587+城市交通干线绿波带全局优化方法

计算机与应用化学

Computers and Applied Chemistry

Vol.29, No. 28, 2012

城市交通干线绿波带全局优化方法

胡霆1，王景成1*，赵广磊1，苗浩轩1，董振江2，张震玮2，何军2，付强2

（1. 上海交通大学自动化系，系统控制与信息处理教育部重点实验室，上海 200240；

2. 中兴通讯股份有限 公司重庆研究所，重庆 400060）

摘要：通过分析城市信号交叉路口交通流的复杂性,我们得出模糊控制方法在单个交叉路口的控制特性更为适应交通流的不确定性、随机性和突发性.但是在将模糊控制理论引入绿波协调控制中去,对多个交叉路口设计模糊控制器时,不可避免的造成模糊逻辑的爆炸性增长以及控制效果的直线下降.本文结合模糊控制算法和粒子群优化算法,提出一种对多交叉路口进行全局优化的控制策略,采用单路口的模糊控制器求解绿灯配时信号,模糊控制器采用3变量输入（红灯时间R、流量变化Q和平均等待时间比值P/P0）1输出（绿灯变化时间G）级联的形式，并使用粒子群算法对全局的延误时间性能参数进行优化,在保证单个交叉路口控制效果不变的情况下,在交通路面上形成整体平均等待时间最小的绿波带.文还中提出了一种右转和直行方向相位合并情况下直行流量的求解方法，考虑了直行车辆比例系数在一定时间内的波动性较小，采取若干周期的统计流量值求解直行比例系数。Matlab仿真结果表明,该方法相比于传统的ACJG-3方法，延误时间平均减少了约3.5%. 关键词：模糊控制；粒子群算法；全局优化策略；绿波带

中图分类号：TQ015.9; TP391.9; O6-39 文献标识码：A 文章编号：1001-4160(2012)07-页-页

1 引言

随着城市交通负荷的与日俱增，交通拥挤已经成为现代城市交通的严重问题。为了提高城市交通的通行能力，针对交叉路口信号灯的控制早已经被研究。早在1981年，Little, John D. C, Kelson[1]等人就提出了一种优化道路交通的MAXBAND法,然而这种方法需要建立精确的模型，对于动态复杂的交通网络难度较大，很难取得良好的控制效果。图解法[2]在求解单向道路绿波参数时，具有算法和模型简单的特点，但是其要求主干线上所有交叉路口的周期保持一致，在把图解法应用到双向、多种等级道路交叉的主干线上，就会面临模型失配的问题。以后又相继提出了人工智能等算法。沈国江、孙优贤[3]将模糊控制算法应用于单个交叉路口的信号控制和相序优化，展现出模糊控制算法在复杂交通网络中良好的优化效果，但是如果简单地推广到多交叉路口时不可避免会遇到模糊规则爆炸的问题。Y.Chong, C.Quek和P.Loh [4]使用自组织的模糊神经网络方法对交通流进行建模和分析，但是依然只是针对单个路口进行优化。于万霞等人[5]运用粒子群优化方法对单个路口的模糊控制器参数进行优化，显示出粒子群算法在全局寻优的过程中快速收敛的性能。

本文结合模糊控制算法和粒子群优化算法，对单个路口使用模糊控制器进行信号配比优化，对整条干线绿波带使用粒子群算法保证全局的平均车辆等待时间适应度函数的取值最小。配置参数的结果经由检测器采集后，及时反馈到模糊控制器的输入端，不断提高适应度函数

的性能。仿真结果表明，该算法在若干个信号周期后，能够稳定提高整条绿波带的车辆通过率。

2 道路建模

城市道路交通绿波控制考虑的是这样一种道路情况：干线上有若干个交叉路口，可能是由干线和其他二级道路形成的，也可能是干线和其他干线形成的，并且相邻交叉路口之间的距离一般不大于800米。若大部分交叉路口都是由干线和干线交叉形成，绿波控制就没太大的实际意义。协调控制的目的是使得尽量多的车辆不停车的通过若干个交叉路口，减少车辆在交叉路口的平均等待时间。本文选取上海市某段具有代表性的道路建立模型，如图1所示。假设交叉路口周围部署的检测器数据可以得出红灯时等待车辆的总长度、直行和左转流量。为了简化模型，对交叉路口做如下假设：

