0 引 言

信号交叉口作为城市网络中不同道路相互接驳的节点，是不同方向的交通流聚集并疏散的重要交通设施。不合理的信号控制势必会增加道路通行车辆的延误时间，甚至可能对路网相邻的其他节点产生负面影响，从而诱发更加严重的交通拥堵。随着交通科学技术的发展，交通信号控制由定时信号控制发展为自适应信号控制，控制范围也历经了单点控制、干线控制以及区域控制三个阶段。

国内外学者对信号控制方法和模型开展了广泛的研究。在最早期的信号控制研究中，Webster以车辆平均延误最小为目标建立了信号配时模型，该方法计算过程简单易懂，在实际工程中得到了广泛的应用。在Webster算法的基础上，衍生出了许多的模型和算法来解决不同交通条件下交叉口信号控制问题。其中，一部分学者提出了以解析方法为手段的数学模型[1-3]，此类方法通过应用排队论的理论模型，并借助人工操作经验从而实现交叉口的信号控制，在城市交通需求波动的复杂性和动态性条件下适用性不强。而随着启发式算法的快速发展，越来越多基于启发式算法的配时优化模型也开始运用在城市交通问题中，但研究中也存在一定的局限性。文献[4]采用分布式控制技术来解决信号控制问题，提出了基于神经网络的实时交通信号控制模型，但过于繁杂的控制会显著增加系统的负担，导致系统处于振荡的状态。还有学者利用遗传算法对信号控制进行优化，文献[5]通过遗传算法求解了交叉口信号优化双层规划模型，但仅适用于固定信号配时，且易陷入局部最优解。文献[6-7]基于遗传算法对交叉口交通流建立了动态信号配时模型，但信号控制方案并未考虑特定周期到达的车流量，在短期车流变化大的情况下将无法适用。黄艳国在单路口Agent中引入加强学习方法，通过交通信号实时在线调整来减少车辆的延误，但仿真结果表明在饱和流量下协调算法作用不明显[8]。张存保等在车路协同环境下设计了单点交叉口信号控制优化的流程，降低交叉口的延误和停车次数[9-10]，但最小最大绿灯时间为经验所给的定值，不能反映现实交通流突变导致相位约束的合理性。

综上所述，目前充分考虑交叉口各进口道车流短时到达情况并减少算法复杂度的研究相对较少。本文旨在合理估计短时交通流，进而结合高效算法准确优化信号配时，主要以单点信号交叉口为对象，利用神经网络模型准确预测各进口短期时间窗交通流到达。在此基础上，以平均延误最小作为优化目标构建单目标规划模型，并利用易于实现与应用的模拟退火算法快速寻找全局最优解。最终通过优化信号配时方案缩短交叉口整体延误时间，提高交叉口的服务水平。

1 交通流预测模型

目前，我国城市交叉口主要采用固定信号周期控制的方法，即交叉口按照预先设定好的控制方案运行，属于车流单向适应信号的范畴。但交叉口车流量往往具有一定的动态波动性，定时控制不能完全适应和满足短期交通需求的变化。在车联网环境下，交通管理者能够依据各进口车道历史车流量信息来预测短期交通流到达，从而制定相应的控制策略来适应交通流变化规律，最大化的利用交叉口通行能力。

粒粒开了一个博客，也注册了微博，每天会写一些心情上去，包括对程颐隐隐的牵挂和思念，还有她心里的顾虑。太喧嚣的人生，会有爱情的容身之地吗？浪漫，是爱情中最美好的硬件吗？

为了掌握交叉口各进口车流到达的交通需求，需要通过一定方法来进行短期交通流的预测。本文考虑了具有初步的自适应与自组织能力的BP（Back Propagation，后向传播）神经网络模型，在学习或训练过程中改变突触权重值，以适应周围环境的要求。BP神经网络能够较容易地描述非线性时间序列联系，具备泛化以及容错的能力，因此可以适用于交叉口交通流动态预测问题。BP神经网络包括输入层、隐含层和输出层，逻辑拓扑结构见图1所示。

  

