基于模糊神经网络的交通信号控制--控制网



基于模糊神经网络的交通信号控制
企业：控制网 日期：2005-07-14
领域： 点击数：904


    一、引言
 
    交通信号控制系统是一个非线性的复杂巨系统。因此，像SCOOT和SCAT系统那样以精确的数学模型或预设方案为基础进行交通信号控制有时效果不尽如人意。而交通信号控制又直接影响着整个交通系统的运行。所以国内外学者都纷纷采用各种方法来优化交通信号控制方案。本文提出一种将模糊控制与人工神经网络相结合的自组织学习方法对单个交叉路口的交通信号进行实时控制。
 
    模糊控制的特长在于能够充分利用学科领域的知识，能以一定的规则数来表达知识具有逻辑推理能力，在技能处理上比较擅长。模糊技术不仅能处理精确信息，也能处理模糊信息或其它不明确信息，能实现精确性联想及映射。其缺点是完全依赖专家制定的大量控制规则，不具备学习功能。人工神经网络具有非线性描述、大规模并行分布处理能力及高度鲁棒性和学习与联想等特点，适用于非线性时变大系统的模拟与在线控制。它在认知处理、模式识别方面有很强的优势。主要缺点是结构难以确定，训练样本要求多且准确，训练周期长，而且不能提供一个明确的用于网络知识表达的框架。
 
    模糊神经网络是为发挥各自的优势把人工神经网络和模糊控制进行有机结合。利用人工神经网络技术来进行模糊信息处理，可使得模糊规则的自动提取及模糊隶属函数的自动生成成为可能。从而，克服神经网络结构难以确定以及模糊控制无自学习能力的缺点，使模糊系统成为一种自适应的模糊系统。
 
    二、模糊控制策略
 
    模糊控制策略是模糊控制的核心。本文结合专家经验和计算机仿真，对单个交叉路口采用如下模糊控制策略。
 
    对单个交叉路口而言，当交通需求较小时，信号周期应短些。但一般不能少于P×15秒（P为相位数）以免某一方向的绿灯时间小于15秒使车辆来不及通过路口影响交通安全。当交通需求较大时，信号周期应长些。但一般不能超过120秒，否则某一方向的红灯时间将超过60秒，驾驶员心理上不能忍受。当交通需求很小时，一般按最小周期运行；当交通需求很大时，只能按最大周期控制。此时，车辆堵塞现象已不可避免。根据专家经验和计算机仿真，单个交叉路口的模糊控制算法可描述为：

     ①步骤1 从相位ｉ开始，分别指定各相位的最大绿灯时间 ；

     ②步骤2 先给该相位以最短绿灯时间， ＝ΔＧ＝15秒；

     ③步骤3 在ΔＧ内测得放行车道上的交通需求，设其为 ；

     ④步骤4 若 小于某一给定的值ｒ或累积绿灯时间 ，则将绿灯转到下一相位，回到步骤2，否则继续；

     ⑤步骤５　根据 值的大小来确定绿灯延长时间ΔG，若 小，则少量延长绿灯时间，若 大，则大量延长绿灯时间。由此建立模糊控制规则。设延长的绿灯时间为ΔG，若 ，则 ；否则该相位的绿灯时间为 ，回到步骤3。

     算法中的交通需求用交叉口停止线前的排队长度即停止线前相隔一定距离（通常为80至100ｍ）的两检测器之间的车辆数来表示。然后，用下述方法建立模糊控制规则。将测得的队长l可看作模糊变量 ，其论域为：Ｌ＝｛1，3，5，7，9，11，13，15，17，19，21｝，取7个语言值： （很长）， （长）， （较长）， （中等）， （较短）， （短）， （很短）。绿灯追加时间ΔＧ同样看作模糊变量 ，其论域为：G＝｛3，7，11，15，19，23，27，31，35｝，取7个语言值： （很多）， （多）， （较多）， （适中）， （较少）， （少）， （很少）。根据专家的控制经验一般可总结出下列７条控制规则，若 ，则 ，i=1,…,7。根据模糊理论可知，一个完整语言控制策略是由很多不同的语言控制策略所组成的。由7条语言控制策略可组成单输入单输出语言控制策略，每条控制策略可用模糊关系矩阵表示。
 
    三、模糊神经网络
 
    1．模糊神经网络结构

    本文的模糊神经网络分为四层，用 、 表示第 （ =1，2，3，4）层第 个结点的输入输出。

     ①输入层：n个结点，输入式为 ，表示单个交叉路口各个方向的排队长度；输出式为 ， 。

     ②模糊化层：mn个结点分为n组，输入输出为 ， ， 。其中 是模糊化层成员函数， ， 分别为Gaussian函数 的中心和宽度。
 
    ③去模糊化层：m个结点，每个结点输入输出为 ， ，j=1，2，…，m；i=1，2，…，n。
 
    ④输出层：1个结点，输入输出式为 ，其中 表示第三层第j个结点到输出层结点的耦合权值， 是单个交叉路口某一方向下一周期的绿灯延长时间ΔＧ。

    2．模糊神经网络学习算法

    模糊神经网络的目标函数为 ，式中 是模糊神经网络实际输出的单个交叉路口某一方向下一周期的绿灯延长时间， 是综合专家经验和计算机仿真得出的最佳绿灯延长时间。 
 
    四、仿真实验
 
    本次仿真实验所采用的模糊神经网络参数如下：
  
    显然，输入层结点数n选取12。利用广义交互验证法确定m=4。权值 随迭代而更新并且一般是收敛的，但若其初始值太大会使网络很快饱和。另外，初值对收敛速度也有影响，故选取 初始值为0。一般 ， 的初值只要不是过大，对网络整体性能的影响不大，通常可选在（-0.05,0.05），故取 为0， 为0.01。学习率 若选得太小会使网络参数修改量过小，收敛缓慢。若选得太大虽可加快学习速度，但可能导致在稳定点附近的持续振荡难以收敛。目前理论上还没有确定学习率的方法，只能通过试探来选取。经过多次试探取 ＝0.025， ＝0.0015较合适。
 
    本次仿真实验选取北京市成府路和学院路的交叉口作为仿真实验对象来校验模糊神经网络模型。把从北京市交管局获得的2004年1月1日至2004年3月31日该路口的线圈检测数据作为校验数据。在Paramics微观仿真平台中建立该路口的仿真模型。选取前10天的数据，并利用专家经验和计算机仿真得出的最佳配时方案对模糊神经网络进行训练。然后，把实测数据和由模糊神经网络实时生成的配时方案输入仿真模型进行实验。实验结果表明，采用该模糊神经网络生成的信号配时方案，仿真模型中交叉路口的平均排队长度比实际减少12％。
 
    五、结论
 
    交通信号控制系统是一个非线性的复杂巨系统，采用传统的数学建模方法进行优化有时效果很不理想。而模糊神经网络在优化此类系统方面有其独特的优势。本文利用模糊神经网络在线滚动生成单个交叉路口的信号配时方案。仿真实验结果表明该模型是有效的。在接下来进一步的研究中，笔者将利用模糊神经网络实现交通信号的线控和面控。
  • 在线反馈
1.我有以下需求：



2.详细的需求：
姓名:
单位:
电话:
邮件: