邹恺杰，陈天宇，肖奇波，王亚飞，承向军

（北京交通大学交通运输学院，北京 100044）

城市快速路承担大量交通量。为保证主路流畅，不少学者提出了快速路入口控制模型。在应用中，由于快速路入口匝道控制规则主要考虑主路交通流，缺乏对辅路交通流的控制，常常出现辅路剧烈拥堵情形下入口并未打开的情形。本文建立了粗糙控制模型，通过遗传算法对快速路入口交通流实现控制。

1 特征参数选取

1.1 输入属性

考虑快速路车道数量λ，匝道车道数量1，使用上游交通流量与平均密度，将其归一化为上游阻塞程度与流量拥挤度：

使用入口前车辆拥挤度为入口匝道条件属性：

1.2 输出属性

控制系统的输出即为入口调节率Ri(k)，Ri(k) [0,1]。

1.3 控制优化目标

根据离散化的快速路交通模型，给予快速路与辅路的平均密度不同权重，确定快速路主辅路加权平均车速为优化目标：

2 粗糙控制模型

粗糙集理论是一种数据分析处理的理论。范业坤提出基于粗糙集的交通流神经网络模型，将粗糙集理论运用于快速路控制。本文实现的粗糙控制具体步骤如图1。

图1 粗糙控制流程图

2.1 粗糙控制数据集

模型需要采集的数据有快速路主路与辅路的上游密度ρi(k),ρj(k)、上游流量qi(k),qj(k)、匝道入口的车辆拥挤度γ，通过传感器得到，如图2。

图2 模型采集数据示意图

2.2 知识库的建立

R1：当快速路上游阻塞程度变量Ua与Ub均为A时，放行匝道；

R2、R3：当快速路上游阻塞程度变量Ua或Ub为D时，关闭匝道并不允许等待；

R4、R5：当辅路阻塞程度变量Uc与Ud均为D，或当入口匝道拥挤度Ue为D，且快速路上游阻塞程度Ua与Ub均不为D时，放行匝道；

2.3 基于遗传算法的边界域自学习算法

遗传算法（Genetic Algorithm，GA）是模拟自然选择和遗传的一种随机搜索算法，本文使用遗传算法构建的边界域自学习过程可以表述为：

（1）生成Q个初始规则集，分别进行T时间的信号控制，记录每个方案加权平均车速指标。

（2）顺序进行了T时间的信号控制后，按照加权平均车速，计算Q个方案的适应度和遗传概率。

（3）以随机方式使2Q个方案配对，产生Q个子方案。以一定的变异率进行变异处理。重复（2）。

3 基于vissim的粗糙控制仿真

在vissim软件中搭建了仿真实验平台，分别使用无入口匝道控制、入口匝道定时控制与本文提出的基于粗糙集的入口匝道控制规则对快速路入口匝道控制进行仿真实验，得出不同仿真时长通过测试路段的时间对比结果，如图3。

图3 仿真结果

4 结语

本文提出了一种快速路入口控制系统，将遗传算法与粗糙集理论相结合，以实现对快速路入口的持续性优化，发现定时控制与基于粗糙集的感应控制结果均优于无信号控制，但是，定时控制在一定时间后交通量较大时效果较差，而基于粗糙集的感应控制呈现出比另外二者更优的结果。