摘? 要： 傳統(tǒng)的智能配時(shí)方法在解決城市復(fù)雜軌道交通信號(hào)配時(shí)問(wèn)題時(shí)，存在時(shí)間延誤、實(shí)際應(yīng)用能力差的問(wèn)題。為了解決上述問(wèn)題，以仿真方法研究了一種新的城市復(fù)雜軌道交通信號(hào)智能配時(shí)方法。在Hopfield模型的基礎(chǔ)上建立雙層反饋網(wǎng)絡(luò)，通過(guò)雙層反饋網(wǎng)絡(luò)計(jì)算出車(chē)輛延誤值、飽和流量值，進(jìn)而開(kāi)發(fā)出能量函數(shù)，根據(jù)開(kāi)發(fā)的能量函數(shù)對(duì)雙層反饋網(wǎng)絡(luò)進(jìn)行智能優(yōu)化，優(yōu)化過(guò)程包括交通數(shù)據(jù)采集、飽和度計(jì)算、優(yōu)化計(jì)算、結(jié)果處理、結(jié)果發(fā)送五步。通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了設(shè)計(jì)的智能配時(shí)方法的性能，結(jié)果表明，給出的配時(shí)方法可以很好地解決時(shí)間延誤的問(wèn)題，并且可以針對(duì)具體情況進(jìn)行調(diào)試。

關(guān)鍵詞： 人工智能; 城市復(fù)雜軌道; 交通信號(hào); 智能配時(shí); Hopfield模型; 雙層反饋網(wǎng)絡(luò)

中圖分類(lèi)號(hào)： TN911.7?34; TP18? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2020）21?0080?05

Simulation of intelligent time distribution method for urban complex rail transit signals

PANG Yanzhi

（Nanning University， Nanning 530200， China）

Abstract： Time delay occurs when the traditional intelligent time distribution method is used for the time distribution of urban complex rail transit signals. Therefore， the performance of practical application is poor. In view of the above， a new intelligent time distribution method for urban complex rail transit signals is studied by simulation method. A double?layer feedback network is established on the basis of Hopfield model. The vehicle delay value and saturated flow value are calculated by the double?layer feedback network， so as to develop the energy function. According to the developed energy function， the double?layer feedback network is intelligently optimized. The optimization process includes five steps， named traffic data collection， saturation calculation， optimization calculation， result processing and result sending. The performance of the designed intelligent time distribution method is verified by simulation experiments. The results show that the proposed time distribution method can avoid the time delay and can be used for debugging as specific conditions.

Keywords： artificial intelligence; urban complex track; traffic signal; intelligent time distribution; Hopfield model; double?layer feedback network

0? 引? 言

道路交通擁堵導(dǎo)致的各種交通事故層出不窮，汽車(chē)尾氣排放引起的環(huán)境污染問(wèn)題也日益引起人們的關(guān)注[1]。如今大多數(shù)地區(qū)與國(guó)家正在逐漸尋找治理方案，引起交通不暢問(wèn)題的原因主要是交通指揮問(wèn)題，而非單純的道路狀況。如今交通信號(hào)燈缺乏智能化的特性，無(wú)法有效地發(fā)揮交通通信控制裝備的性能，由此，城市交通的智能化系統(tǒng)控制便成了一個(gè)重要的發(fā)展趨勢(shì)，同時(shí)也構(gòu)成了智能運(yùn)輸系統(tǒng)[2]。

近年以來(lái)，對(duì)城市交通控制方面的研究成果日益增多，傳統(tǒng)的研究方法一般為建立城市交通控制系統(tǒng)的數(shù)學(xué)模型，并進(jìn)一步進(jìn)行最優(yōu)控制，如今應(yīng)用較為廣泛的系統(tǒng)分別為SCOOT和TRANSYT，基本建模原理為統(tǒng)計(jì)式與算法相結(jié)合[3]。由于城市交通系統(tǒng)結(jié)構(gòu)較為復(fù)雜，因此，無(wú)法有效建立交通系統(tǒng)控制數(shù)理模型，并且現(xiàn)今的智能控制算法僅僅處于理論研究階段，無(wú)法有效應(yīng)用于實(shí)踐控制領(lǐng)域[4]。

