研究论文

开放式访问

支持SDN的量化LQR用于智能交通灯控制器优化拥塞

作者:

阿努吉萨坎,

尼特西（Neetesh）古玛作者信息和声明

ACM互联网技术交易,体积24,问题1

文章编号：7，页数1-25

https://doi.org/10.1145/3641104

出版:2024年2月22日出版历史

PDF格式电子阅读器

摘要

城市现有的交叉口管理系统无法满足当前的自我配置、轻量级计算和软件定义控制的要求，而这些都是拥挤的道路-车道网络所必需的。为了满足这些要求，本工作提出了有效、可扩展、多输入和多输出的概念，支持拥堵预防的交叉口管理系统，利用软件定义的控制接口，不仅可以定期监控交通以防止拥堵，从而最大限度地减少排队长度和等待时间，还可以实时提供计算效率高的解决方案。为了有效的交叉口管理，设计了一种改进的线性二次调节器，即量化线性二次调整器（QLQR），以及支持软件定义网络（SDN）的控制接口，以最大化吞吐量和车辆速度，并最小化交叉口的排队长度和等待时间。实验结果表明，对于不同的性能指标，即平均队列长度、平均等待时间、吞吐量和平均速度，所提出的SDN-QLQR分别提高了24.94%–49.07%、35.78%–68.86%、36.67%–59.08%和29.94%–57.87%的比较性能。

1引言

交通灯控制系统设计一直是智能交通系统（ITS），考虑到人工智能（AI）,软件定义网络（SDN）通信（5G/6G）和计算（云/雾/边缘计算）技术以及智能城市基础设施[1]. 考虑到不同的场景，研究人员提出了几种红绿灯控制方法。一般来说，控制策略大致分为两大类：（i）定时策略和（ii）交通响应策略[40]. 信号城市区域内的历史交通需求决定了分阶段固定时间政策的持续时间。尽管固定时间策略的阶段持续时间具有固定值，但它无法处理实时交通状况的动态。针对固定时间控制策略的局限性，使用交通响应型红绿灯控制策略根据实时交通状况优化信号配时。实际上，驱动式红绿灯信号控制是控制交通响应信号的最常见和最有效的方法[42]. 一旦检测到车辆，启动控制将通过行驶时间增加相位时间，直到达到允许的最大绿色相位持续时间[40].

图1。

传统使用的集中式体系结构缺乏可扩展性，并且存在单点故障，这需要在非虚拟化基础架构中维护成本高昂的备份[7]. 为了克服这一点，我们探索了分散的体系结构[8].去中心化体系结构（DA）提供可扩展的体系结构，但由于缺乏可编程控制和同步开销，因此操作、通信、维护和管理成本较高[8]. 此外，由于大规模部署的同步开销，DA在协作决策过程中经历了严重的延迟[6]. 因此，分散或集中控制体系结构不足以提供可管理、可扩展和经济高效的解决方案。为了克服这些传统架构的局限性，一种称为SDN架构的新范式被用作车辆通信网络的网络原型，该网络提供全球覆盖、低维护、可编程控制接口、虚拟基础设施部署和自动配置功能[29,31]. 此外，基于SDN的架构也被部署为混合架构，以利用这两种架构的互补优势[25]. 最近，a线性二次调节器（LQR）引入了基于交通控制系统模型的交通延误最小化方法[41,43]. 然而，现有技术的局限性，包括交叉口管理系统的LQR，如下所示：（1）现有交叉口管理体系基于分散或集中方法；分布式控制器由于缺乏自动配置和可编程控制功能而具有较高的维护和管理成本，集中式控制器由于单点故障而缺乏可扩展性。（2）基于LQR的方法已被证明对红绿灯控制有效，然而，基于LQRs的控制器在本地管理交叉口，并且控制信号仅按固定比例间隔散开，如果考虑到车辆之间的优先级和异质性，这可能会导致饥饿状况。（3）当前基于LQR的交叉口管理系统根据当地交通决策对交通进行路由，没有考虑交通负荷失衡，这会导致城市某些地区的交通堵塞。为了克服上述限制，本研究提出了一种支持SDN的改进型LQR，即。，量化LQR（SDN-QLQR）交叉口管理系统和SDN-QLQR的显著贡献如下：

–

为了克服集中式和分散式体系结构的局限性，基于SDN的体系结构（图1)提出了一种SDN控制器（位于控制平面）从每个十字路口（位于数据平面）实时采集车辆动态，即速度、等待时间、吞吐量等，并平衡交通流，防止城市拥堵。

–

为了考虑异质性，针对每种类型的车辆，提出了一种优先权分配方法。因此，在交通灯控制决策中，车道优先权权重与最新方法中使用的车辆数量进行了对比，并通过一组实验对其有效性进行了严格分析。

–

为了在每个十字路口本地生成红绿灯控制信号，提出了QLQR，通过接收SDN控制器的反馈生成控制信号（R/Y/G）。QLQR以量子的形式生成控制信号，以克服饥饿状况。

–

为了防止拥塞和平衡流量，SDN模块在云端部署了一种算法，定期监控车辆流量，并根据车辆动态和交通状况计算阈值以确定拥塞。基于阈值，它向各个十字路口生成拥堵预防信号。

–

为了评估SDN-QLQR的性能，使用城市交通模拟（SUMO）模拟器[17]. 将拟议的SDN-QLQR与最先进的方法进行比较，即LQR[38],最大压力（MP）[24],动态红绿灯控制器[22]、和自组织红绿灯[9]. 随后，还将SDN-QLQR与其他基于SDN的TLC方法进行了比较，即。，SDN利用深度强化学习（SDN-DRL）[20]、和启用SDN的量化最大压力控制器（SDN-QMPC）[29]所得结果证明了其有效性。

文章组织如下：第节介绍了相关工作2在交叉口管理系统领域。在节中三提出了问题陈述和解决方法。在节中4，描述了所提出的SDN-QLQR红绿灯控制框架。在节中5描述了基线方法和基于仿真的设置。第节介绍了对拟议工作的实验分析6，考虑到不同车辆的到达率，与同线最先进的方法进行比较，并与其他基于SDN的TLC方法进行比较。最后，第节给出了结论和对未来工作的建议7.

