基于多源数据的干线协调控制策略

蔡 茜，臧照奇，周 围，周清雅

（同济大学 交通运输工程学院，上海 201804）

基于多源数据的干线协调控制策略

蔡 茜，臧照奇，周 围，周清雅

（同济大学 交通运输工程学院，上海 201804）

为针对不同的交通流状态选取合适的干线协调控制策略，基于线圈、视频、微波获取的多源实时交通数据，利用车队离散模型和卡尔曼滤波模型获取各转向流量，采用HCM（Highway Capacity Manual）公式计算排队长度和延误，并根据干道交叉口排队长度界定干线交通流状态：欠饱和、接近饱和、过饱和，从而选择相应的干线协调控制策略：在欠饱和状态下采用最大绿波带法，在接近饱和状态下采用改进的多带宽协调模型，在过饱和状态下采用排队占比最小模型。以青岛市香港中路为例，通过VISSIM仿真软件对算法和策略进行仿真测试和评价，结果表明：不同交通状态下的干线协调策略与原始控制方案相比，平均延误减少了19.4%，平均停车次数减少了22.8%，平均排队长度减少了7.4%。

多源数据；车队离散模型；卡尔曼滤波；干线协调；平均排队占比最小

0 引言

城市干道作为城市道路网的骨架，是城市交通的主要承担者，在城市道路网络中发挥着至关重要的作用，其运行效率与城市交通的整体运行效率密切相关，而城市干线协调控制策略的好坏则对城市干道运行效率的高低起决定性作用。

目前学术界对于干线协调控制策略的研究集中在3个方面：①准确获取城市干道交通流数据；②界定城市干道交通流状态；③探讨不同交通流状态下的控制策略。对于如何准确获取城市干道交通流数据这一问题，Li Baibing等人通过建立适用于处理多源数据（包括来源于线圈、微波、雷达、视频等的数据）的卡尔曼滤波模型，较为准确地获取城市干道交叉口各转向的流量[1-2]。对于干线交通流状态的研究主要集中在对过饱和状态的判别方面，其中以HCM2010为代表，将到达率超过通行能力的状态定义为过饱和状态[3]；Longley等人认为是否存在排队溢出是交叉口处于过饱和状态的关键判别指标[4-6]。目前研究中涉及的干线信号控制策略主要有2类，一种是基于延误最小的控制策略，如TRANSYT-7F、SIGOPⅢ等方法[7-8]，适用于饱和状态；另一种是基于最大绿波带宽的控制策略，如MAXBAND和MULTIBAND模型[9-10]，适用于欠饱和状态。

综上，以往的研究中缺乏对3种交通流状态的准确界定和针对3种交通流状态的干线协调控制策略的综合研究，大多的研究集中在某一种交通流状态和该交通流状态下的控制策略，而城市干道的交通流并非一成不变的，一般会在欠饱和、接近饱和、过饱和3种状态间相互转变[11-13]。因此本文的研究侧重点为准确界定出城市干道交通流的不同状态，并提出不同交通流状态下的干线协调策略，希望能够为城市交通干道交通流判别和城市干道不同交通流状态下的干线协调控制策略提供理论依据。

1 问题描述及模型建立

1.1 城市干道交叉口转向交通流数据的获取

城市干道检测器布置位置如图1所示，通常情况下，城市主干道的定点检测器（如微波或线圈）位于路段中间，交叉口处则设置有视频检测器。对于线圈或微波检测器，由于布置位置处于路段中间，距离交叉口有一定距离，所以其获取的交通流数据无法准确代表交叉口处的交通流数据。对于视频检测器，虽然能通过提取视频检测器数据来获取准确的交通流量和相应参数，但此工作量巨大，耗时较长，无法满足实时信号控制的要求。本文根据路段检测器数据和交叉口处视频数据，采用车队离散模型和卡尔曼滤波模型得到交叉口处各转向流量，数据融合的具体步骤为：①通过提取路段检测器数据获取路段流量；②通过车队离散模型推算出交叉口处的交通流量；③每隔一段时间，利用视频获取的真实数据对车队离散模型中的车流离散系数进行修正。具体融合过程如图2所示。

