一种基于公交优先的单交叉口交通信号优化控制方法[发明专利]

(12)发明专利申请

(10)申请公布号 CN 106384521 A(43)申请公布日 2017.02.08

(21)申请号 201610828447.7(22)申请日 2016.09.18

(71)申请人 广东工业大学

地址 510062 广东省广州市越秀区东风东

路729号大院(72)发明人 蔡延光　黄柏亮　蔡颢　戚远航　(74)专利代理机构 北京集佳知识产权代理有限

公司 11227

代理人 罗满(51)Int.Cl.

G08G 1/087(2006.01)

权利要求书2页 说明书8页 附图4页

()发明名称

一种基于公交优先的单交叉口交通信号优化控制方法(57)摘要

本申请公开了一种基于公交优先的单交叉口交通信号优化控制方法，包括：S1：建立基于公交优先的单交叉口交通信号配时优化模型，计算目标函数；S2：采用混沌策略初始化粒子群中的各个粒子的位置和速度，依据目标函数计算所述粒子的适应度值，设定当前粒子群的全局初始最优解和粒子个体初始最优解；S3：依据粒子群的聚集度判断各个粒子的位置和速度在目标函数的解空间中是否收敛，如果收敛，则输出解空间中的最优解；S4：如果不收敛，则依据自适应惯性权重更新各个粒子的位置和速度，迭代更新粒子群的全局最优解和粒子个体最优解，返回执行步骤S3，直至收敛并输出最优解；S5：依据最优解来进行公交优先的单交叉口交通优化控制。使公交车延误最小化。

CN 106384521 ACN 106384521 A

权　利　要　求　书

1/2页

1.一种基于公交优先的单交叉口交通信号优化控制方法，其特征在于，包括：S1：建立基于公交优先的单交叉口交通信号配时优化模型，计算目标函数；S2：采用混沌策略初始化粒子群中的各个粒子的位置和速度，依据所述目标函数计算所述粒子的适应度值，设定当前粒子群的全局初始最优解和粒子个体初始最优解；

S3：依据所述粒子群的聚集度判断所述各个粒子的位置和速度在所述目标函数的解空间中是否收敛，如果收敛，则输出所述解空间中的最优解；

S4：如果不收敛，则依据自适应惯性权重更新所述各个粒子的位置和速度，迭代更新粒子群的全局最优解和粒子个体最优解，返回执行步骤S3，直至收敛并输出最优解；

S5：依据所述最优解来进行公交优先的单交叉口交通优化控制。2.如权利要求1所述的方法，其特征在于，所述基于公交优先的单交叉口交通信号配时优化数学模型为：

其中，Dr(T)为所有车辆平均延误时间、Dp(T)为所有车辆上乘客的平均延误时间、实数X为交叉口总流量饱和度，03.如权利要求2所述的方法，其特征在于，所述计算目标函数具体包括：检测单交叉口的车流量数据，所述车流量数据包括社会车辆到达率qij、公交车辆到达率Qij、社会车辆的饱和流量sij以及公交车辆的饱和流量bsij，一辆公交车的载客数Pb、社会车辆载客数Pv，其中，相位编号i＝1，2，…n，j＝1，2，…；

计算单交叉口处第k辆车的权重ωk，根据所述第k辆车的权重ωk以及所述车流量数据计算一个信号周期内社会车辆总延误时间

一个信号周期内公交车辆总延误时间

社会车辆总延误时间Dv(T)、公交车辆乘客总延误时间Db(T)；

根据所述社会车辆到达率qij、所述公交车辆到达率Qij、所述一个信号周期内社会车辆总延误Dr(T)：

根据所述社会车辆到达率qij、所述公交车辆到达率Qij、所述社会车辆总延误时间Dv(T)、公交车辆乘客总延误时间Db(T)、所述一辆公交车的载客数Pb、社会车辆载客数Pv计算所有车辆上乘客的平均延误时间Dp(T)：

