一种复合场景区域交通信号优化控制方法与流程

本发明涉及智慧交通，特别涉及一种复合场景区域交通信号优化控制方法。

背景技术：

1、交通控制一直是城市交通的核心问题之一，道路交叉口是道路网的重要组成部分，各向道路在交叉口相互联结而构成路网，以满足沟通各向道路交通的需要。道路网畅通与否，很大程度上取决于交叉口交通问题处理的好坏。平面交叉口是道路交通网。

2、目前，现有的复合场景区域交通信号由于车流量较多，且不同时间段的车流量也有所不同，无法利用历史车流量数据对该复合场景区域交通信号进行自动调整，从而导致复合场景区域交通混乱，在高峰时期排队时间长，且容易出现交通事故，并且难以实现交通拥堵的最小化；

3、由于复合场景区域交通信号没有设置多种场景下交通信号的使用，使得交通信号灵活性低，在车流量较小的时候，该道路的通行能力不高，导致该复合场景区域交通，常发生行人、机动车相互干扰的交通混乱现象，造成机动车交通流与非机动车交通流、机动车交通流与行人交通流、行人交通流与非机动车交通流之间的严重冲突，引起交叉口的交通混乱，造成交叉口信号灯控制作用的丧失，严重影响交叉口通行。

4、因此，现提出一种新型的复合场景区域交通信号优化控制方法来解决上述问题。

技术实现思路

1、本发明的主要目的在于提供一种复合场景区域交通信号优化控制方法，能够解决背景技术中提出的问题。

2、为实现上述目的，本发明采取的技术方案为：一种复合场景区域交通信号优化控制方法，所述交通信号优化控制方法包括以下步骤：

3、步骤一：建立实时交通管理控制系统，利用交通监测摄像头和传感器收集实时交通数据，包括车辆流量、速度和拥堵情况，对这些数据进行预处理、清洗和分析，以建立对交通情况的全面了解；

4、步骤二：使用交通仿真软件和模型，模拟不同交通场景下的该复合场景区域交通流动情况，通过机器学习和深度学习技术，获取到更为精准的交通信息，进而建立更准确的交通预测模型，并初始化交通网络参数数据；

5、步骤三：基于交通网络参数数据对实时交通数据进行分析，并根据交通状况动态对交通信号控制参数进行计算；

6、步骤四：基于实时交通数据分析的结果，并根据交通状况动态和历史交通流的统计值为依据，找出每个日、周和时、日交通流变化的规律，设计多种交通信号配时方案，采用程序存储方式将这些配时方案存储在实时交通管理控制系统内，根据系统的判断实施不同的信号控制方式。

