城市道路交叉口自适应信号控制仿真技术研究

北京理工大学珠海学院2016届本科生毕业设计城市道路交叉口自适应信号控制仿真技术研究摘要为了改善城市道路网重要节点的交通堵塞问题，需要优化十字路口的信号配置策略，提高道路通行能力。自适应信号控制是智能交通系统的重要组成部分，通过交通预测、在线优化、高速响应等特点，有助于提高控制效率和缓解城市交通拥堵。在不同的数据收集手段中，如何根据十字路口的流量和渠化特征改进信号控制策略，提高自适应控制系统的可靠性是值得研究的问题。本文主要改进了信号控制优化模型，通过微模拟验证了所提出的模型，并进行了以下工作：本文提出了一种基于BP神经网络的交通流量预测方法，在此基础上构建了通行能力最大的自适应控制优化模型，并提出了解决方法。设计了基于VISSIM-MTLAB平台的实时控制仿真流程。最后，对不同到达率的定时控制和自适应控制进行比较，仿真实验结果表明，车辆到达率小的情况下，由于自适应控制引起的车辆延迟小。随着到达率的增加，定时控制和自适应控制方法的效果渐近，但是自适应信号控制方法优于定时信号控制的控制结果。本文研究的自适应控制模型从微观角度解释车辆到达动态，有助于提高自适应控制效果，缓解城市十字路口的交通拥堵。研究从局部、小范围城市的十字路口开始，提高单一对象的通行能力和服务水平。对目前提倡的低碳行政和城市环境可持续发展理念，有良好的促进作用。关键词：自适应信号控制、BP神经网络算法、VISSIMStudyonadaptivesignalcontrolsimulationtechnologyforurbanroadintersectionsAbstractInordertoimprovethetrafficjamatthekeynodesoftheurbanroadnetwork,wemustoptimizethesignaltimingstrategyatintersectionsandimprovethetrafficcapacity.Asanimportantpartofintelligenttrafficsystem,adaptivesignalcontrolisconducivetoimprovingcontrolefficiencyandeasingurbantrafficcongestionthroughtrafficprediction,onlineoptimizationandrapidresponse.Underdifferentdataacquisitionmeans,howtoimprovethesignalcontrolstrategyaccordingtotheflowandchannelizationcharacteristicsofdifferentintersectionsandimprovethereliabilityoftheadaptivecontrolsystemisstillworthstudying.Thispapermainlyimprovesthesignalcontroloptimizationmodelandverifiestheproposedmodelbasedonmicroscopicsimulation.Themainworkisasfollows:atrafficflowpredictionmethodbasedonBPneuralnetworkisproposed.Onthisbasis,themaximumcapacityadaptivecontroloptimizationmodelisestablished,thesolutionmethodisgiven,andthereal-timecontrolsimulationflowbasedonvissim-matlabplatformisdesigned.Thesimulationresultsshowthatundertheconditionofvehiclearrivalrate,thevehicledelayofadaptivecontrolisverysmall.Withtheincreaseofarrivalrate,theinfluenceoftimingcontrol,theadaptivecontrolmethodisgettingcloserandcloser,andtheadaptivesignalcontrolmethodisstillbetterthanthetimingsignalcontrol.Theadaptivecontrolmodelstudiedinthispaperexplainsthearrivaldynamicsofvehiclesfromamicroscopicperspective,whichishelpfultoimprovetheadaptivecontroleffectandalleviatethecongestionaturbanintersections.Theresearchstartsfromlocalandsmall-scaleurbanintersectionstoimprovethetrafficcapacityandservicelevelofasingleobject.Ithasplayedagoodroleinpromotingtheconceptoflow-carbontourismandthesustainabledevelopmentofurbanenvironment.Keywords:Adaptivesignalcontrol、BPneuralnetworkalgorithm、VISSIM目录目录TOC\o"1-3"\h\u第一章绪论 11.1研究的目的与意义 21.2研究方法和技术路线 31.2.1主要的研究方法 31.2.2技术路线 31.3论文框架 4第二章文献综述 52.1城市道路交通信号控制系统的发展过程 52.2基于交通流模型的自适应信号控制方法 62.2.1单交叉口信号控制方法 62.2.2干线交通信号控制方法 72.2.3区域交通信号控制方法 82.3BP神经网络交通流预测方法 102.4基于AI的交通信号控制方法 112.5综合评述 12第三章基于BP神经网络的交通流预测模型 133.1实时信号控制优化模型建立 133.2BP神经网络交通流预测模型的建立 153.2.1预测模型结果分析 17第四章自适应控制仿真实现 194.1建立路网模型 194.1.1仿真的环境 194.1.2感应信号控制设计 194.1.3VISSIM仿真的实现 214.2自适应控制的实现 234.3仿真结果分析 284.4本章总结 30第五章总结与展望 315.1研究成果 315.2后续研究工作 31参考文献 33附录1 40附录2 40PAGE6第一章绪论如今，在城市化加速、汽车保有量急速增加的背景下，城市的交通需求规模急剧扩大。城市居民越来越为高度的城市化而烦恼。比如，交通堵塞、环境污染、出行困难等。其中，城市拥堵是世界大城市普遍面临的问题，对人们的生活质量和各项工作效率产生了很大影响。为了解决城市的交通堵塞，从土地利用和交通的相互作用住宅用地和商业用地的部署和比率的合理安排，从城市规划的角度解决交通堵塞问题，另一方面，提高道路和公路网的通行效率，减少交通堵塞的发生概率。城市交通控制信号灯的十字路口，作为路网的关键节点，是最容易发生交通堵塞的地方，其排队车辆的无限制扩展，严重影响相邻交叉路口的通行效率。因此，路口信号控制策略作为缓解交通拥堵程度的有效方法，是近几年来交通工程专业的重要研究方向。