2相关工作

瓦莱亚[37]提出了MP-驱动的红绿灯控制策略，需要对道路车道的排队长度进行估计。MP-driven控制器的显著优点是：（i）交通量估计是按照分布式方法分布在交叉口上的；（ii）不需要预先了解交通需求；以及（iii）只要网络处于某些假设下，就可以在任何控制下建立平衡。随后，Barman等人。[4]提出了一种循环MP控制器，用于确定车辆流量增加时的总循环长度。这项工作的主要缺点是没有考虑先进先出的流量模式。Cools等人。[9]提出了一种利用SOTL的交通信号控制方法。与传统的定时控制器相比，该方法是有效的。使用神经网络开发交通信号控制方法的工作也很少[5,35]，其中一些是基于模糊逻辑的控制[15,30]，其中一些是基于强化学习[19,26]，其中一些基于深层强化学习控制[28,39]. 这些模型是为了根据各种参数（如交通延误、吞吐量、平均速度、能耗等）优化红绿灯控制信号[16]. 由于其复杂性、高性能可变性和特定的硬件要求，这些系统在使用基于轻计算的物联网设备的实时实现中没有被广泛采用。

用于网络级交通管理的一些最常用的交通响应信号控制系统包括：（i）悉尼协调自适应交通系统（SCATS）[32]，（ii）分裂周期偏移优化技术（SCOOT）[14]和（iii）交通响应型城市控制（TUC）[18]. SCATS和SCOOT都集成了一个网络模型，该模型以实时交通数据为输入，并计算车辆停靠总数作为输出。TUC公司[21]运用LQR理论对城市网络交通进行建模。此外，Hong Wang等人。[38]还提出了一种利用校准VISSIM模型的自适应线性二次调节器。该模型识别了不确定的系统动力学，能够处理由交通模式和环境波动引起的系统不确定性。然而，该算法存在调节器周期长度固定和饥饿的问题[三]. 为了克服这些问题，本研究提出了一种基于SDN-QLQR的交通灯控制器，并引入了时间量子和LQR的概念。拟议的QLQR具有以下属性：（i）低处理复杂性；（ii）低通信和计算开销；（iii）精确有效地控制交通信号；（iv）低部署成本。此外，SDN组件通过有效的可编程接口处理拥挤的十字路口。

3问题陈述和解决方法

该研究通过考虑车辆之间的异质性、拥挤区域和车道上车辆交通分布的不平衡性，确定了一个动态红绿灯调度问题。通过提出一种基于SDN的量化线性二次调节器模型，即SDN-QLQR，也解决了同样的问题。考虑到实时通信、车辆之间的异质性、密集的十字路口网络、频繁的不确定车辆动力学和意外拥堵，所识别的问题变得复杂。拟议架构的图形可视化如图所示1一般来说，它分为两个主要步骤；首先，通过车辆网络收集相关的车辆交通参数，即车辆类型、数量、ID、速度、等待时间等[11]. 为此，假设RSU/OBU、RFID传感器等部署在环境中，如图所示1将提出的基于QLQR的算法模型部署在Raspberry Pi/Nvidia Jetson（边缘计算）设备上，计算通过传感器接收到的原始数据，以获得车辆交通状态和其他相关交通参数，如参考文献中所述的车速、排队长度、等待时间[36]. 通过使用该输入，在步骤1中，QLQR模型做出关于R/G/Y相位持续时间的红绿灯控制决策。假设所有十字路口都配备了基于QLQR的算法模块，这些模块可以在所有十字街头并行工作。QLQR基于LQR模型；选择LQR是因为它在控制设计方面比其他控制策略具有显著优势：（i）LQR基本上是一种自动寻找合适状态反馈控制器的方法；（ii）LQR对意外干扰、不确定性和误差建模具有鲁棒性；（iii）LQR是一种基本的最优控制策略，与系统参数估计相结合时可以自适应。拟议的QLQR以量子的形式产生交通灯控制信号，为每条车道提供公平的机会，避免饥饿。

第二步，建立支持SDN的车辆网络。SDN控制器定期与十字路口交互，以监控城市的拥堵水平。如果根据建议的阈值策略识别出拥堵的十字路口，则SDN控制器会向相应的十字街发送拥堵预防信号，以最大限度地增加流出量，最大限度地减少流入量。否则，通过遵循QLQR模块生成的红绿灯控制信号来管理交通流。SDN控制器位于云服务器上，如图所示1.

通常，红绿灯控制器会生成三个控制信号：黄色（Y）,绿色（G）、和红色（R）。单个红绿灯无法管理来自各个方向的交通流，因此必须在十字路口部署多个红绿灯并同步工作。十字路口的红绿灯必须定时，以保持来自多个方向的非冲突流量。信号（R/Y/G）保持亮起的时间间隔称为相位持续时间。在每个十字路口，所有相位都必须周期性地改变，这就是所谓的周期，并不断重复。在红色信号阶段，不允许车辆通过，而在绿色信号阶段，相应车道上的车辆有优先通行权。本研究的目标是生成考虑城市相对高拥堵区域的红绿灯控制信号，平衡交通流，同时优化几个服务质量参数，如吞吐量、速度、排队长度和每个十字路口的等待时间，通过计算基于车辆异质性的分配优先车道负荷。

4建议SDN-QLQR软件模型

4.1系统模型

本小节利用图形对城市中的车道集和交叉口集进行建模\（G（J，E）\）。顶点表示城市网络中道路交汇处的交叉口集\（J\in\mathbb{右}_{\ge 0}\）(\（\mathbb{右}_{\ge 0}\）是一组非负实数）。边缘E类表示由有序对表示的车道集\（E中的（p，q））车辆在输入节点处进入十字路口，其表示为\（I_｛（p，q）｝\）。输出节点由\（O_{（p，q）}\）车辆离开十字路口。所构造的图是有向图。

A类细胞传输模型（CTM）用于描述每条车道上的队列长度。它是关键交通流参数之间关系的离散时间状态空间公式。排队长度由车道上任何时候的车辆总数决定，表示为\（QL（t）\in\mathbb{Z}（Z）_{\ge 0}\）.地点\（\mathbb{Z}（Z）_{\ge 0}\）是一组非负整数。交通流量由给定时间内接近交叉口的车辆总数决定，表示为\（IF（t）\in\mathbb{右}_{\ge 0}\）。交通流量由给定时间内离开十字路口的车辆总数决定，表示为\（OF（t）\in\mathbb{右}_{\ge 0}\）.

