CN1731467A - 基于流体动力学的城市交通信号自组织规则的构建方法 - Google Patents

Abstract

一种基于流体动力学的城市交通信号自组织规则的构建方法，属于交通工程技术领域。本发明将城市交通信号控制系统作为交通网络处理，每个路口作为具有自主采集和处理信息功能的智能体，而且每一路口同时有两套元胞自动机进行演化来实现每个路口交通信号控制的动态决策；另一方面，利用交通流与流体流存在天然的相似性，在元胞自动机的基础上引进流体动力学来建立交通流的平衡模型，同时制定了基于四相位顺序切换的城市交通信号自组织控制规则，并相应地制定了交通路口相位判别规则，实现交通系统信号模式的实时决策。本发明解决城市交通控制存在的不确定性和车流量平衡问题，以提高城市交通控制系统的性能和实时性。

Description

基于流体动力学的城市交通信号自组织规则的构建方法

技术领域

本发明涉及的是一种交通运输技术领域的控制方法，尤其涉及一种基于流体动力学的城市交通信号自组织规则的构建方法。

背景技术

从城市交通信号控制方法和应用技术的角度，当前城市交通信号控制的背景技术主要有大系统观点的简化方法；人工智能观点的智能化方法；自组织观点的复杂性方法。基于大系统观点的简化方法由于其考虑的因素较多，求解时计算量太大，维数高，难以实现实时控制，而且存在着舍弃了城市汽车流交通控制复杂性本质的问题，实际应用效果极不理想。基于人工智能模型的交通系统控制方法中，模糊变量的分档，神经网路的拓扑结构、类型和训练的数据，专家知识表达的质量等等，都直接影响到系统的运行效率、实时性和稳定性。

经对现有技术文献的检索发现，杨煜普等在“基于再励学习和遗传算法的交通控制信号自组织控制”(自动化学报，2002，28(4)：564-568)将遗传再励学习算法应用于城市交通信号控制中，但该算法的计算十分复杂，难以实现路口汽车流的实时响应控制。

发明内容

本发明的目的在于克服现有技术中存在的不足，提出一种基于流体动力学的城市交通信号自组织规则的构建方法，使其解决城市交通控制存在的不确定性和车流量平衡问题，以提高城市交通控制系统的性能和实时性。

本发明是通过以下技术方案实现，本发明一方面将城市交通信号控制系统作为交通网络处理，每个路口作为具有自主采集和处理信息功能的智能体，而且每一路口同时有两套元胞自动机进行演化来实现每个路口交通信号控制的动态决策；另一方面利用交通流与流体流存在天然的相似性，在元胞自动机的基础上引进流体动力学来建立交通流的平衡模型，同时制定了基于四相位顺序切换的城市交通信号自组织控制规则，并相应地制定了交通路口相位判别规则，实现交通系统信号模式的实时决策。

本发明包括以下步骤：

1)各交通路口的实时信息采集处理：

将现有的交通网络中的每个路口均通过简单改造，使其具有可以自主采集和处理简单信息的能力；

所述的简单改造，是指：①在每个路口进车路段安装车辆检测传感器，检测进入路口等待车辆数以及当前车辆运行状态，使路口具有检测自身当前状态的能力；②本地路口与其相邻路口之间通过有线或无线的方式相互连接，实行双向实时通信，为自组织控制决策提供实时的确定信息，实现路口信息共享；③使每个路口具有信息处理能力。

2)基于纳维—斯托克斯方程基本形式的交通流运动进行重构：

纳维—斯托克斯方程，是用来描述粘性流体运动的。纳维—斯托克斯方程的基本形式如下：

$\mathrm{\ρ}\frac{{\mathrm{du}}_i}{\mathrm{dt}}=\mathrm{\ρ}{f}_i-\frac{\∂p}{{\∂x}_i}+\mathrm{\μ}\frac{{\∂}^2{u}_i}{{\∂x}_j\∂y_j}---\left(1\right)$

用矢量的形式表示，则为：

$\frac{\mathrm{du}}{\mathrm{dt}}=f_b-\frac{1}{\mathrm{\ρ}}\▿p+\mathrm{\μ}{\▿}^{2}u---\left(2\right)$

式(2)中 ${\▿}^2=\▿\·\▿=\frac{{\∂}^2}{{\∂x}^2}+\frac{{\∂}^2}{{\∂y}^2}+\frac{{\∂}^2}{{\∂z}^2},$ 称为拉普拉斯算子，式(1)和式(2)就是常粘性系数的不可压缩流体的纳维—斯托克斯方程。其中四项依次为作用于单位质量流体的惯性力

