本發(fā)明涉及一種針對(duì)部分車道車流突變的交叉口自愈合控制方法，特別涉及一種基于極小型指標(biāo)評(píng)價(jià)方法、BP神經(jīng)網(wǎng)絡(luò)和粒子群優(yōu)化算法的道路交叉口交通控制系統(tǒng)的自愈合控制方法。

背景技術(shù)：

路段和交叉口構(gòu)成了城市道路系統(tǒng)，其中交叉口是城市交通的關(guān)鍵。由于不同方向的交通流在交叉口處發(fā)生一系列交通行為，因此交叉口處限制著道路的通行能力，并且還是最易發(fā)生交通事故的地點(diǎn)。所以，解決道路交通問(wèn)題的關(guān)鍵就是實(shí)現(xiàn)對(duì)交叉口的有效管理。傳統(tǒng)的交通信號(hào)控制系統(tǒng)使用固定配時(shí)，一般其有著固定的控制周期，不能根據(jù)實(shí)際交通流的情況實(shí)時(shí)改變各個(gè)方向的配時(shí)等，導(dǎo)致了大量的時(shí)間和資源的浪費(fèi)?，F(xiàn)今道路中，尤其在道路交叉口，某些車道上車輛突然增多導(dǎo)致交叉口擁擠，運(yùn)行效率不高，一般只能等待交警到達(dá)現(xiàn)場(chǎng)指揮協(xié)調(diào)，不僅等待時(shí)間較長(zhǎng)而且消耗大量的人力。所以，通過(guò)檢測(cè)各個(gè)方向上的車流信息并對(duì)交通信號(hào)的控制進(jìn)行優(yōu)化，實(shí)時(shí)調(diào)整各相位的綠燈時(shí)長(zhǎng)等控制參數(shù)，可以更合理地控制和引導(dǎo)車輛，提高道路的通行能力。尤其是在車道車流突變的情況下，可以通過(guò)調(diào)整配時(shí)等實(shí)現(xiàn)交通控制系統(tǒng)的自我恢復(fù)。

城市道路交叉口的信號(hào)控制是指利用包括信號(hào)燈信號(hào)和交通警察手勢(shì)信號(hào)的交通信號(hào)，從時(shí)間上將相互沖突的交通流予以分離，達(dá)到引導(dǎo)車輛及行人順利地經(jīng)過(guò)交叉口的目標(biāo)。通過(guò)對(duì)城市道路交叉口交通信號(hào)的控制，可以使車輛等有秩序地經(jīng)過(guò)路口，減少車輛排隊(duì)等待時(shí)間，提高交叉口的運(yùn)行效率。常見(jiàn)的城市道路交叉口控制信號(hào)為燈光信號(hào)，通過(guò)紅，黃，綠三色燈光，實(shí)現(xiàn)對(duì)車輛和行人通行權(quán)的分配。綠燈為允許通行；黃燈為警示信號(hào)；紅燈為禁止通行。本方法中將黃燈時(shí)間算入綠燈時(shí)間之內(nèi)。

常見(jiàn)的研究城市道路交叉口系統(tǒng)的理論方法之一為有模型方法。傳統(tǒng)的基于統(tǒng)計(jì)學(xué)的延誤模型由Webster和Akcelik提出，并被廣泛應(yīng)當(dāng)用到單交叉口的固定配時(shí)策略中。Webster延誤公式是一個(gè)很經(jīng)典的計(jì)算某一相位車道延誤的公式，由于其計(jì)算效果較好所以被人們廣泛使用。評(píng)價(jià)交叉口交通的指標(biāo)除了平均延誤之外，飽和度和平均排隊(duì)長(zhǎng)度也能比較直接地反應(yīng)交叉口的運(yùn)行狀況。但是當(dāng)交叉口很擁擠時(shí)，飽和度不再表現(xiàn)交通需求的特征，延誤也不適合作為交通信號(hào)控制的優(yōu)化目標(biāo)。此時(shí)為了避免排隊(duì)長(zhǎng)度過(guò)大導(dǎo)致的溢流，以及對(duì)上游交叉口的影響，應(yīng)該控制排隊(duì)長(zhǎng)度，盡快疏散交叉口滯留排隊(duì)。

