车路协同背景下干线信号控制自适应优化与仿真研究

当前城市干道交通流呈现高密度、多变性特征，传统的定时或感应控制方式已难以有效应对复杂的运行环境。其在数据获取上依赖少量检测器，缺乏对整体交通状态的全局感知，导致控制策略滞后且精度不足。而车路协同技术的发展，为获取车辆位置、速度、目的地等动态信息提供了可能，使信号控制从“被动响应”向“主动调控”转变，正在成为提升交通管理智能化水平的重要方向。

一、系统架构设计

（一）系统总体结构

在车路协同环境下，信号控制系统可划分为四个主要层级：感知层、通信层、决策层与执行层。各层通过接口协议实现信息的连续传递与闭环控制。其中，感知层负责采集交通流与车辆运行状态，通信层实现设备与平台间的低延迟数据传输，决策层依据实时数据进行控制逻辑运算，最终通过执行层完成信号配时策略的实施，形成一个具备自学习与自适应能力的闭环控制体系。

（二）感知层设计

感知层的核心是构建面向车 - 路 - 环境的立体感知体系。路侧单元（RSU）部署在交叉口及主干道关键节点，工作频段支持 5.9GHz （兼容 LTE-V2X 与 C-V2X 协议），覆盖半径可达 300 米，配合地磁线圈与毫米波雷达实现对非网联车辆的精准检测。线圈主要布设于车道起点和停止线前方 3-5 米位置，用于检测车辆到离信息；毫米波雷达用于多车道排队长度监测，分辨率达到 0.1m ，刷新率 50Hz ，能有效提升对交通密度的识别精度。

（三）通信层构建

通信层以低延迟、高可靠性的专用通信网络为基础，采用 C-V2X（Cellular Vehicle to Everything）技术实现车 - 路 - 云三端互联。核心网络选用 5G NR-V2X 架构，在 200MHz 频段下，通信延迟可控制在 10ms 以内，满足交通控制对时效性的要求。

（四）决策层模型

决策层运行在边缘计算节点或云端控制平台，采用多目标优化模型对交通状态进行实时分析。优化目标包括最小化平均延误、最大化通行能力、降低能耗等，模型输入包括车辆轨迹、车速分布、排队长度等动态指标[1]。基于模型预测控制（MPC）框架，引入时序车流预测模型（如ARIMA 或 LSTM）提升响应前瞻性。

（五）执行层动作

执行层依托支持联网控制的智能信号控制机完成指令下发。信号机支持不少于 8 相位控制、双环多时段方案，并可通过标准 API（如GB/T 20999）接收上层策略动态更新。信号状态与相位运行数据实时回传，为策略修正提供数据闭环。

二、信号控制自适应优化算法研究

（一）绿灯时长动态调整

基于 RSU 获取的车辆队列信息，通过“虚拟检测线”机制，实时预测车队头车到达时间和队列长度。控制算法中引入阈值判断逻辑：当预测到达时间小于当前绿灯剩余时间且剩余车流密度高于临界值（如15veh/km⋅ ），则动态延长绿灯时长，最多可增加1.5 倍基本相位；反之，则提前终止绿灯，启动下一个相位，以避免空放。

（二）相位差优化策略

在干线协调控制中，传统固定相位差已无法适应波动性的车流。本文基于车辆轨迹数据，构建交叉口间车辆平均行驶时间模型，并实时修正交叉口配时差。相位差优化函数以“最大化连续通行车辆数”为目标，约束条件包括车速波动范围（ ±10km/h ）、绿波窗口（不小于 5s）。在Matlab 环境中使用遗传算法对目标函数进行迭代优化，更新频率为每30 秒一次，实现准实时的“绿波带”动态调整。

