基于路口实时状况的交通灯智能动态配时模型研究*

张婧怡,夏玮璐

(北京交通大学理学院,北京 100044)

基于路口实时状况的交通灯智能动态配时模型研究*

张婧怡,夏玮璐

(北京交通大学理学院,北京 100044)

随着社会经济的快速发展,城市交通面临巨大的挑战.传统的红绿灯固定配时方式已经不能满足瞬息万变的道路状况需求.提出了2种交通灯智能动态配时模型--以平均排队长度作为路权影响因子的动态配时模型和以平均延误作为路权影响因子的动态配时模型,利用VISSIM实现仿真,比较2种动态配时模型与固定配时模型,分析输出数据.结果表明,以平均排队长度作为路权影响因子的动态配时模型更能直观地反映路面拥堵状况,使路口通行能力明显优于以平均延误作为路权影响因子的动态配时模型和传统的固定配时模型.

交通信号灯;通行能力;实时配时模型;交叉路口

1 研究背景

随着城市的迅速发展,机动车辆数量猛增,交通问题也越来越严重.据报道,我国大城市路面交通普遍出现明显超负荷的现象.数据显示,北京高峰拥堵延时指数2.06,平均车速22.61 km/h,即北京驾车出行的上班族通常要花费道路畅通情况下2倍的时间才能到达目的地,其他几个大城市,比如济南、哈尔滨、杭州、上海情况也不容乐观.目前,我国使用的仍是传统的红绿灯固定配时方式,而该方式存在时间固定、不易调整等缺点,如果有不可预测的情况发生,会在短时间内造成严重的交通阻塞情况.为了改善城市路面交通拥堵状况,近年来,众多学者纷纷提出创建智能交通系统,利用红绿灯动态配时算法来充分调动现有交通资源.据文献显示,该领域的相关研究主要侧重于信号收集、传感器设计等,算法模型方面的研究文献并不多见,且现有相关文献主要基于神经网络、模糊算法等方式[1-4].而本文选取直观的迭代算法创建动态配时模型,它能够实时反映路面交通状况.

为了尽可能减少固定配时方法中某些方向绿时浪费,减轻其余方向车辆严重拥堵的情况,本文提出了一种四相位信号灯实时配时算法,通过建立中小型三车道四相位十字路口交通灯智能动态配时模型,依据泊松分布的规律设置车流量,以全体车辆的平均排队长度最短为目标,根据平均排队长度和平均延时的变化来调整下一周期内的各相位绿灯时间,尽可能多放行车辆,减少十字路口滞留的车,以缓解交通压力.

2 模型构建

本文以中小型三车道十字路口为例,选择对四相位红绿灯通行规则进行研究,如图1所示,即在一个周期内依次以东西向直行-东西向左转-南北向直行-南北向左转的顺序放行,以保证不发生冲撞.由于右转车辆不会与任何其他方向的车流发生冲突,因此,不限制右转车道.

在实际生活中,主次通行方向的路权优先等级往往不同.车辆较为密集的通行方向通常具有较高的优先级,以达到平衡.在交通流研究领域,常常以平均排队长度或者平均延误作为反映道路状况的评判标准.而通过Nagel和Schreckenberg以及许多其他学者关于元胞自动机交通流的研究,分析引入随机慢化因素的NS模型的时空图可知,交通流具有一定的连续性和滞后性[5].因此,选取平均排队长度Q和平均延误D作为路权影响因子,即收集前一周期的路面交通数据作为下一周期分配红绿灯配时的评判依据,在此基础上分别建立平均排队长度模型和平均延误模型进行仿真.相关符号含义解释如表1所示.

图1 四相位红绿灯通行规则

设一个周期的总时长为T0,总黄灯时长为Y0,总绿灯时长为G0,i表示第i周期,则一个信号周期内总绿灯时长G0可用式(1)表示,即:

设初始周期各相位路权相等,即g1,1=g1,2=g1,3=g1,4.根据收集到的动态数据,秉承"自我修正"的原则,对路权影响因子建立如下关系.

