基于Anylogic的交通信号灯配时优化设计

齐林，邵康

（安徽理工大学 经济与管理学院，安徽淮南，232001）

0 引言

随着城市化进程的推进和城市规模的扩展，城市道路交通面对的压力不断加剧，加上居民购买力的提高，我国正进入机动车大众购买的阶段，机动车保有量的急剧上升。据淮南市统计局统计，截止至2020年，淮南市的载客汽车为348733辆，其中个人车辆有328088辆。研究的路段坐落于淮南市中心，多个购物广场及公共服务中心如八佰伴购物中心、京澳广场、新世界休闲生活广场、商贸文化广场、淮南时代广场、龙湖中心、朝阳医院均位于该路段，使得该路段成为淮南市相对较为拥堵的一段。缓解城市道路拥堵的办法有很多，可以增加基础设施建设，常见为道路加宽加长，但此举会增加城市土地资源的稀缺性，并且也会增加政府开支，耗时费力并且成本高，同时在施工期间路网也会受施工的影响而加剧交通拥堵。如果选择车牌限行来缓解道路拥堵的问题，虽说确实可有效缓解城市拥堵，但也势必会造成城市车辆的保有量增加、停车位紧张、车辆出行成本增加灯衍生影响。因此，选择通过优化信号灯配时来缓解交通拥堵，不仅可以节省政府开支，简化操作，减少资源消耗，同时也可以避免其他衍生问题。

1 文献综述

国内其他学者也曾针对某一路段的信号灯时间设置做过优化分析，如赵纯等人将深度强化学习应用到红绿灯信号配时中，大幅度改善了交叉口的交通拥堵情况[1]；郝林倩则是对多目标算法进行优化，提出配时模型，以减少机动车的平均停留时间和停车次数[2]；何南等人利用AnyLogic仿真软件通过仿真对比，得到更优的信号灯配时[3]；吴俊则是先用韦伯斯特配时法进行配时，然后再利用Vissim仿真软件验证其合理性[4]；王永圣等人则是运用萤火虫算法来优化红绿灯时间，接着利用Vissim仿真软件验证其有效性[5]；李建斌等人利用遗传算法对构建的优 化模型进行仿真数据求解，得到最佳的配时方案[6]；陈小静和李茂军等人则提出了一种基于差分进化算法和状态空间模型遗传算法的两阶段混合优化算法,建立以车辆平均等待时间最小为目标的数学模型进行优化，得出信号灯的最佳配时[7]；王秋平等人用遗传算法及遗传模拟退火算法对建立的模型进行求解，得出最优信号灯时间设置[8]。

之前的研究中，大多是通过韦伯斯特配时法或者其他方法来计算红绿灯的最佳配时，再利用仿真软件对得出的数据进行与实际的数据进行仿真对比[9]。优化后的结果确实比优化前的信号灯配时更能缓解城市道路拥堵，但难以保证其是解决道路拥堵最有效的配时。综合以往的研究，本文选择直接对信号灯配时进行迭代仿真，以车辆在路网内停留的平均时间作为参考对象，比较每次迭代仿真的结果，理论上如果迭代次数足够多，那么使得参考对象取得最小值的信号灯配时就是缓解道路拥堵最有效的信号灯配时。

2 仿真与优化

2.1 数据信息

模拟的路况基本为实地考察，该路网公交汽车的相关信息，则是利用爬虫算法在高德地图和百度地图等软件上爬取得到。选取的路段为从淮南市朝阳中路与学院南路叉口至朝阳中路与人民南路交叉口。所考虑的因素分别为公交站台位置、并道处位置、掉向口位置、实际信号灯配时、公交汽车车流量及其停靠站台、私家车车流量。优化的信号灯实际时间设置为40秒，35秒，35秒，25秒。