将所有车辆平均延误时间Dr(T)和所有车辆上乘客的平均延误时间Dp(T)代入所述基于公交优先的单交叉口交通信号配时优化模型中，得到目标函数：

以及所述一个信号周期内公交车辆总延误

计算所有车辆平均延误时间

2

CN 106384521 A

权　利　要　求　书

2/2页

其中，实数X为交叉口总流量饱和度，0初始化算法参数，所述算法参数包括：群体规模N、学习因子c1和c2、惯性权重系数ω、最大迭代次数E、当前迭代次数k，其中，c1>0、c2>0、ω>0，c1、c2、ω为实数，E、k、N为正整数；

根据所述基于公交优先的单交叉口交通信号配时优化模型求解特征进行粒子编码，所述粒子编码包括粒子位置编码xi＝(ti1,ti2,…,tin)以及粒子速度编码vi＝(vi1,vi2,…,vin)；

通过混沌策略产生粒子初始位置xi＝(ti1,ti2,…,tin)，并初始化粒子速度为vi＝(0.5,0.5,0.5,0.5)，使得粒子群的粒子能在解空间均匀分布。

5.如利要求4所述的方法，其特征在于，步骤S4具体包括：依据自适应惯性权重更新所述粒子的速度和位置，得到更新后的所述粒子的迭代速度和迭代位置，其中，所述自适应惯性权重ω公式为：

ω＝1.0-Pspeed*ωh+Ptogether*ωsPspeed为速度进化因子，Ptogether为聚集度因子，ωh取值为0.4至0.6，ωs的取值为0.05至0.20；

所述迭代速度公式为：

Vij(t+1)＝ωVij(t)+c1·r1j(t)·[Pij(t)-Xij(t)]+c2·r2j(t)·[Gij(t)-Xij(t)]所述迭代位置公式为：Xij(t+1)＝Xij(t)+Vij(t+1)其中，正整数N为粒子群粒子总数，i＝1，2，…,N，i为粒子编号，正整数M为粒子速度或位置向量的长度，j＝1，2，…,M，j为粒子坐标编号，正整数t为当前迭代次数，实数Vij(t)为粒子的速度值，实数Xij(t)为粒子的位置值，实数Pij(t)为粒子的个体最优解，实数Gij(t)为粒子群种群的全局最优解，实数c1和实数c2为学习因子，实数r1j(t)和实数r2j(t)为区间范围(0，1)之间的随机数；

依据所述迭代速度和所述迭代位置更新所述各个粒子的个体最优解和粒子群的全局最优解；

判断当前动态迭代次数k是否大于最大迭代次数E，若大于E，则再次初始化算法参数；若小于E，返回执行步骤S3。

3

CN 106384521 A

说　明　书

1/8页

一种基于公交优先的单交叉口交通信号优化控制方法

技术领域[0001]本发明涉及于智能交通控制技术领域，更具体地说，涉及一种基于公交优先的单交叉口交通信号优化控制方法。

背景技术[0002]随着城镇化进程的不断推进，城市交通问题成为困扰城市发展、制约城市经济建设的重要因素，居民出行难问题越来越突出。交叉口是道路的交通瓶颈，通行能力小，经常发生高峰时段运行时产生的延误特别严重。通过优先发展城市公共交通和使用智能交通技术来提高交通资源利用效率、缓解交通拥堵，是国家的大力倡导和实施的重要手段。[0003]传统的交单交口交通信号优化控制方法采用固定信号灯配时方案，该方法的配时方案不能对实时交通流信息进行自适应调整，公交车辆和社会车辆的延误较大，尤其是公交车在交通高峰时段运行时产生的延误特别严重。[0004]因此，如何在提高单交叉口车辆的通行效率的同时使得公交车延误最小化是本领域技术人员急需要解决的技术问题。

