基于FPGA及改进离散宏观D模型的在线交通瓶颈预测控制方法

摘要

本发明公开了一种基于FPGA及改进离散宏观D模型的在线交通瓶颈控制方法，用于解决现有方法难以在实际的高速公路或封闭道路中对交通瓶颈进行在线预测调控的技术问题，该方法对离散宏观D模型进行改进，把可变信息显示牌融入到离散宏观D模型中，基于FPGA平台通过改进的离散宏观D模型对高速公路或封闭道路整体进行预测分析，根据定义的状态变量找到道路瓶颈，进而给出匝口控制和可变信息显示牌的控制方案，并把这些控制方案按优先级带入预测模型，找到合理的控制方案，对交通瓶颈进行在线控制，使得高速公路或封闭道路中的交通瓶颈可以得到有效控制。

主权项

1.一种基于FPGA及改进离散宏观交通流D模型的在线交通瓶颈预测控制方法，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(u\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(u\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(u\right)T}{\tau L_N}{\omega }_N\left(n\right)\end{array}\right]$${\omega }_i\left(n\right)=\frac{k_{i+1}\left(n\right)-k_i\left(n\right)}{k_i\left(n\right)+\lambda }$$\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.$式中：v_i(n)为第i个路段在[nξ，(n+1)ξ]内车辆的平均速度，k_i(n)为第i个路段段在[nξ，(n+1)ξ]内的交通流密度，q_i(n)是第i个路段在[nξ，(n+1)ξ]内的流量，r_i(n)=r_pi(n)-r_qi(n)为第i个路段在[nξ，(n+1)ξ]内由匝口进入的车流量，s_i(n)=s_pi(n)+s_qi(n)是第i个路段在[nξ，(n+1)ξ]内由匝口驶出的车流量，r_pi(n)、s_pi(n)为由匝口驶入驶出的正常车流量，r_qi(n)为匝口控制禁止驶入高速路造成的流量降低量，s_qi(n)为匝口控制强制驶出车辆造成的流量增量，μ₁、μ₂是常数，T为采样周期，L_i表示第i个路段的长度，v_e(k_i(n))是等价速度，ρ、a、λ、τ、σ均为常数，ρ、a为可以调整的修正系数，使整个模型更符合实际交通，λ可以避免k_i值很小的情况下该项呈现太大的值，全说明书符号定义相同；把可变显示牌显示速度融入离散宏观D模型，用可变显示牌显示速度v_ind代替自由流速度v_f，得到改进的离散宏观D模型如下：x(n+1)=x(n)+f[x(n)]+B(n)u(n)式中：x(n+1)=[k₁(n+1)  v₁(n+1)  k₂(n+1)  v₂(n+1)  …  k_N(n+1)  v_N(n+1)]^T$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(k_1\left(n\right),v_{\mathrm{ind}}(1,n))-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(k_2\left(n\right),v_{\mathrm{ind}}(2,n))-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(u\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(k_{N-1}\left(n\right),v_{\mathrm{ind}}(N-1,n))-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(u\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(k_N\left(n\right),v_{\mathrm{ind}}(N,n))-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(u\right)T}{\tau L_N}{\omega }_N\left(n\right)\end{array}\right]$${\omega }_i\left(n\right)=\frac{k_{i+1}\left(n\right)-k_i\left(n\right)}{k_i\left(n\right)+\lambda }$$\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.$式中，v_ind(i,n)表示第i个路段在[nξ，(n+1)ξ]内信息显示牌显示的速度步骤二、定义两个新的状态变量η_i(n)、σ_i(n)，当状态变量趋于无穷时，代表交通密度趋于饱和交通密度，产生交通拥堵，当状态变量趋于无穷时，代表车辆平均速度趋于零，产生交通拥堵；式中，k_jam为交通出现阻塞时的交通流密度；步骤三、a.建立等价速度模型：$v_e(k_i\left(n\right),v_{\mathrm{ind}}(i,n))=\frac{v_{\mathrm{ind}}(i,n)[1-k_i\left(n\right)/k_{\mathrm{jam}}]}{1+E{[k_i\left(n\right)/k_{\mathrm{jam}}]}^4},$式中E为常数；b.在FPGA中编写基于改进离散宏观D模型的预测控制模块，包括数据接收模块、控制方案选择及数据分配模块、计算模块1-计算模块N、同步模块、数据输出模块，把道路分成N个路段，每个路段对应一个计算模块，计算模块1-计算模块N为按照前述改进离散宏观D模型使用浮点数运算器组合而成的交通流预测计算模块，其预测的数据流向为：数据接收模块接收上位机传来的各个路段的交通流数据（交通流密度、车辆平均速度），然后传给控制方案选择及数据分配模块，控制方案选择及数据分配模块根据这些数据确定交通瓶颈，并制定调控方案，然后将使能信号、控制方案和交通流数据传给各个计算模块，各个计算模块接收到使能信号后同时对交通流密度和车辆平均速度进行预测并把结果存入寄存器，各个模块计算结束后把各自的计算结束信号传给同步模块，同步模块在所有计算模块完成计算后发送信号通知控制方案选择及数据分配模块接收交通流数据的预测结果，继续进行预测，在预测时间T_c内，如果交通瓶颈解除，则采用该方案对实际交通进行调控，如果不能解除，控制方案选择及数据分配模块根据交通流数据和上次调控方案制定新的调控方案，并将交通流数据和调控方案传给各个计算模块，重新进行预测，在多次预测和调整调控方案后选择一个合适的调控方案输出对交通瓶颈进行调控，且已调控的路段在时间T_c内不再进行调控，然后继续对交通进行预测，寻找新的交通瓶颈，并进行控制；所述步骤三中确定交通瓶颈并对其进行控制的方法为：求解当大于给定阈值η_M时，说明路段i_m在n_mT时刻将成为交通瓶颈，则在n_mT-T₀时刻对车辆行驶方向的路段i_m前后方入、出匝口及可变信息显示牌进行限速（瓶颈路段前方路段速度降低，后方路段速度提高）、限制进入瓶颈路段甚至强制驶出瓶颈路段；或求解当大于给定阈值σ_M时，说明路段i_m在n_mT时刻将成为交通瓶颈，则在n_mT-T₁时刻对车辆行驶方向的路段i_m前后方入、出匝口及可变信息显示牌进行限速（瓶颈路段前方路段速度降低，后方路段速度提高）、限制进入瓶颈路段甚至强制驶出瓶颈路段；式中T₀、T₁为提前施加控制的时间使得η_M、σ_M分别为根据道路密度最大饱和度、最小速度限制得到的正数；控制的优先级原则为：①首先通过可变信息显示牌调整路段速度，使进入瓶颈路段的车辆速度降低，驶出瓶颈路段的车辆速度提高，②仅仅通过可变信息显示牌调整路段速度不能达到控制指标时，则通过匝口限制进入瓶颈路段流量并与可变信息显示牌调整路段速度同时进行控制，③当通过匝口限制进入瓶颈路段流量及可变信息显示牌调整路段速度同时控制也不能达到控制要求时，通过匝口控制在断续时间强制部分路段车辆驶出道路、同时对匝口限制进入瓶颈路段车流量及可变信息显示牌调整路段速度以达到控制指标要求。