基于GA和LSTM的智能交通燈調度方法

李金澎 丁博 王雨 呂思濃

摘 要：隨著城市發展，汽車保有量逐年增長，交通擁堵日益常見。為了提高路網的通行效率和各路口的通行能力，提出了一種基于遺傳方法和長短期記憶網絡的交通燈調度方法。該方法首先使用LSTM模型對歷史數據進行訓練，并結合當前單位時間的車流量預測下一單位時間的交通流變化趨勢，然后采用GA根據預測值從眾多方案中篩選出最佳交通燈調度方案并最終交由路網交通燈執行。實驗結果表明，該方法可以有效提高交通效率并極大地緩解交通擁堵。

關鍵詞：智能交通燈調度;GA;LSTM;遺傳方法;長短期記憶網絡;交通路網

中圖分類號：TP393.4文獻標識碼：A文章編號：2095-1302（2019）12-00-05

0 引 言

隨著經濟的發展和人們物質需要的增長，越來越多的人選擇駕車出行，致使汽車保有量日益增加。與此同時，現階段城市的發展已趨于完善，盡管龐大的行駛車輛基數與有限的路網運輸能力的矛盾日趨嚴重，但很難拆除已有建筑對道路進行重新規劃和擴建以緩解交通壓力。在不改變路網結構的基礎上，能有效緩解交通擁堵的方案就是尋找一種合適的交通燈調度方法。目前交通路網主流的調度方式仍是定時調度，該調度方式在過去很長時間都發揮著重要作用，但隨著社會的快速發展和城市規模的逐漸擴大，它已無法有效緩解日益惡化的堵車問題。定時調度模式下的綠燈時間無法根據各個路口的實時車流量動態調整，致使交通資源分配不合理，進一步引發交通堵塞。而交通擁堵帶來的司機情緒惡化、緊急情況下救援車輛無法按時到達指定地點，以及面對突發事件時警備力量難以及時趕到并控制局面等問題，將為社會治安帶來潛在隱患并對社會造成巨大經濟損失。因此，當前急需一種優于傳統定時調度的交通燈調度方法。

為解決交通系統調度及優化問題，諸多學者提出了多種解決方案。王鼎湘等提出根據各道路的車流量動態改變綠燈時間。此舉雖然可以防止綠燈時長被不合理地分配，但該方法僅考慮到當前路況，未考慮短期未來局面[1]。許春善提出了一種基于線性規劃的調度模型，可通過對交通流信息的提取進行線性規劃，增加交通路網吞吐能力[2]。但面對有規律的車輛驟增或驟減現象時（早晚高峰），每一次分配模型都會重新花費時間提取相關特征信息，無法根據歷史數據分辨交通流變化特征。曹潔等提出在交叉口子區Agent中引入自適應遺傳算法，算法可根據交通流量的變化對綠信比進行優化，從而使交叉口平均延誤時間最短[3]。林志偉等采用Small-World模型模擬路口車流量在路網動態的演進過程，利用線性規劃對城市路網進行線性分割，定義車流量調度目標函數以完成對交通路口車流量調度[4]。曹潔等提出的方法均基于實時數據，但由于缺少下一單位時間段的車輛預測，可能導致當前調度方法雖能保持道路通暢，但會提高短期未來產生交通擁堵的概率。王璐等[5]通過數學建模，從行人和司機角度出發，重點分析π型路口優化方案。該方案可以緩解車輛擁堵狀況并提高行人穿行馬路的效率和安全性，但由于建模所采用的數據具有極強的地域性，該方法不具有普遍適用性。王愛菊等[6]提出由ZigBee智能視覺模塊等構成的系統，并設計了基于混合魚群算法的優化處理方法。方法雖然可以緩解交通壓力，但方法在求解過程中需要對每一輛車進行調度追尾計算，計算量相對較大，花費時間偏長。

為了增強路網吞吐能力、緩解交通擁堵，本文提出了一種基于GA（Genetic Algorithm）和LSTM（Long Short-Term Memory）相結合的交通燈調度方法。相較于傳統統計理論的卡爾曼濾波模型和支持向量機（Support Vector Machine，SVM）等方法，LSTM能夠有效適應交通流的非線性和隨機性，更加精準地預測未來趨勢。GA根據上一代存留種群進行組合交叉、變異操作以產生新一代種群。本文所提出的方法引入LSTM預測下一單位時間的車流量參與GA的適應度計算。將適應度作為評價指標篩選種群中表現最優的個體，并以此作為最終調度方案。實驗結果表明，基于GA和LSTM的調度方法對于緩解路網壓力有著很大的幫助。

1 方法概述

交通調度模型主要由GA和LSTM組成。在本方案中，每一代種群的全部個體為一段單位時間的全部待選調度方案，每個個體的表現型都為一種調度方案。路網壓力值反映采取該調度方案后的路網狀況，路網壓力值越大表明采取該方案后擁堵程度越大。GA根據當前種群中所有個體的基因型分別計算它們的路網壓力，以此為標準選擇調度方案，并淘汰不適宜的個體。LSTM主要用于預測下一單位時間的新增車流量，幫助GA選擇更有效的調度方案。調度模型方法流程如圖1所示。

LSTM利用當前車流量信息，結合歷史數據預測短期未來一定時間范圍內的車流量，當利用GA選擇調度方案時，如果待選方案時間節點的車流量已被預測，則無需重復預測，否則再次執行LSTM算法預測交通趨勢。GA經過交叉變異產生新一代種群后，結合預測數據，計算下一單位時間車輛到來后所有路口的滯留車輛，進而計算種群中全部個體的路網壓力。淘汰路網壓力值較高的方案，每一代種群中最優秀的個體即為該段單位時間的最優調度方案。以上流程在每一代種群中循環發生。但在啟用方法初期，需要隨機生成第一代種群樣本。

2 遺傳算法

美國Holland教授提出的遺傳算法是一種借鑒生物界進化規律演化而來的隨機搜索方法。GA的基礎是孟德爾遺傳定律和達爾文進化學說，是對自然界進化機制的一種模擬[7]。作為一種啟發式的大型尋優算法，GA遵循優勝劣汰、物競天擇原則。它以適應度函數作為評價機制，以此淘汰表現較差的個體。在經過若干代進化之后，方法收斂于最好的個體，它很可能是問題的最優解或次優解[8-9]。由于GA具有計算時間少、可擴展和魯棒性較高等特點，被廣泛應用于模式識別、計算科學等最優解搜索領域[10]。在交通系統中，調節道路上相鄰交叉口之間交通信號的相位差，使干道車輛盡可能不因等紅燈而延誤，從而有效提高干道的交通供給能力[11]。為使得調度方法有效緩解路網壓力，本文采用GA動態調節路網之間的相位差。