据中国交通部发布的数据显示，交通堵塞造成的经济损失相当于城市人口的临时处理所得的20%，相当于年国内生产总值（GDP）的5~8%，达到2500亿元。因此，如果在十字路口运用先进的交通信号控制理论和方法，能够减少车辆的排队延迟，就能有效改善城市的堵车状况，产生经济和环境效果。现在，我国城市的数量达到了700多个。其中，大城市有150多个。到2025年，我国城市人口将增加3.5亿，城镇化水平将达到63.4%，民用汽车拥有量约为1亿5000万辆。是2000年储备量的8倍。因此，降低机动车延误时间将能够避免巨大的经济社会资源浪费与环境污染。以广州市为例，每人每天的拥堵时间以一小时计算。如果800万职工的一半以上使用私家车和公交车上下班，一个人的社会成本按20元计算。因交通堵塞造成的社会成本损失每天8000万元。根据国际标准计算汽车的耗油量。每3分钟延迟的燃料消耗量约为0.08升，相当于正常运行1公里的燃料消耗量。假设汽车晚点30分钟，消耗0.8升燃料，排放2.16千克二氧化碳，在广州市机动车保有量条件下，如果使用新型信号控制方案在每月每辆车能减少30分钟的延误等待时间，意味着将减少近8000多吨的二氧化碳排放。另外，随着公交优先理念在大城市的实施，线路网中的公交比例明显上升。为了提高公交车的移动效率，在城市道路的十字路口有公交优先信号的情况变多了。然而，现有的研究和实践表明，对特定车辆的信号优先措施不能避免对正常业务流的延迟增加。特别是公共汽车和轿车混在一起的情况下，要注意不同方向车辆的信号灯通行权的分配。因此，合理的信号控制策略对于减少乘客的延迟尤为重要。但是，如果信号灯发出时的方案不能正确反映实时交通流的特点，就会造成绿灯时间的浪费，周期过短，时间不够，产生不必要的等待时间。有相关的研究表明，不合理的交通信号灯时产生的额外油耗最高可达40%。。为了提高信号配置时的控制效果，欧美将无线传感器、高性能计算机、大规模信号收集系统和交通信号控制系统结合起来进行试验。以交通状态预测和实时在线优化计算为特征，自适应信号控制系统在世界大城市广泛使用。然而，在实际应用中，自适应信号控制系统通常通过埋设环收集实时车辆数据。像这样交通流的预测精度不高，有难以合理估计交叉路口的行列状况等缺点。需要开发先进的预测模型，从微观角度模拟车辆到达过程，提高信号控制方案的有效性。本论文主要通过微模拟来解决以下适应信号控制中的重要问题。：微观角度下的车辆到达预测：首先，对于想要到达当前十字路口的车辆，通过上游的检测线圈后，需要多长时间到达下游十字路口，才能加入排队车辆？在各种各样的条件下，在十字路口排队的车辆状态会有很大的不同，你怎么看十字路口的情况对车辆到达特征的影响呢？1.1研究的目的与意义近年来，通过传感器和无线网络传输技术的大规模应用，实现了大量交通信息数据的快速收集和共享。除了利用现有的环形检测线圈收集车辆到达信息外，越来越多的研究人员倾向于使用无线传感器对车辆位置速度等参数进行在线识别跟踪，不仅准确性较高，对信息的传递和共享有利，另外，交通信号控制方案的在线计算也很方便。因此，通过信息收集，快速有效地预测交通流量的变化，提高信号控制的优化效果，缓解城市道路拥堵具有重要意义。根据本文的关键研究问题，其具体研究目标和理论实践意义如下：建立基于BP神经网络的交通流预测模型城市交通系统是动态复杂的系统。许多参数，例如延迟时间，队列长度和流量不能直接获得。另外，由于驾驶员的行动不确定性，系统的随机性进一步增加。大多数传统的自适应信号控制系统基于历史数据，采用统计方法在短时间内预测未来的交通状况，并根据预测结果进行优化。其中问题在于无法考虑动态系统的不确定性因素，最终导致控制效果不够理想。为此，本文利用BP神经网络的交通流预测方法进行建模，在此基础上，提出了十字路口滞留车的最小最优化控制模型。1.2研究方法和技术路线1.2.1主要的研究方法本文采用的主要方法如下：文献研究和比较分析收集各种文献资料和技术报告,并掌握自适应信号控制领域的理论研究现状和发展方向。研究文献的过程中,微观模拟的优化及控制模式为焦点,数据收集及交通流的特征等角度总结整理的研究方法。同时，欧美发达国家在这一领域起步较早，积累了丰富的理论基础和实践经验，在收集整理相关资料的基础上，特别关注新型信号控制和优化方法和现有方法的对比效果。BP神经网络交通流预测方法采用BP神经网络算法对自适应模型进行优化和控制，该算法是利用误差逆传播算法训练的多层前神经网络，网络上的下层之间的每一个神经元都连接在一起，神经元之间没有连接。BP神经网络采用误差逆传播法的领导学习方式：首先，在输入训练用网络的提供和期望的互联网输出之前，通过个别的计算方法，将实际网络的输出与实际的期望进行比较，将收入偏差反过来传播的网络，逐步提高互联网的连接权值和阈值。修改并持续重复这个过程，直至网络输出接近真实值。统计学的检查和分析方法由于仿真试验具有随机性质，为了得到比较稳定的仿真试验结果，有必要变更随机种子。因此，对于性能差相对较近的信号优化控制方法，需要进行统计学检验和分析，观察其优化结果是否具有显著统计学意义，并定量示出控制效果的可靠性，其常见检验方法为t检验。1.2.2技术路线本文研究的技术路线如图1-1所示。在对基于微观仿真的城市道路交叉点自适应信号控制优化方法的研究中，总结了目前的研究现状，重点解决了微观角度的车辆到达预测问题。在车辆随机到达模式下，基于这一关键问题，提出了基于BP神经网络的交通流预测模型，详细介绍了实现VISSIM-ATLAB结合的自适应控制的仿真技术，模拟并实现了自适应控制。图1-1技术路线Fig.1-1TechnicalRouteofThisArticle1.3论文框架全文各章节介绍如下：第一章：绪论部分介绍了本文的研究背景和意义，介绍了采用的主要方法、技术路线和章节配置。第二章：主要介绍了自适应信号控制研究近几年的研究现状，从交通流模型、优化模型、数据采集手段等角度对文献进行梳理及评述，阐明不同方法的特点及局限性。第三章：在介绍了基于BP神经网络的交通流预测模型之后，提出了自适应控制模型。基于此，结合BP神经网络预测算法以根据不同目标函数优化分发方案。详细介绍了实现MATLAB-VISSIM结合的自适应控制的仿真技术，仿真实现了自适应控制。第四章：用实际事例验证了上述模型的有效性，与最佳定时信号配置方案进行比较，定量分析了减轻交叉路口车辆延迟的控制和优化效果。第五章：总结了本论文的主要工作。第二章文献综述这一章主要介绍城市道路十字路口自适应信号控制理论的发展现状。首先介绍了经典自适应信号控制系统的开发过程和相对成熟的理论方法：其次，以控制范围为划分标准介绍了现有方法的特点和不足之处，同时阐述了基于AI方法的信号控制模型。最后，针对现有方法的若干不足之处进行总结，进一步论述本文的研究意义。2.1城市道路交通信号控制系统的发展过程交叉信号管理作为现代城市道路交通控制系统的重要组成部分，于1868年在英国开始，1912年在美国俄亥俄州克里夫兰首次使用红和绿两种颜色的信号来管理交通。初期城市的十字路口信号主要以单点控制为主，通过人工或定时方式切换信号，直到20世纪30年代初期才出现线圈触发信号控制。20世纪中后期，随着计算机网络技术的发展，城市距离较近的相邻交叉路口出现了互联式的信号控制。其目的在于多交叉口之间的信号协调，通过十字路口的车辆可以有效地通过下游的相邻十字路口。自适应信号控制系统在此基础上，以实时、在线计算和快速响应为特征，在世界大城市广泛应用。主要包括SCOOT、SCATS和RHODES系统。