因绿灯延长导致的社会车辆在优先相位的信号延误时间的计算公式如下:
其中:r1j为优先相位红灯时长;q1j为优先相位社会车辆到达率;S1j为优先相位社会车辆饱和流率。
而采取绿灯延长策略后,非优先相位通行方向到达的社会车辆需要额外等待gextent时间才能通过下游交叉口,如图5所示,因绿灯延长导致的社会车辆在非优先相位的信号延误时间的计算公式如下:
其中:qij为非优先相位社会车辆到达率;Sij表示非优先相位社会车辆饱和流率。
由上述公式可知,执行公交车辆加速引导策略和/或执行绿灯延长策略时,下游交叉口每辆车的行程延误时间和信号延误时间之和的计算模型如下:
其中:ΔD表示优化后公交车辆减少的延误,Occb表示公交车辆的平均占有率;ΔDc表示优化后社会车辆减少的延误,/>Occc表示社会车辆的平均占有率;J为交叉口信号相位总数;/>为优化时间段内通过的公交车数量;/>为优化时间段内通过的社会车辆总数。
S3、若公交车辆到达车速引导区域起点时下游交叉口的信号状态为红灯,依据下游交叉口的红灯剩余时间,判断公交车辆以当前车速匀速行驶到达下游交叉口时能否不用停车排队等待下一信号周期绿灯亮起,若能,则维持原行驶速度和原信号配时;若不能,则执行公交车辆减速引导策略和/或执行红灯早断策略,并采用遗传算法求解使下游交叉口每辆车的行程延误时间和信号延误时间之和最小(即总人延误最小化)。
本发明将步骤S3中所述执行公交车辆减速引导策略和/或执行红灯早断策略具体分为两种情况:
1)仅执行公交车辆减速引导策略就能使下一信号周期绿灯亮起时启动波传到公交车辆避免停车等待(即下一信号周期绿灯亮起时,只要公交车辆减速行驶就能使公交车辆在队尾车辆启动时跟随排队车辆驶离下游交叉口,避免在下游交叉口停车等待,如图6所示),此时公交车辆的引导速度计算公式如下:
其中:为公交车辆到达车速引导区域起点的时间,单位:s;γ、η为权重系数;L为车速引导区域起点至下游交叉口停车线的距离,单位:m;Vb为公交车辆平均速度,单位:km/h,Vmin为公交车辆最低速度;ad为公交车辆减速度,单位:m/s2,/> 为公交车辆最小减速度,/>为公交车辆最大减速度;X(i,j)表示第j信号周期第i相位下游交叉口车辆排队长度,单位:m,/>q为下游交叉口社会车辆到达率;Lv为下游交叉口社会车辆平均长度,/>为第j信号周期第i相位红灯开始时间;Tm为队尾社会车辆启动时间,/>S为下游交叉口社会车辆饱和流率,/>为第j+1周期第i相位绿灯开始时间。
在仅执行公交车辆减速引导策略时,公交车辆处于减速行驶状态,其行程延误相较于正常速度行驶的公交车辆大,此时公交车辆的行程延误分为两部分:一是从车速引导区域行驶至队伍末端的延误;二是跟随排队车辆从队尾到交叉口的延误,故因公交车辆减速行驶导致的公交车辆的行程延误时间的计算公式如下:
2)同时执行公交车辆减速引导策略和执行红灯早断策略才能使下一信号周期绿灯亮起时启动波传到公交车辆避免停车等待(即下一信号周期绿灯亮起时,只将公交车辆速度减至最低车速不能使下一信号周期绿灯亮起时启动波传到公交车辆,仍需停车等待,必须再进行红灯早断才能使下一信号周期绿灯亮起时启动波传到公交车辆,才能避免停车等待,如图7所示),此时公交车辆的引导速度计算公式如下:
Vi-four=Vmin。
此时红灯早断时间的计算公式如下:
其中:为第j信号周期第i相位红灯结束时间;Ta为公交车辆以引导速度行驶至队尾时间,/>且/> 为最大红灯早断时间;G(i-1,j)为公交通行方向上一相位原始绿灯时长;T(i-1,j)为公交通行方向上一相位排队车辆完全消散所需时间;r1j为优先相位红灯时长;q1j为优先相位社会车辆到达率;S1j为优先相位社会车辆饱和流率。
值得说明的是,在不改变信号周期长度的情况下,红灯早断会导致其余相位绿灯时间缩短。为了保证上一相位最小绿灯时间,同时避免上一相位流量过于饱和,需要规定最大红灯早断时间。
在同时执行公交车辆减速引导策略和执行红灯早断策略时,由于红灯早断后公交车辆减少的延误等于信号配时调整前等待红灯时间与绿灯亮起时启动波传递到队尾时间之和,故因红灯早断导致的公交车辆在优先相位的信号延误时间的计算公式如下:
