程宇陽(yáng) 周丙濤* 施成熙

（湖北民族大學(xué) 新材料與機(jī)電工程學(xué)院，湖北 恩施 445000）

1 概述

隨著我國(guó)人民日常出行水平的不斷提高，最近幾年我國(guó)汽車銷量總體呈現(xiàn)大幅度上升趨勢(shì)。機(jī)動(dòng)車數(shù)量急劇增長(zhǎng)，帶來(lái)交通擁堵、交通事故、尾氣排放增加和能耗增多等一系列影響，因此交通擁堵成為了一個(gè)日漸嚴(yán)重的問(wèn)題，尤其是城市多向交通路口的擁堵，綠時(shí)延誤嚴(yán)重，降低了人們的出行效率且浪費(fèi)資源。顯然智能交通系統(tǒng)（Intelligent Traffic System,ITS）是未來(lái)解決城市交通擁堵等問(wèn)題的有效手段。城市交叉口信號(hào)燈的合理配時(shí)是ITS系統(tǒng)的核心，為交通智能控制、解決城市交通路網(wǎng)的通行能力等提供了重要保障。

傳統(tǒng)的信號(hào)燈控制方式可分為兩類，定時(shí)控制和分時(shí)段控制，而缺點(diǎn)就是造成某些方向綠時(shí)浪費(fèi)而有些方向上車輛延誤嚴(yán)重。由于交通系統(tǒng)的復(fù)雜性，很難建立精確的控制模型，而模糊控制的特點(diǎn)就是不需要對(duì)被控對(duì)象建立模型就可以精確控制，許多學(xué)者都將模糊控制應(yīng)用于交通信號(hào)控制[1-16]。文獻(xiàn)[17]對(duì)機(jī)動(dòng)車、非機(jī)動(dòng)車及行人流的自身特點(diǎn)進(jìn)行分析的基礎(chǔ)上,以排隊(duì)車輛、延誤為優(yōu)化目標(biāo),提出混合交叉口交通信號(hào)配時(shí)優(yōu)化方法,并基于實(shí)測(cè)數(shù)據(jù)運(yùn)用交通流仿真軟件對(duì)優(yōu)化方案進(jìn)行校驗(yàn),但在時(shí)間延誤方面上有待提高。文獻(xiàn)[18]提出一種基于四相位的交通信號(hào)模糊控制方法，下一綠燈相位,由當(dāng)前紅燈相位交通強(qiáng)度決定，采用可變相位順序。利用一種改進(jìn)的遺傳算法對(duì)模糊控制系統(tǒng)進(jìn)行優(yōu)化，自適應(yīng)地調(diào)整交叉與變異算子，采用人工編寫的仿真程序來(lái)驗(yàn)證控制方法。文獻(xiàn)[19]提出了一種基于差分進(jìn)化算法和狀態(tài)空間模型遺傳算法的兩階段混合優(yōu)化算法,建立以車輛平均等待時(shí)間最小為目標(biāo)的數(shù)學(xué)模型進(jìn)行優(yōu)化。文獻(xiàn)[20]提出一種基于經(jīng)驗(yàn)的模糊交通控制方案，在交通流量較大時(shí)，該方法控制效果較好，但其模糊規(guī)則依賴于交警的經(jīng)驗(yàn)。

本文提出一種基于長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)（LSTM）的交通燈信號(hào)模糊控制方法。模糊控制系統(tǒng)采用四相位定相序，并利用LSTM的隸屬度函數(shù)和模糊規(guī)則進(jìn)行優(yōu)化。現(xiàn)有的仿真實(shí)驗(yàn)大多在MATLAB或人工編寫的仿真環(huán)境下進(jìn)行模糊控制方法的驗(yàn)證，但這種仿真環(huán)境與實(shí)際路網(wǎng)情況有較大差距，局限性較強(qiáng)。綜上，本文采用SUMO仿真軟件作為仿真實(shí)驗(yàn)環(huán)境，通過(guò)對(duì)SUMO仿真軟件的二次開(kāi)發(fā)，實(shí)現(xiàn)本文中的模糊控制方法，由此可獲得更加貼合路網(wǎng)實(shí)際情況的仿真過(guò)程和實(shí)驗(yàn)數(shù)據(jù)。

