一种实现公交车均衡分布的公交信号优先控制方法与流程

阅读：评论：0

1.本发明属于智能交通技术领域，具体涉及一种实现公交车均衡分布的公交信号优先控制方法。

背景技术：

2.现有公交信号优先控制技术主要以降低公交车在交叉口信号延误为目标，依靠卫星定位设备或射频识别技术(rfid)等检测技术，结合电子地图，动态跟踪公交车在路网的位置；当公交车辆即将到达交叉口时，通过延长绿灯、缩短红灯等信号调控手段实现公交信号的优先控制。
3.进一步的，以公交车发班时刻表为依据，根据公交车到达公交站点的时间，以提高公交车准点率为目标，对晚点的公交车辆赋予优先通行权。在保障公交车通行效率的基础上，降低交叉口信号管控频率，从而降低因实施公交优先控制对其他车辆通行带来的影响。
4.以降低公交车在单个交叉口的信号延误为目标的公交优先控制策略，虽然减少了公交车在单个交叉口的信号延误，但由于无法确保所有情况都实施优先，容易导致相邻公交车辆间距过近，出现多辆公交车连续到达同一站点现象；相对的，也可能出现前后两辆公交车间隔过大，延长了乘客等车时间的问题。同时，无法有效解决多辆公交车同时到达交叉口时车辆间优先权、各路口均实施优先控制对其他车辆影响较大等问题，影响公交车整体运行效益。
5.以提升公交车到达公交站点准点率为目标的公交信号优先控制技术，理论上解决了公交车车辆间的衔接以及多辆车同时到达交叉口优先通行权限问题。但是，以公交车发班时刻表为基础的公交车准点状态标定，需要精确计算每辆公交车到达公交站点的时刻，随着公交线路的延长，不同驾驶习惯、沿线道路条件差异、交通流状态等不确定性因素将对计算产生极大的影响，无法满足大规模公交信号优先控制场景。

技术实现要素：

6.针对于上述现有技术的不足，本发明的目的在于提供一种实现公交车均衡分布的公交信号优先控制方法，以解决现有技术中按发班时刻表无法精准计算公交车辆到达各公交站点的目标时刻，难以实现高效的公交信号优先控制问题。本发明方法通过深度神经网络模型预测车辆到达公交站点、交叉口的时刻，基于同一线路相邻车辆到达同一公交站点的时间间隔分析公交车的延误状态，仅针对处于延误状态下的公交车实施信号优先控制，在实施公交信号优先控制的过程中，基于预测的公交车到达交叉口时刻，通过周期方案优化和相位实时优化两级控制，提升信号优化效率。在保障公交运行效率的同时，降低对其他车辆运行的影响，均衡乘客等待时间，提升整体公交运营效益。
7.为达到上述目的，本发明采用的技术方案如下：
8.本发明的一种实现公交车均衡分布的公交信号优先控制方法，步骤如下：
9.1)划分公交车到达公交站点的延误等级；
10.2)根据公交车的延误等级设置交叉口信号相位最大可调整幅度；
11.3)映射公交车在路网上的位置，计算公交车至下游的交叉口和公交站点的距离；
12.4)预测公交车到达下游公交站点时间；
13.5)计算同一线路相邻两个公交车到达公交站点的时间间隔；
14.6)分析公交车是否延误，以及延误等级，设置公交车优先权；
15.7)预测公交车到达交叉口时间；
16.8)实施公交信号优先控制。
17.进一步地，所述步骤1)具体包括：依据预测公交车到达站点延误时长将延误状态分为轻度延误、一般延误、严重延误。
18.进一步地，所述延误状态为计算同一线路相邻两个公交车到达同一站点的时间间隔，若时间间隔超过发班时刻表中的发班间隔，则判定为后一个公交车存在延误，依据延误等级划分表划分该后一个公交车的延误等级。
19.进一步地，所述步骤3)具体包括：通过车载定位设备实时采集公交车坐标、车速、航向信息，结合高精度路网数据、公交线路路径以及公交站点的信息通过gis空间分析方法计算公交车在路网上的位置，包括映射车辆到道路中心线上位置及计算车辆至所在路段端点的距离。
