一种路口交通信号灯配时方法

1.本发明属于智能交通技术领域，特别是涉及一种路口交通信号灯配时方法。


背景技术：

2.当前，城市的道路主要以主干道与非主干道这种交叉口节点形式设计，城市的调度主要是以传统的红绿灯配时方案来控制车辆的行驶。这两种方式搭配承担了道路主要的交通调度和分流压力，很大程度上决定着整个交通的运行状态和运行效率。目前，改变交通状态的方法有许多，比如：建造高架桥、隧道或不断拓宽道路。但这样的改善办法并非长久之计，而且消耗的物力人力巨大。问题的关键不单单是道路车流量的剧增，而是节点处定时的配时方案不灵活，常常导致“绿灯无车红灯堵”现象。


技术实现要素：

3.本发明的目的在于克服现有技术的不足，提供一种路口交通信号灯配时方法。
4.本发明的目的是通过以下技术方案来实现的：一种路口交通信号灯配时方法，包括：检测路口的实时车流量；基于韦伯斯特延误模型，计算车辆的一致延误时间和随机延误时间；根据车辆的一致延误时间和随机延误时间计算车辆的平均延误时间；以最小化车辆的平均延误时间为目标函数，建立动态调度模型；将所述实时车流量输入所述动态调度模型，求解出车辆的平均延误时间取最小值时的信号灯分配时间。
5.进一步地，检测路口的实时车流量，包括：获取路口的实时交通视频；利用混合高斯模型对所述实时交通视频的视频帧进行背景建模；利用混合高斯模型检测出实时交通视频中的所有车辆；利用 kalman 滤波跟踪车辆，并随着视频时间的推移，统计路口的实时车流量。
6.进一步地，所述混合高斯模型的学习率为：式中，；其中，为前一帧图像图像中运动目标的总面积，为前一帧图像中检测出的车辆总数量，为一帧图像的总面积；为在固定摄像头拍摄时单个车辆相对于整个图像画面面积的比例；为设定的初始学习率，为处理第t帧图像时的学习率，为学习率自适应调整因子。
7.进一步地，利用混合高斯模型检测出实时交通视频中的所有车辆，包括：
基于实时交通视频，利用混合高斯模型进行背景建模；对所述实时交通视频进行背景剔除，得到前景图像，并对所述前景图像进行二值化；对二值化后的前景图像进行opencv形态学运算，剔除前景图像中的噪声孤立点，并对车辆中存在的孔洞进行填充；对进行孔洞填充后的前景图像进行基于opencv的轮廓检测，绘制各车辆的最小外接矩形，得到各车辆的覆盖区域。
8.进一步地，利用 kalman 滤波跟踪车辆，并随着视频时间的推移，统计路口的实时车流量，包括：根据车辆的最小外接矩形标记各车辆在当前帧的质心；利用kalman滤波预测各车辆在下一帧的质心；对所有待跟踪车辆建立跟踪列表；在所有待跟踪车辆的质心的预测值和当前观测值之间建立关联矩阵a[m,n]，其中m为待跟踪车辆的序号，n为检测到的车辆的序号，所述关联矩阵中所有元素的初始值为0；计算代价函数，所述代价函数为待跟踪车辆和检测到的车辆的质心之间的欧式距离；生成代价矩阵c[m,n]，其中m为待跟踪车辆的序号，n为检测到的车辆的序号，所述代价矩阵中对应元素的值为对应的欧式距离；利用km算法对代价矩阵c[m,n]进行关联匹配，若关联成功，则将关联矩阵a[m,n]中对应的元素设置为1；若关联失败，则将关联矩阵a[m,n]中对应的元素设置为0，并在跟踪列表中新建待跟踪车辆；利用质心的预测值来更新车辆位置，若车辆连续关联失败次数超过设定的阈值，则结束对该车辆的跟踪，并将其从跟踪列表中删除；在一个跟踪周期结束后，统计关联矩阵a[m,n]中元素为1的个数，得到该跟踪周期的实时车流量。
[0009]
进一步地，车辆的一致延误时间的计算公式为：式中，为第i相位车辆的一致延误时间，单位为秒；c为周期时长，单位为秒；为观测期间第i相位的绿信比，单位为百分比；为第i相位的有效绿灯时长，单位为秒；为观测期间第i相位第j进口道的车辆饱和度，单位为百分比；车辆的随机延误时间的计算公式为：
