[发明专利]一种基于有机计算的区域边界交通信号协调控制方法

摘要

一种基于有机计算的区域边界交通信号协调控制方法，涉及城市交通信号控制及人工智能领域，由车流监测模块、自我优化模块、自我组织模块、进化学习模块、自我评估模块和自我设置模块组成。本发明能够实现区域边界交叉口之间的协调，避免区域边界交叉口交通拥挤、拥堵的发生。

主权项

1.一种基于有机计算的区域边界交通信号协调控制方法，其特征在于由以下步骤实现：1)车流监测模块(1)首先，对采集的交通数据进行时空校准；以时间T为校准的时间基准点，S_i(t₁，ρ)和S_i(t₂，ρ)分别为检测器S_i在T的相邻时刻t₁、t₂检测到的交通参数数值，且t₁＜T＜t₂，则时间基准点的交通参数数值校准为：S~i(T,ρ)=Si(t1,ρ)+α·T-t1t2-t1[Si(t2,ρ)-Si(t1,ρ)]+β]]>其中，α为交通流波动因子，β为交通检测随机噪声；以某一检测截面O为校准的空间基准点，S_i(O₁，ρ)和S_j(O₂，ρ)分别为检测器S_i、S_j在截面O的相邻位置检测到的交通参数数值，且O₁在截面O的下游，O₂在截面O的上游，则以O为空间基准点的交通参数数值校准为：S~i(O,ρ)=f-1·Pi+m·R·Si(O1,ρ)]]>S~j(O,ρ)=f·Pj+m·R·Sj(O2,ρ)]]>其中：f为离散系数；P_i、P_j分别为平移向量；m为尺度因子；R为旋转矩阵。(2)其次设定I=1n-1[n·maxi=1(Qi)ΣinQi]·11+∝·t]]>其中：n为上游交叉口的流入流向数；Q_i为上游交叉口第i流入流向的交通量；t为车流从上游交叉口智能型交通信号控制器交通流统计基准位置到达下游交叉口交通流统计分析位置的平均行程时间；∝为车流离散的影响因子，则可以进一步将相邻交叉口智能型交通信号控制器传送过来的流入方向的交通流统计数据进行时空校准，获得本地交叉口的交通流状态描述：其中：J_up(x₂，t₂)为上游交叉口智能型交通信号控制器传送的t₂时刻x₂位置的交通参数统计量；J_down(x₁，t₁)为上游交叉口智能型交通信号控制器传送的交通参数统计量在本地交叉口x₁位置t₁时刻的映射量；ω(t)分别为空间和时间转换函数；(3)区域边界的交通流运行状态可以通过以下步骤进行挖掘：Step1：从控制中心交通信息数据库中提取区域边界交叉口的数据集合P＝{p(t-n·T)，p(t-(n-1)·T)，...，p(t)}＝{p₁，p₂，...p_n}，p为交通流多元样本参数，t为样本取样最近时刻，T为样本取样周期；Step2：利用欧氏距离的离差平和法D＝||p_i-v_j||²(p_i为交通参数样本，v_j为聚类中心)进行层次距离分析，按交通参数的时变特征把交通数据划分为具有相近的簇C＝{C₁，C₂，...，C_m}；Step3：利用主成分分析法重新构建综合变量，通过考查各个综合变量的方差，以及构成综合变量的原始变量的权重来决定是否保留该原始变量，Y＝AP，P＝{p₁，p₂，...p_n}为原始变量，Y＝{y₁，y₂，...y_n}为正交变量的主分量，A为正交阵；Step4：计算主分量y_i的贡献度主分量y_i的分差表示为λ_iStep5：建立回归方程其中为簇C_i内的交通参数构成的向量，β为待估参数的集合，ε为随机影响因子；通过上述步骤实现对控制中心历史交通数据的提取，通过历史交通数据估计当前时刻区域边界交叉口的交通流运行状态；(4)构建基于多源交通数据时空资源映射模型：F_Map：{{U_i}，{V_j}}→{W_k}其中：{U_i}为区域边界交叉口交通参数监测点的集合；{V_j}为区域边界交通流检测数据来源的集合；{W_