面向脆弱城市交通系统的研究与设计

赵萌，郭凯文，刘蕾，韩存武，孙德辉

（北方工业大学，现场总线及自动化北京市重点实验室，北京 100144）

面向脆弱城市交通系统的研究与设计

赵萌，郭凯文，刘蕾，韩存武，孙德辉

（北方工业大学，现场总线及自动化北京市重点实验室，北京 100144）

摘 要：为了解决日益复杂多变的城市交通状况，改善城市交通系统，本文将智能交通系统与神经网络方法相结合，对脆弱的城市交通系统进行优化。首先讨论了智能交通系统的现状及改进措施，接着讨论了基于神经网络对交通流进行预测，最后进一步基于神经网络对交通系统的重要参数——绿信比进行设计。本文将引进智能交通系统并综合采用神经网络对现有交通系统的研究，对目前脆弱的城市交通系统进行设计与优化。

关键词：智能交通系统；神经网络；交通流；绿信比；优化

本文引用格式：赵萌，郭凯文，刘蕾，等.面向脆弱城市交通系统的研究与设计[J].新型工业化，2015，5(4)：18-23

0　引言

本文将智能交通系统与神经网络方法相结合，对脆弱的城市交通系统进行优化。

在智能交通系统方面，文献[1]指出ITS的建立可以提高路网通行能力和服务水平，改善环保质量，提高能源利用率；文献[2]指出智能交通系统是将“人车路”作为三位一体的交通系统并且它的引进将会提高交通运输效率并且介绍了智能交通系统的五个功能；文献[3]针对中国城市道路交通的特点及以往交通控制系统的问题和未来发展的需要，提出了适用于中国城市的实时自适应控制与管理系统；文献[4]介绍了采用系统动力学方法，在系统结构分析和因果反馈分析的基础上建立了城市交通系统的SD (System Dynamics)模型，分析了不同的机动化发展政策对城市发展和城市交通系统的影响，并提出了相应的建议和对策；文献[5]提出了针对中国现有的智能交通系统，提出了一些改进措施。

在神经网络方法的介绍中，文献[6]在简要介绍神经网络原理的基础上，分析了采用神经网络解决交通系统中空车调度及交通流预测的原理及方法；文献[7]指出神经网络模型既能够识别线性指标又能够识别非线性指标的特性，并建立了神经网络居民出行方式选择预测模型，为城市居民出行方式的选择预测提供了新的思路；文献[8]通过对人工神经网络在智能交通系统中的应用分析，评价其应用效果及存在的问题，并提出今后的发展方向；文献[9]通过对基于人工神经网络的预测控制算法进行介绍，设计了一个基于神经网络的单个交叉路口的交通灯预测控制系统，该方法能有效提高车辆通行效率，增强道路的吞吐能力；文献[10]提出一种基于神经网络的城市关联交叉口的交通流预测控制方法，表明以关联交叉口总体排队长度最小为优化指标的交通流预测控制策略，可提高关联交叉口的总体通行效率；文献[11]根据城市交通系统的特点设计了单个路口信号灯的模糊控制器，研究了用神经网络实现模糊控制器的方法和过程，并对该控制器进行了仿真研究；文献[12]将模糊逻辑和神经网络相结合，采用模糊隶属函数来描述车辆排队长度和绿灯时间，建立了模糊神经网络交通灯信号控制模型，利用模糊控制的方法实现交叉口的交通灯控制；文献[13]介绍了运用神经网络模糊控制技术来实现智能交通灯的经典模糊控制，指出采用多交叉口信号控制方法，可以增大多路口整体的车流辆，使整体交通控制效果变得更优一些；文献[14]提出了利用模糊神经网络分层递阶控制城市交通干线车流量的方法,分析结果表明采用该方法可以减少车辆的停车次数和延误时间；文献[15]介绍了利用递阶结构和模糊神经网络来进行交通系统的实时协调控制的思想，研究表明提出的方法能够有效地缩小平均排队长度，从而达到减少车辆延误的目的；文献[16]介绍了采用遗传算法优化BP神经网络来建立一个道路交通事故宏观预测的模型，研究表明，建立的模型可以很好的适用于道路交通事故宏观预测，为制定交通安全对策提供理论依据；文献[17]提出一种新的 BP 和 RBF混合神经网络算法，并将其应用在智能交通诱导系统的研究，此研究既解决了现存的交通信息孤岛问题，又实现了交通动态诱导的功能，提高了路网通行能力，具有重要的理论意义和现实意义；文献[18]在运用粗糙集理论对路网节点所测得的历史交通流量进行量化分析的基础上，基于神经网络自学习的能力，研究了实时动态交通流的模型结构并给出了交通流优化控制方法。