由于实施红灯早断,与公交通行方向一致的社会车辆也能提前驶离交叉口,如图8所示,故因红灯早断导致的社会车辆在优先相位的信号延误时间的计算公式如下:
此外,实施红灯早断后,非优先相位绿灯时间被压缩,优化前能在本信号周期驶离交叉口的车辆可能需要等待下一周期绿灯才能通过,导致非优先相位社会车辆在路口排队等待的时间会增加,如图9所示,故因红灯早断导致的社会车辆在非优先相位的信号延误时间的计算公式如下:
其中:qij为非优先相位社会车辆到达率;Sij表示非优先相位社会车辆饱和流率。
由上述可知,执行公交车辆减速引导策略和/或执行红灯早断策略,下游交叉口每辆车的行程延误时间和信号延误时间之和的计算模型如下:
其中,ΔD'表示优化后公交车辆减少的延误,O'ccb表示公交车辆的平均占有率;ΔD′c表示优化后社会车辆减少的延误,/>Occc表示社会车辆的平均占有率;J为交叉口信号相位总数;/>为优化时间段内通过的公交车数量;/>为优化时间段内通过的社会车辆总数。
由于下游交叉口每辆车的行程延误时间和信号延误时间之和最小化问题是一个非线性问题,采用遗传算法(GA)来进行求解,作为一种自调节的全局搜索最优解算法,反复模拟自然选择和遗传中的选择、交叉、变异等现象,最终将末代中的最优个体解码获得满足要求的最优解。基于SUMO仿真软件和Python编程软件,通过Traci接口实现结合。在仿真前给定信号配时参数、交通流量等参数,通过遗传算法实时修改仿真中的信号配时和公交车辆引导速度,选取符合目标函数的最优解,最后计算车辆行程延误、排队延误、信号延误和停车次数,具体步骤如图10所示。
应用实例:
选取郑州市经开第五大街与经南三路交叉口为例,主干道经开第五大街为双向六车道,次干道经南三路双向四车道,并建立仿真示意图,如图11所示。
以交叉口东进口直行车道为研究对象,车速引导区域的长度为从交叉口停车线到该停车线上游200m,公交发车间隔为300s,同时只有在干线上行驶的公交申请优先。当公交车辆进入车速引导区域后,获取当前时刻社会车辆排队长度,激活公交车辆速度引导算法和路口公交优先申请算法。公交车辆在路段上的速度设置为20km/h-40km/h。交叉口信号配时方案如图5所示。采集不同时段的交叉口流量,如表1所示。
表1不同时段交叉口流量
通过SUMO仿真软件的Traci接口控制仿真实验,获取车辆速度、距交叉口长度、路口排队长度和信号相位等信息,动态调整公交车辆速度、信号相序和相位时长,为即将到达交叉口的公交车辆提供优先。仿真周期为4500s,仿真精度为1步/s。考虑到仿真初始阶段运行的不稳定性,产生的数据可能存在误差,前900s为仿真预热期,选取900~4500s期间的数据进行后续的分析研究。选取不同时段的交通量,分别从公交车辆平均停车次数和平均延误时间进行对比分析,结果如图13和图14所示。
由图13可以看出,不同道路交通量,优化后相较于优化前,公交车辆平均停车次数均得到大幅改善。尤其在低流量条件下,优化后公交车辆基本可以不停车通过交叉口;中流量条件下,优化后平均停车次数由0.67下降到0.25,下降比例达到62.69%;随着车流量的继续增加,平均停车次数显著上升,但仍由优化前的0.75下降到优化后的0.5,下降比例为33.33%。这是由于低流量时,社会车辆排队长度短,对公交车辆速度引导和信号优化产生的影响较小,因此,低流量环境下,对平均停车次数的优化效果尤为显著。高流量时,社会车辆排队长度会相应的增加,导致平均停车次数显著上升。
图14可以看出,不同流量下,优化后相较于优化前,公交车辆平均延误时间均有所降低。低、中、高流量情况下平均延误时间分别减少69.76%,43.98%,22.19%,随着车流量的持续增加,平均延误也逐渐上升,优化比例随着下降,但优化后比优化前其平均降幅仍达到45.31%。低流量环境下,社会车辆数量较少,各相位绿灯时长相对充裕,更有利于算法调整信号配时,为公交车辆提供信号优先权。中高流量环境下,社会车辆占比增加,可供公交车辆进行速度引导的空间相对压缩,各相位可供调整的绿灯时长降低,导致优化比例下降。
