在大数据时代来临之前,已有交通信号控制系统的输入数据主要来源于固定检测装置,这些信息非常有限、离散、孤立和滞后,导致基于这些数据预测的交通流特征与实际相去较远;因此,基于它的交通信号控制配时方法即使再智能也难以真正高效、稳定地对交通流的变化实施响应。传统交通信号控制优化遇到了难以逾越的效率瓶颈。随着车联网技术的发展,基于实时获取的海量车辆轨迹大数据融合交通信号控制的输出反馈数据(车辆延误、排队长度和排放等)为构建智能交通信号控制系统提供了新思路。本文研究基于车联网数据构建能够反映交通流短时变化特征的动态交通流模型,以及基于动态交通流模型构建城市交通信号自适应控制模型和算法等关键核心理论问题,为建立新一代基于车联网环境的智能交通信号配时优化理论与方法奠定前期基础,以响应未来交通管理与控制的需求。具体来讲,本文的研究工作主要有以下几个方面:(1)搭建了车联网微观仿真环境,验证后文的控制模型和算法。首先,分析了车联网环境的设置和技术特征。其次,得出了交通信号控制对车联网技术的要求。最后,采用Vissim和MATLAB开发了车联网仿真平台,其中,Vissim用于微观交通仿真,MATLAB用于实现文中模型和算法。(2)构建了车联网环境下的动态车队离散模型。基于车联网数据提取的车辆行程时间和行程速度信息,构建了动态车队离散模型。首先,采用车联网数据动态估计模型参数,基于经典的Robertson车队离散模型,构建了动态Robertson车队离散模型。其次,考虑交通流的异质性,构建了车辆网环境下的动态异质交通流车队离散模型。与现有静态模型相比,动态模型更能反映交通流的动态变化特征。(3)构建了基于动态车队离散模型的单交叉口信号配时优化方法。针对动态车队离散模型预测时间区间长度的不同,提出了不同的配时优化方法。当预测时间区间长度较短时,提出了基于Stage/Barrier信号配时优化方法,并设计了动态规划算法求解模型。该方法可根据动态车队离散模型预测的车辆到达信息,实时优化交叉口的信号配时方案。当预测时间区间较长时,提出了基于动态周期的信号配时优化方法,该方法采用遗传算法动态优化交叉口的信号配时方案。与传统的控制模型相比,这两种方法均能有效地减少车辆的延误,还能确保交叉口各个方向的延误均衡。(4)构建了基于动态车队离散模型的干道协调控制优化方法。首先,分析了干道协调控制中的相关约束,建立了路口和路段同步动态优化模型。其中,在路口优化层面:在上文单交叉口优化模型的基础上考虑搭接相位,构建了新的优化模型,并基于滚动优化策略设计了新的求解算法。在路段层面:在动态车队离散模型的基础上,分析了路段的延误效用函数,构建了路段动态相位差优化模型。最后,讨论了动态协调控制优化框架,通过与感应协调控制比较,证明了动态协调控制优化模型的优化效果。上述研究成果有利于车联网环境下的城市交通信号自适应控制系统的探索,进一步促进城市交通系统管控的智慧化,为未来城市交通信号控制奠定了理论基础。