基于特征向量的交通灯调度新方法

抽象的

本文介绍了城市网络中两种交通灯策略来控制交通，避免交通堵塞。一种策略是新的交通灯调度系统，该系统使用局部变量(等待时间和链路上的车辆数量)控制交通灯，但使用相邻交叉口之间的共享变量对交通产生全局影响。基于交叉口关系矩阵的特征向量中心性设计了交通灯调度系统。交叉口关系矩阵是表示交叉口各路段与相邻交叉口之间交通关系的一种新的表示形式。第二个贡献是扩展了一种新的双模式交通灯策略(即出口状态交通灯(ETL))，它可以通知司机是否允许他们离开街道。也就是说，车辆在红色ETL和绿色ETL下都可以进入街道，但在红色ETL下，车辆长时间不允许离开街道(在子网交通繁忙的情况下)。ETL提供了一个放松子网络交通和避免交通堵塞的机会。通过对三通电网的仿真，对该策略的有效性进行了分析和评价。双向矩形网格网络通过小区传输模型(CTM)进行建模。比较了两种最先进的方法的宏观基本图(MFD)和阻塞单元数。

1.介绍

近几十年来，城市地区面临着严重的交通拥堵，这导致了诸如人类出行时间增加、燃料消耗和空气污染等严重问题。交通信号灯是控制城市交通的常用设备。采用合理的方法对交通灯进行相位调整，减少了城市交通网络上的延迟时间，提高了车辆和行人的速度。交通信号策略主要分为固定时间、协调交通响应策略[1，以及预测控制策略。目前很多城市交通系统采用固定时间策略，其主要原因是实施简单和管理成本低。固定时间模型的缺点是结果设置基于历史数据而不是实时数据。疾走(1，2]及SCATS [1，3.]是交通响应策略的两种著名方法，即根据当前的交通状态来控制交通灯。这种策略的缺点是忽略了未来的交通。预测控制策略基于交通预测模型[4］．Ye等人[1]详细研究了预测控制模型。模型预测控制（MPC）的主要思想是将控制问题转换为具有滚动地平线的基于模型和在线优化问题。虽然基于MPC的协调控制方法在提高交通效率和减少燃料消耗和车辆排放方面提供了良好的控制性能，但关键问题是在线计算复杂性的快速增加，因为交通网络的规模增加了[1］．本文提出的策略明确地考虑了当前的交通状况，隐含地考虑了未来的交通状况。本文的主要贡献如下:(我)提出了一种基于特征向量中心性的交通灯调度系统，该系统利用局部参数进行全局调度。在该方法中，我们提出了一种新的基于矩阵定义的交点表示方法。这样，一个结点的所有信息都被收集到一个单一的数据结构中。我们使用了一个著名的图论工具，即特征分解，来解决交通灯调度问题，这是这个问题的一个新的范例。提出的交通灯系统不遵循任何相位周期，并基于当前和未来的交通动态工作。在这种方法中，我们在计算中使用了一个局部参数，但相邻路口之间的一些共享特征导致了全局控制，并提供了预测未来交通的能力。(2)提出了一种基于矩阵幂的新型交通灯，该交通灯能够控制驾驶员的行为。这种方法通过迫使司机改变方向到不太拥挤的地区，预测并阻止未来的交通堵塞。

本文组织如下。部分2为交通指示阶段策略提供文献综述。部分3.描述了所提出的方法。部分4给出了该方法在一些模拟场景下的仿真结果，并与最近两篇文献的结果进行了比较。本节提供了讨论5，最后在本节进行了总结和结论6．

2.文献综述

由于交通灯是城市中普遍使用的设备，许多研究者提出了提高其相位效率的方法。在文献[5，6，交通灯的分阶段问题被定义为调度问题，其目标是在给定的有限视界内减少总等待时间。调度优化问题中最具挑战性的部分是基于当前交通状况进行调度的实时情况。为了解决交通灯控制问题，人们提出了各种优化技术。在过去几十年提出的最先进的策略包括MAXBAND [7，8]、交通网络研究工具TRANSYT [7，8， SCOOT(分裂周期偏移优化技术)[9]、OPAC(自适应控制优化策略)[10， PRODYN(动态规划)[11]，Cronos（通过优化切换控制网络）[12]，罗德（实时分层优化分布式有效系统）[13]及悉尼协调自适应交通系统(SCATS) [3.］．基于遗传算法(GA)提出了交通灯优化的基本架构[14，元胞自动机模拟器(CAS) [15]，粒子群优化算法[16］．