SCOOT系统诞生于1970年代的英国，其信号传输时的方案主要由信号传输时的优化软件TRANSYT计算。为了获得车辆到达信息，在上游十字路口的出口（50-300m）埋设环路检测线圈，取得交通流信息后，形成周期性的流量分布图，组合预先积蓄的静态参数（车辆行驶时间，信号的相位顺序和时间等）进行增量探查，在生成最佳信号配置时进行组合。基于以上原理，SCOOT系统目前在中国的北京、成都等地广泛使用，但与触发式信号检测线圈的配置规则不一致，无法有效利用现有资源。另外，如果在上游十字路口的出口处配置线圈，则意味着预测时间短，无法满足长预测时间窗的需要（不足以形成完整周期的交通流量分布图），对优化控制效果产生恶劣影响。综上述，自适应信号控制的关键点在于准确预测交通实时状态和在线的优化计算。因此，新型的数据采集手段和分布式高性能计算系统会是今后重要的发展方向。同时，为了实现更大范围内交叉口的信号控制优化，需要提出基于路网的交通流模型以预测交通状况，并设计性能更忧的控制算法提高优化效果。2.2基于交通流模型的自适应信号控制方法除了在现有系统中得到应用的信号控制方法，世界各地学者还研发了各种基于不同特点和适用条件的自适应控制与优化理论。现有研究一般需要依托特定交通流模型和数学优化方法，根据其适用范围可以分为单交叉口、干线与区域协同的自适应信号控制方法，现将其总结如下：2.2.1单交叉口信号控制方法单一交叉路口信号控制是实现干线道路、区域信号控制和分散控制战略的基础。任何自适应信号控制策略都需要基于单一十字路口来预测车辆的到达。关于上述PREDIT算法的缺陷。Fang和Elefteriadou提出了考虑十字路口队列的车辆到达-分散预测模型，PREDIT算法解决了不能正确预测十字路口入口队列长度的问题。但是，这个模型只对红灯条件下的车辆到达进行了微观建模，所以还没有研究绿灯条件下的车辆到达的动向。Sun和Zhang建立触发式信号控制条件，所订十字路口的车辆可达到预测模型，并普及最大十字路口的共同控制。第一个基于单一十字路口的自适应信号控制策略是由Miller1963年被提出，之后陆续出现了各种自适应信号控制战略如OPAC，PRODYN，UTOPIA以及COP。以上的信号控制策略，车辆到达预测为基础，使用动态规划算法，实时调整信号绿灯时聘用的长度，而且cop算法，根据周期长和相位顺序被制约，因此迄今为止最高的单一匹配型十字路口信号控制算法和想法。COP算法的优化流程主要分为两个部分。首先，在前向的传递步骤中计算出每个备选方案的车辆延迟时间，然后用后向的估计法计算出每个相位的绿灯。Shelby对各动态规划算法的性能进行了详细比较。Porche和Lafortune1999年提出ALLONS-D自适应信号控制理论，提出了一种利用分流限界法计算最佳布局方案，在预测上游交通到达的前提下，依次优化单交叉路口的信号配置方案，实现共同控制的“隐藏协调”机制。这种方法需要较短的预测时间(5-15s)。检测器可以位于中间，考虑到上游交叉路口信号控制对预测结果的影响，较短的时间步骤对计算机性能提出了更高的要求。至此，分散控制型的“默认合作”的战略框架下，单一的十字路口的适应信号配问题也需要研究，首先在微观层面上的车辆抵达预测模式在短时间内被进一步改善算法优化效果，在一定的条件下如何提高交通控制领域的前沿问题。毕竟，提高单个路口的通行能力还是交通畅通的关键。2.2.2干线交通信号控制方法世界上最古老的交通干线道路信号控制系统可以追溯到1917年美国盐湖城6个十字路口的手动信号控制系统，之后在1922年休斯顿市开发出了利用自动计时器的12个十字路口信号共同控制系统。使用新干线联合的固定软件transy-7f和SYNCHRO，从绿色波段实现干线的联合控制。第一种带宽优化的计算模型是由Morgan和Little提出的，该模型能够对双向干道的固定信号配时方案进行优化实现绿波带宽最大化。随后，Little提出了更先进的数学规划模型以确定最优信号周期长度和给定范围内的推荐行车速度。在此基础上，Little等结合左转车流和排队长度建立了经典MAXBAND模型。Gartner等]在1995年提出了MULTIBAND模型，该模型能为交通干道设置不同的带宽以满足特定交通流特征。但是，上述研究都是基于离线方法，为了动态调整干线交叉口信号配时方案，Dell’Olmo和Mirchandani提出了REALBAND优化模型，该模型以车队为研究对象，利用决策树方法最小化到达车队的停车次数和总延误等指标，该方法已通过RHODES系统得到了应用。然而，以上模型共同缺点在于：不能有效处理饱和交通状态下的干道信号协调问题。为了解决由于车辆溢出导致的通行能力损失，Lieberman等提出了交通干道过饱和流量实时协同优化控制策略，其主要采用了Lighthill和Whitham，以及Richards提出的交通流波动理论计算车队消散时间与速率。Hu等利用基于最大流的方法处理过饱和干道中的车辆溢出和绿灯时间浪费问题，在过饱和交通流量条件下显著提高了交叉口通行效率。Li和Schonfeld采用混合遗传-模拟退火算法对过饱和流量下的交通干道信号配时方案进行了优化，包括相位顺序、周期长度和绿灯时长，研究表明合理的相位顺序对提升优化效果至关重要。鉴于现实系统的复杂性，半触发式（Semi-actuated）控制因其较低的安装与使用成本，在干道交叉口信号协同控制领域得到了广泛的应用。该信号控制策略主要在触发式控制逻辑的基础上动态调节上下游交叉口关键相位的相位差参数，从而达到协同控制的目的，其中一些调节机制是基于离线计算实现的。例如，Jovanis和Gregor通过将相位差的参考点移动至直行相位的末端，改进了传统绿波带最大化的优化方法，实现了半触发式协同控制。Shoup和Bullock利用通行车队中首辆车辆的行程时间来动态调整相位差参数。Yin和Li基于大量交通配时参数来调整最优相位差以减小车辆遇到红灯相位的概率并增加平均绿波带宽度。Zhang和Yin提出了鲁棒性优化模型以调整周期时长和相位差，该模型能有效处理半触发式信号控制中协调相位开始时间不确定性带来的影响。针对交通流量的不确定性，Zhang和Lou提出了基于整数规划的半触发式信号控制优化模型，能够在较低的流量条件下获得明显的优化效果。综上所述，交通干道信号协同与优化模型的研究重点一般为交通流模型基础上的相位差调整机制的建模，因为只有在合理预测交通流量变化的情况下，所设置的信号控制参数才能有效提高交叉口通行能力。但是，其中一部分控制模型主要基于离线计算，不能很好符合交通流实时波动特征。如果能够协同不同方向的交通流，该类信号控制模型将扩展至路网层面，实现更大规模的交通协同与控制。更多关于区域交通自适应信号控制方法请见下文。2.2.3区域交通信号控制方法自适应信号控制的关键在于交通状态的正确预测和实时在线优化计算。更广阔范围内的十字路口的信号控制优化，为实现交通状况，为了预测,基于网络的交通流模型，提出具有更出色的性能，控制算法设计了实时计算时间缩短，是有必要的。Diakaki等在2001年提出了基于线性二次型的交通控制策略（Traffic-responsiveUrbanControl,TUC）TUC控制策略以store-and-forward（SAF）交通流模型为基础，其闭环反馈控制器可根据网络中各路段实时车辆数计算交叉口的绿灯时长。基于TUC模型框架，研究人员又对其进行了改进。例如，Diakaki等针对TUC中交叉口信号周期长度、相位差相对固定的缺点，提出了信号控制周期和相位差的调整算法。