一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法、系统与装置的制作方法

1.本发明涉及智能交通技术领域，具体涉及一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法、系统与装置。

背景技术：

2.当街区挤满缓慢前行甚至停止不动的车辆，也就没有空间留给其他车辆驶入，这时就经常会发生“排队溢出”。有时候排队车辆延伸至上游路口形成严重拥堵。目前每次发生这一问题，通常采用的解决方案是，在容易造成排队溢出的路口及相关路口增派交通秩序维护人员，通过排队溢出的路口及相关路口增派交通秩序维护人员的信息沟通，由交通秩序维护人员现场控制排队溢出的路口红通行信号灯的亮灭，此种方式需要的人工成本较大，对交通秩序维护人员的现场判断能力有较高的要求，若交通秩序维护人员的处理经验不足，不但不能减轻交通压力，反而增加交通压力。

技术实现要素：

3.针对现有技术的缺陷，本发明提供一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法、系统与装置。基于车路协同系统云控基础平台实时获取的上下游路口路侧感知数据及入网车辆的实时行驶数据，预测上游交叉口通行信号灯启动后驶入车辆到达率，估算下游交叉口禁止信号灯启亮后车辆最大排队长度，预判车辆最大排队长度是否超过安全排队长度；若预判将发生溢流事件，联合上、下游交叉口平均排队长度形成上下游路口的绿信比优化调整策略，实现主动式避免溢流的产生。具体地：
4.一方面，本技术提供一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法，其中，包括：
5.实时获取第一参考数据和入网车辆的实时行驶数据；
6.构建上游路口通行信号灯启动后驶入车辆到达率预测模型，
7.预判当前路口停止信号灯启亮后是否发生溢流排队现象；
8.于发生溢流排队现象的状态下构建多路口交通信号协调控制模型，确定各个路口的绿信比优化调整策略。
9.优选地，上述的一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法，其中，实时获取第一参考数据和目标的实时行驶数据具体包括：
10.获取通过路口不同相位在不同时刻的车队长度，通过车队长度以确定路口各个相位在上一个信号周期结束时滞留于该路口的车辆的数量；
11.根据入网车辆于上游路口出口道停止线延长线时的速度平均值形成入网车辆于上游路口、当前路口间的速度平均值；
12.根据上游路口、当前路口之间的距离及上游路口、当前路口间的平均速度计算形成车队从上游路口、当前路口之间的平均行驶时间。
13.优选地，上述的一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法，其中，构建上游路口通行信号灯启动后驶入车辆到达率预测模型具体包括：
14.采用lstm神经网络模型构建该预测模型，
[0015][0016]
其中，为第i-1个路口第k+1个信号周期第p个相位通行信号灯启动后驶入车辆的到达率；
[0017]
为第i-1个路口第k个信号周期第p个相位的车流到达率；
[0018]
为第i-1个路口第k+1个信号周期第p个相位的历史车流到达率。
[0019]
优选地，上述的一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法，其中，预判当前路口停止信号灯启亮后是否发生溢流排队现象具体包括：
[0020]
获取当前路口下一个信号周期内停止信号灯启亮的车辆排队长度：
[0021]
根据上游路口到当前路口之间的距离，停止信号灯启亮状态下排队车流的平均车头间距形成一安全排队长度；
[0022]
根据当前路口下一个信号周期内停止信号灯启亮状态下的车辆排队长度、安全长度判断当前路口是否会发生溢流，于不发生溢流状态的继续判断下下一个信号周期是否发生溢流。
[0023]
优选地，上述的一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法，其中，于发生溢流排队现象的状态下构建多路口交通信号协调控制模型，确定各个路口的绿信比优化调整策略具体包括：
[0024]
计算形成各个路口的绿信比的调整策略；
[0025]
