基于神經網絡的交通控制誘導協同模型

傅 貴 楊朝霞 周 權

（1．廣東省君略信息化研究院，廣東 廣州 510627；2．廣州市信佰信息技術咨詢有限公司，廣東 廣州 510627；3．中山大學數學學院，廣東 廣州 510275；4．廣州大學數學與信息科學學院，廣東 廣州 510006）

基于神經網絡的交通控制誘導協同模型

傅 貴1,2楊朝霞3周 權4

（1．廣東省君略信息化研究院，廣東 廣州 510627；2．廣州市信佰信息技術咨詢有限公司，廣東 廣州 510627；3．中山大學數學學院，廣東 廣州 510275；4．廣州大學數學與信息科學學院，廣東 廣州 510006）

針對傳統交通控制與誘導模型及算法的不足，提出了具有中心協調系統（CCOS）的交通控制與誘導協同模型。利用數據融合技術將歷史數據的短時交通預測、交通事件檢測結果以及實時交通流數據設計面向交通動態的信息融合，并采用神經網絡技術構建基于神經網絡的交通控制誘導協同模型，同時對模型的參數進行了確定。通過典型的路網進行仿真實驗和對比分析，實驗驗證了該模型是可行和有效的。

交通控制；交通誘導；數據融合；神經網絡；協同模型

1 引言

隨著城市道路建設的逐步擴大和城市車輛擁有率的提高，城市交通越來越擁堵。城市交通控制和交通誘導是解決城市交通解決擁堵的重要措施。傳統的城市交通控制和城市交通誘導協同解決思路主要有數據共享式交通控制和交通誘導體系、主從式交通控制和交通誘導體系、并行式交通控制和交通誘導體系[1]三種。數據共享式交通控制和交通誘導體系是從數據層面為交通控制和交通誘導提供數據共享與協同，城市交通控制系統（UTCS）和城市交通流誘導系統（UTFGS）二者相互獨立運行，各自僅僅將各自采集到的數據作為信息輸入，提供對方進行數據共享使用，而系統之間無更高層面的溝通與協調，這僅僅是一種最低層次的協同控制。主從式交通控制和交通誘導體系是將交通控制系統或交通誘導系統作為主導系統，另一個系統作為從屬系統，兩系統是一種非對稱關系，主導系統按照既定的交通策略進行運行，并通知從屬系統使之進行協同。一般來說，在主從式交通控制和交通誘導協同體系中交通控制系統作為主導系統，交通誘導作為從屬系統，交通指揮人員將交通疏導策略數據設置在交通控制系統中，交通誘導系統按照交通控制系統的指揮[2]進行。并行式交通控制和交通誘導體系的交通控制系統和交通誘導系統是各自獨立運行，一方會向另一方輸出自身狀態和期望的要求，另一方收到對方的狀態信息后，結合自身系統的策略判斷是否需要以及如何進行控制，達到協同控制目的。以上三種交通控制和交通誘導體系，在交通控制和交通誘導的不同發展階段均有應用，但其在交通控制和交通誘導的處理上具有復雜性和未知性，而且系統數據融合處理方面也存在不足，其不足之處主要有以下幾點：

（1）交通控制技術研究和應用起步早、技術相對成熟，而交通誘導技術研究和應用相對較晚，交通控制和交通誘導協同技術改造存在困難。目前，國內使用的交通控制系統大多數采用國際上主流的交通控制系統，比如廣州市采用澳大利亞的悉尼協調自適應交通系統（SCATS），這些系統是獨立運行的，系統是封閉的，無開源代碼提供，技術改造的難度很大。

（2）主從式、并行式交通控制和交通誘導體系，無獨立的第三方系統掌握城市交通控制和城市交通誘導系統的全部運行狀態信息。交通控制、交通誘導系統存在信息不對稱，從而交通控制和交通誘導的判別無法精準處理，甚至發生錯誤判別處理。

（3）以上三種體系均沒有考慮交通狀況預測的要素，尤其沒有考慮基于歷史數據對交通狀況的預測和基于交通事件對交通影響的判斷，沒有將交通預測信息作為交通控制和誘導系統的要素輸入，但這些信息對于交通控制和誘導系統的影響極大，也是城市交通控制的關鍵信息要素之一。