式中，为第i相位车辆的随机延误时间，单位为秒；为观测期间第i相位第j进口道到达的车流量，单位为辆/周期；为观测期间第i相位第j进口道的车辆饱和度，单位为百分比；车辆的平均延误时间的计算公式为：其中，式中，为第i相位车辆的一致延误时间，单位为秒；c为周期时长，单位为秒；为观测期间第i相位的绿信比，单位为百分比；为第i相位的有效绿灯时长，单位为秒；为观测期间第i相位第j进口道的车辆饱和度，单位为百分比；为第i相位车辆的随机延误时间，单位为秒；为观测期间第i相位第j进口道到达的车流量，单位为辆/周期；d为车辆的平均延误时间。
[0010]
进一步地，以最小化车辆的平均延误时间为目标函数时，约束条件为：式中，为最小有用绿灯时长，为最大有用绿灯时长，为最小周期时长，为最大周期时长；l为交叉路口的总损失时间，，为第i相位损失时间，ar为全红时间。进一步地，将所述实时车流量输入所述动态调度模型，求解出车辆的平均延误时间取最小值时的信号灯分配时间，包括：初始化动态调度模型的约束参数，所述动态调度模型的约束参数包括最小周期时长、最大周期时长、最小绿灯时长和最大绿灯时长；根据所述实时车流量获取观测期间的绿信比、观测期间到达的车流量、观测期间的车辆饱和度；根据各个交叉口的平面布局和观测期间的车辆饱和度，动态调整并设定调度所需的周期时长；初始化自适应遗传算法的种群大小，根据种群中个体的平均适应度和最大适应度
的不同关系，计算交叉概率和变异概率；以最小化车辆平均延误时间d为目标，利用自适应遗传算法对动态调度模型进行求解，得到各相位的绿灯时长。
[0011]
进一步地，交叉概率 和变异概率的取值公式为：式中，，为种群中个体的平均适应度，为种群中个体的最大适应度。
[0012]
进一步地，自适应遗传算法的求解过程为：初始化步骤：编码和初始化种群，编码和初始化种群包括初始化种群大小、染色体长度、交叉概率和变异概率、最大迭代次数、迭代收敛条件；适应度计算步骤：计算每个个体的适应度值，选择并保留适应度大于预设值的个体，即保留精英；交叉和变异概率计算步骤：计算个体的自适应交叉和变异概率，若，则按变异
→
交叉
→
选择操作，否则按交叉
→
变异
→
选择操作；终止条件判断步骤：判断是否满足最大迭代次数或收敛条件；若是，则输出结果，否则再次执行适应度计算步骤。
[0013]
本发明的有益效果是：（1）本发明引入计算机视觉相关技术，通过车辆的检测和连续跟踪来统计实时车流量，无需人工干预，保证了数据的准确性和一致性；（2）本发明采用简化的两种情况的延误时间，剔除了其他非重要因素，如过饱和延误等的影响，路口的饱和流量、真实流量、红绿灯周期等因素都已考虑，既可以更全面的涵盖多种情况的交通流量，又减少了模型的计算量；（3）本发明将每个路口按相位进行划分，根据其所在的相位进行模型求解并配时，避免了需要针对不同路口类型（十字、t型、环形）分别建模的问题，使得本发明的方法不仅可以适用于典型的十字路口的四个相位红绿灯配时，而且还可以推广到t形路口和环型路口的红绿灯配时；对于t型路口和环形路口，将其中某些相位的车流量赋值为 0并抽象成为十字路口，所构建的动态调度模型和十字路口并没有差异；（4）本发明的动态配时模型的求解采用改进的自适应遗传算法，相比于传统遗传算法、自适应遗传算法等，求解的结果更加准确和合理；
（5）本发明构建的动态配时模型适应性强，推广使用可行性高。
附图说明
[0014]
图1为本发明中路口交通信号灯配时方法的一个实施例的流程图；图2为车辆的实时检测和跟踪流程图；图3为本发明中改进的自适应遗传算法流程图；图4为十字路口 1（道路1和道路2）的车流数据图；图5为十字路口 2（道路3和道路4）的车流数据图；图6为 t 型路口 1（道路5和道路6）的车流数据图；图7为t 型路口 2（道路2和道路7）的车流数据图；图8为环形路口（道路8、道路9和道路10）第一时段的车流数据图；图9为环形路口（道路8、道路9和道路10）第二时段的车流数据图；图10为交叉路口现有配时方案图（一个调度周期）；图11为vissim 仿真的操作流程图。
