基于LSTM-GNN的畸形交叉口自适应信号控制仿真研究

doi:10.16182/j.issn1004731x.joss.24-1246

摘要/Abstract

摘要：

针对畸形交叉口交通拥堵情况，设计了一种基于深度学习的改进型自适应交通信号控制方案，融合了LSTM与GNN在畸形交叉口的自适应信号控制。LSTM捕捉时间序列交通数据之间的依赖性，GNN构建车道间的空间交互模型。通过整合时间和空间维度的信息，该模型能够依据实时交通状况动态调整信号灯的相位时长。结果表明：LSTM-GNN自适应控制方案相比传统固定信号控制提高了约17.3%的整体通过效率。

关键词: 深度学习, LSTM, GNN, 交通信号控制, 畸形交叉口, 自适应控制, 交通流优化, 时空依赖性

Abstract:

Aiming at the traffic congestion at deformed intersections, an improved adaptive traffic signal control scheme based on deep learning is designed, the scheme integrates the adaptive signal control of LSTM and GNN at deformed intersections. LSTM is used to capture the dependence between time series traffic data, while GNN is used to construct a spatial interaction model between lanes. By integrating the information of time and space dimensions, the model can dynamically adjust the phase duration of signal lights according to real-time traffic conditions. The results indicate that the LSTM-GNN adaptive control scheme improves overall traffic throughput efficiency by approximately 17.3% compared to traditional fixed-signal control.

Key words: deep learning, LSTM, GNN, traffic signal control, deformed intersection, adaptive control, traffic flow optimization, time-space dependence

中图分类号:

TP391

陈坤,陈亮,谢济铭等 . 基于LSTM-GNN的畸形交叉口自适应信号控制仿真研究[J]. 系统仿真学报, 2025, 37(6): 1343-1351.

Chen Kun,Chen Liang,Xie Jiming,et al . Simulation Study on Adaptive Signal Control of Deformed Intersection Based on LSTM-GNN[J]. Journal of System Simulation, 2025, 37(6): 1343-1351.

