基于Anylogic的交通信號燈配時優(yōu)化設計

齊林，邵康

（安徽理工大學 經濟與管理學院，安徽淮南，232001）

0 引言

隨著城市化進程的推進和城市規(guī)模的擴展，城市道路交通面對的壓力不斷加劇，加上居民購買力的提高，我國正進入機動車大眾購買的階段，機動車保有量的急劇上升。據淮南市統(tǒng)計局統(tǒng)計，截止至2020年，淮南市的載客汽車為348733輛，其中個人車輛有328088輛。研究的路段坐落于淮南市中心，多個購物廣場及公共服務中心如八佰伴購物中心、京澳廣場、新世界休閑生活廣場、商貿文化廣場、淮南時代廣場、龍湖中心、朝陽醫(yī)院均位于該路段，使得該路段成為淮南市相對較為擁堵的一段。緩解城市道路擁堵的辦法有很多，可以增加基礎設施建設，常見為道路加寬加長，但此舉會增加城市土地資源的稀缺性，并且也會增加政府開支，耗時費力并且成本高，同時在施工期間路網也會受施工的影響而加劇交通擁堵。如果選擇車牌限行來緩解道路擁堵的問題，雖說確實可有效緩解城市擁堵，但也勢必會造成城市車輛的保有量增加、停車位緊張、車輛出行成本增加燈衍生影響。因此，選擇通過優(yōu)化信號燈配時來緩解交通擁堵，不僅可以節(jié)省政府開支，簡化操作，減少資源消耗，同時也可以避免其他衍生問題。

1 文獻綜述

國內其他學者也曾針對某一路段的信號燈時間設置做過優(yōu)化分析，如趙純等人將深度強化學習應用到紅綠燈信號配時中，大幅度改善了交叉口的交通擁堵情況[1]；郝林倩則是對多目標算法進行優(yōu)化，提出配時模型，以減少機動車的平均停留時間和停車次數(shù)[2]；何南等人利用AnyLogic仿真軟件通過仿真對比，得到更優(yōu)的信號燈配時[3]；吳俊則是先用韋伯斯特配時法進行配時，然后再利用Vissim仿真軟件驗證其合理性[4]；王永圣等人則是運用螢火蟲算法來優(yōu)化紅綠燈時間，接著利用Vissim仿真軟件驗證其有效性[5]；李建斌等人利用遺傳算法對構建的優(yōu) 化模型進行仿真數(shù)據求解，得到最佳的配時方案[6]；陳小靜和李茂軍等人則提出了一種基于差分進化算法和狀態(tài)空間模型遺傳算法的兩階段混合優(yōu)化算法,建立以車輛平均等待時間最小為目標的數(shù)學模型進行優(yōu)化，得出信號燈的最佳配時[7]；王秋平等人用遺傳算法及遺傳模擬退火算法對建立的模型進行求解，得出最優(yōu)信號燈時間設置[8]。

之前的研究中，大多是通過韋伯斯特配時法或者其他方法來計算紅綠燈的最佳配時，再利用仿真軟件對得出的數(shù)據進行與實際的數(shù)據進行仿真對比[9]。優(yōu)化后的結果確實比優(yōu)化前的信號燈配時更能緩解城市道路擁堵，但難以保證其是解決道路擁堵最有效的配時。綜合以往的研究，本文選擇直接對信號燈配時進行迭代仿真，以車輛在路網內停留的平均時間作為參考對象，比較每次迭代仿真的結果，理論上如果迭代次數(shù)足夠多，那么使得參考對象取得最小值的信號燈配時就是緩解道路擁堵最有效的信號燈配時。

2 仿真與優(yōu)化

2.1 數(shù)據信息

模擬的路況基本為實地考察，該路網公交汽車的相關信息，則是利用爬蟲算法在高德地圖和百度地圖等軟件上爬取得到。選取的路段為從淮南市朝陽中路與學院南路叉口至朝陽中路與人民南路交叉口。所考慮的因素分別為公交站臺位置、并道處位置、掉向口位置、實際信號燈配時、公交汽車車流量及其停靠站臺、私家車車流量。優(yōu)化的信號燈實際時間設置為40秒，35秒，35秒，25秒。