交通流量流出\（属于^J_{{O}{（p，q）}}（t）\）可以计算如下：

\开始{等式}OF^J_{O}{（p，q）}}（t）=\min\left（QL^J_}（p、q）}（t），MOF^J_｛（p和q）}\left！，\结束｛方程式｝

(1)

哪里\（财政部^J_{（p，q）}（λ^J_}（p、q）}（t））是车道的最大交通流出率\（（p，q）\）在十字路口J给定绿色相位持续时间\（λ{（p，q）}）时间t吨.最大流出率\（财政部^J_{（p，q）}（λ^J_}（p、q）}（t））由红绿灯和车道通行能力决定。

交通流量\（IF^J_{I_{（p，q）}}（t）\）可以计算如下：

\开始｛方程｝如果^J_｛I｝｛（p，q）｝｝（t）=\sum_｛（p^｛\prime｝，q^｛\prime｝）\在I_｛（p，q）｝｝中^｛J^｛\prime｝｝_｛O｝｛（p^｛\prime｝，q^｛\prime｝）｝｝（t），\结束｛方程｝

(2)

哪里\（I_{（p，q）}\）是一组道路\（（p^{\素数}，q^{\素}）\）进入道路\（（p，q）\）在交叉点J、和\（OF^{J^{\素数}}_{{O}{（p^{\素}，q^{\质数}）}}（t）\）是道路的交通流量\（（p^{\素数}，q^{\素}）\）在交叉点\（J^{\prime}\）.队列长度\（QL_{（p，q）}（t+1）\）可通过以下一阶差分方程得到：

\开始{方程}QL_{（p，q）}（t+1）=QL_{（p，q）}（t）+H-p，\结束{方程}

(3)

\开始{方程*}H=\sum_{c=1}^{n}权重{IF_c}（t）

哪里\（总和{c=1}^{n}权重{IF_c}\）是在此期间进入队列的车辆重量之和t吨、和\（总和{d=1}^{m}权重{OF_d}\）是在此期间离开队列的车辆重量之和t吨.

随后平均队列长度(水溶液)在任何十字路口计算为

\开始{方程式}\开始｛对齐｝AQL_{结}（t+1）=n}中的和{k}（t+1），结束{对齐}方程}

(4)

哪里n个表示十字路口交叉道路的数量，以及N个表示车辆总数。在此之后，等待时间\（重量{（p，q）}（t+1）\）车辆更新为

\开始{方程式}\开始{对齐}WT_{（p，q）}（t+1）=\frac{[QL_{（p，q）{（t）\times车道长度]}{[IF_{{我}_{（p，q）}}（t）-OF_{{O}（O）_{（p，q）}}（t）]}。\end{aligned}\end{equation}

(5)

之后平均等待时间(AWT（AWT）)在任何十字路口的计算如下：

\开始{方程式}\开始{对齐}AWT_{结}（t+1）=n}左侧的总和{k}（t+1）}右侧）。\end{aligned}\end{equation}

(6)

获得的水溶液和AWT（AWT）基于该系统模型进行计算。这些参数用作QLQR和SDN控制器的状态。在此之后，QLQR生成了相位持续时间。生成的相位持续时间用于更新红绿灯相位。

4.2逻辑流程

图2显示了拟议SDN-QLQR的逻辑流程。它以实时车辆动力学作为输入开始。根据此输入实时流量参数提取器模块提取有用的流量参数，例如车辆标识(VID（个人识别码）),平均速度(AS公司)、车辆类型等。然后，使用车道重量计算器模块(\（重量{车道}\）)、车道平均等待时间(\（AWT_{车道}\）)以及道路车道的平均排队长度(\（AQL_{车道}\）)考虑到车辆之间的异质性，计算了参数。这些参数同时发送到SDN和QLQR组件。

图2。

在QLQR组件中\（QLQR（）\）模块计算线性化系统参数矩阵(\（A（t_j）\）和\（B（t_j）\）)在\（j{\text{th}}\）结与状态反馈增益矩阵(\（K_j\）)使用方程式(8)和(9). 之后，量子值\（u（t_j）\）计算公式为诊断总和(\（K（t_j）\）).如果\（u（t_j）\）等于0，则调用公式(10); 否则，它将调用方程式(11). 同时，\（u（t_j）\）转发给设置相位持续时间（SPD）模块。

同时，SDN组件启动其一个模块，阈值计算器，它计算阈值(\（S_j\）)，以防止城市拥堵和平衡交通。参考研究人员[2]建议将平均队列长度、速度和延迟作为量化拥塞的主要参数。因此，将所有三个参数都考虑在内，以估计拥塞值。如果\（_）大于预定义阈值(\（\增量\）)，然后调用拥塞预防信号计算器模块生成拥堵预防信号; 否则，它会产生无变化信号。相同的信号被发送到消息发送/接收模块，以相应地管理流量。

这个拥堵预防信号包括相应十字路口及其相邻十字路口的新相位持续时间。控制平面和数据平面之间的所有消息通信都由SDNC的发送/接收模块控制平面利用数据平面接收队列长度、等待时间和速度信息。根据此信息，控制平面计算拥塞值并确定拥堵预防信号需要发送到红绿灯控制的SPD模块。如果拥塞值高于预定义阈值，则控制平面发送拥堵预防信号SPD模块根据量子值调整红绿灯相位持续时间，并在信号中接收新的相位持续时间。随后，SPD模块生成红绿灯控制信号（R/Y/G）作为输出。