具体实施方式
[0015]
下面将结合实施例，对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0016]
参阅图1-图11，本发明提供一种路口交通信号灯配时方法：如图1所示，一种路口交通信号灯配时方法，包括：s100.检测路口的实时车流量。
[0017]
在一些实施例中，如图2所示，检测路口的实时车流量，包括：s110.获取路口的实时交通视频。
[0018]
s120.利用混合高斯模型对所述实时交通视频的视频帧进行背景建模。
[0019]
本实施例中，在进行背景建模时，将混合高斯模型的学习率与视频帧中车辆的速度进行匹配，采用一种模型学习率自适应的方法对混合高斯模型（gmm）的学习率进行改进。具体的，所述混合高斯模型的学习率为：式中，；其中，为前一帧图像图像中运动目标的总面积，为前一帧图像中检测出的车辆总数量，为一帧图像的总面积；为在固定摄像头拍摄时单个车辆相对于整个图像画面面积的比例；为设定的初始学习率，为处理第t帧图像时的学习率，为学习率自适应调整因子。
[0020]
当时，说明检测出的车辆显示不完整，相对于车辆速度，学习率应
适当减少；反之说明检测出的车辆出现“拖影”，相对于车辆速度，学习率应适当增加。
[0021]
s130.利用混合高斯模型检测出实时交通视频中的所有车辆。
[0022]
在一些实施例中，利用混合高斯模型检测出实时交通视频中的所有车辆，包括：s131.对所述实时交通视频进行背景剔除，得到前景图像（即，车辆图像），并对所述前景图像进行二值化。
[0023]
s132.对二值化后的前景图像进行opencv形态学运算，剔除前景图像中的噪声孤立点，并对车辆中存在的孔洞进行填充。
[0024]
具体的，对车辆中可能存在的孔洞进行填充，得到更为完整的各个车辆区域。
[0025]
s133.对进行孔洞填充后的前景图像进行基于opencv的轮廓检测，绘制各车辆的最小外接矩形，得到各车辆的覆盖区域。
[0026]
s140.利用 kalman 滤波跟踪车辆，并随着视频时间的推移，统计路口的实时车流量。
[0027]
在一些实施例中，利用 kalman 滤波跟踪车辆，并随着视频时间的推移，统计路口的实时车流量，包括：s141.根据车辆的最小外接矩形标记各车辆在当前帧的质心。
[0028]
具体的，以质心为参考记录车辆的运动轨迹，用于后续各车辆的运动轨迹匹配。
[0029]
s142.利用kalman滤波预测各车辆在下一帧的质心。
[0030]
预测值和实际视频帧的观测值不一定一致，因此需要根据预测值和新的观测值进行 kalman 修正。
[0031]
s143.对所有待跟踪车辆建立跟踪列表。
[0032]
s144.在所有待跟踪车辆的质心的预测值和当前观测值之间建立关联矩阵a[m,n]，其中m为待跟踪车辆的序号，n为检测到的车辆的序号，所述关联矩阵中所有元素的初始值为0。
[0033]
s145.计算代价函数，所述代价函数为待跟踪车辆和检测到的车辆的质心之间的欧式距离。
[0034]
s146.生成代价矩阵c[m,n]，其中m为待跟踪车辆的序号，n为检测到的车辆的序号，所述代价矩阵中对应元素的值为对应的欧式距离，即带权二分图。
[0035]
s147.利用km（kuhn-munkres）算法对代价矩阵c[m,n]进行关联匹配，若关联成功，则将关联矩阵a[m,n]中对应的元素设置为1（车辆匹配）；若关联失败，则将关联矩阵a[m,n]中对应的元素设置为0，并在跟踪列表中新建待跟踪车辆（新加入的车辆）。
[0036]
