动态交叉

2024-12-01

动态交叉（通用4篇）

动态交叉篇1

0 引言

由于城市功能布局划分和市民通勤早晚差异,大多数城市道路及路口交通需求呈“潮汐式”分布,部分道路或车道出现在某些时段道路资源闲置,而在另外某些时段资源又显不足的现象。根据国内外多年实践经验,为缓解交通资源利用不合理现象,一种有效和可行的措施就是应用可变车道技术。可变车道技术是根据交通需求的变化特征,对原有的车道功能进行动态调整,以期达到时空资源优化目的的交通管理与控制技术。此技术的应用前提是,通过相关技术解决驾驶员适应性等问题,本文研究基于此前提展开。

国内外学者已对动态车道功能划分进行过相关研究,孙刚[1]等人介绍了国内外可变车道应用技术的道路基本构成以及交通管理标志设置等方法。J.B.Sheu[2]提出了一个确定时变的可变车道实施方案和预测机动车交通行为的随机系统建模方法,该成果主要应用于缓解因交通事故造成的道路堵塞。张好智[3]从系统的角度提出了一个在“潮汐式”交通流条件下车道调整方案的离散双层规划优化模型,并用经典的Sioux Falls网络实例验证了其有效性。马万经[4]从分析公交被动优先的角度得到单个进口道车道功能划分与通行时间分配存在相互制约和转化关系。上述研究主要集中在路段和路网层面,但对交叉口进口道车道功能的动态分配涉及不多,而这正是本文的研究重点。

延误是评价交叉口通行效益的一个重要指标,本文针对单个信号控制交叉口,结合信号相位的设置,建立了基于车道功能动态变换的以车均延误为目标函数的优化模型。

1 问题描述

为解决“潮汐式”交通流问题,可以在车道功能不变的前提下分时段进行信控处理,以解决某进口某流向增多的车辆通行问题,但这样的做法往往使同相位相异流向车辆因放行的绿灯通行时间增大而引起道路时空资源浪费。交叉口的时间-空间资源具有相互制约和相互转化的特征[5],绿信比的分配和车道功能的划分相互影响。本文以一个信号控制4路交叉口为例,基于进口道车均延误建立优化模型,动态改变图1进口道的直行与左转车道数,通过对比不同组合方式下的车均延误(或周期),验证本文模型能在不同的交通需求下求得最佳的动态车道功能,进而实现交叉口的时空资源优化。

2 基于车道动态分配的模型

国内外较常用的交叉口交通效益评价指标有通行能力、饱和度、延误、服务水平、行程时间、停车次数、油耗以及排队长度等[6]。其中延误与车辆到达和车辆驶离情况有关,主要是由交通管制引起的行驶时间损失,其与周期时长、绿信比和饱和度等指标密切相关。本文研究的目标函数为车均延误时间最小。

2.1 基本假设

1) 进口道的设计和信号相位设计如图1所示,左转车流和直行车流在不同的相位放行,不计右转车流的影响。

2) 交叉口的进口道总数一定,且无论进口道车道功能如何划分,交叉口进出口道数总能保证匹配。

2.2 模型建立

以图1中直行和左转车流(竞争车流)中所有车辆的车均延误最小作为优化目标函数,建立如下数学模型,模型中流量和某一车道功能的车道数是动态变化的。

目标函数

$Ρ Ι = \min \frac{\sum_{i = 1}^{2} q_{i} (n_{i}) d_{i}}{\sum_{i = 1}^{2} q_{i} (n_{i})}$

约束条件

${\begin{cases} \sum_{i = 1}^{2} g_{e i} \leq C - L \\ g_{e m i n} \leq g_{e i} \\ x_{i} = \frac{q_{i}}{n_{i} S_{i} λ_{i}} \leq 0.9 \\ \sum_{i = 1}^{2} n_{i} = Ν \end{cases}$

式中:qi为左转、直行车流,i取1为直行车流流量,i取2为左转车流流量;xi为车流i的饱和度;λi为车流i的绿信比;ni为车流i分配的车道数;N为总车道数;di为车流i进口道车辆的车均延误,本文应用HCM2000模型;gei为相位i的有效绿灯时间;gemin为相位i的最小有效绿灯时间,一般取gemin为10 s;L为绿灯损失时间;Si为车道i的饱和流量;C为交叉口的信号周期,本算例中取120 s。

本模型中qi和ni是动态变化的,由于进口道的车道数有限,因而此优化模型求解可以采用枚举法。下面将该模型分别置于固定周期和非固定周期情形下进行算例分析。

2.3 模型算例分析——固定周期

假定图1中车流相位1、2中的关键车流均为本进口道的直行车流和左转车流。分2种情形(参见表1)。不失一般性,直行流量q1分别取不同的值,且对于q1的每个值,左转流量q2总是取线性递增。由于直行车道数与左转车道数之和N=4,可得到3种组合为

组合1 直行车道1,左转车道3;

组合2 直行车道2,左转车道2;

