城市区域交通智能控制研究

文章编号:1002-0411(2004)01-0001-05

InformationandControl

󰀁信息与控制

Vol.33,No.1󰀁

󰀁Feb.,2004󰀁

城市区域交通智能控制研究

沈国江,王󰀁智,刘󰀁翔,孙优贤

1

2

2

2

(1.绍兴文理学院工学院,浙江绍兴󰀁312000;2.浙江大学工业控制技术国家重点实验室,浙江杭州󰀁310027)

摘󰀁要:利用模糊神经网络对城市区域交通进行实时分散控制.把区域交通作为一个大系统,子系统为区域中的各个交叉口,每个交叉口有一个控制器,该控制器根据它自己和相邻交叉口的交通流信息来动态管理绿灯相位及绿灯时间.仿真研究表明:在交通流量较大和流量时变的环境下,该方法比普通车辆感应控制方法控制效果更好.󰀁

关键词:区域交通;智能控制;交叉口;模糊神经网络;分散控制中图分类号:TP13󰀁󰀁󰀁󰀁󰀁󰀁文献标识码:B

StudyonIntelligentControlforUrbanRegionTraffic

SHENGuo-jiang1,WANGZhi2,LIUXiang2,SUNYou-xian2

(1.EngineeringCollege,ShaoxingUniversity,Shaoxing󰀁312000,China;

2.NationalKeyLab.ofIndustrialControlTechnologyZhejiangUniversity,Hangzhou󰀁310027,China)

Abstract:Weusethefuzzyneuralnetworkstosolvetherealtimeregiontrafficdistributedcontrolproblem.Theregiontrafficisregardedasalargescalesystemandthesubsystemsaretheintersectionsintheregion.Eachin-tersectionhasitsowntrafficcontrollerwhichmanagesthegreenphaseandthephaselengthdynamicallyaccordingtoitsownanditsneighbor󰀁strafficsituations.Thesimulationshowsthismethodhasbetterperformancesinthecasesoftime-varyingtrafficpatternsandheavytrafficconditionsthanthevehicleactuatedmethod.

Keywords:regiontraffic;intelligentcontrol;intersection;fuzzyneuralnetworks;decentralizedcontrol

1󰀁引言(Introduction)

交通拥挤成为现代城市十分严重的问题,旅行

时间、旅行安全、环境质量和生活质量都受到了交通状况的制约.在复杂的时变交通环境下,许多传统的控制方法控制效果不甚理想.

󰀁󰀁近年来,国内外许多专家学者致力于开发新的交通信号控制方法,人工智能是新的研究方向之一,这是因为人工智能在复杂系统的定性建模和控制上富有成效.然而,当前基于人工智能的交通控制研究都集中在简单的交通环境中,如单交叉口控制和城市干线控制[1~5].

󰀁󰀁本文利用模糊神经网络理论,在干线及与之相交的道路所构成的交通网络上设计了一种新的实时分散控制算法.该算法把某一城市区域作为一个大系统,区域中的各个交叉口看作一个子系统,按照分散控制原则,在每个交叉口设立一个控制器,该控制器根据它自己和相邻交叉口的交通流信息来动态管

理绿灯相位及绿灯时间,从而使各交叉口前的交通畅通和平均排队长度最小.该控制器由三个模块组成:相序优化模块、绿灯判断模块和相位切换模块,这三个模块协同工作.

2󰀁控制器设计(ControllerDesign)

2.1󰀁简介

󰀁󰀁为了对城市区域交通实施有效的控制,控制器必须充分利用区域内各交叉口的交通信息以及它们之间的关系.但是,这至少存在两大困难:首先,很难获得各交叉口的全部信息,更不必说它们之间的关系了;第二,即使获得了各交叉口的所有信息,根据现代控制理论,很难找到一种能够对区域交通进行有效控制的算法.

