一种基于消息的复杂网络交通信号优化控制方法

一种基于消息的复杂网络交通信号优化控制方法
【技术领域】
[0001] 本发明涉及智能交通系统领域，具体地说是一种基于消息的复杂网络交通信号优 化控制方法。
【背景技术】
[0002] 在城市道路交通系统中，交通网络一般由道路和交叉口两个基本单元组成，道路 是连接交叉口的中间部分，是车辆在空间上移动的载体；交叉口则是道路的重要组成部分， 作用相对比较特殊，可是实现车辆向不同方向行驶；然而，正是由于交叉口在协调交通运行 过程中，给交通的顺畅运行带来众多不便，城市道路通行能力主要受交叉口信号灯的协调 控制能力影响，因此，交叉口也被认为是分布最广的交通瓶颈节点。
[0003] 传统的控制方法，如针对单节点交通模型分析可W追溯到1950年，通过基于柏松 到达的分布模型，对单点的排队车辆进行了信号的优化控制。20世纪70年代末，我国开始 了城市路网络交通信号协调控制研究。一方面，一些学者对国外一些典型的区域控制系统 (如SCATS、SCOOT等）进行二次开发，使之适应国内混合交通流的情形；另一方面，一些学 者对城市交通协调控制进行了理论研究，如基于系统总延误最小的干线协调控制模型，但 是遗传算法的运行效率不高，不适合扩展；一种W绿波带宽最大化为目标函数、相位差为决 策变量的变带速干线协调控制数学模型，但它没有考虑支路左转车流对干线直行车流的影 响；采用线性规划对交通系统中的确定性因素建模，获得信号灯的初步配时方案，然后采用 模糊控制方式进行补偿，但是算法的计算量太大，不适合实时交通计算。
[0004] 人类生活在一个包含各种各样纷繁复杂网络的世界当中，从互联网、电力网、物流 网、交通网、电信网、包括人体的神经网等等，它们虽然分属不同的领域，但是都对我们的日 常生活产生着无法替代的作用。因此，如何最优化的发挥各自的网络优势，研究人员对每 一种网络都进行了仔细的研究，发现该些网络都可W抽象为基本单元及其相互作用构成的 网，例如；城市道路网可W抽象为交叉口为节点和W路段连接的网络，其中路段为使车辆从 一个交叉口节点行驶到下一节点的载体，而交叉口则实现车辆的不同方向的分配和流转； 互联网可W抽象为基站和信号传输信道组成的网络，其中基站实现向用户发送资源，信道 则是信号传输通道和载体等等。然而，随着网络规模的扩大，导致网络的复杂程度不断增 加，深入分析复杂网络的运行机制，是进一步优化和控制网络，并最大化网络通行效率是智 能交通系统的重要课题，城市交通网络拥堵问题就是一个典型复杂网络优化和控制问题。
[0005] 因此，本发明针对传统交通模型易受交通状态非线性、离散时变性、随机性等影 响，导致交通预测模型不稳定、系统运算量大、稳定性差等问题。W复杂网络信息化模型为 基础，将交通网络抽象为交叉口节点与道路的网络，将车辆抽象为网络通讯的数据包，交叉 口信号灯的控制的时序，即为网络节点的切换控制时间，提出一种分布式的交通网络自适 应优化方法，提高复杂交通网络车辆通行效率，降低系统延时，具有重大的理论意义及工程 应用价值。

【发明内容】

[0006] 针对现有技术的不足，本发明提供一种在复杂区域交通系统中，需要对交通信号 控制和车辆行驶路径进行优化，从而实现对城市道路交通的管控时，提出稳定、可靠、环境 适应性强、算法实时性高，系统优化效率更高的复杂交通网络信号控制优化方法。
[0007] 本发明为实现上述目的所采用的技术方案是；一种基于消息的复杂网络交通信号 优化控制方法，包括W下步骤：
[0008] 步骤1 ;建立交通网络模型，初始化交通网络参数；
[0009] 步骤2 ;基于交通网络参数，初始化各网络节点的信号灯切换时间和车辆到达节 点时间；
