夏元清 閆策 王笑京 宋向輝

信息物理融合系統(tǒng)(Cyber-physical systems,CPS)是多維異構(gòu)的物理對(duì)象在網(wǎng)絡(luò)環(huán)境中高度集成交互的新型智能復(fù)雜系統(tǒng)[1],集成計(jì)算、通信和控制技術(shù)于一體的信息物理融合系統(tǒng)為新一代智能交通系統(tǒng)提供了可行的解決方案和先進(jìn)技術(shù),解決智能交通系統(tǒng)的智能優(yōu)化調(diào)度、目標(biāo)實(shí)時(shí)控制等問(wèn)題.新一代智能交通系統(tǒng)是信息物理融合系統(tǒng)的關(guān)鍵發(fā)展方向.同時(shí)迅猛發(fā)展的云計(jì)算技術(shù)可以解決大規(guī)模智能交通控制系統(tǒng)中大數(shù)據(jù)計(jì)算和優(yōu)化控制調(diào)度算法密集運(yùn)行難題.云計(jì)算的基本原理是,通過(guò)使計(jì)算任務(wù)分布在大量的云端分布式計(jì)算機(jī)上,使得智能交通管理部門(mén)能夠?qū)⒃朴?jì)算資源匹配到智能交通云控制的應(yīng)用上,根據(jù)需求訪問(wèn)計(jì)算機(jī)和存儲(chǔ)系統(tǒng)[2].信息物理融合系統(tǒng)及云計(jì)算等相關(guān)技術(shù)的應(yīng)用使交通數(shù)據(jù)實(shí)時(shí)獲取傳輸及計(jì)算處理成為可能,應(yīng)用動(dòng)態(tài)矩陣模型和人工智能算法可以提前預(yù)測(cè)下一時(shí)刻的交通流數(shù)據(jù).

本文基于以上最新技術(shù)綜合設(shè)計(jì)提出智能交通信息物理融合云控制系統(tǒng)(Intelligent transportation cyber-physical cloud control systems,ITCPCCS).圖1展示了智能交通云控制體系以及相關(guān)信息物理融合技術(shù),應(yīng)用的核心在于為行駛者、交通工具、交通基礎(chǔ)設(shè)施建立起以身份信息為核心、唯一對(duì)應(yīng)的標(biāo)識(shí).然后基于數(shù)據(jù)采集、傳感器、網(wǎng)絡(luò)傳輸?shù)燃夹g(shù),將獲取的動(dòng)態(tài)信息即時(shí)發(fā)送到智能交通網(wǎng)絡(luò)綜合數(shù)據(jù)處理云控制平臺(tái)上,再通過(guò)云控制平臺(tái)對(duì)獲取的信息數(shù)據(jù)系統(tǒng)性、智能化處理運(yùn)算,得到系統(tǒng)預(yù)測(cè)結(jié)果以及調(diào)控方案,然后發(fā)送到智能交通終端,實(shí)現(xiàn)對(duì)整個(gè)智能交通路網(wǎng)的統(tǒng)一監(jiān)控、管理、決策和控制服務(wù).通過(guò)WIFI、5G移動(dòng)數(shù)據(jù)等通信方式將車(chē)輛與道路邊緣控制服務(wù)器(Mobile edge control,MEC)相連接,同時(shí)交通終端也可與云端進(jìn)行直接通信,使智能交通云控制管理平臺(tái)實(shí)時(shí)感知車(chē)輛排隊(duì)、堵塞、事故以及信號(hào)燈等交通狀況,進(jìn)行分析、優(yōu)化、預(yù)測(cè)、決策與控制,并且使無(wú)人車(chē)、有人車(chē)駕駛員等實(shí)時(shí)獲得實(shí)時(shí)路況信息,調(diào)整合適的路徑選擇行為.

圖1 智能交通云控制系統(tǒng)示意圖Fig.1 Schematic diagram of intelligent transportation cloud control systems

智能交通信息物理融合云控制系統(tǒng)包括交通大數(shù)據(jù)云計(jì)算、交通流智能預(yù)測(cè)、交通流云控制調(diào)度等核心技術(shù).其中云控制的核心思想是將大量用網(wǎng)絡(luò)連接的計(jì)算資源統(tǒng)一管理和調(diào)度,構(gòu)成一個(gè)計(jì)算資源池向交通路網(wǎng)設(shè)備以及終端用戶提供按需服務(wù)[3-4].交通信息云是由云計(jì)算和智能交通信息云服務(wù)構(gòu)成的信息全過(guò)程,是一種交通信息采集、處理和應(yīng)用的工作模式[5].文獻(xiàn)[6]基于社會(huì)交通、計(jì)算實(shí)驗(yàn)和平行執(zhí)行智能機(jī)器系統(tǒng),提出了基于信息物理社會(huì)系統(tǒng)的平行駕駛框架,詳細(xì)論述了平行測(cè)試、平行學(xué)習(xí)以及平行增強(qiáng)學(xué)習(xí)等方法在智能網(wǎng)聯(lián)汽車(chē)的感知、決策與規(guī)劃和控制等關(guān)鍵模塊中的應(yīng)用.通過(guò)挖掘采集數(shù)據(jù)的特征,以提高數(shù)據(jù)采集、傳輸、預(yù)處理和估算的精度和效率,為智能交通云控制系統(tǒng)提供高質(zhì)量、完備、實(shí)時(shí)的交通數(shù)據(jù)[7].城市智能交通誘導(dǎo)控制系統(tǒng)的結(jié)構(gòu)復(fù)雜,城市交通問(wèn)題求解的計(jì)算量巨大,采用多智能體技術(shù)能夠?qū)?fù)雜系統(tǒng)問(wèn)題分解,降低計(jì)算復(fù)雜性,更易于處理[8-9].由于實(shí)際路網(wǎng)和交通用戶的需求,短時(shí)交通流預(yù)測(cè)的結(jié)果更能滿足實(shí)時(shí)性的需要[10-12].

近年來(lái),人工智能算法的飛速發(fā)展使得對(duì)于具有非線性特征的交通數(shù)據(jù)處理進(jìn)入了一個(gè)新的發(fā)展階段[13-14],人工智能模型可以在自學(xué)習(xí)的過(guò)程中,以自適應(yīng)調(diào)節(jié)模型參數(shù)的方法獲取數(shù)據(jù)的本質(zhì)特征來(lái)達(dá)到更優(yōu)的預(yù)測(cè)效果[15-17].這種預(yù)測(cè)模型主要有神經(jīng)網(wǎng)絡(luò)(Neural network,NN)模型[18]、支持向量機(jī)(Support vector machine,SVM)模型[19]等.深度學(xué)習(xí)作為一種新的機(jī)器學(xué)習(xí)方法開(kāi)始受到研究人員的高度關(guān)注,并且在一些領(lǐng)域中取得了成功的應(yīng)用[19-20].目前應(yīng)用深度學(xué)習(xí)來(lái)進(jìn)行交通預(yù)測(cè)已經(jīng)有了一些相關(guān)研究成果,Huang[20]等應(yīng)用了基于深信網(wǎng)絡(luò)模型結(jié)構(gòu)和多任務(wù)回歸的交通預(yù)測(cè)方法,對(duì)單輸出和多任務(wù)輸出的流量進(jìn)行了預(yù)測(cè).針對(duì)智能交通流大數(shù)據(jù),深度學(xué)習(xí)能夠通過(guò)底層的特征組合,抽象高層特征來(lái)實(shí)現(xiàn)數(shù)據(jù)的分布式表示,從而可以更好地刻畫(huà)出數(shù)據(jù)的本質(zhì)特征[21-23].譚娟等[24]將深度學(xué)習(xí)應(yīng)用到交通擁堵預(yù)測(cè)研究中.Lv等[25]針對(duì)大路網(wǎng)下的交通流,提出了自編碼的深度網(wǎng)絡(luò)模型預(yù)測(cè)方法.Huang等[26]提出了一種在訓(xùn)練過(guò)程中能夠隨機(jī)產(chǎn)生隱含層節(jié)點(diǎn)數(shù)的超限學(xué)習(xí)機(jī)(Extreme learning machine,ELM)算法.2012年,在深入研究支持向量機(jī)(SVM)的基礎(chǔ)上,Huang等將核函數(shù)引入到超限學(xué)習(xí)機(jī)中[27],獲取最小平方優(yōu)化解,使得超限學(xué)習(xí)機(jī)具有更穩(wěn)定的泛化性能.深度學(xué)習(xí)與超限學(xué)習(xí)在不同的數(shù)據(jù)樣本集訓(xùn)練預(yù)測(cè)上各有優(yōu)勢(shì).根據(jù)得到的交通流準(zhǔn)確預(yù)測(cè)數(shù)據(jù),可提前預(yù)判出道路的通行和擁堵情況,利用云端優(yōu)化控制調(diào)度算法對(duì)交通流進(jìn)行實(shí)時(shí)調(diào)控.

在基于云控制理論建立的智能交通信息物理融合云控制系統(tǒng)研究中,本文將在云端采用國(guó)際前沿的人工智能機(jī)器學(xué)習(xí)算法,對(duì)智能交通系統(tǒng)(Intelligent transportation systems,ITS)交通大數(shù)據(jù)進(jìn)行精準(zhǔn)處理,實(shí)現(xiàn)交通系統(tǒng)短時(shí)交通流快速預(yù)測(cè),為交通路網(wǎng)系統(tǒng)智能控制提供預(yù)測(cè)數(shù)據(jù)保障[28].

本文主要貢獻(xiàn)有:1)面向交通控制網(wǎng)絡(luò)智能化發(fā)展的技術(shù)需求,首次提出智能交通信息物理融合云控制系統(tǒng)設(shè)計(jì)方案,給出了云控制理論在智能交通領(lǐng)域的示范性應(yīng)用.2)針對(duì)智能交通信息物理融合云控制系統(tǒng)的實(shí)現(xiàn)問(wèn)題,基于云計(jì)算和人工智能等技術(shù),提出了智能交通邊緣控制技術(shù)、智能交通網(wǎng)絡(luò)虛擬化技術(shù)、交通流云端智能預(yù)測(cè)技術(shù).3)為解決智能交通系統(tǒng)中的云端交通數(shù)據(jù)處理的難題,引入了深度信念網(wǎng)絡(luò)支持向量回歸算法(Deep belief network support vector regression,DBN-SVR)并且提出基于反向傳播的雙端超限學(xué)習(xí)機(jī)算法(Back propagation bilateral extreme learning machine,BP-BELM),實(shí)現(xiàn)了智能交通云控制系統(tǒng)的短時(shí)交通流精準(zhǔn)預(yù)測(cè).4)針對(duì)智能交通路網(wǎng)大規(guī)模交通流調(diào)控的難題,在云端設(shè)計(jì)了智能交通信息物理融合云控制系統(tǒng)預(yù)測(cè)交通流分配方案,進(jìn)行基于交通流短時(shí)預(yù)測(cè)大數(shù)據(jù)的優(yōu)化調(diào)度.

1 智能交通信息物理融合云控制系統(tǒng)設(shè)計(jì)

在實(shí)際智能交通信息物理融合控制系統(tǒng)中,云控制系統(tǒng)能夠提供一個(gè)可配置資源的共享池,其中包括智能計(jì)算、軟件、交通大數(shù)據(jù)訪問(wèn)和存儲(chǔ)的服務(wù),終端用戶無(wú)需知道服務(wù)提供者的物理位置和具體配置就能進(jìn)行使用.隨著云計(jì)算系統(tǒng)的處理能力不斷提高,可以減少智能交通控制網(wǎng)絡(luò)區(qū)域系統(tǒng)的處理負(fù)擔(dān).由于云控制系統(tǒng)綜合了云計(jì)算的優(yōu)勢(shì)、網(wǎng)絡(luò)控制系統(tǒng)的先進(jìn)理論和其他近期發(fā)展的相關(guān)結(jié)果[29-30],能夠?yàn)橹悄芙煌刂铺峁┳钚碌募夹g(shù)支持.如圖2所示,將交通需求調(diào)度與云計(jì)算、云控制閉環(huán)反饋以及邊緣控制設(shè)計(jì)方法相結(jié)合,采用智能交通大數(shù)據(jù)分析、協(xié)調(diào)控制、資源調(diào)度等技術(shù),能夠?qū)崿F(xiàn)智能交通的云端智能決策、云端協(xié)同控制以及與人機(jī)交互的有機(jī)整合.在智能交通信息物理融合云控制方案設(shè)計(jì)過(guò)程中,我們提出邊緣控制技術(shù)、軟件定義交通虛擬化技術(shù)、交通大數(shù)據(jù)分析技術(shù)和交通流優(yōu)化調(diào)度技術(shù).建立云端智能計(jì)算決策和基于邊緣計(jì)算的邊緣閉環(huán)控制相協(xié)作的交互機(jī)制,來(lái)實(shí)現(xiàn)智能交通信息物理融合云控制系統(tǒng)的整體建立.

目前云計(jì)算體系中有基礎(chǔ)設(shè)施即服務(wù)(Infrastructure as a service,IaaS)、平臺(tái)即服務(wù)(Platform as a service,PaaS)和軟件即服務(wù)(Software as a service,SaaS)三種服務(wù)模型.智能交通信息物理融合云控制系統(tǒng)將交通大數(shù)據(jù)存儲(chǔ)在云端,利用云計(jì)算能力,實(shí)現(xiàn)云端對(duì)系統(tǒng)的優(yōu)化、決策、調(diào)度、計(jì)劃、預(yù)測(cè)及控制.從控制視角分析,智能交通信息物理融合系統(tǒng)的復(fù)雜性使得難以對(duì)其進(jìn)行建模.云端和終端間網(wǎng)絡(luò)時(shí)延以及網(wǎng)絡(luò)帶寬飽和會(huì)使系統(tǒng)無(wú)法實(shí)時(shí)處理海量數(shù)據(jù),造成系統(tǒng)性能的損失.為解決這兩個(gè)難題,可利用云控制與邊緣控制結(jié)合的云端協(xié)同控制方式,提高控制系統(tǒng)實(shí)時(shí)性和可用性,實(shí)現(xiàn)控制即服務(wù)(Control as a service,CaaS)的目的.

圖2 面向交通需求的交通云端協(xié)同控制Fig.2 Cloud coordination control for traffic demand

CaaS面向系統(tǒng)管理員、開(kāi)發(fā)人員、系統(tǒng)普通用戶,用戶可以從供應(yīng)商那里獲得所需要的虛擬機(jī)或者存儲(chǔ)等資源來(lái)裝載相關(guān)的控制計(jì)算軟件.CaaS同時(shí)提供給用戶包含基礎(chǔ)操作系統(tǒng)、專業(yè)控制軟件、網(wǎng)絡(luò)和存儲(chǔ)等配置的控制開(kāi)發(fā)平臺(tái),具有極高的系統(tǒng)整合率和經(jīng)濟(jì)性.另外,任何一個(gè)遠(yuǎn)程終端上的控制應(yīng)用都可以通過(guò)網(wǎng)絡(luò)來(lái)運(yùn)行.用戶只要接上網(wǎng)絡(luò),通過(guò)瀏覽器就能調(diào)節(jié)修改運(yùn)行在云端上的控制器,免去高昂的硬件投入.控制終端將控制系統(tǒng)采集數(shù)據(jù)上傳到云端,云控制器通過(guò)計(jì)算得到所需的控制系統(tǒng)參數(shù)和調(diào)節(jié)指令.對(duì)于系統(tǒng)模型不確定的控制終端,CaaS可依托強(qiáng)大的數(shù)據(jù)存儲(chǔ)和計(jì)算能力,利用智能學(xué)習(xí)算法為控制終端提供數(shù)據(jù)驅(qū)動(dòng)的模型優(yōu)化學(xué)習(xí)、模型預(yù)測(cè)控制、故障診斷與系統(tǒng)維護(hù)以及控制系統(tǒng)優(yōu)化調(diào)度決策等服務(wù).對(duì)于系統(tǒng)模型確定的控制終端,CaaS可根據(jù)控制算法和實(shí)時(shí)上傳的系統(tǒng)數(shù)據(jù),提供控制算法資源池優(yōu)化和控制參數(shù)實(shí)時(shí)自動(dòng)調(diào)節(jié)服務(wù),為實(shí)際控制系統(tǒng)省去專業(yè)調(diào)試維護(hù)人員.CaaS能夠保證控制系統(tǒng)數(shù)據(jù)的完整性、可靠性和可管理性,能更好地調(diào)度和管理控制系統(tǒng),保證其高效運(yùn)行.CaaS平臺(tái)會(huì)以API的形式將各種各樣的控制服務(wù)集成提供給用戶,采用多用戶機(jī)制,能夠支撐龐大的控制終端規(guī)模,并且提供定制化服務(wù)以滿足用戶的特殊需求.

1.1 智能交通邊緣控制技術(shù)

在智能交通信息物理融合云控制系統(tǒng)整體框架中,我們提出了邊緣控制技術(shù).邊緣控制即充分利用終端邊緣計(jì)算的優(yōu)勢(shì),無(wú)需將系統(tǒng)數(shù)據(jù)傳輸?shù)皆贫诉M(jìn)行云決策就可在本地或小區(qū)域范圍內(nèi)對(duì)具體系統(tǒng)進(jìn)行控制,可提高終端控制的實(shí)時(shí)性.如圖3所示,在智能交通云控制系統(tǒng)中邊緣控制和智能云端進(jìn)行融合,并且邊緣控制包含多方面的控制問(wèn)題,面對(duì)不同的系統(tǒng)對(duì)象,控制形式不同.在現(xiàn)代智能交通網(wǎng)絡(luò)中,實(shí)際控制對(duì)象主要包括:交通車(chē)輛用戶終端、無(wú)人車(chē)(如谷歌Waymo無(wú)人車(chē)、百度百智無(wú)人車(chē))、交通燈、道路攝像終端、道路傳感器終端等設(shè)備.

面向智能交通底層設(shè)備終端的邊緣控制系統(tǒng),核心是基于交通設(shè)備運(yùn)行數(shù)據(jù)和對(duì)交通環(huán)境的實(shí)時(shí)感知,并利用邊緣計(jì)算方法設(shè)計(jì)交通設(shè)備具體控制策略,實(shí)現(xiàn)底層交通設(shè)備本地邊緣控制,例如交通燈控制、無(wú)人車(chē)控制、交通攝像頭控制和本地區(qū)域用戶導(dǎo)航設(shè)備控制等.邊緣控制在智能交通云控制系統(tǒng)中為云端控制提供局部信息,是控制智能交通終端設(shè)備實(shí)時(shí)運(yùn)行的關(guān)鍵.云控制系統(tǒng)為多個(gè)邊緣控制設(shè)備提供全局控制策略,統(tǒng)籌整個(gè)智能交通網(wǎng)絡(luò),二者相互協(xié)作才能保證智能交通云控制系統(tǒng)良好運(yùn)行.

圖3 智能交通底層邊緣控制Fig.3 Intelligent transportation bottom edge control

1.2 智能交通網(wǎng)絡(luò)虛擬化技術(shù)

智能交通網(wǎng)絡(luò)虛擬化技術(shù),可將物理交通網(wǎng)絡(luò)虛擬成由多個(gè)虛擬交通子網(wǎng)絡(luò)組成的虛擬交通網(wǎng)絡(luò).核心思想是應(yīng)用虛擬化軟件對(duì)交通網(wǎng)絡(luò)進(jìn)行控制管理,通過(guò)自動(dòng)化部署功能簡(jiǎn)化交通云端計(jì)算運(yùn)維.如圖4,智能交通云控制網(wǎng)絡(luò)相互耦合的整體架構(gòu)可被拆分成云控制平臺(tái)、虛擬化平臺(tái)、物理應(yīng)用平臺(tái)三層架構(gòu).

圖4 智能交通云控制網(wǎng)絡(luò)虛擬化架構(gòu)Fig.4 Intelligent transportation cloud control network virtualization architecture

該架構(gòu)中數(shù)據(jù)計(jì)算和決策控制功能部署在云端服務(wù)器.利用交通網(wǎng)絡(luò)虛擬化平臺(tái),底層交通應(yīng)用設(shè)施在云端依據(jù)實(shí)際物理交通規(guī)律被抽象成多個(gè)邏輯實(shí)體.智能交通云管理者看到的是虛擬化平臺(tái)提供的程序化交通網(wǎng)絡(luò).這樣云端服務(wù)可與物理交通網(wǎng)絡(luò)解耦,便于云端資源的靈活部署和快速業(yè)務(wù)供應(yīng).隨著信息物理融合系統(tǒng)的發(fā)展,軟件定義技術(shù)開(kāi)始向物理世界延伸,在智能交通云控制系統(tǒng)中我們提出軟件定義交通(Software defined transportation,SDT)技術(shù),利用智能軟件對(duì)智能交通網(wǎng)絡(luò)拓?fù)溥M(jìn)行定義和映射,把智能交通系統(tǒng)中的各類信息設(shè)備、物理基礎(chǔ)設(shè)施進(jìn)行虛擬化定義,達(dá)到開(kāi)放共享和互聯(lián)互通的目的,實(shí)現(xiàn)智能交通云端精細(xì)化管理.SDT技術(shù)的本質(zhì)是交通硬件資源虛擬化、管理對(duì)象和管理功能可編程化實(shí)現(xiàn).傳統(tǒng)交通物理設(shè)施抽象為虛擬資源,利用云端部署軟件對(duì)虛擬交通進(jìn)行計(jì)算和調(diào)度決策.該技術(shù)可實(shí)現(xiàn)交通物理層和云端計(jì)算層的合理分離,利用程序軟件即可保證虛擬化映射的完整性和準(zhǔn)確性,又可滿足交通任務(wù)多樣性的需求.

2 交通流云端智能預(yù)測(cè)技術(shù)

交通流預(yù)測(cè)是智能交通云控制系統(tǒng)的關(guān)鍵技術(shù),云端交通流預(yù)測(cè)調(diào)度系統(tǒng)是智能交通信息物理融合云控制系統(tǒng)的大腦中樞.通過(guò)對(duì)智能交通云控制數(shù)據(jù)中心的數(shù)據(jù)預(yù)測(cè)分析,云控制服務(wù)平臺(tái)可對(duì)交通的擁堵情況、路面的行駛狀態(tài)以及車(chē)輛的實(shí)時(shí)行駛速度進(jìn)行綜合控制處理.針對(duì)大型路網(wǎng)的大規(guī)模交通流數(shù)據(jù),本文研究基于DBN-SVR的路網(wǎng)短時(shí)交通流云端預(yù)測(cè)方法,并且與基于BP-BELM的短時(shí)交通流云端預(yù)測(cè)方法進(jìn)行比較分析.

2.1 基于DBN-SVR的短時(shí)交通流預(yù)測(cè)算法

針對(duì)大規(guī)模交通流數(shù)據(jù),本文給出了基于深度學(xué)習(xí)結(jié)合支持向量回歸的預(yù)測(cè)模型.所用的DBN模型是一個(gè)含有三個(gè)隱含層的網(wǎng)絡(luò)模型結(jié)構(gòu),如圖5所示.其中最底層節(jié)點(diǎn)表示訓(xùn)練數(shù)據(jù),最上層節(jié)點(diǎn)表示預(yù)測(cè)輸出數(shù)據(jù).

圖5 DBN-SVR模型網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Network structure of DBN-SVR model

由于各個(gè)路段的交通流之間具有時(shí)間、空間上的關(guān)聯(lián)性,設(shè)預(yù)測(cè)模型的輸入數(shù)據(jù)集為Xt,則有

其中:i=1,2,···,p,p表示數(shù)據(jù)列數(shù),M表示數(shù)據(jù)采集間隔數(shù),xi,t表示第i個(gè)路段在t時(shí)刻的交通流量,Δt表示數(shù)據(jù)時(shí)間間隔.任意一個(gè)路段的下一時(shí)刻的流量由相鄰幾個(gè)路段當(dāng)前時(shí)刻和前M個(gè)時(shí)刻的交通流量數(shù)據(jù)來(lái)進(jìn)行預(yù)測(cè).假設(shè)輸入數(shù)據(jù)集通過(guò)DBN模型特征學(xué)習(xí)后的輸出向量為H,則有

其中Φ表示深度學(xué)習(xí)DBN網(wǎng)絡(luò)模型,Xd為按照式處理后的交通流數(shù)據(jù)集.

SVR是具有隱藏單元的非線性前饋網(wǎng)絡(luò),能夠?qū)崿F(xiàn)對(duì)時(shí)間序列的預(yù)測(cè)處理.所用非線性回歸函數(shù)如下:

其中K(xi,x)=(Φ(xi),Φ(x)) 為核函數(shù),為正分量值,b?為閾值,yi為訓(xùn)練集輸出值.

由此得出任意一個(gè)路段j在t+Δt時(shí)刻的交通流預(yù)測(cè)值為

其中f是支持向量機(jī)(SVR)預(yù)測(cè)模型,yd(j,t+Δt)為第j個(gè)路段在t+Δt時(shí)刻的交通流,j=1,2,···,p.

具體的交通流預(yù)測(cè)算法流程如下:

a)根據(jù)交通流數(shù)據(jù)的特征,由式(1)、(2)構(gòu)造輸入數(shù)據(jù)集Xt;

c)以Xd作為DBN網(wǎng)絡(luò)模型輸入進(jìn)行特征學(xué)習(xí),由式(3)得到交通流特征H;

d)以H為輸入,根據(jù)式(4),利用SVR預(yù)測(cè)模型進(jìn)行交通流數(shù)據(jù)預(yù)測(cè);

2.2 基于BP-BELM的短時(shí)交通流預(yù)測(cè)算法

本文提出了基于反向傳播的雙端超限學(xué)習(xí)機(jī)算法(BP-BELM),利用該算法對(duì)智能交通流數(shù)據(jù)進(jìn)行實(shí)時(shí)精準(zhǔn)預(yù)測(cè).該算法采用網(wǎng)絡(luò)余差反向傳播的方式計(jì)算部分隱含層節(jié)點(diǎn)的最優(yōu)參數(shù),以增強(qiáng)ELM算法的穩(wěn)定性.

如圖6所示,基于反向傳播的雙端超限學(xué)習(xí)機(jī)算法(BP-BELM)進(jìn)行隱含層節(jié)點(diǎn)數(shù)奇偶劃分,其節(jié)點(diǎn)參數(shù)通過(guò)網(wǎng)絡(luò)余差反向傳播的方式計(jì)算獲得.

圖6 基于反向傳播的雙端超限學(xué)習(xí)機(jī)算法流程圖Fig.6 Algorithm flow chart of back propagation bilateral extreme learning machine

第1步,神經(jīng)網(wǎng)絡(luò)初始化階段:令L=0,初始網(wǎng)絡(luò)誤差為E=Y,其中Y=[y1,y2,···,yN]T.

第2步,神經(jīng)網(wǎng)絡(luò)訓(xùn)練階段:當(dāng)L＜Lmax且時(shí),增加一個(gè)隱含層節(jié)點(diǎn)L:L=L+1;

若L=2n+1,n∈Z+;

a)隨機(jī)產(chǎn)生新增隱含層節(jié)點(diǎn)的輸出權(quán)值βL;

c)計(jì)算隱含層節(jié)點(diǎn)參數(shù):

e)根據(jù)最小二乘法計(jì)算更新后的新增隱含層節(jié)點(diǎn)的輸出權(quán)值:

f)計(jì)算神經(jīng)網(wǎng)絡(luò)在增加了第L個(gè)隱含層節(jié)點(diǎn)后的誤差:;

結(jié)束.

若L=2n,n∈Z+;

b)計(jì)算隱含層節(jié)點(diǎn)參數(shù):

d)根據(jù)最小二乘法計(jì)算更新新增隱含層節(jié)點(diǎn)的輸出權(quán)值:

e)計(jì)算神經(jīng)網(wǎng)絡(luò)在增加了第L個(gè)隱含層節(jié)點(diǎn)后的誤差:;

結(jié)束.

3 智能交通信息物理融合云控制系統(tǒng)調(diào)度

基于云控制系統(tǒng)理論中的預(yù)測(cè)控制思想,針對(duì)交通路網(wǎng)權(quán)值矩陣,根據(jù)前文提出的云端人工智能短時(shí)預(yù)測(cè)數(shù)據(jù),利用求解得到的最短路徑對(duì)用戶出行路徑進(jìn)行誘導(dǎo)規(guī)劃,結(jié)合交通流分配方法設(shè)計(jì)智能交通云控制系統(tǒng)預(yù)測(cè)調(diào)度方案,可實(shí)現(xiàn)對(duì)交通流的云端滾動(dòng)預(yù)測(cè)實(shí)時(shí)控制.

如圖7所示,圖中O到D的折線路徑是最短路徑.由于道路交通的時(shí)變特性,將交通流分配調(diào)控程序在云端進(jìn)行以5分鐘為間隔的循環(huán)更新運(yùn)算,保證最短路徑和交通流分配的實(shí)時(shí)性.交通阻抗作為交通流分配中的一項(xiàng)重要指標(biāo),直接影響道路出行者路徑的選擇和路網(wǎng)中流量的分配.路段阻抗函數(shù)可對(duì)交通阻抗進(jìn)行精確描述,是路段行駛時(shí)間與路段流量,交叉口延誤與交叉口流量之間的關(guān)系.在具體的流量分配過(guò)程中,交通阻抗是由路段行駛時(shí)間和交叉口延誤共同組成的.假設(shè)車(chē)輛通過(guò)一條路段,需要的出行時(shí)間即路段阻抗為t,則路段阻抗函數(shù)為:

其中,t0是零流阻抗,即路段流量為零時(shí)車(chē)輛行駛所需要的時(shí)間,za為路段a的分配交通量,ca為路段a能夠達(dá)到的最大分配交通量,即路段的通行能力,Ta為路口時(shí)間延誤值,Za為路段a的需求交通量.當(dāng)Za＜ca,該路段處于暢通狀態(tài),za=Za.當(dāng)ca＜Za≤2ca時(shí)道路進(jìn)入擁堵?tīng)顟B(tài),分配交通量za＜Za,超負(fù)荷運(yùn)行,車(chē)速下降.當(dāng)路段上實(shí)際車(chē)流量Za＞2ca時(shí),路段上實(shí)際分配交通量za=0,阻抗函數(shù)ta→∞.

道路擁堵時(shí),智能交通云控制系統(tǒng)實(shí)時(shí)尋優(yōu)得到最短路徑,誘導(dǎo)用戶按照最短路徑行走,在這里假設(shè)駕駛員根據(jù)路網(wǎng)的分配交通量選擇交通阻抗最小的路徑行駛.將特定擁堵路段的OD交通量合理地分配到連接該OD點(diǎn)對(duì)的最短路徑上,每個(gè)路段得到交通流分配值xa.

本文采用容量限制增量分配法進(jìn)行交通流分配,其主要思想是將OD交通量分成若干份,每次循環(huán)分配一份OD交通量到規(guī)定的最短路徑上,同時(shí)需更新各個(gè)路段的阻抗時(shí)間,然后重新計(jì)算各個(gè)OD點(diǎn)對(duì)間的最短路徑,再進(jìn)行下一份OD交通量分配.

容量限制增量分配算法步驟如下:

a)初始化,將交通量OD矩陣進(jìn)行適當(dāng)分割,分割次數(shù)為N,對(duì)任意的路段a,令;

c)用Floyd算法求出OD點(diǎn)對(duì)之間的最短路徑,用全有全無(wú)分配法將第k個(gè)OD交通流分割量分配到最短路徑上,累加各路段從該步分配得到的交通量,累加量記為;

e)判斷,如果k=N,則計(jì)算結(jié)束;反之令k=k+1,返回第b)步.

圖7 智能交通云控制系統(tǒng)預(yù)測(cè)調(diào)度示意圖Fig.7 Schematic diagram of prediction scheduling for intelligent transportation cloud control systems

4 仿真實(shí)驗(yàn)

在智能交通信息物理融合云控制系統(tǒng)關(guān)鍵技術(shù)仿真實(shí)驗(yàn)中,本地計(jì)算機(jī)選用4核CPU、最高主頻2.9GHz,8GB內(nèi)存的計(jì)算機(jī).云服務(wù)器選擇租用成熟的商業(yè)云服務(wù)器:北京三區(qū)、計(jì)算型C2、4核CPU、8GB內(nèi)存服務(wù)器,該云端服務(wù)器配置與本地仿真實(shí)驗(yàn)計(jì)算機(jī)配置一致、帶寬上限100Mpbs、系統(tǒng)選用Windows server 2012 R2標(biāo)準(zhǔn)版64位中文版.同時(shí)也可選用多臺(tái)服務(wù)器、提供多任務(wù)多種類運(yùn)行,選用的云服務(wù)器臺(tái)數(shù)越多,費(fèi)用越高.購(gòu)買(mǎi)的運(yùn)營(yíng)商服務(wù)器計(jì)算機(jī)類型最高配置可選為計(jì)算型C2、32核CPU、120GB內(nèi)存的計(jì)算服務(wù)器.計(jì)算型C2是高計(jì)算性能和高并發(fā)讀寫(xiě)應(yīng)用的最佳選擇.對(duì)信息傳輸?shù)蜁r(shí)延和傳輸量要求較高時(shí)可選用高I/O型I2服務(wù)器.該種服務(wù)器是高磁盤(pán)I/O的最佳選擇,提供每秒數(shù)萬(wàn)次低延遲性隨機(jī)I/O操作(IOPS),包轉(zhuǎn)發(fā)能力高達(dá)30萬(wàn)pps,可用于適合低時(shí)延I/O密集型應(yīng)用.

在短時(shí)交通流預(yù)測(cè)仿真實(shí)驗(yàn)中,我們采用美國(guó)加利福尼亞運(yùn)輸部的性能測(cè)試系統(tǒng)(即Caltrans PeMS數(shù)據(jù)庫(kù))數(shù)據(jù)來(lái)進(jìn)行實(shí)驗(yàn)驗(yàn)證.由于交通流數(shù)據(jù)具有很強(qiáng)的時(shí)間相關(guān)規(guī)律性,非周末和周末數(shù)據(jù)差異性極強(qiáng),為了充分有效驗(yàn)證本文提出的方法,我們選取十個(gè)不同的道路交通流檢測(cè)點(diǎn),Buena,Burbank,Commerce,Downey Glendale,La Mirada,Los Angeles,Norwalk,Santa Clarita和Santa Fe Springs.從2017年6月21號(hào)起到2017年7月12號(hào),采用每周三的數(shù)據(jù),每個(gè)檢測(cè)點(diǎn)共采集4組交通流數(shù)據(jù).每個(gè)檢測(cè)點(diǎn)每天的數(shù)據(jù)樣本數(shù)量為288個(gè),每個(gè)檢測(cè)點(diǎn)總體的數(shù)據(jù)為1152個(gè),整個(gè)數(shù)據(jù)集樣本量共11520個(gè).從Caltrans PeMS數(shù)據(jù)庫(kù)中我們能夠得到的交通流數(shù)據(jù)的最小采樣時(shí)間間隔為5min,本文中對(duì)采集的特定日期原始交通流數(shù)據(jù)進(jìn)行處理,形成以5min為采樣間隔的數(shù)據(jù)集作為智能預(yù)測(cè)模型的輸入輸出數(shù)據(jù)集,來(lái)驗(yàn)證預(yù)測(cè)算法的有效性.用前三組6月21號(hào)、6月28號(hào)和7月5號(hào)的共8640個(gè)交通流量的數(shù)據(jù)來(lái)對(duì)智能學(xué)習(xí)模型進(jìn)行訓(xùn)練,最后用訓(xùn)練好的智能學(xué)習(xí)模型來(lái)對(duì)7月12號(hào)的第四組2880個(gè)數(shù)據(jù)進(jìn)行預(yù)測(cè)驗(yàn)證.

圖8 DBN-SVR預(yù)測(cè)交通流與實(shí)際交通流的對(duì)比Fig.8 Comparison of DBN-SVR prediction traffic flow and actual traffic flow

4.1 基于DBN-SVR的短時(shí)交通流預(yù)測(cè)仿真

在云服務(wù)器和本地計(jì)算機(jī)Matlab 2014a環(huán)境中,DBN-SVR網(wǎng)絡(luò)模型的參數(shù)設(shè)置為:DBN模型中的RBM網(wǎng)絡(luò)層數(shù)為3層,每一層的節(jié)點(diǎn)數(shù)分別為4個(gè)、4個(gè)和2個(gè),對(duì)應(yīng)的權(quán)值的訓(xùn)練迭代次數(shù)都取10次.頂層預(yù)測(cè)模型SVR的核函數(shù)為RBF徑向基函數(shù),核函數(shù)參數(shù)g是16,懲罰因子c為11.3137.然后對(duì)交通流測(cè)試數(shù)據(jù)集進(jìn)行結(jié)果對(duì)比分析.云服務(wù)器仿真結(jié)果如圖8和圖9所示.本地運(yùn)行平均時(shí)間為8.5262s,在云端服務(wù)器的運(yùn)行時(shí)間是5.2758s.

圖9 DBN-SVR的預(yù)測(cè)誤差Fig.9 Predicted error with DBN-SVR

圖10 BP-BELM預(yù)測(cè)交通流與實(shí)際交通流的對(duì)比Fig.10 Comparison of BP-BELM prediction traffic flow and actual traffic flow

4.2 基于BP-BELM的短時(shí)交通流預(yù)測(cè)仿真

為了檢驗(yàn)BP-BELM算法的性能,本節(jié)通過(guò)對(duì)交通數(shù)據(jù)集進(jìn)行訓(xùn)練和預(yù)測(cè).所有的測(cè)試結(jié)果使用sigmoid函數(shù),對(duì)交通流極限學(xué)習(xí)訓(xùn)練數(shù)據(jù)集的輸入與輸出數(shù)據(jù)進(jìn)行[0,1]歸一化處理,云服務(wù)器仿真結(jié)果如圖10和圖11所示.

BP-BELM短時(shí)交通流預(yù)測(cè)仿真實(shí)驗(yàn)在本地運(yùn)行平均時(shí)間為0.6268s,在云端服務(wù)器的運(yùn)行時(shí)間是0.3467s.云端服務(wù)器仿真實(shí)驗(yàn)運(yùn)行時(shí)間明顯降低,數(shù)據(jù)計(jì)算能力明顯強(qiáng)于本地.

圖11 BP-BELM的預(yù)測(cè)誤差Fig.11 Predicted error with BP-BELM

4.3 預(yù)測(cè)誤差分析及對(duì)比分析

對(duì)于本文研究的智能交通云控制信息物理融合系統(tǒng)中的短時(shí)交通流DBN-SVR模型和BP-BELM模型預(yù)測(cè)結(jié)果,分別計(jì)算兩種預(yù)測(cè)模型的均方誤差和平均絕對(duì)百分比誤差,

以上兩式中,yi表示的是某一時(shí)刻的實(shí)際交通流值,表示對(duì)應(yīng)時(shí)刻的預(yù)測(cè)值.對(duì)兩種預(yù)測(cè)模型的性能進(jìn)行分析比較并且與目前最新的交通流預(yù)測(cè)長(zhǎng)短時(shí)記憶(Long short-term memory,LSTM)方法[31]進(jìn)行對(duì)比分析,結(jié)果如表1所示.

表1 三種預(yù)測(cè)模型的性能比較Table 1 Performance comparison of three prediction models

根據(jù)圖9和圖11的對(duì)比,可知DBN-SVR模型的智能交通流預(yù)測(cè)精確度較高,方差后期波動(dòng)范圍較小.BP-BELM 模型前期預(yù)測(cè)準(zhǔn)確度低,前期的預(yù)測(cè)值與實(shí)際值的差距很大,預(yù)測(cè)誤差波動(dòng)范圍大.對(duì)于大規(guī)模交通流數(shù)據(jù),DBN-SVR模型比BP-BELM模型有更優(yōu)的預(yù)測(cè)效果.

本文選取對(duì)比的LSTM預(yù)測(cè)方法,對(duì)于本實(shí)驗(yàn)的數(shù)據(jù)集效果較差,平均百分比方差太大.且由于短時(shí)交通流數(shù)據(jù)的采樣頻率高,實(shí)驗(yàn)所用數(shù)據(jù)集中的數(shù)據(jù)個(gè)數(shù)多,要求LSTM算法的輸入節(jié)點(diǎn)個(gè)數(shù)為846個(gè),輸出節(jié)點(diǎn)的個(gè)數(shù)為288個(gè),參數(shù)調(diào)節(jié)難度大,云端計(jì)算時(shí)間為512.1125s.

另外在研究過(guò)程中,對(duì)智能交通系統(tǒng)中的單個(gè)檢測(cè)點(diǎn)的小樣本交通流數(shù)據(jù)進(jìn)行準(zhǔn)確預(yù)測(cè)研究時(shí),我們同樣得到了相關(guān)結(jié)果:DBN-SVR模型對(duì)于單個(gè)節(jié)點(diǎn)小樣本交通流數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí)效果較差,預(yù)測(cè)誤差較大,然而B(niǎo)P-BELM 模型對(duì)單個(gè)節(jié)點(diǎn)小樣本交通流數(shù)據(jù)進(jìn)行預(yù)測(cè)準(zhǔn)確度極高,預(yù)測(cè)誤差很小.因此,綜合考慮智能交通云控制系統(tǒng)中的交通流預(yù)測(cè)研究,對(duì)多個(gè)檢測(cè)節(jié)點(diǎn)的大樣本數(shù)據(jù)可采用DBN-SVR模型進(jìn)行準(zhǔn)確預(yù)測(cè),對(duì)精確的單個(gè)檢測(cè)節(jié)點(diǎn)的小樣本數(shù)據(jù)可采用BP-BELM模型進(jìn)行準(zhǔn)確預(yù)測(cè),兩種智能機(jī)器學(xué)習(xí)算法并行使用,互相協(xié)同配合,保障智能交通云控制系統(tǒng)的良好運(yùn)行.

4.4 智能交通流預(yù)測(cè)調(diào)度仿真

在智能交通云控制系統(tǒng)交通流預(yù)測(cè)調(diào)控仿真實(shí)驗(yàn)中,在租用的云服務(wù)器上對(duì)預(yù)測(cè)交通流分配問(wèn)題進(jìn)行仿真驗(yàn)證.數(shù)據(jù)采用城市道路交通模擬數(shù)據(jù),交通網(wǎng)絡(luò)選取83個(gè)道路節(jié)點(diǎn),給定道路節(jié)點(diǎn)分布位置.設(shè)置城市高速路容量35000輛/小時(shí),城市快速路容量25000輛/小時(shí),城市四車(chē)道容量10000輛/小時(shí),城市二車(chē)道容量6500輛/小時(shí),城市郊區(qū)三級(jí)公路容量1550輛/小時(shí).

圖12中最窄寬度路段表示交通流量較少,通行狀況良好;寬度增加路段表示交通流量增多,通行狀況一般;較寬路段表示交通流量較大,通行存在擁堵;達(dá)到寬度上限路段表示交通流量飽和,通行擁堵嚴(yán)重;最寬路段表示交通流量嚴(yán)重超負(fù)荷,不可通行.

另外,交通網(wǎng)絡(luò)連接路段線條的粗細(xì)代表車(chē)流量的多少.由圖可看出,節(jié)點(diǎn)13到節(jié)點(diǎn)31的路段擁堵嚴(yán)重,節(jié)點(diǎn)52到節(jié)點(diǎn)57路段交通流超出承受量,不可通行.

接下來(lái)考慮預(yù)測(cè)的擁堵路段交通流量,建立新的OD交通量分配矩陣,利用容量限制增量分配法進(jìn)行流量分配.先將OD交通量進(jìn)行N=62次分割,然后利用Floyd算法求出任意兩點(diǎn)間的最短路徑,最后逐點(diǎn)按照全有全無(wú)方法進(jìn)行交通流分配.智能交通云端交通流調(diào)度分配結(jié)果如圖13所示.從圖中可看出節(jié)點(diǎn)13到節(jié)點(diǎn)31擁堵路段和節(jié)點(diǎn)52到節(jié)點(diǎn)57擁堵路段消失,路網(wǎng)交通流得到了有效調(diào)度.

圖12 交通擁堵仿真結(jié)果Fig.12 Simulation result of traffic jams

圖13 交通流增量分配后仿真結(jié)果Fig.13 Simulation result after incremental traffic flow assignment

5 結(jié)束語(yǔ)

本文對(duì)智能交通信息物理融合云控制系統(tǒng)的結(jié)構(gòu)和核心技術(shù)進(jìn)行了設(shè)計(jì)分析,探討了云控制技術(shù)在智能交通信息系統(tǒng)中的應(yīng)用模式,推廣了云控制技術(shù)在智能交通領(lǐng)域的應(yīng)用示范.利用深度學(xué)習(xí)和超限學(xué)習(xí)預(yù)測(cè)算法,對(duì)含有大量交通檢測(cè)節(jié)點(diǎn)的整體路網(wǎng)交通流進(jìn)行準(zhǔn)確預(yù)測(cè),對(duì)交通擁堵?tīng)顩r進(jìn)行預(yù)判.利用交通流分配算法對(duì)交通流進(jìn)行智能優(yōu)化調(diào)度,可改善各交通道路的運(yùn)行擁堵?tīng)顩r.另外,智能學(xué)習(xí)算法和交通流調(diào)度策略在資源優(yōu)化整合的智能交通云端運(yùn)行,避免了傳統(tǒng)智能交通設(shè)備的計(jì)算存儲(chǔ)局限性,可預(yù)防設(shè)備故障,并節(jié)約智能交通系統(tǒng)建設(shè)和維護(hù)成本.事實(shí)上,當(dāng)前云控制技術(shù)還在發(fā)展階段,本文提出的智能交通信息物理融合云控制系統(tǒng)是云控制技術(shù)的初步應(yīng)用,如何對(duì)復(fù)雜交通數(shù)據(jù)在云端進(jìn)行高效的分類處理,得到最優(yōu)的智能交通實(shí)時(shí)云控制方案,仍然是智能交通信息物理融合云控制系統(tǒng)研究需要解決的技術(shù)難點(diǎn).