[发明专利]一种基于迭代学习与模型预测控制的交通信号混合控制方法

权利要求书

1.一种基于迭代学习与模型预测控制的交通信号混合控制方法，其特征在于，包括以下几个步骤：

1)对研究区域的交通流模型进行优化；

1.1)获得路网的交通流模型，形式如下：式中x_k(t)为状态向量表示为第k次迭代第t时刻各路段内的车辆数；y_k(t)为输出向量表示为第k次迭代第t时刻路网内总的车辆数；u_k(t)为控制向量表示为第k次迭代第t时刻所有相位的绿灯时长；A和C分别为系统的状态矩阵和输出矩阵，B为输入矩阵分别由路网的特性决定；

1.2)在步骤1.1)中的交通流模型中引入相邻两时刻的路网交叉口绿灯时长增量δu_k(t)＝u_k(t)-u_k(t-1)，从而得到交通流系统的增量模型，形式如下：

其中：

设置N为预测范围，并定义以下向量：

结合上式所述，可得优化后的交通流的增量模型为式中：

2)在优化的交通流模型中引入相邻两次迭代间的绿灯时长增量关系，并引入路网内实际车辆数与期望车辆数的误差，得到误差预测模型；

2.1)结合步骤1.2)中优化的交通流系统的增量模型，引入相邻两次迭代之间的绿灯时长增量关系△δu_k(t)，△δu_k(t)＝{u_k(t)-u_k(t-1)}-{u_k-1(t)-u_k-1(t-1)}，可将交通流系统的增量模型重新写为：

2.2)在步骤2.1)中的模型中加入第k次迭代时路网内实际车辆数的向量y_k与期望的车辆数的向量y_d的误差值e_k＝y_d-y_k，则交通流系统的增量模型可重新写为误差的预测模型：因此，最终可得到误差预测模型的具体表达式如下：

3)通过模型预测控制进行绿灯时长增量的预测；

3.1)结合步骤2.2)得到的误差预测模型，通过二次型性能优化目标函数，可得到预测后的绿灯时长增量，具体的二次型性能优化的目标函数如下：

式中Q和R分别是惩罚矩阵和对称正阵；

3.2)由于现实中的路网交叉口信号绿灯时长必然存在最大值与最小值，且在控制过程中交叉口信号的周期一般保持不变，因此有限制条件：u_min≤u_k(t)≤u_max，δu_min≤δu_k(t)≤δu_max，△δu_min≤△δu_k(t)≤△δu_max，u_k(t)＝D-L，其中D和L分别为信号周期和损失时间；

3.3)将步骤3.1)中的式子通过MATLAB软件计算可求得符合步骤3.2)中限制条件的预测值△δu_k^m(t)，通过△δu_k^m(t)可得到预测的交叉口绿灯时长增量

4)将迭代学习控制获得的绿灯时长与模型预测控制获得的绿灯时长增量进行结合，得到优化的绿灯时长；

5)根据步骤4计算得到的优化的绿灯时长设置路网内各交叉口信号绿灯时长，使得路网内实际车辆数与期望车辆数的误差值逐渐减小，直到达到理想状态。

2.根据权利要求1所述的一种基于迭代学习与模型预测控制的交通信号混合控制方法，其特征在于：在步骤(4)中，将迭代学习控制获得的绿灯时长与模型预测控制获得的绿灯时长增量进行结合，得到优化的绿灯时长，具体步骤为：将绿灯时长u_k-1(t-1)通过P型迭代学习控制律获得到的绿灯时长u_k^I(t-1)与模型预测控制获得的绿灯时长增量预测值相加，从而得到优化后的交叉口信号绿灯时长u_k(t)，