[0010] 步骤3 ;建立交通网络系统延时函数，根据初始化网络节点的车辆到达时间、信号 灯切换时间W及网络节点间道路长度分布，建立各网络节点间消息传递函数；
[0011] 步骤4;利用车辆检测器获取车辆排队长度、道路车流量、平均车速和占有率信 息，计算车辆到达节点时间；
[0012] 步骤5 ;利用车辆检测器获取的信息，求交通网络系统延时函数的最小值，得到新 的建立各网络节点间消息传递函数的值，传递至上游和下游节点；
[0013] 步骤6 ;返回步骤3进行循环迭代处理，当达到最优状态时，停止循环迭代。
[0014] 所述交通网络参数包括交通网络路口节点矩阵、网络节点间道路长度分布矩阵W 及网络节点间不同道路车流和占有率观测矩阵。
[0015] 所述交通网络参数包括交通网络路口节点矩阵为：
[0016]
[0017] 其中，N为MXN维矩阵，其中，iG[0，N-U，jG[0，M-1]，x(ij)为交通网络中 交通路口位置坐标。
[0018] 所述网络节点间道路长度分布矩阵为两组道路的空间分布：
[0021] 其中化为NXM-l维矩阵，代表水平道路分布；为N-1XM维矩阵，代表垂 直道路分布。
[0022] 所述网络节点间不同道路车流和占有率观测矩阵为：
[0025] 其中屯为NXM-l维矩阵，代表水平道路车流和占有率观测矩阵；为 N-1XM维矩阵，代表垂直道路车流和占有率观测矩阵。
[0026] 所述车辆到达节点时间为：
[0027]
[002引式中，(t)代表路口节点x(i，如处信号灯切换时间，代表路口节点相邻 方向到达路口节点道路长度。
[0029] 所述交通网络系统延时函数为：
[0030]
[003。 其中，ad(i, _]'）表示车辆从某一方向到达节点的时间，Lxd(i,j)，Lyd(i, _]'）分别表示 水平和垂直方向上到达节点的车辆排队长度，Dd(i，j)，Dyd(i，j)分别表示水平和垂直方向 上节点各方向的道路长度，5 (i，j)表示节点的延时值。
[0032] 所述各网络节点间消息传递函数为：
[0033] h。，"（a") =minf(XL,D)+g。，…）（X(i,j)+DE(i,j+ 1) )+h(…，J) (x(i,j)+Ds(i+l,j))
[0034] g。，"（a") = minf(X;aN，L, D)+g。，…）（X(i,j)+DE(i,j+ 1) )+h(…，j) (x(i,j)+Ds(i+l,j))
[003引其中，a"表示车辆从西面节点到达时间，aw表示车辆从北面节点到达时间，gu，j+i> 表示从节点x(i，j)传递至x(i，j+1)的消息值，表示从节点x(i，j)传递至x(i+l，j) 的消息值，X为当前路口绿灯开始时间，D为节点x(i，j)到节点x(i，j+1)的道路长度，L为 到达节点x(i，j)的车辆长度，咕为当前节点与东面相邻节点之间的道路长度，Ds为当前节 点与南面相邻节点之间的道路长度。
[0036] 所述车辆检测器为微波车辆检测器或地感线圈。
[0037] 所述最优状态为当前循环的最小网络延迟与上一循环的最小网络延迟的差值不 大于规定阔值。
[0038] 本发明具有W下有益效果及优点：
[0039] 1.本发明W复杂网络信息化模型为基础，将交通网络抽象为交叉口节点与道路的 网络，将车辆抽象为网络通讯的数据包，交叉口信号灯的控制的时序，即为网络节点的切换 控制时间，一种基于消息的分布式交通网络信号控制迭代优化方法；
[0040] 2.本发明采用微波车辆检测器或地感线圈，利用传感器实时获取的道路车流量、 车道占有率、平均车速等信息，对节点传递消息进行实时的更新处理，避免传统交通模型中 需要大数据进行学习优化的问题，提高了系统实时性和稳定性；
[0041] 3.本发明通过构造节点间消息函数传递函数，简化了传统交通模型的复杂性，提 高了系统学习效率和快速的收敛性；
