交通运输--协调控制策略的选取
2.3协调控制策略选取
协调控制策略的选取始终都是交通协调控制研究领域的重中之重。从协调控制策略研究的发展历程来看，协调控制策略可以分为典型的协调控制策略与新型的协调控制策略两类，其中，典型的协调控制策略主要有单向绿波协调控制、双向绿波协调控制与同步式协调控制，它们基本以干道协调控制为研究对象，具有计算简洁、实现方便、可操作性强等优点；新型的协调控制策略则主要有分层递阶式协调控制、分布式协调控制与多智能体协调控制，它们能快速响应交通流的急剧变化，适应于灵活的交叉口的控制方式，具有实时性高、适应条件宽、智能化强等优点。
1 典型的协调控制策略[1]
单向绿波协调控制是一种以单方向交通流为优化对象的线控方式，常用于单向交通、变向交通或两个方向交通量相差悬殊的道路。由于单向绿波协调控制只需顾及单方向的交通信号协调，因而算法简单、效果明显，适合于解决未饱和交通状态下的潮汐交通问题。
双向绿波协调控制是一种以双方向交通流为优化对象的线控方式，常用于相邻交叉口间距适当、两个方向交通量相当且处于未饱和交通状态的道路。由于双向绿波协调控制需顾及双方向的交通信号协调，因而算法较为复杂、效果不甚理想，主要适合于解决未饱和交通状态下的交通阻滞问题。
同步式协调控制是指连接在一个干道协调控制系统中的全部信号，在同一时刻对干道协调相位车流显示相同的灯色，常用于相邻交叉口间距较短、干道流量特别大（高峰小时交通量接近通行能力，下游交叉口红灯车辆排队有可能延长到上游交叉口）的道路。同步式协调控制的实现方法最为简单，主要适合于解决饱和交通状态下的交通堵塞问题。
此外，文献[24]在分析特殊路段交通特性及需求的基础上，对一类含特殊路段的城市干道协调控制方法进行了研究，重点阐述了在保障特殊路段交通安全的前提下进行主动性的交通流有效控制的策略及算法。通过干道协调控制人为调节关联交叉口交通阻抗来影响用户的交通行为选择，从而在某种程度上限制特殊路段交通的过度增长，在保障路段交通安全的基础上充分发挥交通效益。针对城市隧道的实地情况和流量数据，设计出根据流量和排队长度两个参数综合选择实时控制方案的方法，进而说明该控制策略的具体实现及仿真效果。
2 新型的协调控制策略
交通系统的模糊性、随机性和不确定性，使得对于交通控制系统的建模工作变得非常困难，有时甚至无法用现有的数学方法对交通控制模型加以描述。因此，一些先进的人工智能技术在城市交通区域信号控制中得到了广泛应用，城市交通信号控制策略呈现出智能化的发展趋势。例如，区域交叉口的分级模糊控制、基于模糊神经网络的区域交通信号协调控制、基于多智能体的区域交通流协调控制、以及基于分布式Q学习的区域交通信号协调控制，都已成为区域信号协调控制研究领域中的研究热点。
（1）分层递阶式协调控制
实践分析表明：在一个交通信号协调控制系统中，同时考虑公共信号周期、绿信比和相位差的优化，将使得问题的求解过程十分复杂。根据系统工程中大系统分解－协调的思想，对交通信号协调控制系统进行分层递阶式协调控制[25-29]，将大大简化问题的求解过程，提高系统的响应速度，改善系统的控制效果。
文献[26]提出采用递阶结构和模糊理论来解决交通干线的实时协调控制问题，其控制策略规定在一个阶段（6个信号周期T左右）内，干线上的周期T和相位差t p保持不变，各交叉口的绿信比可实时调整，本阶段的周期T和相位差t p由上阶段交叉路口交通量的检测值协调确定，如图8所示。具体控制方法为：1、协调单元首先根据上阶段的交通量统计数据给出干线上各交叉口的相位差t pi（i＝1，2，…，n）及干线上统一使用的周期T；2、在一个阶段内各交叉口依照给定的周期T和相位差开启绿灯信号，用模糊控制规则调整绿信
