智能城市道路交通控制系统的实时动态管理与优化

埃及信息学杂志23（2022）163拥挤城市道路网络的智能交通调度艾哈迈德A.A.Alkhatiba，Khueli Abu Mariaa，Shadi AlZua约旦安曼机场街约旦Alzaytoonah大学计算机信息系统系b约旦安曼机场街约旦Alzaytoonah大学计算机科学系阿提奇莱因福奥文章历史记录：收到2021年2022年9月19日修订2022年10月14日接受2022年11月16日网上发售保留字：智能道路交通控制智能城市道路交通网络管理城市交通控制A B S T R A C T随着智能城市中车辆数量的快速增长，道路交叉口和交通拥堵的管理已成为主要问题。司机们经常表达他们的观点，即在考虑交通流量的同时打开交通灯将对交通的流动产生重大影响。本文提出了一个智能道路交通控制管理系统城市交通控制（UTC），保持实时动态交通流的头脑，有助于提高道路交通网络管理水平。为了提供有组织的交通安排，UTC提出了车辆计数、控制过程和车道状态评估等方法，考虑到整个交通网络而不仅仅是考虑交叉口，实现了整个过程。我们的系统的主要目标是通过减少车辆在十字路口和交叉口的行程和等待时间来减少交通堵塞。我们需要为交通流分配一个具有最少的交通拥挤和车辆等待时间的计划，为此，本文引入了一些指标和模型。车道权重、交通阻塞指示器和车辆优先级是这些模型中的一种。由于这项工作是对现有道路网络的改进，没有太大的变化，我们将我们的系统集成到普通交通灯上，使每条车道都有机会移动，我们还考虑了无干扰车道移动。为了模拟我们的想法，我们引入了一个智能道路交通控制系统，由多个代理，通过使用NetLogo的仿真器。为了比较固定周期交通灯，产生了具有随机行为的几辆车（总共150辆），并将其分散在25个不同的十字路口，持续时间为9 h。此设置用于测试我们的智能交通控制解决方案在车道流量和无干扰移动流量上的效果。根据所得到的结果，有一个减少了25.98%的总平均等待时间在模拟期间的所有车辆和减少34.16%，没有干扰的运动流。这些观察清楚地表明，所建议的方法更适合于当今©2022 The Bottoms.由Elsevier BV代表计算机和人工智能学院发布开罗大学法律系这是一篇CC BY-NC-ND许可证下的开放获取文章（http：//creative-commons.org/licenses/by-nc-nd/4.0/）上提供。1. 介绍谈到本千年，在美国注册的车辆数量比率已上升到19%（即，20年前的4600万辆）。由于这种突然增加，交通事故、道路拥堵和环境污染问题变得更加严重。有一些电子邮件地址：Ahmad. zuj.edu.jo（A.A.A. Alkhatib）开罗大学计算机和信息系负责同行审查。这些问题的可能解决方案，如智能交通系统（ITS）或智能交通灯。这些方法减少了在红绿灯处的等待时间，提高了驾驶质量在大城市，等待时间和交通堵塞是至关重要的，通过调度交通和提高路口交通流量，智能城市可以减少拥堵，出行时间和二氧化碳排放[2]。交通细化过程可以涉及（ITS）智能交通灯系统，其可以包括遗传算法[3]、模糊逻辑和神经网络[4，5]、PLC[6]、机器学习和深度学习[7]或虚拟交通灯（VTA）[8，9]。这些技术的不同形式被引入智慧城市和物联网（IoT）计划车辆到一切（V2X）[10]。控制器和灯头是交通信号灯的组成部分，控制器就像大脑一样，命令灯按照预定的顺序变化。该序列可以遵循指定的时间间隔、自动驾驶车辆或城市交通控制（UTC）https://doi.org/10.1016/j.eij.2022.10.0021110-8665/©2022 THE COURORS.由Elsevier BV代表开罗大学计算机和人工智能学院出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表埃及信息学杂志杂志主页：www.sciencedirect.com艾哈迈德A.A.Alkhatib，K.A.Maria，S.AlZu埃及信息学杂志23（2022）163164原则尽管当前的交通状况，在每个循环期间的相同时间段内将显示以绿灯表示的固定时间技术，并且无论无干扰移动流量控制的方向如何，其仍然用于车道流量控制。然而，在高度拥挤的位置或没有等待的汽车的地方，这种方法可能是无效的。