车联网环境下考虑下游站点等待人数的公交优先控制算法*

蒋 瑶 李泓辰 赵 智

(北京交通大学交通运输部综合交通运输大数据应用技术交通运输行业重点实验室 北京 100044)

2009年，国际公共交通协会(International Association of Public Transport)提出了“PT×2战略”，目的是到2025年使全球公共交通的客运量翻一番。中国政府于2012年发布了《关于城市优先发展公共交通的指导意见》(国发〔2012〕64号)[1]。公交信号优先(transit signal priority,TSP)是通过控制道路交叉口信号，改善公交车辆在道路交叉口的运行策略，即根据公交车到达道路交叉口的时间，调整信号配时计划，减少公交车辆在道路交叉口的延误。

城市居民在挑选出行方式时，最关心的多是该方式的可靠性，简单来说就是可不可以实现预先给出的承诺为居民提供可靠的服务，对所有出行者来说，都希望城市公交服务可以达到交通费率低和行程时间短及乘车空间舒适等预期。所以，城市公交是否可靠与乘客数量及其对服务的认可度息息相关。

车联网与目前在道路运输领域广泛使用的智能交通系统相比，可以实现更全面的感知，以及各种各样的互联智能化信息处理及应用集成[2]。它通过装载在车辆上的电子设备之间的无线通信，实现在信息网络平台上对所有车辆静动态信息的提取和有效利用，将车与车相连，车与路旁的基础设施相连，实现实时信息交换，服务于交通出行[3]。

谭永朝[4]研究了混合交通条件下公交信号实时优先模式，基于不同控制策略(无优先、绝对优先和有条件优先)，评价公交车辆运行状态。马万经等[5]研究了公交车早到和晚点2种情况下的公交车实时优先策略。

在很多研究中，信号调节均以降低交叉口总延误为优化目标，考虑对象为进入交叉口范围的人。实际上，除了这些人以外，在交叉口下游等待公交车的乘客也受红灯影响。以往的检测技术多为传统电磁圈等，检测范围和精确度都远远不足。本文提出在车联网环境下利用V2X技术，将车-路-人互联、共享信息，以实现公交优先控制。本文将BRT超出合理运营范围的下游等待乘客作为“溢出”值加入到目标函数ΔPI的计算中来。根据BRT与路侧信号控制器的实时信息交互，实现在公交专用道上行驶的BRT车辆精确优先控制。此举有利于提升执行公交优先的可能性且提升BRT运行效率。

1 下游站点等待人数与相邻BRT间隔的关系

公交时刻表的编制一般考虑客流需求变化、公交服务水平、公交运营企业的效益、线路之间的协调关系。为保证合理高效的运营，场站对公交的调度在1 d内不同时段对应不同的方案。假定某时段内确立每2辆BRT的合理发车间隔为l。对于特定的站点，乘客到达数符合相应时段的客流特点。根据统计数据，确定l时间段内到达某特定站点乘客数的均值为x。统计学认为，合理并高效的BRT发车与运营应满足当BRT到达该站点时，该站点的等待人数为均值x。

对于发车间隔l和某特定站点等待乘客均值x的关系，建模如下。

首先确定每班BRT的期望载客量，根据传统公交时刻表理论(最大客流法、断面客流法等)确定全天发车时刻，从而得到各个时段内各班次合理的发车间隔l。各个时段可根据研究线路的特点来划分，要求同一时段内路况、客流等交通指标具有相近的特征。例如，以小时为单位进行时段划分，以某天早高峰07:00-08:00这一时段为研究对象，某班次发车时刻表见表1。

表1 某班次07:00-08:00发车时刻表

由表1可得l12=15 min，l23=10 min，l34=10 min，l45=10 min，l56=10 min，根据多天数据确定对应发车间隔的该站点的等待乘客均值x12、x23、x34、x45和x56。将等待人数高于和低于x作为判断当前BRT与上一班BRT是否相差既定的时间间隔l的条件。即如果该站点等待人数多于x，则说明BRT与上一班BRT的运行间隔已超出l。

2 车联网环境下的公交优先方案

2.1 优先方法

2.1.1绿灯延时

绿灯延时是在原本的绿灯区间结束之前，在检测到1辆BRT后，延长该BRT相位的绿灯时间。在大多数情况下，处于优先级的BRT相位绿灯时间被保持或延长，直到公交车通过交叉口；或者达到预先指定的最大绿灯时间(max-green time)。max-green time通常用于设置绿灯时间的最大扩展限制，来保证其他相位交通流有通过时间并终止过长的BRT优先级调用。

