本发明涉及智能交通与交通控制，尤其是涉及一种高速公路协同管控方法及系统。
背景技术：
1、高速公路入口匝道合流区由于主线车道减少、匝道行驶车辆汇入等，极易造成主线交通运行紊乱，并引发交通事故。统计表明，高速公路主线合流区交通事故率约为高速公路基本路段事故率的4-6倍。
2、可变限速(variable speed limits,vsl)和匝道控制(ramp metering，rm)是高速公路合流区主动安全管控的主要方法，但单一的管控方法在应对较大交通需求时效果往往不佳。可变限速与匝道控制的协同控制方法有效结合了两者的优势，控制效果显著。
3、目前，基于模型预测控制(model predictive control，mpc)开展可变限速与匝道控制协同管控是主流的研究方向。模型预测控制的性能高度依赖于宏观交通流模型的精度。然而，由于交通流的异质性以及管控策略实施后交通运行状态变化的难以预测性，传统的宏观交通流模型无法准确描述协同管控策略作用下的实际交通运行状态。因此，亟需建立一种高模型精度的高速公路入口匝道合流区主动交通管控方法。
技术实现思路
1、本发明的目的就是为了克服上述现有技术存在的模型精度低的缺陷而提供一种高速公路协同管控方法及系统。
2、本发明的目的可以通过以下技术方案来实现：
3、一种高速公路协同管控方法，包括以下步骤：
4、s1：获取目标管控区域的道路参数，根据道路参数，建立模型预测控制器，目标管控区域包括第一主线限速控制区段、第二主线限速控制区段和入口匝道；
5、s2：设定优化目标，根据优化目标为模型预测控制器设计约束条件；
6、s3：建立目标管控区域的仿真模型，通过模型预测控制器和约束条件进行仿真模型的标定，在标定后的仿真模型中遍历管控策略，得到管控数据，根据管控数据进行模型训练，得到交通运行状态预测模型；
7、s4：将每个控制周期视为一个交通运行场景，在仿真模型中运行交通运行状态预测模型，利用基于梯度投影记忆的持续学习算法，对网络参数更新施加限制，并在每个场景结束后存储该场景的知识记忆，重复直到所有控制周期结束，得到各个控制周期的最优管控策略。
8、进一步地，步骤s1具体包括以下步骤：
9、s11：获取高速公路目标合流区的道路参数，道路参数包括车道数、路段长度、入口匝道所处位置和是否设有加速车道；
10、s12：根据目标合流区的道路参数，将主线路段划分为主线上游区段、第一主线限速控制区段、第二主线限速控制区段、合流区区段、主线下游区段和入口匝道，
11、s13：通过检测器获取当前时刻k高速公路合流区各区段的交通流状态xi(k)，包括各区段的集计流量qi(k)、平均车速vi(k)、占有率oi(k)，即：xi(k)＝{qi(k),vi(k),oi(k)}；
12、s14：设计一个模型预测控制器，包含预测模块、优化模块与控制模块，预测模块中包含交通运行状态预测模型，优化模块中包含优化目标与约束条件，控制模块包含控制输出u(k+1)，包括k+1时刻的限速值与匝道控制率，即u(k+1)＝{b(k+1),r(k+1)}，其中b(k+1)为限速值，r(k+1)为匝道控制率；
13、s15：在预测模块中，模型预测控制器将当前时刻k的交通流状态x(k)与k+1时刻的控制策略u(k+1)输入交通运行状态预测模型，预测出k+1时刻控制策略作用下的交通流状态x(k+1)；
14、s16：在优化模块中，模型预测控制器基于目标函数与约束条件，求解k+1时刻的最优控制策略
15、s17：在控制模块中，输出主线限速值和匝道绿灯时长，当前控制周期k结束，并进入下一控制周期，进行循环迭代优化。
16、进一步地，模型预测控制器表示为：
