基于神经网络的城市关联交叉口交通流预测控制_第1页
基于神经网络的城市关联交叉口交通流预测控制_第2页
基于神经网络的城市关联交叉口交通流预测控制_第3页
基于神经网络的城市关联交叉口交通流预测控制_第4页
基于神经网络的城市关联交叉口交通流预测控制_第5页
全文预览已结束

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

基于神经网络的城市关联交叉口交通流预测控制

0信号控制策略分析城市交叉口主要特征是在地理位置的相邻节点和交通流之间存在一些相关性,以及相关性测量的动态变化。这是城市网络中常见的交叉口组合形式。城市关联交叉口构成城市路网中的重点交通区域(包括重要交通密集及交通瓶颈地带),因此,对城市关联交叉口的控制效果直接影响着城市路网局部通行效率。另外,由于交通流具有强非线性和时变特征,而传统的控制策略自适应性较差,无法跟踪交通流的复杂变化,也忽略了从交通流相关性的角度出发,以关联交叉口总体通行效率最优为目标来制定配时方案,这就导致实际中对关联交叉口的控制效果不佳。因此,探求具有自适应性、以全局最优为目标的城市关联交叉口信号控制方法,已成为改善中国城市交通问题的现实迫切需要。为此,本文中笔者以城市关联交叉口为研究对象,提出采用预测控制的“模型预测、滚动优化、在线反馈”思想,研究城市关联交叉口交通流的预测控制方法。1关联交叉口的定义城市关联交叉口(包括城市隧道、高架桥、高速路匝道口、快速路匝道口附近的各交叉口)是一组地理位置相邻、交通流之间存在一定关联性的交叉口集合。关联交叉口既可以是彼此邻近的交叉口,也可以是隧道两端的交叉口集合,其不受自然距离的约束,关联性主要体现于交叉口交通流之间的关联关系,且相邻交叉口之间的关联关系随着交通流行为的变化而变化。对于一些在地理位置上相邻的交叉口,由于在某些情况下其交通流之间的关联性较弱,因此不能构成关联交叉口。以图1所示的星型交叉口集合为例给出关联交叉口的定义。该交叉口集合包括主交叉口C0(最大周期路口)以及与C0相距di(i=1,2,3,4)的次要交叉口Ci。考察在Ci及C0进口道上检测到的交通流参数(主要为交通流量和平均车速)时间序列之间的关联度r0i,满足式(1)、(2)条件的交叉口Ci与C0即构成“以C0为主的关联交叉口”d(C0,Ci)=di≤d0(1)maxc(Q0i,Qij)=r0i≥r0(2)式中:i、j=1,2,3,4,分别表示交叉口进口的东、南、西、北4个方向;d(C0,Ci)为主交叉口C0和Ci的距离;Q0i为主交叉口C0进口i方向的交通流参数时间序列;Qij为交叉口Ci进口j方向的交通流参数时间序列;c(Q0i,Qij)为主交叉口C0进口i方向和交叉口Ci进口j方向交通流参数时间序列之间的关联度(可以是灰色关联度或非线性关联度);d0和r0为给定的阈值。2高速公路预测控制算法应用研究预测控制是一种基于模型预测进行控制的方法,其核心思想是“模型预测、滚动优化、在线反馈”,具有预测模型的多样性、滚动优化的时变性和在线校正的鲁棒性等特点,预测控制算法在近30年来已经在许多领域得到广泛应用。Hegyi等应用模型预测控制理念进行高速公路交通控制研究,以实现出行车辆在途时间最少的目标。刘智勇等将预测控制思想引入高速公路和城市交通控制中,对基于神经网络的交通流预测控制及其机制进行了相关研究。将神经网络理论与预测控制算法相结合的出发点在于,利用神经网络能充分逼近任何非线性函数、能够学习和适应不确定性系统的动态特性、能采用并行分布处理机制进行快速计算等优势,建立神经网络辨识结构作为预测模型。2.1交通流预测模型预测值以图1所示的关联交叉口为例,各交叉口均设计为四相位信号控制。