本文從城市交通控制與交通誘導的多年實踐經驗出發，在以往的城市交通控制和交通誘導體系研究基礎上，首先設計了一個具有中心協調系統（CCOS）的城市交通控制與誘導協同體系框架，并利用數據融合技術將歷史數據的短時交通預測、交通事件檢測結果以及實時交通流數據進行有效的信息融合，實現面向交通動態的信息融合，在此基礎上，采用基于神經網絡的專家系統建模方法，設計基于神經網絡的交通控制與誘導協同模型，并同時利用典型交通路網數據對模型參數進行了確定，為協同系統提供所需的數據參數指標。最后，以廣州市交通信號控制系統和交通誘導系統為基礎，搭建基于交通預測的控制與誘導協同仿真實驗平臺，并選擇了廣州市典型的交通道路路網進行仿真實驗，仿真實驗結果表明該模型在城市交通控制和交通誘導協同工作中是可行和有效的，能夠達到城市交通協同調控的目的。

2 交通控制與誘導協同體系

傳統的城市交通控制和交通誘導協同體系沒有將歷史信息的預測和交通事件影響預測信息作為系統的重要設計參數，從而使城市交通控制與交通誘導之間信息不完善、不對稱，交通控制與誘導難以精準判別，甚至發生錯誤判別。我們在研究現有的城市交通控制和交通誘導體系的基礎上[2-4]，將城市交通控制和交通誘導兩個系統數據充分共享利用，設計具有中心協調系統（CCOS）的交通控制與誘導協同體系，如圖1所示。CCOS體系建立了區域范圍更廣的協同控制和協同誘導策略，分別向交通控制系統和交通誘導系統發出信令，實現系統之間的協同控制。

圖1 交通控制與誘導協同體系

交通控制與交通誘導系統體系將各種交通檢測器（交通傳感器）采集交通實時數據、歷史數據、動態預測數據、交通事件檢測等進行數據融合[5]，并將融合后的交通數據作為輔助交通控制系統和交通誘導系統決策調度的重要依據，實現城市交通優化與智能控制。為此，需要采用決策級[6]進行信息融合，以一種決策級融合的算法，實現中心協調系統與交通信號控制和交通誘導系統的協同一致。在決策級信息融合中，利用神經網絡專家系統作為決策級信息融合關鍵技術，將大量交通信息數據進行抽象融合，并通過神經網絡訓練構建交通控制和交通誘導協同模型，實現交通信息有機融合，滿足智能交通控制的需要。以下章節對城市交通控制和交通誘導協同體系涉及的模型進行詳細討論。

3 模型建立與優化

城市交通系統就是一個模糊控制系統，在城市交通控制與交通誘導之間，難以用一種精確的數學模型來描述這一具有“蝴蝶效應”的現象。但通過神經網絡[7,8]的自學習能力，構建基于神經網絡的交通控制與交通誘導協同模型是一種有效的技術手段。通過利用交通歷史數據對交通控制和交通誘導協同模型的訓練，提高協同模型的判斷能力，實現交通控制和交通誘導協同系統所需的功能是完全可行的。協同模型總體思路將當前檢測器采集到的交通流數據、交通流預測數據作為神經網絡的輸入，建立交通控制和交通誘導模型；同時將交通突變數據也作為協同模型的輸入，對協同模型進行優化完善，使得協同模型邏輯結構上更加完備。

3.1 問題描述

城市道路路網路口的交通流量是由上游路口的流量所決定。同時，上游路口交通流直接影響下游路口的流量。因此，在上、下游路口間的交通流量及關系是城市交通控制與交通誘導協同模型的重要要素。城市道路路口上、下游交通流量之間的關系受到交通信號控制、道路情況、行車速度等諸多因素影響，在實際城市路網難以用準確的顯式函數關系來表達，本文采用神經網絡來擬合刻畫交通控制和交通誘導下，城市路網中各路口交通流量的復雜關系。

