基于宏观基本图的干线协调控制方法、系统、装置及介质

1.本发明涉及道路交通信号控制技术领域，尤其是一种基于宏观基本图的干线协调控制方法、系统、装置及介质。


背景技术：

2.在干线协调控制方面，morgan首次提出双向绿波协调控制模型，绿波概念得到广泛应用；little等人利用最大绿波带相位差优化方法开发了干线信号设计优化程序maxband，即数解法，该方法被认为是最经济有效的干线控制策略被沿用至今，但其基本假设是所有交叉口均具有相同的通过带宽；张奕源等根据绿波带的设计速度，插入叠加相位，更好地匹配车流到达时间；潘媛等增加了速度波动区间约束，建立了考虑速度波动区间的干线协调控制模型；王晨卫等以干线区域总延误最小为目标，构建双层延误模型进行求解。目前，大部分干线协调控制策略从延误最小化、绿波带最大化、多目标模型等思路出发进行建模，通过智能优化算法求解。
3.总体而言，现有方法更多着眼于若干传统评价指标的优化、或考量具体的应用场景。城市干线及其联通道路作为局部路网，仅从延误、停车次数等微观集计型指标难以表征网络全局运行状态，而饱和交通流下以通行能力、路网输出流量、行驶速度等作为评价指标则会导致数值差异小，难以评判，影响了干线控制效果和车辆通行效率。


技术实现要素：

4.本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
5.为此，本发明实施例的一个目的在于提供一种基于宏观基本图的干线协调控制方法，该方法提高了干线协调控制的控制效果和车辆通行效率。
6.本发明实施例的另一个目的在于提供一种基于宏观基本图的干线协调控制系统。
7.为了达到上述技术目的，本发明实施例所采取的技术方案包括：
8.第一方面，本发明实施例提供了一种基于宏观基本图的干线协调控制方法，包括以下步骤：
9.构建干线协调控制的多目标优化模型，所述多目标优化模型以mfd上升段斜率最大化、路网承载力最大化、路网车辆平均延误最小化以及路网排队系数最小化为优化目标，以干线公共周期、相位有效绿灯时长以及交叉口相位差为待优化参数；
10.获取待优化干线的车流量数据，根据所述车流量数据通过多目标粒子群算法结合遗传算法对所述多目标优化模型进行优化，得到所述待优化参数的最优参数组合；
11.根据所述最优参数组合进行对所述待优化干线进行干线协调控制；
12.其中，在所述多目标优化模型的优化过程中，各个粒子对应的路网车辆平均延误和路网排队系数通过仿真确定，各个粒子对应的mfd上升段斜率和路网承载力通过聚类拟合得到的宏观基本图确定。
13.进一步地，在本发明的一个实施例中，所述多目标优化模型的目标函数为：
[0014][0015]
其中，f(c,g,offset)表示目标函数，表示路网车辆平均延误，表示路网排队系数，a1表示mfd上升段斜率，q
max
表示路网承载力；
[0016]
所述多目标优化模型的约束条件为：
[0017][0018]
其中，queuei表示第i个车道的排队长度，li表示第i个车道的车道长度，c表示干线公共周期，c
min
和c
max
分别表示c的上限和下限，表示第i个交叉口第j个相位的有效绿灯时长，和分别表示的上限和下限，offseti表示第i个交叉口与第一个交叉口的相位差。
[0019]
进一步地，在本发明的一个实施例中，所述根据所述车流量数据通过多目标粒子群算法结合遗传算法对所述多目标优化模型进行优化，得到所述待优化参数的最优参数组合这一步骤，其具体包括：
[0020]
确定粒子群中各个粒子的位置和速度的初始值、粒子群的初始解集以及收敛条件；
[0021]
根据所述车流量数据以及初始粒子群中的各个粒子的位置和速度进行仿真，得到各个粒子对应的路网车辆平均延误、路网排队系数以及mfd数据点集，所述mfd数据点集中的数据点的横坐标和纵坐标分别为路网加权密度和路网加权流量；
[0022]
对所述mfd数据点集进行聚类拟合得到宏观基本图，并根据所述宏观基本图确定各个粒子对应的mfd上升段斜率和路网承载力；
[0023]
对各个粒子分别进行非支配排序确定各个粒子的个体最优位置，对粒子群进行非支配排序确定粒子群的群体最优位置；
[0024]
根据所述个体最优位置和所述群体最优位置更新各个粒子的位置和速度；
