多智能体模糊公交信号优先控制

leaf8

墨衍会员 · AI 创作全网分发码龄24年

关注

原创最新推荐文章于 2026-10-16 11:16:56 发布 1.1k 阅读 AI 写同款· GEO 优化 ›

考虑冲突优先请求的交通网络多智能体模糊公交信号优先控制

徐明涛、柴金玲、闫亚丹和曲晓波， IEEE高级会员

摘要

公交信号优先（TSP）在存在冲突的优先请求时，其性能高度依赖于多个TSP请求的服务序列。已有多种方法被提出用于确定请求的优先级，但这些方法大多针对孤立交叉口或少量交叉口，难以适用于复杂、动态且非线性的城市交通网络。为此，本文提出一种考虑冲突的优先请求的网络层级多智能体 TSP控制方法。该方法采用模糊推理进行信号控制，并进一步设计了特定的控制算法。所提出的方法通过一个包含20个交叉口和49个路段的大规模交通网络案例研究进行了验证。仿真结果表明，在不同交通需求和公交车发车频率下，所提出的方法均优于其他三种基准方法。值得注意的是，随着交通需求增加和公交车发车频率降低，性能提升更加显著。

Index Terms— 多智能体，模糊推理，公交信号优先（TSP），交通网络。

一、引言

TRANSIT 公交信号优先（TSP）是一种有利于公交车的运营策略，正变得越来越受公交机构欢迎。随着检测、通信和交通控制技术的发展，TSP已在更广泛的范围和多种形式中得以实施[1],[2]。然而，随着TSP的扩展和公交车数量的增加，在一个信号交叉口同时出现多个冲突的公交信号优先请求的情况日益频繁。这一冲突问题直接影响了公交信号优先的效果。

传统的TSP方法采用先到先服务（FIFS）规则来解决冲突的优先请求。该规则在交通流量较低且公交信号优先请求数量有限的情况下效果良好。然而，当交通流量增加时，FIFS的性能往往会显著下降，甚至带来更多的延误[3]。此外，也有一些研究应用数学优化方法来处理这些冲突，这些研究通常分为两类：一类是在单个交叉口层面，旨在服务公交信号优先请求；另一类是在干道走廊层面，涉及主干道走廊中的若干相邻交叉口。

在单个交叉口层面，Head et al. [4]将公交信号优先控制决策问题描述为一个混合整数数学规划问题。他们基于优先图建立了一个决策模型，通过最小化优先请求延误来处理多个公交信号优先请求的情况。Maet al. [5]提出了一种动态规划模型，旨在在最小绿灯时间、可接受饱和度和优先窗口长度约束下，优化来自不同公交线路的多个优先请求的服务序列。Lin et al. [6]设计了一种公交信号优先模型以应对冲突的优先请求，其目标是最小化下游公交站点的公交乘客等待时间和其他车辆的延误。Ye 和 Xu [2]以及 Xu et al. [3]从公交车和公交乘客的角度建立了动态规划模型，他们向延误最大的优先请求授予公交信号优先。Hu et al.[7]提出了一种基于人均延误的优化方法，用于在单个交叉口处理多个冲突的公交信号优先请求。更多类似研究可参见[1],[8],[9]。

这些研究能够解决多个冲突的公交信号优先请求。然而，它们忽略了相邻交叉口之间的协调。缺乏协调的情况下，当前交叉口的公交信号优先效益可能会在下游交叉口被浪费。因此，对多个优先请求和协调方法进行了研究。 He et al. [10]建立了一个基于请求的混合整数线性模型，以明确应对多个冲突请求，其目标是最小化活动优先请求、客运车辆和虚拟协调请求的总加权延误。Christofa et al. [11]提供了一个混合整数线性规划模型，在保持其他车车辆连续通行的前提下生成最优优先服务序列。Xu et al. [12]开发了一个双层模型：在协调控制层面，采用站间绿波带以保障城市主干道走廊的协调；在交叉口控制层级，引入线性规划模型为多个冲突的公交信号优先请求分配优先权。

此外，信息与通信技术的进步提高了公交信号优先（ TSP）的效率，并拓展了TSP在现实世界中的应用。Balk et al.[13]以及Hounsell和Shrestha [14]利用车辆定位技术来预测公交车到达公交车站和交叉口的时间。Hu et al.[7],、 He et al.[10],以及Yang et al.[15]提出了基于联网车辆（CV）技术的下一代公交优先逻辑。联网车辆（CV）使得整个交通系统的运行信息得以获取，这有利于现有的公交优先逻辑库实现对交通状况和公交车状态的完全响应式响应。

