基于可变周期策略考虑到达随机性的公交信号优先方法

技术领域

本发明属于交通运输工程领域，尤其涉及一种基于可变周期策略考虑到达随机性的公交信号优先方法(A Transit Signal Priority Method based on Variable CycleLength Strategy Considering Arrival Stochasticity，VCAS-TSP)。

背景技术

城市快速发展导致一系列的交通拥堵问题。公交车有客运量大的特点，常被认为是缓解交通拥堵的有效途径。但由于其运行速度和准时率较低等原因，导致公交竞争力较低。城市交叉口信号控制是公交车车速低的主要原因之一，研究表明，交叉口停车等待时间约占总出行时间的20％。而公交信号优先(Transit Signal Priority，TSP)，是解决这一问题的有效方法。

TSP分为被动TSP、主动TSP和自适应TSP三类。被动TSP通常根据公交时刻表和交叉口间距等信息制定静态离线信号控制策略，主动TSP和自适应TSP可以根据公交的实时到达信息动态调整信号控制策略，其中自适应TSP更广泛地运用传感器和检测器，制定更具有针对性的信号控制策略，是近年来TSP的研究热点。

自适应TSP至少包含两个步骤：预测公交到达时间和求解优化问题。公交到达时间预测的准确性与TSP的实现效果密切相关。在以往的研究中，已经提出了许多到达时间预测模型和方法。研究中通常将公交行驶环境简化为在专用道上行驶以及假设检测器与停止线之间没有公交车站。当公交车在专用道上行驶时，基于简单匀速运动假设的模型可以达到令人满意的预测精度，如基于历史数据、基于GPS数据、基于时空图等预测公交到达时间，但这些预测方法都不能很好地处理公交车行驶中随机性问题。另外，由于停站时间的随机性，许多研究假设在检测器和停止线之间没有公交车站，或者要求检测器位于公交车站的下游。对检测器位置的约束导致当公交车站与停止线距离过近时，剩下的响应时间过少，所提出的方案难以运用。由于大多数城市道路没有设计成专用的公交车道，阻碍现有方法的应用。

发明内容

本发明公开了一种基于可变周期策略考虑到达随机性的公交信号优先方法，周期长度可变能给信号配时调整提供更大的灵活性，同时避免给其他车辆造成过大的影响。将公交车运动过程的随机性纳入考虑使得本发明能够稳健地获得比原始配时方案更优质的配时方案。本发明适用于检测器和停止线之间存在公交车站、路段不配备公交专用道等实际应用场景，有利于公交优先的发展。

本发明是这样实现的，技术方案为：

一种基于可变周期策略考虑到达随机性的公交信号优先方法，其特征是，包括步骤：

步骤一：公交车向路面检测器发起公交信号优先请求；

步骤二：检测器向后台处理器主动动态上传获取到的路面交叉口流量、到达率以及公交车站停靠时间分布等信息；

步骤三：首先，构建基于事件驱动算法的公交车期望延误计算模型，根据部署方式的不同，可分为单点式延误计算模型或者多交叉口延误计算模型；

然后，进一步构建随机信号优先模型的目标函数和约束条件。根据公交车期望延误计算模型的不同可以分为单点式和协同式随机信号优化模型，分别可适用于单一交叉口独立控制和多交叉口联合控制场景。

步骤四：后台处理器利用COBYLA求解步骤三得到的随机信号优先模型，经求解得到并输出最佳的信号配时方案，反馈给路口信号灯控制器。

与现有技术相比，本发明具有如下优点：

1、本发明采用事件驱动算法更精准地计算公交期望延误；

2、本发明中提出的公交期望延误计算模型可以反映实时信号调整对公交车运动过程的影响。

3、本发明基于可变周期策略构建公交信号优先模型；

4、本发明同时适用于单点交叉口独立控制和多个连续交叉口协同控制；

5、本发明可适用于检测断面与停止线之间存在公交车站的情形；

6、本发明可适用于不布设公交专用道的情形。

附图说明

图1为本发明方法主流程图；

图2为本发明设置两个仿真时钟(全局仿真时钟与交叉口仿真时钟)；

图3为公交车被迫停车排队的事件(排队事件)；

图4为公交车在公交车站停车并完成上下客的事件(停站事件)；

图5为公交车准备从公交车站离开时，由于排队队列末端超过公交车站，公交车被排队队列淹没，必须停车等待的现象(淹没事件)；

图6为公交车到达停止线(到达停止线事件)；

图7为周期结束事件；

图8为实施例交叉口背景数据；

图9为实施例有效性实验结果；

图10为应用系统工作流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明一种基于可变周期策略考虑到达随机性的公交信号优先方法，如1所示：

