,

(上海理工大學 出版印刷與藝術(shù)設(shè)計學院，上海 200093)

0 引言

截至2017年底全國機動車保有量達3.10億輛，交通擁堵降低了城市運行效率，延誤居民出行又增加環(huán)境污染。提高車輛行駛效率，既要求城市建設(shè)規(guī)劃出合理的道路，又能夠高效控制交通流。Zsolt Csaba Johanyák提出基于歷史數(shù)據(jù)創(chuàng)建的駕駛員模型微觀交通模擬器[1]，針對不同的交通流量，利用模糊模型改變綠色周期比率。Huan Wang利用DSRC檢測實時交通流量，并運用機器學習技術(shù)預(yù)測下一個交通燈周期短時的流量變化[2]，使控制系統(tǒng)調(diào)整計時計劃。張婧怡提出以平均排隊長度作為路權(quán)影響因子的動態(tài)配時模型和以平均延誤作為路權(quán)影響因子的動態(tài)配時模型[3]，仿真說明該模型更能直觀的反映路面擁堵情況。

交通燈系統(tǒng)作為一個時變的具有隨機性的動態(tài)系統(tǒng)，需要路網(wǎng)協(xié)同考察。上述研究未提出突發(fā)情況的配時方案；未考慮多路口帶來的影響；選擇單個路口為研究點，以模糊算法建立配時系統(tǒng)，容易累積配時誤差。故本文提出多路口預(yù)測與實時合作的交通控制方案。系統(tǒng)設(shè)計總體思路，采取電子車牌計數(shù)收集車總量，用NARX(Nonlinear AutoRegressive models with Exogenous Inputs)時間序列神經(jīng)網(wǎng)絡(luò)進行預(yù)測[4]，計算兩方向配時時間差，并在局部加入實時配時方案解決嚴重擁堵情況。

1 訓練數(shù)據(jù)車輛數(shù)的提取方法

1.1 視頻圖像采集計數(shù)

天網(wǎng)工程利用圖像采集、傳輸、控制、顯示等設(shè)備和控制軟件組成，是對固定區(qū)域進行實時監(jiān)控和信息記錄的視頻監(jiān)控系統(tǒng)。視頻圖像采集計數(shù)中，可利用天網(wǎng)工程提取車輛圖像[5]，并對RGB圖像進行背景差分,分辨出運動車輛區(qū)域,通過在視頻圖像中設(shè)置固定虛擬檢測區(qū)實現(xiàn)計數(shù)。但不宜計取動態(tài)車輛數(shù)目，且當同一道路排隊車輛體積差別大時，圖像采集誤差較大。

1.2 DSRC和C-V2X技術(shù)

DSRC和C-V2X技術(shù)兩種技術(shù)皆可實現(xiàn)車輛與外部的通信。通過建立車與路況之間的聯(lián)系實時制定優(yōu)化的駕駛路線，在行程中提前進行數(shù)據(jù)的不全面統(tǒng)計；實際計數(shù)時，只能實現(xiàn)短距離(10 m～30 m)的精確通信，要實現(xiàn)車流量的計數(shù)需設(shè)置多個路側(cè)單元，加大了投入成本，且并非所有車輛可實現(xiàn)上述兩種通訊協(xié)議。

1.3 電子車牌

2017年，國務(wù)院《“十三五”現(xiàn)代綜合交通運輸體系發(fā)展規(guī)劃》明確指出“研究使用汽車電子標識”，隨著科技發(fā)展與國家政策的推進指導，電子車牌發(fā)展將快速進入黃金期。利用RFID的技術(shù)特點[6]，在汽車的前擋風玻璃內(nèi)側(cè)裝上一枚含有該汽車基本信息的電子識別標簽，當車輛經(jīng)過裝有經(jīng)授權(quán)的射頻世界讀寫器時，后臺管理系統(tǒng)將自動采集該車輛信息，有效實現(xiàn)車輛精細化管理。雖然電子車牌存在在高溫情況下易失效的弊端，但車輛溫度大多可控，能削弱不穩(wěn)定性因素，在不增加交通成本的前提下能實現(xiàn)較好的車流計數(shù)。經(jīng)以上各方法的對比，我們選擇電子車牌識別技術(shù)采取車流量的方法。

