融合多源數(shù)據(jù)的區(qū)域動態(tài)協(xié)調信號控制

徐震輝，邵 慶，應東輝，劉 暢，胡靈龍，劉 志

(1.浙江浙大中控信息技術有限公司，浙江 杭州 310053；2.杭州市公安局蕭山區(qū)分局交通警察大隊，浙江 杭州 311200；3.浙江工業(yè)大學 計算機科學與技術學院，浙江 杭州 310023)

隨著城市規(guī)模的擴大、路網(wǎng)密度的增加以及交通需求的增長，交叉口之間的交通流相關性日益明顯。為提高區(qū)域交通運行的整體效率，需要打破單路口控制的局限，從城市路網(wǎng)總體控制目標出發(fā)，統(tǒng)籌協(xié)調交叉口群的信號配時方案。在“互聯(lián)網(wǎng)+”和大數(shù)據(jù)的背景下，交通數(shù)據(jù)越來越豐富，每天都有海量實時的動態(tài)數(shù)據(jù)生成，給動態(tài)交通信號控制帶來了嶄新的生命力，也產(chǎn)生了數(shù)據(jù)存儲格式不統(tǒng)一、采集頻率不統(tǒng)一和質量參差不齊等問題。通過多源數(shù)據(jù)融合[1]準確地獲取交通參數(shù)，識別與預測交通態(tài)勢，進行交通信號控制決策，實現(xiàn)自適應動態(tài)協(xié)調控制，已經(jīng)成為交通信號控制技術的主流趨勢[2-3]。徐濤等[4]采用貝葉斯估計和模糊邏輯等數(shù)據(jù)融合方法，針對多源異構交通信息，建立了數(shù)據(jù)級、特征級和決策級3 個層次的融合體系。于超等[5]以視頻檢測和微波檢測數(shù)據(jù)為基礎, 結合BP神經(jīng)網(wǎng)絡模型，對城市信號控制主干道的旅行時間進行預測。唐克雙等[6]基于對定點線圈、浮動車和AVI數(shù)據(jù)的融合，進行城市道路交通狀態(tài)估計與判別，實現(xiàn)交叉口單點信號控制和城市干道協(xié)調信號控制。Wang等[7]利用手機信令數(shù)據(jù)和出租車GPS數(shù)據(jù)定位瓶頸路段車輛的主要來源，篩選需要進行信號優(yōu)化的交叉口，實施瓶頸控制，緩解交通擁堵。

在上述研究的基礎上，筆者提出一種融合多源數(shù)據(jù)的區(qū)域動態(tài)協(xié)調信號控制算法，利用基于置信度的多源數(shù)據(jù)融合技術，從交通特征參數(shù)挖掘入手，采用模糊規(guī)則和馬爾可夫鏈模型實現(xiàn)對交通態(tài)勢的識別與預測，并將宏觀戰(zhàn)略決策與微觀戰(zhàn)術決策相結合，生成區(qū)域協(xié)調控制方案，以提高區(qū)域信號控制的響應能力和智能決策水平。

1 算法總體框架

算法包括兩個模塊：數(shù)據(jù)融合與態(tài)勢識別模塊和區(qū)域動態(tài)協(xié)調信號控制算法模塊，其總體框架圖如圖1所示。數(shù)據(jù)融合與態(tài)勢識別模塊首先對傳統(tǒng)交通檢測數(shù)據(jù)和互聯(lián)網(wǎng)數(shù)據(jù)進行重構，并基于置信度標簽進行多源數(shù)據(jù)融合，然后利用融合數(shù)據(jù)計算交通態(tài)勢強度指數(shù)，預測交通態(tài)勢等級，識別暢通、緩行和擁擠3 個交通態(tài)勢。區(qū)域動態(tài)協(xié)調信號控制算法模塊在每個優(yōu)化間隔ΔT1(默認30 min)內，依據(jù)交通態(tài)勢動態(tài)制定控制子區(qū)的協(xié)調策略，同時在每個優(yōu)化間隔ΔT2(默認15 min)內依據(jù)流量、速度和協(xié)調策略等信息動態(tài)生成與實際交通態(tài)勢相適應的控制方案，下發(fā)至路口信號機。信號機執(zhí)行新方案后，又重復上述過程，如此循環(huán)，實現(xiàn)信號控制方案的迭代優(yōu)化。

