肖權(quán)珈 楊 杰 任紹坤 楊錦濤

(中南大學(xué),湖南 長沙410083)

1 研究現(xiàn)狀

在交通擁堵優(yōu)化方面,主要從以下幾個角度做了重點(diǎn)研究。

1.1 城市規(guī)劃角度,如：交叉口合流沖突點(diǎn)改進(jìn)[1]通過設(shè)置立交橋、人行通道,加強(qiáng)交通管理,優(yōu)化公交站臺等方式,可以有效的解決合流、分流路口的嚴(yán)重沖突問題；或者適當(dāng)控制城市擴(kuò)規(guī)模,適當(dāng)發(fā)展衛(wèi)星城[2]著重利用衛(wèi)星城來疏解大規(guī)模城市的部分功能。尤其分擔(dān)大城市的交通壓力。

1.2 從交通控制角度：基于人車流量組合來控制紅綠燈[3]即將攝像或影像采集設(shè)備所接受到的實(shí)時(shí)交通信息,包括人流、車流、障礙物等信息傳遞到數(shù)據(jù)計(jì)算終端,通過數(shù)據(jù)模型計(jì)算和遠(yuǎn)期評估,確定不同道路區(qū)域的人流量和車流量。并結(jié)合現(xiàn)場人流車流的情況以及通行速度,預(yù)估各個路口所需的通行時(shí)間,并確定整體的最優(yōu)通行策略,從而形成不同人流量和車流量的路口,分配不同的紅綠燈通行時(shí)間,確保道路通行順暢,提升道路通行效率。

1.3 根據(jù)公交流,應(yīng)用BP 神經(jīng)網(wǎng)絡(luò)預(yù)測城市短時(shí)交通流量。[4]另外可以運(yùn)用物聯(lián)網(wǎng)技術(shù)的應(yīng)用[5],即通過車聯(lián)網(wǎng)技術(shù)的應(yīng)用,使得車輛及時(shí)通過車載設(shè)備及顯示終端,獲取云數(shù)據(jù)平臺所展現(xiàn)并計(jì)算的路況和通行信息,保證出行車輛及人員能夠合理規(guī)劃自身的出行方案,縮短出行的時(shí)間,提升出現(xiàn)效率,并且也能夠避免某個城市點(diǎn)位的大量擁堵產(chǎn)生。

2 道路擁堵解決方案

2.1 數(shù)據(jù)處理

對車流量進(jìn)行預(yù)測依據(jù)的交通數(shù)據(jù)分為兩種：

2.1.1 歷史的交通數(shù)據(jù)。對歷史交通數(shù)據(jù)進(jìn)行預(yù)處理后,再進(jìn)行分析,可以得到路口的擁堵時(shí)段以及車流量規(guī)律等信息。基于歷史交通數(shù)據(jù),進(jìn)行初步預(yù)測。

2.1.2 路口實(shí)時(shí)采集的交通數(shù)據(jù)。我們根據(jù)路口實(shí)時(shí)采集的信息,可以對初步的預(yù)測結(jié)果進(jìn)行修正。以上兩種不同來源交通大數(shù)據(jù)具有共同特點(diǎn)。按相關(guān)交通數(shù)據(jù)的類型和采集方式的不同,可以形成比較規(guī)范的數(shù)據(jù)集,主要包括：長期交通流量數(shù)據(jù)、瞬時(shí)交通車流數(shù)據(jù)、道路最大承載能力數(shù)據(jù)、通行時(shí)長數(shù)據(jù)、交通指示指令數(shù)據(jù)以及交通調(diào)度服務(wù)數(shù)據(jù)等；交通流量數(shù)據(jù)的重要參數(shù)包括：速度、流量、密度、起止時(shí)間、時(shí)間平均速度、空間平均速度等；

由于各種原因,如設(shè)備老化,道路結(jié)構(gòu)破壞等,使得我們采集的數(shù)據(jù)常常出現(xiàn)異常值、冗余值、缺失值等等錯誤數(shù)據(jù)；而且在實(shí)際監(jiān)測過程中也會出現(xiàn)數(shù)據(jù)丟失或者數(shù)據(jù)冗余的情況,所以需要進(jìn)行數(shù)據(jù)清洗。

使用低階多項(xiàng)式滑動擬合法來識別錯誤數(shù)據(jù)：

時(shí)間序列表示為x(t)(t=1,2,3……n),則擬合多項(xiàng)式為m 階自回歸多項(xiàng)式：

以上滑動擬合并識別錯誤數(shù)據(jù)的主要方法是通過測算數(shù)學(xué)期望值,并評估置信度來判斷數(shù)據(jù)是否符合置信度區(qū)間,并確定數(shù)據(jù)的錯誤與否。以時(shí)間序列進(jìn)行計(jì)算X∧i,以及數(shù)學(xué)期望ζ=Xi-X∧i,錯誤數(shù)據(jù)與正常數(shù)據(jù)相比,它的信息值比正常值大的多,使用公式：

