基于SWARM 的山地城市干線調(diào)控優(yōu)化方法

榮曉楠，譚 靜，蔡曉禹，彭 博，王玉婷

（1. 山地城市交通系統(tǒng)與安全重慶市重點(diǎn)實(shí)驗(yàn)室，重慶 400074; 2. 重慶交通大學(xué)交通運(yùn)輸學(xué)院，重慶 400074）

山地城市路網(wǎng)連通性較弱， 交通分布不均衡，導(dǎo)致山地城市干線成為城市交通系統(tǒng)的主動脈。 城市干線系統(tǒng)是山地城市道路網(wǎng)絡(luò)的生命線，承擔(dān)著山地城市主要交通出行量， 交通流特性差異大，但山地城市干線道路開口分布不均且一般無輔道，交織復(fù)雜，管控難度大。

干線協(xié)調(diào)控制一般是以交通系統(tǒng)運(yùn)行效率最大為控制目標(biāo)，通過全面掌握交通規(guī)律來實(shí)現(xiàn)協(xié)調(diào)控制，主要分為定時控制、感應(yīng)控制及自適應(yīng)控制。

在定時控制方面，最早由Morgan 等[1]提出雙向綠波信號協(xié)調(diào)控制的設(shè)計方法。 Little 等[2]提出的MAXBAND 模型。隨著研究的深入，Chenu 等[3]在博弈論的基礎(chǔ)上提出了干線綠波協(xié)調(diào)并行算法。 荊彬彬等[4]提出了雙周期干線綠波信號協(xié)調(diào)控制模型。王殿海等[5]通過優(yōu)化經(jīng)典數(shù)值算法對綠波帶寬度進(jìn)行改進(jìn)。 龍科軍等[6]建立了基于限速和干線綠波的控制模型。 曲大義等[7]以延誤最小為目標(biāo)的相位差，建立了干線協(xié)調(diào)控制相位差優(yōu)化模型。 王晨宇等[8]提出非公共周期的干線協(xié)調(diào)控制模型。

感應(yīng)控制研究方面，大多為單點(diǎn)感應(yīng)控制方法研究。宋現(xiàn)敏等[9]基于邏輯規(guī)則,提出了感應(yīng)協(xié)調(diào)控制下綠燈時間實(shí)時優(yōu)化方法。何必勝等[10]提出具有“要”“搶”, 跳相功能的公交優(yōu)先預(yù)信號感應(yīng)控制的方法。張蕾等[11]運(yùn)用模糊控制理論對感應(yīng)控制進(jìn)行配時優(yōu)化，提出一種感應(yīng)控制的優(yōu)化方法。顧鴻儒等[12]提出一種基于層次顏色Petri 網(wǎng)的交叉路口的信號燈動態(tài)配時控制模型。 張帥鵬等[13]提出一種基于NEME編號和合流相位的跳相序感應(yīng)控制策略，實(shí)現(xiàn)相位的動態(tài)組合。

干線自適應(yīng)協(xié)調(diào)控制現(xiàn)階段仍不夠成熟，國內(nèi)外的干線自適應(yīng)控制系統(tǒng)主要有SCATS[14]，SCOOT[15]，RHODE[16]，OPAC[17]等。國內(nèi)學(xué)者也進(jìn)行了相關(guān)研究。 楊義軍等[18]提出了基于排隊長度的單點(diǎn)自適應(yīng)信號控制方法。 常玉林等[19]基于相鄰相位所在方向進(jìn)口道流量關(guān)系制定的模糊規(guī)則集得出，以實(shí)現(xiàn)干線協(xié)調(diào)下的單點(diǎn)自適應(yīng)控制。 杜鵬程等[20]基于ALINEA 控制方法，構(gòu)建了快速路入口匝道信號控制算法及銜接交叉口信號優(yōu)化算法。

總體而言，干線協(xié)調(diào)控制的控制目標(biāo)主要分為綠波帶最寬和延誤最小兩大類。 目前國內(nèi)外大部分的協(xié)調(diào)控制研究均在幾個交叉口共用同一信號周期的條件下進(jìn)行優(yōu)化，然而，該方法在流量波動較大的交通狀態(tài)下會產(chǎn)生時空資源的浪費(fèi)，且研究成果多用于平原城市。 適用于山地城市的干線系統(tǒng)的協(xié)調(diào)管控還需要進(jìn)一步研究。

