２０１８年第３７卷第４期 传感器与微系统（Ｔｒａｎｓｄｕｃｅｒ ａｎｄ Ｍｉｃｒｏｓｙｓｔｅｍ Ｔｅｃｈｎｏｌｏｇｉｅｓ） ６５ ＤＯＩ：１０．１３８７３／Ｊ．１０００－－９７８７（２０１８）０４－－００６５－０５ 过饱和交叉口群自适应控制方法 刘俊杰，刘雄飞 （中南大学物理与电子学院，湖南长沙４１００１２） 摘要：为解决过饱和交通状态下交叉口群道路拥堵时车辆难以疏散、易造成拥堵堆积的问题，提出了一 种以交叉路口为中心的区域自适应交通控制方法。同时关注当前路口和相邻交叉路口的交通车辆排队状 态信息，确定最佳放行相位实现相邻路口间的协调控制，与传统控制方案相比，方法能够加快拥堵区域向 非拥堵区域的车辆疏散，并抑制外围车辆向拥堵区域聚集，有效缓解了拥堵堆积，缩短了行程时间，在非过 饱和情况下，亦有效提高了交通通行效率。 关键词：交叉口群；过饱和状态；拥堵堆积；自适应控制 中图分类号：ＴＰ３１ 文献标识码：Ａ 文章编号：１０００－９７８７（２０１８）０４－－００６５－０５ Ａｄａｐｔｉｖｅ ｃｏｎｔｒｏｌ ｍｅｔｈｏｄ ｆｏｒ ｓｕｐｅｒｓａｔｕｒａｔｅｄ ｉｎｔｅｒｓｅｃｔｉｏｎ ｇｒｏｕｐ ＬＩＵ Ｊｕｎ—ｊｉｅ，ＬＩＵ Ｘｉｏｎｇ—ｆｅｉ （Ｓｃｈｏｏｌ ｏｆ Ｐｈｙｓｉｃｓ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ，Ｃｅｎｔｒａｌ Ｓｏｕｔｈ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｓｈａ ４１００１２，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｉｎ ｏｒｄｅｒ ｔｏ ｓｏｌｖｅ ｔｈｅ ｄｉｉｃｕｌｆｔｙ ｉｎ ｅｖａｃｕ￣ｉｎｇ ｔｒａｆｉｃ ｃｏｎｇｅｓｔｆｉｏｎ ｗｈｉｃｈ ｉｓ ｅａｓｙ ｔｏ ｃａｕｓｅ ａｃｃｕｍｕｌａｔｅｄ ｃｏｎｇｅｓｔｉｏｎ ｕｎｄｅｒ ｓｕｐｅｒｓａｔｕｒａｔｅｄ ｔｒａｆｆｉｃ ｓｔａｔｕｓ，ａ ｒｅｇｉｏｎａｌ ａｄａｐｔｉｖｅ ｃｏｎｔｒｏｌ ｍｅｔｈｏｄ ａｔ ｔｈｅ ｉｎｔｅｒｓｅｃｔｉｏｎ ｉｓ ｐｒｏｐｏｓｅｄ． Ｃｏｏｒｄｉｎａｔｅｄ ｃｏｎｔｒｏｌ ｂｅｔｗｅｅｎ ａｄｊａｃｅｎｔ ｊｕｎｃｔｉｏｎｓ ａｎｄ ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ ｔｈｅ ｏｐｔｉｍａｌ ｐｈａｓｅ ｒｅｌｅａｓｅ ｐｌａｎ ｉｓ ａｃｈｉｅｖｅｄ ｂｙ ｃｏｎｃｅｒｎｉｎｇ ａｂｏｕｔ ｔｈｅ ｔｒａｆｆｉｃ ｃｏｎｄｉｔｉｏｎｓ ｏｆ ｂｏｔｈ ｃｕｒｒｅｎｔ ｉｎｔｅｒｓｅｃｔｉｏｎ ａｎｄ ａｄｊａｃｅｎｔ ｉｎｔｅｒｓｅｃｔｉｏｎ．Ｃｏｍｐａｒｉｎｇ ｗｉｔｈ ｔｒａｄｉｔｉｏｎａｌ ｃｏｎｔｒｏｌ ｓｃｈｅｍｅｓ，ｔｈｅ ｅｖａｃｕ￣ｉｏｎ ｏｆ ｖｅｈｉｃｌｅｓ ｆｒｏｍ ｃｏｎｇｅｓｔｅｄ ａｒｅａ ｔｏ ｎｏｎ—ｃｏｎｇｅｓｔｅｄ ａｒｅａ ｉｓ ａｃｃｅｌｅｒａｔｅｄ ａｎｄ ｉｎｈｉｂｉｔ ａｃｃｕｍｕｌａｔｉｏｎ ｏｆ ｖｅｈｉｃｌｅｓ ｆｒｏｍ ｐｅｒｉｍｅｔｅｒ ｔｏ ｔｈｅ ｃｏｎｇｅｓｔｅｄ ａｒｅａ ｗｈｉｃｈ ｅｆｆｅｃｔｉｖｅｌｙ ａｌｌｅｖｉａｔｅｓ ｃｏｎｇｅｓｔｉｏｎ ａｃｃｕｍｕｌａｔｉｏｎ ａｎｄ ｓｈｏａｅｎｓ ｔｒａｖｅｌ ｔｉｍｅ．