基于交通大数据的城市交叉口车流优化调度模型

罗典

(佛山市规划测信总院有限公司，广东 佛山 528000)

1 引言

近年来，私家车数量呈几何状增长，成为城市交通中不可忽视的一部分。交通工具数量的增加像是一把双刃剑，在为人们提供便利的同时，也造成了一些问题。而且由于道路与地域的限制，城市道路的规模受到局限，车辆与道路之间的矛盾日益激化[1-2]。在此背景下，传统的交通指挥方式已经无法满足当前城市交通的发展，车流优化调度成为解决城市交通问题的主要方案，也成为城市道路发展的迫切需求。因此必须要根据车流优化调度结果，对交叉路口的车辆进行控制，减少交叉路口交通事故发生概率，提高车辆司机人身安全性。

构建一个合理的城市交叉口车流优化调度模型是一项非常复杂的工作，在以往的研究中，西方的学者对其展开了多次研究并构建了相应的模型，均具有一定的应用问题。我国城市交叉口车流优化调度模型的研究相对较晚，但也得到相应的研究结果。例如文献[3]中提出了一种应用整数规划的调度模型，此模式在一定程度上缓解了交通拥堵的问题，但此模型的数据运算部分较为落后，使用效果较差[3]。文献[4]中提出了一种考虑不同流向、不同道路功能的车辆调度模型，此模式的设计重心在道路功能的实现部分，对于车辆的调度能力较差，使用效果一般[4]。针对上述情况，在本次研究中对大量的车辆调度技术进行研究，最终确定使用交通大数据，常规模型展开优化，设计基于交通大数据的城市交叉口车流优化调度模型。以期通过使用本次研究成果缓解城市拥堵问题，构建能源节约型城市，为城市居民提供更加良好的人居环境。

2 基于交通大数据的城市交叉口车流优化调度模型构建

在本次研究过程中，将交通大数据作为车流优化调度模型的主要依据。因此，将交通大数据采集与处理模块引入到调度模型中，优化后的模型结构如图1所示。

根据图1相关内容，对常规模型中使用的部分计算与算法展开完善与优化，并构建实验环节对其应用效果加以分析，以确定本次提出模型是否具有应用价值。

图1 城市交叉口车流优化调度模型结构

2.1 城市交通时段特征提取

根据采集到的交通大数据，提取城市交通的车辆频率与时段特征，为后续的交叉路口车流优化提供数据基础。提出的城市交通车辆频率计算过程如下：

其中，Aj表示j时段内交叉路口车辆通行间隔；cmj表示j时段内城市道路可通行车流量最大值；eoj表示j时段内城市道路拥挤程度。eoj通过公式可表示为：

其中，gi表示城市交通车辆可调节因子[5]；v表示城市单条道路可容纳的最大车流量。根据上述公式，获取车流量时段特征。设定车流增加的初始时刻点为，车辆增长到峰值的时间点为，则有：

其中，D(1，2)表示到时段内行驶的里程；V(1，2)表示车辆的平均行驶速度。由此可得到整合后的公式：

上式(4)中，Tj(2)表示车辆经历下一个交通灯的停留时间，Tj(2)计算公式可表示如下：

在时段j内，车辆离开交叉口的时间点可表示为：

根据以上计算部分，可有效获取到车流的时段特征以及道路的行驶特征。将此部分数据作为优化调度的基础，完成交叉口车流管理工作。

2.2 构建交叉口车流多目标调度函数

在过往的设计中，多针对单一目标进行优化，对于其他部分的关注度较低，导致使用优化调度模式后并不能达到预期效果。因此，在本次研究中构建交叉口车流调度多目标函数，以期实现多种控制目标。首先使用韦伯斯特配时公式[6-7]对交叉口交通信号灯的最优变化时间h0设定进行计算：

其中，G表示交通灯信号延时；U表示交通灯变化周期内最高流量比值之和；w表示汽车启动延时；Q表示绿灯间隔周期内，黄灯时间与红灯时间之和；K表示黄灯响应时间；ui表示周期内车流量比值。根据此公式，可得到交通灯变换时间目标函数hz：

