Regional Traffic Signal Control Considering the Dynamic Characteristics of Traffic Flow
-
摘要: 针对区域交通信号，考虑智能交通系统中交通流的动态特性，提出了区域交通系统改进的存储-转发模型.考虑大型区域的复杂性和协调性，将区域交通划分成N个子区域，分别建立了对应的子区域模型.针对子区域模型，提出了基于分层模型预测控制的过饱和区域交通信号控制优化目标.通过引入拉格朗日对偶原理解决约束条件问题的方法，对子区域的车辆排队数量进行了预测，并对有效绿灯时间进行优化控制.为了验证所提区域交通控制算法的有效性，给出了本文改进的模型与存储-转发模型的对比仿真.实验结果表明，在达到相同的控制效果时，本文改进模型的控制算法所需的计算时间较短，计算成本较低.Abstract: In this paper, regional traffic signal control is studied. Considering the dynamic characteristics of traffic flow, an improved store-forward model is proposed. Due to the complexity and coordination of regional traffic, a large-scale regional traffic is divided into several sub-regions using a region decomposition method firstly. Secondly, the optimization problem of the large-scale regional traffic is presented based on Hico-MPC. Lagrange dual theory multipliers are introduced to deal with interconnecting constraints among sub-regions. Then we forecast the vehicle queue of sub-regions and optimize the green light time. Finally, the simulation is presented to illustrate the effectiveness of the improved model by comparing with the store-forward model. The results show that the improved model requires less computation time and lower computational cost when the same control effect is achieved.
-
Key words:
- Regional traffic /
- the dynamic characteristics /
- improved model /
- hierarchical MPC
-
-
图 1 交通流$r$的交通动态图
((a)交通流无外界输入; (b)交通流有外界输入(虚线))
Fig. 1 Traffic dynamics
((a) Traffic without input; (b) Traffic with inputdotted lines)
图 2 区域分解的例子
((a)实验区域; (b)实验区域的分解情况)
Fig. 2 Example of network decomposition
((a) A test network; (b) The decomposition of (a))
图 11 本文改进模型控制的交通流$x_{3}$的变化
Fig. 11 The changing of traffic $x_{3}$ under proposed model
图 12 存储转发模型控制的交通流$x_{3}$的变化
Fig. 12 The changing of traffic $x_{3}$ under store and forward model
图 13 本文改进模型控制的交通流$x_{7}$的变化
Fig. 13 The changing of traffic $x_{7}$ under proposed model
图 14 存储转发模型控制的交通流$x_{7}$的变化
Fig. 14 The changing of traffic $x_{7}$ under store and forward model
表 1 基本参数的定义
Table 1 Definitions of basic parameters
参数 变量 仿真值 周期时长 $C$ 120 s 损失时间 $L$ 20 s 控制间隔 $T$ 120 s 车辆平均长度 $l$ 5 m 
下载: 导出CSV
2(a) 测试网中的转弯率
2(a) Turning rates of the test network
${\tau _{w, r}}$ $x_1$ $x_2$ $x_3$ $x_4$ $x_5$ $x_6$ $x_1$ 0 0 0 0.2 0 0.5 $x_2$ 0 0 0 0.15 0 0.35 $x_3$ 0 0 0 0.5 0 0.15 $x_4$ 0 0 0 0 0 0 $x_5$ 0 0 0 0 0 0 $x_6$ 0 0 0 0 0.3 0 $x_7$ 0 0 0 0 0.6 0 $x_8$ 0 0 0 0 0 0 $x_9$ 0 0 0 0 0 0 $x_{10}$ 0 0 0 0 0 0 $x_{11}$ 0 0 0 0 0 0
下载: 导出CSV
2(b) 测试网中的转弯率
2(b) Turning rates of the test network