Ｉｎ ｎｏｎ—ｓｕｐｅｒｓａｔｕｒａｔｅｄ ｓｉｔｕａｔｉｏｎ，ｔｒａｆｉｃ ｃａｐａｃｉｆｔｙ ｃａｎ ａｌｓｏ ｂｅ ｅｆｆｅｃｔｉｖｅｌｙ ｉｍｐｒｏｖｅｄ． Ｋｅｙｗｏｒｄｓ：ｉｎｔｅｒｓｅｃｔｉｏｎ ｇｒｏｕｐ；ｓｕｐｅｒｓａｔｕｒａｔｅｄ ｓｔａｔｕｓ；ｃｏｎｇｅｓｔｉｏｎ ａｃｃｕｍｕｌａｔｉｏｎ；ａｄａｐｔｉｖｅ ｃｏｎｔｒｏｌ ０引 言 得了较好的效果，但基于强化学习算法难以应对复杂交叉 口群的情况，易导致维数灾难和不收敛的问题，每个交通路 口均需获取所有交叉口数据的设定亦难以应对大的交通网 络。文献［８，９］提出了一种不固定相位顺序的单点优化控 制方式，为解决固定相位轮转所带来的灵活性问题提供了 新的思路。 交叉口群由于关联性强，在交通过饱和状态时易造成 拥堵堆积，排队溢出，严重降低通行效率，在拥堵性城区的 交通优化控制中应当重点考虑。自适应控制算法在交通控 制领域的应用已获得广泛关注，具有很大的研究价值 。 相比绿信比、周期、相位差优化技术（ｓｐｌｉｔ ｃｙｃｌｅ ａｎｄ ｏｆｆｓｅｔ ｏｐｔｉｍｉｚａｔｉｏｎ ｔｅｃｈｎｉｑｕｅ，ＳＣＯＯＴ）等集中控制系统，自适应控 制更能有效处理交通流的快速变化 ，文献［３］以单路口 排队长度均衡为目标改进了过饱和下的交通控制，但仅避 针对过饱和状态交叉口群易产生拥堵堆积的问题，本 文在单点自适应优化控制的基础上提出了以交叉口为中心 的区域自治形式的自适应控制方法，根据当前交叉口及其 临近交叉口的车辆排队状态，综合确定了当前交叉口的最 佳放行相位。 １区域自适应交通控制 免了单一方向上出现排队溢出的情况，未很好地解决整个 路口的拥堵问题。文献［４］采用了动态规划的方法有效改 善了单路口的排队长度，但在交通流高峰时期，单路口的优 化难以应对可能形成的拥堵堆积问题。文献［５］提出了一 种基于多智能体的交通信号控制系统，在小区域内能较好 地实现区域协调控制，但其中心化的计算模型缺乏灵活的 可扩展性。文献［６，７］提出的自适应算法在交通控制中取 收稿日期：２０１７－０３—１６ 目前，多采用分布式控制方式，将每个交通路口控制 器看成代理，除了特殊控制情况，每个交叉口代理拥有独 立的控制逻辑，实现自主决策。交叉口代理结构模型如 图ｌ 传感器与微系统 第３７卷 ——一信息流 蹄ｆ】交通流 ．ｆ目邻路ｌ－Ｉ代辨 图１交叉口代理结构模型 算法设计采用控制一诱导方案，即除基本的交通控制功 能外，对交通流进行诱导，在过饱和状态下优先实现车流从 拥堵区域向非拥堵区域转移，并抑制车流向拥堵区域聚集。 １．１车辆检测 目前，广泛采用的检测方式为感应线圈检测 。排队 长度是过饱和状态判断的关键因素，并以此估计道路的车 道占有率，本文采用基于车流量到达一驶离模型计算排队长 度 。