基于SCOOP 结构的城市道路交通系统优化模型分析

陈本旺

（西南交通大学，四川 成都 610031）

0 引言

现如今城市平交路口通用的绿波带干线控制无法满足对多路口交通进行协同控制，单一的相位时间让多路口堵塞无法疏通，出现部分路口的延误时间与停车次数高于理论值的现象，基于SCOOP 结构，将通行权作为轮询中CPU 对周边设备的定时询问服务时间，服务时间的交替会导致因为排队长度影响数据传输效率降低，也就是红灯来临之前无法通过路口的已有等待车辆，这种车辆会在一个信号灯周期里面经历两次绿灯后才能通行，因此会产生路口通车次数大于1 的情况，两次或多次停车次数产生的延误时间会被计算到路口延误时间中，导致城市平交路口的多路口堵塞[1-3]。以什邡市蓥华山北路的3 个连续平交路口为参考模型，提出一种适用于多路口的协同控制策略，目的是降低这类停车次数与总延误时间。

1 建立模型

3 个模型路口的绿灯时间分别为40s、38s 和45s，仅金河南路路口的相位差配时满足传统绿波带控制，而高于38s 的两个路口会由于相位差配时与实际路口配时的差值导致车辆无法享用当前路口通行权，使停车次数大于1，进一步增加拥堵[4-7]。为降低此类停车次数，本文提出针对相位差配时的优化算法。

式中：△t——相位差的优化量，s。优化量的取值需要通过Vissim 平台进行路况仿真，通过对比路口停车时间的降低量，得到最优优化量[8]。

2 基于SCOOP 结构的系统优化模型

通过SCOOP 结构系统模型进行优化，将原本的信号灯配时所依据的车速调整为每一个相位具体车道的排队队长，即排队车辆的总延误时间[9]。第t 周期的i 相位上，j 方向的k 车道上（后文同），车道上的车辆队列长度如下。

式中：Sijk（t）——j 车道的k 方向车道上停车队列；Dijk（t）——k 车道上的刚到的队列长度；Fijk（t）——离开路口的队列长度；Slimit——k 车道上能够容纳的极限排队长度。

拥有绿灯通行权时离开路口的车辆计算如下。

式中：Gijk（t）——同Sijk（t）情况下，离开路口的队列长度；ti——相位绿灯时间；s——车辆速度。

接着，用Z（t）表示总延误时间，用zijk（t）来表示车道延误时间，那么此时此刻拥有通行权的相位车道的延误时间表达式如下。

当A(i-1)jk（t）-Gijk（t）＞0 时，基于本文车流不会分散的前提，车辆会均匀行驶，并设断面通过的效率为x，单位s/辆，y 为车道总到达车辆数，z 为车道离开的车辆数，可以得到以下关系。

第二种情况是当S（i-1）jk（t）-Gijk（t）＜0 时[9]，可以得到式（6）。

该时刻相位上没有通行权时，车道上的延误时间就表示如下。

综上，可以推算出在t 周期中，总延误如下。

推算出平均延误的值如下。

式中：SJk（t-1）——车道已经存在的排队等待的车辆数；Djk（t）——车道上的车辆数。

3 数据结论

仿真实验通过Vissim5.30 版本完成，雍城南路路口、金河南路路口和亭江东路路口3 个目标路口的数据采集工作于2022 年6 月24 日结束，当日交通量统计数据如表1~表3 所示。

表1 检测路口1——雍城南路路口

表2 检测路口2——金河南路路口

表3 检测路口3——亭江东路路口

可以发现，原相位差配时不是最优决策[10-12]，对比仿真结果，路口1 和路口3 最优配时是相位差减少3s，检测路口2 的最优配时是相位差延长12s。

最后，对比实际路况和传统算法的路口平均停车次数和单位相位总延误时间如表4、表5 所示。

表4 不同方案下各检测路段总延误时间的数据对比

表5 不同方案下各检测路段平均停车次数的数据对比

根据所统计的实验数据，计算出在配合动态绿波周期与优化后的算法的工作下，对比原本的没有用任何优化方法的实际路况，3 个检测路段的总延误时间分别降低了6.1%、23.9%和18.5%，平均停车次数分别降低了4.5%、25.4%和30.5%，足可见优化算法的有效性。

4 结语

随着我国城镇化建设步伐的加快，通过优化交通控制系统来解决城市交通的通行效率在一定范围内是最方便和最经济的办法。国内传统绿波带控制法大多通过历史数据的采集、分析进行静态控制，面对临时的大型会议、商业活动等导致的随机堵塞情况往往显得束手无措[13-16]。本文基于SCOOP 结构的城市道路交通系统优化模型，通过实时的路口总延误时间与停车次数对主干道连续路口的通行率进行了优化，从平台检测的数据来看，新方法理论上优于了传统算法。但在实际运用中，车流的分散情况、司机驾驶技能的熟练程度等客观原因都会导致真实数据与理论数据的偏差。当然，也正因为有不可控的客观因素一直存在且各不相同，动态控制的交通系统会逐渐成为主流，而随着越来越多专业人士从不同角度进行系统优化，中国的道路交通也必将变得越来越来智能。