CN109035767A

CN109035767A - 一种考虑交通控制与诱导协同的潮汐车道优化方法

Info

Publication number: CN109035767A
Application number: CN201810776917.9A
Authority: CN
Inventors: 孙智源; 陈艳艳
Original assignee: Beijing University of Technology
Current assignee: Beijing University of Technology
Priority date: 2018-07-13
Filing date: 2018-07-13
Publication date: 2018-12-18

Abstract

本发明公开了一种考虑交通控制与诱导协同的潮汐车道优化方法，用户选择待优化路网，以及待优化的时段，输入研究路网的几何特征数据，以及在研究时段内的OD数据；将考虑交通控制与诱导协同的潮汐车道优化问题抽象成三层规划问题，其中，上层模型为基于非线性0‑1规划的潮汐车道优化模型，中层模型为基于多目标优化的交通控制优化模型，下层模型为考虑交叉口延误的用户均衡模型；建立一种启发式迭代优化算法进行三层规划模型的求解，其中，上层模型使用遗传算法求解，中层模型使用非支配排序遗传算法求解，下层模型使用迭代加权法求解，本方法将交通控制与诱导协同引入潮汐车道优化中。

Description

一种考虑交通控制与诱导协同的潮汐车道优化方法

技术领域

本发明属交通规划与管理领域，涉及一种考虑交通控制与诱导协同的潮汐车道优化方法，提高潮汐拥堵下城市交通路网的通行效率。

背景技术

土地利用是影响交通需求特性的主要因素，居住区、就业区、生活配套设施以及公共设施的空间分布，决定了城市居民出行总量、出行距离和出行方向。当前，职住分离现象严重，潮汐现象由此产生，并带来了交通拥堵问题。潮汐拥堵现象体现了动态交通需求与静态交通设施之间的矛盾。结合道路交通流的潮汐特性，研究潮汐车道优化是解决上述矛盾的重要手段。目前，国内外已经出现了很多潮汐车道的应用，但是，理论研究还不够完善，特别是如何建立潮汐车道优化模型，制定潮汐车道方案。

交通控制与诱导的协同优化，究其根本是最优信号控制与离散交通设计的组合优化问题。然而，对于潮汐现象比较明显的路网而言，仅考虑交通控制与诱导的协同优化并不能很好的解决交通拥堵问题，需要进一步考虑潮汐车道优化。然而，对比交通控制与诱导协同优化方法的研究现状，发现：一些研究虽然考虑了定时控制，但是模型体系忽略了交叉口相位设计、不同流向延误对交通分配的影响等问题；一些研究应用感应控制，但是模型假设偏多，并未较多考虑实际应用层面动态数据的获取问题，在数据缺失情况下，模型很难达到预期效果；此外，在交通控制与诱导协同优化的研究领域，很少考虑潮汐车道优化的建模问题。

发明内容

本发明的发明目的在于设计了一种考虑交通控制与诱导协同的潮汐车道优化方法，为潮汐拥堵现象提供一种解决方案。

为实现上述目的，本发明采用的技术方案为一种考虑交通控制与诱导协同的潮汐车道优化方法，具体实施过程如下：

步骤一：准备基础数据

用户可以根据交通流数据、交通管理需求、管理经验等自主选择待优化的路网，以及待优化的时段，以实现同一路网一日内不同时段采用不同的潮汐车道方案。

用户输入研究路网的几何特征数据，包括研究路网中各个交叉口、各个路段的车道属性与数量；数据来自于地理信息系统，或者实地踏勘调研。

用户输入研究路网在研究时段内的OD数据；数据来自于用户的自主OD估计，或者来自于智能交通系统。

步骤二：建立数学模型

将考虑交通控制与诱导协同的潮汐车道优化问题抽象成三层规划问题，下层模型为考虑交叉口延误的用户均衡模型，决策变量为各路段的交通流量；使用虚拟路段来表示交叉口延误对用户均衡模型的影响，将交叉口不同流向作为虚拟路段，使用延误表示路段走行时间函数，可以采用韦伯斯特延误公式；使用BPR函数表示路段的走行时间函数。下层模型可表示为：