步骤一：公交车向路面检测器发起公交信号优先请求；

步骤二：检测器向后台处理器主动动态上传获取到的路面交叉口流量、到达率以及公交车站停靠时间分布等信息；

步骤三：首先，构建基于事件驱动算法的公交车期望延误计算模型，根据部署方式的不同，可分为单点式延误计算模型或者多交叉口延误计算模型；

然后，进一步构建随机信号优先模型的目标函数和约束条件。根据公交车期望延误计算模型的不同可以分为单点式和协同式随机信号优化模型，分别可适用于单一交叉口独立控制和多交叉口联合控制场景。

步骤四：后台处理器利用COBYLA求解步骤三得到的随机信号优先模型，经求解得到并输出最佳的信号配时方案，反馈给路口信号灯控制器。

以下详述。

对于步骤一与步骤二。公交车发起优先请求后，动态获取交叉口流量、到达率以及公交车站停靠时间分布等信息，通过直方图法或蒙特卡洛法等方法公交车站停靠时间离散化。

进一步，步骤三中，基于事件驱动算法的公交车期望延误计算模型

由于本发明旨在降低公交车期望延误，同时不对其他车辆产生过大影响，因此步骤三中基于仿真时钟，并采取事件驱动算法计算公交车期望延误。

如图2所示，本发明设置两个仿真时钟，全局仿真时钟与交叉口仿真时钟。全局仿真时钟表示仿真过去了多久，交叉口仿真时钟则是为了方便建立后续模型。全局仿真时钟与交叉口仿真时钟的关系式如下。

式中，

——交叉口i仿真时钟的当前时刻，s；

t

——交叉口i的时钟偏差，s。

对于单点式随机信号优先模型，全局仿真时钟只有一个。而协同式随机信号优先模型，全局仿真时钟的个数则与交叉口数量相同。

事件驱动算法包括五种事件：排队、停靠站、淹没、到达停止线、周期结束。每次将选择开始时刻最早的事件作为下一个事件，同时它的结束时刻将被用来更新全局仿真时钟。事件驱动算法将会一直计算，直到公交车到达停止线。

五种事件的划分确定与延误计算模型，将总延误计算分解成若干个子步骤，每个步骤的延误计算模型，如下：

事件1：排队。图3所示，公交车被迫停车排队的事件称为排队。仅当公交车未到达排队队列末端，且排队队列未达到最大排队长度时，才会发生排队事件。最大排队长度、当前排队长度和达到最大排队长度的时刻可由以下公式计算。

/>

式中，

——最大排队长度，m；

——交叉口i，相位/>

C

g

——交叉口i，当前信号周期；

——交叉口i，给予公交车通行权的相位(比如最后一个相位)；

——交叉口i，当前信号周期(比如第/>

——交叉口i，当前信号周期(比如第/>

——交叉口i仿真时钟的当前时刻，s；

——交叉口i，当前的排队长度(比如在/>

——排队长度到达最大时的时刻，s。

触发排队事件，必须满足队列尾部在公交车当前位置之前，即以下条件，

式中，

——公交车和停止线之间的距离，m；

其余同上。

若排队事件触发，公交预期到达排队队列末端的时刻可由如下公式计算：

式中，

——公交车预计抵达排队队列末端的时间，s；

——公交车在某时刻(比如/>

v

其余同上。

由排队事件引起的公交车延误由以下公式进行计算，

式中，

——由于排队事件引起的公交车延误，s；

其余同上

排队事件的开始和结束时刻分别由以下公式确定，

式中，

——排队事件的开始时刻，s；

——排队事件的结束时刻，s。

其余同上。

排队事件发生后，公交车与停止线之间的距离计算公式如下，

式中，

——排队事件后，公交车和停止线之间的距离，m；

其余同上。

事件2：停站。图4所示，公交车在公交车站停车并完成上下客的事件为停站。如果公交车尚未抵达公交车站，并且已知公交车在车站的停留时间为

式中，

——停站事件的开始时刻，s；

——公交车站与停止线之间的距离，m；

如果检测器与停止线之间没有公交车站，则将公交车在公交车站的停留时间视为0，即：

式中，

——公交车在公交车站的停留时间，s；/>

公交车停车上下客不产生信号延误。因此，由停站事件引起的延误等于零。在停站事件前后，公交车与公交车站处于同一位置。停站事件结束后，公交车延误和公交车位置由以下公式确定，

