一种基于排队长度及延误的路口信号优化配时方法

技术领域

本发明涉及城市交通信号优化于控制领域，具体而言，涉及一种基于排队长度及延误的路口信号优化配时方法。

背景技术

现有的信号控制配时优化技术，更多的是交通信号工程师或者信号专家的专家经验，根据历史专家对城市路口或城市道路的熟悉情况，简单统计一下早晚高峰运行的流量数据，或通过对路口视频的长期观察得出路口车流的大致的车流分布规律，给出大致的信号配时方案，然后下发方案运行，配时不合适的时候再进行微调下发测试，反复重复多次，才得到一套方案；在另一些信号自动控制领域的技术也有一些通过建模最优化路口延误或者饱和度的技术，但由于适用场景有限，无法进行大规模的线上应用。

申请号为CN201910739891.5的专利文献公开一种交通信号优化控制方法及装置方法，该方法通过获取路口信号机系统的交通流数据、路口电子警察抓拍的历史流量数据及路口的断面交通流数据；对数据进行预处理,并进行训练样本抽取；基于训练样本进行强化学习,以生成交通信号灯配时方案。此方法利用强化学习等技术进行样本训练，得到训练模型后配合试试信号控制与交通数据进行动态信号优化实时控制，实现过程比较复杂，需要专业领域的支撑支撑和优化测试，不适宜大量部署应用，绝大部分信控路口还是依赖常规生成一套离线方案做下发控制并长期运行。

申请号为CN201610696748.9的专利文献公开了一种基于策略迭代和聚类的交通信号优化控制方法方法，该方法通过选择待优化的信号控制方案为固定相序控制,采样记录交通状态、控制动作和离开停车线的车辆数，并对样本中的交通状态进行K均值离散化和归一化得到交通状态的质心；根据质心对应的预先设定好的离散交通状态查询控制策略,得到控制动作并发送至路口信号机，进行实时交通状态控制。现有技术的不足之处在于：

1.自动化程度不足，效率低。现有配时优化工作，对信号优化专家人工依赖性过高，需要大量的领域专家在信号控制优化做工作，而大中型城市的信号控制路口数量达到几千甚至上万，无法全部依赖信号控制专家参与；并且在专家干预的情况下，也无法准确统计每个时间周期内的车流情况，要综合考虑历史多天的流量需求更加困难，流量聚合使用历史流量的平均值或最大值无法反映真实的小时流量状态。

2.成本高，不宜大规模使用。现有专利提到的几种与排队长度相关或者基于迭代策略进行信号控制优化是基于实时控制的，由于城市道路交叉口之间的状态会实时互相影响，变化不受控制，要做好整个区域的路口信号控制才能够保证实时控制不会造成对其他路口控制的影响；单路口实时控制再没有区域控制的情况下不适宜大规模的上线使用，通用适用于大部分路口离线信号配时生成方法并且能够根据数据自动生成配时方案的方法相比更加实用。

发明内容

本发明的目的在于提供一种基于排队长度及延误的路口信号优化配时方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于排队长度及延误的路口信号优化配时方法，包括以下步骤：

S1：路端设备采集与交通态势数据的计算；

S2：历史数据聚合与算法数据准备；

S3：基于排队长度和信控延误的配时优化模型。

进一步的，步骤S1分为以下几个步骤：

S01：路端设备路口车道级数据采集。

在信号控制交叉口设置相应的过车流量检测设备(如电子警察、流量检测器、雷达检测器等)，实时检测路口的每个分支的每条车道的过车数据信息并上传到相应的数据集成管理平台。

S02：过车数据的历史积累与存储

从路端设备接收到的实时数据，按照最小颗粒度5分钟进行数据计算，统计路口每个分支每条车道的流量数据，并存如数据库，做历史数据存储。存储结构如下：

S03：交通态势数据的历史积累与存储

(1)5分钟的排队长度的计算与存储：

排队通过检测器检测到真实车道排队长度数据，并接入系统进行数据存储，存储格式与S02中流量数据一致。若检测器发送的排队长度小于5分钟粒度(如1分钟)，则取5分钟内的收到的多条数据并计算最大值，存储为5分钟粒度内的排队长度。