[0042] 4.本发明具有快速的收敛性和系统稳定性。
【附图说明】
[0043] 图1为本发明的方法流程图；
[0044] 图2为本发明仿真二维交通网路模型示意图；
[0045] 图3为本发明仿真平行等距条件下，交通延时稳定性和收敛性曲线图；
[0046] 图4为本发明仿真点间道路为均匀分布和正态分布条件下，交通延时稳定性和收 敛性曲线图。
【具体实施方式】
[0047] 下面结合附图及实施例对本发明做进一步的详细说明。
[0048] 如图1所示，为本发明系统流程示意图。
[0049] 所述步骤1，复杂交通网络路口节点矩阵表示为：
[0050]
[005。 式中，N为MXN维矩阵，其中，iG[0，N-1]，jG[0，M-1]，x(i，_]?)为交通网络中 交通路口位置坐标。
[0052] 交通节点间道路长度分布矩阵为两组道路的空间分布，如下所示
[005引式中化为NXM-l维矩阵，代表水平道路分布；为N-1XM维矩阵，代表垂 直道路分布；
[0056] 节点间不同道路车流状态观测矩阵，用表示。
[0059] 其中屯为NXM-1维矩阵，代表水平道路车流和占有率观测矩阵；为 N-1XM维矩阵，代表垂直道路车流和占有率观测矩阵。
[0060] 所述步骤2中，交通网络达到时间，如下所示路口西向到达时间表示为：
[0061]
[006引式中，(t)代表路口节点x(i，如处信号灯切换时间，代表路口节点西向 道路长度。
[006引所述步骤3 ;交通系统网络延时函数，表示为：
[0064]
[0065] 式中，ad(i,j)表示车辆从某一方向到达节点的时间，Lyd(i,j)，Lyd(i,j)分别表示 水平和垂直方向上到达节点的车辆长度，D ,d(i，j)，Dyd(i，j)分别表示水平和垂直方向上节 点各方向的道路长度，5 (i，j)表示节点的延时值。
[0066] 各网络节点间消息传递函数，表示为：
[0067] h。，"（a") =minf(XL,D)+g。，…）（X(i,j)+DE(i,j+ 1))+h(…，J) (x(i,j)+Ds(i+l,j))
[0068] g。，"（a") =minf(X;aN,L,D)+g。，…）（X(i,j)+DE(i,j+ 1) )+h(…，j) (x(i,j)+Ds(i+l,j))
[0069] 式中，a"表示车辆从西面节点到达时间，aw表示车辆从北面节点到达时间， g(i,州表示从节点x(i，_]?)传递至x(i，J+ 1)的小消息值，h(i,州表示从节点x(i，_]?)传递至 x(i+l，j)的消息值。
[0070] 所述步骤4,利用微波车辆检测器或地感线圈获取道路车流量、平均车速，占有率 等信息，建立车辆到达路口平均时间，车辆排队长度信息，确定消息传递函数中％，以D，并 将得到的a"，LD带入消息传递函数中进行迭代处理，建立消息传递函数的初始值。
[0071] 所述步骤5,利用微波车辆检测器等传感器获取的车辆和道路实时信息，计求解网 络延时函数5 (i，j)的最小值，得到各网络节点间消息传递函数的值，传递至上游和下游 节点。关于上游节点，由行驶方向由西到东，则西为上游，东为下游，则西面节点为上游节 点，东面节点为下游节点。其中，网络延时函数5 (i，j)为最小值时，xt(i，j)即为即为网络 节点中的信号灯切换时间(t)的局部最优值，表示如下所示：
[0072]
[0073] 式中，xt(i，j)为网络延时5 (i，j)为最小值时信号灯切换时间局部最优值， a<i(i，j)表示车辆从某一方向至IJ达节点的时间，Lxd(i,J)，Lyd(i,j)分别表示水平和垂直方向 上到达节点的车辆排队长度，D,d(i，j)，Dyd(i，j)分别表示水平和垂直方向上节点各方向的 道路长度，5 (i，j)表示节点的延时值。