[0025]
对粒子群进行选择、交叉以及变异操作得到优化后的粒子群；
[0026]
若满足所述收敛条件，将粒子群的历史群体最优位置的参数取值组合作为最优参数组合，若不满足所述收敛条件，则返回根据所述车流量数据以及初始粒子群中的各个粒子的位置和速度进行仿真这一步骤。
[0027]
进一步地，在本发明的一个实施例中，所述对所述mfd数据点集进行聚类拟合得到宏观基本图，并根据所述宏观基本图确定各个粒子对应的mfd上升段斜率和路网承载力这
一步骤，其具体包括：
[0028]
通过井字形边界提取法对所述mfd数据点集进行边界搜寻，并根据搜寻到的边界点生成初始mfd图；
[0029]
对所述初始mfd图进行聚类，得到两个或三个类别的数据样本集；
[0030]
对各所述数据样本集进行分段线性拟合，得到宏观基本图，所述宏观基本图至少包括上升段结构和平稳段结构；
[0031]
根据所述上升段结构的路网加权流量与路网加权密度的比值确定当前粒子对应的mfd上升段斜率；
[0032]
根据所述平稳段结构的路网加权流量确定当前粒子对应的路网承载力。
[0033]
进一步地，在本发明的一个实施例中，所述对所述初始mfd图进行聚类，得到两个或三个类别的数据样本集这一步骤，其具体包括：
[0034]
以3为聚类数对所述初始mfd图进行聚类，得到三个类别的待定样本集；
[0035]
从左至右确定各所述待定样本集的中心点位置分别为第一中心点、第二中心点以及第三中心点；
[0036]
当所述第一中心点的路网加权流量和所述第三中心点的路网加权流量均小于所述第二中心点的路网加权流量，确定所述初始mfd图为三段闭合型mfd图，将所述待定样本集作为数据样本集输出，反之，则确定所述初始mfd图为两段非闭合型mfd图，并以2为聚类数对所述初始mfd图重新进行聚类，得到两个类别的数据样本集。
[0037]
进一步地，在本发明的一个实施例中，所述根据所述个体最优位置和所述群体最优位置更新各个粒子的位置和速度这一步骤中，通过下式更新各个粒子的位置和速度：
[0038]v1
＝v0×
w s
×r×
(pbest-x0) s
×r×
(gbest-x0)
[0039]
x1＝x0 v1[0040]
其中，v0和v1分别表示更新前和更新后粒子的速度，x0和x1分别表示更新前和更新后粒子的速度，w表示惯性因子，s表示学习因子，r表示[0,1]范围内的随机数，pbest表示个体最优位置，gbest表示群体最优位置。
[0041]
进一步地，在本发明的一个实施例中，所述对粒子群进行选择、交叉以及变异操作得到优化后的粒子群这一步骤，其具体包括：
[0042]
以轮盘赌的方式选择粒子群中的一个粒子重新赋予粒子参数；
[0043]
通过实数交叉法对粒子群中排序最靠后的两个粒子进行交叉处理，得到两个新的粒子加入粒子群；
[0044]
对粒子群进行遍历，根据预设的变异概率对粒子群中的粒子进行变异操作，得到优化后的粒子群。
[0045]
第二方面，本发明实施例提供了一种基于宏观基本图的干线协调控制系统，包括：
[0046]
多目标优化模型构建模块，用于构建干线协调控制的多目标优化模型，所述多目标优化模型以mfd上升段斜率最大化、路网承载力最大化、路网车辆平均延误最小化以及路网排队系数最小化为优化目标，以干线公共周期、相位有效绿灯时长以及交叉口相位差为待优化参数；
[0047]
模型优化模块，用于获取待优化干线的车流量数据，根据所述车流量数据通过多目标粒子群算法结合遗传算法对所述多目标优化模型进行优化，得到所述待优化参数的最
优参数组合；
[0048]
协调控制模块，用于根据所述最优参数组合进行对所述待优化干线进行干线协调控制；
[0049]
其中，在所述多目标优化模型的优化过程中，各个粒子对应的路网车辆平均延误和路网排队系数通过仿真确定，各个粒子对应的mfd上升段斜率和路网承载力通过聚类拟合得到的宏观基本图确定。
[0050]
第三方面，本发明实施例提供了一种基于宏观基本图的干线协调控制装置，包括：
[0051]
至少一个处理器；
[0052]
至少一个存储器，用于存储至少一个程序；
[0053]
当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现上述的一种基于宏观基本图的干线协调控制方法。
