車輛重路由與智能交通燈協同控制研究

楊留輝，曾連蓀，周煜軒

(上海海事大學信息工程學院，上海 201306)

1 引言

隨著科技和經濟的發展，我國車輛數量在不斷攀升，這對道路交通帶來了巨大的壓力，各種交通問題屢見不鮮。在智能交通系統中(ITS)，利用EasiTia[1]、圖像識別等技術可收集交通信息[2]。目前，減輕交通擁堵的方法有兩種：1)車輛改道；2)交通燈的控制策略。通過深入研究發現，目前交通的控制主要停留在了主干道路，而忽略了人行道。交通擁堵不僅是由車輛數量的增加引起的，交通事故更容易引起交通擁堵。本文提出了一種新型的交通架構來減少交通擁堵[3]或事故[4]以及行人的不必要等待時間。通過對道路信息的獲取以及行人信息。當道路擁堵或發生事故時，該架構利用k-最短路徑算法[5-6]找出不同合適路線對需要改道車輛采用主動改道策略，并通過交通燈的控制策略(考慮下游交通、不考慮下游交通的控制)加以輔助。利用密度圖[2]來識別斑馬線附近的行人與車輛的關系來判斷交通燈的配時，減少行人的不必要等待時間。

2 交通架構

本文提出的架構由三部分組成，如圖1，分別是：1)交通信息獲取、模型的建立與交通預測；2)車輛改道策略；3)兩種交通燈的控制策略。其目的是實時獲取道路信息，來進行車輛的改道和交通燈的控制。通過圖像識別，判斷道路是否發生事故與行人的數量。一旦發生擁堵，該架構就會采用主動改道策略，通過k-最短路徑算法[5-6]，計算改道的優選路徑，在進入擁堵之前進行改道，同時交通燈策略為擁堵路段進行動態的配時。在車輛較少的路段，它會以行人與車輛的行駛狀態決策出交通燈的狀態。在接下來的章節中，將詳細的介紹本框架。

圖1 交通管理架構

3 模型的建立

為了對車輛改道與交通燈的控制進行仿真，必須建立對交通狀況的評價模型。首先是關于靜態道路信息模型的建立，定義靜態道路覆蓋率為

(1)

NV表示在某段道路上的車輛數，La表示車輛的平均長度(包括與前車的行車間距)，Lp表示該路段的長度，Np表示該路段的車道數。I1越大表示在該路段的車輛越多，越容易發生擁堵。根據實際的車輛行駛規律定義動態的道路覆蓋率為

(2)

NI與NO分別表示該道路的輸入與輸出車輛數。車輛的輸入表達式為

(3)

Vi表示第i輛的平均速度，Tg表示在某時刻該車輛行駛到停車線以前的綠燈時間，Nstop表示車輛因事故停止的車輛數。輸出與輸入的表達式相似。

為了提高道路信息的準確性，判斷是否有事故發生，本文利用殘差神經網絡模型[7]，來識別車輛是否發生事故。在收集了10000張圖片作為數據集之后，經過訓練得出了訓練集與測試集的精度圖和損失變化圖如圖2和圖3。

圖2 精度圖 圖3 損失變化圖

4 控制策略

4.1 車輛的改道策略

一旦預測前方道路交通擁堵或識別出前方事故發生，將進行車輛改道。根據不同的車輛指定不同的改道策略。

4.1.1 車輛的選擇

如果某路段發生交通擁堵，不同車道的車進入此路段時，就會增加行駛時間。因此，通過車輛重路由改變車輛預期行駛的路線[8-9]，不僅減小道路的擁堵程度，還能減少行駛時間。然而對于那些不經過事故或擁堵路段的車輛來說，改道是沒有必要的。如圖4，在P0路段出現交通事故或者擁堵，可以知道C2、C5、C8等遠離P0路段的車輛改道不僅增加行駛時間，有可能造成其它路段的擁堵，而C9、C10等將行駛在P0路段的車輛改道，將減小道路擁堵，縮短行駛時間。

圖4 車輛與道路信息

4.1.2 道路選擇概率

關于車輛重路由，在道路發生擁堵時，給部分車輛的行駛路線重新規劃，在這種情況下，可能會導致重新規劃的路段發生擁堵，最好的方法就是為車輛提供多條優選路段。本文進行了幾種最短路徑的算法比較[5，10-13]，最終選擇了k-最短路徑算法[5](Yen’s算法)。在獲取路段信息后，給出更適合行駛的最短路徑，本文在利用k-最短路徑算法給出幾條選擇路線以后，計算出選擇某條路徑的概率，概率是根據其最短路徑下游路段的車輛信息來計算的，得到概率為

