基于神经网络的交通控制诱导协同模型

傅 贵 杨朝霞 周 权

（1．广东省君略信息化研究院，广东 广州 510627；2．广州市信佰信息技术咨询有限公司，广东 广州 510627；3．中山大学数学学院，广东 广州 510275；4．广州大学数学与信息科学学院，广东 广州 510006）

基于神经网络的交通控制诱导协同模型

傅 贵1,2杨朝霞3周 权4

（1．广东省君略信息化研究院，广东 广州 510627；2．广州市信佰信息技术咨询有限公司，广东 广州 510627；3．中山大学数学学院，广东 广州 510275；4．广州大学数学与信息科学学院，广东 广州 510006）

针对传统交通控制与诱导模型及算法的不足，提出了具有中心协调系统（CCOS）的交通控制与诱导协同模型。利用数据融合技术将历史数据的短时交通预测、交通事件检测结果以及实时交通流数据设计面向交通动态的信息融合，并采用神经网络技术构建基于神经网络的交通控制诱导协同模型，同时对模型的参数进行了确定。通过典型的路网进行仿真实验和对比分析，实验验证了该模型是可行和有效的。

交通控制；交通诱导；数据融合；神经网络；协同模型

1 引言

随着城市道路建设的逐步扩大和城市车辆拥有率的提高，城市交通越来越拥堵。城市交通控制和交通诱导是解决城市交通解决拥堵的重要措施。传统的城市交通控制和城市交通诱导协同解决思路主要有数据共享式交通控制和交通诱导体系、主从式交通控制和交通诱导体系、并行式交通控制和交通诱导体系[1]三种。数据共享式交通控制和交通诱导体系是从数据层面为交通控制和交通诱导提供数据共享与协同，城市交通控制系统（UTCS）和城市交通流诱导系统（UTFGS）二者相互独立运行，各自仅仅将各自采集到的数据作为信息输入，提供对方进行数据共享使用，而系统之间无更高层面的沟通与协调，这仅仅是一种最低层次的协同控制。主从式交通控制和交通诱导体系是将交通控制系统或交通诱导系统作为主导系统，另一个系统作为从属系统，两系统是一种非对称关系，主导系统按照既定的交通策略进行运行，并通知从属系统使之进行协同。一般来说，在主从式交通控制和交通诱导协同体系中交通控制系统作为主导系统，交通诱导作为从属系统，交通指挥人员将交通疏导策略数据设置在交通控制系统中，交通诱导系统按照交通控制系统的指挥[2]进行。并行式交通控制和交通诱导体系的交通控制系统和交通诱导系统是各自独立运行，一方会向另一方输出自身状态和期望的要求，另一方收到对方的状态信息后，结合自身系统的策略判断是否需要以及如何进行控制，达到协同控制目的。以上三种交通控制和交通诱导体系，在交通控制和交通诱导的不同发展阶段均有应用，但其在交通控制和交通诱导的处理上具有复杂性和未知性，而且系统数据融合处理方面也存在不足，其不足之处主要有以下几点：

（1）交通控制技术研究和应用起步早、技术相对成熟，而交通诱导技术研究和应用相对较晚，交通控制和交通诱导协同技术改造存在困难。目前，国内使用的交通控制系统大多数采用国际上主流的交通控制系统，比如广州市采用澳大利亚的悉尼协调自适应交通系统（SCATS），这些系统是独立运行的，系统是封闭的，无开源代码提供，技术改造的难度很大。

（2）主从式、并行式交通控制和交通诱导体系，无独立的第三方系统掌握城市交通控制和城市交通诱导系统的全部运行状态信息。交通控制、交通诱导系统存在信息不对称，从而交通控制和交通诱导的判别无法精准处理，甚至发生错误判别处理。

（3）以上三种体系均没有考虑交通状况预测的要素，尤其没有考虑基于历史数据对交通状况的预测和基于交通事件对交通影响的判断，没有将交通预测信息作为交通控制和诱导系统的要素输入，但这些信息对于交通控制和诱导系统的影响极大，也是城市交通控制的关键信息要素之一。

