应急事件下面向社区出行的交叉口控制策略

刘博华 杨文超

（1.北方工业大学城市道路交通智能控制技术北京市重点实验室，北京 100043；2.北京市公安局公安交通管理局，北京 100043）

灾害引起的应急状态下，部分区域和路段的交通需求量比非应急状态下大，诱导交通量大，由此，引发的交通需求远超过正常交通需求。

缓解交通延误是确保应急情况下人员安全的关键，国内外学者针对此内容开展了各种研究。目前，大部分研究学者从车路协同和算法层面上对交叉口进行优化，如姚志洪等[1]建立了自适应信号配时优化模型，从车路协同的角度出发研究交叉口延误的消散性，着重从控制端进行交叉口的控制。高万晨等[2]利用Synchro软件对信号周期进行研究，发现在渠化路径和流量不变的情况下，随着分配的信号周期增加，延误和通行能力也会增加；还研究了在通行能力和信号周期不变时，渠化路径的不同对延误和通行能力的影响，趋化路径和信号周期不变时，不同流量会影响通行能力，增加延误。陈岳明等[3]在应急状态下对路口的疏散进行建模和算法研究，主要对疏散路线和疏散路口的路网分配的问题进行了研究，以疏散时间最小化为目标进行建模和分析，通过在疏散中引入反馈的思想，利用实时的路网状态信息对控制策略进行更新和调整。

郑霞忠等[4]对交叉口的人流进行了研究，结合人群聚散的特点，通过建立疏散人群分流模型进行研究得出结论，相比最短路径人群的疏散，在交叉口进行引导疏散效率会更高。陈星[5]在突发事件下，通过对机动车辆的疏散进行研究，提出了面向大规模区域疏散实时交通控制的建模，通过整合预测的交通流模型和实时自适应控制策略的模型，可提高区域疏散的性能。滕文[6]通过数据系统得到车辆数据进行交叉口的控制，对韦伯斯特配时法进行优化，模拟某个时段交叉口的车辆通行。

多数学者的研究均在已有的数据通过对信号配时和算法优化，缩短延误和缓解路口的压力。随着硬件的提升，各种传感器和数据比原有的现状更加丰富，控制效果会更加精准，但对建立智能化的交通控制决策较为重要。本文针对问题和研究现状，提出了基于数据融合的交通管控策略和基于多传感器的交通控制策略。

1 研究对象

本文以石景山区滨河社区周边路网为研究对象，通过对社区路网进行VISUM仿真试验，对路口进行网格化，更加清晰明确路网的结构和分布，对区域内的交叉口群进行划分和组合。结合实际路况和仿真路网的数据分析得出最优化的交通管控和交通控制策略，实际和理论相结合的研究可得到优化的策略。

本文选择VISUM仿真分析，以实际路口为验证，得出控制策略的优化部分。社区路网如图1所示。

图1 社区路网图

在交叉口通过对交通信号配时方案的相位数、相位顺序、各相位绿灯时间等进行控制，对交通的延误情况进行调控。交通信号控制的相位、相序，一般采用离线优化控制方案的优化结果，并遵循相应原则，信号相位对应左右转弯交通量及其专用车道的布置[7]。

常见相位配置如图2所示。

图2 相位图

2 多数据融合交通管控策略

多数据融合的交通管控制采用分级控制的控制思想，采用多种数据融合的思想在社区出行的起始段进行交通管控。在多融合数据下进行分级：最高优先级的分类是应急车辆如消防、公安、医疗；第二优先级容易对交通产生阻碍的车辆如货车、大型客车；第三优先级是普通的车辆。

第一，通过在智能交管平台上得到的人车出行数据进行分级；第二，根据从级别的高低依次对其进行交通管控和放行；第三，实时采集交通流量信息并及时修改策略；第四，增加反馈机制平衡道路的资源配比。