(2)5分钟的饱和度的计算与存储：

饱和度的计算利用S02统计得到的流量数据，结合路口当前实时运行的方案的信号控制方案计算,计算5分钟路口所有车道的饱和度及路口饱和度并存储。

车道绿信比＝车道绿灯通行时间/信号周期

车道饱和度＝5分钟流量转换小时流量/(车道饱和流量*绿信比)

路口饱和度＝所有车道饱和度最大值

进一步的，步骤S2分为以下几个步骤：

S04：历史态势数据聚合

优化使用到的历史态势数据，按照日期和时段做聚合操作。

默认一般路口需要用到的信号控制方案为一天的方案时间段为全天。也可以根据实际需求，将一天划分成多个时段，比如早高峰、晚高峰、平峰、夜间等，针对同一个时段，做一次历史数据聚合及优化配时，并生成一套完整方案即可。

选取一个路口同一个时段内(如取全天0：00-24：00)，历史数据聚合方案：

路口每个车道，历史数据选择7天，聚合方式：同一个5分钟周期内取7天的平均值，得到平均后的每个车道288个时间点的聚合数据，包含车道流量，车道排队长度数据，车道饱和度，路口饱和度。

S05：滑动窗口聚合车道小时流量数据

将S04中得到的所有5分钟时间点流量数据转换成小时流量数据，排队长度数据不做处理。转换方法采用滑动窗口求和方法进行计算，将每个时间点的数据都转换成小时流量。

滑动窗口求和方法：

(1)288个点24小时数据先将前半小时(1-6)和最后半小时(283-288)数据分别补到数据列的最后和最前面，将24小时扩充成25小时300个数据点用于计算。然后设定滑动窗口的时间长度为1小时(12个时间点)进行滑动计算求和。如第一个点为(1到12)时间点求和，第二个点为(2-13)时间点求和…第i时间点为(i到i+11)时间点求和。

(2)每个时间点都使用其前后共12个时间点求和，即转换为小时流量数据，共计得到每个车道288个时间点的数据。达到了平滑数据的效果也转换成了需要使用到的小时交通量，用于后续做配时优化算法的数据基础。

进一步的，步骤S3分为以下几个步骤：

S07：计算基于排队长度数据转换的信控流量优化的过程中，排队长度导致实际应该达到的流量过车需求大于实际的流量统计数量，需要在优化的过程中折算成实际流量参与优化。基于排队长度改进优化的最小延误优化模型。

采用如下步骤进行转换；

(1)计算平均排队车辆数

转向一般分为左转、直行、右转，可能包含多个车道

平均车身长度(含车距)＝3m

转向排队长度＝转向多个车道排队长度平均值

排队车辆数＝排队长度/平均车身长度

(2)排队车流量转换

根据S03计算得到的路口饱和度数据，将路口状态划分为两种状态：

饱和度≥0.7为饱和状态，饱和度<0.7为不饱和状态；

针对两种状态分别计算排队流量转换，并加入信控流量：

基础转向流量＝对应车道流量之和

a.不饱和状态：

信控转向流量＝排队车辆数*车道数+基础转向流量

b.饱和状态

信控转向流量＝排队车辆数*车道数*1.2+基础转向流量

得到路口在时段内每个转向的信控转向流量，全天时段为288个粒度。

S08：优化配时场景策略及参数设置

实际优化配时时，可能根据不同的场景选择不同的策略，有工作日非工作日的场景，工作日早晚高峰的场景等，选取优化使用的流量要使用不同的策略

推荐划分场景，使用的S07中的信控流量：

(1)全天单方案场景

全天时段：信控转向流量＝全天时段内的流量最大值

(2)全天早晚高峰平峰场景

早高峰时段：信控转向流量＝早高峰时段内的流量最大值；

晚高峰时段：信控转向流量＝晚高峰时段内的流量最大值；

午间平峰时段：信控转向流量＝午间平峰内的流量平均值；

夜间平峰时段：信控转向流量＝全天时段内的流量平均值；

高峰平峰对应的具体时段按照实际情况设定。

(3)工作日/非工作日场景

工作日：信控转向流量＝工作日全天时段内的流量最大值非工作日：信控转向流量＝非工作日全天时段内的流量*0.8

S09：基于与排队长度与延误的配时优化方法模型

本模型只针对已设计好的相位设计进行配时，不进行相位设计工作，一般信号优化配时工作都在路口信号机原来运行相位的基础上进行配时的优化和调整，模型提供一种根据数据进行精细化最优配时的方案，在数据完备的条件下，能提高信号专家人工配时的工作效率。

