基于機器學習的智慧城市交通信號優化研究

張佳佳

（湖南信息職業技術學院，湖南 長沙 410200）

0 引 言

隨著城市化進程的不斷推進，智慧城市的建設日益成為社會發展的焦點。在智慧城市中，交通系統的高效運行有著至關重要的作用，而交通信號優化作為交通管理的關鍵環節，直接影響著城市交通的順暢性[1-4]。為了應對日益增長的城市交通需求，本研究致力于提出一種基于機器學習的智慧城市交通信號優化框架，旨在通過先進的技術手段提高交通信號燈的控制效果。

首先，本文提出一個全新的交通信號燈優化框架，以機器學習為基礎，結合交通流量預測和控制策略優化2 個關鍵組成部分。為了實現對交通流量的準確預測，本文采用了長短期記憶（Long Short Term Memory，LSTM）網絡作為預測模型的核心方法[5-6]。通過對城市交通歷史數據的深入分析，LSTM 模型能夠捕捉交通流量的時空關系，為信號燈控制提供更為準確的輸入數據。其次，本文深入研究交通信號燈控制策略的優化問題。該部分采用比例積分微分（Proportional Integral Differential，PID）控制器，通過對信號燈的實時調整實現對交通流的精準控制[7-8]。PID 控制器作為一種經典的控制算法，通過不斷調整比例、積分和微分項，使得系統能夠迅速且穩定地響應交通變化，從而實現信號燈的智能化調控。最后，為了驗證所提出交通信號燈優化框架的有效性，在MATLAB 環境下構建了仿真實驗。

本研究期望將機器學習引入智慧城市交通管理領域，為交通信號燈的智能化優化提供可行的解決方案，為城市交通的高效運行和可持續發展貢獻新的思路和方案。

1 交通信號燈的優化框架

為了實現智慧城市交通信號燈的優化，本文提出了一個完整的系統框架，該框架以LSTM 為基礎進行交通流量預測，并結合PID 控制器實現對交通信號燈的智能化調控，如圖1 所示。

圖1 系統框圖

系統收集城市交通歷史數據，主要為車輛流量、道路擁堵情況等多維度信息。通過對這些數據進行預處理，包括數據清洗、歸一化等步驟，以確保數據的準確性和一致性。在數據預處理后，引入LSTM 作為交通流量預測的核心模型。LSTM 具有優秀的序列建模能力，能夠捕捉交通流量的時空關系。通過歷史數據的訓練，該模型學習并預測了未來一段時間內的交通流量情況，為后續的信號燈控制提供準確的輸入。

基于LSTM 的預測結果，引入PID 控制器對交通信號燈進行智能調控。PID 控制器通過不斷調整比例項、積分項和微分項，實時響應交通流的變化，使得交通信號燈能夠靈活且有效地適應不同交通狀況。這一過程旨在最大限度地提高交叉口的通行效率，減少擁堵現象。最后，系統通過實時監測交通流量和信號燈狀態，不斷優化LSTM 模型和PID 控制器的參數，以適應城市交通的動態變化。系統能夠根據實時反饋進行調整，保持對交通狀況的敏感性，提高系統的健壯性和適應性。

2 基于機器學習的交通優化研究

2.1 基于LSTM 的交通流量預測

LSTM 是遞歸神經網絡（Recurrent Neural Network，RNN）的變體，在時間序列預測中具有很好的表現[9-10]。該模型通過其獨特的記憶單元結構，能夠有效捕捉序列數據中的長期依賴關系，在交通流量預測中具有獨特的優越性。

假設有一個包含T個時刻的交通流量數據序列，表示為X={x1，x2，…，xt，…，xT}，其中xt表示在時刻t的交通流量。輸入門決定哪些信息將被加入到記憶單元中，相關表達式為

式中：it為輸入門的輸出；σ為Sigmoid 函數；Wii為輸入門對輸入數據xt的權重；Whi為輸入門對上一時刻隱藏狀態ht-1的權重；bii為輸入門的輸入偏置項；bhi為輸入門的隱藏狀態偏置項；ht-1為上一時刻的隱藏狀態。遺忘門決定哪些信息將被從記憶單元中刪除，相關表達式為

式中：ft為遺忘門的輸出；Wif為遺忘門對輸入數據xt的權重；Whf為遺忘門對上一時刻隱藏狀態ht-1的權重；bif為遺忘門的輸入偏置項；bhf為遺忘門的隱藏狀態偏置項。接著，該模型利用輸入門和遺忘門的輸出，更新記憶單元的內容，相關表達式為