质量力(fb)、

压强梯度力 和粘性力

由于在交通流中的所谓单个“分子”是车辆，而车辆是由发动机发出的能量来克服重力来行驶的。也就是说相对于车辆本身的运动来说，质量力的作用是可以被完全被忽略的。所以将(2)式引入到交通流中，可得到用于交通流的纳维—斯托克斯方程的简化形式：

$\frac{\mathrm{du}}{\mathrm{dt}}=-\frac{1}{\mathrm{\ρ}}\▿p+\widetilde{\mathrm{\μ}}{\▿}^{2}u---\left(3\right)$

其一维的形式：

$\frac{\mathrm{du}}{\mathrm{dt}}=-\frac{1}{\mathrm{\ρ}}\▿p+\widetilde{\mathrm{\μ}}\frac{{\∂}^{2}u}{{\∂x}^2}---\left(4\right)$

注意：这里都假设相互正交的两路口的流体动力粘性系数相同，其实并不一定。

3)对交通流纳维—斯托克斯方程进行有限差分来获得元胞自动机本地规则：

虽然涉及的城市交通控制问题是两维的，但根据上述的分析，其实用到纳维—斯托克斯简化方程则是一维的，对(4)式进行有限差分得到元胞自动机本地规则：

$u_{\mathrm{jk}}^{n+1}=(1-{2\mathrm{\λ}}_1)u_{\mathrm{jk}}^n+{\mathrm{\λ}}_1{u}_{j+1,k}^n+{\mathrm{\λ}}_1{u}_{j-1,k}^n+\mathrm{\λ}\tilde{p}---\left(5\right)$

(其中 ${\mathrm{\λ}}_1=\frac{\widetilde{\mathrm{\μ}}}{{\left(\mathrm{\Δx}\right)}^2}\mathrm{\Δt},\mathrm{\λ}=\mathrm{\Δt},\tilde{p}=-\frac{1}{\mathrm{\ρ}}\▿p)$

由上式知：每次通过演化后，会得到在各个路口处车流的速度的情况，如何得到这时的车流密度，较为实际的算法：Greenshields提出的速度—密度线形模型(1935)：

$u=u_f(1-\frac{k}{k_j})---\left(6\right)$

式中：μ_f—自由流速度；

      k_f—堵塞密度。

得到演化后的车流密度，这个量用于各路口红绿灯判别的相关法则中。

4)通过划分相位来简化交通模型并制定相应的演化规则：

在考虑车辆在实际路口的行驶状态后，总结包含有四个相位的红绿灯(包括转向灯)切换的转向规则：相位1：Y方向的左转向灯亮，X方向的红灯亮；相位2：Y方向的绿灯亮，X方向的红灯亮；相位3：X方向的左转向灯亮，Y方向的红灯亮；相位4：X方向的绿灯亮，Y方向的红灯亮。

随着相位的演化，每次的相位切换后实际路口车辆流行驶模型对应于两套同时进行演化的元胞自动机模型。

所述的相位切换是指：

①Y方向的左转向灯亮，X方向的红灯亮。

这时，X方向本身没有车辆流动，这里所满足的元胞自动机规则是针对Y方向的：

$\frac{\mathrm{du}}{\mathrm{dt}}=-\frac{1}{\mathrm{\ρ}}{\▿p}_{y1}+{\widetilde{\mathrm{\μ}}}_{y1}\frac{{\∂}^{2}u}{{\∂y}^2}$

$\frac{\mathrm{du}}{\mathrm{dt}}=-\frac{1}{\mathrm{\ρ}}\▿p_{y2}+{\widetilde{\mathrm{\μ}}}_{y2}\frac{{\∂}^{2}u}{\∂y^2}$

使用元胞自动机的相关演化方法来得到若干步数后的Y方向的车流速度u_y1，u_y2。这里须引入描述车流左转的左转系数β₁₁，β₁₂，用来约束转向灯控制的路口的车流流动。这时X方向的车流密度k_x1，k_x2为：

L_x1＝K_xo1+k_xin1

               ，其中k_xo1，k_xo2为演化前X方向的车流量(由测控系统得到)，

k_x2＝k_xo2+k_xin2这时由于进入X方向的车流不对本路口造成压力，而是对其相邻路口产生压力；由其相邻路口进入该路口的车流密度为k_xin1，k_xin2。

而这时Y方向的车流密度k_y1，k_y2为：

k_y1＝k_yo1-β₁₁k_y1+k_yin1

                       ，其中，k_yo1，k_yo2为演化前Y方向的车流密度(由测

k_y2＝k_yo2-β₁₂k_y2+k_yin2控系统得到)。k_y1，k_y2为由演化后得到的Y方向的车流速度u_y1，u_y2而推算出的Y方向的车流密度；同理这时由其相邻路口进入该路口的车流密度为k_yin1，k_yxin2。