以低階多項(xiàng)式來大致判斷錯誤數(shù)據(jù),為了簡化過程我們把所有錯誤數(shù)據(jù)剔除,然后結(jié)合該道路的路段信息,如路況、限速等,就可以由交通流量數(shù)據(jù)中的時(shí)間平均速度,實(shí)時(shí)判斷該路段是否發(fā)生擁堵。

2.2 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型

BP 神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的一種人工神經(jīng)網(wǎng)絡(luò)之一,它是一種多層前饋網(wǎng)絡(luò),包含輸入層、隱含層和輸出層,同層單元之間不相連,它在輸入層和輸出層之間可有一個或多個隱含層。

從輸入層的特征來看,輸入層的神經(jīng)元主要是根據(jù)樣本的不同屬性和類型綜合確定神經(jīng)元緯度,輸入層要確保充分考慮到所有數(shù)據(jù)緯度及相關(guān)屬性的準(zhǔn)確性。從隱藏層的特征來看,隱藏層主要是由用戶提供的數(shù)據(jù)閾值及相關(guān)條件組成,隱藏層作為重要的限制條件,能夠改變神經(jīng)元的活性,保證預(yù)測模型的靈活性和可變性。前一層神經(jīng)元和后一層神經(jīng)元之間有權(quán)值。每個神經(jīng)元都有輸入和輸出。輸入層的輸入和輸出都是訓(xùn)練樣本的屬性值。

BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)較為簡單、易于硬件實(shí)現(xiàn)、并且工作狀態(tài)穩(wěn)定,有許多優(yōu)點(diǎn)。包括有自學(xué)習(xí)與自適應(yīng)能力,可以簡化預(yù)測難度以及實(shí)現(xiàn)對大量數(shù)據(jù)進(jìn)行處理等。交通數(shù)據(jù)非常龐大,BP 神經(jīng)網(wǎng)絡(luò)能達(dá)到對大量且復(fù)雜的數(shù)據(jù)的一個較為精確的處理。因此,選用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測。

2.3 存儲一轉(zhuǎn)發(fā)模型(TUC 策略)

根據(jù)基本的存儲一轉(zhuǎn)發(fā)模型來進(jìn)行車輛調(diào)度,就是當(dāng)車輛按照既有的路線行進(jìn)時(shí),如果道路中的實(shí)際車流量超過該段道路所能承載的最大車流量(飽和值),車輛就需要提前停止行進(jìn)并在相應(yīng)路口等待,直到當(dāng)前方道路車流量恢復(fù)平穩(wěn)或者能接受新入車輛后,等待路口的交通信號燈再做出改變,引導(dǎo)車流通行。

從實(shí)際看,存儲- 轉(zhuǎn)發(fā)模型是一個相對簡單的交通模型,通過存儲- 轉(zhuǎn)發(fā)的機(jī)制,將道路和車流調(diào)配分解為兩個簡單的節(jié)點(diǎn),在運(yùn)用此模型時(shí),我們假定建輸出流為u,如果道路路況及車流都能滿足相應(yīng)條件,輸出流u 在某一個時(shí)間段內(nèi)可以使用下邊的公式表示：

S 為相關(guān)道路中的最大車流承載能力和承載量,G 是可通行的交通信號燈持續(xù)時(shí)間,C 是相應(yīng)路口紅綠燈所需的一個周期時(shí)間。由于每個階段時(shí)間T 應(yīng)該與離散時(shí)間C 相等。u 為在每個階段時(shí)間T 中的平均車流量,而不是在紅燈時(shí)間的0 或者綠燈時(shí)間的飽和車流量S。換句話說,假設(shè)每個車道車流量是連續(xù)不間斷的,從存儲- 轉(zhuǎn)發(fā)模型可以得出以下結(jié)論:

(1)每個階段時(shí)間T 應(yīng)該與離散時(shí)間C 相等。

(2)沒有描述紅燈時(shí)間或者綠燈時(shí)間車輛排隊(duì)情況。

(3)不能連貫的表示每個十字路口每個相位的情況。

當(dāng)然,為了避免這些沖突和復(fù)雜情況的出現(xiàn),一些非線性規(guī)劃、二次規(guī)劃等高效優(yōu)化方法也應(yīng)運(yùn)而生,并可通過這些方法來協(xié)調(diào)復(fù)雜的交通網(wǎng)絡(luò)問題。

3 交通擁堵優(yōu)化實(shí)現(xiàn)

