模糊推理技術和神經網絡在智能交通系統中的應用

原鑫鑫+葉帥

摘 要：本文提出一種新的BP和RBF混合神經網絡算法，并將其應用在智能交通誘導系統的研究。此研究既解決了現存交通信息孤島問題，又實現了交通動態誘導的功能，提高了路網通行能力，具有重要的理論意義和現實意義。

關鍵詞：混合神經網絡；交通動態誘導；路網通行能力

中圖分類號 ： TP3 文獻標識碼 ： A

1 引言

隨著經濟的快速發展，交通擁擠、擁堵等城市交通問題日益嚴重地困擾著世界各大中城市。公眾出行的多樣性和隨機性導致交通信息的隨時更新和掌握成為必要，研究開發動態智能交通誘導系統，可以有效實現路網交通流的有效分配。本文提出一種BP和RBF混合神經網絡算法，并將其應用在智能交通誘導系統的研究。

2 智能交通的數據融合系統

模糊理論和神經網絡都是基于人類處理各種復雜問題時所使用的解決方法進行總結，對遇到的問題進行抽象建模，得到智能解決問題的辦法。使用模糊推理系統可以處理不確定的信息，但沒有學習能力。神經網絡可以并行處理，自學能力強，但知識解釋較難。

2.1 智能交通數據融合系統的信息層實現

尋找兩個交叉路口的綠信比和最佳信號周期可以對單個交叉口的進行良好的控制。若車輛很少，可以將信號周期設置的盡可能的短，同時為了保證路口等待的車輛來的及通過，一般設置的信號周期不能小于30s。交通流量較大時，考慮到行人和司機的心理承受能力，一般最大周期時間必須限制在120s左右。

故在一個交叉路口的紅綠燈設置可以按照如下規律：

（1）給予一個方向的最短綠燈時間（如15s，可保證該路口的最短周期不小于30s）。

（2）綠燈時間結束后，根據檢測器檢測到的等待車輛數適當的控制綠燈時間。

（3）增加的綠燈時間結束后，再檢測重復第（2）步，但不能超過最大的綠燈時間（即120/2s）。

2.2 智能交通數據融合系統的特征層實現

應用神經網絡自學能力強的特點構建數據融合系統，對收集到的樣本數據進行分析處理并加以學習，總結規律，得到一個通用的對不同數據都能進行總結的人工神經網絡，并將分析得到的結果歸納出來。

BP和RBF混合神經網絡精確度提高，可以多次迭代，且有較好的收斂穩定性。下面介紹BP和RBF混合神經網絡的原理。

使用RBF神經網絡，可以解決局部最小值的問題，并可以線性逼近，性能良好，是一種優質前向網絡。結合BP和RBF神經網絡中的不同特點，根據徑向基函數的網絡結構，提出BP和RBF混合神經網絡的拓撲結構。該拓撲結構分為三層網絡：分別為輸入層、隱含層和輸出層。輸入層只對接收到的信息進行傳遞，不做任何運算；隱含層對輸入層傳遞的信息進行處理，根據不同的信息視需要而定，使用高斯函數進行映射變換；輸出層與輸入模式呼應，將隱含層變換的結果進行加權后輸出，是線性變化，輸出層的結果作為整個人工神經網絡的輸出結果。

2.3 智能交通數據融合系統的決策層實現

智能交通數據融合系統的決策層是將特征層所傳遞過來的交通流量大小、最佳信號周期等信息進行融合，分析交叉路口特點，能夠根據系統自動得到合理、精確的決策輸出。根據得到的結果下發不同的控制策略，由于有些結果是模糊的，所以需要用模糊推理技術將具有模糊性的值轉化為確定值，較好地協調控制策略中路口的綠燈時間和其他因素的關系，對交通控制決策進行很好的指導執行。模糊推理技術實現步驟如下：

（1）輸入、輸出量的模糊化

用模糊子集表示觀測值，即將每個路口等待的車輛數表示成語言值，如非常少、少、比較少等。將這些語言值表示成模糊子集A1、A2、...An。

（2）模糊邏輯推理

總結前人的交通控制系統的經驗，根據交通控制的特點，對檢測器檢測到的實時數據進行邏輯推理，確定對應的控制方法。

（3）模糊判別

輸入一個模糊子集，即某個特定的車隊長度，根據模糊邏輯推理，可以得到一個模糊控制策略。使用隸屬度函數將此模糊的控制策略結果轉化為清晰值。這以從模糊到清晰的轉換過程稱為反模糊化。用一個確定清晰的值作為智能交通數據融合系統中模糊判別的控制策略代表。