设ｔ（ｋ）为上一阶段绿灯结束时间；ｆ（ｋ＋１）为本阶 段绿灯结束时间，排队长度（车辆数）计算公式 Ｚ（ｋ＋１）＝Ｚ（ｋ）＋ｍ （ ）一ｍ （ｋ） （１） 式中Ｚ（ｋ）为ｔ（ｋ）时的排队车辆数目；ｍ （ｋ）为ｔ（ｋ）到 ｔ（ｋ＋１）期间到达的车辆数；ｍ （ｋ）为ｔ（ｋ）一ｔ（ｋ＋１）期间 驶离的车辆数；车道占有率是排队车辆所占道路长度与道 路总长度的比值，用于过饱和交通控制中估计道路的车辆 接纳能力。车道占有率为 。＝ （２） 式中ｄ为平均车辆长度，本文主要考虑私家车，平均车辆 长度取４．５ ｎｌ ；ｇ为车辆排队时的平均间距，一般为 ２ｍｌｌ ； 为车道总长度。 １．２自适应算法 算法的关键在于计算交叉口车道的关键系数和放行绿 灯时间，关键系数越大，表明该车道对应相位应该优先放 行，即该车道为关键车道。关键系数与绿灯时间的计算主 要考虑２方面的因素：当前交叉口的车辆排队长度，表示交 通流放行的需求强度；对应的下一交叉口的车道占有率，表 示下游路口的交通流接纳能力，如果下游路口车道占有率 高，即使上游有较大的交通流需求，在放行时也应进行适当 抑制，将绿灯时间让给其他车道，否则，可能出现排队溢出 的情况，既不利于防治拥堵，也降低了整个路口的绿灯利用 率。本文算法综合考虑了上游交叉口的需求与下游交叉口 的接纳能力，实现车流的控制与诱导。 如图２示例所示（简单说明，仅考虑了直行），考虑 交叉口的交通控制，如果只单独考虑Ｂ交叉口的交通需 求，则应该先放行 — 方向的车流，因为Ｂ—Ａ的车流 曰一ｃ的车流需求大，但实际情况下，此方案明显不合适，Ａ 路口进口车道已经临近排队溢出，无法接纳更多的车辆。 所以应该综合考虑周边临近路口的交通状态，优先放行 曰一ｃ方向车流（与相应左转方向组成放行相位），并且在 放行 — 方向车流同时根据Ａ路口进口车道排队情况 控制放行时间，抑制交通流向拥堵区域（Ａ交叉口）的 堆积。 图２车流诱导控制示意 １．２．１关键系数计算方法 关键系数表示各相位的放行关键程度，优先放行关键 系数大的相位 Ｐ＝Ⅳ×（（１一ｏ）＋ｅ） （３） 式中Ｐ为相位关键系数；Ⅳ为排队车辆数量；ｏ为下游路 口车道占有率；ｅ为绿波带系数。 当下游路口绿灯剩余时间较长时，可能形成绿波带，能 够加快车辆的通过，减少停车次数和行程时间，对于此类相 位，在放行优先程度上，应该给予一定的考虑。绿波带系数 具体计算如下 。：ｍ （ ，０） （４） 式中ｔｇｍｅｎ为下游交叉口对应车道的剩余绿灯时间，若为 红灯，则为０；Ｌ为下游车道长度； 为平均车速。当 ｔ × －Ｌ＞Ｏ时，表示车辆以平均速度行驶至下一路口 时仍是绿灯，即能够形成绿波带。 １．２．２绿灯时间的计算方法 理想的绿灯时间应刚好使所有排队车辆以及在绿灯期 间到达的车辆通过交叉口。考虑到过饱和状态下下游交叉 口可能出现局部拥堵导致道路占有率高的情况，绿灯时间 应同时考虑下游车道的车辆容纳能力，即放行车辆Ⅳ为 Ｎ＝ｍｉｎ（ｍ…＋ｍ ，ｍ…） （５） 式中ｍ…为本车道当前排队车辆；ｍ 为绿灯期间可能达 到的车辆，根据上一周期的车辆到达情况进行估计；ｍ…为 下游车道可接纳的车辆数量，需要根据车道长度和车道占 有率估计 ｍａｃｅ： （６）（ｏ 以一次迭代的方式计算放行绿灯时问，分为２步： １）设绿灯期间可能到达的车辆数ｍ ＝０，计算初始绿 灯时间 ｔ０＝￡ｓｕＪＴＪ＋Ｎｏ×Ｈ （７） 式中ｔＳＵＬＴ为启动延误；日为饱和车头时距；Ｎｏ为设ｍ ＝ ０时由式（５）计算出的初始车辆数量。 