多互联交叉口交通灯的分布式无模型自适应预测控制方法

1.本发明属于交通控制领域，涉及一种多互联交叉口交通灯的分布式无模型自适应预测控制方法。


背景技术：

2.由于车辆数量的快速增长与基础设施有限的交通需求之间的矛盾，交通拥堵已成为城市交通网络中日益严重的问题。当出现拥堵时，可能会导致道路排起长队，甚至更糟糕的是，会导致可用基础设施的使用严重退化。因此，近几十年来，基于模型的交通灯控制方法引起了学者们的极大兴趣。
3.一般而言，城市基础设施的控制方法可分为三类：1)信号偏移控制旨在产生绿波效应，尽管在一些高负载场景中实施起来很困难；2)路由策略，由于该方法需要高精度技术，因此尚未普及；3)红绿灯的绿灯时间控制，其是一个值得进一步研究的问题。
4.最初的红绿灯方案是利用历史数据而不是实时数据来确定绿灯时间值，从而减少停车次数。相反，scoot和scats采用在线自适应方案，基于中心网络模型优化交通信号计划。最近，最大压力方法被证明可以在交叉口排队长度不受限制的假设下，通过稳定网络来最大化吞吐量。为了提高控制性能，也有学者提出了细胞传输模型作为一种更精确的模型。模型预测控制方法也是一种集中式自适应交通信号控制策略，试图在滚动优化框架中确定交通信号灯的绿灯时间。
5.由于集中式控制器的高在线计算复杂性和数据传输需求，分级或分布式控制是一种更实用的方法。zhao zhou等人提出了一种基于s模型用于交通控制的双层分层控制器，其中上层控制器优化了区域间的换乘流量，而下层控制器负责优化交通灯的绿灯时间。nathan h gartner等人提出了三层控制框架，包括本地控制层的信号时间优化、协调层的交叉口偏移优化和同步层的循环时间计算。通过将集中控制问题分解为几个小规模耦合子问题，提出了一个分布式多系统框架来控制城市交通网络。na wu等人提出了一种分布式预测控制方案，以平衡与其相邻子系统的性能指标，并根据其重要性或实时流量条件为每个子系统分配不同的权重。应当注意，上述参考文献需要详细的数学模型来控制交通信号灯。


技术实现要素：

6.为了解决大规模城市交通网络互联系统中，因为预测时刻中的相互影响很难确定，导致系统的预测控制很难实现的问题，根据本技术一些实施例的多互联交叉口交通灯的分布式无模型自适应预测控制方法，包括
7.将单向道路系统的城市交通网络分解为n个相互连接的非线性的子系统i，所述子系统i包括一个交叉口和两条引入的交通流；
8.描述由n个所述子系统i组成的复杂互连非线性系统的动力学模型；
9.通过所述子系统i的增广控制输入向量ui(k)表示所述动力学模型，所述增广控制输入向量ui(k)包括可控控制输入ui(k)和相邻子系统i之间相互关联的影响zi(k)；
10.通过伪梯度φi(k)将所述增广控制输入向量ui(k)表示的动力学模型转换为紧格式无模型自适应控制数据模型；
11.通过将m步超前滚动框架嵌入紧格式无模型自适应控制数据模型，获取无模型自适应预测控制数据模型；
12.获取所述无模型自适应预测控制数据模型的代价函数，根据所述代价函数重新表示所述可控控制输入ui(k)；
13.根据所述无模型自适应预测控制数据模型，通过所述重新表示的所述可控控制输入ui(k)预测所述子系统i的m步的放行比，根据所述放行比获取放行时间。
14.根据本技术一些实施例的多互联交叉口交通灯的分布式无模型自适应预测控制方法，其中，子系统i的动力学模型，由公式(11)表示：
[0015][0016]
其中:k表示迭代次数；yi(k+1)表示子系统i的输出车辆密度；yi(k)表示子系统i的输出车辆密度；ui(k)表示可控控制输入放行比；表示作用于子系统i的相邻子系统的相互影响，表示相邻子系统数量；表示未知整数，其中fi(
·
