技术领域
[0001] 本
发明涉及快速路交通控制技术领域，尤其涉及一种快速路
匝道的交通 管控方法和系统。
背景技术
[0002] 快速路是城市中具有较高车速、为长距离交通服务的重要道路，主要连 接市区各主要地区、主要近郊区、主要对外公路。目前，世界上许多大城市 内都建有完善的仅供车辆通行的快速公路系统，快速路交通已逐渐成为市内 交通的主要类型之一，对于缓解市内道路交通压
力起着重要作用。随着城市 人民群众物质生活
水平不断提高和出行机动化
进程加快，越来越多的
汽车进 入普通家庭，城市道路建设和管控已经滞后于周边区域发展，不能满足人们 日常生活的需求。尤其是现有的快速路交通安全事故与拥堵时常发生，严重 影响快速路的通行效率，“快速不快”成为交通困局。由于快速路通行的便 捷性，加上区域路网对交通
信号的管控不合理，居民更多的选择快速路出行， 这使沿线交通不堪重负。因此，基于当下城市道路现状，为破解“快速不快” 的交通困局，提高交通系统的运行效率，对快速路匝道管控势在必行。
发明内容
[0003] 本发明主要解决以上问题，提供一种用于城市快速路交通管控的方法和 系统。
[0004] 为解决上述技术问题，本发明采用的技术方案是：一种城市快速路智慧 交通管控方法，包括：观测快速路主路、快速路辅路的交通状态，对所述交 通状态采用
人工智能算法进行自适应控制，同时对快速路辅路的多个匝道进 行协同控制，以控制通过匝道进入快速路主路的车流量。
[0005] 进一步，所述匝道的车辆只能从最靠近所述快速路主路的车道进入所述 快速路主路，在距停止线一定距离范围内，匝道车道间设有虚实分界线，车 辆可以从虚线侧变道到直线侧，不可从直线侧变道到虚线侧。
[0006] 进一步，所述交通状态包括流量f、速度v、
密度，所述流量f可以通过
微波、地磁、雷达、电警获取，并进行数据时间空间多维度融合处理，所述 速度v可以通过微波、地磁、雷达、互联网获取，并进行数据时间空间多维 度融合处理。
[0007] 进一步，所述人工智能算法为
强化学习算法，所述对所述交通状态采用 人工智能算法进行自适应控制的具体步骤包括：
[0008] 步骤一，根据获取的所述流量f、速度v计算快速路通行能力 S，计算公式如下：
[0009] S＝F(f,v) (1)
[0010] 所述快速路通行能力S为红绿灯灯态动作；
[0011] 步骤二，根据所述快速路通行能力S计算控制策略执行的奖惩回报值 r，计算公式如下：
[0012] r＝G(S) (2)；
[0013] 步骤三，某时段内的总回报值Rk为各奖惩回报值的期望 ，计算公式如下：
[0014]
[0015] 所述总回报值Rk为当前拥堵等级，并将所述交通状态、快速路通行能力 S、总回报值Rk存入记忆库；
[0016] 步骤四，自适应
控制器根据所述交通状态、总回报值Rk学习调整。
[0017] 进一步，所述对快速路辅路的多个匝道可通过协同控制装置进行协同控 制，所述协同控制装置包括信号灯和诱导屏，所述信号灯设置在匝道入口前， 所述诱导屏设置在距匝道入口一定距离处。
[0018] 一种城市快速路智慧交通管控系统，包括：
数据采集系统、自适应控制 器和协同控制装置，所述数据采集系统用于观测快速路主路、快速路辅路的 交通状态，所述交通状态输送至所述自适应控制器，所述自适应控制器采用 人工智能算法计算控制策略执行的奖惩回报值用于自适应控制，所述协同控 制装置可根据所述奖惩回报值实现对快速路辅路的多个匝道进行协同控制， 以控制通过匝道进入快速路主路的车流量。
[0019] 进一步，所述交通状态包括流量f、速度v、密度，所述流量f、速度v、 密度分别通过流量接入模
块、速度接入模块和密度接入模块和数据采集系统 对接获取。
[0020] 进一步，所述数据采集系统包括流量f观测装置、速度 v观测装置和密度观测装置，所述流量f观测装置包括微波、地磁、雷达、电 警，所述速度v观测装置包括微波、地磁、雷达、互联网。
[0021] 进一步，所述人工智能算法为强化学习算法，所述自适应控制器输入所 述交通状态，通过所述强化学习算法，计算得出快速路通行能力S、总回报 值Rk，所述快速路通行能力S为红绿灯灯态动作，所述总回报值 Rk为当前拥堵等级，所述自适应控制器并将所述交通状态、快速路通行能力 S、总回报值Rk存入记忆库。
[0022] 进一步，所述协同控制装置包括信号灯和诱导屏，所述信号灯设置在匝 道入口前，所述诱导屏设置在距匝道入口一定距离处，同时在匝道还设有电 子警察抓拍系统，所述