[0074] 所述步骤6,利用步骤5计算结果，进行迭代循环处理，直至系统达到最优值。最 优状态为当前循环的最小网络延迟与上一循环的最小网络延迟之差不大于规定阔值化，其 中阔值为两次迭代网络总体延时差的比较值，公式5 (ti)-5 (t2) <化，阔值可W影响网络 收敛的时间。最后确定网络延时5 (i，j)满足W上条件后，网络节点中各信号灯切换时间 X(xj)(t)即为全局最优值。
[00巧]本发明的效果可W通过W下仿真进一步说明 [007引仿真内容：
[0077] 将交通路口抽象为网络节点，针对面控交通模型进行研究，为了简化研究，如图2 所示，建立一个10x10的二维网络模型进行仿真验证，对上述二维交通网络模型进行W下 假设，1)将信号灯周期归一化为化1]范围内，相位周期0. 5 ;2)不考虑黄灯周期；3)新一 轮周期节点到达交通流未进行积累。
[0078] 对算法进行仿真验证，初始化各路口节点车辆到达时间和信号灯切换时间，每个 节点的平均延时为T/2,考虑10x10个路口节点情况，系统总体平均延时时间为50,其中T =Is。仿真中先针对路径为平行等距分布情况下，对算法进行分析验证，平行等间距仿真结 果，如图2所示。10x10节点网络初始化延时为50s左右，系统经过10次迭代后，总延时时 间快速收敛至10s，迭代50次W后，总体延时维持在10sW内。通过仿真，验证了算法在平 行网络条件下，具有强的收敛性和较高的优化效率。
[0079] 下面针对均匀分布（UniformDistribution)、高斯分布（Gaussian Distribution)进行算法收敛性和有效性的比较，分析不同路口节点间道路距离分布不 同情况下，算法的优化和收敛情况。假设均匀分布条件下，路径符合U[d-S，d+5]分 布，其中(1 = 0.5,5￡(0,0.5)，高斯分布条件下，路径符合口(11，52)分布，其中(1 = 0.5, 5G(0,0.5)。图3表示总时间延迟随着迭代次数的增加而减小。图4中圆形点表示 道路为均匀分布条件下，算法优化延时分布；H角形点表示道路为高斯分布条件下，算法优 化延时分布。验证了交通网络内部节点在均匀分布和高斯分布时，针对不同5延时点迹进 行最小方差二次拟合后的曲线，可W看出算法两种道路分布情况下，均具备收敛性，且总体 的延时优化率趋近未优化前的25%。
【主权项】
1. 一种基于消息的复杂网络交通信号优化控制方法，其特征在于：包括以下步骤： 步骤1 :建立交通网络模型，初始化交通网络参数； 步骤2 :基于交通网络参数，初始化各网络节点的信号灯切换时间和车辆到达节点时 间； 步骤3 :建立交通网络系统延时函数，根据初始化网络节点的车辆到达时间、信号灯切 换时间以及网络节点间道路长度分布，建立各网络节点间消息传递函数； 步骤4 :利用车辆检测器获取车辆排队长度、道路车流量、平均车速和占有率信息，计 算车辆到达节点时间； 步骤5 :利用车辆检测器获取的信息，求交通网络系统延时函数的最小值，得到新的建 立各网络节点间消息传递函数的值，传递至上游和下游节点； 步骤6 :返回步骤3进行循环迭代处理，当达到最优状态时，停止循环迭代。2. 根据权利要求1所述的基于消息的复杂网络交通信号优化控制方法，其特征在于： 所述交通网络参数包括交通网络路口节点矩阵、网络节点间道路长度分布矩阵以及网络节 点间不同道路车流和占有率观测矩阵。3. 根据权利要求2所述的基于消息的复杂网络交通信号优化控制方法，其特征在于： 所述交通网络参数包括交通网络路口节点矩阵为：其中，N为MXN维矩阵，其中，i e [〇，N-l]，j e [〇，M-l]，x(i，j)为交通网络中交通 路口位置坐标。4. 