式中：為新的候選記憶單元；Wic為更新記憶單元對輸入數據x的權重；W為更新記憶單元對上一時刻隱藏狀態ht-1的權重；bic為更新記憶單元的輸入偏置項；bhc為更新記憶單元的隱藏狀態偏置項。輸出門決定當前時刻的隱藏狀態，其計算過程為

式中：ot為輸出門的輸出；Wio為輸出門對輸入數據xt的權重；Who為輸出門對上一時刻隱藏狀態ht-1的權重；bio為輸出門的輸入偏置項；bho為輸出門的隱藏狀態偏置項。最后，該模型利用輸出門的輸出和記憶單元更新當前時刻的隱藏狀態和記憶單元，具體計算公式為

通過該過程，LSTM 網絡能夠有效捕捉輸入序列中的長期依賴關系，并生成具有良好泛化能力的交通流量預測。在實際應用中，通過對網絡參數的訓練，可以使其適應不同城市交通情境，為智慧城市交通管理提供可靠的預測工具。

2.2 基于PID 控制器的控制策略

當LSTM 的輸出h(t)被映射后，作為PID 控制器的輸入，隨后用于交通信號燈的控制，該過程如圖2所示。圖2 中，LSTM 網絡的輸出h(t)經過映射后得到PID 控制器的輸入信號u(t)，而PID 控制器的輸出y(t)則用于控制交通信號燈的相位和時長。

圖2 交通燈控制方法

LSTM 輸出的隱藏狀態h(t)可以映射為PID 控制器的輸入，表示為

式中：Wph為映射矩陣；bp為偏置項。這個映射過程旨在將h(t)轉換為適用于PID 控制器的輸入信號u(t)。PID 控制器的輸出y(t)可以表示為

式中：e(t)為誤差信號；Kp、Ki和Kd分別為比例、積分和微分系數。PID 控制器的輸出y(t)直接用于控制交通信號燈的相位和時長。例如，將y(t)映射到綠燈時長的控制信號s(t)上，可以得到

式中：smin和smax分別為最小和最大的綠燈時長；ymax為PID 控制器輸出的最大值。

3 實驗與分析

3.1 實驗方法

在實驗部分，本研究用MATLAB 搭建了一個仿真實驗環境對所提方法進行測試，實驗方案如下：對于數據準備，本文采用METR-LA 數據集對該方法進行測試；對于LSTM 模型訓練，將數據集分為70%訓練集和30%測試集，并構建LSTM 模型準備進行訓練和測試；對于PID 控制器參數調整，利用歷史數據進行PID 控制器的參數初始化；對于仿真環境搭建，使用MATLAB 搭建仿真環境，包括LSTM 模型、PID 控制器和交通信號燈模擬器；對于實驗設計，設計實驗場景包括正常流量、高峰期、突發事件等，觀察交通信號燈的調控效果。

3.2 結果與分析

在本文中，基于MATLAB 構建的交通信號燈仿真情況如圖3 所示，仿真場景設計以等待車輛數作為指標來模擬車輛的擁堵情況，包括正常流量、高峰期、突發事件等多種場景。通過仿真實驗，收集了車輛到達率作為交叉口通行能力等的指標數據。

圖3 基于MATLAB 的交通燈仿真情況

結果顯示，基于LSTM 和PID 的控制方法在各交通場景下均表現出智能的調控能力。在高峰期，系統能夠迅速且準確地響應交通流變化，提高交叉口通行效率，有效應對了城市交通的復雜性。系統通過LSTM 網絡實現的交通流量預測使得系統能夠提前作出智能化調整，減少了交叉口的等待時間。PID 控制器的引入進一步優化了交通信號燈的響應速度和控制精度，使得交通流更為順暢。

4 結 論

本研究基于MATLAB 構建了仿真實驗環境，通過對交通信號燈優化方法的實驗驗證，取得了一系列令人滿意的結果。通過LSTM 網絡的交通流量預測，系統能夠準確捕捉城市交通的時空動態變化，為信號燈控制提供了有力支持。同時PID 控制器的引入進一步提高了交通信號燈的響應速度和控制精度，實現了更為智能化的交通調控。仿真實驗結果驗證了該方法在不同交通場景下的有效性和實用性，為智慧城市交通管理提供了一種可行的優化方案。未來的研究方向包括進一步優化機器學習模型參數、探索其他智能控制算法的結合，并在實際城市交通中進行驗證。該方法的成功實踐為智慧城市交通管理領域提供了新的思路和方法。