(4)

λ表示該道路的重量系數，l表示最短路徑的和，i表示第i條路徑。根據公式與實際情況可知，道路車輛越多信息量越大，該架構選擇該道路的可能性就越小。受路段信息的影響，在擁堵路段產生的概率較小，但是在該路段擁堵現象或者事故排除以后，將供車輛正常行駛。

4.2 交通燈的控制策略

除重路由策略以外，交通燈的動態配時也是解決交通擁堵的有效辦法。在交通運輸系統中，交通燈是安裝在交叉路口上的有效控制車流的必要裝置[14-15]。交通燈系統的組成分為兩部分[2]：一、交通燈的顏色變化；二、顏色的持續時間。本節就針對交通燈顏色持續時間進行動態改變。在進行動態改變交通燈配時的過程中出現兩個問題。

4.2.1 不考慮下游交通狀況

如圖5，假設在交叉路口處，交通燈的持續時間，根據路況進行動態配時(T1，T2)，道路(P1，P2)信息(I1，I2)，在P1為綠燈時，P2必定為紅燈。其路燈持續時間表述為

圖5 不考慮下游信息的交通燈控制

(5)

(6)

在這里15是路燈持續的靜態時間，LP1是路段P1的長度，單位為m，V(P1)是車輛在P1的限定速度，單位m/s。當該路段輸入輸出相等時，n=1；當輸入大于輸出時，n=2。路段P2紅燈的持續時間Tr(P2)=Tg(P1)。

4.2.2 考慮下游交通狀況

如圖6，假設路燈持續時間(T1，T2)下游路段(P3，P4)信息(I3，I4)可以獲取，為了使模型更容易理解，假設(P1，P2)是直行道路(不轉彎且單向)。在不考慮下游時，如果P1的路面覆蓋率較大時，Tg(P1)就會增大，當下游交通狀況差時，Tg(P1)的持續時間變長，將導致下游情況更差。在這樣的情況下，P1與P2和P3有競爭關系，P2與P1和P4也有競爭關系，因此其路燈持續時間定義為

圖6 考慮下游信息的交通燈控制

(7)

(8)

在這γ∈[0.5，1]是加權信息，其它參數同上式(5)，路段P2紅燈的持續時間Tr(P2)=Tg(P1)。

4.3 人行道上交通燈的控制策略

現實生活中，在交叉口處，持續的紅燈不僅影響行車司機的心情；在各個方向沒有車輛行駛時，持續的紅燈同樣還影響行人的心情，因為增加了行人的不必要等待時間，這就有可能出現闖紅燈現象，同時出現不可預知的交通狀況。這種情況下，本文提出了人行道上交通燈的控制策略。當系統利用攝像機通過圖像識別等技術判斷當前道路上(如南北與東西方向)無行駛車輛或者僅在與行人行駛方向相同時(如圖7，8)，斑馬線上與交叉口上的紅燈停止綠燈亮起重新進入計時。這樣既能解決行人與車輛司機的不必要等待時間問題，也能降低事故的發生達到節省資源目的。路燈的實現形式如Tr(P3)→Tg(P3)。

圖7 識別前 圖8 識別后

4.4 交通燈的控制策略擴展

在上述的兩種情況下，如果發生交通事故，交通信息量必會增加，這時延長交通燈的持續時間，無疑會給此路段造成嚴重后果。當系統判斷出此路段是由于發生交通事故產生的擁堵，此路段的路燈色相將持續為紅色，直至事故處理結束。這樣既避免了二次事故，也為上游要經過此路段的車輛節省了行駛時間。

5 實驗

在實驗中，對交通擁堵程度、行人與駕駛者的出行時間以及到達車輛數進行比較。

5.1 實驗設置

在微觀仿真平臺VISSIM上進行仿真。VISSIM是一種微觀的、基于時間與駕駛行為的仿真平臺，可以運用各種控制邏輯[16]。路網是由VISSIM中的各種工具根據現實交通規則(如右行原則)畫出。VISSIM的COM端口為仿真(控制車輛改道和交通燈的策略)提供了方便。

改道車輛配置如下：

1)車輛平均長度為4.5m，最小間距為2m。

2)車輛數為1500輛，行人數量為500人，行程隨機。

3)車輛到達目的地后，相當于行使出路網，不影響當前仿真路網。

4)穿過馬路后，不影響其它人行走。

5)交通擁堵閾值θ=0.6，目的地的個數den=2，最短路徑k=3。

最大仿真時間為1500秒，設定上下班高峰期。對每一個參數的變化做了50次的重復實驗，并記錄數據，求取平均值。在靜態交通中，本文設定路燈持續時間為15秒。為了驗證最終結論，本文將不同方法的結論記錄以下道路評價標準：1)道路的平均覆蓋率；2)到達目的地(小區、商場等)的車輛數量(駛出路網例外的車輛不在計數內)以及行人的數量；3)到達目的地車輛與行人的平均行駛時間。

