基于綠波帶控制策略的交通流量優化模型

摘要：近年來，隨著城市化進程的加快、機動車數量的迅速增加以及旅游出行范圍的擴大，城市道路交通擁堵和停車位不足問題愈發突出。文章以一個某地區車流量較大的路口數據為例，分析其周邊道路的交通流量情況，針對此情況采取基于綠波帶控制策略為該區域提供合適的交通流量優化方案改進交通管理措施，為改善交通流量提供一種優質的解決方案。

關鍵詞：K均值聚類算法；滑動窗口算法；綠波帶控制策略;遺傳算法

中圖分類號：TP31 "文獻標志碼：A

0 引言

隨著全球城市化進程的加快，機動車的快速普及以及人類活動范圍的不斷擴大，城市道路交通擁堵問題日漸嚴重，城市交通擁堵問題已成為制約城市可持續發展的關鍵瓶頸［1］。尤其是在人口密集的大都市，交通擁堵不僅降低了居民的生活質量，還對經濟活動產生了負面影響。據相關統計數據顯示，交通擁堵每年給中國各大城市帶來的經濟損失高達數千億元人民幣。研究城市道路車流量變化對加強城市交通管控及推動當地經濟發展、提升人民生活幸福指數都有重大的理論指導意義。因此，如何有效緩解城市交通擁堵，提高交通效率，成了城市管理者和科研人員共同關注的重點課題。

綠波帶控制策略作為一種先進的交通信號優化技術，通過協調相鄰交叉口之間的信號配時，使車輛能夠在特定速度下連續通過多個綠燈，從而減少停車次數，提高道路通行能力［2］。這種技術最早于20世紀60年代在美國和歐洲的一些城市開始應用，取得了顯著的效果。近年來，隨著智能交通系統的發展，基于大數據、云計算等現代信息技術的綠波帶控制策略得到了廣泛應用。這些新技術不僅提高了綠波帶控制的精確性和靈活性，還實現了動態調整，進一步提升了城市交通系統的整體效能。

然而，盡管綠波帶控制技術已經取得了一定的成果，但在實際應用中仍然面臨著許多挑戰。例如：如何更準確地預測交通流量，如何有效應對突發事件對綠波帶的影響以及如何在復雜多變的城市交通環境中實現最優控制等。這些問題的解決不僅需要深入的理論研究，還需要結合具體城市的實際情況進行實踐探索。

1 數據處理與分析

1.1 數據處理

本文根據某地區名為經中路-緯中路路段車流量信息，研究該路段交通狀況，針對此情況為該區域提供合適的方案改進交通管理措施。本文所依賴的數據涵蓋以下內容，其一為該區域路段行駛方向編號及交叉口之間的距離，其二為某名為緯中路各交叉口車輛信息，匯總如表1所示。本文根據以上數據進行分析，對經中路-緯中路交叉口，根據車流量的差異，將一天分成若干個時段，估計不同時段各個相位（包括4個方向直行、轉彎）車流量，對經中路和緯中路上所有交叉口的信號燈進行優化配置，在保證車輛通行的前提下，使得2條主路上的車流平均速度最大。

本文對緯中路交叉口的車輛信息進行了去重、時間戳解析、車流量匯總和標準化處理，以確保數據的準確性和統一性。在特征選取階段，本文結合K均值（K-means）聚類算法［3］和滑動窗口算法［4］對車流量數據進行了動態劃分。K均值聚類將數據劃分為高峰

期和非高峰期，而滑動窗口算法進一步細化了高峰期的時間段。

預處理后數據形式如表2所示。在數據預處理階段，本文針對緯中路交叉口車輛信息采取了以下關鍵步驟：去重確保每時段車牌號唯一，從時間戳中解析日期與小時以支持時間序列分析，分組匯總計算各時段車流量，通過標準化處理消除數據量綱影響，如公式（1）所示，為后續的建模分析奠定了堅實的數據基礎。

x*=x-μσ（1）

其中，x*是數據標準化之后的數據量，x是元數據量，μ是數據集合均值，σ為數據集合標準差。

1.2 特征選取

K-means算法是一種聚類分析（cluster analysis）的算法，其主要是來計算數據聚集的算法，主要通過不斷地取離種子點最近均值的算法。滑動窗口算法，也叫尺取法，可以用來解決一些查找滿足一定條件的連續區間的性質（長度等）的問題。由于區間連續，因此當區間發生變化時，可以通過舊有的計算結果對搜索空間進行剪枝，這樣便減少了重復計算，降低了時間復雜度。在特征選取階段，為區分高峰期與非高峰期，本文采用K均值聚類算法+滑動窗口算法對標準化后的車流量數據實施動態劃分時間段。聚類算法通過映射機制將聚類標簽（0和1）分別解釋為“非高峰期”與“高峰期”。

