智能车路协同环境下可变导向车道的智能控制方法

：本发明涉及交通领域内的可变导向车道控制方法，具体涉及智能车路协同环境下可变导向车道的智能控制方法。

背景技术

0、
背景技术：

1、随着城市化进程加速、机动车保有量增加以及道路空间逐渐固化，加剧道路拥堵、事故多发以及环境污染等问题，使传统交通运行模式难以满足人们对交通出行舒适度越来越高的要求。居住与就业空间关系的变化也使职住分离现象愈发明显，导致流向供需失衡问题突出。面对交通流向需求变化加剧与动态变化的交通情况，以信号配时调整为主的传统定时定路段控制技术已经无法缓解交叉口拥堵问题，无法及时疏散车流，导致可变导向车道的时空资源利用率低。智能车路协同技术可以为实时获取并处理可变导向车道控制所需数据方面提供技术支持，以达到优化车辆运行过程中驾驶行为的目的。因此本发明基于智能车路协同环境，结合车速诱导技术与信号配时协同优化，提出了可变导向车道的智能控制方法。

技术实现思路

0、
技术实现要素：

1、本发明目的：本发明提出一种智能车路协同环境下可变导向车道的控制方法。该方法从时间与空间两个维度考虑，构建了以绿灯利用率最大与车道空间占有率最小为目标的多目标规划模型，并引入了车速诱导策略及其信号协同控制方法。之后，利用带精英策略的非支配排序遗传算法与模糊推理系统组合求解该模型。根据配置优化模型，提出具体的智能控制方法与操作流程，可以得到车道分配方案与信号配时方案的最佳组合。

2、本发明技术方案：智能车路协同环境下可变导向车道的控制方法，具体包括以下步骤：

3、a)获取初始数据及方案：在智能车路协同环境下利用检测设备实时获取各种初始交通数据，如任意时段内各方向的车流量、车辆速度、车辆位置和车辆加速度等。读取交通信号控制机内的信号配时方案和可变信息指示牌内的可变导向车道转向功能信息，生成初始时空资源配置方案；

4、b)生成最优分配方案：根据各进口车道的初始时空资源分配情况，将数据信息导入时空资源分配模型，并利用带精英策略的非支配排序遗传算法与模糊推理系统组合求解得到帕累托最优解集，再对接近车流采取车速诱导策略及其信号协同控制方法，得到最优分配方案；

5、a)时空资源分配模型：模型以标准信号十字交叉口为例，能够与上游交叉路口保持足够的距离，为驾驶员提供足够时间完成驾驶行为的决策与执行，如图1所示。为保证智能车路协同环境下可变导向车道时空资源的合理分配，以绿灯利用率χ最大和车道空间占有率rs最小作为优化目标，具体的优化模型目标函数为：

6、

7、式中：nim为方向i转向m的进口车道数；sim为车道i转向m车道的设计饱和流量；γim为控制方向i流向m的车道数变化的二元变量，γim∈γ＝{-1,1}，当γim＝1时表示方向i流向m的车道数增加；当γim＝-1时表示方向i流向m的车道数减少；φim为控制方向i是否设置流向为m的可变导向车道的二元变量，φim∈φ＝{0,1}，当φim＝1时表示方向i设有车道功能为m可变导向车道；当φim＝0时表示方向i未设置可变导向车道；ge,im为方向i转向m的有效绿灯时间；limk为方向i转向m第k个行驶网联车辆占据车道的长度；li为通信区域内方向i的车道长度。

8、时空资源分配模型的约束条件从车道数量、交通流量和信号配时角度考虑，概述如下：

9、(1)车道数量约束：车道总数应等于进口车道的车道总数。直行、左转或右转车流占用的进口车道数量不应多于出发方向的出口车道数量。进口车道ni和出口车道ei需满足约束条件为：

10、

11、(2)交通流量约束：可变导向车道的设置条件是解决不同流向流量变化造成不同流向流量占比发生变化，而供给不能随之变化导致的供需失衡问题。当检测到不同流向车道内的流量差异时，就会控制可变导向车道切换功能。而且到达车流量不大于进口车道的设计通行能力。到达交通流量qim需满足约束条件为：

12、

13、式中：capim为方向i转向m的设计通行能力；cap'im为优化后的方向i转向m的设计通行能力。

14、(3)信号配时约束：在保证交叉口安全运行和行人过街顺畅的前提下，需要根据车道属性变化和不同时间间隔的高峰交通需求优化信号配时。

15、信号周期时间需满足约束条件为：

16、

17、各相位的有效绿灯时间需满足约束条件为：

18、

19、绿信比需满足约束条件为：

20、

21、式中：tc为最佳周期时间；tcmin为最小周期时间；tcmax为最大周期时间；i为总损失时间；yim为方向i转向m的临界流量比；gmin,im为方向i转向m的最小绿灯时间；λim为方向i转向m的绿信比；y为总临界流量比。

22、b)车速诱导策略：由于基于车路协同技术的可变导向车道最佳时空资源分配模型只是一种方法，需要改进车辆运行过程。当车辆进入车速诱导感知区域时，就会采用车速诱导策略。车辆从位置(t＝0)到达交叉口遇到的六种情况及采取车速诱导示意细节如图2所示。

23、(1)当t0≤tn<tg时，信号灯为绿灯，剩余时间足够车辆匀速通过。

24、(2)当t0≤tn<ty时，绿灯即将结束并变为黄灯。需确定车辆是否进入两难区，即满足条件(9)。若有，则执行下一情况。若无，则保持车速通过交叉路口。

25、

26、(3)当tg≤tn<tge时，信号灯为绿灯且剩余时间较短，到达车辆已经进入两难区，但无法以当前速度通过交叉口。若车辆进入车速诱导感知区域，可适当延长当前相位的绿灯时间，确保车辆能在延长绿灯时间tge内通过交叉路口。车辆到达停车线的时间tge为：