圖1 融合多源數(shù)據(jù)的區(qū)域動態(tài)協(xié)調信號控制算法框架

2 多源數(shù)據(jù)融合與交通態(tài)勢預測

2.1 多源數(shù)據(jù)融合

首先對多源數(shù)據(jù)進行重構，統(tǒng)一數(shù)據(jù)量綱和頻率，提取交通流量、飽和流量、行程速度、協(xié)調速度和排隊長度。行程速度指考慮路口紅燈停車的速度，主要用于評價；協(xié)調速度指不考慮路口紅燈停車的速度，主要用于優(yōu)化相位差。在完成數(shù)據(jù)重構后，通過數(shù)據(jù)診斷識別異常值和缺失值，利用時空關聯(lián)分析對數(shù)據(jù)進行修復[8]并標記數(shù)據(jù)的置信度。采用5級置信度標簽為數(shù)據(jù)打分，5表示信任數(shù)據(jù)；4表示修復數(shù)據(jù)，置信度高；3表示修復數(shù)據(jù)，置信度中；2表示修復數(shù)據(jù)，置信度低；1表示未修復成功的數(shù)據(jù)，置信度極低。對不同來源的同一交通參數(shù)y，基于數(shù)據(jù)置信度進行多源數(shù)據(jù)的融合，步驟為

Step1在每個采樣間隔內，判斷所有數(shù)據(jù)源中是否有置信度標簽為5的數(shù)據(jù)，如果有，進入Step 2；如果沒有，進入Step 3。

Step2將置信度標簽為5的多源數(shù)據(jù)取平均，作為融合后的數(shù)據(jù)。

Step3根據(jù)置信度標簽為不同來源的數(shù)據(jù)賦予不同權重，將加權平均的數(shù)據(jù)作為融合后的數(shù)據(jù)，即

(1)

式中：f為第f個數(shù)據(jù)來源；yf為第f個數(shù)據(jù)來源中某一交通參數(shù)的值；αf為第f個數(shù)據(jù)來源的置信度標簽。

2.2 交通態(tài)勢識別與預測

利用融合后的交通參數(shù)，構建不同層級的交通強度指數(shù)，劃分并預測交通態(tài)勢等級，將交通態(tài)勢分為暢通、緩行和擁擠等3 類，作為后續(xù)區(qū)域動態(tài)協(xié)調信號控制中協(xié)調策略的生成依據(jù)。交通態(tài)勢識別與預測方法如圖2所示。

圖2 交通態(tài)勢識別與預測

路段交通強度指數(shù)的計算依賴于行程速度v，因路段兩個方向的交通態(tài)勢存在差異，在交通強度指數(shù)的計算中，以路段的一個交通通行方向為分析對象，即

(2)

式中：Pa為單向路段a的交通強度指數(shù),取值為[0, 1]；v為路段a的行程速度，km/h；vmax為路段a的自由流速度，是基于歷史數(shù)據(jù)分時段分析得出的值，按固定頻率更新，km/h。當出現(xiàn)車輛超速，即v>vmax時，取Pa=0。

路口交通強度指數(shù)以車道飽和度為基礎，結合綠燈末排隊長度計算。當路口狀況良好時，飽和度足以反映交通態(tài)勢；而隨著擁堵加劇，車輛移動緩慢，檢測到的過車數(shù)量減少，導致飽和度減小，無法準確反映交通態(tài)勢變化，因此需結合排隊長度進行綜合判斷。采用一種雙輸入單輸出的模糊模塊實現(xiàn)判別過程，輸入為路口的各流向飽和度xk和各流向排隊強度lk，輸出為各流向交通強度指數(shù)Pk。其中，排隊強度的計算式為

(3)

式中：Lqueue,k為流向k的排隊長度；L為路段長度。

對xk，lk，Pk進行模糊子集定義：流向飽和度xk的基本論域為[0,1]，語言值為VS(很小)、S(小)、LS(略小)、LB(略大)、B(大)、VB(很大)，流向飽和度隸屬度劃分如圖3所示；排隊強度lk的基本論域為[0,1]，語言值為VS(很小)、S(小)、B(大)、VB(很大)，排隊強度隸屬度劃分如圖4所示；交通強度指數(shù)Pm,k的基本論域為[0,1]，語言值為VW(很弱)、W(弱)、M(中)、S(強)、VS(很強)，交通強度指數(shù)隸屬度劃分如圖5所示。