20.进一步地，所述gis空间分析方法计算公交车在路网上的位置具体为：
21.31)根据高精度路网数据，按公交线路构建道路、路段两级数据集合；提取公交线路经过的道路数据，计算各道路数据的包络矩形，构建包含道路编码、道路包络矩形字段的道路集合；针对各道路包含的路段，分别构建包含道路编码、路段编码、路段包络矩形的路段集合；其中，包络矩形为道路或路段边界节点中最小和最大经纬度坐标形成的边界矩形；
22.32)定位公交车所在路段，根据接收到公交车定位数据，按公交车所属线路，选取线路对应的道路集合；根据道路的包络矩形是否包含车辆坐标，定位车辆所在道路；根据道路对应的路段包络矩形是否包含车辆坐标，定位车辆所在路段；
23.33)映射公交车位置至道路中心线，标记公交车在路网的位置；根据获得的路段，分别计算公交车位置至各坐标节点间子段的垂足和垂距，取垂足在子段上，且垂距最小的子段，计算出公交车定位数据至该子段所在中心线上垂足的坐标，该坐标即公交车映射在路网的位置；该垂足沿道路中心线至对应交叉口或公交站点在中心线上映射的垂足间路段的距离，即公交车至交叉口或公交站点距离。
24.进一步地，所述步骤4)具体包括：根据步骤3)中得到的公交车在路网上的位置，计算得到公交车距离下游最近两个的公交站点的距离，结合时段、路段拥堵长度数据，通过深度神经网络模型，实时预测公交车到达下游最近两个的公交站点的时间，记为st。
25.进一步地，所述步骤4)中通过深度神经网络模型实时预测公交车到达下游公交站点的时间，具体包括：
26.41)编制模型训练数据集：按照公交线路沿线的公交站点，搜集历史公交车在路网不同位置到达各个公交站点的记录，搜集的数据包括：公交车距离目标点距离x1、当前时段x2、公交车位置至公交站点沿途拥堵路段长度x3(无拥堵时为0)、公交车从当前点到达公交站点所花费的时间y；编制输入集x＝[x1,x2,x3]，结果集y＝[y]；
[0027]
42)将搜集到数据拆分为训练集和测试集，其中训练集用于模型训练，测试集用于
模型验证；将训练集输入至深度神经网络模型，进行训练，训练结束后使用测试集，计算模型误差；
[0028]
43)调整深度神经网络模型中两个隐含层的神经元个数，重复训练，直至测试误差小于5％，确定最终的预测模型；
[0029]
44)当接收到新的公交车定位信息后，通过新的公交车在路网的位置，提取新的公交车距离公交站点距离、当前时段以及沿途拥堵路段长度数据，输入至所述最终的预测模型，预测出新的公交车到达公交站点的时间。
[0030]
进一步地，所述步骤42)中采用的深度神经网络模型为带有4层网络结构的深度神经网络，包括输入层、两个隐含层和输出层；初始训练时，输入层包含3个神经元，两个隐含层均包含128个神经元；输出层包含一个神经元，输出层和隐含层均采用relu作为激活函数，输出层不使用激活函数。
[0031]
进一步地，所述步骤5)具体包括：
[0032]
遍历路网中各公交站点，按线路搜索距离公交站点最近的两个公交车，分别记为v1、v2，其中v1距离公交站点最近，根据以下公式分别计算公交车v1、公交车v2到公交站点时与上一个公交车到达公交站点的时间间隔；
[0033][0034]
δst2＝st
jm-st
im
[0035]
其中，i为公交车v1在公交线路的序号；j为公交车v2在公交线路的序号；k为前一个到达公交站点的公交车序号；m为公交站点在公交线路的序号；fm为首班公交车预计到达公交站点时间；st
im
为预测得到的公交车v1到达该公交站点的时间；st
jm
为预测得到的公交车v2到达该公交站点的时间；st
km
为前一个公交车到达该公交站点的时间；δst1为公交车v1到公交站点时，与前一个公交车到达公交站点的时间间隔；δst2为公交车v2到公交站点时，与公交车v1到达公交站点的时间间隔。