27、

28、式中：vn是车辆n的到达速度，单位为m/s；ln是到达车辆n与停车线之间的距离。

29、当进入车速诱导感知区域的车辆数量增加时，需确定延长绿灯时间的最大值。在达到最大绿灯时间之前，满足条件如下：

30、δtge＝max(δtge,1,δtge,2,...,δtge,k)；

31、最大延长绿灯信号时间δtg,max没有统一计算方法。根据道路的实际情况，在尽量减少交叉口车辆放行影响的前提下，将相位持续时间的25％作为推荐值，最大延长绿灯时间δtg,max为：

32、δtg,max＝25％tge；

33、(4)当tge≤tn<tr时，信号灯为绿灯并增至最大绿灯时间。在到达两难区前且不超过当前车道设计限速vlimit的情况下，可采用加速诱导策略，保证在红灯启亮前通过交叉口。若剩余绿灯时间小于3秒，则车辆无法通过。车辆n的到达速度vn满足条件为：

34、0＜vn≤vlimit；

35、(5)当tr≤tn时，信号灯为红灯，但剩余时间较短。为确保高效安全通过，可采取减速策略，使到达车辆在下一个周期的绿灯时间内无需停车即可通过。

36、(6)当tr≤tn时，信号灯为红灯且剩余时间较长，引导车辆减速至停止。

37、结合第4-6种情况下的车速诱导策略，可判断车辆是否加速、减速或停止。驶过交叉路口的诱导速度方程为：

38、

39、式中：vg,n为车辆n的诱导速度；td为驾驶员加速的反应时间；a+(vn)为车辆在速度诱导过程中所需的加速度，单位为m/s2。

40、c)信号协同控制方法：由于在车速诱导策略中使用tge时，其他非诱导相位的tr、累积车辆数和排队长度会增加。若这些相位仍按初始绿灯信号运行，则可能出现过饱和。为降低影响，使用交叉口饱和度约束非延时相位j。

41、交叉口饱和度指各车道实际交通量与该车道的理论通行能力之比，通常采用转向车道饱和度判定交叉口道路状态，具体判定情况如下：

42、表1交叉口转向车道交通状态判定

43、

44、从上表中可以看出，在饱和度xc大于0.9的情况下，转向车道将会堵塞，需执行当前交通状况下的临界绿灯时间tgc,j。由于周期时间的动态变化，饱和度xc和非延时相位j的临界绿灯时间tgc,j计算公式如下：

45、

46、

47、式中：trj为j相位的绿灯间隔时间；qj为过去5分钟内关键车道上j相位的平均流量，单位为veh/h；sj为关键车道上j相位的饱和流量，单位为veh/h。

48、d)模型求解方法：由于本发明的时空资源最优分配模型是一个多目标问题，所以采用了基于模糊推理系统和带精英策略的非支配排序遗传算法的组合方法求解最优解。具体分为以下两个步骤：

49、(1)采用模糊推理系统得到输出变量精确值：

50、11)车道数与有效绿灯时间或绿信比在不同交通需求下具有最佳平衡关系，基于优化目标选定情况，设计q-λ-χ和q-n-rs的多输入单输出模糊推理系统。输入和输出变量的模糊化情况如表2所示：

51、表2输入与输出变量的模糊化情况

52、

53、

54、12)在经过模糊化处理后，模糊推理以"if a and b and c,then,d and e"的语句形式表达，使用mamdani方法表示模糊规则，输出权重均设为1，共设置40条规则。χ和rs的模糊控制规则如表3和表4所示：

55、表3χ的模糊控制规则

56、

57、表4rs的模糊控制规则

58、

59、13)根据不同的模糊规则，处理并得到去模糊化后输出变量的精确值。

60、(2)在模糊推理系统的基础上，本研究选择带精英策略的非支配排序遗传算法作为多目标优化算法：

61、21)生成初始种群，并完成快速非支配排序；

62、22)针对初始种群执行多项遗传算法的操作流程，包括选择、交和突变等，生成子代种群。

63、23)将初始种群与子代种群合并，执行快速非支配排序与拥挤度计算操作，即精英保留策略。重复上述操作，直至迭代次数达到最大值，得到帕累托最优解集。

64、24)根据从模糊推理系统中所得目标值的适应度值和模糊关系，将帕累托解集与模糊集的目标适配值进行比较。若一个解的模糊适配值在帕累托解集中占优，而另一个解的模糊适配值不占优，则选择该解作为最优解。由于车道数与各车道的总通行能力最大值限制了绿信比，因此可获得一定范围内的可行解。

65、c)评估方案有效性：选取两个优化目标作为效益评价指标,根据优化前后的两套方案，评价优化目标的效益是否得到提升或降低。为了避免频繁切换车道转向功能，利用优化目标的评价效益值进行安全控制。当新方案的任一效益eb较原方案效益e0相比绝对差值不小于10％时，采用新方案；否则，将维持原方案；

66、d)实施优化方案：以效益评估结果是新方案为前提，将新的配置方案，包括切换车道功能、调整信号配时和相位等，保存至数据库并下发至路侧单元、车载单元、交通信号控制机和可变信息指示牌等，能够针对不同交通情况，实施有针对性的优化方案。

67、本发明实施优点：本发明提出的智能车路协同环境下具有可操作性的可变导向车道智能控制方法，通过给出最优解决方案，能够提升可变导向车道的选用概率，减少交叉口的车辆延误，从而解决流向供需失衡与可变导向车道利用率低等问题。为制定改善可变导向车道政策或优化交通环境提供方案支持，有助于建设城市智慧交通系统、挖掘道路交通潜力与提升可变导向车道运行效率。