交通密集区车流量信号灯的仿真与优化

交通密集区车流量信号灯的仿真与优化

张麟1

(1. 重庆交通大学 交通运输学院，重庆  400041；)

摘要：在当今世界，城市人口的增加导致货运和客运的增加，也增加了街道上汽车和车辆的数量，直接影响了道路上的交通，更多地影响了街道关键点的交通。为了改善这些交叉口的机动性，有必要对信号和信号灯进行适当协调，以调节各个方向的交通。这项研究展示了一种方法，利用模拟和优化技术，找到正确的灯光时间，以杭州市主要道路之一和最拥堵道路上的车辆行驶时间，找到了理想的循环时间和每种颜色的信号灯的不同时间，以减少车辆排队的时间。本文介绍了类似工作的文献综述、待调查案例的完整描述、评估改进所需的仿真模型的构建、开发的优化模型，以及以相同方式得出的结论，提出了一种可在任何处理类似条件的场景中复制的结构。

关  键  词：模拟；优化；信号灯调度

1  引言

在世界各地，车辆数量的增加不仅影响了人们花在驾驶上的时间，也影响了人们的健康。出于这个原因，交通系统的研究人员正专注于评估能够解决这个问题并带来更好生活质量的替代方案，或减少交通流量是本研究的主要目的。如今，在许多地方，考虑到每种颜色的持续时间，使用固定的时间周期对信号灯进行编程，在每个交叉口精确协调，以加快车流。每种颜色（主要是绿色和红色）的持续时间取决于到达红绿灯的车辆的涌入和其他垂直驶向另一条道路的车辆[1]。

大多数研究都集中在优化技术、传感器管理和机器学习上，以获得减少流量的最佳方案[2]。实施深度强化学习模型来控制交通信号灯[3]。实现了两种强化学习算法：深度策略梯度和基于价值函数的代理，以减少车辆等待[4]。生成了一个用于交通信号应用的智能控制系统，称为模糊智能交通信号（FITS）控制。[5]通过摄像头、移动传感器和人工智能实现象形文字识别的专利系统，可以为交通信号灯的最佳操作方式编程。[6]设计了一个名为绿灯最佳速度咨询（GLOSA）的系统，该系统可以减少二氧化碳排放量、等待时间和行驶时间，从而在不停车的情况下建议最佳速度通过下一个红绿灯。[7]建议高度优先考虑重载车辆，因为它会因中断和停止而消耗和排放大量燃油和二氧化碳。

2  问题描述

为了开展这项研究，有必要找到一个分析了具体条件的路段，在杭州市的一个高流动性地段对这项研究中提出的模型进行了评估。所分析的道路由四条公交线路和城市庞大交通系统中的两条线路组成。交通拥堵最严重的路段和研究对象包括城市的主要街道，每个方向有两条车道和两个信号灯拦截。

3  仿真模型描述与验证

开发仿真模型后，继续查找其运行所需的数据。第一个目标是通过拟合优度检验，找到与高峰时段车辆到达之间的时间相关的最佳随机分布。该方法是根据在模型的四个输入中的每一个中收集的数据使用的。根据车辆类型的不同，它们分为三种类型：小汽车、出租车和公共汽车。同样，大小对结果的影响也很小。以同样的方式，收集了与进入车辆在红绿灯处进行任何类型交叉的概率相关的信息。最后，收集了车辆在红绿灯处等待的平均时间和排队车辆的平均数量的数据，这些信息为验证模拟的正确运行提供了支持。

由于一号交叉口和二号交叉口的信号灯是同步的，第一组场景用于评估如果绿灯相位改变，系统将如何运行。考虑到交通信号灯的完整相位固定为120秒，包括黄色相位中需要两次5秒的时间从绿色变为红色，反之亦然。对这些场景进行了分析，考虑到绿色阶段的持续时间在10到90秒之间，每个场景与另一个场景相差10秒，总共有9个不同的场景测量车辆在红绿灯处等待的平均时间。随后，在最佳范围内逐秒进行分析，以审查这些变化是否改善了结果。

4  优化模型及结果

为了进行优化，并找到每种颜色在信号灯中应持续的理想时间值，以减少所有分析系统中车辆排队的时间，首先，有必要确定所有可能考虑的变量，以找到理想值，从而优化模型，以及与每个过程相关的所有约束条件，以及其中的限制条件，同时考虑到，反过来，一个固定循环时间的可变时间实际上相当于100秒，其中10秒由颜色变化给出，从绿色变为红色时为5秒，从红色变为绿色时为5秒。要实现的主要目标是使车辆的持续时间与整个系统保持一致。

以同样的方式，将一组变量C（如红色和绿色的相位时间）视为黄色相位的8秒固定时间，以找到其最佳相位长度，并根据要分析的交叉点（C1和C2）将其视为不同的一对变量C进行分析。假设每个C变量可能限制每种颜色的时间，则每个C变量的最小值为10秒（红色为5秒，绿色为5秒），最大值为120秒。以下最终模型的变量和约束条件可用于分组，以减少车辆的平均等待时间：X1≥ 5，X1≥ X3，X1≥ X7，X3≥ （C1-X1），X3≤ X5，X3≤ X7，X5≥ X1，X5≥ X7，X7=（C1-X5）X3 5，X9≥ 5，X11=（C2-X9），X13=（C2-X9）。

5  结论

通过本研究开发的模型，有可能改善两个分析交叉口不同信号灯处等待车辆的停留时间。该模拟模型的改善率约为10%，只要改变红绿灯颜色的持续时间，每次拦截时所有红绿灯类别的总循环时间（恢复到初始颜色）保持不变，就可以发现这一点。通过优化模型，车辆在红绿灯处等待的时间缩短了30%以上，因为该模型有助于找到考虑两个不同交叉口之间循环时间的解决方案，否则，一次拦截可能比另一次拦截需要更长的时间来改变红绿灯的所有颜色，能够改善流量并适应呈现的最佳条件。

参考文献(References)：

[1] LAO Yun-teng，ZHANG Guo-hui，WANG Yin-hai，et al． Generalized nonlinear models for rear-end crash risk analysis［J］．

Accident Analysis ＆ Prevention，2014，62( 6) : 9 － 16．

[2] X. Liang, X. Du, G. Wang, and Z. Han, “Deep reinforcement learning for traffic light control in vehicular networks,” arXiv. 2018, doi: 10.1109/TVT.2018.2890726.

[3] 孟祥海，张晓明，郑来． 基于线形与交通状态的山区高速公路追尾事故预测［J］． 中国公路学报，2012，25( 4) :113 － 118．

[4] J. Jin, X. Ma, and I. Kosonen, “An intelligent control system for traffic lights with simulation-based evaluation,” Control Eng. Pract., vol. 58, 2017, doi: 10.1016/j.conengprac.2016.09.009.

[5] 高海龙，阚伟生，李长城，等． 双车道公路路侧事故预测模型研究［J］． 公路交通科技，2007，24( 7) : 127 － 131．

 [6] 韩鹏． 基于短时交通流预测的交叉口优化配时研究［D］． 安徽: 中国科学技术大学，2017．

[7] 周海娟． 基于 VISSIM 仿真的城市信号交叉口交通组织优化研究［D］． 西安: 长安大学，2015．