比（以主干道方向车队长度作为绿信比模糊控制器输入，主干道方向绿灯追加时间作为绿信比模糊控制器输出），使交叉口的车辆延误尽可能小。同时，将该周期内的交通量检测值和绿信比送给协调单元处理；3、在一个阶段结束时协调单元由本阶段测得的干线上的交通量和各交叉口的绿信比，预估下一阶段的各交叉口的饱和度及干线的车辆密度，用模糊控制规则确定下一阶段的周期长和相位差（由交通量检测值和绿信比可以推算出饱和度与车辆密度。以最大交叉口饱和度作为周期模糊控制器输入，周期增量作为周期模糊控制器输出；以相邻交叉口之间的车辆密度作为相位差模糊控制器输入，相邻交叉口之间的路段平均车速作为相位差模糊控制器输出），以保证干线上的车辆延误尽可能小，此时干线上交叉口的最大饱和度应接近0.9。
图8 递阶模糊控制结构图
文献[27]利用递阶结构和模糊神经网络来进行交通系统的实时协调控制，将交通干线作为一个大系统问题，子系统为干线上的各交叉口，用一模糊神经网络在线调整各方向的绿信比；而协调器则利用测得的交通量数据用模糊神经网络方法确定干线上的信号周期和各交叉口之间的相位差。协调器和子系统的目标均为使交叉口前的平均排队长度最小。与文献[26]相比，其控制结构图与之类似，如图8所示，但在此使用模糊神经网络控制方法取代基本模糊控制方法，将模糊控制理论和神经网络理论的优点（模糊控制理论可有效地处理模糊信息，但产生的规则比较粗糙；而神经网络的非线性映射能力强，利用这一点来学习规则可有效地提高控制精度）进行了有机地融合。以主干道方向车队长度作为绿信比模糊神经网络控制器输入，主干道方向绿灯追加时间作为绿信比模糊神经网络控制器输出；以最大交叉口饱和度作为周期模糊神经网络控制器输入，周期增量作为周期模糊神经网络控制器输出；以相邻交叉口之间的车辆密度作为相位差模糊神经网络控制器输入，相邻交叉口之间的路段平均车速作为相位差模糊神经网络控制器输出。由于神经网络具有很强的非线性映射能力，因此由模糊控制规则样本很容易训练一个三层的神经网络，可比较准确地得到饱和度与周期增量之间的模糊关系映射。
文献[28]提出一种基于PC-PLC网络的分层递阶式智能交通线控方法，采用路口级和协调级两级控制方案，实现城市交通干线控制。路口级控制器根据各车道上的车辆排队长度，利用模糊控制算法来决定干道协调相位的车辆放行时间；协调级控制器则依据当前时段（一般取6个信号周期）内的总车流量Q和当前时段与上一时段车流的变化量ΔQ，利用模糊控制算法来确定下一时段的公共信号周期时长。
（2）分布式协调控制
由于城市交通系统具有规模庞大、随机性强、关系复杂、变化频繁等特点，且英国运输与道路研究所（TRRL）的研究成果表明：只要围绕每个交叉路口的小区域（即该路口及其相邻路口形成的区域）能够获得一个接近整体最小的控制指标，那么整个路网范围内的控制指标值也是接近整体最小值，因此有人尝试将分布式控制结构运用于区域交通信号协调控制[30-37]。同是分层式控制结构，递阶式控制结构的同一级控制单元间的信息交换必须通过上一级控制单元进行，其控制结构呈树形结构；而分布式控制结构的每一级控制单元除了可与其上一级控制单元进行信息交换之外，也可与同一级其它控制单元进行信息交换，其控制结
构呈网状结构，因而分布式控制更具有计算量较小、实时信息处理能力强、可靠性高、扩展性好的优点。