Ye等人[1]收集了从1958年到近年来为解决交通灯相位问题而提出的方法。他们的研究主要集中在过去20年的基于模型的预测控制(MPC)。许多最近的模型尝试用Petri网来解决交通灯的相位问题。Huang et al. [17]提出了一种基于Petri网的相位定位方法。他们的方法将交集分为3种不同的类型，并分别为每种类型设置参数。他们的模型在交通灯相位方面有很好的表现，但过程过于复杂。Qi等[18]采用定时Petri网来模拟驱动程序的行为以及交叉口的矛盾的交通流量，并将它们分为两个类：非jam诱导和堵塞的行为。分析驱动程序的行为可以帮助在交叉路口提供正确的相位方案。他们得出结论，堵塞驾驶行为率应保持在0.5下方，使得通过这种行为引起可忽略的延迟。

根据文献，针对交通灯相位问题，已经开发了20多个自适应交通控制系统，但投入使用的还不到50% [19］．自适应控制系统可分为基于模型的控制策略和无模型控制策略。基于模型的自适应控制方法可分为两类:（1）数学模型（2）智能计算

基于数学模型的控制方法基于交通状态和流量预测模块的功能。在文献中提出了各种数学MBC方法，但最重要的MBC模型包括行进时间响应（CTR）算法[20.]，到达 - 放电过程[21]、预测模型控制[22]，以及存储前向响应控制[23］．TRANSYT [24]及多波段[25]是两种最先进的基于综合性能指标和绿色波段的MBC方法。综合性能指标法侧重于减少延误、车站数量和排队长度，以提高整体效率，而绿波带法侧重于增加网络中直站车辆数量。

近几十年来，基于人工智能模型的控制方法已经被集成到交通灯的相位策略中。在所有基于人工智能的模型中，模糊逻辑、进化算法和神经网络受到了研究者更多的关注[26- - - - - -30.］．机器学习也是解决交通灯调度问题的一种范式。李等人[31]提出了一种解决了使用加强学习解决问题的方法。使用基于人口的成群质算法用于使用GA的交通灯阶段优化[32]和GA和SA的结合[33］．Spall and Chin的《STRAC》[34[马尔可夫基于Markov进程的Hoogendoorn等。[35[Srinivasan等人的多元无监督流量控制模型。[36.Kosmatopoulos等人和经常性网络架构。[37.]是基于神经网络的最重要的MBCs。

据我们所知，所有以前方法的集中都是交通状态而不是交通提供者。在本说明中，将高流量卷传递给卡住的交叉点的链接称为流量堵塞提供程序（TJP）。不受控制的驱动程序行为导致特定交叉路口的高交通量移动，这会导致交通堵塞。为了找到合理的交通灯阶段，我们提出了两种策略来控制交通流量和驱动程序的行为，这是交通响应性和预测控制策略的组合。结果表明，拟议的策略能够统一分配流量，并且司机重定向到较少拥挤的路线。因此，交通拥堵和等待时间减少，城市网络中的车速增加。

3.建议的交通灯控制

在本节中，我们提出了两种策略来管理城市地区的交通。在我们的设置中，假设每个交通灯有三个灯，如图所示1．因为每个光红(R)、绿(G),黄色(Y)状态,他们有能力把27种交通灯信号:存款准备金率,RRY, RRG, RYR, RYY, RYG, RGR, RGY, RGG, YRR, YRY, YRG, YYR, YYY, YYG, YGR, YGY, YGG,嗯……,国务秘书,GRG, GYR, GYY, GYG,应用GGR GGY, GGG。我们还假设一个路口的所有方向(北(n)，东(e)，南(s)，西(w))都有两个交通灯。（1）一组典型的红绿灯来控制交叉点（2）一类新的双模红绿灯（ETL），指示车辆是否可以退出街道

在两种ETL模式下，车辆都可以进入街道，但当ETL为红色时，车辆不允许离开街道。为了实现ETL，我们定义了交通堵塞提供程序，它是将高流量交通转移到十字路口的街道。交通堵塞提供程序上ETL的红灯亮了。为了提出我们的贡献，我们考虑了以下关于交通网络的假设。(我)网络入口和出口模型是已知的(2)已知网络中的链路转换比（iii）网络内的每辆车都会离开网络，只有交通信号会延误

