智能交通信息物理融合云控制系統

夏元清 閆策 王笑京 宋向輝

信息物理融合系統(Cyber-physical systems,CPS)是多維異構的物理對象在網絡環境中高度集成交互的新型智能復雜系統[1],集成計算、通信和控制技術于一體的信息物理融合系統為新一代智能交通系統提供了可行的解決方案和先進技術,解決智能交通系統的智能優化調度、目標實時控制等問題.新一代智能交通系統是信息物理融合系統的關鍵發展方向.同時迅猛發展的云計算技術可以解決大規模智能交通控制系統中大數據計算和優化控制調度算法密集運行難題.云計算的基本原理是,通過使計算任務分布在大量的云端分布式計算機上,使得智能交通管理部門能夠將云計算資源匹配到智能交通云控制的應用上,根據需求訪問計算機和存儲系統[2].信息物理融合系統及云計算等相關技術的應用使交通數據實時獲取傳輸及計算處理成為可能,應用動態矩陣模型和人工智能算法可以提前預測下一時刻的交通流數據.

本文基于以上最新技術綜合設計提出智能交通信息物理融合云控制系統(Intelligent transportation cyber-physical cloud control systems,ITCPCCS).圖1展示了智能交通云控制體系以及相關信息物理融合技術,應用的核心在于為行駛者、交通工具、交通基礎設施建立起以身份信息為核心、唯一對應的標識.然后基于數據采集、傳感器、網絡傳輸等技術,將獲取的動態信息即時發送到智能交通網絡綜合數據處理云控制平臺上,再通過云控制平臺對獲取的信息數據系統性、智能化處理運算,得到系統預測結果以及調控方案,然后發送到智能交通終端,實現對整個智能交通路網的統一監控、管理、決策和控制服務.通過WIFI、5G移動數據等通信方式將車輛與道路邊緣控制服務器(Mobile edge control,MEC)相連接,同時交通終端也可與云端進行直接通信,使智能交通云控制管理平臺實時感知車輛排隊、堵塞、事故以及信號燈等交通狀況,進行分析、優化、預測、決策與控制,并且使無人車、有人車駕駛員等實時獲得實時路況信息,調整合適的路徑選擇行為.

圖1 智能交通云控制系統示意圖Fig.1 Schematic diagram of intelligent transportation cloud control systems

智能交通信息物理融合云控制系統包括交通大數據云計算、交通流智能預測、交通流云控制調度等核心技術.其中云控制的核心思想是將大量用網絡連接的計算資源統一管理和調度,構成一個計算資源池向交通路網設備以及終端用戶提供按需服務[3-4].交通信息云是由云計算和智能交通信息云服務構成的信息全過程,是一種交通信息采集、處理和應用的工作模式[5].文獻[6]基于社會交通、計算實驗和平行執行智能機器系統,提出了基于信息物理社會系統的平行駕駛框架,詳細論述了平行測試、平行學習以及平行增強學習等方法在智能網聯汽車的感知、決策與規劃和控制等關鍵模塊中的應用.通過挖掘采集數據的特征,以提高數據采集、傳輸、預處理和估算的精度和效率,為智能交通云控制系統提供高質量、完備、實時的交通數據[7].城市智能交通誘導控制系統的結構復雜,城市交通問題求解的計算量巨大,采用多智能體技術能夠將復雜系統問題分解,降低計算復雜性,更易于處理[8-9].由于實際路網和交通用戶的需求,短時交通流預測的結果更能滿足實時性的需要[10-12].

