传统的城市交通流控制最小单元是单个交叉路口，实践表明，在车流量较小的情况下， 对一个孤立的交叉口采取智能控制算法是可行的，然而，在城市交通网络里多个交叉路口 相互距离较近，网络里车流量较大的情况下，仍采用相同的算法就不行了。针对这种情况， 本发明把交通网络里的路口进行有效地组合和划分，相互距离较远的交叉路口可认为是孤 立的，而距离很近的二到三个交叉路口则把它们组合起来，作为一个整体进行控制，这个 整体就叫做“路口组”。
经对现有技术的检索发现：黄辉先，史忠科，《单交叉路口交通流实时遗传算法优化控 制》，系统工程理论与实践，2001.3：102-106；刘智勇，朱劲等《单交叉口的多相位模糊 控制》，信息与控制，1999.28(6)：453-458；陈淑燕，陈森发等，《单路口交通的多相位实 时模糊控制》，系统工程理论与实践，2003.1：110-115；樊爱龙，马文阁等，《单交叉口混 合交通流预测与信号配时研究》，辽宁大学学报，2007.27(4)：234-237。上述文献中提到 的现有技术中，关于单点交通流控制都是以单个交叉路口作为最小单元的，没有考虑到距 离很近的路口之间在交通流量较大时的相关性，因此，把多个路口组合起来作为一个“路 口组”来进行优化控制是本发明的特点。

本发明的目的在于克服传统城市交通控制最小单元为单个交叉路口不能满足实际交通 控制需要的不足，提供一种基于“路口组”的交通流优化控制方法。针对交通工程的实际 需要，把城市主干路上距离相近的两到三个路口组合起来进行控制，可以实现局部交通流 的优化，对交通流微观控制提供帮助。
本发明通过以下技术方案实现，包括以下步骤：
①利用地面感应线圈等已有信息采集手段，采集“路口组”实时交通流量信息；
②用智能方法建立优化控制模型，根据实时交通流信息推理和优化控制器的参数；
步骤①，具体方法为：根据现代城市已经铺设好的地面感应线圈实时采集城市道路上 “路口组”的实际交通车流量。
步骤①，所述的利用地面感应线圈等已有信息采集手段，采集“路口组”实时交通流量 信息是指：根据现代城市已有信息采集手段，特别是由地面感应线圈采集的整个“路口组” 的交通流量信息汇总上来。
步骤①，所述的“路口组”是指：将城市主干路中相邻的距离比较近(一般是不超过800m) 且具有相关性的二到三个交叉路口作为主干路交通流控制的一个节点单元(本文以三个交叉 口为例讨论)，这个节点单元就称之为“路口组”。规定：“路口组”的内部距离即最左边的路 口到最右边路口的距离不超过1600m。在这种情况下，可以将城市的一条主干路看作是以“路 口组”为节点的多个节点单元的集合，如图1所示。
步骤②中，所述的用智能方法建立优化控制模型，根据实时交通信息推理和优化控制 器的参数是指：“路口组”未来的总车流量对下一个信号控制周期T的大小具有直接的影响， 如果“路口组”未来的总车流量大，则要求周期尽量的长，如果“路口组”未来的总车流 量小，则对周期的长度要求则相反.基于这种想法，用预估的总车流量和近两个周期的车 流变化量来模糊推理下一个周期的T值，推理框图如图2所示，同时，建立以车辆平均延 误最小为目标的优化模型，采用遗传算法优化得到“路口组”的最优控制参数，具体的步 骤如下：
1.模糊化
将预估总流量q、流量变化量Δq、周期T分别划分为七个模糊子集如下：
q＝{很少，较少，少，中等，多，较多，很多}
Δq＝{负大，负中，负小，零，正小，正中，正大}
T＝{很短，较短，短，中等，长，较长，很长}
其论域划分如下：
$q=\left\{\begin{array}{c}\mathrm{0,1,2,3,4,5,6,7,8,9,10,11},\\ \mathrm{12,13,14,15,16,17,18,19,20}\end{array}\right\}$ Δq＝{-5，-4，-3，-2，-1，0，1，2，3，4，5}
