[发明专利]基于Xue-Dai宏观交通流模型的FPGA在线预测控制方法

权利要求书

1.一种基于Aw-Rascle宏观交通流模型的FPGA在线预测控制方法，其特征在于包括以下步骤：

步骤一、根据Xue-Dai宏观交通流模型：

∂ρ∂t+∂(ρv)∂x=π[r(x,t),s(x,t)]∂v∂t+(v-c)∂v∂x=Ve(ρ)-vT(ρ)c=-ρτrT(ρ)dVe(ρ)dρ≥0T(ρ)=τr[1+E1+(ρ/ρm)]]]>

式中，ρ为车辆的平均密度、v为平均速度、t为时间，x为与仿真道路起始点的距离，π[r(x，t)，s(x，t)]为由于匝口进入或驶出的车流量引起的密度变化率函数，r(x，t)为由匝口进入的车流量，s(x，t)=s₀(x，t)+s_q(x，t)为由匝口驶出的车流量，s₀(x，t)为由匝口驶出的正常车流量、s_q(x，t)为信息显示牌强制驶出车辆造成的流量增量，V_e(ρ)为等价速度，c为交通流的音速，T(ρ)为松弛时间，τ_r、ρ_m、E均为常数，其中τ_r是驾驶员反映时间，ρ_m是临界密度，E>0代表在拥挤和非拥挤的交通情况反应时间的不同；

用差分格式表示微分项并略去高阶项，得到：

∂ρ∂t=ρ(x,t+ξ)-ρ(x,t)ξ+o(ξ)=ρin+1-ρinξ]]>

∂ρ∂x=ρ(x+h,t)-ρ(x,t)h+o(h)=ρi+1n-ρinh]]>

∂v∂t=v(x,t+ξ)-v(x,t)ξ+o(ξ)=vin+1-vinξ]]>

∂v∂x=v(x+h,t)-v(x,t)h+o(h)=vi+1n-vinh]]>

式中，ξ为t的微分，h为x的微分，o(ξ)为ξ的高阶无穷小，o(h)为h的高阶无穷小，ρ(x，t)为t时刻x处车辆的平均密度，v(x，t)为t时刻x处车辆的平均速度，把道路分成多个路段，每个路段长度为h，采样周期为ξ，为第i个路段在[nξ，(n+1)ξ]内车辆的平均密度，为第i个路段在[nξ，(n+1)ξ]内车辆的平均速度；

得到Xue-Dai宏观交通流模型的差分形式为：

ρin+1=ξπ[r(i,n),s(i,n)-ξh[vin(ρi+1n-ρin)+ρin(vi+1n-vin)]+ρinvin+1=vin+ξ[Ve(ρin)-vin]T(ρin)-ξ[vin+ρinτrT(ρin)·d(Ve(ρin))dρ](vi+1n-vin)h]]>

式中，r(i，n)表示第i个路段在[nξ，(n+1)ξ]内由匝口进入的车流量，s(i，n)表示第i个路段在[nξ，(n+1)ξ]内由匝口驶出的车流量；

步骤二、建立等价速度模型为：

式中，v₀，G，均为常数，v_ea为可变信息显示牌指定速度；

第i路段：

式中，v₀，G，均为常数，v_ea为可变信息显示牌指定速度；

步骤三、结合Xue-Dai模型的差分形式和等价速度模型，在FPGA中设计包含车辆平均密度ρ和平均速度v的计算模块，根据实际道路的长度和匝口信息把高速公路分成多个路段，每个路段对应一个计算模块，根据初始信息和调控信息，在FPGA中同时并行运行这些计算模块，预测出各个路段下一时间段的车辆平均密度和平均速度，然后把车辆平均密度和平均速度存入寄存器，在所有计算模块完成计算后，输出车辆平均密度和平均速度，同时把这些数据回传给计算模块进行下一步的计算；

步骤四、以匝口进入封闭道路流量作为模型输入，可变信息牌作为强制速度和匝口强制输出调节量，对于给定控制输入预测每个路段的平均交通流密度和车辆平均速度，如果每个路段都满足最低速度、最大密度要求，则选择该方案以控制封闭道路匝口及可变信息牌，否则调整控制方案。

2.根据权利要求1所述的基于Aw-Rascle宏观交通流模型的FPGA在线预测控制方法，其特征在于：所述计算模块采用浮点数运算，自定义浮点数结构如下表所示：

  1符号S  6阶码e  17尾数M

共24位，其中符号1位，阶码6位，尾数17位，代表的数据大小为F=(-1)^S×1.M×2^e-31。