[0054]
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行上述的一种基于宏观基本图的干线协调控制方法。
[0055]
本发明的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到：
[0056]
本发明实施例考虑基于宏观基本图的宏观评估指标，构建干线协调控制的多目标优化模型，通过多目标粒子群优化算法和遗传算法进行优化得到最优参数组合，进而可以根据最优参数组合进行干线协调控制。本发明实施例将基于宏观基本图的宏观评估指标纳入干线协调控制优化中，使得干线协调控制能够兼顾宏观与微观的交通效率，通过多目标粒子群优化算法和遗传算法进行模型优化，提高了干线协调控制的控制效果和车辆通行效率。
附图说明
[0057]
为了更清楚地说明本发明实施例中的技术方案，下面对本发明实施例中所需要使用的附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
[0058]
图1为本发明实施例提供的一种基于宏观基本图的干线协调控制方法的步骤流程图；
[0059]
图2为本发明实施例提供的多目标优化模型的优化流程示意图；
[0060]
图3为本发明实施例提供的典型宏观基本图的形态示意图；
[0061]
图4为本发明实施例提供的通过井字形边界提取法进行边界搜寻的示意图；
[0062]
图5(a)为本发明实施例提供的拟合得到的三段闭合型mfd图的示意图；
[0063]
图5(b)为本发明实施例提供的拟合得到的两段非闭合型mfd图的示意图；
[0064]
图6(a)为本发明实施例提供的干线协调控制方法的仿真实验得到的宏观基本图的形态示意图；
[0065]
图6(b)为本发明实施例提供的第一种对照实验组的仿真实验得到的宏观基本图的形态示意图；
[0066]
图6(c)为本发明实施例提供的第二种对照实验组的仿真实验得到的宏观基本图的形态示意图；
[0067]
图6(d)为本发明实施例提供的第三种对照实验组的仿真实验得到的宏观基本图的形态示意图；
[0068]
图7为本发明实施例提供的一种基于宏观基本图的干线协调控制装置的系统框图；
[0069]
图8为本发明实施例提供的一种基于宏观基本图的干线协调控制装置的结构框图。
具体实施方式
[0070]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0071]
在本发明的描述中，多个的含义是两个或两个以上，如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。此外，除非另有定义，本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。
[0072]
宏观基本图(macroscopic fundamental diagram,mfd)以路网检测数据在宏观层面分析路网，反映了路网中流量、密度、总交通量之间的普遍关系以及内在客观规律。许菲菲等通过仿真实验论证了路网交通控制策略如公交专用道、禁行措施等对mfd形态有较大影响；惠彦彦等分析了干线控制策略对mfd的影响，发现存在一个最佳公共周期使干线路网通行效率最大化；孙秋霞等通过识别路段缺失后mfd形状变化，提出路网关键路段识别方法。综上所述，近年来对mfd的应用集中于以mfd形态作为控制策略的评价指标、mfd的影响因素研究、以及基于mfd进行路网子区划分与边界控制等，对于mfd如何作为优化目标之一指导路网信号控制策略优化，很少涉及。
[0073]
本发明从mfd特性出发，利用仿真平台下的mfd建模方法，提出基于mfd的路网运行效率的宏观效能评估指标，结合传统评价指标，建立考虑mfd多目标干线控制策略优化模型，对该模型以遗传算法结合多目标粒子群算法(ga-mopso)进行参数求解，进一步提升其求解性能。本发明的目的在于克服现有干线协调控制方法仅考虑微观评价指标这一不足，将宏观基本图特性及指标纳入干线协调控制优化中，基于宏观基本图特征构建路网宏观评价指标及其提取方法，并以该宏观指标为优化目标进行干线协调控制策略求解，获得更好的干线控制效果。