Kouvelas等针对TUC控制方法只能在相对饱和流量的路网中有较好控制效果的特点，设计了混合控制策略：如果交通流量小于阈值，采用基于流量的实时控制策略；接近饱和流量时采用TUC信号控制策略，仿真结果表明该混合控制方案能有效应对交通流的波动。基于相同的交通流模型，Aboudolas等提出了以MPC（ModelPredictiveControl）为框架的控制策略。MPC是一种广泛运用在自动控制领域的方法，其基本思想在于利用滚动时域对未来交通状态进行预测，优化求解时考虑多个时间步长，但只在第一个时间步长内对信号配时方案进行调整。这样实际上形成了闭环反馈机制，弥补了预测精度不足产生的影响。在对最优信号配时方案进行求解时，Aboudolas等建立了数学规划模型并利用序列二次算法（SQP）进行求解，获得了比TUC更好的优化效果。Tettamanti等在TUC的基础上考虑了交通量的预测误差，提出了路网信号控制鲁棒性优化模型，最后建立了VISSIM-MATLAB仿真优化平台。结果表明该方法能够有效提高信号控制的鲁棒性，对于流量波动较大的路网有较好的控制效果。上述研究都是基于SAF交通流模型，虽然该模型可线性表示信号控制条件下各路段车辆数量随时间的变化情况，但是由于未考虑交叉口车辆排队长度的增减变化，该模型不能反映车辆在交叉口的延误情况。此外，模型要求交叉口采用相同周期长度和相位顺序，然而由于道路渠化和交通量不同，各个交叉口信号周期和相位设置差异较大，若设置成单一信号周期长度和相位顺序可能带来更大延误。最后，SAF模型假设车辆在绿灯时间以饱和流率通过，因此对非饱和情况下交通流的估计会产生偏差。为了提高交通流模型准确性，Lin等提出了基于离散延误时间的交通流模型。新的交通流模型能够详细描述交叉口各进口道排队长度的变化情况，并且对车辆到达排队末端的时间进行预测，显著提升了交通状态估计的准确性，有助于直观反映交叉口延误情况。在此基础上，Lin等建立了基于MPC的非线性优化模型和混合整数规划模型，该模型不仅计算效率较高，并且不要求各交叉口具有相同的信号周期长度，比较符合现实情况。近两年来，多交叉口信号控制研究的热点更多集中在路网边界信号控制和不同区域控制策略的协调。这类信号控制方法的理论基础是Daganzo和Geroliminis基于所提出的公路网的交通流模型MFD。同经典交通流理论的密度-流量关系图相似，MFD能够表示路网中交通密度和交通流量之间的关系，前提是路网的拥堵情况是均质的。Keyvan-Ekbatani等利用反馈控制方法实现了路网边界交叉口的信号控制，以保证路网内部交通流畅通。Aboudolas和Geroliminis利用相似方法实现了多个路网之间的边界流量控制。Geroliminis等利用MPC优化控制框架对两个城市子路网进行流量控制。Lin等设计了基于宏观交通流MFD模型和MPC控制模型的多层控制算法，每层信号控制都受上层信号控制结果约束。在仿真软件实现过程中，须拟合路网MFD曲线以建立信号控制目标函数，但拟合方程的准确性仍需进行深入研究。2.3BP神经网络交通流预测方法根据BP人工神经网络误差反向传输算法训练的多层神经网络前方,网络上的下层之间的每个神经元的所有链路没有在每个神经元之间链接。如图2-1所示，BP神经网络是三层反馈网络、输入层、隐藏层和输出层中的每一个。BP神经网络采用误差逆传播法的领导学习方式：首先,所与网络的训练用的输入和输出所要求的网络,顺方向的每个阶层都计算方法在实际的网络输出,得到实际输出和所要求的输出功率进行比较,得到的偏差网络沿着相反方向传播,网络的连接权值和通过杠杆使每个阶层都修改真诚,网络的输出值,重复这个过程,直到接近。图2-1BP神经网络Fig2-1BPNeuralNetwork公式中，X是样本数据，分别是样本数据的最小值和最大值，Y是转换后的数据: （2-1）公式中，X是样本数据，分别是样本数据的最小值和最大值，Y是转换后的数据。BP神经网络的输出值可以进行数据的逆正规化处理，使交通流的预测值复原，公式如下: （2-2）由于本论文仅预测了交通量的一个参数，所以输出层的神节点是一个，而输入层的节点数目取决于输入样本数据的维度，由于交通流在短期内存在较强的不确定性，因此选择样本数据的维度为20，隐式层节点的个数与需要解题的输入/输出层节点的个数相关联，但不存在特定的解析式。隐含层节点通常是基于经验和多次尝试而确定的。为了确定最佳隐式层节点的数目，请参考下式： （2-3）在等式中，k是样本，且隐式节点数目，且n是输入层节点的数目。如果 （2-4）在公式中，m是输出层节点的个数，n是输入层节点的个数。a是1，10间的定数。 （2-5）在公式中，n是输入层节点的个数。在各种人工神经网络中，BP神经网络被最广泛地利用，利用BP神经网络容易实现目的，数据量少，经常发现分组丢失的直接线性时间序列之间的内部连接。由于BP神经网络可以明确复杂非线性系统的特性，因此可以应用于短期交通流量预测。使用BP神经网络实现短期交通流预测的程序是：步骤一：收集大量数据，将其归一化为神经网络的训练和测试样本；步骤二：建立BP网络，并使用收集的样本来训练网络；步骤三：利用训练过的网络来预测短期交通的流向。2.4基于AI的交通信号控制方法除了基于实时交通流数据的预测算法，各国学者还研究了如何利用人工智能算法实现多交叉口自适应信号控制。基于人工智能的交通信号控制方法无需基于特定的微观或宏观交通流模型和数学优化方法，每个交叉口或车辆被视为单独agent，通过特定的学习方法训练之后进行决策，可灵活运用于不同区域内交通信号控制，是交通控制领域的未来发展方向之一。Bazzan和Klügl针对此类方法进行详细总结，指出如何实现多智能体（agent）之间的协调是该信号控制方法的关键。Srinivasan等设计了基于神经网络的动态方法划定子控制区域，并对各子区域分别进行信号控制。但是，由于使用了神经网络，协作区域的划分机制不明确，并且每一个交叉口只能处于一个合作区域内，缺乏跨区域的协调机制。对于有学者提出使用强化学习算法进行单个交叉口信号优化，Kuyer等提出了一种基于加强学习的多交叉点信号控制方法，其中交叉点与直接相邻的交叉点相协调，使用Max-plus算法进行协调学习。但是，如果智能体数量过大则会出现维数灾难，从而导致运算时间过长，不易收敛等问题。针对基于多智能体信号控制中维数灾难和不易协调的问题，El-Tantawy等设计了基于Q强化学习算法的相邻智能体的协调策略，并利用Paramics仿真软件对大规模路网交叉口进行了信号控制。虽然协调机制较为简单，但可能出现学习时间过长，算法难以收敛的情况。Arel等利用Q强化学习算法设计了“最长排队优先放行”的多交叉口信号控制策略。在该策略中，中心点交叉口根据周围交叉口的交通状况制定控制方案。然而，由于需要使用神经网络求得近似的状态值，该方法能否在大规模网络上得到应用仍需进一步研究。2.5综合评述通过分析总结基于微观仿真的自适应信号控制理论的研究现状与进展，发现如下特点：BP神经网络交通流预测方法在自适应信号控制算法中的作用值得重视：以往自适应信号控制算法较少关注BP神经网络算法。为了使得优化模型兼容较为复杂的相位结构，一般采用分支定界或枚举的方法，在一定程度上降低了模型的求解效率。故为了降低复杂度，提高控制策略灵活性，仍有必要采用新的算法。第三章基于BP神经网络的交通流预测模型3.1实时信号控制优化模型建立本研究的对象是十字路口，十字路口的情况如下图所示，东西方向主要是干线道路，南北方向是次干线道路。