②Y方向的绿灯亮，X方向的红灯亮。

这时，X方向本身没有车辆流动，由Y方向经直行和右转向后有一部分车沿着Y方向继续行驶，一部份车则进入X方向车道。同样的引入描述车流右转的右转系数β_r1，β_r2和车流直行的直行系数β_s1，β_s2。车流Y方向的元胞自动机规则：

$\frac{\mathrm{du}}{\mathrm{dt}}=-\frac{1}{\mathrm{\ρ}}\▿p_{y1}+{\widetilde{\mathrm{\μ}}}_{y1}\frac{{\∂}^{2}u}{\∂y^2}$

$\frac{\mathrm{du}}{\mathrm{dt}}=-\frac{1}{\mathrm{\ρ}}\▿p_{y2}+{\widetilde{\mathrm{\μ}}}_{y2}\frac{{\∂}^{2}u}{\∂y^2}$

使用元胞自动机的相关演化方法来得到若干步数后的Y方向的车流速度u_y1，u_y2。这时X方向的车流密度k_x1，k_x2为：

k_x1＝k_xo1+k_xin1

                ，原因同上。

k_x2＝k_xo2+k_xin2

而这时Y方向的车流密度k_y1，k_y2为：

k_y1＝k_yo1-(β_s1+β_r1)k_y1+k_yin1]

                               ，k_y1，k_y2为由演化后得到的Y方向的车流速度

k_y2＝k_yo2-(β_s2+β_r2)k_y2+k_yin2u_y1，u_y2而推算出的Y方向的车流密度。由其相邻路口进入该路口的车流密度为k_yin1，k_yin2。

③X方向的左转向灯亮，Y方向的红灯亮。

这时，Y方向本身没有车辆流动，这里所满足的元胞自动机规则是针对X方向的：

$\frac{\mathrm{du}}{\mathrm{dt}}=-\frac{1}{\mathrm{\ρ}}\▿p_{x1}+{\widetilde{\mathrm{\μ}}}_{x1}\frac{{\∂}^{2}u}{\∂x^2}$

$\frac{\mathrm{du}}{\mathrm{dt}}=-\frac{1}{\mathrm{\ρ}}\▿p_{x2}+{\widetilde{\mathrm{\μ}}}_{x2}\frac{{\∂}^{2}u}{\∂x^2}$

使用元胞自动机的相关演化方法来得到若干步数后的X方向的车流速度u_x1，u_x2。这里须引入描述车流左转的左转系数β₁₁，β₁₂，用来约束转向灯控制的路口的车流流动。这时Y方向的车流密度k_y1，k_y2为：

k_y1＝k_yo1+k_yin1

               ，其中k_yo1，k_yo2为演化前Y方向的车流密度(由测控系统得

k_y2＝k_yo2+k_yin2到)，这时由于进入Y方向的车流不对本路口造成压力，而是对其相邻路口产生压力；由其相邻路口进入该路口的车流密度为k_yin1，k_yin2。

而这时X方向的流量k_x1，k_x2为：

k_x1＝k_xo1-β_l1k_x1+k_xin1

                        ，其中，k_xo1，k_xo2为演化前X方向的车流量(由测控

k_x2＝k_xo2-β_l2k_x2+k_xin2系统得到)。k_x1，k_x2为由演化后得到的X方向的车流速度u_x1，u_x2而推算出的X方向的车流密度。由其相邻路口进入该路口的车流密度为k_xin1，k_xin2。

④X方向的绿灯亮，Y方向的红灯亮。

这时，Y方向本身没有车辆流动，由X方向经直行和右转向后有一部分车沿着X方向继续行驶，一部分车则进入Y方向车道。同样的引入描述车流右转的右转系数β_r1，β_r2和车流直行的直行系数β_s1，β_s2。车流Y方向的元胞自动机规则：

$\frac{\mathrm{du}}{\mathrm{dt}}=-\frac{1}{\mathrm{\ρ}}\▿p_{x1}+{\widetilde{\mathrm{\μ}}}_{x1}\frac{{\∂}^{2}u}{\∂x^2}$

$\frac{\mathrm{du}}{\mathrm{dt}}=-\frac{1}{\mathrm{\ρ}}\▿p_{x2}+{\widetilde{\mathrm{\μ}}}_{x2}\frac{{\∂}^{2}u}{\∂x^2}$

