队列响应自适应信号控制与Webster优化：在一个有信号控制的交叉口的多标准仿真评估 Mustafa Albdairi 和 Ali Almusawi

《Future Transportation》：Queue-Responsive Adaptive Signal Control vs. Webster Optimization: A Multi-Criteria Simulation Assessment at a Signalized Intersection Mustafa Albdairi and Ali Almusawi

　　摘要 信号化交叉口的交通信号控制对于缓解城市拥堵、减少车辆排放和提高道路安全起着关键作用。本研究使用城市流动性模拟（SUMO）微观交通模拟器，检验了四种信号控制策略在四路独立交叉口的适用性：基线固定时间计划、Webster优化固定时间计划以及通过交通控制接口（TraCI）实现的排队响应型自适应控制器。在每小时每路600辆车的平衡交通需求下，对这些策略进行了3600秒的模拟评估。性能评估采用了与流动性、环境影响和安全性相关的八个指标，包括平均延误时间、行驶时间、队列长度、网络速度、吞吐量、二氧化碳排放量、燃油消耗量和碰撞事件发生时间。结果表明，自适应控制器取得了最大的改进效果，延误时间减少了14.3%，行驶时间减少了13.6%，二氧化碳排放量减少了9.3%，燃油消耗量减少了9.4%，碰撞事件减少了11.2%，同时网络速度提高了47.9%。Webster优化计划也取得了中等程度的改进，延误时间减少了4.8%，燃油消耗量减少了5.0%，且无需额外的基础设施投入。总体而言，研究结果表明，信号重定时和排队响应型自适应控制都可以提高交叉口性能，具体采用哪种方法取决于现有的基础设施和实施成本。 1. 引言城市交通拥堵是现代交通系统面临的最持久挑战之一。快速的城市化、不断增加的车辆拥有量以及道路扩展的局限性加剧了全球许多城市的拥堵问题，导致行驶时间延长、燃油消耗增加、车辆排放增加以及事故发生风险上升[1,2]。在城市道路网络的各种要素中，信号化交叉口是关键的操作瓶颈，需要通过交通信号控制来调节相互冲突的车辆流[3,4]。不高效的信号定时会显著加剧延误和队列形成，造成频繁的停车等待现象，从而对流动性、环境可持续性和道路安全产生负面影响[5]。因此，有效的交通信号控制策略对于提高交叉口性能和减轻拥堵影响至关重要。传统的信号控制系统通常依赖于固定时间信号计划，其中绿灯相位持续时间预先设定，并且不受实时交通状况的影响[6]。虽然固定时间控制实现相对简单且所需的基础设施较少，但其无法应对变化的交通需求，常常导致在动态交通条件下的性能不佳[7]。为了解决这些问题，交通工程师开发了优化信号定时方法和自适应控制方法，可以根据观察到的交通状况动态调整信号相位。先前的研究强调了信号化交叉口对城市交通性能的显著影响。例如，Azmain等人[8]报告称，在拥堵交叉口中，不适当的信号定时导致了严重的队列溢出和较差的运行性能，高峰时段的的服务水平仅为F级。通过实施优化的信号定时策略，研究表明车辆延误显著减少，交叉口性能得到明显提升。类似地，Schicktanz等人[9]发现，信号化交叉口的拥堵不仅增加了车辆延误，还影响了交通安全。他们的微观分析显示，在拥堵条件下，城市交叉口的平均延误时间显著增加，而如侵入后时间等安全指标则下降，表明冲突风险增加。这些发现强调了有效信号控制策略在提高信号化交叉口交通效率和交通安全方面的关键作用。为了减轻拥堵并提高交叉口性能，过去几十年来开发了几种交通信号控制策略。传统的信号控制系统通常依赖固定时间信号计划，其中绿灯相位持续时间基于历史交通数据预先设定，无论实时交通状况如何都不变化。确定最佳信号定时的最常用分析方法是Webster提出的经典公式[10]，该方法提供了一种数学方法，用于估计最小化交叉口平均车辆延误的最佳信号周期长度。Webster公式考虑了交通流量、饱和流量和信号周期内的损失时间之间的关系，以确定信号化交叉口运行的最佳周期长度。在此基础上，许多研究提出了对Webster基信号定时方法的改进和修改。Rrecaj等人[11]引入了一种改进的Webster模型，旨在在不同饱和条件和高交通需求水平下优化周期长度估计。同样，Zhang等人[12]开发了一种结合改进的Webster延迟函数和遗传算法的优化方法，得到了显著减少交叉口延误的结果。尽管这些固定时间信号控制策略在实践中广泛使用，但它们往往难以适应动态交通条件。随着交通需求全天变化，预定时信号计划可能变得不理想，导致信号运行效率低下和车辆延误增加。因此，研究强调了需要更稳健的信号定时方法，以在不同交通条件下保持稳定性能[13]。为了解决固定时间信号控制的局限性，开发了自适应交通信号控制（ATSC）系统，能够根据实时交通状况动态调整信号定时。与预定时策略不同，自适应方法持续监控车辆流量、队列长度和延误等交通状态，从而根据需求变化调整信号相位。最近的研究越来越多地探索强化学习（RL）和数据驱动技术来提高自适应信号控制的性能。例如，Maadi等人[14]提出了一种基于RL的自适应信号控制框架，适用于连接和自动化车辆环境，与常规控制策略相比，显著减少了队列长度和停车延误。Cao等人[15]和Wang等人[16]开发了基于深度强化学习的信号优化方法，能够根据交通状态信息动态调整信号相位，从而改善行驶时间和交叉口效率。此外，还有研究考虑了结合连接车辆数据和随机优化的自适应控制框架，以应对车辆到达和交通需求的不确定性[17]。随着人工智能的快速发展，强化学习（RL）和深度强化学习（DRL）已成为交通信号优化的有前景的方法。与传统基于规则或分析的方法不同，基于RL的控制器通过与交通环境的互动学习最佳信号策略，使其能够适应复杂和动态的交通条件。