无线光伏智能交通信号灯的设计与研究硕士学位论文(编辑修改稿)

无线光伏智能交通信号灯的设计与研究硕士学位论文(编辑修改稿)内容摘要：

通信号控制系统中，为了避免交叉路口的车辆发生冲突，而影响路口的通行能力，甚至发生交通事故，使有车辆冲突的方向按一定的规律间隔放行 [18]。 因此提出了相位这个概念 ： 在一个周期的时间内 ， 十字路 口 中某个方向或者某几个方向上的机动车允许通行，这个通行权 称 为交通信号控制中的相位 ； 通常 可以用 有方向的箭头来指示相位，箭头所指的方向表示机动车的前进方向。 二相位的十字路口交通灯系统如图 21 所示，它的两个相位分别是 为东西向 直行和 南北向直行。 四相位交叉路口如图 22 所示。 第 一 相 位 第 二 相 位 图 21 两相位交叉路口示意图 第二章 交通信号灯相关研究背景和基础 6 第 一 相 位第 四 相 位第 二 相 位第 三 相 位 图 22 四相位交叉路口示意图 本设计针对的是临时路口和偏远路口，多为小路口，使用两相位红绿灯更加适合这样的路口，因此，后文设计中使用两相位交通灯作为设计对象。 车 道 流量比率 车 道 流量比率指的是某个确定方向上 的某个车道上选取一个截面 ， 通过这个截面的车流量的实际值和饱和值的比值。 车 道 流量比率对十字路口的红绿灯时间分配起着至关重要的作用。 绿信比 绿信比 红绿灯在一个信号周期内，绿信号 长度 （允许 通行时间 ） 与 总周期时间 的比值 ，一般用 符号 λ 表示。 CGe/TTλ (21) 式中： λ 代表 绿信比， CT 是指 周期时长， GeT 表示 有效绿 灯时长；通过绿信比可以很直观的看出一个路口的车辆通行效率。 饱和流量 饱和流量 指的是在理想状态下，绿信号存在的时间段内，可以通过的最大车流量，这个参数是在十字路口系统中，用来测量机动车通行能力的 重要指标 [19]。 第二章 交通信号灯相关研究背景和基础 7 流量系数 流量系数 指的是在正常运行情况下，实际车流量与饱和车流量的比值。 我们 不仅 可以根据流量系数来求得红绿灯时长的调整参数，还可以根据这个洗漱来衡量十字路口的拥挤程度。 流量系数的数学表达式可以表示 为： sq/qy (22) 式中， sq 表示某个车道的饱和流量； q 指的是实际测量出来的机动车流量。 绿灯时间间隔 绿灯时间间隔是指 一个相位上，两个相邻绿灯信号之间的时间间隔。 它的 值 等于这个相位上的黄灯所消耗的时间的红灯所消耗的时间的和。 假设某个交叉路口的某相位黄灯时间为 YT ，红灯的时间为 RT ，则该相位绿灯时间间隔 BT 为： RYB /TTT  (23) 有效绿灯时间 有效绿灯时间区别于绿信号的地方在于，机动车看到绿信号亮到启动，会有一定的延时，并且在绿信号变黄信号之后路口还会有滞留， 它在数值上等于绿灯时间与黄灯时间之和减去头车启动的损失时间。 有效绿灯时间其实就是指机动车通过路口实际可以被利用的时间。 延误 延误是 车辆通过路口时的时 间损失，主要由信号控制设备的失误或者限制造成的。 路口的交通流畅度常常由这个参数来衡量。 在控制设备的 红绿灯时长配置 的运算过程中，它也起着至关重要的作用。 因此 ，也常用该参数来衡量信号控制系统的性能。 灯组 灯组指路口交通信号控制器的通行信号输出。 它对于机动车和行人来说存在着一定的区别。 用于控制机动车的灯组每个方向都有三种颜色的灯，分别是红色、绿色和黄色。 而用于控制指挥行人通过十字路口的灯组，每个方向上的信号只有红色和绿色两种，这两种信号灯构成了一个指挥行人的灯组。 控制方案 控制方案 说的直白点，就是说 如何控制一个路口的交通灯。 在控制方案的制定过程中，需要确定 这个控制器正常工作时的一些控制参数。 包括 诸如 相位差、过渡时间、相位时间等 这样的重要参数，都在控制方案设计过程中计算调整完毕。 1过渡方案 过渡方案是 对绿灯向红灯转化的一个过渡过程的描述，就是绿灯经过一个过渡方案之后变为了红灯。 非机动车和机动车 的过渡方案通常被设定为 绿闪、黄灯、全红三个部分，一般 先进行 3 秒钟的绿灯闪烁，提醒机动车和非机动车绿灯即将结束，然后点亮黄灯 3 秒，禁止交通路口外的车辆进入路口，并且提醒路口内车辆尽快驶离路口，最后转第二章 交通信号灯相关研究背景和基础 8 变为红灯，禁 止车辆通行。 