使用元胞自动机的相关演化方法来得到若干步数后的X方向的车流速度u_x1，u_x2。这时Y方向的车流密度k_y1，k_y2为：

k_y1＝k_yo1+k_yin1

               ，原因同上。

k_y2＝k_yo2+k_yin2

而这时X方向的车流密度k_x1，k_x2为：

k_x1＝k_xo1-(β_s1+β_r1)k_x1+k_xin1

                              ，k_x1，k_x2为由演化后得到的X方向的车流速度

k_x2＝k_xo2-(β_s2+β_r2)k_x2+k_xin2u_x1，u_x2而推算出的X方向的车流密度。由其相邻路口进入该路口的车流密度为k_xin1，k_xin2。

注意：由相邻路口流入本地路口的车流密度与相邻路口的相位有关，与元胞自动机的演化法则情况有关，所以具体形式没有必要细究，只是在每次计算时须记得加上这一项。

本发明涉及具体参数的原理如下：

1、车流动力粘性系数

在流体动力学方程中，流体的运动粘性系数

是一个非常重要的参数。

一般取决于流体的性质、温度和压强，它随压强(几个大气压时)的变化不大，但与温度有较大的关系。因此在流体力学中，运动粘性系数的概念反映了流体环境对流体运动的影响，在一定的条件下，它是一个确定值。

将流体动力学的N-S方程应用于车流分析时，需引入车流动力粘性系数

这个概念和参数，车流的动力粘性系数

与一般流体的定义一致，只是影响其变化的因素有所不同。车流的动力粘性系数 随车流的混车率(车流中各种车辆的比例，如小车、轻型车、重型车等)、路道形态(车道数、车道宽度)、车流密度(自由流和阻塞流等)以及车流与其下游路口的距离(交通路口的瓶颈作效应)等而变化。

1)整个交通流中各种车辆的一个比例系数(整个车流以哪一种车辆为主，又附以哪几种车辆)，这类似于先建立一个表格，然后再科学地定义出以那种车辆为主体的交通流所对应的交通流动力粘性因子

2)路道状况(车道数)，对于具有一定数量路口的区域，其各条道路的道路状况也不尽相同，以此为根据，同样可以建立一个表格，然后再科学地定义出以那种车辆为主体的交通流所对应的交通流动力粘性因子

3)整个交通流中车辆的车流密度，同样也决定了交通流动力粘性系数可以想象，在交通拥挤的时候，交通流的动力粘性系数较大，而在交通舒缓的时候，交通流的动力粘性系数较小，同样可以建立一个表格，然后再科学地定义出以那种车辆为主体的交通流所对应的交通流动力粘性因子

且与三者对应的影响因素分别为： 满足关系式：

$\widetilde{\mathrm{\μ}}={\mathrm{\α}}_1{\widetilde{\mathrm{\μ}}}_1+{\mathrm{\α}}_2{\widetilde{\mathrm{\μ}}}_2+{\mathrm{\α}}_3{\widetilde{\mathrm{\μ}}}_3---\left(7\right)$

其中， $\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\α}}_i=1,$ α_i的值应根据上述三个因素的影响程度来分别定义。对于既定交通流的运动，

为一常粘性系数。

2、压强梯度力

压强梯度力，它表征了路口交通流的在压力场作用下的行驶方向。由于路口交通流的压力值和车辆的拥挤程度有直接关系，对于常规十字路口的设定，定义了在距离各路口150米(即CCD相机所摆放的位置)内车辆数与所在路口的车道数作为表达车辆的拥挤程度的参数，各路口各不相同。

在压强梯度力公式中，有两个参数ρ，p，其中：

ρ表示有CCD相机在各路口150米内侧得的车辆数n₀(veh)，p表示为一维元胞自动机中的沿单方向流入路口的车流压力值，它的单位为veh·km/h²，所以

的单位为km/h²，是加速度的量纲。根据对p的单位得：

p＝q₀·u₀＝k₀·u₀ ²                       (8)

$-\frac{1}{\mathrm{\ρ}}\▿p=-\frac{k_0{u}_0^2}{n_0}---\left(9\right)$

其中k₀，u₀，n₀分别为元胞自动机演化前的由CCD相机得到的路口车流密度、车流速度和车辆数。它们的这个组合也同时提供了元胞自动机用于演化的初始条件。

3、纳维—斯托克斯方程的有限差分

不失一般性，我们定义城市交通为一个X-Y的平面。以X方向为例，来说明规则的推导过程。如前所述，X方向的纳维—斯托克斯方程可如下所示：

$\frac{\mathrm{du}}{\mathrm{dt}}=-\frac{1}{\mathrm{\ρ}}\▿p+\widetilde{\mathrm{\μ}}\frac{{\∂}^{2}u}{\∂x^2}$