本文提出一種在軌跡數(shù)據(jù)驅(qū)動下的基于SWARM 優(yōu)化算法的山地城市干線多車道匯入系統(tǒng)協(xié)調(diào)管控方法。 SWARM 算法在協(xié)調(diào)控制層SWARM1 是通過預(yù)測交通流來識別道路瓶頸點(diǎn)，以預(yù)防交通擁擠； 在單點(diǎn)信號控制層SWARM2 是利用局部檢測器檢測交通流數(shù)據(jù)確定匝道調(diào)節(jié)率，該算法能較好的利用快速路、道路交叉口及匝道的交通流檢測設(shè)備。 通過對復(fù)雜交織區(qū)、多路合流等干線關(guān)鍵節(jié)點(diǎn)建立多點(diǎn)位的協(xié)調(diào)管控方法，并應(yīng)用到干線系統(tǒng)， 可進(jìn)一步提升干線及干線毗鄰區(qū)域的交通效率，緩解城市道路交通壓力。

1 算法簡介

1.1 SWARM 算法

20 世紀(jì)90 年代末， 美國國家工程技術(shù)公司聯(lián)合加州交通運(yùn)輸局共同研發(fā)的控制算法——全系統(tǒng)自適應(yīng)匝道控制系統(tǒng)（SWARM）。

SWARM 算法是基于交通流密度的匝道實(shí)時控制算法，包含兩種不同管控層面的匝道控制算法，即管控系統(tǒng)多匝道協(xié)調(diào)控制層SWARM1， 常規(guī)的單點(diǎn)信號控制層SWARM2， 分別從兩個層面求解匝道調(diào)節(jié)率， 再選取二者中較小值作為系統(tǒng)應(yīng)用的最終入口匝道調(diào)節(jié)率，該算法技術(shù)路線如圖1 所示。

圖1 SWARM 控制算法技術(shù)路線Fig.1 Technical route of SWARM control algorithm

SWARM 算法是通過預(yù)測的交通流量數(shù)據(jù)來計算匝道調(diào)節(jié)率，故保證SWARM 算法的控制效果精準(zhǔn)的預(yù)測模型和全面的OD 數(shù)據(jù)是算法關(guān)鍵。 該算法存在一定的缺點(diǎn)。

1） 需要準(zhǔn)確的預(yù)測模型；

2） 需要大量的實(shí)際交通流和OD 數(shù)據(jù)；

3） 需要設(shè)置大量的車輛感應(yīng)裝置，以便獲取精準(zhǔn)的實(shí)際路網(wǎng)交通數(shù)據(jù)，實(shí)施成本較高；

4） 模型是靜態(tài)的，在計算匝道調(diào)節(jié)率的過程中忽略了一些動態(tài)因素。

1.2 SWARM 優(yōu)化算法

針對山地城市干線多車道匯入節(jié)點(diǎn)交織區(qū)秩序混亂、通行效率低下、擁堵易發(fā)等特點(diǎn)，本文將原有的SWARM 控制算法進(jìn)行如下改進(jìn)。

1） 山地城市干線多車道匯入系統(tǒng)是間斷流和連續(xù)流的混合交通流系統(tǒng)，其由高速路、城市快速路、主干道等城市不同等級道路組合而成，不同等級道路的交通流特性區(qū)別較大，且匝道和主線的交通功能在某些節(jié)點(diǎn)中相似，僅對匝道進(jìn)行協(xié)調(diào)控制無法有效解決干線系統(tǒng)的交通擁堵，據(jù)此本文提出考慮將主線和匝道同時作為控制對象來解決這一弊端。

2） 在SWARM1 部分， 改進(jìn)了基于歷史交通密度數(shù)據(jù)的調(diào)節(jié)率分配權(quán)重計算。 本文通過獲取大量RFID 數(shù)據(jù)所記錄的車輛移動信息，根據(jù)軌跡OD 數(shù)據(jù)追溯擁堵源頭，以此精確控制干線及入口匝道流量匯入權(quán)重。

3） 在SWARM2 部分， 本文引入分層遞階反饋單點(diǎn)優(yōu)化控制，考慮干線和銜接交叉口對入口匝道的影響，結(jié)合影響區(qū)控制目標(biāo)來確定干線和匝道的調(diào)節(jié)率。

