齊林，邵康

（安徽理工大學(xué) 經(jīng)濟(jì)與管理學(xué)院，安徽淮南，232001）

0 引言

隨著城市化進(jìn)程的推進(jìn)和城市規(guī)模的擴(kuò)展，城市道路交通面對的壓力不斷加劇，加上居民購買力的提高，我國正進(jìn)入機(jī)動(dòng)車大眾購買的階段，機(jī)動(dòng)車保有量的急劇上升。據(jù)淮南市統(tǒng)計(jì)局統(tǒng)計(jì)，截止至2020年，淮南市的載客汽車為348733輛，其中個(gè)人車輛有328088輛。研究的路段坐落于淮南市中心，多個(gè)購物廣場及公共服務(wù)中心如八佰伴購物中心、京澳廣場、新世界休閑生活廣場、商貿(mào)文化廣場、淮南時(shí)代廣場、龍湖中心、朝陽醫(yī)院均位于該路段，使得該路段成為淮南市相對較為擁堵的一段。緩解城市道路擁堵的辦法有很多，可以增加基礎(chǔ)設(shè)施建設(shè)，常見為道路加寬加長，但此舉會(huì)增加城市土地資源的稀缺性，并且也會(huì)增加政府開支，耗時(shí)費(fèi)力并且成本高，同時(shí)在施工期間路網(wǎng)也會(huì)受施工的影響而加劇交通擁堵。如果選擇車牌限行來緩解道路擁堵的問題，雖說確實(shí)可有效緩解城市擁堵，但也勢必會(huì)造成城市車輛的保有量增加、停車位緊張、車輛出行成本增加燈衍生影響。因此，選擇通過優(yōu)化信號(hào)燈配時(shí)來緩解交通擁堵，不僅可以節(jié)省政府開支，簡化操作，減少資源消耗，同時(shí)也可以避免其他衍生問題。

1 文獻(xiàn)綜述

國內(nèi)其他學(xué)者也曾針對某一路段的信號(hào)燈時(shí)間設(shè)置做過優(yōu)化分析，如趙純等人將深度強(qiáng)化學(xué)習(xí)應(yīng)用到紅綠燈信號(hào)配時(shí)中，大幅度改善了交叉口的交通擁堵情況[1]；郝林倩則是對多目標(biāo)算法進(jìn)行優(yōu)化，提出配時(shí)模型，以減少機(jī)動(dòng)車的平均停留時(shí)間和停車次數(shù)[2]；何南等人利用AnyLogic仿真軟件通過仿真對比，得到更優(yōu)的信號(hào)燈配時(shí)[3]；吳俊則是先用韋伯斯特配時(shí)法進(jìn)行配時(shí)，然后再利用Vissim仿真軟件驗(yàn)證其合理性[4]；王永圣等人則是運(yùn)用螢火蟲算法來優(yōu)化紅綠燈時(shí)間，接著利用Vissim仿真軟件驗(yàn)證其有效性[5]；李建斌等人利用遺傳算法對構(gòu)建的優(yōu) 化模型進(jìn)行仿真數(shù)據(jù)求解，得到最佳的配時(shí)方案[6]；陳小靜和李茂軍等人則提出了一種基于差分進(jìn)化算法和狀態(tài)空間模型遺傳算法的兩階段混合優(yōu)化算法,建立以車輛平均等待時(shí)間最小為目標(biāo)的數(shù)學(xué)模型進(jìn)行優(yōu)化，得出信號(hào)燈的最佳配時(shí)[7]；王秋平等人用遺傳算法及遺傳模擬退火算法對建立的模型進(jìn)行求解，得出最優(yōu)信號(hào)燈時(shí)間設(shè)置[8]。

之前的研究中，大多是通過韋伯斯特配時(shí)法或者其他方法來計(jì)算紅綠燈的最佳配時(shí)，再利用仿真軟件對得出的數(shù)據(jù)進(jìn)行與實(shí)際的數(shù)據(jù)進(jìn)行仿真對比[9]。優(yōu)化后的結(jié)果確實(shí)比優(yōu)化前的信號(hào)燈配時(shí)更能緩解城市道路擁堵，但難以保證其是解決道路擁堵最有效的配時(shí)。綜合以往的研究，本文選擇直接對信號(hào)燈配時(shí)進(jìn)行迭代仿真，以車輛在路網(wǎng)內(nèi)停留的平均時(shí)間作為參考對象，比較每次迭代仿真的結(jié)果，理論上如果迭代次數(shù)足夠多，那么使得參考對象取得最小值的信號(hào)燈配時(shí)就是緩解道路擁堵最有效的信號(hào)燈配時(shí)。