[0074]
参照图1，本发明实施例提供了一种基于宏观基本图的干线协调控制方法，具体包括以下步骤：
[0075]
s101、构建干线协调控制的多目标优化模型，多目标优化模型以mfd上升段斜率最大化、路网承载力最大化、路网车辆平均延误最小化以及路网排队系数最小化为优化目标，以干线公共周期、相位有效绿灯时长以及交叉口相位差为待优化参数。
[0076]
具体地，本发明引入mfd上升段斜率、路网承载力作为路网宏观效率指标进行优化求解，二者均通过仿真实验输出的mfd形态聚类、拟合求解获得；使用路网排队系数替代传统的路网排队长度，其定义为所有车道排队长度与车道长度比值之和。需要说明的是，相位有效绿灯时长为各个交叉口各个相位的绿灯时长；交叉口相位差为各个交叉口与第一个交叉口的相位差。
[0077]
进一步作为可选的实施方式，多目标优化模型的目标函数为：
[0078][0079]
其中，f(c,g,offset)表示目标函数，表示路网车辆平均延误，表示路网排队系数，a1表示mfd上升段斜率，q
max
表示路网承载力；
[0080]
多目标优化模型的约束条件为：
[0081][0082]
其中，queuei表示第i个车道的排队长度，li表示第i个车道的车道长度，c表示干线公共周期，c
min
和c
max
分别表示c的上限和下限，表示第i个交叉口第j个相位的有效绿灯时长，和分别表示的上限和下限，offseti表示第i个交叉口与第一个交叉口的相位差。本发明实施例中，设定第一个交叉口相位差为0。
[0083]
s102、获取待优化干线的车流量数据，根据车流量数据通过多目标粒子群算法结合遗传算法对多目标优化模型进行优化，得到待优化参数的最优参数组合；
[0084]
其中，在多目标优化模型的优化过程中，各个粒子对应的路网车辆平均延误和路网排队系数通过仿真确定，各个粒子对应的mfd上升段斜率和路网承载力通过聚类拟合得到的宏观基本图确定。
[0085]
具体地，本发明实施例以多目标粒子群算法mopso(multi-objective particle swarm optimization)结合遗传算法操作，即在原有的粒子群算法基础上，带有选择、交叉、变异策略的快速非支配、基于parto解的多目标优化算法，最终确定多目标中最具优势的解集。
[0086]
进一步作为可选的实施方式，根据车流量数据通过多目标粒子群算法结合遗传算法对多目标优化模型进行优化，得到待优化参数的最优参数组合这一步骤，其具体包括：
[0087]
a1、确定粒子群中各个粒子的位置和速度的初始值、粒子群的初始解集以及收敛
条件；
[0088]
a2、根据车流量数据以及初始粒子群中的各个粒子的位置和速度进行仿真，得到各个粒子对应的路网车辆平均延误、路网排队系数以及mfd数据点集，mfd数据点集中的数据点的横坐标和纵坐标分别为路网加权密度和路网加权流量；
[0089]
a3、对mfd数据点集进行聚类拟合得到宏观基本图，并根据宏观基本图确定各个粒子对应的mfd上升段斜率和路网承载力；
[0090]
a4、对各个粒子分别进行非支配排序确定各个粒子的个体最优位置，对粒子群进行非支配排序确定粒子群的群体最优位置；
[0091]
a5、根据个体最优位置和群体最优位置更新各个粒子的位置和速度；
[0092]
a6、对粒子群进行选择、交叉以及变异操作得到优化后的粒子群；
[0093]
a7、若满足收敛条件，将粒子群的历史群体最优位置的参数取值组合作为最优参数组合，若不满足收敛条件，则返回根据车流量数据以及初始粒子群中的各个粒子的位置和速度进行仿真这一步骤。
[0094]
进一步作为可选的实施方式，根据个体最优位置和群体最优位置更新各个粒子的位置和速度这一步骤中，通过下式更新各个粒子的位置和速度：
[0095]v1
＝v0×
w s
×r×
(pbest-x0) s
×r×
(gbest-x0)
[0096]
x1＝x0 v1[0097]
其中，v0和v1分别表示更新前和更新后粒子的速度，x0和x1分别表示更新前和更新后粒子的速度，w表示惯性因子，s表示学习因子，r表示[0,1]范围内的随机数，pbest表示个体最优位置，gbest表示群体最优位置。
[0098]
