论文部分内容阅读
摘要：随着社会经济的发展, 城市化进程不断提高, 交通需求和交通量迅速增长, 城市交通拥堵状况日益严重, 严重影响人们的日常生活。由于在城市内新建或者扩建道路的难度越来越大, 所以优化交通信号控制已成为改善城市交通状况的重要措施。
关键词：城市 交通信号模糊控制
中图分类号：U491.5+1 文献标识码：A 文章编号：
前言
城市交通控制(UTC)是智能交通系统中非常重要的组成部分。在一些复杂的交通情况下，使用传统的控制方法进行交通信号控制的效果并不好。由于模糊逻辑能够较好地描述复杂系统的定性模型，因此它非常适合对路口交通信号灯进行控制。
一、模糊神经网络技术
模糊控制模拟人的思维,无需精确的数学模型，对时变、不确定等非线性系统同样具有良好的控制效果和鲁棒性，模糊控制基本结构有四部分组成，如图1所示。
1 模糊化
模糊化部分的作用是将输入的精确量转化为模糊量，为完成输入模糊化，必须知道输入量对模糊集的隶属函数、语言变量的论域、模糊集的个数等。
首先，要对输入量进行处理得到模糊控制所要求的输入，如计算偏差e 和偏差的导数c。然后，将处理得到的精确输入量e 和c 进行尺度变换，一般是乘上尺度变换因子ke、ke，使其变换到各自的论域范围，为处理上方便将输入的论域取为。最后，将已变换到论域的精确输入进行模糊处理，精确量转化为模糊量，即将E 和C 视为论域[-6,6]上的语言变量，其模糊集为{PL，PM，PS，ZE，NS，NM，NL}，含义为PL(正大)、PM(正中)、PS(正小)、ZE(零)、NS(负小)、NM(负中)、NL(负大)，隶属函数形状可根据实际而定，一般可取三角形、梯形或正态分布等，在此取正态分布型，隶属度函数表如表1所示。
2 模糊决策
模糊决策为模糊控制的核心，具有模拟人的基于模糊概括推理能力，该推理过程是基于模糊规则进行的，模糊控制系统品质与模糊规则关系很大，双输入单输出的模糊控制器的模糊规则一般采取如下形式：If E is A 1，C is A 2 Then U is B。
3 清晰化
通过模糊决策得到模糊量输出，将之用于实际系统，需要进行逆模糊处理。清晰化主要功能是将模糊推理得到的控制量(模糊量)变换成用于控制的精确量，它包含两方面内容：
(1)将模糊的控制量经过逆模糊化变换成在论域范围内的精确量；
(2)将表示在论域范围的精确量经过尺度变换成实际的控制量。常见的逆模糊化方法有最大隶属度法、加权平均法、取中位法等。
4 知识库
知识库包含具体应用领域中的知识和要求的控制目标，通常由数据库和模糊控制规则库两部分组成：
(1) 数据库主要包括各语言变量的隶属函数，尺度变换因子和模糊空间分级数等；
(2)规则库包括用模糊语言变量表示的一系列控制规则，反映了控制专家的经验和知识。
神经网络具有学习功能，我们将模糊控制和神经网络结合起来，利用两者的优点，设计了一种基于神经网络的自适应模糊控制器，不失一般性，对常规双输入单输出模糊控制器，可以用一个神经网络来构造模糊控制模型，如图2 所示。
二、基于模糊神经网络的交通信号控制
1 经典的单交叉口信号控制
图3给出了一个被广泛采用的经典单交叉口信号控制的模块图。
此控制系统考虑的是二相控制，是两输入单输出：输入为绿灯车队Q g(取两个方向上较大者)、红灯车队Q r(取两个方向上较大者)；输出量为绿灯的延长时间Δt 。为了采集车流数据，在十字路口4个方向共装8个传感器(前后2个传感器相距150 m)。平均车长约5 m，所以定义车辆队列数Q 的论域为[0，30]，分为3个模糊子集：少、中、，其隶属度函数如图4所示。
绿灯延时Δt 论域为[0，40]，分为3个模糊子集：短、中、长，其隶属度函数如图5所示。
在没有任何数据资料的情况下，只能根据经验设计其模糊规则，其结构如表2所示。
2 改进的单交叉口信号控制
针对1 方法中的不足做出相应的改进：采集车流数据与1 方法一样，车辆队列数Q 取2 个相对方向上车队数的平均数，车辆队列数Q 的论域仍为[0，30]，为了提高精度分为5 个模糊子集：微、少、中、多、巨，但红绿灯的隶属度函数不同，因为给绿灯的优先权相对比较大，隶属度函数分别如图6 和图7 所示。
