毛紅閣 黃國范

摘要：信號控制的力度決定了交叉路口車輛的延誤時間，文中以單交叉路為研究對象，以減少車輛延誤時間為目標，在傳統(tǒng)的定時控制基礎(chǔ)之上，提出是用ELMAN神經(jīng)網(wǎng)絡(luò)對交叉路口進行控制，通過仿真結(jié)果表明，能有效改善車輛的平均延誤時間。

關(guān)鍵詞：ELMAN神經(jīng)網(wǎng)絡(luò)；定時控制；交叉路口

中圖分類號：TP183文獻標識碼：A文章編號：1009-3044(2012)23-5682-03

Research of the Fuzzy Signal Control Based on Elman

MAO Hong-ge, HUANG Guo-fan

(School of Software, Nanyang Normal University, Nanyang 473061, China)

Abstract：Dynamism of signal control decide the delay of car on single intersection., this paper takes a single intersection as research object, as a target the delay of car decreased. based on fixed time control ,it use ELMAN neural control the signal, the result indicate that delay of car decrease effectively.

Key words: ELMAN neural network; fixed control; single intersection

交通擁擠是城市交通的重大問題之一，在大城市尤其明顯。交叉路口信號的有效控制是解決交通擁堵問題的關(guān)鍵因素，目前，國內(nèi)各大城市交通信號燈控制是基于定時的，定時控制在有些交通流量情況是有效的，但遇到大量車流量的、繁忙的交叉路口已不能滿足實際需要；有些路口車流十分稀少的時候，駕駛員可以看到另一綠燈相位沒有車輛通過，仍然要等待轉(zhuǎn)換相位才能通行。這種信號控制方法增加了車輛在交叉路口的延誤時間，對于交通擁堵問題沒有得到有效解決，為了緩解交通擁擠、減少污染和提高能源利用率等問題，這就需要尋找智能的信號控制方法，我國的交通研究者最近幾十年也做了大量有關(guān)的研究，其中徐冬玲、劉智勇[1, 2]等學(xué)者提出了模糊神經(jīng)網(wǎng)絡(luò)控制方案，在模糊控制中，模糊規(guī)則一旦給出，運行過程中是一成不變的，不具備學(xué)習(xí)能力，神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)學(xué)習(xí)能力，目前大多研究是基于BP算法的。BP算法是靜態(tài)前饋神經(jīng)網(wǎng)絡(luò)，是將動態(tài)的交通問題變?yōu)殪o態(tài)空間建模問題，ELMAN神經(jīng)網(wǎng)絡(luò)具備映射動態(tài)特征的功能，從而使系統(tǒng)具有適應(yīng)時變特性的能力。因此，考慮到交叉路口的動態(tài)特性，采用ELMAN神經(jīng)網(wǎng)絡(luò)進行信號控制。

1 ELMAN神經(jīng)網(wǎng)絡(luò)

Elman網(wǎng)絡(luò)是J. L. Elman于1990年首先提出來的,它是一種典型的局部回歸網(wǎng)絡(luò)。Elman網(wǎng)絡(luò)可以看作是一個具有局部記憶單元和局部反饋連接的前向神經(jīng)網(wǎng)絡(luò)。Elman神經(jīng)網(wǎng)絡(luò)一般包括：輸入層、中間層(隱含層)、承接層和輸出層，其結(jié)構(gòu)如圖1所示。輸入層起信號傳輸作用，輸出層起線性加權(quán)作用。在這種網(wǎng)絡(luò)中,除了普通的隱含層外,還有一個特別的隱含層,稱為承接層;該層從隱含層接收反饋信號,每一個隱含層節(jié)點都有一個與之對應(yīng)的關(guān)聯(lián)層節(jié)點連接。承接層的作用是通過聯(lián)接記憶將上一個時刻的隱層狀態(tài)連同當(dāng)前時刻的網(wǎng)絡(luò)輸入一起作為隱層的輸入,相當(dāng)于狀態(tài)反饋。

Elman神經(jīng)網(wǎng)絡(luò)具有BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點，同時它是通過一種承接層的延遲和存儲連接到隱含層的輸入的自連方式，這就增加了網(wǎng)絡(luò)動態(tài)處理信息的能力，從而可以動態(tài)的自適應(yīng)的處理交叉路口復(fù)雜路況的事物。

2基于ELMAN神經(jīng)網(wǎng)絡(luò)模糊信號控制

文中以單交叉路口交通信號控制為研究對象，在圖2中，有東、西、南、北四個車流方向，每個相位只考慮直行的情況，其它的忽略不計。

車輛的延誤模型采用的是希臘學(xué)者C.P.PAPPIS[3]提出的單路口兩相位模糊控制算法。此模糊算法是根據(jù)紅燈方向的車輛等待數(shù)，與綠燈方向檢測到達的車輛數(shù)，決定當(dāng)前方向綠燈在7秒，17秒，27秒，37秒，47秒的延時是否進行、或轉(zhuǎn)向。

引入模糊變量T，A，Q，E，分別表示時間、綠燈方向車輛的到達數(shù)、紅燈方向車輛的等待數(shù)、綠燈延時。模糊變量的賦值表見文獻[3].

