A题-城市相邻两交叉口信号配时优化zonghr

A题城市相邻两交叉口信号配时优化摘要随着我国城市化速度的加快以及城市规模的不断扩大，交通供需矛盾日益突出，在城市交通网络中产生的交通拥堵现象日趋严重，严重影响了社会经济的发展和人民生活水平的提高。对现有交通进行有效的管理和控制已成为我国交通运输中迫切需要解决的问题。针对单点定时交通信号灯控制造成的绿时浪费、通行延误等问题，我们首先通过改进webster模型建立了相邻交叉口信号灯协调控制模型（见公式（13））对交通信号进行配时优化，然后建立以最小平均延误时间为目标函数，以相位时间、相位差（利用数解法建立函数求得）、周期时长为决策变量的非线性规划模型（见公式（14）），设计MATLAB和LINGO程序求解出改善后的交通信号配时方案，最后建立仿真检验模型对协调控制模型进行仿真检验，经验证，该模型具有很强的可行性。该模型采用LINGO自带的最短时间求解程序确定最优配时方案，大大降低了整个求解过程的时间复杂度，将LINGO算法植入整个协调控制体系，可大幅度降低空间复杂度。在模型的改进中，将采集的实时路况交通流量，输入到神经网络模型中，预测未来几个信号周期的交通流量，将预测交通流量输入到协调控制模型得到优化的相位时间等控制量，将控制量输入实际路况，再采集信息，循环，达到动态协调控制的目的。在动态协调控制中，交通流量预测模块、相位时间优化模块的webster第三部分系数将逐渐适应实际路况的，整个协调控制体系得到收敛的效果。针对本题给出的武汉市A、B两交叉口的交通流量数据，利用所建的通用协调控制模型对信号灯控制系统进行优化和仿真检验，得出最优配时方案，具体结果见表2。关键词：MATLAB程序；LINGO程序；协调控制；webster模型；数解法；神经网络算法；相位时间；相位差；平均延误时间；仿真模型；仿真检验。目录摘要 11.问题重述 22.模型假设 23.通用符号说明 24.模型的建立与求解 24.1问题分析 24.2模型准备 24.2.1

确定A、B两交叉口的相邻方式 24.2.2

交通信号灯各相位图示 24.2.3

A、B交叉口处车辆行驶方向编号 24.3相邻交叉口信号灯协调控制模型的建立与求解 24.3.1模型的建立 24.3.2改善后交通信号配时方案的求解 24.4

交叉口信号灯协调控制模型的仿真检验 24.4.1仿真模型建立 24.4.2仿真检验 25.模型的评价与改进 25.1模型的评价 25.1.1模型的时间复杂度与空间复杂度 25.1.2模型的收敛性 25.2模型的改进 2参考文献 21.问题重述随着我国城市化速度的加快以及城市规模的不断扩大，交通供需矛盾日益突出，在城市交通网络中产生的交通拥堵现象日趋严重，严重影响了社会经济的发展和人民生活水平的提高。目前在我国的大、中型城市交通管理中，普遍采用的是单点定时交通信号灯控制。定时控制这种传统信号灯控制方法会造成某些方向绿时浪费，而在有些方向上车辆通行又延误严重。因此，优化交叉口信号配时是提高交叉口运行效率最有效的方法之一。设计通用模型与算法（从时间复杂度、空间复杂度、收敛性进行对比分析），解决以下问题：对交通信号进行配时优化研究，求解出改善后的交通信号配时方案并进行仿真检验，以期有效指导提高实际平面交叉口的通行能力和服务水平，减少城市交通网的交通延误，改善城市交通现状。2.模型假设(1)假设所有汽车启动并加速的反应时间均相等，且均为2s；(2)假设饱和流量已知各方向车流量的最大值，单位为PCU/h；(3)假设1小时内的车流量没有较大波动；(4)基于相邻两交叉口之间的距离低于800m时，协调控制系统才会明显减少绿时浪费、减缓通行延误，所以假设交叉口A、B之间的距离为670m。3.通用符号说明序号符号符号说明1D每周期的总延误时间2W平均延误时间3k模拟系数4R红灯时间5c信号周期长6绿信比7x饱和度8q车流量9s饱和流量4.模型的建立与求解4.1问题分析对于两个距离很近的相邻交叉路口，单点定时交通信号灯控制会造成两路口连线方向的绿时浪费。协调两路口间的相位时间的关系，能使一部分车辆在一个交叉路口驶出后经过另一交叉路口时总是绿灯放行，相对于单点定时交通控制而言，这一部分车辆的车均延误时间得到有效减少。要保证一个交叉路口驶出后的车辆，经过另一交叉路口时总是绿灯放行，需要两交叉路口的信号周期相等。计算两路口间的车均延误有两种方式。