3.2 基本假設

城市交通控制和交通誘導協同模型的基本假設如下：

（1）道路交叉口的流量是連續的，即一個統計間隔得到的交通流量不會出現若干個統計間隔沒有交通流量的情況。

（2）大量的基礎數據樣本，即有大量交通基礎數據為神經網絡訓練提供數據樣本支撐。

（3）交通路網抽象成井字形網狀結構，一個路口的一個進口流量只受下游周邊三個路口的流量影響。同時也會影響上游周邊三個路口的流量。

（4）某一時間截面，對于路口i，有一個實測流量vi，vi作為神經網絡模型的輸入。

（5）交叉口不僅受到上、下游交叉口當前實測流量vi的影響，也受到預測流量的影響。

3.3 模型建立

根據前面研究和假設，城市道路路口控制與誘導協同建模如圖2所示。

圖2 實際路口交通控制和交通誘控模型

圖2 中P點是交通控制和交通誘導協同控制點，其判斷輸出，分別是交通控制系統和交通誘導系統的輸入。左邊的P1，P2，P3是交通控制系統的輸入因子，P點后續流量主要受到這三個點流量影響。右邊的T1，T2，T3是交通誘導系統的輸入因子。同時，上、下游交叉口預測流量~vl也是交通控制與誘導協同的輸入因子。

交通控制神經網絡模型如圖3右側所示，交通誘導神經網絡模型如圖3左側所示。在上述模型中，P點的控制邏輯可看成線性可疊加的，可以對其分別研究，再進行融合，下面分別交通控制模型和交通誘導模型進行討論。

圖3 交通控制和交通誘導的神經網絡模型

3.3.1 交通控制模型

對于路口任一交通控制點P的一個進口，存在影響該進口方向流量的三個路口P1,P2,P3；其車流影響下游周邊三個路口的車流T1，T2，T3。如果上、下游交叉路口預測流量分分別記為：vp1，vp2，vp3。交通控制的神經網絡模型如圖3所示，其輸入層X節點、隱含層節點和輸出層節點描述分別如下。

● 輸入層X

● 隱含層Z

對于某單個神經元zi而言,其計算公式為：

W是利用計算機偽隨機數初始化的權重矩陣。

● 輸出層Y

輸出層權重矩陣H的計算公式為：Y=f(Z’H)。

向后傳播階段

該模型是BP神經網絡模型，可用Delta法則修正權重矩陣，其初始化訓練因子α，且0＜α＜1；其初始化精度為ξ。神經網絡中第m個樣本的誤差測度為：

其中，f是激活函數如公式（3）所示。

整個樣本集的總誤差為：

輸出層權重矩陣H修正為：

其中Q為該樣本的標準參照流量。

輸入層到隱含層的權矩陣W修正為：

其中δ=Y(Q-Y)(Y?-Y)/Q

直到E＜ξ，可得出優化的神經網絡系統。

3.3.2 交通誘導模型

交通誘導模型與控制模型類似，也建立BP神經網絡模型，其不同之處再有輸出層是由三個方向的流量比組成的三維向量，而不是標量。

● 輸入層：類似交通控制模型輸入層；

● 激勵函數：類似交通控制模型激勵函數；

● 初始化權矩陣：類似交通控制模型偽隨機數方法；

● 輸出層：Y=（y1,y2,y3）’。

模型的其他參數和修正方法：參照交通控制模型。

3.4 引入交通突變模型優化

城市交通突發事件對交通流量有巨大的影響，也是交通實際控制和誘導必須考慮的要素，將交通突發事件作為交通控制和交通誘導的正常的流量樣本輸入到模型中，能更有效描述城市交通的實際情況。但這樣會對神經網絡的模式可分性造成影響，同時也影響模型的收斂速度，甚至無法得到最優解。為解決這個問題對交通控制和交通誘導模型進行如下優化：

（1）交通事件作為神經網絡模型的一種新的輸入維度。在神經網絡模型增加一個激勵變量，調整神經網絡的輸入層和隱含層，增加網絡的復雜性。這種方法會增加神經網絡的訓練負擔。

（2）交通事件作為隨機擾動，視為模型外層處理，即對交通事件的檢測和后續處理建立獨立的分支機制。

引入交通突變事件判斷后的處理流程，如圖4所示。

圖4 引入交通事件判斷后的處理流程

4 模型訓練與仿真

交通控制和交通誘導模型訓練與仿真利用關鍵交叉口、重要路段及重點關注區域對模型進行仿真分析，對交叉口、路段及區域的交通控制和交通誘導引起的交通影響進行評價。本次模型訓練和仿真采用德國VISSIM交通仿真軟件進行仿真實驗。