神經(jīng)網(wǎng)絡(luò)方面的研究成果也不斷增加，并被廣泛應(yīng)用于眾多領(lǐng)域之中，Hopfield作為一種系統(tǒng)較為完善的神經(jīng)網(wǎng)絡(luò)，被應(yīng)用于優(yōu)化實(shí)踐中，但由于其是單層反饋的網(wǎng)絡(luò)結(jié)構(gòu)，依舊無(wú)法較好地應(yīng)用于交通控制系統(tǒng)中[5]。Hopfield神經(jīng)網(wǎng)絡(luò)可從其能量函數(shù)的反饋理論中獲取所需要的信息，本文依據(jù)神經(jīng)網(wǎng)絡(luò)對(duì)Hopfield進(jìn)行有效的方法改進(jìn)，將其單層網(wǎng)絡(luò)結(jié)構(gòu)拓展為雙層網(wǎng)絡(luò)結(jié)構(gòu)，并將其有效應(yīng)用于道路口交通控制信號(hào)智能配時(shí)優(yōu)化系統(tǒng)中。

4） 總結(jié)所得計(jì)算結(jié)果，并加工處理;

5） 將所得最終數(shù)據(jù)移入交通控制信號(hào)裝置中。

4? 仿真實(shí)驗(yàn)

4.1? 仿真對(duì)象設(shè)置研究

將廣東省江門(mén)市某條交通道路口作為仿真實(shí)驗(yàn)的研究對(duì)象，由于該路段為過(guò)境公路，在其區(qū)域經(jīng)濟(jì)發(fā)展及城市擴(kuò)建的過(guò)程中成為一條除過(guò)境公路功能外較為重要的交通路線。

仿真對(duì)象為較為典型的十字型平面路口，交通信號(hào)控制運(yùn)用四相位控制，并在每個(gè)相位中穿插兩條交通流道路，進(jìn)行右轉(zhuǎn)方向控制。四車(chē)道交叉路口平面圖如圖5所示。

連續(xù)6天對(duì)該路口的交通量進(jìn)行調(diào)查，調(diào)查的時(shí)間區(qū)間為7： 00 am—9： 00 pm，每5 min記錄一次機(jī)動(dòng)車(chē)數(shù)據(jù)。對(duì)調(diào)查數(shù)據(jù)進(jìn)行匯總記錄如表1所示。

將所有的不同車(chē)輛折算，記錄成“標(biāo)準(zhǔn)小客車(chē)單位”，并對(duì)數(shù)據(jù)進(jìn)行折算，得到的信號(hào)相位圖如圖6所示。

4.2? 仿真計(jì)算及分析

為了驗(yàn)證本文方法的有效性，對(duì)比本文研究的交通信號(hào)智能配時(shí)方法與傳統(tǒng)的單個(gè)交叉路口的交通優(yōu)化控制方法。其運(yùn)用的主要方法如下：

1） 車(chē)輛感應(yīng)控制：此方法首先進(jìn)行系統(tǒng)在線檢測(cè)，測(cè)量出各個(gè)道路交叉路口的交通狀況信息，并根據(jù)所得的數(shù)據(jù)進(jìn)行延長(zhǎng)綠燈相位或切換相位的判斷。該方法應(yīng)用較為流行廣泛，并且是一種較為成熟的交通控制方法。

