[发明专利]一种交通信号控制的自学习方法及系统

说明书

技术领域

本发明涉及道路交通控制、智能交通技术领域，尤其涉及一种交通信号控制的自学习方法及系统。

背景技术

交叉口是城市交通的瓶颈，其优化控制是实现城市交通流畅通的基础。现有的交叉口控制模型主要是英国的Webster延误模型和美国道路通行能力手册的HCM2000延误模型。上述两种模型主要由交通流的均匀到达延误、随机到达延误项等组成。Webster延误模型能够计算信号的最佳周期时长，但是不适应处理高饱和度的交叉口交通流控制（当饱和度高于0.9）；HCM2000延误模型能够较好的估计不同饱和度下的交叉口车辆延误情形，但没有提供基于其延误模型的最佳周期时长估算公式。另外，上述两个模型中的包含多个难以标定的参数。

交叉口交通信号优化控制的关键在于建立相应的模型（主要为交叉口延误模型）。由于影响交叉口车辆延误的因素较多，相互之间存在着较高的非线性耦合关系，因此，建立较精确的交叉口车辆延误，从而实现交叉口交通流的优化控制是具有挑战性的难题。

强化学习作为一类无模型的机器学习算法为交叉口延误模型的构建提供了有效的途径。但是，目前的研究仅为简化排队长度为“拥挤”、“非拥挤”两种状态，控制方案仅为延长或转换绿灯状态，难以较好地刻画交叉口信号方案与车辆平均延误的复杂关系。

另外，影响交叉口车辆延误的因素除了交通控制方案外，还有交通流到达的均匀性、随机性，以及交叉口的道路渠划、几何尺寸、驾驶员特性、车辆类型和初始排队长度等，因此，需要研究适应不同类型交叉口的交通信号控制方案。

发明内容

本发明的目的是提供一种交通信号控制的自学习方法及系统，有效地降低了现实交通中交叉口的车辆平均延误，提高了交叉口通行能力，并解决了交叉口的车辆延误难以获取的问题。

本发明的目的是通过以下技术方案实现的：

一种交通信号控制的自学习方法，该方法包括：

根据真实交叉口的形状、几何尺寸和道路渠化构建包含交叉口及虚拟信号机的虚拟场景，在交叉口各个道路的上游入口处与出口处设置虚拟车辆检测器，并在各个道路生成指定数量的不同类型的虚拟车辆；

根据所述虚拟车辆检测器获取各个相位所控制道路的当前排队状态；

根据预定的查找表，获得各个相位所控制道路的当前排队状态对应的最佳相位绿灯配时；

由所述虚拟信号机依次执行各个相位的最佳相位绿灯配时后，获得当前周期内交叉口虚拟车辆的平均延误，并更新所述查找表中的评价值，完成本次交通信号控制的自学习。

一种交通信号控制的自学习仿真优化系统，该系统包括：

虚拟场景构建模块，用于根据真实交叉口的形状、几何尺寸和道路渠化构建包含交叉口虚拟场景；

虚拟信号机，设置在所述虚拟场景中的预定位置，用于产生虚拟信号；

虚拟车辆检测器，设置在交叉口各个道路的上游入口处与出口处，用于确定相位所控制道路的排队状态；

发车模块，用于在各个道路生成指定数量的不同类型的虚拟车辆；

主控制模块，用于根据自学习结果产生交通控制方案，对所述虚拟信号机进行配时；

自学习模块，用于根据预定的查找表，获得各个相位所控制道路的当前排队状态对应的最佳相位绿灯配时；由所述虚拟信号机依次执行各个相位的最佳相位绿灯配时后，获得当前周期内交叉口虚拟车辆的平均延误，并更新所述查找表中的评价值，完成本次交通信号控制的自学习。

由上述本发明提供的技术方案可以看出，可以针对不同形状、几何尺寸和拓扑结构的交叉口，构建与真实交叉口对应的虚拟交叉口；并且信号控制方案的优化是基于仿真平台实现的，降低了不合理的信号方案造成的风险，信号控制方案的效率高、周期短；另外，可以较为准确的获得车辆延误信息，并通过多次学习后可较为显著的提高交叉口通行能力。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例一提供的一种交通信号控制的自学习方法的流程图；

图2为本发明实施例二提供的本发明与Webster模型和HCM2000模型获得的交叉口车辆平均延误的示意图；

图3为本发明实施例二提供的本发明与Webster模型和HCM2000模型获得的交叉口车辆平均通行能力的示意图；