发明内容[0005]为解决上述技术问题，本发明提供一种基于公交优先的单交叉口交通信号优化控制方法，提高单交叉口车辆的通行效率的同时使得公交车延误最小化。[0006]为实现上述目的，本发明提供如下技术方案：[0007]一种基于公交优先的单交叉口交通信号优化控制方法，包括：[0008]S1：建立基于公交优先的单交叉口交通信号配时优化模型，计算目标函数；[0009]S2：采用混沌策略初始化粒子群中的各个粒子的位置和速度，依据所述目标函数计算所述粒子的适应度值，设定当前粒子群的全局初始最优解和粒子个体初始最优解；[0010]S3：依据所述粒子群的聚集度判断所述各个粒子的位置和速度在所述目标函数的解空间中是否收敛，如果收敛，则输出所述解空间中的最优解；[0011]S4：如果不收敛，则依据自适应惯性权重更新所述各个粒子的位置和速度，迭代更新粒子群的全局最优解和粒子个体最优解，返回执行步骤S3，直至收敛并输出最优解；[0012]S5：依据所述最优解来进行公交优先的单交叉口交通优化控制。[0013]2、如权利要求1所述的方法，其特征在于，所述基于公交优先的单交叉口交通信号配时优化数学模型为：

[0014]

其中，Dr(T)为所有车辆平均延误时间、Dp(T)为所有车辆上乘客的平均延误时间、

实数X为交叉口总流量饱和度，04

[0015]

CN 106384521 A

说　明　书

2/8页

社会车辆载客数Pv，其中，相位编号i＝1，2，…n，j＝1，2，…；[0018]计算单交叉口处第k辆车的权重ωk，根据所述第k辆车的权重ωk以及所述车流量数据计算一个信号周期内社会车辆总延误时间间

[0019]

一个信号周期内公交车辆总延误时

社会车辆总延误时间Dv(T)、公交车辆乘客总延误时间Db(T)；

根据所述社会车辆到达率qij、所述公交车辆到达率Qij、所述一个信号周期内社会

以及所述一个信号周期内公交车辆总延误

计算所有车辆平均延误

车辆总延误时间Dr(T)：

[0020]

根据所述社会车辆到达率qij、所述公交车辆到达率Qij、所述社会车辆总延误时间Dv(T)、公交车辆乘客总延误时间Db(T)、所述一辆公交车的载客数Pb、社会车辆载客数Pv计算所有车辆上乘客的平均延误时间Dp(T)：

[0022]

[0021]

[0023][0024][0025]

将所有车辆平均延误时间Dr(T)和所有车辆上乘客的平均延误时间Dp(T)代入所述基于公交优先的单交叉口交通信号配时优化模型中，得到目标函数：

其中，X为交叉口总流量饱和度(0[0027]优选的，在上述方法中，所述采用混沌策略初始化粒子群中的各个粒子的位置和速度，具体包括：[0028]初始化算法参数，所述算法参数包括：群体规模N、学习因子c1和c2、惯性权重系数ω、最大迭代次数E、当前迭代次数k，其中，c1>0、c2>0、ω>0，c1、c2、ω为实数，E、k、N为正整数；[0029]根据所述基于公交优先的单交叉口交通信号配时优化模型求解特征进行粒子编码，所述粒子编码包括粒子位置编码xi＝(ti1,ti2,…,tin)以及粒子速度编码vi＝(vi1,vi2,…,vin)；[0030]通过混沌策略产生粒子初始位置xi＝(ti1,ti2,…,tin)，并初始化粒子速度为vi＝(0.5,0.5,0.5,0.5)，使得粒子群的粒子能在解空间均匀分布。[0031]优选的，在上述方法中，步骤S4具体包括：[0032]依据自适应惯性权重更新所述粒子的速度和位置，得到更新后的所述粒子的迭代速度和迭代位置，其中，所述自适应惯性权重ω公式为：[0033]ω＝1.0-Pspeed*ωh+Ptogether*ωs[0034]Pspeed为速度进化因子，Ptogether为聚集度因子，ωh取值为0.4至0.6，ωs的取值为0.05至0.20；

5

[0026]

CN 106384521 A[0035][0036]

