劉萍

摘 要：為了提高城市路網(wǎng)設(shè)計(jì)效率，設(shè)計(jì)了一種基于非線性模型預(yù)測(cè)控制的城市路網(wǎng)交通流優(yōu)化。采用預(yù)測(cè)控制方法，達(dá)到最大限度地提高路口的通行能力，并驗(yàn)證了迭代式識(shí)別在車輛流量模型的參數(shù)識(shí)別中的正確性。研究結(jié)果表明：隨著迭代次數(shù)增多，網(wǎng)絡(luò)各個(gè)路段排隊(duì)車錯(cuò)誤值逐漸降低，且保持不變。對(duì)網(wǎng)絡(luò)交通系統(tǒng)的最大錯(cuò)誤對(duì)比，以更好地體現(xiàn)了迭代識(shí)別正確性。雖然道路網(wǎng)的非線性宏觀流量模型與 道路模擬試驗(yàn)結(jié)果總體上是與道路交通流量的實(shí)際改變相一致的，驗(yàn)證了該方法在道路網(wǎng)絡(luò)中的非線性大流量模型的識(shí)別性能。

在隨機(jī)擾動(dòng)在系統(tǒng)中辨識(shí)算法可實(shí)現(xiàn)對(duì)系統(tǒng)期望輸出的快速跟蹤，具有較快收斂速度。

關(guān)鍵詞：交通流；擁堵現(xiàn)象；參數(shù)辨識(shí)；承載能力

0 引言

在目前的交通系統(tǒng)中，關(guān)于模型預(yù)測(cè)的研究已經(jīng)逐漸增多。作為管理與控制城市路網(wǎng)交通的基礎(chǔ)模型，信號(hào)控制策略控制性能優(yōu)劣直接取決于城市路網(wǎng)交通流模型質(zhì)量情況[1]。

通過測(cè)量的輸入和輸出，識(shí)別具有典型工作特性的模型參數(shù)，從而使其更好地反映生產(chǎn)過程中的動(dòng)態(tài)過程[2]?，F(xiàn)有的參數(shù)識(shí)別技術(shù)大都是建立在線性或緩慢變化的基礎(chǔ)上，對(duì)于一種在一定的時(shí)間段內(nèi)存在反復(fù)操作的非線性時(shí)變性，它不能很好地識(shí)別出它的參數(shù)[3]。而反復(fù)學(xué)習(xí)識(shí)別方法則可以充分發(fā)揮該系統(tǒng)的可重現(xiàn)性，以之前或以前的錯(cuò)誤信息為糾錯(cuò)對(duì)象，并對(duì)其進(jìn)行反復(fù)的學(xué)習(xí)，以達(dá)到識(shí)別的要求；完整地追蹤參數(shù)[4]。不同于快速路、高速公路，城市路網(wǎng)交通流在交叉口信號(hào)控制的影響下呈現(xiàn)出不同的狀態(tài)，段亞美等[5] 專門針對(duì)城市路網(wǎng)交通流系統(tǒng)運(yùn)行情況展開更深入的研究，辨識(shí)交叉口多種交通參數(shù)，得出交通流模型辨識(shí)結(jié)果與方案運(yùn)行結(jié)果一致，運(yùn)行狀態(tài)處于交叉口處三、四相位配。閆飛等[6] 則是對(duì)運(yùn)行過程中，城市路網(wǎng)交通流系統(tǒng)的變化特性展開深入研究，將隨機(jī)變化項(xiàng)引入構(gòu)建的宏觀交通流模型框架當(dāng)中，將計(jì)算工作量降低，隨機(jī)變量處理效率在宏觀基本圖中更快。

根據(jù)迭代式識(shí)別方法特點(diǎn)，提出了一種新的時(shí)變性多參量的迭代式識(shí)別方法。通過一個(gè)城市道路網(wǎng)絡(luò)的模擬試驗(yàn)表明，該方法能夠有效地識(shí)別時(shí)變量多參數(shù)的動(dòng)態(tài)系統(tǒng)。

1 交通信號(hào)預(yù)測(cè)控制研究

1.1 控制目標(biāo)

在道路系統(tǒng)流量飽和的條件下，道路網(wǎng)絡(luò)的車輛通過與道路網(wǎng)絡(luò)的總體分布密切相關(guān)，由于路口的交通流量不足，導(dǎo)致道路的擁擠[7]。

非線性宏觀交通流模型式：

輸入通道LI、1 的列車號(hào)作為輸入基準(zhǔn)，可以確定路口I0 的全部入口車道LI，i 的列車號(hào)差異作為系統(tǒng)的輸出向量：

1.2 控制方案

為進(jìn)一步驗(yàn)證該方法正確性，在某市地區(qū)道路網(wǎng)絡(luò)中，使用時(shí)變交通流預(yù)測(cè)控制策略。本文所提出的固定時(shí)間分配方法，是對(duì)所調(diào)查地區(qū)道路交通的實(shí)際階段[8]。

