專利名稱：單點信號控制交叉口的混合控制方法
技術領域：
本發明涉及城市單點信號控制交叉口的交通智能控制技術，屬于城市交通信號自動控制的技術領域。
背景技術：
在城市道路網中，交通擁擠或阻塞往往發生在道路交叉口(由于在交叉口交通流沖突，在一般情況下，道路交叉口的通過能力不足正常道路路段的50％)，因此，解決城市道路交通擁擠的關鍵是提高交叉口的通過能力，通常的做法是修建立交、拓寬交叉口、實行信號燈控制。修建立交占地大，影響城市景觀，在城市道路中很少采用；拓寬交叉口也要占用較大的土地資源，在寸土寸金的城市內，交叉口拓寬很有限；相比之下，信號燈控制基本上不增加土地資源，并能實現沖突交通流的分離，使交通流有序通過交叉口，成為提高交叉口通行能力的有效措施。
我國城市道路交叉口信號控制中，單點信號控制處于主導地位，而機非混合交通現象在我國城市道路交叉口中又表現得最為嚴重。因此，解決道路交叉口混合交通流的單點信號控制問題，對緩解我國日趨嚴重的城市交通擁擠狀況有重要的意義。
發明內容
技術問題針對中國混合交通流特點及信號控制系統以單點控制為主這一現實，本發明提出一種單交叉口的交通信號混合控制方法，該混合控制方法能針對不同交通狀態自動選擇定時控制或具有自適應能力的模糊控制。
技術方案本發明的單點信號控制交叉口的混合控制方法其核心思想是以相位相序優化為前提，基于聚類方法劃分信號交叉口交通狀態，根據實時交通信息(交通量、速度、占有率、車頭時距等)和短時交通量的預測值，使用范例推理判斷當前交通狀態，對于當前交通狀態和當前所用信號控制模式之間的不同組合，自動選擇定時控制或具有自適應能力的模糊控制。定時控制考慮機動車與非機動車的延誤約束條件，以機動車通行能力最大為目標進行信號配時，模糊控制融合了預測控制的思想，采用三維模糊控制器，其輸入是交叉口當前相實時交通量、后繼相實時交通量、后繼相的預測交通量，輸出為后繼相的綠燈時間，模糊控制器所用的模糊規則已經離線優化。
1混合交通流下交通信號的定時控制方式對于交通流相對平穩的高峰時段，采用定時控制，主要目標是保證機動車道的通行能力最大。在交叉口信號相位相序給定的條件下，考慮機動車與非機動車的延誤(服務水平)約束條件，機動車通行能力最大的優化模型為Cp*=maxCp=maxΣiΣjΣkCplijk=maxΣiΣjΣkqsClijk·λli]]>S.t.d1=Σjkdjkqjk/Σjkqjk≤d1Li]]>d‾b=∫T-rT+m((T-t)+1Q∫T-rtq(t)dt)q(t)dt∫T-rT+gq(t)dt≤d‾bLi]]>tRWMp≤tRthpgimin≥max(giminb，giminp)，i＝1，2，...，nphT‾pw=maxj=1nor(T‾pwj)≤T‾pth]]>式中Cp-信號交叉口機動車道的通行能力(pcu/h)；Cplijk-第l周期各信號相位各方向各車道機動車道的通行能力(pcu/h)；qsClijk-第l周期各信號相位各方向各車道機動車的修正飽和流率(pcu/h)；λli-第l周期各信號相位機動車的綠信比；l-所考察的信號周期；i-相位序號；j-方向序號；k-車道序號；d1-交叉口每車的平均信控延誤；djk-交叉口j方向k車道機動車的每車的平均信控延誤；
qjk-交叉口j方向k車道機動車的高峰15min交通流率；d1Li-交叉口服務水平Li下機動車每車的平均信控延誤；db-自行車的平均延誤；dbLi-服務水平Li下自行車的平均延誤；tRWMp-行人過街最長等待紅燈時間；tRthp-行人過街最長等待時間閾值；gi-交叉口i相位的綠燈顯示時間；giminb-交叉口i相位自行車的最短綠燈時間；giminp-交叉口i相位行人的最短綠燈時間；nph-交叉口的信號相位數；Tpw-交叉口行人過街平均等待時間；Tpwj-交叉口j方向行人過街平均等待時間；Tpth-交叉口行人過街平均等待時間閾值；Nor-二交叉口的交叉道路數目。