[0036]
进一步地，所述步骤6)具体包括：
[0037]
公交车发班间隔为i，遍历带有时间差值δst标记的公交车，当δst＞i时，公交车到达状态标记为晚点到达，即晚点时间d＝δst-i；当δst≈i时，公交车到达状态标记为准点到达；当δst＜i时，公交车到达状态标记为提前到达；对晚点到达的公交车，根据公交车延误等级划分表，设置该公交车至下一公交站点的延误等级，开启公交车优先通行权限；对准点到达或提前到达的公交车关闭优先通行权限。
[0038]
进一步地，所述步骤7)具体包括：
[0039]
根据步骤3)中得到的公交车在路网上的位置，搜索公交线路沿线下游距公交车1000m内的所有交叉口，并计算公交车至各交叉口距离，结合时段、路段拥堵长度数据，通过深度神经网络模型，实时预测公交车到达交叉口时间，记为ct。
[0040]
进一步地，所述步骤8)具体包括：
[0041]
遍历在两个信号周期内存在具有优先控制权限的公交车到达的交叉口，查预先配置的交叉口信号相位在不同公交车延误等级下可调整幅度表，获取相位调整约束，当同一相位存在多个公交车处于不同等级的延误状态时，按最高延误等级设置相位约束；根据预测的公交车到达交叉口时间ct，结合当前交叉口的信号方案，通过周期方案优化和相位
实时优化两级控制，降低公交车在交叉口的延误时间。
[0042]
进一步地，所述步骤8)中周期方案优化具体包括：在每个信号周期最后一个相位的黄灯开始时，启动下一信号周期的方案优化过程；若预测的公交车到达交叉口的时刻位于公交车通行相位放行时间内，则维持原方案不变，否则在相位约束的条件下，根据不同的状态优化方案；当公交车在通行相位启动之前到达，则缩短通行相位前的相位时长；若公交车在通行相位结束后到达，则延长通行相位以及前置相位的时长，保障公交车不停车直接通过交叉口。
[0043]
进一步地，所述步骤8)中相位实时优化具体包括：在交叉口信号周期执行的过程中，动态监视公交车在本周期到达交叉口的时刻，当公交车到达时刻与周期优化过程预测的到达时间存在偏差，则在相位约束的条件下，动态延长或缩短相位时长，增加公交车不停车通过交叉口的几率；当公交车在本周期未能通过，则缩短本周期剩余相位的时长，减少公交车在交叉口等待时间。
[0044]
本发明的有益效果：
[0045]
一方面，通过预测公交车到达各公交站点的时间，动态计算同一公交线路的相邻公交车辆到达同一公交站点的时间间隔，将公交车行驶状态分为提前、准点达和晚点三种状态，对晚点到达的车辆根据延误时间划分为轻度、一般、严重三种延误等级，依此赋予公交车实施优先控制的优先级；
[0046]
另一方面，在交叉口根据不同的延误等级分别赋予有差异的相位调整幅度，降低对在公交优先实施的过程中对其他车辆通行权的干扰。相比于现有的实施方案，本发明转移了计算目标，利用多层神经网络技术，动态预测相邻车辆的到站时间间隔，减少不确定性因素，提高了系统的稳定性；通过设置公交车优先级，解决了多车同时到达交叉口时的优先权限问题；以前后两辆公交车在公交站点的到达时间为控制目标，降低了乘客在公交站点的最大等待时间，提升乘车体验。
附图说明
[0047]
图1为本发明方法的原理图。
[0048]
图2为首班车到站延误计算示意图。
[0049]
图3为非首班车到站延误计算示意图。
具体实施方式
[0050]
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
[0051]
参照图1所示，本发明的一种实现公交车均衡分布的公交信号优先控制方法，步骤如下：
[0052]
1)划分公交车到达公交站点的延误等级；
[0053]
