肖權珈 楊 杰 任紹坤 楊錦濤

(中南大學,湖南 長沙410083)

1 研究現(xiàn)狀

在交通擁堵優(yōu)化方面,主要從以下幾個角度做了重點研究。

1.1 城市規(guī)劃角度,如：交叉口合流沖突點改進[1]通過設置立交橋、人行通道,加強交通管理,優(yōu)化公交站臺等方式,可以有效的解決合流、分流路口的嚴重沖突問題；或者適當控制城市擴規(guī)模,適當發(fā)展衛(wèi)星城[2]著重利用衛(wèi)星城來疏解大規(guī)模城市的部分功能。尤其分擔大城市的交通壓力。

1.2 從交通控制角度：基于人車流量組合來控制紅綠燈[3]即將攝像或影像采集設備所接受到的實時交通信息,包括人流、車流、障礙物等信息傳遞到數(shù)據(jù)計算終端,通過數(shù)據(jù)模型計算和遠期評估,確定不同道路區(qū)域的人流量和車流量。并結合現(xiàn)場人流車流的情況以及通行速度,預估各個路口所需的通行時間,并確定整體的最優(yōu)通行策略,從而形成不同人流量和車流量的路口,分配不同的紅綠燈通行時間,確保道路通行順暢,提升道路通行效率。

1.3 根據(jù)公交流,應用BP 神經(jīng)網(wǎng)絡預測城市短時交通流量。[4]另外可以運用物聯(lián)網(wǎng)技術的應用[5],即通過車聯(lián)網(wǎng)技術的應用,使得車輛及時通過車載設備及顯示終端,獲取云數(shù)據(jù)平臺所展現(xiàn)并計算的路況和通行信息,保證出行車輛及人員能夠合理規(guī)劃自身的出行方案,縮短出行的時間,提升出現(xiàn)效率,并且也能夠避免某個城市點位的大量擁堵產(chǎn)生。

2 道路擁堵解決方案

2.1 數(shù)據(jù)處理

對車流量進行預測依據(jù)的交通數(shù)據(jù)分為兩種：

2.1.1 歷史的交通數(shù)據(jù)。對歷史交通數(shù)據(jù)進行預處理后,再進行分析,可以得到路口的擁堵時段以及車流量規(guī)律等信息。基于歷史交通數(shù)據(jù),進行初步預測。

2.1.2 路口實時采集的交通數(shù)據(jù)。我們根據(jù)路口實時采集的信息,可以對初步的預測結果進行修正。以上兩種不同來源交通大數(shù)據(jù)具有共同特點。按相關交通數(shù)據(jù)的類型和采集方式的不同,可以形成比較規(guī)范的數(shù)據(jù)集,主要包括：長期交通流量數(shù)據(jù)、瞬時交通車流數(shù)據(jù)、道路最大承載能力數(shù)據(jù)、通行時長數(shù)據(jù)、交通指示指令數(shù)據(jù)以及交通調度服務數(shù)據(jù)等；交通流量數(shù)據(jù)的重要參數(shù)包括：速度、流量、密度、起止時間、時間平均速度、空間平均速度等；

由于各種原因,如設備老化,道路結構破壞等,使得我們采集的數(shù)據(jù)常常出現(xiàn)異常值、冗余值、缺失值等等錯誤數(shù)據(jù)；而且在實際監(jiān)測過程中也會出現(xiàn)數(shù)據(jù)丟失或者數(shù)據(jù)冗余的情況,所以需要進行數(shù)據(jù)清洗。

使用低階多項式滑動擬合法來識別錯誤數(shù)據(jù)：

時間序列表示為x(t)(t=1,2,3……n),則擬合多項式為m 階自回歸多項式：

以上滑動擬合并識別錯誤數(shù)據(jù)的主要方法是通過測算數(shù)學期望值,并評估置信度來判斷數(shù)據(jù)是否符合置信度區(qū)間,并確定數(shù)據(jù)的錯誤與否。以時間序列進行計算X∧i,以及數(shù)學期望ζ=Xi-X∧i,錯誤數(shù)據(jù)與正常數(shù)據(jù)相比,它的信息值比正常值大的多,使用公式：

