引言：城市化与机动车激增使交叉口成为交通瓶颈，传统固定配时控制难适应交通流波动。车路协同技术通过V2X交互实现全时空感知，打破信息壁垒，推动信号控制从被动响应转向主动预判。现有研究存在数据源单一、多目标协同不足、鲁棒性验证欠缺等问题。本文从数据融合、多目标优化、自适应仿真三维度构建体系，提升通行效率。
1基于实时数据融合的信号动态优化模型
1.1动态优化模型构建
基于车路协同“车-路-云”一体化感知体系，融合交通流状态（流量、车速等）、车辆运行（位置、加速度等）、道路环境（降雨量、能见度等）多源数据，经去噪、时空对齐与特征融合后，作为模型输入开展交通流状态估计与优化模型构建。动态优化模型以“最小化交叉口总车辆延误”为核心目标，同时兼顾排队长度约束与信号相位衔接合理性。模型的决策变量为各信号相位的绿灯时长、黄灯时长与红灯时长，其中黄灯时长根据道路设计车速固定设置（一般取3-5s），主要通过优化绿灯时长实现动态配时调整。
首先，基于融合后的实时交通数据，建立交通流状态估计模型，预测未来3个信号周期内各进口道的车辆到达率与离去率。采用韦伯尔分布拟合车辆到达过程，通过极大似然估计法确定分布参数；离去率则根据进口道车道数、饱和流率及当前排队长度计算，饱和流率参考《城市道路交叉口设计规程》并结合实时数据校准。
其次，构建目标函数与约束条件。目标函数设为交叉口总车辆延误最小，表达式如下：
其中，n为交叉口进口道数量，m为各进口道车道类型数（直、左、右），(为第个进口道第类车道在绿灯时长下的车辆延误，采用HCM2010延误模型计算，考虑信号周期、绿信比、到达率等参数的影响。
约束条件包括：（1）绿灯时长约束，即各相位绿灯时长不小于最小绿灯时长（根据行人过街需求设为15-20s），且不大于最大绿灯时长（避免其他相位过度等待，设为60s）；（2）信号周期约束，周期时长在60-180s范围内动态调整；（3）绿信比约束，各进口道绿信比之和不超过1，且保证各方向交通流均有通行权。
最后，采用改进的粒子群优化算法（PSO）求解模型。引入动态惯性权重与自适应学习因子，在迭代初期加大全局搜索力度，后期增强局部寻优能力，避免算法陷入局部最优。算法终止条件设为迭代次数达到100次或相邻两次迭代的目标函数值差小于0.1。
1.2模型验证与效率提升
为验证模型有效性，选取城市主干道与次干道交汇的典型十字交叉口进行实地测试。该交叉口东西方向为主干道（双向6车道），南北方向为次干道（双向4车道），高峰时段（7:30-9:00、17:30-19:00）交通流量较大，传统固定配时控制下平均车辆延误为82s，排队长度可达120m。
搭建基于车路协同的试验平台，部署路侧雷达、视频检测器、RSU等设备，接入200辆配备OBU的试验车辆，实现多源数据实时采集与融合。分别采用传统固定配时模型与本文提出的动态优化模型进行信号控制，持续监测3个高峰时段的交通运行参数。
试验结果显示：本文模型控制下，交叉口平均车辆延误降至62s，较传统模型降低24.4%；平均排队长度缩短至85m，减少29.2%；通行能力从1850pcu/h提升至2120pcu/h，增长14.6%。在交通流突变场景（如突发交通事故导致流量下降30%）下，动态优化模型可在2个信号周期内完成配时调整，而传统模型需10个以上周期才能适应变化，表明所提模型具备良好的实时响应能力与优化效果，能够有效提升交叉口通行效率。
2多目标协同的交叉口信号优化策略
2.1多目标冲突分析
车路协同环境下的交叉口信号优化需综合考虑通行效率、运行安全、环境影响三大核心目标，各目标之间存在显著的耦合与冲突关系，需明确冲突机理以制定协同策略。
通行效率目标以“最小化总延误、最大化通行能力”为核心，要求通过延长高峰流向绿灯时长、缩短信号周期等方式提升道路资源利用率；安全目标聚焦于“减少冲突点碰撞风险、降低车速波动”，需保证行人过街绿灯时长充足、相位转换时留有安全间隔，避免车辆急加速、急减速；环境目标则以“降低燃油消耗与尾气排放”为导向，需通过平稳交通流、减少怠速时间实现，这与频繁调整信号配时的效率优化需求存在矛盾。