本文从城市交通控制与交通诱导的多年实践经验出发，在以往的城市交通控制和交通诱导体系研究基础上，首先设计了一个具有中心协调系统（CCOS）的城市交通控制与诱导协同体系框架，并利用数据融合技术将历史数据的短时交通预测、交通事件检测结果以及实时交通流数据进行有效的信息融合，实现面向交通动态的信息融合，在此基础上，采用基于神经网络的专家系统建模方法，设计基于神经网络的交通控制与诱导协同模型，并同时利用典型交通路网数据对模型参数进行了确定，为协同系统提供所需的数据参数指标。最后，以广州市交通信号控制系统和交通诱导系统为基础，搭建基于交通预测的控制与诱导协同仿真实验平台，并选择了广州市典型的交通道路路网进行仿真实验，仿真实验结果表明该模型在城市交通控制和交通诱导协同工作中是可行和有效的，能够达到城市交通协同调控的目的。

2 交通控制与诱导协同体系

传统的城市交通控制和交通诱导协同体系没有将历史信息的预测和交通事件影响预测信息作为系统的重要设计参数，从而使城市交通控制与交通诱导之间信息不完善、不对称，交通控制与诱导难以精准判别，甚至发生错误判别。我们在研究现有的城市交通控制和交通诱导体系的基础上[2-4]，将城市交通控制和交通诱导两个系统数据充分共享利用，设计具有中心协调系统（CCOS）的交通控制与诱导协同体系，如图1所示。CCOS体系建立了区域范围更广的协同控制和协同诱导策略，分别向交通控制系统和交通诱导系统发出信令，实现系统之间的协同控制。

图1 交通控制与诱导协同体系

交通控制与交通诱导系统体系将各种交通检测器（交通传感器）采集交通实时数据、历史数据、动态预测数据、交通事件检测等进行数据融合[5]，并将融合后的交通数据作为辅助交通控制系统和交通诱导系统决策调度的重要依据，实现城市交通优化与智能控制。为此，需要采用决策级[6]进行信息融合，以一种决策级融合的算法，实现中心协调系统与交通信号控制和交通诱导系统的协同一致。在决策级信息融合中，利用神经网络专家系统作为决策级信息融合关键技术，将大量交通信息数据进行抽象融合，并通过神经网络训练构建交通控制和交通诱导协同模型，实现交通信息有机融合，满足智能交通控制的需要。以下章节对城市交通控制和交通诱导协同体系涉及的模型进行详细讨论。

3 模型建立与优化

城市交通系统就是一个模糊控制系统，在城市交通控制与交通诱导之间，难以用一种精确的数学模型来描述这一具有“蝴蝶效应”的现象。但通过神经网络[7,8]的自学习能力，构建基于神经网络的交通控制与交通诱导协同模型是一种有效的技术手段。通过利用交通历史数据对交通控制和交通诱导协同模型的训练，提高协同模型的判断能力，实现交通控制和交通诱导协同系统所需的功能是完全可行的。协同模型总体思路将当前检测器采集到的交通流数据、交通流预测数据作为神经网络的输入，建立交通控制和交通诱导模型；同时将交通突变数据也作为协同模型的输入，对协同模型进行优化完善，使得协同模型逻辑结构上更加完备。

3.1 问题描述

城市道路路网路口的交通流量是由上游路口的流量所决定。同时，上游路口交通流直接影响下游路口的流量。因此，在上、下游路口间的交通流量及关系是城市交通控制与交通诱导协同模型的重要要素。城市道路路口上、下游交通流量之间的关系受到交通信号控制、道路情况、行车速度等诸多因素影响，在实际城市路网难以用准确的显式函数关系来表达，本文采用神经网络来拟合刻画交通控制和交通诱导下，城市路网中各路口交通流量的复杂关系。

