基于非線(xiàn)性宏觀(guān)方法的交通信號(hào)預(yù)測(cè)控制分析

0 引言

在目前的交通系統(tǒng)中，關(guān)于模型預(yù)測(cè)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(chǔ)模型，信號(hào)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(cè)量的輸入和輸出，識(shí)別具有典型工作特性的模型參數(shù)，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(xiàn)有的參數(shù)識(shí)別技術(shù)大都是建立在線(xiàn)性或緩慢變化的基礎(chǔ)上，對(duì)于一種在一定的時(shí)間段內(nèi)存在反復(fù)操作的非線(xiàn)性時(shí)變性，它不能很好地識(shí)別出它的參數(shù)^[3]。而反復(fù)學(xué)習(xí)識(shí)別方法則可以充分發(fā)揮該系統(tǒng)的可重現(xiàn)性，以之前或以前的錯(cuò)誤信息為糾錯(cuò)對(duì)象，并對(duì)其進(jìn)行反復(fù)的學(xué)習(xí)，以達(dá)到識(shí)別的要求；完整地追蹤參數(shù)^[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(hào)控制的影響下呈現(xiàn)出不同的狀態(tài)，段亞美等^[5]專(zhuān)門(mén)針對(duì)城市路網(wǎng)交通流系統(tǒng)運(yùn)行情況展開(kāi)更深入的研究，辨識(shí)交叉口多種交通參數(shù)，得出交通流模型辨識(shí)結(jié)果與方案運(yùn)行結(jié)果一致，運(yùn)行狀態(tài)處于交叉口處三、四相位配。閆飛等^[6]則是對(duì)運(yùn)行過(guò)程中，城市路網(wǎng)交通流系統(tǒng)的變化特性展開(kāi)深入研究，將隨機(jī)變化項(xiàng)引入構(gòu)建的宏觀(guān)交通流模型框架當(dāng)中，將計(jì)算工作量降低，隨機(jī)變量處理效率在宏觀(guān)基本圖中更快。

根據(jù)迭代式識(shí)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(shí)別方法。通過(guò)一個(gè)城市道路網(wǎng)絡(luò)的模擬試驗(yàn)表明，該方法能夠有效地識(shí)別時(shí)變量多參數(shù)的動(dòng)態(tài)系統(tǒng)。

1 交通信號(hào)預(yù)測(cè)控制研究

1.1 控制目標(biāo)

在道路系統(tǒng)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(dǎo)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(hào)作為輸入基準(zhǔn)，可以確定路口I₀ 的全部入口車(chē)道LI，i 的列車(chē)號(hào)差異作為系統(tǒng)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(duì)隊(duì)列車(chē)輛數(shù)；C_I表示交叉口I₀的各進(jìn)口道排隊(duì)差值輸出矩陣。

1.2 控制方案

為進(jìn)一步驗(yàn)證該方法正確性，在某市地區(qū)道路網(wǎng)絡(luò)中，使用時(shí)變交通流預(yù)測(cè)控制策略。本文所提出的固定時(shí)間分配方法，是對(duì)所調(diào)查地區(qū)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(qū)道路網(wǎng)絡(luò)中各個(gè)路口的實(shí)時(shí)數(shù)據(jù)，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(duì)城市道路系統(tǒng)中的非線(xiàn)性宏觀(guān)交通流量和排隊(duì)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(shù)。

最優(yōu)目標(biāo)函數(shù)：

   (4）

將基于自適應(yīng)迭代法識(shí)別算法所獲得的道路流量模式的參數(shù)引入道路網(wǎng)絡(luò)的狀況方程，并將剩余的控制方法設(shè)定預(yù)測(cè)控制。

圖1 路網(wǎng)道路結(jié)構(gòu)拓?fù)鋱D

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(tǒng)。

若能設(shè)計(jì)出合適的相位分時(shí)規(guī)劃，將現(xiàn)有的車(chē)流盡量分散，并將每個(gè)路口的入口車(chē)道數(shù)量保持相近，就可以極大地改善道路的運(yùn)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(dá)到最大限度地提高路口的通行能力。

針對(duì)某市某地區(qū)路段進(jìn)行模擬試驗(yàn)。該法給出了路網(wǎng)的道路結(jié)構(gòu)拓?fù)?，路口的轉(zhuǎn)向比隨著時(shí)間的推移而有所改變，總體趨勢(shì)是隨著時(shí)間推移而波動(dòng)，各個(gè)道路的基礎(chǔ)狀況與現(xiàn)實(shí)狀況一致，具體道路數(shù)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(shù)

