城市交叉口交通信号控制研究的发展与展望

引言 交叉口是道路网中道路通行能力的“咽喉”，交通阻塞和事故的多发地。如日本大城市中的机动车在市中心的旅行时间约1/3发生在交叉口，美国的交通事故约有一半以上发生在交叉口。所以，对交叉口实施科学的管理和控制是交通控制工程的重要研究课题，是保障交叉口的交通安全和充分发挥交叉口的通行能力的重要措施。对交叉口实施信号控制的优点是保证安全，缺点是增加延误和停车。需要指出的是，不是所有的路口都必须采用信号灯控制，一般当交通量发展到接近停车或让路标志所能处理的能力时，才在这种路口加设交通信号控制。无信号控制交叉…     

结合Q学习和模糊逻辑的单路口交通信号自学习控制方法*

针对城市交通系统的动态性和不确定性,提出了基于强化学习的信号交叉口智能控制系统结构,对单交叉口动态实时控制进行了研究。将BP神经网络与Q学习算法相结合实现了路口的在线学习。同时,针对交通信号控制的多目标评价特征,采用基于模糊逻辑的Q学习奖惩信号设计方法,实施对交通信号的优化控制。最后,在三种交通场景下,应用Paramics微观交通仿真软件对典型十字路口进行仿真实验。结果表明,该方法对不同交通场景下的突变仍可保持较高的控制效率,控制效果明显优于定时控制。     

基于交叉路口的定时信号控制的研究

随着社会经济的高速发展及自动化水平的不断提高,城市交通拥挤问题日趋严重。大量数据表明交叉口问题是解决城市交通的关键。本文介绍了交通信号控制的基本理论、交叉口的交通特征、信号控制设计理论等,在此基础上研究了孤立交叉口的信号相位方案设计及信号配时模型,提出了基于交叉口混行交通流的特征的信号控制方案。它在相住设计中合理地调整了相序组合,彻底消除了各交通流间的冲突点和合流点,本文以实例验证了其有效性。     

城市交通信号局部博弈交互下的学习协调控制

针对传统分布式自适应交通信号控制协调效率受限,并且存在维数灾难问题,建立了城市区域交通信号控制系统模型,将其优化问题建模为局部交叉口交通信号博弈协调控制,提出基于交叉口交通信号控制agent局部信息博弈交互的学习算法。在学习过程中交叉口交通信号控制agent进行局部信息博弈交互,自主调整交通信号控制策略使其逐步学习到最优策略。通过设计不同的交通需求情景,对路网平均延误和平均停车次数进行加权构建性能评价指标,相对于遗传算法和感应控制方法,博弈学习取得更好的交通信号控制效果,其能收敛到最优性能评价指标,其具有更好的交通需求管控能力。     

基于量子粒子群算法的单交叉口信号控制

城市道路道路各交叉口交通信号的实时管理和控制直接影响了整个城市的交通,以单交叉口多相位固定周期的交通信号控制问题为背景,构造了以交叉口滞留车辆最少为优化模型,在目标函数后加上罚因子实现有约束极值问题向无约束问题的转化,用量子粒子群算法对其进行仿真数据求解,得到了交通实时控制的配时方案,并与定时控制进行比较,结果表明该模型和算法对交通信号的实时控制是非常有效的。     

交通信号控制中的延误计算与分析

本文重点在于研究信号交通控制中的车辆延误计算问题.分析了交通信号与延误相关参数之间的关系,并给出了一种延误计算的方法.     

交通强度优先的交叉口模糊控制研究

为了降低交叉口车辆延误,提高通行能力,研究了一个四相位交叉口交通信号的模糊控制方法。用交通强度刻画各相位交通流通行需求的紧急程度,根据各相位的交通强度由模糊推理得到当前相位的绿灯延长时间,并选取后续绿灯相位。以交叉口车辆平均延误作为交叉口信号控制的性能评价指标,在相同交通条件下对几种控制方式进行了仿真试验。结果表明,该文的控制方法相对于感应控制方法和直接采用车辆排队长度作为输入的模糊控制方法,更能有效减小交叉口的车辆平均延误。     