最近的研究表明，深度神经网络可以显著提升RL模型在交通信号控制中的学习能力。例如，Tan等人[19]证明深度强化学习模型能够有效捕捉复杂的交通状态模式，并将学到的控制策略推广到新的交通场景中，从而实现比其他基于学习的方法更低的平均车辆延误。Zai和Yang[20]提出了一种改进的DRL框架，结合了注意力机制和长短期记忆网络，在各种交通条件下显著减少了队列长度、等待时间和排放量。其他研究则关注多智能体强化学习，以协调多个交叉口的信号。Hu和Li[21]开发了一个多智能体DRL模型，整合了本地和全局智能体来协调网络中的信号操作，从而提高了交通效率并减少了车辆等待时间。最近，Bie等人[22]提出了一种基于时空图注意力的多智能体DRL框架，能够适应异构交叉口的特性，在减少车辆延误和提高行驶速度方面表现出色。信号化交叉口也是车辆排放的重要来源，因为信号控制操作会导致频繁的加速、减速和怠速。不高效的信号定时会增加燃油消耗和污染物排放，包括CO、HC、NOx和CO2。最近的研究强调了将环境因素纳入信号优化的重要性。例如，Fan等人[23]分析了信号控制策略对混合交通环境中排放的影响，表明优化信号定时可以显著减少污染物排放，特别是对重型车辆而言。Wang等人[24]提出了一种多目标信号优化框架，同时考虑了交通效率 and 减少排放，证明适当的信号定时策略可以有效降低城市交叉口的排放水平。Zhao等人[25]的早期工作也指出，信号定时参数根据交通状况和车辆组成不同而影响车辆排放，表明以排放为导向的优化可能需要不同于单纯基于延迟最小化的信号定时解决方案。除了交通效率和环境性能外，交通安全也是交叉口运行的另一个关键方面。传统的安全评估主要依赖于历史事故数据；然而，基于事故的分析通常需要较长的观察周期，可能无法捕捉车辆之间的动态互动。为了解决这些局限性，越来越多地使用从车辆轨迹派生的替代安全措施（SSM）来评估潜在的碰撞风险。如碰撞时间（TTC）和侵入后时间（PET）等指标已被广泛用于识别交叉口的交通冲突和评估安全性能。Astarita等人[26]证明，从微观交通模拟中得出的替代安全指标在与真实事故数据对比验证后可以有效地表示碰撞风险。Patel等人[27]开发了一种基于人工智能的框架，利用轨迹数据和SSM分析交叉口安全性，表明TTC和PET可以提供有关危险交通互动的宝贵洞察。最近的研究进一步应用基于冲突的安全分析来研究车辆互动并确定关键冲突阈值，强调了SSM在主动交通安全评估中的实用性[28]。与强化学习方法并行，另一条研究路线是将多目标进化和群体智能算法应用于信号优化。Niu等人[29]将交叉口信号控制视为一个多目标优化问题，同时追求最大交通容量、最小平均停车次数和最小延误。使用遗传算法和粒子群优化解决这个问题时，作者在实世界交叉口中分别实现了32.3%和31.4%的延误减少，证实了启发式搜索方法在现实需求条件下的相位定时优化效果。在网络层面，Beklaryan等人[30]提出了一种用于智能交通系统的仿真模型，结合了并行实编码遗传算法和模糊聚类（FCGA）来实现AnyLogic中的多智能体曼哈顿型网络的自适应交通灯控制。所提出的基于模糊聚类的自适应控制器在性能上优于传统的集体和局部自适应控制策略，FCGA用于优化不同空间异构网络场景下的单个交通灯相位持续时间、观察半径和阈值系数。在此基础上，Akopov和Beklaryan[31]开发了一种并行混合双目标遗传算法（BORCGA-BOPSO），结合了进化搜索和粒子群优化及基于密度的模糊聚类，用于具有智能交通灯的大规模道路网络优化。该算法在考虑车辆间（V2V）、车辆与行人（V2P）和车辆与基础设施（V2I）交互的情况下，通过个性化相位参数调整实现了显著的交通改善。最近，结合深度强化学习和群体优化的混合方法也被探索，以进一步提高自适应信号控制的性能。Khalid等人[32]提出了一个结合Deep Q-Network强化学习和Salp Swarm Optimization的DQN-SSO框架，用于自适应交通管理，在局部和完全饱和的交通场景中，相对于标准DQN和Double DQN基线，实现了10-18%的等待时间减少。Alanazi等人[33]开发了一种基于TD3的深度强化学习框架，配合优先级体验回放，用于实时信号优化，实现了最多25辆车的队列长度减少和17.9%的事故率降低。尽管这些先进的AI驱动方法展示了巨大的性能潜力，但它们的计算需求、基础设施要求和有限的可解释性在独立交叉口中带来了实际部署挑战，这促使本研究评估了基于分析的Webster优化和实时排队响应型自适应控制。除了道路交通之外，还在包括铁路瓶颈调度的遗传算法和点对点协商方法[34]以及单轨走廊短期列车重调度的强化学习框架[35]等运输模式中探索了实时优化。这反映了自适应优化方法在交通系统中的广泛适用性。尽管在交通信号控制研究方面取得了显著进展，现有文献仍存在一些局限性。许多研究主要集中在通过优化信号定时策略来提高交通效率，例如减少延误或队列长度。其他研究调查了环境影响，如车辆排放，而一些研究使用微观交通模拟（SSM）来评估交叉口安全性。然而，这些方面通常是独立评估的，很少有研究进行全面评估，同时考虑在不同信号控制策略下的通行能力、环境影响和交通安全。此外，尽管最近的研究广泛探讨了基于自适应和人工智能的交通信号控制方法，但由于简单易实现，传统的信号定时方法（如基于Webster的固定时间控制）在实践中仍然被广泛使用。尽管如此，在一致的模拟环境下对经典固定时间控制策略和自适应交通信号控制方法之间的比较评估仍然相对有限。需要系统分析来使用微观交通模拟和基于轨迹的安全指标来评估不同信号控制策略的运营、环境和安全影响。