式中，J_L为交通诱导优化的控制性能函数；A为实际路段的集合；I为虚拟路段的集合；t_a(x_a)为路段a的走行时间函数；d_a(x_a)为虚拟路段的走行时间函数；为出发地为r、目的地为s的OD间的第k条路径上的交通量；ψ_rs为出发地为r、目的地为s的OD间所有路径的集合；q_rs为出发地为r、目的地为s的OD间的交通量；R为出发地r的集合；S为目的地s的集合；为0-1变量，如果路段a在出发地为r、目的地为s的OD间的第k条路径上，否则为出发地为r、目的地为s的OD间的第k条路径的旅行时间。

中层模型为基于多目标优化的交通控制优化模型，综合考虑管理效率优化和旅行感受优化，分别采用交叉口的整体性能指标车均延误和广义饱和度；决策变量为交叉口各流向的绿灯时间。约束条件包括传统的等饱和度约束、最大饱和度约束、信号周期约束、最短绿灯时间约束和相位模式约束。中层模型可表示为：

C_min≤C^j≤C_max

式中，J_M为交通控制优化的控制性能函数；d^j为交叉口j的车均延误；χ^j为交叉口j的广义饱和度；为交叉口j流向i的延误；为交叉口j流向i的流量；为交叉口j流向i的饱和度；为交叉口j各流向的平均饱和度；χ₀为饱和度平均差的阈值；b为流向的总数；χ_max为最大饱和度的阈值；C_min为信号控制的最短周期；C_max为信号控制的最长周期；为交叉口j流向i绿灯时间；tg_min为最短绿灯时间的阈值。

以图1所示的交叉口为例，说明相位模式约束。令ty为黄灯时间，tr为全红时间，若右转不受信号控制，相位模式约束如下表所示。

表1相位模式约束

上层模型为基于非线性0-1规划的潮汐车道优化模型，以路网通行效益最大为优化目标，用旅行时间衡量；决策变量为路段处潮汐车道的流向，用0-1变量表示；定义约束为决策变量与路段处及交叉口处车道数的关系。下层模型可表示为：

式中，J_U为潮汐车道优化的控制性能函数。

以图2所示的1条南北走向的城市主干道为例，说明定义约束为决策变量与路段处及交叉口处车道数的关系。令为0-1变量，分别表示路段a和a′的潮汐车道属性；为0-1变量，表示交叉口j进口道p的潮汐车道属性；分别表示交叉口j进口道p处左转车道数和直行车道数；l_a,l_a′分别表示路段a和a′的车道数。该城市主干道双向6车道，南北侧与交叉口相连，具有以下基本特性：

(1)交叉口进行车道的拓宽，使得进口道、出口道各增加1条车道。

(2)路段仅允许2条车道为潮汐车道，不妨引入0-1变量表示路段a和a′的潮汐车道属性：对于南北走向的路段，令1表示潮汐车道为由南向北方向，0表示由北向南方向；对于东西走向的路段，令1表示潮汐车道为由东向西方向，0表示由西向东方向。

(3)交叉口进口道至少有1条直行车道、1条右转车道、1条左转车道，以保障车辆的正常直行、右转、左转通行；出口道至少有3条车道，以保障交叉口内部车辆正常驶离交叉口。

(4)交叉口可进行渠化，使得进口道占用出口道的1条车道。针对的取值，讨论渠化的可能情形：若时，路段a的车道数l_a＝4，路段a′的车道数l_a′＝2，进口道不宜占用出口道的车道，此时交叉口有2条车道可用于直行和左转的决策；若时，l_a＝2，l_a′＝4，进口道可占用出口道的1条车道，此时交叉口有1条车道可用于直行和左转的决策；对于或时，l_a＝3，l_a′＝3，进口道可占用出口道的1条车道，此时交叉口有2条车道可用于直行和左转的决策。因此，不妨引入0-1变量表示交叉口的潮汐车道属性，令1表示直行车道，0表示左转车道。