城市交通系统是一个多变量、多反馈、非线性的复杂系统，它的可持续发展受交通、社会、经济、环境等多种因素的制约。本文将智能交通系统与神经网络方法相结合，对脆弱的城市交通系统进行优化智能交通系统的建立可以提高路网通行能力和服务水平，改善环保质量，提高能源利用率[19]。本文介绍了其发展的概况及功能并提出了一些改进措施；在简要介绍神经网络原理的基础上，分析了采用神经网络解决交通系统中空车调度及交通流预测的原理及方法[20]；通过介绍绿信比，提出了采用神经网络对绿信比进行设计。本文将智能交通系统与神经网络方法相结合，对脆弱的城市交通系统进行优化，旨在设计出更为合理的城市交通系统。

1　智能交通系统

1.1智能交通系统的发展

随着经济飞速发展，交通运输行业也日益重要，但随之而来的是交通拥挤、交通事故以及交通带来的环境污染等一系列的问题。

为了解决日益严重的交通问题，人们最初采用的是增加道路，提高道路的供给量，但随着时间推移，这一方法的成本越来越高。现在一些大型城市使用的更多是限制车辆的数量来缓解交通问题，但这种方法无疑很难满足日益庞大的交通需求量。

随着计算机技术和通信技术的发展，一些专家提出了智能交通系统的概念，它是基于现代信息通讯技术和计算机技术之上的、将“人车路”作为三位一体的交通系统，在不增加现有交通供给的基础上，通过人们对交通信息的利用，大大提高道路交通的安全性、运输效率、行车舒适性，并减少交通污染。

据科学家预测，应用智能交通系统以后，可有效提高交通运输效率，使交通拥挤降低20%，延误损失减少10%~25%，车祸降低50%~80%，油耗减少30%，废气排放减少20%。

1.2智能交通系统的功能

智能交通系统应包含的功能有车辆导航系统、自动收费系统、道路构造信息系统、交通流控制诱导系统、紧急救援系统。

车辆导航系统主要功能是为驾驶员提供实时的最佳行车路线。

自动收费系统主要是为了提高道路的通行效率，缩短车辆的等待时间。

道路构造信息系统主要通过各种智能仪器，预先向驾驶员提供难以使用肉眼观测的前方道路信息。

交通流控制诱导系统主要是通过ITS控制中心及时调整路网上的交通流量，并及时向驾驶员提供最优路径。这也是本文下面将与神经网络一起进行设计研究的部分。

紧急救援系统主要负责在发生交通事故后快速处理事故、及时救治伤员、合理疏导交通。

1.3智能交通系统的改进

由于城市智能交通系统比较庞大而且复杂，所涉及的部门繁多，包含的技术涉及面广，就不免会存在缺少规范化的标准、各部门之间的沟通不足、新兴技术人才缺失、软硬件不搭配等方面的问题。针对这些问题可以采取一些措施：重视顶层设计，使整个系统结构统一，运转高效，充分实现资源共享；注重培养和接纳高新技术人才，注重产学结合；重视 3S 技术、通信技术及数据融合与挖掘技术的应用，重视软件系统的设计开发与升级；加强相关标准和规范的制定。

2　神经网络

在智能交通系统中，交通流控制引导系统的设计关系到整个交通系统是否通畅以及道路资源的使用是否高效。设计出好的交通流控制引导系统不仅能够最大限度地利用好道路资源，也能够尽可能的避免交通事故的发生。但是由于交通系统具有随机性、模糊性和不确定性等特征，人们很难建立具体的数学模型来确立其控制方案，在其动态反馈控制中所追求的最优目标也很难达到，而采用人工智能的控制方式则能较好地实现。