SWARM 優(yōu)化控制算法技術(shù)路線如圖2 所示。

圖2 SWARM 優(yōu)化控制算法技術(shù)路線Fig.2 Technical route of SWARM optimized control algorithm

2 基于SWARM 優(yōu)化算法的協(xié)調(diào)管控

2.1 基于子區(qū)延誤的擁堵溯源調(diào)控方法2.1.1 基本思路

在SWARM 優(yōu)化算法的SWARM1 部分提出了基于子區(qū)延誤最小的擁堵源頭追溯的干線協(xié)調(diào)控制方法。 根據(jù)歷史交通軌跡數(shù)據(jù)還原城市干線系統(tǒng)的交通OD 規(guī)律，追溯瓶頸路段產(chǎn)生擁堵的源頭，確定上游主線和匝道匯入干線瓶頸路段的流量比例，最終結(jié)合控制子區(qū)間邊界調(diào)節(jié)總量[21]和控制目標(biāo)（延誤約束）計算主線和匝道的調(diào)節(jié)率[22]。

2.1.2 模型建立

1） 基于擁堵源頭追溯的主線和匝道匯入權(quán)重確定。 控制子區(qū)調(diào)節(jié)總量按比例分配至上游節(jié)點(diǎn)的主線和匝道，該比例值的確定是通過追溯干線瓶頸路段的擁堵源頭來完成[23]。 提取控制子區(qū)內(nèi)所有出入口的RFID 數(shù)據(jù)，從歷史RFID 數(shù)據(jù)中提取干線系統(tǒng)車輛的移動信息， 并按照車輛ID 和行車方向?qū)?shù)據(jù)進(jìn)行排序，還原車輛在控制子區(qū)內(nèi)的OD 信息。根據(jù)OD 信息追溯瓶頸路段車輛的源頭，確定權(quán)重

式中：Fi為i 子區(qū)主線的權(quán)重；fij為i 子區(qū)第j 個節(jié)點(diǎn)匝道的權(quán)重；Qi（k）為i 子區(qū)主線交通需求；qij（k）為i 子區(qū)第j 個節(jié)點(diǎn)k 時段時匝道的交通需求；Qioff（k）為i 子區(qū)主線由出口匝道流出的總量；qijoff（k）為i 子區(qū)第j 個節(jié)點(diǎn)k 時段入口匝道由出口匝道流出的總量。

2） 控制目標(biāo)確定。 在協(xié)調(diào)管控方案中，多采用單因素作為管控目標(biāo)。 路網(wǎng)的交通運(yùn)行效率主要通過車均延誤或車均停車次數(shù)這兩種指標(biāo)來表征，車均延誤和車均停車次數(shù)是協(xié)調(diào)管控目標(biāo)函數(shù)中的關(guān)鍵指標(biāo)，尤其是車均延誤，是目標(biāo)函數(shù)中使用得最為廣泛的指標(biāo)，且被證明為最經(jīng)濟(jì)有效的指標(biāo)之一[24]。 故本文的目標(biāo)函數(shù)也采用了控制子區(qū)內(nèi)部各控制點(diǎn)位總延誤最小。

式中：Dsij為i 子區(qū)內(nèi)第j 個節(jié)點(diǎn)的主線延誤；Drij為i子區(qū)內(nèi)第j 個節(jié)點(diǎn)的入口匝道延誤； 由于主線和匝道的道路等級或者道路功能的差異，主線和匝道的延誤對路網(wǎng)會產(chǎn)生不同程度的經(jīng)濟(jì)影響，故引入α，β 分別代表主線和匝道的經(jīng)濟(jì)效益系數(shù)（具體取值根據(jù)實(shí)際路網(wǎng)情況確定）。

許多學(xué)者對欠飽和、近飽和和過飽和狀態(tài)的延誤模型進(jìn)行綜合分析研究，提出了綜合延誤模型[13]，該模型的延誤計算主要由兩部分組成：正常相位延誤D1，隨機(jī)延誤和過飽和延誤D1，即

式中：q′為車輛到達(dá)率；C 為控制節(jié)點(diǎn)的信號周期時長，s；λ 為車道綠信比；x 為車道飽和度。 正常相位延誤D1的計算模型與韋伯斯特延誤模型相同，隨機(jī)延誤和過飽和延誤D2用過飽和溢出車輛數(shù)N0和飽和度x 的乘積表示。

