基于神經網絡的智能交通控制系統構建

李炬

摘要：針對當前智能交通發展的需求，結合當前的智能算法，提出一種基于BP的智能交通控制系統。為實現該系統，實現智能化城市交通控制的價值，首先對該系統的需求進行了分析，然后分別對系統的整體方案、硬件和軟件等經了設計。在設計中重點對BP智能交通通行時間進行預測，并采用DSP處理器對BP算法進行運算，以提高運算的效率。最后給出部分實現的界面。

Abstract： In view of the demand of the development of intelligent transportation and the current intelligent algorithm， an intelligent transportation control system based on BP is proposed. In order to realize the system and realize the value of intelligent urban traffic control， the requirements of the system are analyzed first， and then the overall scheme， hardware and software of the system are designed separately. In the design， the traffic time of BP intelligent transportation is forecasted， and the BP algorithm is calculated by the DSP processor to improve the efficiency of the calculation. Finally， the interface of partial implementation is given.

關鍵詞：BP神經網絡;交通控制;系統設計

Key words： BP neural network;traffic control;system design

0? 引言

隨著現代城市的發展，城市交通擁堵成為制約城市發展的重要問題。如何解決當前的城市擁堵問題，很多學者提出了不同的方法。如邱祥則在分析部分學者的解決方法時提出，采用路面拓寬的方式來解決城市擁堵問題，并不是好的途徑和方法，由此加強城市交通的智能化管理，采用智能路網等方式，才是解決當前城市擁堵的有效方法。而通過研究發現，當前大部分城市在交通信號控制方面，仍然采用固定時間控制的方式。這種方式雖然簡單，但是無法滿足城市交通車輛的動態控制。因此，結合上述的問題，提出一種基于BP神經網絡的交通信號控制系統。

1? 系統需求分析

結合交通道路信號控制的相關需求，本控制系統主要存在以下幾方面的需求：

①可實現至少6個相位的控制;

②可實現至少6個獨立信號的輸出;

③可對十字路口的車流量凈統計;

④可實現與上機位的連接，以過程區域性的交通信號信號控制系統;

⑤內部日歷始終誤差不超過±15s/20d。

2? 系統整體架構設計

根據上述的需求，本文將該系統的整體架構設計為如圖1所示。

在上述的方案中，包含四個主要的模塊：主控模塊、驅動模塊、圖像采集模塊、DSP處理模塊、硬件黃閃模塊、上機位通信模塊等。其中，通過通過圖像采集，然后經DSP將數據傳輸給主控模塊。而主控模塊在經過運算后，直接對相位進行控制。其中，DSP的主要作用是對圖像進行采集，以及使用神經網絡算法對車輛通行時間進行控制。

在上述的硬件模塊中，DSP采用TMS320DM642作為主要芯片。在該芯片的基礎上，然后編寫DSP圖像采集處理程序，并進行BP神經網絡訓練和仿真;DSP和主控模塊的通信采用RS485接口;主控模塊采用STM32F103ZET6，該芯片提供了至少5個串口與外設進行通信，并且可以支持CAN2.0進行通信。

3? 軟件模塊設計

3.1 BP神經網絡模型構建

3.1.1 BP神經網絡概述

BP神經網絡主要由輸入層、隱含層、輸出層構成，具體結構見圖2所示。

在圖2中，p表示輸入的神經元，K表示隱含層，a表示輸入層的輸出結果，w表示權重，I表示神經元的個數，wij表示第i個神經元到第j個神經元的權值，wjm表示隱含層第j個神經元到輸出層第m個神經元權值。同時，在神經網絡學習的過程中，其權值的調整與輸出期望響應的誤差能量對權值的偏微分大小成正比關系。因此，對權值的調整采用最速下降法來進行計算，并沿著梯度相反的方向進行調整。