图1 BP神经网络的逻辑拓扑结构图Fig.1 Topology structure of the BP neural network

交通信号控制的目的在于时序上将冲突交通流从空间上隔开，从而使得冲突交通流安全地通过交叉口继续开往下游。而交叉口平均车辆延误能够反映其被利用的效率，是作为评判交叉口服务水平的重要尺度。近年来，车联网技术发展速度迅猛，能够通过车车、车路信息交互获取车辆和道路的信息，整合道路信息资源，达到缓解道路拥堵的目标。因此，本文以通过交叉口的车辆平均延误最小为目标，对各相位的绿灯时间进行优化，通过确定信号周期内最优化的绿灯时间，实现目标最优。

式中，εij为相位i进口道j的最小绿灯参考值。

本文中的输入样本为各个进口的历史交通流量数据，由分布于进口道上游的数据采集器采集得到。将相邻的15组流量数据作为一个样本输入，即M=15，利用BP神经网络预测下一个周期各进口道流量，具体步骤如下：

步骤1 统计单个周期内相位i进口道j的车流量qij，将样本数据进行归一化处理，归一化公式为：

 

式中，a为[1，10]之间整数，按经验取3。

我随着升腾的火焰，化作一团白色的云烟，飞了起来。我牵着范峥峥的手，我们的身影，在火光中变幻出五彩，就好似《梁祝》中幻化的蝴蝶，朝寂寞但没有苦痛、明净且没有喧嚣的家乡飞去。

步骤4 如果(λ′)≥(λ)，进入步骤5；若(λ′)＜(λ)，则接受新解λ′作为当前解，进入步骤6。

 

式中，X为流量样本数据；Xmin为流量样本中的极小值；Xmax为流量样本中的极大值；Y为流量样本标准化的值。

矿体倾向：矿体的倾向分为三个区间（图2D），20～40°、70～80°、290～350°。对资源量贡献最大的矿体倾向是320～330°，出现频数较大的倾向对应贡献了最大的资源量，显示资源量与倾向具有相关关系。

2.2.1.1 AML患者首次CR后3个月 此阶段33份标本，MRD阳性组7例，6例均在3个月内复发，1例未复发；MRD阴性组26例，复发5例，其中仅1例在MRD阴性后6个月复发；4例分别在MRD阴性后7～13个月复发。MRD阳性组复发率高于MRD阴性组(P<0.05)。MRD阳性组及MRD阴性组的中位RFS分别为1.0个月(0～12个月)、13.5个月(3～37个月)，差异有统计学意义(P<0.05)，见图1。

步骤3 通过反馈误差不断训练修正连接权值，最终得到最佳的网络。进而利用训练好的网络预测下一周期交通流Y*，反归一化处理还原短期交通流的预测值q*ij，公式如下：

 

2 动态配时优化模型

图1中，xi为神经网络的输入，输入节点数为M；ωmi为输入层和隐含层之间的连接权值；ki为隐含层结果，节点数为I；ωij为隐含层和输出层之间的连接权值；Yi为输出层结果，节点数为J。

2.1 平均延误

车辆延误由均匀延误和随机延误组成，均匀延误可通过排队轨迹时空图推导，而随机延误可以用排队论来描述。车辆到达流率服从均值为q的泊松分布，进口道车队的驶出率为s，用M/D/1排队模型描述相位i下进口车道j的车辆平均延误dij为：

 

式中，c为信号周期总时长；λi为相位i的绿信比；Xij为相位i进口道j的饱和度。

由式（4）可知，dij能根据进口车流的大小及分配的绿灯时间来确定。因此，交叉口所有车辆的平均延误d为交叉口所有进口道的车辆平均延误与车流量乘积的加权平均，即：

 

2.2 最小绿灯时间

为了保证各个相位具有最小的通行时间，降低交通流预测误差对信号控制的影响，应该设置最小绿灯时间保证基本的通行量。美国《交通信号设计手册》推荐的根据检测器位置确定的最小绿灯时间如表1：

 

表1 最小绿灯时间和检测器位置参考值Tab.1 Suggested values of minimum green time and detector position

  

检测器与停车线距离/m 初始绿灯时间/s 0～12 8 13～18 10 19～24 12 25～30 14 31～36 16

根据表1可以获得各个进口方向的最小绿灯参考值，相位i的最小绿灯推荐值应取各进口车道时间参考值的最大值：

 

