城市干线是城市交通的主要载体，保证干线的畅通对提高城市道路的通行能力和缓解交通拥挤起着至关重要的作用.干线绿波协调控制是提高干线通行率的一个重要措施，目前主要通过调节绿信比和相位差来实现车流通行优化[1].

目前国内外对于干线绿波协调控制已经有一定研究基础，文献[2]利用能够反映交通流动力学特性的元胞传输模型(Cell Transmission Model，CTM)实现消散干道交通信号优化控制，通过基于滚动周期的干线模糊控制优化方法，实时调整主路绿灯时间从而实现绿波控制路段总延误最小的优化目标.文献[3]提出了区域协调模糊控制算法减少支线在城市交通网络流量和主干道路交通流的冲突，能够分散城市交通网络中的流量.通过目前的研究情况能够看出，道路平均速度的精确估计，对于提高干线绿波协调控制效果起着重要的作用.但是车流密度快速变化、车辆的换道延误、天气和路面状况的不确定给道路平均速度的精确估计带来了难度.

文献[4]研究了天气条件与驾驶员行为的关系，研究结论指出：在一定范围内，能见度每降低50 m，行车速度大约降低15%.文献[5]利用高仿真驾驶模拟器，研究雾天对驾驶行为安全的影响，发现雾天会降低驾驶员对前方车辆行驶状态的认知能力，降低行驶速度.

四是农田灌溉工程规模化管理模式应得到积极扶持和大力推广。从栖霞市的实践看，农田水利工程规模化管理让果农得到了灌溉效益，农民满意；让政府及职能管理部门减少了服务压力，政府放心；让管理者得到了服务领域和经济利益，投资人愿意。这种模式符合2011年中央1号文件 “加快水利工程管理体制改革，探索社会化和专业化多种水利工程管理模式”和2013年中央1号文件“按照规模化、专业化、标准化发展要求，引导农户采用先进适用技术和现代生产要素，加快转变农业生产经营方式”的要求，切合国家大政方针和改革方向，具有强大的生命力。

通过上述能够看出，目前对于干线绿波协调控制方法很少考虑车辆换道延误、天气状况对路段平均速度的影响，多数是通过自优化算法实现相位差调节，对于突变车流情况的适应性有待提高.随着车联网[6]的发展，车-车、车-地信息交互[7]通道得以建立，路网车辆实时状态、路径规划信息能够获取，车辆在交叉口的转向行为也可以正确预测，并且随着图像处理技术的发展，实时的路段天气和路面状况信息也能够采集.为此，本文作者提出了一种车联网中干线协调相位差自适应优化方法，建立了基于换道延误模型的模糊控制网络，并且同时考虑天气和路面情况对车辆运行状态的影响，以交叉口平均等待时间最小为目标，采用遗传算法对模糊规则进行自适应优化调节，以实现优化干线通行效率的目标.

1 车联网干线协调相位差自适应优化

图1中,结合换道延误模型，以汇入车流和干线车流为输入、以相位差调节量为输出建立模糊控制网络.当车辆的平均延误满足一定条件时，采用遗传算法对模糊网络的隶属度函数进行自适应优化，提高模糊控制网络的鲁棒性.

全息现象就是事物的某种局部与全体惊人的类似，并在形态，性质，结构与功能等方面，反映出全体．在全息现象中，反映了全体的相对独立的部分，称为全息元[5]．

车辆在换道过程中，由于换道车辆和侧后方车辆存在合流冲突，换道车自身的速度会有一定变化，并且对临车的速度也会造成很大影响，本文在传统干线协调控制的基础上，通过车辆换道模型研究换道行为对道路平均速度的影响，并基于车辆换道延误建立以上游交叉口车辆数为输入和下游信号相位差调节量为输出的模糊控制网络.

道路交通流在运行过程中，不同时段会表现出峰-谷特性，并且不同的天气情况也会对车辆的运行状态产生很大影响，固定的模糊规则在车流剧烈波动和车速快速的情况下无法达到较好控制效果.因此，本文考虑路段车辆延误和路况因素，采用GA对模糊规则进行优化.车联网中干线协调相位差自适应优化方法如图1所示.