依据预测公交车到达站点延误时长将延误状态分为轻度延误、一般延误、严重延误，具体划分标准参考表1；所述延误状态为计算同一线路相邻两个公交车到达同一站点的时间间隔，若时间间隔超过发班时刻表中的发班间隔，则判定为后一个公交车存在延误，依据延误等级划分表划分该后一个公交车的延误等级。
[0054]
表1
[0055]
延误时长《＝5分钟《＝10分钟》10分钟延误等级轻度延误一般延误严重延误
[0056]
2)根据公交车的延误等级设置交叉口信号相位最大可调整幅度；不同交叉口可单独设置，以适应不同的交通流特征，参考表2；
[0057]
表2
[0058]
延误等级轻度延误延误严重延误相位调整幅度3秒4秒5秒
[0059]
3)映射公交车在路网上的位置，计算公交车至下游的交叉口和公交站点的距离；
[0060]
其中，通过车载定位设备实时采集公交车坐标、车速、航向信息，结合高精度路网数据、公交线路路径以及公交站点的信息通过gis空间分析方法计算公交车在路网上的位置，包括映射车辆到道路中心线上位置及计算车辆至所在路段端点的距离。
[0061]
具体地，所述gis空间分析方法计算公交车在路网上的位置具体为：
[0062]
31)根据高精度路网数据，按公交线路构建道路、路段两级数据集合；提取公交线路经过的道路数据，计算各道路数据的包络矩形，构建包含道路编码、道路包络矩形字段的道路集合；针对各道路包含的路段，分别构建包含道路编码、路段编码、路段包络矩形的路段集合；其中，包络矩形为道路或路段边界节点中最小和最大经纬度坐标形成的边界矩形；
[0063]
32)定位公交车所在路段，根据接收到公交车定位数据，按公交车所属线路，选取线路对应的道路集合；根据道路的包络矩形是否包含车辆坐标，定位车辆所在道路；根据道路对应的路段包络矩形是否包含车辆坐标，定位车辆所在路段；
[0064]
33)映射公交车位置至道路中心线，标记公交车在路网的位置；根据获得的路段，分别计算公交车位置至各坐标节点间子段的垂足和垂距，取垂足在子段上，且垂距最小的子段，计算出公交车定位数据至该子段所在中心线上垂足的坐标，该坐标即公交车映射在路网的位置；该垂足沿道路中心线至对应交叉口或公交站点在中心线上映射的垂足间路段的距离，即公交车至交叉口或公交站点距离。
[0065]
4)预测公交车到达下游公交站点时间；
[0066]
根据步骤3)中得到的公交车在路网上的位置，计算得到公交车距离下游最近两个的公交站点的距离，结合时段、路段拥堵长度数据，通过深度神经网络模型，实时预测公交车到达下游最近两个的公交站点的时间，记为st。
[0067]
具体地，所述步骤4)中通过深度神经网络模型实时预测公交车到达下游公交站点的时间，具体包括：
[0068]
41)编制模型训练数据集：按照公交线路沿线的公交站点，搜集历史公交车在路网不同位置到达各个公交站点的记录，搜集的数据包括：公交车距离目标点距离x1、当前时段x2、公交车位置至公交站点沿途拥堵路段长度x3(无拥堵时为0)、公交车从当前点到达公交站点所花费的时间y；编制输入集x＝[x1,x2,x3]，结果集y＝[y]；
[0069]
42)将搜集到数据拆分为训练集和测试集，其中训练集用于模型训练，测试集用于模型验证；将训练集输入至深度神经网络模型，进行训练，训练结束后使用测试集，计算模型误差；
[0070]
43)调整深度神经网络模型中两个隐含层的神经元个数，重复训练，直至测试误差
小于5％，确定最终的预测模型；
[0071]
44)当接收到新的公交车定位信息后，通过新的公交车在路网的位置，提取新的公交车距离公交站点距离、当前时段以及沿途拥堵路段长度数据，输入至所述最终的预测模型，预测出新的公交车到达公交站点的时间。
[0072]
