交通信号区域协调控制是智能交通管理领域中一个核心研究课题,目标是通过综合分析路网区域内传感器数据来估计各个交叉口信号灯控制参数(如子区划分、周期、绿信比、相位差、相序等)。交通信号控制是交通控制的关键要素,交叉口拥堵死锁的传播、出行者连续等红灯的焦虑、行人过街的潜在风险等情形的存在,使得交通信号控制问题仍然具有非常大的研究价值和改进空间。特别是,当考虑多交叉口区域路网的联动协调时,相邻交叉口之间的交通流互相影响、动态波动,导致交通信号控制问题变得更加复杂和具有挑战性。在已有的区域协调控制研究中,根据优化目标的不同可分为:基于时间-距离图的绿波带优化法,以及基于交通流模拟的效益指标(如饱和度、停车次数、延误及行程时间等)优化法。根据适用的交通流状态的不同可以分为:面向非饱和交通流的区域协调控制,以及面向饱和交通流的区域协调控制。一般来说,绿波带法比较适用于非饱和交通流下的协调控制,饱和度的优化适用于瓶颈区域的协调控制。另外,相对于传统数据采集及通讯模式下的交通信号控制,面向车路协同的交通信号控制近年来引起了广泛的关注和研究,代表了未来交通信号区域协调控制的发展趋势。本文以城市道路交通路网为研究对象,对面向交通均衡的交通信号区域协调控制进行了深入的研究,分别从面向非饱和交通、面向饱和交通和面向车路协同环境三个方面构建自适应区域协调控制模型,实现区域交通参数(交通饱和度或绿波带宽)均衡,开展了相关的研究工作,并提出了一些有效的解决方案。本文的主要工作及创新点包括:(1)针对现状应用中的定点检测器数据在准确判断交通状态方面未能充分发挥作用的问题,提出了一种基于栈式自编码模型的交叉口交通状态估计算法。基于深度学习思想,利用堆栈式降噪自编码器实现交通状态的估计。相比于传统方法,该算法具有非参特性,与交通的模糊性和不确定性更为契合,更加适应于基于交通定点检测数据的交通状态估计任务。实验结果表明,与决策树模型相比,堆栈式降噪自编码算法对畅通、拥挤、阻塞三种交通状态的判断精度更高,具有较好的分类效果和实用价值。通过本文方法对路网进行交通状态评估,可以判断路网是否处于饱和状态,进而为非饱和或饱和路网下不同控制方法的启用提供了判别基础和依据。(2)针对非饱和交通状态下路网层面的绿波协调控制问题,提出了一种将路段带宽控制在均衡范围内的、基于双层模型的交通信号网络绿波协调控制方法。第一层为战略层,对路网所有干线的绿波带建立统一的混合整数线性规划方程簇,以绿波带宽均衡为基本约束条件,根据距离、周期、带宽三原则,在方程簇求解的同时进行控制子区动态划分,进而得到路网的战略层面的交通信号配时参数(周期,相位差和相序),战略层算法每N个信号周期执行一次。第二层为战术层,以相位流量为输入,以延误最小化为目标,基于强化学习算法调整绿信比,战术层算法每个信号周期执行一次。相比于传统算法,该算法可以在将路段带宽控制在均衡范围内和延误最优化的情况下,实现路网整体层面的双向非对称绿波协调控制。在实际场景中的应用结果显示,本文提出的方法在功能和性能上取得了有效的提升,并且达到了绿波带宽均衡的目标。(3)针对饱和交通状态下路网层面的瓶颈区域控制问题,提出了一种将相位饱和度控制在均衡范围内的、基于灰色强化学习的交通瓶颈区域信号控制方法。首先,采用概率灰数表达具有区间不确定性的交通饱和度和交通服务水平,把“将交叉口各相位饱和度控制在均衡范围内”这个控制目标转化为“将交叉口各相位灰色状态控制在最优灰数值附近”。其次,采用灰色强化模型寻求最优交通信号放行方案,避免了交通流特征与信号配时方案之间的复杂函数关系推导。此外,在强化学习训练过程中,采用神经网络作为强化函数的参数存储模型,避免了所谓的“维数灾难”,提高了模型的泛化能力。实验结果显示,相比于传统的定时控制,所提出的方法可以有效地降低路网中的车均延误,方法具有较强的鲁棒性,并且达到了饱和度均衡的目标。(4)针对未来车路协同环境下的交通信号区域协调控制问题,提出了一种将相位饱和度控制在均衡范围内的、基于网格化和动态规划的交通信号区域协调和诱导协同的控制方法。首先,将路网区域进行网格化建模,使得输入的参数和输出的预测状态可以离散化,适合于并行计算;采用概率灰数描述车辆位置,提高了算法的精度。其次,采用动态规划模型描述控制过程,设计了交通信号控制方案与推荐路径协同优化的迭代更新算法。实验结果显示,相比于传统的定时控制和感应控制,所提出的方法可以有效地降低车辆的在路网中的车均旅行时间和车均延误,并且达到了交通流均衡的目标。