本發(fā)明屬于智慧交通信號(hào)控制，涉及交通管理與控制、交通仿真技術(shù)和機(jī)器學(xué)習(xí)算法，具體為一種基于多類型決策空間的網(wǎng)絡(luò)級(jí)交通信號(hào)控制分層優(yōu)化方法。

背景技術(shù)：

1、城市人口的快速增長(zhǎng)和汽車保有量的大幅提升致使道路交通擁堵已成為各大城市的主要問題之一，交通擁堵嚴(yán)重影響著社會(huì)經(jīng)濟(jì)與民生福祉。為了有效地緩解這一問題，對(duì)城市道路交叉口信號(hào)配時(shí)進(jìn)行優(yōu)化，能夠在不改變已有的交通基礎(chǔ)設(shè)施條件下，盡可能地發(fā)揮道路網(wǎng)絡(luò)通行能力，是最為經(jīng)濟(jì)可行的手段。

2、交通信號(hào)配時(shí)優(yōu)化是交通領(lǐng)域的傳統(tǒng)問題，國(guó)內(nèi)外的學(xué)者從多個(gè)方面開展了廣泛的研究。day等從飽和度入手對(duì)韋伯斯特（webster）公式和道路通行能力手冊(cè)（highwaycapacity?manual,?hcm）延誤公式進(jìn)行改進(jìn)，并將其推廣到雙環(huán)結(jié)構(gòu)。以此為基礎(chǔ)，該研究從避免相位失效的角度，識(shí)別出了某一協(xié)調(diào)控制的交叉口在一天中需要增加或縮短周期時(shí)長(zhǎng)的時(shí)段以及需要對(duì)協(xié)調(diào)相位進(jìn)行調(diào)整的時(shí)段。周浩輝等基于交通波模型的哈密頓-雅可比公式，提出并分析了用于交通網(wǎng)絡(luò)流量最優(yōu)控制的集中式和分布式求解方法，利用數(shù)值模擬對(duì)綠信比進(jìn)行優(yōu)化。陳喜群等采用深度強(qiáng)化學(xué)習(xí)的方法，以當(dāng)前相位、進(jìn)口道流量與車速作為狀態(tài)空間，綜合考慮了相位選擇和相位持續(xù)時(shí)間的離散和連續(xù)動(dòng)作，選取交叉口排隊(duì)長(zhǎng)度和車輛吞吐量作為獎(jiǎng)勵(lì)函數(shù)，基于混合近端策略對(duì)相位選擇和綠信比進(jìn)行優(yōu)化。已有研究較多地關(guān)注于單點(diǎn)、干線控制以及小范圍的區(qū)域控制，然而僅對(duì)局部進(jìn)行優(yōu)化往往會(huì)犧牲網(wǎng)絡(luò)整體的通行效率。此外，受制于問題的復(fù)雜程度，已有研究往往僅選取了信號(hào)配時(shí)方案中單一或部分構(gòu)成要素開展優(yōu)化，因而優(yōu)化效果有限。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述問題，本發(fā)明從網(wǎng)絡(luò)優(yōu)化的角度出發(fā)，提出了一種基于多類型決策空間的網(wǎng)絡(luò)級(jí)交通信號(hào)控制分層優(yōu)化方法，對(duì)包括相位結(jié)構(gòu)、相位差、周期時(shí)長(zhǎng)、綠信比在內(nèi)的構(gòu)成信號(hào)配時(shí)參數(shù)的全部要素進(jìn)行優(yōu)化，能夠提升城市網(wǎng)絡(luò)整體通行效率。在網(wǎng)絡(luò)級(jí)交通信號(hào)控制問題中，相位組合及其傳承關(guān)系是抽象的邏輯組合，交叉口間是否采取協(xié)調(diào)控制及協(xié)調(diào)控制子區(qū)間要依賴于離散型變量，而周期時(shí)長(zhǎng)、綠信比、相位差則為連續(xù)型變量。除此之外，各類型變量的優(yōu)化時(shí)目標(biāo)函數(shù)也不盡相同，部分決策變量還受到其余決策變量的限制，將這些變量不加區(qū)分的優(yōu)化是困難的，更是不合理的。