其中，所述步骤42)中采用的深度神经网络模型带有4层网络结构的深度神经网络，包括输入层、两个隐含层和输出层；初始训练时，输入层包含3个神经元，两个隐含层均包含128个神经元；输出层包含一个神经元，输出层和隐含层均采用relu作为激活函数，输出层不使用激活函数。
[0073]
5)计算相邻两个公交车到达公交站点的时间间隔；
[0074]
参照图2、图3所示，遍历路网中各公交站点，按线路搜索距离公交站点最近的两个公交车，分别记为v1、v2，其中v1距离公交站点最近，根据以下公式分别计算公交车v1、公交车v2到公交站点时与上一个公交车到达公交站点的时间间隔；
[0075][0076]
δst2＝st
jm-st
im
[0077]
其中，i为公交车v1在公交线路的序号；j为公交车v2在公交线路的序号；k为前一个到达公交站点的公交车序号；m为公交站点在公交线路的序号；fm为首班公交车预计到达公交站点时间；st
im
为预测得到的公交车v1到达该公交站点的时间；st
jm
为预测得到的公交车v2到达该公交站点的时间；st
km
为前一个公交车到达该公交站点的时间；δst1为公交车v1到公交站点时，与前一个公交车到达公交站点的时间间隔；δst2为公交车v2到公交站点时，与公交车v1到达公交站点的时间间隔。
[0078]
6)设置公交车优先权；
[0079]
公交车发班间隔为i，遍历带有时间差值δst标记的公交车，当δst＞i时，公交车到达状态标记为晚点到达，即晚点时间d＝δst-i；当δst≈i时，公交车到达状态标记为准点到达；当δst＜i时，公交车到达状态标记为提前到达；对晚点到达的公交车，根据公交车延误等级划分表，设置该公交车至下一公交站点的延误等级，开启公交车优先通行权限；对准点到达或提前到达的公交车关闭优先通行权限。
[0080]
7)预测公交车到达交叉口时间；
[0081]
根据步骤3)中得到的公交车在路网上的位置，搜索公交线路沿线下游距公交车1000m内的所有交叉口，并计算公交车至各交叉口距离，结合时段、路段拥堵长度数据，通过深度神经网络模型，实时预测公交车到达交叉口时间，记为ct。
[0082]
8)实施公交信号优先控制；
[0083]
遍历在两个信号周期内存在具有优先控制权限的公交车到达的交叉口，查预先配置的交叉口信号相位在不同公交车延误等级下可调整幅度表，获取相位调整约束，当同一相位存在多个公交车处于不同等级的延误状态时，按最高延误等级设置相位约束；根据预测的公交车到达交叉口时间ct，结合当前交叉口的信号方案，通过周期方案优化和相位实时优化两级控制，降低公交车在交叉口的延误时间。
[0084]
其中，周期方案优化具体包括：在每个信号周期最后一个相位的黄灯开始时，启动下一信号周期的方案优化过程；若预测的公交车到达交叉口的时刻位于公交车通行相位放
行时间内，则维持原方案不变，否则在相位约束的条件下，根据不同的状态优化方案；当公交车在通行相位启动之前到达，则缩短通行相位前的相位时长；若公交车在通行相位结束后到达，则延长通行相位以及前置相位的时长，保障公交车不停车直接通过交叉口。
[0085]
其中，相位实时优化具体包括：在交叉口信号周期执行的过程中，动态监视公交车在本周期到达交叉口的时刻，当公交车到达时刻与周期优化过程预测的到达时间存在偏差，则在相位约束的条件下，动态延长或缩短相位时长，增加公交车不停车通过交叉口的几率；当公交车在本周期未能通过，则缩短本周期剩余相位的时长，减少公交车在交叉口等待时间。
[0086]
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

技术特征：

