龙琼，胡列格，张蕾，周昭明

面向大型社会活动的个性化区域交通控制

龙琼1, 2，胡列格3，张蕾1，周昭明1

(1. 湖南城市学院 土木工程学院，湖南 益阳 413000； 2. 汕头大学 工学院，广东 汕头 515063； 3. 长沙理工大学 交通运输工程学院，湖南 长沙 410004)

针对大型社会活动下的城市区域交通控制问题，提出一种面向大型社会活动的个性化区域交通控制方法。充分考虑交通管理者的个性化实践经验，构建面向大型社会活动的区域交通控制双层模型，即个性化交通管理与个性化交通控制模型。引入模糊分析法，对区域交通控制双层模型的参数进行个性化确定，并基于压缩粒子群算法对模型进行优化求解，最终输出各区域、区域内各交叉口控制向量。以长沙城区举办大型活动背景进行了交通控制仿真验证。研究结果表明：大型活动举办期间，区域交通系统运行良好，这说明本文算法能够有效解决大型活动下的区域交通控制问题。

区域交通控制；个性化；大型社会活动；压缩粒子群算法

随着我国经济社会文化快速发展，大型社会活动与日俱增，如大型会议、展销会、运动会、演唱会等等。这些大型活动将使特定区域内的交通需求在短时间内急剧增加，原有的交通供需平衡将被打破，给城市路网带来巨大压力。如何基于智能交通系统(ITS)平台，引入先进的区域交通控制方法，提升城市路网的时空利用效率，从而确保大型社会活动安全、有序开展，是智能交通控制领域值得深入研究的理论问题，具有较强的实践意义。在智能交通控制研究方面，由于近年来先进控制理论和算法的蓬勃发展，给智能交通控制研究提供了良好的技术基础，诸多学者基于此开展研究，取得了较为丰硕的成果。张邻等[1]基于动态模糊控制和模糊决策理论，研究了城市交通流的优化分配方法；Spall等[2]基于人工神经网络，研究了区域交通控制的自适应方法，能够保证交通流控制的鲁棒性。杜文 等[3]在分析各种影响动态交通系统最优控制约束的基础上，建立了动态交通系统最优控制的路径选择模型。Chuiou[4]研究了路口容量饱和条件下的区域交通控制问题。段宗涛等[5]基于Hadoop大数据计算平台，设计并实现了一种实时多路径交通流分配算法。王洪德等[6]运用时间递推原理，为驾驶人的时间最短通行路径选择提供信息支撑，然后基于有师学习思路，对路径诱导逻辑内核结构进行解析，可辅助驾驶人及时对路况做出正确判断，减少因经验不足和突发事件造成的时间损失。上述研究为解决面向大型社会活动的区域交通控制问题奠定了良好的技术基础。针对大型社会活动导致的交通管控问题，为提升城市路网的时空利用效率，从交通管理的角度，ZHANG等[7]提出了一种交通规划的双层模型，能够较好地解决大型活动中的交通组织问题。WANG等[8]考虑区域交通控制的复杂性，基于大规模分层协调优化理论，提出了一种在线决策交通控制方案，能够实现大规模区域交通的智能化控制。从交通控制技术的角度，针对大型活动进场、散场过程的交通需求与区域交通容量之间的尖锐矛盾，为了解决不对称疏散路网过度拥堵问题，充分利用路网资源，有些学者基于车道单行策略展开了研究，并取得了一些成果。其中，Wolshon等[9]研究了高速公路上车道单行的设计、运行问题；Kim 等[10]基于图论和交通流理论研究了车道单行的设计策略；高凤昌等[11]面向北京市的交通管理问题，研究了举办大型活动时交管部门需采取的组织规划方法。这些工作对于解决大型活动带来的区域交通问题，奠定了良好的技术基础。这些方法往往过多地偏重于交通管理或交通控制优化算法研究，交通管控方式相对单一，交通管理者的实践经验也未能反映至交通控制模型中，因而可操作性较差。大型社会活动的举办，对交通系统运行提出了严峻的挑战，能否从交通管理和交通控制的角度保证交通系统正常运行，是大型活动举办成功的关键。本文在以上工作的基础上，充分考虑交通管理者的实践经验，并结合交通管理和交通控制的优势，提出了一种面向大型社会活动的个性化区域交通控制方法，能够较好地缓解大型活动导致的交通拥堵 问题。