基于粒子群优化算法的多交叉口信号配时*

以城市道路多个单点信号控制交叉口组成的绿波系统为研究对象,对绿波系统的交叉口信号配时优化进行研究。通过对路段和干线机动车流进行协调控制设计,以西安市某两相邻交叉口晚高峰时段各进口道的交通量、通行能力、饱和流量以及各交叉口进口道的实际车均延误时间为约束,确定各交叉口的信号周期及各相位有效绿灯时长,使得干线延误量最小。设计了PSO算法的编码方式,分别采用PSO算法、灾变PSO算法和二阶振荡PSO算法对多交叉口交通信号配时进行优化计算。仿真实验表明,二阶振荡PSO算法在该实例中表现最优。     

城市交通过饱和状态下干线信号的多目标仿真优化研究

针对城市交通过饱和状态下的干线信号优化问题,分析了交通控制目标对车辆排队的影响,提出以绿信比、相序、相位差和周期为优化参数,以车辆平均时延、系统平均排队-车道长度比和系统通行能力为优化目标的交通信号仿真优化模型。构建了优化模型的实施框架,该框架采用自主构建的微观交通仿真环境来获取信号方案评价指标,改进多目标优化算法NSGAII中的重复个体问题,完成对干线各交叉口信号配时方案的同时优化。最后,利用采集的交通数据对由3个交叉口组成的干线进行实例验证,验证结果表明,在过饱和状态下,所提出的信号优化方法不仅可以有效控制车辆排队长度,均衡车辆分布,同时在系统通行能力、车均时延方面表现更佳。     

交叉口信号控制方案描述仿真模型

提出了一种交叉口多相位信号控制方案描述仿真模型，该模型较好地反映交叉口信号控制方案及其在仿真时段内的动态变化过程，为交通仿真模型真实地反映路网交通状态以及利用仿真系统评价交叉口信号控制方案奠定了基础。     

基于混沌量子进化算法的单交叉口信号控制

城市道路各交叉口交通信号的配时优化和协同控制直接影响整个城市的交通状况.本文以单交叉口模型的交通信号控制问题为背景,构造了以单交叉口滞留的车辆数最少为目标的优化模型.用混沌量子进化算法进行仿真数据求解,得到实时控制的配时方案,并与其它算法的仿真结果进行比较,结果表明该算法对单交叉口的信号配时优化是非常有效的.     

基于车流量的智能交通信号优化控制研究

道路交叉口是城市交通网络的关键组成部分,其通行效率直接决定了城市交通网络的通行能力。为了提高城市交通路网的通行能力,缓解交通拥堵,根据相邻交叉路口车流量具有相关性的特点,提出一种基于车流量的智能交通信号控制方法。建立基于门限服务策略的交通灯轮询控制模型,利用马尔科夫链和概率母函数分析了交叉口车辆平均排队长度和信号灯配时方案,并根据实际交通情况进行仿真实验。结果表明,基于车流量的智能交通信号控制比传统的固定配时控制更加合理,能有效地降低车辆通过交叉口时的平均延误时长和排队长度,提高通行效率。     

一种基于粒子群的交通信号离线配时优化方法

提出了一种基于粒子群的交通信号离线配时优化方法,采用实数编码表示区域内各信号交叉口的各相位绿灯时间,不同的配时方案对应于不同的粒子,粒子的适应度利用微观交通模拟获取的总延迟时间进行评价,最后得到的具有最小延迟时间的粒子即为最优配时方案。与已有的离线配时技术相比,提供了一种编码形式简单、参数较少、计算速度较快的信号配时智能优化方法。     

基于混合Petri网的交叉口交通信号控制研究

为优化交叉口绿灯时间,根据交叉口交通流的动态属性和交通信号的离散属性,建立了城市交通网络中单交叉口信号控制的混合Petri网模型.用连续Petri网描述交叉口容量和交通流变化,用离散时延Petri网控制交叉口各个相位的交通信号,每个相位都有控制绿灯延长时间的Petri网模型.在执行了最短绿灯时间后,根据当前等待通过的车辆数,通过禁止弧对绿灯延长时间加以控制,以确定最佳绿灯时间.最后对该模型进行计算机仿真,仿真结果表明该方案对单一交叉口实现了更有效的控制.     