说　明　书

3/8页

所述迭代速度公式为：

所述迭代位置公式为：

[0038]Xij(t+1)＝Xij(t)+Vij(t+1)[0039]其中，正整数N为粒子群粒子总数，i＝1，2，…,N，i为粒子编号，正整数M为粒子速度或位置向量的长度，j＝1，2，…,M，j为粒子坐标编号，正整数t为当前迭代次数，实数Vij(t)为粒子的速度值，实数Xij(t)为粒子的位置值，实数Pij(t)为粒子的个体最优解，实数Gij(t)为粒子群种群的全局最优解，实数c1和实数c2为学习因子，实数r1j(t)和实数r2j(t)为区间范围(0，1)之间的随机数；[0040]依据所述迭代速度和所述迭代位置更新所述各个粒子的个体最优解和粒子群的全局最优解；[0041]判断当前动态迭代次数k是否大于最大迭代次数E，若大于E，则再次初始化算法参数；若小于E，返回执行步骤S3。[0042]从上述技术方案可以看出，本发明所提供的基于公交优先的单交叉口交通信号优化控制方法，包括：S1：建立基于公交优先的单交叉口交通信号配时优化模型，计算目标函数；S2：采用混沌策略初始化粒子群中的各个粒子的位置和速度，依据所述目标函数计算所述粒子的适应度值，设定当前粒子群的全局初始最优解和粒子个体初始最优解；S3：依据所述粒子群的聚集度判断所述各个粒子的位置和速度在所述目标函数的解空间中是否收敛，如果收敛，则输出所述解空间中的最优解；S4：如果不收敛，则依据自适应惯性权重更新所述各个粒子的位置和速度，并计算所述粒子的适应度值，迭代更新粒子群的全局最优解和粒子个体最优解，返回执行步骤S3，直至收敛并输出最优解；S5：依据所述最优解来进行公交优先的单交叉口交通优化控制。[0043]本申请通过单个交叉口的交通信号配时优化目标模型评价信号配时方案的好坏，该模型公式得出的结果即为交叉口的公交车延误时间的评价值，然而，配时方案有很多种组合，为了得到最佳配时方案则通过粒子群算法来求求解，由目标函数可知，考虑了不同相位的交通流量，根据交通流量来进行信号配时，便可提高通行效率。采用混沌策略初始化粒子位置和速度，能有效提高初始粒子的多样性，使得在混沌初始化过程中，粒子可以均匀分布于解空间。在粒子群迭代寻优过程中，能够遍历更多的解空间，得到更好的全局最优解。得到一个更好的最优解，则可得到一个更好的交通信号配饰方案，这一方案相比于其他方案可更多地提高交叉口通信效率，使得公交车延误最小化。自适应惯性权重更新所述各个粒子的位置和速度，不仅能够提高收敛速度，还能够提高收敛精度，使得整个算法效率更高，输出的最优解更加准确。附图说明[0044]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。[0045]图1为本发明实施例提供的一种基于公交优先的单交叉口交通信号优化控制方法

6

[0037]

CN 106384521 A

说　明　书

4/8页

示意图；[0046]图2本发明实施例提供的单交叉口示意图；[0047]图3本发明实施例提供的单交叉口相位示意图；[0048]图4本发明实施例提供的实验结果对比表；[0049]图5本发明实施例提供的乘客平均延误时间的算法优化结果图；[0050]图6本发明实施例提供的社会车辆平均延误时间的算法优化结果图。