1 大型活动对区域交通影响分析

根据文献[12]中的定义，大型活动是指面向社会公众举办的群体性活动。关于大型活动的量化界定问题，从活动对交通影响的角度，崔洪军等[13]认为，参加活动人数达到一万以上，活动区域的城市交通需求急剧增加，相比日常交通会形成严重影响的社会活动，称为大型活动。王晓佳等[14]进一步进行界定认为，定义某一活动为大型活动，须至少满足以下2种情况之一：1) 经交通需求预测，现有交通硬件条件和交通管理措施不能满足活动交通需求；2) 活动将对日常交通产生严重影响，需制定并实施针对性交通管理策略，才能保障活动顺利进行。

毋容置疑，大型活动对城市区域交通将产生较大的影响，通过分析，这种影响主要包括以下几个方面：

1) 交通需求量急剧增加。大型活动会吸引大量的参与者，对周边的区域交通系统运行将产生较大的影响；同时，大型活动出行相对于常规交通出行，对时间上的要求非常严格，集散时间一般都较短，这将更加考验交通系统的运行能力；

2) 交通需求时空高度集中。大型活动的集散，要求活动参与者和组织者在较短的时间区域内到达或离开某一固定的举办场地，虽然交通需求量急剧增加，但持续时间较短，交通影响区域范围有限，因而交通需求量对活动举办的时间效率和空间利用率均提出了很高的要求；

3) 交通需求具有层次性和波动性。针对不同类型的出行者，其交通优先级别具有层次化差异，而大型活动开始之前，活动场所是区域交通需求吸引点，结束之后又是交通需求产生点，因此交通需求量在时空上具有波动性。

总之，大型活动将对周边区域交通将产生较大的影响，有必要结合具体大型活动的特点，结合交通管理者的个性化实践经验，对区域内交通实施合理的个性化管控。

2 个性化区域交通控制双层模型

通常情况下，大型社会活动交通需求量大，而在传统的交通控制模型构建过程中，或单纯依靠交通管理者的组织管理，或过分依赖于智能化的交通控制技术，因而，控制效果有待进一步提升。大型活动带来的区域交通问题，不仅是交通组织与协调的管理问题，也是智能交通优化控制的技术问题，因此，要解决面向大型活动的交通问题，可行的途径就是，充分利用交通管理和交通控制的优势，并充分考虑交通管理者的实践经验，提出一种将交通管理与控制有机结合的区域交通双层模型。故本文将面向大型社会活动的区域交通控制模型分为2个层次，即个性化交通管理与交通控制。

2.1 个性化管理层

第1层次为交通管理层，即按照交通法规的要求、规定和道路交通的实际状况，运用管理、技术等手段合理地限制和科学地组织、指挥交通。正确处理区域交通系统中人、车、路等要素的关系，使交通系统尽可能地优化运行。为成功举办大型活动，交通管理的具体措施有很多，包括：增加通往活动场地的临时公交，以活动场所为中心划定封闭区域，设置单向通行路段，设置活动专用通道，增设活动临时停车位，分离参加活动与日常交通的人流和车流等。由于大型活动场所具有交通向心性，距离越近交通需求越大，因此，以活动场所为中心，沿主要道路向外围交通区域辐射，采取由强至弱的交通管理措施，是非常必要的。

本文构建区域交通管理模型如图1所示。其中P为活动场馆，为了保证活动的有序开展，将周边区域划分为强制区、管控区、疏导区。

图1 交通管理区域划分示意图

强制区：如A1-B1-C1-D1-A1，为保证大型活动的正常开展，该区域仅允许行人、专用车辆通行；

管控区：如A2-B2-C2-D2-A2(不含强制区)，优先保证行人、专用车辆、公交车辆通行，其他社会车辆和参观人员车辆根据交通需求酌情控制；

疏导区：如A3-B3-C3-D3-A3(不含强制区和管控区)，优先保证参会车辆和行人通行、适当调整朝活动场馆方向行驶(活动开始前)控制信号带宽。

各交通管理区域大小根据实际交通流需求情况和交通管理者的个性化实践经验综合确定，既充分体现交通流急剧增大的实际情况，又充分尊重管理者对宏观交通管理的实践经验与管理水平。