k}为区域边界交叉口监测点交通参数的集合，资源映射的具体步骤如下：Step1：将资源请求按照请求向量的长度，从大到小排队，构成一个资源请求序列；Step2：遍历资源请求序列，对每个未分配的资源请求w_k分别计算w_k与各个请求子集总资源向量W_i的决策因子δ，其中：θ(W_i，w_k)表示W_i和w_k之间的向量夹角，ξ为调和因子；Step3：计算并保存调和因子、资源分配情况；Step4：对于每一个未分配资源请求的w_k，计算w_k与监测点u_i所有设备v_j的可用资源向量的夹角，并把w_k分配到夹角最小的设备上，实现监测点u_i交通参数w_k与v_j的最佳映射；(5)采用多属性决策方法对区域边界交叉口的交通流运行状态进行融合分析：假设X＝{x₁，x₂，...，x_n}为区域边界交叉口不同交通流监测点的位置；P＝{p₁，p₂，...，p_m}为监测点所能检测或获取的交通流运行参数；γ_ij为监测点i交通参数j的具体数值，则构成如下的区域边界交叉口运行参数矩阵：W＝{w₁，w₂，...，w_n}为各监测点在描述路段或交叉口交通流状态中的重要程度，则通过Fu(P)＝W·R获得路段或交叉口的交通流运行状态；(6)通过欧氏距离计算当前交通流运行状态参数数值P(t)＝[v(t)，q(t)，...，ρ(t)](v(t)为当前时刻t检测的速度、q(t)为当前时刻t检测的流量、ρ(t)当前时刻t检测的占有率等交通参数检测值)与不同交通状态中心交通状态向量之间的距离来确定交通状态，假设Status＝[S₁，S₂，...S_s]表示s个不同交通状态的中心，(为i交通状态中心的速度、为i交通状态中心的流量、为i交通状态中心的占有率)为第i交通状态的中心交通参数向量，则：Dst=min1≤i≤s(v(t)-v‾i)2+(q(t)-q‾i)2+...+(ρ(t)-ρ‾i)2]]>距离交通状态中心最小的位置，则为当前时刻交通流的运行状态；(7)在对当前时刻交通流运行状态进行判别的基础上，对交通流运行态势进行估计：TS:XSN×XDBSL→XφSK]]>其中：TS表示态势元素的提取过程，X_SN表示当前交通流运行状态，为态势特征知识表达系统，为交通流运行态势。的态势特征知识表达系统为：XDBSL=(U,R=C∪D,V,f)]]>其中：U为论域，表示城市交通流运行状态的非空有限集合；R为属性集合，R＝C∪D，且C为条件属性，C＝{a|α∈C}表示区域边界交叉口交通参数的属性集合；D为决策属性，D＝{d|d∈D}表示区域边界交叉口交通运行态势的属性集合；f为信息函数，f：U×R→V指定论域U中每个对象的属性值；V为值阈，为属性值的集合，V_r表示r∈R的属性范围；2)自我优化模块根据车流监测模块提供的本地交叉口实时动态的交通信息，首先判断是否接收到上级控制模块下发的协调控制指令CoMa，如果接收到的指令CoMa包含SigPlan数据包，则按上级提供的交通信号控制方案，准备进行交通信号控制方案过渡，并从过渡方案库GD＝{gd₁，gd₂，...，gd_n}中选取对区域边界交叉口交通流影响最小的过渡方案，如果接收到的指令CoMa包含ModTag数据包，则根据CoMa提供的控制模式对本地交叉口的交通信号配时参数进行优化：minTag=K1·Delay+K2·StopK3Cap]]>其中：K₁、K₂、K₃分别为延误、停车次数、通行能力的优化权重，由ModTag数据包提供；g(t)为t时刻绿信比；c(t)为t时刻周期时长；o₊(t-1)、o_(t-1)分别为t-1时刻正向绿波、反向绿波相位差；ω₁、ω₂为正向绿波、反向绿波的权重；ψ(Δq)、φ₁(Δq)、φ₂(Δq)分别为t时刻与t-1时刻之间