2 NARX神經(jīng)網(wǎng)絡(luò)模型的建立

時間序列分析定量預(yù)測方法承認事物發(fā)展的延續(xù)性與隨機性，一般反映3種實際變化規(guī)律：趨勢變化、周期性變化與隨機性變化，較BP神經(jīng)網(wǎng)絡(luò)相比，它作為動態(tài)神經(jīng)網(wǎng)絡(luò)，增加了一定的序列學習能力，在分析、仿真、系統(tǒng)檢測與控制等領(lǐng)域有重要應(yīng)用。該模型也稱為帶外部輸入的非線性自回歸濾波器，優(yōu)于全回歸神經(jīng)網(wǎng)絡(luò)，并且可以和全回歸神經(jīng)網(wǎng)絡(luò)互相轉(zhuǎn)換，所以它是非線性動態(tài)系統(tǒng)中應(yīng)用最廣泛的一種神經(jīng)網(wǎng)絡(luò)。交通系統(tǒng)作為非線性動態(tài)系統(tǒng)，各道路交叉口相互影響，車流量的變化具有隨機性也有一定的周期性，所以適于運用該預(yù)測模型。本模型建立的目的，是利用多路口車輛數(shù)歷史數(shù)據(jù)，訓練預(yù)測目標路口未來時間段內(nèi)的兩方向車流量。

2.1 基本假設(shè)

1)道路交叉口的車流量是連續(xù)的；

2)交通道路抽象為三橫三縱網(wǎng)狀結(jié)構(gòu)；

3)周圍8個路口車流量，只考慮其經(jīng)過車輛駛向中心路口方向車輛的影響。

2.2 道路模型的建立

為了后續(xù)所述交通控制體系的模擬及檢測，選取上海市長寧區(qū)常年擁堵的⑨金沙江路與中山北路交叉口為中心點，與其附近的①白蘭路蘭溪路、②白蘭路與中山北路交叉口、③凱旋北路與曹楊路交叉口、④金沙江路棗陽路、⑤金沙江路凱旋北路、⑦華夏路與中山北路等8個臨近交叉路口，抽象三橫三縱交通路線，如圖1所示。

圖1 交通路線抽象圖

2.3 車輛數(shù)據(jù)分析

利用電子車牌識別法統(tǒng)計經(jīng)過車輛數(shù)，選取近66天九路口經(jīng)過車輛進行數(shù)據(jù)分析。運用數(shù)理統(tǒng)計學計算周圍八路口對中心路口車輛數(shù)的影響系數(shù)，得出對金沙江路與中山北路交叉口車流量影響最大的6個路口為②③④⑤⑦⑧。篩選最相似的此6種樣本數(shù)據(jù)作為NARX神經(jīng)網(wǎng)絡(luò)訓練輸入量，該相似數(shù)據(jù)選取法(Similar Data Selective Learning)所獲得的數(shù)據(jù)[7]，含有最充分的信息量。選取訓練數(shù)據(jù)過程中，考慮時間序列與不同位置的綜合貢獻，加大了輸入層數(shù)據(jù)的質(zhì)量；利于提高預(yù)測的時效性及目標準確性。

2.4 輸入輸出層的設(shè)計

我們將對⑨路口影響最大的6個路口近66天的車輛數(shù)據(jù)作為輸入，將對應(yīng)的⑨路口南北及東西方向日經(jīng)過車輛總數(shù)作為輸出，所以輸入層節(jié)點數(shù)為6，輸出層節(jié)點數(shù)為1，加入反饋延遲輸入變量，并用Matlab自帶的premnmx函數(shù)將這些數(shù)據(jù)歸一化處理[8]。數(shù)據(jù)集10天歷史數(shù)據(jù)如表1所示，其余未詳細列舉。

表1 9路口十天車輛數(shù)

2.5 隱層設(shè)計

增加隱層數(shù)可以降低網(wǎng)絡(luò)誤差提高精度，但也使網(wǎng)絡(luò)復(fù)雜化，從而增加了網(wǎng)絡(luò)的訓練時間和出現(xiàn)“過擬合”的傾向。一般來講應(yīng)設(shè)計神經(jīng)網(wǎng)絡(luò)應(yīng)優(yōu)先考慮3層網(wǎng)絡(luò)(即有1個隱層)。一般地，靠增加隱層節(jié)點數(shù)來獲得較低的誤差，其訓練效果要比增加隱層數(shù)更容易實現(xiàn)。隱層層數(shù)只要大于等于1，動態(tài)神經(jīng)網(wǎng)絡(luò)就具有逼近一切非線性映射的能力，因此本文采用含有一個隱層的三層多輸入單輸出的預(yù)測模型。

N≤int{[J(K-1)-(I-1)]÷2}

(1)

