基于离散宏观交通流D模型的FPGA在线预测控制方法

摘要

本发明公开了一种基于离散宏观交通流D模型的FPGA在线预测控制方法，用于解决现有的FPGA预测控制方法实时性差的技术问题。技术方案是通过对模型近似离散化处理，建立并行处理流程，设计动态数据存储方案，用FPGA实现了基于离散宏观交通流D模型的封闭道路匝口和可变信息牌的预测控制。使得高速公路的交通流密度、行车速度实现了实时有效控制。

主权项

一种基于离散宏观交通流D模型的FPGA在线预测控制方法，其特征在于包括以下步骤：步骤一、根据离散宏观交通流D模型：x(n+1)＝x(n)+f[x(n)]+B(n)u(n)式中，x(n+1)＝[k₁(n+1) v₁(n+1) k₂(n+1) v₂(n+1) … k_N(n+1) v_N(n+1)]^T$u\left(n\right)={\left[\begin{array}{cccc}{u}_1\left(n\right)& u_2\left(n\right)& ...& u_N^T\left(n\right)\end{array}\right]}^T,$u₁(n)＝q₀(n)+(1‑a)r₂(n)+r₁(n),u_i(n)＝ar_i(n)‑s_i‑1(n)+(1‑a)r_i+1(n),(i＝2,…,N‑1),$u_N^T\left(n\right)=[{\mathrm{ar}}_N\left(n\right)-s_{N-1}\left(n\right)+(1-a)r_{N+1}\left(n\right)-(1-a)k_{\mathrm{out}}\left(n\right)v_{\mathrm{out}}\left(n\right)],$$B\left(n\right)={\left[\begin{array}{ccccc}{B}_1^T& B_2^T& ...& B_{N-1}^T& B_N^T\end{array}\right]}^T,B_i^T=\left[\begin{array}{ccc}\frac{T}{L_i}& 0& 0\end{array}\right],(i=1,...,N)$$f\left[x\left(n\right)\right]=\left[\begin{array}{c}-\frac{T}{L_1}[a{k}_1\left(n\right)v_1\left(n\right)+(1-a)k_2\left(n\right)v_2\left(n\right)]\\ \frac{T}{\tau }[v_e\left(k_1\left(n\right)\right)-v_1\left(n\right)]+\frac{T}{L_1}\frac{k_0\left(n\right)}{k_1\left(n\right)+\lambda }{v}_1\left(n\right)[\sqrt{v_0\left(n\right)v_1\left(n\right)}-v_1\left(n\right)]-\frac{\mu \left(n\right)T}{\tau L_1}{\omega }_1\left(n\right)\\ \frac{T}{L_2}[a{k}_1\left(n\right)v_1\left(n\right)+(1-2a)k_2\left(n\right)v_2\left(n\right)-(1-a)k_3\left(n\right)v_3\left(n\right)]\\ \frac{T}{\tau }[v_e\left(k_2\left(n\right)\right)-v_2\left(n\right)]+\frac{T}{L_2}\frac{k_1\left(n\right)}{k_2\left(n\right)+\lambda }{v}_2\left(n\right)[\sqrt{v_1\left(n\right)v_2\left(n\right)}-v_2\left(n\right)]-\frac{\mu \left(n\right)T}{\tau L_2}{\omega }_2\left(n\right)\\ .\\ .\\ .\\ \frac{T}{L_{N-1}}[a{k}_{N-2}\left(n\right)v_{N-2}\left(n\right)+(1-2a)k_{N-1}\left(n\right)v_{N-1}\left(n\right)-(1-a)k_N\left(n\right)v_N\left(n\right)]\\ \frac{T}{\tau }[v_e\left(k_{N-1}\left(n\right)\right)-v_{N-1}\left(n\right)]+\frac{T}{L_{N-1}}\frac{k_{N-2}\left(n\right)}{k_{N-1}\left(n\right)+\lambda }{v}_{N-1}\left(n\right)[\sqrt{v_{N-2}\left(n\right)v_{N-1}\left(n\right)}-v_{N-1}\left(n\right)]-\frac{\mu \left(n\right)T}{\tau L_{N-1}}{\omega }_{N-1}\left(n\right)\\ \frac{T}{L_N}[a{k}_{N-1}\left(n\right)v_{N-1}\left(n\right)+(1-2a)k_N\left(n\right)v_N\left(n\right)]\\ \frac{T}{\tau }[v_e\left(k_N\left(n\right)\right)-v_N\left(n\right)]+\frac{T}{L_N}\frac{k_{N-1}\left(n\right)}{k_N\left(n\right)+\lambda }{v}_N\left(n\right)[\sqrt{v_{N-1}\left(n\right)v_N\left(n\right)}-v_N\left(n\right)]-\frac{\mu \left(n\right)T}{\tau L_N}{\omega }_N\left(n\right)\end{array}\right]$${\omega }_i\left(n\right)=\frac{k_{i+1}\left(n\right)-k_i\left(n\right)}{k_i\left(n\right)+\lambda }---\left(2\right)$$\mu \left(n\right)=\left\{\begin{array}{cc}{\mu }_1\frac{\rho }{k_i\left(n\right)-k_{i+1}\left(n\right)+\sigma }& k_{i+1}\left(n\right)>k_i\left(n\right)\\ {\mu }_2& k_{i+1}\left(n\right)\le k_i\left(n\right)\end{array}\right.---\left(3\right)$式中，v_i(n)为第i个路段在[nT，(n+1)T]内车辆的平均速度，k_i(n)为第i个路段在[nT，(n+1)T]内的交通流密度，q_i(n)是第i个路段在[nT，(n+1)T]内的流量，r_i(n)是第i个路段在[nT，(n+1)T]内由匝口进入的车流量，s_i(n)＝s_pi(n)+s_qi(n)是第i个路段在[nT，(n+1)T]内由匝口驶出的车流量，s_pi(n)为由匝口驶出的正常车流量、s_qi(n)为信息显示牌强制驶出车辆造成的流量增量，μ₁、μ₂是常数，T为采样周期，L_i表示第i个路段，v_e(k_i(n))是等价速度，ρ、a、λ、τ、σ均为常数，ρ、a为修正系数；步骤二、建立等价速度模型为：式中，v₀，E，k均为常数，v_ea为可变信息显示牌指定速度；第i路段：式中，v₀，E，k均为常数，v_ea为可变信息显示牌指定速度；步骤三、结合D模型的离散形式和等价速度模型，在FPGA中设计包含车辆平均密度k和平均速度v的计算模块，根据实际道路的长度和匝口信息把高速公路分成多个路段，每个路段对应一个计算模块，根据初始信息和调控信息，在FPGA中同时并行运行这些计算模块，预测出各个路段下一时间段的车辆平均密度和平均速度，然后把车辆平均密度和平均速度存入寄存器，在所有计算模块完成计算后，输出车辆平均密度和平均速度，同时把这些数据回传给计算模块进行下一步的计算；步骤四、以匝口进入封闭道路流量作为模型输入，可变信息牌作为强制速度和匝口强制输出调节量，对于给定控制输入预测每个路段的平均交通流密度和车辆平均速度，如果每个路段都满足最低速度、最大密度要求，则选择该方案以控制封闭道路匝口及可变信息牌，否则调整控制方案。