增量流量影响下的绿信比、周期时长、正向绿波相位差、反向绿波相位差调整函数；g_min、g_max分别为最小、最大相位绿信比；c_min、c_max分别为最小、最大周期时长；如果没有接收到上级控制模块下发的协调控制指令CoMa，则自我优化模块则根据车流监测模块检测的实时交通状态信息，从知识规则数据库中选择与交通流相适应的控制模式和控制目标：KW：St×Ts→P(M，K)：Mode×TagK其中：St为区域边界交叉口当前交通流运行状态，可从车流监测模块获取；Ts为区域边界交叉口交通流运行态势，可从车流监测模块获取；P(M，K)为在交通运行状态St和运行态势Ts，选用交通信号控制模式和控制目标的区域边界交叉口交通流运行效能；Mode为区域边界交叉口交通信号控制模式，为可选项{M₁，M₂，...，M_n}(为模式1，模式2，模式n)；TagK为区域边界交叉口交通信号控制目标，对应不同的K₁、K₂、K₃数值。通过知识库中对交通流运行状态和运行态势的匹配，选取交通流运行效能最大下的交通信号控制模式和控制目标，在此条件下优化交叉口的交通信号配时参数：minTagK=K1·Delay+K2·StopK3Cap]]>3)自我组织模块通过交叉口智能型交通信号控制器的车流监测模块和自我优化模块，控制中心的智能型区域边界协调控制器可以获得区域边界各交叉口的交通状态变量和交通控制变量：CS(i，t)＝[Status(i，t)，Control(i，t)]其中：CS(i，t)为区域边界交叉口i在t时刻的状态；Status(i，t)为区域边界交叉口i在t时刻的交通状态变量；Control(i，t)为区域边界交叉口i在t时刻的交通控制变量，从而构建出区域边界交叉口的状态矩阵：R＝[CS(1，t)，CS(2，t)，...，CS(n，t)]定义将区域边界交叉口构建形成区域边界交叉口群的理想状态为A⁺，不建议将区域边界交叉口构建形成区域边界交叉口群的负理想状态为A^-，则区域边界交叉口构建形成交叉口群的耦合性为：Γ=|CS(i,t)-A-||CS(i,t)-A+|+|CS(i,t)-A-|]]>区域边界交叉口之间相邻交叉口的相似性为：θ=|CS(i,t)·CS(j,t)||CS(i,t)|·|CS(j,t)|]]>区域边界相邻交叉口交通流之间的相关性为：Λ=|CS(i,t)-CS‾(i,t)||CS(j,t)-CS‾(j,t)||CS(i,t)-CS‾(i,t)|2+|CS(j,t)-CS‾(j,t)|2]]>采用动态聚类分析方法对区域边界交叉口群进行动态划分，具体步骤如下：Step1：计算区域边界内所有边界交叉口的交叉口群耦合性、相邻交叉口的相似性、相邻交叉口交通流之间的相关性；Step2：将交叉口群的耦合性、相邻交叉口的相似性、相邻交叉口交通流之间的相关性从大到小按顺序排列，确定初始化m个聚类，并计算每个聚类中心的距离；Step3：依据交叉口群的耦合性把区域边界的所有交叉口分别归入不同的区域边界动态交叉口群；Step4：依据相邻交叉口的相似性判断区域边界内剩余的交叉口是否能够加入相邻的区域边界交叉口群；Step5：依据区域边界相邻交叉口交通流的相关性判断区域边界剩余交叉口是否能够加入相邻的区域边界交叉口群；Step6：把剩余的的区域边界交叉口作为独立的区域边界交叉口群；4)进化学习模块是对自我组织模块形成的区域边界交叉口群从全局优化的角度进行交通信号动态优化，具体实施步骤如下：(1)根据区域边界交通流运行状态，对交通流运行状态进行动态分类学习，选择最佳的区域边界交叉口群交通信号控制模式和交通信号控制目标，动态分类学习器的构造过程如下：Step1：准备训练数据Ξ＝{(st₁，mg₁)，(st₂，mg₂)，...