3 仿真研究

利用BP和RBF混合神經網絡算法設計智能交通數據融合系統編寫了仿真程序。利用該仿真程序對交叉路口的各種不同車流大小進行模擬控制，通過信息層、特征層和決策層對數據進行處理仿真。

假設路口的兩個交叉方向的最大通過能力為0.3輛/s，每個方向兩對向車流中等待車輛數較多的一方為檢測到的等待車輛數。故車輛到達率分別取0.0-0.3輛/s、0.0-0.2輛/s、0.0-0.1輛/s，依次減少。仿真結果表1表明，控制結果迅速、合理，與期望值基本吻合，非常類似于人的決策過程。

結語

本文以神經網絡和模糊推理技術為基礎，分析了智能交通系統中的流量、信息層信息融合方法、特征層處理方法和決策層決策方法，為交通控制技術提供了充分的理論基礎，具有重要的現實意義。

參考文獻

[1] 鄭景潤. 智能環境下基于音頻視頻信息融合的多說話人跟蹤[D]. 蘭州大學. 2011：10-12.

[2] 周潤景， 張麗娜. 基于MATLAB與fuzzy TECH的模糊與神經網絡設計[M]. 北京： 電子工業出版社， 2010， 1～211.

[3] 潘崢嶸， 王群. 基于模糊神經網絡的COD軟測量技術的研究 [J]. 計算機測量與控制， 2011， 19（7）： 1572-1574.endprint

摘 要：本文提出一種新的BP和RBF混合神經網絡算法，并將其應用在智能交通誘導系統的研究。此研究既解決了現存交通信息孤島問題，又實現了交通動態誘導的功能，提高了路網通行能力，具有重要的理論意義和現實意義。

關鍵詞：混合神經網絡；交通動態誘導；路網通行能力

中圖分類號 ： TP3 文獻標識碼 ： A

1 引言

隨著經濟的快速發展，交通擁擠、擁堵等城市交通問題日益嚴重地困擾著世界各大中城市。公眾出行的多樣性和隨機性導致交通信息的隨時更新和掌握成為必要，研究開發動態智能交通誘導系統，可以有效實現路網交通流的有效分配。本文提出一種BP和RBF混合神經網絡算法，并將其應用在智能交通誘導系統的研究。

2 智能交通的數據融合系統

模糊理論和神經網絡都是基于人類處理各種復雜問題時所使用的解決方法進行總結，對遇到的問題進行抽象建模，得到智能解決問題的辦法。使用模糊推理系統可以處理不確定的信息，但沒有學習能力。神經網絡可以并行處理，自學能力強，但知識解釋較難。

2.1 智能交通數據融合系統的信息層實現

尋找兩個交叉路口的綠信比和最佳信號周期可以對單個交叉口的進行良好的控制。若車輛很少，可以將信號周期設置的盡可能的短，同時為了保證路口等待的車輛來的及通過，一般設置的信號周期不能小于30s。交通流量較大時，考慮到行人和司機的心理承受能力，一般最大周期時間必須限制在120s左右。

故在一個交叉路口的紅綠燈設置可以按照如下規律：

（1）給予一個方向的最短綠燈時間（如15s，可保證該路口的最短周期不小于30s）。

（2）綠燈時間結束后，根據檢測器檢測到的等待車輛數適當的控制綠燈時間。

（3）增加的綠燈時間結束后，再檢測重復第（2）步，但不能超過最大的綠燈時間（即120/2s）。

2.2 智能交通數據融合系統的特征層實現

應用神經網絡自學能力強的特點構建數據融合系統，對收集到的樣本數據進行分析處理并加以學習，總結規律，得到一個通用的對不同數據都能進行總結的人工神經網絡，并將分析得到的結果歸納出來。

BP和RBF混合神經網絡精確度提高，可以多次迭代，且有較好的收斂穩定性。下面介紹BP和RBF混合神經網絡的原理。

使用RBF神經網絡，可以解決局部最小值的問題，并可以線性逼近，性能良好，是一種優質前向網絡。結合BP和RBF神經網絡中的不同特點，根據徑向基函數的網絡結構，提出BP和RBF混合神經網絡的拓撲結構。該拓撲結構分為三層網絡：分別為輸入層、隱含層和輸出層。輸入層只對接收到的信息進行傳遞，不做任何運算；隱含層對輸入層傳遞的信息進行處理，根據不同的信息視需要而定，使用高斯函數進行映射變換；輸出層與輸入模式呼應，將隱含層變換的結果進行加權后輸出，是線性變化，輸出層的結果作為整個人工神經網絡的輸出結果。