为了进一步提高控制精度，绿灯延时取定值Δt =10 s，模糊控制器输出是一个确定值1 或0(1表示绿灯延时Δt =10 s，0 表示不延时)，这样就可以在绿灯期间以10 s 为一个周期检测红绿灯方向的车流情况，选择交通情况最紧急的相位为下一个优先放行的候选绿灯相位，并实时控制红绿灯的切换，最大程度上利用时间。根据经验得出的控制规则如表3 所示。
按照固定相序可能给没有排队车辆的相位予最小绿灯时间，造成时间浪费，因此增加一个相位控制器，它检测红灯方向的车辆，并作为自己的输入，改进的交通模糊控制系统见图8。在绿灯最大时间到来的时刻，若检测到的红灯方向车辆数仍为0，则开始下一个绿灯周期，即把绿灯时间计时器T g=T g，min。这样就不会因为绿灯的最大时间的到来，而强行给没有车辆的红灯方向于通行权，可以避免时间浪费和交通拥堵，从而大大提高效率。
具体算法如下：
Step1：根据实际情况和经验分别指定各相位的最短绿灯时间T g，min、最大绿灯时间T g，max和黄灯时间T y，从而确定最小信号周期T min和最大信号周期T max；
Step2：给获得通行权的相位以该相位的最短绿灯时间T g=T g，min；
Step3：根据T g 秒内测得的车道上的车辆信息，计算放行相位在T g秒内的绿灯车辆数Q g及红灯相位的车辆数Q r，模糊控制器根据模糊规则控制交通信号的切换；
Step4：相位控制器根据红灯相位的车辆数Q r，相位优化器从中选择下一个候选绿灯相位，它以当前红灯相位的车辆数Q r作为输入。若最大绿灯时间T g，max到来时红灯相位的车辆数Q r=0，则继续给当前绿灯方向于通行权，返回Step2。
3 多交叉口信号控制
多交叉口信号协调配时控制与孤立交叉口的信号配时控制相比，存在着以下特点：被控对象和控制目标进一步复杂化、干扰因素增多、不能仅仅依靠本地信息决定、并不是局部最优之和等于全局最优、需要在各个局部路口最优配时方案之间进行折中(Tradeoff)，即寻求平衡点(多目标优化问题中常出现的现象)。
在2方法的基础上，以四相控制为例，与下一个交叉口进行协调，则应检测下一个交叉口的车辆排队数，与当前绿灯车辆队列Q g 同一方向的车辆队列数设为Q ng；与当前红灯车辆队列Q r 同一方向的车辆队列数设为Q nr，车辆队列数的论域仍为[0，30]，分为5 个模糊子集：微、少、中、多、巨，红绿灯的隶属度函数见图6 和图7，增加两个辅助模糊控制器，一个输入为Q g 和Q ng，输出为Q g ＇；另一个输入为Q r 和Q nr，输出为Q r ＇。如果下一个与当前绿灯同一方向交叉口的车辆排队数Q ng 比较大的时候，就把当前绿灯的车辆排队数Q g 降低，相当于降低当前绿灯方向上的通行权，不至于加剧下一交叉口的车流量，达到局部优化的目的；红灯方向上的控制方法類似，从而得到改进的多路口模糊控制系统，见图9；辅助模糊控制器的控制规则见表4、表5。
具体算法如下：
Step1：把辅助控制器的输出Q r＇和Qg＇作为模糊控制器的红绿灯车辆排队数输入，即替换原来的Q r和Q g；
Step2：根据实际情况和经验分别指定各相位的最短绿灯时间T g，max、最大绿灯时间Tg，max和黄灯时间T y，从而确定最小信号周期T min和最大信号周期T max；
Step3：给获得通行权的相位以该相位的最短绿灯时间T g=T g，max；
Step4：根据T g 秒内测得的车道上的车辆信息，计算放行相位在T g秒内的绿灯车辆数Q g＇及红灯相位的车辆数Q r＇，模糊控制器根据模糊规则控制交通信号的切换；
Step5：相位控制器根据红灯相位的车辆数Qr＇，相位优化器从中选择下一个候选绿灯相位，它以辅助控制器输出的红灯相位车辆数Qr ＇作为输入。若最大绿灯时间T g，max 到来时红灯相位的车辆数Q r ＇= 0，则继续给当前绿灯方向于通行权，返回Step3。
三、方法分析