图3-1交叉口示意图Fig.3-1IntersectionDiagram如图所示，东西方向是主干路，南北方向是次干道，右转方向的车辆与其他方向来的车辆没有碰撞点，所以在建模过程中不考虑右边的车，只对左边的车和直接行驶的车进行建模。各相位不同的车道车辆的行驶状态用0-1矩阵A表示如下。 （3-SEQ公式\*ARABIC\s11）其中，z表示相位的号码，分别1、2、3、x表示车来的方向的号码，取1、2、3、4的值。十字路口的进口分别表示东、西、南、北的方向。c表示各个车道的号码。主干道的值是1、2、3。分别在十字路口的每个入口表示左转、直行车道。分别表示十字路口各入口的左侧，直行车道。 （3-SEQ公式\*ARABIC\s12）下一个十字路口的选择由三相信号控制，车辆的运行状态系数矩阵为： (3-SEQ公式\*ARABIC\s13)本论文选择了优化目标函数的十字路口通行能力,各周期通过的车辆数最多,如果能够实现十字路口的每个周期延迟车辆数最少,也就是说每周末的十字路口滞留的车辆数最少的实现。设：十字路口的各个相位的绿色时间；为第i个循环、第z个相位、第x个方向、第c个车道的车辆数量；为第i个周期、第z个相位、第x个方向、离去c号车道的车辆数量；表示第i个周期，第z个相位，第x个方向，第c个车道的可到达率；表示第i个周期，第z个相位，第x个方向，第c个车道的可能的离开率；表示第i个周期，第z个相位，第x个方向，第c个通道的到达车辆数；n-1个循环的最后一个路口实际停的车辆数量为： (3-SEQ公式\*ARABIC\s14)第z个相位、第x个方向、第c个车道的可到达车辆数为： （3-SEQ公式\*ARABIC\s15）第z个相位、第x个方向、第c个车道的可离开车辆数为： （3-SEQ公式\*ARABIC\s16）第i个周期、第z个相位、第x个方向、第c个车道的可滞留车辆数为： （3-SEQ公式\*ARABIC\s17）则第n循环末可能滞留的车辆数为： （3-SEQ公式\*ARABIC\s18）其中 （3-SEQ公式\*ARABIC\s19）考虑到步行者在街上行走时的安全性，每一相位最短的绿色信号时间不会低于某个值e（通常为e≥15s），因此 （3-SEQ公式\*ARABIC\s110）所选择的一次十字路口由三相位信号控制，因此各相位的绿灯时间满足条件。 （3-SEQ公式\*ARABIC\s111）3.2BP神经网络交通流预测模型的建立要创建BP神经网络交通流预测模型，需要遵循2.3节的内容，首先需要训练BP神经网络使其输出值接近交通流的预测值，最后通过LM优化方法确定BP神经网络隐含层节点个数完成BP神经网络交通流预测模型的建立。为了便于网络收敛，在BP网络训练之前，需要对样本数据进行规范化处理。训练数据的获取值在[0,l]之间。采用归一化公式:(2-1)基于BP神经网络的输出值的数据逆正规化处理能够恢复交通流的预测值，采用逆变换式:(2-2)在本论文中，由于交通量的预测只有一个参数，所以输出层节点是输入层数，并输入依赖于样本数据的维数，由于交通流在短期内具有较强的不确定性，因此选择样本数据的维度为20，隐层节点的个数与需要解决问题的输入/输出层节点的个数有关，但是没有特定的解析式。隐含层节点通常是基于经验和多次尝试来确定的。可以使用公式（2-3）确定最佳隐藏层节点的数量。在综合考虑上述方程的情况下，通过估计来确定隐藏层节点的个数。使用了3层的BP神经网络。也就是说，有输入层、隐藏层和输出层。网络模型的训练参数如下：网络期望误差为1e-8，初始学习速度为0.01，最大学习次数为20000。隐层赋活函数使用S函数，输出层训练函数使用线性函数。新设的X(k)(k1,2,...,j)是正规化的样本集合，表3-1表示用于预测下一时隙的输入数为i个，输出为1个的训练样本的数表3-1训练样本模式对训练样本训练目标X(1),X(2),...,X(i)X(i+1)X(2),X(3),...,X(i+1)X(i+2)…………X(j-i),X(j-i+1),...,X(j-1)X(j)当组合所确定的输入节点的数目时，知道i=20，取决于样本的情况，确定j=120，选择30个样本数据作为测试样本。将相邻的20组数据作为一个样本，即以相邻的20组短期交通数据为预测依据，将第21组数据作为预测对象数据，按这样的顺序排列。选择共120个训练样本具体分析如下。BP神经网络的输入层是20个节点，输出层是1个节点，训练数据全部是120个样本对，网络输入分别是20组：第一组是从101s到12000s的短期交通数据，第二组是201s到1100s的短期交通数据，第三组是从30s到1200s的短期交通数据。第20组是191s到1380s的短期交通流量数据。网络期望输出1100s到13900s的短期流数据。通过使用Levenber-Marquart优化方法，不仅可以解决复杂的问题，而且可以缩短学习时间。表3-2显示隐藏神经元的数量和预测效果。表3-2隐藏神经元不同情况下的预测误差的比较隐含节点个数101112131415MSE值0.13410.16270.11320.09910.06150.1209迭代次数356217125198128156如果来自上面的隐藏层节点的数目是12-15，则迭代非常接近，并且如果节点是14，则预测结果相对好，并且均方误差为6.15%，因此BP神经网络的隐藏层节点的数目选择14。图3-1示出了采用LM优化方法的网络训练误差收敛曲线：图3-1训练误差收敛曲线Fig.3-1TrainingErrorConvergenceCurve3.2.1预测模型结果分析使用MatlabR2012a神经网络套件函数选择30个训练样本，使用BP神经网络的短期交通流预测模型进行模拟，图3-2表示干线直行车道模拟结果曲线。图3-2BP神经网络短时交通流模型仿真结果Fig.3-2BPneuralnetworktrafficflowmodelsimulationresults图3-3相对误差Fig.3-3RelativeError根据该部分的分析和预测，利用交通流的数据和实际神经的短期预测值的相对误差在10%以内基本上只有精细的预测误差15%以上，所以基于历史的短期交通流的数据，可以处理BP神经网络的任意数据，非线性短期交通流。使用BP神经网络的短期交通流预测的模拟结果基本上令人满意。算法结构简单，预测精度基本满足短期交通流量预测要求。第四章自适应控制仿真实现4.1建立路网模型4.1.1仿真的环境如图3-1所示，本论文以该交叉路口为对象，东西方向为干线道路，南北方向为次干线道路。4.1.2感应信号控制设计4-1感应信号控制仿真流程图Fig.4-1ActuatedSignalControlSimulationFlowChart本文使用的感应信号控制仿真流程如图4-1所示，首先通过VISSIM软件构建路网模型，经由COM接口建立MATLAB与VISSIM之间的连接。然后利用MATLAB编程语言控制VISSIM进行模拟，最后用MATLAB接口模拟输出结果，对结果进行分析和评价。