3.9对于关联分析得出的常见搭选加项,在实际工作中,我们可以加强并扩展这些关联,并赋予其医学意义。如颈椎片+腰椎片+骨密度,可联合定义为骨关节套餐;癌胚抗原CEA+糖类抗原CA724+甲胎蛋白AFP+糖类抗原CA199,可联合定义为消化道肿瘤标志物套餐;心脏彩超+动脉硬化检测+血流变/血脂,可联合定义为心血管套餐;宫颈TCT+人乳头瘤病毒检测(HPV)+乳腺彩超+糖类抗原CA153,可联合定义为女性(宫颈癌、乳腺癌)套餐等。这些加项的调整可能会为体检者带来更全面、更方便、更具针对性的益处。

最大绿灯时间是为了保持最佳绿信比分配而确定的相位绿灯时间，当相位车流量很大时能够满足绿灯时间的延长。当绿灯时间达到最大绿灯时间，能够强制转换相位从而均衡各相位绿灯时间。因此相位的最大绿灯时间大于最小绿灯时间，并且小于周期有效绿灯总时间。

 

式中，Lij为相位i进口道j的初始排队车辆数；Qs为进口道饱和流率；σ为车辆启动损失时间（一般为3s）。

当初始排队较短时，初始绿灯时间将较小，此时应该将最小绿灯推荐值gia作为最小绿灯时间；相反则应该将初始绿灯时间go 作为最小绿灯i时间。因此，相位i的最小绿灯时间gimin 的计算公式为：

一是强化组织领导，落实工作责任。成立了“六走进”系列主题宣传活动领导小组，由区委常委、政法委书记挂帅，区委宣传部、政法委、区公安分局、区教委、区文化委、区建交委、区旅发委、区卫计委等相关部门负责同志为成员，制定了“六走进”系列主题宣传活动总方案及各个子方案，明确了主题宣传时间、地点、具体内容和组织保障。

 

2.3 最大绿灯时间

最小绿灯推荐值是根据大量交叉口信号控制经验得来的，而交通流在每一周期内的到达具有随机性，完全根据此推荐值来确定最小绿灯时间不能反映车流随机到达和初始排队的特性。在自适应控制中，可以根据各进口车道的初始车辆状态来确定初始绿灯时间goi。其计算公式为：

2.4 自适应动态配时模型

本文将交叉口所有车辆的平均延误最小作为优化目标，从而最大化地利用道路资源，提高交叉口通行能力。因此目标函数为：

后来人类发现了金属，用铜和铁制造工具，制造铜鼎和铁容器烧煮食物，分别被人类学家称之为“铜器时代”“铁器时代”，烤煮食物的用具被称之为“锅”，人类熟食方式逐渐成熟起来。

 

约束条件为：

 

约束条件中，n为交叉口设计的相位数；l为相位损失时间。

3 模拟退火的交通配时优化

模拟退火算法是基于蒙特卡洛迭代求解策略的一种随机寻优方法。在解决局部最优和全局最优问题上具有突出表现。其本质是借鉴固体的物理退火过程，随着固体温度不断降低，逐渐平衡并达到基态，从而收敛到全局最优解。在本文中，借助该最优化方法求解交叉口延误最小时的信号控制方案，从而提高交叉口服务水平。

基于模拟退火的交叉口信号控制方案寻优算法步骤如下：

步骤1 设定初始化冷却进度表参数：初始温度T0，衰减函数f(T)，以及马尔科夫链长度L。

步骤2 根据各相位关键车道车流量比例，按照均匀分配方式确定初始相位绿信比初始解λ={λ1,…,λn}作为当前解，交叉口平均延误为(λ)。

步骤3 设计随机扰动rand产生新解空间λ′={λ1+rand1,…,λn +randn}，交叉口平均延误为(λ')。

步骤2 建立BP神经网络模型并训练该网络。随机初始化各层之间的连接权值ωmi和ωij，确定输入层节点个数M为15，输出层节点个数J为1，隐含层的节点个数参照下式：