${\tau _{w, r}}$ $x_7$ $x_8$ $x_9$ $x_{10}$ $x_{11}$ $x_{12}$ $x_{13}$ $x_1$ 0 0 0 0 0.15 0 0.5 $x_2$ 0 0 0 0 0.35 0 0.15 $x_3$ 0 0 0 0 0.2 0 0.15 $x_4$ 0 0 0 0 0 0 0 $x_5$ 0 0 0 0 0 0 0 $x_6$ 0 0 0 0 0 0 0 $x_7$ 0 0 0 0 0 0 0 $x_8$ 0.4 0 0 0.6 0 0 0 $x_9$ 0.6 0 0 0.4 0 0 0 $x_{10}$ 0 0 0 0 0 0.7 0 $x_{11}$ 0 0 0 0 0 0.3 0
下载: 导出CSV
表 3 初始状态和扰动
Table 3 initial states and disturbances
$\text{定义}$ $\text{描述}$ $\text{范围}$ $I_{L}$ $\text{低初态}$ $x_{i}^{6, 11}\in[25, 50), x_{i}^{4, 13}\in[20, 40), x_{i}^{\rm other}\in[10, 20)$ $I_{M}$ $\text{中初态}$ $x_{i}^{6, 11}\in[45, 80), x_{i}^{4, 13}\in[35, 60), x_{i}^{\rm other}\in[15, 30)$ $I_{H}$ $\text{高初态}$ $x_{i}^{6, 11}\in[60, 100), x_{i}^{4, 13}\in[50, 80), x_{i}^{\rm other}\in[20, 40)$ $e_{L}$ $\text{低扰动}$ $e_{i}^{6, 11}\in[5, 10), e_{i}^{4, 13}\in[4, 8), e_{i}^{\rm other}\in[2, 4)$ $e_{H}$ $\text{高扰动}$ $e_{i}^{6, 11}\in[8, 15), e_{i}^{4, 13}\in[6, 10), e_{i}^{\rm other}\in[4, 6)$ 注: $x_i^{6, 11}$表示交通流$\{{x_6}, {x_{11}}\} $现有的排队长度, $x_i^{4, 13}$表示交通流$\{{x_4}, {x_{13}}\} $现有的排队长度, ${x^{\rm other}}$表示其他交通流现有的排队长度.同理$x_i^{6, 11}$, $x_i^{4, 13}$, ${x^{\rm other}}$表示相应交通流的扰动.
下载: 导出CSV
-
[1] Jang K, Kim H, Jang I G. Traffic signal optimization for oversaturated urban networks:queue growth equalization. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(4):2121-2128 doi: 10.1109/TITS.2015.2398896 [2] Meng X, Tang S H, Liu X M, Zhang L. Oversaturated traffic signal optimization based on active control. In: Proceedings of the 2016 IEEE International Conference on Intelligent Transportation Engineering (ICITE). Singapore: IEEE, 2016. 91-95 [3] 刘小明, 唐少虎, 朱凤华, 陈兆盟.基于MFD的城市区域过饱和交通信号优化控制.自动化学报, 2017, 43(7):1220-1233 http://www.aas.net.cn/CN/abstract/abstract19095.shtmlLiu Xiao-Ming, Tang Shao-Hu, Zhu Feng-Hua, Chen Zhao-Meng. Urban area oversaturated traffic signal optimization control based on MFD. Acta Automatica Sinica, 2017, 43(7):1220-1233 http://www.aas.net.cn/CN/abstract/abstract19095.shtml [4] 朱宇轩, 李少远.双层模型预测控制系统的多包镇定域分析与系统设计.自动化学报, 2018, 44(2):262-269 http://www.aas.net.cn/CN/abstract/abstract19221.shtmlZhu Yu-Xuan, Li Shao-Yuan. Analysis and system design of multi-convex hull stabilization domain for double-layered model predictive control system. Acta Automatica Sinica, 2018, 44(2):262-269 http://www.aas.net.cn/CN/abstract/abstract19221.shtml [5] Aboudolas K, Papageorgiou M, Kosmatopoulos E. Store-and-forward based methods for the signal control problem in large-scale congested urban road networks. Transportation Research Part C:Emerging Technologies, 2009, 17(2):163-174 doi: 10.1016/j.trc.2008.10.002 [6] Lin S, De Schutter B, Xi Y G, Hellendoorn H. Efficient network-wide model-based predictive control for urban traffic networks. Transportation Research Part C:Emerging Technologies, 2012, 