基于粗糙集的城市快速路入口控制系統研究

鄒愷杰，陳天宇，肖奇波，王亞飛，承向軍

（北京交通大學交通運輸學院，北京 100044）

城市快速路承擔大量交通量。為保證主路流暢，不少學者提出了快速路入口控制模型。在應用中，由于快速路入口匝道控制規則主要考慮主路交通流，缺乏對輔路交通流的控制，常常出現輔路劇烈擁堵情形下入口并未打開的情形。本文建立了粗糙控制模型，通過遺傳算法對快速路入口交通流實現控制。

1 特征參數選取

1.1 輸入屬性

考慮快速路車道數量λ，匝道車道數量1，使用上游交通流量與平均密度，將其歸一化為上游阻塞程度與流量擁擠度：

使用入口前車輛擁擠度為入口匝道條件屬性：

1.2 輸出屬性

控制系統的輸出即為入口調節率Ri(k)，Ri(k) [0,1]。

1.3 控制優化目標

根據離散化的快速路交通模型，給予快速路與輔路的平均密度不同權重，確定快速路主輔路加權平均車速為優化目標：

2 粗糙控制模型

粗糙集理論是一種數據分析處理的理論。范業坤提出基于粗糙集的交通流神經網絡模型，將粗糙集理論運用于快速路控制。本文實現的粗糙控制具體步驟如圖1。

圖1 粗糙控制流程圖

2.1 粗糙控制數據集

模型需要采集的數據有快速路主路與輔路的上游密度ρi(k),ρj(k)、上游流量qi(k),qj(k)、匝道入口的車輛擁擠度γ，通過傳感器得到，如圖2。

圖2 模型采集數據示意圖

2.2 知識庫的建立

R1：當快速路上游阻塞程度變量Ua與Ub均為A時，放行匝道；

R2、R3：當快速路上游阻塞程度變量Ua或Ub為D時，關閉匝道并不允許等待；

R4、R5：當輔路阻塞程度變量Uc與Ud均為D，或當入口匝道擁擠度Ue為D，且快速路上游阻塞程度Ua與Ub均不為D時，放行匝道；

2.3 基于遺傳算法的邊界域自學習算法

遺傳算法（Genetic Algorithm，GA）是模擬自然選擇和遺傳的一種隨機搜索算法，本文使用遺傳算法構建的邊界域自學習過程可以表述為：

（1）生成Q個初始規則集，分別進行T時間的信號控制，記錄每個方案加權平均車速指標。

（2）順序進行了T時間的信號控制后，按照加權平均車速，計算Q個方案的適應度和遺傳概率。

（3）以隨機方式使2Q個方案配對，產生Q個子方案。以一定的變異率進行變異處理。重復（2）。

3 基于vissim的粗糙控制仿真

在vissim軟件中搭建了仿真實驗平臺，分別使用無入口匝道控制、入口匝道定時控制與本文提出的基于粗糙集的入口匝道控制規則對快速路入口匝道控制進行仿真實驗，得出不同仿真時長通過測試路段的時間對比結果，如圖3。

圖3 仿真結果

4 結語

本文提出了一種快速路入口控制系統，將遺傳算法與粗糙集理論相結合，以實現對快速路入口的持續性優化，發現定時控制與基于粗糙集的感應控制結果均優于無信號控制，但是，定時控制在一定時間后交通量較大時效果較差，而基于粗糙集的感應控制呈現出比另外二者更優的結果。