模型优化的是信号方案每个相位的配时总时间(实际可能为绿灯时间+黄灯时间)，模型适用于现有的多种常见相位：如对向直行+对向左转，两个直左单边，对向直行+对向左转+单边相位等等，只需要按照实际的相位对应的转向转换计算数据即可。这里取最常见的一组相位做说明，方案一共4相位：东西直行+东西左转+南北直行+南北左转。

进一步的，步骤S09分为以下几个步骤：

Step 1:相位配时范围限制,粒子群算法初始化

根据设定的4相位，设定最小与最大值的范围，周期范围，根据实际需求修改。

默认最小值为15秒，最大值为60秒：

相位1：东西直行，范围[15,60]

相位2：东西左转，范围[15,60]

相位3：南北直行，范围[15,60]

相位4：南北左转，范围[15,60]

信号周期：[60,200]

信号周期＝4个相位的配时时间之和

粒子群算法初始化：

根据粒子群算法的设定，粒子是要优化的变量，即相位1、2、3、4共4维指标，并且遵循上述范围限制，循环生成初始粒子，每个粒子对应相位限制的范围内生成整数数据，如果不满足范围或者计算总和周期不满足范围则重新生成，如生成的粒子为[22,18,25,46],信号周期为111，满足要求。共生成50个初始粒子，按照实际需求设定个数，记为x

Step 2:相位数据转换转向数据

按照实际相位的转向，进行相位数据到通道数据的转换，并计算绿信比数据

其中gr

这就将相位的配时时间数据转换为路口各个转向的绿信比数据，其中绿信比记为gr，共8个转向对应表格种的数据。

Step 3:转向信控延误计算

计算信控延误，也是模型需要优化的目标，最终结果是要通过优化相位配时将信控延误降低到最小。

信控饱和度的计算：

其中sat为转向信控饱和度，flow为S08中计算的信控转向流量，s和gr分别是对应转向的饱和流量和绿信比；转向的饱和流量可以按照交通规范标准的设计值或者按实际需求自行计算即可，一般取左转转向饱和流量为1550，直行饱和流量为1600。

信控延误的计算：

obj＝dt

其中obj为不加惩罚的信控延误，dt

Step 4:加入饱和度惩罚，计算优化目标带惩罚的路口信控延误

惩罚函数：

F＝r×(max(sat-st,0))

其中r是惩罚系数，设置比较大的值，默认为1000000，st为饱和度阈值，认为小于0.85的饱和度为一个比较合理的范围，当饱和度大于0.85时，饱和度越大则对优化目标的惩罚越大；

总的优化目标构建考虑两个方面，一是各方向延误的均衡，二是饱和度控制水平。

因此信控延误总的优化目标基本函数形式如下：

其中OBJ为带饱和度惩罚的路口信控延误，也即即将用来优化的目标函数，i为路口的每个转向，一般四岔路口只考虑左转和直行一共8个转向，n＝8Step 5:粒子群算法更新相位配时

通过前面的计算得到本次迭代设定的初始50个粒子的OBJ，从中取到50个粒子的最小值对应的那个粒子，与前面迭代结果比较，计算局部最优解与全局最优解：

(1)计算本次迭代的迭代下的局部最优解x

其中，t为当前循环迭代的次数；

(2)再计算之前所有迭代中的全局最优解x

其中，

(3)根据粒子群算法，利用全局最优解与局部最优解更新速度值v

c

其中，ω为粒子群算法的惯性因子，设置为1；c

(4)对需要更新的值做整数离散化处理，由于信号配时为整数，使用公式对每次更新的幅度改为±1或者0：

更新每个粒子的配时

x

注：其中x

Step 6:重复迭代step2-step5得到最优解

本发明的优点：

(1)此方法适用不同时段的场景下做配时优化(S08)。适用于不同场景不同时段的信号配时任务，工作日、非工作日、早晚高峰、平峰、夜间等不同场景，皆可使用本模型方法进行配时优化；