在此用有限差分法来对其进行分解，以转换成规则的形式。在问题的解空间上做如下的网格划分：在x轴上以 $\mathrm{\Δx}=\frac{l_1}{J}$ 为步长将[0，l₀]上J等分，y轴上以 $\mathrm{\Δy}=\frac{l_2}{K}$ 将[0，l₂]K等分。时间轴上以Δt为步长划分，网格点(jΔx，kΔy，nΔt)记为(x_j，y_k，t_n)，用 $u_{\mathrm{jk}}^n,{\left(\frac{\∂u}{\∂t}\right)}_{\mathrm{jk}}^n,{\left(\frac{{\∂}^{2}u}{\∂x^2}\right)}_{\mathrm{jk}}^n,{\left(\frac{{\∂}^{2}u}{\∂y^2}\right)}_{\mathrm{jk}}^n,f_{\mathrm{jk}}^n$ 表示u， $\frac{\∂u}{\∂t},\frac{{\∂}^{2}u}{\∂x^2},\frac{{\∂}^{2}u}{\∂y^2},$ f(x，y，t)在(x_j，y_k，t_n)处的值，根据泰勒展开取线性近似：

$\frac{u_{\mathrm{jk}}^{n+1}-u_{\mathrm{jk}}^n}{\mathrm{\Δt}}={\left(\frac{\∂u}{\∂t}\right)}_{\mathrm{jk}}^n+O\left(\mathrm{\Δt}\right)---\left(10\right)$

$\frac{u_{j+1,k}^n-{2u}_{j,k}^n+u_{j-1,k}^n}{{\left(\mathrm{\Δx}\right)}^2}={\left(\frac{{\∂}^{2}u}{\∂x^2}\right)}_{\mathrm{jk}}^n+O\left({\left(\mathrm{\Δx}\right)}^2\right)---\left(11\right)$

忽略等式右边的无穷小量，，将式(10)、(11)代入式(4)得：

$\frac{u_{j,k}^{n+1}-u_{j,k}^n}{\mathrm{\Δt}}-\widetilde{\mathrm{\μ}}\frac{u_{j+1,k}^n-{2u}_{j,k}^n+u_{j-1,k}^n}{{\left(\mathrm{\Δx}\right)}^2}+\frac{1}{\mathrm{\ρ}}\▿p=0---\left(12\right)$

整理可得式(5)：

$u_{\mathrm{jk}}^{n+1}=(1-2{\mathrm{\λ}}_1)u_{\mathrm{jk}}^n+{\mathrm{\λ}}_1{u}_{j+1,k}^n+{\mathrm{\λ}}_1{u}_{j-1,k}^n+\mathrm{\λ}\tilde{p}$

(其中 ${\mathrm{\λ}}_1=\frac{\widetilde{\mathrm{\μ}}}{{\left(\mathrm{\Δx}\right)}^2}\mathrm{\Δt},\mathrm{\λ}=\mathrm{\Δt},\tilde{p}=-\frac{1}{\mathrm{\ρ}}\▿p)$

4、车流的转向比例系数(包括左转、右转和直行系数)

根据路口车流转向的大致特性设定车流的转向比例系数，分别为左转系数β_l、右转系数β_r和直行系数β_s，它们满足关系：β_li+β_ri+β_si＝1。这三个系数虽表征的是一个统计量，但将其来描述即时路口车流流动的趋势还是有一定科学性的。

本发明使系统中的任意当前路口根据其本身以及相邻路口的路况信息，在控制规则驱动下实现路口信号状态的动态迁移，完成交通信号的自组织控制，优化了城市交通运营环境。

具体实施方式

实施例

1、城市目标路网的选择：

选择上海中心城区的某个局部区域作为研究对象，将其抽象为对应的自组织虚拟网络。

2、设定仿真的必要情景：

1)对于整个区域的每个路口，其长度、车道数等物理性质是一定的，而且用于表征路口各分叉性质的参数都分别作为全局变量设定在每个子模块中。

2)作为一个开放区域的仿真，车流从边界区域进入该系统，同时设定横向流量和纵向流量，它们分别为：

横向流量＝2000辆/小时，纵向流量＝1400辆/小时

3)作为非边界区域，其输入、输出完全按照前文的相关算法进行，使得车流在流入该系统后，能够充分地扩散。

4)将车流量分为小流量(饱和度＝0.2)、中流量(饱和度＝0.5)、大流量(饱和度＝1.0)，同时对比使用基于元胞自动机自组织的城市智能控制和一般的定时信号灯控制(感应控制)对路口车流压力的影响情况。