进一步作为可选的实施方式，对粒子群进行选择、交叉以及变异操作得到优化后的粒子群这一步骤a6，其具体包括：
[0099]
a61、以轮盘赌的方式选择粒子群中的一个粒子重新赋予粒子参数；
[0100]
a62、通过实数交叉法对粒子群中排序最靠后的两个粒子进行交叉处理，得到两个新的粒子加入粒子群；
[0101]
a63、对粒子群进行遍历，根据预设的变异概率对粒子群中的粒子进行变异操作，得到优化后的粒子群。
[0102]
如图2所示为本发明实施例提供的多目标优化模型的优化流程示意图，具体如下：
[0103]
step1：初始化粒子群的规模(如m＝15)及初始解集，即干线公共周期、各交叉口相位有效绿灯时长、交叉口相位差等，设定收敛条件(如最大迭代次数)；
[0104]
step2：粒子群通过com接口更改各交叉口信控参数、调用vissim进行仿真，得到输出的路网加权密度及流量，通过聚类并拟合得出mfd上升段斜率a1、路网承载力q
max
，同时通过检测器获得路网车辆平均延误、路网排队系数；
[0105]
step3：对每个粒子的历史解进行非支配排序，每个粒子最靠前的解集(即个体最优位置)记为pbest，所有粒子历史排序最靠前的解集(即群体最优位置)记为gbest；
[0106]
step4：按下式更新每个粒子的位置和速度：
[0107]v1
＝v0×
w s
×r×
(pbest-x0) s
×r×
(gbest-x0)
[0108]
x1＝x0 v1[0109]
其中，v0和v1分别表示更新前和更新后粒子的速度，x0和x1分别表示更新前和更新
后粒子的速度，w表示惯性因子，s表示学习因子，r表示[0,1]范围内的随机数，pbest表示个体最优位置，gbest表示群体最优位置，在每次循环中更新二者；
[0110]
step5：选择操作，以轮盘赌的方式，选择其中一个粒子重新赋予参数；
[0111]
step6：交叉操作，选择实数交叉法，该方法是指两个染色体的配时参数组合通过线性组合产生两个新的个体，如第m个粒子am和第n个粒子an在第j个相位的交叉操作方法为：
[0112]
amj＝(1-m)amj manj[0113]
anj＝(1-m)anj mamj[0114]
式中，m是区间[0，1]之间的随机数。对父代群体中排序最靠后的两个粒子进行交叉；
[0115]
step7：变异操作，遍历群体，以变异概率pm重新为粒子随机分配取值；
[0116]
step8：重复第2-7步，且在每次迭代中检查是否满足约束，当满足收敛条件时结束求解，所对应排序最靠前的参数取值组合即最优参数组合。
[0117]
进一步作为可选的实施方式，对mfd数据点集进行聚类拟合得到宏观基本图，并根据宏观基本图确定各个粒子对应的mfd上升段斜率和路网承载力这一步骤a3，其具体包括：
[0118]
a31、通过井字形边界提取法对mfd数据点集进行边界搜寻，并根据搜寻到的边界点生成初始mfd图；
[0119]
a32、对初始mfd图进行聚类，得到两个或三个类别的数据样本集；
[0120]
a33、对各数据样本集进行分段线性拟合，得到宏观基本图，宏观基本图至少包括上升段结构和平稳段结构；
[0121]
a34、根据上升段结构的路网加权流量与路网加权密度的比值确定当前粒子对应的mfd上升段斜率；
[0122]
a35、根据平稳段结构的路网加权流量确定当前粒子对应的路网承载力。
[0123]
具体地，宏观基本图作为路网的基本属性，任意路网形式均存在对应的宏观基本图。如图3所示为本发明实施例提供的典型宏观基本图的形态示意图，典型的宏观基本图包含三段结构：上升段、平稳段、下降段，三段分别对应的线性函数表达式如下：
[0124][0125]
对采集绘制的mfd进行聚类是划分路网状态的常用手段，本发明需通过聚类识别并划分mfd中的上升段、平稳段、下降段，本发明使用高斯混合聚类(gaussian mixture model,gmm)进行状态划分。
[0126]
mfd对路网宏观效能的刻画，主要体现在路网最大流量q
max
、上升段斜率a1，二者分别描述了自由流下的路网初期的运行效率、饱和流下路网承载力上限。考虑到二者对效率与空间“上限”的表征，mfd形态应侧重于保留mfd轮廓的上方边界点。该问题实为如何在二维平面中提取数据集中靠近上方的边界点，本发明因此引入图像处理技术中的“井字形”边界点提取法完成。