神经网络是模仿人脑神经细胞群探寻新的信息表示、存储和处理方式而设计出的一种信息处理系统，一般由输入层、隐层和输出层组，每一层神经元只接受前一层神经元的输入,并在节点上进行复合(线性叠加)和畸变(非线性映射)，成能够很好地适应复杂的环境，并对多目标进行控制。

2.1通过神经网络预测交通流

通常情况下人们采用实时检测的方法对交通流信息进行采集，但所得到的信息往往有滞后性，很难实时反映交通现状。因此,对道路交通状况的预测是交通控制引导系统中很关键的一步.根据预测的交通数据信息对车辆进行引导，可尽可能地保证交通道路的畅通，避免交通事故的发生。目前主要的预测方法有：回归分析法、时间序列预测法、灰色理论预测以及人工神经网络等。相比较于其他几种方法，神经网络可以利用已有的数据结合其他各方面的影响通过学习接近真实输入输出之间的关系。此外神经网络不同于普通计算机系统，而是采用分布式存储知识，这也极大地提升了整个系统的容错性。因而在此优先采用神经网络系统建立模型，对交通状况进行预测。

设 xk为输入向量：

xk=(x1,x2, xn) (k=1,2, ,m)

式中，m为学习模式对；n为输入层单元个数。

对应输入模式的输出向量为：

式中，q为输出层单元数。则隐层各单元的输入为：

式中，wij为输入层至隐层的联接权重；θj为隐层单元的阈值；p为隐层单元的个数。转移函数采用f(x)=1/(1+e-x)，则隐层单元的输入为：

同理，输出层单元的输入、输出分别为：

式中，vjt为隐层到输出层的联接权重；γt为输出层单元阈值。至此完成一个前传过程。在误差反向传播过程中，首先要进行误差计算，设第 k 个学习模式对期望输出与实际输出的误差为：

则全局总误差为：

为使 Ek不断按梯度原理减小，应满足：

可以推导出：

（t=1,2, ,q；j=1,2, ,p；k=1,2, ,m）

式中，α为学习率。

同理，隐层的权重和阈值调整量为：

（j=1,2, ,p；i=1,2, ,n；k=1,2, ,m）

其中：

2.2网络对绿信比的设计

绿信比是指交通灯一个周期内可用于车辆通行的时间比例。由于日交通流的时空分布具有高度时变和非线性的特点，因此，采用高阶神经网络技术建立模型，以达到快速准确预测的目的。在城市交通网络中，各路段的流入、流出交通量是网络交通需求量、道路与交叉口通行能力、信号配时以及交通管制措施等因素综合作用的结果，因而在预测时无需单独考虑这些因素对交通流量的影响。

采用神经网络技术来进行模糊信息处理有多种做法，其中，构造各类模糊神经元及模糊神经网络作为信息处理单元以实现模糊信息的自动处理是最主要的一种。在本系统中(如图1)，整个神经网络的建立和使用分以下几步完成：(1)利用专家的知识粗略地形成模糊模型(包括一些模糊规则和模糊推理方法)；(2)基于这一模糊模型构成模糊神经网络；(3)训练神经网络。通过系统仿真来训练神经网络，对每一种输入值(l1, , lm)，选择一种输出值(g1, ,gn)，利用系统仿真来模拟系统在给定的时间内所有车辆的平均等待时间；系统的能量函数选为所有车辆的平均等待时间;神经网络训练的目标在于使能量函数最小；(4)网络的应用。神经网络的输入数据是在统计数据和实时数据的基础上进行预测得到的，这就要求实时地采集数据，周期性地统计和存储数据，预测到神经网络的输入后，经过网络的计算，再较精确地辩识出交通模式，对不同的模式采取适合其特点的相应控制算法，选出红绿灯控制方案。

图1　模糊神经网络模型Fig.1 Model of fuzzy neural network

3　结论

本文研究了一种利用神经网络等技术对交通系统进行全局优化调度的交通灯控制系统。通过大量的模糊数据输入，对神经网络进行训练，以达到全局优化的调度。对于当前的复杂的交通系统还有许多研究工作要做，希望通过以后的深化，此次研究能有效解决交通系统的复杂问题。

参考文献:

[1]杨东凯, 吴今培, 张其善.智能交通系统(ITS)的发展及其模型化研究[J].北京航空航天大学学报, 2000, 26(1): 22-25.D K Yang, J P Wu, Q S Zhang.Evolution of Intelligent Transport System(ITS) and its Model Research[J].Journal of Beijing University of Aeronautics and Astronautics, 2000, 26(1): 22-25.