具体实施方式[0051]下面将结合本发明实施例中的附图，对本发明实施例中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，本领域普通技术人员在没有做出创造性劳动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。[0052]请参阅，图1为本发明提供的一种基于公交优先的单交叉口交通信号优化控制方法示意图；图2为本发明实施例提供的单交叉口示意图；图3为本发明实施例提供的单交叉口相位示意图；图4为本发明实施例提供的实验结果对比表；图5本发明实施例提供的乘客平均延误时间的算法优化结果图；图6本发明实施例提供的社会车辆平均延误时间的算法优化结果图。[0053]其中，Webster：固定配时方案即定时信号的配时方案；PSO：标准粒子群算法；用标准粒子群算法来求解单交叉口公交优先的交通信号优化模型；DACPSO：基于动态自适应的混沌粒子群算法；本专利提出用于动态自适应的混沌粒子群算法求解单交叉口公交优先的交通信号优化控制模型。[00]在一种具体的实施方式中，提供了一种基于公交优先的单交叉口交通信号优化控制方法，包括：[0055]步骤S1：建立基于公交优先的单交叉口交通信号配时优化模型，计算目标函数。[0056]其中，所述基于公交优先的单交叉口交通信号配时优化数学模型为：

[0057]

其中，实数X为交叉口总流量饱和度，0[0058]

[0059]

其中，相位i＝1，2，…n，ti为相位i绿灯时长(秒)，ti,min为相位最小绿灯时间(秒)；ti,max为相位最大绿灯时间(秒)；C为周期时长(秒)，正整数n为交叉口相位数，L为各相位总

7

[0060]

CN 106384521 A

说　明　书

5/8页

损失时间(秒)；j为相位i的车道编号，j＝1，2，…n，qij为社会车辆到达率(辆/小时)，sij为社会车辆的饱和流量(辆/小时)；Qij为公交车辆到达率(辆/小时)，bsij为公交车辆的饱和流量(辆/小时)。[0061]该模型中的两个延误时间参数，一个所有车辆平均延误时间，一个是所有车辆上乘客的平均延误时间，公交车上的乘客比社会车辆中的乘客多几倍，则在数学模型中，乘客延误时间的比重将高于社会车辆的，由此体现来公交优先。[0062]步骤S2：采用混沌策略初始化粒子群中的各个粒子的位置和速度，依据所述目标函数计算所述粒子的适应度值，设定当前粒子群的全局最优解和粒子个体最优解；[0063]其中，采用改进的混沌粒子群算法求解上述模型，通过混沌策略产生粒子初始解，使得粒子群的粒子能在目标函数的解空间中均匀分布，混沌策略初始化粒子初始解能有效提高初始粒子的多样性。[00]因为粒子位置的不同，其通过目标函数计算出来的适应度函数值也不同，通过比较粒子适应度值的大小来确定最优解，适应度值越小对应的粒子结果更优。其中迭代到当前所有粒子中适应度最小的解为全局最优解；同一个粒子在当前已经迭代的所有得到的适应度值中最小的为个体最优解。[0065]步骤S3：依据所述粒子群的聚集度判断所述各个粒子的位置和速度在所述目标函数的解空间中是否收敛，如果收敛，则输出所述解空间中的最优解；[0066]其中，粒子群的聚集度通过计算粒子群的聚集度因子进行体现，如果收敛，输出的解空间中的最优解。最优解具体指代最佳的单交叉口交通信号配时方案，此时目标函数的适应度最小，具体的，粒子在解空间进行迭代寻优，粒子在解空间的位置和速度通过目标函数可得到一个适应度值，在迭代寻优结束后，适应度最小的粒子所在位置以及粒子的速度即为解空间最优解。[0067]步骤S4：如果不收敛，则依据自适应惯性权重更新所述各个粒子的位置和速度，并计算所述粒子的适应度值，迭代更新粒子群的全局最优解和粒子个体最优值，返回执行步骤S3，直至收敛并输出最优解；[0068]自适应惯性权重更新所述各个粒子的位置和速度，可使得在移动时根据粒子当前位置的适应度值与当前的全局最优值的差值来调整粒子群移动速度。粒子移动过程中，当离全局最优解较远时可以较大的速度，当粒子离全局最优解较近时以较小的速度移动，则粒子群在寻优初期有较快的速度，在寻优后期有较好的精度。自适应惯性权重更新所述各个粒子的位置和速度，不仅能够提高收敛速度，还能够提高收敛精度，使得整个算法效率更高，输出的最优解更加准确。[0069]步骤S5：依据所述最优解来进行公交优先的单交叉口交通优化控制。[0070]得到一个最优解，即得到了一个单交叉口的信号配时方案，如四相位的信号控制交叉口则可得到四个绿灯时间长度，分别对于第一二三四相位的绿灯时间。该绿灯时间的得到，考虑了当前的交叉口公交车和社会车辆的车流量，且因为以乘客延误最小为目标，而公交车的载客量高于社会车辆，便实现了公交优先。[0071]本申请通过单个交叉口的交通信号配时优化目标模型评价信号配时方案的好坏，该模型公式得出的结果即为交叉口的公交车延误时间的评价值，然而，配时方案有很多种组合，为了得到最佳配时方案则通过粒子群算法来求求解，由目标函数可知，考虑了不同相