2.1.2红灯早断

红灯早断是在原本的红灯区间检测到1辆BRT后，为BRT相位提供提前亮起来的绿灯。它包括缩短所有或某些选定的非BRT相位时间。然而，在设计BRT干线的绿灯最大时间时，应特别注意最小绿灯时间限制，即其他相位(包括车流相位和行人流相位)的区间安全性，以及红灯早断后车辆启动的过度延误。红灯早断相比绿灯延时对其他相位交通造成更大的干扰，因为它会对交通信号设置造成更大的干扰。

2.1.3速度调节

速度调节是对车速调节区域内的BRT采取的策略，基于车载设备构建车路通信环境，一方面对BRT进行加速引导，另一方面同时延长相应相位绿灯时间使绿灯末期到来的交通流顺利通过交叉口。当BRT行驶到距交叉口停车线附近5～10 m的位置时，实际情况不允许BRT高速通行，此时BRT恢复较低的原速通过交叉口。需要计算BRT相位可延长的最大绿灯时间与车辆的最大允许速度，对公交专用道中的BRT进行速度调节。

当检测器检测到BRT时，计算到达点，其到达模式分为3种，分别对应以上3种优选方法，到达点归类示意见图1，沙盘演示示意见图2。

图1 到达点归类示意

图2 信号调节沙盘演示示意

2.2 目标函数

信号优先权的交付需要一个控制判断标准，引入效益评价指标(PI)作为判断标准，PI是交叉口所有乘客的延误总和，单位为s。ΔPI描述的是实施信号调节后的交叉口整体运营效益与实施信号调整前交叉口整体运营效益的差异。当ΔPI<0时，交叉口的整体效益将得到提高。而ΔPI>0时，交叉口的整体效益会降低。这里以ΔPI=0为边界，决定是否调整信号。以下为3种策略的ΔPI计算方法。

1) 绿灯延时的ΔPI计算公式为

2) 红灯早断的ΔPI计算公式为

式中：Δtred为红灯早断时长；Q1为i相位当前等待的社会车辆数；Q2为i相位在红灯早断时间内到达的社会车辆数；Q3为j相位在红灯早断时间内到达的社会车辆数，其他参数含义同式(1)。

3) 速度调节的ΔPI计算公式与绿灯延时相同。

3 考虑下游站点等待人数的公交优先函数改进

结合之前提出的下游站点等待人数与BRT运行间隔的关系，对公交优先函数进行改进。对于给定的BRT线路，并非任何下游站点都与BRT经行的信号交叉口有直接时间效益联系。对于线路中某个信号交叉口，下游第一个BRT站点的等待乘客受BRT在信号交叉口停驶情况的直接影响，而带给其后下游站点的延迟影响可以在优先信号后大大减小，故考虑下游第一个BRT站点的等待人数。如果等待人数多于均值x，将出现的这种情况量化，加入ΔPI的计算中。而实际上对于这种情况的BRT，系统倾向于给出更高的优先权重。

3.1 受交叉口红灯影响的实际对象分析

本文提出的目标函数以驶入交叉口的所有乘客为研究对象，考虑所有乘客的总延误。实际上，受交叉口红灯影响的人群不只如此，这一部分人群是直接影响对象，另外的间接影响对象就是最邻近的下游站点等待乘客。

当2班BRT运行时间间隔在l内，特定站点的等待人数应少于等于x。将多于x的人数设为“溢出值”r。获取人数需要应用车联网的无线通信技术。车联网可以将人、车、路、云等交通参与要素有机地联系在一起，构建一个智慧交通体系。未来交通离不开5G通信技术，5G通信技术可以提供更高数据速率体验、更大带宽的终端接入能力，以及更低的端到端时延，而车联网也是5G通信技术下应用空间最广阔、产业配套最齐全的应用场景之一。BRT驶入交叉口，路侧部署的路侧单元将采集到的站点等待人数信息和感知的交叉口路况信息传回后端云控中心。云控中心根据BRT车辆到达实时信息及传回的信息按照优先算法进行判断，将实时指令传到信号控制端，5G通信技术下时延能控制在10 ms内，从而实现精确控制。下游停靠站的等待乘客将信息发送给路测单元，如果数目存在“溢出”，获取“溢出值”，BRT、信号交叉口、下游站点的信息交互见图3。

