单交叉口交通信号控制方法现状及其展望

科技信息

0.引言

随着我国城市化进程的不断加快，机动车保有量迅猛增长，进而使道路交通需求急剧增加。尽管近年来城市交通基础设施建设投资不断加大，但交通拥堵问题依然尖锐，不仅造成巨额的经济损失和环境质量恶化，发展严重甚至会导致城市功能的瘫痪。然而经济的不断发展势必促使机动车拥有量在一个长时间内仍会持续高速增加，仅仅依靠加强交通基础设施的建设，根本无法解决问题[1]。因此人们自然而然地把解决交通拥堵的目光投向时间这个要素，即利用信号配时的方法解决交通拥堵问题，而单交叉口作为城市交通网络中的重要组成部分，是城市交通拥挤的主要发生地，所以对单交叉口信号控制方法进行研究，对于改善城市道路交通拥堵状况、提高道路通行能力、减少交通事故具有十分重要的现实意义。

1.单交叉口控制的定义

单交叉口信号控制，是指对单一交叉口或干线、区域内的某交叉口单独进行信号控制的方式，主要参数是信号周期长度和绿信比。这种控制的特点是各单交叉口的信号配时彼此之间没有关联，各自独立调整和运行，从而使本单交叉口车辆的延误和停车次数等指标达到最小，同时又给车辆提供一个比较大的通行能力。

2.已有单交叉口交通信号控制方法简要分析

目前单交叉口交通信号控制方法很多，就发展历程和控制原理上划分，单交叉口交通信号控制可分为传统控制方法和智能控制方法，本文就两者的具体理论和方法做简要阐述。

2.1基于传统控制的单交叉口交通信号控制方法

2.1.1定时控制方法

定时控制是研究如何根据交叉口的道路条件及各路口到达车辆的流向和流量来确定信号的配时方案（如交叉口的相位顺序、数量、相位周期和绿信比等参数）。其评价指标一般有以下几个：通行能力、饱和度、行程时间、延误、停车次数，停车率及油耗等。信号配时原则是：在一定的道路条件下，应配以适当的周期时长，让通行能力稍高于交通需求而使延误、停车、油耗等指标最小。这样既可以保证车辆的畅通又能降低运行费用。普遍采用的是Webster方法，该方法以交通延误作为交通效益指标，以交通延误最小求解最佳周期时长，各相位绿信比由各相位的最大流量比按比例分配。

2.1.2感应控制方法

感应控制是通过车辆检测器测定到达进口道的交通需求，使信号显示时间适应测得的交通需求的一种控制方式。感应控制对车辆到达随机性大的交通情况适应性较好，可使车辆在停车线前尽可能少停车，以保证交通通畅。其基本思路是在一个预置的时间间隔内，若无后续车辆到达，则即可更换相位；如检测到有后续车辆到达，则每测得一辆车，绿灯延长一个预置的“单位绿灯延长时间”，只要在这个预置的时间间隔内，车辆中断就换相；连续有车，则绿灯连续延长，一直延长到一个预置的“极限延长时间”时，即使检测到后面仍有来车，也中断这个相位的通车权，转换到另一个相位。

2.2基于智能控制的单交叉口交通信号控制方法

虽然感应控制比定时控制更能适应交通流量的随机变化，但是感应控制的算法中只是考虑对当前通行相位时间的延长，而没有考虑其他相位的车辆排队情况。解决该问题的方法有两种：一是建立数学模型对交叉口各个方向的车辆到达作准确的预测，根据最优化理论确定各个方向的绿灯时间；二是采用智能控制的方法对交叉口进行控制。由于交通系统具有随机性、非线性、模糊性等特点，很难建立数学模型，同时针对交通系统模型所提出的算法十分复杂，控制效果不尽人意，实时性也较差[2]。近年来，随着计算机技术的迅速发展和智能控制理论的不断完善，将智能控制方法应用于交通系统控制得到了国内外学者广泛关注，下面就目前比较成型的智能控制方法做简要总结。

2.2.1模糊控制算法

Zadeh提出的模糊集理论对解决复杂过程中不确定性问题提供了一个很好的途径，它不需要知道被控对象的数学模型，对被控对象特性参数的变化具有较强的抑制能力。因交通控制具有较大的随机性和复杂性，同时长期的实践又积累了大量的人工控制经验，因而十分适合模糊控制方法的应用。自Pappis于1977年首先将模糊逻辑概念应用到城市交叉路口控制领域以来，城市交叉路口的交通控制就一直是模糊控制研究与应用的对象。