2.1網(wǎng)絡(luò)的創(chuàng)建

2.1.1網(wǎng)絡(luò)的輸入

神經(jīng)網(wǎng)絡(luò)中，輸入的元素分別是時間T、綠燈方向車輛的到達車輛A、紅燈方向車輛的等待數(shù)Q、當(dāng)前綠燈時間G（第7、27、37、47秒分別為0.1、0.2、0.3、0.4）。

2.1.2網(wǎng)絡(luò)的輸出

網(wǎng)絡(luò)有一個輸出，是第n秒的綠燈延時隸屬度。將從檢測器得到的10秒數(shù)據(jù)分別輸入網(wǎng)絡(luò)就可得到10秒的綠燈隸屬度，根據(jù)最大隸屬度對應(yīng)的時間決策延長時間。

2.1.3樣本的選取

模糊控制算法使用了25條規(guī)則進行模糊推理，并且在考慮不同車流情況下均衡的選擇樣本。例如，在27秒準備實施控制時，上個10秒的第9秒紅燈方向的車輛等待數(shù)是8，綠燈方向的車輛等待數(shù)是7，則神經(jīng)網(wǎng)絡(luò)輸入為P=[9,7,8,0.4],輸出為,T=[0,1,1, 0,1,1, 0,1,1, 0,0.9,1, 0,0.9,1],輸出為T=[0.9]。這樣，可以得到不同車流情況下的若干個樣本。

由于文中研究對象一個隱含層足以夠用，所以，這里采用單隱層的神經(jīng)網(wǎng)絡(luò)。根據(jù)Elman網(wǎng)絡(luò)的特性和交叉路口的實際情況，將隱含層神經(jīng)元的個數(shù)設(shè)定為30。傳遞函數(shù)為S函數(shù)tansig(),輸出層有一個神經(jīng)元，傳遞函數(shù)為線性函數(shù)logsig()。訓(xùn)練函數(shù)采用默認值traingdx(),下面創(chuàng)建一個Elman網(wǎng)絡(luò)：

Net = newelm(minmax(P),[30 1],{tansig, lgsig});

2.2網(wǎng)絡(luò)的訓(xùn)練

使用MATLAB工具進行仿真，代碼如下：

net.trainParam.epochs=10000;

net.trainParam.goal=0.1;

net=train(net,P,T);

3 MATLAB車輛延誤仿真

交叉路口的路況是動態(tài)分布的，因此，泊松分布用來仿真交通流量較小的情況，二項分布用來仿真流量較大的情況，車輛的延誤使用C.P.PAPPIS文中公式計算，因此可以得到不同車流情況下的車輛平均延誤。

4結(jié)束語

從實驗結(jié)果可以得知，使用ELMAN神經(jīng)網(wǎng)絡(luò)對交叉路口進行控制可以有效減少車輛的平均延時，提高交叉路口的通行能力，在實際的應(yīng)用中，文中的實驗條件存在局限性，例如交叉路口的車流情況比文中比較的交通量要復(fù)雜及神經(jīng)網(wǎng)絡(luò)也存在不足之處，可以尋求更好的方法實現(xiàn)各種方法之間的互補，減少車輛的延誤時間。

參考文獻：

[1]徐冬玲,方建安,邵世煌.交通系統(tǒng)的模糊控制及其神經(jīng)網(wǎng)絡(luò)實現(xiàn)[J].信息與控制,1992,21(2):74-78.

[2]劉智勇.智能交通控制理論及其應(yīng)用[M].北京:科學(xué)出版社,2003

[3] Pappis C P,Mamdani E H.A Fuzzy logic controller for a traffic junction[J].IEEE Transactions on systems,man,and cybernetics,1977,7: 707-717.

[4]周開利.MATLAB基礎(chǔ)及其應(yīng)用教程[M].北京:北京大學(xué)出版社,2007

[5]杜愛月.基于模糊控制的交通信號控制系統(tǒng)及仿真的研究[J].西安:長安大學(xué),2004.

[6]楊海東.基于RBF神經(jīng)網(wǎng)絡(luò)的單交叉口自學(xué)習(xí)控制系統(tǒng)[J].機電工程,2007,24(12).