T＝{0，1，2，3，4，5，6，7，8}
实际上，预估总流量q、流量变化量Δq、周期T的真实值应该是q∈[qmin，qmax]， Δq∈[-20，+20]，T∈[40，150].量化因子K1，K2与比例因子K3的值分别为：
$K_1=\frac{q_{\max }-q_{\min }}{20},$ $K_2=\frac{20-(-20)}{5-(-5)}=4,$ $K_3=\frac{150-40}{8-0}=13.75.$
经反复试验，将输入、输出变量各个模糊子集的隶属函数都选取三角形函数如图4示。
2.模糊规则、推理及反模糊化
根据预估总流量q、流量变化量Δq经过模糊化后的模糊集，我们采用if x is A and y is B then z is C形式的模糊推理规则来进行推理，得到合成的模糊关系R，从而 得到模糊规则库.然后，用实际的预估流量q、流量变化量Δq值输入到控制器去查模糊规 则表，得到周期T的模糊子集，按加权平均进行反模糊化，得到相应的精确量T*：
$T^{*}=\frac{\underset{j=1}{\overset{9}{\Sigma }}\mu \left(T_j\right)*T_j}{\underset{j=1}{\overset{9}{\Sigma }}\mu \left(T_j\right)}---\left(1\right)$
T*的值还不能直接拿过来用，需要通过比例因子转换才能够应用到后面的优化控制中 去，实际上T值为：
T＝40+K3*T*    (2)
3.计算最优绿信比
对“路口组”以车辆平均延误最小为目标建立优化模型，选取“路口组”的绿信比为 变量。为了简化问题，以g3、g4、g5为自变量，(其中， $g_1=1-\underset{m=2}{\overset{5}{\Sigma }}{g}_m,$ g2为已知)将四变 量求极小值问题简化为三变量求极小值问题，“路口组”平均车辆延误的表达式(3)可表 示为：
d(t)＝P(g3，g4，g5)(3)
则目标函数和约束条件为：
min d(t)＝P(g3，g4，g5)
$s.t.\left\{\begin{array}{c}\frac{10s}{T}\le g_3\le \frac{T-t_2-30s}{T}\\ \frac{10s}{T}\le g_4\le \frac{T-t_2-30s}{T}\\ \frac{10s}{T}\le g_5\le \frac{T-t_2-30s}{T}\end{array}\right\}---\left(4\right)$
(4)式是求极小值问题，采用遗传算法进行优化需要转换成极大值问题，因而存在目标 函数向适应度函数映射问题，取如下转换：
f＝c-αd(t)(5)
其中，f为适应度函数，c为使f取正数的一个常数，α为转换系数，其值随着目标值 的趋近而逐渐增大。
经过式(5)的转换，求目标函数极小值问题转化为求适应度函数f极大值问题，采用 遗传算法优化得到最优控制参数(算法框图见图3)。
4.遗传算法优化步骤：
遗传算法采用实数编码，用串[c1，b1，a1]表示一条染色体，[a1]，[b1]，[c1]分别表示相位1、 相位2、相位3的配时时间t1、t2、t3，并且在生成初始种群和经交叉、变异算子生成新的 部分种群时必须考虑满足目标函数的约束条件。
采用遗传算法对该问题寻优的算法如下：
1)初始化，设定周期值，本周期和上一个周期的车辆数量，种群数目、染色体长度、 迭代总代数，复制、交叉、变异的概率；
2)根据最近两周期的数据，用预估值和变化量模糊推理下一个周期值。采用实数编码 方法，随机产生预定种群数目的染色体；
3)按照预定的交叉率在候选解群体中随机抽取数对候选解进行交叉操作；
4)按照预定的杂交、变异率抽取候选解进行交叉、变异操作；