在适当调整了VISSIM之后，本文如-图4-2所示进行了3相控制图4-2信号控制相位图Figure.4-2SignalControlsPhase在本文中，图4-2示出了三相控制方案，图4-3示出了感应控制逻辑规则，当主干路直行相位开始时，如果判断主路直行相位绿灯信号的时间或最小绿灯信号的时间没有，则该相位维持绿灯信号，如果判断为从主路对面车头时开始4s，以下4s若延长绿灯信号，否则是否有主路左转车辆的请求判断是否有支路车辆，如有车辆要求，可转换主路左转相位，如无左转车辆相位要求，请判断是否有支路车辆，如有车辆请求，在某些情况下切换到分支相位，如果没有，则开始新的循环；主干路开始左转相位时，如果判断主干路左转相位绿灯信号的时间没有最小绿灯信号的时间，则维持同相绿灯信号，若判断为从主干路左转车道头时开始4s，以下4s若延长绿灯信号，否则对下一条干道有车辆的请求判断是否有车辆的要求，从转换到下一条干线道路的相位来看，如果没有车辆的请求，判断是否有主干路直行车的请求，如果有车辆的请求，新的周期的重新开始，如果延长继续没有绿灯的话，到最大的绿灯信号的时间为止；在下一条干道开始相位时，如果没有判断下一条干道是否将相位持续时间降到最小的绿灯信号时间，则继续运行，如果判断为从主干道左转车道的车头开始运行3s，如果将同相在绿灯信号以下3s，否则主干路车判断是否有两种要求，如有车辆要求，从主干道相位看，如无车辆要求，则继续延长绿灯，直到最大绿灯时间。图4-3信号控制逻辑规则图Figure4-3.LogicRulesofSignalControl4.1.3VISSIM仿真的实现为了实现自适应控制，首先用VISSIM软件构建道路网络模型，该路网模型也将作为定时控制的路网模型，选择信号控制器的类型，每个进口道路的车辆类型和所占比例为：小汽车80%，大客车20%，车辆的期望速度为40km/h，交叉口各进口道的车流量如表4-1所示。表4-1定时信号控制东左转东直行东右转西左转西直行西右转56817036825341628721南直左南直行南右转北直左北直行北右转416395435379435416采用定时信号配时的时候，配时参数计算使用Webster法，将延迟作为交通效果指标，确定最佳交通信号周期需要时间，如式 （4-SEQ公式\*ARABIC\s11）式中:d——各车的平均延迟，单位是s；C——周期长，单位是s；g——绿信比；q——流量，单位是Veh/h；x——饱和度。总延迟为:D=q×D把总延迟降到最小，则。可以利用近似解来获得最佳周期时长。 （4-SEQ公式\*ARABIC\s12） （4-SEQ公式\*ARABIC\s13）式中，——最佳周期时长，单位为s；——总起动损失时间单位s；L——总损失时间单位s；I——绿灯间隔时间，单位为s；——相位上每个最大值的总和。式4-3得到的最佳周期，每个信号周期的有效绿灯信号时间，如式4-4。 （4-SEQ公式\*ARABIC\s14）根据每个相位的最大流量比值把进行分配，就可以获得每个相位的有效绿灯时间。 （4-SEQ公式\*ARABIC\s15）式中，——相位中各个最大值之和然后算得各相位的有效绿灯时间为： （4-SEQ公式\*ARABIC\s16）相位1、相位2、相位3的绿色时间分别为42s,25s、23s，黄灯时间为3s。在采用自适应控制的情况下，限制信号的延长时间被设定为定时调整时信号时间的1.2-1.5倍，这里，最小的绿灯时间参照表2-1确定。单位绿灯的延长时间由下式计算，为确保车辆安全在十字路口通过最小绿灯时长为4s。 （4-SEQ公式\*ARABIC\s17）式中，l——是检测器和停车线的距离；V——车辆的平均速度。参数如表3-3所示。表4-2自适应信号控制相位一相位二相位三黄灯时间最小绿灯时间(s)1215153单位绿灯延长时间(s)4443极限绿灯延长时间(s)4828273进行定时控制仿真时将按照上述过程计算、设置相关参数，以不同的随机种子完成仿真后，将不同随机种子下的延误时间汇总至表4-1。以上为路网模型建设过程中需要根据交叉口流量计算得到的一些数据，如最佳周期时长T为99s、最小绿灯延长时间为3.6s等等，这些数据会作为下节自适应仿真控制平台的初始参数。4.2自适应控制的实现根据上一节建立的路网模型，并且添加信号组、车辆、路径决定、数据检测器、行程时间检测器等内容，作为接下来进行自适应控制的路网模型；在图4-2中示出了本论文中提出的自适应控制仿真技术的流程。图4-2自适应控制仿真技术流程Fig.4-2ProcessofAdaptiveControlSimulationTechnologyMATLAB通过VISSIM软件的COM接口实时取得VISSIM软件模拟中的输出数据，之后实时处理数据，解开各周期的协调参数，将评价结果发送到VISSIM，仿真结束。相当于用MATLAB语言创建了一个外部信号控制器。图4-3示出了数据检测器和行程时间检测器的位置，其中数据检测器用于检测车辆到达次数，行程时间检测器用于检测车辆通过某个区间所需的时间。从通过区间时必要的实际时间中减去理论时间。也就是说车辆为了防止在这个区间的延迟，为了防止到达率大的时候车辆检测器排队溢出，数据检测器设置在十字路口150米的位置。行程时间检测器设置在距离十字路口200米的位置。图4-3自适应控制仿真数据检测器位置Fig.4-3DataDetectorPositionofAdaptiveControlSimulation本文的数据从模拟实时收集的车辆流中，数据收集器分布在交叉点的上游，为了减少排队溢出对数据检测器的影响，在交叉点的上游100-150m的位置设置了数据检测器。每条车道设置一个检测器，每100s收集数据，模拟时间36000s，每辆车线有150组数据，模拟初期车辆从发生点到到达交叉点需要时间，由于交叉点没有达到稳定的状态，可以对500s前的数据进行取舍选择，得到145组数据。具体求解过程如下：用MATLAB接口链接到COM服务器，执行下述代码，打开VISSIM窗口，加载到载入网络。即刚才存储的路网模型。Filename=fullfile(Path_of_*_network,'*.inpx');flag_read_additionally=false;Vissim.LoadNet(Filename,flag_read_additionally);以下代码可以设置路径决策、车流量。SV_number=1;SVR_number=1;new_relativ_flow=0.18;set(Vissim.Net.VehicleRoutingDecisionsStatic.ItemByKey(SVRD_number).VehRoutSta.ItemByKey(SVR_number),'AttValue','RelFlow(1)',new_relativ_flow);VI_number=1;new_volume=800;set(Vissim.Net.VehicleInputs.ItemByKey(VI_number),'AttValue','Volume(1)',new_volume);以下代码可以设置设置车辆组成，设置期望速度。Veh_number=1;Rel_Flows=Vissim.Net.VehicleCompositions.ItemByKey(Veh_composition_number).VehCompRelFlows.GetAll;set(Rel_Flows{1},'AttValue','VehType',100);set(Rel_Flows{1},'AttValue','DesSpeedDistr',40);set(Rel_Flows{1},'AttValue','RelFlow',0.9);set(Rel_Flows{2},'AttValue','RelFlow',0.1);设置信号控制机程序：SC_number=1;SignalController=Vissim.Net.SignalControllers.ItemByKey(SC_number);new_signal_programm_number=2;set(SignalController,'AttValue','ProgNo',new_signal_programm_number);设置信号控制机供给文件：Sup_File2='*.sig';set(SignalController,'AttValue','SupplyFile2',Sup_File2);上述代码由外部的供应文件进行信号控制，在能够进行固定配的情况下，也可以使用vap语言进行信号控制。