高速公路模糊神经网络限速控制与仿真研究

1、第22卷第11期2005年11月公路交通科技Journal of Highway and T ransportation Research and DevelopmentV ol 122N o 111N ov 12005文章编号:10020268(200511012303收稿日期:20040722基金项目:广东省自然科学基金资助项目(010486作者简介:梁新荣(1964-,男,江西临川人,博士生,主要研究方向为智能控制理论与应用1(xrliang wyu 1edu 1cn 高速公路模糊神经网络限速控制与仿真研究梁新荣1,2,刘智勇2,毛宗源1(11华南理工大学自动化学院,广东广州510640

2、;21五邑大学信息学院,广东江门529020摘要:高速公路限速控制是一个非线性时变系统,难于用数学模型准确建模,提出一种模糊神经网络实现限速控制。本文阐述了网络的结构和学习算法,根据高速公路车辆群状态、路面性能、气象条件等,建立交通流速度限制模糊神经网络模型,并进行了仿真研究。仿真结果表明网络训练速度快、精度高,适合交通流限速控制的在线建模。该方法切实可行,可使交通流更加均匀、稳定,从而提高主线运行的安全和效率。关键词:模糊神经网络;高速公路;速度限制;仿真中图分类号:U491文献标识码:ANeuro Fuzzy Control for Speed Limit on Expre ssway a

3、nd I ts Simulation StudyLIANG Xin rong1,2,LIU Zhi yong 2,MAO Zong yuan1(11C ollege of Automation ,S outh China University of T echnology ,G uangdong G uangzhou 510640,China ;21School of In formation ,Wuyi University ,G uangdong Jiangmen 529020,China Abstract :The control for speed limit on expresswa

4、y is a nonlinear and time variable system ,it is difficult to simulate with a mathemati 2cal m odel 1A neuro fuzzy netw ork is proposed to s olve the problem 1The netw ork structure and learning alg orithms are formulated 1The net 2w ork m odel is built based on such in formation as the number of ve

5、hicles on expressway ,the performance of the road surface ,and the weather conditions 1S imulation study is carried out by taking full advantage of a computer 1S imulation results show that such a netw ork has fast learning ability and high accuracy 1It is suitable to realize on line m odeling for s

6、peed limit of expressway traffic 1The approach is prac 2tical and effective 1It can make the traffic flow m ore uniform and steady ,s o that the safety and efficiency on expressway are improved 1K ey words :Neuro fuzzy netw ork ;Expressway ;S peed limit ;S imulation0引言改善高速公路交通拥挤的方法很多,如采用变向车道、限速控制、入口

7、匝道控制、路网配流控制、收费控制等。限速控制是充分利用道路状况、天气状况等与高速公路交通直接相关的信息,在高速公路上设置可变速度标志来限制行车速度,从而使交通流更加均匀、稳定,减少交通事故,同时还可提高道路通行能力,国外运行试验证明了这一效果1。计算机的广泛应用促成了人工智能的巨大发展,针对传统交通控制技术的缺陷,人们把人工智能的模糊逻辑24、人工神经网络5等应用到交通工程领域。模糊逻辑适用于表示模糊及定性知识,与人类思维的某些特征相一致,故嵌入到推理技术中具有良好的效果,但是模糊逻辑的参数选取几乎完全靠设计者的经验,在实际中根据不同的交通状况进行调整非常困难。人工神经网络具有学习功能,能够根

8、据实际的交通状况进行在线学习。采用模糊神经网络对高速公路限速控制进行研究,就是利用模糊逻辑的定性知识和推理能力以及神经网络的学习功能,实现一种高效的限速控制。1高速公路模糊神经网络限速控制器的设计高速公路限速控制的目标是速度指标。交通流速度是交通流流量、密度或占有率的函数,再加上道路状况、气象条件等对交通流运行安全和效率的约束条件,建立交通流速度控制模糊神经网络模型。利用训练样本数据对网络进行训练后,就可获得在不同车辆数目、不同路面性能评价值下的最佳速度目标值。在入口匝道附近的高速公路主线上设立交通信息指示牌,对高速公路路段的行车速度提出限制。模糊神经网络控制器的输入量有两个,其一为单位长度路