3.1。红绿灯控制模型

提出了基于特征向量中心性的交通灯系统设计方法。在图论中，特征向量中心性是对网络中节点影响的度量。基于高分节点的连接比高分节点的连接更强的概念，对网络中的所有节点分配相对分数。高的特征值意味着一个节点连接到多个高分节点[38.，39.］．本文将交点的所有基本信息封装在一个矩阵中，称之为交点矩阵。IM的每一个元素都是基于等待时间和每个链接上的车辆数量来表示交叉口的两个链接之间的关系。但是，我们假设每个环节都配备了两个电感回路，用于计算出入口的车号。该模型根据当前交通状况，分三步进行交通灯颜色动态控制。（1）如图所示2，每个链接有三个相对的目的地e∈{l，r，年代} (l:离开,r:对的,年代:直)。分阶段策略是根据链路的流量状况及其相对目的地来决定的。例如，在Figure中2，链接h，f,d链接的相对目的地是什么一个．据此计算各链路与其相对目的地之间的关系 在哪里所有车辆的等待时间是否都在链路上我，链接上的车辆数量是多少我, 显示链接左，右侧或直接目的地的车辆号码我．在该式中，交通灯监督员有机会利用参数改变车辆数量和等待时间的重要性 ．的更多值 ，交通灯控制器更关注链路上的车辆数量，反之亦然。例如，的较低值更适合长路段，因为路段上的车辆可能在2或3次红绿灯骑行后才会得到红绿灯。在这些情况下，车辆的数量告诉我们未来的交通状况。(中选择的参数(等待时间和车辆数量)之间有一个权衡1)，以保证有效的交通灯调度。没有车辆长时间等待，将整体等待时间和出行时间最小化。的价值如果车辆等候时间和链路上的车辆数量更大我，而目的地线路上的车辆数量较低。（2）通常，交叉点连接到具有12个方向的四个链路，如图所示2．因此，有一个交集矩阵生成如下： 即时通讯包括一个路口上所有对起点和终点之间的相对交通状况。更多的IM (我，j)，链路上的相对流量较大我，而且少 ，链路上的相对流量较大j．（3）在最后一步中，为每个链路选择交通灯模式(绿色或红色)。为了计算绿色模式下街道的优先级，计算了绿色模式下街道的特征向量中心性。特征分解是所有编程语言中著名的数学工具fd3．

每一列的是IM的特征向量，以及主直径的值D为IM的特征值。特征向量是(0,1)中的标准正交向量，用特征值最大的特征向量来计算IM的特征得分。这个特征向量上的值就是交点连杆的特征值。自 ，IM的特征向量是矢量 ．因此，本征分解为结点的每个方向分配一个分数。最后，根据各方向特征值之和计算各链路的优先级，如下图所示: 在哪里X是交叉连接的方向:北(N)，南(S)，东(E)，西(W)。比分在方向上吗X, 是链接的eigenscoresX相对的目的地r，l,年代,分别。最大的街道 ，除了无碰撞路由之外，设置为绿阶段。碰撞路由是那些没有与所选链接发生冲突的路由。

将同一交叉口的其他交通灯根据其特征值设置为:(我)其他链接按其特征值的降序进行检查。如果一个方向与绿色方向发生冲突，它接收红色状态。(2)否则，它会收到绿色状态。

建议的交通灯控制系统不遵循任何相位周期。相位方案在结点上是有效的，直到其条件为真(其特征值排名不变)。在IM有规律变化的情况下，实时计算特征值。因此，当前相位随着交叉口交通状况的变化而变化。定义了每个阶段的最小持续时间，但阶段时间是根据交叉口的交通状况确定的。的存在为了计算绿色相位优先级，禁止算法给出阶段的持续时间。在拟议的策略中，绿阶段链接的优先级取决于三个参数：（1）链路的累计等待时间（2）连接上的占用率（3）目标链接的占有率

如图所示3.，两个相邻路口(n和米)有一个共享链接(E)，见于(1), ．E_D是一个交叉点的当地目的地米和交集的局部原点n和E_U是十字路口的目的地和起源n和米,分别。计算我_米和即时通讯_n， 参数和出现在 ， ， ， ， ，和下标数字与图中的数字相同2)．因此，任何交通灯调度节点米影响邻居的交通状态(包括n)和邻居的邻居。相邻交通灯之间的这种内在依赖(使用公共变量)导致了对交通网络的隐性全局控制。

３．２．出口状态交通灯(ETL)

提出的交通灯策略，在本节中介绍3.1，通过在网络上统一分发流量来管理交通堵塞问题，但如果流量卷超过网络容量，则交通堵塞是不可避免的。目前阶段策略都无法处理充满车辆的网络的流量。换句话说，每个流量灯阶段策略增加了网络容量，但没有策略能够管理过载的业务网络中的流量。为了应对这个问题，我们提出了另一个名为ETL的策略来控制驱动程序的行为并避免车辆过载。要继续，我们需要定义两个表达式：（1）的节点(J):网络中的十字路口，交通繁忙（2）果酱提供商 ：网络中有距离的节点d从我并向阻塞节点传输高流量我