其中

式中：X 為飽和流量；Ge為有效綠燈時間。

延誤主要與車輛到達(dá)率、 周期和綠信比相關(guān)，而某節(jié)點(diǎn)主線的車輛到達(dá)率q′sij（k）與通過上游控制點(diǎn)位的車流量，即上游控制點(diǎn)位主線和匝道的調(diào)節(jié)率有直接關(guān)系。

其中，當(dāng)上游節(jié)點(diǎn)主線控制手段為黃閃，即不做管控時， 主線調(diào)節(jié)率等于上游節(jié)點(diǎn)主線交通需求，即Sij（k）=Qij-1（k）；同理，當(dāng)上游節(jié)點(diǎn)匝道不做管控時，匝道調(diào)節(jié)率等于該匝道交通需求，即rij（k）=qij（k），某節(jié)點(diǎn)的匝道交通量到達(dá)率q′rij（k）與單位時間到達(dá)匝道的交通流量相等。

為保證干線綠波行駛，假設(shè)多車道匯入點(diǎn)控制周期時長相同，且不設(shè)全紅時間，則

式中：λ 為綠信比；Y 為各相位臨界車道的交通流量比之和；yv為某相位臨界車道的交通流量比；v 為相位編號；g 為相位數(shù)；qv為該相位車流量；h 為相位控制的車道數(shù)；ys，yr分別為主線和匝道控制的臨界車道交通流量比；Xs，Xr分別為主線和匝道的車道飽和流量。

3） 調(diào)節(jié)率計算。當(dāng)瓶頸處的剩余通行能力大于到達(dá)瓶頸處的車流量時，該子區(qū)內(nèi)部主線和匝道都不需要做流量調(diào)控，即到達(dá)瓶頸處車流量與瓶頸處的剩余通行能力的差值Δik≤0 時（變量），該子區(qū)內(nèi)部不需要進(jìn)行協(xié)調(diào)管控。

匝道和主線的調(diào)節(jié)率是根據(jù)子區(qū)內(nèi)瓶頸處的通行能力、匝道和主線的流量需求以及基于擁堵源頭追溯確定主線和匝道匯入多車道控制點(diǎn)位的權(quán)重來計算。 到達(dá)瓶頸處的車流量由兩部分組成：該子區(qū)內(nèi)最靠近瓶頸處的有主線控制的節(jié)點(diǎn)y 的主線通過流量和該控制點(diǎn)匝道及下游匝道的流量。 再根據(jù)擁堵源頭追溯確定主線和匝道的調(diào)節(jié)率，且上游節(jié)點(diǎn)的管控會影響下游節(jié)點(diǎn)的車輛到達(dá)率，從而影響車輛延誤。

式中：Ci（k）為i 子區(qū)瓶頸處通行能力；Ri（k）為i 子區(qū)調(diào)節(jié)總量；Sij（k），rij（k）分別為i 子區(qū)第j 個節(jié)點(diǎn)在k 時段的主線和匝道調(diào)節(jié)率；Δik 為i 子區(qū)內(nèi)在k時段主線和匝道需要減少的交通總量；Qij（k），qij（k）分別為節(jié)點(diǎn)j 主線和匝道在k 時段的流量需求；lsj，lrj分別為節(jié)點(diǎn)j 主線和入口匝道排隊車輛數(shù)。

在實(shí)際應(yīng)用時，若非干線達(dá)到極度擁堵，否則都選取3～4 veh/min 作為匝道最小調(diào)節(jié)率， 當(dāng)調(diào)節(jié)率小于3 veh/min 時， 排隊等待的車輛會錯誤認(rèn)為調(diào)節(jié)信號出現(xiàn)了問題而出現(xiàn)闖紅燈的違規(guī)駕駛行為，導(dǎo)致控制效果不佳。

2.2 基于分層遞階反饋的單點(diǎn)控制方法

山地城市干線交通系統(tǒng)相對復(fù)雜， 由高速路、快速路和城市道路多等級道路組成，故山地城市干線交通系統(tǒng)中的交通管控涉及到3 個層面的交通流控制，即干線交通流、入口匝道交通流與入口匝道銜接的交叉口匯入匝道的交通流。 由于各等級道路的交通流運(yùn)行規(guī)律相差較大，若將三者統(tǒng)一建模求解，將造成模型參數(shù)繁雜，模型復(fù)雜，且約束條件苛刻，難以求解的問題。 故在SWARM2 部分提出基于分層遞階反饋的單點(diǎn)控制方法[25]。

