基于遺傳算法的交通信息模糊融合方法

摘要：針對智能運輸系統及其事件檢測子系統研究開發的特點，提出了基于遺傳算法的交通信息模糊融合方法。交通事件是導致交通流質量變化的主要因素，應用遺傳算法優化交通事件檢測的模糊控制模型參數，對模糊控制器所做出的決策進行動態調整仿真實驗結果表明該算法具有更高的檢測率和更低的誤報率，能提高事件的檢測效率。

關鍵詞：交通流；模糊控制；遺傳算法；信息融合；模式識別



中圖分類號：F49文獻標識碼：A文章編號：16723198（2007）11005903

1模糊控制和遺傳算法

人工智能技術可劃分為傳統人工智能技術（即專家系統）和處理數值計算的新人工智能技術，例如模糊邏輯，遺傳算法和人工神經網絡等。

1.1模糊控制原理

(1)模糊集合的運算。模糊集合理論的基本思想是把普通集合中的絕對隸屬關系靈活化， 使元素對集合的隸屬度從原來只能取{0，1}（正確或錯誤）中的值擴充到［0，1］區間中的任一數值。模糊集合 是由隸屬函數 來刻畫的。論域 中的模糊子集 是以隸屬函數表征的集合。即由映射

μA∶U→［0，1］

u→μA(u)

確定論域 的一個模糊子集A。μA稱為模糊子集A的隸屬函數，隸屬度μA(u)說明u隸屬于A的程度。常用的模糊集合運算主要有并、交以及補運算。

(2)模糊化，模糊推理及解模糊化。模糊控制系統主要包括三個過程:輸入的模糊化、模糊推理和輸出解模糊化。

①模糊化(fuzzification)。模糊化是將模糊控制器輸入量的確定值轉換為相應模糊語言變量值的過程，此相應語言變量值均由對應的隸屬度來定義。本文選擇三角形隸屬函數，其曲線如圖1所示。

圖1三角形隸屬函數曲線

其對應表達式為：

μx=1，如果x=B(x-A)/(B-A)，如果B>x>A（C-x）/(C-B)，如果C>x>B0，如果x≥C或者x≤A（1）

其中A、B和C為三角形隸屬函數參數。

②模糊推理(fuzzy inference)。模糊推理是根據事先制定好的一組模糊條件語句構成的模糊控制規則，運用模糊數學理論對模糊控制規則進行計算推理，即根據模糊規則對輸入的一系列條件進行綜合評估，以得到一個定性的語言表示量。模糊控制規則采用“if…then…”形式，if部分是規則的前提，then部分是規則的結論。

③解模糊化(defuzzification)。模糊控制器經過模糊推理得出的模糊輸出量必須經過精確化處理，將模糊量轉換為清晰的數字量才能去控制對象，這就涉及到推理結果的解模糊化問題。解模糊化的方法主要有以下幾種：最大隸屬法、系數加權平均法、重心法以及隸屬度限幅元素平均法。

常用的模糊推斷過程如圖2所示。圖中 “V1”和“V2”分別代表兩個輸入變量，“O”代表輸出變量， “Min”和“Max”分別表示合成和析取。圖2采用三角形隸屬函數，用去模糊化的方法從輸出模糊集C'中提取輸出函數的代表值。

1.2遺傳算法簡介

(1)選擇、變異和交叉。

①選擇。在本文中，選擇根據每一染色體編碼串評價指標的高低成比例的決定其選擇概率。

②變異算子。基于構造支撐樹的順序編碼，若采用簡單的一點或多點交叉策略，必然以極大的概率產生不可行的染色體，因此本文采用與部分匹配交叉比較類似的交叉方法，方法如下：

a.隨機在串中選擇一個交配區域，如兩父串及交叉區域選定為：A= 1 2︱3 4 5 6︱7 8 9B= 9 8︱7 6 5 4︱3 2 1

b.將B的交配區域加到A的前面或后面，A的交配區域加到B前面或后面得到：A＇=7 6 5 4︱1 2 3 4 5 6 7 8 9B＇=3 4 5 6︱9 8 7 6 5 4 3 2 1