)表示描述子系统i动力学的未知非线性函数。
[0017]
根据本技术一些实施例的多互联交叉口交通灯的分布式无模型自适应预测控制方法，其中，通过所述子系统i的增广控制输入向量ui(k)表示所述动力学模型，由公式(13)表示：
[0018][0019]
其中：ui(k)是可控控制输入放行比ui(k)的增广向量；zi(k)表示相邻子系统i之间相互关联的影响，zi(k)是作用于子系统i的相邻子系统的相互影响的增广向量。
[0020]
根据本技术一些实施例的多互联交叉口交通灯的分布式无模型自适应预测控制方法，其中，公式(13)中的fi(
·
)相对于增广控制输入向量ui(k)的每个分量的偏导数是连续的并且每个子系统i满足广义lipschitz条件，存在一个正常数bi，使得：
[0021]
|yi(k1+1)-yi(k2+1)|≤bo‖ui(k1)-ui(k2)‖(14)
[0022]
其中i＝1,...,n，k1表示，k2表示，并且对于任何k1,k2＞0，ui(k1)≠ui(k2)。
[0023]
根据本技术一些实施例的多互联交叉口交通灯的分布式无模型自适应预测控制方法，所述紧格式无模型自适应控制数据模型，由公式(15)表示：
[0024][0025]
其中：φi(k)表示伪梯度，δui(k)＝ui(k)-ui(k-1)。
[0026]
根据本技术一些实施例的多互联交叉口交通灯的分布式无模型自适应预测控制方法，所述m步超前滚动框架由公式(16)表示：
[0027][0028]
所述将m步超前滚动框架嵌入紧格式无模型自适应控制数据模型，获取的所述无模型自适应预测控制数据模型，由公式(17)表示：
[0029]
yi(k+1)＝e(k)yi(k)+ai(k)δui(k)(17)
[0030]
其中：
[0031][0032]ai
(k)δui(k)＝bi(k)δui(k)+ci(k)δzi(k)(19)
[0033]
其中：
[0034][0035]
公式(18)中的伪梯度ai(k)是未知的，通过公式(21)表示的代价函数对伪梯度φi(k)进行估计和预测
[0036][0037]
其中：j(φi(k))表示代价函数；是伪梯度φi(k)的估计；μi＞0表示抑制伪梯度的夸张变化的加权因子；
[0038]
通过最小化公式(21)更新伪梯度的估计
[0039][0040]
其中ηi∈(0,1]；
[0041]
通过多层分层预测方法预测伪梯度，由公式(23)表示：
[0042]
[0043]
其中j＝1,...,m-1和m是一个适当的阶，其值设置为2～7；θm(k)表示θ(k)的第m项；
[0044]
定义θ(k)＝[θ1(k),...,θm(k)]
t
，根据公式(24)更新
[0045][0046]
其中并且δ∈(0,1]。
[0047]
根据本技术一些实施例的多互联交叉口交通灯的分布式无模型自适应预测控制方法，表示子系统i中预测步骤j的预期密度，是相邻子系统的平均密度，由公式(28)表示
[0048][0049]
p表示子系统i的邻居车道；y
p
(k+j)表示子系统p在k+j时刻的密度；
[0050]
定义
[0051]
所述代价函数由公式(29)表示
[0052][0053]
其中：ξ表示一个平衡因子，使得(29)中等号右边的两项处在同一数量级上；λi表示一个权重因子，用来避免边界控制放行比例的变化过于剧烈；
[0054]
将公式(17)和公式(19)代入公式(29)，优化条件其中表示ji相对于所述可控控制输入ui(k)的偏导数，公式(19)的δui(k)由公式(30)表示
[0055][0056]
其中：i表示单位矩阵；
[0057]
根据公式(30)，重新表示的所述可控控制输入ui(k)由公式(31)表示
[0058]