4.1 訓練與仿真數據

交通控制和交通誘導模型訓練與仿真以廣州大橋為中心，廣州大橋南北沿線路網區域部分交通數據作為訓練和仿真數據。數據來自廣州SCATS系統所采集到的目標區域路網主要交叉口的7天的流量數據。數據的時間跨度為4月23日到4月29日。表1是4月24日中山一立交各進口道早高峰時段每半小時的流量部分數據，表3是4月27日廣州大道-花城大道交叉口各進口道路晚高峰時段每半小時的流量部分數據，相對應的專家知識庫的理想預測流量值分別如表2和表4所示。

表1 早高峰時段流量統計表(pcu/h)

表2 早高峰時段流量理想預測值(pcu/h)

表3 晚高峰時段流量統計表(pcu/h)

表4 晚高峰時段流量理想預測值(pcu/h)

4.2 模型訓練

首先對基于BP神經網絡的模型進行訓練，訓練隱層的數量和訓練數據的輸入量。取訓練因子α=0.5，誤差精度ε=0.2%，對隱含層的神經元個數分別為5-15進行誤差分析，訓練得到交通控制和交通誘導模型的隱層神經元個數與誤差曲線關系，如圖5所示。進一步對不同訓練樣本進行加權平均誤差分析，訓練樣本與誤差關系如圖6所示。

圖5 隱層神經元個數與誤差曲線圖

圖6 訓練樣本數據量與誤差關系表

從圖5訓練曲線可知該模型的神經網絡是收斂的，神經網絡可用。從圖5發現當隱層神經元個數為13個以上，交通控制模型和交通誘導模型都能很好地收斂，且其誤差精度也達到設置閾值。在實際中考慮到計算精度和運算效率，將隱層的神經元個數設為14較為合理。圖6數據可以發現，7天的交通流數據樣本能讓訓練結果的加權平均誤差滿足小于預設的0.2%的誤差要求，表明模型滿足實際的神經網絡系統要求。因此，從7天交通流數據樣本，14個隱層神經元的交通控制模型和交通誘導模型神經網絡訓練實驗結果發現，所建立的交通控制和交通誘導神經網絡協同模型能滿足系統使用要求，可以進一步導入仿真軟件，進行仿真實驗分析。

4.3 模型仿真

4.3.1 仿真場景

本次模型仿真是在仿真區域路段對有無交通控制誘導策略情況下，仿真區域路段交叉口飽和度、交叉口服務水平、路段飽和度、路段服務水平等指標進行比較分析，以便判別仿真區域的交通改善效益。仿真實驗交通控制點的信號控制燈組設置及控制方案相位如圖7所示。早高峰時段A相位綠燈時間55秒，B相位45秒；晚高峰時段B相位45秒，C相位55秒；在平峰時段，信號燈為黃色閃爍。仿真實現時段選取早高峰時段為：7:00-9:00；晚高峰時段為：17:00-19:00；平峰時段除高峰時段之外的三個時段。

圖7 信號控制點信號控制方案

4.3.2 仿真結果分析

本次仿真實驗結果記錄如表5和表6所示。表5表明在無交通控制誘導協同情況下，各關鍵交叉口的飽和度相差較大，其標準差達到0.1131。這表明該路網的負載不均衡，易產生瓶頸路口導致路網癱瘓。同時，表5也表明在有交通控制誘導協同情況下，各交叉口飽和度趨于均衡，其標準差下降到0.0288，該路網負載也相對均衡，可見能夠明顯提升交通管理效能。

表6表明在采用自適應的信號控制，實行控制誘導分流，廣州大道中、廣州大道南、中山一路等飽和度均有不同程度的下降，車輛的誘導分流有效緩解關鍵路段交通壓力。但部分車流轉移到花城大道、寺右新馬路等道路，致使道路飽和度提高，由于該路段車流量較少，道路服務水平未受太大影響。

因此，仿真實驗表明所構建的基于神經網絡的交通控制和交通誘導協同模型能夠提升城市道路交叉口和道路的交通服務水平，提高城市道路交通管理效能。同時也表明所設計的模型是合理的、可行的，能夠改善城市道路交通通行能力。

