This paper presents two algorithms to estimate traffic state in urban street networks with a mixed traffic stream of connected and unconnected vehicles and incorporates them in a real-time and distributed traffic signal control methodology. The first algorithm integrates connected vehicles (CV) and loop detector data to estimate the trajectory of unconnected vehicles based on car-following concepts. The second algorithm converts the temporal point vehicle detections to a spatial vehicle distribution on a link. The signal control methodology utilizes either algorithm to estimate traffic state on all network links at a time, optimizes the signal timing parameters over a prediction period constituting several time steps, implements the optimal decisions in the next time step, and continues this process until the end of the study period. We applied the methodology to a real-world case study network simulated in Vissim. The results show that both algorithms are effective under a wide range of CV market penetration rates in all tested demand patterns: at 0% market penetration rate, the proposed methodology reduced travel time by 2% to 10% and average delay by 7% to 20% compared to the existing signal timing parameters and traffic demand. At a 40% penetration rate, the proposed algorithms reduced travel time by 27% to 33% and average delay by 50% to 61% compared to the existing signal and demand pattern in the case study network. Similar trends were found for all other demand patterns tested in this study.

本文提出了两种算法，用于估计具有连接的和未连接的车辆的混合交通流的城市街道网络中的交通状态，并将其结合到实时和分布式交通信号控制方法中。第一种算法集成了联网车辆（CV）和回路检测器数据，以基于跟随车辆的概念来估计未联网车辆的轨迹。第二种算法将时间点车辆检测转换为链接上的空间车辆分布。信号控制方法利用一种算法来一次估计所有网络链路上的流量状态，在构成几个时间步长的预测期内优化信号时序参数，在下一个时间步长执行最佳决策，并继续此过程直至结束学习期间。我们将该方法应用于在Vissim中模拟的真实案例研究网络。结果表明，两种算法在各种测试需求模式下的简历市场渗透率范围内均有效：在市场渗透率为0％时，所提出的方法将旅行时间减少了2％至10％，将平均延迟减少了7％至20 ％与现有信号定时参数和流量需求相比。与案例研究网络中的现有信号和需求模式相比，以40％的渗透率，所提出的算法将旅行时间减少了27％至33％，平均延迟减少了50％至61％。在本研究中测试的所有其他需求模式中也发现了类似的趋势。结果表明，两种算法在各种测试需求模式下的简历市场渗透率范围内均有效：在市场渗透率为0％时，所提出的方法将旅行时间减少了2％至10％，将平均延迟减少了7％至20 ％与现有信号定时参数和流量需求相比。与案例研究网络中的现有信号和需求模式相比，以40％的渗透率，所提出的算法将旅行时间减少了27％至33％，平均延迟减少了50％至61％。在本研究中测试的所有其他需求模式中也发现了类似的趋势。结果表明，两种算法在各种测试需求模式下的简历市场渗透率范围内均有效：在市场渗透率为0％时，所提出的方法将旅行时间减少了2％至10％，将平均延迟减少了7％至20 ％与现有信号定时参数和流量需求相比。与案例研究网络中的现有信号和需求模式相比，以40％的渗透率，所提出的算法将旅行时间减少了27％至33％，平均延迟减少了50％至61％。在本研究中测试的所有其他需求模式中也发现了类似的趋势。与案例研究网络中的现有信号和需求模式相比，提出的算法将旅行时间减少了27％至33％，平均延迟减少了50％至61％。在本研究中测试的所有其他需求模式中也发现了类似的趋势。与案例研究网络中的现有信号和需求模式相比，提出的算法将旅行时间减少了27％至33％，平均延迟减少了50％至61％。在本研究中测试的所有其他需求模式中也发现了类似的趋势。