基于交通状态预测的可变导向车道智能控制

杨严; 唐秋生

doi:10.12404/j.issn.1671-1815.2501668

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (4) :1710-1719 DOI: 10.12404/j.issn.1671-1815.2501668

交通运输

基于交通状态预测的可变导向车道智能控制

杨严 ,
唐秋生 ^*

作者信息 +

Intelligent Control Method of Variable Direction Lane Based on Traffic State Prediction

YANG Yan ,
TANG Qiu-sheng ^*

Author information +

文章历史 +

摘要

可变导向车道通过调整交叉口进口车道的车道功能来缓解交通拥堵，现有的可变导向车道大多为固定时段进行切换，未能充分利用其功能的可变性。提出一种智能控制方法，首先将KAN（Kolmogorov-Arnold networks）网络和卷积神经网络与长短期记忆神经网络相结合，用于直行和左转的短时交通流以及时间占有率的预测，获取交通运行数据；利用萤火虫算法优化后的模糊C均值聚类算法将预测到的交通数据进行聚类分析，初步分为三种交通状态分别对应“直行”“直左合用”“左转”三种车道功能，并基于提出的约束条件和切换流程，实现可变导向车道的智能控制。使用VISSIM软件搭建交叉口仿真，分别检测在该智能切换场景下，不同车道功能切换前后的运行效果。结果显示，可变导向车道方向进口车道的平均通行时间下降了5.33%，平均排队长度下降了3.52%，平均交通延误下降了11.79%。该智能控制方法可有效提高通行效率。

Abstract

Variable guidance lanes are designed to alleviate traffic congestion by adjusting the functional configurations of intersection entrance lanes. Existing variable guidance lanes predominantly operate on fixed-time schedules，which fail to fully utilize their adaptive potential. An intelligent control method integrating Kolmogorov-Arnold networks（KAN），convolutional neural networks（CNN），and long short-term memory（LSTM） networks was proposed to predict short-term traffic flow and temporal occupancy rates for straight-through and left-turn movements. Traffic data predictions were processed using a firefly algorithm-optimized fuzzy C-means（FCM） clustering algorithm，categorizing traffic states into three modes： “straight-through”“combined straight-left” and “left-turn”. A constrained switching framework was developed to dynamically adjust lane functions based on real-time traffic conditions. A microscopic traffic simulation was implemented in VISSIM to evaluate operational performance under different lane configurations. Results demonstrate that the proposed system reduces average travel time by 5.33%，queue length by 3.52%，and traffic delay by 11.79% in variable guidance lane approaches. The intelligent control method effectively enhances intersection operational efficiency while maintaining compliance with traffic regulations. This approach provides a data-driven solution for adaptive traffic management in urban road networks.

Graphical abstract

关键词

城市交通 / 交通状态预测 / 可变导向车道 / 智能控制 / 聚类算法

Key words

urban transportation / traffic state prediction / variable guidance lane / intelligent control / clustering algorithm

引用本文

引用格式 ▾

杨严, 唐秋生. 基于交通状态预测的可变导向车道智能控制[J]. 科学技术与工程, 2026, 26(4): 1710-1719 DOI:10.12404/j.issn.1671-1815.2501668

YANG Yan, TANG Qiu-sheng. Intelligent Control Method of Variable Direction Lane Based on Traffic State Prediction[J]. Science Technology and Engineering, 2026, 26(4): 1710-1719 DOI:10.12404/j.issn.1671-1815.2501668

登录浏览全文

4963

注册一个新账户忘记密码

可变导向车道的引入是为了应对城市交通流量的动态变化，提高道路使用效率和缓解交通拥堵。通过调整车道方向，可变导向车道能够根据实际交通情况，将车道资源分配给最需要的方向，从而优化交通流在交叉口的运行。

