楊偉, 沈國棟, 龍光, 錢宇, 丁恒*

(1.安徽省交通規(guī)劃設計研究總院股份有限公司, 安徽 合肥 230088;2.合肥工業(yè)大學 汽車與交通工程學院, 安徽 合肥 230009)

0 引言

隨著社會經濟的發(fā)展,機動車數量的快速增長導致道路網絡負擔加重,提高交通系統(tǒng)運行效率顯得愈發(fā)重要。干線協(xié)調控制作為城市道路交通管理的一種重要方式,可通過整體協(xié)調干線上若干相鄰交叉口信號配時,提升道路整體的通行效率,降低總體延誤水平。干線協(xié)調控制的效果除了受到道路物理參數影響外,也受到通過干線的交通流的動態(tài)性的影響。準確并有效獲取干線道路的動態(tài)交通需求,根據需求調節(jié)信號配時顯得尤為必要。受限于傳統(tǒng)基于感應線圈或視頻的斷面檢測手段只能獲取車輛的到達數據,難以利用更精確的車輛軌跡數據實現干線信號的協(xié)調優(yōu)化。

干線協(xié)調優(yōu)化利用綠波交通來提高交通干線的通行能力,對于綠波帶寬的優(yōu)化可以有效提升城市干線的通行效率。文獻[1-3]中通過對傳統(tǒng)數解法和圖解法的改進,以修正綠波帶寬的計算方法對干線協(xié)調控制進行優(yōu)化。曾佳棋等[4]針對經典數解法不能確保得到最優(yōu)解的問題,提出新的改進數解算法,避免重復計算綠時損失,降低了計算量。除了綠波帶寬的優(yōu)化,王昊等[5]為提升臨界飽和狀態(tài)下干線車流通行效率,提出了一種基于沖擊波理論的干線雙向信號協(xié)調控制方法,構建了以干線雙向通過量最大化為優(yōu)化目標的模型。文獻[6-8]中對城市干線進行數學建模,通過采集相應交通數據及場景構建,以延誤時間等具體指標的優(yōu)化為目標,通過遺傳算法、粒子群算法等對其關鍵參數進行求解而形成的優(yōu)化方案,也十分有效。許多科研人員將成果運用于實際案例,推動傳統(tǒng)干線協(xié)調技術走向成熟,文獻[9-10]中分別針對蘭州市安寧區(qū)區(qū)域路網與青島市珠江路干線的交通狀況,論證了其理論可行性。

隨著衛(wèi)星定位及網聯(lián)通信技術的快速發(fā)展,利用網聯(lián)車動態(tài)信息可實時獲得車輛軌跡數據,使得通過準確實時的車輛軌跡數據優(yōu)化干線信號協(xié)調控制成為可能。考慮到實時數據的采集對于交通控制的重要作用,越來越多科研人員將實時車輛軌跡數據的分析融入交通控制應用中。Feng等[11]針對單點交叉口形成了2種控制框架,其一就是通過智能車輛的軌跡控制,構建一個以車輛延誤為目標函數的動態(tài)規(guī)劃模型。Tang等[12]將基于智能網聯(lián)車輛技術的大量高分辨率軌跡數據用于交叉路口交通量估計,克服了傳統(tǒng)模型驅動方法依賴到達分布和排隊規(guī)則的假設。文獻[13-15]中通過對車輛微觀角度軌跡數據的研究分析,提出了基于軌跡數據的交通參數獲取方法,對混合車流交通狀態(tài)、到達率等參數的獲取更加準確,為交通控制提供了可能。文獻[16-21]中通過對交通參數的建模,將微觀車輛軌跡的研究與交通控制相結合,形成車聯(lián)網環(huán)境下更加先進的交通控制方法。通過對車輛微觀行為數據的研究,交通控制準確度相比較傳統(tǒng)基于歷史統(tǒng)計數據的交通控制更加準確、高效,也成為今后發(fā)展的主流方向。