近年來,人工智能算法的飛速發展使得對于具有非線性特征的交通數據處理進入了一個新的發展階段[13-14],人工智能模型可以在自學習的過程中,以自適應調節模型參數的方法獲取數據的本質特征來達到更優的預測效果[15-17].這種預測模型主要有神經網絡(Neural network,NN)模型[18]、支持向量機(Support vector machine,SVM)模型[19]等.深度學習作為一種新的機器學習方法開始受到研究人員的高度關注,并且在一些領域中取得了成功的應用[19-20].目前應用深度學習來進行交通預測已經有了一些相關研究成果,Huang[20]等應用了基于深信網絡模型結構和多任務回歸的交通預測方法,對單輸出和多任務輸出的流量進行了預測.針對智能交通流大數據,深度學習能夠通過底層的特征組合,抽象高層特征來實現數據的分布式表示,從而可以更好地刻畫出數據的本質特征[21-23].譚娟等[24]將深度學習應用到交通擁堵預測研究中.Lv等[25]針對大路網下的交通流,提出了自編碼的深度網絡模型預測方法.Huang等[26]提出了一種在訓練過程中能夠隨機產生隱含層節點數的超限學習機(Extreme learning machine,ELM)算法.2012年,在深入研究支持向量機(SVM)的基礎上,Huang等將核函數引入到超限學習機中[27],獲取最小平方優化解,使得超限學習機具有更穩定的泛化性能.深度學習與超限學習在不同的數據樣本集訓練預測上各有優勢.根據得到的交通流準確預測數據,可提前預判出道路的通行和擁堵情況,利用云端優化控制調度算法對交通流進行實時調控.

在基于云控制理論建立的智能交通信息物理融合云控制系統研究中,本文將在云端采用國際前沿的人工智能機器學習算法,對智能交通系統(Intelligent transportation systems,ITS)交通大數據進行精準處理,實現交通系統短時交通流快速預測,為交通路網系統智能控制提供預測數據保障[28].

本文主要貢獻有:1)面向交通控制網絡智能化發展的技術需求,首次提出智能交通信息物理融合云控制系統設計方案,給出了云控制理論在智能交通領域的示范性應用.2)針對智能交通信息物理融合云控制系統的實現問題,基于云計算和人工智能等技術,提出了智能交通邊緣控制技術、智能交通網絡虛擬化技術、交通流云端智能預測技術.3)為解決智能交通系統中的云端交通數據處理的難題,引入了深度信念網絡支持向量回歸算法(Deep belief network support vector regression,DBN-SVR)并且提出基于反向傳播的雙端超限學習機算法(Back propagation bilateral extreme learning machine,BP-BELM),實現了智能交通云控制系統的短時交通流精準預測.4)針對智能交通路網大規模交通流調控的難題,在云端設計了智能交通信息物理融合云控制系統預測交通流分配方案,進行基于交通流短時預測大數據的優化調度.

1 智能交通信息物理融合云控制系統設計

在實際智能交通信息物理融合控制系統中,云控制系統能夠提供一個可配置資源的共享池,其中包括智能計算、軟件、交通大數據訪問和存儲的服務,終端用戶無需知道服務提供者的物理位置和具體配置就能進行使用.隨著云計算系統的處理能力不斷提高,可以減少智能交通控制網絡區域系統的處理負擔.由于云控制系統綜合了云計算的優勢、網絡控制系統的先進理論和其他近期發展的相關結果[29-30],能夠為智能交通控制提供最新的技術支持.如圖2所示,將交通需求調度與云計算、云控制閉環反饋以及邊緣控制設計方法相結合,采用智能交通大數據分析、協調控制、資源調度等技術,能夠實現智能交通的云端智能決策、云端協同控制以及與人機交互的有機整合.在智能交通信息物理融合云控制方案設計過程中,我們提出邊緣控制技術、軟件定義交通虛擬化技術、交通大數據分析技術和交通流優化調度技術.建立云端智能計算決策和基于邊緣計算的邊緣閉環控制相協作的交互機制,來實現智能交通信息物理融合云控制系統的整體建立.

目前云計算體系中有基礎設施即服務(Infrastructure as a service,IaaS)、平臺即服務(Platform as a service,PaaS)和軟件即服務(Software as a service,SaaS)三種服務模型.智能交通信息物理融合云控制系統將交通大數據存儲在云端,利用云計算能力,實現云端對系統的優化、決策、調度、計劃、預測及控制.從控制視角分析,智能交通信息物理融合系統的復雜性使得難以對其進行建模.云端和終端間網絡時延以及網絡帶寬飽和會使系統無法實時處理海量數據,造成系統性能的損失.為解決這兩個難題,可利用云控制與邊緣控制結合的云端協同控制方式,提高控制系統實時性和可用性,實現控制即服務(Control as a service,CaaS)的目的.

