买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京工业大学申请的专利一种交叉口信号控制与可变车道鲁棒协同优化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116434574B 。

龙图腾网通过国家知识产权局官网在2025-07-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310428996.5，技术领域涉及：G08G1/08；该发明授权一种交叉口信号控制与可变车道鲁棒协同优化方法是由孙智源;王志诚;戚欣;王多设计研发完成，并于2023-04-20向国家知识产权局提交的专利申请。

本一种交叉口信号控制与可变车道鲁棒协同优化方法在说明书摘要公布了：本发明提出了一种交叉口信号控制与可变车道鲁棒协同优化方法，属于城市交通管理技术领域。具体实施如下：首先，进行优化时段选取及时间间隔划分，在同一时段内可变车道渠化不变的基础上对各时间间隔实施一个信号控制方案；其次，进行历史数据抽取和实时数据采集，由时间间隔统计交通量；再次，提出历史数据驱动的鲁棒优化模型及算法；以广义饱和度为优化指标，使用双层嵌套遗传算法求解；从次，提出历史数据与实时数据联合驱动的鲁棒优化模型及算法；以车均延误为优化指标，使用多模式遗传算法求解；最后，确定下一时段两类数据联合模式的选择，指的是以前5日交通历史数据为样本，计算其标准差值并根据所在区间确定。

本发明授权一种交叉口信号控制与可变车道鲁棒协同优化方法在权利要求书中公布了：1.一种交叉口信号控制与可变车道鲁棒协同优化方法，其特征在于，包括以下步骤： 步骤一：进行优化时段选取及时间间隔划分，所述时段选取指的是以2小时为一个时段长度、以早7点为基准点，将一日划分成12个时段，针对每个时段分别实施一个交叉口初始信号控制方案与可变车道渠化方案；所述时间间隔划分指的是以15分钟为一个时间间隔长度、将每个时段划分为8个时间间隔，在同一时段内保证可变车道渠化方案不变的基础上针对每个时间间隔分别实施一个信号控制方案； 步骤二：进行各时段交通历史数据抽取和实时数据采集，具体指的是各时段根据步骤一中划分的时间间隔进行交叉口各流向交通量的统计；其中，各时段历史数据需提取15日的交通量、实时数据需采集1日的交通量； 根据步骤一所述时间间隔长度即15分钟可将一个时段2小时划分为8个时间间隔，将15日同一时段内总共获取的120条记录数据存储于历史数据库ΩH中、将1日同一时段内总共采集的8条记录数据存储于实时数据库ΩR中，并按时间间隔出现的先后顺序对所述历史数据和实时数据进行标号，即有ΩH＝{1,2,...,h,...,120}、ΩR＝{1,2,...,r,...,8}；其中，h和r分别为所述历史数据库ΩH和实时数据库ΩR中任一数据对应时间间隔的标号； 步骤三：提出历史数据驱动的交叉口信号控制与可变车道鲁棒协同优化数学模型及求解算法，所述数学模型是以交叉口广义饱和度的均值-标准差MSD为优化目标、以15日交通历史数据为输入、以研究时段可变车道渠化方案及初始信号控制方案为输出的鲁棒优化模型，所述求解算法是针对上述鲁棒优化模型特殊设计的双层嵌套的启发式遗传算法； 所述历史数据驱动的交叉口信号控制与可变车道鲁棒协同优化数学模型的目标函数Z1选择交叉口广义饱和度χ为优化指标PI1，由其均值X1和标准差Y1两部分组成，模型为： 其中，γ1为所述优化模型权重参数，取值范围γ1∈[0,1]，根据交通管理的侧重进行选择，取值越大代表模型越侧重信号控制的稳定性； 当模型权重参数γ1＝0时，选择优化指标PI1的平均值进行优化，完全考虑信号控制的效率；当模型权重参数γ1＝1时，选择优化指标PI1的标准差进行优化，完全考虑信号控制的稳定性； 所述优化模型的参数π1k为第k个时间间隔对应的历史数据占总体数据的权重比例，取值为代表历史数据库ΩH＝{1,2,...,h,...,120}中各数据对模型具有相同的贡献程度；π1k值越大，代表第k个时间间隔对应的历史数据对模型的贡献越大，否则反之； 所述优化模型的目标函数Z1中各时间间隔广义饱和度χk的计算方法如下： 式中，j为交叉口流向的编号，采用NEMA编码对交叉口各进口方向编号号；χj为流向j的饱和度；qj为流向j的流量；cj为流向j的通行能力；sj为流向j的饱和流率；λj为流向j的绿信比；Nj为流向j的车道数量；为流向j的有效绿灯时长；C为信号周期时长； 所述模型的决策变量为可变车道ni和信号控制方案 