通过相关性分析与Pareto最优解分析，量化各目标间的冲突程度：通行效率与安全目标的相关系数为-0.68，表明延长主干道绿灯时长虽能提升效率，但会增加次干道车辆的排队冲突风险；通行效率与环境目标的相关系数为-0.52，即过度追求效率导致的交通流频繁启停，会使单位车辆燃油消耗增加15%-20%。此外，不同交通场景下目标优先级存在差异——高峰时段效率目标权重需提升，平峰时段则应侧重安全与环保，特殊天气（如暴雨）下安全目标需置于首位。
2.2协同优化框架设计
基于多目标冲突分析，设计“分层决策-动态加权-协同求解”的多目标协同优化框架，分为目标层、决策层与执行层三个维度。
目标层采用层次分析法（AHP）构建目标体系，将总目标“交叉口综合运行效益最优”分解为一级指标（效率、安全、环保）与二级指标：效率指标包括平均延误、通行能力、排队长度；安全指标包括冲突点数量、车速标准差、行人过街满意度；环保指标包括单位里程燃油消耗、CO与NOx排放量。通过专家打分确定各指标权重，其中高峰时段效率指标权重设为0.5，安全0.3，环保0.2；平峰时段效率0.3，安全0.4，环保0.3。
决策层负责建立多目标优化模型并求解。以各目标的标准化指标值为输入，构建加权求和型目标函
其中，为第类目标的权重，为第类目标的标准化函数值，为决策变量（绿灯时长、周期时长、相位差）。采用非支配排序遗传算法（NSGA-II）求解模型，通过快速非支配排序与拥挤度距离计算，生成Pareto最优解集，再结合实时交通场景从解集中选取最优方案。
执行层负责策略的动态调整与反馈。通过车路协同系统实时监测各目标指标的实际值，与优化目标值进行对比，若偏差超过10%，则触发权重动态更新机制——例如，当冲突点碰撞风险指数超过阈值时，自动将安全目标权重提高0.1，同时降低效率权重0.08、环保权重0.02，重新求解模型并更新信号配时。
2.3策略实施与效果评估
选取上述验证交叉口进行多目标协同策略实施，设置三组对比试验：试验组1采用本文多目标协同策略，对照组1采用单一效率优化策略，对照组2采用传统固定配时策略。试验周期为7天，覆盖高峰、平峰与特殊天气（小雨）场景。
效果评估从效率、安全、环保三个维度展开：效率方面，试验组平均车辆延误为65s，较对照组1（60s）略高，但较对照组2（82s）降低20.7%，通行能力达2080pcu/h，仅比对照组1低1.9%；安全方面，试验组冲突点碰撞风险指数为0.32，较对照组1（0.58）降低44.8%，车速标准差从12.5km/h降至8.3km/h，行人过街满意度提升至92%；环保方面，试验组单位里程燃油消耗为8.2L/100km，较对照组1（9.5L/100km）降低13.7%，NOx排放量减少15.2%。
在小雨天气场景下，试验组通过动态提高安全目标权重，将车辆追尾事故风险降低60%，同时保持延误在75s以内，展现出良好的场景适配性。结果表明，多目标协同策略能够在保证通行效率的前提下，有效提升交叉口运行安全性与环境效益，实现多目标的动态平衡。
3车路协同场景下的自适应信号控制与仿真
3.1自适应控制机制设计
车路协同场景下的自适应信号控制机制以“实时感知-动态决策-闭环反馈”为核心，实现信号配时与交通流状态的动态匹配，包括感知触发模块、决策优化模块与反馈调整模块。
感知触发模块负责识别交通流特征变化，触发控制模式切换。基于融合后的实时数据，定义三种触发条件：（1）流量突变触发，当某进口道流量在1个周期内变化超过20%时，触发动态配时调整；（2）特殊车辆触发，当急救车、消防车等优先车辆接近交叉口时，通过V2I通信获取其位置与行驶方向，触发优先通行控制；（3）排队溢出触发，当排队长度超过进口道存储能力的80%时，触发紧急疏解控制。触发信号通过5G网络传输至决策优化模块，响应时间不超过200ms。
