一種基于動態交通子區相似度的控制方案推薦系統

何通能 王 震 范 琦

(浙江工業大學信息工程學院 浙江 杭州 310023)

0 引 言

在智慧城市的建設過程中，緩解交通擁堵問題已經成為一個巨大挑戰。雖然優化交通路網建設和控制車輛數量是最為直接的方法[1]，但是隨著物聯網和智能交通系統等技術的發展，優化現有的交通控制方案(Urban Traffic Control)，提高道路使用率是降低擁堵成本、減少空氣污染最快速且有效的方法[2-5]。

交叉口控制方案推薦是智能交通系統中的重要組成部分，目前已經有很多應用系統通過將交通路網劃分成多個交通控制子區的方式來提高信號控制網絡的運行性能[6-7]。這些應用多為根據實時交通模式調整配時參數(如信號周期時長、綠信比等)的自適應控制系統[8]，例如SCOOT、SCATS系統等[9-10]。

世界上已經有許多城市部署了自適應信號控制系統[11]，但是在實際操作過程中仍需要專業配時人員根據多維數據提供的信息及專家經驗進行人工調參。專業配時人員致力于提高城市交通路網的運行效率，保障城市交通控制的安全有序，以及滿足各種復雜的交通需求[12]。當交通路網呈區域性擁堵時，例如交通高峰時期，專業配時人員的工作量是相當大的。因此，能夠針對大面積交通擁堵問題的適用于專業配時人員的方案推薦系統已經成為迫切需求。

目前已有不少動態劃分交通控制子區和控制方案推薦的方法，但在實際應用過程中，難以滿足復雜的業務需求[13-15]。因此，本文提出一種在短時交通狀態預測下，結合專家以往調控經驗，可實時劃分控制子區和下發控制方案的可視化方案推薦系統。

1 相關研究

為了能夠充分利用可靠的流量監測設備提供的實時數據[1]，實現多個信號燈聯網協調控制，在20世紀70年代，自適應信號控制系統已經開始研發[2]。隨著交通控制理論的完善和檢測器技術的提升，逐漸提出了性能更為優越的自適應信號控制系統。Li等[3]根據安裝在交叉路口處的攝像頭提供的圖像得出車輛排隊長度，并利用車輛隊列信息提出了一種自適應交通信號控制方法。Zaatouri等[4]在基于Agent運輸模擬MATSim中，實現了對單交叉口自適應控制的算法，仿真實驗表明該算法總體上優于固定時間控制。此外，Srinivasan等[5]擴展了傳統的強化學習模式，基于FRL的自適應控制器考慮了交通實際狀況，相較于FAC方案，模擬結果顯示該方法能夠有效防止交通網絡過度擁堵。

能夠根據實時交通數據，將具有類似交通狀態的交叉口劃分為同一片交通控制區域進行協調控制，是目前交通信號控制常用的方案。Lin等[6]使用規劃域定義語言的方法，增加資源約束和時間約束創建區域交通信號控制模型。Ma等[7]考慮了交通網絡的自由尺度特征，將節點優度和高峰時段交通流作為信號子控制區的劃分指標。Zhang等[8]等使用網絡分區的概念，提出了一種用于調節來自鄰近區域的輸入交通流量的區域需求管理方法。

Bretherton等[9]采用了一種全網協調延遲時間估計模型估計每個鏈路的車輛總延遲時間，結合交通流量數據自適應控制交通信號。Theresa等[10]根據鏈路之間的相關度使用光譜二分法劃分城市網絡。盡管大量文獻中都提出了應對區域交通控制效果較為不錯的自適應系統，但在實際部署的自適應系統中，仍然難以實時動態劃分交通子區。

總之，提出的交通信號控制系統和子區域劃分方法大多數沒有能夠利用歷史劃分的子區數據。Pascale等[11]依賴于當前的交通數據和歷史數據的“窗口”，對每個交叉口控制器采取方案優化，在仿真實驗中取得了不錯的效果。Wen等[12]對歷史數據進行深度強化學習，使用DNQ算法調整信號相位實現信號定時的自適應調整，能夠顯著減少交叉口延遲。綜上，本文基于子區動態數據聚類算法及協同推薦算法的技術背景下，首先據動態子區的路口間的空間關系完成第一層的聚類，再使用K-means++算法對具有相同空間數據并且不同流量數據的交通子區模型進行第二層聚類。在工程實踐中驗證，對于大型道路網絡使用歷史動態交通控制子區實時推薦區域交通控制方案的有效選擇。

2 系統設計

2.1 系統架構

推薦系統依賴于現有的實際部署的交通控制系統所提供的數據，避免重新部署提高成本。本文所設計的用于城市交通區域控制的方案推薦系統架構如圖1所示。區域方案推薦系統由六個主要部分組成：歷史動態子區數據庫、短時交通流預測模型、動態交通子區劃分模型、動態子區相似度計算模型、方案生成器和方案下發模塊。