在这种背景下，本研究对现有文献做出了三个具体贡献。首先，虽然之前的基于模拟的研究将自适应控制与任意的固定时间基线进行了比较，但很少有研究将Webster优化的固定时间控制作为明确的中间比较对象，这使得分析性重新调时的性能上限作为一个独立的改进途径没有得到充分描述。其次，现有的比较研究通常单独评估通行能力结果，很少有研究在单一的控制模拟框架内同时考虑环境和安全维度。本研究提供了一个统一的多标准评估，涵盖了在相同需求和网络条件下的八个性能指标，包括通行能力、环境和安全方面。第三，该研究量化了在接近饱和需求条件下的Webster优化行为，并确定了队列抑制与网络速度提升之间的非线性关系，为信号定时从业者提供了直接的实际相关性。

本研究旨在使用微观交通模拟评估和比较有信号灯的交叉口的交通信号控制策略。具体目标是：
1. 比较三种信号控制方法：
- 传统的固定时间信号计划
- Webster优化的固定时间信号计划
- 响应队列的自适应信号控制策略

2. 使用SUMO微观交通模拟器和TraCI接口进行模拟实验，并通过TTC（行程时间）等指标评估多个维度的性能：
- 通行能力指标：车辆延误、队列长度
- 环境指标：CO2排放、燃油消耗
- 安全指标：SSM（例如TTC）

3. 将评估维度整合在一个统一的模拟框架中，以提供对信号控制策略如何影响整个交叉口性能的全面理解。

2. 方法论
2.1. 方法论概述
该方法采用基于模拟的比较框架，并通过TraCI接口实现实时信号控制。如图1所示，研究分为四个连续阶段：模拟环境配置、信号控制策略设计、输出数据收集和性能评估。研究了三种信号控制策略，包括固定时间基线计划、Webster优化的固定时间计划和响应队列的自适应控制器。每种策略都在相同的网络几何形状和交通需求条件下独立运行。收集并比较了代表通行能力、环境和安全方面的八个性能指标。

2.2. 模拟环境和网络配置
模拟环境是在SUMO微观交通模拟器中构建的，这是一个在有信号灯的交叉口研究中广泛采用的开源平台，因为它具有高保真的车辆动态模型、排放模型以及通过TraCI API的外部控制支持。研究网络代表了一个四车道的有信号灯交叉口，每个方向有两条车道，总共八个车道。车道长度从79.56米到89.04米不等，自由流速度设置为13.89米/秒（50公里/小时），符合城市主干道的条件。交叉口按照四阶段信号计划运行，每个方向（北、东、南、西）都有一个专用绿色时段，中间间隔黄色和红橙色时段。SUMO中呈现的网络几何形状和车道配置如图2所示，关键模拟参数在表1中总结。

2.3. 交通需求建模
交通需求被指定为一个平衡的、静止的流量，均匀分配给四个方向，使得交叉口的总流量为每小时2400辆汽车。每个方向将其流量分配给三种转向运动：直行（50%）、左转（25%）和右转（25%），如表2所示。车辆在整个模拟时间段内以恒定的出发率连续生成，车道分配由最佳适应策略控制，车辆以允许的最大速度进入。