，(st_i，mg_i)}∈(Status×ModTag)^l，Status为区域边界交叉口群交通状态的集合，st_i∈Status，i＝1，2，...l；ModTag为区域边界交叉口群交通信号控制模式和控制目标的集合，mg_i∈ModTag，i＝1，2，...l；Step2：构造一个二叉树结点，引入松弛变量H＞0和核函数K(st，st_i)，确定最优化函数：maxaL(a)=Σi=1lai-12Σi=1lΣj=1lmgimgjaiaj(sti·stj)K(sti,stj)]]>S.T.Σi=1lmgiai=00≤ai≤H∀i=1,2,...,l]]>求解最优解：a*=(a1*,a2*,...,ai*)T;]]>Step3：计算w*=Σi=1lmgiai*K(sti,stj);]]>选择a^*的一个小于H的正分量，并据此计算：b*=mgj-Σi=1lmgiai*K(sti,stj);]]>Step4：构造分划超平面：(w^*·st)+b^*＝0，求得决策函数：f(x)＝sgn((w^*·st)+b^*)；Step5：由此训练得出分类器SVM₁，判断是否满足分类需求，如果是则分类结束，否则Step6；Step6：分别以上一层SVM_i分类出的正样本训练集合负样本训练集为原始训练集，引入松弛变量H^m＞0和核函数K^m(st，st_i)，确定最优化函数：maxamLm(am)=Σi=1lmaim-12Σi=1lmΣj=1lmmgimgjaimajm(sti·stj)Km(sti,stj)]]>S.T.Σi=1lmmgiaim=00≤aim≤Hm∀i=1,2,...,lm]]>求解最优解：am*=(a1*,a2*,...,ai*)mT;]]>Step7：由此训练得出两个分类器SVM_i，1，SVM_i，2，以此类推，直到满足分类需求；由此，将当前的区域边界交叉口群交通流运行状态输入动态分类学习器，即可获得最佳的交通信号控制模式和控制目标；(2)将区域边界交叉口群与相邻区域的协调过程表示为：∏＝{Re，(MG_i)_i∈N，(u_i)_i∈N}其中：Re为区域集，含边界交叉口群；MG_i为区域i的协调策略集；u_i：MG→Re表示区域i的效果支付；MG表示区域边界交叉口群i从其协调策略集MG_i中选择一个策略时，其他相邻区域可能会选择的所有可能策略组合形成的集合同时，在不同的交通状态st(i，t)下，区域i存在可选协调策略集且存在SeMG_-i为区域边界交叉口群i在交通状态st(i，t)下，各相邻区域最佳反应协调策略组成的集合，令G_i(SeMG_-i)为所有最佳协调策略组成的集合，存在：semgi∈argmaxi∈MGiΣsemg-i∈SeMG-if(semg-i)ui(semg-i,mgi)semgi∈Gi(SeMG-i)]]>区域边界交叉口群与相邻区域的协调过程如下：Step1：BRe为区域边界交叉口群的集合，bJ_i∈BRe；NRe为区域边界交叉口群相邻区域的集合，nJ_i∈NRe，当区域边界交叉口群处于交通状态st(i，t)下，则存在：sgni=0st(i,t)<Q1st(i,t)≥Q]]>sgn_i＝0时，bJ_i不与nJ_i进行协调；sgn_i＝1时，bJ_i与nJ_i进行协调；Step2：bJ_i符合协调控制条件时，则根据当前的区域边界交叉口群交通状态st(i，t)，向相邻区域nJ_i要求执行最佳协调策略SeMG_i，如果nJ_i满足不了bJ_i所提出的支付效用u_i，则bJ_i与nJ_i进行谈判，执行可行策略MG_iStep3：智能型区域边界协调控制器随机决定是否向nJ_i提出进一步协调的请求，进一步请求的概率假定为取