而 对行人而言，过渡方案 通常被设定为 绿闪和全红两个阶段，一般绿闪 5 秒之后直接跳转为红灯。 本章小结 本章主要介绍了 交通信号灯 ，是整个系统设计 的基础。 首先对 交通信号灯的起源、发展、以及它的一些基本情况做了详细介绍，然后重点介绍了交通信号控制中的主要参数的定义及功能，为后文的交通信号灯控制打下了基础。 第三章 车流量预测及动态配时方案设计 9 第三章 车流量预测及动态配时方案设计 本章根据车流量的特点提出了一种车流量预测的改进型方法。 运用车流量预测的结果，实现对交通灯周期和相位时长的动态调整。 车流量数据的特点 车流量 指的是在指定的时 间内， 以 公路上的某点选取横截面 ，行驶过这 一截 面的车辆数。 一般而言，车流量 随空间和时间不断变化 ，其随机性致使对其分析较为困难。 但是人们上下班时间大致相同，这使交通流量有一定的规律可循， 因而 从对 交通 流量 的分析中可以看 出一些 明显的 规律性特征 ，主要包括： 动态性 城市道路的 车流量 瞬息万变，因为它 受 到了许多不定因素的影响，比如天气条件、广播指挥、名人诱导、交通管理控制方案等。 然后伴随着汽车保有量的增加，即便是同一段公路上，不同时期的交通流量也会存在着较大的差异，总体上呈现出增长的趋势。 此外， 道路上的突发事件常常也 会对交通流量进行非常不稳定的影响。 总而言之， 城市道路的车流量数据变化莫测。 周相似性 现代城市中，人们由于工作的原因，呈现出来一种集群的趋势，即基本都在同一时间段上下班。 根据这个规律，我们对 一些 交通流 量 进行了 研究 ，从中 发现， 相同路段的交通量 在短时间内虽然呈现出不确定性，但 是一旦将测量时间延长， 在 一个较长 的周期内却往往会重复出现 一些 规律 性的特征 ，将 种规律性 通常 以年、季度、月和周为周期单位。 对数据进行对比分析之后发现 ， 在众多周期中，以一个星期作为周期的数据 的 相似度 往往高于以其他单位作为周期的数据。 我们称这种 以一 周 作为周期 的 车流量 数据在变动趋势上十分接近的性质为周相似性 [20]。 同时值得注意的一点细节是 ， 一个星期之内，星期六和星期天比较特殊，不论从变化规律来看还是从数值大小比较，都与剩余 5 天存在着明显的差异，这个差异主要是因为工作日人们出行往往需要赶在规定的上班时间之前所导致的。 调查人员经过了对大量数据的分析之后发现 ， 工作日 之间， 交通流量 在数值 大小和变化规律上均存在着较大的相似性，而周末和周末之间，也具有非常好的拟合度 [21]。 第三章 车流量预测及动态配时方案设计 10 车流量预测 车流量预处理方法 在交通系统 的 实际 运行过程 中 ， 动态 数据的采集 将 无可避免地受传感器硬件故障、通讯故障 以及 噪声干扰等问题的 影响， 而 造成 数据异常或数据丢失等问题 ，这会 大大影响数据的质量 ， 导致挖掘深层次的交通 流量 特征和 数据 变化规则 变得更加艰难。 同时，道路车流量 检测器采集到的 车流量 数据 的 质量 又与 道路 车流量 预测 的 准确性 有着 直接关系，并 对实时交通控制和诱导起着 至关重要的 作用 [23]。 因此 ， 为了有效 地 分析交通数据规律、建立精确的 交通流量 模型 ， 针对检测设备采集数据 时 可能出现的 一些 问题 ， 必须对采集得到的初步结果进行预处理，将异常数据从正常数据中屏蔽出来，防止异常数据对整个采样 数据形成干扰。 车流量 数据的过滤 主要分为 两 个方面： 错误数据的 剔除 和丢失数据的补偿 ，若根据数据处理的实时性 又可以分为两类 ： 非实时 车流量 过滤 和 实时车流量 过滤。 根据不同类型对过滤结果的不同要求，需要采取对应的处理方法。 使用实时的 车流量 控制、预测和事件检测等算法 时，需要 满足 较高的 实时性 ， 可以采用 较为 简单的阀值法 ， 但 该方法会对预测的精确性造成一定的影响； 对历史数据库中的 车流量 进行过滤 时可以 使用非实时交通流 量 过滤 法，用以 分析清洗数据 ， 为 车流量 预测提供基础 ，但是 由于复杂的运算和分析，系统 实时性会比较差。 而对故障数据的处理需 要以故障数据的识别为基础，以下内容对故障数据的识别方法加以介绍。 