我们沿着辅路或交通信号灯放置一个探测器来跟踪车辆的需求，因为新技术以自动化的方式考虑到每个十字路口的车辆需求车辆需要经历一个相变过程，在这个过程中，绿色状态应该尽可能快地断言根据其他进入车辆或特定交叉口的周期数（最小或最大），可以检测相位并延长绿灯状态。尽管这种自动化方法比固定时间的传统方法更智能，但由于不容易计算极端拥挤路口的最大时间限制，因此自动化方法表现出较差的在UTC中，当前交通流的状态影响定时测量，并且网络在中央计算机上收集数据以改善交通流[11]。UTC系统不仅可以增加交通流量、车辆出行和减少排放，还可以作为解决新基础设施需求的替代方案，道路扩建、新建道路、隧道和桥梁。一个理想的交通管理系统必须足够智能，通过考虑输入、车辆优先级、受影响的输出交通和交通量来有效地管理道路上的交通流。这项研究提出了一种方法，实际上可以实现来记录传入的实时流量差异。为了最小化车辆的总行驶时间和等待时间，该技术抑制多相位，并且可以随着状态数据的每次更新而调整自身第二是道路交通优化的相关文献综述建议的技术在第3节中提到。第四节提出了改进交通灯系统的仿真方法。第5包括讨论，最后，第6节包括结论和预期今后在这方面的工作。2. 相关工作随着机动车数量的迅速增加，传统的交通灯管理方式已不能满足交通管理的需要。即使其他车道上没有车辆，系统仍然要求移动车辆等待特定的时间限制，这是一个真正的问题。为了解决这些问题，一些研究人员开发了包括虚拟交通信号灯、遗传算法和神经网络在内的解决方案，以提高交叉口每条车道的交通密度。这些技术需要在道路和交通上或其中之一上安装网络和硬件。[9]的文件。Pandey等人通过图像和视频处理，收集了交叉口的交通密度，并提出了一种分配交通信号周期的策略。 该方法对于交通控制是有效的[12]。Xu等人在202年使用生成对抗网络来预测道路交通他们认为，准确的状态预测是智能交通系统的关键这种预测有助于旅行者和政府分别执行关于交通管理的良好计划和策略。他们提出的框架包括三个模型，即，1）生成器（G）：使用历史交通状态来构建时空矩阵并从中生成未来交通状态（2）鉴别器（D）：用于计算实际数据和生成数据之间的差异。（3）对抗训练：确保（D）和（G）之间存在平衡。对于交通流，通过使用该框架生成5分钟交通预测[7]。在美国交通部的监督下，密歇根大学的鲁棒网络研究小组和密歇根交通实验室创建了一个智能交通信号系统（I-SIG）。这项技术旨在防止碰撞和减轻交通堵塞。该系统在美国的几个州进行了安装和测试，包括坦帕、佛罗里达、亚利桑那、加利福尼亚和纽约。为了评估交通状况和调整交通时间，I-SIG中的车辆将其当前位置和速度发送到附近的交通信号灯。不幸的是，他们声称I-SIG系统消除交通堵塞是一项艰巨的任务。因此，许多研究者几乎没有试图减少高峰时段的交通和“宝贵”时间的浪费根据Avin等人的观点，交通堵塞是由交通灯引起的因此，他们建议使用无线技术来提供每个车辆的基于虚拟交通灯和交通灯时间表广播的位置为了评估交叉口的容量和提高性能精度，他们创建了根据观察，车辆的百分比增加了5%，等待时间减少了50%。他们只考虑了未延误的车辆[14]。为了检测交通灯状态，Saini等人在2017年引入了卷积神经网络（CNN），该CNN基于状态识别方法。在各种照明设置和天气条件下，他们的技术被证明是可靠的驾驶评估[15]。Hagenauer等人专注于车对车（V-2-V）网络，研究了自组织交通管理算法的性能该研究取代传统的交通信号灯系统，将虚拟交通信号灯（VATS）安装在一辆领先车辆上。为了在实时车辆网络中进行选举和交通灯计算，研究人员创建了他们研究了使用合成和真实世界案例来构建一种算法的想法，该算法可以实现任意的交叉点布置。他们的结论是，WiFi有效地利用了所有车辆系统资源，并仅在平均网络负载下增强了驾驶体验[16]。当谈到多交叉口网络时，建议使用人工智能来管理智能交通流。Arel等人尝试通过使用增强学习神经网络（RL）来减少平均等待时间、拥塞和交叉口交叉阻塞的可能性，他们意图有效地控制交通灯周期他们在这个实验中考虑了五个交叉点，每个交叉点都充当一个自主智能代理（作为中央代理或出站代理）。为了找到一个近似的值函数，Q-学习与前馈神经网络实现。该实验的结果表明，对于LFQ调节下的孤立单交叉口控制，基于多智能体强化学习的控制系统是有益的[17]。为了与交通代理商进行通信，Iyer等人。