ui(k)＝ui(k-1)+g
t
δui(k)(31)
[0059]
其中g＝[1,0,...,0]
t
，重新表示的所述可控控制输入ui(k)的约束由公式(32)表示
[0060][0061]
其中：表示子系统i的放行比的上限约束；表示子系统i的放行比的上限约束
[0062]
根据本技术一些实施例的多互联交叉口交通灯的分布式无模型自适应预测控制方法，所述子系统i的m步的放行时间由公式(33)表示
[0063]
所述放行时间＝所述放行比*信号周期(33)
[0064]
有益效果：本发明多互联交叉口交通灯的分布式无模型自适应预测控制方法，利用相邻子系统共享信息以解决局部控制输入的优化问题，是针对大规模城市交通路网子系统优化问题的研究。通过图3-5示出的仿真实实验效果图，其他控制策略与本发明所提出的无模型自适应预测控制在平均密度、平均流量和相对损失时间三方面具有优势。
附图说明
[0065]
图1是9个交叉口网络的划分。
[0066]
图2是单个交叉口的相位的说明。
[0067]
图3是不同控制策略下9个交叉口网络车辆平均密度的比较。
[0068]
图4是9个交叉口网络在不同控制策略下的平均流量比较。
[0069]
图5是9个交叉口网络在不同控制策略下的相对损失时间比较。
[0070]
图6是利用vissim模拟实际交通路网接受控制策略控制的流程图。
[0071]
图7是无模型自适应预测控制控制策略的流程图。
具体实施方式
[0072]
下面通过参考附图详细描述本技术的实施例，所述实施例的示例在附图中示出，无模型自适应控制是一种纯数据驱动的控制方法，仅利用系统的输入和输出数据来设计控制器。无模型自适应控制已成功应用于许多方面，如交通系统、多变量工业过程、网络化非线性系统等。ting lei等人使用了作为无模型自适应控制扩展版本的分布式估计和分布式无模型自适应预测控制方法来设计周界控制器，其中分布式估计处理多个互连子系统之间的耦合关系。
[0073]
本发明记载了一种用于城市交通控制的分布式估计和分布式无模型自适应预测控制方法，是一种多互联交叉口交通灯的分布式无模型自适应预测控制方法，该方法将预测控制方法嵌入滚动优化框架中的无模型自适应预测控制方案中。预测控制是一种先进的控制方法，其中目标函数被优化以找到包括预测时间在内的最优控制输入，预测模型被用于预测相关的未来系统轨迹。然而，大规模系统的预测控制很难实现，尤其是在大规模互联系统中，因为预测时刻中的相互影响很难确定。与现有的无模型自适应预测控制方法不同，无模型自适应预测控制作为一种预测控制，需要相邻子系统共享一些信息，以优化本地控制输入的目标函数。一旦子系统解决了它们的优化问题，它们就将它们的中间解决方案传递给其他子系统，例如网络中的相邻下游或子系统，并继续使用其他子系统的更新解决方案来解决它们的优化问题。
[0074]
在一种实施例中，本公开所述一种多互联交叉口交通灯的分布式无模型自适应预测控制方法，包括如下步骤：
[0075]
s1：城市交通网络动力学分析
[0076]
s1.1：在本发明中，城市交通网络被认为是一组单向道路系统。首先，将城市交通网络分解为n个相互连接的子系统，每个子系统由一个交叉口和两条引入的交通流组成。每个子系统的流入不可控，并被视为相互关联的影响。相反，它由相邻的子系统控制。在每个时间步长中，每个子系统利用自身及其邻近信息来解决其优化问题。
[0077]
s1.2：在交通系统分解后，通过对多个互连子系统的动力学分析，每个子系统都是一个典型的切换模型。所以动力学可以描述如下
[0078]
第1阶段：
[0079][0080]
第2阶段：
[0081][0082]
子系统i的动力学可以改写为
[0083]
xi(k+1)＝xi(k)+zi(k)-βi(k)ui(k),