以第l交叉口第n条车流在第m相位的排队长度为状态变量,则第k+1个周期时的排队长度可表示为Ρlmn(k+1)=Ρlmn(k)+ˆylmn(k)-Τλlm(k)slm(3)Plmn(k+1)=Plmn(k)+yˆlmn(k)−Tλlm(k)slm(3)式中:Plmn(k)为第k个周期时的排队长度;T为周期时长;λlm(k)为控制变量绿信比;slm为相应的饱和流量;ˆyyˆlmn(k)为径向基函数(RBF)神经网络对第k个周期第m相位第n条车流的流量组合预测值,由输出历史数据[ylmn(k-1),ylmn(k-2),…,ylmn(k-oy)]、输出单项预测值[ˆffˆlmn1(k),ˆflmn2(k),⋯,ˆflmnΚ(k)]和控制变量绿信比历史数据[ulm(k-1),ulm(k-2),…,ulm(k-ou)]所决定,K为组合预测时选用的单项预测模型个数,oy和ou分别为输入、输出量的阶次。以排队长度最小为优化指标,建立城市关联交叉口交通流预测控制性能函数如下minJ(k)=minC∑l=14∑m=112∑n=1{αlmn∥Ρlmn(k+1)∥2+βlmn∥λlm(k)-λlm(k-1)∥2}s.t.4∑l=1λlm(k)=1-tl0/ΤlΡlmn(k+1)=Ρlmn(k)+ˆylmn(k)-Tlλlm(k)slmλlm(k)≥λlmmin式中:目标函数等号右边第1项为排队长度指标,第2项为抑制绿信比剧烈变化的指标,避免信号配时变化太大对交通流产生不利影响;C为交叉口的个数;αlmn、βlmn为大于0的控制权系数;tl0为一个信号周期内的过渡过程时间(包括黄灯、红灯时间);Tl为l交叉口的周期时长;λlmmin为l交叉口第m相位的最小绿信比。2.2rbf神经网络设计根据城市关联交叉口交通流预测控制结构(图2)给出多RBF神经网络交通流预测控制算法步骤如下:(1)通过具有高精度车型信息的交通检测系统采集交通流参数信息,各类型车辆经折算后得到标准小客车当量交通流量数据,此数据经标准化处理后作为多RBF神经网络的学习样本集。(2)针对关联交叉口的M个进口方向,分别建立M个RBF神经网络,对网络结构进行设计,包括网络层数、输入层节点数、隐含层节点数、输出层节点数,对网络权值和阈值进行初始化。(3)设计RBF神经网络学习算法,通过足够多的样本集对各网络进行训练使其满足误差指标要求,并将网络投入在线运行。(4)由训练好的RBF神经网络得到关联交叉口交通流系统的预测模型,并计算第k周期时对M个进口方向的交通流量预测值ˆy1(k+1)‚ˆy2(k+1),⋯‚ˆyL(k+1)‚⋯‚ˆyΜ(k+1)。(5)确定关联交叉口的信号周期,并建立以关联交叉口停车次数、排队长度或综合指标为最优的性能函数,求解带约束的优化问题得到最优控制参数序列u(k)(绿信比或绿灯时长),再动态调整确定交叉口之间的相位差,将这些控制参数作用于被控关联交叉口系统。(6)在第k+1个周期,通过检测得到M个进口方向的实际交通流量y1(k+1),y2(k+1),…,yL(k+1),…,yM(k+1),计算实际值与RBF神经网络预测值的误差。若此误差值超出设定的误差指标,则对RBF神经网络组进行在线训练和修正;否则,只对未来预测输出进行误差补偿。(7)返回步骤(4),继续进行。3基于相位差动态调整的交通流预测控制关联交叉口信号配时参数有信号周期、绿信比(或相位时长)以及相位差等。根据各交叉口几何数据、交通流量及早晚高峰变化特点划分控制时段并确定配时方案时,初步确定不同时段中各交叉口的相位数及相序,在此基础上进行控制参数确定。信号周期T为决定交通信号控制效果优劣的关键控制参数。在关联交叉口信号控制中,可以首先计算出关联交叉口中主交叉口的最佳信号周期。如果各交叉口交通流量差别不是很大,则可用此信号周期作为关联交叉口的共用信号周期;否则,可采用多信号周期的控制方式,即对每个交叉口按最佳周期近似公式确定各自的信号周期。