2） 自尋優(yōu)控制：在本文方法中，將不同的控制器參數(shù)與時(shí)刻變化的交通狀況進(jìn)行自動(dòng)匹配。每個(gè)匹配周期內(nèi)都將進(jìn)行相位順序的調(diào)整及相位綠燈信號(hào)比率的調(diào)配。該方法的關(guān)鍵點(diǎn)在于延長(zhǎng)相位綠燈并獲取預(yù)期收益，其在相關(guān)相位上產(chǎn)生的損失可以經(jīng)過(guò)合理的計(jì)算被有效延長(zhǎng)，反之則需要切換至相應(yīng)相位的綠燈中。其主要步驟如圖7所示。

1） 檢測(cè)交通路口的交通流信息;

2） 估計(jì)同類(lèi)別的車(chē)輛數(shù)量;

3） 根據(jù)所得數(shù)據(jù)計(jì)算性能指標(biāo)值;

4） 對(duì)以上步驟進(jìn)行判斷并執(zhí)行。

對(duì)當(dāng)前相位值進(jìn)行設(shè)定，則性能指標(biāo)函數(shù)用[Q]表示，根據(jù)相位綠燈延時(shí)[Δt]計(jì)算相位方向帶來(lái)的益處[G]和對(duì)應(yīng)的損失值[L]，計(jì)算公式為：

[Q=G-L] （5）

在計(jì)算相位綠燈延時(shí)[Δt]對(duì)相位方向帶來(lái)的益處和損失值時(shí)，要參考大型車(chē)、中型車(chē)、小型車(chē)、摩托車(chē)和行人通過(guò)量。

在分析相位時(shí)需要判斷延長(zhǎng)時(shí)間是否準(zhǔn)確。如果[Q>0]，設(shè)置延長(zhǎng)數(shù)據(jù)中的相位，參考相對(duì)原則，設(shè)置的相位為綠時(shí)，反之，調(diào)節(jié)至其他相位。

采用Matlab再次進(jìn)行開(kāi)發(fā)，并得到仿真結(jié)果，為了使結(jié)果更加準(zhǔn)確，對(duì)最小周期值和最大周期值進(jìn)行設(shè)定，設(shè)置最小的周期值為50 s，最大的周期值為80 s，紅綠燈顯示的最小綠燈時(shí)間為20 s，最大紅燈時(shí)間設(shè)置為60 s，其中，黃燈的出現(xiàn)時(shí)間設(shè)置為1 s。最終獲取的實(shí)驗(yàn)仿真結(jié)果如表2所示。

由表2數(shù)據(jù)可知，本文設(shè)計(jì)的基于雙層反饋網(wǎng)絡(luò)智能優(yōu)化配時(shí)方法能夠在較大程度上降低車(chē)輛通行路口時(shí)的平均延誤時(shí)長(zhǎng)，可進(jìn)一步依據(jù)實(shí)際發(fā)展?fàn)顩r對(duì)優(yōu)化后的結(jié)構(gòu)進(jìn)行修改，確保配時(shí)的合理性。

5? 結(jié)? 論

本文通過(guò)上述討論，可得如下結(jié)論：

1） 與傳統(tǒng)的優(yōu)化配時(shí)方法相比，本文采用了具有雙層反饋網(wǎng)絡(luò)結(jié)構(gòu)的智能優(yōu)化配置方法，可以較好地減少交通交叉路口車(chē)輛通行過(guò)程中所產(chǎn)生的平均延誤時(shí)間，交叉路口車(chē)輛延誤減少的平均數(shù)值為16%。在一定程度上影響了車(chē)輛的通行效率并提升了路口信號(hào)設(shè)備與交通道路匹配程度。

2） 在本文優(yōu)化匹配計(jì)算中，如何確定約束的條件較為重要，并對(duì)計(jì)算結(jié)果具有深刻的影響。

3） 本文研究的雙層反饋神經(jīng)網(wǎng)絡(luò)也可對(duì)其他不同類(lèi)別的情況進(jìn)行系統(tǒng)優(yōu)化。

4） 在當(dāng)代社會(huì)中，城市交通控制的研究日益增加，本課題組也在不斷加深對(duì)此方面的研究分析，由于雙層反饋網(wǎng)絡(luò)能夠合理運(yùn)用于道路交通口，因此，其在交通控制領(lǐng)域的作用也不容小覷。