s148.利用质心的预测值来更新车辆位置，若车辆连续关联（跟踪）失败次数超过设定的阈值，则结束对该车辆的跟踪，并将其从跟踪列表中删除（车辆消失或跟踪失败）。
[0037]
s149.在一个跟踪周期结束后，统计关联矩阵a[m,n]中元素为1的个数，得到该跟踪周期的实时车流量。
[0038]
完成一个跟踪周期的实时车流量统计后，对参数进行更新（即，在一个新的跟踪周期对前述所述步骤的重新初始化和启动，例如：混合高斯模型的相关参数的重新设定并背景建模以获取前景车辆、形态学运算以获取各车辆质心、kalman滤波和k-m匹配以确定车辆实时流量等），建立新的跟踪列表（即，对重新检测到的各车辆质心进行重新跟踪并计数），进入下一个跟踪周期。
[0039]
本实施例中，连续帧中车辆的检测和跟踪、匹配和校正可以分为五个阶段：(1)、车辆出现；(2)、车辆匹配；(3)、车辆遮挡；(4)、车辆分离；(5)、车辆消失。
[0040]
s200.基于韦伯斯特延误模型，计算车辆的一致延误时间和随机延误时间。
[0041]
一般地，车辆延误根据车辆到达率的不同主要分为两种情况：一是一致性延误，车辆产生的到达率为常数；二是随机延误，车辆产生的到达率不一致(随机到达)。这两种情况合为车辆的延误，则车辆延误的计算公式也是由两部分构成。
[0042]
车辆的一致延误时间的计算公式为：式中，为第i相位车辆的一致延误时间，单位为秒；c为周期时长，单位为秒；为观测期间第i相位的绿信比，单位为百分比；为第i相位的有效绿灯时长，单位为秒；为观测期间第i相位第j进口道的车辆饱和度，单位为百分比；车辆的随机延误时间的计算公式为：式中，为第i相位车辆的随机延误时间，单位为秒；为观测期间第i相位第j进口道到达的车流量，单位为辆/周期；为观测期间第i相位第j进口道的车辆饱和度，单位为百分比。
[0043]
s300.根据车辆的一致延误时间和随机延误时间计算车辆的平均延误时间。
[0044]
若要得到一个周期内交叉路口的平均延误时间d，故进行加权平均。车辆的平均延误时间的计算公式为：其中，式中，为第i相位车辆的一致延误时间，单位为秒；c为周期时长，单位为秒；为观测期间第i相位的绿信比，单位为百分比；为第i相位的有效绿灯时长，单位为秒；为观测期间第i相位第j进口道的车辆饱和度，单位为百分比；为第i相位车辆的随机延误时间，单位为秒；为观测期间第i相位第j进口道到达的车流量，单位为辆/周期；d
为车辆的平均延误时间。
[0045]
s400.以最小化车辆的平均延误时间为目标函数，建立动态调度模型。
[0046]
以最小化车辆的平均延误时间为目标函数时，约束条件为：式中，为最小有用绿灯时长，为最大有用绿灯时长，为最小周期时长，为最大周期时长；l为交叉路口的总损失时间，，为第i相位损失时间，ar为全红时间。
[0047]
所述动态调度模型中，最小化平均延误时间d得到的的值即各相位的配时时间；其中，路口相关指标（如等），通过对实时车流量的统计得到。
[0048]
s500.将所述实时车流量输入所述动态调度模型，求解出车辆的平均延误时间d取最小值时的信号灯分配时间。
[0049]
在一些实施例中，将所述实时车流量输入所述动态调度模型，求解出车辆的平均延误时间d取最小值时的信号灯分配时间，包括：s510.初始化动态调度模型的约束参数，所述动态调度模型的约束参数包括最小周期时长、最大周期时长、最小绿灯时长和最大绿灯时长。
[0050]
s520.根据所述实时车流量获取观测期间的绿信比、观测期间到达的车流量、观测期间的车辆饱和度。
[0051]
s530.根据各个交叉口的平面布局和观测期间的车辆饱和度，动态调整并设定调度所需的周期时长c，。
[0052]
s540.初始化自适应遗传算法的种群大小，根据种群中个体的平均适应度和最大适应度的不同关系，计算交叉概率和变异概率。
