智能神经网络的应用模型以及仿真

于亚萍

【摘 要】本文对智能神经网络在建模的应用上的模型进行了求解和仿真实验，并对仿真结果进了分析。

【关键词】智能交通信号控制系统ITS；实时监控；车流；忍耐度；满意积；计算机系统仿真

中图分类号： TG333 文献标识码： A 文章编号： 2095-2457（2018）33-0101-001

DOI：10.19694/j.cnki.issn2095-2457.2018.33.045

1 问题的提出

随着社会经济的快速增长，人民生活水平的不断提高，道路交通需求旺盛。

如何应对城市现代化带来的交通问题，是城市交通管理者面对的需要解决的十分迫切的问题。在机动车大量发展的情况下，在已有道路设施的条件下，如何尽可能地加大机动车的通过量，以缓解城市交通拥堵的状况，是值得研究的问题。

2 建立模型

这样，通过第1步得出的通过时间与通行车辆的数量关系，便可以求出t0=71.6s，tr=171.7s。

依然利用计算程序来解决此问题，其方法是计算通过i辆车所需时间，再利用第2步得出的满意度求解方法解出该时间对应的满意度，接着将i与i对应的满意度做乘积即求出i辆车所对应的满意积，再对i循环求出最大满意积。

4 模型的仿真

根据对交通流相关资料的查询，可认为道路车流密度符合负指数分布。

在此，我们取参数λ不同的负指数函数做为a、b两方向的车流分布，各得到1800个随机数据（每个数据表示先后到达交通口的相邻两辆车的间隔时间）。

此时，当前方向的等待车辆数等于上一个周期结束时此方向的等待车辆数加上上一个周期的时间内又到达该方向的车辆数。（例如a方向上一次放行50秒后还有10辆车没有放行，接着b方向放行了60秒，则此时a方向的等待车辆数为10辆车加上在60+50=110秒内又到达a方向的车辆数）。

而在上一个周期的时间内新到达某方向的车辆数可以通过对应的交通流分布求出。（例如上一个周期是40秒，而该方向车流分布恰好是每3秒来一辆车，则在这40秒内新到达了13辆车）。这些计算可以通过计算机程序语言来实现，算法流程图如下：

为方便程序设计，不妨假设两方向已经各通过了n0辆车，各通过了t0时间。

T1、T2分别为根据a、b两车道车流分布函数得到的各1800个随机数据组成的一元数组。

另外，为了与现实中交通灯控制方案进行比较，我们同时仿真现实情况中的交通灯控制系统，计算其在一小时内通过的车辆总数，并与模型得到的结果比较。

这里我们取现实中实行较多的绿灯时间固定方案（不妨设固定的绿灯时间为ts）。

这种方案存在这样一个问题：当某方向在绿灯ts时间后车辆数仍没放行完，则没放完的车转到下一个周期放行；但当某方向在绿灯时间不到ts时车辆已经放完（不妨设放完时只用了时间tt），则后面来的车将不用等待直接通过道路口。此时计算ts时间内通过该道路口的车辆数应为tt内通过的车辆数加上（ts-tt）时间内新到达的车辆数。

其余的按照本文模型的算法同樣进行计算即可。

【参考文献】

[1]范影乐，杨胜天，李轶编著.MATLAB仿真应用详解，北京：人民邮电出版社，2001.

[2]张瑞丰等编著.精通MATLAB6.5北京：中国水利水电出版社，2004.

[3]孟玉珂.排队论基础与应用上海：同济大学出版社，1989.

[4]《运筹学》教材编写组编，运筹学，北京：清华大学出版社，2005-2-27.

[5]刘来福.曾文艺编著，数学模型与数学建模北京：北京师范大学出版社，2002.

[6]姜启源.数学模型（第二版）北京：高等教育出版社，1993.

[7]近藤次郎.数学模型北京：机械工业出版社，1985.

[8]《智能交通信号控制系统》（深圳漫威电子技术有限公司）.

[9]《 Smart neural network applications in the modeling》，Communications in Computer and Information Science.2012.