極小型指標(biāo)的評(píng)價(jià)方法：當(dāng)選取的多個(gè)指標(biāo)中所有指標(biāo)都趨近于0時(shí)，系統(tǒng)的運(yùn)行被認(rèn)為是統(tǒng)籌協(xié)調(diào)，所以綜合評(píng)價(jià)結(jié)果優(yōu)越。當(dāng)所有指標(biāo)都趨近于1時(shí)，系統(tǒng)的運(yùn)行被認(rèn)為是統(tǒng)籌協(xié)調(diào)，但綜合評(píng)價(jià)結(jié)果較差。當(dāng)指標(biāo)中一些相對(duì)較大，而另一些相對(duì)較小，則認(rèn)為這樣一個(gè)系統(tǒng)是不協(xié)調(diào)的，綜合評(píng)價(jià)結(jié)果一般。

人工神經(jīng)網(wǎng)絡(luò)是復(fù)雜的非線性網(wǎng)絡(luò)系統(tǒng)，它能解決傳統(tǒng)算法不能的問(wèn)題。神經(jīng)網(wǎng)絡(luò)具有快速處理信息的能力以及很強(qiáng)的處理不確定性信息的能力。當(dāng)選擇合適的參數(shù)，它可以收斂到一個(gè)相對(duì)較小的均方，實(shí)現(xiàn)復(fù)雜和高度非線性映射。人工神經(jīng)網(wǎng)絡(luò)的研究始于1943，經(jīng)過(guò)60多年的發(fā)展，已被廣泛地應(yīng)用于工程研究領(lǐng)域。目前，神經(jīng)網(wǎng)絡(luò)的發(fā)展主要集中在應(yīng)用。多層前饋神經(jīng)網(wǎng)絡(luò)是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)之一。它是一種多層網(wǎng)絡(luò)，具有良好的非線性逼近能力和結(jié)構(gòu)簡(jiǎn)單的優(yōu)點(diǎn)。BP神經(jīng)網(wǎng)絡(luò)在模式識(shí)別、智能控制、分類、預(yù)測(cè)等方面取得了顯著的成績(jī)。

目前，我國(guó)研究交通控制的學(xué)者主要的研究方向?yàn)檐囕v檢測(cè)和信號(hào)優(yōu)化。檢測(cè)方向以模式識(shí)別為主，利用圖像處理技術(shù)，同級(jí)車流量大小，辨識(shí)違章情況等。信號(hào)優(yōu)化中，國(guó)內(nèi)學(xué)者傾向于使用生物啟發(fā)式算法，對(duì)交叉口的延誤時(shí)間等進(jìn)行尋優(yōu)。常用的算法有：魚群算法，蟻群算法，遺傳算法，粒子群算法等。粒子群優(yōu)化算法(PSO)是群體智能的典型之一，簡(jiǎn)稱為PSO算法或粒子群算法。粒子群算法是由Eberhart博士和Kennedy博士發(fā)明的一種全局優(yōu)化進(jìn)化算法。一開(kāi)始系統(tǒng)初始化為一組隨機(jī)解，之后多次地迭代來(lái)搜索最優(yōu)值。而對(duì)于確定的延誤模型，需要調(diào)整配時(shí)來(lái)使得延誤最小，即尋找全局最優(yōu)值，所以粒子群算法可以用在對(duì)延誤模型的解算。與蟻群算法相比，粒子群優(yōu)化可以有效地優(yōu)化系統(tǒng)的參數(shù)，從而能夠更快地逼近最優(yōu)解。粒子群算法具有優(yōu)異特性的關(guān)鍵是個(gè)體能夠充分利用自身以及種群的經(jīng)驗(yàn)調(diào)整自身的狀態(tài)，進(jìn)行下一步的迭代。所以PSO算法適合于求解一些連續(xù)函數(shù)的優(yōu)化問(wèn)題。相比于遺傳算法，在大多情況下，PSO能夠更快地收斂于最優(yōu)解。因此，將粒子群算法用于實(shí)時(shí)求解信號(hào)配時(shí)更快速簡(jiǎn)單，控制效果更好。