提出的ETL，如图所示4，是一种双模式红绿灯，挂在链路的入口，用于显示出口状态。红色ETL和绿色ETL均允许链路进入，红色ETL禁止链路退出。ETL的主要思想来自于这样一个事实:司机通常有一个关于城市网络的静态信息，比如最短路径和高速公路。城市交通网络的动态信息，如拥挤的交叉口、最嘈杂的路径、当前的流速以及整个交通状态，对于没有特殊设备的驾驶员来说是不知道的。因此，他们通常根据自己对网络的静态知识来选择最佳路径。ETL通过告知未来道路上的交通堵塞或交通拥挤情况，帮助司机改变路线。使用ETL，我们可以直接控制司机的行为，提高网络效率，减少出行时间和排放。ETL采用了交通实体以链为基础的特性，其公式如下: 在哪里节点的流量是多少我，是一个带距离的节点集j到节点我,流量的一部分来自节点吗k到节点我．杰出的交通拥堵提供商的ETL得到红色状态。ETL包括两个步骤:（1）估算交通堵塞交叉口（2）检测堵塞路口的交通堵塞提供者，并打开红色ETL

下面几节将解释这两个步骤。

3.2.1之上。预测交通堵塞

预测拥挤的路口，(6）提出： 在哪里ω_我为模型的加权方案，一个为交通流矩阵，Row_sum (B)∈ℝⁿ是矩阵的行和吗B ∈ ℝ^{（n，米）}．交通流矩阵(一个)表示矩阵中各链路的流量一个．的每个元素ω_我×一个^我给出了一对网络节点之间传输的业务量。的我^TH.的力量一个显示节点间移动的交通量我．但是，FC是1的求和^圣， 2^nd、……l^TH.的力量一个，包括所有O-D之间的交通量⁸最大距离对l．假设我和j是一个交通网络的两个交叉口。来计算 ，的数学表达式 是为所有现有路由计算的(长度n)之间的我和j,在那里从节点移动的流量是多少问到节点p．之间的交通量越大j和我，更大 ．百分之百的车辆上从j到我,当n＝因为两个相邻节点之间只有一个目的地。通过增加…的价值n，中间目的地的数量增加。然而,对于更大的n，车辆上较低的部分j走向我（ )． 定义为通过人口普查得到的在不同距离的交叉口之间移动的交通量的比例。因此,行我的 包括来自所有网络节点到节点的流量我．因此,我^TH.FC的组成部分表示行驶到节点的车辆数量我．通过设置阈值(θ)，基于网络容量，可以简单地预测交通堵塞。节点发生流量阻塞我,如果 ．到这一步，我们可以预测未来的交通堵塞的网络。下一步是检测向节点传递高流量的交叉口我(交通堵塞供应商)和禁止他们的方向节点我使用ETL。ETL是一个预测器，能够预测未来的交通，除了交通堵塞提供商。

3.2.2。检测交通阻塞提供者

预测交通堵塞后，下一步是寻找交通堵塞的提供者使用的以下等式：

所有变量都类似于(6)．范围d设置交通堵塞提供者到当前路口的距离，即:d＝2表示计算涉及距离小于3的邻居。指示该节点的车辆数量j转移到节点我最大距离。行中最大的元素我向节点传输更多的流量我，区分为节点的拥堵提供方我．通过激活拥堵提供商的红色ETL，节点上的流量将得到放松我，未来的交通堵塞不会发生。通常，ETL红色模式是长期，直到在特定区域上放松的流量。ETL有一些相当大的好处，包括以下内容：（1）ETL控制驱动程序的行为以选择它们的路径。（2）ETL的实现很简单。（3）寻找停车是一种基本原因，使交通流量较慢，这导致交通堵塞。由于ETL是一个长的交通阶段，因此具有红色状态的链接可以用作时间停车，以减少驻车问题，特别是在城市的中央区域。（4）通过共享自行车等可持续交通系统，ETL可以更加有效。

4.实验结果

提出了两种新的基于矩阵幂的交通灯策略。采用Python语言和SUMO语言对所提出的策略进行了仿真评价。SUMO是一个开源的、高度可移植的、微型的、连续的交通模拟包，设计用于处理大型城市网络。首先，我们基于cell transmission model (CTM)建立了双向矩形网格网络[41.，42.］．通过对我们设计的模型的仿真，我们确定了一些重要参数的影响，即驾驶员的路线改变行为，等待时间和交通流之间的权衡(1)，以及流入的交通网络上的交通拥堵。表格1描述下列内容中使用的符号。

