張婧怡,夏瑋璐
(北京交通大學(xué)理學(xué)院,北京 100044)
基于路口實時狀況的交通燈智能動態(tài)配時模型研究*
張婧怡,夏瑋璐
(北京交通大學(xué)理學(xué)院,北京 100044)
隨著社會經(jīng)濟的快速發(fā)展,城市交通面臨巨大的挑戰(zhàn).傳統(tǒng)的紅綠燈固定配時方式已經(jīng)不能滿足瞬息萬變的道路狀況需求.提出了2種交通燈智能動態(tài)配時模型--以平均排隊長度作為路權(quán)影響因子的動態(tài)配時模型和以平均延誤作為路權(quán)影響因子的動態(tài)配時模型,利用VISSIM實現(xiàn)仿真,比較2種動態(tài)配時模型與固定配時模型,分析輸出數(shù)據(jù).結(jié)果表明,以平均排隊長度作為路權(quán)影響因子的動態(tài)配時模型更能直觀地反映路面擁堵狀況,使路口通行能力明顯優(yōu)于以平均延誤作為路權(quán)影響因子的動態(tài)配時模型和傳統(tǒng)的固定配時模型.
交通信號燈;通行能力;實時配時模型;交叉路口
隨著城市的迅速發(fā)展,機動車輛數(shù)量猛增,交通問題也越來越嚴重.據(jù)報道,我國大城市路面交通普遍出現(xiàn)明顯超負荷的現(xiàn)象.數(shù)據(jù)顯示,北京高峰擁堵延時指數(shù)2.06,平均車速22.61 km/h,即北京駕車出行的上班族通常要花費道路暢通情況下2倍的時間才能到達目的地,其他幾個大城市,比如濟南、哈爾濱、杭州、上海情況也不容樂觀.目前,我國使用的仍是傳統(tǒng)的紅綠燈固定配時方式,而該方式存在時間固定、不易調(diào)整等缺點,如果有不可預(yù)測的情況發(fā)生,會在短時間內(nèi)造成嚴重的交通阻塞情況.為了改善城市路面交通擁堵狀況,近年來,眾多學(xué)者紛紛提出創(chuàng)建智能交通系統(tǒng),利用紅綠燈動態(tài)配時算法來充分調(diào)動現(xiàn)有交通資源.據(jù)文獻顯示,該領(lǐng)域的相關(guān)研究主要側(cè)重于信號收集、傳感器設(shè)計等,算法模型方面的研究文獻并不多見,且現(xiàn)有相關(guān)文獻主要基于神經(jīng)網(wǎng)絡(luò)、模糊算法等方式[1-4].而本文選取直觀的迭代算法創(chuàng)建動態(tài)配時模型,它能夠?qū)崟r反映路面交通狀況.
為了盡可能減少固定配時方法中某些方向綠時浪費,減輕其余方向車輛嚴重擁堵的情況,本文提出了一種四相位信號燈實時配時算法,通過建立中小型三車道四相位十字路口交通燈智能動態(tài)配時模型,依據(jù)泊松分布的規(guī)律設(shè)置車流量,以全體車輛的平均排隊長度最短為目標,根據(jù)平均排隊長度和平均延時的變化來調(diào)整下一周期內(nèi)的各相位綠燈時間,盡可能多放行車輛,減少十字路口滯留的車,以緩解交通壓力.
本文以中小型三車道十字路口為例,選擇對四相位紅綠燈通行規(guī)則進行研究,如圖1所示,即在一個周期內(nèi)依次以東西向直行-東西向左轉(zhuǎn)-南北向直行-南北向左轉(zhuǎn)的順序放行,以保證不發(fā)生沖撞.由于右轉(zhuǎn)車輛不會與任何其他方向的車流發(fā)生沖突,因此,不限制右轉(zhuǎn)車道.
在實際生活中,主次通行方向的路權(quán)優(yōu)先等級往往不同.車輛較為密集的通行方向通常具有較高的優(yōu)先級,以達到平衡.在交通流研究領(lǐng)域,常常以平均排隊長度或者平均延誤作為反映道路狀況的評判標準.而通過Nagel和Schreckenberg以及許多其他學(xué)者關(guān)于元胞自動機交通流的研究,分析引入隨機慢化因素的NS模型的時空圖可知,交通流具有一定的連續(xù)性和滯后性[5].因此,選取平均排隊長度Q和平均延誤D作為路權(quán)影響因子,即收集前一周期的路面交通數(shù)據(jù)作為下一周期分配紅綠燈配時的評判依據(jù),在此基礎(chǔ)上分別建立平均排隊長度模型和平均延誤模型進行仿真.相關(guān)符號含義解釋如表1所示.
圖1 四相位紅綠燈通行規(guī)則
設(shè)一個周期的總時長為T0,總黃燈時長為Y0,總綠燈時長為G0,i表示第i周期,則一個信號周期內(nèi)總綠燈時長G0可用式(1)表示,即:
設(shè)初始周期各相位路權(quán)相等,即g1,1=g1,2=g1,3=g1,4.根據(jù)收集到的動態(tài)數(shù)據(jù),秉承"自我修正"的原則,對路權(quán)影響因子建立如下關(guān)系.