c.在A＇和B＇中自交配區域后依次刪除與交配區相同的城市碼，得到最終的兩子串：A″=7 6 5 4 1 2 3 8 9B″=3 4 5 6 9 8 7 2 1

③交叉算子。為了維持群體內的多樣化，本文采用隨機連續多次對換的變異技術，使可行解在順序上有了較大的變化，以抑制交叉中有可能產生的同化作用。例如對于串A：

A=1 2︱3 4 5 6︱7 8 9

如果隨機產生的交換點是2和7，則串中的第2點和第7點將對換，對換后，串A變為：A＇=1 7︱3 4 5 6︱2 8 9

由于經過一次對換后，A＇仍然有可能與A表示為同一個網絡結構，所以本文采取連續多次的對換操作，來增強變異的效果。

(2)編碼方式。由于遺傳算法的進化過程是建立在編碼機制基礎上的，編碼對于算法的性能如搜索能力和種群多樣性等的影響很大。常見的遺傳算法編碼方式有二進制編碼與實數編碼兩種。就二進制編碼和實數編碼比較而言，一般實數編碼比二進制編碼在變異操作上能夠保持更好的種群多樣性，但操作比較復雜，二進制編碼比實數編碼搜索能力強。本問題優化參數較少，故采用二進制編碼。

2交通事件自動檢測算法設計

2.1數據來源

受我國高速公路基礎設施以及人力、物力的限制，現在國內還缺乏完整的實測數據，故本文采用VISSIM軟件模擬的數據對模糊-遺傳融合自動事件檢測算法進行測試。模擬中，選擇一段2.0km的單向兩車道高速公路區段作為模擬目標路段，分別對不同交通條件下的交通流狀況進行了160次模擬，包括60次非事件狀態和100次事件狀態。其中50 次事件數據用來構成訓練樣本值，其余的50次事件數據作為測試樣本值。為研究事件和非事件條件下的交通流特性，在事件檢測區位置上游150m處、300m處、400m處以及事件檢測區位置下游150m處、300m處、400m處按車道和路寬分別設置車輛檢測器，采集周期為20秒，采集的交通數據包括占有率和流量。把交通數據帶入到模糊-遺傳融合自動事件檢測算法中，每組數據向量可得到一個模糊輸出結果。最終的模糊輸出被轉化為兩種輸出狀態，即狀態0和1，它們分別代表非事件狀態和事件狀態。

圖3基于模糊控制的事件檢測算法的系統結構圖

2.2模糊控制在事件檢測中的應用

道路交通流， 特別是在事件發生的情況下， 是高度非線性、時變和不能精確建模或實時定量表示的， 許多交通概念具有重要但不精確的含義， 例如“擁擠”、“高占有率”、“服務水平”等。因此， 使用固定的“門檻值(臨界值)”來檢測事件， 顯然并不能很好地適合交通狀態所具有的動態不確定性， 而模糊集合理論恰好彌補了這一點。

基于模糊控制的事件檢測算法的系統結構如圖3所示。在本文的控制器設計過程中，算法的輸入參數包括上下游不同周期的交通流量和占有率，基于模糊控制的事件檢測算法的流程圖如圖4所示，此流程圖的輸出包括0（無事件）和1（事件）。

圖4事件檢測算法流程圖

(1)模糊過程。每個模糊決策表包括兩個輸入，其中一個數值來自上游，另一個數據是同一周期的下游數據。每個輸入被模糊化為下列七個不同模糊語言集中的一個，這七個模糊語言變量包括：“零（ZO）”、“很小（VS）”、“小（S）”、“中等（M）”、“中大（MB）”、“大（B）”和“很大（VB）”。該模糊控制器的控制規則最多應該有7 * 7=49條，由于變量論域被劃分為7等級，則論域為{0，1，2，3，4，5，6}。輸入變量由當前周期t和前兩個周期(t-1和t-2)內在每個車道的上下游檢測到的數據構成。利用重心法解模糊化，采用例如圖2所示的糊推斷過程。

(2)隸屬函數和決策表。在模糊算法中， 確定各個模糊集的隸屬函數是一項至關重要的工作， 隸屬函數合適與否直接影響到檢測率和誤報率。在實數域上的模糊集可以選用各種分布， 主要有矩形分布、梯形分布、正態分布和嶺形分布等。為簡單起見， 此算法采用了三角形隸屬函數以及高斯隸屬函數。控制規則是模糊控制器的核心。將控制策略分析歸納后給出輸入、輸出變量的模糊狀態描述就得到控制規則。在模糊控制器設計過程中，一般將所有的控制規則匯總成模糊控制規則表。本算法所設計的控制規則表如表1所示，這里 “US”及“DS”分別代表檢測區域的上下游。本文共采用了9個類似的控制規則表。通過遺傳算法把每個模糊決策表中的49個值進行優化得到一個接近于最優的設計。