假设有一个交叉路口，路口间距150 m，按前面的方法安装相距150 m 的车检测器测得两路口间的车辆数，车辆数Q 为相对方向车辆数的平均数，再假设平均车长5 m，平均车速5 m/s，不失一般性，且入口处平均每5 s 到达一辆车，交叉口绿灯时平均每2 s 排一辆车，车过交叉口的时间与信号相位差抵消。Q[ → ] 表示东西方向的车辆数；Q [ ↓ ]表示南北方向的车辆数；G 为[ → ] 表示绿灯方向为东西方向；G 为[ ↓ ] 表示绿灯方向为南北方向，如图10 所示。
在路口1 对方法2 的分析见表6，Δt = 10 s，记录240 s 内的交通流量情况。
从上表可以得出：最大车队长16辆，南北车流72辆，东西车流82辆。在路口1对方法2.1的分析见表7，记录240 s内的交通流量情况。
从上表可以得出：最大车队长18辆，南北车流82辆，东西车流62辆。还可以进一步得出方法1和2的效果曲线图，见图11和图12。
对比1和2的分析结果，后者最大车队数小于前者，而车流輛数大于前者。表明方法2优于1，如果再考虑车辆到达呈正态分布和左右转车流的话，分析表明后者优势更加明显。
在多路口中，用类似的分析方法对3 方法进行分析，分析结果表明：3 方法可以增大多路口整体的车流辆，虽然可能使局部路口的车队变长，但整体效果变得更优一些。
结束语
交通系统作为一个时变的、具有随机性的复杂系统，显然不能建立在精确、有序的数学模型基础上研究。模糊控制模仿人工控制活动中人脑的模糊概念和成功的控制策略，运用模糊数学的方法，把人工控制用计算机实现，它所研究的目标不再是被控对象，而是控制器本身，克服了控制系统对系统数学模型的依赖，因而具有很强的鲁棒性与抗系统时变性。
参考文献
[1] 赵建玉,贾磊,朱文兴,杨立才.干道交叉口交通信号的模糊控制设计[J]. 山东大学学报(工学版). 2006(01)
[2] 朱铭琳,陈阳舟.一种实用的交通信号模糊控制系统的研究[J]. 计算机应用. 2007(01)
[3] 林莉芸,项湜伍.交通灯的一种智能模糊控制系统[J]. 电脑知识与技术(学术交流). 2007(07)
[4] 刘坤颖,蔡伯根.单个交叉口模糊控制及Simulink仿真[J]. 公路工程. 2007(06)
关键词：城市 交通信号模糊控制
中图分类号：U491.5+1 文献标识码：A 文章编号：
前言
城市交通控制(UTC)是智能交通系统中非常重要的组成部分。在一些复杂的交通情况下，使用传统的控制方法进行交通信号控制的效果并不好。由于模糊逻辑能够较好地描述复杂系统的定性模型，因此它非常适合对路口交通信号灯进行控制。
一、模糊神经网络技术
模糊控制模拟人的思维,无需精确的数学模型，对时变、不确定等非线性系统同样具有良好的控制效果和鲁棒性，模糊控制基本结构有四部分组成，如图1所示。
1 模糊化
模糊化部分的作用是将输入的精确量转化为模糊量，为完成输入模糊化，必须知道输入量对模糊集的隶属函数、语言变量的论域、模糊集的个数等。
首先，要对输入量进行处理得到模糊控制所要求的输入，如计算偏差e 和偏差的导数c。然后，将处理得到的精确输入量e 和c 进行尺度变换，一般是乘上尺度变换因子ke、ke，使其变换到各自的论域范围，为处理上方便将输入的论域取为。最后，将已变换到论域的精确输入进行模糊处理，精确量转化为模糊量，即将E 和C 视为论域[-6,6]上的语言变量，其模糊集为{PL，PM，PS，ZE，NS，NM，NL}，含义为PL(正大)、PM(正中)、PS(正小)、ZE(零)、NS(负小)、NM(负中)、NL(负大)，隶属函数形状可根据实际而定，一般可取三角形、梯形或正态分布等，在此取正态分布型，隶属度函数表如表1所示。
2 模糊决策
模糊决策为模糊控制的核心，具有模拟人的基于模糊概括推理能力，该推理过程是基于模糊规则进行的，模糊控制系统品质与模糊规则关系很大，双输入单输出的模糊控制器的模糊规则一般采取如下形式：If E is A 1，C is A 2 Then U is B。
3 清晰化
通过模糊决策得到模糊量输出，将之用于实际系统，需要进行逆模糊处理。清晰化主要功能是将模糊推理得到的控制量(模糊量)变换成用于控制的精确量，它包含两方面内容：