圖3 流向飽和度隸屬度劃分

圖4 排隊強度隸屬度劃分

圖5 交通強度指數(shù)隸屬度劃分

模糊規(guī)則為Pk與xk和lk正相關，即飽和度和排隊強度越大，則交通強度指數(shù)越大。共有24 條模糊規(guī)則，如表1所示。

表1 模糊規(guī)則

在獲得流向交通強度指數(shù)后，取進口中各流向交通強度指數(shù)最大值作為進口交通強度指數(shù)，并以進口所在道路的道路等級為權重，經(jīng)過加權平均將進口交通強度指數(shù)處理為路口交通強度指數(shù)Pi。為便于后續(xù)預測，將上述交通強度指數(shù)P映射為10 級交通態(tài)勢等級PL，映射關系如表2所示。

表2 交通強度指數(shù)與交通態(tài)勢等級映射表

基于歷史交通態(tài)勢等級，從空間與時間兩個維度對目標路口或路段交通態(tài)勢等級進行預測。空間維度的預測利用路口和路段的空間相關性實現(xiàn)。路段下一時間間隔t+1的交通態(tài)勢等級通過時間間隔t內其自身的交通態(tài)勢等級和與其相連的路口進口的交通態(tài)勢等級預測得到。路口下一時間間隔t+1的交通態(tài)勢等級通過時間間隔t內其自身的交通態(tài)勢等級和與其相連的進口路段的交通態(tài)勢等級預測得到。以路口為例，計算式為

(4)

式中：PLi(t)為當前時間間隔t路口i的交通態(tài)勢等級；PLa(t)為當前時間間隔t與路口i相連的進口路段a的交通態(tài)勢等級；M為與路口相連的進口路段數(shù)；ωa為基于路段等級生成的各路段權重系數(shù)；PLi,space(t+1)為下一時間間隔t+1的基于空間維度預測的交通態(tài)勢等級；β為算法參數(shù)。

時間維度的預測利用馬爾可夫鏈模型[9]實現(xiàn)?；诋斍皶r間間隔的交通態(tài)勢等級和歷史同期的交通態(tài)勢變化趨勢預測下一個時間間隔的交通態(tài)勢等級，具體步驟為

Step1歷史數(shù)據(jù)采集。獲取歷史交通態(tài)勢等級的時間序列，將兩個相鄰時間間隔的交通態(tài)勢等級組合為一個數(shù)據(jù)對。

Step2通過對歷史數(shù)據(jù)中各個狀態(tài)之間相互轉換情況的統(tǒng)計，計算狀態(tài)轉移概率矩陣D。

Step3交通態(tài)勢等級預測。設路口當前狀態(tài)向量為Z(t)，則下一時間間隔的狀態(tài)向量為

Z(t+1)=Z(t)·D

(5)

取Z(t+1)中元素的最大值對應的交通態(tài)勢等級作為下一時間間隔的交通態(tài)勢等級預測PLi,time(t+1)。融合空間維度與時間維度的預測結果，生成路口和路段最終的交通態(tài)勢等級預測值。綜合道路協(xié)調方向上所包含的路口和單向路段交通態(tài)勢等級，以道路等級和路口等級為權重，獲得道路上行方向和下行方向的交通態(tài)勢等級，映射為3 類交通態(tài)勢：暢通、緩行和擁擠。設PLmin和PLmax為交通態(tài)勢等級閾值，劃分方法如下：PL≥PLmax時為擁擠；PLmin

3 區(qū)域動態(tài)協(xié)調信號控制算法

區(qū)域動態(tài)協(xié)調信號控制算法主要包括兩部分：宏觀動態(tài)協(xié)調戰(zhàn)略決策和微觀信號控制戰(zhàn)術決策。宏觀動態(tài)協(xié)調的戰(zhàn)略決策是根據(jù)交通需求的變化對交叉口群進行協(xié)調策略的動態(tài)優(yōu)化，微觀信號控制的戰(zhàn)術決策[10]是基于當前的協(xié)調策略和交通需求，計算周期、綠信比和相位差，對配時方案進行動態(tài)優(yōu)化。