电子警察抓拍系统对不按交通规则驾驶行为进行抓拍。
[0023] 本发明具有的优点和积极效果是：一种城市快速路智慧交通管控方法和 系统，通过控制匝道进入快速路主路的车流量，以提高交通系统的运行效率， 解决快速不快的交通困局。本发明以快速路通行能力最大化为控制目标，将 人工智能强化学习模型应用于快速路交通管控领域，通过程序
自学习自优化， 输出适合当前路况的控制方案。此外，本发明中协同控制装置中的诱导屏和 信号灯协同变化发布内容，可以让车主提前知晓前方路况和信号控制情况， 避免长时间在匝道排队。系统中匝道虚实车道线设计，可以有效减少车辆不 合理变道带来的交通拥堵，提升快速路通行效率。
附图说明
[0024] 图1是一种城市快速路智慧交通管控方法
流程图；
[0025] 图2是匝道入口示意图图。
[0026] 1.快速路主路； 2.快速路辅路； 3.匝道入口；
[0027] 4.诱导屏； 5.电子警察抓拍系统； 6.停止线；
[0028] 7.信号灯； 8.虚实分界线。具体
实施例[0029] 下面结合附图1-2对本发明的具体实施例做详细说明。
[0030] 一种城市快速路智慧交通管控方法，包括：观测快速路主路1、快速路 辅路2的交通状态，对所述交通状态采用人工智能算法进行自适应控制，同 时对快速路辅路2的多个匝道进行协同控制，以控制通过匝道进入快速路主 路1的车流量。
[0031] 所述匝道的车辆只能从最靠近所述快速路主路1的车道进入所述快速路 主路1，在距停止线一定距离范围内，匝道车道间设有虚实分界线8，车辆 可以从虚线侧变道到直线侧，不可从直线侧变道到虚线侧。
[0032] 所述交通状态包括流量f、速度v、密度，所述流量f可以通过微波、地 磁、雷达、电警获取，并进行数据时间空间多维度融合处理，所述速度v可 以通过微波、地磁、雷达、互联网获取，并进行数据时间空间多维度融合处 理。
[0033] 所述人工智能算法为强化学习算法，所述对所述交通状态采用人工智能 算法进行自适应控制的具体步骤包括：
[0034] 步骤一，根据获取的所述流量f、速度v计算快速路通行能力 S，计算公式如下：
[0035] S＝F(f,v) (1)
[0036] 所述快速路通行能力S为红绿灯灯态动作；
[0037] 步骤二，根据所述快速路通行能力S计算控制策略执行的奖惩回报值 r，计算公式如下：
[0038] r＝G(S) (2)；
[0039] 步骤三，某时段内的总回报值Rk为各奖惩回报值的期望 ，计算公式如下：
[0040]
[0041] 所述总回报值Rk为当前拥堵等级，并将所述交通状态、快速路通行能力 S、总回报值Rk存入记忆库；
[0042] 步骤四，自适应控制器根据所述交通状态、总回报值Rk学习调整。
[0043] 所述对快速路辅路的多个匝道可通过协同控制装置进行协同控制，所述 协同控制装置包括信号灯7和诱导屏4，所述信号灯7设置在匝道入口3前， 所述诱导屏4设置在距匝道入口3一定距离处。
[0044] 一种城市快速路智慧交通管控系统，包括：数据采集系统、自适应控制 器和协同控制装置，所述数据采集系统用于观测快速路主路1、快速路辅路 2的交通状态，所述交通状态输送至所述自适应控制器，所述自适应控制器 采用人工智能算法计算控制策略执行的奖惩回报值用于自适应控制，所述协 同控制装置可根据所述奖惩回报值实现对快速路辅路2的多个匝道进行协同 控制，以控制通过匝道进入快速路主路1的车流量。
[0045] 所述交通状态包括流量f、速度v、密度，所述流量f、速度v、密度分 别通过流量接入模块、速度接入模块和密度接入模块和数据采集系统对接获 取。
[0046] 所述数据采集系统包括流量f观测装置、速度 v观测装置和密度观测装置，所述流量f观测装置包括微波、地磁、雷达、电 警，所述速度v观测装置包括微波、地磁、雷达、互联网。
[0047] 所述人工智能算法为强化学习算法，所述自适应控制器输入所述交通状 态，通过所述强化学习算法，计算得出快速路通行能力S、总回报值Rk，所 述快速路通行能力S为红绿灯灯态动作，所述总回报值 Rk为当前拥堵等级，所述自适应控制器并将所述交通状态、快速路通行能力 S、总回报值Rk存入记忆库。
[0048] 所述协同控制装置包括信号灯7和诱导屏4，所述信号灯7设置在匝道 入口3前，所述诱导屏4设置在距匝道入口3一定距离处，同时在匝道还设 有电子警察抓拍系统5，所述电子警察抓拍系统5对不按交通规则驾驶行为 进行抓拍。