圖1 城市交通區域控制方案推薦系統架構

系統運行之前，會根據歷史數據(歷史檢測器數據和歷史控制參數)，在時間維度上將交通路網中的交叉口進行動態劃分。劃分后的交通子區數據存入歷史動態子區數據庫中，動態子區的數據量越大越有助于提高推薦方案的準確性。系統運行時，通常根據路口實時檢測器數據在短時交通流量預測模塊中預測路網接下來的交通流量，然后由預測的交通流量數據在動態交通子區劃分模塊重新劃分交通控制子區。在動態子區相似度計算模塊中，系統將預測狀態下的交通控制子區與歷史動態子區數據庫中的交通子區進行相似度計算，并根據相似度進行打分排序，將相似子區的控制方案顯示在方案生成器中。交通信號工程師可以根據專家經驗和實際交通需求修改或直接選擇最適用的方案，同時方案生成器將被選中的方案保存在歷史動態子區數據庫中，以提高系統的查準率。最后，系統通過可視化界面，可以直接將確定的方案下發到交通控制系統中。

分布式計算是處理海量時空數據最合適的方案，歷史動態子區數據庫使用K-NN算法將數據分類存儲，目的是便于動態交通子區相似度計算模型的快速檢索。短時交通預測模型使用小波神經網絡模型(WNN)[13]。獲取預測流量后，動態交通子區劃分模型結合流量數據和路口之間的空間關系(如拓撲關系和距離關系)將交通路網動態劃分。系統推薦的方案會直觀地展示子區中各個路口的控制參數。

2.2 動態交通子區模型

σAB=min(σA,B,σB,A)

(1)

圖2 T1到T2時間內的動態子區演變

單向相關度計算公式為：

(2)

(3)

(4)

2.3 分布式協同過濾推薦

2.3.1分層聚類

K-means++是一種無監督的聚類分析算法，通過計算聚類中心被選中的概率，在K-means算法的基礎上大幅提高了算法效率[16]。圖3是歷史動態子區數據庫的初始樣本集處理模型，X為初始訓練集。我們根據動態子區的路口間的空間關系完成第一層的聚類。由于時間維度上的切分將導致數據指數倍增加，所以我們將使用K-means++算法對具有相同空間數據并且不同流量數據的交通子區模型進行第二層聚類。

圖3 分層聚類模型

(5)

式中：h為具有相同空間形狀的動態子區總數。概率最大的動態子區流量數據作為下一個聚類中心，并以此迭代。最后，將各維度數據均相等并且控制方案完全一致的動態子區做去重復處理。

2.3.2子區相似度計算

時空數據的相似度計算對于算法的性能要求極高，尤其是需要實時計算的方案推薦系統[17]。歐氏距離是推薦算法中最常用的多維數據相似度計算方法[18]。但是，在單個路口的信號配置過程中，各相位之間的橫向差異會影響綠燈時間的分配[19]。因此，本文不優先選用歐氏距離，下面將會比較歐氏距離與本文采用的ACS模型的實驗效果。

(6)

式中：η為Min-Max標準化參數(Min-Max normalization parameter),用于相似度的歸一化處理，將數據映射到(0-1)區間內，提升模型的收斂度和精度。η計算如下：

(7)

式中：ψmax、ψmin為子區流量的最大值和最小值。

(8)

式中：Sα表示點集與聚類中心的相似度。如果在聚類算法中使用同種相似度計算方法并在計算過程中記憶向量模長，有助于減少實時運算量[20]。

3 案例分析

3.1 實驗設置

為了方便系統推薦的方案可以直接控制交通信號燈，系統將依賴第六代Scats系統。第六代Scats系統可以根據檢測器數據自適應信號控制方案，支持信號工程師在終端(Windows系統)人為設置方案參數并控制對應交叉口的信號燈。因此，本實驗選擇在配備3.4 G Intel Core i7- 6700，16 GB memory 64位Windows 10操作系統的平臺上進行，算法部分使用Python實現。

圖4展示了中國杭州市交通路網的地理數據，包含2 328個交叉口，每兩個相鄰交叉口之間由路段連接。雙向通行路段包含兩條link，link表示具有方向的路段。我們選取2019年1月份的檢測器數據結合路網地理信息動態劃分子區。將劃分得到的動態子區作為訓練集，將訓練得到的分類數據存儲在歷史動態子區數據庫，數據結構如表1所示。

圖4 中國杭州路網數據

表1 數據結構表

本文實驗選擇數據集中具有高度復雜路況和多個交叉點的子區域作為例子來驗證區域方案推薦系統的穩定性。圖5為文三西路動態子區在系統中的可視化界面，列表中顯示了組團各交叉口的當日報警次數、子區交叉口數據和方案運行啟動時間等信息。子區附近有景區、學校、科技園區，在高峰時段經常發生擁堵狀況。按圖5中編號順序路口的SCATS編號分別為SCATS284、SCATS283、SCATS282、SCATS281、SCATS86和SCATS135。

圖5 文三西路動態子區仿真界面

選取2019年4月某日上午7點到10點的該子區路口的動態數據作為實驗數據。為了更好地展示推薦方案的實際運行效果，將真實的檢測器數據作為短時交通流量預測模塊的輸出數據，其中三個路口的部分數據如表2所示。表2中流量數據指在路口的運行周期內通過該車道的車輛數。