像这样进行固定配信时的信号控制的情况下，需要用VISSIM模拟软件修正具体配信时的参数。使用vap语言进行感应信号控制时，信号控制器的文件“*.vap”需要在Visamp中完成。“pua”需要用VISSIG完成。不开始模拟时，可以变更信号控制器的提供文件。开始模拟后，供给文件无法变更。以下代码可以自由地改变信号的颜色，而不直接由信号控制器控制，并且便于自适应控制。SignalGroup1=SignalController.SGs.ItemByKey(1);SignalGroup2=SignalController.SGs.ItemByKey(2);SignalGroup3=SignalController.SGs.ItemByKey(3);set(SignalGroup1,'AttValue','State','GREEN');set(SignalGroup2,'AttValue','State','RED');set(SignalGroup3,'AttValue','State','RED');选择随机种子：Random_Seed=42;set(Vissim.Simulation,'AttValue','RandSeed',Random_Seed);利用代码也可以进行单步模拟，连续模拟。连续模拟在设定的断点或终点停止。例如，首先执行单步的模拟，然后设定模拟结束时间。在100s的时候设定断点，VISSIM模拟执行到100s。停止。收集数据，更改参数，继续模拟。Vissim.Simulation.RunSingleStep;End_of_simulation=3000;set(Vissim.Simulation,'AttValue','SimPeriod',End_of_simulation);Sim_break_at=100;set(Vissim.Simulation,'AttValue','SimBreakAt',Sim_break_at);set(Vissim.Simulation,'AttValue','UseMaxSimSpeed',true);仿真速度也可以设定为表示1秒执行8个仿真秒的具体值。set(Vissim.Simulation,'AttValue','SimSpeed',8);Vissim.Simulation.RunContinuous;VISSIM执行连续仿真为了收集数据，首先需要在VISSIM软件中设置数据收集点，然后添加数据收集设施。以下代码中的DCumeasurement是在编号为1的数据收集设施中统计的车流量。DLCDelay是在编号为1的延迟测量设备中统计的平均车辆延迟时间。DC_number=1;DC_measurement=Vissim.Net.DataCollectionMeasurements.ItemByKey(DC_measurement_number);No_Veh=get(DC_measurement,'AttValue','Vehs(Avg,1,All)')DL_Delay=get(Vissim.Net.DelayMeasurements.ItemByKey(1),'AttValue','VehDelay(Current,Avg,All)');另外，“Vehs（Avg，1，All）”有3个参数，最初是仿真次数的号码，“Avg”表示仿真的平均值，也可以设定为具体的值。第二个参数是仿真间隔的编号。第三个参数是车辆类型，“全部”表示所有车辆，也可以设定为具体车辆。'Vehs（Avg，1，All）'是字符串，字符串的处理方式，大量取得数据。仿真结束了。使用以下代码保存网络，保存完成后关闭VISSIM。Filename=fullfile(Path_of_*_network,'*_saved.inpx');Vissim.SaveNetAs(Filename)Filename=fullfile(Path_of_*_network,'*_saved.layx');Vissim.SaveLayout(Filename)Vissim.release图4-3VISSIM-MATLAB实时仿真界面Fig.4-3VISSIM-MATLABReal-timeSimulationInterface在本次仿真完整运行后，查看生成的延误文件得到定时控制的总平均延误为35.41s、自适应控制的总平均延误为34.61s.也就是说，这次的模拟结果表明，自适应控制的效果比定时控制好。4.3仿真结果分析基于上述自适应控制设计，表4-1、4-2示出了在该交叉点用不同的随机种子进行自适应控制和定时控制的模拟结果。，表4-1定时信号控制随机种子主干路直行主干路左转次干路总平均延误5052.7728.8342.1236.4010051.5625.3936.1432.9215041.3230.3742.2735.3220044.7026.9344.2734.7525030.8326.3233.5828.9330043.2929.2834.0532.9935049.7731.3935.2435.3940047.3523.0644.8933.70表4-2自适应控制随机种子主干路直行主干路左转次干路总平均延误5049.3533.6535.7136.8210048.4930.7233.1434.4215039.0834.1940.4536.6320039.3831.4242.0935.6925028.9735.1935.0834.1330041.6734.7432.5335.3935048.4036.8233.8137.9740043.6030.7146.2337.22由表4-1和表4-2可知，采用自适应信号控制主干道直行延迟减少3%-25%，主干道左转延迟增加3%-13%，次干道延迟增加3%-18%。因为总平均延迟减少了1%-15%，因此，整个自适应控制的效果优于定时信号控制。主路和支路的流量比例为0.70.3，各流入路的车辆左转、直行、右转的比例分别为2，平均速度40km/h，到达率不同时的平均延迟如图所示。图4-1不同到达率的情况先仿真结果比较Fig.4-1SimulationResultsofDifferentArrivalRates从上面的图可以看出，在车流小的情况下，两种控制方式的延迟都很少。但是，自适应控制引起的延迟小于定时信号控制引起的延迟。4.4本章总结本章首先介绍基于BP神经网络的交通流量预测方法，提出基于此的十字路口停留车辆最小化控制模型，并提出模型的解决方案。介绍了MATLAB通过VISSIM软件的COM接口实时获取VISSIM软件模拟中的输出数据，之后对数据进行实时处理，解开各周期的配时参数，将评价结果发送到VISSIM，并进行仿真到结束为止，相当于用MATLAB语言制作了外部信号控制器。最后，以不同的到达率进行定时控制、自适应控制，根据仿真结果，在车辆的到达率小时，自适应控制比定时信号控制优秀。随着到达率的增加，自适应控制和定时控制方法的效果逐渐接近，但是自适应信号控制方法优于定时信号控制的控制结果。第五章总结与展望为了缓解城市交叉口堵塞问题，必须依赖于更加先进的交通信息采集手段和信号控制策略。因此，基于不同车辆到达特征信息和采集手段的自适应交通信号控制方法仍是交通管理与控制领域的重要研究问题。