根据多目标优化原理[8]可得到绿灯时长周期hv，具体公式如下所示：

上式中，smin表示最短绿灯时间。同理，可得红灯的最长周期hd：

其中，smax表示红灯的最长周期。由此可得到车流调度中的目标函数，具体公式如下所示：

根据上述设定的目标函数，构建对应的车流调度方案，再根据设定的约束条件对其进行求解，获取最优车流调度方案。

2.3 获取交叉口车流调度最优方案

在上文中提到的车流调度方案的基础上，根据车路协同原理(如图2所示)，获取最优调度方案。

图2 车路协同原理示意图

根据以上原理，使用奖励函数[9-10]完成车辆数量、车辆延误、车辆吞吐量的计算过程，将道路区间内的通行量以及车辆平均行驶速度作为奖励函数内容，对最优方案的选择过程进行约束，具体公式如下：

其中，α表示计算过程中的控制系数。使用上述公式，完成方案选择过程。至此，基于交通大数据的城市交叉口车流优化调度模型构建完成。

3 仿真实验

3.1 实验平台组建

针对当前车辆流量问题，在本次研究中构建了基于交通大数据的城市交叉口车流优化调度模型。此模型在常规模型的基础上，增加了大量的数据采集与处理技术，能够为交叉口交通灯的时间控制提供基础。为验证此模型具有相应的使用价值，在本次研究中将完成交通大数据模型与常规模型进行对比。由于此次实验具有一定的实际影响能力，因此采用仿真实验的形式，仅通过数据运算的方式对不同种类模型的使用效果加以分析。在实验平台的软件部分中安装了算法库以及路况仿真软件，为实验的计算过程与仿真过程提供支持。

3.2 实验方案设定

在本次实验中，首先需要获取目标道路的相关路况信息，包含客流量、高峰时期等，具体数据如表1所示。

表1 实验路段详情

上述路段为本次实验目标，使用交通大数据模型与常规模型对实验路段车流量进行调度。在本次实验中，将实验指标设定为指定周期内可通行车辆数目、临近路段拥挤度以及区域道路协同性。为对交通大数据模型与常规模型进行全面分析，将实验环境设定为日常状态与节假日状态，并根据上述内容完成实验过程对比分析。

3.3 实验结果分析

根据上述实验结果可以看出，在日常状态下交通大数据模型与常规模型的使用效果差别较小，两者均可以实现对城市交叉口车辆的控制过程。当实验环境调整为节假日模式时，常规模型的调度能力被限制，在固定周期内的车辆通行数据明显下降。与常规模型相比，交通大数据模型由于考虑的数据项较多，对于车辆的调度方案通过多组目标函数进行设计，外界环境对其影响力较小。由此可知，交通大数据模型对于车辆调控能力较好。

表2 指定周期内可通行车辆数目

由表3可知，使用不同种类的调度模型对于城市交叉口的相邻路段的影响不同。当使用交通大数据模型后，实验路段周围的临近路段受到的影响较小，不易造成交通拥挤的问题。与此模型相比，常规模型的使用效果较差，对城市交叉口进行调节后，周围路段受到了影响，呈现出车辆拥挤度加剧的问题。由此可以断定交通大数据模型具有较好的车辆疏导能力，使用效果较好。

表3 临近路段拥挤度

图3 实验区域道路协同率

由图3可知，不同调度模型对城市交通道路的协调性具有不同的影响。使用交通大数据模型后，实验区域道路协同性较为稳定，协同性较高。由此可知，在实际应用中此模型可有效缓解车辆拥挤问题。与此模型相比，使用常规模型后城市区域道路协同性较低，呈现出区域状发展趋势，对于城市交通发展具有阻碍作用。

由上述3组实验数据可知，交通大数据模型的效果明显优于常规模型，可有效缓解城市交通拥挤的问题。

4 结束语

现如今城市中车辆呈现大幅增长，导致交通问题层出不穷，严重影响了城市居民的出行安全。为此，本次研究依托交通大数据，为城市交叉口车流的优化调度提供新的技术。在未来的城市交通管理发展过程中，可将本次研究结果作为依托，在此研究结果基础上开发出更加先进的调度方法，提高城市交通安全性。