5)作为评价所选择的局部区域交通控制性能指标，引入车辆平均延误时间的概念，同时分别在小流量、中流量、大流量的情况下对比分析自组织控制和感应控制对整个系统车辆平均延误时间的影响。

针对上述的情景，选择该区域中非边界的某个路口作为分析对象，进行仿真，仿真代数S(Srep)为100代，即对应的时间为500s。

3、仿真结果及其分析：

为验证该规则的有效性，在作者已编制的基于WIN2K的Visual C++的交通信号控制仿真平台上，以15分钟内车辆的平均延误时间及路口拥挤强度变化作为系统性能的评价指标进行仿真试验。车辆进入该系统的数量(车流到达率)

参数	检测距离	步长	步数	最短绿时	最长绿时	车辆长度	演化代数	路口数量
									符号数值	D150m	tstep5s	S180	Gmin15s	Gmax60s	L5.5m	g10	l32

在相同的随机初始状态条件下，对交通信号感应控制和自组织控制(基于流体运动状态的自组织规则)策略进行仿真。设主干道的边界路口车流到达率为Q₁(辆/时)，其余道路为Q₂(辆/时)，根据车流到达率的不同，进行3次仿真实验。仿真结果如下：

由于交通信号控制的CA模型考虑了相邻路口的交通信息，并且利用流体运动的流量平衡特性建立状态演化的自组织规则，有效的均衡了交通网络中的车流量，缓解了网络中的拥挤，减少了车辆的平均延误时间。从仿真结果看出，对于小流量、中流量和大流量3种不同的情况，基于流体运动规则的自组织信号控制较传统的感应控制在路口拥挤控制以及性能(车辆平均延误)上有较大程度的提高。当车辆到达率较小时，相邻路口的流量对本地路口几乎不形成影响，两种策略的性能相差不大，但使用自组织控制时能较好地缓解拥挤情况；随着流量的增加，相邻路口流量之间相互协调，自组织控制策略在性能上显示出较强的优越性，虽然大的车流量无法迅速通过单个路口，但就路网中道路的整体利用率而言是提高的。随时间变化，且服从泊松分布；各路口的车流粘性系数

和转车率γ由实测数据统计得到，系统仿真的其他参数如下所示：

Claims (8)

1.一种基于流体动力学的城市交通信号自组织规则的构建方法，其特征在于，将城市交通信号控制系统作为交通网络处理，每个路口作为具有自主采集和处理信息功能的智能体，而且每一路口同时有两套元胞自动机进行演化来实现每个路口交通信号控制的动态决策；另一方面，利用交通流与流体流存在天然的相似性，在元胞自动机的基础上引进流体动力学来建立交通流的平衡模型，同时制定了基于四相位顺序切换的城市交通信号自组织控制规则，并相应地制定了交通路口相位判别规则，实现交通系统信号模式的实时决策。

2.根据权利要求1所述的基于流体动力学的城市交通信号自组织规则的构建方法，其特征是，包括以下步骤：

1)各交通路口的实时信息采集处理：

将现有的交通网络中的每个路口均通过简单改造，使其具有可以自主采集和处理简单信息的能力；

2)基于纳维—斯托克斯方程基本形式的交通流运动进行重构：

纳维—斯托克斯方程的基本形式如下：

$\mathrm{\ρ}\frac{{\mathrm{du}}_i}{\mathrm{dt}}={\mathrm{\ρf}}_i-\frac{\∂p}{{\∂x}_i}+\mathrm{\μ}\frac{{\∂}^2{u}_i}{\∂x_j\∂y_j}---\left(1\right)$

用矢量的形式表示，则为：

$\frac{\mathrm{du}}{\mathrm{dt}}=f_b-\frac{1}{\mathrm{\ρ}}\▿p+\mathrm{\μ}{\▿}^{2}u---\left(2\right)$

式(2)中 ${\▿}^2=\▿\·\▿=\frac{{\∂}^2}{\∂x^2}+\frac{{\∂}^2}{\∂y^2}+\frac{{\∂}^2}{\∂z^2},$ 其中四项依次为作用于单位质量流体的惯性力 质量力(f_b)、压强梯度力

和粘性力

相对于车辆本身的运动来说，质量力的作用是可以被完全被忽略的，将(2)式引入到交通流中，得到用于交通流的纳维—斯托克斯方程的简化形式：

$\frac{\mathrm{du}}{\mathrm{dt}}=-\frac{1}{\mathrm{\ρ}}\▿p+\widetilde{\mathrm{\μ}}{\▿}^{2}u---\left(3\right)$

其一维的形式：

$\frac{\mathrm{du}}{\mathrm{dt}}=-\frac{1}{\mathrm{\ρ}}\▿p+\widetilde{\mathrm{\μ}}\frac{{\∂}^{2}u}{{\∂x}^2}---\left(4\right)$