自愈合本來(lái)是一個(gè)生物學(xué)概念，自愈指的是一種穩(wěn)定和平衡的自我恢復(fù)機(jī)制，所以自愈合即自我恢復(fù)平衡或穩(wěn)定。將其引入到交通信號(hào)控制中來(lái)，就是指當(dāng)交叉口發(fā)生了一些突發(fā)事件導(dǎo)致其通行能力受到影響的情況下，僅通過(guò)一定的控制方案調(diào)整其交通信號(hào)的配置從而恢復(fù)交叉口的正常運(yùn)行。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種針對(duì)部分車道車流突變的交叉口自愈合控制方法。

本發(fā)明為解決上述技術(shù)問(wèn)題采用以下技術(shù)方案：

本發(fā)明提供一種針對(duì)部分車道車流突變的交叉口自愈合控制方法，具體步驟如下

步驟1，同時(shí)考慮交叉口飽和度、平均延誤和平均排隊(duì)長(zhǎng)度三項(xiàng)指標(biāo)，利用極小值型指標(biāo)評(píng)價(jià)法構(gòu)建交叉口綜合指標(biāo)；

步驟2，根據(jù)交叉口飽和度，將交叉口交通運(yùn)行狀況劃分為五個(gè)等級(jí)，其中，劃分依據(jù)為：若飽和度在(0,0.3]范圍內(nèi)則交叉口交通運(yùn)行狀況等級(jí)為1，若飽和度在(0.3,0.6]范圍內(nèi)則交叉口交通運(yùn)行狀況等級(jí)為2，若飽和度在(0.6,0.8]范圍內(nèi)則交叉口交通運(yùn)行狀況等級(jí)為3，若飽和度在(0.8,1]范圍內(nèi)則交叉口交通運(yùn)行狀況等級(jí)為4，若飽和度大于1則交叉口交通運(yùn)行狀況等級(jí)為5；

步驟3，從交叉口交通數(shù)據(jù)中提取若干組交叉口飽和度、平均延誤和平均排隊(duì)長(zhǎng)度值，獲得相應(yīng)的交叉口綜合指標(biāo)值以及交叉口交通運(yùn)行狀況等級(jí)；

步驟4，將步驟3中獲得的交叉口飽和度、平均延誤、平均排隊(duì)長(zhǎng)度、交叉口綜合指標(biāo)值以及交叉口交通運(yùn)行狀況等級(jí)作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)，其中，交叉口飽和度、平均延誤、平均排隊(duì)長(zhǎng)度為神經(jīng)網(wǎng)絡(luò)的輸入，交叉口交通運(yùn)行狀況等級(jí)為神經(jīng)網(wǎng)絡(luò)的輸出；

步驟5，實(shí)時(shí)采集當(dāng)前交叉口的交通數(shù)據(jù)，提取當(dāng)前交叉口飽和度、平均延誤和平均排隊(duì)長(zhǎng)度后輸入步驟4中訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)，得到當(dāng)前交叉口交通運(yùn)行狀況等級(jí)；

步驟6，若步驟5得到的當(dāng)前交叉口交通運(yùn)行狀況等級(jí)小于等于3，則保持當(dāng)前信號(hào)配時(shí)；若當(dāng)前交叉口交通運(yùn)行狀況等級(jí)為4，則以交叉口綜合指標(biāo)最小為優(yōu)化目標(biāo)，對(duì)交叉口信號(hào)配時(shí)進(jìn)行優(yōu)化；若當(dāng)前交叉口交通運(yùn)行狀況等級(jí)為5，則以交叉口平均排隊(duì)長(zhǎng)度最小為優(yōu)化目標(biāo)，對(duì)交叉口信號(hào)配時(shí)進(jìn)行優(yōu)化。

作為本發(fā)明的進(jìn)一步優(yōu)化方案，交叉口綜合指標(biāo)的表達(dá)式為：

$r^2={\left(\stackrel{\‾}{x}\right)}^2+{\left(\stackrel{\‾}{Q}\right)}^2+{\left(\stackrel{\‾}{d}\right)}^2$