(5)均为0-1变量，用于潮汐车道属性的决策。0-1变量使得决策过程更加简单，但在一些情况下失去意义。例如：路段处，实际中很少存在“从西向东依次为2条北向车道、1条南向北车道、1条北向南车道、2个南向北车道”，但是取值所表示的l_a＝3、l_a′＝3存在；交叉口处，实际中很少存在“进口道从西向东依次为2条直行车道、1条左转车道、1条直行车道、1条右转车道”，但是取值表示的左转车道数量直行车道数量存在。因此，模型求解过程中，不用约束之间的关系，获得最优解后，计算l_a、l_a′的值，即：潮汐车道方案。

决策变量为定义约束包括：

4、根据权利1要求所述的一种考虑交通控制与诱导协同的潮汐车道优化方法，其特征在于：

建立一种启发式迭代优化算法(见图3)进行三层规划模型的求解，其中，上层模型使用遗传算法(Genetic Algorithm，GA)求解，中层模型使用非支配排序遗传算法(Non-Dominated Sorted Genetic Algorithm II，NSGAII)求解，下层模型使用迭代加权法(Method ofSuccessive Averages，MSA)求解。算法流程如下，

Step 1：初始化，令迭代次数h＝0，忽略虚拟路段、潮汐车道的影响；

Step 2：下层模型求解，应用迭代加权法求解模型，得到第h次迭代的各路段流量具体步骤如下，

Step 2.1：令迭代次数m＝0，根据各路段自由流行驶时间进行全有全无分配，得到初始解

Step 2.2：令迭代次数m＝m+1，更新路段走行时间

Step 2.3：按照路段走行时间将OD交通量进行全有全无分配，得到各路段的附加交通量

Step 2.4：更新路段流量：

Step 2.5：如果连续两次迭代的结果相差不大，停止计算，记录最终分配结果，即否则返回Step 2.2；选用平均绝对百分误差MAPE作为收敛标准。

Step 3：中层模型求解，应用非支配排序遗传算法求解模型，得到第h次迭代的各交叉口信号配时方案，具体步骤如下，

Step 3.1：参数初始化，确定基因个数、种群规模、变异概率、最大进化代数；

Step 3.2：令进化代数n＝0，随机产生初始种群；

Step 3.3：对种群P_n执行选择、交叉、变异操作产生子代种群Q_n，计算目标函数；

Step 3.4：若满足终止条件，进行Step 3.8，否则进行Step 3.5；

Step 3.5：合并父代种群和子代种群，获得新种群R_n＝P_n∪Q_n；

Step 3.6：执行非支配排序、拥挤距离计算和种群修剪操作，创建n+1代种群P_n+1；

Step 3.7：令n＝n+1，返回Step 3.3；

Step 3.8：绘制Pareto最优解分布图，保留子代种群Q_n；

Step 3.9：按照用户自主设计的规则，从Pareto最优解集中获得最优解。

Step 4：上层模型求解，应用GA算法求解模型，得到h次迭代的各路段车道数a∈I∪A，核心步骤包括：

Step 4.1：初始化：对模型的决策变量进行0-1编码，个体大小为决策变量的数量，设置种群大小、变异概率、最大进化数等；

Step 4.2：适应度评估：对于最小化问题，以目标函数的倒数作为个体的适应度值；

Step 4.3：选择操作：使用轮盘赌法，从旧种群中随机选择优良个体组成新的种群，以繁殖得到下一代个体；

Step 4.4：交叉操作：从种群中随机选择2个个体，通过染色体的交换组合，把父串的优秀特征遗传给子串，从而产生新的优秀个体；

Step 4.5：变异操作：从种群中随机选取1个个体，选择个体中的1点进行变异以产生更优秀的个体。

Step 5：迭代计算，令h＝h+1，返回Step 2；

Step 6：收敛判断，如果连续两次迭代各路段的流量相差不大，停止，记录最佳方案；否则返回Step 2；选用平均绝对百分误差MAPE作为收敛标准：

有益效果：潮汐车道优化、交通控制优化和交通诱导优化的目标函数均可以表示成路网车道数量(潮汐车道优化的决策变量)、信号相位绿信比(交通控制优化的决策变量)、路网路径流量(交通诱导优化的决策变量)的函数，三者优化互为输入和约束，决定了三者协同优化的必要性。考虑交通控制与诱导协同的潮汐车道优化方法实现了三者协同优化，对于潮汐拥堵问题的解决具有重要的意义。