对车流特性预测的准确程度是影响干线绿波协调控制效果的关键因素，车联网条件下，路侧设备能够获取上游交叉口非干线和干线车辆的路径信息和车辆的车道信息，再结合道路渠化信息，能够对车辆通过交叉口进入干线之后的换道情况进行预测.

图1 车联网中干线协调相位差自适应优化方法 Fig.1 Offset adaptive optimizing method of arterial coordinating under internet of vehicle

2 基于换道延误模型的模糊控制网络

采用模糊控制的方法实现相位差增量的调节.本文在传统干线协调控制的基础上，增加了相位差模糊调节量Tz为

(1)

式中：H为路段长度；vaver为路段的平均速度；T为车辆在路段的平均行驶时间；c为干线信号周期；mod为取余数计算；Tz为基于换道延误预测的相位差调节量；o为干线相邻交叉口的相位差.

本文基于车辆换道延误模型建立输入为上游交叉口汇入车辆数Mr和上游交叉口干线通过车辆数Mt，输出为下游交叉口相位差调节量Tz的模糊控制网络，实现Tz的估计.

右美托咪啶复合罗哌卡因在超声引导下股神经阻滞对全膝关节置换术后局部炎性反应及镇痛效果的影响 … 贺克强谢言虎凡小庆等（1）62

2.1 车辆换道延误模型

根据Mt和Mr的车辆路径及车辆所在车道对车辆的换道延误进行预测.文中假设所有车辆均按照交通规则行驶，即上游车流通过交叉口后车道保持不变，再结合道路渠化信息和车辆的路径信息即可预测出车辆是否会发生换道行为.

采用Q-Paramics[8]对道路中自由流和发生不同次数换道行为的交通流进行比较，通过车辆平均延误实现车辆换道延误建模.路段长度为800 m，仿真时间为10 min，3车道分别能够左转、直行和右转，车辆在下一个路口的转向随机，初始所在的车道随机，道路无信号灯.通过调整OD矩阵实现不同换道次数的仿真.

品美食应该是个重点，可以从五个学科的角度去体会。第一个，土壤学。因为万里行活动的第一站要走进北大荒，北大荒在土壤学上是黑土，围绕着黑土，怎么去体验。第二个，气候学。北大荒有什么样的气候特点，怎么去体验。第三个，要从环境学的角度，怎么去体验。第四个，从营养学的角度，怎么去体验。最后，要从经济学的角度，研究农垦的产品，研究北大荒的产品。从这“五个学”的角度，能把农垦的特点，北大荒的特点，农垦及北大荒农产品的特点说清楚。最后，通过农垦直供的社区实体店渠道及会员制服务的方式，保证老百姓吃到的是真东西，好东西！

通过表1能够看出，当保持不同转向车辆比率不变时，车辆的换道概率总体一致，但因为仿真的随机性，换道概率会在小范围内波动(换道概率均值为0.88).车辆平均延误随着车辆数目和换道次数的增加而增加，这是因为在车流密度较高的路段进行换道时，换道车辆和临车的速度均会受到较大影响.

表1 换道次数对车辆平均延误时间影响

Tab. 1 Effect of lane changing times to average vehicle delay

OD值路段通过总车辆数换道次数换道概率车辆平均延误/s1 5002502020.811.262 4003823440.902.403 3005704740.834.084 2006726540.976.015 1008067560.948.346 0009808660.8811.56

通过多项式拟合，能够得到每分钟通过车辆数X、每分钟换道次数Y与车辆平均延误Z的关系，即车辆换道延误模型为

Z=0.5685-0.0104X+0.018Y-

0.0085X2+0.0205XY-0.011Y2

(2)

X、Y和Z的关系如图2所示.