5)计算每个候选解的目标函数值，根据所选的淘汰率淘汰候选解中目标函数值最差 者，所缺位置从目标函数较好的解中产生。
6)判断是否到预定迭代次数，如果是则继续下一步，否则转(3)。
7)按最优适应值计算各相位配时；
8)预估下一周期车流量，转2)进入下一周期循环。
本发明的有益效果是：对城市交通微观控制提出了一个新的思路，对减轻目前城市交 通的压力具有实际意义。单交叉路口是城市交通控制的最小基本单元，通过本方法可以改 进局部交通单元和主干路的交通流，提高整条主干路的通行能力，减少主干路上车辆的停 车次数，有效避免主干路的拥堵，为现代城市交通控制提供良好的服务功能。
附图说明
图1为本发明的“路口组”示意图；
图2为本发明的模糊推理周期的示意框图；
图3为本发明的“路口组”交通流优化控制图；
图4为实际“路口组”的划分图；
图5为“路口组”相位划分示意图。
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和过程，但本 发明的保护范围不限于下述的实施例。
一种基于“路口组”的交通流优化控制方法，如图1、图2、图3、图4、图5所示， 它的步骤为：
(1)利用城市已经铺设好的地面感应线圈实时采集城市道路上路口组的实际交通车流 量；
(2)用智能方法建立优化控制模型，根据实时交通信息推理和优化控制器的参数；其 方法为：利用路口组未来的总车流量对下一个信号控制周期T的大小具有直接的影响，如果 路口组未来的总车流量大，则要求周期尽量的长，如果路口组未来的总车流量小，则对周 期的长度要求则相反；用预估的总车流量和近两个周期的车流变化量来模糊推理下一个周 期的T值；同时，建立以车辆平均延误最小为目标的优化模型，采用遗传算法优化得到路 口组的最优控制参数；
(3)控制器根据控制模型进行优化信号灯控制交通流。
所述步骤(1)中，所述的路口组是指以城市主干路中相邻的距离小于800m且具有相 关性的二到三个交叉路口作为主干路交通流控制的一个节点单元；路口组的内部距离即最 左边的路口到最右边路口的距离不超过1600m，从而将城市的一条主干路作为多个节点单元 的集合。
所述步骤(2)中，模糊推理下一个周期的T值的过程为，通过预估总流量q、流量变 化量Δq，在规则库指导下依次进行模糊化、模糊推理、清晰化，进而得到控制周期T；其 具体步骤为：
a模糊化
将预估总流量q、流量变化量Δq、信号控制周期T分别划分为七个模糊子集如下：
q＝{很少，较少，少，中等，多，较多，很多}
Δq＝{负大，负中，负小，零，正小，正中，正大}
T＝{很短，较短，短，中等，长，较长，很长}
其论域划分如下：
$q=\left\{\begin{array}{c}\mathrm{0,1,2,3,4,5,6,7,8,9,10,11},\\ \mathrm{12,13,14,15,16,17,18,19,20}\end{array}\right\}$ Δq＝{-5，-4，-3，-2，-1，0，1，2，3，4，5}
T＝{0，1，2，3，4，5，6，7，8}
实际上，预估总流量q、流量变化量Δq、周期T的真实值应该是q∈[qmin，qmax]， Δq∈[-20，+20]，T∈[40，150].量化因子K1，K2与比例因子K3的值分别为：
$K_1=\frac{q_{\max }-q_{\min }}{20},$ $K_2=\frac{20-(-20)}{5-(-5)}=4,$ $K_3=\frac{150-40}{8-0}=13.75.$
输入、输出变量各个模糊子集的隶属函数都选取三角形函数；
b模糊推理及清晰化