文献[31]利用大系统的分解－协调思想、模糊理论和神经网络技术来进行城市交通干线的实时协调控制。把交通干线作为一个大系统，子系统为干线上的各个交叉口，在此基础上，设计了一种城市交通干线的两级模糊协调控制算法并用BP神经网络实现。控制级在线调整各子系统的信号周期和绿信比；而协调级则根据测得的交通信息协调相邻子系统间的车辆数。其具体控制方法为如图9所示。值得注意的是，在此设置的相位顺序已经固定（相序如图10所示），不能调换，对于控制级控制器，第一相位与第二相位的绿灯延长基本时间只取决于该相位的车流状况，第三相位与第四相位的绿灯延长基本时间取决于该相位的车流状况与第一相位的车流状况。对于协调级控制器，主要是有第一相位与第三相位的车流进入主干线，进而影响干线下游交叉口的交通环境，因此它们需要根据下游相邻交叉口的交通环境对绿灯延长时间进行修正，以实现干线交通流的协调。这种协调控制作用能有效防范交通堵塞，其需要考虑到的因素有本交叉口与下游相邻交叉口间的车辆数、下游交叉口主干道方向剩余放行时间、本交叉口主干道方向已经放行时间。
图9 各信号相位控制结构图
第一相位第二相位第三相位第四相位
图10 信号相位图
文献[32]利用模糊神经网络设计了一种新的实时分散协调控制算法。将城市区域和市内快速公路作为一个路网大系统，子系统为路网中的各个交叉口；每个子系统都有一个模糊神经网络控制器，该控制器根据子系统与相邻子系统的交通流信息来动态管理相序及绿灯时
间。控制器由相序选择模块、绿灯判断模块和相位切换模块组成，每个模块都有自己的模糊规则，并用BP神经网络建立模糊关系来提高控制精度。其中，相序选择模块用来评价除当前绿灯相位外所有红灯相位的交通情况，然后选择交通情况最紧急的相位为下一个优先放行的相位；绿灯判断模块用来评价当前绿灯相位的交通情况，从而对是否停止放行当前绿灯相位做出判断；相位切换模块则根据前两个模块的输出来决定是否需要进行绿灯相位切换。
文献[33]
优化的目的。
图11 分布式多智能体协调控制结构图
（3）多智能体协调控制
多智能体技术是分布式人工智能的一个分支，其目标是将复杂大系统建造成小的、彼此相互通讯及协调的、易于管理的系统。多智能体技术继承了分布式系统的一些技术如共享资源、操作异步等等，并且通过赋予智能体更多的自主性，使智能体在活动中积极地进行协作而不是通过上层的设计进行协作。由于区域交通协调控制研究领域中的很多问题具有多智能体技术发展的条件——整个交通系统功能和地理分散、子系统（各路口）具有高度的自治性、交通应用要求高度的动态性，因此多智能体技术在区域交通协调控制领域应用的研究[38-46]已引起专家学者们的高度关注。
文献[38]针对城市交通网络中相邻交叉口的交通流可能相互冲突，即局部交通流的优化可能引起其他区域交通状况恶化的问题，采用多智能体协调控制方法来协调相邻交叉口处的控制信号以消除网络中的交通拥塞，提出以一个智能体的方式实现一个信号灯交叉口控制，对多个信号灯交叉口形成的交通网络采用多智能体协调控制的方式实现网络流量优化。文中提出由递归建模和改进的贝叶斯学习相结合的多智能体系统来使智能体可以确定其他智能体的准确模型并实时更新信息，并基于上述方法在简单的交通网络模型上建立了多智能体交通控制系统。其中，递归建模方法使一个智能体能根据其行为产生的效用大小选取合理的行动，并且能在多智能体环境中通过对其他智能体决策建模来协调与他们之间的行为。