以上所述之实施例,只是本发明的较佳实施例而已,仅仅用以解释本发明,并非限制本发明实施范围,对于本技术领域的技术人员来说,当然可根据本说明书中所公开的技术内容,通过置换或改变的方式轻易做出其它的实施方式,故凡在本发明的原理上所作的变化和改进等,均应包括于本发明申请专利范围内。
Claims (9)
1.一种基于时间预测的无专用道公交车辆优先行驶控制方法,其特征在于,包括以下步骤:
S1、车网联环境下,获取公交车辆的行驶速度、公交车辆至下游交叉口停车线的实时距离、公交车辆到达车速引导区域起点时下游交叉口的信号状态、以及下游交叉口车辆通行情况,采用扩展卡尔曼滤波模型预测公交车辆到达车速引导区域起点的时间;
S2、若公交车辆到达车速引导区域起点时下游交叉口的信号状态为绿灯,依据下游交叉口的绿灯剩余时间,判断公交车辆以当前车速匀速行驶能否不停车通过下游交叉口,若能,则维持原行驶速度和原信号配时;若不能,则执行公交车辆加速引导策略和/或执行绿灯延长策略,并采用遗传算法求解使下游交叉口每辆车的行程延误时间和信号延误时间之和最小;
S3、若公交车辆到达车速引导区域起点时下游交叉口的信号状态为红灯,依据下游交叉口的红灯剩余时间,判断公交车辆以当前车速匀速行驶到达下游交叉口时能否不用停车排队等待下一信号周期绿灯亮起,若能,则维持原行驶速度和原信号配时;若不能,则执行公交车辆减速引导策略和/或执行红灯早断策略,并采用遗传算法求解使下游交叉口每辆车的行程延误时间和信号延误时间之和最小。
2.根据权利要求1所述的一种基于时间预测的无专用道公交车辆优先行驶控制方法,其特征在于,步骤S2中所述执行公交车辆加速引导策略和/或执行绿灯延长策略具体分为两种情况:
1)仅执行公交车辆加速引导策略就能使公交车辆不停车顺利通过下游交叉口,此时公交车辆的引导速度计算公式如下:
其中:为公交车辆到达车速引导区域起点的时间,单位:s;/>为第j信号周期第i相位绿灯结束时间,单位:s;L为车速引导区域起点至下游交叉口停车线的距离,单位:m;α、β为加权系数;Vb为公交车辆平均速度,单位:km/h,且Vmin≤Vb≤Vmax,Vmax为公交车辆所允许的最高速度,Vmin为公交车辆最低速度;aa为公交车辆加速度,单位:m/s2,且为公交车辆最小加速度,/>为公交车辆最大加速度;
2)同时执行公交车辆加速引导策略和执行绿灯延长策略才能使公交车辆不停车顺利通过下游交叉口,此时公交车辆的引导速度计算公式如下:
Vi-two=Vmax;
此时绿灯延长时间的计算公式如下:
其中:Δg1j为第j信号周期公交通行相位绿灯剩余时间,单位:s;且 为最大绿灯延长时间,单位:s;C为下游交叉口信号周期长度,单位:s;λi为第i相位的最小绿信比;Gi为第i相位的最小绿灯时间,单位:s;l为绿灯损失时间,单位:s;q为下游交叉口社会车辆到达率,S为下游交叉口社会车辆饱和流率。
3.根据权利要求2所述的一种基于时间预测的无专用道公交车辆优先行驶控制方法,其特征在于,所述仅执行公交车辆加速引导策略时,因公交车辆加速行驶导致的公交车辆的行程延误时间的计算公式如下:
ΔDb=L/(Vb-Vi-one)。
4.根据权利要求2所述的一种基于时间预测的无专用道公交车辆优先行驶控制方法,其特征在于,所述同时执行公交车辆加速引导策略和执行绿灯延长策略时,因绿灯延长导致的公交车辆在优先相位的信号延误时间的计算公式如下:
其中:rij为非优先相位的红灯时间;
因绿灯延长导致的社会车辆在优先相位的信号延误时间的计算公式如下:
其中:r1j为优先相位红灯时长;q1j为优先相位社会车辆到达率;S1j为优先相位社会车辆饱和流率。
因绿灯延长导致的社会车辆在非优先相位的信号延误时间的计算公式如下:
其中:qij为非优先相位社会车辆到达率;Sij表示非优先相位社会车辆饱和流率。
5.根据权利要求1所述的一种基于时间预测的无专用道公交车辆优先行驶控制方法,其特征在于,步骤S3中所述执行公交车辆减速引导策略和/或执行红灯早断策略具体分为两种情况:
1)仅执行公交车辆减速引导策略就能使下一信号周期绿灯亮起时启动波传到公交车辆避免停车等待,此时公交车辆的引导速度计算公式如下:
其中:为公交车辆到达车速引导区域起点的时间,单位:s;γ、η为权重系数;L为车速引导区域起点至下游交叉口停车线的距离,单位:m;Vb为公交车辆平均速度,单位:km/h,Vmin为公交车辆最低速度;ad为公交车辆减速度,单位:m/s2,/>为公交车辆最小减速度,/>为公交车辆最大减速度;X(i,j)表示第j信号周期第i相位下游交叉口车辆排队长度,单位:m,/>q为下游交叉口社会车辆到达率;Lv为下游交叉口社会车辆平均长度,/>为第j信号周期第i相位红灯开始时间;Tm为队尾社会车辆启动时间,/>S为下游交叉口社会车辆饱和流率,/>为第j+1周期第i相位绿灯开始时间;
2)同时执行公交车辆减速引导策略和执行红灯早断策略才能使下一信号周期绿灯亮起时启动波传到公交车辆避免停车等待,此时公交车辆的引导速度计算公式如下:
Vi-four=Vmin;
此时红灯早断时间的计算公式如下:
其中:为第j信号周期第i相位红灯结束时间;Ta为公交车辆以引导速度行驶至队尾时间,/>且/> 为最大红灯早断时间;G(i-1,j)为公交通行方向上一相位原始绿灯时长;T(i-1,j)为公交通行方向上一相位排队车辆完全消散所需时间;r1j为优先相位红灯时长;q1j为优先相位社会车辆到达率;S1j为优先相位社会车辆饱和流率。
6.根据权利要求5所述的一种基于时间预测的无专用道公交车辆优先行驶控制方法,其特征在于,所述仅执行公交车辆减速引导策略时,因公交车辆减速行驶导致的公交车辆的行程延误时间的计算公式如下:
7.根据权利要求5所述的一种基于时间预测的无专用道公交车辆优先行驶控制方法,其特征在于,所述同时执行公交车辆减速引导策略和执行红灯早断策略时,因红灯早断导致的公交车辆在优先相位的信号延误时间的计算公式如下:
因红灯早断导致的社会车辆在优先相位的信号延误时间的计算公式如下:
因红灯早断导致的社会车辆在非优先相位的信号延误时间的计算公式如下:
其中:qij为非优先相位社会车辆到达率;Sij表示非优先相位社会车辆饱和流率。
8.根据权利要求1所述的一种基于时间预测的无专用道公交车辆优先行驶控制方法,其特征在于,所述下游交叉口车辆通行情况包括交叉口各通行方向车流量及下游交叉口的信号状态为红灯时社会车辆排队长度。
9.根据权利要求1所述的一种基于时间预测的无专用道公交车辆优先行驶控制方法,其特征在于,所述车速引导区域的长度为从下游交叉口停车线到该停车线上游150~200m的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311035384.6A CN117133119A (zh) | 2023-08-16 | 2023-08-16 | 基于时间预测的无专用道公交车辆优先行驶控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311035384.6A CN117133119A (zh) | 2023-08-16 | 2023-08-16 | 基于时间预测的无专用道公交车辆优先行驶控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117133119A true CN117133119A (zh) | 2023-11-28 |
Family
ID=88853860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311035384.6A Pending CN117133119A (zh) | 2023-08-16 | 2023-08-16 | 基于时间预测的无专用道公交车辆优先行驶控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117133119A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576929A (zh) * | 2024-01-19 | 2024-02-20 | 山东科技大学 | 一种考虑不同公交平面相交的车速与信号协同优化方法 |