2、為此，本發(fā)明方法構(gòu)建分層優(yōu)化模型通過相位層、周期時(shí)長(zhǎng)層、綠信比層三個(gè)層級(jí)分別依次進(jìn)行求解，不同層級(jí)著眼于解決不同的問題，并通過層級(jí)交互實(shí)現(xiàn)了交通信息的傳遞與反饋。具體而言：相位層通過設(shè)計(jì)高效的相位結(jié)構(gòu)保障通行權(quán)的科學(xué)分配并對(duì)整個(gè)道路網(wǎng)絡(luò)交叉口間交通流向進(jìn)行協(xié)調(diào)優(yōu)化；在相位層確定的相位結(jié)構(gòu)和相位差的基礎(chǔ)上，周期時(shí)長(zhǎng)層獲得最佳的公共周期時(shí)長(zhǎng)，以網(wǎng)絡(luò)整體性能為目標(biāo)，從通行權(quán)周轉(zhuǎn)的角度使得周時(shí)長(zhǎng)能夠滿足通行需求又不至產(chǎn)生過大延誤；綠信比層以網(wǎng)絡(luò)整體性能為目標(biāo)，在相位層和周期時(shí)長(zhǎng)層確定的基礎(chǔ)上，更加精細(xì)化地實(shí)現(xiàn)各個(gè)相位的通行需求與通行時(shí)間的合理匹配。為實(shí)現(xiàn)了不同層級(jí)交通信號(hào)控制參數(shù)優(yōu)化的循環(huán)反饋，本發(fā)明為該三個(gè)層級(jí)設(shè)計(jì)了相應(yīng)的數(shù)據(jù)結(jié)構(gòu)并匹配了高效的優(yōu)化算法。

3、本發(fā)明的技術(shù)方案：

4、一種基于多類型決策空間的網(wǎng)絡(luò)級(jí)交通信號(hào)控制分層優(yōu)化方法，具體步驟如下：

5、步驟1，微觀交通仿真模型構(gòu)建；

6、基于微觀交通仿真軟件（如sumo、vissim等），使用收集的交通基礎(chǔ)數(shù)據(jù)，包括網(wǎng)絡(luò)道路基礎(chǔ)數(shù)據(jù)，所有交叉口的相位結(jié)構(gòu)、周期時(shí)長(zhǎng)、綠信比，所有路段交通流量數(shù)據(jù)和轉(zhuǎn)向比數(shù)據(jù)，構(gòu)建微觀交通仿真模型，并在模型的所有路段上布設(shè)流量檢測(cè)器。其中，網(wǎng)絡(luò)道路基礎(chǔ)數(shù)據(jù)包含路網(wǎng)的拓?fù)浣Y(jié)構(gòu)關(guān)系數(shù)據(jù)，提供了路網(wǎng)中路段之間的鄰接關(guān)系和連接方式信息。通過微觀交通仿真模型可以輸出網(wǎng)絡(luò)流量數(shù)據(jù)和區(qū)域車均延誤，為步驟2提供計(jì)算所需要的數(shù)據(jù)和作為步驟4優(yōu)化的目標(biāo)函數(shù)。

7、步驟2，基于相位層優(yōu)化模塊對(duì)相位層進(jìn)行優(yōu)化；

8、相位層優(yōu)化旨在設(shè)計(jì)高效的相位結(jié)構(gòu)，并從區(qū)域協(xié)調(diào)的角度出發(fā)，通過相位差的優(yōu)化實(shí)現(xiàn)交叉口的相位協(xié)調(diào)，以提升交通系統(tǒng)的運(yùn)行效率。為實(shí)現(xiàn)區(qū)域協(xié)調(diào)控制，首先基于步驟1確定的交通仿真模型識(shí)別關(guān)鍵路徑，以此為基礎(chǔ)進(jìn)行協(xié)調(diào)相位的相位差優(yōu)化。相位層優(yōu)化模塊由三部分組成：基于綠燈利用效率的相位結(jié)構(gòu)優(yōu)化，網(wǎng)絡(luò)關(guān)鍵子路徑的識(shí)別，以及交叉口協(xié)調(diào)控制的相位差優(yōu)化。