决策优化模块采用“基础配时+动态修正”的双层控制逻辑。基础配时由第1章构建的动态优化模型生成，作为初始配时方案；动态修正层根据触发条件类型进行针对性调整：对于流量突变，采用比例-积分-微分（PID）控制算法，根据流量偏差实时修正绿灯时长，比例系数Kp=0.8，积分系数Ki=0.2，微分系数Kd=0.1；对于优先车辆，采用“绿波预配时+红灯早断/绿灯延长”策略，提前调整相位顺序，确保优先车辆无延误通过；对于排队溢出，采用“缩短非拥堵方向绿灯时长+增加拥堵方向绿灯时长”的疏解方案，同时通过V2V通信提示后方车辆减速避让。
反馈调整模块通过路侧设备与车载终端实时采集配时实施后的交通数据，计算延误、排队长度等评价指标，与预设阈值进行对比。若指标优于阈值，则维持当前配时；若指标劣于阈值，则重新启动决策优化模块，生成新的配时方案，形成闭环控制。
3.3策略优化与敏感性分析
基于VISSIM搭建车路协同仿真平台，还原目标交叉口几何与交通参数，通过正交试验标定PID控制器、车辆跟驰等核心参数，平台与实地测试数据的延误误差1.6%、通行能力误差0.9%，确保仿真有效性。基于该平台开展自适应控制策略优化与敏感性分析，探究不同因素对策略效果的影响。
策略优化聚焦于车路协同渗透率与控制周期的参数优化。设置渗透率为20%、40%、60%、80%、100%的仿真场景，结果显示：当渗透率从20%提升至80%时，平均延误从78s降至62s，降幅20.5%；渗透率超过80%后，延误降幅小于3%，表明80%为经济性最优渗透率。设置控制周期为10s、20s、30s、40s的仿真场景，结果表明：控制周期为30s时，平均延误与通行能力达到最优平衡，延误为61s，通行能力2150pcu/h；周期短于30s时，相位切换频繁导致车辆启停增加，延误升至70s以上；周期长于30s时，排队长度持续累积，通行能力降至2000pcu/h以下，因此确定30s为最优控制周期。
敏感性分析重点探究交通流量、天气条件、设备故障率三类关键因素对自适应控制策略效果的影响。在交通流量敏感性分析中，设置高峰流量（2500pcu/h）、平峰流量（1500pcu/h）、低峰流量（800pcu/h）三种场景，结果显示：策略在高峰流量下的延误降幅（24.4%）显著高于低峰流量（12.1%），表明策略对高负荷交通流的优化效果更突出。在天气条件敏感性分析中，对比晴天、小雨、暴雨场景，发现暴雨天气下策略仍能将延误控制在85s以内，较传统策略降低18.7%，但优化效果较晴天下降6.3%，主要因恶劣天气导致数据感知精度降低。在设备故障率敏感性分析中，模拟RSU设备故障概率为5%、10%、15%的场景，结果显示：故障率低于10%时，延误增幅小于5%；故障率超过15%时，延误升至75s，优化效果明显衰减，因此需保证设备故障率控制在10%以内以维持策略稳定性。
结语
本文构建“数据融合-模型-策略-仿真”完整技术体系，提出的动态优化模型、多目标协同策略与自适应控制机制成效显著。模型降低延误24.4%，策略平衡效率与安全环保，自适应机制在80%渗透率下最优。研究丰富了智能交通信号控制理论，但未涉及区域协同与多模态交通，未来可结合AI技术深化，为城市交通优化提供实践指导。
参考文献
[1]王润民,张心睿,赵祥模,等.混行环境下网联信号交叉口车路协同控制方法[J].交通运输工程学报,2022,22(03):139-151.
[2]吕万钧.车路协同条件下自动驾驶公交运行控制策略与算法研究[D].北京市:北京交通大学,2023.
[3]房山.考虑不确定性的信号交叉口车路协同优化控制策略研究[D].陕西省:长安大学,2024.
[4]贺教琼.智能网联环境下无信号交叉口通行策略研究[D].陕西省:长安大学,2024.
[5]秦浩.车路协同环境下智能信号控制方法研究[D].辽宁省:大连海事大学,2024.