以百度智能交通系統(tǒng)中的道路網(wǎng)絡(luò)每日的車(chē)流分配為基礎(chǔ)，以某一地區(qū)某地區(qū)12 h 的模擬車(chē)輛流，以每天30分鐘平均流量設(shè)定，在圖2中，反復(fù)學(xué)習(xí)求得結(jié)果均符合收斂。采用 VISSIM的路段評(píng)估函數(shù)，對(duì)各個(gè)路段的密度和車(chē)速進(jìn)行采集，以方便對(duì)迭代式識(shí)別方法評(píng)估結(jié)果進(jìn)行比較。

圖2 路網(wǎng)16 h輸入車(chē)流量

2.2 結(jié)果分析

該迭代學(xué)習(xí)識(shí)別模擬試驗(yàn)總共進(jìn)行了50 個(gè)迭代，以便于在不同迭代次數(shù)下對(duì)道路總體的排隊(duì)車(chē)輛錯(cuò)誤進(jìn)行觀(guān)測(cè)。隨著迭代次數(shù)的增多，網(wǎng)絡(luò)中各個(gè)路段的排隊(duì)車(chē)的錯(cuò)誤值逐漸降低，且保持不變。通過(guò)比較詳細(xì)地研究了道路交通網(wǎng)絡(luò)，得到了道路交通系統(tǒng)中的最大偏差的局部迭代式。圖3 從抽樣周期方面對(duì)網(wǎng)絡(luò)交通系統(tǒng)的最大錯(cuò)誤進(jìn)行了水平對(duì)比，以更好地體現(xiàn)了迭代識(shí)別的正確性。

圖3 路網(wǎng)排隊(duì)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(nèi)，路網(wǎng)內(nèi)與初態(tài)差值的擾動(dòng)項(xiàng)隨著城市路網(wǎng)交通流系統(tǒng)運(yùn)行狀態(tài)改變而產(chǎn)生波動(dòng)。對(duì)比整體路段車(chē)輛數(shù)，擾動(dòng)項(xiàng)與初態(tài)差值在宏觀(guān)角度遠(yuǎn)遠(yuǎn)不足，從收斂效果來(lái)看，自適應(yīng)和固定增益這兩種迭代學(xué)習(xí)辨識(shí)方法均表現(xiàn)較佳。相比之下，在隨機(jī)擾動(dòng)在系統(tǒng)中產(chǎn)生時(shí)，非線(xiàn)性宏觀(guān)方法可實(shí)現(xiàn)對(duì)系統(tǒng)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(jié)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(hào)預(yù)測(cè)控制研究，得到如下有意結(jié)果：

1）隨著迭代次數(shù)增多，網(wǎng)絡(luò)各個(gè)路段排隊(duì)車(chē)錯(cuò)誤值逐漸降低，且保持不變。

2）驗(yàn)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(shí)別性能。在隨機(jī)擾動(dòng)在系統(tǒng)中產(chǎn)生時(shí)，自適應(yīng)迭代學(xué)習(xí)辨識(shí)算法可實(shí)現(xiàn)對(duì)系統(tǒng)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(xiàn)：

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

[2] 汪小黎. 一種交通噪聲預(yù)測(cè)概率統(tǒng)計(jì)分析模型[J]. 微型電腦應(yīng)用, 2022, 38(5): 135-137+141.

[3] 李以誠(chéng), 葉青. 基于交通數(shù)據(jù)挖掘的交通流預(yù)測(cè)模型構(gòu)建[J]. 自動(dòng)化技術(shù)與應(yīng)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(hào)迭代學(xué)習(xí)控制策略[J]. 自動(dòng)化學(xué)報(bào), 2021, 47(9): 2238-2249.

[5] 段亞美, 施聰, 黃曉榮. 基于故障預(yù)測(cè)與健康管理技術(shù)的城市軌道交通信號(hào)系統(tǒng)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(xù)欣瑩. 基于迭代學(xué)習(xí)與模型預(yù)測(cè)控制的交通信號(hào)混合控制方法[J]. 控制理論與應(yīng)用, 2021, 38(3): 339-348.

[7] 趙文天, 萬(wàn)夕里, 白光偉.城市交通流量預(yù)測(cè)與信號(hào)控制優(yōu)化[J].小型微型計(jì)算機(jī)系統(tǒng), 2019, 40(7): 1579-1584.

[8] 夏新海, 許倫輝. 引入MARKOV過(guò)程預(yù)測(cè)的強(qiáng)化學(xué)習(xí)下的城市交叉口自適應(yīng)交通信號(hào)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）