[论文解读] Two-layer adaptive signal control framework for large-scale dynamically-congested networks: Combining efficient Max Pressure with Perimeter Control

Dimitrios Tsitsokas, Anastasios Kouvelas+1 more|arXiv (Cornell University)|Oct 19, 2022

Network Traffic and Congestion Control被引用 7

一句话总结

本文提出了一种两层自适应信号控制框架，将最大压力（Max-Pressure, MP）与边界控制（Perimeter Control, PC）结合，应用于大规模、动态拥堵的网络。通过使用节点分类算法选择关键交叉口进行部分MP部署，该框架在实现接近全网MP性能的同时，将实施成本降低高达75%，显著提升了高拥堵和需求波动情况下的系统吞吐量与鲁棒性。

ABSTRACT

Traffic-responsive signal control is a cost-effective and easy-to-implement network management strategy with high potential in improving performance in congested networks with dynamic characteristics. Max Pressure (MP) distributed controller gained significant popularity due to its theoretically proven ability of queue stabilization and throughput maximization under specific assumptions. However, its effectiveness under saturated conditions is questionable, while network-wide application is limited due to high instrumentation cost. Perimeter control (PC) based on the concept of the Macroscopic Fundamental Diagram (MFD) is a state-of-the-art aggregated strategy that regulates exchange flows between regions, in order to maintain maximum regional travel production and prevent over-saturation. Yet, homogeneity assumption is hardly realistic in congested states, thus compromising PC efficiency. In this paper, the effectiveness of network-wide, parallel application of PC and MP embedded in a two-layer control framework is assessed with mesoscopic simulation. Aiming at reducing implementation cost of MP without significant performance loss, we propose a method to identify critical nodes for partial MP deployment. A modified version of Store-and-forward paradigm incorporating finite queue and spill-back consideration is used to test different configurations of the proposed framework, for a real large-scale network, in moderately and highly congested scenarios. Results show that: (i) combined control of MP and PC outperforms separate MP and PC applications in both demand scenarios; (ii) MP control in reduced critical node sets leads to similar or even better performance compared to full-network implementation, thus allowing for significant cost reduction; iii) the proposed control schemes improve system performance even under demand fluctuations of up to 20% of mean.

研究动机与目标

• 解决在过饱和条件下，独立使用最大压力（MP）和边界控制（PC）在大规模、动态拥堵网络中的局限性。
• 通过基于数据驱动的节点选择方法，识别并仅控制关键交叉口，降低全网MP控制的高仪器成本。
• 评估MP与PC联合控制在不同需求水平下提升网络吞吐量和稳定性的协同性能。
• 评估所提出的控制框架在需求波动达20%时的鲁棒性。
• 探索在高拥堵条件下，部分MP部署是否能够维持或优于全网MP的性能表现。

提出的方法

• 提出一种两层控制架构：PC利用宏观基本图（Macroscopic Fundamental Diagram, MFD）概念调节区域间流量，而MP通过局部排队压力最大化控制单个交叉口。
• 引入一种节点分类算法，基于交通特性（平均排队长度 m₁、排队方差 m₂ 和冲突流数量 Nc）选择用于MP控制的关键交叉口。
• 采用改进的储运式（Store-and-Forward）动态交通模型，考虑有限排队容量和溢出影响，以模拟真实的网络动态。
• 使用PI调节器实现边界控制，采用分布式MP算法实现本地信号优化，且MP仅应用于选定的关键节点。
• 通过校准优化中等和高需求场景下的节点选择参数，确保受控交叉口在空间上的有效分布。
• 评估多种配置：独立PC、独立MP（全网与部分）、以及在真实大规模网络中中等与高需求场景下的PC+MP联合控制。

实验结果

研究问题

• RQ1 在两层框架中联合应用MP与PC是否能在系统吞吐量和拥堵缓解方面优于独立实现？
• RQ2 在仅对部分关键节点实施MP部署的情况下，其性能在多大程度上可与全网MP相媲美，同时实现成本降低？
• RQ3 基于交通特性的节点选择方法与随机选择相比，在性能增益和成本效率方面表现如何？
• RQ4 该两层框架对需求波动（最高达均值的20%）的鲁棒性如何？在需求变化下性能是否显著下降？
• RQ5 在高需求场景下，MP对区域同质性及PC有效性有何影响，尤其当PC单独使用时可能表现不佳？

主要发现

• 在中等和高需求场景下，联合PC与MP的框架均优于独立PC和独立MP，且在高需求条件下性能提升最为显著。
• 通过所提出的节点分类方法选择25%的网络节点进行部分MP部署，其性能可与全网MP相媲美，实施成本降低高达75%。
• 在高需求场景下，25% MP渗透率的PC+MP联合框架相比固定周期控制（FTC）实现了超过15%的性能增益，是独立PC增益（7.5%）的两倍。
• 所提出的节点选择方法在中等需求下优于所有渗透率下的随机选择，且在高需求下与PC结合时仍保持有效性。
• 该框架在需求波动达20%时仍保持鲁棒性，尽管交通分布发生变化，性能提升依然稳定。
• 在高需求下，仅MP控制在100%渗透率时性能增益降为零，但PC+MP联合方案仍保持显著增益，表明PC在饱和条件下对稳定MP性能具有关键作用。