傅 貴 楊朝霞 周 權(quán)

（1．廣東省君略信息化研究院，廣東 廣州 510627；2．廣州市信佰信息技術(shù)咨詢有限公司，廣東 廣州 510627；3．中山大學(xué)數(shù)學(xué)學(xué)院，廣東 廣州 510275；4．廣州大學(xué)數(shù)學(xué)與信息科學(xué)學(xué)院，廣東 廣州 510006）

基于神經(jīng)網(wǎng)絡(luò)的交通控制誘導(dǎo)協(xié)同模型

傅 貴1,2楊朝霞3周 權(quán)4

（1．廣東省君略信息化研究院，廣東 廣州 510627；2．廣州市信佰信息技術(shù)咨詢有限公司，廣東 廣州 510627；3．中山大學(xué)數(shù)學(xué)學(xué)院，廣東 廣州 510275；4．廣州大學(xué)數(shù)學(xué)與信息科學(xué)學(xué)院，廣東 廣州 510006）

針對傳統(tǒng)交通控制與誘導(dǎo)模型及算法的不足，提出了具有中心協(xié)調(diào)系統(tǒng)（CCOS）的交通控制與誘導(dǎo)協(xié)同模型。利用數(shù)據(jù)融合技術(shù)將歷史數(shù)據(jù)的短時交通預(yù)測、交通事件檢測結(jié)果以及實時交通流數(shù)據(jù)設(shè)計面向交通動態(tài)的信息融合，并采用神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建基于神經(jīng)網(wǎng)絡(luò)的交通控制誘導(dǎo)協(xié)同模型，同時對模型的參數(shù)進(jìn)行了確定。通過典型的路網(wǎng)進(jìn)行仿真實驗和對比分析，實驗驗證了該模型是可行和有效的。

交通控制；交通誘導(dǎo)；數(shù)據(jù)融合；神經(jīng)網(wǎng)絡(luò)；協(xié)同模型

1 引言

隨著城市道路建設(shè)的逐步擴(kuò)大和城市車輛擁有率的提高，城市交通越來越擁堵。城市交通控制和交通誘導(dǎo)是解決城市交通解決擁堵的重要措施。傳統(tǒng)的城市交通控制和城市交通誘導(dǎo)協(xié)同解決思路主要有數(shù)據(jù)共享式交通控制和交通誘導(dǎo)體系、主從式交通控制和交通誘導(dǎo)體系、并行式交通控制和交通誘導(dǎo)體系[1]三種。數(shù)據(jù)共享式交通控制和交通誘導(dǎo)體系是從數(shù)據(jù)層面為交通控制和交通誘導(dǎo)提供數(shù)據(jù)共享與協(xié)同，城市交通控制系統(tǒng)（UTCS）和城市交通流誘導(dǎo)系統(tǒng)（UTFGS）二者相互獨(dú)立運(yùn)行，各自僅僅將各自采集到的數(shù)據(jù)作為信息輸入，提供對方進(jìn)行數(shù)據(jù)共享使用，而系統(tǒng)之間無更高層面的溝通與協(xié)調(diào)，這僅僅是一種最低層次的協(xié)同控制。主從式交通控制和交通誘導(dǎo)體系是將交通控制系統(tǒng)或交通誘導(dǎo)系統(tǒng)作為主導(dǎo)系統(tǒng)，另一個系統(tǒng)作為從屬系統(tǒng)，兩系統(tǒng)是一種非對稱關(guān)系，主導(dǎo)系統(tǒng)按照既定的交通策略進(jìn)行運(yùn)行，并通知從屬系統(tǒng)使之進(jìn)行協(xié)同。一般來說，在主從式交通控制和交通誘導(dǎo)協(xié)同體系中交通控制系統(tǒng)作為主導(dǎo)系統(tǒng)，交通誘導(dǎo)作為從屬系統(tǒng)，交通指揮人員將交通疏導(dǎo)策略數(shù)據(jù)設(shè)置在交通控制系統(tǒng)中，交通誘導(dǎo)系統(tǒng)按照交通控制系統(tǒng)的指揮[2]進(jìn)行。并行式交通控制和交通誘導(dǎo)體系的交通控制系統(tǒng)和交通誘導(dǎo)系統(tǒng)是各自獨(dú)立運(yùn)行，一方會向另一方輸出自身狀態(tài)和期望的要求，另一方收到對方的狀態(tài)信息后，結(jié)合自身系統(tǒng)的策略判斷是否需要以及如何進(jìn)行控制，達(dá)到協(xié)同控制目的。以上三種交通控制和交通誘導(dǎo)體系，在交通控制和交通誘導(dǎo)的不同發(fā)展階段均有應(yīng)用，但其在交通控制和交通誘導(dǎo)的處理上具有復(fù)雜性和未知性，而且系統(tǒng)數(shù)據(jù)融合處理方面也存在不足，其不足之處主要有以下幾點(diǎn)：