[0049] 一种城市快速路智慧交通管控方法和系统的最佳实施方式，可控制通过 匝道进入快速路主路1的车流量，观测快速路交通状态，采用人工智能算法 进行自适应控制，同时对快速路多个入口匝道进行协同控制，实现快速路通 行能力最大化，减少快速路网拥堵。
[0050] 所述人工智能算法采用强化学习算法。观测到的环境数据作为自适应控 制器(神经网络)的输入，输入给神经网络，神经网络会输出一组当前的动 作(各红绿灯灯态)。同时，根据这些环境数据以及交通领域专业公式，计 算出当前的奖惩等级(拥堵等级)。每一个循环的奖惩等级、动作、环境数 据会存入记忆库；当拥堵消散时，这一个训练周期的记忆库数据会传入神经 网络用以计算其损失函数的损失值；神经网络更新其权重参数(学习)，流 程图如图1所示。
[0051] 以有10个入口匝道的快速路网为例，10个入口匝道受控红绿灯，以各 路段距各红绿灯的距离为依据进行聚类，将所有路段聚成10类。每一类路 段的平均reward归属于距离这一类最近的红绿灯。也就是会有10个局部 reward值。每5分钟循环输出一次信号控制方案。
[0052] 第一步：获取K时间间隔开始时刻快速路网的流量、速度、密度，并存 储。
[0053] 第二步：计算K时间间隔开始时刻交通通行能力，此处以交通运行指数 Ck为例。
[0054] 采用GB/T33171-2016中基于行程时间比的方法和系统计算交通运行指 数。
[0055] 计算各评价元胞路段在k-1时间间隔内行程时间比TTIi,k-1
[0056]
[0057] TTIi,k-1,表示评价元胞i在k-1时间间隔内行程时间比；
[0058] 表示评价元胞i在k-1时间间隔内所使用的平均行程时间；
[0059] ti，k-1，表示评价元胞i在k-1时间间隔内自由流行程时间；
[0060] 表示评价元胞i在k-1时间间隔内所使用的平均行程速度；
[0061] vi，k-1，表示评价元胞i在k-1时间间隔内自由流行速度；
[0062] 当路段平均行程时间小于自由流行程时间时，设定TTIi-1＝1；
[0063] 计算各评价元胞权重γi,k-1
[0064] 采用GB/T 29107-2012的算法计算各评价元胞权重
[0065] 首先，计算各评价元胞路段在k-1时间间隔内车公里数VKTi
[0066] VKTi,k-1＝fi,k-1*Li (5)
[0067] VKTi,k-1，表示评价元胞i在k-1时间间隔内车公里数；
[0068] fi,k-1，表示评价元胞i在k-1时间间隔内交通流量；
[0069] Li，表示评价元胞i长度；
[0070] 然后，计算得到所有评价元胞快速路的车公里数VKTk-1
[0071] VKTk-1＝∑VKTi,k-1 (6)
[0072] 最后，计算各评价元胞权重γi,k-1
[0073]
[0074] 计算评价元胞路段总行程时间比TTIk-1
[0075] TTIk-1＝∑γi,k-1*TTIi,k-1 (8)
[0076] 基于换算评价元胞路段总交通运行指数Ck
[0077] 按照表B.1换算关系得到Ck，表B.1给出了道路网行程时间比与城市交 通运行指数的推荐转换关系：
[0078] 表B.1道路网行程时间比与城市交通运行指数的推荐转换关系
[0079]
[0080] 第三步：计算对K-1时间间隔内控制策略执行的奖惩回报值Rk，并存储 Rk值。
[0081] Rk的计算是一个分段函数，以元胞路段总交通运行指数Ck为输入，[0082]
[0083] 第四步：判断K时间间隔开始时刻交通状态，存储该步骤生成的控制策 略。
[0084] 第五步：自适应控制器神经网络权重参数学习调整。
[0085] 在每一次拥堵形成到拥堵消散的缓堵周期，系统要根据的Rk值、环境观 测量、控制策略，指导神经网络权重参数学习调整。
[0086] 一种城市快速路智慧交通管控方法和系统，通过控制匝道进入快速路主 路的车流量，以提高交通系统的运行效率，解决快速不快的交通困局。本发 明以快速路通行能力最大化为控制目标，将人工智能强化学习模型应用于快 速路交通管控领域，通过程序自学习自优化，输出适合当前路况的控制方案。 此外，本发明中协同控制装置中的诱导屏和信号灯协同变化发布内容，可以 让车主提前知晓前方路况和信号控制情况，避免长时间在匝道排队。系统中 匝道虚实车道线设计，可以有效减少车辆不合理变道带来的交通拥堵，提升 快速路通行效率。
[0087] 以上对本发明的实施例进行了详细说明，但所述内容仅为本发明的简单 示范实施例，不能被认为用于限定本发明的实施范围。凡依本发明范围所作 的均等变化与改进等，均应归属于本
专利涵盖范围之内。