圖2 面向交通需求的交通云端協同控制Fig.2 Cloud coordination control for traffic demand

CaaS面向系統管理員、開發人員、系統普通用戶,用戶可以從供應商那里獲得所需要的虛擬機或者存儲等資源來裝載相關的控制計算軟件.CaaS同時提供給用戶包含基礎操作系統、專業控制軟件、網絡和存儲等配置的控制開發平臺,具有極高的系統整合率和經濟性.另外,任何一個遠程終端上的控制應用都可以通過網絡來運行.用戶只要接上網絡,通過瀏覽器就能調節修改運行在云端上的控制器,免去高昂的硬件投入.控制終端將控制系統采集數據上傳到云端,云控制器通過計算得到所需的控制系統參數和調節指令.對于系統模型不確定的控制終端,CaaS可依托強大的數據存儲和計算能力,利用智能學習算法為控制終端提供數據驅動的模型優化學習、模型預測控制、故障診斷與系統維護以及控制系統優化調度決策等服務.對于系統模型確定的控制終端,CaaS可根據控制算法和實時上傳的系統數據,提供控制算法資源池優化和控制參數實時自動調節服務,為實際控制系統省去專業調試維護人員.CaaS能夠保證控制系統數據的完整性、可靠性和可管理性,能更好地調度和管理控制系統,保證其高效運行.CaaS平臺會以API的形式將各種各樣的控制服務集成提供給用戶,采用多用戶機制,能夠支撐龐大的控制終端規模,并且提供定制化服務以滿足用戶的特殊需求.

1.1 智能交通邊緣控制技術

在智能交通信息物理融合云控制系統整體框架中,我們提出了邊緣控制技術.邊緣控制即充分利用終端邊緣計算的優勢,無需將系統數據傳輸到云端進行云決策就可在本地或小區域范圍內對具體系統進行控制,可提高終端控制的實時性.如圖3所示,在智能交通云控制系統中邊緣控制和智能云端進行融合,并且邊緣控制包含多方面的控制問題,面對不同的系統對象,控制形式不同.在現代智能交通網絡中,實際控制對象主要包括:交通車輛用戶終端、無人車(如谷歌Waymo無人車、百度百智無人車)、交通燈、道路攝像終端、道路傳感器終端等設備.

面向智能交通底層設備終端的邊緣控制系統,核心是基于交通設備運行數據和對交通環境的實時感知,并利用邊緣計算方法設計交通設備具體控制策略,實現底層交通設備本地邊緣控制,例如交通燈控制、無人車控制、交通攝像頭控制和本地區域用戶導航設備控制等.邊緣控制在智能交通云控制系統中為云端控制提供局部信息,是控制智能交通終端設備實時運行的關鍵.云控制系統為多個邊緣控制設備提供全局控制策略,統籌整個智能交通網絡,二者相互協作才能保證智能交通云控制系統良好運行.

圖3 智能交通底層邊緣控制Fig.3 Intelligent transportation bottom edge control

1.2 智能交通網絡虛擬化技術

智能交通網絡虛擬化技術,可將物理交通網絡虛擬成由多個虛擬交通子網絡組成的虛擬交通網絡.核心思想是應用虛擬化軟件對交通網絡進行控制管理,通過自動化部署功能簡化交通云端計算運維.如圖4,智能交通云控制網絡相互耦合的整體架構可被拆分成云控制平臺、虛擬化平臺、物理應用平臺三層架構.

