一种基于无人机协同的交通运行调度方法与流程

本发明属于交通运行调度，具体涉及一种基于无人机协同的交通运行调度方法。

背景技术：

1、近些年来，随着城市交通负荷的逐渐加剧，及时掌握动态交通运行状况并且快速响应，成了城市管理当中的核心难题，传统交通系统大多依靠固定式地面感知设备以及静态控制策略，很难及时捕捉异常变化或者突发拥堵信息，对于时空维度高度动态的城市交通来讲，有着明显滞后性以及局限性。无人机凭借拥有高空低空灵活切换、高频巡视、精确定位等特性，渐渐被引进交通辅助管理之中，去担负临时感知、应急导航、疏导诱导等关键任务。

2、无人机的使用大多集中在视频监控还有交通事件的巡查工作中，缺少成体系的调度模型与干预控制机制，一般很难对局部拥堵起到实际的缓解作用。现有系统没有把无人机感知和信号灯调控、交通流预测等关键元素协同结合起来，这样所获取的数据也很难高效地转变成决策价值。

技术实现思路

1、本发明要解决的问题是实现无人机在交通运行管理中进行合理干预，提出一种基于无人机协同的交通运行调度方法。

2、为实现上述目的，本发明通过以下技术方案实现：

3、一种基于无人机协同的交通运行调度方法，包括如下步骤：

4、s1.构建路口流入量预测模型；

5、s2.构建路口的通行能力预测模型；

6、s3.基于步骤s1预测的路口流入强度和步骤s2预测的路口的通行能力，构建交通压力指数评估路口的交通压力；

7、s4.基于步骤s1预测的路口流入强度，依据交通行为逻辑，建立路口之间的流量相互影响的关系强度模型；

8、s5.考虑无人机在不同位置和观测角度时，对地面交通节点有不同程度的干预、诱导以及监控能力，构建无人机对路口的作用效力模型；

9、s6.基于步骤s3得到的交通压力指数和步骤s5得到的无人机对路口的作用效力模型，对路口间相互干预进行价值评分；

10、s7.为了实现无人机任务实施的可行性约束判别，构建无人机约束可行性模型；

11、s8.对无人机协同的交通运行调度进行优化，包括无人机调度优化、路口干预优先级优化、信号控制优化、无人机信息播报强度优化。

12、进一步的，步骤s1中将路口的历史平均流量、无人机的即时实测流量采样数据、来自周边路口的空间耦合流量信息进行融合，构建路口流入量预测模型，表达式为：

13、

14、其中，为路口r在t时刻的预测流入强度；为路口r的历史平均流量，由城市od数据获取；为路口r在t时刻的实测流量，由无人机获取；为路口在t时刻的实测流量，由无人机获取；为t时刻车辆由路口进入r的占比，由历史轨迹数据、路口转向流检测数据或无人机轨迹识别结果计算得到；nr为与路口r存在可达性联动的路口总数；、、分别为历史流量影响因子、实时流量权重系数以及邻域传播影响系数，均通过历史样本标定得到或专家经验确定。

15、进一步的，步骤s2基于无人机获取的车辆密度及相位配比，动态估计路口的通行能力，表达式为：

16、

17、其中，为路口r在t时刻的通行能力；为路口r的最大理论通行能力；为t时刻的车辆密度，由交通监控平台获取；为t时刻的绿灯时间占比，由信号控制系统获取；为平均车间距，由仿真或实测得到；为拥堵敏感调节系数，同时用于抵消指数函数内部产生的量纲，使指数项内部无量纲化；为与绿灯时间占比对应的为防止分母为零的极小值常数。

18、进一步的，步骤s3将当下路口的预测流入强度和瞬时通行能力进行结合，构建交通压力指数，表达式为：

19、

20、其中，为路口r在t时刻的交通压力指数。

21、进一步的，步骤s4考虑车辆路径选择偏好、局部通行速度和连接距离因素，建立路口之间的流量相互影响的关系强度模型，表达式为：

22、

23、其中，为t时刻第一路口r1和第二路口r2之间连通的关系强度；为路口r1的预测单位时间流入量；为路网连通度系数，同时用于匹配量纲；为从路口r1前往r2的流量选择占比，由模拟或试验得到；为t时刻从r1到r2的平均行驶速度，由无人机采集测量得到；为从r1到r2的长度，由gis系统获取。

24、进一步的，步骤s5考虑无人机和目标路口间的空间距离平方反比关系，引入视角余弦值修正干预方向的有效性，同时添加正则化参数防止奇异性，得到无人机对路口的作用效力模型，表达式为：