3.2 基本假设

城市交通控制和交通诱导协同模型的基本假设如下：

（1）道路交叉口的流量是连续的，即一个统计间隔得到的交通流量不会出现若干个统计间隔没有交通流量的情况。

（2）大量的基础数据样本，即有大量交通基础数据为神经网络训练提供数据样本支撑。

（3）交通路网抽象成井字形网状结构，一个路口的一个进口流量只受下游周边三个路口的流量影响。同时也会影响上游周边三个路口的流量。

（4）某一时间截面，对于路口i，有一个实测流量vi，vi作为神经网络模型的输入。

（5）交叉口不仅受到上、下游交叉口当前实测流量vi的影响，也受到预测流量的影响。

3.3 模型建立

根据前面研究和假设，城市道路路口控制与诱导协同建模如图2所示。

图2 实际路口交通控制和交通诱控模型

图2 中P点是交通控制和交通诱导协同控制点，其判断输出，分别是交通控制系统和交通诱导系统的输入。左边的P1，P2，P3是交通控制系统的输入因子，P点后续流量主要受到这三个点流量影响。右边的T1，T2，T3是交通诱导系统的输入因子。同时，上、下游交叉口预测流量~vl也是交通控制与诱导协同的输入因子。

交通控制神经网络模型如图3右侧所示，交通诱导神经网络模型如图3左侧所示。在上述模型中，P点的控制逻辑可看成线性可叠加的，可以对其分别研究，再进行融合，下面分别交通控制模型和交通诱导模型进行讨论。

图3 交通控制和交通诱导的神经网络模型

3.3.1 交通控制模型

对于路口任一交通控制点P的一个进口，存在影响该进口方向流量的三个路口P1,P2,P3；其车流影响下游周边三个路口的车流T1，T2，T3。如果上、下游交叉路口预测流量分分别记为：vp1，vp2，vp3。交通控制的神经网络模型如图3所示，其输入层X节点、隐含层节点和输出层节点描述分别如下。

● 输入层X

● 隐含层Z

对于某单个神经元zi而言,其计算公式为：

W是利用计算机伪随机数初始化的权重矩阵。

● 输出层Y

输出层权重矩阵H的计算公式为：Y=f(Z’H)。

向后传播阶段

该模型是BP神经网络模型，可用Delta法则修正权重矩阵，其初始化训练因子α，且0＜α＜1；其初始化精度为ξ。神经网络中第m个样本的误差测度为：

其中，f是激活函数如公式（3）所示。

整个样本集的总误差为：

输出层权重矩阵H修正为：

其中Q为该样本的标准参照流量。

输入层到隐含层的权矩阵W修正为：

其中δ=Y(Q-Y)(Y͂-Y)/Q

直到E＜ξ，可得出优化的神经网络系统。

3.3.2 交通诱导模型

交通诱导模型与控制模型类似，也建立BP神经网络模型，其不同之处再有输出层是由三个方向的流量比组成的三维向量，而不是标量。

● 输入层：类似交通控制模型输入层；

● 激励函数：类似交通控制模型激励函数；

● 初始化权矩阵：类似交通控制模型伪随机数方法；

● 输出层：Y=（y1,y2,y3）’。

模型的其他参数和修正方法：参照交通控制模型。

3.4 引入交通突变模型优化

城市交通突发事件对交通流量有巨大的影响，也是交通实际控制和诱导必须考虑的要素，将交通突发事件作为交通控制和交通诱导的正常的流量样本输入到模型中，能更有效描述城市交通的实际情况。但这样会对神经网络的模式可分性造成影响，同时也影响模型的收敛速度，甚至无法得到最优解。为解决这个问题对交通控制和交通诱导模型进行如下优化：

（1）交通事件作为神经网络模型的一种新的输入维度。在神经网络模型增加一个激励变量，调整神经网络的输入层和隐含层，增加网络的复杂性。这种方法会增加神经网络的训练负担。

（2）交通事件作为随机扰动，视为模型外层处理，即对交通事件的检测和后续处理建立独立的分支机制。

引入交通突变事件判断后的处理流程，如图4所示。

图4 引入交通事件判断后的处理流程

4 模型训练与仿真

交通控制和交通诱导模型训练与仿真利用关键交叉口、重要路段及重点关注区域对模型进行仿真分析，对交叉口、路段及区域的交通控制和交通诱导引起的交通影响进行评价。本次模型训练和仿真采用德国VISSIM交通仿真软件进行仿真实验。