第４期 刘俊杰，等：过饱和交叉口群自适应控制方法 ６７ ２）根据ｔｏ估计ｍ ，得到绿灯期间可能到达车辆数量 ： 二）‘ｒｅｄ （８） 式中￡ 为该相位刚刚结束时红灯时间长度。由式（５）计 算出考虑ｍ 时总的放行车辆数Ⅳ，再由ｔ＝ｆ。 ＋Ⅳ×Ｈ计 算最终的绿灯放行时间ｔ。 １．２．３算法流程 在相位方案设计时，为简化计算，根据实际情况，不考 虑右转车流以及行人流，根据双环结构的原理，交叉口８个 相位（直行与左转）中，每次至多只能放行２个相位，如图３ 所示，２个相位必须位于不同的组中，而且处于同一个屏蔽 中。一个交叉口所有可能的相位组合如相位ｌ一相位８。 ｌ ２ ３ ＼ Ａ 组 ／ １ 『 ｓ ６ ７ ８ ＪＩ Ｂ 组 ＼ 屏蔽１ 屏蔽２ 相位１ 相位２ 相位３ 相位４ ／ ． ／ ／ 相位５ 相位６ 相位７ 相位８ １ ＜／． １ ｒＪ Ｌ＜，／＞ Ｌ 图３相位双环结构 算法基本思路是根据各相位的关键系数对相位的关键 程度进行排序，优先放行排序靠前的相位。在确定放行相 位之后，根据绿灯时间计算方法计算放行时间。绿灯结束 时需重新计算相位关键系数并排序，确定下一组放行相位。 在一个循环中已经放行过的相位不再优先考虑，且每个相 位在一次循环中必须至少被放行１次，以确保不会有某个 方向的车辆等待过长时间的情况。算法流程如图４所示， 图中双线箭头表示实际绿灯放行时间。 算法流程中所指的次相位选择规则如下，首先判断 Ｑ１，Ｑ２是否均在排队队列中，不在队列中表示此相位在本 轮循环中已经放行。若Ｑｌ，Ｑ２均在或均不在队列中，则选 取关键系数排序在前的作为次相位；否则，选取在队列中的 相位作为次相位。 算法中， 一 ≤ （ 为最小绿灯时间）用于判断 如果主相位与次相位的绿灯时间差别不大，则主次相位共 同放行主相位的绿灯时间；反之，说明主次相位绿灯时间差 别过大（实际上即表明交通流差别过大），如果此时仍按照 主相位较长的绿灯时间放行，容易造成次相位的空等或者 不合理放行，则考虑先将主次相位以次相位的绿灯时间共 同放行，再将主相位与另一个与之匹配的相位进行组合，形 循环开始 计算所有相位的关键系数， 并进行顺序排序，将所有 相位均放在排序队列中 排序第一的确定为主相位肘， 根据相位冲突原则，得到与 匹配的相位Ｑｌ，Ｑ２ 根据次相位选择规则， 在Ｑ１，Ｑ２中选择一个相位 作为次相位Ｑ，与．】Ｉｆ组合， 得到２个放行相位 计算相位Ｍ与Ｑ的绿灯时间 与 一 ≤Ｚ 』ｌｆ与Ｑ共同 时间长度 ７ ，Ｍ与Ｑ共同放行 时间长度 Ｔ￣－＝－－ｍａｘ（７ Ｉ， 一）； 将肘与Ｑ对应相位移除排序队列 与Ｑ 共同放行 时间 长度；将肘与Ｑ，Ｑ 对应 相位移除排序队列 Ｎ ｆ计算所有相位的关键系数， 排序队列是否为空 —’｛并对在排序队列中的相位 ～ ｒ一／Ｙｌ ｌ 排序 图４交通控制算法流程 成新的放行组合，放行时间取主相位剩余放行时间和第二 次相位放行时间中较大者，以此提高绿灯时间利用率。 算法在相位确定需要放行之时计算绿灯时间，区别于更 加灵活的实时绿灯时间调整方式，在绿灯放行期间内，绿灯 时间不会再发生变动；１）可以避免随机因素造成的绿灯时间 的随意抖动；２）可以更加人性化的确定绿灯倒计时。