3.1 宏觀動態(tài)協(xié)調戰(zhàn)略決策

在每個優(yōu)化間隔ΔT1內，根據(jù)實時交通需求，判斷上行和下行的交通態(tài)勢，按照動態(tài)協(xié)調戰(zhàn)略決策樹選擇相應的協(xié)調策略，實現(xiàn)協(xié)調策略對交通需求的動態(tài)響應。結合項目現(xiàn)場的實際應用需求，定義5類協(xié)調策略，以實時適應暢通、緩行和擁擠的交通控制場景：1)雙向綠波；2)單向綠波；3)單向紅波；4)一向紅波一向綠波；5)雙向紅波。宏觀動態(tài)協(xié)調戰(zhàn)略決策樹如圖6所示。

圖6 宏觀動態(tài)協(xié)調戰(zhàn)略決策樹

3.2 微觀信號控制戰(zhàn)術決策

3.2.1 周期優(yōu)化

周期優(yōu)化以關鍵路口為對象，以飽和度最匹配為目標。周期的合理性以路口飽和度來表征，若飽和度偏小，則周期偏大；若飽和度偏大，則周期偏小；若飽和度處在最佳區(qū)間，則周期合理。具體步驟為

Step1計算關鍵路口的飽和度，其計算式為

(6)

(7)

式中：xi為路口i的飽和度；xj為相位j的飽和度；n為相位個數(shù)；qk為流向k的小時流量，veh/h；qs,k為流向k的小時飽和流量，veh/h；λj為相位j的綠信比。

Step2周期優(yōu)化。為了防止周期突變引起交通流混亂，采取小步距的周期調整來適應漸變的交通流。計算式為

(8)

式中：Tout為優(yōu)化后輸入的周期值，s；Δt為周期調整步距，據(jù)現(xiàn)場應用經(jīng)驗取10 s；xmin為飽和度最小閾值；xmax為飽和度最大閾值。

3.2.2 綠信比優(yōu)化

綠信比優(yōu)化以各路口為對象，以各方向飽和度均衡為目標。綠信比合理性以相位飽和度均方差來表征，相位飽和度均方差越小，綠信比越合理。綠信比優(yōu)化步驟為

Step1計算相位飽和度均方差，其計算式為

(9)

(10)

式中：σ為相位飽和度均方差；μ為相位飽和度均值。

Step2判斷相位飽和度均方差是否滿足預設條件。若σ≤σmin，則綠信比符合要求，不進行優(yōu)化，輸出結果；若σ≥σmax，則綠信比不符合要求，進入step 3。其中，σmin和σmax為相位最佳飽和度均方差臨界值。

Step3綠信比調整。為保證綠信比分配的精準性，采取小步距迭代優(yōu)化的方式調整綠信比，將飽和度最低的相位綠信比減少Δλ，飽和度最高的相位綠信比增加Δλ，其中Δλ為綠信比調整步長。

Step4根據(jù)最大、最小綠約束對優(yōu)化后的綠信比進行校驗，微調。

Step5返回Step 1，進入下一次循環(huán)。

3.2.3 相位差優(yōu)化

相位差優(yōu)化以協(xié)調路徑為對象，以帶寬最優(yōu)為目標。相位差的合理性以實時協(xié)調策略下的帶寬來表征，帶寬越大，協(xié)調效果越好；帶寬越小，協(xié)調效果越差。筆者采用遍歷搜索的方法優(yōu)化相位差，即遍歷所有相位差tp∈[0,T)下的帶寬，從中根據(jù)協(xié)調策略選擇最優(yōu)帶寬對應的相位差。以某相鄰路口為例，相位差優(yōu)化流程為

Step1初始化相位差tp=0。

Step2判斷協(xié)調策略類型，計算協(xié)調相位差。若為綠波協(xié)調，則t’p=tp；若為紅波協(xié)調，則t’p=tp+tg。其中：tp為相鄰路口間綠燈相位差，s；t’p為相鄰路口間協(xié)調相位差，s；tg為下游路口道路方向的綠燈時間，s。