根据预估总流量q、流量变化量Δq经过模糊化后的模糊集，采用if x is A and y is B then zis C  形式的模糊推理规则来进行推理，得到合成的模糊关系R，从而得到模 糊规则库；然后，用实际的预估流量q、流量变化量Δq值输入到控制器去查模糊规则表， 得到周期T的模糊子集，按加权平均进行反模糊化，得到相应的精确量T*：
$T^{*}=\frac{\underset{j=1}{\overset{9}{\Sigma }}\mu \left(T_j\right)*T_j}{\underset{j=1}{\overset{9}{\Sigma }}\mu \left(T_j\right)}$
T*的值还不能直接拿过来用，需要通过比例因子转换才能够应用到后面的优化控制中 去，实际上T值为：
T＝40+K3*T*。
所述步骤(3)中，优化信号灯控制交通流过程为，从某一刻开始，记录每一个控制周 期中车流经过路口组的数量，从第三个周期开始计算前两个周期车流量的变化值，把当前 的车流量和前两个周期的车流变化量作为控制器的输入；
把采集来的车流量输入到模糊推理的智能模型中，获得下个周期的数值，采用遗传算 法优化以车辆平均延最小为目标的函数，得到最优绿信比，根据此绿信比把周期分配下去 来实现控制。
计算最优绿信比方法为，对路口组以车辆平均延误最小为目标建立优化模型，选取“路 口组”的绿信比为变量；为了简化问题，以g3、g4、g5为自变量，(其中， $g_1=1-\underset{m=2}{\overset{5}{\Sigma }}{g}_m,$ g2 为已知)将四变量求极小值问题简化为三变量求极小值问题，“路口组”平均车辆延误的表 达式(3)可表示为：
d(t)＝P(g3，g4，g5)(3)
则目标函数和约束条件为：
min d(t)＝P(g3，g4，g5)
$s.t.\left\{\begin{array}{c}\frac{10s}{T}\le g_3\le \frac{T-t_2-30s}{T}\\ \frac{10s}{T}\le g_4\le \frac{T-t_2-30s}{T}\\ \frac{10s}{T}\le g_5\le \frac{T-t_2-30s}{T}\end{array}\right\}---\left(4\right)$
(4)式是求极小值问题，采用遗传算法进行优化需要转换成极大值问题，因而存在目标 函数向适应度函数映射问题，取如下转换：
f＝c-αd(t)    (5)
其中，f为适应度函数，c为使f取正数的一个常数，α为转换系数，其值随着目标值 的趋近而逐渐增大；
经过式(5)的转换，求目标函数极小值问题转化为求适应度函数f极大值问题，采用 遗传算法优化得到最优控制参数；
遗传算法优化步骤：
遗传算法采用实数编码，用串[c1，b1，a1]表示一条染色体，[a1]，[b1]，[c1]分别表示相位1、 相位2、相位3的配时时间t1、t2、t3，并且在生成初始种群和经交叉、变异算子生成新的 部分种群时必须考虑满足目标函数的约束条件。
所述遗传算法对该问题寻优的算法如下：
1)初始化，设定周期值，本周期和上一个周期的车辆数量，种群数目、染色体长度、 迭代总代数，复制、交叉、变异的概率；
2)根据最近两周期的数据，用预估值和变化量模糊推理下一个周期值；采用实数编码 方法，随机产生预定种群数目的染色体；
3)按照预定的交叉率在候选解群体中随机抽取数对候选解进行交叉操作；
4)按照预定的杂交、变异率抽取候选解进行交叉、变异操作；
5)计算每个候选解的目标函数值，根据所选的淘汰率淘汰候选解中目标函数值最差 者，所缺位置从目标函数较好的解中产生；
6)判断是否到预定迭代次数，如果是则继续下一步，否则转(3)；
7)按最优适应值计算各相位配时；
8)预估下一周期车流量，转(2)进入下一周期循环。
实施例1：