第一种输入交通规则与交通流量数据进行微观上的仿真计算；第二种是用改进的webster模型[1]进行宏观上的延误计算。仿真具有高准确性，但是算法很复杂，需要耗费更多的时间，一组实验就要循环上万次，并且其准确性取决于参数的设定。通过宏观上的改进的webster模型,输入交通规则数据就可通过一个循环得出延误时间，但是精确度没有仿真高，取决于改进的webster第三项的参数。考虑到本次研究方向是设计一个交通信号灯协调控制[2]系统，需要准确、快速的确定最佳相位时间。拟采用改进的webster模型构建出交通数据、相位时间、信号周期、相位差与车均延误时间的函数关系，利用LINGO非线性规划算法的高效准确性，在限定相位时间、信号周期的情况下快速计算出最佳相位时间、信号周期。比之仿真计算的方式，具有高度可行性。得出根据交通流量计算最佳相位时间、相位差的模块之后，拟采用神经网络模型[3]预测未来几周期的交通数据，再通过第一个模块计算出最佳相位时间、相位差，输入到实际信号灯控制模块，采集实际路况信息，更新数据库，并矫正webster模型的第三项系数，可以解决宏观计算不精确的问题，得到一个比较合理的解决方案。4.2模型准备4.2.1

确定A、B两交叉口的相邻方式在相邻方向上，交叉口A出口流量应与交叉口B进口流量相近。根据交叉口A、B东西南北各方向的交通流量，计算A交叉口各方向出口交通流量及B交叉口各方向进口交通流量，见表1。表1A交叉口各出口及B交叉口各进口交通流量表交通数据交通流量（PCU/h）车均延误时间（s）左转直行右转左转直行右转出口流量武汉市A交叉口东进口3661394987.556.725.8东出口566西进口29516672西出口2495南进口5254083008.164.895.63南出口832北进口100394576进口流量北出口801武汉市B交叉口东进口80211545765.2611.334.962532西进口4503043291083南进口169420845.0313.615.34673北进表1数据分析得，交叉口B在交叉口A的西方向。4.2.2

交通信号灯各相位图示为更直观的表示交通信号灯的各相位，以图表形式表示，见图1。图1交通信号灯各相位表示图由图1可得，第一、三相位均表示车辆直行，第二、四相位表示车辆左转。4.2.3

A、B交叉口处车辆行驶方向编号为方便问题分析，对各交叉口车辆的行驶方向进行编号，见图2。交通数据交通流量（PCU/h）左转直行右转武汉市A交叉口东进口A1A2A3西进口A4A5A6南进口A7A8A9北进口A10A11A12武汉市B交叉口东进口B1B2B3西进口B4B5B6南进口B7B8B9北进口B10B11B12图2车辆行驶方向编号图由图2可直接得出车辆行驶方向的编号。4.3相邻交叉口信号灯协调控制模型的建立与求解4.3.1模型的建立为确定最优交通信号配时方案，首先通过建立单交叉口延误时间计算模型、相邻交叉口延误时间计算模型确定延误时间与相位时间、周期、相位差之间的关系；继而给定控制变量相位时间、周期、相位差的变化区间，确定延误时间的最小值为目标函数，进行LINGO非线性规划，得出最优配时方案；最后建立仿真检验模型对该配时方案进行仿真检验，分析该通用模型与算法的收敛性与可行性。一、单交叉口延误时间计算模型的建立由于道路与环境条件、交通干扰以及交通管理与控制设施等驾驶员无法控制的因素所引起的行程时间损失。延误时间是指车辆在交叉口入口引道处被阻碍下行走所需时间和无阻碍行走所需时间之差，有平均延误和总延误两个评价尺度。延误的产生主要有以下几种情况：（1）固定延误：由交通控制装置引起的延误，与交通量大小及交通干扰无关，主要发生在交叉口处。由交通信号、停车标志、让路标志等因素引起。（2）运行延误：由各种交通组成部分之间相互干扰而起的延误，分为两种。一种是由侧向干扰而起的延误，另一种是由交通流之间（包括交通拥挤、汇流、会车与交织运行）而引起的延误。（3）行程时间延误：实际行驶的总行程时间与完全排除干扰后以平均速度通过调查路段的自由行驶时间之差。包括停车延误、因加减速而产生的加、减速延误（4）排队延误：车辆排队时间与自由行驶时间（车辆按自由行驶过排队路段的时间）之差。排队时间是指车辆从第一次停车到越过停车线所用的时间。排队是指车辆第一次停车断面与停车线之间的道路。当车辆行驶过程中，经历N次停车时：综合以上延误产生的各方面因素，建立以下延误时间计算模型。对一交叉口，假定其车辆到达服从均匀分布。