考慮粒子群優化算法(particle swarm optimization algorithm，PSO)可用于求解大量非線性、不可微和多峰值的復雜優化問題，程序實現異常簡潔，需要調整的參數少，特別適合工程應用，故運用粒子群優化算法對上述高峰時間機動車通行能力最大的優化模型進行尋優，從而得到單交叉路口多相位混合交通流控制的信號周期及信號配時參數。
粒子群優化算法是一種基于群智能方法的演化計算技術，該算法源于對鳥類捕食行為的模擬。在PSO中，每個優化問題的解都是搜索空間中的一只鳥，稱之為“粒子”。所有的粒子都有一個適應值和速度決定他們飛翔的方向和距離。然后粒子們就追隨當前的最優粒子在解空間中搜索。
PSO算法可描述如下假設在一個D維的目標搜索空間中，有m個粒子組成一個群落，其中第i個粒子表示為 i＝1，2，…，m，即第i個粒子在D維搜索空間中的位置。將 帶入目標函數就可以計算出其適應值，根據適應值的大小衡量 的優劣。第i個粒子的“飛翔”速度也是一個D維的向量，記為 記第i個粒子迄今為止搜索到的最優位置為pi_best，整個粒子群迄今為止搜索到的最優位置為pg_best。算法首先初始化一群隨機粒子，然后通過迭代找到最優解。在每一次迭代中，粒子通過跟蹤上述兩個“極值”來更新自己，公式如下vi＝vi+c1r1(pi_best-xi)+c2r2(pg_best-xi)xi＝xi+vi其中，學習因子c1和c2是非負常數；r1和r2是介于
之間的隨機數。
迭代終止條件根據具體問題設定，一般用最大迭代次數或粒子N次迭代后最優解不變作為結束搜索的條件。
PSO同遺傳算法類似，但是沒有遺傳算法的交叉以及變異操作，而是粒子即潛在的解在解空間追隨最優的粒子進行搜索。因此，與遺傳算法比較，其優勢在于簡單容易實現同時又有深刻的智能背景。
2交叉口實時模糊控制對于交通流波動較大、隨機性較強的平峰時段，以交叉口實時變化的交通量和短時交通量的預測值為依據，根據模糊控制理論，進行信號綠燈時間資源的實時自適應優化分配，有效利用時間資源。
設當前相和后繼相實時交通量分別為q和qs，后繼相預測交通量為ps，綠燈時長為e，則e＝fc(q，qs，ps)。fc是待設計的三維模糊控制器，q、qs和ps是模糊控制器的輸入變量，e是其輸出。
控制過程如下將精確的輸入量(q，qs，ps)進行模糊量化處理變成模糊量，激活規則庫中的相應模糊控制規則，進行模糊推理得到模糊控制量，再經清晰化處理轉為精確量e，控制信號驅動電路。
該交通信號模糊控制器將短時交通量的預測值做為控制器輸入之一，融合了預測控制的思想；此外采用遺傳算法離線優化模糊控制規則庫，進一步改善和提高了交叉口的模糊控制性能。
●小波分析—神經網絡短時交通量預測模型交通量預測值ps的準確與否對于模糊控制器的性能有重要的影響。用于交叉口信號配時優化的交通量預測，預測時間間隔非常短，交通流量的不確定性很強，本發明運用小波分析—神經網絡復合預測模型對交叉口短時交通量進行預測，所得到的交叉口交通量預測值直接作為交通信號模糊控制器的輸入，服務于信號配時。
小波分析—神經網絡預測方法首先用小波函數對交通量數據進行多分辨率的分解，將表達交通流本質變化趨勢的低頻信號與高頻干擾信號相分離，而后對基本信號和不同分辨率的干擾信號建立神經網絡預測模型，最后外推出預測結果并進行合成，從而得到交通量的預測結果。步驟如下(1)小波分解。選用某一小波函數對交通量時間序列進行多分辨率的分解，設分解尺度為N，分解后分解系數由兩部分組成尺度N的低頻系數向量aN和N個不同尺度下的高頻系數向量dN，dN-1，…d1。N大小與采樣時間間隔有關，采樣間隔越短N應越大。因為，信號的采樣間隔越短，隨機性越強，高頻雜波干擾分量就越多，因此也就需要更多層次的分解，才能把趨勢信號從層層高頻干擾信號中抽取出來。