文献[39]提出了一种引入学习机制的基于多智能体技术的城市交通控制系统框架，初步建立了一个具有专家系统特点、可以不断进化的分布式城市交通智能控制系统。该分布式城市交通智能控制系统由感知系统、智力系统与通信系统三个组成部分，其中感知系统是对系统所在环境进行了解和探测的系统，可以将所控制路口的车辆信息传输给智能体，使智能体及时了解环境的状况；智力系统是智能体的核心部分，具有判断、推理和学习能力，主要包括知识库、推理机、算法模块、记忆库、经验库、学习机和协调模块；通信系统则是实现与
相邻智能体进行信息交互的功能。
文献[40]利用agent技术对城市交通信号控制进行研究，构建了区域agent（ARA）的组成和结构，给出了城市交通控制的模型和协调算法，并在此模型基础上，应用博弈论的相关知识给出城市交通信号协调控制算法。其中，ARA的全局目标是使整个城市流量最大化，局部目标是使区域流量最大化，它将根据自己的目标、能力、知识以及获得的数据来决策如何控制路口，主要解决来自路段agent（SGA）和路口agent（ISCA）的一些冲突，决定最后的控制策略。ARA既要解决局部冲突，又要处理全局优化，因此必须具有整个城市交通控制系统的局部和全局知识。
文献[41]提出了一种基于Multi-Agent的区域交通协调控制系统。该系统针对路网中各交叉口交通流相互影响的特点，构造了一种基于分布权值函数的分布式Q学习算法，采用此算法实现了Multi-Agent的学习以及协调机制，并通过各Agent间的协调控制来协调相邻交叉口处的控制信号，从而消除路网中的交通拥塞。文献将强化学习理论应用到Agent技术中，使得Agent直接从不同外界环境的状态学习其内部模型，从而消除或是尽量减少对外界环境模型的依赖，确保Agent能够根据以往的经验有效地采取控制动作。
2.4智能优化算法应用
在协调控制模型与协调控制策略确定后，区域交通信号协调控制问题便转化为一个优化问题，即在一定的目标函数（该目标函数较为复杂，一般无法求得其导数）下，寻找最优控制参数，使目标函数达到最优，于是求解优化问题成为求解区域交通信号协调控制问题的关键。在区域交通信号协调控制参数优化方面，遗传算法、蚁群算法、粒子群算法等智能优化算法[47-51]都已得以应用，并取得初步研究成果。
（1）遗传算法
遗传算法是通过模拟自然进化过程而形成的寻优算法，其实质是一种有方向性的随机搜索算法，属非数值并行算法范畴。遗传算法的优点在于它不需要通过复杂的推导和变换来获得可求解的模型，只要知道相关变量和目标方程（适应函数）便可进行求解，而且遗传算法是依概率收敛到全局最优值，在搜索计算过程中不易陷入局部最优。与传统的寻优算法相比，遗传算法不同于盲目随机搜索的蒙特卡罗法，其计算搜索过程是有方向性和智能性的，能大大提高搜索的效率；而且在遗传算法求解过程中可以通过调整算子的参数来防止计算陷入局部最优值，以较大的概率搜索到目标函数的全局最优解，这又避免了“爬山法”易陷入局部最优的问题；再者对于路网的协调控制参数计算，算法的计算量与交叉口的数量基本呈线性关系，不会出现“维数灾难”的问题。
文献[23]提出了基于遗传算法的城市干道协调控制相位差优化设计方法，并针对城市干道协调控制的特点，对于染色体的编码、适应函数的选取、选择策略的确定、控制参数的设定、遗传算子的设计以及算法终止准则的制定进行了详细阐述，较好地解决了交通信号协调控制参数的优化求解问题。