讨论了利用多智能体模糊逻辑分配和Q学习实现交通流同步他们表示，模糊系统可以管理交通信号灯提供的多个输入数据级别。[18]第10段。Teo等人对交通灯系统进行了模拟，以观察等待车辆车道、琥珀色时间和绿灯持续时间的影响。为了保证路口车辆有效通行，他们采用遗传算法来安排红绿灯时间骑车。将当前排队长度作为遗传算法的输入，对交叉口的最优绿灯时间进行评价，使算法得到最优解。基因的速度艾哈迈德A.A.Alkhatib，K.A.Maria，S.AlZu埃及信息学杂志23（2022）163165算法取决于数据的长度，因此为了进一步增强结果，即使在状态为红色时也会记录传入流量[3]。Wang等人进行了微观模拟，他们提出了一种具有增量调整的自适应线性二次型调节器（LQR）一个多智能体的模拟，产生35个交界点进行。然后将从该模拟中收集的观察结果与常规交通信号进行比较，对于20 s的绿色周期记录了平均29.9 s的延迟，这相对小于正常信号灯的平均交通延迟[19]第10段。Siyal和Fathy应用边缘检测和神经网络算法开发了一种改善十字路口交通流量的方法。在这个过程中，边缘检测被用来识别车辆和估计他们的运动，而队列参数使用神经网络计算。这些神经网络在不同的交通流量记录上进行训练，以开发出与用于图像处理的传统算法相比具有更高准确度的模型[20]。使用CNN从视觉相机图片中收集和识别特征，John等人介绍了基于计算机视觉的机器学习技术，用于不同的照明环境。在这里，车载GPS传感器被添加到提高识别精度。GPS精确定位它所包含的交通信号的感兴趣区域。利用从不同地点收集的数据集，建议的技术进行了评估，并与传统的交通信号。在各种照明环境中，他们证明了他们建议的方法的令人印象深刻的识别准确性[21]。为了调节单个交叉路口的交通灯，Zou等人提出了一种基于无线传感器网络（WSN）的有效构建的模糊逻辑[22]。根据该模型，通过本应安装在道路旁的单轴磁传感器来监测附近地区的交通流量。根据可用车辆数，利用模糊算法来改变车辆的通过时间。与传统的固定周期系统相比，他们的研究得出结论，在80年代的模拟期内，平均等待时间减少了约22.7%，并获得在多交叉口交通网络中，Sanchez等人提出了一种改进交通灯周期的方法。他们将细胞自动机模拟器与遗传算法相结合，进行改进过程，并评估模型是否符合ingly。对于同步计算，该团队使用了Beowulf集群算法。之后，他们进行了实验以评估建议的方法，并确认其与交通信号优化任务的相关性[23]。Biswas等人使用了几种策略来改善交通系统。我们针对以前的工作，以提高智能交通系统，并进行了详细的研究，使几种不同类型的研究在这个问题上的比较。该研究强调了几个似乎有助于在发展中国家应用智能交通控制系统的贡献[24]。Zaatouri和Ezzedine提出了另一种用于管理交通信号的实时算法。他们使用计算机视觉和机器学习来评估道路交叉口的冲突交通流量。“You Only Look Once”（YOLO）命名对象识别算法被用于最大化交通信号灯的性能。该算法基于深度CNN算法。该方法符合等待时间和安全通过车辆的指南[25]。Ryd- zewski等人系统地分析了道路交通优化方法和算法的最新发展。研究人员研究了可能用于这方面的各种潜在模拟类型，例如NetLogo、VANET、SUMO、AIMSUM和VISSIM[26]。几位研究人员已经研究了在周围地区同步交通灯的复杂任务例如，Tomar et al.通过将系统划分为同步度来分析系统[27]。研究人员开发了一种信号同步模型，该模型能够与DSRC、传感器、图像处理或任何其他技术一起运行，以评估交叉路口的交通密度这是可能的规模的框架工作，包括新的路口没有任何问题.作者使用的技术是SUMO模拟，与固定时间和非同步交通管制相比，平均出行时间减少了19%（见图1）。①的人。Nesmach- now等人在为快速公交系统开发交通灯同步并行算法时考虑了实际地图和移动性数据。在这里，为公共汽车和其他车辆分配了不同的优先权。据研究人员称，通过这种方法，公共交通的平均速度提高了近15.3%，其他车辆的平均速度也提高了近15.3%。24.8%[28]。城市交通平衡控制（URBC）是中和等人提出的一种交通控制基于状态反馈。在这Fig. 1.车道流和无干涉运动流。艾哈迈德A.A.Alkhatib，K.A.Maria，S.AlZu埃及信息学杂志23（2022）163166图二.