4．1.细胞传输模型

CTM由Daganzo提出[41.，42.]以简化Lighthill-Whitham-Richards (LWR)模型的求解方案[2，43.，采用以下交通流之间的关系问（每小时车辆）和密度k(每行车英里的车辆数)如图所示5： 在哪里 ， ， ，和 ，分别为最大流量、堵塞密度、流量和反向激波。消极的意味着网络会被堵塞。更高的导致网络中流量平滑且最大是自由流动。网络允许最大流量 ，如果车辆数量增加，就会发生交通堵塞。在本文中，我们使用以下CTM [44.]： 在哪里是流入单元格的车辆数量吗我在时间间隔t，cell内的车辆数是多少我之前t，表示单元格中可容纳的车辆的最大数量我中t,表示单元内的流入容量我中t．

4．2.交通网络

为了评估提出的方法并进行合理的比较，我们从文献中选取了两个网络[44.，45.］．网络是类似图的平方双向网格网络6有不同尺寸:8 × 8,5 × 5和4 × 4。所有边界节点都是起点和目的地。每辆车的转弯率为 （在哪里 ）分别用于左、右和直的方向。网络特征如表所示2．

在本文中，我们考虑了不同交通需求的6个仿真场景。我们在场景1中模拟高峰时段的情况，从模拟开始时需求增加，到模拟结束时需求减少。在场景2、4和5中，通过增加交通需求来模拟过饱和的交通状况。在场景3中，使用网络中的一个事件来模拟交通流的突然变化。场景六是网络中流量不均衡，某些路由流量较大。每个源节点的交通需求为每个间隔Γ车辆，假设所有源节点相等，如表所示3.．各方向的流量比例为 ， ，和 ．初始网络是空的，需要一定的时间间隔使系统稳定。

4.3。仿真方案的结果3

在这个仿真中，我们使用CTM配置评估提出的交通灯调度模型。为了进行合理的比较，CTM参数取自Qi等人的研究[44.，如表所示4．在第一个分析，我们调查的效果η在 （1)。为更大的值η，模型给予流入流量更大的权重。数字7表示不同值的仿真结果η．然而,我们组η＝2 .为以后的实验配置模型。作为本节的另一项分析，我们研究了交通需求Γ对拥堵形成和消散的影响，将结果与传统的固定交通灯和Stevanovic的报告结果进行比较[19］．数据8和9使用流量需求(Γ)表示模拟期间阻塞的小区的吞吐量和数量＝分别为0.5,0.8,1,1.5,2)。吞吐量指标显示网络如何能够响应流量状态并增加流量流出。数据8（b）和9 (b)清楚地表明，使用所提出的策略，网络吞吐量是稳定的，即使在繁忙的流量。数字9 (c)报告了Qi等人的报告结果[44.]，设置相同。在场景3的模拟中，一个事件从步骤300到1000开始。通过对比结果可以看出，即使在网络中模拟交通事件时，该方法也能提高网络效率。实验结果表明，该方法对较高的交通需求具有较好的控制效果，即使是在较大的交通条件下。

4.4。模拟场景1、2、4和5的结果

本节给出了在4 × 4网络中模拟场景1、2、4、5的结果。情景1和2的参数取自Yan等人的开创性工作。[45.］．模拟场景4和场景5的交通需求较高，分别是场景2的2倍和3倍。Yan等人报道的结果[45.，其中包括5次运行不同的随机种子(MFD1，…，MFD5)，如图所示10．维护功能配置(46.是一种交通流基本图，它将整个交通网络的空间平均流量、密度和速度与n链接的数量。实验结果如图所示11并表明本文方法的效率优于Yan等人提出的方法[45.］．CTM模型的结果如图所示12．所有插图都表明提出的方法管理重型流量的能力。

4.5。模拟场景6结果

在模拟场景6中，网络上有统一的流量，除了一条垂直路径和一条比其他链路流量多20倍的水平路径。3号交通繁忙^{理查德·道金斯}垂直和3.^{理查德·道金斯}5×5网格网络上的水平路线导致网络中心的繁重流量。仿真方案6旨在研究ETL使用固定交通灯的影响。在这种情况下，我们将网络流量状态与ITL策略进行比较。数字13表示在一个5 × 5的固定时间交通灯网络中，阻塞单元数和所有车辆的等待时间。数字14显示激活网络中的两个etl的结果。ETL旨在对网络进行以下改进:（1）通过在网络上分配流量，阻塞的小区数提高了约10%（2）减少累计等待时间（3）在ETL激活时，可以使用可用作时间停车的网络中的许多街道

5.讨论

通过本节，我们分析了所提出的方法对驾驶员行为和交通耗散的控制能力。

5.1。对司机行为的控制

我们提出了两种策略，他们都控制了驱动程序的行为来放松交通。假设车辆从起源开始O到目的地在图15．灰色链接表示交通繁忙。该方法为垂直路径提供了比水平路径更多的绿色循环。在水平路线上设置更多的绿色自行车并不会减少交通量，因为车辆无法从那里移动O到一个从一个到b．换句话说，水平航线上的目的地容量已经满了。而水平路径的绿色循环时间增加了垂直路径上车辆的等待时间。因此，该策略为司机提供了两种选择:改变路线或长时间等待。司机可能更喜欢改变他们的路线，而不是等待很长时间，这导致了一个统一的交通分布在网络上，防止了交通堵塞的出现。