24:122-140 doi: 10.1016/j.trc.2012.02.003 [7] Lin S, De Schutter B, Xi Y G, Hellendoorn H. Fast model predictive control for urban road networks via MILP. IEEE Transactions on Intelligent Transportation Systems, 2011, 12(3):846-856 doi: 10.1109/TITS.2011.2114652 [8] Zhou X H, Ye B L, Lu Y Z, Xiong R. A novel MPC with chance constraints for signal splits control in urban traffic network. IFAC Proceedings Volumes, 2014, 47(3):11311-11317 doi: 10.3182/20140824-6-ZA-1003.01187 [9] Tettamanti T, Varga I. Distributed traffic control system based on model predictive control. Periodica Polytechnica Civil Engineering, 2010, 54(1):3-9 doi: 10.3311/pp.ci.2010-1.01 [10] Negenborn R R, De Schutter B, Hellendoorn J. Multi-agent model predictive control for transportation networks:serial versus parallel schemes. Engineering Applications of Artificial Intelligence, 2008, 21(3):353-366 doi: 10.1016/j.engappai.2007.08.005 [11] De Oliveira L B, Camponogara E. Multi-agent model predictive control of signaling split in urban traffic networks. Transportation Research Part C:Emerging Technologies, 2010, 18(1):120-139 doi: 10.1016/j.trc.2009.04.022 [12] Camponogara E, Scherer H F. Distributed optimization for model predictive control of linear dynamic networks with control-input and output constraints. IEEE Transactions on Automation Science and Engineering, 2011, 8(1):233-242 doi: 10.1109/TASE.2010.2061842 [13] Sirmatel I I, Geroliminis N. Economic model predictive control of large-scale urban road networks via perimeter control and regional route guidance. IEEE Transactions on Intelligent Transportation Systems, 2018, 19(4):1112-1121 doi: 10.1109/TITS.2017.2716541 [14] Ye B L, Wu W M, Mao W J. Distributed model predictive control method for optimal coordination of signal splits in urban traffic networks. Asian Journal of Control, 2015, 17(3):775-790 doi: 10.1002/asjc.1011 [15] Ye B L, Wu W M, Li L X, Mao W J. A hierarchical model predictive control approach for signal splits optimization in large-scale urban road networks. IEEE Transactions on Intelligent Transportation Systems, 2016, 17(8):2182-2192 doi: 10.1109/TITS.2016.2517079 [16] Gazis D C, Potts, R B. The oversaturated intersection. In: Proceedings of the 2nd International Symposium on the Theory of Traffic Flow. London, UK: ARRB Group Ltd., 1963. 221-237 [17] Xing T, Zhou X S. Finding the most reliable path with and without link travel time correlation:a Lagrangian substitution based approach. Transportation Research Part B:Methodological, 2011, 45(10):1660-1679 doi: 10.1016/j.trb.2011.06.004 期刊类型引用(29)
1. 李倩，聂简，黄鸿殿，孔庆宇，奔粤阳. 基于大脑海马认知机理的主从式AUV协同定位方法. 中国惯性技术学报. 2024(01): 27-33 . 