(2)数据聚合方法使用滑动平均法(S05)。滑动窗口法是在简单求和法基础上，通过顺序逐期增减新旧数据求算移动求和，借以消除偶然变动因素，找出事物发展趋势，并据此进行预测的方法。为保证流量数据最小粒度的数据波动(每个粒度时段包含的信号周期数不同造成统计流量数据的波动)，采用滑动平均法更能保证小时流量统计的真实可靠性；

(3)优化配时模型中延误的计算方法(S09-Step3)。滑动窗口法是在简单求和法基础上，通过顺序逐期增减新旧数据求算移动求和，借以消除偶然变动因素，找出事物发展趋势，并据此进行预测的方法。为保证流量数据最小粒度的数据波动(每个粒度时段包含的信号周期数不同造成统计流量数据的波动)，采用滑动平均法更能保证小时流量统计的真实可靠性；

(4)使用基于排队长度改进的信控流量计算(S07)。传统路口延误或者路口饱和度优化信号配时的模型，未考虑到路口实际通行需求大于设备检测到的实际过车流量，本模型利用检测器检测到的排队长度，按照路口不同饱和状态将其转换成过车流量缺失的流量需求，并加到检测流量上得到信控流量需求，用此数据计算路口信控延误，能够更加准确的完成路口配时任务，满足真实的道路出行的信号控制需求；

(5)粒子群配时更新过程中使用的离散化方法(S09-Step5)。传统路口延误或者路口饱和度优化信号配时的模型，未考虑到路口实际通行需求大于设备检测到的实际过车流量，本模型利用检测器检测到的排队长度，按照路口不同饱和状态将其转换成过车流量缺失的流量需求，并加到检测流量上得到信控流量需求，用此数据来作为路口延误的计算，能够更加准确的完成路口配时任务，满足真实的道路出行的信号控制需求。

附图说明

图1为本发明具体实施步骤流程图。

图2为本发明粒子群算法求解流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图对本发明做进一步说明，如图1所示，一种基于排队长度及延误的路口信号优化配时方法，整体实施步骤分为三部分：

(1)路端设备采集与交通态势数据的计算

S01：路端设备路口车道级数据采集。

在信号控制交叉口设置相应的过车流量检测设备(如电子警察、流量检测器、雷达检测器等)，实时检测路口的每个分支的每条车道的过车数据信息并上传到相应的数据集成管理平台。

S02：过车数据的历史积累与存储

从路端设备接收到的实时数据，按照最小颗粒度5分钟进行数据计算，统计路口每个分支每条车道的流量数据，并存如数据库，做历史数据存储。存储结构如下：

S03：交通态势数据的历史积累与存储

(1)5分钟的排队长度的计算与存储：

排队通过检测器检测到真实车道排队长度数据，并接入系统进行数据存储，存储格式与S02中流量数据一致。若检测器发送的排队长度小于5分钟粒度(如1分钟)，则取5分钟内的收到的多条数据并计算最大值，存储为5分钟粒度内的排队长度。

(2)5分钟的饱和度的计算与存储：

饱和度的计算利用S02统计得到的流量数据，结合路口当前实时运行的方案的信号控制方案计算,计算5分钟路口所有车道的饱和度及路口饱和度并存储。

车道绿信比＝车道绿灯通行时间/信号周期

车道饱和度＝5分钟流量转换小时流量/(车道饱和流量*绿信比)

路口饱和度＝所有车道饱和度最大值

车道饱和流量按照转向不同有交通设计标准值，一般在1600左右，也可以按照实际情况做相应的调整，非本专利重点。

(2)历史数据聚合与算法数据准备

S04：历史态势数据聚合

优化使用到的历史态势数据，按照日期和时段做聚合操作。

默认一般路口需要用到的信号控制方案为一天的方案时间段为全天。也可以根据实际需求，将一天划分成多个时段，比如早高峰、晚高峰、平峰、夜间等，针对同一个时段，做一次历史数据聚合及优化配时，并生成一套完整方案即可。

选取一个路口同一个时段内(如取全天0：00-24：00)，历史数据聚合方案：

路口每个车道，历史数据选择7天，聚合方式：同一个5分钟周期内取7天的平均值，得到平均后的每个车道288个时间点的聚合数据，包含车道流量，车道排队长度数据，车道饱和度，路口饱和度。

