基于多路口預測與實時配時合作的交通控制系統設計

,

(上海理工大學 出版印刷與藝術設計學院，上海 200093)

0 引言

截至2017年底全國機動車保有量達3.10億輛，交通擁堵降低了城市運行效率，延誤居民出行又增加環境污染。提高車輛行駛效率，既要求城市建設規劃出合理的道路，又能夠高效控制交通流。Zsolt Csaba Johanyák提出基于歷史數據創建的駕駛員模型微觀交通模擬器[1]，針對不同的交通流量，利用模糊模型改變綠色周期比率。Huan Wang利用DSRC檢測實時交通流量，并運用機器學習技術預測下一個交通燈周期短時的流量變化[2]，使控制系統調整計時計劃。張婧怡提出以平均排隊長度作為路權影響因子的動態配時模型和以平均延誤作為路權影響因子的動態配時模型[3]，仿真說明該模型更能直觀的反映路面擁堵情況。

交通燈系統作為一個時變的具有隨機性的動態系統，需要路網協同考察。上述研究未提出突發情況的配時方案；未考慮多路口帶來的影響；選擇單個路口為研究點，以模糊算法建立配時系統，容易累積配時誤差。故本文提出多路口預測與實時合作的交通控制方案。系統設計總體思路，采取電子車牌計數收集車總量，用NARX(Nonlinear AutoRegressive models with Exogenous Inputs)時間序列神經網絡進行預測[4]，計算兩方向配時時間差，并在局部加入實時配時方案解決嚴重擁堵情況。

1 訓練數據車輛數的提取方法

1.1 視頻圖像采集計數

天網工程利用圖像采集、傳輸、控制、顯示等設備和控制軟件組成，是對固定區域進行實時監控和信息記錄的視頻監控系統。視頻圖像采集計數中，可利用天網工程提取車輛圖像[5]，并對RGB圖像進行背景差分,分辨出運動車輛區域,通過在視頻圖像中設置固定虛擬檢測區實現計數。但不宜計取動態車輛數目，且當同一道路排隊車輛體積差別大時，圖像采集誤差較大。

1.2 DSRC和C-V2X技術

DSRC和C-V2X技術兩種技術皆可實現車輛與外部的通信。通過建立車與路況之間的聯系實時制定優化的駕駛路線，在行程中提前進行數據的不全面統計；實際計數時，只能實現短距離(10 m～30 m)的精確通信，要實現車流量的計數需設置多個路側單元，加大了投入成本，且并非所有車輛可實現上述兩種通訊協議。

1.3 電子車牌

2017年，國務院《“十三五”現代綜合交通運輸體系發展規劃》明確指出“研究使用汽車電子標識”，隨著科技發展與國家政策的推進指導，電子車牌發展將快速進入黃金期。利用RFID的技術特點[6]，在汽車的前擋風玻璃內側裝上一枚含有該汽車基本信息的電子識別標簽，當車輛經過裝有經授權的射頻世界讀寫器時，后臺管理系統將自動采集該車輛信息，有效實現車輛精細化管理。雖然電子車牌存在在高溫情況下易失效的弊端，但車輛溫度大多可控，能削弱不穩定性因素，在不增加交通成本的前提下能實現較好的車流計數。經以上各方法的對比，我們選擇電子車牌識別技術采取車流量的方法。

2 NARX神經網絡模型的建立

時間序列分析定量預測方法承認事物發展的延續性與隨機性，一般反映3種實際變化規律：趨勢變化、周期性變化與隨機性變化，較BP神經網絡相比，它作為動態神經網絡，增加了一定的序列學習能力，在分析、仿真、系統檢測與控制等領域有重要應用。該模型也稱為帶外部輸入的非線性自回歸濾波器，優于全回歸神經網絡，并且可以和全回歸神經網絡互相轉換，所以它是非線性動態系統中應用最廣泛的一種神經網絡。交通系統作為非線性動態系統，各道路交叉口相互影響，車流量的變化具有隨機性也有一定的周期性，所以適于運用該預測模型。本模型建立的目的，是利用多路口車輛數歷史數據，訓練預測目標路口未來時間段內的兩方向車流量。