组合3 直行车道3,左转车道1。

当N=4,C=120 s,S1=1 800 pcu/h,S2=1 650 pcu/h。具体参数如表1所列。

车均延误随左转流量变化如图2所示。

从图2可以得出如下结论。

1) 当左转车流量变化时,在不同的车道功能划分方案下所得到的延误值不尽相同。

2) 当左转流量小于直行流量时,左转车辆车均延误随左转车道数的增加而增加,直行车辆车均延误随左转车道数的增加而减少;进口道车均延误随着左转车流量的增加而呈非线性递增趋势。

3) 当左转流量大于直行流量时,左转车辆车均延误随左转车道数的增加而增加,直行车辆车均延误随左转车道数的增加而减少;进口道车均延误随着左转车流量的增加呈非线性递增关系,在车道功能不同划分方案下,这种非线性递增趋势的增加率不同。

4) 无论左转流量和直行流量的对比情况如何,在信号周期固定的条件下,左转流量在某区间内变化,总会存在1组车道功能划分方案,使得左转和直行车流的饱和度都不超过其最大限值前提下,所产生的车均延误最小。

2.4 模型算例分析——非固定周期

以上分析是基于信号周期固定条件下,但在实际信号配时过程中应考虑关键相位。据此,现对模型提出改进,考虑同相位不同流向交通量大小,即图1中车流相位1、2中的关键车流不一定为本进口道的直行车流和左转车流。分析周期和进口道延误变化规律,以此来分析信号控制交叉口1个进口道的时空转化关系。

直行方向流量q1分别取不同的值,且q1取某一固定值时左转流量q2呈线性递增变化。N=4,直行单车道饱和流量为1 800 pcu/h,左转单车道饱和流量为1 650 pcu/h,其余3个进口道的实际直行与左转流量都取为200 pcu/h,具体参数见表2。

模拟结果如图3所示。

从图3可以看出:

1) 当左转流量小于直行流量时,所需的周期时长随左转车流量的增加而缓慢增加 (有时不变);当左转流量大于直行流量时,所需的周期时长随左转流量的增加而迅速增加,但是由于车道功能设置的不一,左转流量值在不同的范围总存在着一种车道功能划分方案使所需的周期时长最短。

2) 除了得到上面数值算例分析的结论外,特别是左转流量在不同数值区间时,进口道车均延误最小总是对应着不同的车道功能划分方案,且这种现象非常明显。

3) 在进口道车均延误最小时对应着的车道功能划分方案也使得到周期时长最佳,这个规律反映了交叉口时空资源相互转化的关系,同时也反映出此模型能够寻找出最优的动态车道功能划分方案。

从图3的对比结果可以看出,在3种车道功能划分分配方案下,车辆的延误时间存在很大差异,但是本文模型中车均延误时间明显降低。综合上述2种情形,将最佳组合方案与原分配方案(组合1)进行比较,最佳组合方案车均延误平均降低21.29%。

上述结果是建立在进口道的左转流量是线性增加的假设之上的。现假设左转流量是波动的(非线性增加),参见图4,左转流量和其他条件与表2中情形2相同,形成情形3,对车均延误和周期随左转流量的变化再次进行分析,所得结果如图5所示。从图5可以看出,当假设左转流量是波动时,仍可得到上述结论,因此可以证明此模型能够求出最佳的车道功能划分方案。

3 结语

本文对1个进口道时空资源的相互关系进行了分析,并就1个进口道在相关假设基础上展开研究。本文模型能够在不同的交通流情形下,在显著降低车均延误的基础上得到车道功能动态划分方案。需要指出的是,本文方法在实际应用中还应考虑车道功能变换频率和驾驶员适应性等因素,将建模和分析范围扩展到整个交叉口乃至网络上的动态车道功能优化划分方案研究中,这将是很有价值的后续研究课题。

参考文献

[1]孙刚,王丰元.可变车道技术对提高交通高峰时段交通流量的研究[J].科技资讯,2006,25:176-177.

[2]Sheu J B.Ritchie S G.Stochastic modeling andreal-time prediction of vehicular lane-changingbehavior[J].Transportation Research Part B,2001,35:695-716.

[3]张好智,高自友.可变车道的道路交通网络设计优化方法[J].中国管理科学,2007,15(2):86-91.

[4]马万经.基于时空优化的单点交叉口公交被动优先控制方法[J].中国公路学报,2007,20(3):86-90.

[5]王秋平,谭学龙,张生瑞.城市单点交叉口信号配时优化[J].交通运输工程学报,2006,6(2):60-64.

[6]徐良杰,王炜.信号交叉口行人过街时间模型[J].交通运输工程学报,2005,5(1):111-115.