这些方法在孤立交叉口和一些简单走廊中表现良好。然而，它们不适用于具有大量交叉口的城市交通网络。原因在于，对于交通网络而言，由于交叉口处车流的非平稳特性，通常难以建立交叉口的数学模型来计算满足特定交通需求所需的绿灯时间。此外，相邻交叉口信号的存在可能导致形成车队，即车辆在接近交叉口时发生聚集，从而限制了随机控制模型的应用。特别是对于大规模交通网络，由于上述交通流行为[16],[17]导致特定交通信号控制参数发生变化，预测交通状态的变化极为困难。此外，现有交通控制系统（例如SCOOT和SCATS）通常利用控制中心优化原始交通信号配时方案并对该方案进行调整（例如实现公交信号优先）。然而，这种集中式系统在处理发送至中央服务器的海量信息以及处理相关信息以提高交通运行效率方面面临巨大挑战[18],[19]。交通网络规模的扩大可能进一步加剧这一问题。此外，局部交叉口的损坏会影响整个系统的运行。

这需要采用分布式控制架构，其中每个交叉口由一个智能体根据当前交叉口及相邻交叉口的交通需求信息进行控制[18]。此外，该问题非常适合采用基于智能体的方法，因为交通系统通常在动态变化环境中呈地理分布 [16],[20],[21]。

近年来，用于控制城市交通网络的多智能体技术受到了广泛关注 [23]–[25]。Abdooset al.[26]采用多智能体 Q学习算法优化信号配时方案，以减少车辆的总延误。 Chu et al.[21]提出了一种基于优势演员评论家（A2C）的多智能体深度强化学习方法，用于可扩展且鲁棒的自适应交通信号控制。Darmoul et al.[18]设计了一种受生物免疫概念和机制启发的分布式、智能且自适应的交通信号控制系统。他们提出了一种异构多智能体架构，其中每个智能体代表分配给一个信号交叉口。此外，将模糊逻辑与多智能体系统相结合在提高交通网络信号控制效率方面也取得了巨大成功 [27],[28]。Balaji 和 Srinivasan [29]以及 Biet al.[30] 采用二型模糊推理系统，通过最小化所有车辆的平均行程延误来优化交通信号时间。

此外，通过在上下游路段设置的环形检测器计算得到的关于排队、流量、占有率和车辆计数的交通数据具有高度不确定性。检测器故障、噪声增加以及信号控制的影响降低了所采集数据的可用性。数据中的噪声水平随着车辆长度、当前环境条件和驾驶行为（清空区域问题）而变化。由于车辆可能在上游和下游检测器之间停止，导致交通计数数据通常不准确，这可被视为对车辆计数信息的随机噪声增加。在通信方面，机械连接故障、传输速度和加性噪声等因素可能导致数据丢失等不确定性。此外，交通流量在进入网络的入口点本身具有随机性，但在信号控制下由于车队形成而变为伪随机[16]。因此，建立一个能够模拟与此问题相关所有不确定性的精确数学模型非常困难，且很可能不准确。基于规则的推理系统更为合适。模糊逻辑等计算智能技术可以从不精确的采集数据中推断交通状态 [16],[29]，无需建立数学模型或明确定义输入与输出参数之间的精确关系。因此，本研究提出一种基于多智能体技术的TSP方法，并采用模糊逻辑设计考虑城市交通网络中冲突优先请求的公交信号优先方案。

本研究的其余部分组织如下。首先在第二节中介绍交通网络多智能体控制系统的架构。第三节和第四节分别描述了所提出的公交信号优先控制方法以及TSP设计的具体算法。接着在第五节通过案例研究验证所提出方法的性能。第六节最后对本文进行总结并指出了未来的研究方向。

II. 交通网络中多智能体控制系统的架构

所提出的多智能体交通控制系统具有分布式架构，如图1所示，每个智能体能够自主决策，无需中央监督智能体。每个交叉口的交通信号由交叉口控制智能体（ICA）控制。该智能体从设置在相邻交叉口连接的进口道和出口道停车线附近的感应线圈检测器收集本地交通数据。智能体通过直接通信将出站交通信息（例如交通流量、车速、排队长度和交通状态）发送给相邻智能体

示意图0

无线通信网络。智能体之间的通信频率为6秒。基于本地采集的输入和通信信息，ICA（交叉口控制器）确定下一周期内每个相位所需的绿灯时间。智能体具备本地存储，用于记录交通需求，并建立数据仓库以评估未来的交通需求和智能体行为的有效性。智能体通过观察每个状态‐行为对的期望效用，利用模糊逻辑对各交叉口的决策模型进行微调、学习并更新。

由于模糊逻辑已应用于城市交通网络的信号控制，并表现出良好的效果，本研究提出了一种网络层级的基于模糊逻辑的TSP方法。在此方法中，ICA不仅利用模糊逻辑实现公交信号优先，还解决了冲突的优先请求问题。模糊逻辑的具体过程如图2所示。可以看出，模糊控制器是核心，负责通过模糊推理计算和调整信号配时参数。鉴于交通信息与信号配时参数并非始终呈线性关系，本研究选择 Mamdani方法[31]–[33]作为模糊推理方法。

