城市交叉口群交通动态协调控制方法

获取网络中的交通流向分布状态可以有效地获悉网络内不同路段的交通负荷，以此为基础对控制策略与信号配时方案进行优化能获得更好的控制效果。本书重点研究基于路径识别的交叉口群动态协调控制，因此首先需要掌握交通网络中的流量分布情况。一般借助检测系统获取交通流信息，采用特定的算法进行数据的挖掘，常用的流量分布估计方法有全样本统计法、OD估算法、浮动车扩展法与基于车流集聚特性的数据挖掘法。

全样本统计法要求获得路网内的所有车辆行驶轨迹信息，是对流向估计最精确的方法，但对数据的检测精度要求也最高。检测数据一般可通过人工车牌调查法［80］或视频检测法［81］等方法获得。传统人工调查需要花费大量的人力物力，尤其是拥堵时刻的调查，很难保证调查效率和准确度，且调查数据的输入也要花费相当多的时间，不能达到实时交通控制的需求。采用视频检测法主要通过应用小波、卡尔曼滤波等技术从高清晰度的视频里识别车辆或车牌［82～86］，采用虚拟线圈设置对车辆类别及运行方法进行自动识别［87］，从而记录每辆车的行驶轨迹。但与人工调查法的缺陷一样，难以提供实时的交通流量分布信息。

OD估算法假设每一条道路连接区域为虚拟小区，连接路段作为道路，利用交叉口观测交通量反推各虚拟小区的OD，最终得到网络中的车流分布情况。OD估算法大多基于最大熵/最小信息理论或网络均衡理论，在具体研究中，Hu(2008)对用于OD估计的车辆检测器布设策略进行了研究［88］，Mishalani及Dixon(2002，2005)等提出了利用流量数据及车辆识别信息对实时OD数据进行估计的方法［89～91］，Park(2008)采用基于蒙特卡罗法的马尔可夫链对应用于智能交通系统的OD数据进行了完善［92］。OD估算法一般是通过路段的观测量进行计算，需要对多个参数进行标定，效率较低;对交叉口信号控制参数优化而言，误差较大，难以满足精度要求。

基于浮动车信息的流量分布估计算法是局部取样算法，其根据样本浮动车的行驶轨迹来估计整个网络的交通负荷情况。浮动车交通数据采集方法有车载GPS［93］、蓝牙、手机等，因蓝牙和手机必须在使用中才能获取信号，其采样率反而不高，且采样对象较为单一，不适用于网络流量流向估计。因此，目前实际应用较广的数据采集方法为车载GPS，车载GPS收集浮动车的数据包括车辆运行的方向、地点、速度等，其数据可以直接得出浮动车的路径信息。(www.xing528.com)

基于车流集聚特性的数据挖掘法通过检测集计状态车流状态，用数学方法对比上下游车流参数的异同，以此推断车流的流向;也可用于交叉口群路径识别。Liu(2008)采用小波变换技术对交通流数据的集聚状态进行了分析，将其应用于高速公路匝道控制［94］;Dailey(1997)采用相关分析技术对交通检测数据进行研究，以此估计行驶时间［95］;Zhang等(2007)考虑到从孤立检测点采集到的数据难以直接应用于交通流状态或交通网络运行状态的分析，采用小波变换［96］、自组织映射［97］等方法对交通数据特征进行了挖据。上述研究思路均可借鉴于交通网络流向分布识别之中，但具体方法有待于深入研究。

此外，从已有的城市交通控制系统的控制算法来看，如TRANSYT系统、RHODES系统等，许多控制算法都内建或独立开发了交通流模拟模块，这些模块可以通过检测数据的校正为系统提供各类实时数据。在交叉口群的控制系统开发中，交通建模的思路也同样受到重视。同济大学林瑜(2006)对交通拥堵状态演化规律进行了探索，针对间断交通流阻塞的量化问题，提出了阻塞度的概念，并应用模糊推理方法建立了阻塞度的量化模型［98］。高云峰(2007)提出了以路段停车线处道路断面饱和度和路段排队空间内车流密度为依据的二维控制状态空间划分方法，对各控制状态的特性进行了详细的定性与定量分析［99］。东南大学过秀成、李岩(2011)等采用交通波动模型分析交叉口的最大排队长度和滞留排队长度，应用过饱和状态负面效应所造成的无效绿灯时间和总绿灯时间的比值定义过饱和系数识别交叉口群的过饱和状态［2］;并利用小波变换技术将上、下游交叉口的交通检测数据分解，提取高频信号，重构为反映短时变化特征的交通信号，通过系统聚类的方法识别信号控制交叉口群的关键路径走向［100］。同济大学沈峰(2008)在对信号控制交叉口群交通流特征分析的基础上，提出了使用CTM模型对交叉口群进行建模的思路，并应用时序Petri网对CTM模型进行改良;东南大学任敏(2010)通过引入元胞密度，提出了可变元胞长度的CTM模型，为饱和状态下交叉口群交通控制建模提供了理论依据［101］。