基于混沌管制的智能交通分析

屈 展，高新芝，趙 鑫

（甘肅廣播電視大學，甘肅 蘭州730000）

0 引 言

美國鹽湖城1918年創造并使用了世界上第一個道路管理系統［1］。1930年出現了使用電磁感應機構構建的探測器，隨后開展了超聲脈沖多普勒雷達等電子技術的研究［2］。1964年，IBM6＿50計算機因其優良的特性被應用于許多領域。其中，亞洲知名的自適應交通管理系統（SCATS），是基于及時部署分時選項來達成對網絡的調解管制，包括英國的（Traffic network research tools）和 SCOOT （SPOTE ring moving optimization method）系統等［3］。本項目的研究內容是基于20世紀70年代后期至80年代中國城市迅速發展的智能交通為主的城市交通，城市道路發生r擁堵問題［4］。在開發了智能混沌管制算法后，PapPis和Mamdani增加了算法并對其實行了評估。運用該技術車輛的平均耽延比傳統技術低約7%［5］。但由于中國的基礎設施條件不容樂觀，人口眾多，車輛眾多等原因，其雜亂性作用實質降低了管制效益［6］。因此如何從優化管制成就和節能的角度策劃智能交通管制系統是本文的主要探討內容。

1 交通時間序列的混沌區別

Lyapunov指數用于量度在相空間中初始條件不同的兩個相鄰軌跡是否隨時間按指數規律吸引或離散的程度［7］。這種軌跡收斂或發散的比率稱為Lyapunov指數。對于系統xn＋1＝f（xn），其Lyapunov指數為：

Lyapunov指數實際上就是系統在各次迭代點處導數絕對值的對數平均，在混沌的診斷中λ起著非常重要的作用：若λ＜0，系統收斂于不動點；若λ＞0且有限，系統既不會穩定在不動點，也不存在穩定的周期解，同時也不會發散，表明系統進入混沌，計算出觀測獲得的混沌時間序列的最大Lyapunov指數的一種方法。但是為了求得一個好的最大Lyapunov指數的估計值，必須要求觀測時間序列具有足夠的長度，而作為判斷存在混沌的鑒別方法，最大Lyapunov指數方法是適用的。

1.1 重建拓撲空間

混沌時間序列重構相空間的工作始于Packard等人，Packard等人建議用原始系統中的某變量的延遲坐標重構相空間。坐標延遲相空間重構技術有2個關鍵的地方，即嵌入維數m和時間延遲τ的確定。關于時間延遲τ和嵌入維數m的選取，主要有兩種觀點：一種認為兩者是互不相關的，即τ和m的選取是獨立進行的，包括序列相關法、相空間擴展法、復自相關法和去偏復自相關法；另一種方法認為兩者是相關的，即τ和m的選取是互相依賴的。如時間窗口法、C－C方法可同時計算時間延遲和時間窗口。

1.2 混沌管制器設計

在設計智能交通管制算法時，狀態變更的管制格外重要，信號管制周期不能太短，在現實狀態下不短于N×（15＋3）s，同樣地，信號的長度不應該太長，對于駕駛員來說很容易感覺到安全性不可靠并且不安全。因此當車輛的延遲時間很小時，它被預先設置按最短時間行駛時，最大循環時間受到管制。

1.3 混沌控制器的輸入設計

經過規劃設計錄入量的全面分析，混沌語言：

C1的語言值：gnll（很少），gn12（少），gn13（較少），gn14（中等），gn15（較多），gn16（多），gn17（很多）；

C2的語言值：rnll（很少），rn12（少），rn13（較少），rn14（中等），rn15（較多），rn16（多），rn17（很多）；

經過綜合分析，本論文輸入C1、C2采取的是梯形和三角形混合的隸屬函數，如圖1所示。

圖1 輸入C1，C2仿真圖

從上面可以得到輸入量的混沌子集表，如表1所示。

表1 輸入量的混沌子集表

1.4 時間序列預測的神經網絡方法

神經網絡是一個自適應的非線性系統，神經元是并聯高度相關的計算處理單元，以一定的方式連接起來。

2 預測實例

預測實例中使用的流量數據是在2002年7月22日00：00和2002年7月26日23：59從北京圈的交互式四通道回路匯集的。采樣間隙為5 min。總共1 440個數據，流量曲線如圖2所示。

2.1 重建相空間

圖2 交通量曲線

圖3 C－C算法求延誤的計算圖

從圖2中可以看出，在t＝6時，ΔS（t）的第一個最小值被采用，并且t的范圍增加到［1－16］。當t＝6時，函數值幾乎是Scor（t）。因此，最小值是t＝6。

經過Matlab編程計算，延時30分鐘后，E1（m）的停止率發生變化，程序執行圖如圖4所示，所以對應的嵌入維數m應取為8。

圖4 嵌入維數程序運行圖

2.2 混沌理論和神經網絡合作的預測

為了評估預測的準確性，假設最后的n個業務量丟失，將Nn預測為訓練樣本，然后將預測值與實際值進行比較以計算預測準確度，圖5顯示了用于計算絕對誤差作為評估實際值和歸一化絕對誤差圖的指標的值比較圖。

圖5 使用混沌時間序列預測的交通量預測值a與實際值b的比較

傳統的混沌控制考慮了車輛各個階段對交通道口控制的影響，以保持獨特交通系統的動態特性，而多級混沌控制則基于車輛到達率、緊急程度、階段考慮優先級和控制變化的影響。

3 結論與展望

使用混沌時間序列的分析方法雖然步驟繁多，而且研究體系內不少理論和方法都存在爭議和討論，但是混沌時間序列的分析方法伴隨著混沌理論的定量化、模型化的發展在交通預測領域已初顯其精度優勢，本文依托混沌理論研究交通量關于時間的演變行為，并與啟發式的神經網絡預測相耦合，統計指標顯示了初步優化的效果；而進一步的研究將圍繞交通系統內多變量的時間序列分析方法展開討論，并應該深入探討包括神經網絡方法在內的多種預測方法與混沌動力系統分析耦合的可行性和適用性，以期得到更精準的預測效果。