2.4. 信号控制策略设计
在相同的网络和需求条件下独立实施和评估三种信号控制策略。每种策略都控制四个方向（北、东、南、西）的绿色时段长度，而黄色和红橙色时段长度在所有策略中保持不变，均为3秒。

2.4.1. 基本固定时间控制器
基本固定时间控制器作为评估两种优化策略的参考基线。每个阶段分配20秒的均匀绿色时段，每个绿色时段后跟着3秒的黄色间隔和3秒的红橙色过渡期，产生一个104秒的周期长度。该定时计划在整个模拟过程中是静态的，不响应当前的交通状况。这种控制器代表了实践中常见的任意固定时间计划，其中信号定时没有经过正式优化。

2.4.2. Webster优化的固定时间控制器
Webster优化的控制器应用Webster的经典周期长度公式，根据模拟预热期间收集的交通流量数据推导出分析上最优的固定时间计划。在模拟的前300秒内，测量每个方向的每条车道的流量率，然后计算每个阶段i的关键流量比率（见公式（1）：
```
(1) q_i = （每车道每小时的车辆流量），S为饱和流量率，设为每车道每小时1800辆车。
```
关键流量比率之和Y由公式（2）给出：
```
Y = Σ yi
```
最优周期长度按公式（3）计算：
```
C = (1.5L + 5) / (1 ? Y)
```
周期长度限制在[40, 180]秒范围内。有效绿色时间根据每个阶段的流量比率在各个阶段之间按比例分配（见公式（4）：
```
gi = (yi/Y) × (C ? L)
```
在本次研究的平衡需求条件下，每个方向的测量流量趋于每小时每车道324辆车，得出Y = 0.72，最优周期长度为104秒，每个阶段的绿色时间相等，均为22秒。计算出的定时计划在t = 300秒时作为新的固定时间程序应用，并在模拟的剩余时间内保持不变。

2.4.3. 响应队列的自适应控制器
自适应控制器通过TraCI接口运行，评估每个信号周期结束时的队列状况，并实时调整绿色时段长度。完整的控制过程在算法1中公式化。在每个周期审查间隔，从模拟器中获取每个方向车道的队列长度。为每个阶段计算一个加权需求得分，考虑队列长度、累积等待时间和平均通过速度，权重分别为0.35、0.35和0.30。然后根据需求得分比例重新分配绿色时段，确保最小绿色时间为15秒，最大绿色时间为60秒，总周期预算在80到160秒之间（见算法1）。阶段调整使用最近五个周期读数的滚动平均值进行平滑处理，每次更新每个阶段的变化幅度限制在5秒以内，以防止突然的定时变化。

2.5. 模拟执行、数据收集和性能评估
独立执行三次模拟运行，每种信号控制策略一次，网络几何形状、交通需求和模拟参数相同。每次运行都包含一个300秒的预热期，以便 vehicles 加载到网络中并稳定队列状况。只有在预热期过后才开始收集性能数据，以确保报告的指标反映的是稳态交叉口操作，而不是瞬态加载效应。输出数据在t = 300秒到t = 3600秒的活跃模拟期间每隔60秒的时间窗口内收集和汇总，每次运行产生55个观测窗口。在每个窗口边界，导出所有八个方向车道级别的测量数据。收集的指标涵盖三个性能维度：通行能力、环境和安全。所有指标的数学定义、单位、收集级别和数据来源在表4中总结。通行能力指标包括平均车辆延误、平均行驶时间、平均车道长度、平均网络速度和车辆吞吐量。延误通过实际行驶时间与自由流行驶时间的差异计算得出。环境指标包括每个窗口的总质量排放物（CO2、CO、NOx、PMx和HC），这些数据来自SUMO的车道级排放输出，以及每次完成的行程的平均燃油消耗。燃油消耗从SUMO的原始输出转换为毫克/次行程，使用汽油的燃油密度0.74 kg/L。安全使用SUMO SSM设备中的TTC（行程时间）替代指标进行评估，它识别交叉口中车辆对之间的追尾、穿越和并道冲突。任何TTC小于3.0秒的车辆对都被记录为冲突事件。SSM设备检测到的三种冲突类型如图4所示。图4：SUMO SSM设备在模拟交叉口检测到的TTC冲突类型。红色虚线圆：追尾冲突；蓝色虚线椭圆：交叉冲突；绿色虚线椭圆：合流冲突；红色矩形：交叉冲突区域。SSM参数：TTC阈值=3.0秒，检测范围=50米，额外时间=5.0秒。控制器性能通过与基础固定时间计划的成对比较来量化，提升以每个指标的百分比变化表示。在所有三个性能维度上建立了统一的排名，以提供对三种信号控制策略的多标准评估。

3. 结果
3.1. 移动性指标
平均车辆延迟和行驶时间的时间演变如图5所示。自适应控制器的平均延迟为102.30秒，相对于基础固定时间计划（119.43秒）减少了14.3%，具有统计学意义。Webster优化后的计划表现出中等程度的改进，平均延迟减少到113.72秒，这归因于最优周期长度从任意的20秒绿灯阶段增加到Webster规定的22秒。平均行驶时间也显示出一致的趋势，自适应控制器和Webster控制器分别减少了13.6%（108.37秒）和4.5%（119.79秒），与基础案例（125.49秒）相比。在t=500秒之后，自适应控制器和基础轨迹之间的渐进性分歧表明，随着模拟时间范围的延长，自适应控制器的效益随着队列消散效率的提高而增加。