航路交叉点动态保护区的算法研究篇2

交叉点,即连接机场的航路中间节点,当多架航空器同时接近同一个交叉点时,将会出现潜在的飞行冲突。因此,交叉点处的运行调配在航路网中起着关键作用,影响着着整个空域的安全运行。基于这些原因,为了使空域安全性保持在一个可接受的水平,本文对交叉点处的避让决策提出新的解决方案,即建立圆形安全保护区以及警戒线,根据飞机速度以及航路航向等参数,确保在保护区范围内的飞机满足安全标准,同时,保护区边界及边界以外的飞机有充分的调配机会。从而使交叉点处的空域更高效、更安全、更有序的运行,以满足我国流量较大的繁忙空域的要求。

本文不仅考虑到了飞机之间由于相对运动导致的碰撞风险,同时由于交叉点处飞机汇聚飞行,还需要考虑其侧向距离需满足间隔要求。

1 国内外研究现状

在空中交通间隔标准方面,最著名的就是英国的P.G.Reich在20世纪60年代针对北大西洋地区平行航路系统在纵向、侧向、垂直方向分别进行建模,得到碰撞风险模型。现在欧美等航空事业较发达的国家为了扩大空中交通容量已经把Reich模型的研究应用于高度分层和缩小间隔中。但是这些研究基本上都是针对平行航路所作的,交叉航路的研究却相对较少。

文献[1]从交叉航路入手,针对碰撞风险模型的逆问题进行初步的探索性研究,即在交叉航路上如何根据安全目标等级来设定相应的安全间隔。文献[2]中,赵洪元在假设飞机不发生任何飞行偏差的情况下,研究了交叉航线飞机相撞模型。文献[3]采用速度矢量三角形分析法,分析了飞行冲突存在的基本条件和预测方法,确定了两航空器的速度矢量关系,提出了调整航向和调节速度两种冲突解决方法,而未考虑到解决冲突的合适时机。文献[4]以同高度层、交叉航路飞行航空器为研究对象,应用运动学知识建立航空器飞行轨迹随时间变化方程,判断任意时刻两机距离与标准安全间隔的关系,预测飞行冲突。其主要研究的是航线角度对碰撞风险的影响,对调速的范围定量分析,但在分析过程中,将飞机模为匀速飞行,与实际情况在一定程度上有所偏差。文献[5]概述了飞行间隔安全评估研究中常用的概念,然后从REICH模型、交叉航路模型、概率论模型、随机分析模型、EVENT模型和RAS-RAM模型6种常用碰撞风险模型的角度,分析了各个模型的优缺点和各自的适用范围,文献[6]用传统的REICH模型求解碰撞风险,但是数据的测量太过复杂,不适合实际应用,文献[7—9]只是对垂直或侧向的一维碰撞风险进行了研究,而这对于运行中的间隔控制不够全面。

前人的研究多侧重于在每架飞机建立保护区,而且对于其大小是确定的,虽然可以保证一定的安全风险,但是对于交叉航路而言,未能起到实时预警作用。本文重点将保护区划设为以交叉点为中心的一个动态区域,这一区域的大小随时间实时变化,与航线之间的夹角以及飞机速度相关。这一圆形保护区可以起到警戒的作用,即飞机在任意时刻,为了保证安全风险,须遵守的安全间隔,从而可以减轻管制员负荷。

2 模型建立

2.1 问题简化

本文所研究的交叉点冲突模型,假设:

1)将飞机假设为一个质点,其运动方向即为航线方向;

2)飞行过程中不考虑航迹误差,以及高空风等影响;

3)在确定圆形保护区半径大小时,假设每条航路在同一时间段均有飞机飞向交叉点。

本问题的研究思路流程图如图1。

2.2 模型建立

2.2.1 纵向碰撞风险确定的保护区

设多条航路汇聚于同一交叉点,即有多架飞机之间存在冲突,而只要对其中任意两架航空器A和B进行合理的冲突调配,即可逐步解决整个空域的飞行冲突,确保飞行安全。

设起始时刻各飞机距交叉点的距离分别为Di,则每架飞机预计到达交叉点的时间为:

根据每一个ti的大小,对飞机到达时刻有优先级的排序,即ta<tb<…<ti;i=1,2,…,n。

选择最先到达交叉口的飞机为研究目标,

经过时间t后,各交叉航路中其他飞机距交叉点的距离变为:Di'=Di-vit,对碰撞风险的研究基于速度的正态分布理论,即飞机的速度服从:

式中,vf为飞机的标准巡航速度,其与地速平均值μ之间的差值为kσ。所以,在t时刻,距离D'应满足:

为了使每架飞机与交叉点处飞机的碰撞风险均应满足安全目标等级P0,则:

式(4)中,NP为经过交叉点的飞机对数,根据P0对距离的限制,得到不同的Di'值,即可对于各航路选取不同的保护区半径。

2.2.2 侧向间隔确定的保护区

当多条航路汇聚于同一交叉点,设每条交叉航路上都有一架飞机向交叉口汇聚飞行。建立直角坐标系,以交叉点为原点,磁北为Y轴,与磁北垂直的方向设为X轴。根据每条航路的航向,可以求出每条交叉航路与坐标轴的夹角,以及两两(航)路之间夹角。如图2所示。