9、步驟2.1，基于綠燈利用效率的相位結(jié)構(gòu)優(yōu)化；

10、相位層優(yōu)化的第一步是為各個(gè)交叉口設(shè)計(jì)科學(xué)且高效的相位結(jié)構(gòu)。在信號(hào)交叉口，每個(gè)相位的車輛通行時(shí)間資源是有限的，因此在設(shè)計(jì)相位結(jié)構(gòu)時(shí)，應(yīng)在滿足設(shè)計(jì)規(guī)范約束的前提下，盡可能提高綠燈的利用率。首先，對(duì)研究區(qū)域內(nèi)所有交叉口進(jìn)行關(guān)鍵流向分析，以識(shí)別出對(duì)綠燈時(shí)長(zhǎng)需求最高的關(guān)鍵相位對(duì)。在完成關(guān)鍵相位對(duì)的識(shí)別后，為代表通行權(quán)傳承的關(guān)鍵相位匹配跟隨相位，所匹配的跟隨相位確保單點(diǎn)交叉口的綠燈利用率最大化。將相位結(jié)構(gòu)優(yōu)化問題視為一個(gè)優(yōu)化問題，其優(yōu)化目標(biāo)是所有交叉口的綠燈利用率，決策變量為所有可能的相位組合方案，優(yōu)化策略采用枚舉法。需要強(qiáng)調(diào)的是，本方法并不刻意要求關(guān)鍵相位與跟隨相位的流量最為接近，而是從整個(gè)交叉口的角度出發(fā)，確保所有相位組合的綠燈利用率達(dá)到最優(yōu)。

11、步驟2.2，網(wǎng)絡(luò)關(guān)鍵子路徑識(shí)別；

12、在步驟2.1所確定的關(guān)鍵相位對(duì)基礎(chǔ)上，從每對(duì)相位中選取交通流量飽和度高于0.5的相位，稱為主要流向相位。主要流向相位不僅代表了兩條交叉道路各自方向上的主要流向，也是關(guān)鍵相位對(duì)的組成部分，反映了對(duì)通行時(shí)間資源的需求，支撐關(guān)鍵子路徑的識(shí)別。此外，需根據(jù)路網(wǎng)的拓?fù)浣Y(jié)構(gòu)關(guān)系確定每個(gè)相位的上游相位。隨后，對(duì)所有主要流向相位構(gòu)成的集合進(jìn)行遍歷，并定義流量最大的上游相位為當(dāng)前相位的源相位。若當(dāng)前相位與其對(duì)應(yīng)源相位均為主要流向相位，則二者構(gòu)成一條關(guān)鍵子路徑。最終，對(duì)終點(diǎn)與起點(diǎn)重合的關(guān)鍵子路徑進(jìn)行合并，便實(shí)現(xiàn)了對(duì)關(guān)鍵子路徑的識(shí)別。關(guān)鍵子路徑識(shí)別主要步驟如下：

13、步驟2.2.1，初始數(shù)據(jù)準(zhǔn)備。首先，提取微觀交通仿真模型中的檢測(cè)器數(shù)據(jù)、研究區(qū)域內(nèi)交叉口的拓?fù)潢P(guān)系數(shù)據(jù)以及檢測(cè)器編號(hào)與交叉口編號(hào)和相位編號(hào)的對(duì)應(yīng)關(guān)系數(shù)據(jù)。隨后，將這些數(shù)據(jù)與相應(yīng)的交叉口編號(hào)和相位編號(hào)進(jìn)行鏈接。接下來，構(gòu)建所有交叉口的實(shí)例對(duì)象，并依次將提取的數(shù)據(jù)存儲(chǔ)到集合insections_set中；

14、步驟2.2.2，識(shí)別關(guān)鍵流向。遍歷insections_set中的交叉口對(duì)象，基于步驟2.1確定的關(guān)鍵相位對(duì)識(shí)別出交叉口兩方向上的主要流向相位，并將insections_set所有對(duì)象的主要流向相位記錄在main_stream_set中；

15、步驟2.2.3，構(gòu)建關(guān)鍵子路徑。首先，對(duì)所有的主要流向相位進(jìn)行遍歷，將當(dāng)前遍歷相位記為。如果的上游相位在所有上游相位（由網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)得到）中流量最大，并且，那么則為的源相位，將其記為。之后，記錄每一對(duì)及與其相對(duì)應(yīng)的源相位，即識(shí)別出了關(guān)鍵子路徑。最后，將終點(diǎn)與起點(diǎn)重合的關(guān)鍵子路徑進(jìn)行合并，并以字典形式輸出關(guān)鍵子路徑數(shù)據(jù)。