(1)将模糊的控制量经过逆模糊化变换成在论域范围内的精确量；
(2)将表示在论域范围的精确量经过尺度变换成实际的控制量。常见的逆模糊化方法有最大隶属度法、加权平均法、取中位法等。
4 知识库
知识库包含具体应用领域中的知识和要求的控制目标，通常由数据库和模糊控制规则库两部分组成：
(1) 数据库主要包括各语言变量的隶属函数，尺度变换因子和模糊空间分级数等；
(2)规则库包括用模糊语言变量表示的一系列控制规则，反映了控制专家的经验和知识。
神经网络具有学习功能，我们将模糊控制和神经网络结合起来，利用两者的优点，设计了一种基于神经网络的自适应模糊控制器，不失一般性，对常规双输入单输出模糊控制器，可以用一个神经网络来构造模糊控制模型，如图2 所示。
二、基于模糊神经网络的交通信号控制
1 经典的单交叉口信号控制
图3给出了一个被广泛采用的经典单交叉口信号控制的模块图。
此控制系统考虑的是二相控制，是两输入单输出：输入为绿灯车队Q g(取两个方向上较大者)、红灯车队Q r(取两个方向上较大者)；输出量为绿灯的延长时间Δt 。为了采集车流数据，在十字路口4个方向共装8个传感器(前后2个传感器相距150 m)。平均车长约5 m，所以定义车辆队列数Q 的论域为[0，30]，分为3个模糊子集：少、中、，其隶属度函数如图4所示。
绿灯延时Δt 论域为[0，40]，分为3个模糊子集：短、中、长，其隶属度函数如图5所示。
在没有任何数据资料的情况下，只能根据经验设计其模糊规则，其结构如表2所示。
2 改进的单交叉口信号控制
针对1 方法中的不足做出相应的改进：采集车流数据与1 方法一样，车辆队列数Q 取2 个相对方向上车队数的平均数，车辆队列数Q 的论域仍为[0，30]，为了提高精度分为5 个模糊子集：微、少、中、多、巨，但红绿灯的隶属度函数不同，因为给绿灯的优先权相对比较大，隶属度函数分别如图6 和图7 所示。
为了进一步提高控制精度，绿灯延时取定值Δt =10 s，模糊控制器输出是一个确定值1 或0(1表示绿灯延时Δt =10 s，0 表示不延时)，这样就可以在绿灯期间以10 s 为一个周期检测红绿灯方向的车流情况，选择交通情况最紧急的相位为下一个优先放行的候选绿灯相位，并实时控制红绿灯的切换，最大程度上利用时间。根据经验得出的控制规则如表3 所示。
按照固定相序可能给没有排队车辆的相位予最小绿灯时间，造成时间浪费，因此增加一个相位控制器，它检测红灯方向的车辆，并作为自己的输入，改进的交通模糊控制系统见图8。在绿灯最大时间到来的时刻，若检测到的红灯方向车辆数仍为0，则开始下一个绿灯周期，即把绿灯时间计时器T g=T g，min。这样就不会因为绿灯的最大时间的到来，而强行给没有车辆的红灯方向于通行权，可以避免时间浪费和交通拥堵，从而大大提高效率。
具体算法如下：
Step1：根据实际情况和经验分别指定各相位的最短绿灯时间T g，min、最大绿灯时间T g，max和黄灯时间T y，从而确定最小信号周期T min和最大信号周期T max；
Step2：给获得通行权的相位以该相位的最短绿灯时间T g=T g，min；
Step3：根据T g 秒内测得的车道上的车辆信息，计算放行相位在T g秒内的绿灯车辆数Q g及红灯相位的车辆数Q r，模糊控制器根据模糊规则控制交通信号的切换；
Step4：相位控制器根据红灯相位的车辆数Q r，相位优化器从中选择下一个候选绿灯相位，它以当前红灯相位的车辆数Q r作为输入。若最大绿灯时间T g，max到来时红灯相位的车辆数Q r=0，则继续给当前绿灯方向于通行权，返回Step2。
3 多交叉口信号控制
多交叉口信号协调配时控制与孤立交叉口的信号配时控制相比，存在着以下特点：被控对象和控制目标进一步复杂化、干扰因素增多、不能仅仅依靠本地信息决定、并不是局部最优之和等于全局最优、需要在各个局部路口最优配时方案之间进行折中(Tradeoff)，即寻求平衡点(多目标优化问题中常出现的现象)。