另外， 考虑到行人因素和避免某一方向过长时间的等待，所有绿灯 时间均必须处于最小绿灯时间和最大绿灯时间之间。 ２仿真评价 ２．１仿真模型 采用德国ＰＴＶ公司的ＶＩＳＳＩＭ交通仿真软件进行仿真 测试，并通过ＶＩＳＳＩＭ的ＣＯＭ编程接口连接微软．ｎｅｔ开发平 台进行控制算法设计与开发，相比ＶＩＳＳＩＭ原生的ＶｉｓＶＡＰ 编程，能够更加灵活地对交通模型实现算法控制。 为充分考虑交叉口群的相互作用，设计了一个４×４的 仿真路网，图５仅表示了仿真路网的拓扑结构，实际仿真路 网的道路设置并不具有这样的高度对称性。车流从路网四 周驶入，根据不同交通状态设计不同车流量进行仿真。流 量设计包括过饱和，低饱和以及短时高峰流量３种。根据 文献［１３］的分析，设置启动延误时间为５ Ｓ，饱和车头时距 为２．２ ｓ／ｖｅｈ（ｖｅｈ：辆），根据实际工程经验，设置最小绿灯 时间为１５ Ｓ，最大绿灯时间为６０ Ｓ。 不失一般性，对路口进行评价时，选取ｌ ，２ ，３ ，４ 共 ４个路口的评价数据。仿真时间为０—４２００ Ｓ，ＶＩＳＳＩＭ仿真 开始时车辆需要一段时间进入路网，难以准确模拟实际情 况，所以０—６００ ｓ在评价时不考虑，以６００ ｓ为统计时间间 传感器与微系统 第３７卷 ｌ 一 一ｌ Ｉ ｝ ｌ 口一口～口 口一口～口 ｌ ｌ口～１ 口一Ｉ ｛口 ｌ 图５仿真路网 隔。仿真基本参数为ＶＩＳＳＩ一 一Ｍ默认设置。 本文仿真时在各路口设置了排队长度检测器，并选取 左上角Ｓ点为检测起点，随机选取Ａ，Ｂ，Ｃ，Ｄ共４个点为检 测终点，用于检测从Ｓ点出发的车辆分别到达４个终点时 所需要的行程时间。本文以排队长度为主要评价指标 ， 评价自适应算法对拥堵的控制效果，并参照行程时间分析 算法提升整体路网运行效率的效果。 ２．２过饱和情况下的交通评价 设置过饱和情况下的道路入口流量为８００ ｖｅｈ／ｈ，固定 配时和自适应控制下最大排队长度，平均排队长度的对比， 分别如图６和图７所示。排队情况图中，每个时间段内分 别有１－４共４个路口的排队数据，下同。 之 枯 图６过饱和下最大排队长度 ６００ 臣重芷 蛳定 州 曼曼 川 ４ｏ０ 吝 门 ｝Ｉ＿ ｌ２００ 四 Ｏ 曲 Ｉ 同ｉ ｉ Ｉ ｉ ６一ｌ２ ｌ２－ｌ ｌ８—２４ ２４—３Ｕ ３Ｕ一３６ ３６－４２ 仿真时间／１００ Ｓ 图７过饱和下平均排队长度 分别按照仿真时段和路口考察自适应算法的优化效 果，如表１和表２。时段优化效果指特定时段下，４个路口 的排队长度优化效果平均值；路口优化效果指该路口所有 时段的优化效果平均值。 表１ 过饱和下排队长度时段优化效果 ％ 时段／１００ ｓ ６—１２ ｌ２～ｌ８ １８－２４ ２４－３０ ３０－３６ ３６－４２ 最大排队长度 ｌ２ ３３ ２９ ３１ ４５ ４６ 平均排队长度 ３６ ４２ ４４ ４３ ４２ ４５ 表２过饱和下排队长队路口优化效果 ％ 最大排队长度能够反映交通流量过饱和时拥堵高峰时 期车辆堆积的严重程度，平均排队长度反映了一段时间内 交通的整体拥堵状况。