在确定了第l交叉口的周期时长Tl之后,根据各交叉口进口方向的交通流量RBF神经网络组合预测值ˆylmn(k),通过求解第2.1节中建立的城市关联交叉口交通流预测控制性能函数得到最优绿信比ˆλlm‚l=1,2,⋯,C;m=1,2,…,P,P为相位数。相位差是关联交叉口同一相位绿灯或红灯起始时间之差,是实现交通信号协调控制的重要参数。城市交通干线控制中,通过调整各交叉口间的相位差实现绿波控制,使车队经过这些路口时一路畅行,常用的相位差优化方法有图解法和数解法。除此之外,近年来各国学者也提出各种基于性能函数的相位差优化方法,文献中提出基于概率过程的单向交通流相邻交叉口信号间相位差优化理论方法;文献中以交叉口群内车流的总控制延误为优化目标建立了相位差优化模型。对于关联交叉口交通流预测控制,可借鉴区域交通控制中的相位差动态调整方法,先设定路网性能指标I,如关联交叉口排队总长度最小。在一组初始配时方案的基础上,以适当的步距(如T/50左右)调整交叉口相对主交叉口的绿时差,计算性能指标I。若本次得到的I值小于初始方案的I值,说明调整方向有效,还应当以同样的步距沿同一方向对该交叉口的绿时差进行连续调整,直至获得最小的I值为止。反之,则应朝相反方向调整绿时差,直至取得最小的I值为止。将以上信号周期长度、绿信比(或相位时长)、相位差等参数施加于控制对象,根据实时检测到的排队长度、延误时间及停车时间等数据对控制性能进行评价,并进入下一次关联交叉口交通流预测控制参数设置流程。4交通流量限值计算及仿真结果为了对本文方法进行验证,以如图3所示的三关联交叉口为仿真对象进行仿真试验,其中C0为主交叉口。试验环境为WinXP操作系统,仿真软件为Vissim3.6和Matlab6.5,仿真时间为620s。交叉口C0与C1之间的距离d1=454.0m,交叉口C0与C2之间的距离d2=155.0m;交叉口C1南北向为4车道,交叉口C2东西向为4车道,其余皆为6车道;路口各方向左、直、右行交通流量比例为0.2∶0.5∶0.3左右;各交叉口进口方向的交通流量限值Q1=Q5=1200veh·h-1,Q2=Q3=500veh·h-1,Q4=Q6=Q8=800veh·h-1,Q7=700veh·h-1;按常规方法将各交叉口周期设定为120s,采取四相位控制方式,相位配时t1=t3=40s,t2=t4=20s。为便于通过Vissim3.6软件进行交通控制仿真,此处仅以给定的交通流量限值为基础,加入一定的随机扰动生成仿真交通流。以关联交叉口总排队长度最小为优化目标,进行3个交叉口相位时长优化求解,得出交叉口C1相位t11=35,t12=38,t13=27,t14=20;C0相位t01=22,t02=33,t03=42,t04=23;C2相位t21=12,t22=52,t23=20,t24=36。将以上控制参数施加于关联交叉口,通过Vissim3.6仿真软件的评价参数输出功能,可以获取路段d1、d2上下行的行程时间Ti(i=1,2,3,4),以及交叉口的排队统计指标(包括平均排队长度、最大排队长队、排队车辆停车次数)。对本文方法与常规方法(按经验初步选定的控制方法)的行程时间、排队指标分别进行统计,见表1、2。通过各项统计数据可以看出:笔者提出的交通流预测控制算法由于以关联交叉口内总体排队长度作为优化目标,而不是以某一路口或某一方向的排队长度为优化目标,因此,平均排队长度、最大排队长度、停车次数等参数较常规方法明显减少,与相互独立的单点控制方法相比具有明显的优势。5关联4控制算法仿真(1)从城市道路交叉口之间的关联关系出发,对关联交叉口进行初步定义。在此基础上,提出以关联交叉口总体通行效率最高作为

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论