經過上述算法計算得出高峰期處于早上7：00持續到夜晚20：00，非高峰期處于夜晚20：00到第二天早上7：00。其中，本文使用滑動窗口算法將高峰期細化為多個時間段。本文（1）從“高峰期”標記的數據中篩選出車流量記錄，通過滑動窗口函數計算2h內車流量平均值，進而分析車流量變化趨勢；（2）計算平均車流量的變化率，以百分比形式展示變化幅度和趨勢；（3）整合日期、小時、原始及平均車流量信息，以便深入分析高峰期的車流量變化規律。因為可以根據變化率細分高峰期，所以本文假設變化率超過一定閾值可以認為是不同的子高峰期，經過計算，變化率在0.08的時候最為密集，即當車流量的變化率絕對值超過該閾值時，本文認為該時間段屬于“高峰變化段”；否則，該時間段被歸為“穩定段”。該細分將車流量變化顯著的時間段與相對穩定的時間段區分開來，有助于進一步分析高峰期內部的細微特征。通過這一步驟，本文得到了每個時間段的細分結果，包括“高峰變化段”和“穩定段”，為高峰期的詳細研究提供了更精確的分類依據。

通過數據計算，本文捕捉到高峰變化段與穩定段的轉折點，為更好地理解車流量在一天中的變化模式，按照小時劃分了4個主要時段：早高峰、午間時段、晚高峰和非高峰期。具體的時間段劃分如公式（2）所示。

時段（h）=早高峰，7≤hlt;9

晚高峰，16≤hlt;20

午間時段，9≤hlt;16

非高峰期，其他時段（2）

其中，h為時段，公式（2）依靠數據計算將一天變化劃分為4個主要時段。在本階段的分析中，本文對車流量進行了進一步的統計和細分。首先，本文計算了每個日期、時段和方向組合的車流量平均值；其次，對于結果進行了四舍五入取整；最后，本文按時段和方向對車流量進行了匯總，計算了每個“時段-方向”組合的總車流量和對應的記錄計數。

2 模型建立與計算

2.1 平均車流量估算

本文對緯中路交叉口的車輛信息進行了去重、時間戳解析、車流量匯總和標準化處理，以確保數據的準確性和統一性。本文計算了每個時段和方向的平均車流量，以此更好地理解不同時間段和方向的交通模式。接著，根據假設的直行、左轉和右轉比例（分別為80%、10%和10%），本文估算了不同轉向方向的車流量。通過這些步驟，本文能夠深入分析每個時段和方向的交通分布情況，為交通流量管理提供了數據支持。對此本文建立一個關于基于經驗比例的車流量估算模型［5］，估算結果如表3所示。

2.2 綠波帶交通流量優化模型

本文針對經中路與緯中路兩條主干道的交通信號燈優化問題，提出了基于綠波帶控制策略的交通流量優化模型。本文的研究目標是通過優化信號燈配置，使得主干道上車流的平均速度最大化，從而提升交通通行效率。本文針對經中路與緯中路兩條主干道的交通信號燈優化問題，運用綠波帶控制策略為模型核心設計思路，本文提出了一種基于綠波帶控制策略的交通流量優化模型。該模型通過最大化綠波通行時間與公共信號周期的比值，旨在優化車輛的連續通過效率。以車輛的通過帶寬作為衡量指標，研究各主干道路段的信號燈協調控制方案。基于這一思路，確定各交叉口信號燈的配時參數，通過遺傳算法搜索最優路徑，優化信號配時，從而實現干線交通系統的整體延誤最小化。

運用綠波帶控制策略為模型核心設計思路，綠波帶控制（Green Wave Strategy，GWS）是一種信號燈協調控制方法，旨在通過合理調整信號燈的周期、相位差和綠燈時間，使車輛能夠以較為恒定的速度通過多個交叉口，減少停車等待。基于綠波帶最大化的設計方法是主要通過追求綠波通行時間與公共信號周期比值的最大化，即以車輛連續通過帶寬作為評價指標來研究干線配時方案的協調控制效果，從而確定控制系統中各交叉口的信號配時參數值，利用遺傳算法尋找最佳的路徑以確定各交叉口配時參數，從而實現干道協調控制系統的總延誤最小。

本文對信號燈周期優化進行設計，對于每個交叉口，設置信號燈的周期，即紅綠燈的總時間。通過考慮每個路段的車流量和道路長度，本文可以計算車輛通過每個路段所需的時間ti，如公式（3）所示。

ti=divi（3）

其中，di為第i段道路的長度，vi為車輛在該段道路上的平均速度，ti為車輛通過每個路段所需的時間。

3 系統實現

遺傳算法是模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優解的方法。

其主要特點是直接對結構對象進行操作，不存在求導和函數連續性的限定，具有內在的隱性并行性和更好的全局尋優能力，采用概率化的尋優方法，不需要確定的規則就能自動獲取和指導優化的搜索空間，自適應地調整搜索方向。

