城市交通智能红绿灯控制系统

城市交通智能红绿灯控制系统

摘要：红绿灯控制是智能交通系统的一个重要部分，本文介绍的城市交通智能红绿灯控制系统依靠车辆计数仪，利用神经网络等技术对交通系统进行全局优化调度，并在此基础上形成调度指令，利用模糊控制的方法实现交叉口的红绿灯控制，本系统利用系统仿真的方法来训练神经网络。

关键词：城市交通模糊控制控制系统周期

1.前言

利用先进的信息技术改造城市交通系统已成为城市交通管理者的共识。针对我国中等城市交通的现状，我们开发和研究了城市交通信号控制系统。该系统由交通基础信息采集、优化调度、信号控制、信息发布等四个子系统组成。该系统与国内外同类产品相比，创新之处表现在：

1）将模糊控制技术引入交通信号控制，实现信号灯的自适应控制。

2）通过Internet网以及可变信息板等实现交通信息的实时动态发布。

3）利用专家系统对整个区域的信号系统进行全局优化调度。

该系统运用模糊控制、神经网络等先进的手段进行优化调度与智能控制。它将有利于交通管理向智能化方向发展。

2.系统结构

整个系统可以分为三层。基础数据采集主要采集各车道计数仪的实时数据，通过通信网将数据传输到交通管控中心。各交叉口在调度指令和该交叉口的实时交通流信息，利用模糊控制的策略对该交叉口的信号进行控制。管理层为最高指挥层，它能在比如交通管制等紧急情况下进行宏观调度。

管理层

优化调度层

基础数据采集底层控制

城市交通信号控制系统的网络比较复杂，包括：有线网和无线网，远程网和局域网，主干网和区域网，以及工控网。尽管如此，我们仍可把城市交通信号控制系统的网络总体结构分为三层：第一层为管控中心的主干网络，是全市交通的网络数据库服务中心；第二层是局域网络；第三层为控制红绿灯、可变信息板等的工控网。

管控中心是城市交通信号控制系统的核心，它能实现交通信息的共享。工控网络用于采集有关实时交通数据，并反馈交通信号控制信息。

3.单个交叉口红绿灯的模糊控制

由于我国的城市交通具有车辆种类多，随机性大等特点，因此难以用精确的数学模型来描述。单个交叉口的控制要在全局优化调度的基础上执行。

对单个交叉口而言，当交通需求较小时，信号周期则应短一些，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。根据专家的经验，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K；

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K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＋ΔＧ≥120秒，则ΔＧ＝120秒；否则该相位的绿灯时间为＋ΔＧ，回到步骤3。用队长来表示交通需求可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：Γ＝｛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）。根据人的控制经验一般可总结出下列7条控制规则，若，则，i ＝1，…，7。根据模糊理论知道，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。

感应控制模块由全感应控制模块和半感应控制模块组成。全感应控制中采用模糊控制算法。如果交通需求用占有率和交通量来度量，则当占有率很小且交通量也很小时采用最小周期控制；多时段和多相位的划分要根据交叉口的历史交通流数据和交叉口的几何形状来确定，通常至少要分交通高峰期和非高峰期。由于信号周期的剧烈变化会造成交通紊流，引起进一步的交通阻塞，因此程序对时段改变所引起的方案变化进行了平滑处理，使新时段以周期的小增量方式平滑过渡。

4.基于专家系统与神经网络的全局优化调度

道路交通控制通常分为点控、线控和面控。面控是要让某区域内各交叉口信号控制器协调动作，从而可以提高道路通行能力，增加交通安全，节省能源和减少污染等等。无论哪种控制，其控制变量主要有3个：信号周期，绿信比和相位差。点控只需前两个变量即可。

5.模糊神经网络的调度算法

模糊逻辑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。神经网络具有自学习能力和大规模并行处理能力，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神经网络和模糊逻辑有机结合实际。采取神经网络技术来进行模糊信息处理，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，进而克服神经网络结构难以确定以及模糊逻辑元自学习功能的缺点，使模糊系统成为一种自适应模糊系统。

采用神经网络技术来进行模糊信息处理有多种做法。所谓模糊神经元是指可实施模糊信息处理或模糊逻辑运算的人工神经元，而模糊神经网络则是全部或部分采用各类模糊神经元所构成的可处理模糊信息的神经网络系统。在本系统中，整个神经网络的建立和使用分以下几步完成：

a.利用专家的知识粗略地形成模糊模型（包括一些模糊规则和模糊推理方法）。

b.基于这一模糊模型构成模糊神经网络。

c.训练神经网络。通过系统仿真来训练神经网络。对每一种输入值（l1，…，lm），选择一种输出值（g1，…，gn），利用系统仿真来模拟系统在给定的时间内所有车辆的平均等待时间。系统的能量函数选为所有车辆的平均等待时间。神经网络训练的目标在于使能量函数最小。

d.网络的应用。神经网络的输入数据是在统计数据和实时数据的基础上进行预测得到的，这就要求实时地采集数据，周期性地统计和存诸数据，预测到神经网络的输入后，经过网络的计算，在较精确地辩识出交通模式之后，对不同的模式采取适合其特点的相应控制算法，选出红绿灯控制方案。

同时在我们的系统中，要注意不同交通模式间的平稳切换，以达到理想的控制效果。红绿灯控制方案是按照多目标控制设计的，例如，通过模糊神经网络选择交叉口某方向响应一个绿灯追加时间信号时，可能会设定由几个量（该方向车