异常 数据的识别方法 对交通系统中的数据采集系统进行分析之后发现 ， 出现异常 数据 原因虽然很多，但是主要 是 因 为检测电路故障或者传输过程中外界环境对信号造成了干扰导致的。 我们将出现故障的数据分为两大类 ， 一类是丢失的数据 ， 另一类是错误的数据。 （ 1） 丢失数据的识别 实际系统中，交通数据从采集、传输到最后运算的过程中，出现 交通数据无法 上传而丢失 的因素很多 ，例 如 两车间隙太小造成的检测器无法分辨、信号 传输 线路 收到干扰或者遭到破坏、检测器故障等 情况下会 出现 某些时刻的数据空白 ， 这种现象会严重干扰下一步进行的数据处理工作。 因此， 为了排除这种故障，通常将一段时间内的数据记录下来，将其定义为某一时刻的数据。 例如 如果规定数据累加的 时间间隔为 15 分钟 ， 那么在 8:00 到 8:15 之间 测得的车流量规定 为 8:00 这一时刻的数据 ，在此基础上 对 这些时刻点的数据 进行 读取 ， 若 发现 在某一 时刻 没有 检测到 数据 ， 则 判定为数据丢失。 （ 2） 错误数据的识别 如果地感线圈或者传输线路出现问题，此时采集到的数据是掩盖了真实的交通状况，这会对交通流量预测造成一定程度上的影响。 错误的数据通常表现为异常大或 者异常小。 阀值法 能够有效的处理这方面的问题。 它的算法非常简易，只需要设置一定的区间，通过判断 所采集的数据是否超越了这个区间即可分析出这个数据是否是错误数据。 由于这种方法计算量小，计算速度快，所以一般在线计算的时候常常会采用这种方式进行错误数据的识别，但是这种方法无法准确的排除错误数据 [21]。 第三章 车流量预测及动态配时方案设计 11 故障数据的处理方法 对于 故障数据的处理 主要有 两种方法 ： 一 是将 故障数据直接 剔除 ， 这种方法应用条件较为苛刻，其需要大量的数据作为基础，而且其中不能有太多的错误数据。 二是 使用历史平均数据代替错误数据的原则，对错误数据 进行弥补。 车流量预测原则 连续性原则 所有事物的发展都是有据可循的， 连续性原则 就 是根据事物发展 的 规律和趋势 而总结出来的 一般性原则。 连续性原则 指事物的发展过程中今天是和昨天密不可分的 ，而 明天和今天也是一脉相承的。 在这类系统中，连续性原则是一个显而易见的特征。 许多交通流量的影响因子都具有一定的连续性。 因而 影响交通流量的因素 连续性的存在为交通预测提供了 一种可行的方式和依据。 相关性原则 任何事物都是与周围的事物相互影响着，因此他们之间的变化不会是相互独立的。 一件事物的变化必然会引起周围其他事 物发生一定的变化，而这件事物的变化必然也是由其他事物的变化引起的。 这种事物之间的相互影响就是相关性。 类推性原则 不同事物之间常常存在着许多相似之处 ， 在某些情况下，或者某些方面，一种事物的发展规律常常和与其联系紧密的一种或者几种事物的发展规律表现出相当大的相似性，因此我们可以利用这种相似性从这种事物类推出另外的事物的发展规律，这就是类推性原则。 当然，如果有大量的数据进行数据分析，类推性原则也不需要也不适合被用来做预测。 当缺乏历史数据时，类推原则就发挥了其重要的指导作用。 类推性原则应用的首要条件是类推性， 如果两事物之间不存在类推关系，一件事物无法反映出另一事物的变化规律的话，就不能使用这个原则做预测，不然会使预测结果严重偏离实际情况。 此外， 在应用中需要注意的是，相似与相同存在着一定的差异，不能将两者完全等同起来，就是说， 利用 这个原则的时候需要同时关注事物的两面性，即被测对象与预测对象之间的相同与不同 [24]。 车流量预测模型概述 车流量 预测方法目前主要有回归分析算法、历史均值算法、时间序列算法、人工神经元网络算法、非参数回归算法、卡尔曼滤波算法等，至今为止已提出了近三十种车流量预测方法 [25]。 这些方法当中，既有各自的局限性，又有各自的针对性。 利用这一特点，取长补短，将多种预测方法结合，得到的新方法为车流量预测提供了一条可行的捷径，。 下面主要介绍了几种国内外常用的预测方法。 多元线性回归预测方法 线性回归 预测方法 利用的是类推性原则，它先建立一个因变量和几个解释变量之间的相互关系，然后通过这个关系去对因变量进行分析和估计。 在应用这种方法之前，必须先确定这些变量之间存在着相互关系，绝对不能是相互独立。