17、x(k+1)＝f(x(k),u(k+1))
18、x(k)＝{x1(k),x2(k),……,xn(k)}
19、u(k+1)＝{b(k+1),r(k+1)}
20、式中，u(k+1)为控制模块的输出，x(k+1)为预测模块的输出，x(k)为当前时刻k的交通流状态。
21、进一步地，步骤s2具体包括以下步骤：
22、s21：为步骤s1构建的模型预测控制框架中的优化模块设计优化目标，以降低未来时刻的主线事故风险作为优化目标，建立事故风险实时评估模型作为目标函数j；
23、s22：为步骤s1构建的模型预测控制框架中的优化模块设计约束条件，对主线限速的限速值设置约束，约束包括最小限速，最大限速和限速间隔；
24、s23：根据匝道上排队车辆数，对匝道控制的绿灯时长设置约束，匝道绿灯时长必须控制在最小绿灯时长gmin与最大绿灯时长gmax之间。
25、进一步地，目标函数j的表达式为：
26、j＝-0.034·asc+0.020·ssc+0.010·afc-2.739·bfc+0.014·scu
27、式中，asc为当前区段的速度平均值，ssc为当前区段的速度标准差，afc为当前区段的流量平均值，bfc为当前区段的大车率，scu为当前区段与相邻上游区段的速度差绝对值；
28、入口匝道合流区的事故风险目标函数为所有主线区的事故风险实时评估函数之和：
29、
30、求解目标函数所得k+1时刻的最优控制策略
31、
32、进一步地，k+1时刻的绿灯时长的计算表达式为：
33、
34、式中，g(k+1)表示k+1时刻的入口匝道绿灯时长；rsat表示匝道饱和流量；c表示固定信号周期；
35、主线限速值约束的计算表达式为：
36、bi(k+1)＝{60,70,80,90,100,110,120}(i＝1,2)
37、匝道绿灯时长约束的计算表达式为：
38、gmin≤g(k+1)≤gmax
39、
40、式中，gmin表示最小绿灯时长，gmax表示最大绿灯时长，w表示匝道上排队车辆数，g′(k+1)表示k+1时刻的入口匝道绿灯时长最终输出值。
41、进一步地，步骤s3具体包括以下步骤：
42、s31：为步骤s1中形成的目标合流区搭建仿真模型，根据检测器获取的交通流数据对仿真模型进行标定；
43、s32：在仿真模型中遍历运行所有主线限速与匝道控制的协同管控策略组合，采集不同管控策略组合实施下的交通流数据，包括所有区段在固定时间间隔内的流量、平均速度、速度标准差以及对应的主线限速区段采取的限速值与匝道控制率；
44、s33：将当前时刻k的主线所有区段的流量、平均速度、速度标准差、限速值、匝道控制率作为特征，将k+1时刻的主线各区段的流量、平均速度作为标签，构成数据集；
45、s34：将数据集划分为训练集与测试集，构建深度学习模型进行训练；
46、s35：深度学习模型收敛后结束训练，将其作为步骤s1构建的模型预测控制框架中的交通运行状态预测模型，可用于预测协同管控策略实施后的合流区各区段交通运行状态，即x(k+1)＝f(x(k),u(k+1))。
47、进一步地，步骤s4具体包括以下步骤：
48、s41：将不同的控制周期视作不同的交通运行场景，每个场景需要不同的策略来改善交通运行，即当从控制周期k进入新的控制周期k+1时，对应场景k变为新的场景k+1；
49、s42：在新的场景中通过模型预测控制框架进行管控策略的更新优化，在深度学习模型更新过程中利用基于梯度投影记忆的持续学习算法，对网络参数更新施加限制，并在每个场景结束后存储该场景的知识记忆；
50、s43：重复s42直至所有控制周期结束，每个控制周期输出对应的最优协同管控策略主线控制策略通过第一主线限速控制区段和第二主线限速控制区段的可变情报板进行限速值发布，匝道控制率换算为匝道绿灯时长，通过入口匝道上设置的信号控制机进行发布。