表5 關鍵交叉口交通仿真評價結果

廣州大道中-花城大道0.92 0.0200 -8.7% 12.5% 0.96 0.1043 0.1443 0.86廣州大道南（客村）寺右新馬路寺右二馬路-0.0557 0.82 0.0000 0.0400 7.9% 0.76花城大道-華穗路0.72 0.81 -0.0100 0.68 -0.0957 -0.0600 0.84金穗路-華穗路0.76 11.8% 0.72金穗路-華穗路0.0957 -0.1357 0.83 0.0100 0.1131平均值及標準差0.82 0.0288 -10.4% 15.3% 0.8157 -↑↑—↓—↓-

表6 片區主要路段飽和度及服務水平

5 結束語

本文從交通控制與誘導多年實踐經驗基礎上，構建了一個具有中心協調系統（CCOS）的交通控制與誘導協同框架體系。為了實現該框架體系，利用面向交通動態的信息融合技術的數據融合方法，采用基于神經網絡的專家系統，設計了基于神經網絡的交通控制與交通誘導協同模型，通過利用實際數據樣本對模型進行訓練，確定了模型相關的參數指標，并以廣州市交通信號控制系統和交通誘導系統為基礎，選擇了一個典型的城市道路路網進行仿真實驗。仿真實驗表明所設計的交通控制和交通誘導協同模型是可行和有效的，能夠改善城市道路交通，提高城市道路管理能效。進一步研究工作將根據實際路網情況建立更為準確的模型并進行相應的訓練；建立更為多路網點關聯性的訓練模型也是研究方向之一。

[1]楊兆升．新一代智能化交通控制系統關鍵技術及其應用[M].北京：中國鐵道出版社，2008．

[2]王薇，程澤陽，張偉，楊兆升．基于層級控制的區域交通信號控制及交通流誘導協調模型[J]．武漢理工大學學報(交通科學與工程版)，2016，40(4)：609-614．

[3]李志林，邱紅桐，封春房．李標．基于路網分層的協同誘導路徑搜索算法[J]．公路交通科技，2017，34(1)：143-148．

[4]張遜遜，許宏科，閆茂德．基于MFD的城市區域路網多子區協調控制策略[J]．交通運輸系統工程與信息，2017，17(1)：98-105．

[5]涂小強．信息融合的原理與方法概述[J]．電訊技術，1999，3：1-6．

[6]Liu H，Wang X，Tan D，et al．Study on traffic information fusion algorithm based on support vector machines[C]．Intelligent Systems Design and Applications，2006．ISDA'06．Sixth International Conference on．IEEE，2006，1：183-187．

[7]文孟飛．城市智能交通系統交通流協同優化與誘導關鍵技術研究[D]．長沙：中南大學博士論文，2013．

[8]蔡長青．基于多智能體的交通控制與交通誘導協同理論和方法研究[D]．長春：吉林大學博士論文，2008.

Traffic Control Guidance Coordination Model Based on Neural Network

Fu Gui1,2Yang Zhaoxia3Zhou Quan4
(1．Guangzhou Genlord Institute,Guangzhou 510627,Guangdong；2．Guangzhou InfoBay Information Technology Consultant Co.Ltd.,Guangzhou 510627,Guangdong；3．Sun Yat-sen University,Guangzhou 510275,Guangdong；4．Guangzhou University,Guangzhou 510006,Guangdong)

In view of the shortage of traditional traffic control and guidance model and algorithms,the traffic control and guidance model based on central coordination system(CCOS)is proposed.In this model,the short-term traffic prediction of past traffic data,the result of traffic incident detection and the real-time traffic flow data are used to design the traffic-oriented dynamic traffic information fusion.Moreover,using the neural network technology,the traffic control and guidance coordination model based on neural network system is presented.Its parameters are decided by the experiments.Finally,a number of typical local road networks are selected for simulation comparative experiments.The experiments show this model is feasible and effective.

traffic control;traffic guidance;data fusion;neural network;coordination model

U491

A

1008-6609(2017)07-0017-06

傅貴(1975－)，男，廣西人，博士研究生，高級工程師，研究方向為交通大數據、交通預測及控制、公安云架構。

廣州市121人才梯隊工程資助項目和“智慧天河”體系架構研究項目，項目編號：201603RY004。