2.1 基本假設

1)道路交叉口的車流量是連續的；

2)交通道路抽象為三橫三縱網狀結構；

3)周圍8個路口車流量，只考慮其經過車輛駛向中心路口方向車輛的影響。

2.2 道路模型的建立

為了后續所述交通控制體系的模擬及檢測，選取上海市長寧區常年擁堵的⑨金沙江路與中山北路交叉口為中心點，與其附近的①白蘭路蘭溪路、②白蘭路與中山北路交叉口、③凱旋北路與曹楊路交叉口、④金沙江路棗陽路、⑤金沙江路凱旋北路、⑦華夏路與中山北路等8個臨近交叉路口，抽象三橫三縱交通路線，如圖1所示。

圖1 交通路線抽象圖

2.3 車輛數據分析

利用電子車牌識別法統計經過車輛數，選取近66天九路口經過車輛進行數據分析。運用數理統計學計算周圍八路口對中心路口車輛數的影響系數，得出對金沙江路與中山北路交叉口車流量影響最大的6個路口為②③④⑤⑦⑧。篩選最相似的此6種樣本數據作為NARX神經網絡訓練輸入量，該相似數據選取法(Similar Data Selective Learning)所獲得的數據[7]，含有最充分的信息量。選取訓練數據過程中，考慮時間序列與不同位置的綜合貢獻，加大了輸入層數據的質量；利于提高預測的時效性及目標準確性。

2.4 輸入輸出層的設計

我們將對⑨路口影響最大的6個路口近66天的車輛數據作為輸入，將對應的⑨路口南北及東西方向日經過車輛總數作為輸出，所以輸入層節點數為6，輸出層節點數為1，加入反饋延遲輸入變量，并用Matlab自帶的premnmx函數將這些數據歸一化處理[8]。數據集10天歷史數據如表1所示，其余未詳細列舉。

表1 9路口十天車輛數

2.5 隱層設計

增加隱層數可以降低網絡誤差提高精度，但也使網絡復雜化，從而增加了網絡的訓練時間和出現“過擬合”的傾向。一般來講應設計神經網絡應優先考慮3層網絡(即有1個隱層)。一般地，靠增加隱層節點數來獲得較低的誤差，其訓練效果要比增加隱層數更容易實現。隱層層數只要大于等于1，動態神經網絡就具有逼近一切非線性映射的能力，因此本文采用含有一個隱層的三層多輸入單輸出的預測模型。

N≤int{[J(K-1)-(I-1)]÷2}

(1)

式中，N為隱層層數；J為輸入層神經元個數；I為輸入層神經元個數；K為標準樣本個數隱層神經元數L：

根據經驗公式:

(2)

n為輸入層神經元個數，m為輸出層神經元個數，a為[1,10]之間的常數，選取L=5。

確定隱層節點數時，隱層節點數必須小于N-1(其中N為訓練樣本數)，否則網絡模型的系統誤差與訓練樣本的特性無關而趨于零；訓練樣本數必須多于網絡模型的連接權數，一般為2～10倍。Q(t)代表反饋延遲輸入變量，考慮外部輸入量對輸出量的影響，提高模型預測精度。NARX神經網絡結構如圖2所示。

圖2 NARX神經網絡結構圖

3 Matlab仿真實驗及預測配時

3.1 仿真實驗

實驗采用Matlab進行，訓練算法選取收斂速度較快的LM算法。選取上文樣本訓練集，70%數據用于訓練，15%用于檢測，15%用于驗證。當驗證集誤差上升，此時訓練可以結束。保存并下載訓練好的網絡數據，輸入3月6日之后66天的數據，預測金沙江路與中山北路交叉口未來5天車輛數目。得到兩方向預測曲線如圖3所示，與真實值對比線圖如圖4所示。

圖3 兩方向預測曲線示意圖

圖4 兩方向車輛數對比線圖

3.2 預測配時

將所得數據與電子車牌法統計得來的實際值作比較，預測數據與實際值計算得相比誤差介于1%～2.5%，精度能達到期望。故舉例5月12日，金沙江與中山路交叉口南北方向約經過23700輛汽車，東西方向經過21000輛汽車。調查知此路口早晚高峰時段車流量可達4000 pcu/h。定義如下式：

h=|m-n|÷tf

(3)

h代表交通燈紅綠相位時間差，m代表南北方向經過車輛數，n代表東西方向經過車輛數，tf代表車流量。依公式得：5月12日，h=2 430 s。則當日，東左轉東右轉、西左轉西右轉、南直行與北直行總時間要比其余相位交通燈指示方向時間長2 340 s。將計算得到的時間長度分配在早高峰7:30～9:00與晚高峰17:30～20:00。提前調整紅綠燈的時間分配，為交通部門對擁堵點的控制提供了可靠的決策依據。