步骤5 产生一个(0,1)之间的随机数η，若eϖ(λ)-ϖ(λ')＞η则将新解λ′作为当前解；否则仍将原解λ作为当前解。

例如，在学习《纪念刘和珍君》这一课程时，教师在教学中就要结合自己的教学水平和课堂的教学实际来运用“多元互动”式合作学习教学法，并通过教学实践完成“发现问题（作者写《纪念刘和珍君》这一文章的目的是什么？）—多元互动（生生互动，师生互动）—分析问题（根据‘纪念’二字可知，作者写这篇文章的目的是表达对死者深切、真切的悼念之情，对刘和珍君的回忆和哀悼......）—合作学习（小组合作，组间合作）—解决问题（赞赏刘和珍君的爱国情怀）”这一流程，以此实现“多元互动”式合作学习提升高中语文教学有效性的目的。

步骤6 进行退火，即Tk+1=f(Tk)；若满足温度下降终止条件Tk≤Tmin，则进入步骤7；若不满足则转至步骤3。

步骤7 停止退火过程，并输出最优解因此，在上述优化算法思路以及交叉口控制流程基础上，确定车联网环境下自适应优化控制流程如图2所示。

  

图2 车联网环境下自适应优化控制流程图Fig.2 Flow chart of adaptive control in connected vehicle environment

4 仿真实验及分析

4.1 实验路口

本文选取了成都市龙泉区“成龙大道—车城大道”十字型交叉口作为算例，通过现场调查，发现信号控制采用传统的4相位放行方式，并且采用定时信号控制方案。其中车城大道为南北走向4车道；成龙大道为东西走向5车道。交叉口的平面示意图如图3所示。

3.1.2 医学图书馆业务能力要提升。图书馆的采访工作要根据学科采访，有目的的进行采购图书，使学科分类更有针对性和目的性，读者能根据专业去找相关文献，流通部人员不仅要对中图分类法熟悉也要对上架图书有大体了解，对读者有问必答。情报部人员要对各个数据库了如指掌，细心解答群里各位用户的问题。期刊部人员要对中外文期刊准确上架，追溯过往期刊的排架。

  

图3 成龙大道—车城大道交叉口平面图Fig.3 Intersection geometry of the Chenglong avenue-Checheng avenue intersection

为对比分析传统定时控制与本文提出的车联网环境下自适应控制的效果，实测了2017年2月23日的各进口车道早高峰（7：30～8：30）、平峰（13：30～14：30）、晚高峰（17：30～18：30）的小时交通车流量，具体数据见表2所示。表中各进口的方向与图3对应，左、直、右代表驶入各进口道后待行的方向，如北进口的左表示由车城大道北面驶入成龙大道的东面。

 

表2 高峰-平峰时段车流量数据Tab.2 Traffic demand’s during three testing periods

  

车流量北进口/（pcu/h） 南进口/（pcu/h） 西进口/（pcu/h） 东进口/（pcu/h）左 直 右 左 直 右 左 直 右 左 直 右早高峰 566 1 517 892 226717 281 5571 805792 273 1 476 281平 峰 200 345 265 180240 40 1551 067207 30 744 24晚高峰 271 647 537 7061 420324 5421 284247 282 1 167 876

当然，仅与现实情况对比不足以显示本算法的有效性，本文同时采用遗传算法对优化模型求解，对比真实情况、模拟退火算法优化及遗传算法优化三种延误结果，进而说明本方法的有效性。

施工要点：（1）提升平台的总高度必须满足每一节模板的组装高度。混凝土浇筑要分层对称进行，每层厚度不超过30cm。混凝土浇筑到一定高度后，应在初凝后终凝前，第1次提升工作平台，高度以千斤顶一个行程（3～6cm）为限。第2次及以后每隔1～1.5h提升1次。（2）桥墩高度超过40m时，必须分段分批抽换倒用支撑顶杆。每批抽换的顶杆不得超过总组数的15%。（3）因故停工时，停工前必须将混凝土面摊平并振捣完毕，不但要确保工作平台的稳定性而且要控制好工作平台的提升高度。复工时加强中线水平观测，做好新旧混凝土的接缝处理。

4.2 仿真结果

本文利用VISSIM仿真软件对建立的优化模型进行仿真实验，在MATLAB环境下对COM接口进行二次开发以实现交叉口的自适应控制。仿真中，交叉口定时信号控制的相序与时间均与实际调查的数据一致。在仿真中分别设定早高峰、平峰以及晚高峰三个时段下的小时交通量，仿真总时长为3h，分别对调查的定时信号控制与两种算法下的自适应信号控制进行仿真，统计了仿真时段内车辆的平均延误以及平均停车次数，仿真的结果对比如图4、5所示。