建议的系统阶段。方法，利用VISSIM软件对北京望京进行模拟。该地区有19个交叉口和56个链接，据观察，可以将延迟时间从13%减少到20%[29]。Burguillo等人使用NetLogo模拟了网格网络中的道路交通状况。为了证明平均等待时间是如何受到影响的，研究人员使用了不同数量的自组织交叉点。研究结果表明，当智能交叉口的数量超过50%时，与标准的定时交通信号灯相比，等待时间缩短[30]。Ahmad等人在4x4交通网络网格上进行了1、2和3小时的模拟。[31]。结果表明，当使用所提出的方法时，平均等待时间减少了18%。Patrascu等人在研究中强调了车辆等待时间。除了各种代理之外，他们还使用了Jade框架，Java和SUMO。是有可能平均等待时间下降，这将导致燃料减少3.06%，平均速度增加9%[32]。3. 方法这里介绍的系统包括将应用于交通灯的各种过程，而无需显著修改基础设施。该系统的目标是减少车辆平均等待时间，提高交通流量。该系统还接收关于整个交通网络而不仅仅是交叉口的交通的持续更新的信息。交叉口的现状交通状况和受此影响的主要道路反映了本研究确定的指标。该决定将由交叉口本身作出，考虑到交通量和车辆优先权的前一个和后一个交叉口，组织交通流量，使车辆等待时间和交通堵塞的网络最小化。如图2所示，提出了三个阶段的交通灯控制系统。3.1. 第1阶段：车道识别在图3中可以看出，在交叉路口处通常有四个交通灯，每个交通灯具有多个车道和两个方向（向后和向前）。首先提出了一种技术，分配一个IDx号码的交通灯上的每一个车道，使车道，交叉口和方向可以区分。可能受现有车道交通影响的所有方向的相关车道也可以由ID表示考虑到车道流技术，在交通灯IDx中存在三个数字，其表示以下交通灯分配：艾哈迈德A.A.Alkhatib，K.A.Maria，S.AlZu埃及信息学杂志23（2022）163167图三.交通灯IDx分配-车道流技术。IDx = HVD（水平、垂直、方向）将为每条路径分配一个编号（1，2，3，n）。因此，对于每个交叉点，将有一个水平和垂直路径编号。每条路径都有两个方向（前向用1表示，后向用2表示）。你比如说HVD的ID是（2，2，1）。第一个数字表示第二水平路径，第二个数字表示第二垂直路径，而最后一个数字表示方向，在这种情况下是向前的方向x表示交叉边，等于1、2或更大。见图4。 没有干扰移动。●●●艾哈迈德A.A.Alkhatib，K.A.Maria，S.AlZu埃及信息学杂志23（2022）163168HVD可以表示领先或受影响的车道，因为具有类似H或V指数的所有交叉口被认为是受影响的。另一方面，关于无干扰移动流的IDx将包括以下内容：IDx = HVLD（水平、垂直、位置、方向）每一条路径都将被分配一个数字（1，2，3，n）。因此，每一个交叉点都将有一个水平和一个垂直路径编号。每个十字路口有四个位置（a，b，c，d）。参见下图4每个交叉口都有四个无干扰运动参见下表1。3.2. 第2阶段：交通灯侧在此阶段，将在每个红绿灯处收集信息使用[33]中建立的交通计数方法的车辆数量将在每个红绿灯处确定该方法的基础是利用两个红外传感器和两个传感器，这两个传感器彼此相距1米，表1无干扰运动HVLD。●●●●艾哈迈德A.A.Alkhatib，K.A.Maria，S.AlZu埃及信息学杂志23（2022）1631695ð==1/1X¼ð ÞXX图五. 用于车辆计数的红外传感器。无论是在开始的每一个车道或后的交通灯，以确保车辆计数准确，如图所示。 五、永久（开启）的红外传输将红外信号通过视线连接发送到地面上的探测器。在探测器接收到红外信号的整个过程中，没有车辆经过光束。在这种情况下，通过的车辆的数量将通过识别车辆的速度和交通流量的长度来确定，因为与正常长度的车辆相比，较长的车辆更可能导致更大的交通堵塞问题。当车辆中断初始红外传感器的连接时，将触发两个计时器：（t-1 m）和（t-断开连接）。为了确定车辆速度，初始连接中断和后续连接中断（间隔1m）之间的时间由T-1 m确定轿厢长度由断开连接的第二计时器T-通过计算从第二次连接中断发生的点到第一次连接重新出现的时间来在车辆长度的基础上，每当断开连接的t-超过正常长度车辆所需的时间时，车辆数量将增加（n），速度保持不变。轿厢速度m s1m1t-1计汽车速度dm= h/h。1个月。t-1r2k¼。