（1）交通控制技術(shù)研究和應(yīng)用起步早、技術(shù)相對成熟，而交通誘導(dǎo)技術(shù)研究和應(yīng)用相對較晚，交通控制和交通誘導(dǎo)協(xié)同技術(shù)改造存在困難。目前，國內(nèi)使用的交通控制系統(tǒng)大多數(shù)采用國際上主流的交通控制系統(tǒng)，比如廣州市采用澳大利亞的悉尼協(xié)調(diào)自適應(yīng)交通系統(tǒng)（SCATS），這些系統(tǒng)是獨(dú)立運(yùn)行的，系統(tǒng)是封閉的，無開源代碼提供，技術(shù)改造的難度很大。

（2）主從式、并行式交通控制和交通誘導(dǎo)體系，無獨(dú)立的第三方系統(tǒng)掌握城市交通控制和城市交通誘導(dǎo)系統(tǒng)的全部運(yùn)行狀態(tài)信息。交通控制、交通誘導(dǎo)系統(tǒng)存在信息不對稱，從而交通控制和交通誘導(dǎo)的判別無法精準(zhǔn)處理，甚至發(fā)生錯誤判別處理。

（3）以上三種體系均沒有考慮交通狀況預(yù)測的要素，尤其沒有考慮基于歷史數(shù)據(jù)對交通狀況的預(yù)測和基于交通事件對交通影響的判斷，沒有將交通預(yù)測信息作為交通控制和誘導(dǎo)系統(tǒng)的要素輸入，但這些信息對于交通控制和誘導(dǎo)系統(tǒng)的影響極大，也是城市交通控制的關(guān)鍵信息要素之一。

本文從城市交通控制與交通誘導(dǎo)的多年實踐經(jīng)驗出發(fā)，在以往的城市交通控制和交通誘導(dǎo)體系研究基礎(chǔ)上，首先設(shè)計了一個具有中心協(xié)調(diào)系統(tǒng)（CCOS）的城市交通控制與誘導(dǎo)協(xié)同體系框架，并利用數(shù)據(jù)融合技術(shù)將歷史數(shù)據(jù)的短時交通預(yù)測、交通事件檢測結(jié)果以及實時交通流數(shù)據(jù)進(jìn)行有效的信息融合，實現(xiàn)面向交通動態(tài)的信息融合，在此基礎(chǔ)上，采用基于神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)建模方法，設(shè)計基于神經(jīng)網(wǎng)絡(luò)的交通控制與誘導(dǎo)協(xié)同模型，并同時利用典型交通路網(wǎng)數(shù)據(jù)對模型參數(shù)進(jìn)行了確定，為協(xié)同系統(tǒng)提供所需的數(shù)據(jù)參數(shù)指標(biāo)。最后，以廣州市交通信號控制系統(tǒng)和交通誘導(dǎo)系統(tǒng)為基礎(chǔ)，搭建基于交通預(yù)測的控制與誘導(dǎo)協(xié)同仿真實驗平臺，并選擇了廣州市典型的交通道路路網(wǎng)進(jìn)行仿真實驗，仿真實驗結(jié)果表明該模型在城市交通控制和交通誘導(dǎo)協(xié)同工作中是可行和有效的，能夠達(dá)到城市交通協(xié)同調(diào)控的目的。