附图说明

图1是案例交叉口示意图。

图2是案例潮汐车道示意图。

图3是启发式迭代优化算法流程图。

图4是案例路网示意图

图5是虚拟路段设计图。

图6是下层模型初始化结果图。

图7是中层模型初始化结果图。

图8是上层模型初始化结果图。

图9是迭代优化结果图。

具体实施方式

设置信号控制的城市道路网络多采用方格网式，以图4所示的12节点路网为看作城市道路网络的基本构件，说明具体实施方法。12节点路网包括：8个起讫点(i＝1,2,…,8)，4个主要交叉口(j＝9,10,11,12)，24个路段，共有64个OD对(r＝1,2,…,8、s＝1,2,…,8)。虚拟路段设计如图5所示。

在实际应用中，路网的车道属性及数量一般由地理信息系统提供，或者通过实地踏勘等方法获得。参照北京市道路网络的车道设置，确定12节点路网的车道属性及数量，即：24个路段均为双向6车道，4个主要交叉口各流向的车道数量()表3所示。

表3车道数量

在大数据背景下，可应用路段交通流数据、移动数据，以及居民调查数据等，估计研究对象时段的OD需求数据。算例使用的OD需求数据如表4所示。

表4研究对象时段的OD需求(pcu/h)

建立数学模型，并进行求解，具体流程如下，

(1)初始化

令迭代次数h＝0，忽略虚拟路段、潮汐车道的影响，即：路段均为3条车道，交叉口为1条左转车道、2条直行车道和1条右转车道。

(2)下层模型初始化

基于迭代加权法，经过52次迭代满足MAPE≤0.5％(如图6所示)，完成下层模型求解。

(3)中层模型初始化

基于非支配排序遗传算法，完成中层模型的求解，4个交叉口的Pareto最优解分布如图7所示。用户可以按照实际需要，设定某种规则从Pareto最优解集中挑选一个解作为最优解，例如，

(4)上层模型初始化

基于GA算法，在最大遗传代数30代内获得最优解，如图8所示。

(5)迭代优化

经过3次迭代，三层规划模型收敛至MAPE≤0.5％，并获得最优解，如图9所示。

通过计算可获得交叉口各流向的车道数、绿灯时间，各路段的车道数，如表5、6、5所示：

表5交叉口各流向的车道数

表6交叉口各流向的绿灯时间及周期(s)

表7各路段的车道数

如图9所示，第0次迭代代表交通控制、交通诱导、潮汐车道独立优化，此时系统总旅行时间最长；随着迭代次数的增加，逐渐收敛，系统总旅行时间逐步降低，这说明了通过考虑控制与诱导协同的潮汐车道优化，提高了交通系统的效率。另外，本案例以平均绝对百分误差作为收敛判断标准，如果将收敛判断标准换成最大迭代次数，按照图9所示的趋势，系统总旅行时间继续降低。

Claims

1.一种考虑交通控制与诱导协同的潮汐车道优化方法，其特征在于，本方法的步骤如下：

步骤一：准备基础数据

用户选择待优化路网，以及待优化的时段，输入研究路网的几何特征数据，以及在研究时段内的OD数据；

步骤二：建立数学模型

将考虑交通控制与诱导协同的潮汐车道优化问题抽象成三层规划模型，其中，上层模型为基于非线性0-1规划的潮汐车道优化模型，中层模型为基于多目标优化的交通控制优化模型，下层模型为考虑交叉口延误的用户均衡模型；

步骤三：提出求解算法

建立一种启发式迭代优化算法进行三层规划模型的求解，其中，上层模型使用遗传算法求解，中层模型使用非支配排序遗传算法求解，下层模型使用迭代加权法求解。

2.根据权利1要求所述的一种考虑交通控制与诱导协同的潮汐车道优化方法，其特征在于：步骤一的实施过程如下，

根据交通流数据、交通管理需求、管理经验自主选择待优化的路网，以及待优化的时段，以实现同一路网一日内不同时段采用不同的潮汐车道方案；

用户输入研究路网的几何特征数据，包括研究路网中各个交叉口、各个路段的车道属性与数量；数据来自于地理信息系统，或者实地踏勘调研；

3.根据权利1要求所述的一种考虑交通控制与诱导协同的潮汐车道优化方法，其特征在于：

将考虑交通控制与诱导协同的潮汐车道优化问题抽象成三层规划问题；

下层模型为考虑交叉口延误的用户均衡模型，决策变量为各路段的交通流量；使用虚拟路段来表示交叉口延误对用户均衡模型的影响，将交叉口不同流向作为虚拟路段，使用延误表示路段走行时间函数，采用韦伯斯特延误公式；使用BPR函数表示路段的走行时间函数；下层模型表示为：

