混合Petri网基于Markov预测及交叉口信号灯建模终板.docVIP

混合Petri网基于Markov预测的交叉口信号灯建模 1 基本概念和定义 1.1 petri网 Petri网模型通过描述系统演变的数学方程使图形显示和分析描述之间达到最佳平衡。一个Petri网是一个特殊的有向图，有一个初始状态称为初始状态M0。该图有两种节点：库所和变迁。弧线将库所连接到变迁、将变迁连接到库所。一个标记给每一个库所赋一个非负整数。如果库所P标记的是一个非负整数m，说P标记着令牌m。这类标记表明数据m，项目或资源在P中可用[1]。 1.2 马尔可夫过程 马尔可夫（Markov）分析法一般用来预测随机事件在将来一段时间内的发展趋势，使用该方法的核心内容如下：将当前的车流状态和动向作为将来车流动向的预测依据，以便对将来某个时期内可能发生的交通突发事件提供相对应的控制对策[3]。 1）马尔柯夫过程分析 假定所研究的是简单的马尔柯夫过程，系统取n个状态：S1, S2, S3, …, Sn。如图1.5所示，如果在某时刻系统处于状态Si，在下一时刻系统转移到状态Sj其转移概率为pij，图1.5中pii, pjj为保留同一状态Si, Si的转移概率。 图1.5 马尔可夫状态概率转移图 状态Si发生后，紧接着状态Sj发生的转移概率pij可排成一个矩阵，称为转移矩阵P。 系统从状态Si恰经k步转移后到状态Sj的概率为p(k)，称之为k步转移矩阵。 （） ，经k步转移概率后的状态分布表示为，P(k)表示k步概率转移矩阵，则： （） （） 。 2） 稳态概率 正则马尔可夫链的k步转移矩阵的极限是存在的，即系统能够随着k的增加趋于稳定状态，却和系统原始条件无关。可以通过预测系统将来的状态来求解出系统平衡状态概率，平衡方程为：XP=X，其中，X为平衡状态向量，P为平衡状态转移概率。 2 马尔可夫过程预测交叉口流量 以交叉口模型为基础，在此简要给出类似模型，如图3.1所示： 图3.1 简单的四相位交叉口 图中黑色圆点表示视频采集设备的安置点。本文将只以交叉口的入口1为例进行分析。 入口1在某时段当前周期与前一周期的车流量及其在3个方向上的分布情况见表2： 表2 入口1交通流量及分布 研究周期 交通流/Veh 直行 左转 右转 前一周期 50 30 20 当前周期 40 30 30 假设两个研究周期内各方向之间的车辆转移情况如表3所示： 表3 入口1每个行驶方向的车辆转移 行驶方向 直行 左行 右行 直行 21 20 9 左行 14 10 6 右行 5 10 5 下面计算它们的得失概率。 设pij表示i失于j的概率，将表2中车辆得失用矩阵形式表示出来，就得到了转移概率矩阵P。 表2中，设PD1→D2表示从D1到D2的概率(D1, D2=S,L,R)的转移概率，则得转移概率矩阵为： （） （） 由式（2.2）可得到各行驶方向下一周期的交通流占有率分别为：XS1=0.40，XL1=0.30，XR1=0.30。即在下一周期，预测进入入口1的总交通量中将有38.40%的车辆直行，有40.90%的车辆左转，20.70%的车辆右转，还可以通过采用k步转移概率的方法预测更远的状态[4]。 3 利用马尔可夫过程改进混合Petri网 城市交叉口的HPN模型并不具备预测各相位时间的功能[5]，通过引入马尔可夫过程，交叉口的HPN模型对相位绿灯时间进行预测成为可能。在一个相位的绿灯时间内，进入交叉口的道上车队能够连续通过停车线的最多车辆数就是交叉口车道饱和流量[6]。由以下公式估计： （） 为每个相位的绿灯时间，为每个相位的绿灯损失时间，延误的平均时间为2.3s；为前后相邻两车通过停车线的时间间隔，=3s；为综合修正系数，由于车辆的混合性和行驶的不均匀性造成的延误，一般取η=0.8。 根据上节的分析，假设该路段每个入口的最大车流为大约为100辆。仍以路口①为例，由于直行和右行的车流是同时进行的，本章暂时只考虑直行车流而忽略右转车流对整个预测结果的影响。对照表3，令直行车流存在于相位1中，左转车流存在于相位2中，可得每个路口的马尔可夫预测车流情况如表4所示： 表4 预测车流值 周期 相位2（直行） 相位1（左转） 1 30.000 40.000 2 31.210 42.670 3 32.600 42.760 4 33.180 42.590 5 33.350 42. 500 6 33.380 42.470 7 33.380 42.460 8 33.380 42.460 9 33.380 42.460 10 33.380 42.460 由公式（3.1），可得相位1和相位2的10个周期的绿灯分配时间如图3.1所示： 图3.1 第一相位和第二相位预测绿灯