本实施例，选取济南市的经十路作为研究对象，把青年东路，千佛山路，和历山路与经 十路交叉的三个路口划分为“路口组”进行实施控制。济南市经十路的第二个“路口组”包 括历山路口、千佛山路口和舜耕路口，两两路口之间的距离分别为700m和400m，符合“路 口组”的条件，如图4所示。
该“路口组”的交通流模型如图1所示，它包含三个单交叉路口，分别用C1，C2，C3 来表示，“路口组”内每个单交叉路口有东、南、西、北四个方向，每个方向均存在右行、 直行、左行三条车道车流，其中，东西方向为主干路方向。每条车道有两个感应线圈，一 个线圈埋设在停车线处，叫做停车线感应线圈，另一个埋设在距离停车线线圈100～160M 处，叫做上游感应线圈。停车线感应线圈用来检测离开该区域的车流量，上游感应线圈用 来测量进入两线圈之间区域的车流量，通过检测到的车流信息，为交通流的控制提供必要 的数据。
“路口组”的相位划分与单个交叉路口是有所区别的，含有三个交叉路口的“路口组” 的相位划分如图5所示。图中给出五个相位，第一、三、四、五相位的划分与单交叉路口 的四相位是完全一样的，分别表示主干路的东西直行相和东西左行相，支路方向的南北直 行相和南北左行相。第二相位是由于“路口组”具有的特点而划分出来的，表示直行左行 相，车流的情况是在第①号路口由东向西直行和由东向南左行及在第③号路口由西向东直 行和由西向北左行，而在第②号路口交通流不受此影响。正如我们希望单交叉路口的车辆 在绿灯结束后能够完全通过路口一样，也希望“路口组”在东西直行方向上的绿灯结束时， 进入“路口组”的车辆能够无延误地通过整个“路口组”，即保证出口处的绿灯亮至车辆基 本放行完毕，这段时间就是第二相位。
第②交叉路口是一个普通的单交叉路口，它有四个相位分别是东西直行相，东西左转 相，南北直行相和南北左行相。
本实施例的具体步骤如下：
①从某一刻开始，记录每一个控制周期中每一个相位时间内车流经过“路口组”的数 量，把所有相位时间内通过的车流数量加起来就得到整个周期内通过“路口组”的车流数 量，从第三个周期开始计算前两个周期车流量的变化值，把当前的车流量和前两个周期的 车流变化量作为控制器的输入。
②把采集来的车流量输入到模糊推理的智能模型中，获得下个周期的数值，采用遗传 算法优化以车辆平均延最小为目标的函数，得到最优绿信比，根据此绿信比把周期分配下 去来实现控制。
整个控制实验在三个路口分别控制和“路口组”控制分别进行了十个周期，得到的结 果如表1和表2所示。
通过对两个表数据的比较，很容易发现，在支路方向两种情况下的交通量变化不大， 几乎是一样的；在主干路方向的两种情况下的交通量则有差别，三个路口作为“路口组” 进行信号灯优化控制时的交通量比三个路口信号灯相互独立控制时的交通量提高了约 6.90％。这说明了，把三个路口作为一个“路口组”进行优化信号灯控制交通流，将会改善 主干路方向的交通状况，有助于主干路方向车流的疏导和流通，而对支路方向的车流量影 响不是很大。
表1以所有交叉路口为节点时的交通量

表2以“路口组”为节点时的交通量

实施例2
本实施例，选取济南市的经十路作为研究对象，把整条经十路划分为多个“路口组”进 行实施控制，其划分方法为5个“路口组”，即山师东路路口至山大路路口、舜耕路口至历山 路路口、纬一路路口至民生大街路口、纬十二路口至纬五路路口和南辛庄路口至经七路路口 (图4表示第二个“路口组”)。
从经十路的东端入口处添加测试车，在上述两种情况下分别出发10次，得到表3、表 4的停车次数结果。
通过对表3和表4数据的比较，可以明显看到，在第一种情况下10次出发平均停车次 数为3.9次，第二种情况下平均停车次数为3.1次，第二种情况比第一种情况平均停车次 数减少了0.8次。这说明以“路口组”作为主干路的节点单元不仅提高了干路方向的交通 量而且在一定程度上加宽了绿波带，使车辆的运行更加畅通。
表3以所有交叉路口为节点时的停车次数

表4以“路口组”为节点时的停车次数