2 交通控制與誘導(dǎo)協(xié)同體系

傳統(tǒng)的城市交通控制和交通誘導(dǎo)協(xié)同體系沒有將歷史信息的預(yù)測和交通事件影響預(yù)測信息作為系統(tǒng)的重要設(shè)計參數(shù)，從而使城市交通控制與交通誘導(dǎo)之間信息不完善、不對稱，交通控制與誘導(dǎo)難以精準(zhǔn)判別，甚至發(fā)生錯誤判別。我們在研究現(xiàn)有的城市交通控制和交通誘導(dǎo)體系的基礎(chǔ)上[2-4]，將城市交通控制和交通誘導(dǎo)兩個系統(tǒng)數(shù)據(jù)充分共享利用，設(shè)計具有中心協(xié)調(diào)系統(tǒng)（CCOS）的交通控制與誘導(dǎo)協(xié)同體系，如圖1所示。CCOS體系建立了區(qū)域范圍更廣的協(xié)同控制和協(xié)同誘導(dǎo)策略，分別向交通控制系統(tǒng)和交通誘導(dǎo)系統(tǒng)發(fā)出信令，實現(xiàn)系統(tǒng)之間的協(xié)同控制。

圖1 交通控制與誘導(dǎo)協(xié)同體系

交通控制與交通誘導(dǎo)系統(tǒng)體系將各種交通檢測器（交通傳感器）采集交通實時數(shù)據(jù)、歷史數(shù)據(jù)、動態(tài)預(yù)測數(shù)據(jù)、交通事件檢測等進(jìn)行數(shù)據(jù)融合[5]，并將融合后的交通數(shù)據(jù)作為輔助交通控制系統(tǒng)和交通誘導(dǎo)系統(tǒng)決策調(diào)度的重要依據(jù)，實現(xiàn)城市交通優(yōu)化與智能控制。為此，需要采用決策級[6]進(jìn)行信息融合，以一種決策級融合的算法，實現(xiàn)中心協(xié)調(diào)系統(tǒng)與交通信號控制和交通誘導(dǎo)系統(tǒng)的協(xié)同一致。在決策級信息融合中，利用神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)作為決策級信息融合關(guān)鍵技術(shù)，將大量交通信息數(shù)據(jù)進(jìn)行抽象融合，并通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練構(gòu)建交通控制和交通誘導(dǎo)協(xié)同模型，實現(xiàn)交通信息有機(jī)融合，滿足智能交通控制的需要。以下章節(jié)對城市交通控制和交通誘導(dǎo)協(xié)同體系涉及的模型進(jìn)行詳細(xì)討論。

3 模型建立與優(yōu)化

城市交通系統(tǒng)就是一個模糊控制系統(tǒng)，在城市交通控制與交通誘導(dǎo)之間，難以用一種精確的數(shù)學(xué)模型來描述這一具有“蝴蝶效應(yīng)”的現(xiàn)象。但通過神經(jīng)網(wǎng)絡(luò)[7,8]的自學(xué)習(xí)能力，構(gòu)建基于神經(jīng)網(wǎng)絡(luò)的交通控制與交通誘導(dǎo)協(xié)同模型是一種有效的技術(shù)手段。通過利用交通歷史數(shù)據(jù)對交通控制和交通誘導(dǎo)協(xié)同模型的訓(xùn)練，提高協(xié)同模型的判斷能力，實現(xiàn)交通控制和交通誘導(dǎo)協(xié)同系統(tǒng)所需的功能是完全可行的。協(xié)同模型總體思路將當(dāng)前檢測器采集到的交通流數(shù)據(jù)、交通流預(yù)測數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，建立交通控制和交通誘導(dǎo)模型；同時將交通突變數(shù)據(jù)也作為協(xié)同模型的輸入，對協(xié)同模型進(jìn)行優(yōu)化完善，使得協(xié)同模型邏輯結(jié)構(gòu)上更加完備。