[0053]
在一些实施例中，交叉概率 和变异概率的取值公式为：式中，，为种群中个体的平均适应度，为种群中个体
的最大适应度。
[0054]
s550.以最小化车辆平均延误时间d为目标，利用自适应遗传算法对动态调度模型进行求解，得到各相位的绿灯时长，此即各相位的绿灯最优配时。
[0055]
在一些实施例中，如图3所示，自适应遗传算法的求解过程为：s551.初始化步骤：编码和初始化种群，编码和初始化种群包括初始化种群大小、染色体长度、交叉概率和变异概率、最大迭代次数（遗传代数）、迭代收敛条件等。
[0056]
s552.适应度计算步骤：计算每个个体的适应度值，选择并保留适应度大于预设值的个体，即保留精英。
[0057]
s553.交叉和变异概率计算步骤：计算个体的自适应交叉和变异概率，若，则按变异
→
交叉
→
选择操作，否则按交叉
→
变异
→
选择操作。
[0058]
s554.终止条件判断步骤：判断是否满足最大迭代次数或收敛条件；若是，则输出结果，否则再次执行s552。
[0059]
实际计算中，交叉和变异概率可能在某一时刻变得非常大，这时破坏比较好的优质个体的可能性就越高。本实施例采用精英保留策略，来保留遗传算法中每一代的最优个体(适应度值最高的个体)。精英保留策略是改进遗传算法全局收敛性的一个重要保证条件。
[0060]
下面通过实际案例将本实施例的方法与现有方法进行比较：本案例主要分为两个部分：(1)、数据获取和模型求解，具体步骤如下：step1：获取真实路口的实时车流量数据；基于这些数据，计算各路口流量指标；step2：基于各路口流量指标，利用 matlab 对定时控制、一般遗传算法及改进遗传算法进行求解，得到的红绿灯配时方案及平均延误时间d；step3：对上述 3 种方案的平均延误时间d进行比较。(2)、vissim 仿真实验和指标评价。
[0061]
仿真实验数据：针对成都市典型的三种交叉路口：十字、t 型、环形，选取了 5 个不同的实地交叉路口进行实证分析。十字路口选取的是道路1和道路2（如图4所示）、道路3和道路4两个十字路口（如图5所示）；t 型路口选取的是道路5和道路6（如图6所示）、道路2和道路7（如图7所示）两个 t 型路口；环形选取的是道路8、道路9和道路10（如图8和图9所示）形成的路口。选取的调查时段为早高峰（08:00
ꢀ‑ꢀ
09:00，即：3600 秒的统计流量）。图4～图9是获取的实验数据，即每个路口的实时车流量（其中，图8和图9为同一路口在不同时段的检测流量，故略有差异）；图10 是实地考察获取的传统配时方案。
[0062]
根据前文得到的数据计算各路口的相关指标，如表1-表6所示。
[0063]
表1 十字路口 1（道路1和道路2）表2 十字路口 2（道路3和道路4）
表3 t 型路口 1（道路5和道路6）表4 t 型路口 2（道路2和道路7）表5 环形路口（道路8、道路9和道路10）表6 环形路口（道路8、道路9和道路10）利用 matlab 对定时控制、一般遗传算法及改进遗传算法（本实施例的遗传算法）进行求解，得到的红绿灯配时方案及平均延误时间，如表7-表12所示。
[0064]
表7 十字路口 1（道路1和道路2）表8 十字路口 2（道路3和道路4）表9 t 型路口 1（道路5和道路6）表10 t 型路口 2（道路2和道路7）
表11 环形路口（道路8、道路9和道路10）表12 环形路口（道路8、道路9和道路10）由以上数据可以看出：本发明提出的配时方案（改进遗传算法）在平均延误时间上，相比于定时控制有较大幅度的改善；相比于现有遗传算法，同样有一定程度的改善。
[0065]
采用交通仿真软件 vissim（v4.30）对得到的动态配时方案进行实验验证，从而得到最优的、切实可行的红绿灯配时方案。其中，仿真时间设置为 3600s，且每隔 60s 输出一次。在仿真实验结束后，获得评价指标文件，并对各指标进行比较。