目前对于可变车道的研究，大多基于其固定切换功能基础上的信号控制优化和通行能力提升方面展开研究。孙煦等^[1]分析了不同时段交通流量与流向存在的不均衡性，设置了一种基于车道间排队差异的可变导向车道控制策略。王嘉文等^[2]提出考虑进口道数量、车道功能和信号配时在内的车道功能与信号控制优化模型。朱从坤等^[3]从车流波理论出发分析适应交通量最大交通量和设置逆向可变车道最低交通量，研究逆向可变车道适应交通量的最大值。葛青等^[4]划分三种级别的信号控制模式，优化单点自适应的可变车道信号控制。张文琦等^[5]在中央隔离设置移动护栏，利用单片机的理论控制可变导向车道。白家安等^[6]在可变车道设置可移动护栏的基础上，利用卡尔曼滤波预测道路流量，并建立优化模型优化交叉口信号配时。李雪梅等^[7]探讨了可变导向车道在直行、左转、直左三种车道功能进行切换与两种切换的效果，建立优化模型并检验在两种场景下的优化效果。孙祥芬等^[8]考虑到驾驶人与交通管理之间存在博弈，利用博弈论的理论方法分析可变车道设置的收益。招晨等^[9]根据交叉口车辆到达-离去曲线法，实现了可变车道交叉口动态控制的信号配时优化。施季莹等^[10]针对交通需求波动所带来的交通问题，提出一种分时段优化可变导向车道信号配时的方法，能一定程度的改善通行效果。王连震等^[11]优化了主、预信号控制方法，以直行、左转车辆延误最小作为车道功能切换标准，优化了信号配时。徐小高等^[12]利用多智能体强化学习的方法优化可变导向车道的协同控制。Alagbé等^[13]以杭州不同交叉口的感应线圈数据，研究出可变车道交通流量特性。Zhou等^[14]分析逆向可变车道安全控制因素，提出了一种实时动态可变导向车道安全控制模型。Sun等^[15]考虑动态交通信号控制方案与固定的逆向可变导向车道在控制中存在的矛盾，提出了一种两阶段优化方法。Dante等^[16]利用元胞自动机对自适应逆向可变车道建模，利用真实数据进行验证。Ning等^[17]研究了“直右可变车道”的运行规律，利用水动力学相似理论，确定“直右可变车道”的组织形式和关键参数。Hong等^[18]基于路网建设成本最小和总行程时间最小的原则，建立了双层规划模型并采用三种启发式算法进行求解。

综上所述关于可变导向车道设置的研究主要集中在：一是大多数研究集中于信号控制和通行效率的优化，而对车道切换时机的研究相对较少；二是现有研究未能充分结合人工智能技术，以实现车路协同的效果。

针对上述不足，提出一种基于交通状态预测的可变导向车道智能控制方法。该方法包含三个主要方面：首先，利用深度学习混合模型对交通状态进行预测，涵盖交通流量和时间占有率等指标。其次，采用模糊聚类算法对车道状态进行划分，以初步确定车道功能。最后，结合实际交通运行特点，制定约束条件和优化方案，实现可变导向车道在“直行”“左转”和“直左合用”三种功能下的智能控制。

1 基于CNN-LSTM-KAN组合模型的

交通状态预测在现有研究中，数据的采集依赖于道路检测器，对于可变车道的实时控制，该采集方法存在一定滞后性，引入交通预测模型提前获取未来一段时间内的交通状态信息，弥补数据采集的延时问题，从而提升车道控制的实时性。

1.1 卷积神经网络

卷积神经网络（convolutional neural networks，CNN）是一种深度学习架构，广泛应用于图像处理、语音识别、自然语言处理等领域。CNN通过卷积操作自动提取输入数据中的特征，从而减少了依赖人工特征提取的需求。其基本结构通常包括卷积层、激活函数、池化层和全连接层。卷积层用于提取局部特征，池化层有助于降维并简化计算，最后通过全连接层完成分类或回归任务。CNN通过多层次的网络逐步学习从低级到高级的特征，使其在处理复杂任务时展现出强大的能力。

1.2 长短期记忆神经网络

长短期记忆网络（long short-term memory，LSTM）是对传统递归神经网络（recurrent neural network，RNN）的一种改进，旨在解决RNN在处理长序列数据时出现的梯度消失和梯度爆炸问题。LSTM通过引入特殊的门控机制，能够在较长的时间跨度内有效捕捉和存储关键信息，避免信息遗忘。

LSTM的核心结构包括一个记忆单元和三个主要的“门”——遗忘门、输入门和输出门。遗忘门决定了哪些信息从前一个时刻的记忆中被保留，输入门则控制哪些新信息会被添加到记忆中，输出门则决定了哪些信息从当前记忆中传递到下一时刻的计算。

1.3 KAN模型结构

KAN（Kolmogorov-Arnold network）是一种基于Kolmogorov函数近似定理的神经网络模型，借鉴了Arnold在非线性系统中的研究成果。KAN与多层感知机（multilayer perceptron，MLP）类似，主要的区别在于KAN的激活函数是可学习的。在KAN模型中，为了充分利用其出色的拟合能力，使用了B样条函数作为激活函数。KAN通过扩展输入变量的特征，并通过动态上采样层更高效地处理这些特征。通过调整KAN中的激活函数，模型能够自动学习最合适的激活函数，从而提升性能和准确性^[19]。KAN与MLP的对比如图1所示，KAN网络的表达式为