3.1 問題描述

城市道路路網(wǎng)路口的交通流量是由上游路口的流量所決定。同時，上游路口交通流直接影響下游路口的流量。因此，在上、下游路口間的交通流量及關(guān)系是城市交通控制與交通誘導(dǎo)協(xié)同模型的重要要素。城市道路路口上、下游交通流量之間的關(guān)系受到交通信號控制、道路情況、行車速度等諸多因素影響，在實際城市路網(wǎng)難以用準(zhǔn)確的顯式函數(shù)關(guān)系來表達(dá)，本文采用神經(jīng)網(wǎng)絡(luò)來擬合刻畫交通控制和交通誘導(dǎo)下，城市路網(wǎng)中各路口交通流量的復(fù)雜關(guān)系。

3.2 基本假設(shè)

城市交通控制和交通誘導(dǎo)協(xié)同模型的基本假設(shè)如下：

（1）道路交叉口的流量是連續(xù)的，即一個統(tǒng)計間隔得到的交通流量不會出現(xiàn)若干個統(tǒng)計間隔沒有交通流量的情況。

（2）大量的基礎(chǔ)數(shù)據(jù)樣本，即有大量交通基礎(chǔ)數(shù)據(jù)為神經(jīng)網(wǎng)絡(luò)訓(xùn)練提供數(shù)據(jù)樣本支撐。

（3）交通路網(wǎng)抽象成井字形網(wǎng)狀結(jié)構(gòu)，一個路口的一個進(jìn)口流量只受下游周邊三個路口的流量影響。同時也會影響上游周邊三個路口的流量。

（4）某一時間截面，對于路口i，有一個實測流量vi，vi作為神經(jīng)網(wǎng)絡(luò)模型的輸入。

（5）交叉口不僅受到上、下游交叉口當(dāng)前實測流量vi的影響，也受到預(yù)測流量的影響。

3.3 模型建立

根據(jù)前面研究和假設(shè)，城市道路路口控制與誘導(dǎo)協(xié)同建模如圖2所示。

圖2 實際路口交通控制和交通誘控模型

圖2 中P點(diǎn)是交通控制和交通誘導(dǎo)協(xié)同控制點(diǎn)，其判斷輸出，分別是交通控制系統(tǒng)和交通誘導(dǎo)系統(tǒng)的輸入。左邊的P1，P2，P3是交通控制系統(tǒng)的輸入因子，P點(diǎn)后續(xù)流量主要受到這三個點(diǎn)流量影響。右邊的T1，T2，T3是交通誘導(dǎo)系統(tǒng)的輸入因子。同時，上、下游交叉口預(yù)測流量~vl也是交通控制與誘導(dǎo)協(xié)同的輸入因子。

交通控制神經(jīng)網(wǎng)絡(luò)模型如圖3右側(cè)所示，交通誘導(dǎo)神經(jīng)網(wǎng)絡(luò)模型如圖3左側(cè)所示。在上述模型中，P點(diǎn)的控制邏輯可看成線性可疊加的，可以對其分別研究，再進(jìn)行融合，下面分別交通控制模型和交通誘導(dǎo)模型進(jìn)行討論。

