论文部分内容阅读
【摘要】以城市交叉口为研究对象，提出了一种基于车头时距的绿灯时间修正算法的交通流模糊控制方案，该方案在自适应模糊控制算法的基础上，增加了绿灯时间修正算法模块，从而对绿信比进行了优化，并用matlab软件进行了仿真研究，仿真结果表明：在相同的交通环境下该方法比没有基于车头时距的对绿信比进行优化的自适应模糊控制系统方案有效。
【关键词】模糊逻辑；车头时距；六相位；模糊规则
引言
自从PAPPIS等人将模糊逻辑应用于城市交叉路口信号控制中以来，国内外许多学者也进行了这方面的研究工作.尽管后续也有很多人研究了双向车流，多相位的模糊控制系统，但是他们大体主要是以当前绿灯相位的车辆排队长度和红灯相位的车辆排队长度为模糊控制器[5]的输入变量，绿灯相位的绿灯延时为模糊输出，很少考虑车头时距[6]这个重要参数，本文就是将车头时距考虑进去实现绿灯时间修正的模糊控制器输入变量之一来提高绿信比，充分利用绿灯时间，从而提高通行能力。
1、系统模型及其控制算法
交叉口交通信号的控制就是模仿了有经验的交警指挥过程，根据其指挥过程，设计了系统模糊控制的总体规划方案。第一级为观测级；第二级为决策级。观测级包括两个模块：红灯相位选择模块和绿灯相位观察模块。决策级也包含两个模块：初级决策模块和总决策模块。每个模块都是一个子模糊控制器。
2、模糊控制器的设计
2.1红灯相位选择模块
这个模块的输入是除了绿灯相位以外的所有红灯相位交通流数据，输出是被选出的相位（Pr）和它的相位紧迫度（Up）。Up描述了本相位的综合交通状况。为了选出一个紧迫度最高的相位，需要计算所有输入相位的相位紧迫度，进行比较并从中选出相位紧迫度最高的相位作为候选相位。
（1）模糊推理的输入输出变量
输入变量：qr和tr；输出变量：Ur，qr是一个红灯相位两个车流各自两检测器之间的车辆数的平均数，tr是该相位上次绿灯结束以来红灯持续的时间，模糊语言分别是：={很少，少，中等，多，很多}和={很短，短，中等，长，很长}；变量论域：qr的基本论域{0，1，2，3，4，5，…，30}，qr的离散论域{0，3，6，9，12，15，18，21，24，27，30}；tr的基本论域（0，120），tr的离散论域{0，12，24，36，48，60，72，84，96，108，120}，量化因子全部取1。Ur是该相位交通流紧迫度，模糊语言是：={很低，低，中等，高，很高}；Ur的基本论域（0，6），Ur的离散论域{0，1，2，4，5，6}，量化因子也取1。
（2）模糊推理关系
每条模糊语句都对应一条模糊关系：其中， i=0，1，……，24，j，k，l=0，1，……4；M1表示一种矩阵运算关系，目的是把11×11矩阵写成121×1列向量；分别表示这条规则对应的向量。
（3）模糊控制规则的确定与matlab的实现
通过总结交警指挥经验和专家知识，建立了25条模糊控制规则，确定的原则是：当车道上已到达的车辆数增多或红灯持续时间增长时该相位的紧迫度要相应的增高。本文利用matlab工具箱中Viewsurf菜单命令可以看到模糊控制规则曲面。
2.2绿灯相位观察模块
这个模块以绿灯相位交通流数据作为输入，产生的绿灯相位繁忙度（Bt）作为输出。绿灯交通流数据选择绿灯相位剩余车辆数（qg）和绿灯相位经过最小绿灯时间后的绿灯延长时间（tg）。
（1）模糊推理的输入输出变量
输入变量：qg和tg，qg和tg模糊语言分别是：={很少，少，多}和 ={很短，短，长}；qg的基本论域{0，1，2，3，4，5，……，30}，离散论域{0，5，10，15，20，25，30}；tg的基本论域{0，30}，离散论域{0，5，10，15，20，25，30}。输出变量：Bt，其模糊语言是：={低，中等，高}。Bt的基本论域（0，4），离散论域{0，1，2，3，4}，量化因子全部取1。
（2）模糊推理关系
每条模糊语句都对应一条模糊关系：，其中， i=0，1，.....，8；j，k，l=0，1，2；M1表示一种矩阵运算关系，目的是把7×7矩阵写成49×1列向量；分别表示这条规则对应的向量。
（3）模糊控制的确定与matlab的实现
通过总结实践和专家经验，建立模糊控制规则，原则是：如果一个绿灯交通流延长时间增长或剩余车辆数减少，那么繁忙度将降低。和前面一样，利用matlab工具箱中Viewsurf菜单命令可以看到模糊控制规则曲面。
2.3决策级子系统设计