图1 信号灯变化周期

2.2 仿真模拟

AnyLogic道路交通库能够在详细的物流层面对交通流量进行规划、设计和仿真。道路交通库预定义的算法考虑了典型的驾驶规则，如速度控制、选择最不拥堵的车道、车道并线规则以及避免和检测碰撞。每辆车都代表着一个具有自身物理参数和行为模式的智能体,包括长度、速度、加速度、减速度。道路交通库的空间标记包括路、道路交叉口、停止线、巴士站、停车场等工具可以还原真实路况， 绘制道路网络。AnyLogic使用的OptQuest优化器，可以利用启发式方法，神经网络和数学优化方法，找到使目标函数值最大化或最小化的离散或连续模型参数的值，在处理非线性模型方面极为有效，在解决仿真问题时能根据约束条件和不确定性给出最优参数[10]。

模拟仿真环境中，所有车辆智能体必须遵守以下规则：(1)车速不得超过最大速度。(2)车辆必须按照路线的指定方向行驶，例如直行道只能直行，左转道必须左转。(3)车辆必须遵守红绿灯的指示。红绿灯的定义模式为道路交叉口的车道连接线[11]。右转车道一直可以通行不受红绿灯影响。需要注意的是该路网的多数右转车道只可以右转，但在人民南路与朝阳中路交叉口处，向北行驶的路线中，右转道也是可以直行的。

根据实际问题和参考其他文献的研究[12]，车辆参数设置如下：将轿车的长度设置为5米，最大加速度应为1.8m/s2，最大减速度应为4.2m/s2。将公交汽车的长度设置为10米，将其最大加速度设置为1m/s2，最大减速度设置为3m/s2。公交汽车为10分钟一班，所以每一路公交汽车到达该路网的速率应设置成6辆/小时。

为方便研究，将朝阳中路西端命名为A方向，学院路北端命名为B，学院路南端命名为C，龙湖路北端命名为D，龙湖路南端命名为E，人民路北端命名为F，人民路南端命名为G，朝阳中路命名为H。经过连续8天同一时间段在各个车源处的实地取证。A、B、C、D、E、F、G、H每个车源处每个小时进入路网的轿车约有197、108、169、156、148、94、138、79。

首先需要确定比例尺大小。从高德地图中截取淮南市朝阳中路的卫星图，注意截图中要包含地图比例尺，打开AnyLogic 软件，从演示栏中将图像拖拽至视图区域，选择所截取的卫星图打开，将软件的像素比例与卫星截图的比例对齐， 标尺长度对应设置也要与卫星截图比例尺标注的长度相等。此举是为了确保所绘制的道路尺寸与实际一致。

根据所收集的道路信息，所绘制的道路交通图如图2所示。

图2 道路交通图

将朝阳中路的车辆分为公交汽车辆和私人车辆，计程车也并入私人车辆中。其中私人车辆可从A、B、C、D、E、F、G、H八个方向的任意一个方向进入此路段，并且到达此路段的任意一个方向，私人车辆的逻辑图如图3所示。

图3 私家车逻辑图

从交通道路库中拖拽四个交通灯至四个道路交叉口，并将各个交通灯与相应的道路交叉口联系，将实际的信号灯设置到拖拽的红绿灯的时间中。将每个道路交叉口的车道连接器按照实际行驶路线连接，并将实际的信号灯时间设置在所拖拽的交通灯中。

为统计车辆在该路段停留的平均时间,在流程建模库中把timeMeasureStart拖拽到每一个carsource之后，将timeMeasureEnd放置在cardispose之前，所有车辆行驶逻辑连接到该timeMeasureEnd之前，所有车辆行驶逻辑共用一个timeMeasureEnd和cardispose。

从分析图表中，将直方图拖拽到界面中，勾选展示均值，并在数据中输入函数 timeMeasureEnd.distribution。点击Simulation,在模型时间上，选择在指定时间停止，停止时间为1800秒。运行模型，将运行速率调到最大倍速，可以发现所有车辆在该路网中的平均停留时间趋近为：206.15 秒。

2.3 优化过程

Optquest优化器环境定义如下:

（1）目标函数设置为root.time Measure End.distribution.mean()。（2）交通状态计时。每个信号灯的时长设置大都在30到70的范围之间，仿真的优化步长设置为1。（3）参考AnyLogic公司建议的仿真实验次数准则以及实际情况，优化迭代次数设置为500次。