（1）$ \begin{aligned} \operatorname{KAN}(x) & =f\left(x_{1}, x_{2}, \cdots, x_{n}\right) \\ & =\sum_{q=1}^{2 n+1} \phi_{q}\left[\sum_{j=1}^{d} \varphi_{q, p}\left(x_{j}\right)\right] \end{aligned}$

式（1）中：f（x₁，x₂，…，x_n）为关于输入变量x₁，x₂，…，x_n的函数，描述KAN网络整体映射关系；φ_q为外层非线性函数；q为外层非线性函数的索引，用于区分不同的外层函数；n为输入变量的维度，即输入数据的特征数量；ϕ_q_，_p为第q个外层函数中第p个内层一元函数，ϕ_q_，_p（x_j）为可以进行训练的激活函数，是样条函数spline（x）与基函数b（x）的和；x_j为输入变量中的第j个分量，即输入数据的某个具体特征。

（2）φ_x=ω_bb（x）+ω_sspline（x）

（3）b（x）=SiLU（x）=$\frac{x}{1+{e}^{-x}}$

（4）spline（x）=${\sum }_{i}^{}$c_iB_i（x）

式中：φ_x为外层非线性函数中的第x个函数；ω_b、ω_s为系数，用于控制激活函数（即基函数与样条函数之和）的整体大小，对函数的缩放起到调节作用；b（x）为基函数，在式（2）中具体采用的是SiLU（Sigmoid linear unit）函数，用于提供基本的非线性变换；SiLU（x）是一种特殊的激活函数，是Sigmoid函数的一种变体，具有平滑的非线性特性；c_i为样条函数的可训练系数，这些系数是可训练的参数，在网络训练过程中通过学习进行调整，以优化样条函数的拟合效果；B_i（x）为第i个基函数，是样条函数的基本组成部分，通过不同基函数的线性组合构成样条函数。

1.4 CNN-LSTM-KAN组合模型

本文提出的CNN-LSTM-KAN模型结构如图2所示，模型由两层CNN层串联而成，分别包含32个和64个卷积核，接着是两层LSTM层，分别包含64个和128个神经元。输入数据经过神经网络处理后进入KAN层进行进一步优化，然后通过全连接层输出数据。

2 基于FA-FCM算法的车道状态划分

将预测得到的交通数据进行分类，由于交通数据没有明确的分类标准，选择模糊C均值聚类作为分类方法，从而实现可变导向车道功能在未来时刻的直行、左转和“直左合用”功能的切换。

2.1 FCM聚类算法

模糊C均值聚类（fuzzy C-means，FCM）算法简称FCM算法，是软聚类方法的一种。相比于传统硬聚类分类时的按硬性标准进行划分，该方法的原理是隶属度来表示每个数据之间的关系，从而确定每个数据点属于的聚类簇的聚类方法。隶属度在[0,1]，每个对象都有属于每个类的隶属度，并且所有隶属度之和为 1，即更接近于哪一方，隶属度越高，其相似度越高。FCM算法也是一种基于目标函数的算法，FCM的目标函数和结束条件分别为

（5）J（U，V）=$\sum _{i=1}^{n}\sum _{j=1}^{k}{u}_{ij}^{m}{d}_{ij}^{2}$

（6）$\sum _{j=1}^{k}$u_ij=1，u_ij∈[0,1]

式中：J（U，V）为FCM算法的目标函数，用于衡量样本数据与聚类中心之间的模糊聚类误差，其值越小说明聚类效果越好；U为隶属度矩阵，由所有样本点对各聚类中心的隶属度u_ij组成，描述了样本的模糊分类情况；u_ij为样本点x_i与聚类中心v_j的隶属度；V为聚类中心矩阵，包含k个聚类中心v_j，每个聚类中心代表一类数据的中心位置；n为样本点的总数，即参与聚类的交通数据样本数量；k为预设的聚类类别数，根据交通状态划分需求确定（如自由流、最大流、阻塞流等类别）；i为样本点的索引，取值范围1~n，用于区分不同的样本数据；j为聚类中心的索引，取值范围1~k，用于区分不同的聚类类别；m为模糊指数，m>1；d_ij为样本点x_i与聚类中心v_j的距离，一般采用欧氏距离。