4.3算法描述

算法1:QLQR以算法中出现的输入开始1可以看出，在进入算法程序之前，\（Q={Q}^T\gt 0）和\（R={R}^T\gt 0\）作为单位矩阵(我)具有相应的尺寸，其中问是州成本加权矩阵，以及R（右）是输入-成本加权矩阵。在第1行中，j是回路变量(\（0\le j\le j-1）). 接下来，在第2行中，为\（j{\text{th}}\）结，即。，\（t_j）初始化为0，道路车道变量k个也初始化为0。接下来，\（T_j）固定为60 s，即循环阶段持续时间\（j{\text{th}}\）接合。下一步，如果\（（t_j\%t_j）==0），QLQR进入其执行循环以获得最大数量的模拟步骤。之后，在第6行中，车辆标识，即。，\（VID_j（t_j）\）在\（j{\text{th}}\）时间戳处的连接\（t_j）计算方法为\（获取车辆列表（N_j）\），其中\（N_j\）是处于的车辆总数\（j{\text{th}}\）接合。在进行进一步的步骤之前，在第7行中，权重矩阵，即。，\（W{矩阵}_j（t_j）\）计算方法为\（权重计算（N_j，VID_j）\）时间戳\（t_j），算法中给出了相同的定义2。接下来，针对\（k{\text{th}}\）公路专用车道水溶液和AWT（AWT）使用方程式计算(4)和(6)分别是。在这里，k个是环路变量，用于表示\（j{\text{th}}\）连接(\（0\lek\len_{j-1}\）)、和\（n_j\）是\（j{\text{th}}\）接合。在第9行中，水溶液对于\（k{\text{th}}\）车道位于\（j{\text{th}}\）使用公式计算连接(4). 之后，\（AQL_{j，k}\）然后插入到矩阵B的对角线中，该对角线被可视化为

\begin{等式*}B（t_j）=\begin{bmatrix}AQL_{j，0}&\dots&0&\\vdots&\ddots&\ vdots\\0&\ dots&AQL_}{j，k}\end{bmatricx}。\结束{方程式*}

之后，在第11行，AWT（AWT）使用公式计算(6).

之后，\（AWT_{j，k}\）然后插入矩阵A的对角线，如下所示：

\begin{等式*}A（t_j）=\begin{bmatrix}AWT_{j，0}&\dots&0&\\vdots&\ddots&\ vdots\\0&\ dots&AWT_{j，k}\end{bmatricx}。\结束{方程式*}

现在，系统参数矩阵\（A（t_j）\）和\（B（t_j）\）根据每个时间戳的第9-12行进行估算(\（t_j）). 在此之后，在管路13中\（k｛\text｛th｝｝\）道路车道\（j{\text{th}}\）连接(\（X_{j，k}\）)基于水溶液和AWT（AWT），计算如下：

\开始{方程式}\开始{对齐}X_{j，k}=\ chi\乘以AQL_{j，k}（t_j）+\ zeta\乘以AWT_{j，k}（tj），\ end{对齐}\ end方程式}

(7)

哪里\（\池\）和\（ζ）分别是队列长度和等待时间因素。然后，状态反馈增益矩阵\（K（t_j）\）通过求解以下一阶非线性微分方程即Riccati方程得到[33]，对于矩阵\（S（t_j）=S ^t（t_j和\（K（t_j）\）同时：

\开始{方程式}\开始{对齐}{\bf Q}+{\bfA}^T（T_j）{\bf-S}（T_j

(8)

\开始{方程式}\开始｛对齐｝K（t_j）={{\bf B}^ t（t_j。\end{aligned}\end{equation}

(9)

现在，量化时间\（u（t_j）\）通过将矩阵的所有对角元素相加来计算\（K（t_j）\）.如果\（u（t_j）==0），然后

\开始{方程式}\开始{对齐}u（tj）=u（tj

(10)

其中，附加值，即。，\（\phi\），作为校正系数添加。该系数的值可以根据每个单独交叉口的结构进行调整。否则，

\开始{方程式}\开始{对齐}u（t_j）=（-1/u（t_j））+φ。\end{aligned}\end{equation}

(11)

在此之后，在第22行中，最大压力车道(\（X _ m \）)和相应的车道指数(印度)是估计的。在此之后，在第23行中，通过使用设置相位持续时间来更新红绿灯相位\（设置阶段持续时间（u（t_j），{X_{j，k}}，X_m，ind，n_j，t_{j}）\），算法中给出了相同的定义三。接下来，将流量参数发送到控制服务器（CS）使用\（SndMsgToCS（AWT_j、AQL_j、AS_j、T_j）)，根据这些参数，SDN-Controller计算新的\（T_j）由\（j｛\text｛th｝｝\）连接，其定义在算法中给出4.之后\（t_j）增量为1。根据模拟步骤的数量重复该过程。

算法2:权重矩阵(\（W{矩阵}j（t_j）\）)与路口的车辆相对应的\（权重计算（N_j，VID_j）\）.进入前对于循环，\（W{矩阵}j\)初始化为空的、和我初始化为0，其中我是循环变量(\（0\le j\le N_j-1）),\（N_j\）是\（j{\text{th}}\）接合。进入后对于循环，\（l_i\）使用接收车辆类型\（车辆.getTypeID（VID_{i，j}）\）与车辆ID对应的功能，即。，\（视频{i，j}\）接下来，在\（如果\text{-}其他\)条件下，估计每个车辆类别的优先权，并将其附加到权重矩阵中，即。，\（W{矩阵}j（t_j）\）利用车辆特定重量系数，其中\（W{fb}，W{t}，W{b}、W{a}、W{p}，\）和\（W_{o}\）分别表示Fire_brigade、Truck、Bus、Ambulance、Police和其他类型车辆的权重系数。有了这个\（W{矩阵}j（t_j）\）生成。

算法三: \（设置阶段持续时间（u（t_j），{X_{j，k}}，X_m，ind，n_j，t_{j}）\）用于更新/设置红绿灯控制信号相位（绿色/黄色/红色）持续时间。在这里，k个是循环变量(\（0\le k\le n_j-1）)表示\（j{\text{th}}\）连接，以及其中\（n_j\）是\（j{\text{th}}\）接合。在第4行中，计算量子槽的总数\（k{\text{th}}\）车道，用于\（j｛\text｛th｝｝\）连接并存储在\（QT_{计数}[k]）\）使用断言，每条车道的交通信号相位（绿色/黄色/红色）持续时间按比例更新/设置。对于最大压力通道，分配两个量子，剩余的其他通道，按照迭代方法分配一个量子槽。In算法三给出了详细的伪码。在从一个相位切换到下一个相位（红色/绿色）之前，黄色相位的持续时间设置为3秒，这表示即将发生相位切换。只有当所有量子槽计数之和为零时，此迭代过程才会停止。