此时,尚未到达交叉点的飞机间也存在碰撞风险,对每条航线上的飞机,均需考虑与其他任一架航线上飞机的碰撞风险。将每一架飞机的速度矢量分解为vx、vy,分别代表飞机速度在X、Y轴上的投影的速度:

显然,飞机在t时刻的位置,以坐标形式表示为:

那么,在航路中任意两架飞机之间的侧向间隔可表示为:

即:

当两机之间侧向距离满足最小间隔,可以得到随着飞机A的运动,飞机B的位置会有相应的变化,而由此导致的距交叉点的距离也是实时变化的。此时判断出保护区的最小半径应该为D″i。

从上述两种情况可以看出,圆形保护区的确定,与每架飞机的航向角、相对速度相关,这也就意味着,基于速度的概率论所确定的保护区范围,以及保证最小间隔的保护区范围,只要确定上述两个条件,即可判断安全保护区的大小。

最终所确定的碰撞风险区,应满足:

最终,每条航路所的圆形保护区半径取决于二者中的最大值。

3 算例仿真

假设每架飞机都是同种类型,速度均误差、机身高、机身长、速度变动系数都相同。此仿真取两架飞机,所选参数如图3所示。

3.1 纵向碰撞风险确定圆形保护区半径

根据已知初始条件,分别求出两架飞机预计到达交叉点的时刻为0.13 h、0.24 h,显然,飞机A优先到达交叉点,飞机B晚于飞机A,所以飞机A为标准飞机进行计算。从图中可以看出,飞机的碰撞风险随着保护区半径的增大而减小。

同时可求得当飞机A在某一位置时,满足纵向碰撞风险为10-8次数量级,则对应飞机B允许达到的距交叉点最近距离D'i。例如,为了使两架飞机不产生碰撞冲突,当飞机A距交叉点为不同距离时,飞机B距交叉点距离有对应的范围,如表2所示。

3.2 侧向碰撞风险确定圆形保护区半径

此时需考虑飞机A与飞机B的侧向间隔。求得当飞机A任意时刻的位置为:

当飞机A距交叉点不同距离时,为了满足侧向间隔,飞机B所对应的距离应表3。

综上所述,在纵向和侧向确定的保护区半径中选择较大者,由此得飞机B从预测时刻开始,直至飞机A到达交叉点的时刻,应满足保护区范围如图4所示。

由此可见,优先穿越交叉点的飞机,影响着其他航路随后穿越交叉点的飞行距离及速度。根据上述方法求得的保护区是随时间变化的,各时刻的保护区大小不同。此保护区旨在动态的调配飞机各时刻的位置,也就是说,保护区边界起到预警作用,在边界之外的飞机可以有充分的时间来调配避让,譬如等待、减速或者改变高度层来增加飞机间隔,最迟需在圆形保护区的边界处进行航迹的改变。

4 结论

本文算法基于速度正态分布的概率论以及几何分析,研究了经过同一交叉点的不同航路上飞机的碰撞风险,结合各个方向的安全目标等级,确定对应的实时圆形保护区范围,起到预警作用。

保护区范围内的飞机可以安全经过交叉点,在保护区边界及以外的飞机,则可根据其具体情况预测调配时机,并做出避让措施,以满足安全间隔要求。本文提出的在交叉点设置圆形保护区,航路交叉点空域更安全,并根据先到先服务原则,可减少航路拥堵,对改善航班延误有指导意义,同时,实时航路间隔预警,也可以减轻管制员工作负荷。

摘要：繁忙的航路网产生大量的航路交叉点,不仅加重了空中交通管制员的工作负荷,也大大增加了冲突碰撞的可能性。为了减小交叉点处的碰撞风险,建立了交叉点保护区与飞行速度及航线角度的动态函数关系。首先,基于速度的正态分布概率理论,在给定安全目标等级条件下,求解相应的保护区大小;同时,对两机侧向间隔进行动态研究,求出保证两机距离达到最小安全间隔时的保护区大小,双重考虑取较大保护区范围。最后仿真验证了其可行性,算法可求出满意实时间隔,并保证航路安全。

关键词：交叉点,保护区,碰撞风险,安全间隔

参考文献

[1] 张兆宁,张秀辉,王莉莉.交叉航路安全间隔的计算.第二十七届中国控制会议论文集,2008Zhang Z N,Zhang X H,Wang L L.Computation of safe separation on cross track.Proceedings of the 27thChinese control Conference.2008

[2] 赵洪元.两条交叉航线上飞机发生危险冲突次数模型的研究.系统工程与电子技术,1998;20(5):6—8Zhao H Y.Study on the model for computing the number of dangerous conflicts among aircrafts on two intersecting tracks.Journal of Systems Engineering and Electronics,1998;20(5):6—8

[3] 胡光华.航路飞行冲突避让方法研究.西部交通科技,2008;(6):87—90Hu G H.A Research on methods of avoiding route flight conflicts.Western China Communication Science&Technology,2008;(6):87 —90