百度学术2. 游雄，李科，田江鹏，杨剑，余岸竹，贾奋励. 机器地图信息加工模型. 武汉大学学报(信息科学版). 2024(04): 516-526 . 百度学术3. 高昊，王仁茂. 基于类脑仿生的环境感知技术. 舰船电子对抗. 2024(05): 42-46+55 . 百度学术4. 陈荟慧，钟委钊. 基于人机协作的高质量城市图像采集方法. 应用科学学报. 2023(05): 801-814 . 百度学术5. 朱祥维，沈丹，肖凯，马岳鑫，廖祥，古富强，余芳文，高柯夫，刘经南. 类脑导航的机理、算法、实现与展望. 航空学报. 2023(19): 6-38 . 百度学术6. 于乃功，廖诣深. 基于鼠脑内嗅—海马认知机制的移动机器人空间定位模型. 生物医学工程学杂志. 2022(02): 217-227 . 百度学术7. 刘溢，阳加远，张驰. 一种基于RTX的移动机器人实时控制平台. 电子技术与软件工程. 2022(08): 169-172 . 百度学术8. 于子航，王改云. 基于路径积分强化的机器人目标导向运动控制. 计算机仿真. 2022(07): 412-415+516 . 百度学术9. 董卫华，刘毅龙，黑巧松，杨天宇. 泛地图空间认知理论与方法研究框架. 武汉大学学报(信息科学版). 2022(12): 2007-2014 . 百度学术10. 阮晓钢，李鹏，朱晓庆，刘鹏飞. 基于目标导向行为和空间拓扑记忆的视觉导航方法. 计算机学报. 2021(03): 594-608 . 百度学术11. 赵辰豪，吴德伟，韩昆，代传金. 无环境信息下多尺度网格细胞群空间表征模型. 系统工程与电子技术. 2021(03): 814-822 . 百度学术12. 阮晓钢，柴洁，武悦，张晓平，黄静. 基于海马体位置细胞的认知地图构建与导航. 自动化学报. 2021(03): 666-677 . 本站查看13. 冀俊忠，刘金铎，邹爱笑，杨翠翠. 一种融合多源信息的脑效应连接网络蚁群学习算法. 自动化学报. 2021(04): 864-881 . 本站查看14. 万刚，武易天. 地图空间认知的数学基础. 测绘学报. 2021(06): 726-738 . 百度学术15. 洪涛，史涛，任红格. 一种改进型RatSLAM算法构建认知地图的研究. 现代计算机. 2021(21): 47-52 . 百度学术16. 韩昆，吴德伟，来磊. 类脑导航中基于差分Hebbian学习的网格细胞构建模型. 系统工程与电子技术. 2020(03): 674-679 . 百度学术17. 黄宜庆，王正刚，王徽，葛愿. 基于边缘梯度算法的多移动机器人协作地图构建. 信息与控制. 2020(01): 62-68 . 百度学术18. 于乃功，廖诣深，郑相国. 一种基于海马位置细胞选择机制的空间认知模型. 生物医学工程学杂志. 2020(01): 27-37 . 百度学术19. 胡小平，毛军，范晨，张礼廉，何晓峰，韩国良，范颖. 仿生导航技术综述. 导航定位与授时. 2020(04): 1-10 . 百度学术20. 于乃功，冯慧，廖诣深，郑相国. 一种基于感知速度与感知角度的网格野计算模型. 生物医学工程学杂志. 2020(05): 863-874 . 百度学术21. 晁丽君，熊智，杨闯，华冰，王雅婷，刘建业. 无人飞行器三维类脑SLAM自主导航方法. 飞控与探测. 2020(05): 35-43 . 百度学术22. 张孝伍. 图上的概率分布及位置方向信息的表征方法. 青岛理工大学学报. 2019(01): 113-121 . 百度学术23. 方略，何洪军. 基于鼠脑海马位置细胞与Q学习面向目标导航. 生物信息学. 2019(01): 31-38 . 百度学术24. 王均，凌有铸，王静. 基于特征融合的仿生SLAM算法研究. 安徽工程大学学报. 2019(02): 26-33 . 百度学术25. 刘建业，杨闯，熊智，赖际舟，熊骏. 无人机类脑吸引子神经网络导航技术. 导航定位与授时. 2019(05): 52-60 . 百度学术26. 韩昆，吴德伟，来磊，杨林. 自主导航条件下网格细胞放电模型. 电子科技大学学报. 2019(05): 711-716 . 百度学术27. 丛明，邹强，刘冬，杜宇. 定位细胞认知机理启发的机器人导航研究综述. 机械工程学报. 2019(23): 1-12 . 百度学术28. 邹强，丛明，刘冬，杜宇. 仿鼠脑海马的机器人地图构建与路径规划方法. 华中科技大学学报(自然科学版). 2018(12): 83-88 . 百度学术29. 吴德伟，何晶，韩昆，李卉. 无人作战平台认知导航及其类脑实现思想. 空军工程大学学报(自然科学版). 2018(06): 33-38 . 百度学术其他类型引用(29)
-
图(14) / 表(4)
计量
- 文章访问数: 1826
- HTML全文浏览量: 315
- PDF下载量: 176
- 被引次数: 58