式中，J_L为交通诱导优化的控制性能函数；A为实际路段的集合；I为虚拟路段的集合；t_a(x_a)为路段a的走行时间函数；d_a(x_a)为虚拟路段的走行时间函数；为出发地为r、目的地为s的OD间的第k条路径上的交通量；ψ_rs为出发地为r、目的地为s的OD间所有路径的集合；q_rs为出发地为r、目的地为s的OD间的交通量；R为出发地r的集合；S为目的地s的集合；为0-1变量，如果路段a在出发地为r、目的地为s的OD间的第k条路径上，否则为出发地为r、目的地为s的OD间的第k条路径的旅行时间；

中层模型为基于多目标优化的交通控制优化模型，综合考虑管理效率优化和旅行感受优化，分别采用交叉口的整体性能指标车均延误和广义饱和度；决策变量为交叉口各流向的绿灯时间；约束条件包括传统的等饱和度约束、最大饱和度约束、信号周期约束、最短绿灯时间约束和相位模式约束；中层模型表示为：

C_min≤C^j≤C_max

式中，J_M为交通控制优化的控制性能函数；d^j为交叉口j的车均延误；χ^j为交叉口j的广义饱和度；为交叉口j流向i的延误；为交叉口j流向i的流量；为交叉口j流向i的饱和度；为交叉口j各流向的平均饱和度；χ₀为饱和度平均差的阈值；b为流向的总数；χ_max为最大饱和度的阈值；C_min为信号控制的最短周期；C_max为信号控制的最长周期；为交叉口j流向i绿灯时间；tg_min为最短绿灯时间的阈值；

上层模型为基于非线性0-1规划的潮汐车道优化模型，以路网通行效益最大为优化目标，用旅行时间衡量；决策变量为路段处潮汐车道的流向，用0-1变量表示；定义约束为决策变量与路段处及交叉口处车道数的关系；下层模型表示为：

式中，J_U为潮汐车道优化的控制性能函数。

4.根据权利1要求所述的一种考虑交通控制与诱导协同的潮汐车道优化方法，其特征在于：

建立一种启发式迭代优化算法进行三层规划模型的求解，其中，上层模型使用遗传算法求解，中层模型使用非支配排序遗传算法求解，下层模型使用迭代加权法求解；算法流程如下，

Step 2：下层模型求解，应用迭代加权法求解模型，得到第h次迭代的各路段流量a∈I∪A，具体步骤如下：

Step 2.2：令迭代次数m＝m+1，更新路段走行时间

Step 2.4：更新路段流量：

Step 2.5：如果连续两次迭代的结果相差不大，停止计算，记录最终分配结果，即否则返回Step 2.2；选用平均绝对百分误差MAPE作为收敛标准；

Step 3：中层模型求解，应用非支配排序遗传算法求解模型，得到第h次迭代的各交叉口信号配时方案，具体步骤如下：

Step 3.2：令进化代数n＝0，随机产生初始种群；

Step 3.4：若满足终止条件，进行Step 3.8，否则进行Step 3.5；

Step 3.7：令n＝n+1，返回Step 3.3；

Step 3.8：绘制Pareto最优解分布图，保留子代种群Q_n；

Step 3.9：按照用户自主设计的规则，从Pareto最优解集中获得最优解；

Step 4.5：变异操作：从种群中随机选取1个个体，选择个体中的1点进行变异以产生更优秀的个体；

Step 5：迭代计算，令h＝h+1，返回Step 2；

Step 6：收敛判断，如果连续两次迭代各路段的流量相差不大，停止，记录最佳方案；否则返回Step 2；选用平均绝对百分误差MAPE作为收敛标准。