[4] 赵嶷飞,陈琳,王红勇.基于调速法的交叉航路冲突解脱时机研究.科学技术与工程,2013;13(31):9252—9257Zhao Y F,Chen L,Wang H Y.Research of intersection airways conflict resolution time based on speed adjustment method.Science Technology and Engineering,2013;13(31):9252—9257

[5] 徐肖豪,李冬宾,李雄.飞行间隔安全评估研究.航空学报,2008;29(6):1411—1418Xu X H,Li D B,Li X.Research on safety assessment of flight separation.Acta Aeronautica et Astronautica Sinica,2008;29(6):1411—1418

[6] 赵洪元.两条交叉航线上飞机发生危险冲突次数模型的研究.系统工程与电子技术,1998;20(5):6—8Zhao H Y.Study on the model for computing the number of dangerous conflicts among aircrafts on two intersecting tracks.Journal of Systems Engineering and Electronics,1998;20(5):6—8

[7] COX M E,HARRISON D,MOEK G,et al.European studies to investigate the feasibility of using 1000 ft vertical separation minima above FL 290.parts I II III.Journal of the Institute of Navigation.1991;44(2):171—183;1992;45(1):91—106;1993;46(2):245 —261

[8] Manolakis D E,Lefas C C.Systematic errors in ground referenced geometric height monitoring.IEE Proceedings-F,1993;140(2):138 —144

动态交叉篇3

关键词：系统设计,基本优化单元,最小延误,复杂关联交叉口群

车辆在路网中的行为规律受到交通信号的影响,研究交通信号对车辆的影响多是从交叉口着手。单个交叉口的控制效果最优往往不能实现路网系统的控制效果最优,由此产生了以关联的交叉口群为控制对象的交通信号控制系统,这方面国外已进行了大量的研究[1,2,3,4,5,6],成果包括各种已经投入商业应用的系统,国际上较著名的交通控制系统主要有英国的Transyt和SCOOT系统,澳大利亚的SCATS。由于我国交通状况的特殊性,而且车辆性能也与国外有较大差距。因此,针对我国城市交通现状,建立符合我国交通客观规律的关联交叉口优化控制系统有着重要意义。

1 动态关联交叉口的定义

关联交叉口是一系列地理位置毗邻且满足以式(1)、(2)、(3)条件的交叉口群。由此一系列n(n≥2)个交叉口组成的交叉口群称为关联交叉口群,交叉口群符合关联交叉口定义是进行区域协调控制的必要条件。由式(2)、(3)可知关联交叉口的交通流之间存在关联性且其关联性度量动态变化,在不同条件下,同样的交叉口之间可能存在不同的关系(关联或非关联)。

与式(1)地理位置毗邻交叉口之间的距离可以有效地反映交通流的非随机离散现象;式(2)描述的是交通流的延续性;式(3)描述的是上游交叉口出口处的交通流与下游交叉口停车线断面处的交通流之间存在的可预测时间序列关联程度(可以是灰色关联度或非线性关联度[7])。

2 复杂关联交叉口控制系统设计

2.1 复杂关联交叉口优化策略

由图1可知,由5个交叉口组成的交叉口群在保持其关联特性不变的前提下可以拆分为4个基本优化单元,通过本文建立的模型和设计的系统同时对这4个基本单元并行优化。

2.2 车流通过关联交叉口延误的计算方法

车流在经过交叉口时遇红灯受阻可以分为2种情况:一种是车队头部到达si交叉口时遇到红灯受阻(即车队的第一辆车到停车线处便遇到红灯),另一种情况是车队前面的车到达si时并没有遇到红灯,而是在车队部分通过交叉口后信号灯由绿灯变为红灯而受阻,将这种情况定义为车队行进中受阻。在以往的研究中只是笼统地把车队在交叉口的延误当作车队头部受阻的情况来处理,而没有考虑车队中部受阻的情况。

1)车队头部受阻。

车队至少要等到红灯结束后才能驶出停车线,由X的取值很容易知道车队要等待红灯时间的时长(设为μ)。当车队开始消散时,由车辆数守恒可以列方程求出车队的排队消散时间(设为t)。如图2所示。

要求车流头部受阻时的停车延误,必先求车流排队消散时间,由排队车辆数守恒有:

此时:μ=-X=-(0.8li/vi-α),解方程求

出t值,根据所求得的t值,再求下行车流在交叉口产生的延误:

2) 车队行进中受阻。如图3所示。

μl=-X-rh=-(0.8li/vi-α)-rh,周期产生的延误值如下:

3) 基本优化单元延误计算式。由式(4)、(5)得到下行车流在交叉口产生的延误:

$\begin{array}{l} D_{1} = 0.5 (r h + r l - 0.8 l_{i} / v_{i} + α + t) \\ \sum_{1}^{r h + r l - 0.8 l_{i} / v_{i} + α} q_{d} (0.8 l_{i} / v_{i} + n) (7) \end{array}$

设第ε个基本优化单元一个周期内的延误值为Dε,经过前面分析有以下结论:Dε(α)=D1(α)+D2(β),相位差α和β有以下关系:β=T-α。T为交通信号周期。由此得:

$D_{ε} (α) = D_{1} (α) + D_{2} (Τ - α) (8)$

4) 关联交叉口群总延误。

$D_{s y s t e m} = \sum_{i = 1}^{m} \sum_{ε = 1}^{n - 1} D_{i ε} + \sum_{i = 1}^{m} \sum_{j = 1}^{2 n + 2} D_{i j} (9)$

式中:第2项为交通流通过关联交叉口群的入口时所产生的延误。式(9)为经过m个信号周期的时间,关联交叉口群的总延误表达式。

3 程序设计流程

本优化程序采用“模型预测、滚动优化、在线反馈”的思想[7]。

3.1 系统GUI交互界面设计

在进行程序设计之前,要根据数学模型算法,先用Matlab Graphical User Interfaces工具设计本系统的人机交互界面。

图4是针对本系统设计的人机交互界面。其中有12个参数输入框,可以方便地更改系统的各项参数,适应不同特性系统的优化计算;交互界面还有5个图形输出框,用户可以直观地看到各个

相关函数的变化趋势;此外还设置了2个程序运算结果输出框。

3.2 实例应用及仿真试验

完成建模和Matlab程序编写之后,用实例和仿真实验来验证模型及程序的正确性和有效性。应用Vissim3.6仿真软件,选取广州市天河区主要道路组成的关联交叉口群作为控制优化实例并进行仿真试验,建立如图5的仿真试验平台。

1) 实验数据。

见表1、表2所列。

2) 图形输出及运算结果。

见图6～8所示。

注:I1 、I2、 I3 、I4为4相位信号灯控制交叉口,每个方向有专用左转相位,表中绿灯时间I1为80 s(东西方向直行相位)+40 s(东西方向专用左转相位),其余同理;I4为90 s(南北方向直行相位)+45 s(南北方向左转专用相位)。

广州天河区白天不允许货车进入,所以本实验只设置小汽车和公交车这2个车种。由图6可以看到,由I1 、I2组成的基本优化单元C1的最优相位差为28 s。实验结果见表3所列。

4 结语

1) 将关联交叉口群的优化转化为对其单个子系统的优化,各子系统的优化过程可以并行进行,求解和运算效率高,有利于建立实时的交通控制系统。优化一个子系统只需要2～3 s,具有响应速度快的优点。

2) 本文设计的关联交叉口优化控制系统需要的参数可以通过多种途径获得;使用本文提供的方法对复杂关联交叉口群信号配时进行优化在系统总延误上要优于传统方法。

参考文献

[1]Ceylan,Halim,Bell,Michael G H.Traffic signal timing op-timization based on genetic algorithm approach,includingdriver’routing[J].Transportation Research Part B,2004,38(4):329-342

[2]Hounsell N B,McDonald M.Urban network traffic control[J].Proceedings of the Institution of Mechanical Engi-neers.Part I,2001(14):89-118

[3]SCOOT traffic handbook[M].TRRL.1983

[4]Sydney Coordinated Adaptive Traffic System[R].DMR.Australia:36-49

[5]FHWA.TRANSYT-7F User’s Manual[R].US.DOT,1983:87-105

[6]靳文舟,黄一峰.基于粒群理论的干道协调控制优化研究[J].交通与计算机,2008,26(1):31-34

动态交叉篇4

现代科学技术的飞跃发展,促使高技术产业群迅速成长,高技术产业在国民生产总值中的比重不断上升,现已成为国民经济新的增长点。高技术产业的发展是经济和社会发展的推动力,是衡量国家和地区竞争力的重要标志[1]。发展高技术产业关键在于创新,尤其是技术创新。随着技术创新的不断发展,一个社会的技术、知识经济就会越快形成。研究四川省高技术产业的技术创新能力和效率,对把握四川省高技术产业的技术创新规律、推动四川省高技术产业技术创新活动有序发展具有重要的现实意义。

目前从国内来看,对于高技术创新效率的研究还较少,但是关于技术创新效率的研究较多,也在不断完善,主要的研究方法有参数方法和非参数方法。参数方法主要有随机前沿法(SFA)、厚前沿方法(TFA)和自由分布方法(DFA);非参数方法包括数据包络分析(DEA)和自由处置包方法(FDH)。如黄永兴、张国庆运用参数方法测算了安徽省高技术产业的技术创新效率[2];郑珊珊、樊一阳等运用DEA模型对高技术产业具体行业的技术创新资源配置效率进行了分析评价[3];郑洁、杨昌辉等运用SFA的方法对高技术产业中的医药制造业的技术创新效率进行了测算[4]。本文运用DEA交叉评价模型对四川省高技术产业技术创新效率进行了纵向的动态评价,比C2R模型更具科学性和现实性,所采用评价方法和所得评价结果为相关部门合理评估高技术产业及制定发展战略提供参考。