t-断开连接ω汽车速度d5确定交叉口车辆数的方法如图所示。第六章表2中还提供了一个优先级模型，该模型将车辆分为三种优先级类型，在计算车道权重时将考虑这些类型。假设紧急车辆、校车和公共交通工具可以向交通信号灯发送信号，并且可以通过DSDR或RFID识别自己在此之后，在每个交通灯处使用等式（6）来计算重量。除了交通灯IDx（HVD）之外，交叉口控制器还将接收结果。wIDxnVpi 6这里，w是指交通灯权重，n表示车辆的数量，Vp表示优先级权重。3.3. 第3阶段：交叉口控制器在此阶段，在交叉口控制器侧执行操作。这样做的目的是创建一个表格，根据交通堵塞指示器、重量、绿色周期数量、交通灯顺序、现有状态和后续状态时间来区分每个HVD时间表。10003600Tj（Traffic Jam Indicator）是指前一个i将流量导向的HVD权重的数量当汽车速度（km/h）小于5 km/h时，计数器仅改变一次，因为汽车以非常低的速度移动。当速度超过5 km/h时，随后给出的方程为：使用：t-断开连接的时间<$4卡完全穿过第一个传感器的时间车长<$$>车速ωt-断接处<$3t应该增加汽车的计数器，超过5米长，使交通量可以在-在统计数据中下面给出的公式可用于此目的。k车长度4正常车长现有HVD的路径，以及随后将在所有方向（水平和垂直方向）上受到现有HVD车流影响的i个建议的指示符可以指示不同路口的交通状态。等式（7）可用于计算Tj。五义惠理Tj¼w ID 7V-IH-I将存在具有更高Tj的更高阶交通灯在正常的循环中，Arelet。还假定30s的绿色循环几乎等于p辆车的运动（平均约10辆车）。因此，用于车道流量控制的等式（8）用于确定正常绿灯周期所需的数量，艾哈迈德A.A.Alkhatib，K.A.Maria，S.AlZu埃及信息学杂志23（2022）163170XX见图6。 提出了一种计算交叉口车辆数的算法。表2车辆优先权。车辆优先权（Vp）应急车1.0学校公共汽车0.5普通车0.1当使用无干扰移动流时，计算略有不同，因为将根据所选择的移动来计算交通堵塞指示符：运动重量：机芯重量20000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000移动装置的重量：机芯重量：ð10Þ最佳数量的车辆移动通过路口，而方程（9）是用来确定时间的后续状态。多家汽车车辆可能涉及子跳的不同参数，并且不能预测（i）的交叉路口车道的后续移动;因此，我们将移动的权重包括在给定半径（i）中的所有交叉路口的权重中，以如等式（11）中那样计算Tj。绿色循环次数p 8Tj运动重量指数五义会wIDx;iNV-i H -i下一个状态的时间¼X交通信号灯的绿色周期时间（带CAN总线）1þðN ω10Þ1/1/2;5]101 1/2而Index是移动编号。移动指数的绿色周期数ð9Þð Þ车辆L数这里，N表示交叉口车道的Tj阶，10 s表示¼p阶交通灯状态的每一次变化都是安全的ð12Þ艾哈迈德A.A.Alkhatib，K.A.Maria，S.AlZu埃及信息学杂志23（2022）163171X1-X2表3车道调度。IDx重量TJ N（TJ顺序）绿色循环次数下一状态最大车辆数N下一个状态的时间交通灯的绿色周期时间，N1þðN ω10Þ表4Agentð13Þ最后，下表3给出了交叉口时间表：4. 仿真NetLogo[34，35]用于构建多智能体城市交通仿真模型。我们使用了25个相连的交叉点，座席类型属性行为车辆代理●车辆ID优先方向当前车道停车时间等待时间退出时间交通信号灯代理●交通信号灯标识相交ID灯光方向灯光移动车辆总数总重量交叉口控制器代理●Intersection-Id行驶方向交通堵塞指示器（TJ）(for选择交通信号灯绿色循环次数黄色循环次数（10 s作为安全时间）红色周期数当前状态下一状态的时间● 集合id设置优先级发送优先级信号● 设置流量ID计算车辆密度计算交通灯重量● 计算-交通拥堵-指示灯分配-交通灯-顺序计算-绿色周期计算-红色-黄色-周期确定-下一个-更改图第七章多智能体城市交通系统组件。艾哈迈德A.A.Alkhatib，K.A.Maria，S.AlZu埃及信息学杂志23（2022）163172在各个方向上有各种车道和150辆汽车在一个随机的行为。该模拟器专门用于测试三种UTC系统，即建议系统、无干扰运动和固定时间交通控制系统。