算法4:SDN控制器通过接收流量参数开始执行，即。，\（AWT_j、AQL_j、AS_j\）、和\（T_j）从\（j{\text{th}}\）接合。常量在第1行到第4行中初始化，但其值可以根据应用程序的特定要求进行修改。这些价值观取自我们以前的工作[20]，其中我们进行了详细的研究以确定这些值。接下来，对于\（j{\text{th}}\）接合，\（NAWT_j\）,\（NAQL_j\）、和\（NAS_j\）计算，其中\（NAWT_j\）,\（NAQL_j\）、和\（NAS_j\）分别是平均等待时间、平均队列长度和平均速度的标准化值。遵循这些参数，\（S_{j}\）计算如下：

\开始{方程式}S_{j}=\alpha\乘以NAWT_j+\beta\乘以NAQL_j-\gamma\乘以NAS_j，结束{方程式{

(12)

哪里\（\阿尔法\）,\（测试版）、和\（伽玛射线）分别是等待时间、队列长度和速度因素。如果\（S_j\ge\delta，\）然后\（T_j）增加了\(25\%\)属于\（T_j）、和\（T_l\）对于它\（l{\text{th}}\）相邻交叉点减少了\(25\%\)属于\（T_j），其中\（0\le l\le|邻居|-1\）最后，分别\（T_j）发送回\（j{\text{th}}\）它在其中执行的连接。

4.4 LQR和QLQR对基本假设的理论分析

为了对提议的QLQR方法进行理论分析，每个基本组成部分和条件解释如下：

–

该系统由以下状态空间方程表示[34]，通常在连续时间内：

\begin｛方程*｝\dot｛x｝（t）=Ax（t）+Bu（t）。\结束{方程式*}

在这里，\（x（t）\）是状态向量，并且\（u（t）\）是控制输入。A类和B类是线性化的系统参数矩阵。

–

成本函数[34]定义如下：

\开始{方程式*}\Im=\int_0^{\infty}（x^T Qx+u^T Ru）dt。\结束{方程式*}

这里，两个问和R（右）矩阵被设置为单位矩阵，以便为状态和控制输入提供同等重要性。

–

LQR控制律[27]由给定

\开始{方程式*}u（t）=-K（t）x（t），结束{方程式**}

哪里\（K（t）\）是状态反馈增益矩阵，通过求解以下代数Riccati方程计算得出[33]:

\开始{等式*}{Q（t）}+{A}^t（t）{S}（t）

\开始{方程*}K（t）={B}^t（t）{S}（t）}B}

其中两个矩阵\（A（t）\）和\（B（t）\）是具有非负对角元素（零或正）的对角矩阵，这意味着\（A（t）\）和\（B（t）\）要么为零，要么有正实数部分。在我们的案例中，\（A（t）\）和\（B（t）\）矩阵包含以下值AWT（AWT）和水溶液，这些是非负值。此外，对称矩阵\（S（t）\）通过以下假设进行利用\（S（t）=S ^t（t）\gt 0），确保矩阵\（S（t）\）是正定的[10].

假设：矩阵的正定性\（S（t）\）在Riccati方程中确保系统是稳定的。

证明：已经确定A类,\（｛A｝^T\）,B类、和\（{B}^T\）要么为零，要么有正实数部分。因此\（S（t）\gt 0\），在中\（{A}^T（T）{S}（T）和\（{A}^T（T）{S}（T）确保这些输出在代数Riccati方程中是正定的。此外\（S（t）\gt 0\）在的表达式中\（K（t）\）也有助于积极明确。因此，矩阵\（S（t）\）在Riccati方程中取正定，保证了系统的稳定性。

在此之后，LQR基于我们遵循的假设建立了其稳定性。QLQR代表了LQR的改进版本，确保创建QLQR的任何假设都不会违反LQR基本原则。因此，这些假设也支持QLQR控制策略生成量化时间的数学有效性。

4.5了解系统的示例

为了更好地理解所建议模型的方法，让我们考虑一个四向十字路口的场景。初始循环阶段持续时间(T型)设置为60秒。在东车道，有五辆车：E1、E2、E3、E4和E5；在北车道上，有三辆车：N1、N2和N3；在西线，有四辆车：W1、W2、W3和W4；南车道有四辆车：S1、S2、S3和S4。表1描述了车辆类型及其相应的重量系数。SDN-QLQR的行为高度依赖于分配给车辆的优先级权重，因为它是为异构场景设计的。考虑到典型的局部场景，建议根据车辆优先级分配车辆重量。现在，可以观察到，就车辆重量而言，东线的排队长度为28，北线为14，西线为21，南线为36。假设所有车道上所有车辆的等待时间为1s。现在，使用以下等式计算每条道路的压力(7). 东、北、西和南车道的压力分别为8.8、4.6、6.7和11.2。此外，我们使用队列长度和等待时间来估计A和B矩阵。LQR方法使用等式生成量化时间(8)–(11). 东、北、西和南车道的近似量化时间分别为8.03、4.07、7.04和12.02秒。使用此量化时间和具有最大压力的车道，算法三确定每条车道的相位。首先，南车道接收到约24.04秒的绿色信号相位持续时间，在此期间S1、S2、S3和S4将被允许通过。同时，所有其他车道的红色信号相位持续期为24.04秒，这意味着在接下来的24.04秒内不允许车辆通过。同样，所有车道都将遵循相同的原则。此外，信息会定期发送给Algorithm4，用于为相应的十字路口生成拥堵预防信号。重复相同的程序，直到所有车辆都通过十字路口。

表1。

车道	车辆	车辆类型	车辆重量
东部	E1级	警方	5
	E2级	公共汽车	6
	电子3	小型车	4
	E4类	卡车	三
	E5型	救护车	10
北方	N1型	警方	5
	氮气	卡车	三
	N3号机组	公共汽车	6
西部	第1周	小型车	4
	第2周	小型车	4
	第3周	消防平台（_B）	10
	W4型	卡车	三
南方	S1（第一阶段）	救护车	10
	S2系列	救护车	10
	第3页	消防平台（_B）	10
	S4系列	公共汽车	6

表1四路交叉口方案

5基线方法和基于仿真的设置

本节简要概述了用于比较研究的最新基线方法。

5.1基线方法

5.1.1线性二次调节器。

LQR公司[38]控制是一种通过改善信号配时来显著减少交叉口拥堵的新方法。LQR控制是一种反馈控制策略，它利用线性二次型成本函数来减少系统的控制和状态努力。实时交通信息用于修改LQR控制器，使其能够根据不断变化的交通情况进行调整。因此，将LQR控制调整为相位持续时间，以改善交叉口的交通流。通过这种方式，本文提出了一种新的LQR控制方法，用于优化城市交通网络中的交通信号。这项工作的主要挑战是，它没有考虑车辆之间的异质性，并且具有固定的循环长度持续时间。