ZOVSSMMBBVB

DS

ZO

VSSMMBBVB

ZOVSVSMBBVBVB

ZOZOVSVSMBBVB

ZOZOZOVSSMBB

ZOZOZOZOVSSS

ZOZOZOZOZOVSVS

ZOZOZOZOZOZOVS

ZOZOZOZOZOZOZO

(3)多層設計。此模糊算法類似與一個多重通道設計，并且被劃分為3個不同層數，模仿一個具有一個輸入層、一個隱藏層以及一個輸出層的神經網絡結構。首先把12個輸入數據模糊化并把它們輸入到第一個模糊層，然后把第一層的輸出作為第二層的輸入帶入到隱藏層，依次進行直到通過最后一層。模糊過程的黑箱技術圖如5所示。

圖5模糊過程的黑箱技術圖

2.3遺傳算法優化事件模糊控制器

針對交通流發生變化時，原有的模糊控制器不能達到較理想的檢測效果，本文采用遺傳算法來優化前面所設計的模糊控制器的隸屬函數參數，以取得較優的控制效果。

在模糊化過程中共產生491個未知的模糊參數，其中441個參數屬于這9個決策表，其余的50個參數包括模糊化和反模糊化過程中隸屬函數的重心以及三角形隸屬函數的參數。為了簡化過程，使遺傳算法集中，通過手動調整這441個參數。在這491個未知參數中，某些參數使用一個基因，而有些使用兩個基因。由于使用二進制編碼所占用的搜索空間較大，故此過程未采用二進制編碼。由于變量選用了7個模糊狀態，因此基因值的變化范圍為0到6。

(1)遺傳算法訓練。在此算法中，染色體的基因由一臺隨機數發生器產生，因此有統一的偏差。這些基因被輸入到一個解碼算法中得到模糊參數，把模糊參數帶入到模糊集方程得到自動事件檢測的結果，這個過程就叫做遺傳算法的在線訓練，即在線遺傳算法。算法依次進行直到設定的最大迭代次數，例如100。當獲得最優的染色體時，基因被儲放到另一個文件中，然后把它們輸入到另一個算法（即離線遺傳算法）得到期望的最優結果。優化模糊控制的在線遺傳算法流程圖如圖6所示。

3仿真結果

通常用于評價事件檢測算法的性能指標有檢測率（Detection Rate，DR）、誤報率（False Alarm Rate，FAR）和平均檢測時間（Mean Time to Detection，MTTD）。本文用C語言編程實現了上述該算法，采用一系列模擬數據對此自動事件檢測算法進行了測試，并與幾種傳統的事件檢測算法在檢測率、誤報率、平均檢測時間等多項指標進行比較， 其結果見表2。從仿真評價結果對比表可以看出本文所采用的算法整體效果較好，優于傳統的算法。

表2仿真評價結果對比

算法

評價指標

檢測率（%）誤報率（%）平均檢測時間（s.）

模糊-遺傳算法73.71.104240

加利福尼亞算法8490.571255

人工神經網絡781.503269

McMaster算法372.075260

圖6遺傳算法優化模糊控制流程圖

參考文獻

［1］汪海淵，朱彥東，楊東援.數據融合技術及其在交通領域中的應用［J］.交通與計算機，2001(增刊)，(19):4245.

［2］李秀平，劉智勇，尹征琦，吳今培.多傳感器信息融合的智能交通控制系統研究［J］.信息與控制，2001，30(5):460464.

［3］李存軍，楊儒貴，靳蕃.基于神經網絡的交通信息融合預測方法［J］.系統工程，2004，22(3):8083.

［4］王曉薇， 王慧.基于GA 的交叉路口自適應模糊控制器設計［J］.吉林大學學報(信息科學版)，2004，22(4):346351.

［5］韓峻峰， 李玉惠.模糊控制技術［M］.重慶:重慶大學出版社，2003.

［6］戴紅.基于模糊模式識別的城市道路交通狀態檢測算法［J］.吉林工程技術師范學院學報，2005，21(3):4145.

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。