16、步驟2.3，交叉口協(xié)調(diào)控制的相位差優(yōu)化；

17、在完成步驟2.2關(guān)鍵子路徑的識(shí)別后，為了盡可能地保障關(guān)鍵子路徑上的交通流的通行效率，應(yīng)對(duì)關(guān)鍵子路徑上各交叉口的相位差進(jìn)行優(yōu)化，從而保證這些交通流能在交叉口連續(xù)地獲得通行權(quán)。具體而言，相位差優(yōu)化模型以關(guān)鍵子路徑上各相位的絕對(duì)相位差為決策變量，在滿足相位差約束的條件下，尋求最佳的相位啟亮?xí)r間。最佳的相位啟亮?xí)r間的確定依據(jù)是使關(guān)鍵子路徑上的源相位到達(dá)下一個(gè)交叉口時(shí)，該相位綠燈已經(jīng)起亮且排隊(duì)車輛已消散。相位差優(yōu)化模型表示為：

18、(1)

19、其中表示相位的啟亮?xí)r間，表示研究區(qū)域的交叉口編號(hào)，表示某一交叉口的相位編號(hào)，由二者可以唯一地表示出研究區(qū)域內(nèi)的各個(gè)相位。表示關(guān)鍵子路徑包含的相位集合，和分別代表關(guān)鍵子路徑上的某一相位與其源相位的預(yù)測(cè)綠燈啟亮?xí)r間（為相位差優(yōu)化問題的決策變量），為關(guān)鍵子路徑上的某一相位與其源相位間的預(yù)計(jì)行程時(shí)間。表示關(guān)鍵子路徑上的某一相位所對(duì)應(yīng)的預(yù)計(jì)排隊(duì)長(zhǎng)度，表示對(duì)應(yīng)的飽和流率。

20、預(yù)計(jì)行程時(shí)間和預(yù)計(jì)排隊(duì)長(zhǎng)度的計(jì)算如下所示：

21、(2)

22、(3)

23、(4)

24、其中，為路段檢測(cè)器獲取到的交叉口的相位所對(duì)應(yīng)的進(jìn)口道在研究時(shí)段內(nèi)的平均排隊(duì)長(zhǎng)度，為分析時(shí)段內(nèi)車輛的到達(dá)率。代表交叉口和之間的路徑長(zhǎng)度，代表該路徑上的平均行程速度，由速度的分布函數(shù)得到，此處認(rèn)為其分布服從正態(tài)分布，為路段的最高限速，為標(biāo)準(zhǔn)正態(tài)分布的85%分位數(shù)，為車速分布的標(biāo)準(zhǔn)差。

25、與此同時(shí)，還要對(duì)相位差進(jìn)行約束。交通信號(hào)控制在各周期內(nèi)是不斷重復(fù)的，相差周期時(shí)長(zhǎng)整數(shù)倍的相位差是等效的信號(hào)方案，為了提升求解和迭代的效率將相位差的取值限制在0與最大周期時(shí)長(zhǎng)之間：

26、(5)

27、(6)

28、其中，表示周期時(shí)長(zhǎng)的最大取值。這里需要補(bǔ)充解釋的是：進(jìn)行優(yōu)化時(shí)，存在某交叉口兩個(gè)相位屬于不同的關(guān)鍵子路徑的情況，而對(duì)于一個(gè)交叉口僅能有一個(gè)相位差值。針對(duì)這種情況，本發(fā)明選擇二者中的較小值作為交叉口相位差，并將該相位前置，相位差較大的相位后置，從而通過調(diào)整相位順序盡可能地保證相位差優(yōu)化結(jié)果的有效性。

29、支撐相位差優(yōu)化模型計(jì)算的數(shù)據(jù)是由步驟1構(gòu)建的交通仿真模型檢測(cè)器獲取得到的，這些數(shù)據(jù)及部分外生變量數(shù)據(jù)需要外部讀入。然而，每次迭代時(shí)，識(shí)別出的關(guān)鍵子路徑往往是不同的。因此，求解時(shí)需要?jiǎng)討B(tài)地根據(jù)關(guān)鍵子路徑信息建立起具體的模型?？紤]到求解的質(zhì)量與求解的速度，可選取商業(yè)求解器（如gurobi、cplex等）來求解上述相位差優(yōu)化模型。具體而言，先對(duì)關(guān)鍵子路徑字典進(jìn)行遍歷，再在商業(yè)求解器中動(dòng)態(tài)地建立決策變量，并根據(jù)該信息索引交通流數(shù)據(jù)及外生數(shù)據(jù)完善目標(biāo)函數(shù)及模型約束條件，從而建立起商業(yè)求解器可識(shí)別的數(shù)學(xué)模型。基于此調(diào)用求解器對(duì)上述相位差優(yōu)化模型進(jìn)行求解并將最優(yōu)解輸出，則完成了對(duì)相位層的優(yōu)化。