于所述调整策略验证通过的状态下形成最优调整策略，于所述调整策略未验证通过的状态下令k＝k+1继续计算形成各个路口的绿信比的调整策略。
[0026]
优选地，上述的一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法，其中，计算形成各个路口的绿信比的调整策略具体包括：
[0027]
计算获取当前路口第k+1个信号周期第p个相位的绿信比
[0028]
根据当前路口第k+1个信号周期第p个相位的绿信比与当前路口第k个信号周期第p个相位的绿信比λ
i,k,p
形成一绿信比差值；
[0029]
将所述绿信比差值分割为m档以形成一绿信比调节量，并根据所述绿信比调节量绿信比的调整策略。
[0030]
优选地，上述的一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法，其中，于所述调整策略验证通过的状态下形成最优调整策略具体包括：
[0031]
于κ》m的状态下，目标函数值最小的上下游路口绿信比调整策略为最优策略，于κ≤m的状态下，令κ＝κ+1继续计算形成各个路口的绿信比的调整策略，其中目标函数值最小的上下游路口绿信比调整策略为
[0032][0033][0034]
λ
i，k+1，p
≥λ
min
，p＝1，
…
，p，i＝1，
…
，n
[0035]
其中，n为上下游路口数；
[0036]
p为第i个路口第k+1个信号周期的相位数；
[0037]
路口i第k+1个信号周期第p个相位的排队长度；
[0038]
λ
i,k+1,p
为路口i第k+1个信号周期第p个相位的绿信比；l为信号周期总损失时间；
[0039]
c为信号周期时长；
[0040]
λ
min
为最小通行信号灯时间对应的绿信比；
[0041]
根据与当前路口的相位差、调整后的当前路口的绿信比开启上游路口的交通灯的控制信号。
[0042]
另一方面，本技术再提供一种基于车路协同的溢流排队预测与多路口交通信号协调控制系统，其中，包括：
[0043]
数据输入模块：用于获取车路协同系统的云控平台实时获取路侧感知数据和入网车辆的实时行驶数据；
[0044]
溢流预判模块：通过上游交叉口通行信号灯启动后驶入车辆到达率预测，用于预判是否将发生溢流排队；
[0045]
协调控制模块：用于对预判将发生溢流排队的上下游关联路口，确定多路口绿信比优化调整策略。
[0046]
优选地，上述的一种基于车路协同的溢流排队预测与多路口交通信号协调控制系统，其中，还包括：
[0047]
策略输出模块：用于将多路口绿信比优化调整策略通过车路协同系统的云控基础平台共享至公安交警部门的交通信号控制系统，辅助交通信号控制系统进行配时优化。
[0048]
最后，本技术再提供一种基于车路协同的溢流排队预测与多路口交通信号协调控制装置，其中，包括存储介质和处理器，存储介质用于存储计算机程序，处理器用于执行计算机程序，实现权利要求上述任一项所述的一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法。
[0049]
与现有技术相比，本发明的有益效果是：
[0050]
车路协同系统为准确感知上下游信号交叉口交通流信息提供了可行性，可以避免传统方式大规模布设车辆检测器付出的代价；
[0051]
针对溢流排队问题，能够根据车路协同系统采集的感知数据实时预判溢流排队是否发生，实现过饱和状态下上下游关联路口主动协调控制，避免路口死锁，模型适应性更强。
附图说明
[0052]
图1为本发明实施例提供的一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法的流程图；
[0053]
图2为本发明实施例提供的一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法的流程图；
[0054]
图3为本发明实施例提供的一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法的流程图；
[0055]
图4为基于车路协同的溢流排队预测与多路口交通信号协调控制装置的结构示意图。
具体实施方式
[0056]
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
[0057]
实施例一
[0058]
如图1所示，一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法，其中，包括：