3.1.2 基于BP的交叉口信號控制模型構建

結合上述的BP神經網絡，本文對交叉口交通信號控制模型進行構建。而根據圖1的BP神經網絡模型，其最為重要的一個方面就是對神經網絡各層層數和相關的參數進行設計。

①層數設計。研究認為，增加BP神經網絡的層數，并不意味著能提高輸出結果的精度，降低整體的誤差。而理論表明，采用傳統的三層結構，可逼近任何有理函數。同時，在本系統中研究的是交叉路口，具體見圖3所示。

在圖3中的交叉路口中，在任意的一個師資路口需要檢測四個方向的停車等待的數量，而四個方向的車輛分別對應一個通行時間。因此，對BP神經網絡層數的選取中，輸入層節點選擇為4，輸出層節點也選擇為4。

②隱含層神經元確定。

對隱含層神經元的確定中，目前的研究是根據經驗來進行判斷的。對此，在此參考經驗公式：

根據上述的公式進行推算，隱含層神經元的取值范圍在[4，13]。所以在本文的最終仿真中，則按照該范圍進行綜合仿真比對。

③模型構建。根據上述的設計，本文將基于BP的交通信號控制模型設計為如圖4所示。

在上述的BP信號控制模型中，分別以四個不同方向作為輸入，通過隱含層和權重實現對結果的智能化調節。

3.1.3 BP算法流程設計

對BP算法來講，其運算量大，且運算復雜。采用傳統的處理芯片很難滿足計算量的要求。因此，在BP算法流程的設計中，則采用了DSP作為算法運行的硬件環境，以提高算法運行的細考慮。而根據上述的分析和BP交通信號預測構建可以看出，BP對數據的訓練和測試，是通過修改隱含層的誤差而不斷讓輸出值達到預定的結果。如訓練樣本經過訓練，滿足誤差結果，則結束;如不滿足誤差結果，則繼續輸入樣本進行訓練。具體流程如圖5所示。

3.2 主控模塊軟件設計

主控模塊是該系統設計的另一個核心。該模塊主要負責接收DSP發送的相關信號，并且接收dsp發送的各路口的通行預測時間。在該模塊中，通過CAN總線實現對不同相位驅動模塊的控制。通過這種控制，使得主控芯片模塊不斷向黃閃模塊發送脈沖信號，進而使得硬件黃閃處于休眠;同時主控芯片將采集到的數據上傳給后臺上機位。而在程序的運行中，首先進行初始化操作，然后設定黃閃時間和紅燈長亮時間。具體流程如圖6所示。

當系統啟動后，圖像采集模塊會將采集到的四個方向的車輛等待信息傳輸給DSP，然后DSP會根據訓練好的模型，對四個方向通行車輛的時間進行預測，最后將預測的時間發送給主控模塊，進而為整個時間的分配奠定基礎。

3.3 驅動模塊主程序設計

驅動模塊的執行動作主要依賴于主控模塊接收到的執行指令。具體則是通過CAN通信，解析出相關的參數，然后按照相關的參數，對不同方向的信號燈進行控制。如圖7所示。

4? 系統實現

對上述系統的開發，采用Keil? μ Vision集成環境進行開發，以C語言作為開發語言，進而得到相位控制界面。如圖8所示。

在圖8的界面中看，可對不同的相位配置具體的數據，同時也可以增加新的相位，由此極大的方便了對交通信號的管理和控制。

5? 結束語

通過上述的研究可以看出，本文所構建的基于BP的智能交通系統可對交叉路口信號的相位進行設計，從而可對區域的交通信號進行聯動控制，以此達到對某區域整體交通信號控制的目的，具有極強的實用價值，可更好的促進智能交通的發展，實現對區域交通的動態控制。

參考文獻：

[1]原鑫鑫，葉帥.模糊推理技術和神經網絡在智能交通系統中的應用[J].中國新技術新產品，2014（15）：17.

[2]朱贏鵬，潘聰華，謝怡杰，張夏良，王健.基于BP神經網絡PID的四輪智能車循跡控制仿真研究[J].汽車零部件，2016（02）：60-61.

[3]王麟珠，蘇慶列，鄭日博.基于Elman動態神經網絡的公交到站時間預測[J].機電技術，2012，35（01）：135-137.