遺傳算法以一種群體中的所有個體為對象，利用隨機化技術指導對一個被編碼的參數空間進行高效搜索。其中，選擇、交叉和變異構成了遺傳算法的遺傳操作；參數編碼、初始群體的設定、適應度函數的設計、遺傳操作設計、控制參數設定5個要素組成了遺傳算法的核心內容。遺傳算法是從代表問題可能潛在的解集的一個種群開始的，而一個種群則由經過基因編碼的一定數目的個體組成。每個個體實際上是染色體帶有特征的實體。

因此，在一開始需要實現從表現型到基因型的映射，即編碼工作。由于仿照基因編碼的工作很復雜，本文進行簡化，如二進制編碼。初代種群產生之后，按照適者生存和優勝劣汰的原理，逐代演化產生出越來越好的近似解，在每一代，根據問題域中個體的適應度大小選擇個體，借助自然遺傳學的遺傳算子進行組合交叉和變異，產生代表新的解集的種群。這個過程將導致后生代種群比前代更加適應環境，末代種群中的最優個體經過解碼，可以作為問題近似最優解。

本文根據每個交叉口的車流量，調整每個方向的綠燈時長，優先保證主干道上車流的暢通。如果有左轉或右轉需求較大的交叉口，須要適當延長相應方向的綠燈時長。根據每個交叉口的車流量，調整每個方向的綠燈時長，優先保證主干道上車流的暢通。如果有左轉或右轉需求較大的交叉口，須要適當延長相應方向的綠燈時長，求解流程如圖1所示。

首先，直接以目標函數作為搜索信息不須通過復雜的推導和變換來獲得可求解的模型；其次，遺傳算法使用概率搜索技術，在搜索計算過程中不易陷入局部最優；最后，不受搜索空間諸如連續性、可導和單峰等條件的約束，而在協調控制各種參數中，相位差自身為多維參數，其維數隨著協調交叉口數量的增加而增加，根據遺傳算法的特點并結合上述相位差參數特征，采用遺傳算法對模型求解 ［6］。可以得出在不同時段中，不同相位的綠燈時長與最大平均車流速度，在午間時段（9：00-16：00） 方向4（由北向南）：車流量4463輛，綠燈時長59s，車速較低（53.73 km/h）。該方向的車流量是最高的，但綠燈時長較短，導致車輛通行速度降低。這表明方向4的綠燈時長不夠充足，可能造成交通擁堵，需要適當延長綠燈時長。早高峰（7：00—9：00） 方向2（由西向東）：車流量622輛，綠燈時長75s，車速較低（54.54 km/h），說明在該方向車流量相對較小的情況下，綠燈時長也應適當減少，以提高效率，對此本文進行優化，得出最佳優化配置，如表4所示。

4 結語

本文以某地區車流量較大的路口數據為例，分析其周邊道路的交通流量情況。

基于綠波帶控制策略，本文采取優化方案，提高交通管理水平，為控制交通流量提供一種優質的解決方案。

參考文獻

［1］相迎宵，李軼珂，劉吉強，等.面向降頻污染攻擊的智能交通擁堵態勢量化分析［J］.軟件學報，2023（2）：833-848.

［2］尤偉軍.一種基于多源觸發行人過街控制系統研究［J］.無線互聯科技，2020（7）：61-62.

［3］張梁，楊立波，張小勇，等.基于優化K-means算法的高校成績聚類分析研究［J］.太原學院學報（自然科學版），2024（2）：79-84.

［4］趙藝臻，周立嬋，楊雨晴，等.基于動態滑動窗口的加權深度森林算法［J］.計算機技術與發展，2024（8）：9-16.

［5］張堯.城市交通車流擁堵疏散路徑優化識別研究［J］.計算機仿真，2017（2）：200-203.

［6］時柏營，韓懷治，程遠，等.基于多目標配時優化模型和交通設計的城市交叉口協同優化研究［J］.物流科技，2024（4）：84-91.

（編輯 王永超）

Traffic flow optimization model based on green wave control strategy

ZHAO" Xingwen

（Zhejiang Financial College， Hangzhou 310000， China）

Abstract：" In recent years， with the acceleration of urbanization， the rapid increase of the number of motor vehicles and the expansion of the scope of travel， the problems of urban road traffic congestion and insufficient parking spaces have become increasingly prominent. In this paper， the traffic flow data of an intersection with large traffic flow in a certain area is taken as an example to analyze the traffic flow of the surrounding roads， and in view of this situation， the green wave band control strategy is adopted to provide an appropriate traffic flow optimization scheme for the area to improve traffic management measures， which provides a high-quality solution to improve traffic flow.

Key words： K-means clustering algorithm; sliding window algorithm; green wave control strategy; Genetic Algorithm