通過分析國內外學者對于傳統(tǒng)干線協(xié)調控制的研究不難發(fā)現,傳統(tǒng)利用斷面流量實現干線協(xié)調的相關技術研究已較為深入,但是利用更精細化的軌跡數據解決干線協(xié)調控制問題仍處于快速發(fā)展階段。雖然已有學者使用智能網聯(lián)技術解決干線協(xié)調控制問題[11-21],然而其全面普及仍需一定的時間。在當前人工駕駛交通環(huán)境下,安裝有終端定位設施的浮動車輛也越來越多,如何利用這些浮動車軌跡數據實現干線交通信號協(xié)調配時優(yōu)化是一項非常重要的現實問題,因此,本文考慮浮動車與其他普通車輛混合流的場景,探索干線道路交通流的到達預測及信號配時優(yōu)化,最后采用實際道路路網數據對本文方法與既有干線協(xié)調控制方法進行對比分析。

1 浮動車軌跡數據處理

浮動車數據包括車輛的位置數據與對應時刻、停車狀態(tài)等。將原始軌跡數據中存在的較長時刻間距內位移較小、相近時刻位移浮動異常、位置信息突變頻繁等錯誤數據剔除之后,根據軌跡數據獲取本研究所需的交通參數、自由流車速及預測到達率。

1.1 自由流車速確定

為了確定兩相鄰路口間路段的自由流車速,在網聯(lián)環(huán)境下,可通過采集大量浮動車輛位置數據,結合采集時間間隔估算出相應路段的平均行程時間,剔除經過停車的車輛后可得到相對準確的自由流車速。具體操作時,可對路口1、2之間時距圖進行分析,路段車輛軌跡時距圖如圖1所示,橫軸表示時間,縱軸表示距離,選取其中多組未停車的車輛軌跡,求取平均值,得到路段的平均行程時間,平均行程時間求取公式為

圖1 路段車輛軌跡時距圖Fig.1 Time distance map of vehicle trajectory in road section

(1)

式中:t為路段平均行程時間;ti為未停車通過2個路口車輛i的行程時間;m為車輛數。

在對浮動車軌跡數據進行處理時,若該車為未停車車輛,計算自由流車速時,通過車輛在路段內第一次與最后一次出現時間差與位置差可確定路段的自由流車速vf。

1.2 基于浮動車軌跡數據的車輛到達率預測

由于本文所提出的干線控制適用于混合車流運行的環(huán)境,未掌握全部的車輛運動軌跡信息。為了準確把握干線交通狀況,獲取交通流參數,本文需要預測網聯(lián)車輛與普通車輛混合行駛情況下的交通到達率。其基本思想是依據浮動車輛是否有停駛行為,判斷浮動車軌跡并預測整個交通流的到達信息[22]。

選取一個周期內最先通過交叉口的浮動車數據,記為浮動車1,選擇最后一個通過交叉口的浮動車數據記為浮動車2,混合交通量估計原理如圖2所示。圖2(a)中,浮動車1與浮動車2經過交叉口時均沒有停車行為,表明紅燈開啟后到浮動車1到達交叉口時其前方隊列消散,不足以影響浮動車1的行駛,因此可以根據浮動車1的到達時間計算出前方可能產生排隊的車輛數上界,通過浮動車2與浮動車1之間的軌跡計算期間到達車輛數上界,得到車輛到達率。圖2(b)中,浮動車1通過交叉口時有停車行為,而浮動車2沒有停車,根據浮動車1的停車位置或出發(fā)時間,可以計算在它前面排隊的車輛數。根據浮動車2的軌跡計算出浮動車1和浮動車2之間可能到達的車輛數上界。結合這些車輛軌跡的信息,可以估算車輛到達的總體數量。圖2(c)中浮動車1與圖2(b)中行為一致,而浮動車2也發(fā)生了停車行為,因此可以根據浮動車2停車位置與出發(fā)時間計算前方隊列車輛總數,而在浮動車2之后到達的車輛可以根據浮動車2出發(fā)時剩余綠燈時間進行估計。

(a) 車輛到達情景1

(b) 車輛到達情景2

(c) 車輛到達情景3圖2 混合交通量估計原理Fig.2 Principle diagram of hybrid traffic estimation

利用最大期望(maximum expectation, EM)算法估計式中的車輛到達率P,將其表示為

(2)