图2 通过车辆数、换道次数与车辆 平均延误时间关系 Fig.2 Relationship of traffic flow, lane changing count and average vehicle delay

2.2 模糊控制网络

模糊控制[9]在交通领域有着广泛应用，根据交叉口车辆通行数据统计，本文将上游交叉口汇入车辆数Mr取值限定在0～60，将上游交叉口干线通过车辆数Mt取值限定在0～78.设定模糊化语言值为SS(非常小)、VS(很小)、S(小)、M(中)、B(大)、VB(很大)、SB(非常大).Mr和Mt隶属度函数见图3.

图3 汇入车辆数隶属度 Fig.3 Membership of the minor road vehicle

为提高计算精度，输出量Tz的语言值有11种，分别是：S1(非常小)，S2(很小)，S3(较小)，S4(小)，S5(略小)，M(中)，B5(略大)，B4(大)，B3(较大)，B2(很大)，B1(非常大).Tz的隶属度函数如图3(c)所示.

车流随机波动条件下进行仿真，OD矩阵输入如图9所示.每隔300 s动态调整一次路网中OD的取值，基于以上仿真环境和仿真输入，3种方法在交叉口4的平均等待时间如图10所示.

表2 模糊规则

Tab. 2 Fuzzy rules

非干线汇入测量数干线车辆数SSVSSMBVBSBSSS1S1S2S3S4S4MVSS2S2S3S4S4MB5SS3S4S5MMB5B5MS4S5MMMB5B4BS5S5MMB5B4B3VBS5MB4B4B3B2B2SBMB4B4B3B2B1B1

本文模糊决策采用Mamdani(min-max)决策法，解模糊采用最大平均法.通过建立上述的模糊控制网络，即可通过输入汇入车流Mr和干线车流Mt得到相位差调节量Tz.

3 模糊规则自适应优化方法

3.1 触发条件

固定的模糊规则在车流剧烈波动和车速大幅变化的情况下无法达到较好控制效果，因此，本文根据车辆平均延误的变化情况作为触发条件，采用GA算法对模糊规则进行自适应调节

(3)

当车辆平均延误时间满足式(3)时进行模糊规则优化.其中:DP为当前周期内车辆平均延误时间;Di为上次GA优化后第1个周期内车辆平均延误.一个周期内的车辆平均延误时间D计算方法为

(4)

式中：Ni为第i秒时路段长度为H的路段中的车辆总数；vj为第j秒时路段中车辆索引为j的车辆速度；Di为第i秒时车辆平均延误；D为一个周期c内路段的平均延误时间.

根据西方学者西蒙(Simon，1994)的研究，增能理论的思想基础有七个方面，它们分别是：第一，新教革命；第二，商业和工业资本主义；第三，杰斐逊式民主；第四，先验论；第五，乌托邦社区；第六，无政府主义；第七，泛公民权观念。[2]在综合了这七个方面的优秀思想的基础之后产生了增能理论。思想基础的兼容并蓄，使增能理论与陆九渊心学一样成为其所在时代的思想翘楚。

3.2 基于GA的模糊规则优化流程

当符合模糊规则调整的触发条件时，以下游交叉口平均等待时间最小为目标函数，通过车流预测的方法对模糊规则进行优化.本文采用十进制表示模糊规则，具体如表3所示.

表3 十进制数表示模糊控制

Tab. 3 Fuzzy rules expressed in decimal

非干线汇入测量数干线车辆数SSVSSMBVBSBSS0012335VS1123356S2345566M3455567B4455678VB4577899SB577891010

基于以上的路况参数，本文设计了两种仿真输入：车流大幅震荡和车流随机波动.车流大幅震荡的OD矩阵设置如图6所示.

vn(t+τ)=v0{1-exp[-(Δxn-xc)/(v0Tf)]}

(5)

式中： Δxn为两车间距；xc为最小安全距离，取xc等于5 m；v0为初始速度；τ为反应时间；Tf为跟驰反应时间，取Tf等于0.1 s.

根据Newell跟驰模型，在一个信号周期中，上游交叉口一个周期内汇入车辆数为Mr，干线通过车辆数为mi的情况下，可求出下游干线方向的车辆到达情况.结合信号灯信息，即可求出交叉口平均等待时间为

(6)

式中：Wi为周期c内第i秒时交叉口等待车辆数；TD为交叉口平均等待时间.综上，基于GA的干线模糊规则优化流程如图4所示.

