Evaluation and Optimization Method for Urban Signal Control Performance Based on Automatic Vehicle Identification Data
本文提出了一种闭环方法论，该方法利用自动车辆识别（AVI）数据来推断信号控制日志，进行细粒度的周期级性能评估，并通过植物根系生长优化（PRGO）算法优化配时，从而有效减少车辆延误，并实现从基于经验到基于数据的城市信号控制的转变。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
交通信号灯是我们日常通勤中的无声指挥家，然而对于城市规划者而言，它们往往在黑暗中运行。虽然现代传感器可以追踪通过交叉路口的每一辆车，但给予这些信号灯的实际指令——即它们何时变绿或变红的精确时刻——仍然隐藏在控制器内部。这造成了一个令人沮丧的盲点：工程师拥有关于车辆位置的海量数据，却缺乏关于信号灯实际行为逻辑的蓝图。由于不知道确切的计时序列，很难判断交通拥堵是由车辆过多引起的，还是由信号灯配时不当引起的。这种可见路面情况与机器内部隐藏逻辑之间的差距，长期以来阻碍了城市从凭直觉猜测转向真正的数字化驱动交通管理。
来自中国山东交通大学的一个研究小组开发出一种方法，仅利用车辆自身的数据就能窥探幕后的情况。通过分析配备自动识别系统的车辆的运动模式，他们创建了一种逆向工程信号控制逻辑的方法。该系统无需直接访问交通灯的内部计算机，而是通过“倾听”交通的节奏来工作。它识别车辆何时聚集以及何时自由流动，并利用这些模式推断出信号灯何时变绿、周期持续了多久，以及哪些车道被允许同步移动。这一过程有效地将不可见的计时计划转化为可见且可衡量的现实，从而能够对交叉口运行效率进行详细检查。
研究人员在济南一个繁忙的交叉口测试了这种方法，将他们推断出的数据与实际的、隐藏的信号日志进行对比，以验证其方法的准确性。结果非常精确。该系统估算的信号周期误差小于五秒，且定位绿灯转换时刻的误差仅为两秒。有了这份准确的时间线，团队随后可以计算出以前在没有内部数据的情况下无法测量的特定性能指标。他们确定了车道的饱和度、等待车辆队列的长度，以及驾驶员因延误损失的具体时间。他们发现，虽然某些方向流动顺畅，但其他方向则严重拥堵，某些车道的运行水平显示出显著的低效性。
为了理清这些复杂的数据，研究人员使用了一种聚类技术，将交叉口的表现划分为从自由流动到严重拥堵的不同等级。分析显示，西行直行车道是主要的瓶颈，在早高峰期间近一半的时间里都处于较差的状态。凭借这一诊断结果，团队构建了一个新的优化模型，旨在最大限度地减少车辆的总等待时间。他们测试了三种不同的数学策略来寻找最佳方案，其中包括两种已知方法，以及一种受植物根系生长方式启发的新方法。这种“根系生长法”模拟了根系如何探索并分支以寻找土壤中的养分，事实证明，在寻找完美计时方案的复杂搜索过程中，这种方法最为有效。
当研究人员将这种由“根系生长法”生成的全新计时方案应用于该交叉口的计算机模拟时，改进效果显而易见。车辆的平均延误降低了近 9.34%，且最大排队长度显著缩短。此前表现最差的西行车道，其延误减少了超过 18%，证明了该系统可以有效地针对特定问题区域进行优化。虽然这些结果来自模拟而非实地路测，但该研究展示了一条可行的发展路径。它表明，通过密切倾听车辆已经产生的数据，交通工程师可以揭示信号灯隐藏的逻辑，诊断特定的失效问题，并调整信号灯以更高效地维持城市运转，而无需安装新硬件或访问专有的控制器系统。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。