NetLogo是一个免费的开源软件，用于多智能体可编程建模环境 。 该 程 序 使 用 Scala 和 Java 语 言 编 写 ， 运 行 在 Java 虚 拟 机（JVM）上.NetLogo可以在四种代理下对种群增长进行建模：补丁，链接，Turtules和观察者（更多细节请参见[34]）。为了确定每个代理的关键属性和技术，一个多代理-的城市交通机制作为仿真模型，如表4所示。在这个模型中，每个交通灯，车辆和控制器被认为是一个不同的代理，并分布在25个交叉口的地图。UTC的不同类型的代理人是：车辆代理：交通灯代理交叉口控制器代理：控制单元确保诊断过程是有效的，它还为交通灯单元提供指令和修改。见图8。 模拟设置。见图9。 三种技术的Tj比较。●●●艾哈迈德A.A.Alkhatib，K.A.Maria，S.AlZu埃及信息学杂志23（2022）163173×每个智能体使用一种面向决策者的决策行为方法来管理路口的所有交通灯然而，交叉口处的交通的现有状态始终由交叉口控制代理确定。所获得的信息然后用于确定代理的行为。图图7示出了基于代理的系统组件，而图 8显示了模拟设置（NetLogo）的屏幕截图。对于150辆具有相同平均行程时间的随机行为车辆在9小时的模拟时间内，通过集中于所有150辆车该方法采用了以下几种方法：（1）控制器代理：获取数据并将调度分配给HVD和HVLD，(2)交通灯代理：记录每个HVD的车辆数量和重量;（3）车辆代理：根据车道流和无干扰移动流来声明其优先级值。与此相反，在交通灯智能体上采用以下方法进行固定类型：绿灯显示30s，红灯显示90s，并设置一个安全时间10秒的时间被包括在内，以说明交通灯状态的变化在该模型中，不使用控制器。5. 结果和讨论对于固定控制和智能控制，仿真在5的映射（网络）中运行在9小时的时间范围内有5个交叉点。对于所有的150辆车，平均等待时间的总行程时间和交通堵塞指标（TJ）的25个交叉口进行了监测。在建议方法的评价中确定，TJ是一个参数，表明在多大程度上，现行交通是从干扰两个方向（路径朝向当前交叉口移动，并将接收来自现有交叉口的交通）。 对于两个系统（智能和固定），保持了TJ记录以描述该指示符将如何影响业务流。TJ-智能车道流量控制记录的示例如表5所示，该表向交通灯控制器提供了交叉口和相邻区域的现有状态。TJ-smart无干扰-见图10。 车道流和运动流技术的Tj比较。表5TJ-智能车道流量控制。没有IDTJ-1TJ-2TJ-3TJ-4TJ-nAve11-111472.797460.674484.920436.428441.290459.221821-112517.803504.526531.080477.972467.122499.700632-111400.803390.526411.080369.972388.881392.252442-112517.803504.526531.080477.972523.904511.05751-121400.803390.526411.080369.972406.131395.702461-122400.803390.526411.080369.972389.456392.367472-121348.270339.340357.200321.480333.598339.977682-122408.330397.860418.800376.920340.297388.4414................962-542347.509362.037338.569362.037331.822348.3948971-551395.160416.520392.221422.578334.126392.121981-552398.899374.818389.560356.606363.345376.6456992-551293.805286.578312.100281.975279.221290.73571002-552278.543284.776309.678286.098276.426287.1042艾哈迈德A.A.Alkhatib，K.A.Maria，S.AlZu埃及信息学杂志23（2022）163174在表6中描述了事件移动流记录，而在表7中示出了相同交叉点的TJ固定。对于这两个系统，已经确定了每个路径ID的平均TJ，使得不仅可以跨交叉口，而且可以在整个网络（25个交叉口，每个交叉口具有4条路径）中比较结果。