以低階多項式來大致判斷錯誤數(shù)據(jù),為了簡化過程我們把所有錯誤數(shù)據(jù)剔除,然后結合該道路的路段信息,如路況、限速等,就可以由交通流量數(shù)據(jù)中的時間平均速度,實時判斷該路段是否發(fā)生擁堵。

2.2 BP 神經(jīng)網(wǎng)絡預測模型

BP 神經(jīng)網(wǎng)絡是目前應用最廣泛的一種人工神經(jīng)網(wǎng)絡之一,它是一種多層前饋網(wǎng)絡,包含輸入層、隱含層和輸出層,同層單元之間不相連,它在輸入層和輸出層之間可有一個或多個隱含層。

從輸入層的特征來看,輸入層的神經(jīng)元主要是根據(jù)樣本的不同屬性和類型綜合確定神經(jīng)元緯度,輸入層要確保充分考慮到所有數(shù)據(jù)緯度及相關屬性的準確性。從隱藏層的特征來看,隱藏層主要是由用戶提供的數(shù)據(jù)閾值及相關條件組成,隱藏層作為重要的限制條件,能夠改變神經(jīng)元的活性,保證預測模型的靈活性和可變性。前一層神經(jīng)元和后一層神經(jīng)元之間有權值。每個神經(jīng)元都有輸入和輸出。輸入層的輸入和輸出都是訓練樣本的屬性值。

BP 神經(jīng)網(wǎng)絡的結構較為簡單、易于硬件實現(xiàn)、并且工作狀態(tài)穩(wěn)定,有許多優(yōu)點。包括有自學習與自適應能力,可以簡化預測難度以及實現(xiàn)對大量數(shù)據(jù)進行處理等。交通數(shù)據(jù)非常龐大,BP 神經(jīng)網(wǎng)絡能達到對大量且復雜的數(shù)據(jù)的一個較為精確的處理。因此,選用BP 神經(jīng)網(wǎng)絡進行預測。

2.3 存儲一轉發(fā)模型(TUC 策略)

根據(jù)基本的存儲一轉發(fā)模型來進行車輛調度,就是當車輛按照既有的路線行進時,如果道路中的實際車流量超過該段道路所能承載的最大車流量(飽和值),車輛就需要提前停止行進并在相應路口等待,直到當前方道路車流量恢復平穩(wěn)或者能接受新入車輛后,等待路口的交通信號燈再做出改變,引導車流通行。

從實際看,存儲- 轉發(fā)模型是一個相對簡單的交通模型,通過存儲- 轉發(fā)的機制,將道路和車流調配分解為兩個簡單的節(jié)點,在運用此模型時,我們假定建輸出流為u,如果道路路況及車流都能滿足相應條件,輸出流u 在某一個時間段內可以使用下邊的公式表示：

S 為相關道路中的最大車流承載能力和承載量,G 是可通行的交通信號燈持續(xù)時間,C 是相應路口紅綠燈所需的一個周期時間。由于每個階段時間T 應該與離散時間C 相等。u 為在每個階段時間T 中的平均車流量,而不是在紅燈時間的0 或者綠燈時間的飽和車流量S。換句話說,假設每個車道車流量是連續(xù)不間斷的,從存儲- 轉發(fā)模型可以得出以下結論:

(1)每個階段時間T 應該與離散時間C 相等。

(2)沒有描述紅燈時間或者綠燈時間車輛排隊情況。

(3)不能連貫的表示每個十字路口每個相位的情況。

當然,為了避免這些沖突和復雜情況的出現(xiàn),一些非線性規(guī)劃、二次規(guī)劃等高效優(yōu)化方法也應運而生,并可通過這些方法來協(xié)調復雜的交通網(wǎng)絡問題。

3 交通擁堵優(yōu)化實現(xiàn)