(2)小波重構。用指定的小波函數分別對信號的低頻部分aN和高頻部分dN，dN-1，…d1進行多尺度重構，得到N+1個時間序列vN，wN，wN-1，…w1，其中vN是低頻信號，反映交通流本質變化趨勢，wi(i＝1，2，...，N)是高頻干擾信號。
(3)對上述N+1個重構的時間序列分別建立神經網絡預測模型。
(4)預測。使用神經網絡模型進行預測，得到N+1個預測結果 (i＝1，2，，...，N)。
(5)合成。將上述N+1個預測結果累加，獲得對應于原始交通量的預測結果，即x~=v~N+ΣiNw~i]]>●基于遺傳算法的模糊控制規則優化模糊控制器的核心部分是模糊控制規則，一般根據現有經驗和直觀考察給出一個確保安全和大致合理的語言控制規則，再根據系統的行為品質調整。設變量q，qs，ps在其論域上定義五個模糊子集，e在論域上定義七個模糊子集，控制規則最多有5*5*5＝125條，因而規則庫有1257種可能的組合。對設計者來說，要準確定出所有規則的后件，其難度可想而知。由于遺傳算法(Genetic Algorithm，GA)采用種群的方式進行搜索，一次可提供多個較優的規則庫以供參考，為了進一步改善和提高交叉口的模糊控制性能，應用遺傳算法離線優化模糊規則庫。
一條規則的后件對應染色體的一個基因，用一位1～7的十進制整數表示，一個規則庫中所有規則的后件表示為一個染色體，用125位十進制數表示。
優化的目標是找到一組規則使平均車輛延誤J最小。設初始等待車輛為q0，第i周期第j相位的車輛延誤總和為dij，到達車輛為cij，目標函數為M個周期的平均車輛延誤，則J=Σi=1MΣj=14dij/(q0+Σi=1MΣj=14cij)]]>用遺傳算法優化模糊控制規則的算法如下(1)初始化種群；(2)染色體解碼為規則，計算每個染色體的適配值；(3)若已收斂或進化代數達到預先設定值，則結束；(4)使用選擇、交叉、變異算子產生新一代，轉(2)；染色體c的適配值fit(c)＝Jmax-Jc，Jmax是當代或到目前為止的各代種群中目標函數的最大值。選擇采用基于適配值的比例選擇法。為保證算法的收斂性，還使用擇優策略，即將上代最好的染色體保留到當前新的群體中。交叉采用均勻雜交，隨機產生與染色體等長的二進制雜交模板，0表示對應位不交換，1表示交換。然后根據模板對兩個父代施行雜交，產生兩個后代。均勻雜交能搜索到點式雜交無法搜索到的模式，比較合適用于較小的群體規模。而點式交叉搜索到的模式比較少，在群體規模較小時，其搜索能力將受到一定的影響。
變異算子使用啟發式變異，對適應值大的個體在較小范圍內搜索，而對適應值小的個體在較大范圍內搜索。設染色體p＝(v1，v2，...，vn)，第k個基因vk被選中變異，變異后的染色體p′＝(v1，...，vk′，...，vn)，vk′=vk+Δ(fit(p),7-vk)r≥0vk-Δ(fit(p),vk-1)r<0]]>Δ(f,y)=y*(1-δ(1-ffmax)2)]]>其中r為隨機數，δ為
區間上的隨機數，fmax為當前群體的最大適應值。函數Δ(f，y)的值域為
，當f增大時，Δ(f，y)趨近于0的概率增大，即當f增大時，變異操作對vk的影響減小。這樣定義的變異算子將保護較好的解，使搜索在其較小的領域內進行，而對適應值低的染色體，搜索的領域較大。這樣使得變異能根據解的質量自適應地調整搜索區域，從而能較明顯地提高搜索的能力。
為了防止早熟收斂現象，采用如下方法如果在進化過程中，最優解連續N代沒有得到改善，則采用下式增大變異概率以增加個體的適應值pm＝pm*1.1遺傳算法計算量大，收斂慢，顯然不適于在線進行規則優化。但是采用離線優化，當交通條件發生變化時，優化后的規則可能已失去原有的優勢，采用以下兩個方法解決這一問題(1)根據不同路口或不同時段(季節變換，節假日與平時，交通流高峰與平峰)的交通流特性，由GA優化得到多個規則庫。實際應用中可在不同路口或不同時段，啟用合適的規則庫，以得到更好的符合實時交通流的控制效果。