图/表 11

图1

图2

图3

图4

图5

表1

图6

表2

图7

图8

图9

参考文献 17

1	温保培, 邹志云, 汪锋. 组合相位在畸形交叉口信号配时中的应用——以佛山市锦华路-福禄路交叉口为例[J]. 道路交通与安全, 2006, 6(8): 22-25.
	Wen Baopei, Zou Zhiyun, Wang Feng. The Application & Research of Combinatorial Phase in Deformity Intersection[J]. Road Traffic & Safety, 2006, 6(8): 22-25.
2	姬利娜, 张金伟, 亢凤林. 城市道路畸形交叉口的交通改善方法[J]. 重庆交通大学学报(自然科学版), 2012, 31(6): 1185-1188.
	Ji Lina, Zhang Jinwei, Kang Fenglin. Traffic Improvement Method of Deformed Intersection in Urban Road[J]. Journal of Chongqing Jiaotong University(Natural Science), 2012, 31(6): 1185-1188.
3	Luo Guangzhu, Wang Jiaqi. Signal Timing Design of Malformed Intersections Based on the Change of Road Cross Angle[C]//Seventh International Conference on Electromechanical Control Technology and Transportation (ICECTT 2022). Bellingham: SPIE, 2022: 123022P.
4	孙宁, 吴伟豪, 赵风财, 等. 基于增强型Dijkstra算法的无信号灯交叉路口智能车辆调度研究[J]. 计算机应用研究, 2022, 39(1): 188-193.
	Sun Ning, Wu Weihao, Zhao Fengcai, et al. Vehicle Scheduling at Unsignalized Intersections Based on Enhanced Dijkstra Algorithm[J]. Application Research of Computers, 2022, 39(1): 188-193.
5	Kumar Neetesh, Syed Shameerur Rahman, Dhakad Navin. Fuzzy Inference Enabled Deep Reinforcement Learning-based Traffic Light Control for Intelligent Transportation System[J]. IEEE Transactions on Intelligent Transportation Systems, 2021, 22(8): 4919-4928.
6	舒凌洲, 吴佳, 王晨. 基于深度强化学习的城市交通信号控制算法[J]. 计算机应用, 2019, 39(5): 1495-1499.
	Shu Lingzhou, Wu Jia, Wang Chen. Urban Traffic Signal Control Based on Deep Reinforcement Learning[J]. Journal of Computer Applications, 2019, 39(5): 1495-1499.
7	徐建闽, 周湘鹏, 首艳芳. 基于深度强化学习的自适应交通信号控制研究[J]. 重庆交通大学学报(自然科学版), 2022, 41(8): 24-29.
	Xu Jianmin, Zhou Xiangpeng, Shou Yanfang. Adaptive Traffic Signal Control Based on Deep Reinforcement Learning[J]. Journal of Chongqing Jiaotong University(Natural Science), 2022, 41(8): 24-29.
8	Ma Zibo, Cui Tongchao, Deng Wenxing, et al. Adaptive Optimization of Traffic Signal Timing via Deep Reinforcement Learning[J]. Journal of Advanced Transportation, 2021, 2021(1): 6616702.
9	Huang Jianbin, Tan Qinglin, Qi Ruijie, et al. RELight: A Random Ensemble Reinforcement Learning Based Method for Traffic Light Control[J]. Applied Intelligence, 2024, 54(1): 95-112.
10	Gong Yaobang, Abdel-Aty M, Cai Qing, et al. Decentralized Network Level Adaptive Signal Control by Multi-agent Deep Reinforcement Learning[J]. Transportation Research Interdisciplinary Perspectives, 2019, 1: 100020.
11	Kumar Ritesh, Nistala Venkata Kameshwer Sharma, Chaurasiya Vijay K. Adaptive Traffic Light Control Using Deep Reinforcement Learning Technique[J]. Multimedia Tools and Applications, 2024, 83(5): 13851-13872.
12	蔡国庆, 刘玲, 张冲, 等. 基于GNN-LSTM-CNN网络的6G车辆轨迹预测算法[J]. 西安电子科技大学学报, 2023, 50(3): 50-60.
	Cai Guoqing, Liu Ling, Zhang Chong, et al. Algorithm for Prediction of the 6G Vehicle Trajectory Based on the GNN-LSTM-CNN Network[J]. Journal of Xidian University, 2023, 50(3): 50-60.
13	Regragui Younes, Moussa Najem. A Real-time Path Planning for Reducing Vehicles Traveling Time in Cooperative-intelligent Transportation Systems[J]. Simulation Modelling Practice and Theory, 2023, 123: 102710.
14	Das Debashis, Dasgupta Kousik, Biswas Utpal. A Secure Blockchain-enabled Vehicle Identity Management Framework for Intelligent Transportation Systems[J]. Computers and Electrical Engineering, 2023, 105: 108535.
15	Antonio Guillen-Perez, Maria-Dolores Cano. AIM5LA: A Latency-aware Deep Reinforcement Learning-based Autonomous Intersection Management System for 5G Communication Networks[J]. Sensors, 2022, 22(6): 2217.
16	张楠, 杨晓光. 快速路出口衔接过饱和交叉口信号优化方法[J]. 交通运输系统工程与信息, 2018, 18(6): 164-171.
	Zhang Nan, Yang Xiaoguang. Optimize Signal Timings for Oversaturated Intersections Connected with Urban Freeway Off-ramp[J]. Journal of Transportation Systems Engineering and Information Technology, 2018, 18(6): 164-171.
17	中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会. 道路交通信号灯设置与安装规范: [S]. 北京: 中国标准出版社, 2016.
	General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China, Standardization Administration of the People's Republic of China. Specifications for Road Traffic Signal Setting and Installation: [S]. Beijing: Standards Press of China, 2016.

车辆位置	车道方向	车道编号	相位
由西南向东北由东北向西南	右转	-E8_0	1、2
由西南向东北由东北向西南	右转	E7_0
由西南向东北由东北向西南	直行	-E8_1
由西南向东北由东北向西南	直行	E7_1
由西南向东北由东北向西南	左转	-E8_2	3、4
由西南向东北由东北向西南	左转	E7_2	3、4
全部车道(全红时间)			5
由西向东由东向西	右转	E3_0	6、7
由西向东由东向西	右转	-E4_0
由西向东由东向西	直行	E3_1
由西向东由东向西	直行	-E4_1
由西向东由东向西	左转	E3_2	8、9
由西向东由东向西	左转	-E4_2	8、9
全部车道(全红时间)			10
由西北向东南由东南向西北	右转	E5_0	11、12
由西北向东南由东南向西北	右转	–E6_0
由西北向东南由东南向西北	直行	E5_1
由西北向东南由东南向西北	直行	–E6_1
由西北向东南由东南向西北	左转	E5_2	13、14
由西北向东南由东南向西北	左转	–E6_2	13、14
全部车道(全红时间)			15