9、段上车辆数量n(n的取值范围为080辆km,它可由车辆计数器测出,也可由超声波检测器,地磁检测器或环形线圈检测器等测出。其二为路面性能评价值g (它的取值范围为010,由匝道口管理人员根据路面状况、路面所处的地理环境和气象条件确定。在干净、平整、无斜坡、无转弯、干燥、无障碍物的路面上,路面性能评价值高;相反,在凹凸不平、有斜坡、有转弯的路面上,路面性能评价值低。路面性能评价值还与气象条件有关,对于同一路面,当天气晴朗时,路面性能评价值高;当天气阴沉时,路面性能评价值降低;当天气有雾时,路面性能评价值更低;当结冰的时候,车辆易打滑,路面性能评价值很低。通过对高速公路控制路段晴、阴、雨、雾等气象条

10、件的采集,结合路面状况、路面等级信息,可获取在当前气象条件下受控路段的路面性能评价值。模糊神经网络控制器的输出量有一个,即高速公路路段的车辆行驶速度限制v(v的取值范围为35160kmh。实现此模糊神经网络控制器的条件是:控制总台能够通过电子通讯系统获得有关路面状况的信息,如路面维修、气象条件等;另一方面,控制总台能够通过电子通讯系统调节有关路段的限速标志。本文采用Sugeno模糊推理,Sugeno模糊推理与Mamdani模糊推理是类似的,主要的区别在于Sugeno 推理的输出隶属度可以是线性的或常数。模糊推理系统先对输入n、g和输出v归一化和模糊化,n分为5个语言变量:n1(多、n2(较多、

11、n3(中等、n4(较少、n5(少;g分为5个语言变量:g1(高、g2(较高、g3 (中等、g4(较低、g5(低;v分为25个等级,b1,b2,b25,其中b k,k=1,2,25是实数值, v的隶属度函数是单点的。训练前,n和g的初始隶属度函数如图1所示。模糊推理规则为图1n和g的初始隶属度函数R k:if(n is n iand(g is g jthen(v is b k其中,i=1,2,5;j=1,2,5;k=1,2,25,共有 25条规则。设计的模糊神经网络控制器的结构如图2所示,分5层。图2模糊神经网络控制器的结构第1层:每个节点都是一个自适应节点,节点输出为相应的隶属度函数。O1,i

12、=ni(xi=1,2,5O1,i=gi-5(yi=6,7,10其中,x和y是节点的输入,x代表输入n,y代表输入g。第2层:有25个节点,节点输出为相应的输入信号的乘积,每个节点输出代表一条规则的适应度。O2,i=w i=nj(xgk(yi=1,2,25;j=1,2,5;k=1,2,5第3层:对第2层的输出进行归一化处理,第i个节点的输出等于第i条规则的适应度与全部规则的适应度之421公路交通科技第22卷和的比值。O 3,i =w i =w iw 1+w 2+w 25i =1,2,25第4层:每个节点都是一个自适应节点,节点输出为O 4,i =f i (w i =p i w i +r i i

13、=1,2,25其中,w i 是第3层的输出,节点函数为f i (x i =p i x i +r i ,(p i ,r i 是连接权值和阈值。第5层:输出为所有输入信号的和O 5=fi(w i =(p iw i+r i=(p iw i+w ir iwii =1,2,25用一些训练样本数据对上述网络进行训练,可以学习与优化(p i ,r i 以及输入隶属度函数的各个参数。由于输入采用高斯型函数exp -(x -c ij 22ij ,所以供调整的参数就是c ij 和ij ,学习算法为混合使用最小二乘和反向传播,反向传播用来学习调整c ij 和ij ,最小二乘用来调整(p i ,r i 。2仿真研究为

14、了提高模糊神经网络的建模精度和获得良好的通用能力,网络的训练数据不能太少。高速公路管理部门根据管理人员实践、专家知识和驾驶人员的实际经验,提供90个样本作为训练数据。混合使用最小二乘和反向传播算法对网络进行训练,训练前必须对样本数据进行归一化处理。仿真实验表明:混合算法具有快的收敛速度,训练误差为6102519×10-6。当训练结束后,再用未训练的其它输入检测数据对网络的输出进行验证,结果网络的输出非常符合规律,表明所建立的模糊神经网络模型是成功的,它描述了输入、输出的映射规律。训练后,n 和g 的隶属度函数如图3所示,n ,g 和v 之间的输入、输出映射曲面如图4所示 。图3n 和