2.2 个性化控制层

第2层次为技术层，即基于智能交通系统，通过对区域交通的一体化/协同控制，实现对交通流进行合理有效的分配。区域交通控制优化的评价指标为：区间内通过的交通流量最大、各交叉口总延误时间最短、拥堵车辆排队长度最短、区域内车辆总停车次数最少等，根据交通控制的侧重目标不同，构造不同评价函数，从而获得相应的个性化区域控制模型，通过模型求解，实现对区域内交通的优化控制。对于面向大型活动的区域交通控制而言，保证大型活动的正常有序开展是根本目标，因此，本文将车流量作为区域交通优化目标，构建指标模型为

3 模型优化求解

3.1 权重参数设置

矩阵中，元素f是根据交管部门的管理经验与个性化管理偏好按模糊逻辑确定，即若相位比相位相对重要，则f=1；若相位比相位相对重要，则f=0；即若相位与相位同等重要，则f=0.5。然后，为了保证模糊矩阵中各元素的一致性，对模糊矩阵一致化，可得一致模糊矩阵

r按照式(4)求解确定

基于模糊一致性矩阵，按下式进行指标权重确定

最后，将指标权重进行归一化

从而可得交叉口各相位指标权重向量。

其他权重参数(和)亦根据以上方法确定。相比一般方法，模糊分析法的引入，简化了交通管理者对不同交通控制区域、不同交叉口、交叉口不同相位相对重要性的复杂程度，能够解决交通控制模型中各权重参数重要性排序与量化问题，便于模型求解，从而较好地体现交通管理者自身的经验、习惯以及个性化偏好。

3.2 优化求解

从第2节可以看出，面向大型社会活动的个性化区域交通控制模型具有高度复杂性，难以直接优化求解，而鉴于压缩粒子群算法具有规则简单、快速收敛、能够求解全局最优解的特点，本文考虑在完成面向大型社会活动的个性化区域交通控制模型参数设置后，基于压缩粒子群算法对模型进行优化求解。

式中：为模型优化求解的迭代次数；1和2为优化学习参数；1和2为随机值，大小在[0,1]区间内随机变化。

为了获得更好的收敛效果，保证算法的搜索深度，引入压缩因子，可进一步获得基于压缩粒子群算法(KPSO)的优化迭代方程

适应度函数可定义为

4 仿真分析

以长沙城区交通控制为背景，选取交通区域如图2所示，该区域中心为贺龙体育馆，周边区域交通网路由湘江路、书院路、蔡锷路、芙蓉路、韶山路、人民路、白沙路、劳动路、南湖路等组成，交通网络复杂，交通流量巨大。

现拟在贺龙体育馆举办某大型社会活动，预计参加总人次将达到5万以上，活动期间，根据交通部门预测，周边交通平均流量可达到25 000人次/h，最高峰期间预计交通流量可达到35 000人次/h，显然，若基于现有交通条件而不实施一定管制措施，将难以保证交通系统的正常运行。

本文首先从交警部门获取附近相关道路历史交通数据，并部分关键道路进行实地交通调查，剔除了由于突发情况引起的离群数据，得到各条道路的容量。然后，基于本文方法划分交通管理区域，对各区域实施区别化管理，如图3所示，其数字化抽象地图如图4所示。