[0084]
子系统i的控制输入范围定义如下
[0085][0086]
s1.3：分解后，每个子系统仍然是未知的非线性系统，通过动态线性化数据建模方法描述当前时间影响系统输出的所有因素的变化与下一时间系统输出的变化之间的动态数据关系。对于由n个子系统组成的复杂互连非线性系统，考虑非线性子系统i，存在一个由φi(k)表示的伪梯度，以便子系统可以转换为以下数据模型
[0087][0088]
然后，可以通过将子系统m步超前优化框架嵌入紧格式无模型自适应控制数据模型中来生成
[0089]
yi(k+1)＝e(k)yi(k)+ai(k)δui(k),(5)
[0090]
由于系统伪梯度ai(k)是未知的，所以通过最小化φi(k)的代价函数来更新伪梯度的估计
[0091][0092]
并且采用多层分层预测方法来预测φ
it
(k+1),...,φ
it
(k+m-1)。
[0093]
s2：通过对目标函数优化获得控制输入
[0094]
s3:建立交通路网控制模型
[0095]
s3.1：通过vissim建立交通路网仿真模型，并在路网中设置相应的交通检测器、信号灯以及每个周期的输入的车辆数量等。
[0096]
s3.2：通过在vba中编写的程序获取vissim中每个周期的各个道路的相关参数来计算下个周期应设置的绿灯时间，并传输给vissim。
[0097]
s4：仿真结果与分析
[0098]
s4.1:通过模拟周期内不同控制策略下网络中车辆的平均密度，所有比较的控制策略在时间步长0-80的低交通需求下都获得了可比的性能交通状况。然而，所提出的无模型自适应预测控制在时间步长80-200的高流量需求下获得更好的性能。
[0099]
s4.2:随着交通需求的增加，所有比较的控制策略的平均流量都有不同程度的降低。与其他策略相比，提出的无模型自适应预测控制的平均流量略有降低，这意味着网络的
道路不够拥挤，尽管交通需求很高。
[0100]
s4.3:通过对相对损耗时间的分析，其中无模型自适应预测控制在所有比较的控制策略下始终具有最佳性能。所提出的无模型自适应预测控制在整个模拟过程中表现更好。
[0101]
为了更好的理解本发明的技术方案，根据本发明所述方法在一种具体实例中实施为例进行说明，在这种具体实例中构建了一个城市交通网络动力学模型，并以此提出一种多互联交叉口交通灯的分布式无模型自适应预测控制方法，对于所述方法，通过vissim建立交通路网仿真模型，验证其有效性，该方法包括
[0102]
s1：城市交通网络动力学分析
[0103]
s1.1：在本发明中，城市交通网络被认为是一组单向道路系统。首先，将城市交通网络分解为n个相互连接的子系统，每个子系统由一个交叉口和两条引入的交通流组成。因此，每个子系统i都有一个局部状态与交叉口两条道路上的车辆密度和本地控制输入该输入具有每个阶段(交通信号灯一个信号周期，黄灯、绿灯、红灯时间总和)的绿灯时间(放行比*信号周期＝放行时间)。在每个控制周期，每个子系统利用自身及其邻近信息来解决其优化问题。
[0104]
作为一个说明性示例，考虑由9个交叉口和18条单向道路组成的城市交通网络，如图1所示。
[0105]
s1.2在交通系统分解后，通过对多个互连子系统的动力学分析，因为红灯和绿灯交替出现，所以每个子系统都是一个典型的切换模型，本发明使用一个简单的单交叉口示例来描述切换模型(保证两条引入的放行比之和为1)，参考图2。其中ρa(k)和ρb(k)分别表示时间步长k时子系统i的道路a和b上的车辆密度。因为所考虑的子系统有两个环节和两个阶段，所以动力学可以描述如下
[0106]
第1阶段：
[0107][0108]
第2阶段：
[0109][0110]