图5：三种信号控制策略下平均车辆延迟和行驶时间的时间变化。
平均每车道队列长度及其时间演变分别显示在图6和图7中。如图6所示，自适应控制器在大多数车道上实现了最小的队列足迹，与基础固定时间条件相比总体上减少了8.9%（6.87辆车/车道）。Webster计划总体上减少了3.2%（7.29辆车/车道）；然而，在Webster方案下，西侧接近车道的队列略有增加，这是由于周期长度稍长（104秒），导致竞争接近车道的红灯阶段延长。时间剖面（图7）显示，在模拟早期阶段（t<500秒），自适应控制器表现出显著的队列波动，反映了控制器的初始学习和相位调整阶段，之后在t=1000秒后稳定在较低的队列水平。在整个模拟时间范围内，Webster和基础控制器的队列轨迹大致相当，Webster计划显示出轻微的改进，特别是在北侧和南侧接近车道。在所有三种策略下，所有四条接近车道的队列分布保持对称，这与每条接近车道600辆车的均匀需求一致。

图6：三种信号控制策略下各车道平均队列长度的比较。
图7：三种信号控制策略下各接近车道方向平均队列长度的时间演变。
图8显示了每窗口的车辆吞吐量和平均网络速度。自适应控制器在平均网络速度上实现了47.9%的显著提升（1.59米/秒 vs 基础情况的1.07米/秒），反映了交叉口车辆怠速和走走停停行为的显著减少。Webster计划的速度提升较为温和，为5.8%（1.14米/秒）。吞吐量在所有三种控制器之间大体相当，自适应和Webster计划分别记录了2.6%和1.8%的轻微增加。控制器之间吞吐量值的趋同表明，所有策略下的交叉口都接近 capacity 运行，性能差异主要体现在延迟和速度指标上，而不是处理的车辆数量上。

图8：三种信号控制策略下每窗口的车辆吞吐量和平均网络速度。
为了进一步描述每种控制器下的交通流状态，图9展示了整个模拟时间范围内汇总的流量密度和速度密度关系图。流量密度面板确认所有三种控制器都在拥堵交通状态下运行，密度范围大约在50到120辆车/公里之间，与研究的接近饱和需求条件（Y=0.72）一致。自适应控制器实现了最低的平均交通密度（85.26辆车/公里）和最高的平均流量（2306辆车/小时），反映了其通过实时相位重新分配更有效地消散队列的能力。速度密度面板显示自适应控制器与固定时间策略之间有明显的区别，自适应计划在整个密度范围内保持了较高的平均速度。基础和Webster计划在速度密度剖面上有明显重叠，这与上面报告的它们相当的性能和队列表现一致。这些图表确认了在各个指标上建立的性能层次结构也反映在交叉口的基本交通流特性中。

3.2. 环境影响
图10展示了关键车辆污染物的时间剖面和标准化总排放量。与基础固定时间计划相比，自适应控制器在所有监测的排放物种上都实现了持续的减少，其中CO2的减少最为显著，总排放量减少了9.3%（10,306.86克 vs 基础情况的11,360.03克）。Webster优化后的计划在所有污染物上都实现了中等程度的减少，CO2减少了3.2%（10,997.50克）。标准化排放量比较（图10，右下角面板）证实了这些发现，表明这两种优化策略在所有五种污染物（CO2、CO、NOx、PMx 和 HC）上始终保持在100%基准线以下。基础和Webster计划之间的排放轨迹趋同反映了周期长度调整的边际性质，而自适应控制器的排放减少则归因于其通过实时相位优化最小化不必要的怠速和走走停停周期的能力。

图10：三种信号控制策略下关键车辆污染物的时间剖面和标准化总排放量。
在两种优化策略下，所有监测的排放物种都观察到了持续的减少。自适应控制器下的平均每窗口排放量为：CO 599.97克，NOx 4.68克，PMx 0.25克，HC 2.97克，分别较基础计划减少了9.8%、9.3%、9.4%和9.8%（基础计划分别为CO 665.40克，NOx 5.16克，PMx 0.28克，HC 3.30克）。Webster计划在相同的污染物上实现了3.5%、3.2%、3.3%和3.5%的减少（CO 642.12克，NOx 4.99克，PMx 0.27克，HC 3.18克）。

图11展示了每60秒窗口内总燃油消耗量和每次行程平均燃油消耗量的时间变化。自适应控制器实现了每次行程燃油消耗量平均减少了9.4%（119.73毫升 vs 基础情况的132.16毫升），这与它在车辆延迟和怠速时间上的减少是一致的。Webster计划每次行程的燃油消耗量减少了5.0%（125.53毫升）。总燃油消耗量剖面（图11，左侧面板）进一步显示，在整个模拟时间范围内，自适应控制器保持了较低的燃油消耗量，控制器之间的差异在t=1000秒后变得更加明显。Webster计划在初始热身阶段（t<300秒）与基础案例的燃油消耗量剖面相当，之后应用了优化的固定时间计划，在模拟的剩余时间内实现了适度但持续的减少。