圖3 交通控制和交通誘導(dǎo)的神經(jīng)網(wǎng)絡(luò)模型

3.3.1 交通控制模型

對于路口任一交通控制點(diǎn)P的一個進(jìn)口，存在影響該進(jìn)口方向流量的三個路口P1,P2,P3；其車流影響下游周邊三個路口的車流T1，T2，T3。如果上、下游交叉路口預(yù)測流量分分別記為：vp1，vp2，vp3。交通控制的神經(jīng)網(wǎng)絡(luò)模型如圖3所示，其輸入層X節(jié)點(diǎn)、隱含層節(jié)點(diǎn)和輸出層節(jié)點(diǎn)描述分別如下。

● 輸入層X

● 隱含層Z

對于某單個神經(jīng)元zi而言,其計算公式為：

W是利用計算機(jī)偽隨機(jī)數(shù)初始化的權(quán)重矩陣。

● 輸出層Y

輸出層權(quán)重矩陣H的計算公式為：Y=f(Z’H)。

向后傳播階段

該模型是BP神經(jīng)網(wǎng)絡(luò)模型，可用Delta法則修正權(quán)重矩陣，其初始化訓(xùn)練因子α，且0＜α＜1；其初始化精度為ξ。神經(jīng)網(wǎng)絡(luò)中第m個樣本的誤差測度為：

其中，f是激活函數(shù)如公式（3）所示。

整個樣本集的總誤差為：

輸出層權(quán)重矩陣H修正為：

其中Q為該樣本的標(biāo)準(zhǔn)參照流量。

輸入層到隱含層的權(quán)矩陣W修正為：

其中δ=Y(Q-Y)(Y?-Y)/Q

直到E＜ξ，可得出優(yōu)化的神經(jīng)網(wǎng)絡(luò)系統(tǒng)。

3.3.2 交通誘導(dǎo)模型

交通誘導(dǎo)模型與控制模型類似，也建立BP神經(jīng)網(wǎng)絡(luò)模型，其不同之處再有輸出層是由三個方向的流量比組成的三維向量，而不是標(biāo)量。

● 輸入層：類似交通控制模型輸入層；

● 激勵函數(shù)：類似交通控制模型激勵函數(shù)；

● 初始化權(quán)矩陣：類似交通控制模型偽隨機(jī)數(shù)方法；

● 輸出層：Y=（y1,y2,y3）’。

模型的其他參數(shù)和修正方法：參照交通控制模型。

3.4 引入交通突變模型優(yōu)化

城市交通突發(fā)事件對交通流量有巨大的影響，也是交通實際控制和誘導(dǎo)必須考慮的要素，將交通突發(fā)事件作為交通控制和交通誘導(dǎo)的正常的流量樣本輸入到模型中，能更有效描述城市交通的實際情況。但這樣會對神經(jīng)網(wǎng)絡(luò)的模式可分性造成影響，同時也影響模型的收斂速度，甚至無法得到最優(yōu)解。為解決這個問題對交通控制和交通誘導(dǎo)模型進(jìn)行如下優(yōu)化：

（1）交通事件作為神經(jīng)網(wǎng)絡(luò)模型的一種新的輸入維度。在神經(jīng)網(wǎng)絡(luò)模型增加一個激勵變量，調(diào)整神經(jīng)網(wǎng)絡(luò)的輸入層和隱含層，增加網(wǎng)絡(luò)的復(fù)雜性。這種方法會增加神經(jīng)網(wǎng)絡(luò)的訓(xùn)練負(fù)擔(dān)。

（2）交通事件作為隨機(jī)擾動，視為模型外層處理，即對交通事件的檢測和后續(xù)處理建立獨(dú)立的分支機(jī)制。

引入交通突變事件判斷后的處理流程，如圖4所示。

圖4 引入交通事件判斷后的處理流程

4 模型訓(xùn)練與仿真

交通控制和交通誘導(dǎo)模型訓(xùn)練與仿真利用關(guān)鍵交叉口、重要路段及重點(diǎn)關(guān)注區(qū)域?qū)δＰ瓦M(jìn)行仿真分析，對交叉口、路段及區(qū)域的交通控制和交通誘導(dǎo)引起的交通影響進(jìn)行評價。本次模型訓(xùn)練和仿真采用德國VISSIM交通仿真軟件進(jìn)行仿真實驗。