[0059]
步骤s110、实时获取第一参考数据和入网车辆的实时行驶数据；具体地：
[0060]
其中，第一参考主数据例如可以为各个路口不同相位在不同时刻的车队长度，特别是不同相位在第一参考时刻的车队长度，其中第一参考时刻可为停止信号灯开启时刻，例如禁止信号灯启亮时刻。
[0061]
如图2所示，步骤s1101、获取通过路口不同相位在不同时刻的车队长度，通过车队长度以确定路口各个相位在上一个信号周期结束时滞留于该路口的车辆的数量。
[0062]
示意性地：不同相位在不同时刻的排队长度以确定路口各个相位在上一个通行信号灯周期结束时滞留于该路口的车队长度计为q
i,k
；
[0063]qi,k
＝[q
i,k,1
,q
i,k,2
,
…
,q
i,k,p
]
[0064]
其中，q
i,k
为第i个路口第k个信号周期各个相位在禁止信号灯开启时刻的车队长度；
[0065]qi,k,p
为第i个路口第k个信号周期第p个相位在禁止信号灯开启时刻的排队长度；
[0066]
p＝1,
…
,p，p为第i个第k个信号周期的相位数。
[0067]
需要说明的是，路口不同相位在不同时刻的排队长度可由车路协同系统的云控基础平台获取的路侧感知系统(例如毫米波雷达、雷视一体机等)上传的数据形成，也可由其他系统形成，此处不做具体限制。车辆数量包含非入网车辆和入网车辆结合形成的总数。
[0068]
入网车辆的实时行驶数据至少包括与云控基础平台建立连接的入网车辆的id信息，入网车辆的vin码，入网车辆当前位置信息(例如入网车辆所在空间的经纬度)，时间信息、入网车辆的行车速度信息，入网车辆的航向角信息。
[0069]
步骤s1102、根据入网车辆于上游路口出口道停止线延长线时的速度平均值形成入网车辆于上游路口、当前路口间的速度平均值。
[0070]
示意性地，车路协同环境下入网车辆的总量达到道路车流量的大样本比例时，根据每个入网车辆通过上游路口出口道停止线延长线速度的平均值计算形成入网车辆在上游路口、当前路口间i-1
→
i的平均速度，
[0071][0072]
式中：v
i-1
→i(l)为第l辆入网车辆从上游路口i-1到当前路口i的速度；
[0073]
为入网车辆从上游路口i-1到当前路口i的速度平均值，也可以理解为排队的车队从上游路口i-1到当前路口i的速度平均值；
[0074]
n为从上游路口i-1到当前路口i的入网车辆总数。
[0075]
需要说明的是，大样本比例的比例值根据实际应用场合确定，此处不做具体限制。
[0076]
步骤s1103、根据上游路口、当前路口之间的距离及上游路口、当前路口间的速度平均值计算形成车队从上游路口、当前路口之间的平均行驶时间，
[0077][0078]
其中，s
i-1
→i为上游路口i-1到当前路口i的间距为s
i-1
→i；
[0079]
为车队从上游路口i-1到当前路口i的平均行驶时间。
[0080]
步骤s120、构建上游路口通行信号灯启动后驶入车辆到达率预测模型，示意性地，采用lstm神经网络模型构建该预测模型，
[0081][0082]
其中，为第i-1个路口第k+1个信号周期第p个相位通行信号灯启动后驶入车辆的到达率；
[0083]
为第i-1个路口第k个信号周期第p个相位的车流到达率；为第i-1个路口第k+1个信号周期第p个相位的历史车流到达率，其中到达率可以通过云控基础平台接收到到的路侧融合感知流量数据获得，流量的含义是每小时通过的车辆总数，那么根据流量就可以计算得到每分钟到达的车辆数，也就是到达率。0
[0084]
步骤s130、预判当前路口停止信号灯启亮后是否发生溢流排队现象；
[0085]
如图3所示，步骤s1301、获取当前路口下一个信号周期内停止信号灯启亮的车辆排队长度：示意性地，
[0086][0087]
其中，为第i个路口(当前路口)第k+1个信号周期第p个相位禁止信号灯期间的预测排队长度；
[0088]qi,k+1,p
为第i个路口第k+1个信号周期第p个相位禁止信号灯开始时刻的排队长度，
[0089]
为第i-1个路口(上游路口)第k+1个信号周期第p个相位的车流到达率预测值，
[0090]
为第i个路口第k+1个信号周期第p个相位停止信号灯的时长；
[0091]
为车队从上游路口i-1到当前路口i的平均行驶时间。
[0092]
步骤s1302、根据上游路口到当前路口之间的距离，停止信号灯启亮状态下排队车流的平均车头间距形成一安全排队长度：
