智能神經網絡的應用模型以及仿真

于亞萍

【摘 要】本文對智能神經網絡在建模的應用上的模型進行了求解和仿真實驗，并對仿真結果進了分析。

【關鍵詞】智能交通信號控制系統ITS；實時監控；車流；忍耐度；滿意積；計算機系統仿真

中圖分類號： TG333 文獻標識碼： A 文章編號： 2095-2457（2018）33-0101-001

DOI：10.19694/j.cnki.issn2095-2457.2018.33.045

1 問題的提出

隨著社會經濟的快速增長，人民生活水平的不斷提高，道路交通需求旺盛。

如何應對城市現代化帶來的交通問題，是城市交通管理者面對的需要解決的十分迫切的問題。在機動車大量發展的情況下，在已有道路設施的條件下，如何盡可能地加大機動車的通過量，以緩解城市交通擁堵的狀況，是值得研究的問題。

2 建立模型

這樣，通過第1步得出的通過時間與通行車輛的數量關系，便可以求出t0=71.6s，tr=171.7s。

依然利用計算程序來解決此問題，其方法是計算通過i輛車所需時間，再利用第2步得出的滿意度求解方法解出該時間對應的滿意度，接著將i與i對應的滿意度做乘積即求出i輛車所對應的滿意積，再對i循環求出最大滿意積。

4 模型的仿真

根據對交通流相關資料的查詢，可認為道路車流密度符合負指數分布。

在此，我們取參數λ不同的負指數函數做為a、b兩方向的車流分布，各得到1800個隨機數據（每個數據表示先后到達交通口的相鄰兩輛車的間隔時間）。

此時，當前方向的等待車輛數等于上一個周期結束時此方向的等待車輛數加上上一個周期的時間內又到達該方向的車輛數。（例如a方向上一次放行50秒后還有10輛車沒有放行，接著b方向放行了60秒，則此時a方向的等待車輛數為10輛車加上在60+50=110秒內又到達a方向的車輛數）。

而在上一個周期的時間內新到達某方向的車輛數可以通過對應的交通流分布求出。（例如上一個周期是40秒，而該方向車流分布恰好是每3秒來一輛車，則在這40秒內新到達了13輛車）。這些計算可以通過計算機程序語言來實現，算法流程圖如下：

為方便程序設計，不妨假設兩方向已經各通過了n0輛車，各通過了t0時間。

T1、T2分別為根據a、b兩車道車流分布函數得到的各1800個隨機數據組成的一元數組。

另外，為了與現實中交通燈控制方案進行比較，我們同時仿真現實情況中的交通燈控制系統，計算其在一小時內通過的車輛總數，并與模型得到的結果比較。

這里我們取現實中實行較多的綠燈時間固定方案（不妨設固定的綠燈時間為ts）。

這種方案存在這樣一個問題：當某方向在綠燈ts時間后車輛數仍沒放行完，則沒放完的車轉到下一個周期放行；但當某方向在綠燈時間不到ts時車輛已經放完（不妨設放完時只用了時間tt），則后面來的車將不用等待直接通過道路口。此時計算ts時間內通過該道路口的車輛數應為tt內通過的車輛數加上（ts-tt）時間內新到達的車輛數。

其余的按照本文模型的算法同樣進行計算即可。

【參考文獻】

[1]范影樂，楊勝天，李軼編著.MATLAB仿真應用詳解，北京：人民郵電出版社，2001.

[2]張瑞豐等編著.精通MATLAB6.5北京：中國水利水電出版社，2004.

[3]孟玉珂.排隊論基礎與應用上海：同濟大學出版社，1989.

[4]《運籌學》教材編寫組編，運籌學，北京：清華大學出版社，2005-2-27.

[5]劉來福.曾文藝編著，數學模型與數學建模北京：北京師范大學出版社，2002.

[6]姜啟源.數學模型（第二版）北京：高等教育出版社，1993.

[7]近藤次郎.數學模型北京：機械工業出版社，1985.

[8]《智能交通信號控制系統》（深圳漫威電子技術有限公司）.

[9]《 Smart neural network applications in the modeling》，Communications in Computer and Information Science.2012.