4.1 訓(xùn)練與仿真數(shù)據(jù)

交通控制和交通誘導(dǎo)模型訓(xùn)練與仿真以廣州大橋為中心，廣州大橋南北沿線路網(wǎng)區(qū)域部分交通數(shù)據(jù)作為訓(xùn)練和仿真數(shù)據(jù)。數(shù)據(jù)來自廣州SCATS系統(tǒng)所采集到的目標(biāo)區(qū)域路網(wǎng)主要交叉口的7天的流量數(shù)據(jù)。數(shù)據(jù)的時間跨度為4月23日到4月29日。表1是4月24日中山一立交各進(jìn)口道早高峰時段每半小時的流量部分?jǐn)?shù)據(jù)，表3是4月27日廣州大道-花城大道交叉口各進(jìn)口道路晚高峰時段每半小時的流量部分?jǐn)?shù)據(jù)，相對應(yīng)的專家知識庫的理想預(yù)測流量值分別如表2和表4所示。

表1 早高峰時段流量統(tǒng)計表(pcu/h)

表2 早高峰時段流量理想預(yù)測值(pcu/h)

表3 晚高峰時段流量統(tǒng)計表(pcu/h)

表4 晚高峰時段流量理想預(yù)測值(pcu/h)

4.2 模型訓(xùn)練

首先對基于BP神經(jīng)網(wǎng)絡(luò)的模型進(jìn)行訓(xùn)練，訓(xùn)練隱層的數(shù)量和訓(xùn)練數(shù)據(jù)的輸入量。取訓(xùn)練因子α=0.5，誤差精度ε=0.2%，對隱含層的神經(jīng)元個數(shù)分別為5-15進(jìn)行誤差分析，訓(xùn)練得到交通控制和交通誘導(dǎo)模型的隱層神經(jīng)元個數(shù)與誤差曲線關(guān)系，如圖5所示。進(jìn)一步對不同訓(xùn)練樣本進(jìn)行加權(quán)平均誤差分析，訓(xùn)練樣本與誤差關(guān)系如圖6所示。

圖5 隱層神經(jīng)元個數(shù)與誤差曲線圖

圖6 訓(xùn)練樣本數(shù)據(jù)量與誤差關(guān)系表

從圖5訓(xùn)練曲線可知該模型的神經(jīng)網(wǎng)絡(luò)是收斂的，神經(jīng)網(wǎng)絡(luò)可用。從圖5發(fā)現(xiàn)當(dāng)隱層神經(jīng)元個數(shù)為13個以上，交通控制模型和交通誘導(dǎo)模型都能很好地收斂，且其誤差精度也達(dá)到設(shè)置閾值。在實際中考慮到計算精度和運(yùn)算效率，將隱層的神經(jīng)元個數(shù)設(shè)為14較為合理。圖6數(shù)據(jù)可以發(fā)現(xiàn)，7天的交通流數(shù)據(jù)樣本能讓訓(xùn)練結(jié)果的加權(quán)平均誤差滿足小于預(yù)設(shè)的0.2%的誤差要求，表明模型滿足實際的神經(jīng)網(wǎng)絡(luò)系統(tǒng)要求。因此，從7天交通流數(shù)據(jù)樣本，14個隱層神經(jīng)元的交通控制模型和交通誘導(dǎo)模型神經(jīng)網(wǎng)絡(luò)訓(xùn)練實驗結(jié)果發(fā)現(xiàn)，所建立的交通控制和交通誘導(dǎo)神經(jīng)網(wǎng)絡(luò)協(xié)同模型能滿足系統(tǒng)使用要求，可以進(jìn)一步導(dǎo)入仿真軟件，進(jìn)行仿真實驗分析。