2.3 智能交通數據融合系統的決策層實現

智能交通數據融合系統的決策層是將特征層所傳遞過來的交通流量大小、最佳信號周期等信息進行融合，分析交叉路口特點，能夠根據系統自動得到合理、精確的決策輸出。根據得到的結果下發不同的控制策略，由于有些結果是模糊的，所以需要用模糊推理技術將具有模糊性的值轉化為確定值，較好地協調控制策略中路口的綠燈時間和其他因素的關系，對交通控制決策進行很好的指導執行。模糊推理技術實現步驟如下：

（1）輸入、輸出量的模糊化

用模糊子集表示觀測值，即將每個路口等待的車輛數表示成語言值，如非常少、少、比較少等。將這些語言值表示成模糊子集A1、A2、...An。

（2）模糊邏輯推理

總結前人的交通控制系統的經驗，根據交通控制的特點，對檢測器檢測到的實時數據進行邏輯推理，確定對應的控制方法。

（3）模糊判別

輸入一個模糊子集，即某個特定的車隊長度，根據模糊邏輯推理，可以得到一個模糊控制策略。使用隸屬度函數將此模糊的控制策略結果轉化為清晰值。這以從模糊到清晰的轉換過程稱為反模糊化。用一個確定清晰的值作為智能交通數據融合系統中模糊判別的控制策略代表。

3 仿真研究

利用BP和RBF混合神經網絡算法設計智能交通數據融合系統編寫了仿真程序。利用該仿真程序對交叉路口的各種不同車流大小進行模擬控制，通過信息層、特征層和決策層對數據進行處理仿真。

假設路口的兩個交叉方向的最大通過能力為0.3輛/s，每個方向兩對向車流中等待車輛數較多的一方為檢測到的等待車輛數。故車輛到達率分別取0.0-0.3輛/s、0.0-0.2輛/s、0.0-0.1輛/s，依次減少。仿真結果表1表明，控制結果迅速、合理，與期望值基本吻合，非常類似于人的決策過程。

結語

本文以神經網絡和模糊推理技術為基礎，分析了智能交通系統中的流量、信息層信息融合方法、特征層處理方法和決策層決策方法，為交通控制技術提供了充分的理論基礎，具有重要的現實意義。

參考文獻

[1] 鄭景潤. 智能環境下基于音頻視頻信息融合的多說話人跟蹤[D]. 蘭州大學. 2011：10-12.

[2] 周潤景， 張麗娜. 基于MATLAB與fuzzy TECH的模糊與神經網絡設計[M]. 北京： 電子工業出版社， 2010， 1～211.

[3] 潘崢嶸， 王群. 基于模糊神經網絡的COD軟測量技術的研究 [J]. 計算機測量與控制， 2011， 19（7）： 1572-1574.endprint

摘 要：本文提出一種新的BP和RBF混合神經網絡算法，并將其應用在智能交通誘導系統的研究。此研究既解決了現存交通信息孤島問題，又實現了交通動態誘導的功能，提高了路網通行能力，具有重要的理論意義和現實意義。

關鍵詞：混合神經網絡；交通動態誘導；路網通行能力

中圖分類號 ： TP3 文獻標識碼 ： A

1 引言

隨著經濟的快速發展，交通擁擠、擁堵等城市交通問題日益嚴重地困擾著世界各大中城市。公眾出行的多樣性和隨機性導致交通信息的隨時更新和掌握成為必要，研究開發動態智能交通誘導系統，可以有效實現路網交通流的有效分配。本文提出一種BP和RBF混合神經網絡算法，并將其應用在智能交通誘導系統的研究。

2 智能交通的數據融合系統

模糊理論和神經網絡都是基于人類處理各種復雜問題時所使用的解決方法進行總結，對遇到的問題進行抽象建模，得到智能解決問題的辦法。使用模糊推理系統可以處理不確定的信息，但沒有學習能力。神經網絡可以并行處理，自學能力強，但知識解釋較難。

2.1 智能交通數據融合系統的信息層實現

尋找兩個交叉路口的綠信比和最佳信號周期可以對單個交叉口的進行良好的控制。若車輛很少，可以將信號周期設置的盡可能的短，同時為了保證路口等待的車輛來的及通過，一般設置的信號周期不能小于30s。交通流量較大時，考慮到行人和司機的心理承受能力，一般最大周期時間必須限制在120s左右。