-
2023
- 2023-08-16 CN CN202311035384.6A patent/CN117133119A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576929A (zh) * | 2024-01-19 | 2024-02-20 | 山东科技大学 | 一种考虑不同公交平面相交的车速与信号协同优化方法 |
CN117576929B (zh) * | 2024-01-19 | 2024-04-02 | 山东科技大学 | 一种考虑不同公交平面相交的车速与信号协同优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112373472B (zh) | 一种自动驾驶交叉口车辆进入时刻与行驶轨迹控制方法 | |
CN109300306B (zh) | 车路协同环境下交叉口可变导向车道、信号灯及车辆轨迹协同优化方法 | |
CN108765982A (zh) | 车路协同环境下信号控制交叉口车速引导系统及引导方法 | |
CN110910646B (zh) | 用于交叉口的无人驾驶公交车辆的协同控制方法 | |
CN107248297B (zh) | 一种车路协同环境下交叉口栅格化信号相位时长计算方法 | |
CN108364486B (zh) | 多场景车辆优先自适应交通信号控制系统及其工作方法 | |
CN113409599B (zh) | 一种基于信息预测的城市公交优先协调控制方法 | |
CN114973733B (zh) | 一种信号交叉口处混合流下网联自动车轨迹优化控制方法 | |
CN111243296B (zh) | 一种基于合流时间优化的匝道合流协同控制方法及系统 | |
CN117133119A (zh) | 基于时间预测的无专用道公交车辆优先行驶控制方法 | |
CN113345240A (zh) | 一种基于智能网联环境的高速公路车辆汇入方法及系统 | |
CN113257007A (zh) | 交叉口共享自动驾驶车道的信号控制方法及系统 | |
CN115035704B (zh) | 一种信号控制交叉口行人信号提前相位设置方法 | |
CN111477021B (zh) | 车辆优先引导方法及优先引导系统 | |
CN110364003B (zh) | 基于车联网的交叉路口双线路有轨电车信号优先控制方法 | |
CN115565390A (zh) | 智能网联汽车多车道队列通行控制方法、系统及计算机可读存储介质 | |
CN113823076B (zh) | 一种基于联网车辆协调控制的即停即走路段缓堵方法 | |
CN116189462A (zh) | 一种面向混合交通流的车辆轨迹与交通信号协同控制方法 | |
CN113506442B (zh) | 一种基于预期收益估计的城市路网交通信号灯控制方法 | |
CN113034955B (zh) | 一种自适应巡航车队通过信号路口的通行方法及装置 | |
CN105741585A (zh) | 面向节油的基于车联网的车辆轨迹平滑控制方法 | |
CN113593223A (zh) | 一种场景目标导向的交通管控效能评估方法 | |
CN113724509A (zh) | 一种时空协同的公交优先控制方法和装置 | |
CN110288844B (zh) | 一种基于车路通信的连续交叉口协同优化方法 | |
CN112509340A (zh) | 一种基于车联网的交叉路口信号灯辅助引导通过方法 |
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 |