式中，N為隱層層數(shù)；J為輸入層神經(jīng)元個數(shù)；I為輸入層神經(jīng)元個數(shù)；K為標準樣本個數(shù)隱層神經(jīng)元數(shù)L：

根據(jù)經(jīng)驗公式:

(2)

n為輸入層神經(jīng)元個數(shù)，m為輸出層神經(jīng)元個數(shù)，a為[1,10]之間的常數(shù)，選取L=5。

確定隱層節(jié)點數(shù)時，隱層節(jié)點數(shù)必須小于N-1(其中N為訓練樣本數(shù))，否則網(wǎng)絡(luò)模型的系統(tǒng)誤差與訓練樣本的特性無關(guān)而趨于零；訓練樣本數(shù)必須多于網(wǎng)絡(luò)模型的連接權(quán)數(shù)，一般為2～10倍。Q(t)代表反饋延遲輸入變量，考慮外部輸入量對輸出量的影響，提高模型預(yù)測精度。NARX神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 NARX神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

3 Matlab仿真實驗及預(yù)測配時

3.1 仿真實驗

實驗采用Matlab進行，訓練算法選取收斂速度較快的LM算法。選取上文樣本訓練集，70%數(shù)據(jù)用于訓練，15%用于檢測，15%用于驗證。當驗證集誤差上升，此時訓練可以結(jié)束。保存并下載訓練好的網(wǎng)絡(luò)數(shù)據(jù)，輸入3月6日之后66天的數(shù)據(jù)，預(yù)測金沙江路與中山北路交叉口未來5天車輛數(shù)目。得到兩方向預(yù)測曲線如圖3所示，與真實值對比線圖如圖4所示。

圖3 兩方向預(yù)測曲線示意圖

圖4 兩方向車輛數(shù)對比線圖

3.2 預(yù)測配時

將所得數(shù)據(jù)與電子車牌法統(tǒng)計得來的實際值作比較，預(yù)測數(shù)據(jù)與實際值計算得相比誤差介于1%～2.5%，精度能達到期望。故舉例5月12日，金沙江與中山路交叉口南北方向約經(jīng)過23700輛汽車，東西方向經(jīng)過21000輛汽車。調(diào)查知此路口早晚高峰時段車流量可達4000 pcu/h。定義如下式：

h=|m-n|÷tf

(3)

h代表交通燈紅綠相位時間差，m代表南北方向經(jīng)過車輛數(shù)，n代表東西方向經(jīng)過車輛數(shù)，tf代表車流量。依公式得：5月12日，h=2 430 s。則當日，東左轉(zhuǎn)東右轉(zhuǎn)、西左轉(zhuǎn)西右轉(zhuǎn)、南直行與北直行總時間要比其余相位交通燈指示方向時間長2 340 s。將計算得到的時間長度分配在早高峰7:30～9:00與晚高峰17:30～20:00。提前調(diào)整紅綠燈的時間分配，為交通部門對擁堵點的控制提供了可靠的決策依據(jù)。

4 基于多路口預(yù)測與實時配時的交通燈控制系統(tǒng)

經(jīng)以上NARX神經(jīng)網(wǎng)絡(luò)模型仿真實驗，預(yù)測數(shù)據(jù)與真實值相差較小，讓交通燈配時提前設(shè)定成為可能，將提前設(shè)定的配時方案作為“常規(guī)動態(tài)預(yù)測方案”。據(jù)此提出以下交通燈控制設(shè)計，因該路段高峰期平均車流量為3000 pcu/h,60輛車駛離交通路口花費時間約60 s，此數(shù)據(jù)為平常紅綠燈相位時間值9]，所以選擇60作為兩方向比較差衡量值。系統(tǒng)設(shè)計如圖5所示。

圖5 系統(tǒng)設(shè)計方案圖

4.1 常規(guī)動態(tài)預(yù)測方案

依據(jù)NARX神經(jīng)網(wǎng)絡(luò)預(yù)測模型得出之后一天的中心路口南北與東西方向車輛總數(shù)，計算兩方向車輛數(shù)差值，再按前一天歷史車流量計算交通燈單日時間差。按需分配于早晚高峰期，使車輛總數(shù)多的道路車輛行駛方向獲得的綠燈相時間長，行車情況總體則變得流暢。當有特殊車輛通過，立即開啟應(yīng)急燈，應(yīng)急燈開亮之前2秒其余相位燈全滅。

