《Entropy》：Control Subarea Division for Coordinated Signal Control: A Colored Random Walk and Path Entropy Approach to Traffic-State Propagation
编辑推荐：
控制子区划分对于协调信号控制（coordinated signal control）至关重要，但主要基于局部相关性或静态拓扑的方法可能无法充分捕捉动态交通加载（dynamic traffic loading）下的交通状态传播（traffic-state pro
控制子区划分对于协调信号控制（coordinated signal control）至关重要，但主要基于局部相关性或静态拓扑的方法可能无法充分捕捉动态交通加载（dynamic traffic loading）下的交通状态传播（traffic-state propagation）。本研究提出了一种控制子区划分方法，该方法通过集成状态引导的彩色随机游走（state-guided colored random walk）和路径熵（path entropy）分析来显式建模交通状态传播。研究人员利用交叉口相关度（intersection correlation degree）和交通状态构建了一个状态引导的彩色随机游走过程，其中转移概率根据网络连通性和交通状态一致性进行更新。路径熵表征传播不确定性，并通过最小化节点级与子区级路径响应之间的分布差异（distribution discrepancy）来识别控制子区。为了比较划分方案，研究采用了五个补充指标：空间延误方差降低率（variance reduction rate of spatial delay）、延误降低率（delay reduction rate）、拥堵缓解指数（congestion mitigation index）、停车次数降低率（stop reduction rate）和排队长度降低率（queue reduction rate）。研究人员开发了一个具有动态交通加载的VISSIM微观仿真模型，将所提方法与Whitson方法和Fast Newman方法进行比较。所提方法在所有五个指标上均取得了最佳性能，分别达到41.47%、23.77%、25.96%、23.59%和15.08%。这些结果表明，所提方法在缓解瓶颈、减少停车次数和抑制排队累积的同时，改善了空间均衡性和网络效率。
**论文解读：面向协调信号控制的控制子区划分方法——基于彩色随机游走与路径熵的交通状态传播分析**
**研究背景与问题**
在大型城市路网中，协调信号控制（coordinated signal control）是提升通行效率、缓解拥堵传播的重要手段。然而，传统控制策略多针对孤立交叉口或固定走廊设计，难以平衡局部响应与全局协调。现有控制子区划分方法主要分为两类：一类基于交通状态相似性或交叉口相关度（intersection correlation degree），依赖局部统计关系或经验阈值，无法反映拥堵在多路径下的实际扩散过程；另一类基于图划分或社区检测，侧重于拓扑结构或全局相似性，但未显式建模交通状态的传播、扩展与演化。因此，在动态交通加载（dynamic traffic loading）条件下，如何使子区划分结果与交通影响的实际传播模式相匹配，成为亟待解决的问题。
**研究内容与结论**
本研究提出一种传播导向的控制子区划分框架，通过集成状态引导的彩色随机游走（state-guided colored random walk）和路径熵（path entropy）分析，显式建模交通状态传播。核心思想是：利用交叉口相关度和交通状态标签构建状态引导随机游走过程，使转移概率根据网络连通性和状态一致性动态调整；随后引入路径熵表征传播不确定性，并通过最小化节点级与子区级路径响应之间的KL散度（Kullback–Leibler divergence）识别具有内部传播一致性的控制子区。在VISSIM微观仿真环境中，基于实地调查数据构建的动态加载场景下，将所提方法与Whitson方法和Fast Newman方法进行比较。结果表明，所提方法在五个综合指标上均表现最优：空间延误方差降低率（VRR）为41.47%，延误降低率（DRR）为23.77%，拥堵缓解指数（CMI）为25.96%，停车次数降低率（SRR）为23.59%，排队长度降低率（QRR）为15.08%。这说明该方法在提升网络效率、均衡空间运行状态、缓解瓶颈以及抑制排队累积方面具有显著优势。相关论文发表在《Entropy》上。
**主要技术方法概述**
研究使用状态引导的彩色随机游走模型（state-guided colored random walk），将交叉口相关度和交通状态标签编码为转移概率，通过重启机制（restart coefficient）平衡探索与局部依赖；基于路径响应分布计算路径熵以量化传播不确定性；利用KL散度最小化实现控制子区划分。研究网络包含39个交叉口（33个信号控制），基于百度地图实地调查数据构建VISSIM仿真模型，动态调整边界入口需求（从1.0倍至1.5倍观测水平）。算法级单因素敏感性分析显示，核心参数变化时划分结构保持稳健。
**研究结果分析**
**4.1 研究区域与仿真设置**：通过实地数据验证了仿真模型的合理性，仿真分四个时段，后三个时段逐步提高需求，以模拟从稳定到高负荷直至局部过饱和的过渡。**4.2 评估指标**：除传统延误、停车次数和排队长度外，采用五个综合指标（VRR、DRR、CMI、SRR、QRR）从空间均衡、整体效率、瓶颈缓解、通行连续性和排队抑制等维度评判划分方案。**4.3 孤立信号控制下的基线恶化**：随着需求增加，交叉口延误、停车次数显著上升，排队长度呈现局部累积特征，表明孤立控制无法维持网络稳定，需合理的子区划分。**4.4 基准方法在高负荷下的划分结构**：Whitson方法基于相邻交叉口相关度，形成邻近性聚合的子区；Fast Newman方法通过层次社区合并，产生拓扑凝聚性子区；两者均未考虑状态传播。**4.5 所提方法的传播机理与划分结果**：状态引导随机游走使不同种子交叉口产生差异化的传播模式；路径熵在约8–10步后趋于稳定，反映传播不确定性；最终子区边界不仅取决于拓扑，还与路径响应模式的空间组织一致，避免将多个严重拥堵交叉口聚集在同一子区。**4.6 网络级性能综合评估**：在三个加载时段，所提方法在平均延误、停车次数和排队长度上均低于基线及两种基准方法；五个综合指标均排名第一，尤其是VRR（41.47%）和CMI（25.96%）显著优于基准，说明其有效提升了空间均衡性和瓶颈缓解能力。
**讨论与结论总结**
讨论部分指出，所提方法通过将交通状态传播纳入子区划分过程，提供了比仅依赖相邻相关或拓扑社区结构更合适的基础。机制分析表明，子区边界应基于交叉口是否具有相似的路径响应模式确定，状态引导随机游走捕获了交通影响扩散的方向和范围，路径熵提供了不确定性的感知描述。研究结论翻译如下：本研究探讨了动态交通加载下协调信号控制的控制子区划分问题。针对现有方法在表征交通影响多路径传播方面的不足，开发了融合状态引导彩色随机游走和路径熵的传播导向划分框架。在VISSIM仿真中，所提方法在空间延误均衡、网络延误降低、瓶颈缓解、停车次数减少和排队抑制方面均优于Whitson和Fast Newman方法。机制分析进一步表明，子区边界应基于交通状态传播中是否呈现相似的路径响应模式来确定，而非仅凭空间毗邻或结构连接。该方法有助于形成与网络内部传播特征更一致的子区，尤其在高需求条件下。局限性包括：验证仅基于一个代表性路网，输入参数的不确定性可能影响结果，以及尚需实地验证。未来工作将拓展至更大规模网络，利用更丰富的动态交通数据更新输入，并与自适应信号控制策略集成以探索在线更新和实际部署。