1)干线上只考虑左转和直行车辆，右转车辆不受控制地通过交叉路口。二级道路由于车道数限制，右转和直行占据同一个车道，直行车辆用动态比例系数折算求出，直行车辆以非饱和流量形式离开等候车队并通过路口，行驶速率同样用求出。

2)红灯转变为绿灯后，车辆经过最初加速后，以恒定速率（饱和流量）离开等候车队并通过路口。

3)对于每个相位，整个周期分为绿灯时间和红灯时间，忽略黄灯时间。

设在绿波方向上的交叉路口编号分别为1,2,i.i..,n1,n为绿波带内交叉路口总数。Qi,i1表，

收稿日期：2012-05-15; 修回日期：2012-06-20

基金项目：中兴通讯公司资助项目，基于Web的无线泛在业务环境体系架构、关键技术研究与演示验证（2012ZX03005008）；上海市青年科技启明星跟踪计划项目（11QH1401300）

作者简介：胡霆(1987—), 男，江苏人，硕士研究生，Email: huting@sjtu.edu.cn.

联系人：王景成(1972—)，男，陕西人，博士，教授，博士生导师，E-mail: jcwang@sjtu.edu.cn

122 计算机与应用化学 2010, 27( )

示交叉路口i和i1之间的车辆流量。Qi表示交叉路口i绿波方向上的直行车流量。qi,north_direct,qi,north_left和qi,south_direct,qi,south_right分别表示路口i支路的上方汇入路口的直行车流量、左转车流量和下方汇入路口的直行车流量和右转车流量。可以估算从支路下方右转汇入交叉路口绿波方向上的车流量为：

qi,south_rightQi,i1Qiqi,north_left (1) 当部署的检测器只能检测到右转和直行车辆总流量

由下式确定：时，动态比例系数 NN

3个模糊变量都被分割为{PL,PS,ZO,NS,NL}共5

个模糊语言[14]。根据经验可以建立如表1所示的模糊控制策略集合。

表1.R和Q模糊关系规则表 Table 1 The fuzzy logic rules of RandQ.

红灯时间R red light timeR PL PS ZO NS NL PL PS PS PL Pl PL PS ZO ZO PS PS PS 流量变化值Q Variation of flowQ ZO NS NS ZO PS PS NS NL NL NL NS PS NL NL NL NL NL NL iqi,south_right/qi,south_total11 (2)

qi,south_total表示支路上方两车道检测器收集的右转和直行总车流量，N表示统计的周期数。由于道路交通中安全性的要求，配比参数不能快速变化，因而在若干个周期内估算动态比例系数就有了实际意义。

为了便于实现主干道交叉路口信号的协调控制，绿波带内所有交叉路口应采用相同的周期长度，个别车流量少的交叉路口也可以采取不同的周期，但是必须与共同周期成倍数关系。公共周期T0的确定以车辆总延误时间最小为前提的，采取Webster提出的车辆平均延误时间的计算方法：

R和Q的输出在单交叉路口控制中直接转换为输出变量绿灯时间变化量G。但是在绿波控制中，绿灯

相位的开启时间与绿波方向上下一个交叉路口绿灯开启时间必须保持一定的相位差，才能形成绿波带。本文没有对相位差的计算模型进行建模，而是引入了全局粒子群优化算法的结果作为相位差优化模糊控制器的输入变量，从而将单个交叉路口和全局绿波控制关联起来。

粒子群算法输出值是绿波带车辆平均等待时间。设P0为若干个周期内平均等待时间的均值，P也为若干个周期内的平均等待时间均值，但P的取值周期小于P0的取值周期。取平均值而不是实时值，是为了保证调整信

古龙路平吉路顾戴路平阳路T01.5L5 1Y东兰路(3)