[0066]
vissim 仿真的操作流程由附图11进行说明，在vissim仿真过程中，对路网结构、流量和路径设置、信号配时及评价指标进行设计，并针对不同路口运行实例。
[0067]
以下基于 vissim 仿真输出的评价指标文件，对定时控制和本发明的优化配时进行对比。实验采用节点(node)评价，选取如下 3 个评价指标，分别是：排队长度、停车次数和延误时间。评价结果的比较如表13-表18所示，据此可以看出本发明提出的配时方案在 3 个评价指标上都有较大幅度的改善，在路口交通流量控制上获得了更好的效果，这也佐证了本发明算法的有效性和可用性。
[0068]
表13 十字路口 1（道路1和道路2）表14 十字路口 2（道路3和道路4）表15 t 型路口 1（道路5和道路6）表16 t 型路口 2（道路2和道路7）
表17 环形路口（道路8、道路9和道路10）表18 环形路口（道路8、道路9和道路10）以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

技术特征：
1.一种路口交通信号灯配时方法，其特征在于，包括：检测路口的实时车流量；基于韦伯斯特延误模型，计算车辆的一致延误时间和随机延误时间；根据车辆的一致延误时间和随机延误时间计算车辆的平均延误时间；以最小化车辆的平均延误时间为目标函数，建立动态调度模型；将所述实时车流量输入所述动态调度模型，求解出车辆的平均延误时间取最小值时的信号灯分配时间。2.根据权利要求1所述的一种路口交通信号灯配时方法，其特征在于，检测路口的实时车流量，包括：获取路口的实时交通视频；利用混合高斯模型对所述实时交通视频的视频帧进行背景建模；利用混合高斯模型检测出实时交通视频中的所有车辆；利用 kalman 滤波跟踪车辆，并随着视频时间的推移，统计路口的实时车流量。3.根据权利要求2所述的一种路口交通信号灯配时方法，其特征在于，所述混合高斯模型的学习率为：式中，；其中，为前一帧图像图像中运动目标的总面积，为前一帧图像中检测出的车辆总数量，为一帧图像的总面积；为在固定摄像头拍摄时单个车辆相对于整个图像画面面积的比例；为设定的初始学习率，为处理第t帧图像时的学习率，为学习率自适应调整因子。4.根据权利要求2所述的一种路口交通信号灯配时方法，其特征在于，利用混合高斯模型检测出实时交通视频中的所有车辆，包括：对所述实时交通视频进行背景剔除，得到前景图像，并对所述前景图像进行二值化；对二值化后的前景图像进行opencv形态学运算，剔除前景图像中的噪声孤立点，并对车辆中存在的孔洞进行填充；对进行孔洞填充后的前景图像进行基于opencv的轮廓检测，绘制各车辆的最小外接矩形，得到各车辆的覆盖区域。5.根据权利要求2所述的一种路口交通信号灯配时方法，其特征在于，利用 kalman 滤波跟踪车辆，并随着视频时间的推移，统计路口的实时车流量，包括：根据车辆的最小外接矩形标记各车辆在当前帧的质心；利用kalman滤波预测各车辆在下一帧的质心；对所有待跟踪车辆建立跟踪列表；在所有待跟踪车辆的质心的预测值和当前观测值之间建立关联矩阵a[m,n]，其中m为待跟踪车辆的序号，n为检测到的车辆的序号，所述关联矩阵中所有元素的初始值为0；计算代价函数，所述代价函数为待跟踪车辆和检测到的车辆的质心之间的欧式距离；