聚类就是求目标函数在约束条件下的最小值。FCM算法通过对目标函数的迭代优化来取得对样本集的模糊分类。

为了使得目标函数J取得最小值，在满足约束条件的情况下对目标函数使用拉格朗日（Lagrange）乘数法，得到隶属度矩阵U和聚类中心v_j，分别表示为

（7）u_ij=$\frac{1}{\sum _{c=1}^{k}{\left(\frac{{d}_{ij}}{{d}_{ik}}\right)}^{\frac{2}{m-1}}}$

（8）v_j=$\frac{\sum _{i=1}^{n}{u}_{ij}^{m}{x}_{i}}{\sum _{i=1}^{n}{u}_{ij}^{m}}$

式中：c为聚类中心的辅助索引，用于遍历所有聚类中心计算隶属度，取值范围1~k；式（7）为隶属度u_ij的计算公式，通过样本点到各聚类中心的距离d_ij和d_ik以及模糊指数m来确定隶属度值；x_i为第i个样本点的具体数据向量（如交通流参数中的速度、流量、占有率等构成的向量）。

2.2 萤火虫算法

萤火虫算法（firefly algorithm，FA）作为一种群体智能算法，以自然界萤火虫吸引的行为为启发而提出。FA算法包含两大核心要素：亮度与吸引力。亮度不仅反映了萤火虫在空间中的位置，还决定了其移动的方向；而吸引力则决定了萤火虫移动的具体距离。通过不断迭代更新亮度与吸引力，FA算法能够实现客观的优化目标。

2.3 基于萤火虫算法的FCM算法改进

FCM算法是一种局部搜索优化算法，其对初始值较为敏感，并且初始聚类中心是随机生成的，这使得算法的结果受到随机性的较大影响。为了优化FCM算法，采用萤火虫算法对其进行改进。

FA-FCM算法具体实现步骤如下。

步骤1 确定聚类参数。结合可变导向车道的应用，确定聚类数目c与模糊指数m。其中，c决定了分类数量，m确定分类清晰度，m越大，分类越模糊，相反越清晰。

步骤2 确定初始聚类中心。利用萤火虫算法，计算FCM 的目标函数值，并不断更新萤火虫的位置，直到找到最优解，即FCM算法的初始聚类中心，萤火虫算法与FCM算法各项参数的对应关系如表1所示。

步骤3 执行FCM算法。计算每个样本的模糊隶属度值，重新计算聚类中心以及每一次迭代过后目标函数值。

步骤4 评价指标计算。针对FCM算法，Xie-Beni系数能够较好的评价FCM算法聚类效果的紧密度与分离度，具体计算公式为

（9）V_XB=$\frac{\sum _{i+1}^{C}\sum _{j-1}^{n}{\mu }_{ij}^{2}{‖{x}_{j}-{v}_{i}‖}^{2}}{n（\underset{j\ne k}{min}{‖{x}_{j}-{v}_{k}‖}^{2}）}$=$\frac{\delta /n}{sep（{P}_{j}）}$

式（9）中：V_XB为Xie-Beni系数，评价聚类效果的紧密性与分离度；μ_ij为样本点x_i属于聚类中心v_j的隶属度；x_j为第j个样本点的数据向量；v_i为第i个聚类中心；‖x_j-v_i‖²、‖x_j-v_k‖²分别为样本点x_j与聚类中心v_i、v_k的欧氏距离平方；$\underset{j\ne k}{min}{‖{x}_{j}-{v}_{k}‖}^{2}$为不同聚类中心间欧氏距离平方的最小值；n为样本点数；sep（P_j）为评价类之间的分离程度；δ为全变差，衡量样本与聚类中心的紧密性。

3 可变导向车道切换模型

3.1 车道切换约束

考虑车辆的安全运行，在做出车道功能配置的决策时，综合考虑以下几方面约束。

（1）车道功能确定。切换的方式主要为通过聚类分析划分道路交通流状态确定，状态1时为直行车道功能，状态2时为直行与左转合用功能，状态3时为左转车道功能。

（2）切换频率约束。规定每次车道功能切换距离上次车道功能切换至少间隔4个周期及以上。

（3）切换流程优化。考虑到当前可变导向车道在进行直行与左转功能切换时，未为原行驶方向的排队车辆预留足够的清空时间，导致车辆错误的按照切换前的车道功能行驶。为此，本文规定在直行切换为左转或左转切换为直行之前，先设置一个信号周期的“直左合用”车道功能。

（4）信号相位优化。当直左合用车道功能切换后，若路口原始相位类似于传统四相位，即南北直行、南北左转、东西直行、东西左转，会导致直、左合放时左转车辆与对向直行车产生冲突。因此，在切换为“直左合用”车道功能时，将信号相位优化调整为单方向车辆合放的信号放行方式。