其中L为一个信号周期内损失的时间，Y为所有相

田林路田州路平南路280m760m280m380m320m300m450m Fig.2 A section of the actual arterial traffic of Shanghai 图1. 上海市某路段实际交通路况图 位关键车流量比率之和 。为了建立粒子群算法的适应度函数，还需要对每个路口的平均等待时间进行建模，当确定了流量计算公式和公共周期后，就可以设计相应的控制器对交叉路口进行控制了。

号的稳定性。P/P0的值在经过模糊化处理后，作为相位差优化器的输入变量，具体流程如图2。

RQ3 模糊控制器设计

模糊数学针对包含非定量信息的不确定系统，它能利用模糊集的概念将不确定信息定量地表示出来，非常适用于绿波控制中难以精确确定数学模型的情况。首先对单个路口建立彼此独立的配时控制器，该模糊控制器有3个模糊变量：红灯时间R、绿灯时间变化量G和绿波方向上的流量比Q：

模糊控制器1Temp模糊控制器2GP/P0Fig.2 the structure of the cascade fuzzy controllers

图2. 级联模糊控制器结构图

QQi/(Qi1,iqi,north_leftiqi,north_total(1i)qi,south_total)P/P0被分为{PL,PM,PS,ZO,NS,NM,NL}7个模糊语言。根据经验可以建立如表2所示的模糊控制策略集合。

表2.P/P0和Temp模糊关系规则表

(4)

123 2010, 27( ) 刘琳琳，等：基于虚拟温度法的间歇过程换热器网络综合 Table 2 The fuzzy logic rules of P/P0andTemp. 延误时间变化趋势P/P0 Temp The trend of delay time changesP/P0 PL PM PS ZO NS NM NL PL PL PL PM PS PS ZO NS PS PL PM PM PS ZP NS NS ZO PM PS PS ZP NS NS NM NS PS PS ZO NS NM NM NL NL PS ZO NS NM NM NL NL 表2输出的结果即为绿灯变化时间的模糊语言。下面要根据经验和统计数据分析分别建立3个输入变量和1个输出变量的隶属函数。红灯时间一般不超过90s，因此其隶属函数如图3(a)所示。流量比Q的取值范围在0~1之间，其隶属函数如图2(b)所示。P/P0可以反应出一段时间内交通流拥挤程度，一般而言，若P/P0大于1表示交通情况开始恶化，P/P0小于1表示交通状况开始好转，即绿波带初步形成。我们假设P/P0的取值范围在0~3的范围内波动，隶属函数如图3(c)表示仿真结果证明这样的取值范围是有效的。由于实际环境安全性的需要，绿灯变化时间采取频繁而微小的连续累积调整，以便平滑地改变信号灯的时间配比。因此G的取值范围在-4~4之间，其隶属函数关系如图3(d)所示。

R1R2R3R4R5Q1Q2Q3Q4Q5010The red light time/s3050709000.10.30.50.70.91The flow ratio红灯时间/s流量比3(a)3(b)P1P2P3P4P5P6P7G1G2G3G4G500.30.7-42024The ratio of 1.11.51.9P/P02.42.73The variation of the green light time/sP/P0比绿灯时间变化量3(c)3(d)Fig.3 the membership functions of variables. 图3. 各变量的隶属函数关系

4 粒子群算法

粒子群算法是基于群体的演化算法，其思想来源于人工生命和演化计算理论，即复杂的全局行为是由简单规则的相互作用引起的。粒子群算法在解决连续优化问题上收敛速度快、求解精度较高的特点是解决交通问题中复杂模型优化求解的一个有力工具[10]。

在本文中，P和P0两个参数将独立模糊控制器关联起来，协调各个模糊控制器工作，调整各个信号灯配比，

使得在路面上形成一条平均等待延误时间最少的绿波

带。因此P和P0必须具有全局特性，能够真实反映道路的通行情况。本文P和P0都是取若干周期粒子群算法最优值的平均值，但是要求P的周期数小于P0的周期数，从而保证结果能够动态、平滑地反映交通流状况。对于每个交叉路口可以根据流量、信号周期、平均车速建立一个延误模型[6][11]。第i个交叉路口的延误时间为：

