(西安航空職業(yè)技術學院 電子工程學院，西安 710000)

0 引言

近年來，隨著國民經濟水平的提升，城市的交通壓力與日俱增。在此背景下，交通信號控制成為緩解城市交通狀況的主要方式。而在城市交通壓力中，主干道是承擔壓力的主要位置，該位置交通情況的好壞將直接決定著整個城市交通的順暢與否。因此，對主干道交通信號控制的研究，是解決城市交通擁堵，提高城市同行能力的關鍵所在。對此，本文將神經網(wǎng)絡理論的模糊控制引入到主干道的交通信號控制研究中，并圍繞此理論提出可行的控制方法和策略，以此期望為交通控制領域提供參考。

1 模糊控制原理

模糊控制系統(tǒng)的核心部位在于模糊控制器，而模糊控制器主要由輸入量的模糊化、模糊推理以及去模糊所組成。具體模糊控制原理，如圖1所示。

根據(jù)上圖可知，模糊控制系統(tǒng)主要由模糊控制器、A/D及D/A轉換、執(zhí)行機構、被控對象以及傳感器構成。模糊控制系統(tǒng)在進行控制工作時，并不會對被控對象實際模型有著任何要求，能夠應用于被控對象模型無法掌握的情況之下。

圖1 模糊控制原理

城市主干道車輛交通信號控制本身就是一項極具復雜性、隨機性等特點的系統(tǒng)，傳統(tǒng)控制方法無法適用于主干道的交通控制系統(tǒng)當中。而模糊控制具備對被控對象模型無要求的這一特點，完全與城市主干道交通信號控制的復雜特點所契合。但由于模糊控制系統(tǒng)自身缺乏主動學習及適應能力，在后續(xù)交通信號控制過程中將逐步暴露出許多隱形問題。

2 模糊控制與神經網(wǎng)絡模型構建

據(jù)目前情況來看，相關領域中將神經網(wǎng)絡和模糊控制相結合的方式主要有兩種，分別為模糊神經網(wǎng)絡以及神經模糊系統(tǒng)。其中模糊神經網(wǎng)絡主要是以模糊邏輯理論作為基礎，利用神經網(wǎng)絡技術的自組織性特點，將模糊邏輯理論與神經網(wǎng)絡技術相結合，以此進行信息處理。模糊神經網(wǎng)絡是一種神經網(wǎng)絡的模糊化，但其主體為模糊控制；神經模糊系統(tǒng)主要以神經網(wǎng)絡為基礎，利用模糊集合理論進行相關處理研究。具體神經網(wǎng)絡模型構建，如圖3所示。

圖3 模糊神經網(wǎng)絡模型

根據(jù)上圖所示，本文主要采用基于神經網(wǎng)絡的模糊控制，來實現(xiàn)對模糊邏輯推理。同時，在模糊化及去模糊等功能方面，主要通過三角函數(shù)、高斯函數(shù)、模糊乘法、模糊加權法等進行實現(xiàn)。在模糊控制系統(tǒng)具有缺乏主動學習及適應能力這一重大缺陷方面，筆者認為可利用神經網(wǎng)絡的學習算法，對網(wǎng)絡參數(shù)自主學習及記憶能力進行修正，從而提高模糊控制系統(tǒng)的自主學習及適應能力。

3 基于模糊神經網(wǎng)絡的交通信號控制及仿真

3.1 交叉口相位控制建模

本文將選擇四相位單交叉口模型作為研究對象，采用四相位控制方法對通行方向進行控制。具體的相位控制時序圖，如圖4所示。

圖4 相位時序控制圖

為了使交通信號控制器實時掌握到車流情況，本文采用安裝車輛檢測器的方式，對交叉口車流數(shù)據(jù)進行采集。同時，在進行車輛檢測器的過程中，為了檢測到車輛離開與進入主干道的不同信息，本文將車輛檢測器分為前端檢測器以及后端檢測器兩種。其中前端檢測器主要負責檢測交叉口離開車輛信息；而后端檢測器則主要檢測進入該路段的車輛信息。通過上述傳感器對車輛信息的采集，以此為交通信號協(xié)調控制提供依據(jù)。

3.2 評價指標設計

為了提高交叉口的通行能力，還需盡量減少每一信號周期內車輛的延誤。對此，本文將選用降低周期內車輛平均延誤作為評價指標，以此構建起主干道交叉口車輛延誤模型。

假設城市交叉口道路中的車輛均為隨機到達，若車輛到達率普遍較低，那么該信號周期內車輛到達情況將服從泊松分布；反之，則服從二項分布。當某相位開發(fā)綠燈之后，車輛駛離率為1 pcu/s。

將i=1,2,…,n看作是多個相位,j代表著車流方向，方向總量為m個方向。將qj代表一個信號周期內，交叉口第j個方向的車輛到達率，ti代表著第i相位的綠燈配時，則第i相位第j方向的到達車輛數(shù)為qjti。

假設第i相位第j個方向的車輛延誤為dj，則為式(1)。

(1)

在該公式中，lj,i-1代表的是相位i的初始排隊車輛；uij代表著第i個相位在第j方向上的車輛駛離率。

根據(jù)上述公式，可得出一個信號周期內車輛延誤計算，為式(2)。

(2)

當某一信號周期開始時，車輛總長度，為式(3)。

(3)

總的車輛延誤時間d則為式(4)。

(4)

3.3 控制器設計

3.4 模糊規(guī)則設計

表1 模糊規(guī)則設計

根據(jù)表1的模糊規(guī)則表可以看出，該表總共表示49個規(guī)則，并且每一個規(guī)則對應一個模糊對應關系。

ΔT=(L0×T0)°R

(5)

3.5 仿真具體流程設計

根據(jù)上述的分析，將整體的仿真流程，如圖5所示。

圖5 算法設計

4 仿真驗證

圖6 交通流時車輛延誤曲線對比

通過上述的比較看出，本文設計的模糊控制算法在平均延誤時間方面，要明顯優(yōu)于傳統(tǒng)的算法，說明本文算法的有效性。

5 總結

通過上述的研究看出，模糊控制在傳統(tǒng)神經網(wǎng)絡控制的基礎上，對處理不確定性變量方面存在很大的優(yōu)勢。而通過這種模糊控制的方式，并結合神經網(wǎng)絡的自學習功能，可實時根據(jù)采集到的車輛信息完成對車輛交通信號的智能化控制，減少車輛的平均延誤時間，提高城市道路交通的效率。