2 仿真與優(yōu)化

2.1 數(shù)據(jù)信息

模擬的路況基本為實(shí)地考察，該路網(wǎng)公交汽車的相關(guān)信息，則是利用爬蟲算法在高德地圖和百度地圖等軟件上爬取得到。選取的路段為從淮南市朝陽中路與學(xué)院南路叉口至朝陽中路與人民南路交叉口。所考慮的因素分別為公交站臺(tái)位置、并道處位置、掉向口位置、實(shí)際信號(hào)燈配時(shí)、公交汽車車流量及其停靠站臺(tái)、私家車車流量。優(yōu)化的信號(hào)燈實(shí)際時(shí)間設(shè)置為40秒，35秒，35秒，25秒。

圖1 信號(hào)燈變化周期

2.2 仿真模擬

AnyLogic道路交通庫能夠在詳細(xì)的物流層面對交通流量進(jìn)行規(guī)劃、設(shè)計(jì)和仿真。道路交通庫預(yù)定義的算法考慮了典型的駕駛規(guī)則，如速度控制、選擇最不擁堵的車道、車道并線規(guī)則以及避免和檢測碰撞。每輛車都代表著一個(gè)具有自身物理參數(shù)和行為模式的智能體,包括長度、速度、加速度、減速度。道路交通庫的空間標(biāo)記包括路、道路交叉口、停止線、巴士站、停車場等工具可以還原真實(shí)路況， 繪制道路網(wǎng)絡(luò)。AnyLogic使用的OptQuest優(yōu)化器，可以利用啟發(fā)式方法，神經(jīng)網(wǎng)絡(luò)和數(shù)學(xué)優(yōu)化方法，找到使目標(biāo)函數(shù)值最大化或最小化的離散或連續(xù)模型參數(shù)的值，在處理非線性模型方面極為有效，在解決仿真問題時(shí)能根據(jù)約束條件和不確定性給出最優(yōu)參數(shù)[10]。

模擬仿真環(huán)境中，所有車輛智能體必須遵守以下規(guī)則：(1)車速不得超過最大速度。(2)車輛必須按照路線的指定方向行駛，例如直行道只能直行，左轉(zhuǎn)道必須左轉(zhuǎn)。(3)車輛必須遵守紅綠燈的指示。紅綠燈的定義模式為道路交叉口的車道連接線[11]。右轉(zhuǎn)車道一直可以通行不受紅綠燈影響。需要注意的是該路網(wǎng)的多數(shù)右轉(zhuǎn)車道只可以右轉(zhuǎn)，但在人民南路與朝陽中路交叉口處，向北行駛的路線中，右轉(zhuǎn)道也是可以直行的。

根據(jù)實(shí)際問題和參考其他文獻(xiàn)的研究[12]，車輛參數(shù)設(shè)置如下：將轎車的長度設(shè)置為5米，最大加速度應(yīng)為1.8m/s2，最大減速度應(yīng)為4.2m/s2。將公交汽車的長度設(shè)置為10米，將其最大加速度設(shè)置為1m/s2，最大減速度設(shè)置為3m/s2。公交汽車為10分鐘一班，所以每一路公交汽車到達(dá)該路網(wǎng)的速率應(yīng)設(shè)置成6輛/小時(shí)。

為方便研究，將朝陽中路西端命名為A方向，學(xué)院路北端命名為B，學(xué)院路南端命名為C，龍湖路北端命名為D，龍湖路南端命名為E，人民路北端命名為F，人民路南端命名為G，朝陽中路命名為H。經(jīng)過連續(xù)8天同一時(shí)間段在各個(gè)車源處的實(shí)地取證。A、B、C、D、E、F、G、H每個(gè)車源處每個(gè)小時(shí)進(jìn)入路網(wǎng)的轎車約有197、108、169、156、148、94、138、79。