51、进一步地，基于梯度投影记忆的持续学习算法对网络参数更新施加限制的计算公式为：
52、
53、的场景知识记忆用该场景训练结束后的网络参数矩阵rl表示，在场景训练结束后rl更新的计算公式如下：
54、rl＝rl-ml(ml)t＝rl-rlproj
55、式中，为模型参数更新中产生的梯度，而ml为之前训练过的所有场景的记忆rl的并集。
56、本发明的第二方面，一种基于如上任一的一种高速公路协同管控方法的管控系统，包括处理器、匝道指示灯、数据采集器、排队检测器、可变情报板和信号控制机，处理器在运行时执行如上任一的一种高速公路协同管控方法，第一主线限速控制区段、第二主线限速控制区段和入口匝道均设有数据采集器，第一主线限速控制区段、第二主线限速控制区段均设有可变情报板，用于显示管控策略，匝道指示灯和排队检测器均设置在入口匝道，信号控制机根据处理器的输出结果调节匝道指示灯。
57、与现有技术相比，本发明具有以下有益效果：
58、1)本发明建立了管控策略作用下的交通运行状态预测模型，利用深度网络捕捉不同管控策略实施下的合流区异质交通流状态特征，克服了传统宏观交通流模型预测不准、无法适应变化的缺陷，采用主线限速与匝道控制的协同管控策略，针对高速公路入口匝道合流区的交通特性，同时兼顾主线上游与匝道汇入两者的需求，保持上游到达瓶颈的流量始终小于通行能力，防止拥堵形成，同时避免匝道上出现车辆排队过长的现象，协同稳定交通运行状态，提升管控策略的有效性。
59、2)本发明构建了以降低运行风险、保障通行效率为综合优化目标的模型预测控制框架，针对高速公路入口匝道合流区事故多发的痛点，实现交通运行安全主动管控，保障合流区的行车安全。
60、3)本发明设计了基于梯度投影记忆的模型持续学习算法，对梯度更新空间加以限制，引入场景知识记忆存储矩阵，实现深度网络对不同场景的记忆增强，提升了交通流状态预测模型的多场景适用性。
1.一种高速公路协同管控方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种高速公路协同管控方法，其特征在于，步骤s1具体包括以下步骤：
3.根据权利要求2所述的一种高速公路协同管控方法，其特征在于，所述模型预测控制器表示为：
4.根据权利要求2所述的一种高速公路协同管控方法，其特征在于，步骤s2具体包括以下步骤：
5.根据权利要求4所述的一种高速公路协同管控方法，其特征在于，所述目标函数j的表达式为：
6.根据权利要求4所述的一种高速公路协同管控方法，其特征在于，所述k+1时刻的绿灯时长的计算表达式为：
7.根据权利要求1所述的一种高速公路协同管控方法，其特征在于，步骤s3具体包括以下步骤：
8.根据权利要求1所述的一种高速公路协同管控方法，其特征在于，步骤s4具体包括以下步骤：
9.根据权利要求8所述的一种高速公路协同管控方法，其特征在于，所述基于梯度投影记忆的持续学习算法对网络参数更新施加限制的计算公式为：
10.根据权利要求1-9任一所述的一种高速公路协同管控方法的管控系统，其特征在于，包括处理器、匝道指示灯、数据采集器、排队检测器、可变情报板和信号控制机，所述处理器在运行时执行如权利要求1-9任一所述的一种高速公路协同管控方法，所述第一主线限速控制区段、第二主线限速控制区段和入口匝道均设有数据采集器，所述第一主线限速控制区段、第二主线限速控制区段均设有可变情报板，用于显示管控策略，所述匝道指示灯和排队检测器均设置在入口匝道，所述信号控制机根据处理器的输出结果调节匝道指示灯。
