基于非線(xiàn)性宏觀(guān)方法的交通信號預測控制分析

0 引言

在目前的交通系統中，關(guān)于模型預測的研究已經(jīng)逐漸增多。作為管理與控制城市路網(wǎng)交通的基礎模型，信號控制策略控制性能優(yōu)劣直接取決于城市路網(wǎng)交通流模型質(zhì)量情況^[1]。

通過(guò)測量的輸入和輸出，識別具有典型工作特性的模型參數，從而使其更好地反映生產(chǎn)過(guò)程中的動(dòng)態(tài)過(guò)程^[2]?，F有的參數識別技術(shù)大都是建立在線(xiàn)性或緩慢變化的基礎上，對于一種在一定的時(shí)間段內存在反復操作的非線(xiàn)性時(shí)變性，它不能很好地識別出它的參數^[3]。而反復學(xué)習識別方法則可以充分發(fā)揮該系統的可重現性，以之前或以前的錯誤信息為糾錯對象，并對其進(jìn)行反復的學(xué)習，以達到識別的要求；完整地追蹤參數^[4]。不同于快速路、高速公路，城市路網(wǎng)交通流在交叉口信號控制的影響下呈現出不同的狀態(tài)，段亞美等^[5]專(zhuān)門(mén)針對城市路網(wǎng)交通流系統運行情況展開(kāi)更深入的研究，辨識交叉口多種交通參數，得出交通流模型辨識結果與方案運行結果一致，運行狀態(tài)處于交叉口處三、四相位配。閆飛等^[6]則是對運行過(guò)程中，城市路網(wǎng)交通流系統的變化特性展開(kāi)深入研究，將隨機變化項引入構建的宏觀(guān)交通流模型框架當中，將計算工作量降低，隨機變量處理效率在宏觀(guān)基本圖中更快。

根據迭代式識別方法特點(diǎn)，提出了一種新的時(shí)變性多參量的迭代式識別方法。通過(guò)一個(gè)城市道路網(wǎng)絡(luò )的模擬試驗表明，該方法能夠有效地識別時(shí)變量多參數的動(dòng)態(tài)系統。

1 交通信號預測控制研究

1.1 控制目標

在道路系統流量飽和的條件下，道路網(wǎng)絡(luò )的車(chē)輛通過(guò)與道路網(wǎng)絡(luò )的總體分布密切相關(guān)，由于路口的交通流量不足，導致道路的擁擠^[7]。

非線(xiàn)性宏觀(guān)交通流模型式：

   (1)

輸入通道LI、1 的列車(chē)號作為輸入基準，可以確定路口I₀ 的全部入口車(chē)道LI，i 的列車(chē)號差異作為系統的輸出向量：

   (2)

式中，y(k)表示在第 k 個(gè)采樣時(shí)刻交叉口I₀各進(jìn)口道的排隊隊列車(chē)輛數；C_I表示交叉口I₀的各進(jìn)口道排隊差值輸出矩陣。

1.2 控制方案

為進(jìn)一步驗證該方法正確性，在某市地區道路網(wǎng)絡(luò )中，使用時(shí)變交通流預測控制策略。本文所提出的固定時(shí)間分配方法，是對所調查地區道路交通的實(shí)際階段^[8]。

通過(guò) VISSIM 仿真，可以最大限度地模擬太原市地區道路網(wǎng)絡(luò )中各個(gè)路口的實(shí)時(shí)數據，從而可以最大限度地模擬出道路上的車(chē)流量，從而可以更好地反映出該路段的實(shí)時(shí)路況。

通過(guò)對城市道路系統中的非線(xiàn)性宏觀(guān)交通流量和排隊車(chē)差進(jìn)行分析：

Y(k +1) = F(x(k), y (k),u(k ),θ (k))   (3)

式中F 是非線(xiàn)性函數。

最優(yōu)目標函數：

   (4）

將基于自適應迭代法識別算法所獲得的道路流量模式的參數引入道路網(wǎng)絡(luò )的狀況方程，并將剩余的控制方法設定預測控制。

圖1 路網(wǎng)道路結構拓撲圖

2 仿真研究

2.1 仿真方案

采用 VISSIM4.3開(kāi)發(fā)基于MATLAB2020a的道路網(wǎng)交通流量模擬系統。

若能設計出合適的相位分時(shí)規劃，將現有的車(chē)流盡量分散，并將每個(gè)路口的入口車(chē)道數量保持相近，就可以極大地改善道路的運載容量，從而有效地解決道路交通擁擠問(wèn)題，使每個(gè)路口的通行能力都能被最大限度地發(fā)揮，從而達到最大限度地提高路口的通行能力。