图4 GA优化算法流程 Fig.4 GA optimizing algorithm process

通过图4的优化过程，能够得到新的模糊控制规则，从而更优的控制交通流.本文将具有最大适应度的模糊控制规则作为新的模糊规则.

4 仿真实验

在Q-Paramics环境中对本文提出的车联网干线信号控制方法进行验证.通过Modeller[11]模块建立路网，通过Programmer模块的API接口进行信号灯控制，仿真结束后通过Analyzer分析器分析不同时段内的车流效率指标.建立路网如图5所示.

图5 仿真路网 Fig.5 Simulating road network

图5中，南北方向为双向2车道普通道路，内侧车道能够直行和左转，外侧车道能够直行和右转；东西方向为双向3车道干线，内侧车道能够左转，中间车道能够直行，外侧车道能够右转.交叉口1和4为干线交叉口，均采用4相位信号控制，一个信号周期为60 s，4个相位分别15 s，两个交叉口中心点距离800 m，道路限速为60 km/h.本文针对由西向东车流进行控制，在传统干线信号控制基础上，根据交叉口1的输入车流来计算交叉口4的相位差调节.

云梦冲呼伦使一个眼色，两位武位高手开始打起腹语。云梦说，你攻她上盘。呼伦说，你攻她下盘。电光火石之间，呼伦一个疾步窜出门外，一把拽住老人的胳膊；云梦紧跟着滑翔过来，紧紧钳住老人的背包。两个人几乎是把老人架回客厅的，老人温顺地挣扎，边走边说，怎么还带绑架的？

(7)

式中：t为仿真时间；v为道路车辆的速度，当路况因素不为0时，v随r的增大而降低；仿真过程中车速控制能够通过Q-aramics仿真软件中Programmer模块的qps_vehicle_speed()函数实现.

4.1 车流大幅度震荡条件下的仿真分析

交叉口平均等待时间是评价路口交通信号控制性能的一个重要指标.结合Newell跟驰模型[10]和换道延误模型来预测下游交叉口车辆的到达情况.Newell跟驰模型中车辆位移的更新公式为

图6 大幅震荡车流量的OD Fig.6 OD parameters when traffic flow is fluctuated

今后的工作将会继续研究车辆换道对车流效率的影响，准确定量地建立换道延误模型与模糊规则之间的关系；建立路况因素、天气状况对不同车辆运行状态的影响模型，提高方法的准确性.

图7 3种方法平均等待时间 Fig.7 Average waiting time under different methods

通过图7能够看出，采用基于GA的模糊自适应控制方法时，交叉口的平均等待时间较低，明显优于传统干线协调控制方法，相比于固定模糊规则的干线模糊控制方法，平均等待时间降低了12.35%.

优化供应链，掌控大数据，目的是为提高经营效率。但是如果提升的部分被上涨的成本淹没，那么创新价值便会被大打折扣。这正是新零售试水者们普遍遭遇的问题。

图8为震荡车流条件中，基于GA的模糊自适应控制和干线模糊控制分别较传统干线协调控制在行程时间上的缩短量.

图8 比传统干线控制行程时间减少量 Fig.8 Decrement of average travel time compared to traditional arterial coordination control

由图8中可以看出，交叉口平均等待时间变化趋势大幅度上和路况参数相同，小幅度上因为输入量的波动会出现一定幅度的上下波动，车流量越大时交叉口平均等待时间越长，符合道路交通流运行规律.

通过上述分析，能够看出本文提出的方法对车流大幅度变化条件下的交通流具有更好的适应性，并且基于GA的模糊自适应控制方法相比其他两种方法能够减少车辆的行程时间，提高通行率.

4.2 车流随机波动条件下的仿真分析

图9 车流随机波动时车流量的OD Fig.9 OD parameters when traffic flow is random

根据车辆换道延误模型，结合干线模糊控制经验，本文制定模糊规则如表2所示.