3)对交通流纳维—斯托克斯方程进行有限差分来获得元胞自动机本地规则：

对(4)式进行有限差分得到元胞自动机本地规则：

$u_{\mathrm{jk}}^{n+1}=(1-2{\mathrm{\λ}}_1)u_{\mathrm{jk}}^n+{\mathrm{\λ}}_1{u}_{j+1,k}^n+{\mathrm{\λ}}_1{u}_{j-1,k}^n+\mathrm{\λ}\tilde{p}---\left(5\right)$

其中 ${\mathrm{\λ}}_1=\frac{\widetilde{\mathrm{\μ}}}{{\left(\mathrm{\Δx}\right)}^2}\mathrm{\Δt},\mathrm{\λ}=\mathrm{\Δt},\tilde{p}=-\frac{1}{\mathrm{\ρ}}\▿p$

由上式知：每次通过演化后，会得到在各个路口处车流的速度的情况，应用Greenshields提出的速度—密度线形模型：

$u=u_f(1-\frac{k}{k_j})---\left(6\right)$

式中：u_f-自由流速度，k_f-堵塞密度，

得到演化后的车流密度，这个量用于各路口红绿灯判别的相关法则中；

4)通过划分相位来简化交通模型并制定相应的演化规则：

在考虑车辆在实际路口的行驶状态后，总结包含有四个相位的红绿灯切换的转向规则，随着相位的演化，每次的相位切换后实际路口车辆流行驶模型对应于两套同时进行演化的元胞自动机模型。

3.根据权利要求2所述的基于流体动力学的城市交通信号自组织规则的构建方法，其特征是，所述的简单改造，是指：①在每个路口进车路段安装车辆检测传感器，检测进入路口等待车辆数以及当前车辆运行状态，使路口具有检测自身当前状态的能力：②本地路口与其相邻路口之间通过有线或无线的方式相互连接，实行双向实时通信，为自组织控制决策提供实时的确定信息，实现路口信息共享；③使每个路口具有信息处理能力。

4.根据权利要求2所述的基于流体动力学的城市交通信号自组织规则的构建方法，其特征是，所述的包含有四个相位的红绿灯切换的转向规则，是指：①相位1：Y方向的左转向灯亮，X方向的红灯亮；②相位2：Y方向的绿灯亮，X方向的红灯亮；③相位3：X方向的左转向灯亮，Y方向的红灯亮；④相位4：X方向的绿灯亮，Y方向的红灯亮。

5.根据权利要求2所述的基于流体动力学的城市交通信号自组织规则的构建方法，其特征是，所述的相位切换，是指：当Y方向的左转向灯亮，X方向的红灯亮时，X方向本身没有车辆流动，这里所满足的元胞自动机规则是针对Y方向的：

$\frac{\mathrm{du}}{\mathrm{dt}}=-\frac{1}{\mathrm{\ρ}}\▿p_{y1}+{\widetilde{\mathrm{\μ}}}_{y1}\frac{{\∂}^{2}u}{{\∂y}^2}$

$\frac{\mathrm{du}}{\mathrm{dt}}=-\frac{1}{\mathrm{\ρ}}\▿p_{y2}+{\widetilde{\mathrm{\μ}}}_{y2}\frac{{\∂}^{2}u}{{\∂y}^2}$

使用元胞自动机的相关演化方法来得到若干步数后的Y方向的车流速度u_y1，u_y2：引入描述车流左转的左转系数β_l1，β_l2，用来约束转向灯控制的路口的车流流动，这时X方向的车流密度k_x1，k_x2为：

k_x1＝k_xo1+k_xin1

k_x2＝k_xo2+k_xin2，

而这时Y方向的车流密度k_y1，k_y2为：

k_y1＝k_yo1-β_l1k_y1+k_yin1

k_y2＝k_yo2-β_l2k_y2+k_yin2，其中，k_yo1，k_yo2为演化前Y方向的车流密度，k_y1，k_y2为由演化后得到的Y方向的车流速度u_y1，u_y2而推算出的Y方向的车流密度，同理这时由其相邻路口进入该路口的车流密度为k_yin1，k_yxin2。

6.根据权利要求2或者5所述的基于流体动力学的城市交通信号自组织规则的构建方法，其特征是，所述的相位切换，是指：当Y方向的绿灯亮，X方向的红灯亮时，X方向本身没有车辆流动，由Y方向经直行和右转向后有一部分车沿着Y方向继续行驶，一部份车则进入X方向车道，引入描述车流右转的右转系数β_r1，β_r2和车流直行的直行系数β_s1，β_s2，车流Y方向的元胞自动机规则：