5.2 車輛改道評價

針對車輛改道，有幾個參數將影響其性能，下面將研究這些參數對其性能的影響。

1)擁堵閾值[2]與目的地的增加：擁堵閾值θ={0.5，0.6，0.7}、目的地的個數den={1，2}。最短路徑k={2，3，4}在路網上仿真。用道路的平均覆蓋率、到達目的地的車數和重路由車輛數作為研究參數的參考依據。首先用靜態的配時策略，采用線性模型與深度學習預測模型。結果見表1。可以從表中觀察到當θ=0.6、den=2與k=3時，道路覆蓋率最小。較小的擁堵閾值將使改道更加頻繁，預防交通擁堵。較多的目的地，縮短行駛時間。較多的路線抉擇，可以緩解交通擁堵。同時道路覆蓋率將會降低。多條規劃路徑與多個目的地將對駕駛者駕駛安全造成一定程度的影響。

表1 不同參數的重路由指標結果

2)路段擁堵是否被識別TJ=(0，1)、事故是否被識別TA=(0，1)與兩者是否被處理HT=(0，1)對車輛行駛中參數的影響。在實驗中利用VISSIM二次開發[17]設定隨機車輛減速為0與車身變紅來代替事故的發生，仿真數據見表2。本部分用道路的平均覆蓋率、到達目的地的車數和平均行駛時間指標對其進行對比分析。

表2 交通路況的識別與處理結果

5.3 交通燈的控制評價

本節分為兩部分：第一部分是關于車行道上的交通燈的控制。此部分分為三個評價因素：1)靜態交通燈策略；2)不考慮下游交通流量的交通燈策略；3)考慮下游交通流量的交通燈策略。仿真數據見表3：

表3 不同交通燈的控制策略結果

對三組數據進行對比分析發現動態交通燈策略均優于靜態交通燈策略，因為靜態交通燈策略不能根據實際交通狀況改變交通配時，導致行駛時間、擁堵道路數量等均增加。考慮下游交通流量的交通燈的控制策略優于不考慮下游交通燈的控制策略，原因在于前者能根據下游交通流量適當的增加路燈的持續時間，大大降低了交通擁堵等現象，改善了路網中的各項指標。第二部分是關于人行道上交通燈的控制。通過系統檢測人行道與車道情況，來控制交通燈的配時。本節以靜態的斑馬線交通燈策略與動態的斑馬線交通燈策略，來評價兩種策略的效果。行人的平均出行時間是從路邊穿過馬路到另一邊來計算的。仿真數據見表4。

表4 人行道交通燈的控制策略結果

從數據分析可知，斑馬線上動態的交通燈策略優于靜態的交通燈策略。

5.3 架構的整體評價

在本節中，將車輛重路由與交通燈的控制相結合的框架進行整體評估，數據見表5。本節將該框架與其它三種交通策略進行比較：

表5 車輛重路由與交通燈的控制結果

1)基本交通策略

2)動態交通燈的控制策略

3)車輛重路由策略

觀察表5不難發現本文架構的數據明顯優于其它三種策略。

在交通路網中運用不同策略的仿真結果，見圖9，圖10。平均繪制次數為50次，時間間隔按需求設定。圖中可以清楚地看出車輛重路由策略比基本交通策略要好。動態交通燈的控制策略在上下班高峰期表現較差。在聯合結構策略比其它三種策略整體上要好(表5的數據平均中可以看出)，但是在上下班高峰期也同樣會差一些。

圖9 車輛的不同策略對比仿真結果

圖10 行人的不同策略對比仿真結果

6 結論

本文提出了一種新型的車輛改道以及交通燈的控制架構，首次將人行道與車道的交通燈的動態配時相結合，緩解交通擁堵與減少不必要的等待時間；利用單目標向多目標轉換，以緩解擁堵道路壓力；將單行單向車道歸入路徑優化方法中，增寬整體的道路行駛面積減緩道路壓力。

利用路邊基礎設施獲取相關信息，在微觀交通仿真平臺(VISSIM)上對統一交通管理架構進行了仿真，人行道上交通的仿真結果比本文架構仿真結果略優，但整體上可以看出本文架構的整體表現較優，已經達到了減少行人的不必要等待時間、交通擁堵與事故的發生的目的，充分說明本方案的可行性。