中小城市干線控制中公共信號周期的優化研究

程 慧

（池州學院 機械與電子工程系，安徽 池州 247000）

引言

汽車數量的急劇增加給城市的道路交通帶來了很大的負荷，基于自身的經濟基礎及城市規劃，中小城市的交通狀況呈現出與大型、特大型城市不一樣的特征，即交通壓力主要分布在主干線上.因此，有效解決主干線的交通負擔對提高整個城市的交通運行效率有極大的意義.目前，廣泛使用的方式是干線綠波帶控制，這種控制方式不僅能降低主干線上車隊的停車率及平均延誤，還能減少行人闖紅燈的機會及優化次干線上來往的車輛.該控制方法中公共信號周期、綠信比、相位差是三個主要參數，本文主要通過研究公共信號周期的優化來提高整條干線的運行能力.

1 問題描述

以安徽省池州市長江中路為例，長江中路是南北向的主干線路，與長江南路和長江北路接鄰，共有四個十字路口和一個T字路口，兩相鄰交叉口之間的距離分別為：560米、265米、530米、476米.主干線路每個方向都存在直行、左轉和右轉車道；相交次干線為東西方向，每個方向都存在左轉、直行和右轉合并車道，右拐不受信號燈限制.

基于以上交通特征，可見該城市干線中兩相鄰交叉口間的距離不超過800米,符合干線綠波帶控制的條件，此時線控比各個交叉口單獨控制效果要好.為了達到良好的控制效果，必須統一主干線路上各個交叉口的信號周期，傳統的做法是先按配時方案計算出各個交叉口的信號周期Ti，然后從中選出時間長度最長的作為整條干線的公共信號周期C.這種方法提高了交通壓力較大交叉口的控制效率以及整條干線的通行能力，卻未考慮強制增大周期對平均延誤的影響.因此，要對公共信號周期C進行優化.

2 公共信號周期的計算

初始狀態,選用Webster最佳周期時間計算方法確定各自的信號周期時間,計算公式如下:

其中L為路口每一個周期的損失時間，Y為路口的交通流量比[1].周期范圍的計算通常是統計歷史交通量數據給出最大周期時間和最小周期時間，這種做法沒有考慮到實際交通流量是隨機的、不穩定的，往往在同樣的交通流量狀態下車輛檢測器所采集的信息不一定相同，所得到的不同周期可將交通狀態維持在相似的水準上.因此，可以通過分析周期與通行能力和交通延誤的關系，來確定周期的調整范圍.

（1）Cmin的確定：交叉口的通行能力與綠信比、飽和流量有關，而交叉口的綠信比又與總損失時間和周期長度相關，具體關系如下：

通過分析可知周期與通行能力存在對數關系，當周期較大時，通行能力減小幅度較小，當周期較小時，通行能力減小幅度較大[2].在交叉口處于臨界飽和狀態下，減小周期會造成通行能力的減小從而引發交通擁堵，為了防止發生擁堵，可以在減小通行能力時，假定一個周期內交叉路口只能減少一輛車，這樣通行能力基本沒有減小.交叉口可接受最小通行能力Qmin=Qm-3600/Cm，將Qmin代人式(2)得到各個交叉路口可調周期最小值，取其中最大值為Cmin.

（2）Cmax的確定：交叉口某個相位的平均延誤與該交叉口的周期、該相位的流量比和綠信比有關，結合等飽和度的原則，可知周期與延誤在一定范圍內呈現線性關系，隨著周期減小，延誤也減小,具體關系如下：

假設交叉口平均延誤增加8%，控制狀態未發生變化，則交叉口允許最大延誤為dmax=dm×(1+8%)，將dmax代人式(3)得到各個路口可調周期最大值，取其中最小值為Cmax[3].

3 公共信號周期的優化

對公共信號周期的優化方式有很多種，模糊控制、遺傳算法、神經網絡控制等等.模糊控制利用專家經驗，對非線性及復雜對象有很好的控制效果但本身不具備自學習的能力，所以使用受到了一些限制.人工神經網絡能夠自適應樣本數據，當數據中有噪聲和形變時也能有良好的控制效果，但不能表達模糊語言，好比一個缺少透明度的黑箱，不能很好地模仿人類的思維.自適應神經模糊系統將模糊控制和神經網絡控制結合起來，將神經網絡強大的學習機制帶入模糊控制系統，而神經網絡控制經過模糊處理也可使相關參數自動在線調節并優化，模糊控制和神經網絡互相彌補不足并發揮各自優點[4].

依據交通控制原理,若飽和度過大則可以增大信號周期時間,若飽和度過小則可以減少信號周期時間，所以可以通過調整信號周期時間使關鍵路口的飽和度處在0.9左右.飽和度X計算公式為：

Qi為關鍵交叉路口協調方向第i相位的車流量，λi為關鍵交叉路口協調方向第i相位的綠信比，Qsi為關鍵交叉路口協調方向第i相位的飽和車流量[5].