3.3. 安全性分析
图12展示了三种信号控制策略下每窗口的TTC冲突事件和累积冲突计数。使用SUMO SSM设备和3.0秒的阈值识别了TTC冲突，涵盖了交叉口网络中所有车辆对之间的追尾、交叉和合流冲突类型。自适应控制器展示了最有利的安全性能，在整个模拟时间范围内，与基础固定时间计划相比，累积冲突减少了11.2%（7504次事件 vs 8452次事件）。相比之下，Webster优化后的计划在累积冲突上增加了7.7%（9100次事件），表明Webster公式引入的适度周期长度调整在现有需求条件下并未带来可测量的安全效益。

图12：三种信号控制策略下每窗口的碰撞前时间（TTC）冲突事件和累积冲突计数。
累积冲突剖面（图12，右侧面板）进一步揭示了三种控制器的安全轨迹。自适应控制器在整个模拟过程中表现出一致较低的冲突累积率，与基础轨迹的差距在t=500秒后变得越来越明显，表明自适应控制器的相位优化有助于逐渐减少车辆冲突的发生。基础和Webster的累积剖面在整个模拟时间范围内大致相当，Webster计划由于周期长度略长，引入了延长的间隙时间，导致冲突易发车辆互动的发生，因此记录了略高的冲突计数。这些发现表明，在接近饱和的需求条件下，动态实时信号适应是比静态周期优化更有效的安全改进机制。

3.4. 综合性能评估
图13总结了三种信号控制策略在所有评估指标上的综合性能。多标准评分卡在几乎所有性能维度上都显示出一致的层次顺序，其中自适应控制器的表现优于Webster优化计划和基础固定时间计划，Webster占据中间位置。如表5所示，自适应控制器在所有主要指标上都实现了有意义的改进，其中延迟减少（14.3%）和速度提升（47.9%）相对于基础条件代表了最显著的收益。Webster优化计划在交通性能和环境指标上实现了适度但持续的改进，减少幅度在3.2%到5.0%之间（表5），即使在缺乏实时感知能力的情况下，也验证了基于数学的周期优化的实用性。关于TTC安全冲突（表5），Webster计划记录了7.7%的轻微恶化，这是由于周期长度略长，引入了延长的间隙时间，在此期间发生了冲突易发的车辆互动，而自适应控制器是唯一实现有意义的安全收益的策略，通过实时相位适应平滑了所有类型冲突的车辆到达和离开模式，减少了11.2%的累积TTC冲突。

4. 讨论
第4节中呈现的模拟结果展示了三种信号控制策略之间一致的性能层次结构，其中自适应控制器的表现优于Webster优化计划，后者又超过了任意的基线固定时间计划。基础固定时间计划在没有任何需求敏感性的情况下运行，代表了较低的性能界限。Webster优化计划是通过分析得出的基于实测流量数据的方案，代表了在静态固定时间操作下可实现的理论最优值。自适应控制器利用实时队列和延迟反馈动态重新分配各阶段的绿灯时间，代表了在模拟条件下的最高性能界限。以下小节将这些发现置于更广泛的文献背景中，解释了推动观察结果的交通工程机制，并批判性地审视了研究的局限性和实际影响。

4.1. 与现有文献的对比
本研究中自适应控制器实现的14.3%的延迟减少与信号控制优化文献中的发现大体一致。一项类似的基于SUMO的研究采用了人工智能驱动的自适应方案，记录了平均等待时间减少了21.6%，CO2排放量减少了12.9%，燃料效率提高了15.6%，与固定周期基准相比[45]。该研究中报告的改进幅度超过了本研究的发现，这种差异可归因于交叉口饱和程度的不同，因为随着饱和度接近 capacity，自适应控制的性能优势明显减弱。在接近饱和的交通条件下进行的模拟研究报道，在多个信号周期内通过实时自适应优化，平均总交叉口延迟减少了15.42%[46]，这一结果与本研究中在流量比为Y=0.72时记录的14.3%的改进非常吻合。在未饱和条件下，与固定时间基线相比，基于自适应学习和强化学习的信号控制器的性能分别提高了40%和70% [14]，这进一步表明自适应控制效益的大小受到路口饱和度的强烈影响。自适应控制器同时实现的平均行驶时间减少13.6%也与现有文献结果一致。一项针对中国100个最拥挤城市的大规模研究显示，在完全实施自适应控制的情况下，高峰时段的行程时间减少了11% [47]，与本研究结果的轻微差异可归因于网络级效应和此处评估的单路口配置中缺失的多路口协调动态。自适应控制下观察到的排队长度减少8.9%也得到了先前提到的仿真研究的证实。针对信号化道路的自适应信号控制的微观仿真评估显示，根据饱和度水平的不同，多个性能指标的性能提升范围为2%至20% [48]，在中等到高需求条件下，排队长度的减少与本研究中的观察结果相当。