首先需要確定比例尺大小。從高德地圖中截取淮南市朝陽中路的衛(wèi)星圖，注意截圖中要包含地圖比例尺，打開AnyLogic 軟件，從演示欄中將圖像拖拽至視圖區(qū)域，選擇所截取的衛(wèi)星圖打開，將軟件的像素比例與衛(wèi)星截圖的比例對齊， 標(biāo)尺長度對應(yīng)設(shè)置也要與衛(wèi)星截圖比例尺標(biāo)注的長度相等。此舉是為了確保所繪制的道路尺寸與實(shí)際一致。

根據(jù)所收集的道路信息，所繪制的道路交通圖如圖2所示。

圖2 道路交通圖

將朝陽中路的車輛分為公交汽車輛和私人車輛，計(jì)程車也并入私人車輛中。其中私人車輛可從A、B、C、D、E、F、G、H八個(gè)方向的任意一個(gè)方向進(jìn)入此路段，并且到達(dá)此路段的任意一個(gè)方向，私人車輛的邏輯圖如圖3所示。

圖3 私家車邏輯圖

從交通道路庫中拖拽四個(gè)交通燈至四個(gè)道路交叉口，并將各個(gè)交通燈與相應(yīng)的道路交叉口聯(lián)系，將實(shí)際的信號(hào)燈設(shè)置到拖拽的紅綠燈的時(shí)間中。將每個(gè)道路交叉口的車道連接器按照實(shí)際行駛路線連接，并將實(shí)際的信號(hào)燈時(shí)間設(shè)置在所拖拽的交通燈中。

為統(tǒng)計(jì)車輛在該路段停留的平均時(shí)間,在流程建模庫中把timeMeasureStart拖拽到每一個(gè)carsource之后，將timeMeasureEnd放置在cardispose之前，所有車輛行駛邏輯連接到該timeMeasureEnd之前，所有車輛行駛邏輯共用一個(gè)timeMeasureEnd和cardispose。

從分析圖表中，將直方圖拖拽到界面中，勾選展示均值，并在數(shù)據(jù)中輸入函數(shù) timeMeasureEnd.distribution。點(diǎn)擊Simulation,在模型時(shí)間上，選擇在指定時(shí)間停止，停止時(shí)間為1800秒。運(yùn)行模型，將運(yùn)行速率調(diào)到最大倍速，可以發(fā)現(xiàn)所有車輛在該路網(wǎng)中的平均停留時(shí)間趨近為：206.15 秒。

2.3 優(yōu)化過程

Optquest優(yōu)化器環(huán)境定義如下:

（1）目標(biāo)函數(shù)設(shè)置為root.time Measure End.distribution.mean()。（2）交通狀態(tài)計(jì)時(shí)。每個(gè)信號(hào)燈的時(shí)長設(shè)置大都在30到70的范圍之間，仿真的優(yōu)化步長設(shè)置為1。（3）參考AnyLogic公司建議的仿真實(shí)驗(yàn)次數(shù)準(zhǔn)則以及實(shí)際情況，優(yōu)化迭代次數(shù)設(shè)置為500次。

最小仿真試驗(yàn)次數(shù)的一般準(zhǔn)則如下：

表1 給定決策變量數(shù)量的仿真試驗(yàn)次數(shù)

優(yōu)化過程中的響應(yīng)變量為車輛在路網(wǎng)中的平均停留時(shí)間，每個(gè)控制點(diǎn)上采用啟發(fā)式方法計(jì)算滿足信號(hào)優(yōu)化約束的控制參數(shù)。針對初始集的相位結(jié)構(gòu)和最大迭代次數(shù)提出譯碼方案，在每個(gè)控制點(diǎn)設(shè)置最有利的條件，來實(shí)現(xiàn)車輛在路網(wǎng)中停留的平均時(shí)間最短。

步驟：從智能體中將4個(gè)參數(shù)拖入面板中，分別命名為p1，p2，p3，p4.。類型全部設(shè)置為int，默認(rèn)值分別為40、35、35、25。再將該處紅綠燈的時(shí)間分別設(shè)置為p1，p2，p3，p4。新建優(yōu)化實(shí)驗(yàn)，目標(biāo)選擇最小化，并輸入函root.timeMeasureEnd.distribution.mean().迭代數(shù)選擇500，仿真模型停止時(shí)間設(shè)置為1800秒，創(chuàng)建默認(rèn)用戶界面后開始啟動(dòng)仿真程序。

