基于模糊邏輯的交通擁擠狀態(tài)識別算法

，2

(1.西南交通大學交通運輸與物流學院，四川 成都 610031；2. 綜合運輸四川省重點實驗室 四川 成都 610031)

道路交通擁擠狀態(tài)是指交通流的總體運行狀況，是用各區(qū)間的實時交通密度和速度等參數(shù)所表示的交通流狀態(tài)，包括宏觀路網(wǎng)交通擁擠狀態(tài)、微觀路段和交叉口交通擁擠狀態(tài)。多種尺度、多種變化、隨機變化、實時變化是城市道路交通擁擠狀態(tài)的特性[1]。

擁擠狀態(tài)識別算法能在一定區(qū)域、一定置信水平下識別擁擠狀態(tài)，但不同的算法又各有差異。擁擠狀態(tài)識別算法主要有人工識別法與自動識別法，隨著各類檢測器的發(fā)展，目前已經(jīng)過渡到基于各類檢測器的交通狀態(tài)識別法。按照檢測器的布置形式，自動識別算法主要分為基于固定監(jiān)測器的識別算法、基于移動監(jiān)測器的識別算法、基于多源信息監(jiān)測器的識別算法[2]。

基于固定檢測器的識別方法包括經(jīng)典的加州算法、McMaster算法以及DS-ANN算法等，常用于交叉口的分析?；谝苿颖O(jiān)測器的識別方法包括基于路段行程時間預測值與基于速度變化率的識別方法[3]?；诙嘣礄z測器的識別算法包括模糊綜合評判法與神經(jīng)網(wǎng)絡算法，適用于對路網(wǎng)道路交通狀態(tài)的識別。

沒有一種算法的績效完全優(yōu)于其他算法，這是因為各種算法都是基于某種思想或理論，而思想或理論都有限定條件及適用性。通過對現(xiàn)有道路交通狀態(tài)識別算法的比對，不難發(fā)現(xiàn)沒有一個現(xiàn)成的算法可以直接應用于某路網(wǎng)道路交通狀態(tài)識別系統(tǒng)，需要根據(jù)實際情況對道路交通狀態(tài)識別算法做出相應的改進[4]。

本文根據(jù)科學性、綜合性、可操作性、適應性等改進原則，考慮到應用較普通的交通檢測設備(浮動車、視頻和線圈)及可獲得的參數(shù)，參考現(xiàn)有交通狀態(tài)識別算法的輸入變量設計[5]，借鑒模糊數(shù)學的思想，采用基于模糊綜合評判的交通擁擠狀態(tài)識別算法。

1 擁擠狀態(tài)識別的改進算法

1.1 改進算法介紹

基于模糊綜合評判的道路交通狀態(tài)識別算法[6-7]如下。

1)建立評判對象因素集U。U=[X,a,b]，式中：X代表路段服務水平，采用X=Q/C表示，Q代表路段交通流量，C代表路段通行能力；a=K/Kj，K代表路段交通流密度，采用K=Q/V表示，Q代表路段交通流量，V代表路段區(qū)間平均運行速度；b=T/T0，T代表路段平均運行時間，采用T=L/V，L代表路段長度，V代表路段區(qū)間平均運行速度。在進行道路狀態(tài)識別模糊綜合評判時，上述參數(shù)中Q、V、L均為實測值。

2)建立評判集F。F=[f1,f2,f3,f4,f5]，式中：f1代表道路處于暢通狀態(tài)(第1級)；f2代表處于較暢通狀態(tài)(第2級)；f3代表一般狀態(tài)(第3級)；f4代表處于較擁擠狀態(tài)(第4級)；f5代表嚴重擁擠狀態(tài)(第5級)。

3)確定隸屬函數(shù)。建立一個從U到F的模糊映射，這樣因素集中的每個元素u就與X、K、T的笛卡爾乘積X×F×T={(x,k,t)|x∈X,k∈K,t∈T}中的元素(x,k,t)一一對應，由此可以誘導出單因素評判矩陣R,R=[R1,R2,R3]T，其中向量R1、R2、R3分別為R1=(r11,r12,r13,r14,r15)，R2=(r21,r22,r23,r24,r25)，R3=(r31,r32,r33,r34,r35)，R1代表服務水平相對于暢通、較暢通、一般、較擁擠與嚴重擁擠的隸屬度，R2代表密度相對于暢通、較暢通、一般、較擁擠與嚴重擁擠的隸屬度，R3代表平均運行時間相對于暢通、較暢通、一般、較擁擠與嚴重擁擠的隸屬度。

