BP神經網絡在道路交叉口多相位模糊控制中的應用

蔣愛萍　柳妍

摘 要：公路交通控制是一個非線性時變系統，其抗干擾能力較差，尤其是道路交叉口的交通控制更是具有復雜的非線性時變特征，而實際應用表明，道路交叉口的交通控制是整個交通控制系統的控制重點。本文在研究BP神經網絡算法的基礎上，探討該算法在道路交叉口多相位模糊控制中的應用。

關鍵詞：公路交通控制；BP神經網絡算法；交叉口多相位

1 多相位交通控制算法

當交通流較大時，在保證安全的前提下，為了提高平面交叉口的通行能力往往需要進行多相位信號控制。在一個周期內，交叉口上某一支或幾支交通流所獲得的通行權稱為信號相位。單交叉路口4相位信號控制如下：相位1：南北直行；相位2：南北左轉及；相位3：東西直行；相位4：東西左轉及方向綠燈，所有右轉方向綠燈，方向綠燈，所有右轉方向綠燈。

單個交叉路口信號的控制算法可描述為：

⑴從相位i開始，分別指定各相位的最短綠燈時間Gmin和最大綠燈時間Gmax；

⑵先給該相位以最短綠燈時間 ；

⑶測得放行車道的車隊長度，設其為 ；

2 模糊邏輯控制器的設計

2.1 檢測器之間的車輛數ι，隊長之差Q，綠燈追加時間G的模糊化

兩檢測器之間的車輛數ι為考慮具體交叉口路況后，折算成標準小客車單位（pcu）的車輛數。視為模糊變量 ，論域為：{1，3，5，7，9，11，13，15，17}，取7個語言值： （很少）， （少）， （較少）， （一些）， （較多）， （多）， （很多）。

隊長差Q為pcu單位的下相位兩檢測器之間車輛數和本相位兩檢測器之間車輛數的代數差，將其看作模糊變量 ，其論域為：{-9，-6，-3，0，3，6，9}，取5個語言值： （負大）， （負小）， （零）， （正小）， （正大）。

追加綠燈時間G為模糊變量 ，其論域為：{3，6，9，12，15，18，21，24，27}，取7個語言值： （很少）， （少）， （較少）， （適中）， （多）， （較多）， （很多）。相對于論域的隸屬函數為：

2.2 模糊推理

根據經驗總結出控制規則如下表所示（“-”表示不可能出現的情況）。兩輸入到輸出的語言控制策略由33條模糊條件語句構成：

2.3 模糊判決（去模糊化）

本文采用最大隸屬度原則去模糊化。

3 模糊邏輯控制器的BP神經網絡實現

3.1 模糊—神經網絡控制結構

上述模糊控制器模型可以用三個BP神經網絡來實現，該模糊—神經控制器結構如下圖所示。

神經網絡Ⅰ、Ⅱ分別用于生成 和 的隸屬函數。神經網絡Ⅲ用于產生綠燈追加時間輸出。該神經網絡采用典型神經元，其輸入輸出關系為Sigmoid函數，即：

3.2 模糊控制規則的實現及控制信號的形成

采用三層神經元網絡Ⅲ來實現模糊控制規則。輸入層對應于神經元網絡Ⅰ和Ⅱ的輸出層，即含有12個神經元；輸出層為一個神經元，即控制量輸出；隱含層采用7個神經元。以表4提供的經驗數據為樣本進行學習，即可獲得一個模糊神經控制器。

4 總結

當交叉口車輛到達率或交叉口車流到達飽和時，模糊神經網絡控制方法可以大幅度減少交叉口各方向車輛的平均延誤時間。這是因為在模糊控制算法中考慮了下一相位的等待車輛數，從而保證了模糊神經網絡控制器能夠協調地給各方向分配通行時間，防止某一方向等待車輛數過多而導致整體上大的平均延誤。

[參考文獻]

[1]劉智勇.智能交通控制理論及其應用[M].北京：科學出版社，2003.