󰀁󰀁按照分散控制原则,我们在城市区域中的每一个交叉口建立了一个模糊神经网络控制器,对每个交叉口进行优化控制.为了补偿由于各控制器相互

󰀁收稿日期:2003-01-11

󰀁基金项目:国家自然科学基金资助项目(60203030);中法先进研究计划资助项目(PRASI01-04)2信󰀁息󰀁与󰀁控󰀁制󰀁󰀁33卷󰀁

独立而丢失的各交叉口相互耦合信息,我们采取如下措施:第一,一致性,即控制器的输出要保证相邻交叉口的交通信号在时间上一致,从而减少车辆延误;第二,当下游交叉口存在过多的车辆时,要控制当前交叉口的车辆驶出,从而避免在两交叉口之间出现交通拥挤[6].对控制器本身采用相序优化,即除了当前绿灯相位外,所有的红灯相位中交通要求最严重的相位优先放行.控制器包括三个模块:相序优化模块,绿灯判断模块和相位切换模块.每个模块都有自己的模糊规则,并用BP神经网络来建立模糊关系以提高控制精度.相序优化模块用来评价除当前绿灯相位外所有红灯相位的交通情况,然后选择交通情况最紧急的相位为下一个优先放行的相位.绿灯判断模块用来评价当前绿灯相位的交通情况,从而对是否该停止放行当前绿灯相位作出判断.相位切换模块根据前两个模块的输出来决定是否需要进行绿灯相位切换.控制器每隔一定时间(如4s)运算一次.该控制器体现了相位序列和绿灯相位时间随实际交通环境动态改变.

󰀁󰀁交通信息对控制器的控制效果起着决定性的影响.我们假定每个交叉口的每条进口引道上都安装有两个检测器,一个安装在靠近停止线处,另外一个安装在距停止线一定的距离处,如图1.每个检测器应能计算出经过的车辆数.另外,两检测器间的距离与车道的长度成正比,即如果车道长度大于等于400m时,两检测器间的距离为200m,那么当车道长度为300m时,两检测器间的距离则为150m.

交通情况,而输出是交通要求最紧急的红灯相位及其优先权PDP(theprioritydegreeofaphase).PDP反映了对应红灯相位的紧急程度,相序优化模块能计算所有红灯相位PDP,然后把PDP最大的红灯相位作为下一个绿灯相位的候选相位.如果某一红灯相位中有多条车道,相序优化模块首先计算每条车道的交通紧急度UDL(theurgencydegreeoflane),然后把该红灯相位中所有车道的UDL的代数平均值作为该红灯相位的PDP.

󰀁󰀁图1为某󰀁十󰀁字形交叉口的示意图.当东西向相序中的最后一个相位运行完毕后,相序优化模块就要决定南北向上的相位序列了,也就是要决定南北向上所有可能相位的放行顺序.在南北方向上有D、E、F、J、K、L六个车道,所有可能的相位(车道组合)有:D-J、L-K-J、D-E-F和L-K-E-F,第一个优先放行的相位是PDP最大的那个相位,并且它决定了后面的相位序列.如果存在多于1个的第二个优先放行的可能相位,那么第二个优先放行的相位就要再次从中选择PDP最大的那一个相位.图2显示了所有可能相位序列.譬如,如果相位D-J的PDP高于相位L-K-J、D-E-F和L-K-E-F的PDP,那么相位D-J就成为南北向上第一个优先放行的相位.从图2中可以看出,第二个优先放行相位要从L-K-J、D-E-F和L-K-E-F中选出,这三个相位中PDP最高的将成为第二个优先放行的相位.如果相位L-K-J的PDP大于其它两个相位,那么相位L-K-J就成为第二个优先放行的相位,此时,第三个优先放行的相位就只有相位L-K-E-F了.这种情况下南北向相序中有3个相位.假如在选择第二个优先放行的相位时,相位L-K-E-F的PDP高于L-K-J和D-E-F这两个相位的PDP,那么相位M-K-E-F就成为第二个优先放行的相位,此时南北向相序中就只有两个相位了.东西向相序选择过程类似.

图1󰀁某单交叉口示意图

Fig.1󰀁Sketchdiagramofasingleintersection

图2󰀁󰀁十󰀁字形交叉口南北向相序图Fig.2.North-southphasesequenceoptionsofa

intersectionwithfourcorners

2.2󰀁相序优化模块

󰀁󰀁相序优化模块用来决定下一个候选的绿灯相位.它的输入是除当前绿灯相位外所有红灯相位的

󰀁󰀁为了计算UDL,相序优化模块以NCar、E-Time、STime和FNCar作为它的模糊输入.NCar1期󰀁󰀁沈国江等:城市区域交通智能控制研究3

表示交叉口某红灯相位中某一车道上两检测器间的车辆数,其语言值:Z(零),S(小),M(中),L(大),VL(很大).ETime表示该车道上的红灯延续时间,其语言值:Z(零),S(小),M(中),L(大),VL(很大).这两个输入反映了该交叉口本身的交通状况.STime为上游交叉口和当前交叉口该车道之间的相位差,如果上游没有交叉口,可设STime为+󰀁,其语言值和ETime的语言值相似.FNCar为当前交叉口该车道和下游交叉口间的车辆数,如果下游没有交叉口,可设FNCar为0,其语言值为:S(小),L(大).这两个输入反映了相邻交叉口间的耦合.相序优化模块的输出是:Urgency,即该车道的交通紧急度,其语言值为:Z(零),L(低),M(中),H(高),VH(很高).

󰀁󰀁相序优化模块中各输入输出变量的模糊划分这里就不详尽描述了,它的模糊规则是这样的:Ur-gency正比于NCar和ETime,也就是说,当某一车道上两检测器间的车辆数越多,且(或)该车道上的红灯延续时间越长,那么该车道上的交通情况越紧急,Urgency越大;对于信号一致性,如果上游交叉口和该交叉口该车道之间的相位差越长,该车道的Urgency也越大;如果FNCar越多,表明下游有太多的车辆在等待,那么应该减小该车道的Urgency.相序优化模块有36条模糊规则,表1列举了部分规则.

表1󰀁相序优化模块的部分规则

Tab.1󰀁Somerulesofphaseoptimizationmodule

NCar

1234567󰀁

VLLMMSZ󰀁

󰀁LML

LSZ󰀁

ETime

STime

FNCarLSSSSSS󰀁

UrgencyZVHHHHMM󰀁

+5+5+2=17)神经元,每个神经元代表一个语言变量值,它的作用是计算各输入分量属于各语言变量模糊集合的隶属度函数值.第三层包含36个神经元,每个神经元代表一条模糊规则,它的作用是匹配模糊规则的前件,计算出每条规则的适用度.第四层包含36个神经元,用来实现归一化计算.第五层为包含一个神经元的输出层,它所实现的是清晰化计算.该网络用36对样本进行训练,最后得到模糊关系的神经网络映射:

Urgency=FNN(NCar,ETime,STime,FNCar)

(1)󰀁󰀁根据NCar、ETime、STime和FNCar,将它们分别模糊化后,由(1)式得到模糊响应,最后用加权平均原则进行模糊判决得到Urgency.

图3󰀁五层BP网络结构

Fig.3󰀁Thestructureoffive-layerBPnetwork

2.3󰀁绿灯判断模块

󰀁󰀁绿灯判断模块根据当前绿灯相位的交通情况来决定是否停止该绿灯相位的放行.它输出一个叫绿灯相位停止度SDGP(thestopdegreeofthegreenphase)的变量,SDGP表示控制器停止当前绿灯相位放行的可能性.类似于相序优化模块,如果当前绿灯相位存在多个车道,那么首先计算当前绿灯相位中每个车道的车道停止度SDL(thestopdegreeoflane),然后把各个SDL的代数平均值作为SDGP.󰀁󰀁绿灯判断模块以ORate、RNCar和FNCar作为模糊输入.Orate表示交叉口绿灯相位中某一车道的出口车流率,其语言值:Z(零),L(低),H(高).RNCar表示该车道上两检测器间依然滞留着的车辆数,其语言值:Z(零),S(小),L(大).这两个输入定义了本交叉口的绿灯时间使用率和交通堵塞情

󰀁󰀁对于有上述规则组成的相序优化模块,由于其量化因子是固定不变的,因此该方法难以保证控制精度,有时甚至会降低系统的鲁棒性.本文用一个五层BP网络来建立模糊关系以期提高控制精度,如图3示,其中第一层为包含4个神经元的输入层,该层的各个神经元直接与各输入变量连接,起着将输入值传送到下一层的作用.第二层包含17个(5

4信󰀁息󰀁与󰀁控󰀁制󰀁󰀁33卷󰀁

况,代表了本交叉口的车流信息.FNCar的定义同相序优化模块中的定义一样.绿灯判断模块的输出是当前绿灯相位中该车道的停止度(Stop),用来衡量是否该停止当前该车道的放行,其语言值:N(否),M(可能),Y(是).