Step3計算帶寬w，若為綠波協(xié)調，則計算綠波帶寬；若為紅波協(xié)調，則計算紅波帶寬。將帶寬加入帶寬集合W。

Step4tp=tp+1。

Step5判斷tp的大小，若tp小于T，則返回Step 2，繼續(xù)迭代；否則，表示所有的相位差情況已經(jīng)遍歷完成，進入Step 6。

Step6相位差篩選。取集合W中最大帶寬對應的相位差作為最終結果輸出。

4 案例分析

4.1 應用場景

為驗證算法的有效性與可行性，將其集成于中控Intellific OS信號控制系統(tǒng)中，并在某市的主干道(金柯橋大道、群賢路)進行現(xiàn)場應用驗證。優(yōu)化前，主干道工作日全天小時流量分布如表3所示，可以看出金柯橋大道和群賢路全天交通流量波動較大且不規(guī)律。主干道工作日全天行程時間如表4所示，可以看出高峰時段通行效率不高，現(xiàn)有固定時段和策略下的控制已無法滿足現(xiàn)場多變交通流的需求，亟需全天候的動態(tài)協(xié)調信號控制來適應交通流的變化。

表3 主干道全天交通流量

表4 主干道全天行程時間

4.2 動態(tài)協(xié)調決策

根據(jù)多源數(shù)據(jù)融合結果實時分析各道路交通態(tài)勢，生成與交通態(tài)勢相適應的協(xié)調策略，確保道路無擁堵且車流快速、高效率通行，各路段優(yōu)化結果如表5～7所示。

表5 金柯橋大道協(xié)調策略

表6 群賢路東段協(xié)調策略

表7 群賢路西段協(xié)調策略

4.3 應用效果

為驗證所述算法在現(xiàn)場應用中的有效性，用區(qū)域宏觀指標和干線微觀指標兩個維度的評價指標進行驗證，既能反映信號控制算法對整個區(qū)域交通狀況的影響，也能反映干線協(xié)調效果。以金柯橋和群賢路兩條主干道為評價對象，實時統(tǒng)計分析工作日交通擁堵指數(shù)、行程速度、停車率、平均延誤和行程時間等5項指標。其中，交通擁堵指數(shù)、停車率、平均延誤和行程時間越低越好，行程速度越高越好。區(qū)域交通宏觀指標對比如表8所示，應用算法后全天平均交通擁堵指數(shù)下降30%，早、晚高峰平均行程速度分別增加7.3%和15.9%，區(qū)域交通運行效率得到有效提升。主要路段信號控制微觀指標對比如表9～12所示，在應用該算法后，金柯橋大道和群賢路兩個方向的停車率、延誤時間和行程時間在不同時段內均有所下降。統(tǒng)計數(shù)據(jù)表明：筆者提出的算法能有效地響應交通需求的動態(tài)變化，現(xiàn)場表現(xiàn)較好，具有一定的應用推廣價值。

表8 區(qū)域交通宏觀指標對比

表9 金柯橋大道(北向南)信號控制微觀指標對比

表10 金柯橋大道(南向北)信號控制微觀指標對比

表11 群賢路(東向西)信號控制微觀指標對比

表12 群賢路(西向東)信號控制微觀指標對比

5 結 論

利用多源融合數(shù)據(jù)，提出一種新的區(qū)域動態(tài)協(xié)調控制算法，實現(xiàn)了交通參數(shù)信息的有效提取、交通態(tài)勢的識別和預測，用于指導交通信號控制的宏觀戰(zhàn)略決策與微觀戰(zhàn)術決策。該算法在戰(zhàn)略層和戰(zhàn)術層上都體現(xiàn)了動態(tài)自適應控制思想，前者基于交通態(tài)勢實時調整信號控制的協(xié)調策略；后者以關鍵路口飽和度最匹配為目標實現(xiàn)周期優(yōu)化，以交通負荷均衡為目標實現(xiàn)綠信比優(yōu)化，以帶寬最優(yōu)為目標實現(xiàn)相位差優(yōu)化?，F(xiàn)場應用效果表明：該算法能夠有效地響應實時變化的交通需求，從整體上提高區(qū)域交通控制水平和道路通行效率。