[0127]
如图4所示为本发明实施例提供的通过井字形边界提取法进行边界搜寻的示意
图。通过图4中的“井字形”区域在在离散点集中搜索提取边界点，其中圆心i(ki,qi)为当前数据点，以r为半径作为搜索范围，取值为数据集中各点间平均欧氏距离，以r1、r2为横向、纵向搜索距离，其取值分别为各点间平均横、纵距离，则当前数据点四周搜索区划分出8个区域，本发明实施例定义当点i周边8区域中有2个连续空白区域时，点i即为边界点，且由于本发明实施例侧重于搜寻梯形三段结构边界点，故图4中正下方区域不列入空白区搜索中。r、r1以及r2通过下式计算得到：
[0128][0129]
经处理，可获得仅保留边界点的mfd形态。
[0130]
进一步作为可选的实施方式，对初始mfd图进行聚类，得到两个或三个类别的数据样本集这一步骤a32，其具体包括：
[0131]
a321、以3为聚类数对初始mfd图进行聚类，得到三个类别的待定样本集；
[0132]
a322、从左至右确定各待定样本集的中心点位置分别为第一中心点、第二中心点以及第三中心点；
[0133]
a333、当第一中心点的路网加权流量和第三中心点的路网加权流量均小于第二中心点的路网加权流量，确定初始mfd图为三段闭合型mfd图，将待定样本集作为数据样本集输出，反之，则确定初始mfd图为两段非闭合型mfd图，并以2为聚类数对初始mfd图重新进行聚类，得到两个类别的数据样本集。
[0134]
具体地，gmm聚类数可设为3，即对应mfd中的三段结构，并通过最小二乘法拟合三段样本集对应的线性方程组。但在实际应用中，由于路网需求在空间、时间上的不均匀性，或路网远未达到过饱和状态，使得绘制的mfd形状往往并非理想的三段式闭合梯形，而是不封闭的近似抛物线的结构(可拟合为二段非闭合mfd图)，即仅有上升段及平稳段。考虑到本发明实施例主要研究mfd对路网运行效率提升方面的作用，下降段对应的过饱和拥塞状态不作考量，因此对聚类获得的3个样本集进行比对，对于不闭合的mfd，gmm聚类数改为2进行聚类。mfd获取、聚类及拟合的步骤如下：
[0135]
step1：仿真，获取结果以kw为横坐标、qw为纵坐标，生成mfd数据集散点图，使用“井字形”边界搜寻法遍历所有数据，仅保留边界点，得到初步mfd图；
[0136]
step2：使用gmm对获得的mfd图进行聚类，聚类数为3，获得聚类对应样本集d＝{d1,d2,d3}；
[0137]
step3：从左至右确定三个类别样本集中心点位置{(k1,q1),(k2,q2),(k3,q3)}，根据中心点空间位置确定mfd形态，当满足q1《q2且q3《q2时，此时mfd形态为典型的三段闭合型
梯形；当不满足上述条件时，如q3》q2，则mfd形态为只有上升段与平稳段的两段非闭合型结构，此时聚类数更改为2，再次进行gmm聚类；
[0138]
step4：对最终生成的样本集进行分段线性拟合，获得最终的mfd图。
[0139]
如图5(a)所示为本发明实施例提供的拟合得到的三段闭合型mfd图的示意图，如图5(b)所示为本发明实施例提供的拟合得到的两段非闭合型mfd图的示意图。根据mfd特征，确定以下宏观效率指标：
[0140]
(1)mfd上升段斜率：即上升段流量与密度的比值，是描述路网时间运行效率的指标。
[0141]
斜率a1表达式如下，式中k1为图5(a)或5(b)中上升段与平稳段拐点横坐标。
[0142][0143]
(2)路网承载力：现有研究对路网承载力定义为，在一定的道路条件及交通管控条件下，路网保持良好运行状态时所能承载的交通量，是描述路网交通供给能力的指标。q
max
则反映了当前控制方案下路网流量的最大值，故将其定义为路网承载力。
[0144]
s103、根据最优参数组合进行对待优化干线进行干线协调控制。
[0145]
具体地，根据优化得到的最优参数组合，即干线公共周期、相位有效绿灯时长以及交叉口相位差的最优组合进行干线协调控制。
[0146]
以上对本发明实施例的方法流程进行了说明。本发明实施例提出宏观基本图存在三段式(上升段、平稳段、下降段)的闭合型、两段式(上升段、平稳段、)非闭合型两种形态，以上升段斜率a1、平稳段路网最大承载力q
