城市交通流量预测与信号控制优化

城市交通流量预测与信号控制优化

楼莎莎顾昊

浙江浙大中控信息技术有限公司浙江杭州310052

摘要：本文首先对信号控制时段划分现状进行研究，接下来详细阐述了基于V2X的交通流量预测模型设计，最后对BP神经网络模型以及建模作论述，希望给行业内人士以借鉴和启发。

关键词：城市；交通流量；预测；信号控制；优化

引言

随着国民经济的快速发展以及城市规模不断扩大，城市中的车辆变得越来越多，导致交通堵塞频繁发生．目前，缓解城市交通压力主要有两类方法：一是降低交通需求；二是提高交通运输效能．通过限牌等方法来降低交通需求虽然可以缓解城市交通压力，但是该方法与城市出行需求之间构成冲突，不适合长期采用．目前第二种方法已经成为提高交通系统运输效率的最主要手段．通过提前预测各个路口的车辆数量来实时变更信号灯时长，使得在一段时间内到达路口的所有车辆全部通过该路口的时间最短．车载自组织网络（VANET）是智能交通系统（IITS）在过去十几年中飞速发展的产物，把行驶的车辆看作移动节点，利用无线通信技术形成无线移动网络．车与车/车与基础设施（V2V/V2I）之间可以通过无线信号进行实时的网络通信．随着通信技术的发展，车与外界信息交换（V2X）技术在车辆上的应用已成为必然趋势，被认为在改善行车安全和减少事故中具有巨大的潜力．此外，它为改善交通和驾驶环境提供了技术支持．

1信号控制时段划分研究现状

在传统的多时段信号控制中，信号时段的划分通常是依据交通管理者的经验，结合历史交通流量的大致变化规律进行粗略划分，划分方法较为简单，存在较大的主观性，且缺乏理论依据。容易导致时段划分结果不合理，致使绿灯时间利用率低下；高峰时段可能会出现延误增加和局部路段拥堵的现象，降低路网整体通行效益。为了弥补传统信号控制时段划分方法的不足，国内外学者进行了大量研究，大致可以分为基于聚类分析算法和基于人工智能算法两种。基于聚类分析的时段划分，将交叉口各相位的交通流量和时间占有率作为系统的状态变量，通过对系统状态进行动态分析并对划分结果进行分类回归树检测。基于人工智能算法则依据现有的技术手段和数据分析工具，结合先进的人工智能算法，对交通流数据进行合理的聚类分析，是现阶段提高信号控制时段划分合理性的有效途径。

2基于V2X的交通流量预测模型设计

在交通信号灯附近，当一辆汽车跟随另一辆汽车时，驾驶员必须注意前方汽车和交通信号灯的状态来调整驾驶行为．假设当前信号灯为绿灯，如果车辆能够在绿灯持续时间内通过冲突区域，驶员通常选择通过冲突区域跟随前方车辆，并且车辆的速度受到前方车辆速度的影响．如果前方没有车辆，司机可以按照理想的速度穿过冲突区．如果红灯亮起或黄光闪烁，司机通常会选择放慢车速或者停车．在上述过程中，缺乏信息可能会导致很多问题．例如，由于判断不准确，当车辆在冲突区域中移动并且无法立即停止时，信号灯可能会变为红灯，导致车辆的碰撞，这就是所谓的冲突区域，另外，司机需要频繁关注交通信号，因此他们往往会频繁减速，导致行驶时间延长，燃油消耗增加以及道路拥堵．然而在V2X环境中，司机可以随时随地获得前方车辆和交通信号灯的状态，这为联合驾驶创造了条件．司机提前获取了交通信号灯的状态信息并调节车辆速度，以适当的速度通过冲突区域，避免了长时间停止．因此，本部分规划了交通信号灯附近车辆的联合驾驶和车道变换过程，以便提前确定驾驶轨迹和减少停车延误，并预测出下一个时间段检测区域内车辆的数目.

3BP神经网络模型

BP神经网络模型是1986年由以Rumelhart和Mcelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一．SP网络能学习和存贮大量的输入－输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程．它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小．具有很强的非线性映射能力，而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定，灵活性很大，所以它在许多应用领域中起到重要作用．神经网络结构由三层组成，第一层为输入层，由信号源节点组成；第二层为隐含层，第三层是输出层，如果在输出层输出的值与期望值不一致，则进行误差信号的反向传播流程．通过这两个过程的交替进行，在权向量空间执行误差函数梯度下降策略，动态迭代搜索一组权向量，使网络误差函数达到最小值，从而完成信息提取和记忆过程。

4BP神经网络模型建模

4.1输出该路口断面交通流量原始数据的观测趋势

4.2采用t-１，…，ｆ－ｉV的数据作为神经网络的输入，t时刻的数据作为神经网络的输出，生成神经网络的输入与输出及待识别的输入与输出；

4.3构建ＢＰ神经网络模型，并定义网格的相关参数

4.4根据实际情况确定隐含层单元数和单元中心，计算隐含层权值，获得隐含层输出

4.5计算训练误差并判断是否小于给定目标，利用最小二乘法调整权值

4.6利用ＢＰ神经网络模型进行预测（最大神经院个数不宜过大，神经网络误差不宜过小，否则容易过拟合．扩展速度不宜过小，否则影响神经网络的平滑性）。

结语

在日渐拥堵的城市环境中，高效的交通信号控制策略变得格外重要，不仅可以改善交通安全和提升运输效率，还可以减少能源的消耗并降低对环境的污染．

参考文献：

[1]马莹莹，杨晓光，曾滢.信号控制交叉口周期时长多目标优化模型及求解[J].同济大学学报（自然科学版），2009，37（6）：761-765.

[2]李瑞敏，陆化普.基于遗传算法的交通信号控制多目标优化[J].长安大学学报（自然科学版），2009，29（3）：89-92.[5]曹成涛，徐建闽.单交叉口交通多目标控制方法[J].计算机工程与应用，2010，46（16）：20-22.

[3]吕斌，牛惠民.随机条件下单点交叉口信号配时优化[J].交通运输工程学报，2010，10（6）：116-120.

[4]孙超，徐建闽.城市单点交叉口的信号配时优化研究[J].交通与计算机，2008，26（6）：6-10+17.

[5]ParkBB，LeeJ.Aprocedurefordeterminingtime-of-daybreakpointsforcoordinatedactuatedtrafficsignalsystems[J].KSCEJournalofCivilEngineering，2008，12（1）：37-44.