如果我们着眼于一条停车线，在非饱和情况下，交叉口一个周期的总延误D的表达式为：（1）每辆驶入车辆的平均延误是：（2）另外假若车辆到达服从泊松分布，则每台驶入车辆的平均延误为：（3）webster延误时间计算模型：（4）二、相邻交叉口信号灯协调控制延误时间的计算模型单点定时交通信号灯控制方法会造成某些方向绿时浪费，而在有些方向上车辆通行又延误严重。当两相邻交叉路口之间的距离超过800m时，协调控制不如各自单独控制，但当距离低于800m时，协调控制会明显减少绿时浪费、减缓通行延误。在此我们假设A、B两交叉口的距离低于800m，对于该东西主干线上的两相邻交叉口的单点定时交通信号灯进行优化，采取协调控制的方法。相邻交叉路口协调控制的策略是：各交叉路口具有相同的信号周期，绿信号开启时间相继错过，从而使干线上行驶的车辆尽可能少遇或不遇红灯以减少延误；对确定的周期，每一交叉口的绿信比可互相独立地实时调整以适时调整以适应交通流的瞬时变化[1]。则该协调控制的控制因素[5]为：周期、相位时间、相位差。对于模型一单交叉口延误时间计算模型进行修正，得到相邻交叉口协调控制延误时间计算模型。1.通过A、B两交叉口的车流量中，免红灯车流量所占比例的计算：（5）（6）(7)(8):路口A的第一相相位时间；:路口B的第一相相位时间；:中间路中由A路口直行出的比例；:中间路中由B路口直行出的比例；LT:道路长转化为车均行驶时间；:相位差B-A；:相位差A-B；:A路口西进口直行中免红灯车数比例；:B路口西进口直行中免红灯车数比例。2.相邻两交叉口信号灯协调控制系统下延误时间的计算经分析易得，相邻交叉口协调控制策略只对于东西主干线直行车辆有所影响，而对于侧线车辆的行驶并无影响，因此，对于东西主干线直行方向A5、B2车流量运用相邻交叉口协调控制方法统计计算延误时间，对于侧线车流量延误时间仍采用模型一单交叉口控制方法进行计算。对于免红灯车流量而言延误时间为0，对于遇红灯车流量的延误时间按照公式（4）进行计算。即：对于A交叉口，（1）A(1);A(2);A(3);A(4);A(6);A(7);A(8);A(9);A(10);A(11);A(12)的延误时间符合单交叉路口模型；（2）延误时间为0的车流量为；（3）受相邻两交叉口信号灯协调控制影响的车流量为，按公式(4)计算。对于B交叉口，（1）B(1);B(3);B(4);B(5);B(6;B(7);B(8);B(9);B(10);B=535;B(12)的延误时间符合单交叉路口模型；（2）延误时间为0的车流量为；（3）受相邻两交叉口信号灯协调控制影响的车流量为，按公式(4)计算。综上，两相邻交叉口信号灯协调控制下，A、B交叉口各方向延误时间计算模型为：对A1延误总时间（9）A5延误总时间（10）对B1延误时间(11)B2延误时间(12)平均延误时间(13)三、LINGO非线性规划模型基于延误时间计算模型，求解交通信号配时方案的问题即可转化为求解车均延误时间最小时，交叉口各相位时间。对于此问题可采用LINGO程序，给定相位时间、相位差、周期等决策变量的波动区间，进行非线性规划。相位时间：若交叉口信号灯绿灯时间过短，会导致通行效率低；若交叉口信号灯绿灯时间过长，同样意味着红灯时间过长，导致驾驶员等候时间过长，产生急躁情绪，并使阻碍方向交通拥挤，不利于道路畅通。因此，对于交叉口信号灯各相位的相位时间以及周期给定合理的变动区间为15s100s。2.相位差：两相邻交叉口信号灯的相位差需根据实际交叉口之间的距离、该路况平均车速、车流量等实际情况具体确定。总结以往的线控系统，相位差优化通常采用最大绿波带法和最小延误法。其中以最大绿波带为目标的相位差优化方法主要有图解法和数解法，此处我们选用数解法[4]。数解法是通过寻找使得系统中各实际信号位置距理想信号位置的最大挪移量最小来获得最优相位差控制方案。其实施流程图见图3。是是是否否确定单个交叉口的周期、绿信比确定关键交叉口确定公用周期及各交叉口协调相位最小绿灯时间确定非关键交叉口的协调绿灯时间是单向协调否确定平均行驶速度确定相位差确定理想间距确定系统最大挪移量确定各交叉口绿灯损失率确定各交叉口初始相位差计算绿波带宽度双向流量是否平等相位差优化结果调整交叉口间相位差是否满足优化目标图3.基于数解法的干道协调控制相位差优化流程图3.周期c：查阅文献，交叉信号灯的周期一般在40s－200s.则40<c<200则该非线性规划模型为：（14）4.3.2改善后交通信号配时方案的求解基于延误时间计算模型、LINGO非线性规划模型求解改善后的交通信号配时方案，包括周期、相位时间、相位差。