2 以SUMO為基礎(chǔ)的十字路口模擬

2.1 交通路口與車流量的模擬

SUMO軟件具有強(qiáng)大的生成路口、車輛、行人等功能，是一個(gè)開(kāi)源的、微觀的、多模式交通仿真軟件包。并且軟件有自帶Python接口，可以進(jìn)行Python二次開(kāi)發(fā)，整體功能靈活強(qiáng)大。模擬是時(shí)間離散和空間連續(xù)的，并且在內(nèi)部描述每個(gè)車輛的位置，即所在的車道和從起點(diǎn)開(kāi)始的距離。SUMO交通建模定義區(qū)域的交通群體總數(shù)，計(jì)算該群體的移動(dòng)性愿望并作為交通模擬器的輸入，使用Dijkstra路由算法計(jì)算在交通網(wǎng)絡(luò)中的路線。SUMO的車輛和駕駛員模型采用Gipps模型的擴(kuò)展型。它能夠顯示交通的主要特征，如自由流和擁擠流。在每個(gè)時(shí)間步驟，車輛的速度適應(yīng)于前車的速度，避免在隨后的步驟中產(chǎn)生碰撞。該模型是無(wú)碰撞的，所以模擬中不允許模型的不完整造成的變異出現(xiàn)。

我們選擇的路口模型如圖1、2所示，東、南、西、北4個(gè)進(jìn)道口均存在左轉(zhuǎn)、直行、2個(gè)方向交通流。信號(hào)配時(shí)圖代表了信號(hào)配時(shí)方案，本文采取四相位信號(hào)配時(shí)圖。從第一相位開(kāi)始路口依次設(shè)置成L1到L8，設(shè)置相關(guān)的參數(shù)并且導(dǎo)入地圖，相位順序逆時(shí)針?lè)较?，從第一相位到第四相位依次放行，一個(gè)逆時(shí)針?lè)判型瓿蔀橐粋€(gè)周期。

圖1 四相位順序圖

圖2 SUMO仿真平臺(tái)

本文所設(shè)計(jì)的路口包含每條路口延伸的100米，相應(yīng)的后續(xù)介紹的算法中，對(duì)于路口車流量的監(jiān)控范圍也是100米。車輛跟馳模型選用的是“SL2015”，該模型能夠貼合實(shí)際模擬出車輛的換道、超車等動(dòng)作。

2.2 數(shù)據(jù)集的產(chǎn)生

經(jīng)過(guò)長(zhǎng)時(shí)間的模擬，本文得到了15000組數(shù)據(jù)，用以下一步輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。本文采用Python接口控制SUMO軟件完成仿真模擬，每一次模擬分為三步：

2.2.1 記錄路口狀況

設(shè)置每條路徑上的來(lái)車數(shù)量為0-100之間的隨機(jī)數(shù)，把交通路口交通燈的狀態(tài)全部設(shè)置為紅燈。當(dāng)車輛全部到達(dá)路口形成等待狀態(tài)后，第一相位變?yōu)榫G燈，將其狀態(tài)命名為S1，經(jīng)過(guò)10s后記錄交通路口的狀態(tài)，即每個(gè)相位上的車輛等待數(shù)。

2.2.2 實(shí)時(shí)計(jì)算特征函數(shù)

對(duì)于整個(gè)路口的狀態(tài)評(píng)價(jià)，我們采用實(shí)時(shí)記錄的與通行能力、平均等待時(shí)間、和損失時(shí)間相關(guān)的特征函數(shù)Fitness，它的公式如下：

特征函數(shù)有三個(gè)部分組成，分別乘以相應(yīng)的系數(shù)：?。

特征函數(shù)Fitness能夠從三個(gè)方面反映出相位配時(shí)對(duì)于路口通行效率的影響，根據(jù)不同需求，可以相應(yīng)調(diào)整權(quán)重系數(shù)?，得到相應(yīng)所需要的值。

2.2.3 計(jì)算最優(yōu)特征函數(shù)值以及配時(shí)值

根據(jù)路口的相位變化，前一相位對(duì)于后一相位的影響是最嚴(yán)重的，例如前一相位的長(zhǎng)期保持勢(shì)必會(huì)使得后一相位發(fā)生排隊(duì)擁堵。在此實(shí)驗(yàn)中，我們簡(jiǎn)化研究對(duì)象，僅僅以第一相位的交通燈變化作為研究對(duì)象，將第一相位的時(shí)間設(shè)置為100s，然后計(jì)算每一秒的特征函數(shù)值，在次實(shí)驗(yàn)中我們選擇?1，?2，?3都為1，如圖3所示是典型的函數(shù)值。

圖3 特征函數(shù)曲線圖

由圖可知，特征函數(shù)先上升，分析原因是通行車輛的增加，通行能力增強(qiáng)。達(dá)到最高后下降，此時(shí)等待時(shí)間和時(shí)間損失增加影響了特征函數(shù)值，所以最優(yōu)點(diǎn)Fitnessmax綜合了通行能力和下一相位等待時(shí)間。

數(shù)據(jù)集的生成是基于以上描述的一個(gè)模擬周期，產(chǎn)生了一組輸入：路口相位車輛狀況；一組輸出Fitnessmax。經(jīng)過(guò)試驗(yàn)，一次模擬大概需要0.5 s。