（5）信号配时优化。基于信号相位可能由传统相位优化为单方向合放的控制方式，在信号配时方面提出优化方案，以确保每个方向行驶车辆得到的绿灯通行时间与现状相同。具体优化方案如下。

场景1：若原相位中对向直行与对向左转相位绿灯时长相等，如路口中南北直行相位与南北左转相位绿灯时长相等，则相位优化后，南向合放与北向合放相位的绿灯时长保持与原相位绿灯时长一致。

场景2：若原相位中对向直行与对向左转绿灯时长不相等，如路口中南北直行相位时长α是南北左转相位时长β的2倍，即α=2β。此时南向合放与北向合放信号配时为β，相位优化为南向合放与北向合放相位之间添加搭接相位，即添加搭接南北直行相位，信号配时为α-β。

3.2 车道切换流程

基于以上车道切换的约束条件，可变导向车道的智能控制流程如图3所示，主要步骤如下。

步骤1 基于CNN-LSTM-KAN的交通状态预测。CNN与LSTM在时序数据的处理能力上有显著优势。KAN模型则在精度和泛化能力上优于传统的MLP，仅需更少的参数和更短的计算时间，即可实现更高的预测精度。该组合模型在交通预测中的表现尤为突出，利用该模型预测交通流量和时间占有率预测，为可变车道的切换提供实时决策支持。

步骤2 基于FA-FCM算法的交通状态划分。将第一步预测得到的交通数据进行聚类分析，实现将交通状态分为三类，分别对应可变导向车道中“直行”“左转”“直左合用”三种车道功能。FCM算法较为准确地对交通数据进行分类，初步制定合理的车道切换策略。FA模型的优化进一步增加了FCM算法运行的效率和精度。

步骤3 基于结合车辆运行制定车道切换约束，将第二步初步确定的切换策略进一步进行摘选，若条件均满足，可变车道进行切换。

4 实证分析

4.1 案例交叉口现状介绍

选取的案例交叉口位于重庆市南岸区某交通主干道上，如图4所示，该交叉口为“T”形交叉口，可变导向车道位于南向进口道。信号相位为南北直行、南左转两个相位，信号总周期为120 s，其中，南北直行相位绿灯时长为72 s，南左转相位绿灯时长为42 s，黄灯时长为3 s。该可变车道现有的车道功能切换方式为“定时控制”，平峰时为左转功能，晚高峰时为直行功能。

4.2 交通状态预测精度检验

进行模型对比实验检验CNN-LSTM-KAN组合模型的预测精度，实验采用英国约克郡的M18高速公路公开流量数据2022年1—3月0~520 cm长度的车流量数据作为基准数据集。在该数据集中的具体数据有数据统计时间T（单位：s），车身平均长度为L（单位：m）的中小型车流量N（单位：veh）以及平均速度V（单位：m/s）。利用以上数据计算时间占有率R_t，计算公式为

（10）R_t=$\frac{N（L/V）}{T}$

选取决定系数（R²）、均方根误差（root mean square error，RMSE）以及平均绝对误差（mean absolute error，MAE）3个主要指标评价预测性能，具体公式为

（11）R²=1-$\frac{\sum _{i=1}^{M}（{\widehat{y}}_{i}-{y}_{i}{）}^{2}}{\sum _{i=1}^{M}（{\overline{y}}_{i}-{\widehat{y}}_{i}{）}^{2}}$

（12）RMSE=$\sqrt{\frac{1}{M}\sum _{i=1}^{M}（{y}_{i}-{\widehat{y}}_{i}{）}^{2}}$

（13）MAE=$\frac{1}{M}\sum _{t=1}^{M}\left|{y}_{i}-{\widehat{y}}_{i}\right|$

式中：n为样本数量，参与模型评估的观测数据点总数；y_i为第i个样本的实际观测值；${\widehat{y}}_{i}$为第i个样本的模型预测值；${\overline{y}}_{i}$为所有样本实际观测值的平均值。

选择时域卷积网络（temporal convolutional networks，TCN）、CNN、LSTM、CNN-LSTM、TCN-KAN、CNN-KAN、LSTM-KAN共7个模型作为基线模型。实验过程中的关键参数设置，批次大小为64，迭代次数为120次，学习率为0.03%，优化器为Adam，使用同一数据集在相同的运行环境下进行实验，如图5所示为CNN-LSTM-KAN的预测效果图，表2为模型对比实验详细数据。