其中ga(k)和gb(k)分别是相位1和相位2的具有绿灯时间的控制输入。la和lb分别是道路a和b的长度。和分别表示相位1和相位2中道路a和b的流入量。αa(k)和αb(k)分别表示时间步长k处道路a和b的流出率。上述等式表明，面对红灯的道路上的车辆密度只会因流入率而增加，而面对绿灯的道路会向下游道路流出。
[0111]
然后，子系统i的动力学模型可以改写为
[0112]
xi(k+1)＝xi(k)+zi(k)-βi(k)ui(k),(9)
[0113]
其中，xi(k)＝[ρa(k),ρa(k)]
t
表示子系统i的车辆密度。是时间步长k处相邻子系统的互联影响，其中表示子系统i的车辆密度流出率。并且ui(k)＝[ga(k),gb(k)]
t
是子系统i在时间步k的绿灯时间。子系统i的控制输入范围定义如下
[0114][0115]
对于所有子系统j∈ni，子系统j对子系统i具有相互关联的影响，用z
ji
(k)表示。对于z
ji
(k)＝0。z
ji
(k)的物理意义是子系统j贡献给子系统i的车辆密度的增量。应注意，根据流量守恒定律，流入子系统的车辆数量等于从相邻子系统流出的车辆数量。
[0116]
s1.3子系统的动态线性化
[0117]
分解后，每个子系统是一个独立的切换系统，它也仍然是未知的非线性系统。幸运的是，动态线性化数据建模技术可以提供未知非线性系统的等效描述。动态线性化数据建模方法描述了当前时间影响系统输出的所有因素的变化与下一时间系统输出的变化之间的动态数据关系。
[0118]
对于由n个子系统组成的复杂互连非线性系统，子系统i的动力学模型可以描述为
[0119][0120]
其中：k表示时刻；yi(k+1)表示k+1时刻子系统i的车辆密度；yi(k)表示k时刻子系统i的车辆密度；yi(k)和ui(k)分别表示子系统i的输出和可控控制输入(放行比)。是作用于子系统i的相邻子系统的相互影响，|ni|是相邻子系统数量。是未知整数，fi(
·
)是描述子系统i动力学的未知非线性函数。
[0121]
鉴于(9)和(14)，很容易检查它们是否具有相同的描述，其中nu和在(9)中均等于0。然后，将增广控制输入向量(可控控制输入的增广向量)定义为
[0122][0123]
其中zi(k)是子系统i之间相互关联的影响。
[0124]
zi(k)是i车道的干扰量，是的增广向量。
[0125]
zi(k)是与i车道相邻的所有车道对i车道的干扰量，包括相邻车道进入i车道去的车辆数量和从i车道去往相邻车道的车辆数量。
[0126]
应当注意的是，每个子系统i的增广控制输入向量ui(k)由可控控制输入ui(k)和来自相邻子系统的相互关联的影响zi(k)组成。为了简化符号表示法，本发明使用yi(k)来表示步骤1.2中的xi(k)。然后，子系统i的动力学(11)和(12)可以改写为
[0127][0128]
其中
[0129]
目的是为了容易线性化
[0130]
动态线性化数据建模方法有三种形式：紧凑形式、部分形式和完整形式。在不失一般性的情况下，本发明采用了紧凑型动态线性化交通数据模型。
[0131]
当(13)中fi(
·
)相对于控制向量ui(k)的每个分量的偏导数是连续的并且每个子系统满足广义lipschitz条件。存在一个正常数bi，使得|yi(k1+1)-yi(k2+1)|≤bi||ui(k1)-ui(k2)||,(14)
[0132]
其中i＝1,...,n，并且对于任何k1,k2＞0，ui(k1)≠ui(k2)。
[0133]
是一个条件。
[0134]
考虑非线性子系统i，存在一个由φi(k)表示的伪梯度，以便子系统(13)可以转换为以下紧格式无模型自适应控制数据模型
[0135][0136]
其中并且δui(k)＝ui(k)-ui(k-1).