1.一种实现公交车均衡分布的公交信号优先控制方法，其特征在于，步骤如下：1)划分公交车到达公交站点的延误等级；2)根据公交车的延误等级设置交叉口信号相位最大可调整幅度；3)映射公交车在路网上的位置，计算公交车至下游的交叉口和公交站点的距离；4)预测公交车到达下游公交站点时间；5)计算同一线路相邻两个公交车到达公交站点的时间间隔；6)分析公交车是否延误，以及延误等级，设置公交车优先权；7)预测公交车到达交叉口时间；8)实施公交信号优先控制。2.根据权利要求1所述的实现公交车均衡分布的公交信号优先控制方法，其特征在于，所述延误状态为计算同一线路相邻两个公交车到达同一站点的时间间隔，若时间间隔超过发班时刻表中的发班间隔，则判定为后一个公交车存在延误，依据延误等级划分表划分后一个公交车的延误等级。3.根据权利要求1所述的实现公交车均衡分布的公交信号优先控制方法，其特征在于，所述步骤3)具体包括：通过车载定位设备实时采集公交车坐标、车速、航向信息，结合高精度路网数据、公交线路路径以及公交站点的信息通过gis空间分析方法计算公交车在路网上的位置，包括映射车辆到道路中心线上位置及计算车辆至所在路段端点的距离。4.根据权利要求3所述的实现公交车均衡分布的公交信号优先控制方法，其特征在于，所述gis空间分析方法计算公交车在路网上的位置具体为：31)根据高精度路网数据，按公交线路构建道路、路段两级数据集合；提取公交线路经过的道路数据，计算各道路数据的包络矩形，构建包含道路编码、道路包络矩形字段的道路集合；针对各道路包含的路段，分别构建包含道路编码、路段编码、路段包络矩形的路段集合；其中，包络矩形为道路或路段边界节点中最小和最大经纬度坐标形成的边界矩形；32)定位公交车所在路段，根据接收到公交车定位数据，按公交车所属线路，选取线路对应的道路集合；根据道路的包络矩形是否包含车辆坐标，定位车辆所在道路；根据道路对应的路段包络矩形是否包含车辆坐标，定位车辆所在路段；33)映射公交车位置至道路中心线，标记公交车在路网的位置；根据获得的路段，分别计算公交车位置至各坐标节点间子段的垂足和垂距，取垂足在子段上，且垂距最小的子段，计算出公交车定位数据至该子段所在中心线上垂足的坐标，该坐标即公交车映射在路网的位置；该垂足沿道路中心线至对应交叉口或公交站点在中心线上映射的垂足间路段的距离，即公交车至交叉口或公交站点距离。5.根据权利要求1所述的实现公交车均衡分布的公交信号优先控制方法，其特征在于，所述步骤4)具体包括：根据步骤3)中得到的公交车在路网上的位置，计算得到公交车距离下游最近两个的公交站点的距离，结合时段、路段拥堵长度数据，通过深度神经网络模型，实时预测公交车到达下游最近两个的公交站点的时间，记为st。6.根据权利要求5所述的实现公交车均衡分布的公交信号优先控制方法，其特征在于，所述步骤4)中通过深度神经网络模型实时预测公交车到达下游公交站点的时间，具体包括：41)编制模型训练数据集：按照公交线路沿线的公交站点，搜集历史公交车在路网不同
位置到达各个公交站点的记录，搜集的数据包括：公交车距离目标点距离x1、当前时段x2、公交车位置至公交站点沿途拥堵路段长度x3、公交车从当前点到达公交站点所花费的时间y；编制输入集x＝[x1,x2,x3]，结果集y＝[y]；42)将搜集到数据拆分为训练集和测试集，训练集用于模型训练，测试集用于模型验证；将训练集输入至深度神经网络模型，进行训练，训练结束后使用测试集，计算模型误差；43)调整深度神经网络模型中两个隐含层的神经元个数，重复训练，直至测试误差小于5％，确定最终的预测模型；44)当接收到新的公交车定位信息后，通过新的公交车在路网的位置，提取新的公交车距离公交站点距离、当前时段以及沿途拥堵路段长度数据，输入至所述最终的预测模型，预测出新的公交车到达公交站点的时间。7.根据权利要求1所述的实现公交车均衡分布的公交信号优先控制方法，其特征在于，所述步骤5)具体包括：遍历路网中各公交站点，按线路搜索距离公交站点最近的两个公交车，分别记为v1、v2，其中v1距离公交站点最近，根据以下公式分别计算公交车v1、公交车v2到公交站点时与上一个公交车到达公交站点的时间间隔；δst2＝st