max
作为路网宏观运行效率指标纳入干线协调控制优化过程中；使用“井字形”图像处理法提取宏观基本图关键点，用于数据点聚类以及线性拟合；以干线路网中的公共周期、各相位绿信比、各交叉口相位差为待解参数，以mfd上升段斜率最大化、路网承载力最大化、路网车辆平均延误最小化以及路网排队系数最小化四个目标最优建立多目标优化模型，使用ga-mopso算法进行模型求解。相对现有技术而言，本发明实施例具有以下优点：
[0147]
1)考虑宏观基本图指标的优化目标，使得干线协调控制效果更能兼顾宏观与微观交通效率，路网宏观基本图形态具有较强稳定性和可控性；
[0148]
2)采用“井字形”图像处理法结合高斯混合聚类，能快速、精确划分宏观基本图状态并获得相关指标，该模式也可推广至各类型的路网；
[0149]
3)使用ga-mopso进行模型求解，该算法以遗传算法结合多目标粒子群算法，结果表明其求解效率及所得方案更佳。
[0150]
下面结合仿真实验对本发明实施例的干线协调控制方法作进一步说明。
[0151]
以东莞市连升路干线路网为例，人工采集车流量、信号控制参数作为实验输入，同时使用另外三种方法作为对照实验组与本发明实施例的干线协调控制方法进行优化效果对比。
[0152]
本发明实施例的干线协调控制方法使用的优化模型记为模型f0，以ga-mopso求解模型；第一种对照实验组建立路网车辆平均延误最小化、路网排队系数最小化、系统通行能力最大化的优化模型，记为模型f1，同样以ga-mopso求解模型，其中系统通行能力为路网交叉口单位时间内的输出流量之和；第三种对照实验组按照传统数解法构建优化模型f2并优
化；第四种对照实验组同样以以mfd上升段斜率最大化、路网承载力最大化、路网车辆平均延误最小化以及路网排队系数最小化为优化目标构建优化模型f3，但以未做改进的mopso进行模型优化。各方案的特点如下表1所示。
[0153][0154]
表1
[0155]
通过仿真实验得到各个方案的宏观基本图的形态示意图如图6(a)至6(d)所示。为全面评价四种模型在优化效果上的优劣，分别以延误、排队长度、mfd形态参数、系统通行能力作为评价指标，对比结果如下表2所示。
[0156][0157]
表2
[0158]
从实验结果看，本发明实施例提供的方法在延误、排队系数等指标中效果最佳，路网mfd承载力总体略低于模型f1；模型f0控制方案下路网容纳的最大流量为1664veh/h，mfd上升段斜率最大，表明在三种方案中最快达到承载力，低密度下具有较高流量，自由流下路网运行效率最高。而模型f1总延误、平均延误、排队系数均高于模型f0，由于以通行能力作为优化目标，其承载力、通行能力指标略高于模型f0，表明在饱和状态下有较高输出能力。模型f2、模型f3评价指标均不佳，模型f3由于考虑了mfd参数，mfd指标较好，但由于mopso算法限制，易陷入局部最优解。模型f2以主干线绿波带宽为优先，导致主路绿信比过高、周期过长，延误巨大。
[0159]
从mfd形态及稳定性结果上看，四种方案mfd均为不封闭的两段形态，表明现有交通需求及供给条件下四种方案均未达到过饱和或拥塞状态。其中，模型f0对应方案由于考虑了mfd参数，上升段斜率最大，表明自由流状态下效率最高，从mfd形态上看数据点较为集中，呈现明显的上升、稳定段状态，无论考虑或排除非边界点，其rmse均最小，拟合效果最佳，mfd稳定性最好；模型f3虽也考虑了mfd参数，但由于mopso算法容易陷入局部最优这一特点，导致其优化效果并不理想，数据离散性较大，但平稳段承载力最大；模型f2对应方案为传统数解法，在饱和交通流下周期取值最大，各指标表现并不理想，在上升段自由流状态有较高效率，但饱和流下平稳段最为离散、且具有“回滞”现象，表明该方案下交通流量有骤然增长或减少，路网极不稳定；模型f1对应方案不考虑mfd参数，但延误与排队长度本身亦为交通效率考量指标，故各评价指标与本发明实施例的方案较为接近，但其mfd稳定性差于本发明实施例的方案，总延误也差异较大。
[0160]
通过上述实验结果可以证明在干线区域路网、饱和交通流场景下，本发明实施例
提供的干线协调控制方法更能兼顾宏观与微观交通效率，mfd形态具有较强稳定性和可控性，而改进的ga-mopso算法效果远优于mopso，验证了本发明中模型与算法的有效性。