25、

26、其中，为t时刻无人机u对路口r的作用效力权重；为最大感知强度调节系数；为无人机俯视角，由无人机监控平台获取，取值范围为0-90度；为无人机感知距离半径，由无人机参数确定；为无人机与路口之间的距离，由gnss得到；为与距离对应的为防止分母为零的极小值常数，量纲与保持一致。

27、进一步的，步骤s6的具体实现方法包括如下步骤：

28、s6.1.计算各个路口对邻近路口车流影响的联动程度，表达式为：

29、

30、其中，为t时刻无人机u驻留于路口r1时对相邻路口r2的外溢干预价值评分；、分别为t时刻r1和r2的交通压力指数；为相邻路口压力折减系数，用于衡量干预效果的空间衰减；为t时刻无人机u对r1的影响因子；

31、s6.2.计算无人机u对路口r的干预价值综合评分为：

32、

33、其中，为t时刻无人机u对路口r的干预价值综合评分；为t时刻以路口r为起点到其相邻路口r2的区域干预价值评分；为与路口r存在可达性联动的路口总数。

34、进一步的，步骤s7中无人机约束可行性模型的表达式为：

35、

36、其中，为t时刻无人机u是否能够到达路口r的指示函数；为标准指示函数，当括号内条件成立时取值为1，否则取值为0；为t时刻无人机u的剩余能量，由无人机监控平台得到；为t时刻无人机u执行针对路口r的最小任务周期所需的预测能耗，包括去程飞行能耗、目标区域悬停能耗和安全返航能耗，该值大于0，由无人机仿真路径或实验得到；为能量冗余安全系数，由技术人员设定，用于保证无人机具备足够的返航与悬停余量。

37、进一步的，步骤s8的具体实现方法包括如下步骤：

38、s8.1.无人机调度优化：将无人机与目标路口之间的干预价值综合评分作为目标，与无人机约束可行性模型以及对应任务约束结合，设计调度变量为二值决策量，得到无人机调度优化方案；

39、s8.2.路口干预优先级优化：把所有被派遣到目标路口的无人机作为目标路口的服务集合，将无人机对目标路口的干预价值综合评分累加，得到路口的总体干预优先评分；

40、s8.3.信号控制优化：引入无人机辅助对路口r的绿灯相位时间进行优化调整，调整策略的表达式为：

41、

42、

43、其中，为路口r的绿灯时间占比调整量；为最大控制调整幅度，由专业人员根据历史数据设定，同时用于匹配量纲；为预设的基准干预评分常数，由专业人员根据历史数据设定；为路口交通压力基准阈值，由历史顺畅状态下的压力均值确定，当当前压力大于该阈值时，调整量为正，增加主干道绿灯时间占比，反之则为负，释放多余绿灯时间占比给次要相位；为信号相位占比更新值；为信号相位占比原始值，由控制系统得到；、分别为该路口允许的主干道最大绿灯相位占比下限和上限，由专家参考道路几何条件确定，防止出现极端配时导致交通死锁；

44、s8.4.无人机信息播报强度优化：将路口的交通压力指数和干预优先评分进行融合建立引导强度输出函数，用于每一个具体路口部署的无人机设定广播强度，表达式为：

45、

46、其中，为路口r的无人机广播引导强度，定义为对应的播报控制等级值，用于映射为预设的音量档位、播报间隔或播报频次；为广播信号强度转换系数，由技术人员结合广播参数和历史数据确定，同时用于匹配量纲；为允许的最大播报强度上限，防止因优先评分过高导致整体无上界，由技术人员结合广播参数确定。

47、本发明的有益效果：

48、本发明所述的一种基于无人机协同的交通运行调度方法，处理的问题是无人机在交通运行管理中只感知、不干预，调度混乱、控制缺乏，构建了一套交通控制方法，包含数据融合、节点压力评估，以及无人机调度与信号优化联动，可在空间上准确响应、在时间上动态更新、在机制上闭环优化，实现多目标协同控制。

49、本发明所述的一种基于无人机协同的交通运行调度方法，包含有流量预测、通行能力分析、交通压力演化、路口耦合传播、调度控制以及信号控制等内容，可提升城市交通治理在实时性、精细化和响应能力的水准。把历史数据与无人机实测数据融合起来，用来动态预测各个路口的车辆流入状况，并对其通行能力进行量化，将流入和通行能力相结合定义交通压力指数，构建起路口之间的交互关系和耦合权重。建立了无人机对路口的干预效率模型，对每个无人机与路口的组合进行价值评分与可行性评估。在此基础上完成动态的最优调度。鉴于现场交通诱导的需求，配备了信号配时优化与无人机信息播报的机制。

50、本发明所述的一种基于无人机协同的交通运行调度方法，可以把无人机对城市交通运行的最优干预调度和信号引导方案实现融合，有效解决传统交通管理过程里存在的不及时或者响应速度缓慢的问题，同时提升了资源配置的利用效率。