数据融合结构如图3所示。

图3 数据融合结构图

目前数据采集的主要分为主动采集和被动采集。被动采集是传统的人力进行采集，耗时慢、效率低、灵活性差；主动采集借助于视频、红外、励磁等传感器技术进行数据的采集。

交通管控对于数据的获取较为重要，数据的正确和及时与否，对管控的策略起到指导性作用。基于此，提出多源数据融合的管控策略：从数据流程上建立数据处理模块和社区人员流动可视化分析模块两个部分。数据处理平台通过视频摄像头采集人脸和车辆识别数据，通过Flume采集社区住户的手机探针信令数据。采集的所有数据经由KafKa传递给Storm集群进行数据过滤和缓存，再统计程序按照指标对数据进行统计，最终存储到HBase数据库中。社区人员流动可视化分析采用B/S架构，服务器端通过调用数据处理平台的接口获取统计数据，对数据进行处理，再返回到Web端进行可视化展示。

3 多传感器融合交通控制策略

目前我国常用的交通控制通常借助红绿灯的放行、可变车道等。应用最多的是通过控制信号灯的相位改变交通延误，同时通过各种传感器的反馈，作用于信号灯的相位改变，使交通通行达到最优。

为了方便分析，选取交叉路口延误的时间为标准进行评价，如图4所示。

图4 区域交叉口路网关系示意图

假设在时间段t内第i个交叉口进入社区的车辆数为Di(t)（i=1,2,…），交叉口群的总进入流量为：

设时段t内流出交叉口群的车辆总数为S(t)=Si(t)（i=1,2,…）[7]。因此，时段t内区域交叉口路网车辆数存在以下关系：

设区域交叉口内初始流量为N(0)，则：

设路网中第i辆车的消耗时间为ti，路网中的总消耗时间：

设每辆车的损失时间的数学期望为T，式（3）可变换：

式（4）第一项和交通控制无关，第二项和区域交叉口外进入内的控制有关，与区域交叉口内的控制措施无关，因此，总消耗时间TS最小等价：

在合适的交通控制措施下，车辆越快离开交叉口区域，总体能消耗的时间越短。通过控制信号灯的相位，可以控制车辆的行驶时间，改变延误的时长[7]。

利用交叉口的饱和度代替停车次数和延误，根据式（5）对信号控制进行优化：

式中：ci——车道组i的通行能力；vi——车道组i的实际或预测需求流率[pcu/（h·lane）]；si——车道组i的饱和流率（pcu/h/lane）；gi——车道组i的有效绿灯时间（s）；C——周期时间（s）。

数据的准确性、时效性对数据融合和信号灯的优化较为重要，丰富的数据可满足复杂的交通路况。利用小区出入口人脸识别、车牌识别设备，获取各小区OD数据，结合手机信令数据，通过数据多维度匹配分析和统计学方法。在应急状态下针对不同场景和各异的天气环境，为了得到正确和实时的数据，提出了多传感器融合的控制策略。单一传感器具有较大局限性，首先，采集的区域不全面，会存在盲点；其次，得到的数据单一，不足以为控制器和管理平台提供精准的数据。在不同的天气、时间段会对数据的精准度产生影响，如雨雪天气声音传感器产生更多的噪声，夜晚时间段会对视频传感器造成模糊的情况。

多传感器融合的控制步骤：（1）在不同的天气和场景下启用不同的传感器组合；（2）在一天中不同的时间段启用不同的传感器权重；（3）实时采集交通的车辆、行人、道路等信息并上传到云台；（4）通过控制信号灯改善车辆延误和排队长度。

4 实例验证

本文通过对实际的路网进行部分验证和分析，经实际路口检测，验证该控制策略可对交叉口起到积极作用，在起始点进行分流，缓解出、入口的压力，改善路段上的人车排队情况。

5 结语

本文采用多源数据融合的交通管控和多传感器融合的交通控制的策略，将干线绿波协调控制方法应用到交通路网上，通过这种控制策略的协调控制方法与原本的控制策略进行对比，结果显示本方法对交通延误起到了积极的作用。