式中,若pi=1,pi-1=±1,則紅燈啟動后浮動車1產生停車現象后,觀測到浮動車2發(fā)生停車;若pi=2,pi-1=±1,則表示紅燈啟動后觀測到的浮動車通過交叉口未停車;ny,i表示[tf,i-1,tf,i]之內車輛的離開次數,下標z表示不發(fā)生停車的浮動車輛;nz,i表示紅燈啟動后不停車通過交叉口的輛數;py,i表示[tf1,i-1,tf,i]時間內浮動車的離開次數;Pz,i表示紅燈啟動后不停車通過交叉口的浮動車輛數。

將車流到達看作是一個與時間相關的泊松分布,考慮浮動車軌跡在實際進口道的2種不同運行狀態(tài),可計算出車輛到達率的估計值。

2 基于軌跡數據的干線協(xié)調控制模型

2.1 干線協(xié)調環(huán)境及基本參數確定

干線協(xié)調優(yōu)化的基本原理是通過調整相鄰交叉口之間綠燈啟動時間的時間差,即相位差,來實現綠波交通,處于綠波之間的車輛可連續(xù)不斷地通過干線多個交叉口。本文提出的基于車輛軌跡數據的干線優(yōu)化模型,是以減少車輛平均延誤為目的。為了方便對模型進行描述,在建立控制模型時,假設以下條件成立:

① 交通流為欠飽和狀態(tài),每次綠燈時間結束前,排隊狀況均能夠清空。

② 將黃燈時間劃入綠燈時間之中。

③ 保持每個信號交叉口控制相位相序均不變。

④ 每個交叉口協(xié)調相位的總延誤均可用韋伯斯特延誤模型表示。

因為干線各交叉口非關鍵相位車流量仍然會對干線協(xié)調的效果造成影響,所以在形成各交叉口信號配時時,需要考慮到非關鍵相位車流量的影響[23]。通過上述車輛到達率預測可較為準確地獲取交叉口各方向的交通到達率,基于此可對干線各交叉口的基本參數進行確定,具體如下。

① 關鍵交叉口協(xié)調相位有效綠燈時間。

關鍵交叉口協(xié)調相位有效綠燈時間可以表示為

(3)

式中:tge,I是指關鍵交叉口協(xié)調相位有效綠燈時間;C表示協(xié)調交叉口公共周期時長;Ls表示關鍵交叉口總損失時間,其中包括黃燈時間和相位的綠燈損失時間;yI表示關鍵交叉口主干道流量比最大值;YI表示關鍵交叉口最大流量比之和。

② 非關鍵交叉口各相位有效綠燈時間。

非關鍵交叉口非協(xié)調相位最小有效綠燈時間可以表示為

(4)

式中:tr,n表示非協(xié)調相位最小有效綠燈時間;Sn表示交叉口i的第n個非協(xié)調相位的關鍵車道飽和流量;qn表示交叉口i的第n個非協(xié)調相位的關鍵車道到達流量;xq表示交叉口進口道飽和度。

因為關鍵交叉口的協(xié)調相位最小有效綠燈時間相較于非關鍵交叉口協(xié)調相位的有效綠燈時間短,所以為了形成最大綠波帶,通常在非協(xié)調相位的綠燈時間確定后,把余下的有效綠燈時間均分配給協(xié)調相位,得到

(5)

式中:tge,i為第i個交叉口的協(xié)調相位綠燈時間;L為啟動損失時間;N為該交叉口相位總數。

2.2 基于軌跡數據的干線協(xié)調控制模型

2.2.1 干線道路下行方向飽和度模型

城市干線中運行的車輛通常在進入協(xié)調優(yōu)化范圍之前,會在上游交叉口停車線處形成車隊,并以車隊形式進入城市干線。在2.1節(jié)所假設交通環(huán)境及通過2.2節(jié)確定的干線協(xié)調控制基本參數下,考慮干線行駛車隊頭車到達交叉口時會遇到以下4種情形:

① 第一輛車到達下一交叉口時遇見紅燈,紅燈剩余時間為tsrs,前方無排隊車輛。

② 第一輛車到達下一交叉口時遇見紅燈,紅燈剩余時間為tsrs,前方有排隊車隊長度為lrw。

③ 第一輛車到達下一交叉口時遇見綠燈,綠燈剩余時間為tsgs,前方無排隊車輛。

④ 第一輛車到達下一交叉口時遇見綠燈,綠燈剩余時間為tsgs,前方有排隊車隊長度為lgw。

以上情形分別如圖3(a)、圖4(a)、圖5(a)、圖6(a)所示,基于此4種情形建立模型。

(a) 首車到達場景示意圖

(b) 優(yōu)化后的場景圖3 情形1車輛運動軌跡示意圖Fig.3 Schematic diagram of the vehicle trajectory of scenario 1

(a) 首車到達場景示意圖

(b) 優(yōu)化后的場景圖4 情形2車輛運動軌跡示意圖Fig.4 Schematic diagram of the vehicle trajectory of scenario 2

(a) 首車到達場景示意圖

(b) 優(yōu)化后的場景圖5 情形3車輛運動軌跡示意圖Fig.5 Schematic diagram of the vehicle trajectory of scenario 3

(a) 首車到達場景示意圖

(b) 優(yōu)化后的場景圖6 情形4車輛運動軌跡示意圖Fig.6 Schematic diagram of the vehicle trajectory of scenario 4

情形1:

因為第一輛車輛到達時,前方顯示為紅燈,考慮最近可優(yōu)化時間,此時可將綠燈開啟時刻前移Oz,up個單位,所以可將前移后的進口道飽和度表示為

(6)

式中:tc是原計劃綠燈開始時刻;qi,up為上行車隊到達率;si是第i個交叉口進口道飽和流率;tge,i是協(xié)調相位有效綠燈時間。

軌跡優(yōu)化后的圖形如圖3(b)所示。此時,由于綠燈提前開啟,進口道積累的排隊車輛提前進行釋放,因此增加了進口道周期內的飽和度。

情形2:

此時將相位差前移Oz,up個單位,因此可將前移后的進口道飽和度表示為

(7)

式中:ts為隊伍消散時間。

軌跡優(yōu)化后的圖形如圖4(b)所示。

情形3:

由于此時停車線前排隊長度為0,同時為保證車隊車輛全部順利通過,因此可將相位差后移Oz,up個單位,后移后的進口道飽和度表示為

(8)

軌跡優(yōu)化后的圖形如圖5(b)所示。

情形4:

此時將相位差前移Oz,up個單位,因此可將前移后的進口道飽和度表示為

(9)

軌跡優(yōu)化后的圖形如圖6(b)所示。

綜合以上4種情形,協(xié)調交叉口i進口道飽和度計算公式表示為

(10)

2.2.2 干線道路上行方向飽和度模型

根據Oz,up+Oz,down=C得Oz,down=C-Oz,up,與情形1—4中推導公式相似,區(qū)別在于此處將下行方向車輛軌跡數據換成上行方向軌跡數據,同時將Oz,down=C-Oz,up代入上述4個公式中。

情形1中考慮上行相位差與下行相位差之間的關系以及前方交叉口配時參數,將飽和度表示為

(11)

式中qi,down表示下行車隊到達率。

情形2中的進口道飽和度可表示為

(12)

情形3中的進口道飽和度可表示為

(13)

情形4中的進口道飽和度可表示為

(14)

2.2.3 干線協(xié)調控制目標函數

在車輛分布已知情況下,以韋伯斯特延誤模型[22]為基礎構建的總延誤模型為

(15)

式中:λ為交叉口協(xié)調相位的綠信比;x為交叉口進口道飽和度。

引入變量α、β、χ、δ,當情形1成立時,α=1,反之α=0;當情形2成立時,β=1,反之β=0;當情形3成立時,χ=1,反之χ=0;當情形4成立時,δ=1,反之δ=0。

綜上,第i個交叉口的下行方向車輛延誤公式可以表示為

Di,x=αDi,1+βDi,2+χDi,3+δDi,4,

(16)

在此基礎上得到干線上第i個交叉口車輛的總延誤公式為

Di=Di,x+Di,s,

(17)