式中，

——停站事件造成的公交车延误，s；

——停站事件后，公交车与停止线之间的距离，m；

——公交车站与停止线之间的距离，m；

——停站事件结束时刻，s；

其余同上。

事件3：淹没。图5所示，指公交车准备从公交车站离开时，由于排队队列末端超过公交车站，公交车被排队队列淹没，必须停车等待的现象。

根据淹没事件的定义可知，触发此事件必须满足以下条件，

式中，

——消散波目前到达的位置，m；

其余同上。

淹没事件造成的公交车延误可由以下公式得出，

式中，

——淹没事件造成的公交车延误，s；

淹没事件的开始时刻、淹没事件的结束时刻、淹没事件后公交车与停止线之间的距离由以下公式确定，

/>

式中，

——淹没事件的开始时刻，s；

——淹没事件的结束时刻，s；

——淹没事件后，公交车与停止线之间的距离，m；

其余同上。

事件4：到达停止线。图6所示，指公交车到达停止线。此事件不产生信号延误，且公交车在事件结束后即到达停止线。到达停止线事件的开始时刻、到达停止线事件的结束时刻、到达停止线事件造成的公交车延误、到达停止线事件后公交车与停止线之间的距离可以由以下公式确定，

式中，

——到达停止线事件的开始时刻，s；

——到达停止线事件造成的公交车延误，s；

——到达停止线事件的结束时刻，s；

——到达停止线事件后，公交车与停止线之间的距离，m；

其余同上。

事件5：周期结束。图7所示，周期结束事件表示一个信号周期结束，切换到下一个信号周期。该事件不产生信号延误。此事件的开始时刻、结束时刻、引起的公交车延误、事件结束后公交车和停止线之间的距离可以由以下公式确定，

式中，

——周期结束事件引起的公交车延误，s；

——周期结束事件的开始时刻，s；

——周期结束事件的结束时刻，s；

——周期结束事件结束后公交车和停止线之间的距离，m。

公交车的总信号延误是抵达停止线前发生的所有事件产生的延误之和。

进一步，步骤三中，目标函数：

基于可变周期策略考虑到达随机性的公交信号优先方法，以最小化公交车期望延误与信号配时调整幅度为优化目标。在可变周期策略中，周期长度和绿信比都是可变的，使信号配时调整与优化更加灵活。该优先方法有两类适用场景：(1)面向单点交叉口控制；(2)面向多交叉口联合控制。

由于信号配时过度调整会使得交叉口不稳定，因此，除公交车期望延误外，选择信号配时调整幅度作为目标函数的第二个组成部分。因此，最终得出目标函数如下：

式中，

Z——最终目标函数，由两部分组成，其中

——该随机变量表示公交车从交叉口i′到交叉口i的延误，/>

E(X)——随机变量X的数学期望；

——交叉口i，优化窗口内的周期数，这是一个在优化前定义的超参数；

——交叉口i的相位数；

w

其余同上。

进一步，步骤三中，约束条件：

随机信号优先模型有五种类型的约束，如下。

约束1：最短绿灯时长约束。绿灯时长太短无法保证车辆与行人安全通过交叉口。约束公式表达如下：

式中，

——交叉口i，第k个相位，所要求的最短绿灯时长，s；

其余同上。

约束2：周期长度约束。周期长度过长或过短皆不利于交叉口运行。周期长度过短导致频繁的相位切换，增加启动损失时间，减少交叉口容量。周期长度过长导致停车等待时间延长，信号延误急剧增加。约束公式表达如下：

式中，

——交叉口i的周期长度下界，s；

——交叉口i的周期长度上界，s；

其余同上。

约束3：最大饱和度约束。饱和度是反映道路服务水平的重要指标之一。高饱和度通常意味着交通拥堵和较大的信号延误。因此，饱和度不宜过大，约束公式表达如下：

式中，

λ

s

——交叉口i，第k个相位，所容许的最大饱和度；

其余同上。

约束4，逝去时刻不可更改。在公交车被检测到之前，如果某相位的绿灯阶段已结束或者已开始，则无法修改该相位的结束或开始时刻。若相位结束时刻处于缓冲期内，则此相位的结束时刻也不可修改。约束公式表达如下：

C

/>

式中，

g′

——优化后的配时方案中，交叉口i，第j个周期，第k个相位的结束时刻，s；

——原配时方案中，交叉口i，第j个周期，第k个相位的结束时刻，s；

I{condition}——条件condition的示性函数；

——二元变量，表明交叉口i，第j个周期，第k个相位的结束时刻是否可改变；

t

M——足够大的正数；

其余同上。

约束5，优化窗口持续时长固定约束。可变的优化窗口持续时长不利于交通状况的稳定。因此，优化窗口持续时长保持不变约束的公式表达如下：

式中符号含义同上。

对于面向多交叉口联合控制的场景，与单点交叉口场景不同的是，此时，公交车穿越多个连续交叉口，因此在建立公交车期望延误计算模型时，需要完成仿真时钟转换。在交叉口i仿真时钟下，公交车通过交叉口i的时刻可由下式决定，