30、步驟3，基于周期時(shí)長(zhǎng)層優(yōu)化模塊對(duì)周期時(shí)長(zhǎng)進(jìn)行優(yōu)化；

31、步驟3是基于步驟2確定的相位結(jié)構(gòu)和相位差對(duì)周期時(shí)長(zhǎng)進(jìn)行優(yōu)化。周期時(shí)長(zhǎng)優(yōu)化模塊是由基于交叉口延誤的周期時(shí)長(zhǎng)優(yōu)化模型構(gòu)建、基于貝葉斯優(yōu)化的周期時(shí)長(zhǎng)求解兩部分組成。

32、步驟3.1，基于交叉口延誤的周期時(shí)長(zhǎng)優(yōu)化模型構(gòu)建；

33、信號(hào)周期時(shí)長(zhǎng)決定了交叉口車流通行權(quán)的周轉(zhuǎn)頻率，對(duì)交叉口的通行效率有很大的影響。周期時(shí)長(zhǎng)過長(zhǎng)或過短都將會(huì)給交叉口帶來巨大延誤，影響通行體驗(yàn)，因此需要選取有針對(duì)性地對(duì)周期時(shí)長(zhǎng)進(jìn)行優(yōu)化。根據(jù)hcm可知，交叉口在交通流量確定的情況下，周期時(shí)長(zhǎng)與交叉口總延誤之間存在非線性關(guān)系。本發(fā)明考慮的交叉口延誤是指交通參與者受交通控制手段及其他交通條件影響與不受阻情況下通過交叉口行程時(shí)間之差。需要注意的是，在相位層已識(shí)別出了關(guān)鍵子路徑，并通過優(yōu)化相位差的方法采取了協(xié)調(diào)控制，因此在關(guān)鍵子路徑上的交叉口應(yīng)被劃分進(jìn)同一個(gè)控制子區(qū)，并采取公共周期時(shí)長(zhǎng)。

34、具體而言，基于交叉口延誤的周期時(shí)長(zhǎng)優(yōu)化模型可以表示為：

35、(7)

36、其中，代表區(qū)域總延誤，代表研究區(qū)域的交叉口總數(shù)，代表交叉口相位數(shù)，?和?分別代表交叉口相位的車均延誤和車流量。而車均延誤是由車均均勻延誤?和車均增量延誤?組成：

37、(8)

38、車均延誤和車均增量延誤的計(jì)算公式如下所示：

39、<mstyle displaystyle="true" mathcolor="#000000"><msubsup><mi>d</mi><mi>ij</mi><mn>1</mn></msubsup><mi>=</mi><mfrac><mrow><mn>0</mn><mi>.</mi><mn>5</mn><msub><mi>c</mi><mi>i</mi></msub><msup><mrow><mo>(</mo><mrow><mn>1</mn><mi>?</mi><msub><mi>λ</mi><mi>ij</mi></msub></mrow><mo>)</mo></mrow><mn>2</mn></msup></mrow><mrow><mn>1</mn><mi>?</mi><mrow><mo>[</mo><mrow><mi>min</mi><mrow><mo>(</mo><mrow><mn>1</mn><mi>,</mi><msub><mi>x</mi><mi>ij</mi></msub></mrow><mo>)</mo></mrow><msub><mi>λ</mi><mi>ij</mi></msub></mrow><mo>]</mo></mrow></mrow></mfrac></mstyle>(9)

40、(10)

41、其中，?代表交叉口的周期時(shí)長(zhǎng)，和分別表示交叉口相位的綠信比和飽和度，代表研究時(shí)段長(zhǎng)（h），代表感應(yīng)控制的調(diào)整系數(shù)，代表上游信號(hào)的控制篩選調(diào)整系數(shù)，為交叉口相位的通行能力。為了保證以交叉口周期時(shí)長(zhǎng)為唯一決策變量，需要將綠信比和飽和度代換為以周期時(shí)長(zhǎng)為變量的函數(shù)，具體如下所示：

42、(11)

43、(12)

44、其中，表示交叉口相位的飽和流率，代表交叉口關(guān)鍵相位的集合，為每周期的損失時(shí)間（s）。此外，在對(duì)周期時(shí)長(zhǎng)進(jìn)行優(yōu)化時(shí)也需要滿足下列約束條件：

