[论文解读] Traffic signal control optimization under severe incident conditions using Genetic Algorithm

Tuo Mao, Adriana‐Simona Mihăiţă+1 more|arXiv (Cornell University)|Jun 11, 2019

Traffic control and management参考文献 9被引用 4

一句话总结

本文提出了一种基于遗传算法（GA）的优化框架，用于在严重非周期性事件期间进行交通信号控制，将相位时长作为决策变量，以最小化整个网络的总行程时间。通过先在正常条件下校准GA，再在事件场景下重新应用该方法，总行程时间减少了40.76%，显著优于静态配时方案。

ABSTRACT

Traffic control optimization is a challenging task for various traffic centres in the world and majority of approaches focus only on applying adaptive methods under normal (recurrent) traffic conditions. But optimizing the control plans when severe incidents occur still remains a hard topic to address, especially if a high number of lanes or entire intersections are affected. This paper aims at tackling this problem and presents a novel methodology for optimizing the traffic signal timings in signalized urban intersections, under non-recurrent traffic incidents. The approach relies on deploying genetic algorithms (GA) by considering the phase durations as decision variables and the objective function to minimize as the total travel time in the network. Firstly, we develop the GA algorithm on a signalized testbed network under recurrent traffic conditions, with the purpose of fine-tuning the algorithm for crossover, mutation, fitness calculation, and obtain the optimal phase durations. Secondly, we apply the optimal signal timings previously found under severe incidents affecting the traffic flow in the network but without any further optimization. Lastly, we further apply the GA optimization under incident conditions and show that our approach improved the total travel time by almost 40.76%.

研究动机与目标

• 解决严重非周期性交通事件下缺乏自适应信号控制方案的问题。
• 开发一种基于GA的优化框架，以动态调整重大中断情况下的信号配时。
• 将最小化总网络行程时间作为事件条件下主要的性能目标。
• 通过将优化配时与基线静态方案在事件场景下的对比，验证GA方法的有效性。

提出的方法

• 在信号控制的城市路网中应用遗传算法，将相位时长作为决策变量。
• 基于最小化网络内总行程时间进行适应度评估。
• 首先在周期性交通条件下校准GA，以优化交叉、变异和适应度计算参数。
• 将正常条件下获得的最优GA参数直接应用于事件场景，无需重新优化。
• 在事件条件下专门进行进一步优化，使用相同的GA框架。
• 在包含高容量交叉口受影响的多个事件场景下，对方法在测试平台网络上的表现进行评估。

实验结果

研究问题

• RQ1 遗传算法能否在严重非周期性交通事件下有效优化交通信号配时？
• RQ2 在重大事件期间，基于GA的优化与静态信号配时方案相比表现如何？
• RQ3 在事件条件下，GA能在多大程度上减少城市路网的总行程时间？
• RQ4 在正常条件下预校准GA参数是否能在事件场景下实现有效性能？

主要发现

• 与静态信号配时方案相比，所提出的基于GA的优化在严重事件条件下将总行程时间减少了40.76%。
• 即使使用在正常交通条件下校准的参数，GA方法仍实现了显著的行程时间节省。
• 该方法在处理影响多条车道或整个交叉口的复杂中断时表现出鲁棒性和适应性。
• 结果证实，非周期性事件场景需要区别于标准自适应控制方法的专门优化策略。