图2 实际交通管理区域

依据大型活动的交通需求，参考交管部门的管理经验，并结合各路段的实际承载交通容量，将管理区域划分如下：强制区为体育馆周边区域，仅允许行人、活动专用车辆通行；管控区为白沙路(路段序号1)、城南路(路段序号2)、芙蓉路(路段序号3)和劳动路(路段序号4)所包围的交通区域，其中白沙路由于道路容量限制，仅允许行人、公交车辆和活动专用车辆通行，其他路段通过采取交通管控措施，优先保证行人、活动专用车辆、公交车辆通行，公交车辆分担率保证在80%以上；疏导区为湘江路(路段序号16，17)、人民路(路段序号18，19和20)、韶山路(路段序号9，21)、南湖路(路段序号8，14)所包围的区域，优先保证参会车辆、公交车辆、行人通行、公交车辆分担率保证在40%以上。

图3 交通管理区域地理划分

基于个性化交通管理经验设置各控制区域、区域内各交叉口以及各交叉口的相位权重，强制区、管控区和疏导区的权重值分别为：0.5，0.3和0.2；同一区域内各交叉口重视程度相同；交叉口各相位权重根据其交通流向确定：流入活动场地方向为0.3，流出方向为0.2。采用3.2节的优化算法对模型进行求解，具体过程详见相关文献，所得结果如图5和图6所示(平均流量和平均占有率取活动开始前2 h的平均值)。

图4 交通管理区域数字地图

从仿真结果可以看出：活动期间，除了白沙路(路段序号1)和劳动路(路段序号4)交通峰值流量达到饱和以外，其他路段均处于相对通畅的水平。究其原因，白沙路交通容量较小，而该路段处于体育馆近旁，交通需求很大，容易达到饱和，而劳动路交通容量相对较大，但同样处于体育馆近旁，且连接芙蓉路和湘江路两大交通主动脉，交通需求量巨大，因而峰值达到饱和，尽管如此，从平均流量和平均占有率可以看出，大型活动举办期间，大型活动举办区域交通系统运行良好，没有出现较严重拥塞现象。仿真结果说明本文算法能够有效解决大型活动下的区域交通控制问题。

图5 各路段的交通容量、峰值流量和平均流量对比

图6 各路段的峰值占有率与平均占有率对比

5 结论

1) 结合个性化控制策略，充分考虑交通管理者的实践经验，提出了一种面向大型社会活动的个性化区域交通控制双层模型，并进行了优化求解。

2) 相比传统的模型，该模型的优势在于，能够充分发挥交通管理的灵活性和交通控制的智能性，并将交通管理者的个性化经验有机反映至交通模型中。

3) 提升了举办大型活动时城市路网的时空利用效率，确保大型社会活动安全、有序开展。

[1] 张邻, 杜文, 宋俊骥, 等. 基于动态模糊控制和模糊决策的交通分配方法[J]. 交通运输工程学报, 2010, 10(3): 110−117. ZHANG Lin, DU Wen, SONG Junji, et al. Traffic assignment method based on dynamic fuzzy control and fuzzy decision making[J]. Journal of Traffic and Transportation Engineering, 2010, 10(3): 110−117.

[2] Spall JC, Chin D C. Traffic responsive signal timing for system-wide traffic control[J]. Transportation Research Part C: Emerging Technologies, 1997, 5(3): 153−163.

[3] 杜文, 王铨登. 动态交通系统最优控制的路径选择模型[J]. 大连交通大学学报, 2010, 31(6): 1−5. DU Wen, WANG Quandeng. Dynamic traffic system optimal control model of route selection[J]. Journal of Dalian Jiaotong University, 2010, 31(6): 1−5.

[4] Chuiou S W. An efficient computation algorithm for area traffic control problem with link capacity expansions[J]. Applied Mathematics and Computation, 2007, 188(2): 1094−1102.

[5] 段宗涛, 李莹, 郑西彬, 等. 基于Hadoop平台的实时多路径交通流分配算法[J]. 中国公路学报, 2014, 27(9): 98−104. DUAN Zongtao, LI Ying, ZHEN Xibin, et al. Real-time multi-path traffic flow assignment algorithm based on Hadoop platform[J]. China Journal of Highway and Transport, 2014, 27(9): 98−104.

