交通信号灯迭代学习控制方法.docxVIP

交通信号灯迭代学习控制方法 Abstract：There are nonlinear dynamic characteristics for urban traffic signal control. It is difficult to carry out accurate mathematical modeling when controlling it. At the same time， the traffic flow at the intersection has repetitive characteristics and presents obvious periodic characteristics. In order to reduce the waiting time of intersection vehicles， the iterative learning control method is used to optimize the period of the signal lamp and the effective green time of each phase， so that the green light of the intersection can be maximized and the vehicle can be efficiently and smoothly traversed in the road network. After the number of iterations reaches times， the phase difference and error of the queue length go to zero， reducing the time of traffic congestion. Key Words： traffic signal light; traffic signal control;iterative learning; effective green time 引言 交通信號控制是改变城市道路交通状况、提升道路通行能力的有效方法。由于目前交通系统具有复杂性、多变性、不确定性等特点，且随机性较强，很难创建精确的数学模型[-]。当前对路口交通信号的控制是将一天分为若干时段，每个时段内周期长度固定不变，但由于路段的交通流随机性较强，阶段性交通拥堵现象难以避免，而且也无法根据具体情况进行实时调节[]。若能对各个相位的绿信比进行控制，实时响应交通流变化，将能最大限度减少车辆等待时间。 迭代学习控制[-]（iterative learning control，ILC）是针对重复性运动过程的控制方法。在相同时间和地点，路口交通流会近似呈现重复性状态。文献[]针对不同路网的情况，改变区域内的交通条件和选择行为，建立组合型前馈反馈迭代学习控制模型，对系统干扰进行有效控制，从宏观层面针对不同路网情况进行仿真分析，以提高跟踪误差精度，但选取的交通模型相对简单，不能应用于复杂的城市路口;文献[]以主辅路交通密度为控制目标，提出的宏观交通流模型简化了存储转发模型，将迭代学习应用于主辅路之间，在局部路段实现均衡控制，令均衡控制误差收敛，但缺点是该模型忽略了变换车道对交通状况的影响，不能应用于日常生活中的交通路口;文献[]针对快速路入口，使用PD型迭代控制律控制交通流扩散模型，然后采用重心法建模调节迭代学习增益，使系统输出具有更好的跟踪性能，不足之处是其采用的种交通流模型都是宏观交通流模型，在微观特性下会影响结果的准确性。 当前迭代学习控制主要应用在交通流相对固定、车况相对简单的快速路口，而将迭代学习控制应用在日常路口交通灯控制方面的研究较少。本文首先采用TRRL法对日常生活的道路进行配时，然后利用迭代学习控制方法确定各相位最佳有效绿灯时间，最后通过仿真对某一路段的交通灯绿信比进行验证。仿真结果表明，该控制方法可有效减少车辆排队现象，对于提高通行效率可起到很大作用。 . 仿真研究 本文仿真对象是莘建东路和广贤路组成的路口，共有个相位，相位设计如图所示，各路口交通需求参考表。各相位到达率分别为：[.veh/s]、[.veh/s]、[.veh/s]，各相位饱和流率都为[.veh/s]。学习增益取-.，每个相位损失时间为[s]，信号周期为[s]，个相位绿灯时间分别为[s]、[s]和[s]。考虑实际情况，用MATLAB仿真得到的绿灯时间和排队长度都应为整数值。仿真结果如图-图所示。 通过图、图不难发现，当迭代次数超过次之后，车辆排队长度差和误差趋于，整个信号配时系统处于均衡状态。图显