45、(13)

46、(14)

47、其中，和?分別代表最小周期時(shí)長(zhǎng)與最大周期時(shí)長(zhǎng)，代表交叉口所有車流的加權(quán)平均延誤，代表交叉口可接受的最大延誤。上述約束即為交叉口周期時(shí)長(zhǎng)這一決策變量設(shè)置其取值上下界線，使其取值保證在合理范圍內(nèi)。同時(shí)，由于控制子區(qū)要采取公共的周期時(shí)長(zhǎng)，因此要保證所有交叉口的延誤在可接受范圍內(nèi)，避免出現(xiàn)過度犧牲單點(diǎn)交叉口通行效率的現(xiàn)象，從而保障出行體驗(yàn)。

48、步驟3.2，基于貝葉斯優(yōu)化的周期時(shí)長(zhǎng)求解；

49、使用貝葉斯優(yōu)化對(duì)步驟3.1構(gòu)建的周期時(shí)長(zhǎng)優(yōu)化模型進(jìn)行求解。在進(jìn)行貝葉斯優(yōu)化時(shí)，需要讀取步驟2確定的交通流量數(shù)據(jù)和關(guān)鍵相位數(shù)據(jù)以支持延誤的計(jì)算，同時(shí)讀取控制子區(qū)的信息實(shí)現(xiàn)公共周期時(shí)長(zhǎng)的約束以保證相位差優(yōu)化的效果。貝葉斯優(yōu)化算法是以控制子區(qū)的公共周期時(shí)長(zhǎng)作為優(yōu)化變量，根據(jù)控制子區(qū)的信息將其映射為各個(gè)交叉口的周期時(shí)長(zhǎng)，從而實(shí)現(xiàn)不斷迭代優(yōu)化。具體步驟為：

50、步驟3.2.1，獲取初始訓(xùn)練集。根據(jù)周期時(shí)長(zhǎng)取值范圍及限制條件基于拉丁超立方抽樣方法隨機(jī)生成得到初始取樣點(diǎn)，并將初始取樣點(diǎn)輸入至步驟3.1構(gòu)建的周期時(shí)長(zhǎng)優(yōu)化模型獲得相應(yīng)的區(qū)域總延誤時(shí)間。最后將初始取樣點(diǎn)和區(qū)域總延誤時(shí)間數(shù)據(jù)整合至初始訓(xùn)練集中，并初始化訓(xùn)練集；

51、步驟3.2.2，基于訓(xùn)練集使用貝葉斯優(yōu)化算法中的高斯過程來擬合步驟3.1構(gòu)建的周期時(shí)長(zhǎng)優(yōu)化模型的目標(biāo)函數(shù)，獲得區(qū)域總延誤時(shí)間的均值和方差；

52、步驟3.2.3，最大化貝葉斯優(yōu)化算法中的采集函數(shù)獲取下一取樣點(diǎn)?；诓襟E3.2.2獲得的均值和方差構(gòu)建采集函數(shù)（可以是期望改進(jìn)函數(shù)、概率改進(jìn)函數(shù)、知識(shí)梯度函數(shù)或者置信上界函數(shù)），并采用隨機(jī)取樣的方法確定候選點(diǎn)，選取最大化采集函數(shù)的候選點(diǎn)作為下一取樣點(diǎn)；

53、步驟3.2.4，將步驟3.2.3確定的下一取樣點(diǎn)輸入至步驟3.1構(gòu)建的周期時(shí)長(zhǎng)優(yōu)化模型獲得相應(yīng)的區(qū)域總延誤時(shí)間；

54、步驟3.2.5，判斷是否達(dá)到貝葉斯優(yōu)化算法中設(shè)定的最大迭代次數(shù)。如果未達(dá)到最大迭代次數(shù)，則使用和更新訓(xùn)練集，并返回至步驟3.2.2繼續(xù)迭代；如果達(dá)到最大迭代次數(shù)，則直接輸出最優(yōu)的周期時(shí)長(zhǎng)。其中的最大迭代次數(shù)是由使用者自行設(shè)定。