8

CN 106384521 A

说　明　书

6/8页

位的交通流量，根据交通流量来进行信号配时，便可提高通行效率。采用混沌策略初始化粒子位置和速度，能有效提高初始粒子的多样性，使得在混沌初始化过程中，粒子可以均匀分布于解空间。在粒子群迭代寻优过程中，能够遍历更多的解空间，得到更好的全局最优解。得到一个更好的最优解，则可得到一个更好的交通信号配饰方案，这一方案相比于其他方案可更多地提高交叉口通信效率，使得公交车延误最小化。自适应惯性权重更新所述各个粒子的位置和速度，不仅能够提高收敛速度，还能够提高收敛精度，使得整个算法效率更高，输出的最优解更加准确。[0072]基于上述技术方案，所述计算目标函数具体包括：[0073]步骤S11：检测单交叉口的车流量数据，所述车流量数据包括社会车辆到达率qij、公交车辆到达率Qij、社会车辆的饱和流量sij以及公交车辆的饱和流量bsij，一辆公交车的载客数Pb、社会车辆载客数Pv，其中，相位编号i＝1，2，…n，j＝1，2，…；[0074]步骤S12：计算单交叉口处第k辆车的权重ωk，根据所述第k辆车的权重ωk以及所述车流量数据计算一个信号周期内社会车辆总延误时间总延误时间

[0075][0076]

一个信号周期内公交车辆

社会车辆总延误时间Dv(T)、公交车辆乘客总延误时间Db(T)；

其中，ωk为第k辆车的权重，ωk按下式计算：

其中，pk为第k辆车的乘客数，k(t)为t时刻的补偿系数，dk为第k辆公交车的运行时刻表偏离值，若检测到的车为社会车辆则取dk为0，β为公交运行时刻偏离状态权重补偿临界值。

[0078]

[0077]

按下式计算：

[0079]

[0080]按下式计算：

[0081]

[0082]

Db(T)按下式计算：

[0083]

9

CN 106384521 A[0084]

说　明　书

7/8页

Dv(T)按下式计算：

[0085]

[0086]其中，Pb为一辆公交车的载客数，Pv为社会车辆载客数，为一个信号周期内

社会车辆总延误，

为一个信号周期内公交车辆总延误，Dv为社会车辆总延误时间，Db

(T)为公交车辆乘客总延误时间，正整数mi为相位i的进口道数。

[0087]步骤S13：根据所述社会车辆到达率qij、所述公交车辆到达率Qij、所述一个信号周期内社会车辆总延误平均延误时间Dr(T)：

[0088]

以及所述一个信号周期内公交车辆总延误计算所有车辆

步骤S14：根据所述社会车辆到达率qij、所述公交车辆到达率Qij、所述社会车辆总延误时间Dv(T)、公交车辆乘客总延误时间Db(T)、所述一辆公交车的载客数Pb、社会车辆载客数Pv计算所有车辆上乘客的平均延误时间Dp(T)：

[0090]

[00]

步骤S15：将所有车辆平均延误时间Dr(T)和所有车辆上乘客的平均延误时间Dp(T)