（三）优先通行控制机制

针对公交与应急车辆，系统设定车辆优先等级（如：Level 3 为应急车、Level 2 为公交车），RSU 通过车载 ID 识别优先等级后，立即向控制平台发起优先请求。策略设计中包括三类控制手段： ① 提前起绿，即将该方向信号提前至当前相位结束后立即启动； ② 绿灯延长，在原相位基础上最多延长 10s 用于完成通行； ③ 跳相处理，允许在不破坏协调相位逻辑的前提下直接跳至目标方向。

（四）算法执行流程与稳定性控制

整个算法执行流程包括五个步骤： ① 车辆状态感知； ② 交通状态分类与模式识别； ③ 优先级判断与策略匹配； ④ 信号配时参数计算； ⑤ 指令下发与执行监控 [2]。为避免频繁切换导致系统震荡，引入“最小控制周期约束”与“最大绿灯时间限制”，确保系统在自适应调整的同时保持运行稳定性与协调性。

三、仿真建模与优化效果验证

（一）仿真场景搭建

选择位于 X 市 Y 区的主干道 A 路段（长度约 2.4km ），共有 4 个全互通交叉口，每个交叉口均为双向六车道，设计车速为 50km/h ，配备人行横道与非机动车道。基于AutoCAD提供的线形图与交通设施布设图，在Vissim 2022 平台建立精确仿真模型。RSU 布设于每个交叉口东南角，覆盖范围涵盖进入段150 米，信号机与检测器布置严格参照现场配置。

（二）模型数据校准

采用断面流量与 OD 流量相结合的数据校准方法。断面流量由7:00-9:00 高峰期人工调查获得，OD 矩阵来源于 ETC 与地磁数据融合计算。车辆类型比例为：小客车 80% 、公交车 15% 、重型车辆 5% 。模型中驾驶行为参数（如跟车头时距、换道激进程度）参照国内通行驾驶行为调查结果设定。通过逐步调整参数，确保仿真结果在 ±5% 误差范围内符合实测流量与平均速度。

（三）方案设置与实验对比

为评估所提控制策略的实际效果，设置两个控制情景进行对比分析：情景一（S1）为现有运行中的信号控制方案，采用固定周期的协调控制方式，周期设定为 120 秒，各交叉口主街道相位差恒定不变；情景二（S2）则为基于车路协同环境下构建的自适应控制策略，包含实时相位调整、绿灯时长动态变化与特种车辆优先通行等机制，周期动态变化范围设定为 90–150 秒。仿真总时间为 60 分钟，覆盖约 10 个完整信号周期，分别统计并对比交叉口的平均延误（ s/veh ）、最大排队长度（m）、单位车次停车次数（ times/veh ）与通行能力（veh/h）等关键性能指标，以全面评估两种控制方案的运行效果和适应性表现[3]。

（四）结果分析

对比结果如下：在主方向上，S2 方案下的平均延误由 32.4 秒降至18.7 秒，降幅达 42.3% ，显著优于传统控制方式；最大排队长度较 S1减少约 30.1% ，有效缓解了高峰期间的排队溢出问题；单位小时内通行车辆数提升 16.5% ，通行效率显著提升。优先车辆方面，平均通行时间缩短约 21.4% ，其中公交车的延误下降尤为明显，多数实现无停通行，提升了公共交通的运行可靠性。总结：本文基于车路协同环境，构建了干线信号自适应控制系统，提出了多项优化策略并通过仿真实证其有效性。研究表明，该方法能显著提升通行效率并降低延误。实际部署中建议优先在关键干道分阶段建设 RSU 与通信基础设施，结合本地交通特性逐步推广，实现从固定控制向智能调控的过渡。

参考文献

[1] 宋晓晨. 交叉口群自适应划分及信号控制多目标优化方法[D].青岛理工大学 ,2023.000233.

[2] 王雷震 . 基于深度强化学习的多模式交通自适应信号控制优化方法研究 [D]. 东南大学 ,2021.002898.

[3] 张允涛 . 车路协同环境下公交信号优先策略研究 [D]. 兰州交通大学 ,2024.000553.