15、g 训练后的隶属度函数图4n ,g 和v 之间的输入、输出映射曲面设定时间点12个,时间间隔为15min ,路段的长度为10km ,路段上的车辆数、路面性能评价值和仿真输出速度如表1所示。表1仿真结果915915915810810921200891180098313938831797183189768411989由于天气变化,此路段在时间112内路面性能逐渐变差,评价值减小,从仿真输出的速度可以看出:在时间14内,速度限制约为118km h ;在时间58内,速度限制约为92km h ;在时间912内,速度限制约为84km h 。3结束语针对高速公路限速控制难于用数学模型准确建模这一问题,提出了

16、模糊神经网络控制方法。结合高速公路主线上的车辆群状态和路面性能、气象条件等信息,对高速公路的速度实现可变控制。该方法具有模糊逻辑的定性知识和推理能力,又具有神经网络的学习功能,可以在线调节模糊神经网络的参数以适应不同的交通状况。该控制方案不仅充分考虑到与高速公路交通直接相关的信息,而且切实可行,具有实用价值,可使交通流更加均匀、稳定,(下转第129页521第11期梁新荣,等:高速公路模糊神经网络限速控制与仿真研究较大的交通事故(因该路流量并不大,小事件对该路运行影响很小,平均事件持续时间达到了6015min,最大达264min。对于持续时间这么长的事件,不超过20min的预测误差对于决策是没有

17、太大影响的。(2事件持续时间本身就是一个存在一定随机性的问题,它与事件响应时间、事件处理人员的业务水平、事件时的天气和道路情况等诸多因素都存在着一定的关系。而我们在进行预测时并没有那么详尽、完备的数据可以利用,而只是用了其中几个对事件持续时间影响特别显著的因素,这就导致了在输入数据完全相同的情况下,事件持续时间可能存在较大差异的数据不一致现象。(3有一些事件的预测值和实际值之间存在较大的误差,这可能主要是由各事件管理人员在处理类似事件时操作上的差异造成的。为了验证所开发多元回归模型预测的显著性,本研究取显著水平=0101,对其进行了非参数单因素方差分析。结果表明,P=0100058<,由

18、此可见,该多元线性回归方程有显著的统计意义,用于事件持续时间的预测基本可以获得令人满意的预测效果。4结论本文对某高速公路660组实际事件数据进行了逐步回归分析,用卡车数、翻车、位置、路产损坏、交通堵塞、死亡人数、重伤人数和危险材料8个变量建立了事件持续时间预测的多元线性回归模型,并用另外170组数据对预测模型的预测精度进行了检验,预测值与实际值的相关系数高达018573。这表明本文提出的多元线性回归模型能够比较真实地反映事件的持续时间特性,基本可以获得令人满意的预测效果。如果能够获得更多、更为详尽的数据资料用于事件持续时间多元回归预测模型的建立,相信预测的精度将会得到进一步提高。但由于影响事件

19、持续时间的因素的广泛性、随机性和复杂性,作者认为再优秀的算法也是无法非常准确地对事件的持续时间做出预测的。希望本文的研究能够对发展我国的高速公路事件管理决策系统具有一定的指导和借鉴意义。参考文献:1刘伟铭1高速公路系统控制方法M1北京:人民交通出版社,199812A G arib,A E Radwan,H AlDeek1Estimating M agnitude and Durationof Incident DelaysJ1Journal of T ransportation Engineering,1997,123(6:459-46513D oohee Nam,Fred mannering

20、1An Exploratory HazardBased Analysis ofH ighway Incident DurationJ1T ransp1Res1,2000,34A(2:85-10214K onstantinos g Z ografos,K onstantinos N audrouts opoulos,G eorge M va2silakis1A RealT ime Decision Support System for R oadway Netw ork Inci2dent Response LogisticsJ1T ransp1Res1,2002,10C(1:1-181 5Edward C Sullivan1New M odel for Predicting Freeway Incidents and Inci2dent DelaysJ1Journal of T ransportation Engineering,1997,123(4:267-27516K aan Ozbay,Pushkin K achroo1Incident M anagement in IntelligentT ransportation SystemsM1London:Artech H ouse Inc1,199917陈魁1应用概率统计M1北京:清华大学出版