根据权利要求2所述的基于消息的复杂网络交通信号优化控制方法，其特征在于： 所述网络节点间道路长度分布矩阵为两组道路的空间分布：其中：Dx(ij为NXM-I维矩阵，代表水平道路分布；Dy(ij为N-I XM维矩阵，代表垂直道 路分布。5. 根据权利要求2所述的基于消息的复杂网络交通信号优化控制方法，其特征在于： 所述网络节点间不同道路车流和占有率观测矩阵为：其中：Lx(ij为NXM-I维矩阵，代表水平道路车流和占有率观测矩阵；Ly(ij为N-IXM 维矩阵，代表垂直道路车流和占有率观测矩阵。6. 根据权利要求1所述的基于消息的复杂网络交通信号优化控制方法，其特征在于： 所述车辆到达节点时间为：式中，(t)代表路口节点x(i，j)处信号灯切换时间，Dx(ij代表路口节点相邻方向 到达路口节点道路长度。7. 根据权利要求1所述的基于消息的复杂网络交通信号优化控制方法，其特征在于： 所述交通网络系统延时函数为： j) = /(λ；,, ； ad (ζ, ]\ Lxd (/, ]\ Lyd (/, Dxd (/, Dnl (/,./)) 其中，ad(i，j)表示车辆从某一方向到达节点的时间，Lxd(i，j)，Lyd(i，j)分别表示水平 和垂直方向上到达节点的车辆排队长度，Dxd(i，j)，Dyd(i，j)分别表示水平和垂直方向上节 点各方向的道路长度，S (i，j)表示节点的延时值。8. 根据权利要求1所述的基于消息的复杂网络交通信号优化控制方法，其特征在于： 所述各网络节点间消息传递函数为： h(i,j) (aN) = min f (x ；aff, L, D)+g(i；J+1) (x(i, j)+DE(i, j+1))+h(i+1；^ (x(i, j)+Ds(i+l, j)) g(i，j) (aw) = min f(x ;aN, L, D)+g(i，j+1) (x(i, j)+DE(i, j+l))+h(i+1，j) (x(i, j)+Ds(i+l, j)) 其中，aw表示车辆从西面节点到达时间，aN表示车辆从北面节点到达时间，g(u +1)表示 从节点x(i, j)传递至x(i, j+Ι)的消息值，h(i，j+1)表示从节点x(i, j)传递至x(i+l, j)的 消息值，x为当前路口绿灯开始时间，D为节点x(i，j)到节点x (i，j+1)的道路长度，L为到 达节点x(i，j)的车辆长度，De为当前节点与东面相邻节点之间的道路长度，D s为当前节点 与南面相邻节点之间的道路长度。9. 根据权利要求1所述的基于消息的复杂网络交通信号优化控制方法，其特征在于： 所述车辆检测器为微波车辆检测器或地感线圈。10. 根据权利要求1所述的基于消息的复杂网络交通信号优化控制方法，其特征在于： 所述最优状态为当前循环的最小网络延迟与上一循环的最小网络延迟的差值不大于规定 阈值。
【专利摘要】本发明涉及一种基于消息的复杂网络交通信号优化控制方法，包括以下步骤：建立交通网络模型，初始化交通网络参数；初始化各网络节点的信号灯切换时间和车辆到达节点时间；建立交通网络系统延时函数，建立各网络节点间消息传递函数；计算车辆到达节点时间；求交通网络系统延时函数的最小值，得到新的建立各网络节点间消息传递函数的值，传递至上游和下游节点；返回步骤3进行循环迭代处理，当达到最优状态时，停止循环迭代。本发明提供一种在复杂区域交通系统中，需要对交通信号控制和车辆行驶路径进行优化，从而实现对城市道路交通的管控时，提出稳定、可靠、环境适应性强、算法实时性高，系统优化效率更高的复杂交通网络信号控制优化方法。
【IPC分类】G08G1/07
【公开号】CN104882006
【申请号】CN201410318468
【发明人】毕欣, 杜劲松, 赵越南, 高洁, 李想, 田星, 张清石
【申请人】中国科学院沈阳自动化研究所
【公开日】2015年9月2日
【申请日】2014年7月3日