式中Di,s表示第i個交叉口上行方向車輛延誤。

以干線道路所有交叉口總延誤最短為優(yōu)化目標,目標函數為

(18)

s.t. 0≤Oz,up≤C,

式中R表示干線交叉口數量。

2.3 干線協(xié)調控制參數求解

干線協(xié)調的信號周期利用估計的車輛到達率采用傳統(tǒng)配時方法較易獲得,協(xié)調配時優(yōu)化的關鍵參數實際上是干線道路協(xié)同方向的相位差。本模型選取遺傳算法作為求解算法,以式(18)延誤模型為適應度函數,各路口干線協(xié)調相位差作為自變量。通過對自變量的編碼迭代,計算干線協(xié)調的最優(yōu)相位差,并應用到模型之中。該方法準確高效,相比較同類算法不易陷入局部最優(yōu)解。具體求解流程如圖7所示,步驟如下。

圖7 算法流程Fig.7 Algorithm flow chart

步驟1設置群體大小為M,交叉概率為Pc,變異概率為Pm,將相位差的可變化值Oz,up在范圍[0,C]內等間距分成M份,并轉化為二進制數作為位串,全部位串組成種群。

步驟2將公式(18)作為適應度函數,將轉化為二進制后的Oz,up作為個體,計算D即干線交叉口總延誤,D越小則適應程度越高。

步驟3對種群中不同的Oz,up值按照適應程度進行篩選,優(yōu)選出個體按照步驟1中交叉概率Pc和變異概率Pm進行位串交換組合等操作。

步驟4若種群通過交換組合新產生個體適應度函數收斂,則繼續(xù)步驟5,否則跳至步驟6。

步驟5對位串中某一位二進制數進行隨機轉化,防止優(yōu)化過程中陷入局部最優(yōu)解。

步驟6產生新一代種群。

步驟7計算適應度函數是否滿足,若滿足則跳至步驟8,否則跳至步驟2。

步驟8解碼輸出。

3 實例分析

3.1 現狀配時及交叉口關聯(lián)度分析

以合肥市黃山路(香樟大道至科學大道)段為例,交叉口分布如圖8所示。路段包含黃山路-香樟大道、黃山路-天柱路、黃山路-科學大道3個交叉口?！睹绹煌刂剖謨浴分刑峁┑慕徊婵陉P聯(lián)度計算模型[23]為

圖8 黃山路干線各交叉口分布示意圖Fig.8 Diagram of the distribution of each intersection of Huangshan Road mainline

(19)

式中:I為交叉口群間的關聯(lián)度;w為上游交叉口車輛駛入路段分支數;t為路段行程時間,min;qmax為上游交叉口主線直行最大流量;qi表示第i個交叉口主線直行流量?？梢郧蟮命S山路段(香樟大道至科學大道)西至東方向兩相鄰交叉口之間的關聯(lián)度分別為0.699、0.564,東至西方向兩相鄰交叉口之間關聯(lián)度分別為0.631、0.532,均大于0.5,因此該3個交叉口可以采取協(xié)調控制。

本文所獲取數據當天干線各主要交叉口配時方案如下。在處理現有配時方案時,為了便于分析,將原相位重新分類,只保留協(xié)調相位和非協(xié)調相位形式。由于研究方向自西向東,因此將04:30—07:15、09:00—16:30、19:00—22:00時段內,黃山路-香樟大道路口西直左相位作為協(xié)調相位。具體配時方案見表1,其中表中數據為“[綠燈時長,紅燈時長]”。

表1 黃山路干線主要路口測試時段原配時方案Tab.1 Original timing scheme for test periods at the main intersections of the Huangshan Road arterial