ETL的重点更多的是控制司机的行为，而不是满足他们的需求。交通灯调度系统的主要目标是提高网络容量以获得更大的吞吐量，但在过载的网络中无法实现。为了解决这一问题，引入ETL策略来控制进入区域或子网的流量。数字16举例说明一个在交叉口发生交通阻塞的示例网络B．可以看出，链路1、2、3为距离为2的traffic jam provider，链路6为距离为1的交叉口b的traffic jam provider。使用ELT，链路6的入口被阻止，直到流量消散。使用这种策略，1、2和3号路段的司机改变路线，使用5和7号路段等备选路径。因此，流量在网络中均匀分布，满足用户均衡原则。

当特征链接落入交通堵塞时，ETL阻止驱动程序进入路径。当结或链接卡在交通堵塞中时，ETL检测到哪个链接指示更多的流量朝向卡住的链路或结。如果朝向链路移动的车辆数量超过预定义的阈值（ ），该链接的一个或多个入口使用ETL信号关闭。ETL强制驱动程序更改它们的路径并使用替代路径，但是目的地是ETL激活的链接的驱动程序可以进入。

每条街的容量是 ．交通堵塞是在链接上形成的我,如果足球俱乐部（我)超过 ．对于更大 ，当FC (我)超过 ．因此，价值消除交通堵塞的情况比避免交通堵塞的情况要低。实验中每条街道的通行能力为9 × 20 = 180。的最大值180 × 180 = 32400吗l＝2 (6)．然而，我们可以简单地根据我们的需要设置模型阈值。

6.总结和结论

交通灯相位系统是世界范围内管理城市交通问题的最有效技术。交通灯任务是提高网络容量和吞吐量。本文提出了一种新的交通灯调度策略，即利用局部参数控制交叉口，同时利用与相邻交叉口共享变量处理全局交通流量。该方法基于三个参数(1)枢纽流入流量，(2)目标链路容量，(3)枢纽链路等待时间生成关系矩阵。在该模型中，一个结点的流入流量是其相邻结点的目的链路容量。该共享参数使得模型对交通灯进行调度，考虑了网络中的整体流量。提出的交通灯相位是基于特征向量中心性度量的。我们使用SUMO和Python对该方法进行了仿真，并将结果与最近两篇文献进行了比较。仿真结果验证了该方法的有效性。ETL是本文介绍的另一种策略。 The ETL is a new type of traffic light, which installs at the entrance of a link to show the exit status, with the ability of traffic forecasting. The main goal of ETL is preventing traffic jam by controlling the inflow traffic to a region. To some extent, each traffic light strategy is able to increase the network capacity. The ETL strategy disallows the vehicle entrance into a subnetwork when it predicts a traffic jam in the near future, to hold network highest throughput by preventing additional vehicles entrance and reroute them. However, the ETL is possible to be used beside other traffic light systems to increase the efficiency of a network.