[0137]
然后，可以根据(15)得到m步进方程
[0138][0139]
然后，无模型自适应预测控制数据模型可以通过将m步超前滚动框架(16)嵌入紧格式无模型自适应控制数据模型(15)中来生成(预测是要用到m步)
[0140]
yi(k+1)＝e(k)yi(k)+ai(k)δui(k),(17)
[0141]
其中
[0142][0143]
应注意，子系统i的输出变化受控制输入的变化和相邻子系统的相互影响
[0144]ai
(k)δui(k)＝bi(k)δui(k)+ci(k)δzi(k),(19)
[0145]
其中
[0146][0147]
可以看出，(18)中的系统伪梯度ai(k)是未知的，φi(k)可以通过以下代价函数进行估计和预测。
[0148][0149]
其中是φi(k)的估计，μi＞0是抑制伪梯度的夸张变化的加权因子。(21)的第一项是子系统i中车辆的真实测量密度与紧格式数据模型输出之间的差异，而第二项惩罚了伪梯度的过大变化，这提高了估计算法对干扰和异常值的鲁棒性。然后，可以通过相对于φi(k)最小化(21)来更新伪梯度的估计
[0150][0151]
其中ηi∈(0,1]。不幸的是，在ai(k)中不能通过输入和输出数据直接获得。本发明采用多层分层预测方法来预测这些伪梯度
[0152][0153]
其中j＝1,...,m-1和m是一个适当的阶，其值通常设置为2-7，θm(k)表示θ(k)的第m项。
[0154]
然后，定义θ(k)＝[θ1(k),...,θm(k)]
t
，可根据以下公式更新
[0155][0156]
其中并且δ∈(0,1]是为了避免分母为零的情况。
[0157]
s2：基于无模型自适应预测控制的交通灯控制器设计
[0158]
在之前的文献中，选择了行驶延迟、行驶时间或道路的相对占用率作为性能指标。有时，一些道路虽然可能会拥堵，但的总体指数似乎看起来没什么，这可能会导致严重的后果。因此，本发明考虑了城市交通网络的平衡，以避免交通流分布不平衡造成的拥堵。本发明采用以下代价函数
[0159][0160]
并且
[0161]
yi(k+1)＝e(k)yi(k)+ai(k)δui(k),(26)
[0162][0163]
其中λi＞0是一个加权常数，用于惩罚控制输入信号的过度变化，即红绿灯的绿灯时间不应变化过快。如果两个连续循环的绿灯时间变化过快，将导致一些安全风险。ξ使(25)中两项的数量级处于同一水平的因素。表示子系统i中预测步骤j的预期密度，它是相邻子系统的平均密度
[0164][0165]
p表示子系统i的邻居车道；y
p
(k+j)表示子系统p在k+j时刻的密度。
[0166]
通过定义目标函数(25)可以重新表示为
[0167][0168]
将(17)和(19)代入(29)，并利用优化条件其中表示ji相对于ui(k)的偏导数。
[0169]
其中：ξ表示一个平衡因子，使得(29)中等号右边的两项处在同一数量级上；λi表示一个权重因子，用来避免边界控制放行比例的变化过于剧烈；
[0170][0171]
其中：i表示单位矩阵。
[0172]
因此，目前可以获得控制输入
[0173]
ui(k)＝ui(k-1)+g
t
δui(k),(31)
[0174]
其中g＝[1,0,...,0]
t
。由于控制输入存在约束
[0175][0176]
其中：表示子系统i的放行比的上限约束；表示子系统i的放行比的上限约束。其中为了交通控制应用的实际考虑，在控制输入算法中额外添加了功能，其具有与(27)相同的效果以处理实际交通状况。
[0177]
当m＝1时，无模型自适应预测控制降级为无模型自适应控制，本发明可以获得如下控制输入
[0178][0179]
s3:建立交通路网控制模型
[0180]
s3.1：通过vissim建立交通路网仿真模型，并在路网中设置相应的交通检测器、信
号灯以及每个周期的输入的车辆数量等。
[0181]