相位	对应车道	t/s
1	E7_0, E7_1, -E8_0, -E8_1	20
2(黄灯时间)	E7_0, E7_1, -E8_0, -E8_1	3
3	E7_2, -E8_2	12
4(黄灯时间)	E7_2, -E8_2	3
5(全红时间)	所有车道	2
6	E3_0, E3_1, -E4_0,-E4_1	20
7(黄灯时间)	E3_0, E3_1, -E4_0,-E4_1	3
8	-E8_2, E7_2	12
9(黄灯时间)	-E8_2, E7_2	3
10(全红时间)	所有车道	2
11	E5_0, E5_1, -E6_0, -E6_0	20
12(黄灯时间)	E5_0, E5_1, -E6_0, -E6_0	3
13	E5_2, -E6_2	12
14(黄灯时间)	E5_2, -E6_2	3
15(全红时间)	所有车道	2

[1]	许明, 李金烨, 左东宇, 张晶. 基于流量预测的信号灯配时优化强化学习方法[J]. 系统仿真学报, 2025, 37(4): 1051-1062.
[2]	卢新彪, 叶春林, 陈艺森, 吴文, 陈钰丹. 一种基于迁移学习的PM_2.5浓度预测混合模型[J]. 系统仿真学报, 2025, 37(4): 882-894.
[3]	江达伟, 董阳阳, 张立东, 路宵, 董春曦. 基于深度学习的空中目标威胁评估技术研究[J]. 系统仿真学报, 2025, 37(3): 791-802.
[4]	郭业才, 仝爽. 基于自动睡眠分期的多模态残差时空融合模型[J]. 系统仿真学报, 2024, 36(9): 2065-2074.
[5]	刘泽森, 毕盛, 郭传鈜, 王延葵, 董敏. 基于深度学习的机器人局部路径规划方法[J]. 系统仿真学报, 2024, 36(5): 1199-1210.
[6]	韦金阳, 王科平, 杨艺, 费树岷. 基于多重迁移注意力的增量式图像去雾算法[J]. 系统仿真学报, 2024, 36(4): 969-980.
[7]	杨哲, 崔颖函, 郭灵犀, 李嘉鑫, 吴旭生. 融合数据仿真与深度学习算法的飞行器残骸搜寻技术[J]. 系统仿真学报, 2024, 36(10): 2238-2245.
[8]	程磊, 王好友, 陈新节. 基于特征建模的全向车辆自适应跟踪控制研究[J]. 系统仿真学报, 2024, 36(10): 2277-2287.
[9]	李晨, 何明, 董晨, 李伟. 基于余弦相似性的定向注意力行为识别模型[J]. 系统仿真学报, 2024, 36(1): 67-82.
[10]	张凤全, 曹铎, 马晓寒, 陈柏君, 张江霄. 一种面向戏曲妆容细节生成的风格迁移网络[J]. 系统仿真学报, 2023, 35(9): 2064-2076.
[11]	何必胜, 张宏翔, 朱永俊, 鲁工圆. 基于车站仿真和LSTM的轨道交通换乘站动态性能评估方法[J]. 系统仿真学报, 2023, 35(3): 544-556.
[12]	张天瑞, 刘玉亭, 王译可. 基于改进BiLSTM的多工序产品质量预测研究[J]. 系统仿真学报, 2023, 35(11): 2321-2332.
[13]	李静, 张涛涛, 金凯, 袁胜智, 查子龙. 基于时变RBF神经网络的时变非线性系统控制器设计[J]. 系统仿真学报, 2023, 35(10): 2223-2236.
[14]	杜宇, 杨新权, 张建华, 袁素春, 肖化超, 袁晶晶. 基于循环谱截面智能分析的混合信号调制识别方法[J]. 系统仿真学报, 2023, 35(1): 146-157.
[15]	张大永, 杨镜宇, 吴曦. 兵棋推演空中任务智能预测方法研究[J]. 系统仿真学报, 2023, 35(1): 212-220.