式中，r為交叉口綜合指標(biāo)，x,Q,d分別為交叉口飽和度、平均排隊(duì)長(zhǎng)度、平均延誤；

交叉口飽和度的表達(dá)式為：

$x=\underset{i=1}{\overset{4}{\Σ}}{\mathrm{\ω}}_i\×x_i$

式中，x_i為第i個(gè)相位的飽和度，ω_i為第i個(gè)相位的權(quán)重，X為四個(gè)相位的飽和度之和；q_i為第i個(gè)相位的車輛到達(dá)率，c_i為第i個(gè)相位的通行能力，s_i為第i個(gè)相位的飽和流率，C_i為第i個(gè)相位的周期，g_i為第i個(gè)相位的綠燈時(shí)間；

交叉口平均排隊(duì)長(zhǎng)度的表達(dá)式為：

$Q=\underset{i=1}{\overset{4}{\Σ}}{\mathrm{\ω}}_i\×Q_i$

式中，Q_i為第i個(gè)相位的排隊(duì)長(zhǎng)度，

交叉口平均延誤的表達(dá)式為：

$d=\underset{i=1}{\overset{4}{\Σ}}{w}_i\×d_i$

式中，d_i為第i個(gè)車道的延誤，C為交叉口信號(hào)燈的周期時(shí)長(zhǎng)，g_i為第i個(gè)相位的綠燈時(shí)間，q_i為第i個(gè)車道的車輛到達(dá)率，S_i為第i個(gè)車道的飽和流率。

作為本發(fā)明的進(jìn)一步優(yōu)化方案，以交叉口綜合指標(biāo)最小為優(yōu)化目標(biāo)，對(duì)交叉口信號(hào)配時(shí)進(jìn)行優(yōu)化，具體為：根據(jù)交叉口綜合指標(biāo)的表達(dá)式利用粒子群優(yōu)化算法實(shí)時(shí)求解使得交叉口綜合指標(biāo)最小的信號(hào)配時(shí)，以此對(duì)當(dāng)前信號(hào)配時(shí)進(jìn)行優(yōu)化。

作為本發(fā)明的進(jìn)一步優(yōu)化方案，以交叉口平均排隊(duì)長(zhǎng)度最小為優(yōu)化目標(biāo)，對(duì)交叉口信號(hào)配時(shí)進(jìn)行優(yōu)化，具體為：根據(jù)交叉口平均排隊(duì)長(zhǎng)度的表達(dá)式利用粒子群優(yōu)化算法實(shí)時(shí)求解使得交叉口平均排隊(duì)長(zhǎng)度最小的信號(hào)配時(shí)，以此對(duì)當(dāng)前信號(hào)配時(shí)進(jìn)行優(yōu)化。

作為本發(fā)明的進(jìn)一步優(yōu)化方案，步驟3中的交叉口交通數(shù)據(jù)通過(guò)VISSIM模擬交叉口交通獲得。

本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：本發(fā)明通過(guò)同時(shí)考慮三個(gè)交通評(píng)價(jià)指標(biāo)評(píng)價(jià)交叉口的交通運(yùn)行狀態(tài)，與現(xiàn)有只考慮單個(gè)評(píng)價(jià)交通指標(biāo)相比更全面、準(zhǔn)確地反應(yīng)了交叉口的實(shí)際運(yùn)行情況，且得到了綜合評(píng)價(jià)指標(biāo)的表達(dá)式；利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)能根據(jù)實(shí)時(shí)交通數(shù)據(jù)快速評(píng)價(jià)交叉口的運(yùn)行情況，可以用于交叉口交通的實(shí)時(shí)監(jiān)測(cè)；當(dāng)交叉口中某些車道車輛發(fā)生突變導(dǎo)致交叉口運(yùn)行狀況較差時(shí)，利用粒子群優(yōu)化算法快速求解優(yōu)化目標(biāo)函數(shù)進(jìn)行配時(shí)優(yōu)化；針對(duì)不同運(yùn)行狀況等級(jí)的交叉口，分別選取不同的優(yōu)化目標(biāo)函數(shù)，更符合實(shí)際需要，通過(guò)對(duì)交通信號(hào)的調(diào)整使得部分車道車流突變的交叉口能快速地自行恢復(fù)暢通。