图10 车流随机波动时3种方法平均等待时间 Fig 10 Average waiting time with different methods in random traffic

由图10能够看出，3种方法均可维持交叉口平均等待时间指标在一定水平，但是基于GA的模糊自适应控制方法更优，较传统干线协调控制效果大大提升，并且相比于固定模糊规则的干线模糊控制方法，平均等待时间降低了9.7%.图11为随机车流条件中，基于GA的模糊自适应控制和干线模糊控制分别较传统干线协调控制在行程时间上的缩短量.

图11 车流随机波动时比传统干线控制行程时间减少量 Fig.11 Decrement of average travel time compared to traditional arterial coordination control in random traffic

由图11能够看出，在车流随机波动条件下，基于GA的模糊自适应控制方法较其他两种方法能够减少行程时间，具有更好道路通行率.

计算过程中岩土体的物理力学参数主要根据室内试验、中国地大参数，并综合考虑现场调查结果、参考类似工程等等选取。计算过程中涉及到的岩土体物理力学参数如表1所示。

江苏省淮安市新一轮总体规划提出“东扩南连、三城融合、五区联动”的发展战略，淮安生态新城成为淮安市未来发展的重点建设区域。淮安生态新城西片区属渠北地区，境内河网密布，周边有京杭运河、淮河入海水道、苏北灌溉总渠及二河等流域性河道，区域内有柴米河、大治河、蛇家坝干渠及运南干渠等主要灌排河道。如何立足于整个流域水系，就防洪、排涝及灌溉等方面对西片区水系进行综合规划，打造优美的水生态环境，成为水系规划的重点与难点。本文对水系规划的难点进行分析，提出相关对策。

5 结论

1)经典干线模糊控制的模糊规则由人的经验确定有一定的局限性，不能随被控对象的动态改变而改变.本文采用了模糊规则自适应优化，模糊规则能够随着车流和环境参数的变化进行自适应调整，解决了模糊规则对变化车流和环境支持度不够的问题.

我问他为什么这么忙还一直坚持教课，他说：“教课对我很重要。我很早就看到侍酒师有瓶颈。”他认为当一个不错的侍酒师，好处是想转行很容易。可以转做销售、买手、酒庄代表，甚至是记者，但如果不转行，想一直做下去就会有瓶颈，因为没有那么多酒店或餐厅让你管。“当我认识到这点，就想多方面发展一下。我喜欢教书，觉得教书是个很好的让你多元化的一个方法，我当时也写东西，现在也写，但写得很少，写东西也是多元化嘛。”

2)在Q-Paramics的仿真平台中，对本文方法进行了验证，通过软件API对本文的输入进行实时改变，最大程度上还原了车联网环境中的车流状态，并且实现了路况因素对交通流的影响.结果表明：本文提出方法控制效果明显优于传统干线协调控制方法；在车流大幅震荡和车流随机波动条件下，较固定规则的干线模糊控制方法能够分别降低车辆平均等待时间12.35%和9.7%.并且能够针对不同天气、路面状况进行自适应调节.

车流大幅度震荡条件下，每隔1 s动态调整一次路网中OD的取值，基于以上仿真环境和输入，对传统干线协调控制、干线模糊控制、基于GA的模糊自适应控制3种方法分别进行仿真，得到交叉口4的平均等待时间如图7所示.

参考文献(References):

[1] 孔祥杰，沈国江，孙优贤．基于多智能体的交通干线动态智能协调控制[J]．解放军理工大学学报(自然科学版)，2010，11(5)：544-550.

KONG Xiangjie, SHEN Guojiang, SUN Youxian. Dynamic intelligent coordinated control with arterial traffic based on multi-agent[J]. Journal of PLA University of Science and Technology(Natural Science Edition), 2010, 11 (5): 544-550. (in Chinese)

[2] 陈茜，王炜．基于CTM的干线信号模糊控制优化方法在大型活动中的应用[J]．东南大学学报(自然科学版)，2008，38(5)：861-865.