4.2 實況臨時配時方案

當交叉路口出現(xiàn)嚴重擁堵情景，車輛等待超兩個紅燈相視為嚴重擁堵[10]，則需臨時調(diào)取各車道車流量數(shù)據(jù)，得兩方向道路車輛數(shù)差值，據(jù)歷史同時段車流量計算其通行時間。立即將車輛數(shù)多的道路車輛駛離方向綠燈時間延長，考慮兩方向等待公平，延長時間使能一次性通過擁堵車輛數(shù)的2/3，延長時間按車輛差值與當時階段平均車流量計算，之后繼續(xù)執(zhí)行常規(guī)動態(tài)預(yù)測方案。實況統(tǒng)計交叉口兩方向車輛數(shù)，比較差值系統(tǒng)每一秒中刷新一次。

5 實驗結(jié)果與分析

5.1 實驗步驟和方法

選取上海市長寧區(qū)金沙江與中山路交叉口為實驗地點，實驗實施時間為2018年5月12日。①以之前66天車輛數(shù)據(jù)為樣本，根據(jù)MATLAB仿真實驗預(yù)測出南北與東西兩方向各車輛總數(shù)；②經(jīng)公式(3)計算得出時間差，將兩方向的總時間依人工經(jīng)驗分配于早高峰與晚高峰，從而實施常規(guī)動態(tài)預(yù)測方案，如果發(fā)生嚴重擁堵情況則啟動臨時配時方案；③統(tǒng)計早高峰與晚高峰最后一小時的車輛經(jīng)過數(shù)目，將此統(tǒng)計數(shù)據(jù)與上周同時段車輛經(jīng)過數(shù)作比較。

5.2 實驗數(shù)據(jù)

5月5日車輛實際總經(jīng)過數(shù)，南北向22900輛，東西向21300，與12日預(yù)測總車輛數(shù)據(jù)相差約1%。實驗中，并未有特殊車輛通過且未發(fā)生嚴重擁堵情況。兩日早晚高峰期末時間段車輛經(jīng)過數(shù)如表2、3所示，對比結(jié)果有較大參考價值。其中5日為未經(jīng)改變的交通燈控制方案；12日則是實施常規(guī)動態(tài)預(yù)測方案，經(jīng)預(yù)測并計算時間差，再利用人工將2 340 s中的1 500 s分配于早晚高峰，使得控制多車輛數(shù)方向綠燈時間比較少車輛數(shù)方向綠燈時間每個周期長10 s，每個周期總時間設(shè)為60 s。最后統(tǒng)計12日車輛實際經(jīng)過數(shù)與早晚高峰末段的車輛數(shù)。

表2 早高峰末時段車輛數(shù)統(tǒng)計表 輛

表3 晚高峰末時段車輛數(shù)統(tǒng)計表 輛

5.3 對實驗結(jié)果進行分析

12日全天車輛實際經(jīng)過數(shù)在預(yù)測值允許誤差范圍內(nèi)。經(jīng)對比表2、3中數(shù)據(jù)，12日早晚高峰末時段車輛經(jīng)過數(shù)以20%左右的下降速率減少，證明早晚高峰前時段單位時間內(nèi)車輛通過數(shù)增加。綠燈時長的調(diào)整讓通行速率整體提高，使得早晚高峰總時長縮短，提高了交通的運行流暢度，常規(guī)動態(tài)預(yù)測方案可實現(xiàn)預(yù)期效果。

由于實驗過程未出現(xiàn)嚴重擁堵情況，實況臨時配時方案并未啟動。但實際調(diào)查12日市民滿意度，普遍認為路口通行狀況有所改善。日常實際運用中，時間差配時的方式后期還需要改變方式，不再人為設(shè)定，應(yīng)利用軟硬件自動化管理提高智能控制水平。

6 結(jié)束語

針對十字路口交通燈配時問題，本文提出預(yù)測配時與嚴重擁堵實時配時相結(jié)合的方案。以中心決策點周圍多路口車輛數(shù)為訓練樣本，進行仿真實驗證明，訓練預(yù)測得出的數(shù)據(jù)與真實值相差較小，可實現(xiàn)早晚高峰提前配時，嚴重擁堵情況下實時配時可有效緩解堵塞問題。將此系統(tǒng)設(shè)計應(yīng)用于交通燈控制，能有效提高運行效率。進一步研究工作將以各個交叉口為中心，建立多路網(wǎng)點關(guān)聯(lián)性的預(yù)測模型，做到全局優(yōu)化各路口協(xié)調(diào)控制；也將研究早晚高峰配時不再人為設(shè)定，并設(shè)置具體到分秒的動態(tài)實時分配。