附圖說(shuō)明

圖1為本發(fā)明中控制方法的方框圖。

圖2為本發(fā)明中控制對(duì)象即四相位交叉口的VISSIM仿真模型圖。

圖3為本發(fā)明中BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差曲線圖。

具體實(shí)施方式

下面結(jié)合附圖以及具體實(shí)施例對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)說(shuō)明：

如圖1所示，本發(fā)明設(shè)計(jì)了基于極小型指標(biāo)評(píng)價(jià)方法、BP神經(jīng)網(wǎng)絡(luò)和粒子群優(yōu)化算法的道路交叉口交通控制系統(tǒng)的自愈合控制方法，所研究的四相位交叉口的VISSIM仿真模型如圖2所示。

一、針對(duì)四相位道路交叉口運(yùn)行狀況綜合評(píng)價(jià)指標(biāo)的求解方法

1)三個(gè)交通評(píng)價(jià)指標(biāo)的選?。?/p>

飽和度是最重要的道路服務(wù)水平的指標(biāo)之一，計(jì)算公式為q/c，其中q是車輛到達(dá)率，c是通行能力。飽和度數(shù)值越大，道路的服務(wù)水平越差。本發(fā)明中，借鑒美國(guó)《通行手冊(cè)》對(duì)道路服務(wù)水平的分類，結(jié)合中國(guó)實(shí)際情況和現(xiàn)有研究，將中國(guó)道路的擁擠等級(jí)和服務(wù)水平分為以下五類，如表1所示：

等級(jí)1即第一服務(wù)水平：道路暢通，服務(wù)水平很好，道路飽和度在(0,0.3]范圍內(nèi)；

等級(jí)2即第二服務(wù)水平：道路暢通，服務(wù)水平很好，道路飽和度在(0.3,0.6]范圍內(nèi)；

等級(jí)3即第三服務(wù)水平：道路有些許擁擠，服務(wù)水平相對(duì)較好，道路飽和度在(0.6,0.8]范圍內(nèi)；

等級(jí)4即第四服務(wù)水平：道路擁擠，服務(wù)水平較差，道路飽和度在(0.8,1]范圍內(nèi)；

等級(jí)5即第五服務(wù)水平：道路嚴(yán)重?fù)頂D，服務(wù)水平極差，道路飽和度大于1。

表1交叉口飽和度與交叉口運(yùn)行狀況等級(jí)對(duì)照表

本發(fā)明中，針對(duì)四相位交叉口，從四個(gè)相位中各選擇一個(gè)關(guān)鍵車道，將該關(guān)鍵車道的飽和度作為相應(yīng)相位的飽和度，再將四個(gè)相位的飽和度的加權(quán)和作為交叉口的飽和度。

交叉口飽和度的表達(dá)式為：

$x=\underset{i=1}{\overset{4}{\Σ}}{\mathrm{\ω}}_i\×x_i$

式中，x_i為第i個(gè)相位的飽和度，單位veh/s，ω_i為第i個(gè)相位的權(quán)重，X為四個(gè)相位的飽和度之和；q_i為第i個(gè)相位的車輛到達(dá)率，單位veh/s；c_i為第i個(gè)相位的通行能力，單位veh/s；s_i為第i個(gè)相位的飽和流率，單位veh/s；C_i為第i個(gè)相位的周期，單位s；g_i為第i個(gè)相位的綠燈時(shí)間，單位s。