1.LINGO非线性规划模型中各变量的确定：在此将A、B交叉口之间的距离设为670m，车辆行驶均速设为40km/h，则在A、B交叉口之间的车辆平均行驶时间为60s。通过步骤1确定该实际路况下的部分控制变量，结合公式（1）－公式（13），编写LINGO程序对公式（14）进行求解，得出最优交通信号配时方案见表。LINGO程序见附录。表2优化后的相位时间(相位差为21s)第一相位第二相位第三相位第四相位A交叉路口59s26s38s29sB交叉路口50s24s42s22s4.4

交叉口信号灯协调控制模型的仿真检验对本文提出的双交叉路口交通信号协调控制模型进行仿真检验，控制对象为交叉路口，控制目标为车辆的平均延误时间。可通过仿真模型建立和仿真检验两部步进行。4.4.1仿真模型[6、7、8、9、10、11、12、13]建立交叉口信号仿真模型的建立由三部分组成：第一部分是静态模型，包括构成交叉口的几何线性、道路条件（车道数、车道宽度）、管制措施以及车辆静态特性等各种静态因素；第二部分是车辆产生模型，包括产生车辆的车辆分布、车辆的速度分布、车辆的行驶方向分布等因素；第三部分是车辆运行特性模型，包括车辆加减速、车辆的自由行驶、车辆超车、车道变换等因素，利用以上因素对车辆在交叉口处的运行特性进行仔细分析，可精确描述车辆的运动，从而实现对实际情况的精确仿真。拟打算从上述三个方面建立仿真模型：静态模型交叉口静态模型交叉口静态模型又称路网模型，主要描述交叉口处的几何线性和标志、标线等静态特征，包括交叉口处的车道、转角缘石半径、入口车道数、中央分隔带宽度、限制标志及停车线距离等。车辆静态模型车辆静态模型包括车辆长度、车辆宽度等，用来描述车辆的静态特性。通常将车辆分为大型车、中型车和小型车三种。车辆产生模型在交叉口仿真中，车辆通常在道路的一个截面产生，车辆模型由道路远离交叉口一侧边缘产生。产生车辆的车型分布将车辆的车型分为大（）、中（）、小（）三个等级。利用Matlab程序随机发生器产生随机数rand，当时，将车辆的车型设为小型车；当时，将车辆的车型设为中型车；当时，将车辆的车型设为大型车。可对数据进行当量化换算后来表示三种不同车型。车辆的速度分布假设车辆的行驶速度在仿真测试中服从正态分布。则车速分布规律为：（15）其中，。：均值；：方差。车辆的行驶方向分布车辆有左转（）、直行（）、右转（）三个行驶方向。同样进行利用Matlab程序随机发生器产生随机数rand，当时，将车辆的行驶方向设为左转；当时，将车辆的行驶方向设为直行；当时，将车辆的行驶方向设为右转。车辆运行特性模型车辆的运行特性对交叉口信号协调控制系统的仿真实验起着至关重要的作用。车辆加减速模型当车辆在通过交叉路口时，遇到红灯和绿灯的可能性是随机的。遇到红灯时，车辆需减速停车，绿灯重新亮起时，又需重新加速。车辆减速时，其运动特性通常用车辆速度与距离关系来描述，关系形式有以下三种：由速度—距离构成的匀减速关系式：（16）线性速度—减速度模型，即减速度与速度成线性关系，可得速度—距离关系式：（17）假设减速度与停车距离线性相关，可得以下关系式：（18）其中，：汽车开始减速时的速度；：汽车从开始减速到停车的距离。当汽车减速行驶并未停车时，用其速度的最小值的时刻来换算停车距离。车辆加速时，其运动特性与驾驶员的个性特征以及汽车的动力特性有关。通常符合以下关系式：（19）将上式求导可得加速度—时间关系式：（20）其中，：初始加速度；：应小于车辆到达给定车速的时间；：加速度灵敏度。车辆加速过程中，当车速接近稳定速度时，加速度随时间的增加而逐渐减小，直至车辆速度稳定时，加速度减小至0。此过程中加速度可由下式表示：（21）其中，：大于0小于稳定速度的速度；：稳定速度。车辆的自由行使模型车辆在道路上的行驶分为自由行驶和跟驰行驶，当车辆的运动不受前面运动车辆的影响时，称该车自由行驶，反之则为跟驰行驶。自由行驶分为两种形式，即加速到目标车速稳速行驶和减速到将车停在既定位置。当车辆处于头车位置或与同一车道的前车距离大于跟驰界限（一般取车头时距为8s）时，车辆处于自由行驶状态。此刻车辆所采用的加速度由车辆的当前速度与期望速度之间的差距确定：（22）其中，:自由行驶状态下的加速度；:跟驰车辆的当前加速度；:分别为跟驰车辆的最大加、减速度；:跟驰车辆的当前速度；:跟驰车辆的理想期望速度；超车模型在双向车道公路上，当车辆处于跟驰状态，并且当前车速低于后车的期望速度时，车辆试图超车以改变其行驶状态。