作为未来的工作，我们计划在(1)．此外，该模型是一个很好的候选控制绿波，这是我们未来的研究。我们还从更广泛的角度扩展了ETL的概念。

作为未来的工作，我们将进行ETL长时间预测，并调查主动ETL改变街道对临时停车的影响。

数据可用性

没有数据支持本研究。

的利益冲突

作者声明本文的发表不存在利益冲突。

参考文献

1. 叶b.l l，吴伟，阮凯等，“交通信号控制模型预测控制方法综述，”IEEE / CAA自动的SINICA，第6卷，第2期3, 2019。视图:出版商网站|谷歌学术
2. D. I. Robertson和R. D. Bretherton，《实时优化交通信号网络——scoot方法》，车辆技术的IEEE交易，第40卷，第5期。1，第11-15页，1991。视图:出版商网站|谷歌学术
3. P. R. Lowrie，SCATS:控制城市交通控制的交通响应方法，新南威尔士州，道路和交通管理局，堪培拉，澳大利亚，1992。
4. S.-F。Cheng, M. a . Epelman, R. L. Smith，《CoSIGN:协调交通信号控制的并行算法》，IEEE智能交通系统汇刊，第7卷，第5期4，页551-564,2006。视图:出版商网站|谷歌学术
5. 高科，张颖，A. Sadollah，苏聃，“基于局部搜索的城市交通灯调度优化问题”，应用软计算， 2016年，第48卷，第359-372页。视图:出版商网站|谷歌学术
6. G. Improta和G. E. Cantarella，《单个信号枢纽的控制系统设计》，交通研究B部分:方法论，第18卷，147-167页，1982年。视图:出版商网站|谷歌学术
7. M.-T。Li和a.c. Gan，“使用TRANSYT-7F的过饱和网络信号时序优化，”交通研究记录:交通研究委员会期刊，卷。1683，没有。1，pp。118-126，1999。视图:出版商网站|谷歌学术
8. D. I. Robertson，“区域交通管制的Transyt方法”国际运输研究文件，第11卷，第5期。6，第276-281页，1996。视图:谷歌学术
9. P. B. Hunt, D. L. Robertson，和R. D. Bretherton，《小型摩托车在线交通信号优化技术》，交通工程与控制，第23卷，190-192页，1982年。视图:谷歌学术
10. N. H. Gartner，“OPAC：交通信号控制的需求响应策略”，运输研究委员会的运输研究记录杂志， 1983年第906卷。视图:谷歌学术
11. J. L. Farges, J. J. Henry，和J. Tufal，“PRODYN实时交通算法”，在第四届国际商会研讨会论文集，第307-312页，德国斯图加特，1983年4月。视图:出版商网站|谷歌学术
12. F. Boillot，J.M. Blosseville，J.B.Lesort，V.Motyka，M.Papageorgiou和S. Sellam，“城市交通网络的最佳信号控制”第六届IEEE道路交通监测与控制国际会议论文集，第75-79页，波兰克拉科夫，1992年。视图:谷歌学术
13. S. SEN和K. L. HEAD，“控制交叉口的阶段优化”交通科学第31卷第1期1，第5-17页，1997。视图:出版商网站|谷歌学术
14. “基于元启发式算法的交通信号调度问题求解”，同济大学学报(自然科学版)，IEEE智能交通系统汇刊，第20卷，第2期。9，第1-11页，2018。视图:出版商网站|谷歌学术
15. J. J. Shachez, M. Gal，和E. Rubio，“遗传算法和细胞自动机:红绿灯周期优化的新架构”，刊于2004年进化计算大会论文集，页1668-1674，波特兰，俄勒冈，美国，2004年6月。视图:出版商网站|谷歌学术
16. J. Garca Nieto, A. Carolina Olivera, E. Alba，“基于粒子群优化的交通信号灯优化循环程序”，进化计算学报，第十七卷，第二期6, pp. 823-839, 2013。视图:出版商网站|谷歌学术
17. 黄玉生，翁玉生，周明，“基于同步时间petri网的交通灯控制系统设计，”亚洲控制杂志，第20卷，第2期。2，第1-12页，2018。视图:出版商网站|谷歌学术
18. 齐磊，周敏，栾伟，“交叉口交通延误对交通行为的影响”，交通管理学报，2014,30(4):459 - 463。IEEE智能交通系统汇刊，卷。18，不。7，pp。1882-1893,2017。视图:出版商网站|谷歌学术
19. a . Stevanovic自适应交通管制系统：国内外实践，交通研究委员会，华盛顿特区，美国，2010。
20. Choi S.， B. B. Park, J. Lee, H. Lee, S. H. Son，“累积旅行时间响应(CTR)交通信号控制算法的现场实施可行性研究”，先进运输杂志，第50卷，第5期。8, pp. 2226-2238, 2016。视图:出版商网站|谷歌学术
21. F. C. Fang和L. Elefteriadou，“车辆投影到达 - 放电过程的建模与仿真在适应性交通信号控制中”，先进运输杂志，第44卷，第5期。3，页176-192,2010。视图:出版商网站|谷歌学术
22. W. Huang, F. Viti，和C. M. J. Tampère，“重复预期流量控制的双重控制方法，估计网络流量敏感性，”先进运输杂志，第50卷，第5期。7, pp. 1386-1412, 2016。视图:出版商网站|谷歌学术
23. K. Aboudolas, M. Papageorgiou, E. Kosmatopoulos，“大规模拥挤城市道路网络中基于存储和转发的信号控制问题的方法”，交通研究C部分:新兴技术，第十七卷，第二期2，页163-174,2009。视图:出版商网站|谷歌学术
