[发明专利]一种考虑扰动的城市交通区域迭代学习边界控制方法

说明书

本发明公开了一种考虑扰动的城市交通区域迭代学习边界控制方法，基于城市交通区域的宏观基本图特性以及宏观交通流的周期性特征，在车辆平衡方程中引入扰动项，将迭代学习边界控制计算的结果与非对称信号配时策略结合得出边界交叉口各相位信号时长，通过对边界交叉口信号进行多次迭代学习控制，将控制子区的累计车辆数量稳定到期望值，从而提高路网的整体运行效率。本发明考虑了实际城市交通系统运行中的扰动因素对控制作用性能的影响，构建的车辆平衡方程更接近路网实际情况；且开闭环PD型迭代学习控制可以克服开环控制的不足，能同时利用系统前一次和当前的输出误差信息，进一步抑制系统的不确定性，提高系统的鲁棒性。

技术领域

本发明涉及交通管控技术领域，尤其涉及一种考虑扰动的城市交通区域迭代学习边界控制方法。

背景技术

城市化的快速发展导致城市交通拥堵问题日益突出，由于交通拥堵范围的扩大以及交通流的复杂性，传统的单点与干线协调控制方法，只能局部改善单个交叉口的交通状态，难以解决大范围的交通拥堵。路网的宏观基本图(Macroscopic Fundamental Diagram，MFD)特性能够反映出路网中流量与路网运行效率之间的关系，可以从宏观层面监测路网运行状态，为解决交通拥堵提供了一个良好的工具。

当前基于MFD进行边界控制的研究成果非常丰富，但大多仍是基于模型的反馈控制算法，其控制效果易受模型参数选择的影响；从宏观角度看，针对一个城市特定区域，其每天的交通流具有相似的时空分布特点，因此可认为城市交通流具有重复性特征。迭代学习控制(Iterative learning control，ILC)可以用于解决有限区间内重复运行系统的跟踪控制问题，它以完全跟踪为目标，不依赖于系统精确的模型，适应性强，易于实现，仅通过先前操作的信息获得能够产生期望输出轨迹的控制输入，以改善控制质量，适用于具有重复性的交通控制中。

实际工程系统往往会受到各种干扰和不确定性因素的影响，并且不同程度的干扰作用到被控系统上，可能会使控制作用的性能减弱甚至会导致不可预测的结果，所以研究扰动对控制性能的作用是至关重要的。现有的区域边界控制方法大都仅适用于理想状态下的路网，未考虑实际城市交通系统运行中的交通事故、行人过街以及停车场等扰动因素的影响，这些扰动不仅会影响交通信号控制器的控制性能，可能会使已经产生的交通拥堵进一步加剧。

发明内容

为解决现有技术的不足，本发明提出了一种考虑扰动的城市交通区域迭代学习边界控制方法。

为了实现上述目的，本发明提供一种考虑扰动的城市交通区域迭代学习边界控制方法，包括：

1)、选定待研究路网，划分为若干个同质区域；

2)、根据路网内检测器收集的车辆数据，绘制步骤1)划分后路网子区的宏观基本图；

3)、构建考虑扰动后的车辆平衡方程；

4)、判断路网运行状态，若为拥堵状态，则实施边界控制；否则继续监测路网运行状态；

5)、对不同程度扰动作用下的路网实施边界控制，利用城市交通流的重复特性，引入迭代控制方案，根据迭代学习控制得到的绿灯时长增量与非对称信号配时策略结合设置边界交叉口各相位绿灯时长，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。

其中，在划分同质区域的步骤中，包括步骤：

1.1)、选择将要研究的路网G，获取该路网的道路拓扑结构，在各信号交叉口的进口道和出口道位置设计安装检测器，获取路网内各交叉口实际交通流数据，包括：相邻交叉口间的车道数N、车流量Q、车流分支数h、平均行程时间T；

1.2)、基于获取的道路拓扑结构以及实际交通流数据，计算相邻交叉口之间的交通关联度，相邻交叉口i和交叉口j之间的交通关联度计算公式如下：