决于MG_i、SeMG_i支付效用的相对值；Step4：nJ_i执行MG_i后，可能仍存在如下临界条件temp，如果temp＝0，则取消进一步协调请求，否则要求继续进行协调，直至满足要求为止；区域边界交叉口群的交通信号控制策略通过不断与相邻区域进行协调，最终确定最优的交通信号控制模式和控制目标OptMG；(3)基于区域边界交叉口群与相邻区域进行交通信号控制模式和控制目标协调的结果，对区域边界交叉口群各信号交叉口的交通信号控制方案进行协调优化：minOptMG=Σi=1nKi,1·Delayi+Ki,2·StopiKi,3Capi]]>S.T.Gij(t)=g..ij(t)+A(OptMG)+α(t)Ci(t)=c··i(t)+B(OptMG)+β(t)Oik(t)=o··ik(t)+Z(OptMG)+γ(t)gmin≤Gij(t)≤gmaxcmin≤Ci(t)≤cmax]]>其中：K_i，1、K_i，2、K_i，3分别为区域边界交叉口群中交叉口i延误、停车次数、通行能力的优化权重；为交叉口i智能型交通信号控制器自我优化模块优化出的j相位的局部最佳绿信比；为交叉口i智能型交通信号控制器自我优化模块优化出的局部最佳周期时长；为交叉口i智能型交通信号控制器自我优化模块优化出k方向的局部最佳相位差；A(OptMG)、B(OptMG)、Z(OptMG)分别为区域边界交叉口群最优控制策略和控制目标下的绿信比、周期时长、相位差调整函数；α(t)、β(t)、γ(t)分别为t时刻交叉口群最优控制策略OprMG下绿信比、周期时长、相位差的随机调和因子；G_ij(t)为区域边界交叉口群最优控制策略OptMG下i交叉口j相位的最优绿信比；C_i(t)为区域边界交叉口群最优控制策略OptMG下i交叉口的最优周期时长；O_ik(t)为区域边界交叉口群最优控制策略OptMG下i交叉口k方向的最优相位差；采用进化算法对上述模型进行优化求解，具体步骤如下：Step1：初始化，设置初始蚁群数M，最大迭代次数MaxCount，分别计算每只蚂蚁的适应度函数和信息素：fmax(i)=maxi≤k≤N{f(i,k)}]]>fmin(i)=mini≤k≤N{f(i,k)}]]>τ_ij(t+n)＝(1-ρ)τ_ij(t)+Δτ_ij(t)其中：f_max(i)、f_min(i)为最大、最小适应度函数；τ_ij(t+n)为t+n次循环后的信息素；1-ρ为信息素残留因子；Step2：状态转移。计算蚁群状态转移概率其中τ_ir(t)为t时刻边(i，j)上的信息素；Step3：更新规则。每只蚂蚁按如下规则进行信息素更新：τ_ij(t+1)＝(1-ρ)τ_ij(t)+Q·Δ_τj(t)Δτ_ij(t)＝(f_max-f)/(f_max-f_min)其中：Q为调和因子；f为当前时刻的目标函数minOptMG的值；f_max、f_min分别为目标函数minOptMG的最大计算值和最小计算值；Step4：交叉和变异。通过随机选择两端点进行对蚁群进行交叉口重组，并r＝max(rand()，0.618)作为蚁群交叉口的概率；同时，对选出的个体部分随机2个点，中间部分根据适应度与最大适应度的关系产生一个可变的变异概率ρ(fit)并采用倒转法进行变异；接着，检测倒转后的个体是否可行，如果不可行，对两边的一部分也进行一次倒转变异，直到可行为止；Step5：重复Step1～Step4，直至求解精度满足要求或达到最大迭代次数为止；从而在最优控制模式和控制目标下，获得区域边界交叉口群各交叉口的交通信号控制方案；(4)将求解出的最优控制方案以及与之相对应的区域边界交叉口群的交通流运行状态、交通信号控制模式、交通信号控制目标等写入知