表2 路口檢測器的動態數據

3.2 計算過程

由歷史子區數據庫中已經劃分好的子區地理數據簇進行動態數據的聚類，子區的劃分由式(1)和式(2)計算。動態子區的路口流量數據序列用于離線訓練過程，使用不同的隨機種子進行1 000次的模擬迭代。本文使用輪廓系數(SIL)確定k的值，其計算式表示為：

(9)

即：

(10)

由式(10)可以判斷：

圖6展示了不同簇值的輪廓系數曲線，在簇值為230時輪廓系數最接近1，說明此時聚類效果最好。

圖6 輪廓系數曲線

本文將設置三個實驗分別使用歐氏距離[21]、皮爾森相關系數[22]和ACS模型驗證推薦算法的有效性。為了控制實驗的其他變量一致。將2019年1月份的檢測器數據分別使用歐氏距離ρ和皮爾森相關系數P對動態子區簇重新聚類。實驗一中D1(x)和實驗二中D2(x)的取值計算如下：

D1(x)=ρ

(11)

(12)

Mean Absolute Error(MAE)的值能夠反映推薦方案與人為設定方案之間的差異，計算式如下：

(13)

式中：rt,h表示在時間t處、第h路口的控制參數；T表示時間總步數；H表示子區路口總數。

圖7(a)展示了三組實驗在文三西路動態子區上MAE隨時間變化曲線，圖7(b)三組實驗推薦方案的運行時間。由于ACS模型對計算參數的存儲，ACS模型的運行時間整體遠低于其余兩組實驗。而且，車道間流量數據差值嚴重影響周期內相位時間的分配，這對于歐氏距離和皮爾森相關系數來說是不夠敏感的。

(a) MAE圖

(b) 運行時間圖7 MAE曲線和運行時間對比

3.3 實驗評估

為了更好地驗證系統在實際中的應用，對文三動態子區中的SCATS281路口進行了一個月的測試。根據實際交通需求，靜態設置了路口的5個相位。圖8展示了系統推薦方案窗口。方案不僅分配了相位時間而且能夠根據交通需求增減相位，由于方案的參數源于車道流量的分析。這對于很多專家經驗推薦系統是非常困難的，因為在訓練模型中僅代理了相位。

圖8 281路口方案推薦

據觀察，系統推薦相位調整策略基本符合人類決策。經信號工程師修改系統推薦方案的數量遠低于修改SCATS系統自適應方案的數量，這說明信號工程師的工作量明顯降低。圖9(a)描繪了工作日SCATS281路口效率指數變化曲線，在2019年3月路口效率指數有明顯提高。此外，對比了系統部署前后文三西路子區中的主干道車流速度(圖9(b))。在交通高峰時段，主干道車流速度提高約2.17%，通行效率提高約1.95%。車流速度為車輛經過檢測點的平均速度：

(14)

(a) SCATS281路口效率指數

(b) 文三子區主干道車流速度圖9 子區通行效率和車流速度

式中：N表示經過檢測點車輛的總數；Vk表示第k輛車經過檢測點的速度。

通行效率指數：是以無量綱的數字反映當前路口、區域道路交通通行效率狀態的一種定量表示，數值越大表示通行效率越好。計算方法如下：

(15)

(16)

此外，還對文三西路動態子區中的其他路口推薦的方案進行了評估。在某些時段這些路口沒有被劃進相同子區，但控制方案的推薦考慮了臨近路口交通狀況。因此，與SCATS系統自適應方案相比，其余路口的推薦方案均得到了專業信號工程師的良好評價。但是，在平峰時段推薦方案效果不夠明顯，這可能是由于車道流量差別很小引起的。另一方面，系統存儲路口空間基礎配置信息，當出現個別檢測器失效狀況時，系統能對比出失效的檢測器編號并忽略對該數據的檢索，從而降低負面影響。

4 結 語

本文提出一種交通子區控制方案推薦系統，在基于子區動態數據聚類算法及協同推薦算法的技術背景下，該系統能夠訓練歷史控制策略并學習當前控制決策，輔助信號控制工程師提高道路通行效率，尤其是在交通高峰時期。該系統最實用的能力就是依賴現有的交通控制系統的檢測器數據并能夠直接發至信號控制終端。本文通過分布式聚類算法和參數復用的方式大幅提高推薦方案實時推薦的效率，為城市復雜多變的交通需求提供保障。

所提出的基于子區相似度的控制方案推薦系統在真實交通環境中實現。系統還包含了子區通行效率、平均速度等指標的實時分析計算。在實驗過程中，我們能直觀地看到控制方案運行效果，有助于信號控制工程師與系統的交互。相比于以往的信號控制推薦系統，該系統更注重路口間的相互協調。從相對宏觀的角度推薦路口的控制方案，從而降低對周邊路口的反作用。

然而，在實際運行過程中，我們發現推薦系統仍有改進空間。一方面將細化控制策略的影響因素，單獨分析特殊交通需求對推薦方案的干擾。另一方面將探索深度學習框架對歷史可訓練數據參數優化，以在推薦的方案中更多地考慮專家經驗。