本發(fā)明中，針對(duì)四相位交叉口，從四個(gè)相位中各選擇一個(gè)關(guān)鍵車道，將該關(guān)鍵車道的排隊(duì)長(zhǎng)度作為相應(yīng)相位的排隊(duì)長(zhǎng)度，再將四個(gè)相位的排隊(duì)長(zhǎng)度加權(quán)和作為交叉口的平均排隊(duì)長(zhǎng)度。如果交叉口的平均排隊(duì)長(zhǎng)度越大，則交通效率越低，交通狀況越差。通過(guò)分配一個(gè)交叉點(diǎn)的四個(gè)相位的綠燈時(shí)間，以盡量減少整個(gè)交叉口的平均排隊(duì)長(zhǎng)度。

交叉口平均排隊(duì)長(zhǎng)度Q的表達(dá)式為：

$Q=\underset{i=1}{\overset{4}{\Σ}}{\mathrm{\ω}}_i\×Q_i$

式中，Q_i為第i個(gè)相位的排隊(duì)長(zhǎng)度，單位veh，

根據(jù)交叉口平均排隊(duì)長(zhǎng)度Q，可以得到交叉口平均排隊(duì)長(zhǎng)度與交叉口運(yùn)行狀況等級(jí)對(duì)照情況，如表2所示。

表2交叉口平均排隊(duì)長(zhǎng)度與交叉口運(yùn)行狀況等級(jí)對(duì)照表

延誤是指車輛通過(guò)交叉口的時(shí)間損失，它能夠反映出車輛燃料消耗，運(yùn)行過(guò)程中的時(shí)間損失和司機(jī)的舒適程度。因此，延誤是最常用的評(píng)價(jià)信號(hào)交叉口的指標(biāo)。平均延誤是評(píng)價(jià)交通效率的重要參數(shù)，平均延誤越大，道路交通運(yùn)行狀態(tài)越差。

本發(fā)明中，針對(duì)四相位交叉口，從四個(gè)相位中各選擇一個(gè)關(guān)鍵車道，將該關(guān)鍵車道的平均延誤作為相應(yīng)相位的平均延誤，再將四個(gè)相位的平均延誤加權(quán)和作為交叉口的平均延誤。

交叉口平均延誤d的表達(dá)式為：

$d=\underset{i=1}{\overset{4}{\Σ}}{w}_i\×d_i$

式中，d_i為第i個(gè)車道的延誤，C為交叉口信號(hào)燈的周期時(shí)長(zhǎng)，g_i為第i個(gè)相位的綠燈時(shí)間，q_i為第i個(gè)車道的車輛到達(dá)率，S_i為第i個(gè)車道的飽和流率。

根據(jù)交叉口平均延誤d的表達(dá)式，可以得到交叉口平均延誤與交叉口運(yùn)行狀況等級(jí)對(duì)照情況，如表2所示。

表3交叉口平均延誤與交叉口運(yùn)行狀況等級(jí)對(duì)照表

2)采用極小值型指標(biāo)評(píng)價(jià)法，將交叉口飽和度、平均延誤、平均排隊(duì)長(zhǎng)度三個(gè)評(píng)價(jià)指標(biāo)處理為一個(gè)交叉口綜合指標(biāo)，交叉口綜合指標(biāo)的表達(dá)式為其中，r為交叉口綜合指標(biāo)。對(duì)應(yīng)于三個(gè)指標(biāo)的交叉口交通運(yùn)行狀況等級(jí)為f(x,Q,d)。

交叉口飽和度、平均延誤、平均排隊(duì)長(zhǎng)度三個(gè)評(píng)價(jià)指標(biāo)對(duì)應(yīng)于不同交叉口交通運(yùn)行等級(jí)的閾值，如表4所示。

表4三個(gè)評(píng)價(jià)指標(biāo)對(duì)應(yīng)于不同交通運(yùn)行等級(jí)的閾值

對(duì)三個(gè)評(píng)價(jià)指標(biāo)進(jìn)行歸一化處理后，三個(gè)評(píng)價(jià)指標(biāo)對(duì)應(yīng)于不同交叉口交通運(yùn)行等級(jí)的閾值，如表5所示。