24. D. I. Robertson，“Transyt：交通网络研究工具，”运输研究委员会，华盛顿特区，美国，​​1969年，技术报告。视图:谷歌学术
25. N. H. Gartner和C. Stamatiadis，“基于动脉的城市电网交通流控制”，数学和计算机建模第35期5-6，页657-671,2002。视图:出版商网站|谷歌学术
26. I. Kosonen，“基于实时仿真的多智能体模糊信号控制”，交通研究C部分:新兴技术，第11卷，第5期。5，pp。389-403,2003。视图:出版商网站|谷歌学术
27. 范文强，阿拉姆，波吉特，方福昌，徐文立，“钻石立交桥的综合模糊信号和匝道计量”，先进运输杂志，第47卷，第47期。4, pp. 413-434, 2013。视图:出版商网站|谷歌学术
28. 杨伟，张磊，何哲，“基于滚动水平优化的城市交通信号模糊逻辑控制器”，同济大学学报自然科学版，第42卷，第2期12，第1846-1853页，2014。视图:谷歌学术
29. R. Armas, H. Aguirre, F. Daolio, K. Tanaka，“应用于基多城市交通信号的进化设计优化”，《公共科学图书馆•综合》，卷。12，不。2017年12月12日。视图:出版商网站|谷歌学术
30. S. Lawe和R. Wang，“利用深度学习神经网络优化交通信号”澳大利亚人工智能联合会议论文集，第403-415页，阿德莱德，澳大利亚，2016。视图:出版商网站|谷歌学术
31. L. Li，Y. LV和F. W.Wang，“通过深度加强学习的交通信号时序”，IEEE / CAA自动的SINICA，第3卷，第2期。3, pp. 247-254, 2016。视图:出版商网站|谷歌学术
32. 赵军，刘颖，李鹏，“基于交通控制策略的网络增强模型”，先进运输杂志，第50卷，第5期。6，pp。1090-1110,2016。视图:出版商网站|谷歌学术
33. Li Z.和P. Schonfeld，“在过饱和交通条件下优化动脉信号时机的混合模拟退火和遗传算法”，先进运输杂志，卷。49，没有。1，pp。153-170,2015。视图:出版商网站|谷歌学术
34. J. C. Spall和dc . Chin，“全系统交通控制的交通响应信号配时”，交通研究C部分:新兴技术，卷。5，不。3，PP。153-163,1997。视图:出版商网站|谷歌学术
35. S. P. Hoogendoorn, V. L. Knoop, H. J. Van Zuylen，“不确定条件下交通网络的鲁棒控制”，先进运输杂志，第42卷，第2期3，页357-377,2008。视图:出版商网站|谷歌学术
36. D. Srinivasan, M. C. Choy，和R. L. Cheu，“实时交通信号控制的神经网络”，IEEE智能交通系统汇刊，第7卷，第5期3，页261-272,2006。视图:出版商网站|谷歌学术
37. E. B. Kosmatopoulos, M. M. Polycarpou, M. A. Christodoulou，和P. A. Ioannou，“用于识别动力系统的高阶神经网络结构”，神经网络学报，第6卷，第2期2，第422-431页，1995。视图:出版商网站|谷歌学术
38. C. F.A.Negre，U. N. Morzan，H.P.Hendrickson等，“蛋白质变形途径表征的特征中心，”美国国家科学院院刊第115卷第1期52页，E12201-E12208, 2018。视图:出版商网站|谷歌学术
39. m·e·纽曼网络数学，施普林格，柏林，德国，2015。
40. “基于小区传输模型的城市交通拥堵仿真研究”，国家自然科学基金重点项目，项目编号:2017101091401网络和空间经济学，第11卷，第5期。1, pp. 43-64, 2011。视图:出版商网站|谷歌学术
41. C. F. Daganzo，“细胞传输模型:与流体力学理论一致的高速公路交通的动态表示”，交通研究B部分:方法论，卷。28，不。4，pp。269-287,1994。视图:出版商网站|谷歌学术
42. C. F. Daganzo，《细胞传输模型，第二部分:网络流量》交通研究B部分:方法论，卷。29，不。2，第79-93,995。视图:出版商网站|谷歌学术
43. M. J.莱特希尔和G. B.惠瑟姆，《论运动波》。二:长时间拥挤道路上的交通流理论。英国皇家学会学报，数学物理与工程(一九五五年)，第229卷317-345页。视图:谷歌学术
44. L.齐，M.周和W. Luan，“一种双层交通灯控制策略，防止基于事件的城市交通拥堵”智能交通系统学报第19卷第2期1, 2018。视图:出版商网站|谷歌学术
45. “基于迭代学习控制的城市交通网络交通流平衡控制策略”，国家自然科学基金项目，项目编号:201716720901，项目编号:201716720901物理A:统计力学及其应用， vol. 508, pp. 519-531, 2018。视图:出版商网站|谷歌学术
46. J. Haddad和N. Geroliminis，《关于两区域城市交通周界控制的稳定性》，交通研究B部分:方法论第46卷，第46期9, pp. 1159-1176, 2012。视图:出版商网站|谷歌学术

版权

版权所有©2020 Mohammad Amin Soltani-Sarvestani等。这是分布下的开放式访问文章创意公共归因许可证，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。