[0161]
参照图7，本发明实施例提供了一种基于宏观基本图的干线协调控制系统，包括：
[0162]
多目标优化模型构建模块，用于构建干线协调控制的多目标优化模型，多目标优化模型以mfd上升段斜率最大化、路网承载力最大化、路网车辆平均延误最小化以及路网排队系数最小化为优化目标，以干线公共周期、相位有效绿灯时长以及交叉口相位差为待优化参数；
[0163]
模型优化模块，用于获取待优化干线的车流量数据，根据车流量数据通过多目标粒子群算法结合遗传算法对多目标优化模型进行优化，得到待优化参数的最优参数组合；
[0164]
协调控制模块，用于根据最优参数组合进行对待优化干线进行干线协调控制；
[0165]
其中，在多目标优化模型的优化过程中，各个粒子对应的路网车辆平均延误和路网排队系数通过仿真确定，各个粒子对应的mfd上升段斜率和路网承载力通过聚类拟合得到的宏观基本图确定。
[0166]
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0167]
参照图8，本发明实施例提供了一种基于宏观基本图的干线协调控制装置，包括：
[0168]
至少一个处理器；
[0169]
至少一个存储器，用于存储至少一个程序；
[0170]
当上述至少一个程序被上述至少一个处理器执行时，使得上述至少一个处理器实现上述的一种基于宏观基本图的干线协调控制方法。
[0171]
上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0172]
本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，该处理器可执行的程序在由处理器执行时用于执行上述一种基于宏观基本图的干线协调控制方法。
[0173]
本发明实施例的一种计算机可读存储介质，可执行本发明方法实施例所提供的一种基于宏观基本图的干线协调控制方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0174]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
[0175]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或上述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被
改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0176]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，上述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0177]
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0178]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0179]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印上述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得上述程序，然后将其存储在计算机存储器中。
[0180]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0181]
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语
的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
[0182]
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0183]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。