初级决策模块的输入是候选相位（Pr），相位紧迫度（Up）和繁忙度（Bt），输出是决策程度（Dc）。Pr是由红灯相位选择模块选出的相位， Up是此相位的相位紧迫度，Bt是绿灯相位观测模块输出的绿灯相位繁忙度。Dc决定是否将通行权付给候选相位（Pr）。
该模糊控制器的输入变量是红灯相位的紧迫度Up和绿灯相位的繁忙度Bt，其模糊语言，基本论域以及离散论域都已经在红灯相位观察模块和绿灯相位选择模块设计中叙述过了，这里不再重复。
每条模糊语句都对应一条模糊关系：，其中， i=0，1，…，14；j=0，1，2，3，4；k=0，1，2；l=0，1。M1表示一种矩阵运算关系，目的是把7×5矩阵写成35×1列向量；分别表示这条规则对应的向量。通过总结实践和专家经验，建立了模糊控制规则，原则是：如果候选相位的紧迫度高或当前绿灯相位的繁忙度低，那么这个模块将停止当前绿灯相位并给候选相位一个绿灯信号。
2.4绿灯相位时间修正量模块
（1） 模糊输入输出变量
输入变量：绿灯延长持续时间ET，车头时距GAP，ET和GAP的模糊语言是：ET={短，中等，长}，GAP={小，中等，大}
（2） 绿灯持续时间ET，车头时距GAP以及修正时间的赋值表
模糊规则的确定依据是：绿灯持续时间长或车头时距大，那么修正时间就长。同样利用matlab工具箱中Viewsurf菜单命令可以看到模糊控制规则曲面。
3、仿真结果及其分析
本文主要是针对某个石河子市盘旋路十字路口利用matlab软件进行编程仿真的，实际测量各个交叉口的交通数据，对一段时间数据进行统计分析，根据分析结果生成车辆数。对于六相位（i=6），每个相位有两股车流（j=2）的典型交叉口，T时间内交叉口的每辆车的平均延误时间可用下式表示：
式中，λ为绿信比，C为信号周期，x为相位饱和度，q为车辆到达量，y为流量比率（q/S）。仿真中采用的饱和流量Sij全部取2000。时，基于车头时距模糊控制系统比没有基于车头时距的模糊控制系统平均车辆延误减少了43.561%；在交通流中峰期，即时，前者比后者减少了32.658%，在交通流高峰期，即时，前者比后者减少了11.125%。这说明了在交通流不是高峰的前提下，前者要比后者控制效果要好得多，大大减少了平均车辆的延误时间，提高了交叉口的通行能了，是可行的有车头时距的模糊控制系统明显比没有时的控制效果要好得多。
4、结论
本文在自适应模糊控制的基础上增加了绿灯时间修正模糊算法，即：基于车头时距对绿灯时间进行了微调，对模糊控制精度方面作了有益的尝试，仿真结果表明，该算法易实现且效果好。
【关键词】模糊逻辑；车头时距；六相位；模糊规则
引言
自从PAPPIS等人将模糊逻辑应用于城市交叉路口信号控制中以来，国内外许多学者也进行了这方面的研究工作.尽管后续也有很多人研究了双向车流，多相位的模糊控制系统，但是他们大体主要是以当前绿灯相位的车辆排队长度和红灯相位的车辆排队长度为模糊控制器[5]的输入变量，绿灯相位的绿灯延时为模糊输出，很少考虑车头时距[6]这个重要参数，本文就是将车头时距考虑进去实现绿灯时间修正的模糊控制器输入变量之一来提高绿信比，充分利用绿灯时间，从而提高通行能力。
1、系统模型及其控制算法
交叉口交通信号的控制就是模仿了有经验的交警指挥过程，根据其指挥过程，设计了系统模糊控制的总体规划方案。第一级为观测级；第二级为决策级。观测级包括两个模块：红灯相位选择模块和绿灯相位观察模块。决策级也包含两个模块：初级决策模块和总决策模块。每个模块都是一个子模糊控制器。
2、模糊控制器的设计
2.1红灯相位选择模块
这个模块的输入是除了绿灯相位以外的所有红灯相位交通流数据，输出是被选出的相位（Pr）和它的相位紧迫度（Up）。Up描述了本相位的综合交通状况。为了选出一个紧迫度最高的相位，需要计算所有输入相位的相位紧迫度，进行比较并从中选出相位紧迫度最高的相位作为候选相位。
（1）模糊推理的输入输出变量
输入变量：qr和tr；输出变量：Ur，qr是一个红灯相位两个车流各自两检测器之间的车辆数的平均数，tr是该相位上次绿灯结束以来红灯持续的时间，模糊语言分别是：={很少，少，中等，多，很多}和={很短，短，中等，长，很长}；变量论域：qr的基本论域{0，1，2，3，4，5，…，30}，qr的离散论域{0，3，6，9，12，15，18，21，24，27，30}；tr的基本论域（0，120），tr的离散论域{0，12，24，36，48，60，72，84，96，108，120}，量化因子全部取1。Ur是该相位交通流紧迫度，模糊语言是：={很低，低，中等，高，很高}；Ur的基本论域（0，6），Ur的离散论域{0，1，2，4，5，6}，量化因子也取1。