5.1.2最大压力。

最大压力交通控制系统是一种分散控制算法，用于优化信号交叉口的车辆交通流[24]. 在这项工作中，研究了最大压力控制器在模拟交通网络中的性能。在这项研究中，作者发现，与固定时间控制器相比，最大压力控制器大大减少了网络中的总行程时间。最大压力控制器还提高了车辆在十字路口的吞吐量和行驶时间。

5.1.3动态红绿灯控制器。

DTLC公司[22]是一种不考虑车辆异质性且具有固定循环长度持续时间的红绿灯控制方法。部署DTLC有三种方法：flow、WT和random。在基于流量的方法中，指示灯根据进入十字路口的车辆数量变为绿色。在WT进近中，等待时间最长的车道的灯变为绿色。在随机进近中，每条车道都有一个动态控制器，用于记录当前红灯阶段通过的车辆数量。当车辆数量超过阈值时，该车道的灯变为绿色，计数器重置为零。

5.1.4自组织交通灯。

SOTL公司[9]是一种用于在多个十字路口之间不进行协调的情况下控制红绿灯的方法。每个红绿灯仅根据当地交通条件生成交通信号。与通常基于固定相位场景的传统红绿灯控制方法相比，这项工作具有更高的效率和适应性。研究人员发现，利用SOTL可以减少拥堵，改善十字路口的交通流量。该方法的主要缺点是仅考虑单个交叉口，无法处理任何交叉口交通流的意外变化。

5.2基于SDN的TLC

5.2.1 SDN利用深度强化学习。

日间行车灯[20]是一种机器学习技术，用于训练代理在复杂环境（如城市地区的拥堵管理）中学习最佳策略。这项工作使用DRL代理来最小化拥塞并改善交通流。作者首先收集了数据，如每条道路上的车辆数量、交通速度和交通密度。该数据用于训练DRL代理以生成有效的阶段持续时间。然后，在SDN中使用DRL代理的动作，并部署在控制服务器上，生成交叉口的拥塞预防信号。这项工作的重大挑战[20]是：DRL训练的计算成本很高，而且对训练数据的质量也很敏感。

5.2.2启用SDN的量化最大压力控制器。

SDN-QMPC公司[29]是一种通过计算车辆之间的异质性，以动态时间量子的形式生成红绿灯相位持续时间的方法。这项工作发现，与最大压力算法相比，最大压力算法的量化版本显著减少了车辆网络中的总平均等待时间和队列长度。该方法还提高了交叉口车辆的平均速度和吞吐量。

6实验研究

使用SUMO编制的仿真程序分析了SDN-QLQR的有效性[17]. 通过此仿真，提出的SDN-QLQR模块用Python编程语言实现。SDN-QLQR的性能行为使用多个性能指标进行评估，即AQL、，吞吐量（TP）此外，QLQR与其他具有类似性质的最先进方法进行了比较，即LQR[38]、DTLC[22]，百万像素[24]、和SOTL[9]以验证其性能。

6.1仿真参数和方法

为了实现SDN-QLQR，使用Python对所有模块进行编码，并使用SUMO建立了车辆网络仿真。从OpenStreet获得的瓜廖尔市地图作为.osm文件下载，并使用SUMO内置工具（即网络转换）转换为车道和红绿灯交叉口网络。为了使用Python在SUMO模拟中操纵流量行为，SUMO提供了一个名为交通控制接口（TraCI）使用TraCI，Python可以与SUMO接口，通过用Pythons编写的算法代码在SUMO中实现流量控制。表中列出了SUMO仿真参数2.带参数的二项分布\（\mu\）表示同时到达的最大数量，通过将参数指定为–binnomium，用于在SUMO内置的“Randomtrip.py”Python脚本中生成车辆。的价值\（\mu\）设置为1，用于在网络上生成车辆，可以根据应用程序的要求进行更改。

表2。

SUMO仿真参数	价值
车辆长度	\（5\text{m}\）
警车/救护车的长度	\（7\text{m}\）
公共汽车/卡车/消防车长度	\（10\text{m}\）
自行车长度	\（4\text{m}\）
其他车辆长度	\（4.5\text{m}\）
最大车道速度	\（22.0\text{m/s}\）
汽车/警车最大速度	\（22.22\text{m/s}）
救护车最大速度	\（27.78\text{m/s}\）
公共汽车/卡车/消防车的最大速度	\（16.67\text{m/s}）
自行车最大速度	\（22.22\text{m/s}）
其他车辆的最大速度	\（13.9\text{m/s}\）
所有车辆的最大加速度	0.8\（\text｛m/s｝^2 \）
所有车辆的最大减速度	4.5\（\text{m/s}^2\）
驾驶熟练度(\（\西格玛\）)	0.5
探测器频率	60
两辆车之间的最小间隙	\（2.5\text{m}\）
最大车道数	4
最小车道数	2
道路车道类型	单向
红绿灯交叉口数量	16
地图的纬度	26.161674
地图的经度	78.072584

表2.SUMO模拟交通参数

6.2实验结果分析

6.2.1不同车辆到达率的SDN-QLQR性能行为研究。

通过对不同到达率值进行一系列实验，分析了所提出的SDN-QLQR的行为(\（\mu\）). 通过几个性能指标分析性能行为(AWT（AWT）,水溶液,TP（转移定价）、和AS公司). 数字三（a） –三（d）显示性能指标的结果AWT（AWT）,水溶液,TP（转移定价）、和AS公司分别是。这个X（X）-轴表示剧集（模拟回合数），而Y（Y）-axis表示相应的性能指标。以数字表示三,\（\mu\）=1表示车辆到达率（到达/插入）（一辆/期），\（\mu\）=2表示车辆到达率（两辆/期），\（\μ\）=3表示车辆到达率（三辆/期），以及\（\mu\）=4表示车辆到达率（四辆/期）。图三显示了对于非常低的到达率(\（\mu\）=1），两者AWT（AWT）和水溶液被最小化，这是意料之中的。然而，SDN-QLQR成功地保持了较高到达率的性能(\（\mu\）= 2,\（\mu\）=3，以及\（\mu\）=4），这是本工作的主要目标。此外AS公司描述了相应的谨慎行为。此外，TP（转移定价）在所有情况下都保持较高水平。总之，结果表明，尽管到达率增加，SDN-QLQR的性能仍然保持正常。因此，图的结果三验证SDN-QLQR在高峰交通时间的有效性。这种性能改进的原因是，所提出的SDN-QLQR是在考虑各种流量动态的情况下实现的，SDN控制服务器持续监控流量拥塞并采取相应的实时操作。