表2󰀁绿灯判断模块的部分规则

Tab.2󰀁Somerulesofgreenlightdecisionmodule

RNCar

1234󰀁

ZSL󰀁

ZHH󰀁ORate

FNCarLSSS󰀁

StopYYMN󰀁

个神经元,第二层包含8个(5+3=8)神经元,第三和第四层均为15个神经元,第五层为1个神经元.用15对样本进行训练,最后得到模糊关系的神经网络映射:

Switch=FNN(Urgency,Prioriy)

(3)

根据Priority和Stop将它们分别模糊化后,由(3)式得到模糊响应,最后用加权平均原则进行模糊判决得到Switch.

表3󰀁相位切换模块的部分规则Tab.3󰀁Somerulesofphaseswitchmodule

Stop

123󰀁

NMY󰀁

UrgencyHMM󰀁

DecisionNNY󰀁

󰀁󰀁绿灯判断模块有10条规则,表2列举了它的部分规则,其基本思想是:如果绿灯相位中各车道的驶出率较大,且(或)各车道滞留的车辆数较多,那么应该考虑继续放行该绿灯相位;如果下游交叉口中与当前交叉口放行车道相连的车道上滞留较多的车辆,那么应该立即停止当前绿灯相位的放行.󰀁󰀁我们用类似于图3所示的5层BP神经网络来表达绿灯判断模块的模糊关系映射.输入层包含3个神经元,第二层包含8个(3+3+2=8)神经元,第三和第四层均为10个神经元,第五层为1个神经元.用10对样本进行训练,最后得到模糊关系的神经网络映射:

Stop=FNN(RNCar,ORate,FNCar)

(2)

3󰀁仿真研究(Simulationresearch)

本文以杭州市环城北路、中山北路、庆春路和环城西路围成的区域交通为对象进行仿真研究,如图4所示.该区域总共有15个交叉口,其中14个为󰀁十󰀁字型交叉口,一个为󰀁T󰀁字型交叉口,该区域是杭州的核心地区,交通非常繁忙,各交叉口相距较近,而且各条道路的交通流量相差不大,因此常用的单交叉口控制方法和干线控制方法效果都不是很好.

根据RNCar、ORate和FNCar将它们分别模糊化后,由(2)式得到模糊响应,最后用加权平均原则进行模糊判决得到Stop.2.4󰀁相位切换模块

󰀁󰀁相位切换模块的输入分别是相序优化模块的输出Urgency和绿灯判断模块的输出Stop.输出是相位切换权(Switch),用来衡量是否将放行相位切换到由相序优化模块得到的优先权最大的那个候选绿灯相位,其语言值:N(否)和Y(是),如果清晰化后的切换度大于某一设定的阈值,那么控制器就切换当前的绿灯相位.

󰀁󰀁相位切换模块有15条规则,表3列举了相位切换模块的部分规则,其基本思想是:如果候选相位的优先权很高,且(或)当前绿灯相位的停止权很大,那么马上进行相位切换.

同样用类似于图3所示的5层BP神经网络来表达绿灯判断模块的模糊关系映射.输入层包含2

图4󰀁杭州市某一区域交通示意图

Fig.4󰀁SketchmapoftheurbanregioninHanzhouChina

󰀁󰀁为了简单起见,在仿真中,我们假定:

󰀁󰀁1)只有小客车、货车和公共汽车三种车型,经测定,它们的小客车当量(PCU)分别为:小客车(1.0PCU),货车(1.68PCU),公共汽车(2.24PCU).󰀁󰀁2)东、南、西、北四个方向中,每一个方向中的各个交叉口的入口流量是相等的,但是不同方向上的入口流量是不等的.

1期󰀁󰀁沈国江等:城市区域交通智能控制研究5

󰀁󰀁3)每个交叉口有四条车道.对于󰀁十󰀁字型交叉口,靠近路边车道为右转车道,中间两条为直行车道,靠近路中央的那条车道为左转车道.对于󰀁T󰀁字型交叉口,靠近路边的两个车道为右转车道,其余两个为左传车道.