s3.2：通过在vba中编写的程序获取vissim中每个周期的各个道路的相关参数来计算下个周期应设置的绿灯时间，并传输给vissim。
[0182]
s4：仿真结果与分析
[0183]
为了将控制策略的性能与网络的流量需求进行比较，比较了三个标准，包括平均密度、平均流量和相对损失时间。平均密度是道路上所有车辆密度的平均值，低平均密度表示网络中拥堵通常较少，吞吐量更大。此外，平均流量通过诸如车辆的总延迟时间、网络的吞吐量和平均行驶速度等量来暗示网络的交通状况。相对损失时间是指车辆相对于自由流动车辆每秒损失的时间，这是揭示网络交通拥堵的重要指标。交通状况可以根据上述所有标准从综合分析中进行评估。
[0184]
s4.1:图3给出了模拟周期内不同控制策略下网络中车辆的平均密度。所有比较的控制策略在时间步长0-80的低交通需求下都获得了可比的性能交通状况。然而，本发明所提出的无模型自适应预测控制在时间步长80-200的高流量需求下获得更好的性能。
[0185]
s4.2:图4给出了网络的平均流量。随着交通需求的增加，所有比较的控制策略的平均流量都有不同程度的降低。与其他策略相比，本发明提出的无模型自适应预测控制的平均流量仅略有降低，优于其他模型，并且，这也意味着网络的道路不够拥挤，尽管交通需求很高。
[0186]
s4.3:图5显示了相对损耗时间的演变，其中本发明无模型自适应预测控制在所有比较的控制策略下始终具有最佳性能。
[0187]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。

技术特征：
1.一种多互联交叉口交通灯的分布式无模型自适应预测控制方法，其特征在于，包括将单向道路系统的城市交通网络分解为n个相互连接的非线性的子系统i，所述子系统i包括一个交叉口和两条引入的交通流；描述由n个所述子系统i组成的复杂互连非线性系统的动力学模型；通过所述子系统i的增广控制输入向量u
i
(k)表示所述动力学模型，所述增广控制输入向量u
i
(k)包括可控控制输入u
i
(k)和相邻子系统i之间相互关联的影响z
i
(k)；通过伪梯度φ
i
(k)将所述增广控制输入向量u
i
(k)表示的动力学模型转换为紧格式无模型自适应控制数据模型；通过将m步超前滚动框架嵌入紧格式无模型自适应控制数据模型，获取无模型自适应预测控制数据模型；获取所述无模型自适应预测控制数据模型的代价函数，根据所述代价函数重新表示所述可控控制输入u
i
(k)；根据所述无模型自适应预测控制数据模型，通过所述重新表示的所述可控控制输入u
i
(k)预测所述子系统i的m步的放行比，根据所述放行比获取放行时间。2.根据权利要求1所述的多互联交叉口交通灯的分布式无模型自适应预测控制方法，其特征在于，其中，子系统i的动力学模型，由公式(11)表示：其中：k表示时刻；y
i
(k+1)表示k+1时刻子系统i的车辆密度；y
i
(k)表示k时刻子系统i的车辆密度；u
i
(k)表示可控控制输入放行比；表示作用于子系统i的相邻子系统的相互影响，表示相邻子系统数量；j
h
表示未知整数，其中f
i
(
·
)表示描述子系统i动力学的未知非线性函数。3.根据权利要求2所述的多互联交叉口交通灯的分布式无模型自适应预测控制方法，其特征在于，其中，通过所述子系统i的增广控制输入向量u
i
(k)表示所述动力学模型，由公式(13)表示：其中：u
i
(k)是可控控制输入放行比u
i
(k)的增广向量；z
i
(k)表示相邻子系统i之间相互关联的影响，z
i
(k)是作用于子系统i的相邻子系统的相互影响的增广向量。4.根据权利要求3所述的多互联交叉口交通灯的分布式无模型自适应预测控制方法，其特征在于，其中，公式(13)中的f
i
(
·
)相对于增广控制输入向量u
i
(k)的每个分量的偏导数是连续的并且每个子系统i满足广义lipschitz条件，存在一个正常数b
i
，使得：|y
i
(k1+1)-y
i
(k2+1)|≤b
