With the development of modern wireless communication technology, especially the vehicle infrastructure integration (VII) technology, vehicles’ information such as identification, location, and speed can be readily obtained at upstream cross-section. This information can be used to support traffic signal timing optimization in real time. A dynamic predictive traffic signal control framework for isolated intersections is proposed in a cross-sectional VII environment, which has the ability to predict vehicle arrivals and use this to optimize traffic signals. The proposed dynamic predictive control framework includes a dynamic platoon dispersion model (DPDM) which uses the vehicles’ speed data from the cross-sectional VII environment, as opposed to traditional vehicle passing/existing data, to predict the arriving flow distribution at the downstream stop-line. Then, a dynamic programming algorithm based on the exhaustive optimization of phases (EOP) is proposed working in rolling optimization (RO) scheme with a 2s time horizon. The signal timings are continuously optimized by regarding the minimization of intersection delay as the optimization objective, and setting the green time duration of each phase as a constraint. In the end, the proposed dynamic predictive control framework is tested in a simulated cross-sectional VII environment and a case study carried out based on a real road network. The results show that the proposed framework can reduce the average delay and queue length by up to 33% and 35%, respectively, compared with the traditional full-actuated control.

中文翻译：

---

跨部门车辆基础设施集成环境中的动态预测交通信号控制框架

随着现代无线通信技术的发展，尤其是车辆基础设施集成（VII）技术，可以在上游横截面轻松获得车辆的信息，例如标识，位置和速度。此信息可用于实时支持交通信号定时优化。在VII截面环境中，提出了一种用于隔离交叉路口的动态预测交通信号控制框架，该框架具有预测车辆到达并使用它来优化交通信号的能力。拟议的动态预测控制框架包括一个动态排散模型（DPDM），该模型使用来自VII截面环境的车辆速度数据，而不是传统的车辆通过/现有数据，预测下游停止线的到达流量分布。然后，提出了一种基于阶段穷举（EOP）的动态规划算法，该算法适用于具有2s时间范围的滚动优化（RO）方案。通过将交叉延迟的最小化作为优化目标，并将每个相位的绿色持续时间设置为约束，来连续优化信号时序。最后，在仿真的VII截面环境中对提出的动态预测控制框架进行了测试，并基于真实道路网络进行了案例研究。结果表明，与传统的全驱动控制相比，该框架可以将平均延迟和队列长度分别减少多达33％和35％。提出了一种基于阶段穷举（EOP）的动态规划算法，该算法适用于具有2s时间范围的滚动优化（RO）方案。通过将交叉延迟的最小化作为优化目标，并将每个相位的绿色持续时间设置为约束，来连续优化信号时序。最后，在仿真的VII截面环境中对提出的动态预测控制框架进行了测试，并基于真实道路网络进行了案例研究。结果表明，与传统的全驱动控制相比，该框架可以将平均延迟和队列长度分别减少多达33％和35％。提出了一种基于阶段穷举（EOP）的动态规划算法，该算法适用于具有2s时间范围的滚动优化（RO）方案。通过将交叉延迟的最小化作为优化目标，并将每个相位的绿色持续时间设置为约束，来连续优化信号时序。最后，在仿真的VII截面环境中对提出的动态预测控制框架进行了测试，并基于真实道路网络进行了案例研究。结果表明，与传统的全驱动控制相比，该框架可以将平均延迟和队列长度分别减少多达33％和35％。通过将交叉延迟的最小化作为优化目标，并将每个相位的绿色持续时间设置为约束，来连续优化信号时序。最后，在仿真的VII截面环境中对提出的动态预测控制框架进行了测试，并基于真实道路网络进行了案例研究。结果表明，与传统的全驱动控制相比，该框架可以将平均延迟和队列长度分别减少多达33％和35％。通过将交叉延迟的最小化作为优化目标，并将每个相位的绿色持续时间设置为约束，来连续优化信号时序。最后，在仿真的VII截面环境中对提出的动态预测控制框架进行了测试，并基于真实道路网络进行了案例研究。结果表明，与传统的全驱动控制相比，该框架可以将平均延迟和队列长度分别减少多达33％和35％。拟议的动态预测控制框架在模拟的VII横断面环境中进行了测试，并基于真实的道路网络进行了案例研究。结果表明，与传统的全驱动控制相比，该框架可以将平均延迟和队列长度分别减少多达33％和35％。拟议的动态预测控制框架在模拟的VII横断面环境中进行了测试，并基于真实的道路网络进行了案例研究。结果表明，与传统的全驱动控制相比，该框架可以将平均延迟和队列长度分别减少多达33％和35％。