[发明专利]基于迭代学习模型预测控制的交通信号灯调度方法与系统

权利要求书

1.一种基于迭代学习模型预测控制的交通信号灯调度方法，其特征在于，所述方法包括以下步骤：

步骤1、建立目标区域的交通流仿真模型；

步骤2、根据控制策略获得一个固定时间区间的闭环数据；

步骤3、将所获得的闭环数据作为后续的开环优化问题的终端条件进行预测控制；

所述步骤1包括：

步骤1.1、建立绿灯时间约束，在每个交叉路口j，所有相位的绿灯时间必须满足下面约束：

其中，是所述交叉路口j的一组相位集，u_j是所述交叉路口j的所有相位的绿灯时长，t表示采样时刻，l表示迭代学习的次数，L_j表示所述交叉路口j的总损失时间，G表示周期时长，和是相位时长的最小和最大边界；

步骤1.2、设表示一组实数、非负实数、整数和非负整数，表示集合基于车辆守恒定律，路段传输模型，所有路段的交通流动态方程为：

其中，l表示迭代学习的次数，t表示采样时刻，分别表示在采样时刻上整个区域内所有车道组上的车辆数量、输出、相位时长以及干扰(包括路段上停车场出入口的车辆进出)，维度n表示路段数乘以2，m表示交叉路口数乘以相位数，是有适当维度的随时间变化的矩阵，包括饱和流率和转向比信息；是输出参数矩阵，是第l次迭代车辆数量的增量；

对所有

‖B(t,l)‖≤β_B,‖d(t,l)‖≤β_d,‖x(0,l)‖≤β_x0

其中，T为每次迭代的数据采样时刻区间，界限β_B≥0,β_d≥0和β_x0≥0是有限的；

对所有

其中，B(t)是最优交通流模式；

在第l个迭代收集时间区间[0,T]内的闭环状态和相位时间并生成以下列向量：

x(l)＝[x(t₀,l),x(t_o+1,l),…,x(t_o+T,l),…], (4)

u(l)＝[u(t₀,l),x(t₀+1,l),…,u(t₀+T,l),…]. (5)

假设从任意可行的初始状态和输入轨迹x(l)和u(l)开始；

定义为优化二次代价函数，最优控制的目标是最大限度地减少交通网络中每个路段上的车辆总数。

2.如权利要求1所述的基于迭代学习模型预测控制的交通信号灯调度方法，其特征在于，引入超越性最优或平均最优的概念：

定义1：使得x∈S,假设一个控制序列u有对应状态轨迹x,则(x_e,u_e)被称为超越性最优，如果：

其中，x(t,l)＝x_e(t)，μ表示任意可行的满足约束的控制律；

由定义1，如果一条数据序列(x,u)对应二次代价函数之和的下极限被任何其他轨迹的成本所超越，则此序列是最优的；如果最优值有限，则超越性最优被认为和通常最优的定义一致；同样地，对于闭环轨迹，如果一条数据序列(x,u)对应二次代价函数之和的下极限被任何其他轨迹的成本所超越，则此序列是最优的；如果最优值有限，则超越性最优被认为和通常最优的定义一致；

定义2：使得x∈S,假设一个有对应状态轨迹x的控制序列u,则称所述方法是在(x_e,u_e)上的最优运行，如果：

其中，μ表示任意可行的满足约束的控制律；

所述定义1和所述定义2中唯一的不同在于，在所述定义2中，初始状态可以给定一个不同的值。

3.如权利要求2所述的基于迭代学习模型预测控制的交通信号灯调度方法，其特征在于，将模型预测控制与迭代学习控制相结合解决下列开环最优控制问题：

满足约束(1),(2)，k＝0,1,…,N-1,

在第l次迭代的每个采样时刻，选择一个N＝N^*(t)，使得上述优化问题对特定的可行，其中，s.t.代表满足如下条件，是优化问题(6)解的输出u^l的元素。