式中，

——交叉口i的宽度，m；

——公交车在交叉口i的仿真时钟下通过交叉口i的时刻，s；

其余同前。

如果将公交前进行驶方向的下一个交叉口记为交叉口i″，则可以根据以下公式确定交叉口i″仿真时钟的表达式，

式中符号含义同上。

综上，即可将本发明提出的单点式随机信号优先模型拓展成面向多交叉口联合控制的协同式随机信号优先模型。

进一步，对于步骤四。使用COBYLA等求解器来求解上述非线性随机规划问题。这是一个非凸优化问题，为了避免陷入较差的局部最优解，采用原信号配时方案作为初始解，确保公交车的期望延误得到减少，以保证获得满意解。

对于非凸优化问题，任何一个求解器都没办法保证求得“全局最优解”。对于非凸优化问题，最终求得的解的质量与迭代的起始点高度相关。大多数优化器可以保证最终得到的解的质量不比迭代起始点差。所以，此处利用这个特性，把原信号配时方案作为初始解，这样便可以保证求解器结束迭代时，解的质量总是比原始信号配时方案好，这样也可以达到一个“满意”的效果。

实施例

本发明实施例以沪宜公路(白银路至洪德路路段)为例通过仿真实验展示，图8所示，本发明实施前后公交车与社会车辆延误变化情况。交叉口背景数据通过实地调查获得。

实例中涉及到的三个交叉口的交通量与大车比例数据如下表所示。

注:交通量单位为veh/h；大车比例单位为％.

交叉口原来的配时方案如下表所示。

共有两条公交路线经过研究区域，公交车车头时距设置为10分钟；在研究区域内有两个公交车站，车站和停止线之间的距离分别为120米和45米。且有公交专用道位于沪宜公路最外侧。

所有实验均在VISSIM 7上进行，并利用Python基于COM接口完成二次开发。

根据公交车是否在公交专用道上运行，以及公交车与停止线之间是否有公交车站，共设计了4个实验场景：(a)有公交专用道-无公交车站；(b)有公交专用道-有公交车站；(c)无公交专用道-无公交车站；(d)无公交专用道-有公交车站。检测器都设置在距离停止线180米的地方。特别应注意的是，在没有专用公交车道的情况下，公交将在次外车道上运行。假设公交的停站时间服从离散均匀分布，可能的结果分别为20、30、40和50秒。与没有公交优先和传统公交优先的结果进行对比，测试本发明所述单点公交信号优先方法和协同公交信号优先方法的效果，优化窗口分别设置为3个和6个周期。

同时，本实验分析了本发明所述公交优先方法在不同交通拥堵水平下的影响，验证该方法在低交通拥堵水平下、一般情况和在高交通拥堵水平下的效果。有效性实验结果如图9所示，分别对应四种实验场景，其中，图(a)为有公交专用道-无公交车站，图(b)为有公交专用道-有公交车站，图(c)为无公交专用道-无公交车站，图(d)为无公交专用道-有公交车站。图中，“有无公交专用道”表示公交车是否在公交专用道上运行，“有无公交车站”表示公交车检测断面与停止线之间是否有公交车站；No Priority为原始配时，CTSP为传统公交信号优先方法，VCAS-TSP(Isolated)为基于可变周期策略的单点公交信号优先方法，VCAS-TSP(Coordinated)为基于可变周期策略的协同公交信号优先方法。

显然，所述基于可变周期策略考虑到达随机性的公交信号优先方法在所有四种情况下都表现最好，它将公交车延误减少了66％-95％。与传统公交优先方法相比，所述公交优先方法不仅进一步减少了26％-66％的公交车延误，而且没有导致其他车辆的延误增加。在最不利的情况下，传统公交优先方法方法几乎失效了，但是所述公交优先方法仍然工作得很好。此外，在没有车站的情况下，所述基于可变周期策略考虑到达随机性的公交信号优先方法的效果优于传统公交信号优先方法，但在有公交车站的情况下略差于统公交信号优先方法。造成这种现象的原因可能有两个：经过交叉口后，公交到达时间变得更加离散，使得更难减少期望延误；协同优化通常具有更多的决策变量，更容易陷入局部最优。这意味着协同优化的方案更适用于单点优化难以适用的短交叉口间距场景。

实验结果显示，虽然公交车延误和社会车辆延误随着拥堵程度的增加而增加，但本文所述公交优先方法对性能的影响并不明显，这证明了本文所述公交优先方法的适用性。

文中符号标注:

/>

以上所述仅为本发明的较佳示例，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。