[0093][0094]
其中，s
i-1
→i为上游路口i-1到当前路口i的间距；
[0095]h(r)
为禁止信号灯开启车流排队时的平均车头间距；
[0096]
l
safe
为安全排队长度；
[0097]
步骤s1303、根据当前路口下一个信号周期内停止信号灯启亮状态下的车辆排队长度、安全长度判断当前路口是否会发生溢流。于不发生溢流状态下令k＝k+1，继续判断下下一个信号周期是否发生溢流。
[0098]
示意性地，于的状态下，令k＝k+1继续执行预判下下一个信号周期是否发生溢流，即执行步骤s1301，于的状态下认定形成溢流排队状态。
[0099]
步骤s140、于发生溢流排队现象的状态下构建多路口交通信号协调控制模型，确定各个路口的绿信比优化调整策略，进一步地，示意性地：
[0100]
步骤s1401、计算形成各个路口的绿信比的调整策略；具体地，计算获取当前路口第k+1个信号周期第p个相位的绿信比根据当前路口第k+1个信号周期第p个相位的绿信比与当前路口第k个信号周期第p个相位的绿信比λ
i,k,p
形成一绿信比差值，将所述绿信比差值分割为m档以形成一绿信比调节量，并于形成最优调整策略的状态下根据所述绿信比调节量形成路口i第k+1个信号周期其他相位的绿信比的调节信息；
[0101]
步骤s1402、于κ》m的状态下，目标函数值最小的上下游路口绿信比调整策略为最优策略，于κ≤m的状态下，令κ＝κ+1执行步骤s1401，
[0102]
其中目标函数值最小的上下游路口绿信比调整策略为
[0103][0104][0105]
λ
i，k+1，p
≥λ
min
，p＝1，
…
，p，i＝1，
…
，n
[0106]
其中，n为上下游路口数；
[0107]
p为第i个路口第k+1个信号周期的相位数；
[0108]
路口i第k+1个信号周期第p个相位的排队长度；
[0109]
λ
i,k+1,p
为路口i第k+1个信号周期第p个相位的绿信比；l为信号周期总损失时间；
[0110]
c为信号周期时长；
[0111]
λ
min
为最小通行信号灯时间对应的绿信比。
[0112]
步骤s1403、根据与当前路口的相位差、调整后的当前路口的绿信比形成上游路口
的交通灯的控制信号。
[0113]
一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法、系统与装置。基于车路协同系统云控基础平台实时获取的上下游路口路侧感知数据及入网车辆的实时行驶数据，预测上游交叉口通行信号灯启动后驶入车辆到达率，估算下游交叉口禁止信号灯启亮后车辆最大排队长度，预判车辆最大排队长度是否超过安全排队长度；若预判将发生溢流事件，联合上、下游交叉口平均排队长度形成上下游路口的绿信比优化调整策略，实现主动式避免溢流的产生。
[0114]
实施例二
[0115]
另一方面，本技术再提供一种基于车路协同的溢流排队预测与多路口交通信号协调控制系统，其中，包括：
[0116]
数据输入模块：用于获取车路协同系统的云控平台实时获取路侧感知数据和入网车辆的实时行驶数据；
[0117]
溢流预判模块：通过上游交叉口通行信号灯启动后驶入车辆到达率预测，用于预判是否将发生溢流排队；
[0118]
协调控制模块：用于对预判将发生溢流排队的上下游关联路口，确定多路口绿信比优化调整策略。
[0119]
进一步地，还包括：
[0120]
策略输出模块：用于将多路口绿信比优化调整策略通过车路协同系统的云控基础平台共享至公安交警部门的交通信号控制系统，辅助交通信号控制系统进行配时优化。
[0121]
上述的一种基于车路协同的溢流排队预测与多路口交通信号协调控制系统，与实施例一提供的一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法的工作原理相同，此处不做赘述。
[0122]
实施例三
[0123]
一种基于车路协同的溢流排队预测与多路口交通信号协调控制装置，其中，包括存储介质和处理器，存储介质用于存储计算机程序，处理器用于执行计算机程序，实现权利要求上述实施例一的一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法，具体包括：实时获取第一参考数据和目标的实时行驶数据；
[0124]
构建上游交叉口通行信号灯启动后驶入车辆到达率预测模型，
[0125]