研究结果发现TJ-Smart车道的流量控制和无干扰运动控制都或多或少的是一条较低的均匀线图9是模拟期间的曲线图的一部分，而TJ固定的增量值变化很大，如图9所示。这表明该方法可以将交通拥堵控制在可接受的范围内，而不是不预先控制的情况表6TJ-智能运动流量控制-示例。没有IDTJ-1TJ-2TJ-3TJ-4TJ-5Ave11-111300.662316.914320.874312.586306.471311.50145821-112343.471362.037340.087335.326333.060342.796232-111491.471518.037488.822523.058516.554507.588442-112220.890232.830244.886217.769232.843229.843651-121278.980294.060277.456290.644301.856288.599261-122207.089218.283223.471220.553204.673214.8138472-121392.089413.283431.438429.341416.773416.584882-122220.890232.830213.547450.548218.654267.293824................962-542455.972466.166471.808483.231479.667471.3688971-551571.310566.120553.020546.823554.999558.4544981-552414.910398.773384.591359.122363.905384.2602992-551397.108321.201354.551340.774368.003356.32741002-552332.968325.065344.411331.389321.442331.055表7TJ-固定对照品-样品。没有IDTJ-1TJ-2TJ-3TJ-4TJ-5Ave11-1114662.0004914.2214923.7504931.7604536.0094793.5521-1122904.5003061.5002923.0003191.1152826.7602981.3832-1115235.5005518.5005605.3215521.3335094.7255395.0842-1123872.6674082.0004111.5864103.6613767.9653987.5851-1215426.6675720.0005789.9915891.8845280.8815621.8861-1224356.7504592.2504363.5224427.0084239.0434395.7172-1215522.2505820.7506041.6115762.2265373.7665704.1282-12223236.00024492.87623469.77025886.23122608.79923938.74................962-5429313.25010970.65011115.67011521.76012660.33011116.33971-55114314.00010991.52011630.33012934.00010313.33012036.64981-55216150.99012550.66015810.00012490.53013210.99014042.63992-5518424.5609902.99010826.7609860.35010929.4109988.811002-5525454.5107704.0006721.0008716.0009932.2807705.56图十一岁与按总等待时间的固定周期控制相比，本文提出的算法是可行的艾哈迈德A.A.Alkhatib，K.A.Maria，S.AlZu埃及信息学杂志23（2022）163175表8车辆行程时间和平均等待时间（AWT）-样本。