4)綜合評判。用因素集U上的一個模糊集A=[a1,a2,a3]表示各個因素的權重分配(在進行道路狀態(tài)識別時，考慮到服務水平X、路段密度K和平均運行時間T對識別結(jié)果貢獻相同，因此在本算法中默認A=[0.33,0.33,0.33])，求出綜合評判集B，其中B=A×U，B=[b1,b2,b3,b4,b5]。通過對b1、b2、b3、b4、b5值的比較最終確定路段的交通狀態(tài)。

1.2 算法評價

1)改進后的算法充分運用了可以通過較為普遍的交通檢測設備得到的所有原始數(shù)據(jù)，即通過浮動車得到的行程時間和地點平均車速數(shù)據(jù)，通過視頻得到的車輛信息數(shù)據(jù)，通過線圈得到的交通流數(shù)據(jù)，不需要通過購置其他交通檢測設備就能得到，相比單源檢測器、單源數(shù)據(jù)的運用，本算法更具有綜合性，更符合實際情況。

2)該算法運用[X,a,b]指標作為評判對象因素，與交通流參數(shù)基本模型中的流量、密度、速度相對應，從流量、空間和時間3個不同的角度對道路交通狀態(tài)予以綜合判別；算法中各參數(shù)在不同狀態(tài)下所對應的隸屬度函數(shù)根據(jù)相關規(guī)范、標準制定，采用梯形函數(shù)的形式能較好刻畫道路交通狀態(tài)的變化規(guī)律。

3)基本模糊綜合評判算法計算量小、操作簡便、算法結(jié)構(gòu)簡單，能夠通過計算機反復迭代計算完成，能適應高頻率的道路交通狀態(tài)更新。

4)改進后的算法能適應不同等級道路的交通運行狀況，能夠在一定程度上得到推廣。

2 算例分析

本文以某城市主干道路段為對象，針對該路段某一方向的道路交通狀態(tài)進行識別，以明確該算法的操作步驟。

該算法的關鍵在于確定隸屬函數(shù)，隸屬函數(shù)的合適與否，直接影響到交通狀態(tài)識別的準確率。實數(shù)域上的模糊集可以選用各種分布，主要有正態(tài)函數(shù)、三角函數(shù)、梯形函數(shù)、矩形函數(shù)等。根據(jù)對城市道路交通狀態(tài)交通流特性的分析，服務水平、路段密度和平均運行時間與城市道路交通狀態(tài)之間的關系比較符合梯形函數(shù)，且梯形函數(shù)具有計算簡單方便等特點；因此，梯形函數(shù)被廣泛采用。

根據(jù)相關標準和研究路段的實際情況，構(gòu)造出路段服務水平、路段密度和平均運行時間各個模糊集的隸屬函數(shù)。由于不同等級道路的幾何條件和通行能力存在差異，且道路狀態(tài)評判閾值也有所不同，為消除這種差異和不同，需分別對快速路、主干路、次干路和支路建立不同的隸屬度函數(shù)，在不同道路條件下予以選用[8-10]。本文主要針對城市主干路進行分析。

1)數(shù)據(jù)準備。

該路段晚高峰某一時刻道路交通流參數(shù)如表1所示。

表1 某路段晚高峰某時刻道路交通流參數(shù)

注：臨界密度Kj為交通量接近通行能力時，平均車速接近于限制速度一半時的密度，該指標通常作為道路趨向于擁擠產(chǎn)生或趨向于擁擠消散的臨界點。

2)確定隸屬度函數(shù)。

道路狀態(tài)分為{暢通，暢通與較暢通臨界狀態(tài)，較暢通狀態(tài)，較暢通與一般臨界狀態(tài)，一般狀態(tài)，一般與較擁擠臨界狀態(tài)，較擁擠狀態(tài)，較擁擠與嚴重擁擠臨界狀態(tài)，嚴重擁擠狀態(tài)}，判斷標準以X，a，b的不同值來確定。在每種狀態(tài)下都有對應的X，a，b值范圍，以下閾值按照最大值10%的跨度來進行分析。

① 確定路段服務水平隸屬函數(shù)。

該城市道路主干道Q/C不同數(shù)值時對應的道路狀態(tài)如表2所示。

表2 Q/C不同取值時對應的道路狀態(tài)

采用梯形函數(shù)，路段服務水平隸屬函數(shù)公式如下(依次為暢通、較暢通、一般、較擁擠、嚴重擁擠狀態(tài)，下同)：

(1)

(2)