i
||u
i
(k1)-u
i
(k2)||(14)其中i＝1，...，n，k1表示，k2表示，并且对于任何k1，k2＞0，u
i
(k1)≠u
i
(k2)。5.根据权利要求4所述的多互联交叉口交通灯的分布式无模型自适应预测控制方法，其特征在于，所述紧格式无模型自适应控制数据模型，由公式(15)表示：
其中：φ
i
(k)表示伪梯度，δu
i
(k)＝u
i
(k)-u
i
(k-1)。6.根据权利要求5所述的多互联交叉口交通灯的分布式无模型自适应预测控制方法，其特征在于，所述m步超前滚动框架由公式(16)表示：所述将m步超前滚动框架嵌入紧格式无模型自适应控制数据模型，获取的所述无模型自适应预测控制数据模型，由公式(17)表示：y
i
(k+1)＝e(k)y
i
(k)+a
i
(k)δu
i
(k)(17)其中：y
i
(k+1)＝[y
i
(k+1)，
…
y
i
(k+m)]
t
δu
i
(k)＝[δu
i
(k)，
…
，δu
i
(k+m-1)]
tt
a
i
(k)δu
i
(k)＝b
i
(k)δu
i
(k)+c
i
(k)δz
i
(k)(19)其中：公式(18)中的伪梯度a
i
(k)是未知的，通过公式(21)表示的代价函数对伪梯度φ
i
(k)进行估计和预测其中：j(φ
i
(k))表示代价函数；是伪梯度φ
i
(k)的估计；μ
i
＞0表示抑制伪梯度的夸张变化的加权因子；通过最小化公式(21)更新伪梯度的估计
其中η
i
∈(0，1]；通过多层分层预测方法预测伪梯度，由公式(23)表示：其中j＝1，...，m-1和m是一个适当的阶，其值设置为2～7；θ
m
(k)表示θ(k)的第m项；定义θ(k)＝[θ1(k)，...，θ
m
(k)]
t
，根据公式(24)更新其中并且δ∈(0，1]。7.根据权利要求6所述的多互联交叉口交通灯的分布式无模型自适应预测控制方法，其特征在于，表示子系统i中预测步骤j的预期密度，是相邻子系统的平均密度，由公式(28)表示p表示子系统i的邻居车道；y
p
(k+j)表示子系统p在k+j时刻的密度；定义所述代价函数由公式(29)表示其中：ξ表示平衡因子；λ
i
表示权重因子；将公式(17)和公式(19)代入公式(29)，优化条件其中表示j
i
相对于所述可控控制输入u
i
(k)的偏导数，公式(19)的δu
i
(k)由公式(30)表示其中：i表示单位矩阵；根据公式(30)，重新表示的所述可控控制输入u
i
(k)由公式(31)表示u
i
(k)＝u
i
(k-1)+g
t
δu
i
(k)(31)其中g＝[1，0，
…
，0]
t
，重新表示的所述可控控制输入u
i
(k)的约束由公式(32)表示其中：表示子系统i的放行比的上限约束；表示子系统i的放行比的上限约束。8.根据权利要求7所述的多互联交叉口交通灯的分布式无模型自适应预测控制方法，其特征在于，所述子系统i的m步的放行时间由公式(33)表示所述放行时间＝所述放行比*信号周期(33)。

技术总结
多互联交叉口交通灯的分布式无模型自适应预测控制方法，属于交通控制领域，为了解决大规模城市交通网络互联系统中，因为预测时刻中的相互影响很难确定，导致系统的预测控制很难实现的问题，要点是通过伪梯度将所述增广控制输入向量表示的动力学模型转换为紧格式无模型自适应控制数据模型，通过将步超前滚动框架嵌入紧格式无模型自适应控制数据模型获取无模型自适应预测控制数据模型，根据所述无模型自适应预测控制数据模型，通过所述重新表示的所述可控控制输入预测所述子系统的M步的放行比，根据所述放行比获取放行时间，效果是大规模城市交通网络互联系统交通放行预测控制。规模城市交通网络互联系统交通放行预测控制。规模城市交通网络互联系统交通放行预测控制。


技术研发人员：夏卫国 梅晨义 茹心锋 丁男 孙希明
受保护的技术使用者：大连理工大学
技术研发日：2023.01.10
技术公布日：2023/6/7