当车辆在行驶中遇到大雾、大雨、路面湿滑和道路施工等情况时，车辆速度会受到很大影响，因此，仿真中加入了路况因素r.定义如下

CHEN Qian, WANG Wei. Application of fuzzy optimization method based on CTM for traffic trunk line control under special events[J]. Journal of Southeast University(Natural Science Edition), 2008, 38 (5): 861-865. (in Chinese)

[3] GAO L Y, CHEN Y Z, LI Z L. Traffic trunk roads coordination control based on multi-agent[C]// Proceedings of the 7th World Congress on Intelligent Control and Automation, 2008: 3098-3103.

[4] 祝站东，荣建，周伟．不良天气条件下的驾驶行为研究[J]．武汉理工大学学报(交通科学与工程版)，2010，34(5)：1040-1043.

2.1 4组血清中CRP、IL-6水平 细菌感染组的CRP、IL-6水平显著高于混合感染组、其他感染组及对照组，混合感染组的CRP、IL-6水平显著高于其他感染组和对照组，其他感染组的CRP、IL-6水平显著高于对照组，其差异均具有统计学意义(均P<0.05)。见表1。

ZHU Zhandong, RONG Jian, ZHOU Wei. Driver behaves in bad weathers[J]. Journal of Wuhan University of Technology (Transportation Science & Engineering), 2010, 34 (5): 1040-1043. (in Chinese)

[5] 赵佳．基于驾驶模拟实验的雾天对驾驶行为影响的研究[D]．北京：北京交通大学，2012.

ZHAO Jia. Study of driving behavior under fog weather condition based on driving simulator experiment[D]. Beijing: Beijing Jiaotong University, 2012. (in Chinese)

[6] ARGOTE-CABANERO J, CHRISTOFA E, SKABARDONIS A. Connected vehicle penetration rate for estimation of arterial measures of effectiveness [J]. Transportation Research, Part C: Emerging Technologies, 2015, 60: 298-312.

[7] BACKFRIEDER C, OSTERMAYER G, MECKLENBRAUKER C F.Increased traffic flow throngh node-based bottleneck prediction and U2X communication[J].IEEE Transactions on Intelligent Transportation Systems,2017,18(2):349-363.

[8] FEHON K, KLIM T. Modeling active traffic management with paramics[J]. IEEE Intelligent Transportation Systems Magazine, 2010, 2 (3): 14-18.

[9] MAR J, LIN H T. The car-following and lane-changing collision prevention system based on the cascaded fuzzy inference system[J]. IEEE Transactions on Vehicular Technology, 2005, 54 (3): 910-924.

将方法 1.3.1所提取到的花桥板栗淀粉配置成质量分数为10%的淀粉悬浊液，置于90 ℃热水中加热糊化30 min后，分别移装于平皿（90×15 mm）中并在室温条件下冷却，即得相态转变次数0次的淀粉凝胶样品。再将剩余淀粉凝胶依次移装密封置于-18 ℃的冰箱中进行冷冻处理，冷冻 22 h之后，将其放入30 ℃温水中进行融化，融化时间为2 h。至此获得水分子相态转变1次后的花桥板栗淀粉凝胶。按此方法依次制备相态转变次数为1、2、3、4、5、6、7次的淀粉凝胶样品，备用。

(2) 橡/塑制品用后被当作废弃物残存在环境中，简直是“顽固不化”，经年累月，必然会对环境、生态、人类生存带来灾难性的后果。回收与利用，能“变废为宝”、“变弃儿”为“宠儿”，实现资源的再生利用和循环经济发展。

[10] JABARI S E, ZHENG J F, LIU H X. A probabilistic stationary speed-density relation based on Newell's simplified car-following model[J]. Transportation Research Part B-Methodological, 2014, 68 (10): 205-223.

[11] ESSA M, SAYED T. A comparison between PARAMICS and VISSIM in estimating automated field-measured traffic conflicts at signalized intersections [J]. Journal of Advanced Transportation, 2016, 50(5): 897-917.