(3)

(4)

(5)

②確定道路密度隸屬函數(shù)。

以相對密度a=k/kj為評判指標劃分道路交通狀態(tài)。該城市道路主干道取不同數(shù)值時對應道路狀態(tài)如表3所示。

表3 相對密度a不同取值時對應的道路狀態(tài)

采用梯形函數(shù)，道路密度隸屬函數(shù)公式如下：

(6)

(7)

(8)

(9)

(10)

③確定平均行程時間隸屬函數(shù)。

以相對平均行程時間b=T/T0為評判指標劃分道路交通狀態(tài)。該城市道路主干道取不同數(shù)值時對應道路狀態(tài)如表4所示。

表4 相對平均行程時間b不同取值時對應的道路狀態(tài)

采用梯形函數(shù)，道路平均行程時間隸屬函數(shù)公式如下：

(11)

(12)

(13)

(14)

(15)

3)數(shù)值計算。

將表中服務水平X值代入式(1)—(5)計算，得到：

u1(X)=0,u2(X)=0,u3(X)=0.4,

u4(X)=0.6;u5(X)=0

將表中道路相對密度a代入式(6)-(10)計算，得到：

u1(a)=0.65,u2(a)=0.35,u3(a)=0,u4(a)=0,u5(a)=0

將表中相對平均行程時間b代入式(11)—(15)計算，得到：

u1(b)=0,u2(b)=0,u3(b)=0.5,u4(b)=0.5,u5(b)=0

最終得到判斷矩陣R為

已知A=(a1,a2,a3)=(0.33,0.33,0.33)，則經(jīng)過計算B=A×R，得到

B=(0.214 5,0.115 5,0.297,0.363,0)

取其最大值b4=0.363，得到該道路處于較擁擠交通狀態(tài)。

3 結(jié)論

1)本算法適用于路網(wǎng)內(nèi)布設了較為完備的線圈、視頻和浮動車檢測器的交通信息采集系統(tǒng)，并根據(jù)各檢測器的優(yōu)劣性選取了該檢測器采集精度最高的交通參數(shù)。

2)算法計算過程簡單，較容易實現(xiàn)，但隸屬度函數(shù)與計算結(jié)果精度密切相關，在應用前需進行大量的調(diào)查工作。

3)在輸入變量中，大多是交通參數(shù)的實測值，預測的準確程度影響到交通擁擠狀態(tài)判別的精度。

4)為了簡化計算，本文用模糊集A=(a1,a2,a3)表示各個因素的權重分配，取值相同，在今后的研究中，可根據(jù)道路上各檢測器的布設密度進行調(diào)整，如某路網(wǎng)的線圈視頻數(shù)量較多，浮動車比例較小，可適當減少行程時間因素在模糊集中的權重。

[1]姜桂艷，冮龍暉，王江鋒. 城市快速路交通擁擠識別方法[J]. 交通運輸工程學報，2006，6(3)：87-91

[2]魏強. 基于固定檢測器的區(qū)域交通狀態(tài)判別方法研究[D]. 長春：吉林大學，2011：12-15.

[3]江龍暉. 城市道路交通狀態(tài)判別及擁擠擴散范圍估計方法研究[D]. 長春：吉林大學，2007：20-22.

[4]姜桂艷，郭海鋒，孟志強，等. 基于實時信息的城市道路交通狀態(tài)評價指標體系研究[J].交通與計算機，2007(5)：21-24.

[5]楊兆生，王爽，馬道松. 基礎交通信息融合方法綜述[J]. 公路交通科技，2006，23(3)：111-116.

[6]鄭建湖，文子娟，黃明芳，等. 交通擁擠狀態(tài)模糊識別方法的設計與應用[J]. 華東交通大學學報，2009，26(1)：29-33.

[7]鄒亮，徐建閩，朱玲湘. 基于融合技術的道路交通狀態(tài)判別模型[J]. 清華大學學報：自然科學版，2007，47(S2)：1822-1825.

[8]WANG Yibing, Papageogeorgiou Markos. Real-rime freeway traffic state estimation based on extended Kalman filter: A general approach [J]. Transportation Research Part B, 2005,39(2)：141-167.

[9]羅斯·羅格，普拉薩絲·艾琳娜，米山尼·威廉姆. 交通工程：基礎 [M]. 3版. 北京：機械工業(yè)出版社，2008:160-161.

[10]王建玲，蔣陽升. 交通擁擠狀態(tài)的識別與分析[J]. 交通運輸工程學報，2006，6(3)：87-91.