（2）模糊推理关系
每条模糊语句都对应一条模糊关系：其中， i=0，1，……，24，j，k，l=0，1，……4；M1表示一种矩阵运算关系，目的是把11×11矩阵写成121×1列向量；分别表示这条规则对应的向量。
（3）模糊控制规则的确定与matlab的实现
通过总结交警指挥经验和专家知识，建立了25条模糊控制规则，确定的原则是：当车道上已到达的车辆数增多或红灯持续时间增长时该相位的紧迫度要相应的增高。本文利用matlab工具箱中Viewsurf菜单命令可以看到模糊控制规则曲面。
2.2绿灯相位观察模块
这个模块以绿灯相位交通流数据作为输入，产生的绿灯相位繁忙度（Bt）作为输出。绿灯交通流数据选择绿灯相位剩余车辆数（qg）和绿灯相位经过最小绿灯时间后的绿灯延长时间（tg）。
（1）模糊推理的输入输出变量
输入变量：qg和tg，qg和tg模糊语言分别是：={很少，少，多}和 ={很短，短，长}；qg的基本论域{0，1，2，3，4，5，……，30}，离散论域{0，5，10，15，20，25，30}；tg的基本论域{0，30}，离散论域{0，5，10，15，20，25，30}。输出变量：Bt，其模糊语言是：={低，中等，高}。Bt的基本论域（0，4），离散论域{0，1，2，3，4}，量化因子全部取1。
（2）模糊推理关系
每条模糊语句都对应一条模糊关系：，其中， i=0，1，.....，8；j，k，l=0，1，2；M1表示一种矩阵运算关系，目的是把7×7矩阵写成49×1列向量；分别表示这条规则对应的向量。
（3）模糊控制的确定与matlab的实现
通过总结实践和专家经验，建立模糊控制规则，原则是：如果一个绿灯交通流延长时间增长或剩余车辆数减少，那么繁忙度将降低。和前面一样，利用matlab工具箱中Viewsurf菜单命令可以看到模糊控制规则曲面。
2.3决策级子系统设计
初级决策模块的输入是候选相位（Pr），相位紧迫度（Up）和繁忙度（Bt），输出是决策程度（Dc）。Pr是由红灯相位选择模块选出的相位， Up是此相位的相位紧迫度，Bt是绿灯相位观测模块输出的绿灯相位繁忙度。Dc决定是否将通行权付给候选相位（Pr）。
该模糊控制器的输入变量是红灯相位的紧迫度Up和绿灯相位的繁忙度Bt，其模糊语言，基本论域以及离散论域都已经在红灯相位观察模块和绿灯相位选择模块设计中叙述过了，这里不再重复。
每条模糊语句都对应一条模糊关系：，其中， i=0，1，…，14；j=0，1，2，3，4；k=0，1，2；l=0，1。M1表示一种矩阵运算关系，目的是把7×5矩阵写成35×1列向量；分别表示这条规则对应的向量。通过总结实践和专家经验，建立了模糊控制规则，原则是：如果候选相位的紧迫度高或当前绿灯相位的繁忙度低，那么这个模块将停止当前绿灯相位并给候选相位一个绿灯信号。
2.4绿灯相位时间修正量模块
（1） 模糊输入输出变量
输入变量：绿灯延长持续时间ET，车头时距GAP，ET和GAP的模糊语言是：ET={短，中等，长}，GAP={小，中等，大}
（2） 绿灯持续时间ET，车头时距GAP以及修正时间的赋值表
模糊规则的确定依据是：绿灯持续时间长或车头时距大，那么修正时间就长。同样利用matlab工具箱中Viewsurf菜单命令可以看到模糊控制规则曲面。
3、仿真结果及其分析
本文主要是针对某个石河子市盘旋路十字路口利用matlab软件进行编程仿真的，实际测量各个交叉口的交通数据，对一段时间数据进行统计分析，根据分析结果生成车辆数。对于六相位（i=6），每个相位有两股车流（j=2）的典型交叉口，T时间内交叉口的每辆车的平均延误时间可用下式表示：
式中，λ为绿信比，C为信号周期，x为相位饱和度，q为车辆到达量，y为流量比率（q/S）。仿真中采用的饱和流量Sij全部取2000。时，基于车头时距模糊控制系统比没有基于车头时距的模糊控制系统平均车辆延误减少了43.561%；在交通流中峰期，即时，前者比后者减少了32.658%，在交通流高峰期，即时，前者比后者减少了11.125%。这说明了在交通流不是高峰的前提下，前者要比后者控制效果要好得多，大大减少了平均车辆的延误时间，提高了交叉口的通行能了，是可行的有车头时距的模糊控制系统明显比没有时的控制效果要好得多。
4、结论
本文在自适应模糊控制的基础上增加了绿灯时间修正模糊算法，即：基于车头时距对绿灯时间进行了微调，对模糊控制精度方面作了有益的尝试，仿真结果表明，该算法易实现且效果好。