針對某市某地區路段進(jìn)行模擬試驗。該法給出了路網(wǎng)的道路結構拓撲，路口的轉向比隨著(zhù)時(shí)間的推移而有所改變，總體趨勢是隨著(zhù)時(shí)間推移而波動(dòng)，各個(gè)道路的基礎狀況與現實(shí)狀況一致，具體道路數量見(jiàn)表1，每個(gè)道路寬度大約3.5米。

表1 各路段車(chē)道數

以百度智能交通系統中的道路網(wǎng)絡(luò )每日的車(chē)流分配為基礎，以某一地區某地區12 h 的模擬車(chē)輛流，以每天30分鐘平均流量設定，在圖2中，反復學(xué)習求得結果均符合收斂。采用 VISSIM的路段評估函數，對各個(gè)路段的密度和車(chē)速進(jìn)行采集，以方便對迭代式識別方法評估結果進(jìn)行比較。

圖2 路網(wǎng)16 h輸入車(chē)流量

2.2 結果分析

該迭代學(xué)習識別模擬試驗總共進(jìn)行了50 個(gè)迭代，以便于在不同迭代次數下對道路總體的排隊車(chē)輛錯誤進(jìn)行觀(guān)測。隨著(zhù)迭代次數的增多，網(wǎng)絡(luò )中各個(gè)路段的排隊車(chē)的錯誤值逐漸降低，且保持不變。通過(guò)比較詳細地研究了道路交通網(wǎng)絡(luò )，得到了道路交通系統中的最大偏差的局部迭代式。圖3 從抽樣周期方面對網(wǎng)絡(luò )交通系統的最大錯誤進(jìn)行了水平對比，以更好地體現了迭代識別的正確性。

圖3 路網(wǎng)排隊車(chē)輛誤差最大值的部分變化

圖4所示的模擬值為8:00 時(shí)段道路阻塞狀況。在一定范圍內，路網(wǎng)內與初態(tài)差值的擾動(dòng)項隨著(zhù)城市路網(wǎng)交通流系統運行狀態(tài)改變而產(chǎn)生波動(dòng)。對比整體路段車(chē)輛數，擾動(dòng)項與初態(tài)差值在宏觀(guān)角度遠遠不足，從收斂效果來(lái)看，自適應和固定增益這兩種迭代學(xué)習辨識方法均表現較佳。相比之下，在隨機擾動(dòng)在系統中產(chǎn)生時(shí)，非線(xiàn)性宏觀(guān)方法可實(shí)現對系統期望輸出的快速跟蹤，具有較快的收斂速度和效果。

圖4 路網(wǎng)擁堵情況

3 結束語(yǔ)

本文開(kāi)展了基于非線(xiàn)性宏觀(guān)方法的交通信號預測控制研究，得到如下有意結果：

1）隨著(zhù)迭代次數增多，網(wǎng)絡(luò )各個(gè)路段排隊車(chē)錯誤值逐漸降低，且保持不變。

2）驗證了該方法在道路網(wǎng)絡(luò )中的非線(xiàn)性大流量模型的識別性能。在隨機擾動(dòng)在系統中產(chǎn)生時(shí)，自適應迭代學(xué)習辨識算法可實(shí)現對系統期望輸出的快速跟蹤，具有較快的收斂速度和效果。

參考文獻：

[1] 高洪波, 張登銀. 基于雙參數尋優(yōu)車(chē)聯(lián)網(wǎng)交通流量指數平滑預測[J]. 微型電腦應用, 2022, 38(6): 4-7.

[2] 汪小黎. 一種交通噪聲預測概率統計分析模型[J]. 微型電腦應用, 2022, 38(5): 135-137+141.

[3] 李以誠, 葉青. 基于交通數據挖掘的交通流預測模型構建[J]. 自動(dòng)化技術(shù)與應用, 2021, 40(3): 39-41+45.

[4] 閆飛, 李浦, 閻高偉, 等. 考慮交通流非線(xiàn)性特性的交通信號迭代學(xué)習控制策略[J]. 自動(dòng)化學(xué)報, 2021, 47(9): 2238-2249.

[5] 段亞美, 施聰, 黃曉榮. 基于故障預測與健康管理技術(shù)的城市軌道交通信號系統健康管理體系[J]. 城市軌道交通研究, 2020,23(12): 177-181.

[6] 閆飛, 李浦, 續欣瑩. 基于迭代學(xué)習與模型預測控制的交通信號混合控制方法[J]. 控制理論與應用, 2021, 38(3): 339-348.

[7] 趙文天, 萬(wàn)夕里, 白光偉.城市交通流量預測與信號控制優(yōu)化[J].小型微型計算機系統, 2019, 40(7): 1579-1584.

[8] 夏新海, 許倫輝. 引入MARKOV過(guò)程預測的強化學(xué)習下的城市交叉口自適應交通信號配時(shí)決策[J]. 公路工程, 2018, 43(1):149-153+239.

（本文來(lái)源于《電子產(chǎn)品世界》雜志2023年7月期）