环境方面的协同效益包括：自适应控制下二氧化碳排放量减少了9.3%，每次出行的平均燃油消耗量减少了9.4%，这与信号化路口延迟减少与车辆排放生成之间的关系一致。一种基于深度强化学习的燃油经济型交通信号控制方案表明，频繁的停车和起步动作以及延长的等待时间会显著降低车辆燃油效率，而自适应信号控制可以通过平滑交通流量和减少每辆车的停车次数来直接缓解这些损失 [49]。本研究中观察到的燃油消耗量和二氧化碳排放量的成比例减少也得到了先前提到的仿真研究的进一步证实，这些研究显示，信号化路口的延迟缓解和排放减少是通过抑制空挡加速周期来实现的，因为自适应绿灯时间分配减少了在路口层面占主导地位的车辆减速和重新加速的频率和持续时间 [50]。

自适应控制器实现的累计TTC（旅行时间冲突）减少11.2%是一个相对较少被关注的交通安全效益。在本研究中，TTC冲突是使用SUMO SSM设备检测的，该设备能够捕捉路口网络中所有车辆对的追尾、交叉和并线冲突类型，提供了比仅基于车道级别的追尾检测更全面的安全评估。TTC已被证实是仿真环境中一种可靠的安全替代指标，基于SUMO的研究证实了其对车辆速度分布和路口控制策略变化的敏感性 [51]。在Webster方案下记录的累计冲突增加7.7%与静态周期优化不会改变路口基本冲突动态的原则一致，而较长的周期引入了冲突易发车辆互动的延长间隔时间。自适应控制器下的实时相位调整以一种内在的方式调节了车辆的到达和离开模式，从而降低了所有类型冲突的频率。

尽管本研究评估的是一个响应队列的自适应控制器，但从理论上将其与最近文献中报道的更计算密集型方法进行对比是有启发意义的。进化算法和群体智能算法（包括基于遗传算法和粒子群优化的优化方法）在不拥堵条件下已证明可在孤立路口实现最多32.3%的延迟减少 [29]，而基于网络级的BORCGA-BOPSO框架通过个性化智能交通灯参数调整，在大规模曼哈顿型道路网络上实现了显著的交通改善 [31]。然而，这些方法主要作为离线优化工具运行，需要预先计算的定时参数，无法适应实时需求波动，这在一个接近饱和的条件下（如本研究中的Y = 0.72）成为一个特别重要的限制，因为在这样的条件下，周期性的需求变化使得静态解决方案变得次优。基于深度强化学习的方法（包括DQN-SSO [32]和基于TD3的框架 [33]）提供了更强的实时适应性，并分别报告了10-18%的等待时间减少和17.9的事故率减少，但与传统基于规则的控制器相比，它们需要大量的训练数据、离线学习阶段和更高级的计算基础设施。基于模糊聚类的自适应控制器 [30] 提供了可解释的决策机制，并在多智能体网络仿真中展示了优于传统局部自适应策略的性能，尽管它们在接近饱和的信号化条件下应用于孤立路口控制的文献中的研究较少。本研究中的响应队列的自适应控制器处于一个实用的中途位置，提供了实时需求响应和有意义的性能提升，而没有人工智能驱动方法的训练开销、基础设施要求或部署复杂性，为在基础设施和计算资源有限的条件下工作的实践者提供了一个可行的改进路径。

三种控制器之间观察到的性能层次差异在机制上可归因于每种策略根据实时需求分配绿灯时间的根本差异。基础固定时间控制使用预定的相位持续时间运行，与瞬时队列状态无关，从而导致系统性残余队列在连续周期中累积，产生持续的高延迟。Webster优化的计划通过数学推导的周期长度和绿灯分配减少了这种效率低下。由此产生的4.8%的延迟减少与Webster优化在稳态需求下最小化平均均匀延迟的理论预期一致。然而，Webster的公式在高饱和度下高估了周期长度 [52]，而本研究中观察到的Y = 0.72的流量比处于这种接近饱和的范围内，这解释了保守的较长周期（104秒）和适度的改进幅度。Webster计划无法应对周期性需求变化是其主要的机制限制。

自适应控制器通过根据实时队列长度、等待时间和接近速度连续重新分配绿灯时间来克服这一限制。这防止了残余队列的累积，并实现了相对于4.3%延迟减少而言不成比例的47.9%的速度提升，反映了队列消散与平均网络速度之间的非线性关系。环境和安全方面的协同效益在这些主要改进之后：二氧化碳和燃油的减少源于停车和起步周期的抑制，而11.2%的TTC冲突减少则源于更均匀的车辆速度分布和在停车线处更平滑的车辆到达模式，减少了所有接近方向上的追尾、交叉和并线冲突。