在實(shí)現(xiàn)之前,定義了一部分假設(shè),而這些假設(shè)都是在道路中車輛不飽和的情況下存在的,得到的綠燈時(shí)間是基于歷史需求而得出的。通過綠燈時(shí)間來控制網(wǎng)絡(luò)達(dá)到最優(yōu)狀態(tài)并且道路中車輛排隊(duì)數(shù)量為零。然而,在現(xiàn)實(shí)中,車輛的數(shù)目是動態(tài)改變的。所以,如何確定綠色時(shí)間的值可能是最優(yōu),并且可以控制交通情況比較惡劣的交通狀況。

通過LQ 方法來實(shí)現(xiàn)最小化性能標(biāo)準(zhǔn),LQ 方法的控制法則為:

g (k) = gn-L. x ( k )

通過實(shí)驗(yàn)?zāi)M及數(shù)據(jù)仿真可以得出,增益矩陣L 對道路車流量數(shù)據(jù)變化所產(chǎn)生的變化較小,相應(yīng)敏感度角度,尤其是在轉(zhuǎn)彎率與最大飽和流量變化時(shí)更加明顯。gN 為理想狀態(tài)下假設(shè)的最優(yōu)時(shí)間。L 為常量反饋增益矩陣,L 是由A, B, Q, R 共同決定的,矩陣的規(guī)范如下:

(1)控制間隔：在選取并存儲- 轉(zhuǎn)發(fā)策略時(shí),根據(jù)實(shí)際需要,應(yīng)該對每個控制點(diǎn)的時(shí)間進(jìn)行規(guī)范和控制,無論是控制時(shí)間間隔太長或者太短,都不利于得出精確結(jié)果。因此結(jié)合大多數(shù)路口及城市實(shí)際交通控制情況,將時(shí)間間隔設(shè)置為90 秒。

(2)道路的數(shù)量：交通網(wǎng)絡(luò)中道路的數(shù)量對TUC 策略中LQ方法的應(yīng)用產(chǎn)生影響。

(3) 相位：交通網(wǎng)絡(luò)中十字路口的相位對TUC 策略中LQV方法的應(yīng)用具體重要影響。

(4)每個道路的v：以四個相位的十字路口為例,駛?cè)肱c駛出相同路口的車流導(dǎo)向圖也具備相同的規(guī)律。(如圖1、圖2)

圖1 駛?cè)氲缆穁 的車流導(dǎo)向

圖2 駛出道路z 的車流導(dǎo)向圖

(5)每個道路的S：測算道路的飽和流量,一般需要結(jié)合實(shí)際路段的特定情況,包括限制車速、道路寬度、道路長度、當(dāng)?shù)氐膱?zhí)行標(biāo)準(zhǔn)等得出。

(6)t：這里是指每個道路路口車輛的轉(zhuǎn)彎率,按照相關(guān)設(shè)定以及實(shí)際道路通行的情況看,此數(shù)據(jù)對LQ 方法應(yīng)用具有較大影響。

(7)R:R=rI,由試錯法得出,我們?nèi)=0.00050。

(8)Q:Q 是考慮到每個鏈路上車速不同,長度不同而提出的因子,致使每個鏈路都達(dá)到最優(yōu),Q 的取值為對角線為每條鏈路的最大值的倒數(shù),其他元素都是0 的矩陣。

由于gN為理想狀態(tài)下假設(shè)的最優(yōu)時(shí)間,所以可列公式:

g ( k ) = g ( k - 1) - L *[ x (k ) - x( k-1)]

g(k-1)為k-1 階段有效綠燈時(shí)間,x(k-1)為k-1 階段道路中的車輛數(shù),g(k)為k 階段有效綠燈時(shí)間,x(k)為階段道路中的車輛數(shù),L 為狀態(tài)反饋矩陣。

4 結(jié)論

智慧城市是未來城市發(fā)展的趨勢,而智能交通是智慧城市的一個重要組成部分,也是一個研究的熱點(diǎn)。以計(jì)算機(jī)技術(shù)為主,綜合了交通學(xué)科的相關(guān)理論。運(yùn)用互聯(lián)網(wǎng)+的思維,為傳統(tǒng)的交通領(lǐng)域賦能。通過運(yùn)用了神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測,與傳統(tǒng)的預(yù)測方法相比較,對信息源準(zhǔn)確度要求不高,有較好的容錯能力。與以往的交通調(diào)控相比,加入了用戶與交通控制系統(tǒng)之間的“互動”,形成一個正反饋機(jī)制,并將大數(shù)據(jù)技術(shù)結(jié)合交通領(lǐng)域相關(guān)知識,對信號優(yōu)化和路徑規(guī)劃都建立了相關(guān)的模型,在智能交通方向做了一些探索,且成果也可運(yùn)用到無人駕駛系統(tǒng)中去。