S05：滑动窗口聚合车道小时流量数据

将S04中得到的所有5分钟时间点流量数据转换成小时流量数据，排队长度数据不做处理。转换方法采用滑动窗口求和方法进行计算，将每个时间点的数据都转换成小时流量。

滑动窗口求和方法：

(1)288个点24小时数据先将前半小时(1-6)和最后半小时(283-288)数据分别补到数据列的最后和最前面，将24小时扩充成25小时300个数据点用于计算。

然后设定滑动窗口的时间长度为1小时(12个时间点)进行滑动计算求和。如第一个点为(1到12)时间点求和，第二个点为(2-13)时间点求和…第i时间点为(i到i+11)时间点求和。

(2)每个时间点都使用其前后共12个时间点求和，即转换为小时流量数据，共计得到每个车道288个时间点的数据。达到了平滑数据的效果也转换成了需要使用到的小时交通量，用于后续做配时优化算法的数据基础。

(3)基于排队长度和信控延误的配时优化模型

此模型的通过将车道排队长度数据转换成未完全通行的车道流量需求，并根据流量需求计算通行延误，分析不同信号控制配时下信控延误的，利用粒子群算法最优化目标路口平均信控延误，使得路口总体延误达到最小，得到好的配时优化结果方案。

优化算法步骤如下：

S07：计算基于排队长度数据转换的信控流量

优化的过程中，排队长度导致实际应该达到的流量过车需求大于实际的流量统计数量，需要在优化的过程中折算成实际流量参与优化。基于排队长度改进优化的最小延误优化模型。

采用如下步骤进行转换；

(1)计算平均排队车辆数

转向一般分为左转、直行、右转，可能包含多个车道

平均车身长度(含车距)＝3m

转向排队长度＝转向多个车道排队长度平均值

排队车辆数＝排队长度/平均车身长度

(2)排队车流量转换

根据S03计算得到的路口饱和度数据，将路口状态划分为两种状态：

饱和度≥0.7为饱和状态，饱和度<0.7为不饱和状态；

针对两种状态分别计算排队流量转换，并加入信控流量：

基础转向流量＝对应车道流量之和

a.不饱和状态：

信控转向流量＝排队车辆数*车道数+基础转向流量

b.饱和状态

信控转向流量＝排队车辆数*车道数*1.2+基础转向流量

得到路口在时段内每个转向的信控转向流量，全天时段为288个粒度。

S08：优化配时场景策略及参数设置

实际优化配时时，可能根据不同的场景选择不同的策略，有工作日非工作日的场景，工作日早晚高峰的场景等，选取优化使用的流量要使用不同的策略推荐划分场景，使用的S07中的信控流量：

(1)全天单方案场景

全天时段：信控转向流量＝全天时段内的流量最大值

(2)全天早晚高峰平峰场景

早高峰时段：信控转向流量＝早高峰时段内的流量最大值；

晚高峰时段：信控转向流量＝晚高峰时段内的流量最大值；

午间平峰时段：信控转向流量＝午间平峰内的流量平均值；

夜间平峰时段：信控转向流量＝全天时段内的流量平均值；

高峰平峰对应的具体时段按照实际情况设定。

(3)工作日/非工作日场景

工作日：信控转向流量＝工作日全天时段内的流量最大值

非工作日：信控转向流量＝非工作日全天时段内的流量*0.8

S09：基于与排队长度与延误的配时优化方法模型

本模型只针对已设计好的相位设计进行配时，不进行相位设计工作，一般信号优化配时工作都在路口信号机原来运行相位的基础上进行配时的优化和调整，模型提供一种根据数据进行精细化最优配时的方案，在数据完备的条件下，能提高信号专家人工配时的工作效率。

模型优化的是信号方案每个相位的配时总时间(实际可能为绿灯时间+黄灯时间)，模型适用于现有的多种常见相位：如对向直行+对向左转，两个直左单边，对向直行+对向左转+单边相位等等，只需要按照实际的相位对应的转向转换计算数据即可。这里取最常见的一组相位做说明，方案一共4相位：东西直行+东西左转+南北直行+南北左转。

Step 1:相位配时范围限制,粒子群算法初始化

根据设定的4相位，设定最小与最大值的范围，周期范围，根据实际需求修改。默认最小值为15秒，最大值为60秒：

相位1：东西直行，范围[15,60]