在實現(xiàn)之前,定義了一部分假設,而這些假設都是在道路中車輛不飽和的情況下存在的,得到的綠燈時間是基于歷史需求而得出的。通過綠燈時間來控制網(wǎng)絡達到最優(yōu)狀態(tài)并且道路中車輛排隊數(shù)量為零。然而,在現(xiàn)實中,車輛的數(shù)目是動態(tài)改變的。所以,如何確定綠色時間的值可能是最優(yōu),并且可以控制交通情況比較惡劣的交通狀況。

通過LQ 方法來實現(xiàn)最小化性能標準,LQ 方法的控制法則為:

g (k) = gn-L. x ( k )

通過實驗模擬及數(shù)據(jù)仿真可以得出,增益矩陣L 對道路車流量數(shù)據(jù)變化所產(chǎn)生的變化較小,相應敏感度角度,尤其是在轉彎率與最大飽和流量變化時更加明顯。gN 為理想狀態(tài)下假設的最優(yōu)時間。L 為常量反饋增益矩陣,L 是由A, B, Q, R 共同決定的,矩陣的規(guī)范如下:

(1)控制間隔：在選取并存儲- 轉發(fā)策略時,根據(jù)實際需要,應該對每個控制點的時間進行規(guī)范和控制,無論是控制時間間隔太長或者太短,都不利于得出精確結果。因此結合大多數(shù)路口及城市實際交通控制情況,將時間間隔設置為90 秒。

(2)道路的數(shù)量：交通網(wǎng)絡中道路的數(shù)量對TUC 策略中LQ方法的應用產(chǎn)生影響。

(3) 相位：交通網(wǎng)絡中十字路口的相位對TUC 策略中LQV方法的應用具體重要影響。

(4)每個道路的v：以四個相位的十字路口為例,駛入與駛出相同路口的車流導向圖也具備相同的規(guī)律。(如圖1、圖2)

圖1 駛入道路Z 的車流導向

圖2 駛出道路z 的車流導向圖

(5)每個道路的S：測算道路的飽和流量,一般需要結合實際路段的特定情況,包括限制車速、道路寬度、道路長度、當?shù)氐膱?zhí)行標準等得出。

(6)t：這里是指每個道路路口車輛的轉彎率,按照相關設定以及實際道路通行的情況看,此數(shù)據(jù)對LQ 方法應用具有較大影響。

(7)R:R=rI,由試錯法得出,我們取r=0.00050。

(8)Q:Q 是考慮到每個鏈路上車速不同,長度不同而提出的因子,致使每個鏈路都達到最優(yōu),Q 的取值為對角線為每條鏈路的最大值的倒數(shù),其他元素都是0 的矩陣。

由于gN為理想狀態(tài)下假設的最優(yōu)時間,所以可列公式:

g ( k ) = g ( k - 1) - L *[ x (k ) - x( k-1)]

g(k-1)為k-1 階段有效綠燈時間,x(k-1)為k-1 階段道路中的車輛數(shù),g(k)為k 階段有效綠燈時間,x(k)為階段道路中的車輛數(shù),L 為狀態(tài)反饋矩陣。

4 結論

智慧城市是未來城市發(fā)展的趨勢,而智能交通是智慧城市的一個重要組成部分,也是一個研究的熱點。以計算機技術為主,綜合了交通學科的相關理論。運用互聯(lián)網(wǎng)+的思維,為傳統(tǒng)的交通領域賦能。通過運用了神經(jīng)網(wǎng)絡進行預測,與傳統(tǒng)的預測方法相比較,對信息源準確度要求不高,有較好的容錯能力。與以往的交通調控相比,加入了用戶與交通控制系統(tǒng)之間的“互動”,形成一個正反饋機制,并將大數(shù)據(jù)技術結合交通領域相關知識,對信號優(yōu)化和路徑規(guī)劃都建立了相關的模型,在智能交通方向做了一些探索,且成果也可運用到無人駕駛系統(tǒng)中去。