1 模型

1.1 DEA模型

DEA方法由美国运筹学家A.Charnes和W.W.Cooper等人于1978年创立[5]。C2R模型(1)是第一个DEA模型,也是应用最广泛的DEA模型。

${\begin{cases} \max \frac{y_{i}^{Τ} u}{x_{i}^{Τ} u} = E_{i i} \\ s . t . \frac{y_{j}^{Τ} u}{x_{j}^{Τ} v} \leq 1 \\ u \geq 0 ‚ v \geq 0 ‚ j = 1 ‚ 2 ‚ \dots ‚ n \end{cases} (1)$

其中:Eii为DMUi的自我评价值。利用Charnes-Cooper变换,可将(1)化为下列等价的规划问题[5]:

${\begin{cases} \max y_{i}^{Τ} u = E_{i i} \\ s . t . y_{j}^{Τ} u \leq x_{j}^{Τ} v \\ x_{i}^{Τ} v = 1 \\ u \geq 0 ‚ v \geq 0 ‚ j = 1 ‚ 2 ‚ \dots ‚ n \end{cases} (2)$

为了解决计算和技术上的困难,Charnes和Cooper通过引进非阿基米德无穷小的概念,得到如下的对偶线性规划模型:

${\begin{cases} \min [θ - ε (e_{i}^{Τ} s^{-} + e_{i}^{Τ} s^{+})] \\ \sum_{j = 1}^{n} x_{j} λ_{j} + s^{-} = θ x_{i} \\ \sum_{j = 1}^{n} y_{j} λ_{j} - s^{+} = y_{i} \\ s^{-} \geq 0 ‚ s^{+} \geq 0 ‚ λ_{j} \geq 0 \end{cases} (3)$

其中:θ为效率指数,λj为权重,xj为第j个决策单元的输入指标向量(已知),yj为第j个决策单元的输出向量(已知)。xi、yi是被评价决策单元DMUi的输入、输出向量(已知),ε为非阿基米德无穷小量,n为决策单元个数,s-、s+为松弛变量。当θ=1,且s-≠0,s+≠0时,弱DEA有效;θ=1,且s-=0,s+=0时,DEA有效;θ<1时,DEA无效。

如果要判断技术有效性,只要在(2)式中加入

$\sum_{i = 1}^{n} λ_{i} = 1$ 条件即可。判断规模有效性,可令 $k = \frac{1}{θ^{*}} \sum_{j = 1}^{n} λ_{j}^{*} = 1$ ,称k为DMUi的规模收益值。当k=1时,称DMUi规模收益不变;当k<1时,称DMUi规模收益递增;当k>1时,称DMUi规模收益递减。

1.2 DEA交叉评价方法

传统的DEA模型(1)在利用线性规划求解过程中,由于对输入和输出指标采用极端和不合理的权重分配,对有利于自己的输入和输出指标赋的权很大,对不利于自己的指标赋的权很小,甚至赋零权,因此不能有效地区分各决策单元的优劣,决策单元仅被分为有效和无效两大类。用DEA方法评价决策单元的相对效率时,最后的结果很可能出现多个单元同时为相对有效,而不能做进一步的评价与比较,为了解决这个问题,根据文献[6]的思路,引入交叉评价机制。其基本思想是:用一个DMUi的最佳权重 $w_{i}^{*} = (\begin{array}{l} v_{i}^{*} \\ u_{i}^{*} \end{array})$ 去计算其他DMUk的效率值,得到交叉评价值:

$E_{i k} = \frac{y_{k}^{Τ} u_{i}^{*}}{x_{k}^{Τ} v_{i}^{*}} (4)$

Eik越大对DMUk越有利,对DMUi越不利。

由于线性规划(2)的最优解u*i和v*i不惟一,由(4)式得出的交叉评价值Eik具有不确定性,为此,可采用对抗型交叉评价。其算法的具体步骤是:

第一步:利用模型(1)计算出DMUi的自我评价值Eik(1≤i≤n)。

第二步:给定i∈{1,2,…,n},k∈{1,2,…,n},解以下线性规划:

${\begin{cases} \min y_{k}^{Τ} u \\ s . t . y_{j}^{Τ} u \leq x_{j}^{Τ} v \\ y_{i}^{Τ} u = E_{i i} x_{i}^{Τ} v \\ x_{Κ}^{Τ} v = 1 \\ u \geq 0 ‚ v \geq 0 ‚ j = 1 ‚ 2 ‚ \dots n \end{cases} (5)$

第三步:利用(5)式的最优解u*ik和v*ik求出交叉评价值: $E_{i k} = \frac{y_{k}^{Τ} u_{i k}^{*}}{x_{k}^{Τ} v_{i k}^{*}} = y_{k}^{Τ} u_{i k}^{*}$ 。

第四步:由交叉评价值构成交叉评价矩阵:

$E = (\begin{matrix} E_{11} & E_{12} & \dots & E_{1 n} \\ E_{21} & E_{22} & \dots & E_{2 n} \\ \dots & \dots & \dots & \dots \\ E_{n 1} & E_{n 2} & \dots & E_{n n} \end{matrix})$