2.2.1 基本思路

本文基于分層遞階反饋思想， 從兩方面入手建立單點(diǎn)控制模型：考慮主線和匝道的相互影響，及考慮匝道和銜接交叉口的相互影響。 在SWARM2 部分的基于分層遞階反饋的單點(diǎn)控制方法思路如下。

1） 分布式計算：綜合考慮的主線交通流和匝道交通流變化，計算主線和匝道的初步調(diào)節(jié)率，同時，考慮銜接交叉口與入口匝道的相互影響求解銜接交叉口匯入匝道的流量；

2） 啟發(fā)式目標(biāo)：確定單點(diǎn)控制的管控目標(biāo)。 即以主線和匝道的延誤加權(quán)之和最小為控制目標(biāo)；

3） 反饋優(yōu)化：根據(jù)單點(diǎn)控制的管控目標(biāo)，將主線和匝道的初步調(diào)節(jié)率進(jìn)行反饋優(yōu)化。 單點(diǎn)控制范圍為主線-匝道連接處，匝道，匝道-相接道路連接處及銜接交叉口，如圖3 所示。

圖3 單點(diǎn)控制范圍示意圖Fig.3 Schematic diagram of single point control range

2.2.2 模型建立

基于分層遞階反饋的單點(diǎn)控制模型建立主要分為如下3 個步驟。

1） 分布式計算。 分層計算的第1 層，主要是通過考慮節(jié)點(diǎn)主線下游容量與主線及匝道上游交通需求來計算主線和匝道的調(diào)節(jié)率。 若主線下游擁堵，為避免主線排隊或通行能力持續(xù)降低，應(yīng)主動減少主線上游或上游匝道的車流駛?cè)胫骶€下游。

式中：Sij（k+1）為i 子區(qū)中第j 個節(jié)點(diǎn)在（k+1）時段的主線調(diào)節(jié)率；rij（k+1）為i 子區(qū)中第j 個節(jié)點(diǎn)在（k+1）時段得入口匝道調(diào)節(jié)率；Cij（k）為i 子區(qū)中第j 個節(jié)點(diǎn)在k 時段主線下游通行能力。

單點(diǎn)管控中主線和匝道的調(diào)節(jié)率同樣存在最大最小值

分層計算的第2 層，通過獲取銜接交叉口與匝道的RFID 數(shù)據(jù)所記錄的車輛移動信息， 追溯銜接交叉口各進(jìn)口道匯入匝道的流量比例，求解銜接交叉口匯入匝道的流量。子區(qū)內(nèi)第j 個節(jié)點(diǎn)的入口匝道延誤；α，β 分別為主線和匝道的優(yōu)先權(quán)系數(shù)（具體取值根據(jù)實(shí)際路網(wǎng)情況確定）。

3） 反饋優(yōu)化。為保證山地城市干線系統(tǒng)的交通運(yùn)行效率最佳， 可通過控制銜接交叉口匯入量，犧牲銜接交叉口的通行能力來降低干線系統(tǒng)的交通壓力。 銜接交叉口匯入匝道總量與匝道調(diào)節(jié)率存在如下關(guān)系。

式中：NijR為該匝道可接受排隊車輛數(shù)；lij（k）為k 時段排隊車輛數(shù)。

根據(jù)以上約束條件， 再結(jié)合主線/匝道的調(diào)節(jié)率計算公式和節(jié)點(diǎn)控制目標(biāo)聯(lián)合求解調(diào)節(jié)率的最優(yōu)值。

3 案例分析

式中：qi，j，r,on（k+1）為由銜接交叉口匯入匝道的總流量；σx為銜接交叉口編號為x 的進(jìn)口道匯入比例；qi，j，J，x為第i 子區(qū)內(nèi)第j 個節(jié)點(diǎn)的銜接交叉口編號為x 的進(jìn)口道的交通需求。

2） 啟發(fā)式目標(biāo)。以解決山地城市干線系統(tǒng)常發(fā)性擁堵為目標(biāo)，在節(jié)點(diǎn)方面，以節(jié)點(diǎn)總延誤最小為控制目標(biāo)。

