·442· 智能系统学报 第14卷 式中()为f的负相关函数。当激发抑制比低于 5)根据式(6)或式(7)计算各相位的绿灯时间 上限阈值时，绿灯时间减小，且激发抑制比越小， 变化量： 绿灯时间的减少量越大。 6)根据绿灯时间的修正方法确定各信号相位 2)当f>B(B为下限阈值)时，相位i的绿灯时 的绿灯时间及信号周期； 间增加，相应的增加量为 7)若达到最大迭代次数，转至8)，否则转 4=f) (7) 至2)： 式中)为f的正相关函数。当激发-抑制比高于 8)输出结果。 下限阈值时，绿灯时间增加，且激发抑制比越大， 绿灯时间的增加量越大。 初始化相位方案及参数 3)当α≤≤时，相位i的绿灯时间保持不变。 为进一步提高算法效率，在每一次时间分配 计算相位的激发剂和抑制剂 过程中，对各相位绿灯时间的变化量进行修正： 当所有相位都选择减少绿灯时间时，以最大减少 量作为总的减少量，并按照减少比例分给各相 确定相位的激发抑制比 位，此时信号周期变短；当所有相位都选择增加 绿灯时间时，以最大增加量作为总的增加量，并 更新相位的绿灯时间 按照增加比例分给各相位，此时信号周期变长； 当一部分相位选择增加绿灯时间，而另一部分相 位选择减少绿灯时间时，通过归一化处理，使得 满足停止准则 时间的增加量等于时间的减少量，此时信号周期 保持不变；当所有相位都选择保持绿灯时间不变 时，达到一个时间分配平衡。 输出结果 BSLDA在解决交通信号配时问题时，每个信 号相位都有增加绿灯时间、减少绿灯时间和保持 图5蜂群劳动分工算法的实现流程 Fig.5 The implementation process of BSLDA 绿灯时间不变3种行为选择。具体选择哪一种行 为，是由信号相位的激发-抑制比决定的，激发剂 3 实例分析与讨论 与信号相位自身的延误时间有关，抑制剂与其他 31交通数据 信号相位的停车次数有关。信号相位的激发剂、 本文使用的交通数据来自于2014年中国“云 抑制剂和激发抑制比会随着绿灯时间、交通流量 上贵州”大数据商业模式大赛一智能交通算法 以及信号周期等变化，使得同一信号相位在不同 大挑战。该数据描述了贵阳市南明区的主干路段 交通场景下的行为选择不同，进而能够适应环境 在6：00~20：00时间段内通过各交叉路口的车流 的变化。 量情况。图6是贵阳市南明区部分区域的简化道 图5描述了BSLDA的实现流程，具体步骤为： 路与红绿灯位置图，其中红绿灯用山，来表示。本 1)初始化相位方案、配时参数以及算法参 文选取交通数据文件“f1ow0901”中红绿灯D为 数，包括相位总数n、信号周期C、绿灯时间x、最 “tl26”和“tl3o”的交通数据，通过处理得到红绿灯 大迭代次数N、上限阈值a、下限阈值B、负相关 “t6”和tl0”的车流量情况，如图7和8所示。图7 函数(f)以及正相关函数(f)等； 中从南进口驶入的车流整体上处于较高的车流量 2)根据式(3)和式(4)分别计算各相位的激发 水平，图8中从西进口驶入的车流整体上处于较 剂和抑制剂； 高的车流量水平，即不同路口、不同方向的车流 3)根据式（⑤）计算各相位的激发抑制比： 存在较大差异。图7和图8中的交通数据反映出 4)若所有相位的激发抑制比都落在上限阈 了车流的高度动态性，对于评估信号配时方法的 值a和下限阈值B之间，转至8)，否则转至5)： 效果具有较强的说服力。ψ(fi) f 式中 为 i的负相关函数。当激发抑制比低于 上限阈值时，绿灯时间减小，且激发抑制比越小， 绿灯时间的减少量越大。 