圖1 信號燈變化周期

2.2 仿真模擬

AnyLogic道路交通庫能夠在詳細的物流層面對交通流量進行規(guī)劃、設計和仿真。道路交通庫預定義的算法考慮了典型的駕駛規(guī)則，如速度控制、選擇最不擁堵的車道、車道并線規(guī)則以及避免和檢測碰撞。每輛車都代表著一個具有自身物理參數(shù)和行為模式的智能體,包括長度、速度、加速度、減速度。道路交通庫的空間標記包括路、道路交叉口、停止線、巴士站、停車場等工具可以還原真實路況， 繪制道路網絡。AnyLogic使用的OptQuest優(yōu)化器，可以利用啟發(fā)式方法，神經網絡和數(shù)學優(yōu)化方法，找到使目標函數(shù)值最大化或最小化的離散或連續(xù)模型參數(shù)的值，在處理非線性模型方面極為有效，在解決仿真問題時能根據約束條件和不確定性給出最優(yōu)參數(shù)[10]。

模擬仿真環(huán)境中，所有車輛智能體必須遵守以下規(guī)則：(1)車速不得超過最大速度。(2)車輛必須按照路線的指定方向行駛，例如直行道只能直行，左轉道必須左轉。(3)車輛必須遵守紅綠燈的指示。紅綠燈的定義模式為道路交叉口的車道連接線[11]。右轉車道一直可以通行不受紅綠燈影響。需要注意的是該路網的多數(shù)右轉車道只可以右轉，但在人民南路與朝陽中路交叉口處，向北行駛的路線中，右轉道也是可以直行的。

根據實際問題和參考其他文獻的研究[12]，車輛參數(shù)設置如下：將轎車的長度設置為5米，最大加速度應為1.8m/s2，最大減速度應為4.2m/s2。將公交汽車的長度設置為10米，將其最大加速度設置為1m/s2，最大減速度設置為3m/s2。公交汽車為10分鐘一班，所以每一路公交汽車到達該路網的速率應設置成6輛/小時。

為方便研究，將朝陽中路西端命名為A方向，學院路北端命名為B，學院路南端命名為C，龍湖路北端命名為D，龍湖路南端命名為E，人民路北端命名為F，人民路南端命名為G，朝陽中路命名為H。經過連續(xù)8天同一時間段在各個車源處的實地取證。A、B、C、D、E、F、G、H每個車源處每個小時進入路網的轎車約有197、108、169、156、148、94、138、79。

首先需要確定比例尺大小。從高德地圖中截取淮南市朝陽中路的衛(wèi)星圖，注意截圖中要包含地圖比例尺，打開AnyLogic 軟件，從演示欄中將圖像拖拽至視圖區(qū)域，選擇所截取的衛(wèi)星圖打開，將軟件的像素比例與衛(wèi)星截圖的比例對齊， 標尺長度對應設置也要與衛(wèi)星截圖比例尺標注的長度相等。此舉是為了確保所繪制的道路尺寸與實際一致。

根據所收集的道路信息，所繪制的道路交通圖如圖2所示。

圖2 道路交通圖

將朝陽中路的車輛分為公交汽車輛和私人車輛，計程車也并入私人車輛中。其中私人車輛可從A、B、C、D、E、F、G、H八個方向的任意一個方向進入此路段，并且到達此路段的任意一個方向，私人車輛的邏輯圖如圖3所示。

圖3 私家車邏輯圖

從交通道路庫中拖拽四個交通燈至四個道路交叉口，并將各個交通燈與相應的道路交叉口聯(lián)系，將實際的信號燈設置到拖拽的紅綠燈的時間中。將每個道路交叉口的車道連接器按照實際行駛路線連接，并將實際的信號燈時間設置在所拖拽的交通燈中。

為統(tǒng)計車輛在該路段停留的平均時間,在流程建模庫中把timeMeasureStart拖拽到每一個carsource之后，將timeMeasureEnd放置在cardispose之前，所有車輛行駛邏輯連接到該timeMeasureEnd之前，所有車輛行駛邏輯共用一個timeMeasureEnd和cardispose。

從分析圖表中，將直方圖拖拽到界面中，勾選展示均值，并在數(shù)據中輸入函數(shù) timeMeasureEnd.distribution。點擊Simulation,在模型時間上，選擇在指定時間停止，停止時間為1800秒。運行模型，將運行速率調到最大倍速，可以發(fā)現(xiàn)所有車輛在該路網中的平均停留時間趨近為：206.15 秒。

2.3 優(yōu)化過程

Optquest優(yōu)化器環(huán)境定義如下:

（1）目標函數(shù)設置為root.time Measure End.distribution.mean()。（2）交通狀態(tài)計時。每個信號燈的時長設置大都在30到70的范圍之間，仿真的優(yōu)化步長設置為1。（3）參考AnyLogic公司建議的仿真實驗次數(shù)準則以及實際情況，優(yōu)化迭代次數(shù)設置為500次。