4.3 模型仿真

4.3.1 仿真場景

本次模型仿真是在仿真區(qū)域路段對有無交通控制誘導(dǎo)策略情況下，仿真區(qū)域路段交叉口飽和度、交叉口服務(wù)水平、路段飽和度、路段服務(wù)水平等指標(biāo)進(jìn)行比較分析，以便判別仿真區(qū)域的交通改善效益。仿真實驗交通控制點(diǎn)的信號控制燈組設(shè)置及控制方案相位如圖7所示。早高峰時段A相位綠燈時間55秒，B相位45秒；晚高峰時段B相位45秒，C相位55秒；在平峰時段，信號燈為黃色閃爍。仿真實現(xiàn)時段選取早高峰時段為：7:00-9:00；晚高峰時段為：17:00-19:00；平峰時段除高峰時段之外的三個時段。

圖7 信號控制點(diǎn)信號控制方案

4.3.2 仿真結(jié)果分析

本次仿真實驗結(jié)果記錄如表5和表6所示。表5表明在無交通控制誘導(dǎo)協(xié)同情況下，各關(guān)鍵交叉口的飽和度相差較大，其標(biāo)準(zhǔn)差達(dá)到0.1131。這表明該路網(wǎng)的負(fù)載不均衡，易產(chǎn)生瓶頸路口導(dǎo)致路網(wǎng)癱瘓。同時，表5也表明在有交通控制誘導(dǎo)協(xié)同情況下，各交叉口飽和度趨于均衡，其標(biāo)準(zhǔn)差下降到0.0288，該路網(wǎng)負(fù)載也相對均衡，可見能夠明顯提升交通管理效能。

表6表明在采用自適應(yīng)的信號控制，實行控制誘導(dǎo)分流，廣州大道中、廣州大道南、中山一路等飽和度均有不同程度的下降，車輛的誘導(dǎo)分流有效緩解關(guān)鍵路段交通壓力。但部分車流轉(zhuǎn)移到花城大道、寺右新馬路等道路，致使道路飽和度提高，由于該路段車流量較少，道路服務(wù)水平未受太大影響。

因此，仿真實驗表明所構(gòu)建的基于神經(jīng)網(wǎng)絡(luò)的交通控制和交通誘導(dǎo)協(xié)同模型能夠提升城市道路交叉口和道路的交通服務(wù)水平，提高城市道路交通管理效能。同時也表明所設(shè)計的模型是合理的、可行的，能夠改善城市道路交通通行能力。

表5 關(guān)鍵交叉口交通仿真評價結(jié)果

廣州大道中-花城大道0.92 0.0200 -8.7% 12.5% 0.96 0.1043 0.1443 0.86廣州大道南（客村）寺右新馬路寺右二馬路-0.0557 0.82 0.0000 0.0400 7.9% 0.76花城大道-華穗路0.72 0.81 -0.0100 0.68 -0.0957 -0.0600 0.84金穗路-華穗路0.76 11.8% 0.72金穗路-華穗路0.0957 -0.1357 0.83 0.0100 0.1131平均值及標(biāo)準(zhǔn)差0.82 0.0288 -10.4% 15.3% 0.8157 -↑↑—↓—↓-