式中：Dsij為i 子區(qū)內(nèi)第j 個節(jié)點(diǎn)的主線延誤；Drij為i

3.1 研究區(qū)域交通特性分析

選擇重慶市機(jī)場路 （新牌坊立交-人和立交-東環(huán)立交-金渝立交），以及民安大道、人和大道、金渝大道及周邊重要節(jié)點(diǎn)構(gòu)成的影響區(qū)兩部分，簡稱為機(jī)場路及其影響區(qū)， 機(jī)場路干線全長約為7.5 km，機(jī)場路干線的影響區(qū)范圍有14 km2。 研究方向?yàn)樾屡品涣⒔恢两鹩辶⒔坏膯畏较颍?研究區(qū)域由4 個信控交叉口，3 個多車道匯入點(diǎn)，7 個入口匝道，10 個出口匝道及節(jié)點(diǎn)間的相接道路構(gòu)成。如圖4 所示。

圖4 實(shí)證研究區(qū)域區(qū)位圖Fig.4 Regional map of empirical research

研究區(qū)域的交通系統(tǒng)由高速路、城市快速路和主干路等不同等級的城市道路組合而成，如表1 所示。

表1 實(shí)證研究區(qū)域道路等級Tab.1 Empirical study on regional road grade

實(shí)例研究區(qū)域交通擁堵頻發(fā)， 擁堵主要集中在人和立交、東環(huán)立交及金渝立交，在晚高峰時段（17：00—19：00） 尤為顯著， 且擁堵持續(xù)時間較長，如圖5 所示。 研究區(qū)域呈現(xiàn)交通特性差異大、節(jié)點(diǎn)間距不均勻、交織區(qū)復(fù)雜、交通擁堵頻發(fā)的特點(diǎn)。

圖5 東環(huán)立交區(qū)域部分時段交通狀態(tài)Fig.5 Traffic conditions of east ring interchange area in some periods

3.2 研究區(qū)域仿真模型建立

本研究需建立基于VISSIM 仿真的重慶市機(jī)場路及其影響區(qū)路網(wǎng)模型， 在模型中輸入數(shù)據(jù)包括：道路網(wǎng)絡(luò)數(shù)據(jù)、控制管理數(shù)據(jù)、交通需求數(shù)據(jù)、駕駛員-車輛數(shù)據(jù)。 利用VISSIM 仿真分別試驗(yàn)了無控制、現(xiàn)行管控與基于SWARM 優(yōu)化算法的協(xié)調(diào)控制3 種情景。

基于SWARM 優(yōu)化算法的協(xié)調(diào)控制方案中的各子區(qū)控制點(diǎn)位主線和匝道的調(diào)節(jié)率， 見表2、表3。 其中A 為內(nèi)環(huán)快速；B 為滬渝高速；C 為民心路。控制子區(qū)Ⅰ僅包含一個控制點(diǎn)位，且為五路環(huán)形交叉口，子區(qū)內(nèi)部無需進(jìn)行協(xié)調(diào)管控，按SWARM 優(yōu)化算法調(diào)節(jié)后的流量設(shè)置單點(diǎn)最優(yōu)管控方案。

表2 控制子區(qū)Ⅱ調(diào)節(jié)率Tab.2 Regulation rate of control sub area Ⅱ

表3 控制子區(qū)Ⅲ調(diào)節(jié)率Tab.3 Regulation rate of control sub area Ⅲ

3.3 控制效果對比

為驗(yàn)證本文提出的協(xié)調(diào)管控方法的效果，使用3 種不同的評價方法對3 種情景的管控效果進(jìn)行分析。

3.3.1 車輛路網(wǎng)評價

VISSIM 中的車輛路網(wǎng)評價功能可輸出整個干線多車道匯入系統(tǒng)中的車輛特征屬性。 而本文在協(xié)調(diào)管控層面的控制目標(biāo)為子區(qū)延誤最小，故在車輛路網(wǎng)評價中主要選取車輛平均延誤和車輛平均停車次數(shù)兩個參數(shù)分別對各控制子區(qū)和干線多車道匯入控制系統(tǒng)進(jìn)行評價，評價結(jié)果見表4。

表4 系統(tǒng)交通運(yùn)行評價結(jié)果Tab.4 System traffic operation evaluation results

由表4 可知，現(xiàn)行管控方案的平均延誤和平均停車次數(shù)相對于無管控場景的改進(jìn)較小， 而采用SWARM 優(yōu)化算法進(jìn)行控制，對這兩個指標(biāo)有明顯的改進(jìn)，針對干線多車道匯入系統(tǒng)而言，這兩個指標(biāo)分別降低了22.06%，28.42%。