III. 考虑冲突优先请求的基于模糊逻辑的TSP方法

信号控制涉及多个参数（例如，公交车到达、公交延误、绿灯时间、红灯时间、交通流量和排队），因此在模糊推理过程中会产生大量控制规则。这将限制效率和精度

A. TSP的模糊控制器

为具有信号优先请求的公交车设置模糊控制器。该控制器接收接近交叉口的公交车发出的公交信号优先请求，并在交叉口存在多个冲突的公交信号优先请求时，评估它们的优先等级。此处采用优先值来衡量公交信号优先请求的优先等级，优先值越大，优先等级越高。此外，优先值主要取决于公交车的优先等级和公交延误。后两个参数即为TSP的模糊控制器的输入，输出为优先值。模糊控制器的具体推理如下所述。

1) 预处理

公交车优先级是衡量公交信号优先请求优先等级最直接的因素之一。近年来，随着对公共交通系统投资的不断增加，公共交通网络变得越来越复杂。许多城市公共交通系统包含不同层级（包括骨干公交线路、主要公交线路和支线公交线路）以及多种交通方式（例如轻轨交通（LRT）、快速公交系统（BRT）、有轨电车和常规公交）。此外，不同的公交线路层级和交通方式具有不同的重要性等级。当它们的公交信号优先请求发生冲突时，针对不同公交线路层级，其具体排序为：骨干公交线路 > 主要公交线路 > 支线公交线路；而对于不同交通方式，排序为：LRT > 有轨电车 > BRT > 常规公交。一般来说，重要性等级越大，优先级越高。此外，公交线路层级和交通方式通常是结合使用的（例如，LRT通常运行于骨干公交线路，BRT/有轨电车通常在主要公交线路运行，而常规公交可在主要公交线路或支线公交线路运行）。因此，本研究为不同类型公交车分配一个数值以表示其优先等级（用εi,j)表示），如表I所示。需要注意的是，公交车类型和公交车等级可直接从检入检测器获取。

公交延误是影响公交信号优先请求优先级的另一个关键因素，因为公交信号优先的目标是减少公交延误，以保证公交车按时刻表运行。公交延误越大，意味着公交车的运行越偏离给定的时刻表。此时，公交车优先的优先级请求应更高。考虑到不同公交车之间的较大差异，本文选择公交车延误比 ηi,j 来衡量公交信号优先请求的优先级。它可以表示为

$$
η_{i,j}= \frac{SA T_{i,j}}{AA T_{i,j}}, \quad \forall i,j \tag{1}
$$

其中，$SAT_{i,j}$ 表示在相位 i请求公交信号优先的公交车 j 的计划到达时间，而 $AAT_{i,j}$ 是公交车 j在相位 i 到达停车线的实际到达时间。两者均以秒为单位。请注意，$AAT_{i,j}$ 的计算方法在[10]中指定。$η_{i,j}$ 的取值范围为 (0, 1)。这意味着本研究采用条件优先策略，仅允许到站晚点的公交车请求公交信号优先。

2) 模糊化

预处理后，输入将被模糊化。首先，确定输入的模糊集。公交车优先级和公交车延误比的模糊集分别为{较低、低、中等、高}和{更小、小、中等、大}。然后可在图3和图4中得到公交车优先级和公交车延误比的隶属度函数。

示意图1

示意图2

3) 模糊规则

公交信号优先请求的优先值ρi,j通常在(0, 1]范围内变化。优先值的模糊集为{更小, 小, 中等, 大}。具体的模糊规则和隶属度函数根据公交车优先级和公交车延误比确定。结果见表II和图5。

公交车优先级	公交车延误比	优先值
较低	更小	更小
较低	小	更小
较低	中等	小
较低	大	小
低	更小	更小
低	小	小
低	中等	小
低	大	中等
中等	更小	小
中等	小	小
中等	中等	中等
中等	大	大
高	更小	小
高	小	中等
高	中等	大
高	大	大

表II 优先值的模糊规则

示意图3

4) 去模糊化

模糊推理的直接结果通常是隶属度函数，但在许多情况下需要一个精确的值。因此，去模糊化被用来将模糊变量转换为精确值。本文采用质心法进行去模糊化，如公式(2)所示。原因是该方法比其他去模糊化方法表现更优。此外，它更容易且更快地被

$$
σ_{i,j} = \frac{\sum_i \sum_j (F(ρ_{i,j}) · ρ_{i,j})}{\sum_i \sum_j F(ρ_{i,j})}, \quad \forall i,j \tag{2}
$$

其中$σ_{ij}$是TSP的模糊控制器进行模糊推理的输出。针对多个冲突的公交信号优先请求，它们的$σ_{ij}$值各不相同。$σ_{ij}$越大，公交信号优先请求的优先级越高。最终，ICA仅授予优先级最高的公交信号优先请求。由此，多个公交信号优先请求之间的冲突得以解决。

B. 交通流紧急程度的模糊判别器

交通流紧急程度是指当前交通流量接近相应进口方向通行能力的程度。两者越接近，交通流紧急程度越高。据我们所知，公交信号优先（TSP）将导致其他非优先相位的车辆延误增加。因此，在基于TSP请求调整信号配时时，应考虑其他非优先相位的交通流紧急程度，以减少TSP带来的负面影响。模糊判别器旨在实现交通流紧急程度的判断，其输入为拥堵程度和车辆到达率，输出为交通流紧急程度。