  

图4 交叉口平均延误对比Fig.4 Comparison of the average intersection delay

  

图5 交叉口平均停车次数对比Fig.5 Comparison of the average number stops

结果表明，相比于原始的固定信号配时方案，经过遗传算法和模拟退火算法优化的自适应信号控制方法能够有效提高交叉口的通行能力，且流量越大（早高峰＞晚高峰＞平峰），优化效果越明显。对比遗传算法和模拟退火算法发现，遗传算法优化效果略差，说明本文提出的模拟退火算法能够跳出局部最优解，具备有效性。与遗传算法相比，模拟退火算法在早高峰、平峰和晚高峰期间对车辆通过交叉口的平均延误节省值分别为15.61s/veh、0.47s/veh、8.53s/veh，相当于一辆车通过交叉口的延误减少了11.05%、1.56%、6.76%，单辆车的平均停车次数也分别降低了0.59次/veh、0.04次/veh、0.27次/veh。

5 结 论

车联网环境下能够实时获得交叉口的车流状态，本文以单点信号交叉口为对象，在预测各进口短期时间窗交通流到达的基础上，建立了一种基于模拟退火优化算法的交通信号控制方法与模型，从而实现了车流单向适应信号向信号主动适应车流模式的转换，最大化利用道路资源。仿真结果表明，相比于定时信号控制，自适应信号控制的效果要明显更优，同时文章提出的模拟退化算法优化程度高于一般算法。模型满足了实时性、准确性的要求，BP神经网络模型能够基于先验信息快速预测周期交通流到达规律，模拟退火算法能够准确寻找全局最优解。相比于现有模型而言能够大大减少算法复杂度，易于实现与应用，大大缩短了交叉口单车的延误时间和平均停车次数，提高了交叉口的服务水平。

当然，本文研究还缺乏对于最小、最大绿灯时间的优化，也未研究车辆之间的相互影响，后续的研究工作将从这两方面继续展开。

有30例/次患者在中性粒细胞减少时伴体温升高，显示Ⅳ度中性粒细胞减少与体温变化存在一定相关性，易发生感染甚至败血症等致死性感染。一项有关肿瘤化疗致中性粒细胞减少伴发热（FN）风险因素的系统回顾中，患者高龄、基本状况差，疾病晚期，合并基础疾病，低基线血细胞计数，低体表面积/体重指数，使用骨髓抑制化疗方案和特异性基因多态性均为FN的风险因素[13]。因此针对以上高风险患者，适当管理FN的风险，化疗结束后定期监测血常规、体温变化，以便患者可以接受最佳化疗。

参考文献

[1] 魏武，张起森，王明俊，等. 一种基于模糊逻辑的城市交叉口交通信号控制方法[J]. 交通运输工程学报，2001，1（2）：99-102.

[2] 吴兵 李晔. 交通管理与控制[M]. 北京：人民交通出版社，2009.

[3] HLER E，STREHLER M. Traffic signal optimization using cyclically expanded networks[J]. Networks，2015，65（3）：244-261.

[4] 刘红红，杨兆升. 基于神经网络的实时交通信号控制与仿真研究[J]. 交通运输系统工程与信息，2008，8（2）：43-47.

[5] 楼小明. 考虑交叉口影响的城市路网信号优化设计问题研究[J]. 交通运输工程与信息学报，2013，11（1）：108-113.

[6] 李瑞敏，陆化普，史其信. 基于遗传算法的交通信号多层模糊控制模型研究[J]. 武汉理工大学学报：交通科学与工程版，2009，33（3）：407-410.

[7] 田丰，边婷婷. 基于自适应遗传算法的交通信号配时优化[J]. 计算机仿真，2010，27（6）：305-308.

[8] 黄艳国，罗强，许伦辉. 基于多智能体的城市交通区域协调控制方法[J]. 武汉理工大学学报：交通科学与工程版，2010，34（2）：409-412.

[9] 张存保，陈超，严新平. 基于车路协同的单点信号控制优化方法和模型[J]. 武汉理工大学学报，2012，34（10）：74-79.

[10] 张存保，冉斌，梅朝辉，等. 车路协同下道路交叉口信号控制优化方法[J]. 交通运输系统工程与信息，2013，13（3）：40-45.