图3。

6.2.2 SDN-QLQR与QLQR和LQR的对比分析。

还通过对不同版本的LQR进行一组实验来分析SDN-QLQR的行为。在图中4，图例表示LQR的不同版本，即SDN-QLQR、QLQR和LQR。数字4（a） –4（d）显示对应的结果AWT（AWT）,TP（转移定价）,水溶液、和AS公司分别显示剧集的性能指标X（X）-轴，性能指标如所示Y（Y）-轴。从图中4（a），分析SDN-QLQR最小化AWT（AWT）w.r.t.QLQR和LQR分别约为18.52%和24.94%。确定模型有效性的最重要的性能指标之一是AWT（AWT）类似地，从图4（b），可以观察到SDN-QLQR最小化水溶液与QLQR和LQR相比，分别减少约31.13%和35.78%。以类似的方式，图4（c）对应于SDN-QLQR的性能改进TP（转移定价）SDN-QLQR的性能分别比QLQR和LQR提高28.93%和36.67%。最后，图4（d）描述了SDN-QLQR对AS公司性能指标。从图中4（d），可以观察到SDN-QLQR在以下方面优于QLQR和LQRAS公司分别减少21.36%和29.94%。还观察到，与QLQR和LQR相比，SDN-QLQR首先达到最大速度值。根据对图中所示结果的分析4，注意到在整个模拟场景中，交通流更加顺畅。简言之，我们可以说，由于同时包含了量化和SDN分量，所提出的SDN-QLQR模型显著提高了不同版本LQR的性能；量化分量负责交叉口所有车道的有效相位持续时间分布，SDN分量通过监测和识别拥挤的交叉口来生成拥塞预防信号，以最小化拥塞。

图4。

总模拟时间取决于模拟设置，如车辆数量、车辆路线等。对于所有实验和最先进的方法，我们都有相同的配置。所提出的SDN-QLQR算法完成仿真大约需要39.12s，而QLQR和LQR分别需要57.38和63.03 s。与QLQR和LQR相比，SDN-QLQR在考虑各种性能指标（AQL、AWT、TP和AS）的同时，显著缩短了总仿真时间。由于SDN-QLQR在优化多个性能指标方面的算法性能，它改进了此模拟时间。因为在模拟中，所有车辆都有预定的到达目的地的路线，并且车辆在到达各自目的地后会自行存储。如果任何车辆处于活动状态或尚未到达目的地，则模拟将继续。因此，与LQR和QLQR方法相比，SDN-QLQR改进了计算时间。

6.2.3 SDN-QLQR与其他先进方法的比较研究。

本小节致力于分析SDN-QLQR与几种最先进方法（即LQR）的比较性能行为[38]，兆帕[24]、DTLC[22]和SOTL[9]. 图5（a）介绍了SDN-QLQR与其他同类最先进方法的比较结果，以分析AWT（AWT）性能指标。从结果来看，分析了SDN-QLQR最小化AWT（AWT）w.r.t.LQR、MP、DTLC和SOTL分别约为24.94%、31.79%、37.27%和49.07%。图5（b）显示了与水溶液性能指标。根据图中所示的结果5（b），分析表明，SDN-QLQR使水溶液与LQR、MP、DTLC和SOTL方法相比，分别减少35.78%、49.76%、54.71%和68.86%。使用相同的一组实验，图5（c）显示了TP（转移定价）性能指标。比较结果表明，SDN-QLQR最大化了TP（转移定价）与LQR、MP、DTLC和SOTL相比，分别减少36.67%、49.67%、55.33%和59.08%。最后，图5（d）描述了SDN-QLQR对AS公司性能指标。图中的结果5（d）规定SDN-QLQR在以下方面优于LQR、MP、DTLC和SOTLAS公司分别提高了29.94%、42.80%、47.67%和57.87%。在图中5（d），即使五种模型之间的高差异不明显，仔细检查后，可以推断SDN-QLQR达到最大值AS公司价值第一；与其他模型相比，该模型具有更快缓解交通拥堵的能力。换言之，可以说，该模型清除交通量的速度越快或达到高速，该模型就相对优于其他模型。简而言之，从比较研究中可以分析出，SDN-QLQR模型在不同的性能指标上显著提高了性能。原因是QLQR模块通过计算车辆之间的异质性，使用有效的时间量来改善交叉口所有车道之间的相位持续时间。此外，SDN模块定期监测拥塞情况并生成拥塞预防信号，以避免高度拥塞的路线或交通堵塞。

图5。

6.2.4 SDN-QLQR与其他基于SDN的TLC方法的比较研究。

本小节致力于分析SDN-QLQR与其他基于SDN的TLC方法（即SDN-DRL）在各种性能指标上的比较性能行为[20]和SDN-QMPC[29]. 图6（a）表示SDN-QLQR与其他基于SDN的TLC方法的比较结果，以分析AWT（AWT）性能指标。结果表明，SDN-QLQR最小化AWT（AWT）相对于SDN-DRL和SDN-QMPC分别减少约26.58%和28.65%。图6（b）显示了与水溶液性能指标。根据图中所示的结果6（b），分析SDN-QLQR最小化水溶液与SDN-DRL和SDN-QMPC方法相比，分别减少了44.48%和46.98%。图6（c）显示了TP（转移定价）性能指标。比较结果表明，SDN-QLQR最大化了TP（转移定价）与SDN-DRL和SDN-QMPC相比，分别减少了43.69%和47.13%。最后，图6（d）描述了SDN-QLQR对AS公司性能指标。图中的结果6（d）规定SDN-QLQR在以下方面优于SDN-DRL和SDN-QMPCAS公司性能分别提高了36.52%和39.18%。总之，分析表明，SDN-QLQR模型与其他基于SDN的TLC方法相比，在不同性能指标上显著提高了性能。同样的原因是，考虑到车辆的异质性，SDN-QLQR方法生成了一个有效的时间量来改善相应交叉口的控制信号。同时，SDN模块持续监控交通拥堵并生成信号以防止拥堵。