图1 城市干道检测器布置示意图

图2 数据融合过程

1.1.1 车队离散模型：罗伯逊几何分布

首先通过路段中间检测器获取检测器所在位置的车辆通过率，然后通过车队罗伯逊几何分布计算交叉口处的车辆到达率，并用视频数据修正。计算公式为：

1.1.2 OD反推：卡尔曼滤波状态空间模型

根据获取的交叉口交通流量，利用OD反推技术获取各转向交通流量。通过建立卡尔曼滤波模型，获取各进口道的转向比，同时利用视频数据进行修正。其关键方程如下：

根据转向比bij求出下一阶段交叉口各进口道的转向流量：

式（2）～式（4）中：w(k)为过程方差；e(k)为观测方差；qi(k)为时段k自进口道i流入交叉口的流量，i=1,2,3,4；yj(k)为时段k自出口道j流出交叉口的流量，j=1,2,3,4；bij(k)为时段k的划分参数，即qi(k)中自出口道j流出yj(k)所占的比例，bij(k)≥0。

Y(k)=[y1(k),y2(k),y3(k),y4(k)]T，即时刻k自出口道j流出交叉口的流量矩阵；Q(k)=[q1(k),q2(k),q3(k),q4(k)]T，即时刻k自进口道i流入交叉口的流量矩阵；b(k)=[b11(k),b12(k),…,b14(k),b21(k),…,b44(k)]T，即时刻k的转向比矩阵。

1.2 干线交通流判别方法

1.2.1 干线交通流状态分类

干线交通流状态的区分是所有干线协调控制策略的依据，本文引入了蓄车空间的概念，即交叉口进口道右转拓宽空间或进口道停车线至右转专用道分岔口的空间，根据干线各交叉口车辆在进口道的排队长度，将交通状态分为三类：欠饱和状态、接近饱和状态、过饱和状态。

当所有交叉口进口道的排队长度小于蓄车空间时，干线交通状态为欠饱和状态。当出现某一交叉口进口道排队长度介于蓄车空间与路段长度间时，干线交通状态为接近饱和状态。当干线交叉口群内存在2个及以上交叉口排队长度介于蓄车空间与路段长度间或存在交叉口排队长度超过路段长时，干线交通状态为过饱和状态。

1.2.2 交叉口排队长度和延误的计算

本文采用美国公路通行能力手册（HCM）中的方法估算排队长度和延误。其把信号交叉口平均排队长度Q分为2部分，一部分是由均匀到达的车流产生的，另一部分是由于交通流的随机扰动产生的，故Q的计算公式为：

第一部分排队长度Q1，其值可由下式得到：

式中：PF2为连续车流影响的调整因子；vL为车道组每车道流量（veh/h），XL为流量与通行能力的比（vL/cL）；C为信号周期时长（s）；g为有效绿灯时间（s）。

第二部分排队长度Q2是一个增量项，与到达流率的随机性和由于短暂崩溃造成的排队溢出相关，这种情况在交通需求小于通行能力时也可能出现。

式中：T为分析时段长度（h），一般取0.25h；cL为平均每条车道的通行能力（veh/h）；kB为第二部分与提前到达相关的调整系数；QbL为分析时段初平均每车道初始排队长度（veh）。

对于信号周期时长为C，有效绿灯时间为g，到达流率为q的情况，交叉口延误计算公式为：

式中：n为车道组数目；λi为车道组i的有效绿信比；xi为车道组i的饱和度；qi为车道组i的到达率（pcu/h）；ci为车道组i的通行能力（pcu/h）。

1.3 干线协调控制策略

在欠饱和状态下，最常采用的干线最优控制方法是最大绿波带法。本文直接采用经典的多带宽干线协调模型，目标为绿波带最宽。

在饱和状态下，只有单个交叉口排队较长，此时信号控制的目标主要是保证该路段的排队在下一周期可以尽快消散并且保证主线的车流有完整的绿波带，从而使得该路段的排队车辆到下一路口后不会产生继续排队，避免再次形成接近饱和状态。因此，对原始的多带宽干线协调模型略做改变，目标函数仍是绿波带最宽，增加约束条件，保证有饱和趋势的路段排队可以在下一信号周期消散，不会产生二次排队。