识规则库，为后续区域边界交叉口群选择与交通流运行状态相适应的交通信号控制模式、控制目标提供决策支持，区域边界交叉口群最优交通信号控制模式、控制目标、控制方案及与之相对应的交通运行状态形成知识规则，写入规则库的过程如下：Step1：通过输入接口将区域边界交叉口群的交通流运行状态信息、交通信号控制模式、交通信号控制目标、交通信号控制方案等全部放入消息表中；Step2：将消息表中的全部消息与知识规则库中的所有规则进行比较，记录所有匹配交通流运行状态、交通信号控制模式、交通信号控制目标、交通信号控制方案的所有知识规则；Step3：满足消息表和知识规则库中的知识部分匹配时，将部分匹配的所有消息发送到新消息表中，用新的消息表取代消息表中的全部消息；Step4：当消息表中的记录与知识规则库中的知识部分匹配时，采用投标方式进行知识规则更新，投标形式为：Bid(KW，ST)＝ζ·R(KW)·S(KW，ST)其中：R(KW)是特性，等于知识规则KW中部分匹配的消息数目除以知识规则长度；S(KW，ST)是知识规则KW在交通状态ST的强度；ζ为协调因子，小于1；减少消息表中投标者的投标强度S··(KW,ST)=S(KW,ST)-Bid(KW,ST),]]>同时提高知识规则中送去匹配的规则的投标强度S‾(KW*,ST)=S(KW*,ST)-ϵ·Bid(KW,ST),]]>两种进行比较，若消息表胜出，则将消息表的消息记录更新知识规则库中相对应的知识规则，否则，知识规则库中的知识规则不变；Step5：返回Step1，直至所有具有部分匹配的消息与知识规则都进行竞标为止；5)自我评估模块利用微观仿真评价模型对区域边界交叉口群的交通信号控制效率进行评价，具体实施过程如下：Step1：构建COM接口，将区域边界交叉口群的路网条件、交通流运行状态信息以及区域边界交叉口群各交叉口的交通信号控制方案实时自动传输到路网参数设置和控制参数设置文件中；Step2：设置交通仿真的随机种子数、仿真速度、仿真步长运行设置参数；Step3：通过COM接口自动读取开源仿真软件运行得出的交通流运行性能参数文件，比较路网运行效果SimOpt与进化学习模块优化效果OptMG之间的差异，如果|SimOpt-OptMG|≤Ξ(ST，t)(Ξ(ST，t)为t时刻交通状态ST的容许偏差阈值)，则仿真效果和优化效果基本一致，不用进行控制模式和控制目标调整，否则，从进化学习模块的知识规则库DB(KW)中选择与区域边界交叉口交通流近似匹配的知识规则，获取规则中对应的控制模式、控制目标以及交通信号控制方案，重新进入开源微观交通仿真软件中进行运行，直至|SimOpt-OptMG|≤Ξ(ST，t)，以获得区域边界交叉口群最佳的交通信号控制模式、控制目标和控制方案；6)自我设置模块将自我评估模块最终确定的区域边界交叉口群交通信号控制模式、控制目标以及各交叉口的交通信号控制方案，结合区域边界交叉口的地理特征和交通状态特征，采用图形化的人机交互界面显示给用户，并提醒高级用户是否对区域边界交叉口群的控制范围、控制模式、控制目标以及各交叉口的交通信号方案进行人工干预调整，如果高级用户对提醒不进行响应，则默认不进行人工干预，将自我评估模块确定的控制参数下发到区域边界交叉口的智能型交通信号控制器，由智能型交通信号控制器执行控制参数，如果高级用户进行人工干预，则在消息记录表中高级用户对控制参数所作的修改，并将与之相对应的区域边界交叉口群及其他控制参数一起构建形成新的知识规则，存储到进化学习模块的知识规则库DB(KW)中，同时，将高级用户调整后的区域边界交叉口群交通控制参数下发到区域边界交叉口的智能型交通信号控制器，由智能型交通信号控制器执行控制参数。