基于神经网络的智能交通控制系统构建

李炬

摘要：针对当前智能交通发展的需求，结合当前的智能算法，提出一种基于BP的智能交通控制系统。为实现该系统，实现智能化城市交通控制的价值，首先对该系统的需求进行了分析，然后分别对系统的整体方案、硬件和软件等经了设计。在设计中重点对BP智能交通通行时间进行预测，并采用DSP处理器对BP算法进行运算，以提高运算的效率。最后给出部分实现的界面。

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.

關键词：BP神经网络;交通控制;系统设计

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

0  引言

随着现代城市的发展，城市交通拥堵成为制约城市发展的重要问题。如何解决当前的城市拥堵问题，很多学者提出了不同的方法。如邱祥则在分析部分学者的解决方法时提出，采用路面拓宽的方式来解决城市拥堵问题，并不是好的途径和方法，由此加强城市交通的智能化管理，采用智能路网等方式，才是解决当前城市拥堵的有效方法。而通过研究发现，当前大部分城市在交通信号控制方面，仍然采用固定时间控制的方式。这种方式虽然简单，但是无法满足城市交通车辆的动态控制。因此，结合上述的问题，提出一种基于BP神经网络的交通信号控制系统。

1  系统需求分析

结合交通道路信号控制的相关需求，本控制系统主要存在以下几方面的需求：

①可实现至少6个相位的控制;

②可实现至少6个独立信号的输出;

③可对十字路口的车流量净统计;

④可实现与上机位的连接，以过程区域性的交通信号信号控制系统;

⑤内部日历始终误差不超过±15s/20d。

2  系统整体架构设计

根据上述的需求，本文将该系统的整体架构设计为如图1所示。

在上述的方案中，包含四个主要的模块：主控模块、驱动模块、图像采集模块、DSP处理模块、硬件黄闪模块、上机位通信模块等。其中，通过通过图像采集，然后经DSP将数据传输给主控模块。而主控模块在经过运算后，直接对相位进行控制。其中，DSP的主要作用是对图像进行采集，以及使用神经网络算法对车辆通行时间进行控制。

在上述的硬件模块中，DSP采用TMS320DM642作为主要芯片。在该芯片的基础上，然后编写DSP图像采集处理程序，并进行BP神经网络训练和仿真;DSP和主控模块的通信采用RS485接口;主控模块采用STM32F103ZET6，该芯片提供了至少5个串口与外设进行通信，并且可以支持CAN2.0进行通信。

3  软件模块设计

3.1 BP神经网络模型构建

3.1.1 BP神经网络概述

BP神经网络主要由输入层、隐含层、输出层构成，具体结构见图2所示。

在图2中，p表示输入的神经元，K表示隐含层，a表示输入层的输出结果，w表示权重，I表示神经元的个数，wij表示第i个神经元到第j个神经元的权值，wjm表示隐含层第j个神经元到输出层第m个神经元权值。同时，在神经网络学习的过程中，其权值的调整与输出期望响应的误差能量对权值的偏微分大小成正比关系。因此，对权值的调整采用最速下降法来进行计算，并沿着梯度相反的方向进行调整。

3.1.2 基于BP的交叉口信号控制模型构建

结合上述的BP神经网络，本文对交叉口交通信号控制模型进行构建。而根据图1的BP神经网络模型，其最为重要的一个方面就是对神经网络各层层数和相关的参数进行设计。

①层数设计。研究认为，增加BP神经网络的层数，并不意味着能提高输出结果的精度，降低整体的误差。而理论表明，采用传统的三层结构，可逼近任何有理函数。同时，在本系统中研究的是交叉路口，具体见图3所示。

在图3中的交叉路口中，在任意的一个师资路口需要检测四个方向的停车等待的数量，而四个方向的车辆分别对应一个通行时间。因此，对BP神经网络层数的选取中，输入层节点选择为4，输出层节点也选择为4。

②隐含层神经元确定。

对隐含层神经元的确定中，目前的研究是根据经验来进行判断的。对此，在此参考经验公式：

根据上述的公式进行推算，隐含层神经元的取值范围在[4，13]。所以在本文的最终仿真中，则按照该范围进行综合仿真比对。

③模型构建。根据上述的设计，本文将基于BP的交通信号控制模型设计为如图4所示。

在上述的BP信号控制模型中，分别以四个不同方向作为输入，通过隐含层和权重实现对结果的智能化调节。

3.1.3 BP算法流程设计

对BP算法来讲，其运算量大，且运算复杂。采用传统的处理芯片很难满足计算量的要求。因此，在BP算法流程的设计中，则采用了DSP作为算法运行的硬件环境，以提高算法运行的细考虑。而根据上述的分析和BP交通信號预测构建可以看出，BP对数据的训练和测试，是通过修改隐含层的误差而不断让输出值达到预定的结果。如训练样本经过训练，满足误差结果，则结束;如不满足误差结果，则继续输入样本进行训练。具体流程如图5所示。

3.2 主控模块软件设计

主控模块是该系统设计的另一个核心。该模块主要负责接收DSP发送的相关信号，并且接收dsp发送的各路口的通行预测时间。在该模块中，通过CAN总线实现对不同相位驱动模块的控制。通过这种控制，使得主控芯片模块不断向黄闪模块发送脉冲信号，进而使得硬件黄闪处于休眠;同时主控芯片将采集到的数据上传给后台上机位。而在程序的运行中，首先进行初始化操作，然后设定黄闪时间和红灯长亮时间。具体流程如图6所示。

当系统启动后，图像采集模块会将采集到的四个方向的车辆等待信息传输给DSP，然后DSP会根据训练好的模型，对四个方向通行车辆的时间进行预测，最后将预测的时间发送给主控模块，进而为整个时间的分配奠定基础。

3.3 驱动模块主程序设计

驱动模块的执行动作主要依赖于主控模块接收到的执行指令。具体则是通过CAN通信，解析出相关的参数，然后按照相关的参数，对不同方向的信号灯进行控制。如图7所示。

4  系统实现

对上述系统的开发，采用Keil  μ Vision集成环境进行开发，以C语言作为开发语言，进而得到相位控制界面。如图8所示。

在图8的界面中看，可对不同的相位配置具体的数据，同时也可以增加新的相位，由此极大的方便了对交通信号的管理和控制。

5  结束语

通过上述的研究可以看出，本文所构建的基于BP的智能交通系统可对交叉路口信号的相位进行设计，从而可对区域的交通信号进行联动控制，以此达到对某区域整体交通信号控制的目的，具有极强的实用价值，可更好的促进智能交通的发展，实现对区域交通的动态控制。

参考文献：

[1]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].中国新技术新产品，2014（15）：17.

[2]朱赢鹏，潘聪华，谢怡杰，张夏良，王健.基于BP神经网络PID的四轮智能车循迹控制仿真研究[J].汽车零部件，2016（02）：60-61.

[3]王麟珠，苏庆列，郑日博.基于Elman动态神经网络的公交到站时间预测[J].机电技术，2012，35（01）：135-137.