预判当前路口停止信号灯启亮后溢流排队状态；
[0126]
于形成溢流排队状态下构建多路口交通信号协调控制模型，确定各个路口的绿信比优化调整策略。
[0127]
控制装置具体包括：一个或多个处理器410，图4中以一个处理器410为例；存储器420，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器410执行，使得一个或多个处理器410实现本发明任意实施例所述的混合现实交互方法。处理器410与存储器420可以通过总线或其他方式连接，图4中以通过总线连接为例。
[0128]
存储器420，作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的混合现实交互方法对应的程序指令(例如，各方向上信号的接收与场强的测量以及单程时延的确定和ta信息的采集)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即
实现上述的混合现实交互方法。
[0129]
存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0130]
实施例四
[0131]
最后，本技术再提供一种计算机可读存储介质，该计算机可读存储介质上存储有基于车路协同的溢流排队预测与多路口交通信号协调控制的程序，基于车路协同的溢流排队预测与多路口交通信号协调控制的程序被处理器执行时实现上述实施例一的一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法，具体包括：
[0132]
实时获取第一参考数据和目标的实时行驶数据；
[0133]
构建上游交叉口通行信号灯启动后驶入车辆到达率预测模型，
[0134]
预判当前路口停止信号灯启亮后溢流排队状态；
[0135]
于形成溢流排队状态下构建多路口交通信号协调控制模型，确定各个路口的绿信比优化调整策略。
[0136]
当然，本发明实施例所提供的一种计算机可读存储介质,其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的混合现实交互方法中的相关操作。
[0137]
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-only memory,rom)、随机存取存储器(random access memory,ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0138]
值得注意的是，上述搜索装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0139]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

技术特征：

1.一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法，其特征在于，包括：实时获取第一参考数据和入网车辆的实时行驶数据；构建上游路口通行信号灯启动后驶入车辆到达率预测模型，预判当前路口停止信号灯启亮后是否发生溢流排队现象；于发生溢流排队现象的状态下构建多路口交通信号协调控制模型，确定各个路口的绿信比优化调整策略。2.根据权利要求1所述的一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法，其特征在于，实时获取第一参考数据和目标的实时行驶数据具体包括：获取通过路口不同相位在不同时刻的车队长度，通过车队长度以确定路口各个相位在上一个信号周期结束时滞留于该路口的车辆的数量；根据入网车辆于上游路口出口道停止线延长线时的速度平均值形成入网车辆于上游路口、当前路口间的速度平均值；根据上游路口、当前路口之间的距离及上游路口、当前路口间的平均速度计算形成车队从上游路口、当前路口之间的平均行驶时间。3.根据权利要求1所述的一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法，其特征在于，构建上游路口通行信号灯启动后驶入车辆到达率预测模型具体包括：采用lstm神经网络模型构建该预测模型，其中，为第i-1个路口第k+1个信号周期第p个相位通行信号灯启动后驶入车辆的到达率；为第i-1个路口第k个信号周期第p个相位的车流到达率；为第i-1个路口第k+1个信号周期第p个相位的历史车流到达率。