由图６、图７可以看出，在过饱和交 通状态下，本文提出的自适应控制方法有效控制了车辆的 拥堵，尤其对于第３路口，固定配时由于不能根据实际情况 进行信号灯的调整，不合理的分流导致排队堆积，形成了严 重的交通拥堵，而自适应算法则较好地对拥堵进行了抑制 和疏散。 ２．３低饱和与短时高峰流量情况下的交通评价 低饱和情况下道路入口流量为２００ ｖｅｈ／ｈ，短时高峰流 量情况下的流量输入由程序随机生成，流量从均值 ４００ ｖｅｈ／ｈ按时间段逐步增加到８００ ｖｅｈ／ｈ，再逐步减少。仿 真结果所得到的优化效果如表３和表４所示。 表３低饱和与短时高峰流量下平均排队长度时段优化效果 时段／１００ ｓ ６—１２ １２～１８ １８－２４ ２４－３０ ３０－３６ ３６－４２ 低饱和下排队长度 ３０％ ３６％ ３８％ ３２％ ３３％ ３３％ 短时高峰流量下排队长度 ３３％ ３０％４１％ ３９％ ３４％ ３９％ 表４低饱和与短时高峰流量下平均排队长度路口优化效果％ 从表３和表４可以看出，自适应交通控制算法不仅在 过饱和情况下能有效抑制拥堵，在低饱和以及短时高峰流 量情况下，自适应算法对车辆排队的改善同样具有明显效 果，优化效果一般在３０％以上。在低流量情况下避免了空 等现象的发生，在车流量逐渐增加的过程中，也能通过各路 口对车流量放行灵活分配，降低了路网出现严重拥堵的可 能性。 ２．４整体路网交通状况评价 排队长度能够有效反映交通拥堵的状况，但对于司乘 人员，行程时间是实际出行时最关心的数据，如图８和表５ 分别为４条行程时间统计线路的仿真数据，线路包含了仿 真路网中大部分的交叉口，可以反映整体路网的交通状况。 尽 曹 图８行程时间 第４期 刘俊杰，等：过饱和交叉口群自适应控制方法 表５ ３种情况行程时间优化效果 ［２］ 赵冬斌，刘德荣，易建强．基于自适应动态规划的城市交通信 号优化控制方法综述［Ｊ］．自动化学报，２００９（６）：６７６－６８１． ［３］ 张龙，余发山，康洪，等．过饱和单交叉口信号配时控制 算法的研究［Ｊ］．电子测量技术，２０１６，３９（５）：１５０－－１５３． ［４］ 李瑞敏，唐瑾．过饱和交叉口交通信号控制动态规划优化 图８中横轴表示各测试线路，每条线路从左到右的条 模型［Ｊ］．交通运输工程学报，２０１５，１５（６）：１０１－－１０９． 形图分别表示过饱和流量，短时高峰流量，低饱和流量下的 ［５］曹洁，张玲．自适应遗传算法的Ｍｕｌｔｉ—Ａｇｅｎｔ交通信号优 行程时间数据。仿真实验结果表明：自适应控制下各条线 路的行程时间均有所缩短，行程时间平均减少了３２％，部 分线路减少了５０％以上，即行程时间只有定时控制时的 １／２。由此可以看出，自适应控制方法在控制交通拥堵的同 化控制［Ｊ］．计算机工程与应用，２０１６，５２（１３）：２６５－２７０． ［６］Ｂａｌａｊｉ Ｐ Ｇ，Ｇｅｒｍａｎ Ｘ，Ｓｒｉｎｉｖａｓａｎ Ｄ．Ｕｒｂａｎ ｔｒａｆｆｉｃ ｓｉｇｎａｌ ｃｏｎｔｒｏｌ ｕｓｉｎｇ ｒｅｉｎｆｏｒｃｅｍｅｎｔ ｌｅａｒｎｉｎｇ ａｇｅｎｔｓ［Ｊ］．ＩＥＴ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｒｎｓａｐｏｒｔ Ｓｙｓｔｅｍｓ，２０１０，４（３）：１７７－１８８． ［７］ Ａｒｅｌ Ｉ，Ｌｉｕ Ｃ，Ｕｒｂａｎｉｋ Ｔ，ｅｔ ａ１．