超车过程一般分为以下两个阶段：i.是否需要超车？当车辆处于跟驰状态，前车速度小于该车速度的期望速度时，驾驶员不满意其驾驶状态，从而产生变换车道超越前车的意图。但当前车的速度不同时，判断是否超车的标准不同。一般而言，正常情况下当前车的速度小于40km/h，前后两车速度差大于15km/h时，驾驶员才考虑超车。ii.是否有可能进入对向车道？只有当车辆与对向来车有足够的间距时，车辆才能完成超车。换言之，只有满足超车视距时，才有可能实线超车行为。当超车车辆与对向车辆形成冲突状态时，两车之间的最小距离应满足下式才不会发生撞车事件：（23）其中，：分别为超车车辆和对向车辆的行驶车辆；：分别为两车的停车制动时间；：分别到两车的制动减速度。超车概率为：（24）其中，：超车概率（驾驶员接受超车机会的比例）；：自由视距；：待定参数。这是一种不对称的S型曲线，用中位数代表有50%的驾驶员接受而50%的驾驶员拒绝超车的视距（P=0.5），则：（25）需要说明的是，无对向来车时快速超车与视距无关，该情况下可以设定一系列的值，由试算法求解，超车接受的概率是0.93~0.98，不考虑视距限制。车道变换模型车道变换模型描述车辆车道变换的整个过程，包括车辆车道变换意图的产生、车道变换的可行性分析以及车道变换行为的实施。车辆在路网中行驶时诱发其产生变换车道的意图的原因有多种，但总体上可分为强制性车道变换和任意性车道变换行为。强制性车道变换是指车辆为了完成其正常行驶目的而采取的车道变换行为。可能的形式有：正前方出现停车车辆；车辆必须在前方交叉口左转；车辆已接近当前车道的尾端而须变换车道；公交车在接近前方停靠站时从内侧车道转至外侧的专用公交停靠车道等。实现车道变换的关键是车辆必须在距前方关键点的某个临界距离之内产生相应的变换车到意图。其临界距离可以用下述模型表示：（26）其中，：第i种需要变换车道情形相应的临界距离；：第i种需要变换车道情形相应的常数值；：正态分布随机变量。任意性车道变换是指车辆在遇到前方速度较慢的车辆时为了追求更快的车速、更自由的驾驶空间而发生车道变换行为。其与强制性车道变换的区别在于，即使车辆不变换车道也能在原车道上完成其行驶任务，因此变换车道行为不是强制性的。每一车辆都有一期望车速，即在不受其他车辆约束的情况下，驾驶员所希望达到的最大车速。当满足下列条件时，车辆将产生变换车道意图：（27）其中，：当前车辆在受到正前方车辆跟驰约束时而采取的行驶车速；：当前车辆的期望车速；：折减系数，其建议值一般为0.75~0.85。4.4.2仿真检验1.对协调控制模型进行仿真检验前需对仿真模型本身进行检验，检验过程如下：根据所建模型，编写Matlab程序，输入原始相位时间、车流量以及周期数据可得延误时间，与实际延误时间进行对比。对比结果见图4。图4仿真结果与实际结果对比图由图4可得，仿真结果与实际结果相近，即该仿真模型具有有效性，可用于仿真检验。2.利用仿真模型对协调控制模型进行仿真检验。协调控制模型建立后须对其进行检验，若协调控制模型结果与仿真模型结果相近，则可证明协调控制模型具有可行性。检验方法如下：输入协调后相位时间、车流量、以及周期数据，可得仿真延误时间，并与利用协调控制模型得出的延误时间进行比对，比对结果见图5：图5协调控制模型结果与仿真延误时间对比图由图5可得，协调控制模型所求得的各项延误时间与仿真模型所得各项延误时间相差较小，即该协调控制模型具有可行性。3.对比协调控制模型与原系统延误时间双交叉口仿真程序运行如图6所示，通过仿真交叉口车辆的运行，直观再现交叉口交通流状态，可以直观地看到本论文提出的经由改进的协调控制模型可使双交叉口信号随着交通条件的变化而相应地调整，使交通拥挤得到缓解。图6协调控制模型道路交通状况同时，将协调控制模型所得延误时间与原系统所得延误时间对比，可得协调控制模型效果是否有效，对比结果见图7。图7协调控制系统与原系统延误时间对比图由图6和图7可得，协调控制系统各方向上所得延误时间均比原系统延误时间少，且拥堵现象得到缓解，即所建立的协调控制模型对交通流具有较好的控制效果。5.模型的评价与改进5.1模型的评价5.1.1模型的时间复杂度与空间复杂度协调控制模型分为webster模型和非线性规划模型两部分1．第一部分：在交通流量固定的情况下，通过webster模型建立相位时间、相位差、信号周期、车均延误时间的函数关系。