车辆Id跳闸时间（秒）AWT-固定（秒）AWT-Smart（秒）AWT-移动（秒）123525.4722.711.00220527.324.878.33321534.6730.769.33433439.8929.9610.33541335.030.5411.33613238.5629.1212.33751444.3228.6513.33..........9439236.5921.8231.239540148.7724.6032.239641044.3221.5833.23..........14633139.6725.2514.6714728839.4726.5216.8014854238.5627.6617.8014932246.5628.2518.8015033144.2330.6419.80在固定流量控制中看到的网络的可命令或增量行为。车道流和运动流看起来非常接近，因为运动控制比流量控制有很小的改善，如图所示。 10.相比之下，如表8所示，记录了两个系统的所有150辆车的行程时间和平均等待时间。如图10所示，建议的方法减少了每辆车的等待时间。根据调查结果，对于所有150辆平均行程时间为335.44 s的车辆，传统固定周期控制计算的平均等待时间为40.49s，对于建议的车道流量控制系统为29.97 s，对于无干扰移动控制为26.66 s，其中车辆数量和平均行程时间相同（见图11）。因此，建议的智能系统在交通灯上的平均等待时间减少了25.98%的车道流量控制和34.16%的移动控制的道路网络中的整个交通。这些百分比高于其他具有类似目标和环境的研究。当平均轮候时间减少时，气体排放量、新基础设施需求和时间浪费等都会减少。6. 结论和今后的工作在这项研究中，基于智能交通优化的需求和可行性的基础上，确定了城市交通为基础的智能交通灯调度方法，使车辆等待时间减少，现有的基础设施经历很少的该系统提出了有限的指标和模型，以提高整个网络的交通流量，减少车辆的平均等待时间，这两种方法分别为34.16%当采用这种系统时，对新基础设施的需求减少，燃料消耗、驾驶员的行程时间、气体排放、平均等待时间以及对动植物和人类健康的环境影响也未来研究的目标将是原型系统和实现虚拟交通灯技术（VT）的方法。7. 数据可用性应作者要求提供数据8. 筹资报表没有资金申报。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。确认作者要感谢约旦Alzaytoonah大学的支持。引用[1] 美 国交 通部 ， 交通 统 计局 ， 交通 统计 年 度报 告2021 （ 2021 ） 。美 国运 输部 。[联机]。网址：bts.dot.gov/files/2022-01/TSAR_FULL%20BOOK-12-31-2021.pdf2021。https://www.bts.gov/sites/[2] Ferreira M，d'Orey PM.虚拟交通灯对减缓碳排放的影响。IEEE TransIntellTransp Syst2012;13（1）：284-95.[3] K. T. K. Teo，W. Y. Kow和Y. K. Chin，“用遗传算法优化城市交通信号灯交叉口内的交通流”，第二届计算智能、建模和仿真国际会议，印度尼西亚巴厘岛，2010年，pp. 172比177[4] 放大图片作者：Khiang M，Khalid M，Yousef R.基于模糊逻辑的智能交通灯控制。MalaysianJComput Sci 1997;9（2）：29[5] 赵凯华、黎瑞华、王明华[6] 刘文，李晓，李晓，等.基于PLC的智能交通控制系统.北京：交通大学出版社，2000 ， 24 （ 3 ） ： 119 - 119. Int J Innovat Res Comput Commun Eng 2015;3（6）：287-90.[7] 徐东，彭平，魏春，何东，宣清。基于生成对抗网络的道路交通网络状态预测。IETIntel Transport Syst 2020;14（10）：1286-94.[8] M.C.P. Ferreira ， O. Tonguz ， R.J. Fernandes ， H.M.F. DaConceicao 和 W.Viriyasitavat：“使用车对车通信启用的车内虚拟交通控制信号协调车辆交通的方法和系统”，谷歌专利，美国专利出版社。序号：US 2013/0116915 A1，2015.[9] Alkhatib AA ，Sawalha T.道路交通优 化技术：综述。 IndianJComput Sci Eng2020;11（4）：311[10] Y.J