jm-st
im
其中，i为公交车v1在公交线路的序号；j为公交车v2在公交线路的序号；k为前一个到达公交站点的公交车序号；m为公交站点在公交线路的序号；f
m
为首班公交车预计到达公交站点时间；st
im
为预测得到的公交车v1到达该公交站点的时间；st
jm
为预测得到的公交车v2到达该公交站点的时间；st
km
为前一个公交车到达该公交站点的时间；δst1为公交车v1到公交站点时，与前一个公交车到达公交站点的时间间隔；δst2为公交车v2到公交站点时，与公交车v1到达公交站点的时间间隔。8.根据权利要求1所述的实现公交车均衡分布的公交信号优先控制方法，其特征在于，所述步骤6)具体包括：公交车发班间隔为i，遍历带有时间差值δst标记的公交车，当δst>i时，公交车到达状态标记为晚点到达，即晚点时间d＝δst-i；当δst≈i时，公交车到达状态标记为准点到达；当δst<i时，公交车到达状态标记为提前到达；对晚点到达的公交车，根据公交车延误等级划分表，设置该公交车至下一公交站点的延误等级，开启公交车优先通行权限；对准点到达或提前到达的公交车关闭优先通行权限。9.根据权利要求1所述的实现公交车均衡分布的公交信号优先控制方法，其特征在于，所述步骤7)具体包括：根据步骤3)中得到的公交车在路网上的位置，搜索公交线路沿线下游距公交车1000m内的所有交叉口，并计算公交车至各交叉口距离，结合时段、路段拥堵长度数据，通过深度神经网络模型，实时预测公交车到达交叉口时间，记为ct。10.根据权利要求9所述的实现公交车均衡分布的公交信号优先控制方法，其特征在于，所述步骤8)具体包括：遍历在两个信号周期内存在具有优先控制权限的公交车到达的交叉口，查预先配置
的交叉口信号相位在不同公交车延误等级下可调整幅度表，获取相位调整约束，当同一相位存在多个公交车处于不同等级的延误状态时，按最高延误等级设置相位约束；根据预测的公交车到达交叉口时间ct，结合当前交叉口的信号方案，通过周期方案优化和相位实时优化两级控制，降低公交车在交叉口的延误时间；所述周期方案优化具体包括：在每个信号周期最后一个相位的黄灯开始时，启动下一信号周期的方案优化过程；若预测的公交车到达交叉口的时刻位于公交车通行相位放行时间内，则维持原方案不变，否则在相位约束的条件下，根据不同的状态优化方案；当公交车在通行相位启动之前到达，则缩短通行相位前的相位时长；若公交车在通行相位结束后到达，则延长通行相位以及前置相位的时长，保障公交车不停车直接通过交叉口；所述相位实时优化具体包括：在交叉口信号周期执行的过程中，动态监视公交车在本周期到达交叉口的时刻，当公交车到达时刻与周期优化过程预测的到达时间存在偏差，则在相位约束的条件下，动态延长或缩短相位时长，增加公交车不停车通过交叉口的几率；当公交车在本周期未能通过，则缩短本周期剩余相位的时长，减少公交车在交叉口等待时间。

技术总结

本发明公开了一种实现公交车均衡分布的公交信号优先控制方法，步骤如下：划分公交车到达公交站点的延误等级；根据公交车的延误等级设置交叉口信号相位最大可调整幅度；映射公交车在路网上的位置，计算公交车至下游的交叉口和公交站点的距离；预测公交车到达下游公交站点时间；计算同一线路相邻两个公交车到达公交站点的时间间隔；分析公交车是否延误，以及延误等级，设置公交车优先权；预测公交车到达交叉口时间；实施公交信号优先控制。本发明解决了现有技术中按发班时刻表无法精准计算公交车辆到达各公交站点的目标时刻，难以实现高效的公交信号优先控制问题。效的公交信号优先控制问题。效的公交信号优先控制问题。