$\frac{\mathrm{du}}{\mathrm{dt}}=-\frac{1}{\mathrm{\ρ}}\▿p_{y1}+{\widetilde{\mathrm{\μ}}}_{y1}\frac{{\∂}^{2}u}{{\∂y}^2}$

$\frac{\mathrm{du}}{\mathrm{dt}}=-\frac{1}{\mathrm{\ρ}}\▿p_{y2}+{\widetilde{\mathrm{\μ}}}_{y2}\frac{{\∂}^{2}u}{{\∂y}^2}$

使用元胞自动机的相关演化方法来得到若干步数后的Y方向的车流速度u_y1，u_y2，这时X方向的车流密度k_x1，k_x2为：

k_x1＝k_xo1+k_xin1

k_x2＝k_xo2+k_xin2，

而这时Y方向的车流密度k_y1，k_y2为：

k_y1＝k_yo1-(β_s1+β_r1)k_y1+k_yin1

k_y2＝k_yo2-(β_s2+β_r2)k_y2+k_yin2，k_y1，k_y2为由演化后得到的Y方向的车流速度u_y1，u_y2而推算出的Y方向的车流密度，由其相邻路口进入该路口的车流密度为k_yin1，k_yin2。

7.根据权利要求2或者6所述的基于流体动力学的城市交通信号自组织规则的构建方法，其特征是，所述的相位切换，是指：当x方向的左转向灯亮，Y方向的红灯亮时，Y方向本身没有车辆流动，这里所满足的元胞自动机规则是针对X方向的：

$\frac{\mathrm{du}}{\mathrm{dt}}=-\frac{1}{\mathrm{\ρ}}\▿p_{x1}+{\widetilde{\mathrm{\μ}}}_{x1}\frac{{\∂}^{2}u}{{\∂x}^2}$

$\frac{\mathrm{du}}{\mathrm{dt}}=-\frac{1}{\mathrm{\ρ}}\▿p_{x2}+{\widetilde{\mathrm{\μ}}}_{x2}\frac{{\∂}^{2}u}{{\∂x}^2}$

使用元胞自动机的相关演化方法来得到若干步数后的X方向的车流速度u_x1，u_x2，引入描述车流左转的左转系数β_l1，β_l2，用来约束转向灯控制的路口的车流流动，这时Y方向的车流密度k_y1，k_y2为：

k_y1＝k_yo1+k_yin1

k_y2＝k_yo2+k_yin2，

而这时X方向的流量k_x1，k_x2为：

k_x1＝k_xo1-β_l1k_x1+k_xin1

k_x2＝k_xo2-β_l2k_x2+k_xin2，其中，k_xo1，k_xo2为演化前X方向的车流量，k_x1，k_x2为由演化后得到的X方向的车流速度u_x1，u_x2而推算出的X方向的车流密度，由其相邻路口进入该路口的车流密度为k_xin1，k_xin2。

8.根据权利要求2或者7所述的基于流体动力学的城市交通信号自组织规则的构建方法，其特征是，所述的相位切换，是指：当X方向的绿灯亮，Y方向的红灯亮时，Y方向本身没有车辆流动，由X方向经直行和右转向后有一部分车沿着X方向继续行驶，一部分车则进入Y方向车道，引入描述车流右转的右转系数β_r1，β_r2和车流直行的直行系数β_s1，β_s2，车流Y方向的元胞自动机规则：

$\frac{\mathrm{du}}{\mathrm{dt}}=-\frac{1}{\mathrm{\ρ}}\▿p_{x1}+{\widetilde{\mathrm{\μ}}}_{x1}\frac{{\∂}^{2}u}{{\∂x}^2}$

$\frac{\mathrm{du}}{\mathrm{dt}}=-\frac{1}{\mathrm{\ρ}}\▿p_{x2}+{\widetilde{\mathrm{\μ}}}_{x2}\frac{{\∂}^{2}u}{{\∂x}^2}$

使用元胞自动机的相关演化方法来得到若干步数后的X方向的车流速度u_x1，u_x2，这时Y方向的车流密度k_y1，k_y2为：

k_y1＝k_yo1-k_yin1

k_y2＝k_yo2+k_yin2，

而这时X方向的车流密度k_x1，k_x2为：

k_x1＝k_xo1-(β_s1+β_r1)k_x1+k_xin1

k_x2＝k_xo2-(β_s2+β_r2)k_x2+k_xin2，k_x1，k_x2为由演化后得到的X方向的车流速度u_x1，u_x2而推算出的X方向的车流密度，由其相邻路口进入该路口的车流密度为k_xin1，k_xin2。