3.2 合肥黃山路干道與車輛軌跡數據分析

采取上文提到的時距圖分析方法對黃山路干線浮動車軌跡進行提取,黃山路干線在選取的各時間段內車輛軌跡的時距圖(由于車道未處于封閉狀態(tài),中途有車輛離開干線檢測范圍,同時也有外部車輛臨時加入,因此部分車輛軌跡只有局部被檢測)如圖9所示。圖9中顯示了車輛從黃山路-玉蘭大道交叉口經過黃山路-香樟大道交叉口、黃山路-天柱路交叉口、黃山路-科學大道交叉口之間的線路,經干線信號控制,在時距圖中產生多條與時間軸接近平行的線,即交叉口處產生停車。圖9中交叉口1為黃山路-香樟大道交叉口;交叉口2為黃山路-天柱路交叉口;交叉口3為黃山路-科學大道交叉口。

圖9 各時段黃山路干線浮動車軌跡時距圖Fig.9 Time distance map of floating vehicle trajectory of Huangshan Road mainline for each time period

通過時距圖軌跡的積累,可以求得各時段黃山路干線各路段行程時間、停止車輛數、停止車輛時間等交通參數,結合第2節(jié)所述到達率估計方法,估計各交叉口相應時段各進口道之間的估計到達率見表2至表5。其中,黃山路與天柱路交叉口是一個T形交叉口,因此在信號配時時,僅考慮從西向東行駛時,由西進口道產生的左轉交通流,按一定比例選取數值。另外,因右轉為常綠狀態(tài),故在對交通量信息采集時,同時結合上文所述各交叉口進口道信息,不對各交叉口右轉車輛進行計算。

表2 黃山路干線主要路口自西向東方向測試時段估計到達率Tab.2 Estimated arrival rate of the main intersection of Huangshan Road arterial from west to east direction during the test period veh/s

表3 黃山路干線主要路口從東向西方向測試時段估計到達率Tab.3 Estimated arrival rates at the main intersections of the Huangshan Road arterial from east to west during the test period veh/s

表4 黃山路干線主要路口從北向南方向測試時段估計到達率Tab.4 Estimated arrival rate at the main intersection of Huangshan Road arterial from north to south direction during the test period veh/s

表5 黃山路干線主要路口從南向北方向測試時段估計到達率Tab.5 Estimated arrival rates at the main intersections of the Huangshan Road arterial from south to north during the test period veh/s

考慮每個路口有一定車流駛離黃山路干線,為了確保數據盡可能準確,對交通量進行估計的時候分路段進行估計。在獲得估計的平均到達率后,依據泊松分布形成道路上車輛到達的空間分布,并通過第2節(jié)所示方法進行干線協(xié)調控制參數的確定。計算得到的配時方案見表6。

表6 黃山路干線主要路口測試時段配時方案Tab.6 Timing scheme for test periods at major intersections on the Huangshan Road arterial

考慮行人過街時間,故每個交叉口周期時長需小于180 s?；诖诉M行優(yōu)化相位差的計算。

3.3 仿真分析

本文通過對比無干線協(xié)調控制方案、傳統(tǒng)圖解法優(yōu)化方案以及基于軌跡數據的干線協(xié)調優(yōu)化方案,提取1 d內6個不同時段的軌跡數據,對干線內的車輛平均延誤進行計算,得到的平均延誤見表7,其中的方法1、2和3分別代表的是無干線協(xié)調控制、傳統(tǒng)圖解法控制以及基于軌跡數據優(yōu)化控制的平均延誤與總能耗對比(本文中所使用的能耗表示的是燃油車的耗油量),對比無干線協(xié)調控制方案,傳統(tǒng)圖解法和基于干線軌跡數據的優(yōu)化方案的平均延誤均有較大程度的縮短,此外,基于軌跡數據的優(yōu)化方案在傳統(tǒng)圖解法的基礎上有較為明顯的優(yōu)化效果。

表7 相位差優(yōu)化與前后平均延誤結果Tab.7 Phase difference optimization and average delay results before and after

優(yōu)化前后黃山路干線總平均延誤對比如圖10所示。由圖10可知,本文所研究的黃山路干線中3個交叉口無干線協(xié)調控制時的平均延誤總體上長于傳統(tǒng)圖解法和基于軌跡數據的干線協(xié)調優(yōu)化方法優(yōu)化后的平均延誤,而基于軌跡數據的干線協(xié)調優(yōu)化方法所產生的平均延誤總體上短于傳統(tǒng)圖解法所產生的平均延誤,優(yōu)化效果在平峰時更為顯著,在03:30—04:00時段基于軌跡數據的干線協(xié)調方案產生的平均延誤較無干線協(xié)調時更是縮短了53.2%,結果證明本文提出的優(yōu)化方案十分有效。