式中：i为有拥堵趋势的交叉口；为上行（下行）总排队消散时间（s）；为时间内到达车流全部通过交叉口所需要的时间（s）。

在过饱和状态下，干道的交通状况整体较差，交通信号控制的效用将不断减弱，通行效率严重下降，如果不及时采取有效措施，交叉口排队会上溯到上游交叉口，甚至波及区域范围内的交通，直至路网整体锁死，严重影响到整体路网的通行情况。此时需要调整控制策略，尽量避免过饱和状态的产生。针对这一问题，在强调优化交叉口每个相位排队长度的同时，考虑排队长度占路段长度的比例，尽量使得各交叉口的排队均匀分布在各个路段，避免出现某几个交叉口车辆排队特别集中的情况，更加符合对交叉口信号参数优化的要求。模型目标是各交叉口排队占比最小：

2 实证研究与仿真评价

本文数据主要由香港中路（山东路—福州路）的固定线圈、微波检测器和视频探测器所采集。数据采集时段为2014年11月3日6：50—8：59。固定检测器具体布设方式见图3。

图3 香港中路检测器布设图

2.1 转向交通流和排队长度

2.1.1 交叉口流量

通过提取线圈数据和人工计数（视频）获得研究路段中间段和交叉口处的真实交通流数据，再用车队离散模型计算交叉口流量，期间不断用视频数据修正车队离散模型的车流离散系数。图4为视频流量、校正流量对比示例，实验表明误差小于5%。

2.1.2 交叉口流量转向比

以香港中路—山东路交叉口为研究对象，各进出口道编号如图5所示。将2014年11月3日6：50— 8：55的早高峰数据分为25组（每5min为一组），通过之前获取的进口道交通流量，反推相应时段各进出口道的转向比，选取各时段转向比反推值与真实值的均方差（Root Mean Square Error，简称RMS）作为评价指标，均方差越小，表示反推值越准确。RMS计算公式如下：

式中：brij为真实值（视频提取）；bij为反推值；n为时段组数。

图4 视频流量、校正流量对比示例

图5 香港中路—山东路交叉口

选取b13来考察转向比反推的精确度，结果见图6。其中，RMS的计算结果为0.041 9，实验表明，反推误差较小，能够满足实际应用需求的精度。

图6 转向比反推结果

2.1.3 交叉口排队长度

针对各进口道，根据获取的转向交通流，使用HCM算法计算排队长度，图7所示为香港中路与其他道路4个交叉口的排队长度与真实排队长度的对比，误差较小。图8所示为香港中路—南京路交叉口西向东方向的进口道，直行方向不同时段的计算排队长度与实际排队长度的误差，其平均值为5.85%。

图7 排队长度计算值（虚线）与真实值（实线）对比

图8 直行方向计算值（虚线）与真实值（实线）对比

2.2 干线协调控制策略的仿真评价

依照香港中路（山东路—福州路）的实际道路情况，在VISSIM中构建如图9所示的路网模型。

在图9所示的4个位置设置检测器，其地理位置与实际的线圈或微波检测器相吻合，通过比较流量与速度的拟合程度来确定整个模型是否真实可靠。

图9 VISSIM仿真模型

以每60s为间隔，事先输入各进口道流量，该流量是根据线圈、微波等检测器数据结合流量反推计算得到的，模拟了青岛市2014年9月1日6：30—6：45、6：45—7：00以及8：45—9：00的真实情况。经过排队长度的计算，这3个时段分别对应了欠饱和状态、接近饱和状态以及过饱和状态，使用这样的流量数据可以充分展现不同交通状态下基于多源数据融合的干线协调信号控制方案的有效性。

结果显示流量的平均误差为5.27%，速度的平均误差为4.3%，检测器实测得到的速度范围约为30～60km/h，仿真模型中设置的范围为40～60km/ h，与真实情况相近，故速度分布比较合理。

仿真输入的信号灯配时包括2种情况：一是原始的信号配时方案；二是本文提出的新的干线协调控制方案，对应于前面输入的3种不同饱和状态。根据前文的计算模型，得到了不同状态对应的信号灯配时方案，如图10所示。

计算及仿真结果如表1所示。由表1可以看出，相比于原来的信号配时，本文提出的新的干线协调信号控制方案在交通延误和停车次数上分别减少了19.4%和22.8%，而平均排队长度也得到了改善，减少了7.4%。这充分说明基于多源数据融合的干线协调信号控制策略是有效的，能够提高交叉口的运行效率。