如图5所示，CNN-LSTM-KAN模型预测的交通流量与时间占有率的拟合度均较高，结合表2的具体数据分析，R²为0.969 4，RMSE为0.181 7，MAE为0.132 5，各项数据均优于其他算法，相较于CNN-LSTM算法，R²上升了1.75%，RMSE与MAE均下降了约96.6%。利用KAN模型优化后的所有算法的结果均优于原算法。MIN_MSE为代码运行中MSE误差的最小值，通过对比MSE与MIN_MSE的数据能够体现出模型误差的稳定程度，结果显示KAN模型优化后的模型稳定性高于原始模型，证明引入KAN模型对于传统的深度学习算法的优化效果是显著的。

4.3 车道状态划分效果及优化

在获取直行与左转车流量和时间占有率的基础上，确定聚类参数，取分类数目c=3，模糊指数m=2，迭代停止阈值ε=10^-5，归一化数据后利用FA-FCM算法进行聚类，划分交通状态从而确定可变导向车道功能切换。

为了体现方法的实际意义，数据采集时间为15：00—19：00，利用颗粒度为5 min的交通流量与时间占有率进行聚类^[20]。该时段为现状车道功能切换前后，流量运行稳定，该时段具有代表性，实验效果较好。其中15：00—17：00可变导向车道功能为左转，17：00—19：00车道功能为直行。 FA-FCM聚类中心矩阵为

（14）

V=[v₁，v₂，v₃]=$\left[\begin{array}{l}{Q}_{1}\\ {Q}_{2}\\ {O}_{1}\\ {O}_{2}\end{array}\right]$

=$\left[\begin{array}{lll}0.463 6& 0.714 6& 0.599 4\\ 0.459 6& 0.751 3& 0.245 9\\ 0.695 3& 0.244 5& 0.426 7\\ 0.277 1& 0.811 5& 0.614 9\end{array}\right]$

式（14）中：行列式Q₁、Q₂和O₁、O₂分别代表5 min的直行和左转车流量（单位：辆/5 min）与直行和左转的时间占有率（单位：%）；不同行驶方向的车辆数量不同、时间占有率变化，车道功能切换方向就会发生变化，聚类中心矩阵v₁、v₂、v₃分别代表“直行功能”“直左功能”与“左转功能”所对应的聚类中心。图6为聚类结果可视化图。

表3为部分数据包括采集时间以及流量和时间占有率数据，还包括聚类分析的隶属度结果，根据隶属度划分未来车道状态，与现有车道状态对比下，结合车道切换的约束条件从而确定车道功能是否切换。

为了验证本文方法优化的可行性，将FA-FCM算法的运行效果与FCM算法进行了对比，结果如表4所示，可以看出，改进后的FA-FCM算法在Xie-Beni系数上下降了54.78%，运行时间减少了50.21%。这一结果表明，采用萤火虫算法对于FCM优化是合理的。

4.4 基于VISSIM的通行效果评价

为了展现所提出的可变导向车道优化方法的效果，使用VISSIM 4.3软件，结合实际路口的通行情况和渠化方案，搭建了仿真模型。研究在不同条件下切换车道功能以实现优化的效果，仿真中变化的变量包括可变导向车道的功能、交通流量以及切换为“直左功能”时的信号相位，其他变量如检测器位置、车道尺寸和车辆运行速度等均为固定常量。

分步进行仿真，每个车道功能变化的时间段内，将直行和左转车流量换算成小时交通当量数据输入仿真软件。当车道功能切换为“直左合用”时，为保持各通行方向绿灯时长与现状一致，优化信号相位如下：第一相位为南向直行与左转合放，时长42 s；第二相位为南北直行，时长30 s；第三相位为北向直行，时长42 s。信号周期120 s，两次黄灯时长均为3 s，分别在南向合放前和南北直行后。单次仿真时长600 s。

依据道路现状的交通组成，仿真软件中车辆类型设为小轿车和公交车，小轿车占比0.8，公交车占比0.2。平峰期，小轿车期望车速60 km/h，公交车50 km/h；高峰期，小轿车期望车速50 km/h，公交车40 km/h。考虑到左转车辆通行速度慢于直行车辆，在左转和直行区域分别设置减速区，左转车道期望速度小轿车20 km/h、公交车15 km/h；直行车道期望速度小轿车40 km/h、公交车30 km/h。路口冲突处设置为直行车辆让左转车辆先行，右转车辆让直行车辆先行。