文献[47]提出一种基于改进免疫遗传算法的城市区域交通自适应协调控制方法，采用两层的递阶分布式结构，分阶段和分级优化控制参数（周期、相位差和绿信比）。免疫遗传算法（IGA）是对普通遗传算法的一种改进，它通过免疫算子利用了问题的特征信息，故其收敛性能显著优越于普通遗传算法，且理论上IGA概率1收敛，而交通控制问题也存在一些特征信息可资利用，根据交通控制的特征抽取相应的基因座疫苗，采用改进的IGA对周期、相位差和绿信比进行优化将是可行而有效的。
（2）蚁群算法
蚁群算法是对自然界中蚂蚁的食物搜索行为的一种仿真，通过将问题的解分解成一些组成元素，由蚂蚁在一个构造图上以随机方式逐步选择各个组成元素构造出问题的解，并对解的评价结果以信息素的形式释放到连接上从而引导其他蚂蚁的进一步搜索。蚁群算法将问题
解分解成若干组成元素，以构造解方式搜索整个解空间；将解的评价结果以信息素的形式释放到连接上，能引导解的搜索方向；具有计算效率高，实时性好等特点；能较为明确地将约束条件表示出来；因而能与区域交通协调控制的实时滚动优化模型有机结合。
文献[48]为求解城域交通控制实时滚动优化的混合整数规划模型，将滚动优化各阶段的控制变量映射为一个层状构造图，通过定义局部启发信息和信息素更新公式，应用蚁群算法搜索各路口的最优信号灯相位序列，并对求解该滚动优化模型的蚁群算法的计算复杂度进行了理论分析。仿真分析表明，基于蚁群算法的城域交通控制滚动优化技术对于解决大规模、复杂的交通网络信号控制问题具有很大的实用价值。
文献[49]为解决大规模区域交通控制滚动优化问题中的约束条件复杂、解空间规模庞大的最优化难题，提出了一种基于改进蚁群算法的降阶滚动优化算法。基于宏观交通流模型建立了区域交通控制滚动优化模型，在蚁群算法中设计了层状解构造图对该模型解空间进行描述和求解；运用降阶方法将大规模区域分解成一系列子区域，在蚁群算法中设计了复合层状解构造图对该降阶模型的解空间进行描述和求解，并分析了基于两种解构造图的蚁群算法的计算复杂度。分析和仿真结果表明，该降阶算法提高了整体计算效率，明显地降低了总停车延误时间，适用于大规模区域交通控制的滚动优化。
（3）粒子群算法
粒子群优化（PSO）算法是一种基于粒子间相互作用的群智能方法，也是一种演化计算技术。PSO算法的基本思想源于对鸟群捕食行为的研究，在PSO算法中，由于每次迭代粒子总是通过跟踪两个最优位置——到目前为止的群体最优位置和个体最优位置来更新自己，因此PSO算法具有学习记忆功能，搜索速度快，实时性好，对于城市区域交通协调控制信号的整体优化具有较好的适用性。
文献[50]在粒子群优化算法中引入灾变策略和模型，开发了灾变粒子群优化算法，解决了基本粒子群算法易陷入局部极小点的缺陷，并将其应用于城市区域交通协调控制信号配时优化。仿真结果表明，与基本粒子群算法、固定周期法和遗传算法等配时方法相比，采用所开发的灾变粒子群优化算法对区域交通协调控制信号进行智能优化配时，被控区域的车辆平均延误大大减少，路口的通行效率得以显著提高。
文献[51]提出基于粒子群优化的城市关联交叉口群信号控制策略。采用具有车型信息的感应线圈检测装置，获取各交叉口的实时交通流信息；通过对短时交通流时间序列进行可预测分析，确定交通流时间序列的动力学性质，对于具有确定性变化规律的时间序列建立基于神经网络的组合预测模型，实现对交通流的在线预测；以车辆平均延误时间最少为优化目标，建立关联交叉口群的信号控制参数优化性能函数，并根据粒子群优化思想求解信号控制参数。仿真实验证实，基于粒子群优化的关联交叉口群信号控制策略有效。