相位2：东西左转，范围[15,60]

相位3：南北直行，范围[15,60]

相位4：南北左转，范围[15,60]

信号周期：[60,200]

信号周期＝4个相位的配时时间之和

粒子群算法初始化：

根据粒子群算法的设定，粒子是要优化的变量，即相位1、2、3、4共4维指标，并且遵循上述范围限制，循环生成初始粒子，每个粒子对应相位限制的范围内生成整数数据，如果不满足范围或者计算总和周期不满足范围则重新生成，如生成的粒子为

[22,18,25,46],信号周期为111，满足要求。共生成50个初始粒子，按照实际需求设定个数，记为x

Step 2:相位数据转换转向数据

按照实际相位的转向，进行相位数据到通道数据的转换，并计算绿信比数据

其中gr

这就将相位的配时时间数据转换为路口各个转向的绿信比数据，其中绿信比记为gr，共8个转向对应表格种的数据。

Step 3:转向信控延误计算

计算信控延误，也是模型需要优化的目标，最终结果是要通过优化相位配时将信控延误降低到最小。

信控饱和度的计算：

其中sat为转向信控饱和度，flow为S08中计算的信控转向流量，s和gr分别是对应转向的饱和流量和绿信比；转向的饱和流量可以按照交通规范标准的设计值或者按实际需求自行计算即可，一般取左转转向饱和流量为1550，直行饱和流量为1600。

信控延误的计算：

obj＝dt

其中obj为不加惩罚的信控延误，dt

Step 4:加入饱和度惩罚，计算优化目标带惩罚的路口信控延误

惩罚函数：

F＝r×(max(sat-st,0))

其中r是惩罚系数，设置比较大的值，默认为1000000，st为饱和度阈值，认为小于0.85的饱和度为一个比较合理的范围，当饱和度大于0.85时，饱和度越大则对优化目标的惩罚越大；

总的优化目标构建考虑两个方面，一是各方向延误的均衡，二是饱和度控制水平。因此信控延误总的优化目标基本函数形式如下：

其中OBJ为带饱和度惩罚的路口信控延误，也即即将用来优化的目标函数，i为路口的每个转向，一般四岔路口只考虑左转和直行一共8个转向，n＝8。

Step 5:粒子群算法更新相位配时

通过前面的计算得到本次迭代设定的初始50个粒子的OBJ，从中取到50个粒子的最小值对应的那个粒子，与前面迭代结果比较，计算局部最优解与全局最优解：

(1)计算本次迭代的迭代下的局部最优解x

其中，t为当前循环迭代的次数；

(2)再计算之前所有迭代中的全局最优解x

/>

其中，

(3)根据粒子群算法，利用全局最优解与局部最优解更新速度值v

c

其中，ω为粒子群算法的惯性因子，设置为1；c

(4)对需要更新的值做整数离散化处理，由于信号配时为整数，使用公式对每次更新的幅度改为±1或者0：

更新每个粒子的配时

x

其中x

Step 6:重复迭代step2-step5得到最优解

设置较大的迭代次数或者达到一定次数路口延误基本不变后停止迭代，得到最优解。按照同样的目标值延误计算方法，计算优化前路口的相位配时及优化得到的相位配时计算信控延误，对比结果提升效果。

本发明公开了一种基于排队长度及延误的路口信号优化配时方法及装置，致力于改善传统交通信号控制优化配时过程中的缺点，如人工划分太过主观、无法精确统计路口流量数据，不同路口的配时结果适应性不强等问题，导致城市路口信号控制优化方案的精细化配时控制无法达到预期效果，不同时段实际交通需求无法准确得到满足满足，不能通过信号控制缓解城市道路规划问题导致的交通通行的压力。

通过本发明提供的基于排队长度及延误的信号优化配时方法及装置，依托城市交通流量监测设备采集到的流量数据、信号机相位控制数据，更加快速便捷的计算出城市路口信号控制方案的精细化配时结果，提供一套对路口连续的、真实的交通通行需求进行合理的配时优化模型，对不同的时段内更为准确的数据进行精确信号控制优化配时，使用同一套配时方案方法，充分利用交叉口设备、信号机的时空数据资源。