其中:主对角线元素Eii为自我评价值;非主对角线元素Eik(k≠i)为交叉评价值;E为第i列各决策单元对DMUi的评价值,这些值越大,说明DMUi越优;E的第i行(对角线元素除外)是DMUi对其他各决策单元对的评价值,这些值越小对DMUi越有利。

第五步:计算第i列的平均值 $e_{i} = \frac{1}{n} \sum_{k = 1}^{n} E_{k i} ‚ e_{i}$ 是各决策单元对DMUi的总评价,ei越大说明DMUi越优。

2 实证分析

2.1 指标确定及数据来源

技术创新是指企业针对潜在市场,通过研究开发活动,创造出新的产品、工艺、生产经营和管理方法,提供新的服务,占领市场并实现市场价值的过程[7]。对高技术产业技术创新效率进行评价,所选指标必须能客观地反映技术创新效率的量变过程,能反映评价目的和评价内容;另外,还要根据选用的评价方法本身的特点选择相应的指标。我们在遵循指标体系建立的科学性、可比性、可行性和适应性原则下,结合评价方法(DEA)的特点,选用了能有效评价高技术产业技术创新效率的指标,具体见表1所示。其中,技术创新投入指标反映了创新主体在研发、技术改造、技术引进及技术推广等技术创新活动中的人力资源投入和经费投入;技术创新产出指标反映了创新主体将各种要素组合后产生的实际成效[8]。

我们利用1999—2008年四川省高技术产业指标值的统计数据(原始数据见表2)进行研究。由于投入产出存在一定的时间滞后性,研究者一般假设延迟时间为两年,例如2001年的产出以1999年的投入为基准,本文即以1999年的投入为基准,用C2R模型和DEA交叉评价方法分析了1999—2006年连续8年的数据,对四川省高技术产业技术创新效率作出评价。

注:数据来源于《中国高技术产业统计年鉴》(2000—2009)

2.2 评价模型结果及结果分析

用MATLAB软件得到各年份的交叉效率值、相对效率值以及规模收益值见表3所示。

根据表3的评价结果,我们可以得到如下的结论:

结论一是,由表3的交叉效率值及排名可以看出,交叉效率值最高的是2001年,达到0.8261,最低的是2000年,为0.2212。

结论二是,由表3的相对效率值可知,8年中有4年均达到DEA有效,比例达到50%,说明四川省8年中高技术产业技术创新的总体效率一般,而且不稳定,处于波动状态。

结论三是,从表3可以看出,在DEA无效的年份中,2000年出现规模递增。2000年如果加大高技术产业技术创新投入力度,将会有较大的产出,因为该年每增加一个单位的投入,相应产出增加大于一个单位,而该年技术有效,投入力度不够是其非DEA有效的直接原因。

结论四是,从表3可以看出,在DEA无效的年份中,2003年、2004年、2006年出现规模递减,这些年份增加高技术产业技术创新投入,其产出的增加将小于投入的增加,因此增加投入也是不合理的。其中,2006年出现技术有效,应在现有投入规模下充分发挥现有投入资源以求产出的最大化;而2003年和2004年出现技术无效,这两年应在现有投入规模下加强投入资源的管理以提高投入产出。

3 结束语

经过20余年的发展,四川省高技术产业取得了较大的成绩,但也存在许多问题。本文通过DEA模型,利用1999—2006年的数据,对四川省高技术产业技术创新效率进行了动态研究,结果显示,四川省高技术产业技术创新效率近年来基本保持在一个较高水平,但是并不稳定,处于不断波动状态。在投入水平上,四川省高技术产业发展存在着要素资源利用不充分的现象,2003年、2004年、2006年出现规模递减,因此,应当适当控制投入量,加强投入资源的管理,提高资源利用率,进一步提高四川省高技术产业的整体竞争力。另外,高技术产业属于知识密集、技术密集和资金密集的产业,涉及到的行业非常多,行业间的关联性很大,政府应该为产业的发展创造一个良好的技术创新环境,提供必要的政策和技术支持。

参考文献

[1]李维胜,秦长文,王永超.高技术企业可持续发展研究[M].北京:经济科学出版社,2008

[2]黄永兴,张国庆.安徽省高技术产业技术创新效率研究[J].安徽工业大学学报,2007(6):20-22

[3]郑珊珊,樊一阳,刘华珍.基于DEA模型的高技术产业技术创新资源配置效率分析[J].科技管理研究,2010(3):133-135

[4]郑洁,杨昌辉,徐晟.基于SFA的我国医药行业技术创新效率研究[J].合肥工业大学学报,2008(4):58-62

[5]魏权龄.数据包络分析(DEA)[M].北京:科学出版社,2004

[6]J R DOYLE,R H GREEN.Efficiency and cross-efficiency in DEA:Derivations,meanings and uses[J].J Opl Res.Soc.,1994,45(5):567-578

[7]辜胜阻,李正友.创新与高技术产业化[M].武汉:武汉大学出版社,2001

【动态交叉】推荐阅读：

道路交叉05-18

交叉配合05-22

交叉比较06-02