即输入相位时间、信号周期，先用数解法建立函数求出最佳相位差，再通过webster模型求出总延误时间。继而建立以相位时间、信号周期为自变量，以车均延误时间为因变量的函数关系。2．第二部分：对第一部分的自变量的每一项限定范围，以因变量最小为目标，用LINGO求解，LINGO自带的最短时间求解方式，大大降低了整个求解过程的时间复杂度，可以把LINGO算法植入整个协调控制体系，降低程序的计算时间，并且大大减少代码存储空间，只需要限定自变量的合理范围，便能迅速的求解出最佳相位时间、信号周期与相位差组合。5.1.2模型的收敛性因为一只数据只有一组，并且无法在采集实际路况信息，所以在模型的改进中加入了神经网络模型预测交通流量，加入采集路况信息部分。其中，采集实际路况信息，能更新数据库，继而调整协调控制模型中的webster模型的第三部分参数，同时用神经网络模型预测出的交通流量更加接近实际值。随着时间的增长，模型的各项参数以及神经网络的训练预测出的交通流量逐渐与实际情况吻合，具有良好的收敛性。5.2模型的改进在实际情况的运用中，某交叉口信号灯的配时方案并不一定是一成不变的，可通过监测、采集路况交通流量数据，建立神经网络模型预测交通流量数据，根据交通流量的不同分成高峰、低峰、中峰时段，于不同阶段采用不同的配时方案，尽可能减少绿时浪费，缓解车流延误。拟采用动态循环控制的方法，把静态协调控制部分加入动态循环控制中，设计成其中的一个环节，得到一个更加完善的动态协调控制模型。模型运行流程图见图8。模型步骤如下：Step1：通过及时采集实时路况交通流量，将采集的交通流量加入到神经网络模型、输入到协调控制模型部分，并更新交通数据库。Step2：神经网络模型预测未来几个信号周期的交通流量，同时协调控制模型的webster延误时间计算模型中的第三部分根据实际交通数据做出调整。Step3：将神经网络模型预测得到的交通流量输入到协调控制模型得到优化的相位时间等控制量。Step4：将控制量输入实际路况，再采集信息，循环，达到动态协调控制的目的。图8模型运行流程图参考文献[1]”TrafficSignalSettings”,RoadRes.Tech.Paper,No.39,RoadResearchLaboratory,London,1985.[2]雷常青.交通控制与诱导递阶协调方法的研究[D].天津:天津大学，2004[3]PapPisCP，MamdaniEH.Afuzzylogiccontrollerforatrafficjunction[J].IEEETransonSMC，1977，7(l):707一717.[4]张青贵.人工神经网络导论[M].北京:中国水利水电出版社，2004:8一59[5]荆便顺.道路交通控制[M].北京:人民交通出版社，1995:18一40[6] 尹宏华.面向对象的动态交通状态微观仿真实验[D].西安:西北工业大学硕士学位论文，2002[7]张邵生.交通工程学基础[M].北京:人民交通出版社，2002:92一93，106[8]川王殿海.交通流理论[M].北京:人民交通出版社，2002:80一97[32]龚晓岚.平面交叉口信号模糊控制及微观仿真研究[D].北京:中国农业大学，2005[9]商蕾.城市微观交通仿真及应用[D].武汉:武汉大学，2003[10]杨晓光等.城市道路交通设计指南[M].北京:人民交通出版社，2003:23一140[11]习王炜，高海龙，李文权等.公路交叉口通告能力分析方法[M].北京:科学出版社，2001:262.274[12]张国华.信号交叉口设计及微观仿真研究[D].北京:北方交通大学，2000[13]http://www.its.leeds.ac.uk/projects/smartest/[EB/OL]附录非线性规划程序（为研究问题本质，用MATLAB代写的LINGO算法）clcclearallA(1)=366;A(2)=1394;A(3)=98;A(4)=295;A(5)=166;A(6)=72;A(7)=525;A(8)=408;A(9)=300;A(10)=100;A(11)=394;A(12)=576;B(1)=802;B(2)=1154;B(3)=576;B(4)=450;B(5)=304;B(6)=329;B(7)=169;B(8)=420;B(9)=84;B(10)=132;B(11)=535;B(12)=90;SA=[1858 