[2]张 伟, 徐爱功.智能交通系统及发展趋势[J].辽宁工程技术大学学报, 2005, 24(S1): 77-79.W Zhang, A G Xu.Trend of intelligent transport systems[J].Journal of Liaoning Technical University, 2005, 24(S1): 77-79.

[3]杨晓光.面向中国城市的先进的交通控制与管理系统研究[J].交通运输系统工程与信息, 2004, 4(2): 79-83.X G Yang.Research on advanced urban traffic control and management system for China[J].Journal of Transportation Systems Engineering and Information Technology, 2004, 4(2): 79-83.

[4]王继峰, 陆化普, 彭唬.城市交通系统的SD模型及其应用[J].交通运输系统工程与信息, 2008, 8(3): 83-89.J F Wang, H P Lu, H Peng.System Dynamics Model of Urban Transportation System and Its Application[J], Journal of Transportation Systems Engineering and Information Technology, 2008, 8(3): 83-89.

[5]陆化普, 李瑞敏.城市智能交通系统的发展现状与趋势[J].工程研究-跨学科视野中的工程, 2014, 6(1): 6-19.H P Lu, R M Li.Developing Trend of ITS and Strategy Suggestions, Journal of Engineering Studies[J].2014, 6(1): 6-19.

[6]贾 丹, 宁丽莎.神经网络在交通系统中的应用[J].辽宁工学院学报, 2004, 24(1): 21-23.D Jia, L B Ning.Application of Neural Network to Transportation System[J].Journal of Liaoning Institute of Technology, 2004, 24(1): 21-23.

[7]李海峰, 王 炜.基于神经网络的交通方式选择模型[J].公路交通科技, 2007, 24(7): 132-136.H F Li, W Wang.The Option Model of Traffic Mode Based on Neural Network[J].Journal of Highway and Transportation Research and Development, 2007, 24(7): 132-136.

[8]吕兰涛, 李 全, 刘智勇.人工神经网络在智能交通系统中的应用[J].交通科技, 2002, 06: 73-76.L T Lv, Q Li, Z Y Liu.Applications of Artificial Neural Networks to the Intelligent Transportation Systems[J].Transportation Science &Technology, 2002, 06: 73-76.

[9]贺战兵.基于人工神经网络预测控制的交通信号调度[J].计算技术与自动化, 2010, 29(1): 22-24.Z B He.Traffic Signal Scheduling Based on Artificial Neural Network Prediction Control[J].Computing Technology and Automation, 2010, 29(1): 22-24.

[10]傅 惠, 胡 刚, 徐建闽, 等.基于神经网络的城市关联交叉口交通流预测控制方法[J].中国公路学报, 2008, 21(5): 91-95.H Fu, G Hu, J M Xu, et al.Traffic Flow Predictive Control Method of Urban Correlation Intersection Based on Neural Network[J].China Journal of Highway and Transport, 2008, 21(5): 91-95.

[11]徐冬玲, 方建安, 邵世煌.交通系统的模糊控制及其神经网络实现[J].信息与控制, 1992, 21(2): 74-79.D L Xu, J A Fang, S H Shao.A Fuzzy Controller of Traffic System and its Neural Network Implementation[J].Information and Control, 1992, 21(2): 74-79.

[12]蔡教武, 蔡延光.一种基于自适应模糊神经网络的交通灯控制系统[J].仪表技术, 2010, 09: 32-33.J W Cai, Y G Cai.A Control-system for Traffic Light Based on Adaptive Fuzzy-neural Network[J].Instrumentation and Technology, 2010, 09: 32-33.

[13]邱伟康, 王伟智.基于模糊神经网络的交通信号控制[J].江苏电器, 2008, 04: 22-26.W K Qiu, W Z Wang.Traffic Signal Control Based on Fuzzy Neural Networks[J].Jiangsu Electric, 2008, 04: 22-26.