󰀁󰀁4)在󰀁十󰀁字型交叉口中,左转车流和右转车流均占总流量的20%;在󰀁T󰀁字型交叉口,左转车流和右转车流分别占总流量的60%和40%.󰀁󰀁5)车辆平均车速为1500~1920PCU/h.󰀁󰀁车辆感应控制方法是目前比较流行和成熟的一种交叉口控制方法,它的基本思路就是在线测得各交叉口的交通信息,以此来判断是该延长当前绿灯相位的绿灯时间,还是该切换放行相位.为了突出本文提出的控制方法的有效性,在相同的交通条件下,把它与车辆感应递阶协调控制[7]方法进行仿真比

󰀁󰀁

交通方案

东

Plan1轻交通

稳态交通Plan2中交通

Plan3重交通Plan4轻交通

时变交通Plan5中交通

Plan6重交通

1200150019001200-16001400-16001500-2000

西1250155019501250-16001500-17001800-2000

南130016002000

较.

󰀁󰀁我们在两种交通环境下进行仿真,一种是稳态交通环境,另一种是时变交通环境.在每种交通环境下,分别仿真轻度交通流量、中度交通流量和重度交通流量.以车辆延误(单位为h󰀁PCU,即󰀁小时󰀁客车当量󰀁)为性能评价标准,仿真结果如表4所示.由表可知,本文的方法与车辆感应式控制方法具有更好的控制效果.在稳态交通环境下,本文的方法与车辆感应式控制方法相比较,车辆延误改善3.4%~18.5%,当交通状况为重度交通流量时,本文的方法和车辆感应方法控制效果差不多,这是由于车流量已接近该路段的饱和流量,没有更多提升空间的缘故.在时变交通环境下,本文的方法均比车辆感应式控制方法改善15个百分点以上,尤其是交通流量较大的情况下,改善更加明显.

表4󰀁仿真结果Tab.4󰀁Simulationresult

交通流量(PCU/h)

北1350165020501350-16001600-18001900-2100

车辆延误(h󰀁PCU)

减小(%)

车辆感应法155.1168.5222.3165.5189.1230.1

本文方法126.4151.3214.7139.7145.5187.1

18.510.23.415.623.218.7

1300-16001550-17001850-2100

4󰀁结论(Conclusions)

城市区域交通控制是交通领域中的一个研究热点,也是该研究领域中的一个难点.本文根据分散控制原则,提出了模糊神经网络控制新方法,该方法不采用统一的信号周期,而是在相邻交叉口间互相平衡,从这一点看,也可以减少车辆的平均延误.仿真研究表明,本文提出的控制方法优于经典的车辆感应式控制方法,有较广阔的应用前景.

󰀁󰀁从上世纪90年代以来,国内外的城市交通控制专家和学者一致认为,智能控制将是城市交通控制研究的发展方向.本文以模糊神经网络为工具对城市区域交通控制进行研究,也是一种有意义的尝试.

参󰀁考󰀁文󰀁献(References)

[1]󰀁刘智勇,吴今培,李秀平,等.城市交通干线递阶模糊控制[J].

公路交通科技,1997,14(3):17~23.

[2]󰀁陈森发,陈󰀁洪,徐吉谦.城市单路口交通的两级模糊控制及

其仿真[J].系统仿真学报,1998,10(2):35~40.[3]󰀁沈国江,孙优贤.基于相序优化的多相位模糊交通控制[J].

控制与决策,2002,17(增刊):654~658.

[4]󰀁徐冬玲,方建安,邵世煌.交通系统的模糊控制及神经网络实现

[J].信息与控制,1992,21(2):74~78.

[5]󰀁PappisCP,MamdaniEH.Afuzzylogiccontrollerforatraffic

junction[J].IEEETransactionsonSystems,Man,andCyber-netics,1977,7(10):707~717.

[6]󰀁LeeJH,LeeKM,LeekwangH.Trafficcontrolofintersection

groupbasedonfuzzylogic[A].Proceedingsofthe6thInterna-tionalCongressonFuzzySystem[C].1995.465~468.[7]󰀁段里仁.道路交通自动控制[M].北京:中国人民公安大学出

版社,1991.

作者简介

沈国江(1975-),男,博士生.研究领域为城市交通建模和控制,智能控制,分布式控制系统等.

王󰀁智(1969-),男,博士后.研究领域为网络通信,分布式控制系统,智能控制等.

刘󰀁翔(1964-),男,博士后.研究领域为鲁棒控制,最优控制等.