最小仿真试验次数的一般准则如下：

表1 给定决策变量数量的仿真试验次数

优化过程中的响应变量为车辆在路网中的平均停留时间，每个控制点上采用启发式方法计算满足信号优化约束的控制参数。针对初始集的相位结构和最大迭代次数提出译码方案，在每个控制点设置最有利的条件，来实现车辆在路网中停留的平均时间最短。

步骤：从智能体中将4个参数拖入面板中，分别命名为p1，p2，p3，p4.。类型全部设置为int，默认值分别为40、35、35、25。再将该处红绿灯的时间分别设置为p1，p2，p3，p4。新建优化实验，目标选择最小化，并输入函root.timeMeasureEnd.distribution.mean().迭代数选择500，仿真模型停止时间设置为1800秒，创建默认用户界面后开始启动仿真程序。

表2 迭代优化过程表

总计500次迭代中，在第146次迭代，红绿灯的时间设置为39秒，53秒，34秒，38秒时，车辆在该路段停留的平均时间最短，为153.196秒，相比实际的206.15秒，停留的时间缩短了25.69%。所有车辆在路网中的平均停留时间有很大的缩短，交通拥堵问题得到了有效的缓解。

优化数据中，东西方向直行的绿灯时间缩短1秒，东西方向左转的绿灯时间延长18秒，南北方向直行的绿灯通行时间缩短6秒，南北方向左转的绿灯通行时间延长7秒。实际的时间设置不合理，车流量大的道路红灯时间短，绿灯时间长，而车流量小的却相反。因此车流量大的道路中，红灯时间内积攒的车辆无法在短暂的绿灯时间一次全部通过，随后第二个红灯开始，又会有新的车辆加入排队，形成堵车的恶性循环，车流一直排到下一个道路交叉口，路面被车辆全部覆盖，形成马路停车场现象。在车流量小的道路中，排队车辆通过的时间远小于实际绿灯时间，形成道路交叉口无车行驶的局面，交通空间资源没有被充分利用。优化后的数据是将车流作为一个整体，为避免分割车流，在车流量大的道路延长绿灯时间，保证车流全部通过，同时车流量小的道路在保证车流全部通过的前提下缩短绿灯时间，避免交通资源浪费。

3 结论与未来研究

为了缓解交通拥堵，选择进行信号灯配时的微观仿真优化是一种省时省力省成本的解决方案。这种微观交通仿真方法，可以真实还原路况，并解释智能体对交通演化和队列形成过程的影响，还可以系统地捕捉城市交通网络和驾驶员地行为。由于AnyLogic是模块化的，因此软件中的模拟器可以轻松适应驾驶员行为，并提供各种交通灯的控制策略。同时，在道路交通模型中，每辆车都代表着一个具有自身物理参数和行为模式的智能体。重点在于通过对信号灯配时设置的优化管理来缓解交通压力，提供的方法也可适用于不同情景的评估，案例中的路网在现实中十分普遍，包括私家车、公交汽车、公交站台、并道处等在道路中都普遍存在,为真实地模拟交通流缓解交通拥堵提供了一种有效地方法， 帮助决策者进行交通规划设计。

为了将该优化研究更加广泛的应用到其他路网中，未来的研究将集中在以下几个方面。一是要考虑路网内部的停车场对该路网交通的影响，使得仿真的交通情况更加接近真实情况。局限性在于忽视了路网内部的停车场对该路网交通的影响，因此有必要在未来研究出该路网的停车场的车辆出入情况，将其纳入考虑范围。二是要考虑小型机动车如摩托车对路网交通的影响，若是对允许摩托车通行的路网，也应该将摩托车设置为智能体。三是研究GIS和数字地图结合，采用实时数据，利用实时数据，准确预测车流量，而不需要再去实地计量。值得一提的是，有些文献研究也把行人流纳入了混合流中，但是在没有车辆和行人违背交通法规的情况下，行人流对车辆交通的影响并不大，所以可不予考虑。