[14]许宝斌, 孟俊焕, 孙英.模糊神经网络分层递阶控制在智能交通系统中的应用[J].农业装备与车辆工程, 2006, 08: 29-30.B B Xu, J H Meng, Y Sun.Traffic Control for Trunk Roads Based on Fuzzy Neural Network and Hierarchy Control[J].Agricultural Equipment & Vehicle Engineering, 2006, 08: 29-30.

[15]刘智勇, 吴今培, 李秀平, 等.城市交通大系统递阶模糊神经网络控制[J].信息与控制, 1997, 26(6): 441-448.Z Y Liu, J P Wu, X P Li, et al.Hierarchical Fuzzy Neural Network Control for Large Scale Urban Traffic Systems[J].Information and Control, 1997, 26(6): 441-448.

[16]叶 枫, 孙科达.基于遗传算法的BP神经网络模型在道路交通事故宏观预测中的应用[J].浙江工业大学学报, 2008, 36(3): 338-342.F Ye, K D Sun.The application of macroscopic forecast of road traffic accident predictive model based on genetic neural networks[J].Journal of Zhejiang University of Technology, 2008, 36(3): 338-342.

[17]原鑫鑫, 叶 帅.模糊推理技术和神经网络在智能交通系统中的应用[J].高新技术, 2014, 08: 17.X X Yuan, S Ye.Applications of Fuzzy Reasoning Technology and Neural Network on Intelligent Transportation Systems[J].Journal of Hi-tech, 2014, 08: 17.

[18]李 劲, 黄大荣.基于粗糙神经网络的交通优化控制模型[J].计算机工程与应用, 2008, 44(19): 215-219.J Li, D R Huang.Traffic- flow optimal control model in intelligent transport systems: rough neural network approach[J].Computer Engineering and Applications, 2008, 44(19): 215-219.

[19]Qu Hong.A neural network method for the computing of the shortest path tree[J].The Journal of New Industrialization, 2012, 2(2): 62-66.

[20]WANG Li, KUANG Yujun.Research of BP neural network optimizing method based on Ant Colony Algorithm[J].The Journal of New Industrialization, 2012, 2(4): 8-15.

Research and Design of Vulnerable Urban Transport Systems

ZHAO Meng, GUO Kaiwen, LIU Lei, HAN Cunwu, SUN Dehui
(Beijing Key Laboratory of Fieldbus Technology and Automation, North China University of Technology, Beijing 100144, China)

Abstract:In order to solve the increasingly complex urban traffic conditions and improve the urban transportation system, this paper combines the intelligent traffic system with neural network methods and optimizes the vulnerable urban traffic systems.Firstly, this paper discusses the status of intelligent transportation systems and improvement measures.Secondly, it discusses the prediction of traffic flow based on neural network.Last but not least, based on neural network, it further designs the green ratio which is the important parameter of traffic system.This paper introduces the intelligent traffic system and the study of existing traffic system with the combination of neural network to design and optimize the current fragile urban transport system.

Keywords:intelligent traffic system; neural network; traffic flow; green ratio; optimization

DOI：10.3969/j.issn.2095-6649.2015.04.03

作者简介：赵萌（1993-），女，本科，主要研究方向：电气与控制工程学 ； 郭凯文（1994-），男，本科，主要研究方向：电气与控制工程学；刘蕾（1984—），女，讲师，博士，主要研究方向：广义系统、鲁棒控制、最优控制； 韩存武（1961-），男，教授，博士，主要研究方向：无线通讯网络、网络化控制系统；孙德辉（1962-），男，教授，博士，主要研究方向：物联网技术、故障诊断与容错控制。

*基金项目：国家自然科学基金面上项目（61174116）资助; 2014年北京市大学生科学研究与创业行动计划项目资助; 北京市自然科学基金资助项目（4154068,4142014）。

Citation: ZHAO Meng, GUO Kaiwen, LIU Lei, et al..Research and Design of Vulnerable Urban Transport Systems [J].The Journal of New Industrialization, 2015, 5(4): 18‒23.