所述优化模型的约束条件包括最短绿灯时间约束、相位模式约束、周期时长约束、最大饱和度约束、整数约束和0-1约束； 最短绿灯时间约束：gj≥gmin 相位模式约束： 南北与东西相交的标准十字交叉口中，以标准三相位为例说明相位模式的约束关系，第1相位为南北进口直行，第2相位为南北进口左转，第3相位为东西进口所有转向，这种相位模式的约束关系为： g1＝g5 g2＝g6 g3＝g4＝g7＝g8 g1+g2+g3+3ty+tr＝C 周期时长约束： Cmin≤C≤Cmax 最大饱和度约束： χj≤χmax 整数约束： 0-1约束： ni∈{0,1},i＝1,2,...,4 式中，gj为流向j的绿灯时间；gmin为最小绿灯时间，取值10s；ty为黄灯时间，取值4s；tr为全红时间，取值2s；Cmin为最小周期长度，取值60s；Cmax为最大周期长度，取值240s；C为信号控制周期；χmax为最大饱和度阈值，取值0.95；χj为流向j的饱和度； 所述模型的两组决策变量可变车道ni和信号控制方案是相互耦合的，针对上述鲁棒优化模型特殊设计的双层嵌套的启发式遗传算法进行求解，将优化问题分为信号控制层TSC和可变车道层RL，包括： step1：初始化，标定相关GA参数和交通参数；所述GA参数包括种群规模100、迭代次数100、交叉概率0.8和变异概率0.02；所述交通参数包括：最小周期长度60s、最大周期长度240s、黄灯时间4s、全红时间2s、最小绿灯时间10s、损失时间1s和最大饱和度0.95； step2：令迭代次数P＝0； step3：生成初始信号控制层种群gj；根据步骤三所述模型的约束条件，求解决策变量的约束范围，根据十进制编码的方式生成初始种群；当种群的某些个体不满足约束条件时，根据所述方式重新生成新的个体，直到所有个体满足约束条件，并将其作为初始种群gj； step4：生成初始可变车道层种群ni；根据步骤三所述模型的约束条件，求解决策变量的约束范围，采用0-1编码的方式生成初始种群ni； step5：GA求解RL层；RL层的输入为初始种群ni和给定的一个gj；RL层的GA包括：选择、交叉、变异和进化一系列操作，并生成新的种群；当达到最大迭代次数100代时，求解得到最佳的可变车道流向设置； step6：GA求解TSC层；TSC层的输入是初始种群gj和step5求解的一个ni；TSC层的GA包括：选择、交叉、变异和进化一系列操作，并生成新的种群；当达到最大迭代次数100代时，求解得到最佳的信号控制配时方案； step7：判断；当达到最大迭代次数100代时算法终止，否则令迭代次数P＝P+1，并返回step5； step8：终止结束；将优化求解的最佳决策变量gj 0和ni输出； 步骤四：提出历史数据与实时数据联合驱动的交叉口信号控制与可变车道鲁棒协同优化模型及求解算法，所述数学模型是指具有三种可选历史数据与实时数据联合模式、以交叉口车均延误的均值-标准差MSD为优化目标、以15日交通历史数据及1日实时数据为输入、以研究时段信号控制方案为输出的鲁棒优化模型，所述联合模式在当前时段的选择是以前一个时段上述三种可选联合模式的优化效果、将最优的联合模式作为当前时段的联合模式，所述求解算法是针对上述鲁棒优化模型特殊设计的多模式启发式遗传算法； 以15分钟为时间间隔，在每个时间间隔结束时，统计并记录交叉口各流向实时流量，不考虑右转和掉头，依此类推，直至完成一个时段2小时的统计；将采集的8个数据存储于实时数据库ΩR中，ΩR＝{1,2,...,r,...,8}； 针对第r个时间间隔，由历史数据库ΩH与实时数据库ΩR联合驱动进行交叉口信号控制与可变车道鲁棒协同优化； 所述历史数据与实时数据联合驱动的交叉口信号控制与可变车道鲁棒协同优化模型的目标函数Z2选择车均延误d为优化指标PI2，由其均值X2和标准差Y2两部分组成，模型可以写为： 其中，γ2为所述优化模型权重参数，取值范围γ2∈[0,1]，可根据交通管理的侧重灵活进行选择，取值越大代表模型越侧重信号控制的稳定性； 当模型权重参数γ2＝0时，选择优化指标PI2的平均值进行优化，完全考虑信号控制的效率；当模型权重参数γ2＝1时，选择优化指标PI2的标准差进行优化，完全考虑信号控制的稳定性； 所述优化模型的参数π2k为第k个时间间隔对应的历史数据占总体数据的权重比例，分为历史数据πHh和实时数据πRr两类，代表历史数据库ΩH＝{1,2,...,h,...,120}和实时数据库ΩR＝{1,2,...,r,...,8}中各数据对模型的贡献程度；π2k值越大，代表第k个时间间隔对应的历史数据对模型的贡献越大，否则反之； 