D1i2iM(1i)M

(5)

QU(Si1,ii,i1[]mod(T))2i

MvUQ (6)

i其中，当车辆到达交叉路口时恰好为红灯则i1，到达时红灯已经开始则i0；U表示道路最大通行能力；i,i1表示交叉路口i和i1之间的相位差；Si1,i表示交叉路口i1和i之前的距离；T为公共信号周期。i,i1由相邻两个交叉路口上一阶段信号配比的时间差计算出。建立的粒子群寻优算法[11]如公式(7)：

T1NminPDiT012T2N

minP0Di (7)

T012T1.5L501Y,TminTT0其中T1T2，T1、T2为采集数据的周期数。求出P/P0，通过隶属函数模糊化后返回给绿波带内的每一个模糊控制器，实现基于反馈的城市道路交通绿波协调控制。在公式(6)中相邻两个交叉路口相位差的计算方法如图4所示，即通过两个信号灯上阶段配时方案计算得出。如果交通流没有太大变化，算法的计算结果将继续保持绿波带信号灯的配时比。如果交通流有较大的波动，在若干周期内将会通过车辆检测装置反馈到算法中， 粒子群算法将计算出的全局交通流状况反馈给绿波带内的每一个模糊控制器，从而调整单个路口的信号灯配比，达到优化全局参数P/P0的目的。

模糊控制器1模糊控信号配车辆检制器2比方案测装置交叉路口1相位差1,2交叉路口2信号配粒子群..比方案.全局优..化算法模糊控制器1模糊控信号配车辆检制器2比方案测装置交叉路口N Fig.4 the process diagram of global optimization method based on

POS and fuzzy algorithm

图4. 粒子群和模糊控制算法全局优化方法过程图

124 计算机与应用化学 2010, 27( )

5 计算机仿真

计算机仿真验证借助于Matlab仿真软件实现。Matlab是一款主要面对科学计算、可视化以及交互式程序设计的计算环境。本程序在电脑配置为Intel(R) Celeron(R) 2.66GHz的个人PC机上实现，Matlab版本为Matlab R2007a。

为了模拟实际的交通环境，程序中车辆驶入驶离干道的数量假设为服从泊松分布规律[15][16]，程序中设计了一个满足泊松分布的随机数发生器。为了简化程序，支路上右转和直行车辆的动态比例系数采取固定值，4个路口的值分别取10.5,20.4 ,

30.5,40.5。信号灯取固定周期150s。模糊控制器

在Simulink中编辑实现，简化了程序的实现过程。同时在该平台上实现了简化的ACGJ-3算法[7][8][9][12]，并得到两种不同算法在相同交通环境下的控制效果。仿真只是实现了算法主体部分，对于复杂的交通状况都做了简化处理。程序中设计了一个干线上的4个交叉路口R1，R2，R3,，R4和10个端点Edge1~Edge10，每个交叉路口对应四个Edge，Edge即使车辆发生的端点，也是车辆驶离道路的端点，具体仿真结果如表3。

表3. 交叉路口平均等待时间和其他参数性能比较

Table 3 the comparison of average waiting time and other indicators in

the intersections. 路口 随机ACJG-3 本方案 改进效率 Crossroad Random ACJG-3 Our method Improved efficiency 1 60.2 10.4 10.2 1.92% 2 65.3 10.5 10.0 4.76% 3 55.7 11.2 10.8 3.57% 4 64.3 12.5 12.1 3.20% #1 / 4.73 4.49 5.07% #1：绿波带车辆路口平均旅行时间

/ ：表示由于数值一直在增加，无法获得平均值

程序设计了R1~R4共4个路口。仿真验证了在固定信号配时比情况下车辆通过交叉路口的耗时时间很长。并通过对比ACJG-3算法和本方案在应用到交叉路口协调绿波控制时每个路口车辆产生的平均等待时间发现，本方案相比于ACJG-3在单个路口上通行效率都有一定的提升效率，整体效率提高了大约3.5%。相比于ACJG-3算法,本方案都有较大的改进。

