[发明专利]一种动态平衡城市多子区交通负荷的迭代学习边界控制方法

权利要求书

1.一种动态平衡城市多子区交通负荷的迭代学习边界控制方法，其特征在于：包括以下步骤，

S100：选取待研究的城市路网区域，采集路网数据并进行分析；

S200：在选定城市路网内部划分交通子区，根据搜集到的路网数据建立每个控制子区的宏观基本图；

S300：分析车流量出入子区边界情况，建立子区交通流模型；

S400：对各个子区实行边界控制，根据城市交通流重复性特性构建迭代学习控制模型，得到迭代控制方案并设置信号配时策略。

2.根据权利要求1所述的动态平衡城市多子区交通负荷的迭代学习边界控制方法，其特征在于：所述S100的具体步骤包括，

S101：获取待研究城市交通路网的道路拓扑结构，在各个信号交叉口的进口道和出口道位置设置数据采集器；

S102：通过设置的数据采集器和百度地图获取路网内部各个交叉口的实际交通流数据、路段长度及车道数，红路灯情况，人行横道及停车场等情况，分析得到路网的交通流特性、路径流量、平均行程时间、车道分支情况以及转向比例。

3.根据权利要求2所述的动态平衡城市多子区交通负荷的迭代学习边界控制方法，其特征在于：所述S200中划分交通子区的具体步骤包括，

S201：对路网内相邻交叉口之间的路径关联度进行计算：

其中，为相邻交叉口i与交叉口j之间的交通关联度；T为车辆在交叉口i，j间的平均行程时间，单位为min；为路段流量不均衡系数；m为来自上游交叉口的关联流向数；为到达下游交叉口的车流量总和；为上游交叉口的最大交通量，即的最大值；

S202：通过S100采集到的路网数据计算待研究的路网内部所有相邻交叉口的路径关联度，计算路网密度拉普拉斯矩阵及其特征值对应特征向量，将特征向量列为矩阵作为算法输入进行快速全局K-means聚类，选择使误差平方准则函数最小的样本点作为簇的最佳聚类中心，保存聚类结果，将一个聚类中的交叉口划分至一个子区中，通过边界调整将未被聚类的交叉口并入相邻子区，以此完成城市路网子区划分。

4.根据权利要求2所述的动态平衡城市多子区交通负荷的迭代学习边界控制方法，其特征在于：所述S200中建立各个控制子区的宏观基本图步骤包括，通过数据采集器收集单位时间间隔内各个子区累计车辆数，以及驶离路网车辆数，并且进行数据处理，去除明显存在错误的数据和冗余数据，绘制MFD散点图，根据散点数据进行曲线拟合，得到各个交通子区的宏观基本图，以及其相应的临界累计车辆数。

5.根据权利要求1所述的动态平衡城市多子区交通负荷的迭代学习边界控制方法，其特征在于：所述S300中子区交通流模型为，

其中，为第k个采样时刻子区i的内部车辆数，单位为veh；为控制周期，单位为s；为第k个采样时刻相邻子区m向子区i输入的流量，单位为veh/h；为第k个采样时刻路网边界向子区i输入的流量，单位为veh/h；为第k个采样时刻子区i向子区m输出的流量，单位为veh/h；为第k个采样时刻子区i向路网边界输出的流量，单位为veh/h；为子区i内部交通发生源或消散源产生或减少的流量，单位为veh/h。

6.根据权利要求1所述的动态平衡城市多子区交通负荷的迭代学习边界控制方法，其特征在于：所述S400的具体过程为，

S401：根据车辆数守恒原则建立路网的状态空间表达式，并将迭代学习控制引入子区交通流模型中得到迭代学习控制模型，在迭代学习控制模型中，第n次迭代时子区的状态方程为：

其中，表示系统的状态变量；表示系统的输入变量；表示系统的输出变量；为单位矩阵；为输入矩阵；为输出矩阵；为状态扰动矩阵；

系统的跟踪误差为：

其中，表示系统的期望输出；表示系统的输出扰动；

S402：对划分后的子区设置迭代学习控制率，子区与外围边界处为开闭环PD型，记作1，子区内侧边界处为P型，记作2：

其中，为第n次迭代的控制输入饱和函数；为微分学习增益；，为比例反馈学习增益；为第n次迭代时的系统跟踪误差；

S403：对迭代学习控制模型进行迭代计算，第一次迭代时采用路网子区原有的信号配时方案，从第二次迭代开始与前次采集的累计车辆数进行比较得到当前系统的输入变量，利用上面得到的迭代学习控制率，经过多次迭代学习控制后，计算出能使各个子区内的累计车辆数跟随期望输出的控制输入，从而保证受控子区处于稳定运行状态，各个子区交通负荷动态平衡于整体路网。