[6] 王洪德, 曹英浩, 崔铁军, 等. 基于时间递推与有师学习的交通路径动态诱导[J]. 中国公路学报, 2014, 27(1): 94−99. WANG Hongde, CAO Yinhao, CUI Tiejun, et al. Traffic route dynamic guidance based on time recursion and supervised learning[J]. China Journal of Highway and Transport, 2014, 27(1): 94−99.

[7] ZHANG Liangzhi, JIA Lei, WANG Meixia. Traffic demand forecast and control in large-scale activities[J]. Applied Mechanics and Materials, 2012(209): 998−1003.

[8] WANG Yuan, YANG Zhaosheng, GUAN Qing. Novel traffic control system&its coordination model based on Large scale systems hierarchical optimization theory[C]// Proceedings of the IEEE International Conference on Automation and Logistics. Jinan: IEEE Computer Society, 2007.

[9] Wolshon B, Urbina E, Levitan M. National review of hurricane evacuation plans and policies:a comparison and contrast of state practices[J]. Transportation Research, Part A, 2003, 37(3): 257−275.

[10] Kim S, Shekhar S. Contraflow network reconfiguration for evacuation planning: a summary of results[C]// Proceedings of the 13th Annual ACM International Workshop on Geographic Information sy8tems, Bremen, 2005, New York: ACM Press, 2005: 250−259.

[11] 高凤昌, 李进, 王江燕, 等. 北京市大型活动交通组织规划研究[J]. 交通运输系统工程与信息, 2010, 10(6): 185−189. GAO Fengchang, LI Jin, WANG Jiangyan, et al. Study on traffic organization for large special events in Beijing[J]. Journal of Transportation Systems Engineering and Information Technology, 2010, 10(6): 185−189.

[12] 北京市人大常委会. 北京市大型社会活动安全管理条例[Z]. 2005−09−09.Standing Committee of Beijing Municipal People’s Congress. Regulations of the Beijing municipality on the administration of safety of large-scale social activities[Z]. 2005−09−09.

[13] 崔洪军, 陆建. 大型活动交通组织管理[M]. 北京: 人民交通出版社, 2008.CUI Hongjun, LU Jian. Large planned special event travel management[M]. Beijing: China Communications Press, 2008.

[14] 王晓佳, 张宝霆, 徐达宇. 含有压缩因子的粒子群优化灰色模型在智能电网中的应用[J]. 运筹与管理, 2012, 21(3): 114−118. WANG Xiaojia, ZHANG Baoting, XU Dayu. Compression factor with gray model of particle swarm optimization and its application in smart grid[J]. Operations Research and Management Science, 2012, 21(3): 114−118.

(编辑 蒋学东)

Personalized area traffic control for large-scale social activities

LONG Qiong1, 2, HU Liege3, ZHANG Lei1, ZHOU Zhaoming1

(1. School of Civil Engineering, Hunan City University, Yiyang 413000, China; 2. College of Engineering, Shantou University, Shantou 515063, China; 3. School of Traffical and Transportation, Changsha University of Science & Technology, Changsha 410004, China)

Urban regional traffic control is a challenge when faced with large activities. This paper proposes the model of personalized regional traffic control under the circumstances of large-scale activities. First, the regional traffic control two-layer model in large activities is established to give full consideration to the traffic managers' personalized experience in individual traffic management and the traffic control model. Then, the parameters in the two-layer personalized area traffic control are determined with the fuzzy analysis method. The particle swarm optimization (PSO) algorithm is used to optimize the model, the final output of each area, and the area of each intersection control vector. Traffic control simulation of large activities held in Changsha city shows that the regional transportation system runs well during major events, showing that this model algorithm could effectively solve the regional traffic control problem of large-scale activities.

area traffic control; personalized; large-scale social activities; particle swarm optimization algorithm

10.19713/j.cnki.43−1423/u.2018.10.032

U491.4

A

1672 − 7029(2018)10 − 2692 − 08

2017−09−15

国家自然科学基金资助项目(51278068)；湖南省教育厅重点资助项目(16A037)

龙琼(1967−)，女，湖南长沙人，教授，从事交通管理与优化研究与教学工作；E−mail：longqiong@126.com