所述优化模型的目标函数Z2中各时间间隔的车均延误dk的计算方法如下： 式中，j为交叉口流向的编号，采用NEMA编码对交叉口各进口方向编号；dj为流向j的延误时间；qj为流向j的流量；λj为流向j的绿信比；χj为流向j的饱和度；C为信号周期时长； 所述优化模型的决策变量为每个实时的时间间隔对应的信号控制方案 所述优化模型的约束条件包括最短绿灯时间约束、相位模式约束、周期时长约束、最大饱和度约束、整数约束和0-1约束； 最短绿灯时间约束： 相位模式约束： 南北与东西相交的标准十字交叉口中，以标准三相位为例说明相位模式的约束关系，第1相位为南北进口直行，第2相位为南北进口左转，第3相位为东西进口所有转向，这种相位模式的约束关系为： g1＝g5 g2＝g6 g3＝g4＝g7＝g8 g1+g2+g3+3ty+tr＝C 周期时长约束： Cmin≤C≤Cmax 最大饱和度约束： χj≤χmax 整数约束： 式中，为流向j第r个时间间隔的绿灯时间；gmin为最小绿灯时间，取值10s；ty为黄灯时间，取值4s；tr为全红时间，取值2s；Cmin为最小周期长度，取值60s；Cmax为最大周期长度，取值240s；C为信号控制周期；χmax为最大饱和度阈值，取值0.95；χj为流向j的饱和度； 历史数据与实时数据联合驱动的方式与两类数据权重比例π2k有关，设计三种模式： 模式一：当前时间间隔的实时数据库ΩR＝{1,2,...,r}的标准差值介于[0.5,1]时，对于时间间隔rr＝2,3,...,R；r∈ΩR：1总共获得120个时间间隔对应的历史数据ΩH＝{1,2,...,h,...,120}，并且每个历史时间间隔具有相同的权重；2总共采集r-1个实时数据，每个实时数据之间具有相同的权重，其权重等于整个同期历史数据的权重；3在实时数据采集过程中，每个历史数据和每个实时数据的权重不相同； 每个历史数据的权重为： 每个实时数据的权重为： 模式二：当前时间间隔的实时数据库ΩR＝{1,2,...,r}的标准差值小于0.5时，对于时间间隔rr＝2,3,...,R；r∈ΩR：1总共获得120个时间间隔对应的历史数据，并且每个历史时间间隔具有相同的权重；2总共采集r-1个实时数据，每个实时数据具有相同的权重；3整体历史数据的权重为12，整体实时数据的权重也为12；4在实时数据采集过程中，每个实时数据的权重发生变化，而每个历史数据的权重保持不变； 每个历史数据的权重为： 每个实时数据的权重为： 模式三：当前时间间隔的实时数据库ΩR＝{1,2,...,r}的标准差值大于1时，对于时间间隔rr＝2,3,...,R；r∈ΩR：1总共获得120个时间间隔对应的历史数据，并且每个历史时间间隔具有相同的权重；2总共采集r-1个实时数据，它们之间的权重不完全相同；3第r-1个实时数据的权重为12，整体历史数据的和其余实时数据即第1至第r-2权重为12；4在实时数据采集过程中，最新的实时数据的权重保持不变恒为12，而其他数据的权重则发生变化； 每个历史数据的权重为： 每个实时数据的权重为： 模型的决策变量信号控制方案是动态优化的，所述求解算法是针对上述鲁棒优化模型特殊设计的多模式启发式遗传算法MM-GA，步骤包括： step1：令时间间隔r＝1； step2：多模式数据有机结合；将实时数据与历史数据进行联合； step3：生成初始信号控制层种群gj；根据所述模型的约束条件，求解决策变量的约束范围，根据十进制编码的方式生成初始种群；当种群的某些个体不满足约束条件时，根据所述方式重新生成新的个体，直到所有个体满足约束条件，并将其作为初始种群gj； step4：GA求解TSC层；TSC层的输入是初始种群gj和求解的最佳ni；TSC层的GA包括：选择、交叉、变异和进化一系列操作，并生成新的种群；当达到最大迭代次数时，求解得到最佳的信号控制配时方案 step5：令时间间隔r＝r+1，并返回step2； step6：达到最大时间间隔r时终止结束； 步骤五：确定下一个时段历史数据与实时数据联合模式的选择，指的是以之前5日交通历史数据为样本，计算其标准差值判断交通流的离散波动程度，根据标准差值所在区间选择最优的联合模式作为下一个时段采取的联合模式； 当标准差值大于1时，选择模式三为历史数据和实时数据的联合优化模式； 当标准差值介于[0.5,1]时，选择模式一为历史数据和实时数据的联合优化模式； 当标准差值小于0.5时，选择模式二为历史数据和实时数据的联合优化模式。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。