1858 1233 1233]*1.6;SB=[2532 2532 757 757]*1.6;fori=1:12Aa(i)=A(fix((i-1)/3)+1)+A(fix((i-1)/3)+2)+A(fix((i-1)/3)+3);Bb(i)=B(fix((i-1)/3)+1)+B(fix((i-1)/3)+2)+B(fix((i-1)/3)+3);endk1=A(2)/(A(7)+A(2)+A(12));k2=B(5)/(B(5)+B(9)+B(10));L=60;pp=0.5;ee=3;pp1=1/6;pp2=1/6;MIN=99999;forXWA1=(56-ee):(56+ee)XWA1forXWA2=23-ee:23+eeforXWA3=35-ee:35+eeforXWA4=26-ee:26+eeC=XWA1+XWA2+XWA3+XWA4;forXWB1=47-ee:47+eeforXWB2=21-ee:21+eeforXWB3=39-ee:39+eevv=XWB1+XWB2+XWB3;ifXWB1+XWB2+XWB3<CXC1=58;oo1=(XWB1+XC1-L)/XWA1;oo2=0;kk2=k1*oo1;kk1=k2*0;XWB4=C-vv;XWB4=22;ifXWB4>17&&XWB4<27LA(1)=XWA2/C;LA(2)=XWA1/C;LA(3)=pp;LA(4)=XWA2/C;LA(5)=XWA1/C;LA(6)=pp;LA(7)=XWA4/C;LA(8)=XWA3/C;LA(9)=pp;LA(10)=XWA4/C;LA(11)=XWA3/C;LA(12)=pp;LB(1)=XWB2/C;LB(2)=XWB1/C;LB(3)=pp;LB(4)=XWB2/C;LB(5)=XWB1/C;LB(6)=pp;LB(7)=XWB4/C;LB(8)=XWB3/C;LB(9)=pp;LB(10)=XWB4/C;LB(11)=XWB3/C;LB(12)=pp;fori=1:12XA(i)=Aa(i)/SA(fix((i-1)/3)+1);XB(i)=Bb(i)/SB(fix((i-1)/3)+1);ifi~=5YA(i)=(pp1*A(i)*(C*(1-LA(i))^2)/(2-2*XA(i)*LA(i))+(XA(i)^2)/(2*Aa(i)*(1-XA(i))/3600)-(0.65*(C/((Aa(i)/3600)^2))^(1/3))*XA(i)^(2+5*LA(i)))+1;elseYA(i)=(1-kk1)*(pp1*A(i)*(C*(1-LA(i))^2)/(2-2*XA(i)*LA(i))+(XA(i)^2)/(2*Aa(i)*(1-XA(i))/3600)-(0.65*(C/((Aa(i)/3600)^2))^(1/3))*XA(i)^(2+5*LA(i)))+1;endifi~=2YB(i)=(pp2*B(i)*(C*(1-LB(i))^2)/(2-2*XB(i)*LB(i))+(XB(i)^2)/(2*Bb(i)*(1-XB(i))/3600)-(0.65*(C/((Bb(i)/3600)^2))^(1/3))*XB(i)^(2+5*LB(i)))+1;elseYB(i)=(1-kk2)*(pp2*B(i)*(C*(1-LB(i))^2)/(2-2*XB(i)*LB(i))+(XB(i)^2)/(2*Bb(i)*(1-XB(i))/3600)-(0.65*(C/((Bb(i)/3600)^2))^(1/3))*XB(i)^(2+5*LB(i)))+1;endendYAA=sum(YA(:));YBB=sum(YB(:));min=(YAA+YBB)/(sum(A(:))+sum(B(:)));ifMIN>minMIN=min;AA(1)=XWA1;AA(2)=XWA2;AA(3)=XWA3;AA(4)=XWA4;endendendendendendendendendend仿真道路初始程序（MATLAB）clcclearalld=100;d2=50;d3=75;d4=25;holdoffholdonx=500;forx=500:1000:2000plot([x-d,x-d],[500+d,1000])plot([x+d,x+d],[500+d,1000])plot([x-d,x-d],[0,500-d])plot([x+d,x+d],[0,500-d])plot([x+d,x+500],[500-d,500-d])plot([x+d,x+500],[500+d,500+d])plot([x-500,x-d],[500-d,500-d])plot([x-500,x-d],[500+d,500+d])plot([x-d2,x-d2],[500+d,1000],'c--')plot([x-d2,x-d2],[0,500-d],'c--')plot([x+d,x+500],[500-d2,500-d2],'c--')plot([x-500,x-d],[500-d2,500-d2],'c--')plot([x+d2,x+d2],[500+d,1000],'c--')plot([x+d2,x+d2],[0,500-d],'c--')plot([x+d,x+500],[500+d2,500+d2],'c--')plot([x-500,x-d],[500+d2,500+d2],'c--')plot([x,x],[500+d,1000],'k-')plot([x,x],[0,500-d],'k-')plot([x+d,x+500],[500,500],'k-')plot([x-500,x-d],[500,500],'k-')endaxis([0200001000]);chechang=15;dd=3;ee=rand();E=800*ee;forddd=0:50:50fori=1:60:500x=500;s=rand();chechang=10+8*s;ifs<i/500fill([500-(x-500+i),500-(x-500+i-chechang),500-(x-500+i-chechang),500-(x-500+i)],[500+d3-dd-ddd500+d3-dd-ddd500+d3+dd-ddd500+d3+dd-ddd],'r');endendx=800;dx=400;fori=1:50:1500s=rand();chechang=8+8*sifs<i/1500fill([2000-(x-500+i-dx),2000-(x-500+i+chechang-dx),2000-(x-500+i+chechang-dx),2000-(x-500+i-dx)],[500+d3-dd-ddd500+d3-dd-ddd500+d3+dd-ddd500+d3+dd-ddd],'r');endendendforddd=0:50:50fori=1:20:400x=500;s=rand();chechang=10+8*s;ifs<i/400fill([x-500+i,x-500+i-chechang,x-500+i-chechang,x-500+i],[500-d3-dd+ddd500-d3-dd+ddd500-d3+dd+ddd500-d3+dd+ddd],'r');endendx=1500;dx=100;fori=1:50:800s=rand();chechang=8+8*sifs<i/800fill([x-500+i-dx,x-500+i+chechang-dx,x-500+i+chechang-dx,x-500+i-dx],[500-d3-dd+ddd500-d3-dd+ddd500-d3+dd+ddd500-d3+dd+ddd],'r');endendendforddd=0:50:50fori=1:50:1000x=500;s=rand();chechang=10+8*s;ifs<i/1000fill([500+d3+dd-ddd500+d3+dd-ddd500+d3-dd-ddd500+d3-dd-ddd],[x-500+i,x-500+i-chechang,x-500+i-chechang,x-500+i],'r');endendx=400fori=1:30:500s=rand();chechang=8+8*sifs<i/500fill([1000+500+d3+dd-ddd1000+500+d3+dd-ddd1000+500+d3-dd-ddd1000+500+d3-dd-ddd],[x-500+i,x-500+i-chechang,x-500+i-chechang,x-500+i],'r');endendendforddd=0:50:50fori=1:100:1000x=500;s=rand();chechang=10+8*s;ifs<i/100