4 基于多路口預測與實時配時的交通燈控制系統

經以上NARX神經網絡模型仿真實驗，預測數據與真實值相差較小，讓交通燈配時提前設定成為可能，將提前設定的配時方案作為“常規動態預測方案”。據此提出以下交通燈控制設計，因該路段高峰期平均車流量為3000 pcu/h,60輛車駛離交通路口花費時間約60 s，此數據為平常紅綠燈相位時間值9]，所以選擇60作為兩方向比較差衡量值。系統設計如圖5所示。

圖5 系統設計方案圖

4.1 常規動態預測方案

依據NARX神經網絡預測模型得出之后一天的中心路口南北與東西方向車輛總數，計算兩方向車輛數差值，再按前一天歷史車流量計算交通燈單日時間差。按需分配于早晚高峰期，使車輛總數多的道路車輛行駛方向獲得的綠燈相時間長，行車情況總體則變得流暢。當有特殊車輛通過，立即開啟應急燈，應急燈開亮之前2秒其余相位燈全滅。

4.2 實況臨時配時方案

當交叉路口出現嚴重擁堵情景，車輛等待超兩個紅燈相視為嚴重擁堵[10]，則需臨時調取各車道車流量數據，得兩方向道路車輛數差值，據歷史同時段車流量計算其通行時間。立即將車輛數多的道路車輛駛離方向綠燈時間延長，考慮兩方向等待公平，延長時間使能一次性通過擁堵車輛數的2/3，延長時間按車輛差值與當時階段平均車流量計算，之后繼續執行常規動態預測方案。實況統計交叉口兩方向車輛數，比較差值系統每一秒中刷新一次。

5 實驗結果與分析

5.1 實驗步驟和方法

選取上海市長寧區金沙江與中山路交叉口為實驗地點，實驗實施時間為2018年5月12日。①以之前66天車輛數據為樣本，根據MATLAB仿真實驗預測出南北與東西兩方向各車輛總數；②經公式(3)計算得出時間差，將兩方向的總時間依人工經驗分配于早高峰與晚高峰，從而實施常規動態預測方案，如果發生嚴重擁堵情況則啟動臨時配時方案；③統計早高峰與晚高峰最后一小時的車輛經過數目，將此統計數據與上周同時段車輛經過數作比較。

5.2 實驗數據

5月5日車輛實際總經過數，南北向22900輛，東西向21300，與12日預測總車輛數據相差約1%。實驗中，并未有特殊車輛通過且未發生嚴重擁堵情況。兩日早晚高峰期末時間段車輛經過數如表2、3所示，對比結果有較大參考價值。其中5日為未經改變的交通燈控制方案；12日則是實施常規動態預測方案，經預測并計算時間差，再利用人工將2 340 s中的1 500 s分配于早晚高峰，使得控制多車輛數方向綠燈時間比較少車輛數方向綠燈時間每個周期長10 s，每個周期總時間設為60 s。最后統計12日車輛實際經過數與早晚高峰末段的車輛數。

表2 早高峰末時段車輛數統計表 輛

表3 晚高峰末時段車輛數統計表 輛

5.3 對實驗結果進行分析

12日全天車輛實際經過數在預測值允許誤差范圍內。經對比表2、3中數據，12日早晚高峰末時段車輛經過數以20%左右的下降速率減少，證明早晚高峰前時段單位時間內車輛通過數增加。綠燈時長的調整讓通行速率整體提高，使得早晚高峰總時長縮短，提高了交通的運行流暢度，常規動態預測方案可實現預期效果。

由于實驗過程未出現嚴重擁堵情況，實況臨時配時方案并未啟動。但實際調查12日市民滿意度，普遍認為路口通行狀況有所改善。日常實際運用中，時間差配時的方式后期還需要改變方式，不再人為設定，應利用軟硬件自動化管理提高智能控制水平。

6 結束語

針對十字路口交通燈配時問題，本文提出預測配時與嚴重擁堵實時配時相結合的方案。以中心決策點周圍多路口車輛數為訓練樣本，進行仿真實驗證明，訓練預測得出的數據與真實值相差較小，可實現早晚高峰提前配時，嚴重擁堵情況下實時配時可有效緩解堵塞問題。將此系統設計應用于交通燈控制，能有效提高運行效率。進一步研究工作將以各個交叉口為中心，建立多路網點關聯性的預測模型，做到全局優化各路口協調控制；也將研究早晚高峰配時不再人為設定，并設置具體到分秒的動態實時分配。