图3 BRT、信号交叉口、下游站点的信息交互

3.2 考虑下游站点“溢出”的ΔPI计算

通过调节信号使得公交在信号交叉口不停车通过，同时也降低交叉口总乘客延误。对于下游站点“溢出”值r，其与在交叉口BRT车辆内乘客有相同的晚于原本发车时刻的延误。本文在原有研究基础上，引入ΔPI的修正项。若系统获得的信息为下游BRT站点等待人数无溢出，则ΔPI保持原值；若系统获得的信息为下游BRT站点等待人数存在“溢出”，溢出量应作为BRT上的人数，增大BRT的优先级别。

1) 考虑溢出量后，绿灯延时(速度调节)的ΔPI为

2) 考虑溢出量后，红灯早断的ΔPI为

加入修正项，执行公交优先，不仅将交叉口红灯实际影响的对象加入目标函数从而降低整体延误；也带来乘客尽早下车的效益，增大了公交优先的力度。

4 实证分析

本文基于北京市展览馆路与阜成路交叉口的BRT4号线数据开展实证分析，测试改进后的算法的控制效果。使用C#语言进行二次开发实现了所提出的算法，并集成COM接口在VISSIM4.3上进行了仿真实验。实地调研该交叉口现状交通流量见表2。

表2 实地调研现状交通流量 pcu/h

交叉口现状信号配时图见图4。

图4 交叉口现状信号配时图

仿真实验一共有4组：①主干道流量1 200 pcu/h+次干道流量900 pcu/h；②主干道流量1 800 pcu/h+次干道流量900 pcu/h；③主干道流量1 200+次干道流量1 500 pcu/h；④主干道1 800 pcu/h+次干道1 500 pcu/h。此外，其他条件如周期、相位、BRT平均乘客数、社会车辆平均乘客数保持不变。一共进行了852次仿真实验，4组实验均有200组以上，实验结果见图5。

图5 实验结果对比图

由图5可知，考虑下游站点人数后，执行公交优先能显著降低ΔPI即降低交叉口乘客总延误、降低BRT运行的总时间并提高执行优先的概率。考虑下游站点人数后，ΔPI降低幅度更大，这是因为执行优先后更多的受益对象被考虑进来。同时由于ΔPI值整体变小，为负值的可能性更大，则执行优先的概率也越大。BRT全程所需时间由于执行优先次数的变多也相应减少。

经过分析，梳理结论如下。

1) 考虑下游站点等待人数后，执行公交优先的可能性比不考虑之前最大提升了47.06%，给予了BRT更高的优先级，显著提升了执行公交的力度。

2) 考虑下游站点等待人数后，BRT运行时间最大降低了7.12%，提升了BRT运行效率。

5 结语

本文在车联网环境及公交优先方案的基础上，改进了以交叉口总延误为目标函数的算法，将下游站点等待人数作为修正项加入到目标函数的计算中。

首先讨论了下游站点等待人数与相邻BRT间隔的关系，提出如果等待人数多于均值x，则说明BRT与上一班BRT的运行间隔已超出l。其次，回溯了车联网环境下自适应公交优先算法，在周期不变的情况下，确定执行策略的类型，如果ΔPI≤0则执行公交优先。之后，提出当等待人数多于均值x时，将出现的这种情况量化，加入ΔPI的计算中。而实际上对于这种情况的BRT，系统倾向于给出更高的优先权重。将多于x的人数设为“溢出值”r，溢出量r应作为BRT上的人数，成为ΔPI的修正项，增大BRT的优先级别。最后进行实证分析，在考虑下游站点人数后，执行公交优先能显著降低ΔPI即降低交叉口乘客总延误、降低BRT运行的总时间并提高执行优先的概率。考虑下游站点等待人数后，执行公交优先的可能性比不考虑之前最大提升了47.06%，给予了BRT更高的优先级，显著提升了执行公交的力度。考虑下游站点等待人数后，BRT运行时间最大降低了7.12%，提升了BRT运行效率。

本文是对车联网环境下公交优先算法研究的继续与深入，结合实际公交系统，利用车联网通信技术，将交叉口原本未考虑的等待乘客即下游站点等待乘客考虑进去，将优先的目标函数值ΔPI改进。对于拥有专用道和专用停靠站的BRT而言，执行考虑下游停靠站等待人数的公交优先较为简易可行；对于常规公交，情况则更加复杂，需考虑多线路冲突和交织的情况，且由于常规公交站为多线路驻停，获取下游停靠站该线路车辆的等待人数更为复杂，需要更加深入地研究。在此基础上，干线绿波带公交优先和多请求公交优先将是下一步研究方向。