3.3.2 干線車輛行程時間和延誤評價

通過測量控制子區(qū)Ⅱ、控制子區(qū)Ⅲ及干線多車道匯入系統(tǒng)的干線車輛的平均延誤、平均停車次數(shù)和平均行程時間來評價干線的交通運(yùn)行效果。 由于控制子區(qū)Ⅰ僅包含一個控制節(jié)點(diǎn)，故不對控制子區(qū)Ⅰ中的干線交通運(yùn)行情況進(jìn)行評價。在VISSIM 中，從干線設(shè)置行程時間測量和延誤時間測量來獲取這3 個指標(biāo)，其中，該評價方法中的平均延誤和平均停車次數(shù)指測量路段的所有被觀察車輛相對無任何干擾情況或無任何信號控制情況來計算平均延誤時間和平均停車次數(shù)，故在該評價方法中不再將無管控場景納入對比分析。 控制子區(qū)Ⅱ、控制子區(qū)Ⅲ及干線多車道匯入系統(tǒng)的干線運(yùn)行評價結(jié)果見表5。

由表5 可知， 采用SWARM 優(yōu)化算法進(jìn)行控制，對干線的平均延誤，平均停車次數(shù)和平均旅行時間有明顯的改善：針對這3 個指標(biāo)，SWARM 優(yōu)化算法相對于現(xiàn)行管控方案，在控制子區(qū)Ⅱ中分別降低了28.94%，23.05%，10.06%， 在控制子區(qū)Ⅲ中分別降低了24.25%，24.94%，27.96， 在干線多車道匯入系統(tǒng)中分別降低了23.04%，24.08%，19.38%。 總體而言，SWARM 優(yōu)化算法控制對干線的交通運(yùn)行效果改善明顯。

表5 干線交通運(yùn)行評價結(jié)果Tab.5 Evaluation results of trunk traffic operation

3.4 緩堵效果評價

利用VISSIM 仿真路段區(qū)段評價功能捕獲新牌坊立交-金渝立交的干線車輛特征屬性， 以300 s 為時間間隔記錄每一路段區(qū)段（100 m）的平均車速，其中，0～400 m 為控制子區(qū)Ⅰ，400～4500 m 為控制子區(qū)Ⅱ，4 500～8 200 m 為控制子區(qū)Ⅲ。 仿真總時長設(shè)置為4 800 s，其中包括1 200 s 的路網(wǎng)預(yù)熱時間，3 600 s 的評價數(shù)據(jù)采集時間。將評價結(jié)果用Python進(jìn)行加工，將每個路段區(qū)段在不同時間的速度值用顏色表示（顏色劃分參照交通狀態(tài)分級標(biāo)準(zhǔn)[26]），現(xiàn)行管控方案和SWARM 優(yōu)化算法管控方案的速度時空演變圖見圖7，圖8。

由圖7 和圖8 可知，SWARM 優(yōu)化算法管控方案相對于現(xiàn)行管控方案能有效緩解部分路段區(qū)段的擁堵，在擁堵路段長度和擁堵持續(xù)時間兩方面都有較明顯的提升。 如明顯降低了控制子區(qū)Ⅲ的擁堵持續(xù)時間，提前消散了控制子區(qū)Ⅰ的擁堵。

圖7 速度時空演變圖空間維度對比Fig.7 Comparison of spatial dimensions of velocity spatio-temporal evolution diagrams

圖8 速度時空演變圖時間維度對比Fig.8 Comparison of the time dimension of the time-space evolution diagram of speed

4 結(jié)論

1） 針對實(shí)證研究區(qū)域，SWARM 優(yōu)化算法場景相對于無管控場景平均延誤和平均停車次數(shù)分別降低了22.06%，28.42%。

2） 針對實(shí)證研究區(qū)域的干線，SWARM 優(yōu)化算法場景相對于現(xiàn)行管控場景平均延誤降低了23.04%，平均停車次數(shù)下降了24.08%，平均旅行時間則節(jié)省了19.38%，且擁堵持續(xù)時間和擁堵路段長度都有明顯的改善。

3） 采用SWARM 優(yōu)化算法對山地城市干線多車道匯入系統(tǒng)進(jìn)行控制，可有效降低車輛平均延誤，減少停車次數(shù)，提升山地城市干線系統(tǒng)的運(yùn)行效率。