4.1 训练与仿真数据

交通控制和交通诱导模型训练与仿真以广州大桥为中心，广州大桥南北沿线路网区域部分交通数据作为训练和仿真数据。数据来自广州SCATS系统所采集到的目标区域路网主要交叉口的7天的流量数据。数据的时间跨度为4月23日到4月29日。表1是4月24日中山一立交各进口道早高峰时段每半小时的流量部分数据，表3是4月27日广州大道-花城大道交叉口各进口道路晚高峰时段每半小时的流量部分数据，相对应的专家知识库的理想预测流量值分别如表2和表4所示。

表1 早高峰时段流量统计表(pcu/h)

表2 早高峰时段流量理想预测值(pcu/h)

表3 晚高峰时段流量统计表(pcu/h)

表4 晚高峰时段流量理想预测值(pcu/h)

4.2 模型训练

首先对基于BP神经网络的模型进行训练，训练隐层的数量和训练数据的输入量。取训练因子α=0.5，误差精度ε=0.2%，对隐含层的神经元个数分别为5-15进行误差分析，训练得到交通控制和交通诱导模型的隐层神经元个数与误差曲线关系，如图5所示。进一步对不同训练样本进行加权平均误差分析，训练样本与误差关系如图6所示。

图5 隐层神经元个数与误差曲线图

图6 训练样本数据量与误差关系表

从图5训练曲线可知该模型的神经网络是收敛的，神经网络可用。从图5发现当隐层神经元个数为13个以上，交通控制模型和交通诱导模型都能很好地收敛，且其误差精度也达到设置阈值。在实际中考虑到计算精度和运算效率，将隐层的神经元个数设为14较为合理。图6数据可以发现，7天的交通流数据样本能让训练结果的加权平均误差满足小于预设的0.2%的误差要求，表明模型满足实际的神经网络系统要求。因此，从7天交通流数据样本，14个隐层神经元的交通控制模型和交通诱导模型神经网络训练实验结果发现，所建立的交通控制和交通诱导神经网络协同模型能满足系统使用要求，可以进一步导入仿真软件，进行仿真实验分析。

4.3 模型仿真

4.3.1 仿真场景

本次模型仿真是在仿真区域路段对有无交通控制诱导策略情况下，仿真区域路段交叉口饱和度、交叉口服务水平、路段饱和度、路段服务水平等指标进行比较分析，以便判别仿真区域的交通改善效益。仿真实验交通控制点的信号控制灯组设置及控制方案相位如图7所示。早高峰时段A相位绿灯时间55秒，B相位45秒；晚高峰时段B相位45秒，C相位55秒；在平峰时段，信号灯为黄色闪烁。仿真实现时段选取早高峰时段为：7:00-9:00；晚高峰时段为：17:00-19:00；平峰时段除高峰时段之外的三个时段。

图7 信号控制点信号控制方案

4.3.2 仿真结果分析

本次仿真实验结果记录如表5和表6所示。表5表明在无交通控制诱导协同情况下，各关键交叉口的饱和度相差较大，其标准差达到0.1131。这表明该路网的负载不均衡，易产生瓶颈路口导致路网瘫痪。同时，表5也表明在有交通控制诱导协同情况下，各交叉口饱和度趋于均衡，其标准差下降到0.0288，该路网负载也相对均衡，可见能够明显提升交通管理效能。

表6表明在采用自适应的信号控制，实行控制诱导分流，广州大道中、广州大道南、中山一路等饱和度均有不同程度的下降，车辆的诱导分流有效缓解关键路段交通压力。但部分车流转移到花城大道、寺右新马路等道路，致使道路饱和度提高，由于该路段车流量较少，道路服务水平未受太大影响。

因此，仿真实验表明所构建的基于神经网络的交通控制和交通诱导协同模型能够提升城市道路交叉口和道路的交通服务水平，提高城市道路交通管理效能。同时也表明所设计的模型是合理的、可行的，能够改善城市道路交通通行能力。