(2)根據路口的交通流特性，定期或不定期由GA優化得到最新的規則庫，與現有的規則庫比較，當兩個規則庫的差異達到設定的閥值時，用最新規則庫取代原有的規則庫，否則仍使用原規則庫。設d為兩個規則庫的差異，di是第i條規則的距離，即同一規則(前件相同)后件之間的距離，如海明距離、歐氏距離等，λ為閥值，令d=Σi=1Ndiwi]]>其中，N為規則總數，wi為規則的權重，表示規則的常用程度，越經常被使用的規則，權重越大，其值可根據規則被使用的歷史信息計算得到。當d＞λ時，替換原規則庫，否則不更換規則庫。
有益效果單點信號控制交叉口的一種混合控制方法。該方法根據實時交通信息和短時交通量預測值，使用范例推理判斷交叉口當前交通狀態。針對不同交通狀態自動選擇定時控制或具有自適應能力的模糊控制。這樣做的優點在于交叉口運行模式并非根據內置時間表定時轉化，而是由當前交通流運行特征確定，避免交通流運行特征改變而內置時間表與之不匹配帶來的問題。
對于交叉口高峰狀態，采用定時控制。在交叉口信號相位相序給定的條件下，考慮機動車與非機動車的延誤(服務水平)約束條件，機動車通行能力最大建立優化模型，利用粒子群優化算法對該模型進行尋優，得到單交叉路口多相位混合交通流控制的信號周期及信號配時參數。其優點在于，配時模型針對我國的交通特點，同時考慮了機動車與非機動車的延誤，能夠優先保證高峰狀態下，機動車在交叉口的通行能力，同時又兼顧了非機動車的利益，降低由于非機動車等候過長闖紅燈引起的交通事故發生率。此外，高峰狀態下采用定時控制，可以避免自適應控制頻繁變換信號周期、綠信比或相位差可能引起的交通混亂，造成交通擁擠堵塞，增加時間延誤。
對于交叉口交通平峰狀態，采用模糊控制。模糊控制中融合了預測控制的思想，以交叉口實時變化的交通量和短時交通量的預測值為輸入，進行信號綠燈時間資源的實時自適應優化分配。采用遺傳算法離線優化模糊控制規則庫，進一步改善和提高交叉口的模糊控制性能。其優點在于，平峰狀態下交通流隨機性較大、不確定性較強，模糊控制使路口交通信號配時適應交通流量的動態需求，避免紅燈向車輛排隊等候而綠燈向無車輛通過的不合理現象，可有效減少綠燈資源的浪費。
圖1為單交叉口混合控制方法的流程圖。其中實線表示控制流，虛線表示數據流。
圖2為三維交通信號模糊控制器的結構示意圖。其中有當前相實時交通量q、后繼相實時交通量qs、后繼相預測交通量ps、后繼相綠燈時長e。
具體實施例方式
如圖1所示，各部分的實施過程如下。
實時信息采集運用地感線圈或者視頻采集設備獲得交叉口實時交通流信息，包括交通流量、速度、車道占有率、車頭時距，采樣步長可設為30秒或1分鐘。
范例庫范例庫范例推理中最重要最基本的知識庫。連續一周或更長時間采集交叉口實時交通流信息，采用基于距離的聚類分析，如K-均值方法或K-中心方法，將上述數據聚類為兩類，即交叉口運行狀態分為高峰和平峰兩類。值得注意的是，需要將工作日和非工作日數據分別聚類。選擇典型范例(靠近聚類中心的范例)離線建立范例庫，以十字路口為例，每個范例屬性包括交叉口四個進口道的交通流量、速度、車道占有率、車頭時距，加上是否工作日和交通狀態類別，共18個屬性，每個連續屬性都已經規范化為0和1之間的數，離散屬性用0或1表示，如屬性“是否工作日”以1表示是，0表示否，“交通狀態類別”以1表示高峰，0表示平峰。考慮檢索效率和準確性，工作日每類存儲500例左右，非工作日每類存儲200例左右。
范例檢索根據所采集的交通流特征數據和是否工作日，到范例庫中查找相似范例，采用歐氏距離度量范例之間的相似程度，取最相似的n個范例，其中n取為奇數，如取n＝5，采用多數表決方法確定交叉口當前的運行狀態。