本研究有几个局限性需要承认。首先，评估仅限于一个孤立的路口，报告的性能提升没有考虑网络级效应，如来自相邻路口的队列溢出、沿主干道走廊的信号协调或由于路线选择对拥堵的反应而产生的需求重新分配。当在网络层面评估时，自适应控制的好处已被证明会减弱或发生变化，将这些发现推广到多路口网络需要进一步研究。然而，值得注意的是，孤立路口框架是一种刻意的方法论选择，它允许将性能差异单纯归因于信号控制策略，这与最近在信号化路口进行的基于仿真的研究采用的方法一致 [8,9,46]。其次，仿真使用了每小时每个方向600辆车的平衡和静态需求，时间范围为3600秒。现实世界的路口表现出时间变化的需求模式，包括早晚高峰、随机到达间隔和方向不平衡。自适应控制相对于固定时间策略的性能优势依赖于需求模式，在均匀平衡需求下获得的结果可能无法完全反映控制器在不对称或高度可变需求条件下的行为。第三，SUMO微观仿真环境虽然被广泛用于路口级别的交通分析，但它使用的理想化跟车和变道模型并未完全复制现实世界驾驶员的行为变化。基于TTC的冲突测量同样代表了安全性的仿真替代指标，而不是观察到的碰撞或擦边数据，其对应于现场安全结果的效果取决于替代安全方法中包含的假设。

这些发现对考虑信号控制升级的交通工程师和交通机构具有若干实际意义。Webster优化的控制器证明了无需任何额外的现场硬件，仅依靠从标准转向动作计数数据计算出的分析得出的定时参数，就可以实现显著的延迟（4.8%）、燃油消耗（5.0%）和排放（3.2%）减少。这代表了一种低成本的、无需基础设施改进的路径，适用于资本预算有限或没有检测器基础设施的机构。鉴于实践中相当一部分信号化路口仍在使用任意或过时的固定时间计划运行，使用Webster方法的系统重新定时是实现路口性能改进的一个现成可行的第一步。自适应控制器实现了14.3%的延迟减少、9.4%的燃油节省和11.2%的TTC冲突事件减少，虽然需要相应的基础设施要求。在现实世界中部署响应队列的自适应控制需要每车道车辆检测、检测器与信号控制器之间的可靠通信，以及能够在每个周期内计算和应用修订后的相位时间的软件。这些要求意味着需要额外的资本支出用于检测器安装、集成工程以及持续的运营和维护。因此，部署决策应基于正式的成本效益分析，权衡预期的延迟、燃油、排放和碰撞成本与特定地点的基础设施投资，遵循为自适应信号控制部署开发的结构化决策框架。

从环境和公共卫生的角度来看，通过在整个城市信号网络中广泛采用自适应控制可以实现的累计排放减少可能是相当大的。本研究中观察到的每个路口二氧化碳减少9.3%和燃油减少9.4%，如果这些结果能够代表网络层面的效果，将直接转化为可测量的道路源温室气体和标准污染物排放的减少。这将自适应信号控制定位为一种低成本的补充措施，适用于广泛的城市脱碳策略，特别是在路口延迟占车辆运行时间很大比例的密集走廊中。未来的工作应结合多路口网络仿真、现场校准的需求剖面以及对检测器和探测车辆的实证验证，以加强部署优先级和政策制定的证据基础。

本研究在SUMO中模拟的四路口信号化交叉口评估了三种信号控制策略：一个固定时间基线计划、一个Webster优化的固定时间计划和一个响应队列的TraCI基础自适应控制器。在延迟、行驶时间、队列长度、吞吐量、速度、车辆排放、燃油消耗和基于TTC的冲突指标方面的比较分析一致地将自适应控制器排在首位，Webster控制器排在第二位，基础固定时间计划排在第三位。自适应控制器相比基线计划减少了14.3%的平均车辆延迟和13.6%的平均行驶时间，同时实现了9.3%的二氧化碳排放减少、9.4%的每次出行平均燃油消耗减少和11.2%的TTC冲突事件减少。Webster控制器在所有指标上实现了较为温和但实际显著的改进，延迟减少了4.8%，燃油消耗减少了5.0%，且没有额外的基础设施成本。延迟减少与速度提升之间的非线性关系表明，自适应控制器通过提高平均网络速度47.9%来补充延迟减少的效果，这被确定为将信号控制策略与排放和燃油结果联系起来的主要机制。这些结果表明，重新定时和自适应控制都提供了可行的、可扩展的途径来减少路口级别的延迟、能源消耗和安全风险。Webster优化代表了一种立即可实施的干预措施，只需要交通计数数据和分析性重新定时，而自适应控制则提供了与其更高的基础设施要求相称的更大性能提升。未来的工作应扩展到多路口主干道网络，纳入时变和随机需求剖面，并进行现场验证，以量化这里报告的性能改进在现实世界中的转移情况。

对于未来的研究，有几个建议的方向：预测性和基于学习的控制：集成短期需求预测或基于强化学习的相位选择可以在不对称或时变需求条件下实现进一步的性能提升。连接和自动化车辆集成：将探测车辆轨迹数据作为补充控制器输入将提供比仅使用环路检测器队列估计更丰富、更高频率的状态信息。多路口网络评估：将网络扩展到包括相邻路口将能够评估溢出效应和走廊级别的单路口收益保持。混合交通组成：引入重型车辆、摩托车和非机动用户将提高需求模型和排放计算的真实性。现场部署和实证验证：在具有前后数据收集的真实仪器化路口进行部署是验证仿真得出的性能估计的关键下一步。