尽管我国大中城市已普遍安装有成型的交通信号控制系统，如SCOOT和SCATS系统，但其缓解交通堵塞效果仍然有限，并不能很好从微观层面预测车辆到达时间以提升信号配时方案控制效果。如何在现有自适应信号控制方案的基础上，利用新兴技术与理念提高控制模型优化效果是本文着重探讨的问题。基于此，本文借鉴国外的研究成果，根据不同信息采集手段和车辆到达特征，建立了车辆到达预测模型和自适应信号控制方法，其主要研究成果如下；5.1研究成果本文从自适应信号控制理论的产生和发展入手，介绍了其控制模型和算法的研究进展和挑战。本文认为合理采用新兴交通信息采集技术和改进现有信号控制方法，并且合理计算复杂度条件下实现不同信号控制器的联动协同，逐渐扩大交通控制与协同范围是今后重要的研究方向。本文确立BP神经网络交通流预测方法，构建实时信号控制模型，为了实现模型仿真，利用MATLAB通过VISSIM软件的COM接口实时获取VISSIM软件仿真中的输出数据，对数据进行实时处理来解析各周期的配时参数，并进行评价将结果发送到VISSIM，相当于在仿真结束前用MATLAB语言制作了外部信号控制器。5.2后续研究工作自适应交通信号控制是一个涉及交通、运筹学、电子工程的综合课题。要真正从根本上改观城市路网交通堵塞问题，需要从网络层面下手，通过又到、拥堵收费、信号控制等综合方法调控交通需求，从根本上减少到达交通瓶颈路段的车流量，从而降低出行者延误时间。优于科研水平和精力有限，本文只是以单个交叉口为研究对象，从交通信号优化模型方面入手，提出了基于车辆随机到达信号优化模型，现有方法和模型有不足之处和以后的研究方向总结如下：现有研究对象为单个交叉口，未考虑干道连续交叉口、方格路网上多个交叉口的协同优化。因此，今后可尝试在隐式协同的原则基础上实现交通网络层面信号控制优化，考虑上有不同方向车辆到达对当前信号控制方案的影响。提出的信号控制模型一般适用于非饱和交通需求情况下的信号优化，且在低中饱和水平下大道较理想控制效果，但如果发生过饱和情况，本模型将不再实用。因此，今后需要在模型中加入车辆溢出的限制条件，从而扩大本模型的适用范围。采用的BP神经网络预测方法得到的结果不够精确，可以结合其他算法提高神经网络的精度，缩短学习时间。最后，由于提出的模型只是在VISSIM仿真平台中进行实现，其是否能够在实际路网中有效缓解交通堵塞还需进一步验证，具体工作包括仿真模型的校准与验证等。如果能够在控制系统在得以实现，还可以通过硬件在环等手段进行评价，提高模型方法可靠性。参考文献[1]张凯.城市多方式交通出行的社会外部性分析及优化[D].北京：北京交通大学.2015.[2]郭战伟.北京交通拥堵的五种成本分析[J].中国经贸,2008(13):82-83.[3]FambroD.B.,SangineniS.M.,LopezC.A,SunkariS.R.,BarnesR.T.BenefitsoftheTexasTrafficLightSynchronization(TLS)GrantProgramII[R].TexasTransportationInstitute,1995.[4]王彦卿.IVHS—当代交通工程的前沿技术[J].公路交通科技,1993,10(1):68-73.[5]张伟,谭国真,丁男,商瑶.基于邻接传感器及神经网络的车辆分类算法[J].通信学报,2008,29(11):139-144.[6]PlineJ.L.TrafficControlDevicesHandbook2001:AnITEInformationalReport[R].InstituteofTransportationEngineers,2001.[7]FHWA.TRANSYTUSER'SMANUAL(RELEASE6)[R],Washington,D.C,U.S.DepartmentofTransportation,FederalHighwayAdministration,1988.[8]HuntP.B.,RobertsonD.I.,BrethertonR.D.,WintonR.I.SCOOT-Atrafficresponsivemethodofcoordinatingsignals,LaboratoryReportNo.LR1014[R].Crowthorne,Berkshire,England,TransportationandRoadResearch,1981.[9]LukJ.Y.K.Twotrafficresponsiveareatrafficcontrolmethods:SCATandSCOOT[J],TrafficEngineeringandControl,1984,30:14-20.[10]MirchandaniP.,HeadK.L.Real-timetrafficsignalcontrolsystem:architecture,algorithms,andanalysis[J].TransportationResearchPartC:EmergingTechnologies,2001,9:415-432.[11]HeadL.Event-basedshort-termtrafficflowpredictionmodel[J].TransportationResearchRecord,1995,1510:45−52.[12]SenS.,HeadK.L.Controlledoptimizationofphasesatanintersection[J].TransportationScience,1997,31(1):5-17.[13]FangF.C.,ElefteriadouL.Modelingandsimulationofvehicleprojectionarrivaldischargeprocessinadaptivetrafficsignalcontrols[J].JournalofAdvancedTransportation,2010,44(3):176-192.SunJ.,ZhangL.Vehicleactuationbasedshorttermtrafficflowpredictionmodelforsignalizedintersections[J].JournalofCentralSouthUniversity(Englishversion),2012,19(1):287-298.[15]MillerA.J.Settingsforfixed-cycletrafficsignals[J].OperationalResearchQuarterly,1963,14(4):373-386.[16]GartnerN.H.OPAC:Ademand-responsivestrategyfortrafficsignalcontrol[J].TransportationResearchRecord,1983,906:75-84.[17]FargesJ.L.,HenryJ.J.,TufalJ.ThePRODYNreal-timetrafficalgorithm[C].ProceedingsoftheFourthIFACSymposiumonTransportationSystems.Germany,Baden-Baden.1983.307-312[18]MauroV.,DiTarantoC.UTOPIA[C].ProceedingsoftheSixthIFAC/IFIP/IFORSSymposiumonControl,Computers,Com