表5三個(gè)評(píng)價(jià)指標(biāo)對(duì)應(yīng)于不同交叉口交通運(yùn)行等級(jí)的閾值

根據(jù)交叉口綜合指標(biāo)的表達(dá)式可以得到交叉口綜合指標(biāo)與交叉口運(yùn)行狀況等級(jí)對(duì)照表，如表6所示。

表6交叉口綜合指標(biāo)與交叉口運(yùn)行狀況等級(jí)對(duì)照表

交叉口飽和度、平均延誤、平均排隊(duì)長(zhǎng)度三個(gè)評(píng)價(jià)指標(biāo)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，交叉口運(yùn)行狀況等級(jí)f(x,Q,d)作為BP神經(jīng)網(wǎng)絡(luò)的輸出。利用VISSIM模擬交叉口交通，得到若干組交叉口飽和度、平均延誤、平均排隊(duì)長(zhǎng)度以及相應(yīng)交叉口運(yùn)行狀況等級(jí)作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，將訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)用來(lái)根據(jù)交通數(shù)據(jù)快速確定交叉口交通運(yùn)行狀況等級(jí)，避免了繁雜的計(jì)算，快速準(zhǔn)確地判定交叉口交通運(yùn)行狀況。

本發(fā)明中，由VISSIM仿真軟件仿真交叉口的車輛運(yùn)行，得到80組交通數(shù)據(jù)。選擇其中的60組作為學(xué)習(xí)樣本，另外20組作為測(cè)試樣本，訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)的正確率能夠達(dá)到89％。如果隱含層有10層，則BP識(shí)別率可以達(dá)到89％以上。BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差曲線圖如圖3所示。

利用訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)，將實(shí)時(shí)得到的交叉口飽和度、平均延誤和平均排隊(duì)長(zhǎng)度作為輸入，快速得到交叉口交通運(yùn)行狀況等級(jí)，進(jìn)行交叉口運(yùn)行狀況的實(shí)時(shí)監(jiān)測(cè)。當(dāng)監(jiān)測(cè)到交叉口運(yùn)行狀況等級(jí)小于等于3時(shí)，保持當(dāng)前信號(hào)配時(shí)。當(dāng)監(jiān)測(cè)到的交叉口運(yùn)行狀況等級(jí)為4時(shí)，將交叉口綜合指標(biāo)最小作為優(yōu)化目標(biāo)，利用粒子群優(yōu)化算法對(duì)交叉口綜合指標(biāo)模型進(jìn)行求解，得到使得綜合評(píng)價(jià)指標(biāo)最小的信號(hào)燈配時(shí)，對(duì)當(dāng)前信號(hào)配時(shí)進(jìn)行優(yōu)化。當(dāng)交叉口運(yùn)行狀況等級(jí)為5時(shí)，將交叉口平均排隊(duì)長(zhǎng)度最小作為優(yōu)化目標(biāo)，利用粒子群算法對(duì)交叉口平均排隊(duì)長(zhǎng)度模型進(jìn)行求解，得到使得平均排隊(duì)長(zhǎng)度最小的信號(hào)燈配時(shí)，對(duì)當(dāng)前信號(hào)配時(shí)進(jìn)行優(yōu)化。針對(duì)不同交通情況的交叉口，選擇不同的優(yōu)化函數(shù)更符合實(shí)際需要，也能獲得更好的控制效果。

粒子群優(yōu)化算法(PSO)是群體智能的典型之一，簡(jiǎn)稱為PSO算法或粒子群算法。PSO算法的基本思想如下：將每個(gè)粒子都當(dāng)成所要求解的優(yōu)化問(wèn)題的解。

首先，系統(tǒng)隨機(jī)初始化這些粒子，并且提前設(shè)定一個(gè)適應(yīng)度函數(shù)作為評(píng)價(jià)粒子的標(biāo)準(zhǔn)。然后，讓每個(gè)粒子在潛在的解空間飛行，并利用速度這一可變化的量更新其運(yùn)動(dòng)的方向和距離。通常粒子經(jīng)過(guò)多次的搜尋，始終跟蹤著當(dāng)前的最好粒子，在達(dá)到一定條件后停止迭代更新得到最佳解。粒子在每一階段的搜尋過(guò)程中，追隨兩個(gè)極值，分別是至今為止粒子自己搜索得到的最佳解，還有一個(gè)是迄今為止整個(gè)群體搜尋得到的最佳解。