图6。

6.3基于SDN的体系结构中延迟的分析和讨论

如前所述，SUMO[17]用于生成实时流量。然而，为了分析现场实施的可行性，我们的实验室开发了一个现实的试验台设置，如图所示7此测试台设置由三个不同的组件组成：（i）SUMO模拟器运行在一个64位PC系统上，该PC具有以3.00 GHz和16 GB RAM运行的Core i7-9700处理器，（ii）红绿灯控制器运行在微处理器上（Raspberry Pi 3 B型+[12]VM（Oracle VirtualBox）配备1.4 GHz 64位四核处理器和4 GB RAM），以及（iii）SDN控制器，运行在带有VM的服务器上（64位核心Xenon Silver 4215处理器，在2.5 GHz和32 GB RAM下运行），VM配置有8 GB RAM、80 GB存储、8核处理器和Ubuntu 20.04.6 LTS、OpenFlow协议[23]，使用外部虚拟交换机运行）。在SUMO仿真中，虚拟传感器充当环路检测器，用于检测道路上的车辆存在，提取速度、占用率和计数等数据。SUMO模拟通过TCP/IP协议将此信息传输到TLC，TLC在Raspberry Pi上实现。TLC反过来计算生成红绿灯控制信号的量化时间，并定期将相同的交通状态传递给SDN控制器。SDN控制器接收交通状态并为交叉口生成拥堵预防信号。

图7。

在这项研究中，所有通信都发生在我们研究所的网络中，平均带宽为71 Mbps。从SUMO传输到TLC或从TLC传输到SDN（或vice-versa）控制器的数据由文本数据形式的数值组成。基于上述设置，运行了一个实验，从实验中注意到以下几点：（i）从SUMO模拟器到TLC的平均延迟为13ms，（ii）从TLC到SDN控制器（或vice-versa）的平均延迟是35ms。在实际实现场景中，观察到的延迟是可以接受的[13]. 此外，在本研究的背景下，TLC和SDN控制器之间的实时通信是周期性的，并且通信周期位于每个阶段持续周期。循环阶段持续时间(T型)对于四向十字路口，设置为至少16秒，对于三向十字街，设置为12秒。如算法中所述，当时间量子(\（u（t）\）)为零，\（\phi\）根据方程式估算时间量(10)，所有实验的一致值为4s。因此，最小循环阶段持续时间(T型)三向和四向交叉口分别保持12秒和16秒。总之，SDN控制器和TLC通信将在T型这表明所提议的解决方案具有很大的现场实施潜力。

7结论与讨论

在这项工作中，提出了一种新的基于QLQR的交叉口管理系统，该系统利用软件定义的控制接口。QLQR组件用于生成控制路口红绿灯的信号，SDN组件用于通过生成拥塞预防信号来处理拥塞。SDN-QLQR通过使用SUMO设计的真实仿真进行验证[17]工具，为印度城市导入OpenSteetMap。为了验证SDN-QLQR的比较性能，将SDN-QLQA的结果与几种最先进的方法（即LQR）进行了比较[38]，百万像素[24]、DTLC[22]和SOTL[9]考虑几个性能指标。SDN-QLQR还与其他基于SDN的TLC方法进行了比较，即SDN-DRL[20]和SDN-QMPC[29]. 比较结果为所提出的SDN-QLQR算法的有效性提供了支持证据。在未来的工作中，将采用新的政策，探索不同的交通模式场景，如交通事故、道路封闭等的影响。

本研究的重点仅限于SDN-QLQR在红绿灯控制决策中的实施。目前的调查不包括对实际现场实施中的通信开销和延迟的分析。因此，我们未来的研究工作旨在利用OpenFlow协议以及IEEE 802.11p等无线通信协议和潜在的蜂窝通信5G或6G，为SDN-QLQR建立一个实用的测试平台。具体而言，该测试台原型将致力于解决与创建硬件测试环境相关的重大挑战，包括实时流量数据捕获、部署费用、网络稳定性、通信延迟和其他相关因素。

工具书类

[1]

马赫迪·阿巴斯、阿里·纳杰菲、米拉德·拉菲、穆罕默德·科斯拉维、瓦伦·梅农和古拉姆·穆罕默德。2020年。使用GPU在基于SDN的5G设想车辆互联网中进行高效流处理。IEEE传输。智力。运输。系统。22, 8 (2020), 1–10.内政部：

摘要

1引言

2相关工作

3问题陈述和解决方法

4建议SDN-QLQR软件模型

4.1系统模型

4.2逻辑流程

4.3算法描述

4.4 LQR和QLQR对基本假设的理论分析

4.5了解系统的示例

5基线方法和基于仿真的设置

5.1基线方法

5.1.1线性二次调节器。

5.1.2最大压力。

5.1.3动态红绿灯控制器。

5.1.4自组织交通灯。

5.2基于SDN的TLC

5.2.1 SDN利用深度强化学习。

5.2.2启用SDN的量化最大压力控制器。

6实验研究

6.1仿真参数和方法

6.2实验结果分析

6.2.1不同车辆到达率的SDN-QLQR性能行为研究。

6.2.2 SDN-QLQR与QLQR和LQR的对比分析。

6.2.3 SDN-QLQR与其他先进方法的比较研究。

6.2.4 SDN-QLQR与其他基于SDN的TLC方法的比较研究。

6.3基于SDN的体系结构中延迟的分析和讨论

7结论与讨论

工具书类

引用人

索引术语

建议

基于LQR方法的端到端拥塞自校正最优PI速率控制器

S-Edge：异构感知、轻量化和边缘计算集成的自适应交通灯控制框架

优化TCP/IP延迟的拥塞窗口缩放方法

评论

问询处

发布于

出版商

出版历史

权限

检查更新

作者标记

限定符

资金来源

贡献者

其他指标

文献计量学

文章指标

其他指标

引文

引用人

查看选项

PDF格式

电子阅读器

获取访问权限

登录选项

完全访问权限

数字

其他

分享

共享此出版物链接

在社交媒体上分享

附属公司