采用信号控制手段调节交通流运行的交通控制技术已成为缓解交通拥堵、保障城市交通顺畅运行的重要途径。传统的信号控制系统多以通过对交通流参数的估计或者检测,建立适应不同程度交通需求的信号配时方案,即大时段适应需求的定时控制、小时段适应需求的感应控制和无缝适应需求的自适应控制。随着交通控制要求的提高,基于交通需求预测来调控需求的自适应信号控制已成为一种发展趋势,即主动式信号控制。然而,目前主动控制算法设计时多以给定的交通需求分布来分析交通需求,这样往往不能刻画交通参数的随机性,降低了信号配时优化的精度;此外,在信号结构优化时多依赖于复杂模型建立的集中式控制结构,在大规模信号控制优化时计算量呈现出级数增长,无法应对实时变化的交通需求;再者,不论交通信息是如何预测得到的,预测值和实际数据之间必然会有一定差距,而现有信号控制系统大多未考虑这一误差对信号控制效果的影响。为了克服上述信号控制系统的局限性,本文以交通检测手段实时获取交通参数为前提,从随机交通需求预测出发,分车道提前获取交通信号配时优化的输入参数(预测排队长度)以及交通信号配时优化的评价指标(预测延误),结合最大压分布式信号控制特性以及模型预测控制反馈优化的优势,建立了基于组的最大压信号策略和模型预测控制相结合的主动分布式信号优化控制系统,论文的贡献主要包括以下几个方面:1、为了分车道对排队长度进行计算,需提前获取每条车道的车流比例。本文利用卡尔曼滤波理论的递推循环性,在预测车道的车流比例时,调用了前三个时刻的所有车道的车流比例数据,克服了以往方法中在预测车道i的车流比例时仅利用车道i前三个时刻车流比例的缺陷,充分利用了历史数据,有效提高了预测精度。本方法利用R语言编程以最小二乘法获取状态向量估计的初始值,便于滤波过程快速收敛,弥补了以往方法中给定初始参数的不足。模型验证时,采用云南省曲靖市麒麟区麒麟南路与文昌街交叉口北进口的实地调查数据,并与传统的预测方法(传统的卡尔曼滤波预测方法、一次指数平滑法、二次指数平滑法与三阶移动平均法)进行比较;由本文方法的车流比例预测误差可知,车流量预测误差均未超过3辆车,优于其他四种预测方法,表明本文模型具有较高的精度。2、排队长度是信号交叉口交通信号控制的重要交通评价指标之一,以往的研究大多集中在估计排队长度上,无法有效地预测排队长度。本文首先利用修正后的Robertson车队离散模型以5s为间隔对车辆到达进行预测;其次,结合Lightthill-Whitham-Richards(LWR)交通波理论对排队长度进行实时预测,该方法充分描述上游不同转向车流的到达(由于车辆不同转向)和增量排队累积(Incremental queue accumulation,IQA)的变化关系,弥补了以往研究中车辆到达假设服从同一分布的不足;此外,为了同时预测多车道的排队长度,将上述方法与卡尔曼滤波预测的车流比例进行整合,实时分车道的对排队长度进行预测。模型通过曲靖市的实地调查数据进行验证,结果表明,模型中最大排队长度预测的平均误差均小于3辆车,具有较好的预测精度。3、在以同质交通流的分车道排队长度预测的基础上,以异质交通流环境为研究对象,首先根据排队长度的变化修正后的混合车队离散模型(Mixed Platoon Dispersion Model,MPDM)对小汽车和公交车的到达进行估计;此外,利用异质交通流模型(Qian模型)对异质交通流参数进行分析,并基于混合交通波分析实时估计排队长度。该方法充分描述了小汽车和公交车的到达特性,弥补了以往研究中单一车型环境下排队长度研究的不足。为了获取较好的异质交通流环境,模型采用昆明市的实地调查数据进行验证,结果表明,本文模型与单一车流LWR模型中排队长度预测的平均误差均未超过3辆车,充分验证了模型的可靠性;并且采用异质交通流模型预测排队长度的精度(MAE=2.05辆)要高于单一车流交通流LWR模型(MAE=3.05辆)的估计精度,表明充分考虑异质交通流特性对于提高模型预测精度至关重要。此外,本文在验证同质交通流与异质交通流排队长度时,分别采用了曲靖市与昆明市的实地调查数据,都表现出了满意的预测精度,反映出本文模型可以适应不同城市的交通流环境,具有较强的可靠性与鲁棒性。4、在实时分车道预测排队长度的基础上,建立了基于IQA的实时分车道交叉口延误预测方法,有效地克服了使用IQA计算延误时现场数据采集的困难。模型中,我们运用LWR交通波理论对不同交通波下的IQA变化进行了详细的分析,描述了排队未饱和与饱和两种情况下剩余排队存在时IQA的变化,并分别计算了非协调车道和协调车道上的延误。通过曲靖市的实地数据验证了模型的有效性,并与Webster延误模型和HCM(Highway Capacity Manual)2010 IQA延误模型进行了比较,结果表明该模型具有较好的精度和较强的鲁棒性;其中,本文模型预测值的MAPE,较Webster延误模型和HCM 2010 IQA延误模型分别降低63.02%、75.09%;更重要的是,本文模型克服了Webster模型和HCM 2010 IQA模型中延误变化随交通饱和度增加而增加的局限性,并结合车队实时到达,动态计算了车辆延误,充分描述了车辆到达的随机性。5、基于本文所建立的实时分车道排队长度以及延误预测模型,结合改进后的最大压信号控制策略与基于组的最大压自适应信号优化方法,最大化了交叉口通过量的输出以及最小化控制延误,并且为了进一步优化信号控制效果,依托于本文实时预测排队长度轨迹的优势,结合模型预测控制(Model Predictive Control,MPC)进一步对基于组的最大压信号控制策略进行滚动优化。模型验证结果表明,MPC嵌入后的交叉口1与交叉口2延误分别降低了13.47%、15.35%;在单点最优的基础上,依托于本文建立的协调车道与非协调车道延误模型,对相位差进行优化设计,并对比了最大压绿信比分配权重修正前后对控制输出的影响,优化前后瓶颈路段的车道4和车道10的排队溢出次数分别从6次和9次降低为0次,表明了运用排队长度与路段排队长度比的混合最大压绿信比权重的信号优化,更能有效防止排队溢出现象的发生,进一步缓解交通拥堵。