基于matlab語(yǔ)言的粒子群優(yōu)化算法的實(shí)現(xiàn)步驟如下：

(1)初始化

首先，設(shè)置PSO算法中的各個(gè)參數(shù)：搜索空間的上、下限U_d和L_d，學(xué)習(xí)因子k₁，k₂，慣性因子ω，算法的最大迭代次數(shù)T_max，粒子的速度范圍[v_min,v_max]；然后，隨機(jī)初始化粒子的位置p_i及其速度v_i，當(dāng)前位置即作為每個(gè)粒子的個(gè)體最優(yōu)位置P_i，從個(gè)體極值找出全局極值，記錄該值的粒子序號(hào)g及其位置P_g(即為全局最優(yōu)位置)。

(2)評(píng)價(jià)每一個(gè)粒子

根據(jù)預(yù)先選定的適應(yīng)度函數(shù)，求出每個(gè)粒子相應(yīng)的數(shù)值。如果此數(shù)值比這個(gè)粒子當(dāng)前的個(gè)體極值更優(yōu)，那么用這個(gè)粒子的位置替換個(gè)體最優(yōu)位置P_i，同時(shí)刷新個(gè)體極值。如果所有粒子的個(gè)體極值中最好的比當(dāng)前的全局極值還要好，那么用該最好粒子的位置替換全局最優(yōu)位置P_g，同時(shí)更改全局極值及其序號(hào)g。

(3)粒子的狀態(tài)更新

根據(jù)速度公式和位置公式，分別將每一個(gè)粒子相應(yīng)參數(shù)值刷新。如果v_i＞v_max將其設(shè)置為v_max，如果v_i<v_min將其設(shè)置為v_min。

(4)檢驗(yàn)是否符合結(jié)束條件

迭代的次數(shù)如果達(dá)到了預(yù)先設(shè)定的最大次數(shù)值T_max，那么不再進(jìn)行迭代并且給出最優(yōu)解，否則轉(zhuǎn)到步驟(2)。

仿真中，PSO算法中的各個(gè)參數(shù)設(shè)置如下：搜索空間的上、下限U_d和L_d分別設(shè)為120，-120，學(xué)習(xí)因子k₁、k₂都設(shè)為2，慣性因子ω設(shè)為0.729，算法的最大迭代次數(shù)T_max設(shè)為2000，粒子的速度范圍[v_min,v_max]設(shè)為[-20,20]。

由表7針對(duì)不同運(yùn)行狀況等級(jí)交叉口的優(yōu)化配時(shí)效果對(duì)照表可以看出，當(dāng)交叉口部分車道車流發(fā)生突變導(dǎo)致交叉口運(yùn)行狀況較差的情況下，固定配時(shí)方案的控制效果很差，綜合評(píng)價(jià)指標(biāo)的數(shù)值很大，對(duì)應(yīng)的交叉口運(yùn)行狀況等級(jí)就很大，而優(yōu)化配時(shí)方案通過(guò)選取優(yōu)化目標(biāo)函數(shù)，利用粒子群優(yōu)化算法給出優(yōu)化的配時(shí)。將優(yōu)化配時(shí)用于交叉口的控制，理論上能夠改善交叉口的運(yùn)行狀況，一般情況下包括降低交叉口的飽和度，減少平均延誤時(shí)間和平均排隊(duì)長(zhǎng)度，而在特別擁擠的情況下則以平均排隊(duì)長(zhǎng)度最小為主要優(yōu)化目標(biāo)，能快速消散排隊(duì)車輛，提高交通效率。

表7針對(duì)不同運(yùn)行狀況等級(jí)交叉口的優(yōu)化配時(shí)效果對(duì)照表

以上所述，僅為本發(fā)明中的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉該技術(shù)的人在本發(fā)明所揭露的技術(shù)范圍內(nèi)，可理解想到的變換或替換，都應(yīng)涵蓋在本發(fā)明的包含范圍之內(nèi)，因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求書的保護(hù)范圍為準(zhǔn)。