评价指标为切换车道功能前后南向进口道的平均通行时间、平均排队长度及平均交通延误。图7展示了现有可变导向车道功能优化为直行、左转和“直左”时的通行效果对比。

车道功能由现有的直行功能切换为左转功能，交通运行状况优化较为显著，平均通行时间下降了8.6 s，下降16.86%；平均排队长度较切换前减少了3.6 m，下降了9.6%；平均交通延误优化了7.9 s，下降了21.43%。车道功能由左转功能切换为直行功能，交通运行状况有小幅度优化，三大数据对比切换前下降了3.54%、1.92%以及4.35%。车道功能由直行切换为直左时，优化效果同样显著，三个数据分别下降了11.24%、16.38%和26.22%。车道功能由左转切换为直左时，车辆受到直行与左转混行车道通行能力的限制，通行时间与排队长度较左转功能上升了10.30%和13.83%、交通延误增加了4.86%。

整体来看，实行可变导向车道智能控制方法，在其余变量均统一且不变的前提下，平均通行时间下降了5.33%，平均排队长度下降了3.52%，平均交通延误下降了11.79%。

5 结论

（1）将KAN网络和卷积神经网络与长短期记忆神经网络相结合的方法CNN-LSTM-KAN模型相比于CNN-LSTM模型R²上升了1.75%，RMSE与MAE均下降了约96.6%，KAN模型的引入实现了高精度的交通流与时间占有率预测。

（2）利用萤火虫算法优化FCM聚类算法，相比于FCM算法，FA-FCM算法的Xie-Beni系数下降了54.78%，运行效率也有一定的优化，实现车道状态的划分。

（3）在现有可变导向车道的基础上引入“直左合用”车道功能，基于交通状态预测以及车道状态划分，提出了实现可变导向车道的智能控制约束条件和切换流程，实现可变导向车道的智能控制。基于VISSIM仿真检验，平均交通延误下降了11.79%，具有较为显著的优化提升效果。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	孙煦, 来雨豪, 郄堃. 基于可解释机器学习的自适应可变导向车道通行能力提升研究[J]. 交通工程, 2025, 25(2): 16-22, 33.

[2]	Sun Xu, Lai Yuhao, Qie Kun. Research on adaptive variable guidance lane capacity enhancement based on explainable machine learning[J]. Traffic Engineering, 2025, 25(2): 16-22, 33.

[3]	王嘉文, 冯洋, 赵靖, 等. 车道功能与信号控制协同优化方法与实证研究[J]. 公路交通科技, 2023, 40(3): 219-227.

[4]	Wang Jiawen, Feng Yang, Zhao Jing, et al. Collaborative optimization method and empi-rical research on lane function and signal control[J]. Highway Traffic Science andTe-chnology, 2023, 40(3): 219-227.

[5]	朱从坤, 张乐峰. 信控交叉口逆向左转可变车道适应交通量研究[J]. 交通工程, 2021, 21(2): 79-84.

[6]	Zhu Congkun, Zhang Lefeng. Credit control variable lane to adapt to the traffic intersection reverse left study[J]. Journal of Transportation Engineering, 2021, 21(2): 79-84.

[7]	葛青, 陈欣. 一种多模式自适应可变车道控制[J]. 产业科技创新, 2023, 5(5): 60-62.

[8]	Ge Qing, Chen Xin. A multi-mode adaptive variable lane control[J]. Industrial Science and Technology Innovation, 2023, 5(5): 60-62.

[9]	张文琦, 徐发刚, 赵彬旭. 应用于潮汐车道的自适应移动护栏控制系统设计[J]. 电子设计工程, 2023, 31(16): 96-101.

[10]	Zhang Wenqi, Xu Fagang, Zhao Binxu. Applied to adaptive mobile fence tidal lane control system design[J]. Journal of Electronic Design Engineering, 2023, 31(16): 96-101.

[11]	白家安, 张存保, 曹雨. 逆向可变车道开口位置动态调整及信号配时优化方法研究[J]. 武汉理工大学学报(交通科学与工程版), 2023, 47(5): 781-787.

[12]	Bai Jia’an, Zhang Cunbao, Cao Yu. Research on dynamic position adjustment and signal timing optimization of reverse variable lane openings[J]. Journal of Wuhan University of Technology(Traffic Science and Engineering), 2023, 47(5): 781-787.

[13]	李雪梅, 张存保, 曹雨, 等. 含可变导向车道交叉口的车道功能与信号控制协同优化方法[J]. 交通信息与安全, 2023, 41(5): 54-63.

[14]	Li Xuemei, Zhang Cunbao, Cao Yu, et al. A collaborative optimization method of lane function and signal control at intersections with variable guidance lanes[J]. Traffic Information and Safety, 2023, 41(5): 54-63.