Ｒｅｉｎｆｏｒｃｅｍｅｎｔ ｌｅａｒｎｉｎｇ—ｂａｓｅｄ ｍｕｌｔｉ·ａｇｅｎｔ ｓｙｓｔｅｍ ｆｏｒ ｎｅｔｗｏｒｋ ｔｒａｆｆｉｃ ｓｉｇｎａｌ ｃｏｎｔｒｏｌ［Ｊ］．ＩＥＴ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｒａｎｓｐｏｒｔ Ｓｙｓｔｅｍｓ，２０１０，４（２）：１２８－－１３５， 时，有效提升了路网整体交通通行效率和绿灯时间的有效 利用率。 ３结束语 ［８］ 赵亚东，吴其龙．基于ＶｉｓＶＡＰ的过饱和交叉口群自适应控制 评价［Ｊ］．电子科技，２０１６，２９（３）：１７－－２１． ［９］张永灿，黄海平，曹雍，等．基于无线传感网的智能交通灯 提出了一种区域自治的自适应控制方法，以车辆排队 长度为参数，实现当前交叉口与临近交叉口的协调控制，与 传统单点优化相比，改善了仅优化局部的情况，去中心化的 控制方式亦提高了系统的灵活性。仿真结果表明：控制方 法在过饱和状态交叉口群的交通情况下，较为有效地控制 了拥堵的持续堆积并加快了拥堵的疏散，缓解了拥堵的扩 大趋势。在非饱和交通状态下，较定时控制，自适应控制方 法相比，同样有效提高了绿灯时间利用率，缩短了车辆行程 时间，提升了交叉口群的整体交通运行效率。 参考文献： ［１］ Ｗｕｎｄｅｒｌｉｃｈ Ｒ，Ｌｉｕ Ｃ，Ｅｌｈａｎａｎｙ Ｉ，ｅｔ ａ１．Ａ ｎｏｖｅｌ ｓｉｇｎａｌ—ｓｃｈｅｄｕｌｉｎｇ ａｌｇｏｒｉｔｈｍ ｗｉｔｈ ｑｕａｌｉｔｙ—ｏｆ－ｓｅｒｖｉｃｅ ｐｒｏｖｉｓｉｏｎｉｎｇ ｆｏｒ ａｎ ｉｓｏｌａｔｅｄ ｉｎｔｅｒ－ 自适应算法［Ｊ］．计算机技术与发展，２０１５（２）：１９９－－２０３． ［１０］彭春华，刘建业，刘岳峰，等．车辆检测传感器综述［Ｊ］．传感 器与微系统，２００７，２６（６）：４—７． ［１１］Ｌｉｕ Ｈ Ｘ，Ｗｕ Ｘ，Ｍａ Ｗ，ｅｔ ａ１．Ｒｅａｌ—ｔｉｍｅ ｑｕｅｕｅ ｌｅｎｇｔｈ ｅｓｔｉｍａｔｉｏｎ ｏｆｒ ｃｏｎｇｅｓｔｅｄ ｓｉｇｎａｌｉｚｅｄ ｉｎｔｅｒｓｅｃｔｉｏｎｓ［Ｊ］．Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ： Ｐａｒｔ Ｃ：Ｅｍｅｒｇｉｎｇ Ｔｅｃｈｎｏｌｏｇｉｅｓ，２００９，１７（４）：４１２－－４２７． ［１２］孙剑，杨晓光，刘好德．微观交通仿真系统参数校正研 究［Ｊ］．系统仿真学报，２００７，１９（１）：４８－－５０． ［１３］赵星，任刚．信号交叉口车头时距特性分析［Ｊ］．交通运 输工程与信息学报，２０１０（１）：１０３－－１０８． 作者简介： 刘俊杰（１９９３一），男，硕士研究生，主要研究方向为智能交通 控制，Ｅ—ｍａｉｌ：ｊｕｎｊｉｅｗｏｏｄ＠１６３．ｅｏｍ。 ｓｅｃｔｉｏｎ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｓｙｓ－ ｔｅｍｓ，２００８，９（３）：５３６－５４７． ＼ ≯ ； 、０Ｓ ０； ｗｏｒｋｓ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｄｕｓｔｒｉａｌ Ｉｎｆｏｎｎａｔｉｃｓ，２０１１， Ｄｕ Ｑ，Ｇｕｎｚｂｕｒｇｅｒ Ｍ，Ｊｕ Ｌ．