4.根据权利要求1所述的一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法，其特征在于，预判当前路口停止信号灯启亮后是否发生溢流排队现象具体包括：获取当前路口下一个信号周期内停止信号灯启亮的车辆排队长度：根据上游路口到当前路口之间的距离，停止信号灯启亮状态下排队车流的平均车头间距形成一安全排队长度；根据当前路口下一个信号周期内停止信号灯启亮状态下的车辆排队长度、安全长度判断当前路口是否会发生溢流，于不发生溢流状态的继续判断下下一个信号周期是否发生溢流。5.根据权利要求1所述的一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法，其特征在于，于发生溢流排队现象的状态下构建多路口交通信号协调控制模型，确定各个路口的绿信比优化调整策略具体包括：计算形成各个路口的绿信比的调整策略；于所述调整策略验证通过的状态下形成最优调整策略，于所述调整策略未验证通过的
状态下令k＝k+1继续计算形成各个路口的绿信比的调整策略。6.根据权利要求5所述的一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法，其特征在于，计算形成各个路口的绿信比的调整策略具体包括：计算获取当前路口第k+1个信号周期第p个相位的绿信比根据当前路口第k+1个信号周期第p个相位的绿信比与当前路口第k个信号周期第p个相位的绿信比λ
i,k,p
形成一绿信比差值；将所述绿信比差值分割为m档以形成一绿信比调节量，并根据所述绿信比调节量绿信比的调整策略。7.根据权利要求5所述的一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法，其特征在于，于所述调整策略验证通过的状态下形成最优调整策略具体包括：于κ＞m的状态下，目标函数值最小的上下游路口绿信比调整策略为最优策略，于κ≤m的状态下，令κ＝κ+1继续计算形成各个路口的绿信比的调整策略，其中目标函数值最小的上下游路口绿信比调整策略为上下游路口绿信比调整策略为上下游路口绿信比调整策略为λ
i，k+1，p
≥λ
min
，p＝1，
…
，p，i＝1，
…
，n其中，n为上下游路口数；p为第i个路口第k+1个信号周期的相位数；路口i第k+1个信号周期第p个相位的排队长度；λ
i,k+1,p
为路口i第k+1个信号周期第p个相位的绿信比；l为信号周期总损失时间；c为信号周期时长；λ
min
为最小通行信号灯时间对应的绿信比；根据与当前路口的相位差、调整后的当前路口的绿信比开启上游路口的交通灯的控制信号。8.一种基于车路协同的溢流排队预测与多路口交通信号协调控制系统，其特征在于，包括：数据输入模块：用于获取车路协同系统的云控平台实时获取路侧感知数据和入网车辆的实时行驶数据；溢流预判模块：通过上游交叉口通行信号灯启动后驶入车辆到达率预测，用于预判是否将发生溢流排队；协调控制模块：用于对预判将发生溢流排队的上下游关联路口，确定多路口绿信比优化调整策略。9.根据权利要求8所述的一种基于车路协同的溢流排队预测与多路口交通信号协调控制系统，其特征在于，还包括：策略输出模块：用于将多路口绿信比优化调整策略通过车路协同系统的云控基础平台
共享至公安交警部门的交通信号控制系统，辅助交通信号控制系统进行配时优化。10.一种基于车路协同的溢流排队预测与多路口交通信号协调控制装置，其特征在于，包括存储介质和处理器，存储介质用于存储计算机程序，处理器用于执行计算机程序，实现权利要求1～7任一项所述的一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法。

技术总结

本发明涉及智能交通技术领域，具体涉及一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法、系统与装置，其中一种基于车路协同的溢流排队预测与多路口交通信号协调控制算法，包括：实时获取第一参考数据和目标的实时行驶数据；构建上游交叉口通行信号灯启动后驶入车辆到达率预测模型，预判当前路口停止信号灯启亮后溢流排队状态；于形成溢流排队状态下构建多路口交通信号协调控制模型，确定各个路口的绿信比优化调整策略。定各个路口的绿信比优化调整策略。定各个路口的绿信比优化调整策略。