55、步驟4，基于綠信比層優(yōu)化模塊對(duì)綠信比進(jìn)行優(yōu)化；

56、綠信比層優(yōu)化的目標(biāo)是在相位結(jié)構(gòu)和周期時(shí)長(zhǎng)確定的條件下以網(wǎng)絡(luò)整體性能為目標(biāo)實(shí)現(xiàn)各相位的通行需求與通行時(shí)間的合理匹配，避免對(duì)有限的通行時(shí)間資源造成浪費(fèi)。在對(duì)綠信比進(jìn)行優(yōu)化時(shí)受到步驟1相位層和步驟2周期時(shí)長(zhǎng)層的限制：即在信號(hào)周期時(shí)長(zhǎng)和交叉口相位結(jié)構(gòu)已經(jīng)確定的條件下以區(qū)域車均延誤為目標(biāo)函數(shù)對(duì)所有相位的綠信比進(jìn)行優(yōu)化。綠信比層優(yōu)化首先是使用步驟2確定的相位結(jié)構(gòu)和相位差、步驟3確定的周期時(shí)長(zhǎng)更新步驟1確定的微觀交通仿真模型。之后，基于更新的微觀交通仿真模型使用貝葉斯優(yōu)化對(duì)綠信比進(jìn)行優(yōu)化求解，最終獲得所有相位的綠信比。使用貝葉斯優(yōu)化求解綠信比的具體步驟如下：

57、步驟4.1，獲取初始訓(xùn)練集。初始訓(xùn)練集的交叉口綠燈時(shí)長(zhǎng)是根據(jù)各交叉口的最小綠燈時(shí)長(zhǎng)和周期時(shí)長(zhǎng)約束條件限制基于拉丁超立方體取樣方法隨機(jī)生成，將生成的綠信比輸入至使用步驟2確定的相位結(jié)構(gòu)和相位差、步驟3確定的周期時(shí)長(zhǎng)更新后的步驟1中的微觀交通仿真模型獲得相應(yīng)的區(qū)域總延誤時(shí)間。整合交叉口綠燈時(shí)長(zhǎng)和相應(yīng)的區(qū)域車均延誤至初始訓(xùn)練集中；

58、步驟4.2，將初始訓(xùn)練集作為訓(xùn)練集輸入至貝葉斯優(yōu)化算法，對(duì)貝葉斯優(yōu)化中的高斯過程模型進(jìn)行訓(xùn)練，以擬合目標(biāo)函數(shù)；

59、步驟4.3，基于訓(xùn)練好的高斯過程模型，構(gòu)建采樣函數(shù)（可以是期望改進(jìn)函數(shù)、概率改進(jìn)函數(shù)、知識(shí)梯度函數(shù)或者置信上界函數(shù)），通過最大化采樣函數(shù)獲得下一采樣點(diǎn)；

60、步驟4.4，獲取下一采樣點(diǎn)所對(duì)應(yīng)的目標(biāo)函數(shù)。如果滿足步驟3獲得的周期時(shí)長(zhǎng)約束，則將下一采樣點(diǎn)應(yīng)用于更新后的微觀交通仿真模型，計(jì)算出其相對(duì)應(yīng)的目標(biāo)函數(shù)。如果不滿足，則將懲罰函數(shù)值作為目標(biāo)函數(shù)值，其中懲罰函數(shù)值由使用者自行確定，唯一標(biāo)準(zhǔn)是使獲得的懲罰函數(shù)值要大于初始訓(xùn)練集中區(qū)域車均延誤的最大值；

61、步驟4.5，判斷是否滿足貝葉斯優(yōu)化算法中設(shè)定的最大迭代次數(shù)約束。如果不滿足，則本次迭代的采樣點(diǎn)與其對(duì)應(yīng)的目標(biāo)函數(shù)值都加入到訓(xùn)練集中，并返回至步驟4.2繼續(xù)迭代；如果滿足，則終止迭代，輸出使目標(biāo)函數(shù)最小的所有交叉口的綠信比。其中最大迭代次數(shù)是由使用者自行設(shè)定的。

62、步驟5，基于分層優(yōu)化模型迭代模塊實(shí)現(xiàn)循環(huán)反饋優(yōu)化；

63、上述相位層優(yōu)化模塊、周期時(shí)長(zhǎng)層優(yōu)化模塊和綠信比層優(yōu)化模塊中任一模塊發(fā)生改變都將導(dǎo)致交通流的再分布，本發(fā)明依次重復(fù)步驟2、步驟3和步驟4，以獲得全局最優(yōu)的信號(hào)配時(shí)方案（相位結(jié)構(gòu)、相位差、周期時(shí)長(zhǎng)和綠信比）。不同模塊間的信息交互與循環(huán)反饋機(jī)制具體如下：