表2 迭代優(yōu)化過程表

總計(jì)500次迭代中，在第146次迭代，紅綠燈的時(shí)間設(shè)置為39秒，53秒，34秒，38秒時(shí)，車輛在該路段停留的平均時(shí)間最短，為153.196秒，相比實(shí)際的206.15秒，停留的時(shí)間縮短了25.69%。所有車輛在路網(wǎng)中的平均停留時(shí)間有很大的縮短，交通擁堵問題得到了有效的緩解。

優(yōu)化數(shù)據(jù)中，東西方向直行的綠燈時(shí)間縮短1秒，東西方向左轉(zhuǎn)的綠燈時(shí)間延長18秒，南北方向直行的綠燈通行時(shí)間縮短6秒，南北方向左轉(zhuǎn)的綠燈通行時(shí)間延長7秒。實(shí)際的時(shí)間設(shè)置不合理，車流量大的道路紅燈時(shí)間短，綠燈時(shí)間長，而車流量小的卻相反。因此車流量大的道路中，紅燈時(shí)間內(nèi)積攢的車輛無法在短暫的綠燈時(shí)間一次全部通過，隨后第二個(gè)紅燈開始，又會(huì)有新的車輛加入排隊(duì)，形成堵車的惡性循環(huán)，車流一直排到下一個(gè)道路交叉口，路面被車輛全部覆蓋，形成馬路停車場現(xiàn)象。在車流量小的道路中，排隊(duì)車輛通過的時(shí)間遠(yuǎn)小于實(shí)際綠燈時(shí)間，形成道路交叉口無車行駛的局面，交通空間資源沒有被充分利用。優(yōu)化后的數(shù)據(jù)是將車流作為一個(gè)整體，為避免分割車流，在車流量大的道路延長綠燈時(shí)間，保證車流全部通過，同時(shí)車流量小的道路在保證車流全部通過的前提下縮短綠燈時(shí)間，避免交通資源浪費(fèi)。

3 結(jié)論與未來研究

為了緩解交通擁堵，選擇進(jìn)行信號(hào)燈配時(shí)的微觀仿真優(yōu)化是一種省時(shí)省力省成本的解決方案。這種微觀交通仿真方法，可以真實(shí)還原路況，并解釋智能體對交通演化和隊(duì)列形成過程的影響，還可以系統(tǒng)地捕捉城市交通網(wǎng)絡(luò)和駕駛員地行為。由于AnyLogic是模塊化的，因此軟件中的模擬器可以輕松適應(yīng)駕駛員行為，并提供各種交通燈的控制策略。同時(shí)，在道路交通模型中，每輛車都代表著一個(gè)具有自身物理參數(shù)和行為模式的智能體。重點(diǎn)在于通過對信號(hào)燈配時(shí)設(shè)置的優(yōu)化管理來緩解交通壓力，提供的方法也可適用于不同情景的評(píng)估，案例中的路網(wǎng)在現(xiàn)實(shí)中十分普遍，包括私家車、公交汽車、公交站臺(tái)、并道處等在道路中都普遍存在,為真實(shí)地模擬交通流緩解交通擁堵提供了一種有效地方法， 幫助決策者進(jìn)行交通規(guī)劃設(shè)計(jì)。

為了將該優(yōu)化研究更加廣泛的應(yīng)用到其他路網(wǎng)中，未來的研究將集中在以下幾個(gè)方面。一是要考慮路網(wǎng)內(nèi)部的停車場對該路網(wǎng)交通的影響，使得仿真的交通情況更加接近真實(shí)情況。局限性在于忽視了路網(wǎng)內(nèi)部的停車場對該路網(wǎng)交通的影響，因此有必要在未來研究出該路網(wǎng)的停車場的車輛出入情況，將其納入考慮范圍。二是要考慮小型機(jī)動(dòng)車如摩托車對路網(wǎng)交通的影響，若是對允許摩托車通行的路網(wǎng)，也應(yīng)該將摩托車設(shè)置為智能體。三是研究GIS和數(shù)字地圖結(jié)合，采用實(shí)時(shí)數(shù)據(jù)，利用實(shí)時(shí)數(shù)據(jù)，準(zhǔn)確預(yù)測車流量，而不需要再去實(shí)地計(jì)量。值得一提的是，有些文獻(xiàn)研究也把行人流納入了混合流中，但是在沒有車輛和行人違背交通法規(guī)的情況下，行人流對車輛交通的影響并不大，所以可不予考慮。