圖10 優(yōu)化前后黃山路干線總平均延誤對比Fig.10 Comparison of the total average delay of Huangshan Road trunk line before and after optimization

干線道路內車輛運行的能耗大小是評價模型優(yōu)化效果的重要指標,本文選取30 min內黃山路干線車輛運行的總能耗為評價優(yōu)化效果的指標,結合上文所選各時段的交通數據,根據參考文獻[24]中所描述能耗計算方法對模型進行評價。

仿真按照表2至表5,選擇其中午高峰時段(選取11:30—12:00時段)以及平峰時段(選取15:30～16:00時段)的到達率以及配時信息展開,總仿真時長為30 min,以周期為單位對干線范圍內的總車輛能耗進行計算。結果表明,仿真周期經過12周期時,高峰期11:30—12:00時段無協(xié)調控制的干線內總車輛能耗為2 464.8 L,通過傳統(tǒng)圖解法優(yōu)化后的總能耗為1 636.9 L,通過本文所述基于軌跡數據干線相位差優(yōu)化方法優(yōu)化后的總車輛能耗為1 636.5 L。相較于無協(xié)調控制,本文所述基于軌跡數據干線相位差優(yōu)化方法能耗降低了33.6%。與傳統(tǒng)圖解法干線協(xié)調控制相比,本文提出的方法總能耗降低了0.02%。結果表明,在高峰時期本文所提出的優(yōu)化方法對交通能耗的降低效果不明顯。平峰期15:30—16:00時段無協(xié)調控制的干線內總車輛能耗為2 657.1 L,通過傳統(tǒng)圖解法優(yōu)化后的總能耗為2 119.3 L,通過本文基于軌跡數據干線相位差優(yōu)化方法優(yōu)化后的總車輛能耗為2 024.4 L,本文所提出的方法較無協(xié)調控制時的總車輛能耗降低23.8%,比傳統(tǒng)圖解法優(yōu)化總車輛能耗降低4.5%。仿真時間內干線總車輛能耗變化如圖11所示,仿真所得的相位差優(yōu)化前后干線總能耗結果見表8。

(a) 高峰時段

(b) 平峰時段圖11 三種配時方案下黃山路干線總交通能耗Fig.11 Total traffic energy consumption of Huangshan Road trunk line under three timing schemes

表8 相位差優(yōu)化前后干線總能耗結果Tab.8 Total energy consumption results of trunk line before and after phase difference optimization

4 結論

本文中基于車輛軌跡數據建立的干線協(xié)調控制相位差優(yōu)化模型,對干線上各交叉口信號參數實時更新,可在較短時段內對相位差更新優(yōu)化,提高了干線交通的通行能力,縮短了車輛的平均延誤,減少了總能耗。研究結果表明:

① 基于軌跡數據建立的干線協(xié)調控制優(yōu)化模型,可較好地把握城市干線道路的基本交通狀態(tài),更加方便、準確地獲取交通參數,以供信號協(xié)調優(yōu)化。

② 本文中提出的干線協(xié)調優(yōu)化模型對非高峰時段的優(yōu)化效果比高峰時段更好。

③ 本文中提出的基于軌跡數據的干線協(xié)調控制模型可有效縮短車輛交通干線中行駛所產生的延誤,同時可有效減少干線中的車輛總能耗。

本文中對城市干線協(xié)調控制優(yōu)化方法進行了分析,在實際路網中,非機動車和行人影響較大,本文在處理交通量時,未考慮行人及非機動車的影響,下一步研究將著重于行人及非機動車對車流影響模型。同時,本文中提出的干線協(xié)調優(yōu)化模型是以車輛總延誤為優(yōu)化指標,由于可反映運行效率的指標眾多,包括交叉口服務水平、最佳飽和度、停車次數等,如何建立更加準確的多指標目標函數控制模型,也值得進一步研究。