模型一:
從第二個周期開始,以平均排隊長度為路權(quán)影響因子,則:
模型二:
從第二個周期開始,以平均延誤作為路權(quán)影響因子,則:
將前一周期所得的各相位平均排隊長度或平均延誤應(yīng)用于后一周期的綠燈時長計算之中,以此類推,依次迭代,形成自我修正,即可得到趨于穩(wěn)定狀態(tài)的動態(tài)配時模型.考慮到路面交通狀況的隨機性和安全性,設(shè)置每一相位的最短綠燈時長為3 s,此時,有效通行時長為6 s(包含黃燈時常),與實際情況接近.
表1 符號含義解釋表
本文采用VISSIM4.3進行仿真.由排隊論相關(guān)理論可知,車輛的到達在某種程度上具有隨機性.當車輛不受其他干擾因素影響,且平均到達率小于0.4 veh/s時,每一時刻到達路口的車輛數(shù)服從泊松分布,即:
式(4)中:P(x)為在計數(shù)間隔T0內(nèi)到達x輛車的概率;分布參數(shù)λ為車輛的平均到達率,即一個信號周期內(nèi)平均到達路口的車輛數(shù).
仿真開始前,設(shè)置每個進車路口的平均到達率λ=600輛/時,周期T0=120 s,每個相位黃燈時長y0=3 s,數(shù)據(jù)輸出間隔為120 s.各進車道的平均到達率設(shè)置如圖2所示,初始周期紅綠燈配時表如圖3所示.
由于仿真的初始狀態(tài)并不穩(wěn)定,所以,選取第6~15周的數(shù)據(jù)進行分析.第6~15周期仿真數(shù)據(jù)對比情況如表2和圖4所示.
圖2 各進車道的平均到達率設(shè)置
圖3 初始周期紅綠燈配時表
表2 第6~15周期仿真數(shù)據(jù)對比
圖4 第6~15周期仿真數(shù)據(jù)對比圖
由表2和圖4可知,在第6~15周期內(nèi):①以平均排隊長度作為路權(quán)影響因子的模型一和以平均延誤作為路權(quán)影響因子的模型二的平均排隊長度均有所縮短,分別比固定配時模型縮短17.68%和1.36%,通行能力均有一定的提高.兩動態(tài)模型相比較,模型一的優(yōu)化效果更顯著.②分析總體趨勢可知,模型一的優(yōu)化效果隨著時間的推移而增強,自我修正能力也隨之逐漸增強.模型一在接下來的若干周期內(nèi)平均排隊長度趨于穩(wěn)定,且始終低于固定配時曲線.此現(xiàn)象說明,以平均排隊長度作為路權(quán)影響因子的模型一更能適應(yīng)實時變化的路面交通狀況,其適應(yīng)性更好.
由實驗仿真數(shù)據(jù)可知,動態(tài)配時模型能夠顯著改善路面擁堵狀況,提高路面通行能力.而模型一、模型二相比,以平均排隊長度作為路權(quán)影響因子的動態(tài)配時模型更能直觀地反映出路面擁堵狀況,使路口通行能力明顯優(yōu)于以平均延誤作為路權(quán)影響因子的動態(tài)配時模型和傳統(tǒng)的固定配時模型.綜上所述,通過獲取實時排隊長度數(shù)據(jù)和迭代計算來構(gòu)建自我修正能力的動態(tài)配時模型具有一定的科學(xué)性和可行性,能夠顯著提高路口的通行能力,從而為緩解城市交通壓力提供可行方案.
[1]王娜,楊俊,李艷萍.基于自組織競爭神經(jīng)網(wǎng)絡(luò)的智能交通信號燈控制[J].電腦開發(fā)與應(yīng)用,2008(10):63-65.
[2]李馳新,陳少山,曹潔.基于自組織競爭神經(jīng)網(wǎng)絡(luò)的智能交通相位控制[J].蘭州工業(yè)高等專科學(xué)校學(xué)報,2006(01):21-24.
[3]趙玲玲.基于模糊控制技術(shù)的智能交通設(shè)計[D].杭州:浙江理工大學(xué),2014.
[4]蘇玉萍.基于模糊邏輯的路口交通燈控制算法的研究[D].蘭州:蘭州理工大學(xué),2007.
[5]鄭英力,翟潤平,馬社強.交通流元胞自動機模型綜述[J].公路交通科技,2006(01):110-115.
張婧怡(1997-),女,主要研究方向為統(tǒng)計學(xué).夏瑋璐(1998-),女,主要研究方向為信息與計算科學(xué).
〔編輯:白潔〕
U491.5+1
A
10.15913/j.cnki.kjycx.2017.22.026
2095-6835(2017)22-0026-03
*[項目名稱]北京交通大學(xué)大學(xué)生科研訓(xùn)練資助項目(項目編號:201710004064)