7、所述步骤一中的交通管理控制系统用于通过信息采集模块采集交通信息，再通过数据库把信息传送至知识模块，通过知识模块给出控制策略，再下达至控制执行模块来执行；

8、所述监测摄像头用于实时捕捉道路上的车辆数量和车辆流动情况，完成道路上车辆数据的采集；

9、所述步骤三中的交通网络参数数据包括周期时间、绿信比、相位及相位差、绿灯间隔时间、有效绿灯时间、损失时间、饱和流量和流量比；

10、所述周期时间计算公式如下：

11、

12、其中，l为周期总损失时间，y为流量比；

13、所述绿信比是在一个周期内，各阶段的绿灯时间与周期时间的比值，其计算公式如下：

14、λ＝g/c

15、其中，λ为绿信比，g为绿灯时间，c为周期时间；

16、所述绿灯间隔时间计算公式如下：

17、

18、其中，r为绿灯间隔时间，d为从停车线到冲突点最远距离，v为车辆在道路上的行驶车速，t为车辆制动时间；

19、所述有效绿灯时间计算如下：

20、选取某一相位的绿灯时间和黄灯时间之和减去损失时间，根据绿灯损失时间的定义，可以得出实际绿灯显示时间与相位有效绿灯时间之间的关系式：

21、ge+l＝g+r

22、其中，ge为有效绿灯时间，g为实际绿灯显示时间，r为绿灯间隔时间，l为相位的损失时间；

23、所述损失时间计算如下：

24、整个周期的总损失时间为各个阶段内关键相位的损失时间之和加上各个绿灯间隔时间，其计算公式如下：

25、l＝∑l+r

26、其损失时间与周期时间的关系公式为：

27、c＝∑(ge+l)+r＝∑ge+l

28、其中，c为周期时间，ge为有效绿灯时间，l为相位的损失时间，l为周期总损失时间，r为绿灯间隔时间；

29、所述流量比计算方式如下：

30、当一个相位中有多个车流同时运行时，该相位的车流量系数为各车流中最大的车流量比值，整个交叉口的车流量比为各个相位对应车流量系数之和，其计算公式如下：

31、

32、其中，y为流量比，q为实际车流量，s为饱和流量。

33、所述步骤二中的交通仿真软件和模型用于通过软件模型模拟道路交通流动和交通信号控制情况，针对复合场景区域进行交通预测；

34、所述步骤四中的交通信号配时方案用于通过交通仿真软件和模型预测的数据得到每个日、周和时、日以及节假日的交通流变化的规律，对该复合场景区域交通信号进行多种方案的设计，并且获取该复合场景区域交通道路上的通行能力、延误时间、排队长度的数据；

35、所述通行能力的计算公式如下：

36、

37、其中，q为通行能力，s为饱和流量，ge为有效绿灯时间，c为周期时间，λ为绿信比；为了满足相应的通行能力必须满足如下公式：

38、sq>q或λ>y

39、其中，s为饱和流量，q为实际车流量，λ为绿信比。

40、所述延误时间计算方式如下：

41、在道路交叉口饱和度小于1的情况下，对信号交叉口行车延误时间进行计算，其计算公式如下：

42、

43、其中，d为交叉口车辆平均延误时间，c为周期时间，λ为绿信比，x为相位饱和度，q为实际车流量；

44、所述饱和度计算方式如下：

45、将交叉口的车流量与该交叉口的通行能力比，其公式如下：

46、

47、其中，x为饱和度，q为实际车流量，q为通行能力，c为周期时间，λ为绿信比，s为饱和流量，ge为有效绿灯时间，y为流量比。

48、所述排队长度计算方式如下：

49、平均排队长度是指在信号一个周期内各条车道排队的最长长度li的平均值平均排队长度的计算公式如下：

50、

51、其中n为车道数。

52、所述步骤四中的程序储存方式用于通过云服务器存储方式对数据进行储存。

53、本发明具有如下有益效果：

54、1.本发明中，通过设置该复合场景区域的交通系统对该复合场景区域的交通流动情况进行实时监测，采集该复合场景区域的车辆数据，利用交通仿真软件和模型对该复合场景区域交通的流动情况的周期时间、绿信比、相位及相位差、绿灯间隔时间、有效绿灯时间、损失时间、饱和流量和流量比的数据进行计算，并通过机器学习和深度学习技术，获取到更为精准的交通信息，并对该复合场景区域设置更优化的交通信号时间，提高通行效率。

55、2.本发明中，通过采集设备对复合场景区域交通的实时状态数据和流量数据进行监测，并对复合场景区域交通车道组进行划分，设置仿真模型并对饱和流率进行调整，再对复合场景区域交通的相位进行确定，并计算该复合场景区域交通每个日、周和时、日以及节假日交通的信号周期进行计算，对其绿灯时间进行确定，再利用系统对该复合场景区域交通每个日、周和时、日以及节假日交通的通行能力进行分析和对交通信号进行设计，对设计的不同时段的交通信号进行投放使用，确定方案是否最优，若是方案不是最优方案自动进行时间和相位的调整，再次进行计算，重新设计交通信号方案，并保存至实时交通管理控制系统内，根据系统的判断实施不同的信号控制方式，避免复合场景区域交通发生行人、机动车相互干扰的交通混乱现象，减少冲突，避免交叉口的交通混乱。