模型一:

从第二个周期开始,以平均排队长度为路权影响因子,则:

模型二:

从第二个周期开始,以平均延误作为路权影响因子,则:

将前一周期所得的各相位平均排队长度或平均延误应用于后一周期的绿灯时长计算之中,以此类推,依次迭代,形成自我修正,即可得到趋于稳定状态的动态配时模型.考虑到路面交通状况的随机性和安全性,设置每一相位的最短绿灯时长为3 s,此时,有效通行时长为6 s(包含黄灯时常),与实际情况接近.

表1 符号含义解释表

3 结果与分析

3.1 交通灯配时模型仿真

本文采用VISSIM4.3进行仿真.由排队论相关理论可知,车辆的到达在某种程度上具有随机性.当车辆不受其他干扰因素影响,且平均到达率小于0.4 veh/s时,每一时刻到达路口的车辆数服从泊松分布,即:

式(4)中:P(x)为在计数间隔T0内到达x辆车的概率;分布参数λ为车辆的平均到达率,即一个信号周期内平均到达路口的车辆数.

仿真开始前,设置每个进车路口的平均到达率λ=600辆/时,周期T0=120 s,每个相位黄灯时长y0=3 s,数据输出间隔为120 s.各进车道的平均到达率设置如图2所示,初始周期红绿灯配时表如图3所示.

3.2 数据对比与分析

由于仿真的初始状态并不稳定,所以,选取第6~15周的数据进行分析.第6~15周期仿真数据对比情况如表2和图4所示.

图2 各进车道的平均到达率设置

图3 初始周期红绿灯配时表

表2 第6~15周期仿真数据对比

图4 第6~15周期仿真数据对比图

由表2和图4可知,在第6~15周期内:①以平均排队长度作为路权影响因子的模型一和以平均延误作为路权影响因子的模型二的平均排队长度均有所缩短,分别比固定配时模型缩短17.68%和1.36%,通行能力均有一定的提高.两动态模型相比较,模型一的优化效果更显著.②分析总体趋势可知,模型一的优化效果随着时间的推移而增强,自我修正能力也随之逐渐增强.模型一在接下来的若干周期内平均排队长度趋于稳定,且始终低于固定配时曲线.此现象说明,以平均排队长度作为路权影响因子的模型一更能适应实时变化的路面交通状况,其适应性更好.

4 结束语

由实验仿真数据可知,动态配时模型能够显著改善路面拥堵状况,提高路面通行能力.而模型一、模型二相比,以平均排队长度作为路权影响因子的动态配时模型更能直观地反映出路面拥堵状况,使路口通行能力明显优于以平均延误作为路权影响因子的动态配时模型和传统的固定配时模型.综上所述,通过获取实时排队长度数据和迭代计算来构建自我修正能力的动态配时模型具有一定的科学性和可行性,能够显著提高路口的通行能力,从而为缓解城市交通压力提供可行方案.

[1]王娜,杨俊,李艳萍.基于自组织竞争神经网络的智能交通信号灯控制[J].电脑开发与应用,2008(10):63-65.

[2]李驰新,陈少山,曹洁.基于自组织竞争神经网络的智能交通相位控制[J].兰州工业高等专科学校学报,2006(01):21-24.

[3]赵玲玲.基于模糊控制技术的智能交通设计[D].杭州:浙江理工大学,2014.

[4]苏玉萍.基于模糊逻辑的路口交通灯控制算法的研究[D].兰州:兰州理工大学,2007.

[5]郑英力,翟润平,马社强.交通流元胞自动机模型综述[J].公路交通科技,2006(01):110-115.

张婧怡(1997-),女,主要研究方向为统计学.夏玮璐(1998-),女,主要研究方向为信息与计算科学.

〔编辑:白洁〕

U491.5+1

A

10.15913/j.cnki.kjycx.2017.22.026

2095-6835(2017)22-0026-03

*[项目名称]北京交通大学大学生科研训练资助项目(项目编号:201710004064)