在2方法的基础上，以四相控制为例，与下一个交叉口进行协调，则应检测下一个交叉口的车辆排队数，与当前绿灯车辆队列Q g 同一方向的车辆队列数设为Q ng；与当前红灯车辆队列Q r 同一方向的车辆队列数设为Q nr，车辆队列数的论域仍为[0，30]，分为5 个模糊子集：微、少、中、多、巨，红绿灯的隶属度函数见图6 和图7，增加两个辅助模糊控制器，一个输入为Q g 和Q ng，输出为Q g ＇；另一个输入为Q r 和Q nr，输出为Q r ＇。如果下一个与当前绿灯同一方向交叉口的车辆排队数Q ng 比较大的时候，就把当前绿灯的车辆排队数Q g 降低，相当于降低当前绿灯方向上的通行权，不至于加剧下一交叉口的车流量，达到局部优化的目的；红灯方向上的控制方法類似，从而得到改进的多路口模糊控制系统，见图9；辅助模糊控制器的控制规则见表4、表5。
具体算法如下：
Step1：把辅助控制器的输出Q r＇和Qg＇作为模糊控制器的红绿灯车辆排队数输入，即替换原来的Q r和Q g；
Step2：根据实际情况和经验分别指定各相位的最短绿灯时间T g，max、最大绿灯时间Tg，max和黄灯时间T y，从而确定最小信号周期T min和最大信号周期T max；
Step3：给获得通行权的相位以该相位的最短绿灯时间T g=T g，max；
Step4：根据T g 秒内测得的车道上的车辆信息，计算放行相位在T g秒内的绿灯车辆数Q g＇及红灯相位的车辆数Q r＇，模糊控制器根据模糊规则控制交通信号的切换；
Step5：相位控制器根据红灯相位的车辆数Qr＇，相位优化器从中选择下一个候选绿灯相位，它以辅助控制器输出的红灯相位车辆数Qr ＇作为输入。若最大绿灯时间T g，max 到来时红灯相位的车辆数Q r ＇= 0，则继续给当前绿灯方向于通行权，返回Step3。
三、方法分析
假设有一个交叉路口，路口间距150 m，按前面的方法安装相距150 m 的车检测器测得两路口间的车辆数，车辆数Q 为相对方向车辆数的平均数，再假设平均车长5 m，平均车速5 m/s，不失一般性，且入口处平均每5 s 到达一辆车，交叉口绿灯时平均每2 s 排一辆车，车过交叉口的时间与信号相位差抵消。Q[ → ] 表示东西方向的车辆数；Q [ ↓ ]表示南北方向的车辆数；G 为[ → ] 表示绿灯方向为东西方向；G 为[ ↓ ] 表示绿灯方向为南北方向，如图10 所示。
在路口1 对方法2 的分析见表6，Δt = 10 s，记录240 s 内的交通流量情况。
从上表可以得出：最大车队长16辆，南北车流72辆，东西车流82辆。在路口1对方法2.1的分析见表7，记录240 s内的交通流量情况。
从上表可以得出：最大车队长18辆，南北车流82辆，东西车流62辆。还可以进一步得出方法1和2的效果曲线图，见图11和图12。
对比1和2的分析结果，后者最大车队数小于前者，而车流輛数大于前者。表明方法2优于1，如果再考虑车辆到达呈正态分布和左右转车流的话，分析表明后者优势更加明显。
在多路口中，用类似的分析方法对3 方法进行分析，分析结果表明：3 方法可以增大多路口整体的车流辆，虽然可能使局部路口的车队变长，但整体效果变得更优一些。
结束语
交通系统作为一个时变的、具有随机性的复杂系统，显然不能建立在精确、有序的数学模型基础上研究。模糊控制模仿人工控制活动中人脑的模糊概念和成功的控制策略，运用模糊数学的方法，把人工控制用计算机实现，它所研究的目标不再是被控对象，而是控制器本身，克服了控制系统对系统数学模型的依赖，因而具有很强的鲁棒性与抗系统时变性。
参考文献
[1] 赵建玉,贾磊,朱文兴,杨立才.干道交叉口交通信号的模糊控制设计[J]. 山东大学学报(工学版). 2006(01)
[2] 朱铭琳,陈阳舟.一种实用的交通信号模糊控制系统的研究[J]. 计算机应用. 2007(01)
[3] 林莉芸,项湜伍.交通灯的一种智能模糊控制系统[J]. 电脑知识与技术(学术交流). 2007(07)
[4] 刘坤颖,蔡伯根.单个交叉口模糊控制及Simulink仿真[J]. 公路工程. 2007(06)