圖4 智能交通云控制網絡虛擬化架構Fig.4 Intelligent transportation cloud control network virtualization architecture

該架構中數據計算和決策控制功能部署在云端服務器.利用交通網絡虛擬化平臺,底層交通應用設施在云端依據實際物理交通規律被抽象成多個邏輯實體.智能交通云管理者看到的是虛擬化平臺提供的程序化交通網絡.這樣云端服務可與物理交通網絡解耦,便于云端資源的靈活部署和快速業務供應.隨著信息物理融合系統的發展,軟件定義技術開始向物理世界延伸,在智能交通云控制系統中我們提出軟件定義交通(Software defined transportation,SDT)技術,利用智能軟件對智能交通網絡拓撲進行定義和映射,把智能交通系統中的各類信息設備、物理基礎設施進行虛擬化定義,達到開放共享和互聯互通的目的,實現智能交通云端精細化管理.SDT技術的本質是交通硬件資源虛擬化、管理對象和管理功能可編程化實現.傳統交通物理設施抽象為虛擬資源,利用云端部署軟件對虛擬交通進行計算和調度決策.該技術可實現交通物理層和云端計算層的合理分離,利用程序軟件即可保證虛擬化映射的完整性和準確性,又可滿足交通任務多樣性的需求.

2 交通流云端智能預測技術

交通流預測是智能交通云控制系統的關鍵技術,云端交通流預測調度系統是智能交通信息物理融合云控制系統的大腦中樞.通過對智能交通云控制數據中心的數據預測分析,云控制服務平臺可對交通的擁堵情況、路面的行駛狀態以及車輛的實時行駛速度進行綜合控制處理.針對大型路網的大規模交通流數據,本文研究基于DBN-SVR的路網短時交通流云端預測方法,并且與基于BP-BELM的短時交通流云端預測方法進行比較分析.

2.1 基于DBN-SVR的短時交通流預測算法

針對大規模交通流數據,本文給出了基于深度學習結合支持向量回歸的預測模型.所用的DBN模型是一個含有三個隱含層的網絡模型結構,如圖5所示.其中最底層節點表示訓練數據,最上層節點表示預測輸出數據.

圖5 DBN-SVR模型網絡結構Fig.5 Network structure of DBN-SVR model

由于各個路段的交通流之間具有時間、空間上的關聯性,設預測模型的輸入數據集為Xt,則有

其中:i=1,2,···,p,p表示數據列數,M表示數據采集間隔數,xi,t表示第i個路段在t時刻的交通流量,Δt表示數據時間間隔.任意一個路段的下一時刻的流量由相鄰幾個路段當前時刻和前M個時刻的交通流量數據來進行預測.假設輸入數據集通過DBN模型特征學習后的輸出向量為H,則有

其中Φ表示深度學習DBN網絡模型,Xd為按照式處理后的交通流數據集.

SVR是具有隱藏單元的非線性前饋網絡,能夠實現對時間序列的預測處理.所用非線性回歸函數如下:

其中K(xi,x)=(Φ(xi),Φ(x)) 為核函數,為正分量值,b?為閾值,yi為訓練集輸出值.

由此得出任意一個路段j在t+Δt時刻的交通流預測值為

其中f是支持向量機(SVR)預測模型,yd(j,t+Δt)為第j個路段在t+Δt時刻的交通流,j=1,2,···,p.

具體的交通流預測算法流程如下:

a)根據交通流數據的特征,由式(1)、(2)構造輸入數據集Xt;

c)以Xd作為DBN網絡模型輸入進行特征學習,由式(3)得到交通流特征H;

d)以H為輸入,根據式(4),利用SVR預測模型進行交通流數據預測;

2.2 基于BP-BELM的短時交通流預測算法

本文提出了基于反向傳播的雙端超限學習機算法(BP-BELM),利用該算法對智能交通流數據進行實時精準預測.該算法采用網絡余差反向傳播的方式計算部分隱含層節點的最優參數,以增強ELM算法的穩定性.

如圖6所示,基于反向傳播的雙端超限學習機算法(BP-BELM)進行隱含層節點數奇偶劃分,其節點參數通過網絡余差反向傳播的方式計算獲得.

圖6 基于反向傳播的雙端超限學習機算法流程圖Fig.6 Algorithm flow chart of back propagation bilateral extreme learning machine

第1步,神經網絡初始化階段:令L=0,初始網絡誤差為E=Y,其中Y=[y1,y2,···,yN]T.