64、步驟2的相位層優(yōu)化模塊以步驟4更新后的微觀交通仿真模型中交通系統(tǒng)的各項(xiàng)指標(biāo)作為輸入，具體包括：各路段流量、各路段排隊(duì)長(zhǎng)度、路段平均行程速度。此外還需要外部輸入：路段檢測(cè)器映射關(guān)系、路網(wǎng)拓?fù)浣Y(jié)構(gòu)，交叉口間距信息。相位層優(yōu)化模塊還要向下層模塊（步驟3中的周期時(shí)長(zhǎng)層優(yōu)化模塊和步驟4中的綠信比層優(yōu)化模塊）傳遞相位結(jié)構(gòu)、相位差等信息從而支撐微觀交通仿真模型的更新以及以周期時(shí)長(zhǎng)為自變量的延誤計(jì)算。此外，相位層優(yōu)化模塊還要向步驟3中的周期時(shí)長(zhǎng)層優(yōu)化模塊傳遞控制子區(qū)集合，作為交叉口公共周期時(shí)長(zhǎng)的約束條件。

65、步驟3的周期時(shí)長(zhǎng)層優(yōu)化模塊根據(jù)步驟2的相位層優(yōu)化模塊傳遞的控制子區(qū)信息以及外部輸入的車道飽和流率和分析時(shí)段長(zhǎng)，對(duì)周期時(shí)長(zhǎng)進(jìn)行優(yōu)化，并將優(yōu)化所得結(jié)果傳遞給步驟4中的綠信比層優(yōu)化模塊作為周期時(shí)長(zhǎng)約束。

66、步驟4的綠信比層優(yōu)化模塊根據(jù)（步驟2的相位層優(yōu)化模塊和步驟3的周期時(shí)長(zhǎng)層優(yōu)化模塊）傳遞的信息（相位結(jié)構(gòu)、相位差、周期時(shí)長(zhǎng)等）更新微觀交通仿真模型，并以各交叉口的周期時(shí)長(zhǎng)作為約束條件求解綠信比優(yōu)化問題。同時(shí)，設(shè)置檢測(cè)器獲取最優(yōu)解下的道路網(wǎng)絡(luò)的交通數(shù)據(jù)傳遞給步驟2的相位層優(yōu)化模塊，從而支持下一次迭代。

67、如此，本發(fā)明實(shí)現(xiàn)了三個(gè)層級(jí)模塊之間的交互和反饋，如圖1所示。當(dāng)綠信比層優(yōu)化模塊完成后，視為三層優(yōu)化模型迭代成功一次，將當(dāng)前信號(hào)配時(shí)方案作為下一次分層優(yōu)化的初始方案，從而實(shí)現(xiàn)了循環(huán)反饋機(jī)制。按照上述方法完成信息傳遞和迭代優(yōu)化，最終可以獲得全網(wǎng)絡(luò)所有交叉口的信號(hào)配時(shí)方案。

68、本發(fā)明的有益效果：

69、本發(fā)明通過構(gòu)建分層優(yōu)化模型，采用相位層、周期時(shí)長(zhǎng)層和綠信比層三個(gè)層級(jí)的逐層求解策略，有效地將復(fù)雜的交通信號(hào)控制問題分解為多個(gè)聚焦性更強(qiáng)的子問題。每個(gè)層級(jí)針對(duì)特定的優(yōu)化目標(biāo)，相位層專注于交通信號(hào)的相位配置，周期時(shí)長(zhǎng)層則優(yōu)化信號(hào)周期，而綠信比層關(guān)注于不同交通流量下的綠信比調(diào)節(jié)，從而顯著降低了整體計(jì)算復(fù)雜性并提升了求解效率。此外，通過層級(jí)之間的交互機(jī)制，可有效實(shí)現(xiàn)交通信息的傳遞與反饋。這一交互不僅強(qiáng)化了不同層級(jí)之間的相互影響，促使優(yōu)化方案根據(jù)實(shí)時(shí)交通狀況進(jìn)行動(dòng)態(tài)調(diào)整，還能夠在信息變化時(shí)迅速作出反應(yīng)，確保系統(tǒng)的自適應(yīng)能力?？梢姡景l(fā)明不僅可提升交通信號(hào)控制的優(yōu)化效率，降低交通擁堵，還能增強(qiáng)系統(tǒng)的靈活性和適應(yīng)性，進(jìn)而改善交通管理的整體效果。