·444· 智能系统学报 第14卷 20 3000 2000 10 10 2.0 1.5 0 1.5 0 2.0 0.5 0.5 1.5 0.5 B 1.00 B 1.00 1.00 (a)闲散状态下的平均延误时间 (b)闲散状态下的平均停车次数 (c)闲散状态下的通行能力 1.0 4000 0.9 80 0.8 3000 60 2.0 28 1.5 1.0 5 1.0 05 0.5 15 0.5 B 1.00 B 1.00 B 1.00 (d繁忙状态下的平均延误时间 ()繁忙状态下的平均停车次数 (田繁忙状态下的通行能力 30 1.0 三300 0.9 0.8 2000 10 1000 0 20 1.5 1.0 10 0.5 1.5 1.0 0.s 1.5 0.5 B 1.00 a B 1.00 B 1.00 (g)顺畅状态下的平均延误时间 ()顺畅状态下的平均停车次数 (句顺畅状态下的通行能力 图9上限阈值α和下限阈值B对各项指标的影响 Fig.9 The effects of upper threshold a and lower threshold B on evaluation indicators 从图9中可以看出，在不同的交通状态下， 周期。通行能力与绿信比成正比，其变化趋势 上限阈值α和下限阈值B对同一指标的影响大 与平均停车次数相反。在本文实验中，α选取 致相同。比如，平均延误时间随着α的增大呈 为0.8，B选取为1.3。 减小趋势，随着B的减小呈增大趋势。这是因 3.3对比实验 为平均延误时间受信号周期的影响较大，随着 为了验证本文算法(BSLDA)的有效性，本节 α的增大，更多的相位选择减少绿灯时间，并且 选择与经典的Webster配时方法、人工蜂群算法 绿灯时间的减少量变大，从而使得信号周期变 (ABC)和蚁群算法(ACO)等群智能优化方法进行 短，延误时间变短；随着B的减小，更多的相位 对比实验。求解时，先用Webster方法估计初始 选择增加绿灯时间，并且绿灯时间的增加量变 周期，然后利用等饱和比的方法计算各相位的大 大，从而使得信号周期变长，延误时间变长。平 致信号配时，再用BSLDA进行分配求解。 均停车次数随着B的增大呈增大趋势，随着α的 在4种交通场景下，分别得到4种配时方法 增大呈减小趋势，但是在B较小时又呈增大趋 在每个小时的性能对比情况，如图10和图11所 势。这是因为平均停车次数只受绿信比影响， 示。从图10可以看出，在交叉口和交通流量相同 B增大以后，更多停车次数多的相位难以通过增 的情况下，同一种配时方法在不同的相位方案下 加绿灯时间来增加绿信比，减少停车次数；α增 得到了不同的控制效果。同样的，在图11中也观 大以后，更多停车次数少的相位会让出绿灯时 察到了类似的情形。这进一步说明了，TS11、 间，从而使停车次数多的相位的绿信比变大，停 TS12、TS21和TS22是4种不同的交通场景， 车次数减小；当B较小、α较大时，在每一次的 对于评估交通信号配时方法的效果具有较强的说 分配过程中都存在增加绿灯时间和减少绿灯时 服力。从图10和图11中可以看出，BSLAD得到 间的相位，信号周期保持不变，此时的平均停车 的计算结果比其他算法延误时间和停车次数均有 次数变大，说明当前的信号周期不是最佳信号 减小，并且通行能力得到了提高。(g) 顺畅状态下的平均延误时间 (h) 顺畅状态下的平均停车次数 0 0.5 1.0 1.0 1.5 2.0 0.70 0.75 0.80 β α (i) 顺畅状态下的通行能力 0 0.5 1.0 1.0 1.5 2.0 1 000 2 000 3 000 β α (a) 闲散状态下的平均延误时间 (b) 闲散状态下的平均停车次数 0 0.5 1.0 1.0 1.5 2.0 0.6 0.7 0.8 0.9 1.0 0.6 1.0 β α (c) 闲散状态下的通行能力 0 0.5 1.0 1.0 1.5 2.0 2 000 3 000 4 000 β α (d) 繁忙状态下的平均延误时间 (e) 繁忙状态下的平均停车次数 0 0.5 1.0 1.0 1.5 2.0 0.7 0.8 0.9 β α (f) 繁忙状态下的通行能力 0 0.5 1.0 1.0 1.5 2.0 1 000 2 000 3 000 β α 0 0.5 1.0 1.0 1.5 2.0 10 15 20 β α 平均延误时间/s 0 0.5 1.0 1.0 1.5 2.0 60 80 100 β α 平均延误时间/s 0 0.5 1.0 1.0 1.5 2.0 10 20 30 β α 平均延误时间/s 平均停车次数 平均停车次数 平均停车次数 通行能力/(pcu·h−1 ) 通行能力/(pcu·h−1 ) 通行能力/(pcu·h−1 ) 图 9 上限阈值 α 和下限阈值 β 对各项指标的影响 Fig. 9 The effects of upper threshold α and lower threshold β on evaluation indicators 从图 9 中可以看出，在不同的交通状态下， 上限阈值 α 和下限阈值 β 对同一指标的影响大 致相同。比如，平均延误时间随着 α 的增大呈 减小趋势，随着 β 的减小呈增大趋势。这是因 为平均延误时间受信号周期的影响较大，随着 α 的增大，更多的相位选择减少绿灯时间，并且 绿灯时间的减少量变大，从而使得信号周期变 短，延误时间变短；随着 β 的减小，更多的相位 选择增加绿灯时间，并且绿灯时间的增加量变 大，从而使得信号周期变长，延误时间变长。平 均停车次数随着 β 的增大呈增大趋势，随着 α 的 增大呈减小趋势，但是在 β 较小时又呈增大趋 势。这是因为平均停车次数只受绿信比影响， β 增大以后，更多停车次数多的相位难以通过增 加绿灯时间来增加绿信比，减少停车次数；α 增 大以后，更多停车次数少的相位会让出绿灯时 间，从而使停车次数多的相位的绿信比变大，停 车次数减小；当 β 较小、α 较大时，在每一次的 分配过程中都存在增加绿灯时间和减少绿灯时 间的相位，信号周期保持不变，此时的平均停车 次数变大，说明当前的信号周期不是最佳信号 周期。通行能力与绿信比成正比，其变化趋势 与平均停车次数相反。在本文实验中， α 选取 为 0.8，β 选取为 1.3。 3.3 对比实验 为了验证本文算法 (BSLDA) 的有效性，本节 选择与经典的 Webster 配时方法、人工蜂群算法 (ABC) 和蚁群算法 (ACO) 等群智能优化方法进行 对比实验。求解时，先用 Webster 方法估计初始 周期，然后利用等饱和比的方法计算各相位的大 致信号配时，再用 BSLDA 进行分配求解。 在 4 种交通场景下，分别得到 4 种配时方法 在每个小时的性能对比情况，如图 10 和图 11 所 示。从图 10 可以看出，在交叉口和交通流量相同 的情况下，同一种配时方法在不同的相位方案下 得到了不同的控制效果。同样的，在图 11 中也观 察到了类似的情形。这进一步说明了，TS1_1、 TS1_2、TS2_1 和 TS2_2 是 4 种不同的交通场景， 对于评估交通信号配时方法的效果具有较强的说 服力。从图 10 和图 11 中可以看出，BSLAD 得到 的计算结果比其他算法延误时间和停车次数均有 减小，并且通行能力得到了提高。 ·444· 智 能 系 统 学 报 第 14 卷