表6 片區(qū)主要路段飽和度及服務(wù)水平

5 結(jié)束語

本文從交通控制與誘導(dǎo)多年實踐經(jīng)驗基礎(chǔ)上，構(gòu)建了一個具有中心協(xié)調(diào)系統(tǒng)（CCOS）的交通控制與誘導(dǎo)協(xié)同框架體系。為了實現(xiàn)該框架體系，利用面向交通動態(tài)的信息融合技術(shù)的數(shù)據(jù)融合方法，采用基于神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)，設(shè)計了基于神經(jīng)網(wǎng)絡(luò)的交通控制與交通誘導(dǎo)協(xié)同模型，通過利用實際數(shù)據(jù)樣本對模型進(jìn)行訓(xùn)練，確定了模型相關(guān)的參數(shù)指標(biāo)，并以廣州市交通信號控制系統(tǒng)和交通誘導(dǎo)系統(tǒng)為基礎(chǔ)，選擇了一個典型的城市道路路網(wǎng)進(jìn)行仿真實驗。仿真實驗表明所設(shè)計的交通控制和交通誘導(dǎo)協(xié)同模型是可行和有效的，能夠改善城市道路交通，提高城市道路管理能效。進(jìn)一步研究工作將根據(jù)實際路網(wǎng)情況建立更為準(zhǔn)確的模型并進(jìn)行相應(yīng)的訓(xùn)練；建立更為多路網(wǎng)點(diǎn)關(guān)聯(lián)性的訓(xùn)練模型也是研究方向之一。

[1]楊兆升．新一代智能化交通控制系統(tǒng)關(guān)鍵技術(shù)及其應(yīng)用[M].北京：中國鐵道出版社，2008．

[2]王薇，程澤陽，張偉，楊兆升．基于層級控制的區(qū)域交通信號控制及交通流誘導(dǎo)協(xié)調(diào)模型[J]．武漢理工大學(xué)學(xué)報(交通科學(xué)與工程版)，2016，40(4)：609-614．

[3]李志林，邱紅桐，封春房．李標(biāo)．基于路網(wǎng)分層的協(xié)同誘導(dǎo)路徑搜索算法[J]．公路交通科技，2017，34(1)：143-148．

[4]張遜遜，許宏科，閆茂德．基于MFD的城市區(qū)域路網(wǎng)多子區(qū)協(xié)調(diào)控制策略[J]．交通運(yùn)輸系統(tǒng)工程與信息，2017，17(1)：98-105．

[5]涂小強(qiáng)．信息融合的原理與方法概述[J]．電訊技術(shù)，1999，3：1-6．

[6]Liu H，Wang X，Tan D，et al．Study on traffic information fusion algorithm based on support vector machines[C]．Intelligent Systems Design and Applications，2006．ISDA'06．Sixth International Conference on．IEEE，2006，1：183-187．

[7]文孟飛．城市智能交通系統(tǒng)交通流協(xié)同優(yōu)化與誘導(dǎo)關(guān)鍵技術(shù)研究[D]．長沙：中南大學(xué)博士論文，2013．

[8]蔡長青．基于多智能體的交通控制與交通誘導(dǎo)協(xié)同理論和方法研究[D]．長春：吉林大學(xué)博士論文，2008.

Traffic Control Guidance Coordination Model Based on Neural Network

Fu Gui1,2Yang Zhaoxia3Zhou Quan4
(1．Guangzhou Genlord Institute,Guangzhou 510627,Guangdong；2．Guangzhou InfoBay Information Technology Consultant Co.Ltd.,Guangzhou 510627,Guangdong；3．Sun Yat-sen University,Guangzhou 510275,Guangdong；4．Guangzhou University,Guangzhou 510006,Guangdong)

In view of the shortage of traditional traffic control and guidance model and algorithms,the traffic control and guidance model based on central coordination system(CCOS)is proposed.In this model,the short-term traffic prediction of past traffic data,the result of traffic incident detection and the real-time traffic flow data are used to design the traffic-oriented dynamic traffic information fusion.Moreover,using the neural network technology,the traffic control and guidance coordination model based on neural network system is presented.Its parameters are decided by the experiments.Finally,a number of typical local road networks are selected for simulation comparative experiments.The experiments show this model is feasible and effective.

traffic control;traffic guidance;data fusion;neural network;coordination model

U491

A

1008-6609(2017)07-0017-06

傅貴(1975－)，男，廣西人，博士研究生，高級工程師，研究方向為交通大數(shù)據(jù)、交通預(yù)測及控制、公安云架構(gòu)。

廣州市121人才梯隊工程資助項目和“智慧天河”體系架構(gòu)研究項目，項目編號：201603RY004。