道路交通控制信號(hào)的智能化研究對(duì)于道路交通的發(fā)展?fàn)顩r具有重大影響，可以進(jìn)一步優(yōu)化人們的出行，并進(jìn)一步對(duì)城市的發(fā)展起著較為深刻的作用。但在研究過(guò)程中需要進(jìn)一步克服研究對(duì)象本身存在的復(fù)雜性特點(diǎn)，提供更好的研究結(jié)果，促進(jìn)社會(huì)的發(fā)展。

參考文獻(xiàn)

[1] 韋清波，何兆成，鄭喜雙，等.考慮多因素的城市道路交通擁堵指數(shù)預(yù)測(cè)研究[J].交通運(yùn)輸系統(tǒng)工程與信息，2017，17（1）：74?81.

[2] 丁海鷹.基于出租車(chē)車(chē)載定位數(shù)據(jù)挖掘下智能化城市交通系統(tǒng)的應(yīng)用[J].自動(dòng)化與儀器儀表，2018（9）：177?179.

[3] 王浩，王紅彩.城市交通協(xié)調(diào)控制系統(tǒng)的相位相序優(yōu)化設(shè)計(jì)[J].中國(guó)科技論文，2017，12（8）：941?945.

[4] 李穎宏，潘佳琪.基于Optima的實(shí)時(shí)在線交通流預(yù)測(cè)方法研究[J].交通運(yùn)輸系統(tǒng)工程與信息，2017，17（2）：119?125.

[5] 丁肅然.基于小波神經(jīng)網(wǎng)絡(luò)模型的短時(shí)交通流低頻數(shù)據(jù)的預(yù)測(cè)[J].技術(shù)與市場(chǎng)，2017，24（11）：80?81.

[6] 魏化永.基于模糊控制算法的城市軌道交通信號(hào)控制系統(tǒng)設(shè)計(jì)分析[J].許昌學(xué)院學(xué)報(bào)，2018（6）：73?76.

[7] 夏新海，許倫輝.引入MARKOV過(guò)程預(yù)測(cè)的強(qiáng)化學(xué)習(xí)下的城市交叉口自適應(yīng)交通信號(hào)配時(shí)決策[J].公路工程，2018，43（1）：149?153.

[8] 羅蘭花，梁海英，任子亭.基于改進(jìn)蟻群算法的網(wǎng)絡(luò)能量平衡路由策略[J].機(jī)械設(shè)計(jì)與制造，2017（11）：238?241.

[9] 李晉，周曦，周翔，等.基于雙層異構(gòu)深度神經(jīng)網(wǎng)絡(luò)模型的人臉識(shí)別關(guān)鍵技術(shù)研究[J].電信工程技術(shù)與標(biāo)準(zhǔn)化，2017，30（6）：24?29.

[10] 沈家軍，王煒.沖突強(qiáng)度最小時(shí)城市道路交叉口的信號(hào)配時(shí)[J].揚(yáng)州大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，16（1）：75?78.

[11] 王敏，趙金宇，陳濤，等.基于能量函數(shù)的極值中值濾波星圖去噪算法[J].電子與信息學(xué)報(bào)，2017，39（6）：1387?1393.

[12] 劉驍，譚澤飛，陳濤.過(guò)飽和交叉口信號(hào)配時(shí)方法的優(yōu)化及實(shí)證研究[J].科學(xué)技術(shù)與工程，2018，13（9）：2604?2606.

[13] 王秀旺，毛新娜.優(yōu)化交通信號(hào)配時(shí)緩解城市交通擁堵[J].大學(xué)數(shù)學(xué)，2012，28（3）：87?91.

作者簡(jiǎn)介：龐彥知（1982—），女，河北衡水人，研究生，工程師，主要從事城市軌道交通、高速鐵路、交通運(yùn)輸方向的研究工作。