图10 信号配时方案

表1 计算及仿真结果

3 结语

本文提出了一套城市干道交通流不同状态下的信号控制策略：通过融合线圈、微波和视频等多源数据，利用车队离散模型和OD反推技术，获取城市干道交叉口运行状态，并基于不同城市干道交通流状态研究相应的信号控制策略。实例分析表明，改进的信号控制策略能够有效地减少停车延误、停车次数和排队长度。该模型的关键在于干线交通状态的识别，本文采取的判别方法相对较简单，如何科学合理地界定城市干线3种交通状态有待进一步研究。

[1]LI B B,MOOR B D.Recursive Estimation Based on the Equality-Constrained Optimization for Intersection Origin-Destination Matrices[J].Transportation Research Part B: Methodological,1999,33(3):203-214.

[2]XU F Z,SU Y Q,LIU H.Research of Optimized Adaptive Kalman Filtering[C]//Proceeding of The 26th Chinese Con⁃trol and Decision Conference(2014 CCDC).Changsha: IEEE,2014:1210-1214.

[3]Transportation Research Board.Highway Capacity Manual [Z].Washington D.C.:Transportation Research Board, 2010.

[4]陈力.城市道路交通拥挤实时判别及其扩散范围估计方法研究[D].广州：广东工业大学，2011.

[5]钱喆，徐建闽.基于线圈检测的过饱和交通状态判别[J].华南理工大学学报：自然科学版，2013，41（8）：93-98.

[6]LONGLEY D.A Control Strategy for a Congested Comput⁃er-Controlled Traffic Network[J].Transportation Research, 1968,2(4):391-408.

[7]LO H,CHOW A.Control Strategies for Oversaturated Traf⁃fic[J].Journal of Transportation Engineering,2004,130(4): 466-478.

[8]HAJBABAIE A,MEDINA J C,BENEKOHAL R F.Traffic Signal Coordination and Queue Management in Oversaturat⁃ed Intersection[R].Urbana:University of Illinois at Urbana Champaign,2011.

[9]唐克双，孔涛，王奋，等.一种改进的多带宽干线协调控制模型[J].同济大学学报：自然科学版，2013，41（7）：1002-1008.

[10]李林.连续流绿波交通控制理论与方法研究[D].广州：华南理工大学，2011.

[11]李琦.基于多源数据的交通状态监测与预测方法研究[D].长春：吉林大学，2013.

[12]孙晓亮.城市道路交通状态评价和预测方法及应用研究[D].北京：北京交通大学，2013.

[13]焦朋朋，陆化普，杨珊珊.动态OD反推理论中的关键问题研究[J].公路交通科技，2004，21（12）：93-95.

Arterial Coordinate Control Strategy Based on Multi-Source Data

CAI Xi,ZANG Zhao-qi,ZHOU Wei,ZHOU Qing-ya
(School of Transportation Engineering,Tongji University,Shanghai 201804,China)

In order to select appropriate arterial coordinate control strategies for different traffic flow states,based on the multi-source data from coil,video and microwave,the turning flows were obtained by using Platoon Dispersion Model and Kalman Filter Model,while the queue length and delay were cal⁃culated through the formula in Highway Capacity Manual.Traffic flow states,including under-saturated, near-saturated and over-saturated,were identified according to queue length and then corresponding ar⁃terial coordination strategies were chosen.The MAX Green Wave Band Model was used in the undersaturated state,the improved Bandwidth Coordination Model in the near-saturated state and the Minimal Queue Proportion Model in the over-saturate state.Taking Hong Kong Road in Qingdao as the example, simulation assessment results of VISSIM show the proposed model decreases the average delay by 19.4%,average number of stops by 22.8%and average queue length by 7.4%compared with original strategies.

multi-source data;Platoon Dispersion Model;Kalman Filter Model;arterial coordina⁃tion;minimum average queue ratio

U491

：A

：2095-9931（2015）05-0037-07

10.16503/j.cnki.2095-9931.2015.05.006

2015-07-17

蔡茜（1993—），女，湖南益阳人，研究方向为交通规划设计与管理。E-mail:408255183@qq.com。