交叉口模式判斷范例檢索得到的交叉口當前運行狀態和當前控制方式之間有四種可能如果當前交通狀態為高峰而當前控制方式為定時高峰時段采用定時控制方式，兩者是一致的，控制方式無需改變。但是，根據高峰時間段機動車通行能力最大的優化模型所得的信號配時參數有可能與當前采用的配時方案不同，當計算所得的信號周期與原信號周期之間大于10秒時(兩者之差可根據交叉口實際情況設置)，啟用新的信號配時方案。
如果當前交通狀態為高峰而當前控制方式為模糊兩者沖突，檢查最近連續5次的范例檢索結果，如果其中至少4次屬于高峰狀態，則確定交叉口當前運行狀態為高峰期，將控制方式從模糊控制切換到定時模式，否則維持原模糊控制方式不變。之所以選擇5次，目的是使交叉口當前運行狀態的判斷更為可靠，從而避免兩種控制方式之間頻繁更換。
如果當前交通狀態為平峰而當前控制方式為定時兩者沖突，檢查最近連續5次的范例檢索結果，如果其中至少4次屬于平峰狀態，則確定交叉口當前運行狀態為平峰期，將控制方式從定時控制切換到具有自適應能力的模糊控制模式，否則維持原定時控制方式不變。
如果當前交通狀態為平峰而當前控制方式為模糊平峰采用模糊控制方式，兩者是一致的，控制方式無需改變，繼續使用模糊控制方案。
定時控制建立高峰時間段機動車通行能力最大的優化模型，利用粒子群優化算法對上述模型進行尋優，得到單交叉路口多相位混合交通流控制的信號配時參數，包括信號周期、每一相位的綠時長。為穩定性考慮，在高峰時間段盡量少地改變信號配時參數，只有在當前計算所得的信號周期與原信號周期之間大于10秒時，才啟用新的信號配時參數。
交通量預測運用小波分析—神經網絡復合預測模型對交叉口短時交通量進行預測，由后繼相位最近4次的實時交通量得到交通量的預測值，即
x(t)＝f(x(t-4)，x(t-3)，x(t-2)，x(t-1))x(t)直接作為交通信號模糊控制器的輸入之一。
模糊控制將采集的當前相實時交通量、后繼相實時交通量、后繼相預測交通量送入模糊控制器，根據模糊控制器的輸出確定后繼相的綠燈時長，由此對后繼相位進行配時。控制器為三維模糊控制器，模糊規則已經運用遺傳算法離線優化。
單點信號控制交叉口的混合控制方法的工作流程是步驟1.離線建立范例庫。采集交叉口實時交通信息，包括交通流量、速度、占有率、車頭時距，將交叉口運行狀態分為高峰和平峰兩類，使用聚類方法將上述所采集數據聚為兩類，從每一類中選擇典型范例(靠近聚類中心的范例)離線建立范例庫。
步驟2.采集交叉口實時交通信息，包括交通流量、速度、占有率、車頭時距，根據這些交通流運行特征，使用范例推理確定交叉口當前運行狀態。
步驟3.確定交叉口控制模式。交通狀態如果是高峰，則選擇定時控制，否則采用具有自適應能力的模糊控制。模糊規則已經離線優化。
步驟4.重復步驟2。
權利要求
1.一種單點信號控制交叉口的混合控制方法，其特征在于該混合控制方法為1.)首先采集交叉口實時交通信息，使用聚類方法將上述所采集數據聚為兩類，分別表示交叉口的高峰狀態和平峰狀態，2.)從每一類中選擇靠近聚類中心的典型范例離線建立范例庫，3.)根據實時采集的交通流量、速度、車道占有率、車頭時距和短時交通量的預測值與范例庫中的范例值對比，確定交叉口當前交通狀態；4.)根據當前交通狀態和當前所用信號控制模式之間的不同組合，選擇定時控制或模糊控制；定時控制考慮機動車與非機動車的延誤約束條件，以機動車通行能力最大為目標進行信號配時；模糊控制采用三維交通信號模糊控制器，其輸入是交叉口當前相實時交通量、后繼相實時交通量、后繼相預測交通量，輸出為后繼相的綠燈時間，其中模糊控制器所用的模糊規則已經離線優化。