f 2) 当 i > β ( β 为下限阈值) 时，相位 i 的绿灯时 间增加, 相应的增加量为 ∆ + i = ϕ(fi) (7) ϕ(fi) f 式中 为 i的正相关函数。当激发–抑制比高于 下限阈值时，绿灯时间增加，且激发抑制比越大， 绿灯时间的增加量越大。 α ⩽ f 3) 当 i ⩽ β 时，相位 i 的绿灯时间保持不变。 为进一步提高算法效率，在每一次时间分配 过程中，对各相位绿灯时间的变化量进行修正： 当所有相位都选择减少绿灯时间时，以最大减少 量作为总的减少量，并按照减少比例分给各相 位，此时信号周期变短；当所有相位都选择增加 绿灯时间时，以最大增加量作为总的增加量，并 按照增加比例分给各相位，此时信号周期变长； 当一部分相位选择增加绿灯时间，而另一部分相 位选择减少绿灯时间时，通过归一化处理，使得 时间的增加量等于时间的减少量，此时信号周期 保持不变；当所有相位都选择保持绿灯时间不变 时，达到一个时间分配平衡。 BSLDA 在解决交通信号配时问题时，每个信 号相位都有增加绿灯时间、减少绿灯时间和保持 绿灯时间不变 3 种行为选择。具体选择哪一种行 为，是由信号相位的激发–抑制比决定的，激发剂 与信号相位自身的延误时间有关，抑制剂与其他 信号相位的停车次数有关。信号相位的激发剂、 抑制剂和激发抑制比会随着绿灯时间、交通流量 以及信号周期等变化，使得同一信号相位在不同 交通场景下的行为选择不同，进而能够适应环境 的变化。 图 5 描述了 BSLDA 的 实现流程，具体步骤为： ψ(fi) ϕ(fi) 1) 初始化相位方案、配时参数以及算法参 数，包括相位总数 n、信号周期 C、绿灯时间 x、最 大迭代次数 N、上限阈值 α、下限阈值 β、负相关 函数 以及正相关函数 等； 2) 根据式 (3) 和式 (4) 分别计算各相位的激发 剂和抑制剂； 3) 根据式 (5) 计算各相位的激发抑制比； 4) 若所有相位的激发抑制比都落在上限阈 值 α 和下限阈值 β 之间，转至 8)，否则转至 5)； 5) 根据式 (6) 或式 (7) 计算各相位的绿灯时间 变化量； 6) 根据绿灯时间的修正方法确定各信号相位 的绿灯时间及信号周期； 7) 若达到最大迭代次数，转至 8)，否则转 至 2)； 8) 输出结果。 初始化相位方案及参数 计算相位的激发剂和抑制剂 确定相位的激发抑制比 更新相位的绿灯时间 满足停止准则 输出结果 Y N 图 5 蜂群劳动分工算法的实现流程 Fig. 5 The implementation process of BSLDA 3 实例分析与讨论 3.1 交通数据 本文使用的交通数据来自于 2014 年中国“云 上贵州”大数据商业模式大赛—智能交通算法 大挑战。该数据描述了贵阳市南明区的主干路段 在 6:00～20:00 时间段内通过各交叉路口的车流 量情况。图 6 是贵阳市南明区部分区域的简化道 路与红绿灯位置图，其中红绿灯用 tli 来表示。本 文选取交通数据文件“flow0901”中红绿灯 ID 为 “tl 26”和“tl 30”的交通数据，通过处理得到红绿灯 “tl26”和“tl30”的车流量情况，如图 7 和 8 所示。图 7 中从南进口驶入的车流整体上处于较高的车流量 水平，图 8 中从西进口驶入的车流整体上处于较 高的车流量水平，即不同路口、不同方向的车流 存在较大差异。图 7 和图 8 中的交通数据反映出 了车流的高度动态性，对于评估信号配时方法的 效果具有较强的说服力。 ·442· 智 能 系 统 学 报 第 14 卷