表5 关键交叉口交通仿真评价结果

广州大道中-花城大道0.92 0.0200 -8.7% 12.5% 0.96 0.1043 0.1443 0.86广州大道南（客村）寺右新马路寺右二马路-0.0557 0.82 0.0000 0.0400 7.9% 0.76花城大道-华穗路0.72 0.81 -0.0100 0.68 -0.0957 -0.0600 0.84金穗路-华穗路0.76 11.8% 0.72金穗路-华穗路0.0957 -0.1357 0.83 0.0100 0.1131平均值及标准差0.82 0.0288 -10.4% 15.3% 0.8157 -↑↑—↓—↓-

表6 片区主要路段饱和度及服务水平

5 结束语

本文从交通控制与诱导多年实践经验基础上，构建了一个具有中心协调系统（CCOS）的交通控制与诱导协同框架体系。为了实现该框架体系，利用面向交通动态的信息融合技术的数据融合方法，采用基于神经网络的专家系统，设计了基于神经网络的交通控制与交通诱导协同模型，通过利用实际数据样本对模型进行训练，确定了模型相关的参数指标，并以广州市交通信号控制系统和交通诱导系统为基础，选择了一个典型的城市道路路网进行仿真实验。仿真实验表明所设计的交通控制和交通诱导协同模型是可行和有效的，能够改善城市道路交通，提高城市道路管理能效。进一步研究工作将根据实际路网情况建立更为准确的模型并进行相应的训练；建立更为多路网点关联性的训练模型也是研究方向之一。

[1]杨兆升．新一代智能化交通控制系统关键技术及其应用[M].北京：中国铁道出版社，2008．

[2]王薇，程泽阳，张伟，杨兆升．基于层级控制的区域交通信号控制及交通流诱导协调模型[J]．武汉理工大学学报(交通科学与工程版)，2016，40(4)：609-614．

[3]李志林，邱红桐，封春房．李标．基于路网分层的协同诱导路径搜索算法[J]．公路交通科技，2017，34(1)：143-148．

[4]张逊逊，许宏科，闫茂德．基于MFD的城市区域路网多子区协调控制策略[J]．交通运输系统工程与信息，2017，17(1)：98-105．

[5]涂小强．信息融合的原理与方法概述[J]．电讯技术，1999，3：1-6．

[6]Liu H，Wang X，Tan D，et al．Study on traffic information fusion algorithm based on support vector machines[C]．Intelligent Systems Design and Applications，2006．ISDA'06．Sixth International Conference on．IEEE，2006，1：183-187．

[7]文孟飞．城市智能交通系统交通流协同优化与诱导关键技术研究[D]．长沙：中南大学博士论文，2013．

[8]蔡长青．基于多智能体的交通控制与交通诱导协同理论和方法研究[D]．长春：吉林大学博士论文，2008.

Traffic Control Guidance Coordination Model Based on Neural Network

Fu Gui1,2Yang Zhaoxia3Zhou Quan4
(1．Guangzhou Genlord Institute,Guangzhou 510627,Guangdong；2．Guangzhou InfoBay Information Technology Consultant Co.Ltd.,Guangzhou 510627,Guangdong；3．Sun Yat-sen University,Guangzhou 510275,Guangdong；4．Guangzhou University,Guangzhou 510006,Guangdong)

In view of the shortage of traditional traffic control and guidance model and algorithms,the traffic control and guidance model based on central coordination system(CCOS)is proposed.In this model,the short-term traffic prediction of past traffic data,the result of traffic incident detection and the real-time traffic flow data are used to design the traffic-oriented dynamic traffic information fusion.Moreover,using the neural network technology,the traffic control and guidance coordination model based on neural network system is presented.Its parameters are decided by the experiments.Finally,a number of typical local road networks are selected for simulation comparative experiments.The experiments show this model is feasible and effective.

traffic control;traffic guidance;data fusion;neural network;coordination model

U491

A

1008-6609(2017)07-0017-06

傅贵(1975－)，男，广西人，博士研究生，高级工程师，研究方向为交通大数据、交通预测及控制、公安云架构。

广州市121人才梯队工程资助项目和“智慧天河”体系架构研究项目，项目编号：201603RY004。