基于模糊逻辑的单交叉口控制的模糊规则和隶属度函数一般采用试探的方式确定。其研究思路基本上可以概括为如下的表达式[3]：E=f(S,C,P)

其中，f为模糊系统的映射关系，E为系统输出矢量，可以是绿信延长时间，相位差，信号周期长等控制信号。S、C均为系统输入矢量，其中S为交通状况判断参数，如排队长，交叉路口总的车流量，平均车速等等，C为系统设计中的其它控制参数，例如在多控制器中与其它控制器的接口参数。P为模糊系统的结构参数，例如模糊规则和模糊隶属度函数等。其控制过程可以描述为：根据检测到的各路段的车辆信息，将当前相位和下一相位的主队列车辆数作为模糊控制器的输入，经过模糊化、模糊推理和清晰化之后，以当前相位的绿灯延时作为模糊控制器的输出，从而实现当前相位交通信号灯的实时控制。

2.2.2神经网络控制

神经网络控制是研究和利用人脑的某些结构机理以及人的知识和经验对系统的控制方式。鉴于神经网络系统的智能性、鲁棒性较好，对非线性系统和难以建模的系统具有良好的映射功能和学习功能，能处理多维、非线性、强耦合和不确定的复杂系统的控制问题。因而神经网络控制比较适合难以建立准确数学模型的交通系统。

神经网络控制方法与模糊控制在同一时期出现在交通控制的研究领域。自从Hopfield将人工神经网络成功地应用于组合优化问题后，人们开始利用神经网络的自适应性、学习能力和大规模平行计算能力来进行交通控制的尝试，目前比较成功的神经网络控制模型大多是孤立路口的控制模型，其中主要体现在神经网络控制单独应用于系统的建模、学习和控制以及神经网络控制与其他控制方法相结合，例如，为了提高模糊控制精度，人工神经网络用于映射的模糊关系模糊推理或执行，来提高它的学习能力。

2.2.3进化算法控制

（1）遗传算法

遗传算法(Genetic Algorithm，简称GA)是模仿自然界生物进化机制发展起来的随机全局搜索优化方法，其本质是一种高效、并行、全局的、基于生物自然选择与遗传机理的随机搜索方法，遗传算法操作使用适者生存的原则，在潜在的解决方案种群中逐次产生一个近似最优的方案。对于单交叉口信号控制，可以运用遗传算法对控制变量（相位绿灯时间和周期时长）进行优化，能够有效降低车辆平均延误，在优化过程中具有更好的搜索能力，其良好的优化性能有助于优良配时方案的产生，同时也提高了交通分配模型的实用价值。

（2）蚁群算法

蚁群算法是根据蚂蚁有能力在没有任何可见提示下找出从其窝巢至食物源的最短路径，并能随环境的变化而变化，适应性地搜索新的路径，产生新的选择的原理而定义的一种新型的随机全局搜索算法，蚁群算法吸收了蚂蚁的行为特性,通过其内在的搜索机制，在一系列困难的组合优化问题求解中取得成效。研究表明交叉口信号配时优化问题的计算具有一定的随机性和并行性的特点，因此,将蚁群算法用于模型的求解应该是较为切实可行的。文献[5]采用蚁群算法中的精英蚂蚁寻优策略求解信号配时模型，以伪代码的形式设计了求解该问题的程序流程，最后通过实例验证了蚁群算法在求解交通信号配时问题中是有效的。

2.2.4基于Agent技术和强化学习的单路口交通流控制

Agent技术属于分布式人工智能领域，每个Agent都是具有完整功能、独立、高度智能化的个体，它掌握一定的知识，都有自己的目标和解

单交叉口交通信号控制方法现状及其展望

青岛科技大学数理学院刘祥鹏隋树林

［摘要］单交叉口交通信号控制作为城市交通控制的重要组成部分，本文系统分析了现有的各种单交叉口交通信号控制方法，总结了各种方法的优缺点，并对今后单交叉口交通信号智能控制方法研究的热点作了展望。

［关键词］单交叉口交通信号控制定时控制感应控制智能控制

作者简介：刘祥鹏（1987-），男，硕士研究生，研究方向为学习控制、智能交通等；隋树林（1958-），男，教授，研究方向为智能控制、深空探测与自主导航等。

—

—124