第2步,神經網絡訓練階段:當L＜Lmax且時,增加一個隱含層節點L:L=L+1;

若L=2n+1,n∈Z+;

a)隨機產生新增隱含層節點的輸出權值βL;

c)計算隱含層節點參數:

e)根據最小二乘法計算更新后的新增隱含層節點的輸出權值:

f)計算神經網絡在增加了第L個隱含層節點后的誤差:;

結束.

若L=2n,n∈Z+;

b)計算隱含層節點參數:

d)根據最小二乘法計算更新新增隱含層節點的輸出權值:

e)計算神經網絡在增加了第L個隱含層節點后的誤差:;

結束.

3 智能交通信息物理融合云控制系統調度

基于云控制系統理論中的預測控制思想,針對交通路網權值矩陣,根據前文提出的云端人工智能短時預測數據,利用求解得到的最短路徑對用戶出行路徑進行誘導規劃,結合交通流分配方法設計智能交通云控制系統預測調度方案,可實現對交通流的云端滾動預測實時控制.

如圖7所示,圖中O到D的折線路徑是最短路徑.由于道路交通的時變特性,將交通流分配調控程序在云端進行以5分鐘為間隔的循環更新運算,保證最短路徑和交通流分配的實時性.交通阻抗作為交通流分配中的一項重要指標,直接影響道路出行者路徑的選擇和路網中流量的分配.路段阻抗函數可對交通阻抗進行精確描述,是路段行駛時間與路段流量,交叉口延誤與交叉口流量之間的關系.在具體的流量分配過程中,交通阻抗是由路段行駛時間和交叉口延誤共同組成的.假設車輛通過一條路段,需要的出行時間即路段阻抗為t,則路段阻抗函數為:

其中,t0是零流阻抗,即路段流量為零時車輛行駛所需要的時間,za為路段a的分配交通量,ca為路段a能夠達到的最大分配交通量,即路段的通行能力,Ta為路口時間延誤值,Za為路段a的需求交通量.當Za＜ca,該路段處于暢通狀態,za=Za.當ca＜Za≤2ca時道路進入擁堵狀態,分配交通量za＜Za,超負荷運行,車速下降.當路段上實際車流量Za＞2ca時,路段上實際分配交通量za=0,阻抗函數ta→∞.

道路擁堵時,智能交通云控制系統實時尋優得到最短路徑,誘導用戶按照最短路徑行走,在這里假設駕駛員根據路網的分配交通量選擇交通阻抗最小的路徑行駛.將特定擁堵路段的OD交通量合理地分配到連接該OD點對的最短路徑上,每個路段得到交通流分配值xa.

本文采用容量限制增量分配法進行交通流分配,其主要思想是將OD交通量分成若干份,每次循環分配一份OD交通量到規定的最短路徑上,同時需更新各個路段的阻抗時間,然后重新計算各個OD點對間的最短路徑,再進行下一份OD交通量分配.

容量限制增量分配算法步驟如下:

a)初始化,將交通量OD矩陣進行適當分割,分割次數為N,對任意的路段a,令;

c)用Floyd算法求出OD點對之間的最短路徑,用全有全無分配法將第k個OD交通流分割量分配到最短路徑上,累加各路段從該步分配得到的交通量,累加量記為;

e)判斷,如果k=N,則計算結束;反之令k=k+1,返回第b)步.

圖7 智能交通云控制系統預測調度示意圖Fig.7 Schematic diagram of prediction scheduling for intelligent transportation cloud control systems

4 仿真實驗

在智能交通信息物理融合云控制系統關鍵技術仿真實驗中,本地計算機選用4核CPU、最高主頻2.9GHz,8GB內存的計算機.云服務器選擇租用成熟的商業云服務器:北京三區、計算型C2、4核CPU、8GB內存服務器,該云端服務器配置與本地仿真實驗計算機配置一致、帶寬上限100Mpbs、系統選用Windows server 2012 R2標準版64位中文版.同時也可選用多臺服務器、提供多任務多種類運行,選用的云服務器臺數越多,費用越高.購買的運營商服務器計算機類型最高配置可選為計算型C2、32核CPU、120GB內存的計算服務器.計算型C2是高計算性能和高并發讀寫應用的最佳選擇.對信息傳輸低時延和傳輸量要求較高時可選用高I/O型I2服務器.該種服務器是高磁盤I/O的最佳選擇,提供每秒數萬次低延遲性隨機I/O操作(IOPS),包轉發能力高達30萬pps,可用于適合低時延I/O密集型應用.