[15]	孔祥芬, 刘敬赟, 王杰, 等. 基于演化博弈论的可变导向车道设置策略研究[J]. 工业工程, 2023, 26(1): 115-122.

[16]	Kong Xiangfen, Liu Jingyun, Wang Jie, et al. Research on variable guidance lane setting strategy based on evolutionary game Theory[J]. Industrial Engineering, 2023, 26(1): 115-122.

[17]	招晨, 方天. 交叉口同向可变车道动态控制与信号配时优化研究[J]. 交通与港航, 2024, 11(4): 76-81, 91.

[18]	Zhao Chen, Fang Tian. Variable lane intersection synthetic dynamic control and signal timing optimization study[J]. Transportation and ports, 2024, 11(4): 76-81, 91.

[19]	施季莹, 王嘉文, 郑欣, 等. 城市道路信号控制交叉口可变进口车道分时段方案优化方法[J]. 中国水运, 2023(7): 148-150.

[20]	Shi Jiying, Wang Jiawen, Zheng Xin, et al. Optimization method of time division scheme for variable entrance lanes at signal controlled intersections of urban roads[J] Water Transport in China, 2023(7): 148-150.

[21]	王连震, 王宇萍, 姚丽. 基于可变导向车道的交叉口时空资源协同优化方法[J]. 武汉理工大学学报(交通科学与工程版), 2021, 45(6): 1005-1009.

[22]	Wang Lianzhen, Wang Yuping, Yao Li. A collaborative optimization method of spatial-temporal resources at intersections based on variable guidance lane[J]. Journal of Wuhan University of Technology(Traffic Science and Engineering), 2021, 45(6): 1005-1009.

[23]	徐小高, 夏莹杰, 朱思雨, 等. 基于强化学习的多路口可变车道协同控制方法[J]. 浙江大学学报(工学版), 2022, 56(5): 987-994, 1005.

[24]	Xu Xiaogao, Xia Yingjie, Zhu Siyu, et al. Multi-intersection variable lane cooperative control method based on reinforcement learning[J]. Journal of Zhejiang University(Engineering and Technology), 2022, 56(5): 987-994, 1005.

[25]	Alagbé J A, Wang R, Xu C, et al. Empirical analysis of traffic flow characteristics at variable approach lanes[J]. International Journal of Transportation Science and Technology, 2024, 14: 87-98

[26]	Zhou G, Mao L, Bao T, et al. Construction of real-time dynamic reversible lane safety control model in intelligent vehicle infrastructure cooperative system[J] Applied Artificial Intelligence, 2023, 37(1): 2177009.

[27]	Sun Z, Wang Z, Qi X, et al. A two-stage robust optimal traffic signal control with reversible lane for isolated intersections[J]. IET Intelligent Transport Systems, 2023, 18(4): 723-742.

[28]	Dante P, Carlos G, Elena M L, et al. Modeling adaptive reversible lanes: a cellular automata approach[J]. PLoS One, 2021, 16(1): 0244326.

[29]	Ning B, Liang S, Zuo S, et al. Dynamic straight-right lane design and signal control at urban intersections[J]. Journal of Transportation Engineering, Part A: Systems, 2023, 149(10): 7581.

[30]	Hong W Q, Yang Z S, Sun X, et al. Temporary reversible lane design based on bi-level programming model during the Winter Olympic Games[J]. Sustainability, 2022, 14(8): 4780-4780.

[31]	袁立宁, 冯文刚, 刘钊. 基于Kolmogorov-Arnold网络的节点分类算法[J]. 计算机科学与探索, 2025, 19(3): 645-656.

[32]	Yuan Lining, Feng Wengang, Liu Zhao. Node classification algorithm based on Kolmogorov-Arnold network[J]. Computer Scie-nce and Exploration, 2025, 19(3): 645-656.

[33]	张生瑞, 连江南, 焦帅阳, 等. 融合FCM-RBF的短时交通拥堵状态预测模型[J]. 重庆理工大学学报(自然科学), 2023, 37(3): 12-21.

[34]	Zhang Shengrui, Lian Jiangnan, Jiao Shuaiyang, et al. Short-time traffic congestion state prediction model with FCM-RBF[J]. Journal of Chongqing University of Technology(Natural Science), 2023, 37(3): 12-21.

基金资助

国家自然科学基金面上项目(52472339)

国家社会科学基金后期资助(22FJYB028)

PDF (6792KB)

访问

被引

详细

导航

Received	Published	Revised
2025-03-12	2026-02-08	2025-11-10
Online Date
2026-09-21

摘要