基于层级控制的宏观基本图交通信号控制模型

针对城市交通子区内部与边界交叉口的协调控制问题,提出基于分层多粒度与宏观基本图的交通信号控制模型HDMF。首先利用城市交通系统的分层多粒度特性与粗糙集理论描述交通要素的实时状态;然后结合基于背压算法的分布式交叉信号控制和交通元素的动态特性,计算交叉口相位压力并对相位进行决策;最后使用宏观基本图（MFD）实现区域驶出总流量最大和各子区内存在车辆数量最优。实验结果显示,HDMF模型与协同最大压力控制模型EMP、基于MFD和混合遗传模拟退火算法的HGA模型相比,平均排队长度分别降低了6.35%和10.01%,平均行程时间分别降低了6.55%和11.15%,表明HDMF模型能够有效疏导子区域内部与边界的交通,实现整体路网的车流量最大化。     

平面交叉口交通流动态特征的神经网络模型

平面交叉口的交通控制是交通控制系统理论、方法与实践的重要组成部分，描述平面交叉口实时动态交通需求的模型是实时自适应信号控制的基础依据，本文首先对现有交叉口车流动态特征的研究方法进行描述，在分析车流动态特征产生机理的基础上，指出现有方法的不足，并提出神经网络模型为刻划交叉口动态特征。     

深度强化学习在交通信号控制中的应用

交通拥堵已经成为全世界范围内普遍存在的现象和亟待解决的难题,智能交通信号控制技术是缓解交通拥堵的重要手段。传统基于模型的自适应交通信号控制系统灵活性较低,往往依赖于大量的假设和经验方程,难以满足当前复杂多变交通系统的控制要求。随着计算机技术的进步、数据处理技术的发展和人工智能算法的成熟,结合深度强化学习方法的交通信号控制逐渐成为最主要的研究热点。本文基于深度强化学习的前沿技术,系统地介绍了深度强化学习的基本理论和其应用于交通信号控制系统的发展现状,包括基于深度强化学习的单交叉口和多交叉口信号控制模型和研究成果。本文最后讨论了深度强化学习在智能交通信号控制应用中的主要挑战和待解决的技术难题。     

基于注意力机制的深度强化学习交通信号控制

深度强化学习（DRL）广泛应用于具有高度不确定性的城市交通信号控制问题中,但现有的DRL交通信号控制方法中,仅仅使用传统的深度神经网络,复杂交通场景下其感知能力有限。此外,状态作为强化学习的三要素之一,现有方法中的交通状态也需要人工精心的设计。因此,提出了一种基于注意力机制（attention mechanism）的DRL交通信号控制算法。通过引入注意力机制,使得神经网络自动地关注重要的状态分量以增强网络的感知能力,提升了信号控制效果,并减少了状态向量设计的难度。在SUMO（simulation of urban mobility）仿真平台上的实验结果表明,在单交叉口、多交叉口中,在低、高交通流量条件下,仅仅使用简单的交通状态,与三种基准信号控制算法相比,所提算法在平均等待时间、行驶时间等指标上都具有最好的性能。     

基于S3C44B0＋uClinux的交通绿波控制系统设计与实现

针对交通信号单点控制方式的不足，提出了基于S3C4480＋uClinx平台的交通绿波控制系统的设计方案，讨论了系统的硬件构成以及软件编程实现，经在虎门应用表明，本系统减少了车辆在每个交叉口的延误时间，解决了虎门交通拥挤问题，具有良好的应用价值。     

城市单交叉路口交通信号实时优化控制与仿真

针对城市道路单点交叉口交通流的到达特性,将路口到达的交通流划分为4种状态,提出了“基于状态划分的多相位交通信号实时控制方法”,该方法根据路口各状态下交通流的到达特征和控制目标,为不同交通状态选择合适的性能指标,并建立各状态下交通信号的动态配时模型。同时,设计了一种改进的自适应实数编码遗传算法对交通信号配时模型进行求解,该算法采用基于分类的排序惩罚机制对约束进行处理,并引入模拟退火算子增强遗传算法的局部搜索。最后,采用3种算法对实例进行大量的数值计算和Paramics仿真,计算和仿真结果均表明所设计的算法求解精度高且模型具有良好的控制效果。