在短時交通流預測仿真實驗中,我們采用美國加利福尼亞運輸部的性能測試系統(即Caltrans PeMS數據庫)數據來進行實驗驗證.由于交通流數據具有很強的時間相關規律性,非周末和周末數據差異性極強,為了充分有效驗證本文提出的方法,我們選取十個不同的道路交通流檢測點,Buena,Burbank,Commerce,Downey Glendale,La Mirada,Los Angeles,Norwalk,Santa Clarita和Santa Fe Springs.從2017年6月21號起到2017年7月12號,采用每周三的數據,每個檢測點共采集4組交通流數據.每個檢測點每天的數據樣本數量為288個,每個檢測點總體的數據為1152個,整個數據集樣本量共11520個.從Caltrans PeMS數據庫中我們能夠得到的交通流數據的最小采樣時間間隔為5min,本文中對采集的特定日期原始交通流數據進行處理,形成以5min為采樣間隔的數據集作為智能預測模型的輸入輸出數據集,來驗證預測算法的有效性.用前三組6月21號、6月28號和7月5號的共8640個交通流量的數據來對智能學習模型進行訓練,最后用訓練好的智能學習模型來對7月12號的第四組2880個數據進行預測驗證.

圖8 DBN-SVR預測交通流與實際交通流的對比Fig.8 Comparison of DBN-SVR prediction traffic flow and actual traffic flow

4.1 基于DBN-SVR的短時交通流預測仿真

在云服務器和本地計算機Matlab 2014a環境中,DBN-SVR網絡模型的參數設置為:DBN模型中的RBM網絡層數為3層,每一層的節點數分別為4個、4個和2個,對應的權值的訓練迭代次數都取10次.頂層預測模型SVR的核函數為RBF徑向基函數,核函數參數g是16,懲罰因子c為11.3137.然后對交通流測試數據集進行結果對比分析.云服務器仿真結果如圖8和圖9所示.本地運行平均時間為8.5262s,在云端服務器的運行時間是5.2758s.

圖9 DBN-SVR的預測誤差Fig.9 Predicted error with DBN-SVR

圖10 BP-BELM預測交通流與實際交通流的對比Fig.10 Comparison of BP-BELM prediction traffic flow and actual traffic flow

4.2 基于BP-BELM的短時交通流預測仿真

為了檢驗BP-BELM算法的性能,本節通過對交通數據集進行訓練和預測.所有的測試結果使用sigmoid函數,對交通流極限學習訓練數據集的輸入與輸出數據進行[0,1]歸一化處理,云服務器仿真結果如圖10和圖11所示.

BP-BELM短時交通流預測仿真實驗在本地運行平均時間為0.6268s,在云端服務器的運行時間是0.3467s.云端服務器仿真實驗運行時間明顯降低,數據計算能力明顯強于本地.

圖11 BP-BELM的預測誤差Fig.11 Predicted error with BP-BELM

4.3 預測誤差分析及對比分析

對于本文研究的智能交通云控制信息物理融合系統中的短時交通流DBN-SVR模型和BP-BELM模型預測結果,分別計算兩種預測模型的均方誤差和平均絕對百分比誤差,

以上兩式中,yi表示的是某一時刻的實際交通流值,表示對應時刻的預測值.對兩種預測模型的性能進行分析比較并且與目前最新的交通流預測長短時記憶(Long short-term memory,LSTM)方法[31]進行對比分析,結果如表1所示.