代入所述基于公交优先的单交叉口交通信号配时优化模型中，得到目标函数：

[0092]

[0091]

其中，实数X为交叉口总流量饱和度，00、c2>0、ω>0，c1、c2、ω为实数，E、k、N为正整数；[0096]在本实施方式中，可以设定如下算法参数：群体规模N＝20、学习因子c1＝c2＝1、惯性权重系数ω＝0.8、最大迭代次数E＝1000、当前迭代次数k＝1。[0097]步骤S22：根据所述基于公交优先的单交叉口交通信号配时优化模型求解特征进行粒子编码，所述粒子编码包括粒子位置编码xi＝(ti1,ti2,…,tin)以及粒子速度编码vi＝(vi1,vi2,…,vin)；[0098]步骤S23：通过混沌策略产生粒子初始位置xi＝(ti1,ti2,…,tin)，并初始化粒子速

[0093]

10

CN 106384521 A

说　明　书

8/8页

度为vi＝(0.5,0.5,0.5,0.5)，使得粒子群的粒子能在解空间均匀分布。[0099]求解单个交叉口的交通信号配时方案，求解特征即为交叉口信号相位数。如一个四相位的信号交叉口，则粒子编码过程的粒子位置向量则为4维空间。标准粒子群的初始化过程是随机分布的过程，即粒子会随机分布在解空间中。若在初始化过程中加入混沌策略，则使得粒子能够较为均匀地分布在解空间中，可提高粒子寻优速度和精度。[0100]基于上述技术方案，步骤S4具体包括：[0101]步骤S41：依据自适应惯性权重更新所述粒子的速度和位置，得到更新后的所述粒子的迭代速度和迭代位置，其中，所述自适应惯性权重ω公式为：[0102]ω＝1.0-Pspeed*ωh+Ptogether*ωs[0103]Pspeed为速度进化因子，Ptogether为聚集度因子，ωh取值为0.4至0.6，ωs的取值为0.05至0.20；[0104]所述迭代速度公式为：

[0105]

所述迭代位置公式为：[0107]Xij(t+1)＝Xij(t)+Vij(t+1)[0108]其中，正整数N为粒子群粒子总数，i＝1，2，…,N，i为粒子编号，正整数M为粒子速度或位置向量的长度，j＝1，2，…,M，j为粒子坐标编号，正整数t为当前迭代次数，实数Vij(t)为粒子的速度值，实数Xij(t)为粒子的位置值，实数Pij(t)为粒子的个体最优解，实数Gij(t)为粒子群种群的全局最优解，实数c1和实数c2为学习因子，实数r1j(t)和实数r2j(t)为区间范围(0，1)之间的随机数。[0109]其中，惯性权重ω很小时偏重于发挥粒子群算法的局部搜索能力，惯性权重很大时将会偏重于发挥粒子群算法的全局搜索能力。[0110]步骤S42：依据所述迭代速度和所述迭代位置更新所述各个粒子的个体最优解和粒子群的全局最优解；[0111]步骤S43：判断当前动态迭代次数k是否大于最大迭代次数E，若大于E，则再次初始化算法参数；若小于E，返回执行步骤S3。[0112]完成以上实施步骤后，可得到图4所示的实验结果对比表，其折线图形式如图5和图6所示基于动态自适应的改进粒子群算法(DACPSO)求解所得的信号配时方案，与传统的Webster固定配时方案和标准粒子群算法(PSO)相比，本发明提出的模型求解算法能使交叉口人均延误时间和社会车辆延误时间都得到有效降低。从结果可看出，本发明所提方法对提高道路信号交叉口的公交车辆和社会车辆通行效率有较好的效果。[0113]本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。[0114]对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

[0106]

11

CN 106384521 A

说　明　书　附　图

1/4页

图1

12

CN 106384521 A

说　明　书　附　图

2/4页

图2

图3

13

CN 106384521 A

说　明　书　附　图

3/4页

图4

图5

14

CN 106384521 A

说　明　书　附　图

4/4页

图6

15