生成代价矩阵c[m,n]，其中m为待跟踪车辆的序号，n为检测到的车辆的序号，所述代价矩阵中对应元素的值为对应的欧式距离；利用km算法对代价矩阵c[m,n]进行关联匹配，若关联成功，则将关联矩阵a[m,n]中对应的元素设置为1；若关联失败，则将关联矩阵a[m,n]中对应的元素设置为0，并在跟踪列表中新建待跟踪车辆；利用质心的预测值来更新车辆位置，若车辆连续关联失败次数超过设定的阈值，则结束对该车辆的跟踪，并将其从跟踪列表中删除；在一个跟踪周期结束后，统计关联矩阵a[m,n]中元素为1的个数，得到该跟踪周期的实时车流量。6.根据权利要求1所述的一种路口交通信号灯配时方法，其特征在于，车辆的一致延误时间的计算公式为：式中，为第i相位车辆的一致延误时间，单位为秒；c为周期时长，单位为秒；为观测期间第i相位的绿信比，单位为百分比；为第i相位的有效绿灯时长，单位为秒；为观测期间第i相位第j进口道的车辆饱和度，单位为百分比；车辆的随机延误时间的计算公式为：式中，为第i相位车辆的随机延误时间，单位为秒；为观测期间第i相位第j进口道到达的车流量，单位为辆/周期；为观测期间第i相位第j进口道的车辆饱和度，单位为百分比；车辆的平均延误时间的计算公式为：其中，式中，为第i相位车辆的一致延误时间，单位为秒；c为周期时长，单位为秒；为观测期间第i相位的绿信比，单位为百分比；为第i相位的有效绿灯时长，单位为秒；为
观测期间第i相位第j进口道的车辆饱和度，单位为百分比；为第i相位车辆的随机延误时间，单位为秒；为观测期间第i相位第j进口道到达的车流量，单位为辆/周期；d为车辆的平均延误时间。7.根据权利要求1所述的一种路口交通信号灯配时方法，其特征在于，以最小化车辆的平均延误时间为目标函数时，约束条件为：式中，为最小有用绿灯时长，为最大有用绿灯时长，为最小周期时长，为最大周期时长；l为交叉路口的总损失时间，，为第i相位损失时间，ar为全红时间。8.根据权利要求1所述的一种路口交通信号灯配时方法，其特征在于，将所述实时车流量输入所述动态调度模型，求解出车辆的平均延误时间取最小值时的信号灯分配时间，包括：初始化动态调度模型的约束参数，所述动态调度模型的约束参数包括最小周期时长、最大周期时长、最小绿灯时长和最大绿灯时长；根据所述实时车流量获取观测期间的绿信比、观测期间到达的车流量、观测期间的车辆饱和度；根据各个交叉口的平面布局和观测期间的车辆饱和度，动态调整并设定调度所需的周期时长；初始化自适应遗传算法的种群大小，根据种群中个体的平均适应度和最大适应度的不同关系，计算交叉概率和变异概率；以最小化车辆平均延误时间d为目标，利用自适应遗传算法对动态调度模型进行求解，得到各相位的绿灯时长。9.根据权利要求8所述的一种路口交通信号灯配时方法，其特征在于，交叉概率和变异概率的取值公式为：
式中，，为种群中个体的平均适应度， 为种群中个体的最大适应度。10.根据权利要求8所述的一种路口交通信号灯配时方法，其特征在于，自适应遗传算法的求解过程为：初始化步骤：编码和初始化种群，编码和初始化种群包括初始化种群大小、染色体长度、交叉概率和变异概率、最大迭代次数、迭代收敛条件；适应度计算步骤：计算每个个体的适应度值，选择并保留适应度大于预设值的个体；交叉和变异概率计算步骤：计算个体的自适应交叉和变异概率，若，则按变异
→
交叉
→
选择操作，否则按交叉
→
变异
→
选择操作；终止条件判断步骤：判断是否满足最大迭代次数或收敛条件；若是，则输出结果，否则再次执行适应度计算步骤。

技术总结
本发明公开了一种路口交通信号灯配时方法，属于智能交通技术领域。所述方法包括：检测路口的实时车流量；基于韦伯斯特延误模型，计算车辆的一致延误时间和随机延误时间；根据车辆的一致延误时间和随机延误时间计算车辆的平均延误时间；以最小化车辆的平均延误时间为目标函数，建立动态调度模型；将所述实时车流量输入所述动态调度模型，求解出车辆的平均延误时间取最小值时的信号灯分配时间。本发明既可以更全面的涵盖多种情况的交通流量，又减少了模型的计算量。了模型的计算量。了模型的计算量。


技术研发人员：黄天云 陈静
受保护的技术使用者：西南民族大学
技术研发日：2023.04.26
技术公布日：2023/5/30