通過 VISSIM 仿真，可以最大限度地模擬太原市地區(qū)道路網(wǎng)絡(luò)中各個(gè)路口的實(shí)時(shí)數(shù)據(jù)，從而可以最大限度地模擬出道路上的車流量，從而可以更好地反映出該路段的實(shí)時(shí)路況。

通過對(duì)城市道路系統(tǒng)中的非線性宏觀交通流量和排隊(duì)車差進(jìn)行分析：

將基于自適應(yīng)迭代法識(shí)別算法所獲得的道路流量模式的參數(shù)引入道路網(wǎng)絡(luò)的狀況方程，并將剩余的控制方法設(shè)定預(yù)測(cè)控制。

2 仿真研究

2.1 仿真方案

采用 VISSIM4.3 開發(fā)基于MATLAB2020a 的道路網(wǎng)交通流量模擬系統(tǒng)。

若能設(shè)計(jì)出合適的相位分時(shí)規(guī)劃，將現(xiàn)有的車流盡量分散，并將每個(gè)路口的入口車道數(shù)量保持相近，就可以極大地改善道路的運(yùn)載容量，從而有效地解決道路交通擁擠問題，使每個(gè)路口的通行能力都能被最大限度地發(fā)揮，從而達(dá)到最大限度地提高路口的通行能力。

針對(duì)某市某地區(qū)路段進(jìn)行模擬試驗(yàn)。該法給出了路網(wǎng)的道路結(jié)構(gòu)拓?fù)洌房诘霓D(zhuǎn)向比隨著時(shí)間的推移而有所改變，總體趨勢(shì)是隨著時(shí)間推移而波動(dòng)，各個(gè)道路的基礎(chǔ)狀況與現(xiàn)實(shí)狀況一致，具體道路數(shù)量見表1，每個(gè)道路寬度大約3.5 米。

以百度智能交通系統(tǒng)中的道路網(wǎng)絡(luò)每日的車流分配為基礎(chǔ)，以某一地區(qū)某地區(qū)12 h 的模擬車輛流，以每天30 分鐘平均流量設(shè)定，在圖2 中，反復(fù)學(xué)習(xí)求得結(jié)果均符合收斂。采用 VISSIM 的路段評(píng)估函數(shù)，對(duì)各個(gè)路段的密度和車速進(jìn)行采集，以方便對(duì)迭代式識(shí)別方法評(píng)估結(jié)果進(jìn)行比較。

2.2 結(jié)果分析

該迭代學(xué)習(xí)識(shí)別模擬試驗(yàn)總共進(jìn)行了50 個(gè)迭代，以便于在不同迭代次數(shù)下對(duì)道路總體的排隊(duì)車輛錯(cuò)誤進(jìn)行觀測(cè)。隨著迭代次數(shù)的增多，網(wǎng)絡(luò)中各個(gè)路段的排隊(duì)車的錯(cuò)誤值逐漸降低，且保持不變。通過比較詳細(xì)地研究了道路交通網(wǎng)絡(luò)，得到了道路交通系統(tǒng)中的最大偏差的局部迭代式。圖3 從抽樣周期方面對(duì)網(wǎng)絡(luò)交通系統(tǒng)的最大錯(cuò)誤進(jìn)行了水平對(duì)比，以更好地體現(xiàn)了迭代識(shí)別的正確性。

圖4 所示的模擬值為8：00 時(shí)段道路阻塞狀況。在一定范圍內(nèi)，路網(wǎng)內(nèi)與初態(tài)差值的擾動(dòng)項(xiàng)隨著城市路網(wǎng)交通流系統(tǒng)運(yùn)行狀態(tài)改變而產(chǎn)生波動(dòng)。對(duì)比整體路段車輛數(shù)，擾動(dòng)項(xiàng)與初態(tài)差值在宏觀角度遠(yuǎn)遠(yuǎn)不足，從收斂效果來看，自適應(yīng)和固定增益這兩種迭代學(xué)習(xí)辨識(shí)方法均表現(xiàn)較佳。相比之下，在隨機(jī)擾動(dòng)在系統(tǒng)中產(chǎn)生時(shí)，非線性宏觀方法可實(shí)現(xiàn)對(duì)系統(tǒng)期望輸出的快速跟蹤，具有較快的收斂速度和效果。

3 結(jié)束語

本文開展了基于非線性宏觀方法的交通信號(hào)預(yù)測(cè)控制研究，得到如下有意結(jié)果：

1）隨著迭代次數(shù)增多，網(wǎng)絡(luò)各個(gè)路段排隊(duì)車錯(cuò)誤值逐漸降低，且保持不變。

2）驗(yàn)證了該方法在道路網(wǎng)絡(luò)中的非線性大流量模型的識(shí)別性能。在隨機(jī)擾動(dòng)在系統(tǒng)中產(chǎn)生時(shí)，自適應(yīng)迭代學(xué)習(xí)辨識(shí)算法可實(shí)現(xiàn)對(duì)系統(tǒng)期望輸出的快速跟蹤，具有較快的收斂速度和效果。