2.按權利要求1所述的單點信號控制交叉口的混合控制方法，其特征在于離線建立范例庫的方法為，連續一段時間采集交叉口實時交通流信息，包括交通流量、速度、車道占有率、車頭時距，采用K-均值方法或K-中心方法的聚類分析方法對上述數據聚類，聚類的個數為2，即交叉口的運行狀態分為高峰和平峰兩類，將工作日和非工作日數據分別聚類；選擇靠近聚類中心的范例建立范例庫，每個范例屬性包括交叉口各個方向的交通流量、速度、車道占有率、車頭時距、是否工作日和交通狀態類別，每個屬性都已經規范化為0與1之間的數。
3.按權利要求1所述的單點信號控制交叉口的混合控制方法，其特征在于通過范例檢索確定交叉口當前交通狀態的方法為，根據所采集的交通流量、速度、車道占有率、車頭時距和工作日或非工作日屬性，到范例庫中查找相似范例，采用歐氏距離度量范例之間的相似程度，取最相似的n個范例，其中n為奇數，采用多數表決方法確定交叉口當前運行狀態。
4.按權利要求1所述的單點信號控制交叉口的混合控制方法，其特征在于根據交叉口當前交通狀態和當前所用信號控制模式選擇定時控制或模糊控制的方法如下，如果交叉口當前運行狀態為高峰而當前控制方式為定時，高峰時段采用定時控制方式，兩者是一致的，控制方式無需改變；但是，根據高峰時間段機動車通行能力最大的優化模型所得的信號配時參數有可能與當前采用的配時方案不同，當計算所得的信號周期與原信號周期之間大于10秒時，啟用新的信號周期和各個相位的信號配時方案；如果交叉口當前運行狀態為高峰而當前控制方式為模糊，兩者沖突，檢查最近連續5次的范例檢索結果，如果其中至少4次屬于高峰狀態，則確定交叉口當前運行狀態為高峰期，將控制方式從模糊控制切換到定時模式，否則維持原模糊控制方式不變；如果交叉口當前運行狀態為平峰而當前控制方式為定時，兩者沖突，檢查最近連續5次的范例檢索結果，如果其中至少4次屬于平峰狀態，則確定交叉口當前運行狀態為平峰期，將控制方式從定時控制切換到具有自適應能力的模糊控制模式，否則維持原定時控制方式不變；如果交叉口當前運行狀態為平峰而當前控制方式為模糊，平峰狀態采用模糊控制方式，兩者是一致的，控制方式無需改變，繼續使用模糊控制方案。
5.按權利要求1或4所述的單點信號控制交叉口的混合控制方法，其特征在于所述的定時控制的方法為，在交叉口信號相位相序給定的條件下，考慮機動車與非機動車的延誤約束條件，機動車通行能力最大建立優化模型，利用粒子群優化算法對該模型進行尋優，得到信號周期及各個相位的信號配時參數，由此驅動交通信號燈。
6.按權利要求1所述的單點信號控制交叉口的混合控制方法，其特征在于后繼相位的預測交通量運用小波分析—神經網絡復合預測模型進行預測，首先用小波函數對交通量數據進行多分辨率的分解，將表達交通流本質變化趨勢的低頻信號與高頻干擾信號相分離，而后對基本信號和不同分辨率的干擾信號建立神經網絡預測模型，最后外推出預測結果并進行合成，從而得到交通量的預測結果；該交通量預測值直接送入三維交通信號模糊控制器的一個輸入端。
全文摘要
單點信號控制交叉口的混合控制方法是一種針對不同交通狀態自動選擇定時控制或具有自適應能力的模糊控制，該混合控制方法為首先采集交叉口實時交通信息，使用聚類方法將上述所采集數據聚為兩類，分別表示交叉口的高峰狀態和平峰狀態；從每一類中選擇靠近聚類中心的典型范例離線建立范例庫；根據實時采集的交通流量、速度、車道占有率、車頭時距和短時交通量的預測值與范例庫中的范例值對比，確定交叉口當前交通狀態；根據當前交通狀態和當前所用信號控制模式之間的不同組合，選擇定時控制或模糊控制；定時控制考慮機動車與非機動車的延誤約束條件，以機動車通行能力最大為目標進行信號配時；模糊控制采用三維交通信號模糊控制器。
文檔編號G05B13/02GK101038700SQ20071002164
公開日2007年9月19日 申請日期2007年4月20日 優先權日2007年4月20日
發明者王煒, 陳淑燕, 矍高峰 申請人:東南大學