最小仿真試驗次數(shù)的一般準則如下：

表1 給定決策變量數(shù)量的仿真試驗次數(shù)

優(yōu)化過程中的響應變量為車輛在路網中的平均停留時間，每個控制點上采用啟發(fā)式方法計算滿足信號優(yōu)化約束的控制參數(shù)。針對初始集的相位結構和最大迭代次數(shù)提出譯碼方案，在每個控制點設置最有利的條件，來實現(xiàn)車輛在路網中停留的平均時間最短。

步驟：從智能體中將4個參數(shù)拖入面板中，分別命名為p1，p2，p3，p4.。類型全部設置為int，默認值分別為40、35、35、25。再將該處紅綠燈的時間分別設置為p1，p2，p3，p4。新建優(yōu)化實驗，目標選擇最小化，并輸入函root.timeMeasureEnd.distribution.mean().迭代數(shù)選擇500，仿真模型停止時間設置為1800秒，創(chuàng)建默認用戶界面后開始啟動仿真程序。

表2 迭代優(yōu)化過程表

總計500次迭代中，在第146次迭代，紅綠燈的時間設置為39秒，53秒，34秒，38秒時，車輛在該路段停留的平均時間最短，為153.196秒，相比實際的206.15秒，停留的時間縮短了25.69%。所有車輛在路網中的平均停留時間有很大的縮短，交通擁堵問題得到了有效的緩解。

優(yōu)化數(shù)據中，東西方向直行的綠燈時間縮短1秒，東西方向左轉的綠燈時間延長18秒，南北方向直行的綠燈通行時間縮短6秒，南北方向左轉的綠燈通行時間延長7秒。實際的時間設置不合理，車流量大的道路紅燈時間短，綠燈時間長，而車流量小的卻相反。因此車流量大的道路中，紅燈時間內積攢的車輛無法在短暫的綠燈時間一次全部通過，隨后第二個紅燈開始，又會有新的車輛加入排隊，形成堵車的惡性循環(huán)，車流一直排到下一個道路交叉口，路面被車輛全部覆蓋，形成馬路停車場現(xiàn)象。在車流量小的道路中，排隊車輛通過的時間遠小于實際綠燈時間，形成道路交叉口無車行駛的局面，交通空間資源沒有被充分利用。優(yōu)化后的數(shù)據是將車流作為一個整體，為避免分割車流，在車流量大的道路延長綠燈時間，保證車流全部通過，同時車流量小的道路在保證車流全部通過的前提下縮短綠燈時間，避免交通資源浪費。

3 結論與未來研究

為了緩解交通擁堵，選擇進行信號燈配時的微觀仿真優(yōu)化是一種省時省力省成本的解決方案。這種微觀交通仿真方法，可以真實還原路況，并解釋智能體對交通演化和隊列形成過程的影響，還可以系統(tǒng)地捕捉城市交通網絡和駕駛員地行為。由于AnyLogic是模塊化的，因此軟件中的模擬器可以輕松適應駕駛員行為，并提供各種交通燈的控制策略。同時，在道路交通模型中，每輛車都代表著一個具有自身物理參數(shù)和行為模式的智能體。重點在于通過對信號燈配時設置的優(yōu)化管理來緩解交通壓力，提供的方法也可適用于不同情景的評估，案例中的路網在現(xiàn)實中十分普遍，包括私家車、公交汽車、公交站臺、并道處等在道路中都普遍存在,為真實地模擬交通流緩解交通擁堵提供了一種有效地方法， 幫助決策者進行交通規(guī)劃設計。

為了將該優(yōu)化研究更加廣泛的應用到其他路網中，未來的研究將集中在以下幾個方面。一是要考慮路網內部的停車場對該路網交通的影響，使得仿真的交通情況更加接近真實情況。局限性在于忽視了路網內部的停車場對該路網交通的影響，因此有必要在未來研究出該路網的停車場的車輛出入情況，將其納入考慮范圍。二是要考慮小型機動車如摩托車對路網交通的影響，若是對允許摩托車通行的路網，也應該將摩托車設置為智能體。三是研究GIS和數(shù)字地圖結合，采用實時數(shù)據，利用實時數(shù)據，準確預測車流量，而不需要再去實地計量。值得一提的是，有些文獻研究也把行人流納入了混合流中，但是在沒有車輛和行人違背交通法規(guī)的情況下，行人流對車輛交通的影響并不大，所以可不予考慮。