故在一個交叉路口的紅綠燈設置可以按照如下規律：

（1）給予一個方向的最短綠燈時間（如15s，可保證該路口的最短周期不小于30s）。

（2）綠燈時間結束后，根據檢測器檢測到的等待車輛數適當的控制綠燈時間。

（3）增加的綠燈時間結束后，再檢測重復第（2）步，但不能超過最大的綠燈時間（即120/2s）。

2.2 智能交通數據融合系統的特征層實現

應用神經網絡自學能力強的特點構建數據融合系統，對收集到的樣本數據進行分析處理并加以學習，總結規律，得到一個通用的對不同數據都能進行總結的人工神經網絡，并將分析得到的結果歸納出來。

BP和RBF混合神經網絡精確度提高，可以多次迭代，且有較好的收斂穩定性。下面介紹BP和RBF混合神經網絡的原理。

使用RBF神經網絡，可以解決局部最小值的問題，并可以線性逼近，性能良好，是一種優質前向網絡。結合BP和RBF神經網絡中的不同特點，根據徑向基函數的網絡結構，提出BP和RBF混合神經網絡的拓撲結構。該拓撲結構分為三層網絡：分別為輸入層、隱含層和輸出層。輸入層只對接收到的信息進行傳遞，不做任何運算；隱含層對輸入層傳遞的信息進行處理，根據不同的信息視需要而定，使用高斯函數進行映射變換；輸出層與輸入模式呼應，將隱含層變換的結果進行加權后輸出，是線性變化，輸出層的結果作為整個人工神經網絡的輸出結果。

2.3 智能交通數據融合系統的決策層實現

智能交通數據融合系統的決策層是將特征層所傳遞過來的交通流量大小、最佳信號周期等信息進行融合，分析交叉路口特點，能夠根據系統自動得到合理、精確的決策輸出。根據得到的結果下發不同的控制策略，由于有些結果是模糊的，所以需要用模糊推理技術將具有模糊性的值轉化為確定值，較好地協調控制策略中路口的綠燈時間和其他因素的關系，對交通控制決策進行很好的指導執行。模糊推理技術實現步驟如下：

（1）輸入、輸出量的模糊化

用模糊子集表示觀測值，即將每個路口等待的車輛數表示成語言值，如非常少、少、比較少等。將這些語言值表示成模糊子集A1、A2、...An。

（2）模糊邏輯推理

總結前人的交通控制系統的經驗，根據交通控制的特點，對檢測器檢測到的實時數據進行邏輯推理，確定對應的控制方法。

（3）模糊判別

輸入一個模糊子集，即某個特定的車隊長度，根據模糊邏輯推理，可以得到一個模糊控制策略。使用隸屬度函數將此模糊的控制策略結果轉化為清晰值。這以從模糊到清晰的轉換過程稱為反模糊化。用一個確定清晰的值作為智能交通數據融合系統中模糊判別的控制策略代表。

3 仿真研究

利用BP和RBF混合神經網絡算法設計智能交通數據融合系統編寫了仿真程序。利用該仿真程序對交叉路口的各種不同車流大小進行模擬控制，通過信息層、特征層和決策層對數據進行處理仿真。

假設路口的兩個交叉方向的最大通過能力為0.3輛/s，每個方向兩對向車流中等待車輛數較多的一方為檢測到的等待車輛數。故車輛到達率分別取0.0-0.3輛/s、0.0-0.2輛/s、0.0-0.1輛/s，依次減少。仿真結果表1表明，控制結果迅速、合理，與期望值基本吻合，非常類似于人的決策過程。

結語

本文以神經網絡和模糊推理技術為基礎，分析了智能交通系統中的流量、信息層信息融合方法、特征層處理方法和決策層決策方法，為交通控制技術提供了充分的理論基礎，具有重要的現實意義。

參考文獻

[1] 鄭景潤. 智能環境下基于音頻視頻信息融合的多說話人跟蹤[D]. 蘭州大學. 2011：10-12.

[2] 周潤景， 張麗娜. 基于MATLAB與fuzzy TECH的模糊與神經網絡設計[M]. 北京： 電子工業出版社， 2010， 1～211.

[3] 潘崢嶸， 王群. 基于模糊神經網絡的COD軟測量技術的研究 [J]. 計算機測量與控制， 2011， 19（7）： 1572-1574.endprint