步驟一：獲取樣本數據

通過模糊控制來獲取樣本，將飽和度X作為模糊控制的輸入量，論域為X={0.37,0.46,0.58,0.74,0.86,0.92,0.94,0.96,0.98,1.00}，語言變量設為：正大PB、正小PS、零ZE、負小NS、負大NB，X的論域和隸屬度賦值如表1所示.

本系統的模糊控制規則庫是根據專家經驗建立的，依據

表1 X的論域和隸屬度

表2 ΔCx的論域和隸屬度

if(lisX)then(gisW)的一般形式，共5條控制規則如下：

If(X isPB)then(ΔCxisPB);

If(X isPS)then(ΔCxisPS);

If(X isZE)then(ΔCxisZE);

If(X isNS)then(ΔCxisNS);

If(X isNB)then(ΔCxisNB);

利用SurfaceViewer可得出控制系統輸入輸出的表面空間,如圖1所示.

圖1 系統輸入輸出的表面空間

本系統的模糊判決采用面積重心法，即取加權平均值作為精確控制量.通過重心法計算解模糊后,在MATLAB模糊規則觀測界面中可以清楚的觀察到輸入值和相應的輸出值,以此數據作為輸出查詢表即樣本數據，這里取樣本數為19，樣本數據如下：

data=[0.37,-15.6;0.39,-15.6;0.41,-15.5;0.45,-15.2;0.56,-8.89;0.74,2.36;0.78,5.96;0.82,9.29;0.85,9.28;0.88,9.26;0.92,15.8;0.93,15.9;0.94,16;0.95,16.1;0.96,16.2;0.97,16.2;0.98,16.2;0.99,16.2;1.00,16.2]

步驟二：加載數據

對采集到的樣本數據進行分類，取出矩陣中奇數行組成訓練數據集trData并將該矩陣中的數據以ASCⅡ碼的形式保存到磁盤文件trData1.dat中，以便數據以文件形式加載.同理取樣本數據的偶數行組成檢驗數據集chData，同樣以文件形式保存.

>>trData=data(1:2:19,:);

>>savetrData1.dattrData-ascii;

>>chData=data(2:2:19,:);

>>savechData1.datchData-ascii;

在MATLAB命令窗口中輸入命令“anfisedit”進入自適應神經模糊推理系統的圖形界面編輯器Anfis Editor.

步驟三：生成模糊推理系統

可以通過網格法或減法聚類法生成初始推理系統,或者直接調用已經建立好的磁盤文件或是工作環境中的FSI結構變量作為初始模糊推理系統[6].

步驟四：訓練自適應神經模糊推理系統

選擇最小二乘法和BP反向傳播算法的混合算法，訓練次數50次，其余參數默認，訓練后誤差大小為0.024207，如圖2所示.

圖2 訓練后的誤差曲線

步驟五：測試模糊推理系統

用輸出數據與檢驗數據進行比較，平均測試誤差大小為0.025412.

通過神經網絡從樣本數據中歸納出經驗，訓練成的模糊推理系統具有在線調節的能力，輸出的周期時間Cx更加優化.

若調整后的周期時間Cx大于Cmin且小于Cmax,則C為該主干線路的公共信號周期，若Cx小于Cmin，則C=Cmin，若Cx大于Cmax，則C=Cmax.

4 仿真研究

經過自適應神經模糊控制優化的公共信號周期C確定后，把它運用到干線綠波控制系統中并用數解法進行相位差的計算，評價指標為平均車輛延誤與通行能力.長江中路全長約1800多米，南北雙向6車道，上下行方向各車道的車輛到達率服從泊松分布，路口各個方向車流分流比為左轉0.3、直行0.4、右轉0.3，其中右轉車輛不受紅綠燈影響即時疏散.兩相鄰交叉口之間的距離分別為：560米、265米、530米、476米，總流量比為0.55、0.65、0.4、0.5、0.55，仿真時間為5個周期.仿真結果如下表3所示：

表3 仿真結果

從表中可以看出采用優化周期后，車輛平均延誤比使用最大周期的要小，通行能力比使用最大周期法的要大.說明使用周期優化的方法可以減少交通延誤，保證較大的通行能力.

5 結束語

通過建立自適應神經模糊系統來優化公共周期的方法只適用于車流量不飽和的情況，在此情況下通過結果表明相比于最大周期法，優化周期可以有效減少平均延誤，增大通行能力，保證干線較高的服務水平.除此之外，還可以通過遺傳算法、模擬退火等其他智能方法來進行優化.

〔1〕王俊剛.變帶速干線協調控制模型研究[J].公路交通科技,2005,22(4):108-111.

〔2〕廖秀齋.一種雙目標單點信號配時優化模型[J].交通信息與安全,2009(S1):1-3.

〔3〕王殿海,李鳳,宋現敏.干線協調控制中公共周期優化方法研究[J].交通信息與安全.2009,27(5):10-13.

〔4〕李靈犀.兩相臨路口交通信號的協調控制[J].自動化學報,2003,29(6):947-952.

〔5〕李國勇.智能預測控制及其MATLAB 實現[M].北京:電子工業出版社,2010.

〔6〕沈國江.城市區域交通流智能分散控制[J].浙江大學學報（工學版），2006,40(4):585-589.