表1 三種預測模型的性能比較Table 1 Performance comparison of three prediction models

根據圖9和圖11的對比,可知DBN-SVR模型的智能交通流預測精確度較高,方差后期波動范圍較小.BP-BELM 模型前期預測準確度低,前期的預測值與實際值的差距很大,預測誤差波動范圍大.對于大規模交通流數據,DBN-SVR模型比BP-BELM模型有更優的預測效果.

本文選取對比的LSTM預測方法,對于本實驗的數據集效果較差,平均百分比方差太大.且由于短時交通流數據的采樣頻率高,實驗所用數據集中的數據個數多,要求LSTM算法的輸入節點個數為846個,輸出節點的個數為288個,參數調節難度大,云端計算時間為512.1125s.

另外在研究過程中,對智能交通系統中的單個檢測點的小樣本交通流數據進行準確預測研究時,我們同樣得到了相關結果:DBN-SVR模型對于單個節點小樣本交通流數據進行預測時效果較差,預測誤差較大,然而BP-BELM 模型對單個節點小樣本交通流數據進行預測準確度極高,預測誤差很小.因此,綜合考慮智能交通云控制系統中的交通流預測研究,對多個檢測節點的大樣本數據可采用DBN-SVR模型進行準確預測,對精確的單個檢測節點的小樣本數據可采用BP-BELM模型進行準確預測,兩種智能機器學習算法并行使用,互相協同配合,保障智能交通云控制系統的良好運行.

4.4 智能交通流預測調度仿真

在智能交通云控制系統交通流預測調控仿真實驗中,在租用的云服務器上對預測交通流分配問題進行仿真驗證.數據采用城市道路交通模擬數據,交通網絡選取83個道路節點,給定道路節點分布位置.設置城市高速路容量35000輛/小時,城市快速路容量25000輛/小時,城市四車道容量10000輛/小時,城市二車道容量6500輛/小時,城市郊區三級公路容量1550輛/小時.

圖12中最窄寬度路段表示交通流量較少,通行狀況良好;寬度增加路段表示交通流量增多,通行狀況一般;較寬路段表示交通流量較大,通行存在擁堵;達到寬度上限路段表示交通流量飽和,通行擁堵嚴重;最寬路段表示交通流量嚴重超負荷,不可通行.

另外,交通網絡連接路段線條的粗細代表車流量的多少.由圖可看出,節點13到節點31的路段擁堵嚴重,節點52到節點57路段交通流超出承受量,不可通行.

接下來考慮預測的擁堵路段交通流量,建立新的OD交通量分配矩陣,利用容量限制增量分配法進行流量分配.先將OD交通量進行N=62次分割,然后利用Floyd算法求出任意兩點間的最短路徑,最后逐點按照全有全無方法進行交通流分配.智能交通云端交通流調度分配結果如圖13所示.從圖中可看出節點13到節點31擁堵路段和節點52到節點57擁堵路段消失,路網交通流得到了有效調度.

圖12 交通擁堵仿真結果Fig.12 Simulation result of traffic jams

圖13 交通流增量分配后仿真結果Fig.13 Simulation result after incremental traffic flow assignment

5 結束語

本文對智能交通信息物理融合云控制系統的結構和核心技術進行了設計分析,探討了云控制技術在智能交通信息系統中的應用模式,推廣了云控制技術在智能交通領域的應用示范.利用深度學習和超限學習預測算法,對含有大量交通檢測節點的整體路網交通流進行準確預測,對交通擁堵狀況進行預判.利用交通流分配算法對交通流進行智能優化調度,可改善各交通道路的運行擁堵狀況.另外,智能學習算法和交通流調度策略在資源優化整合的智能交通云端運行,避免了傳統智能交通設備的計算存儲局限性,可預防設備故障,并節約智能交通系統建設和維護成本.事實上,當前云控制技術還在發展階段,本文提出的智能交通信息物理融合云控制系統是云控制技術的初步應用,如何對復雜交通數據在云端進行高效的分類處理,得到最優的智能交通實時云控制方案,仍然是智能交通信息物理融合云控制系統研究需要解決的技術難點.