0 引言

在目前的交通系统中，关于模型预测的研究已经逐渐增多。作为管理与控制城市路网交通的基础模型，信号控制策略控制性能优劣直接取决于城市路网模型质量情况^[1]。

通过测量的输入和输出，识别具有典型工作特性的模型参数，从而使其更好地反映生产过程中的动态过程^[2]。现有的参数识别技术大都是建立在线性或缓慢变化的基础上，对于一种在一定的时间段内存在反复操作的非线性时变性，它不能很好地识别出它的参数^[3]。而反复学习识别方法则可以充分发挥该系统的可重现性，以之前或以前的错误信息为纠错对象，并对其进行反复的学习，以达到识别的要求；完整地追踪参数^[4]。不同于快速路、高速公路，城市路网在交叉口信号控制的影响下呈现出不同的状态，段亚美等^[5]专门针对城市路网系统运行情况展开更深入的研究，辨识交叉口多种交通参数，得出交通流模型辨识结果与方案运行结果一致，运行状态处于交叉口处三、四相位配。闫飞等^[6]则是对运行过程中，城市路网交通流系统的变化特性展开深入研究，将随机变化项引入构建的宏观交通流模型框架当中，将计算工作量降低，随机变量处理效率在宏观基本图中更快。

根据迭代式识别方法特点，提出了一种新的时变性多参量的迭代式识别方法。通过一个城市道路网络的模拟试验表明，该方法能够有效地识别时变量多参数的动态系统。

1 交通信号预测控制研究

1.1 控制目标

在道路系统流量饱和的条件下，道路网络的车辆通过与道路网络的总体分布密切相关，由于路口的交通流量不足，导致道路的拥挤^[7]。

非线性宏观交通流模型式：

   (1)

输入通道LI、1 的列车号作为输入基准，可以确定路口I0 的全部入口车道LI，i 的列车号差异作为系统的输出向量：

   (2)

式中，y(k)表示在第 k 个采样时刻交叉口I₀各进口道的排队队列车辆数；C_I表示交叉口I₀的各进口道排队差值输出矩阵。

1.2 控制方案

为进一步验证该方法正确性，在某市地区道路网络中，使用时变交通流预测控制策略。本文所提出的固定时间分配方法，是对所调查地区道路交通的实际阶段^[8]。

通过 VISSIM 仿真，可以最大限度地模拟太原市地区道路网络中各个路口的实时数据，从而可以最大限度地模拟出道路上的车流量，从而可以更好地反映出该路段的实时路况。

通过对城市道路系统中的非线性宏观交通流量和排队车差进行分析：

Y(k +1) = F(x(k), y (k),u(k ),θ (k))   (3)

式中F 是非线性函数。

最优目标函数：

   (4）

将基于自适应迭代法识别算法所获得的道路流量模式的参数引入道路网络的状况方程，并将剩余的控制方法设定预测控制。

图1 路网道路结构拓扑图

2 仿真研究

2.1 仿真方案

采用 VISSIM4.3开发基于MATLAB2020a的道路网交通流量模拟系统。

若能设计出合适的相位分时规划，将现有的车流尽量分散，并将每个路口的入口车道数量保持相近，就可以极大地改善道路的运载容量，从而有效地解决道路交通拥挤问题，使每个路口的通行能力都能被最大限度地发挥，从而达到最大限度地提高路口的通行能力。

针对某市某地区路段进行模拟试验。该法给出了路网的道路结构拓扑，路口的转向比随着时间的推移而有所改变，总体趋势是随着时间推移而波动，各个道路的基础状况与现实状况一致，具体道路数量见表1，每个道路宽度大约3.5米。

表1 各路段车道数

以百度智能交通系统中的道路网络每日的车流分配为基础，以某一地区某地区12 h 的模拟车辆流，以每天30分钟平均流量设定，在图2中，反复学习求得结果均符合收敛。采用 VISSIM的路段评估函数，对各个路段的密度和车速进行采集，以方便对迭代式识别方法评估结果进行比较。

图2 路网16 h输入车流量

2.2 结果分析

该迭代学习识别模拟试验总共进行了50 个迭代，以便于在不同迭代次数下对道路总体的排队车辆错误进行观测。随着迭代次数的增多，网络中各个路段的排队车的错误值逐渐降低，且保持不变。通过比较详细地研究了道路交通网络，得到了道路交通系统中的最大偏差的局部迭代式。图3 从抽样周期方面对网络交通系统的最大错误进行了水平对比，以更好地体现了迭代识别的正确性。

图3 路网排队车辆误差最大值的部分变化

图4所示的模拟值为8:00 时段道路阻塞状况。在一定范围内，路网内与初态差值的扰动项随着城市路网交通流系统运行状态改变而产生波动。对比整体路段车辆数，扰动项与初态差值在宏观角度远远不足，从收敛效果来看，自适应和固定增益这两种迭代学习辨识方法均表现较佳。相比之下，在随机扰动在系统中产生时，非线性宏观方法可实现对系统期望输出的快速跟踪，具有较快的收敛速度和效果。

图4 路网拥堵情况

3 结束语

本文开展了基于非线性宏观方法的交通信号预测控制研究，得到如下有意结果：

1）随着迭代次数增多，网络各个路段排队车错误值逐渐降低，且保持不变。

2）验证了该方法在道路网络中的非线性大流量模型的识别性能。在随机扰动在系统中产生时，自适应迭代学习辨识算法可实现对系统期望输出的快速跟踪，具有较快的收敛速度和效果。

参考文献：

[1] 高洪波, 张登银. 基于双参数寻优车联网交通流量指数平滑预测[J]. 微型电脑应用, 2022, 38(6): 4-7.

[2] 汪小黎. 一种交通噪声预测概率统计分析模型[J]. 微型电脑应用, 2022, 38(5): 135-137+141.

[3] 李以诚, 叶青. 基于交通数据挖掘的交通流预测模型构建[J]. 自动化技术与应用, 2021, 40(3): 39-41+45.

[4] 闫飞, 李浦, 阎高伟, 等. 考虑交通流非线性特性的交通信号迭代学习控制策略[J]. 自动化学报, 2021, 47(9): 2238-2249.

[5] 段亚美, 施聪, 黄晓荣. 基于故障预测与健康管理技术的城市轨道交通信号系统健康管理体系[J]. 城市轨道交通研究, 2020,23(12): 177-181.

[6] 闫飞, 李浦, 续欣莹. 基于迭代学习与模型预测控制的交通信号混合控制方法[J]. 控制理论与应用, 2021, 38(3): 339-348.

[7] 赵文天, 万夕里, 白光伟.城市交通流量预测与信号控制优化[J].小型微型计算机系统, 2019, 40(7): 1579-1584.

[8] 夏新海, 许伦辉. 引入MARKOV过程预测的强化学习下的城市交叉口自适应交通信号配时决策[J]. 公路工程, 2018, 43(1):149-153+239.

（本文来源于《电子产品世界》杂志2023年7月期）