2.3 LSTM的設(shè)計(jì)

LSTM(Long Short-Term Memory)是長(zhǎng)短期記憶網(wǎng)絡(luò)，一種特殊的RNN網(wǎng)絡(luò)結(jié)構(gòu)，適用于處理和預(yù)測(cè)時(shí)間序列中間隔和延遲相對(duì)較長(zhǎng)的重要事件。LSTM已經(jīng)在科技領(lǐng)域有了多方面應(yīng)用。基于LSTM的系統(tǒng)不僅可以解決長(zhǎng)期依賴性問(wèn)題，還能夠解決神經(jīng)網(wǎng)絡(luò)中的梯度爆炸及梯度消失等問(wèn)題，在處理序列數(shù)據(jù)方面具有非常顯著的效果。

本文設(shè)計(jì)的LSTM結(jié)構(gòu)如圖4所示，輸入的維度是4×1，由4個(gè)相位上的車輛數(shù)組成，按照相位時(shí)間的分布進(jìn)行排列，符合LSTM的設(shè)計(jì)理念，形成了在時(shí)間上的遞歸。

圖4 LSTM結(jié)構(gòu)圖

連接輸入的是兩層LSTM層，神經(jīng)元數(shù)量分別為50和100。LSTM后，連接的是兩層Dense層，隱含層的神經(jīng)元數(shù)量為100，激活函數(shù)選用的是Relu函數(shù)，公式如下：

是分段線性函數(shù)，把所有的負(fù)值都變?yōu)?，而正值不變，這種操作被稱為單側(cè)抑制，使得神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元也具有了稀疏激活性。

網(wǎng)絡(luò)的損失函數(shù)選擇的是mae（均方誤差），公式如下：

表示預(yù)測(cè)值和實(shí)際值之間絕對(duì)誤差。

2.4 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)所使用的數(shù)據(jù)集包含15000組數(shù)據(jù)，將數(shù)據(jù)按9:1的比例分為訓(xùn)練集和測(cè)試集。學(xué)習(xí)率選用0.001，每個(gè)批次batch size=10，訓(xùn)練1000個(gè)epochs，訓(xùn)練5次后取平均值。我們記錄了模型在訓(xùn)練過(guò)程中l(wèi)oss（train_loss）的變化。圖5顯示了train_loss曲線，圖6顯示了val_loss的曲線。試驗(yàn)平臺(tái)選用Python，使用的工具箱為Tensorflow2.0。

圖5 train_loss曲線

圖6 val_loss曲線

由圖可知，訓(xùn)練loss值在訓(xùn)練初期迅速下降，到后來(lái)收斂趨于穩(wěn)定。為了評(píng)價(jià)本文的算法，同時(shí)為了進(jìn)行對(duì)比，我們建立了兩組對(duì)比實(shí)驗(yàn)，一組采用傳統(tǒng)的固定配時(shí)，每組紅燈時(shí)間都為20s，一組為模糊算法配時(shí)，采用5個(gè)模糊子集｛很少，少，適中，多，很多｝來(lái)描述相位上的車輛信息，同時(shí)建立相應(yīng)模糊規(guī)則，使得固定配時(shí)在10s-50s之間進(jìn)行選擇。評(píng)價(jià)的基準(zhǔn)我們選擇通行能力、平均等待時(shí)間和損失時(shí)間，整個(gè)實(shí)驗(yàn)持續(xù)200s，實(shí)驗(yàn)共進(jìn)行5次，求五次的平均值。表1是實(shí)驗(yàn)結(jié)果。

表1 結(jié)果對(duì)比

經(jīng)對(duì)比分析可知，本文方法在降低平均等待時(shí)間和損失時(shí)間上有著明顯的優(yōu)勢(shì)，而在通行能力上，模糊控制優(yōu)于本文算法，綜合分析，本文算法兼顧了通行能力和其余車輛等待狀況，是更科學(xué)的方法。

3 結(jié)論

本文基于兩車道的十字路口，提出一種基于長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)與SUMO仿真的交通信號(hào)燈配時(shí)優(yōu)化方法。首先利用了SUMO仿真軟件，通過(guò)建立特征方程，將車道信息和車輛通行狀態(tài)進(jìn)行數(shù)字化表征，生成了一組大數(shù)量的數(shù)據(jù)集。后建立了LSTM網(wǎng)絡(luò)，以路口狀態(tài)為輸入，最佳車輛通行狀態(tài)相位配時(shí)為輸出，經(jīng)過(guò)訓(xùn)練，損失函數(shù)收斂。后通過(guò)對(duì)比實(shí)驗(yàn)可知，本文方法和固定配時(shí)、模糊控制相比在兼顧通行能力和其余車輛等待狀況上有著明顯優(yōu)勢(shì)。