6 结论

本文在建模部分提出了一种估测右转和直行车辆流量的方法，解决了在实际SCATS系统中检测线圈损坏情况下和右转、直行车道合并情况下的交通流量估测办法，更能够反映实际的交通状况。算法设计部分结合模糊控制和粒子群算法，将建模部分的动态比例系数加入到模糊控制变量Q中，使得该变量和该交叉路口所有方

向的车流量发生关联。通过独立模糊控制器实现单交叉路口的优化控制，再通过粒子群算法求解整个绿波带的最优平均等待延误时间参数，作为单个路口相位差模糊控制优化器的输入变量，将所有模糊控制器和全局关联起来，实现整个绿波带的协调优化控制。该算法不需要建立整个干线的精确道路模型，在减少模糊控制规则和设计复杂性的同时，较大地提升了绿波协调控制的效果。

References: 1

Little, John D.C, Mark D, Gartner, Nathan H. MAXBAND: a

versatile program for setting signals on arteries and triangular networks. Alfred P. Sloan School of Management, Massachusetts Institute of Technology. 1981:1185-, 81.

2

Y.Chong, C.Quek, P.Loh. A novel neuro-cognitive approach to modeling traffic control and flow based on fuzzy neural techniques. Expert Systems with Applications. 2009, 36:4788-4803.

3 Wiering. M, Vreeken. J, van veenen. J, Koopman. A. Simulation and Optimization of traffic in a city [J]. Intelligent Vechiles Symposium. 2004, 453-458.

4

Prashanth. L. A, Bhatnagar. S. Reinforcement learning with average cost for adaptive control of traffic lights at intersections. 14th Intelligent Transportation System. 2011, 1640-1645.

5 Prashanth. L. A, Bhatnagar. S. Reinforcement Learning With Function Approximation for Traffic Signal Control. Intelligent Transportation System. 2011, 412-421.

6

Li Zhang, Liang Gao, Xiuyu Shao, Long Wen, Jun Zhi. A PSO-Fuzzy group decision-making support system in vehicle performance evaluation. Mathematical and Computer Modeling. 2010, 52(11-12):1921-1931.

7 Richard S. Sutton. Generalization in reinforcement learning: Successful examples using sparse coarse coding. Advance in Neural Information Processing Systems. Vol, 8, 1996.

8

France J, Ghorbani A A. A Multi-agent system for optimizing urban traffic. Proceeding of the IEEE/WIC International Conference on Intelligent Agent Technology. Beijing: IEEE,2003:411-414.

9 Little J D C, Kelson M D, Gartner N H. MAXBAND: A program for setting signals on arteries and triangular networks. Transportation Research Record. 1981, 795:40-46.

10

J. Sanchea-Medina, M Galan-Moreno, E Rubiyo-Royo. Traffic signal optimization in “La Almozara” District in Saragossa under congestion conditions, using genetic algorithms, traffic microsimulation, and cluster computing. IEEE Transaction on Intelligent Transportation System. Vol. 11, no. 1, pp.132-141, Mar. 2010.

中文参考文献

1 徐建闽，卢凯，李轶舜. 一种单独放行方式下的干道双向绿波协调控制方法：中国，CN101447131A. 2009-06-03. 2 沈国江，孙优贤. 基于相序优化的多相位模糊交通控制[J]. 控制与决策. 2002,17(增刊)：654-658, 663.

3 刘光柱. 动态双向绿波优化控制研究.[D]. 中国科学技术大学硕士论文. 2010.

4 温惠英，尹宏宾，徐建闽. 一种信号交叉口模糊交通控制方法[J]. 华南理工大学学报（自然科学版）.2001, 29(12):22-25. 5

沈国江. 城市区域交通流智能分散控制[J].浙江大学学报(工学版), 2006, 40(4):585-589.