Ａｄｖａｎｃｅｓ ｉｎ ｓｔｕｄｉｅｓ ａｎｄ ａｐｐｌｉｃａｔｉｏｎｓ １Ｏ（６）：１２４４－１２４９． ｏｆ ｃｅｎｔｒｏｉｄａｌ ｖｏｒｏｎｏｉ ｔｅｓｓｅｌｌａｔｉｏｎｓ［Ｊ］．Ｎｕｍｅｒｉｃａｌ Ｍａｔｈｅｍａｔｉｃｓ Ｔｈｅｏｒｙ Ｍｅｔｈｏｄｓ＆Ａｐｐｌｉｃａｔｉｏｎｓ，２０１０，３（２）：１１９－－１４２． Ａｂｏ—Ｚａｈｈａｄ Ｍ，Ｓａｂｏｒ Ｎ，Ｓａｓａｋｉ Ｓ，ｅｔ ａ１．Ａ ｃｅｎｔｒａｌｉｚｅｄ ｉｍｍｕｎｅ． Ｖｏｒｏｎｏｉ ｄｅｐｌｏｙｍｅｎｔ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｃｏｖｅｒａｇｅ ｍａｘｉｍｉｚａｔｉｏｎ ａｎｄ ［１０］Ｍａｈｂｏｕｂｉ Ｈ，Ｍｏｅｚｚｉ Ｋ，Ａｇｈｄａｍ Ａ Ｇ，ｅｔ ａ１．Ｄｉｓｔｒｉｂｕｔｅｄ ｄｅｐｌｏｙ— ｍｅｎｔ ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ｉｍｐｒｏｖｅｄ ｃｏｖｅｒａｇｅ ｉｎ ａ ｎｅｔｗｏｒｋ ｏｆ ｗｉｒｅｌｅｓｓ ｍｏｂｉｌｅ ｓｅｎｓｏｒｓ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｄｕｓｔｒｉａｌ Ｉｎｆｏｒｍａｔｉｃｓ， ２０１４，１０（１）：１６３－－１７４． ｅｎｅｒｇｙ ｃｏｎｓｅｒｖａｔｉｏｎ ｉｎ ｍｏｂｉｌｅ ｗｉｒｅｌｅｓｓ ｓｅｎｓｏｒ ｎｅｔｗｏｒｋｓ［Ｊ］．Ｉｎｆｏｒ－ ｍａｔｉｏｎ Ｆｕｓｉｏｎ，２０１６，３０（Ｃ）：３６－－５１． ［１１］方伟，宋鑫宏．基于Ｖｏｒｏｎｏｉ图盲区的无线传感器网络覆盖 控制部署策略［Ｊ］．物理学报，２０１４，６３（２２）：１２８－－１３７． 梅希薇，宋鑫宏，方伟．基于连通性的无线传感器网络覆盖 ［１２］刘志强，沈廷桐，毛 强，等．无线传感器网络动态覆盖的 ＣＶＴ算法［Ｊ］．传感器与微系统，２０１５，３４（６）：１１５－－１１８． 优化算法［Ｊ］．传感器与微系统，２０１７，３６（５）：１４５—１４８． Ｌｅｅ Ｈ Ｊ，Ｋｉｍ Ｙ Ｈ，Ｈａｌｌ Ｙ Ｈ，ｅｔ ａ１．Ｃｅｎｔｒｏｉｄ－ｂａｓｅｄ ｍｏｖｅｍｅｎｔ ａｓｓｉｓｔｅｄ ｓｅｎｓｏｒ ｄｅｐｌｏｙｍｅｎｔ ｓｃｈｅｍｅｓ ｉｎ ｗｉｒｅｌｅｓｓ ｓｅｎｓｏｒ ｎｅｔ－ 作者简介： 项馨仪（１９９３一），女，硕士研究生，主要研究方向为无线传感 器网络覆盖优化。 ｗｏｒｋｓ［Ｃ］／／Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｎｆｅｒｅｎｃｅ，ＩＥＥＥ，２００９：１－－５． Ｍａｈｂｏｕｂｉ Ｈ，Ｍｏｅｚｚｉ Ｋ，Ａｇｈｄａｍ Ａ Ｇ，ｅｔ ａ１．Ｄｉｓｔｒｉｂｕｔｅｄ ｄｅｐｌｏｙ— ｍｅｒｉｔ ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ｉｍｐｒｏｖｅｄ ｃｏｖｅｒａｇｅ ｉｎ ｍｏｂｉｌｅ ｓｅｎｓｏｒ ｎｅｔ一 赵杰煜（１９６５一），男，博士，教授，主要从事计算机视觉与模式 识别、移动互联网等研究工作。
