APP下载

基于GA和LSTM的智能交通灯调度方法

2019-01-10李金澎丁博王雨吕思浓

物联网技术 2019年12期

李金澎 丁博 王雨 吕思浓

摘 要:随着城市发展,汽车保有量逐年增长,交通拥堵日益常见。为了提高路网的通行效率和各路口的通行能力,提出了一种基于遗传方法和长短期记忆网络的交通灯调度方法。该方法首先使用LSTM模型对历史数据进行训练,并结合当前单位时间的车流量预测下一单位时间的交通流变化趋势,然后采用GA根据预测值从众多方案中筛选出最佳交通灯调度方案并最终交由路网交通灯执行。实验结果表明,该方法可以有效提高交通效率并极大地缓解交通拥堵。

关键词:智能交通灯调度;GA;LSTM;遗传方法;长短期记忆网络;交通路网

中图分类号:TP393.4文献标识码:A文章编号:2095-1302(2019)12-00-05

0 引 言

随着经济的发展和人们物质需要的增长,越来越多的人选择驾车出行,致使汽车保有量日益增加。与此同时,现阶段城市的发展已趋于完善,尽管庞大的行驶车辆基数与有限的路网运输能力的矛盾日趋严重,但很难拆除已有建筑对道路进行重新规划和扩建以缓解交通压力。在不改变路网结构的基础上,能有效缓解交通拥堵的方案就是寻找一种合适的交通灯调度方法。目前交通路网主流的调度方式仍是定时调度,该调度方式在过去很长时间都发挥着重要作用,但随着社会的快速发展和城市规模的逐渐扩大,它已无法有效缓解日益恶化的堵车问题。定时调度模式下的绿灯时间无法根据各个路口的实时车流量动态调整,致使交通资源分配不合理,进一步引发交通堵塞。而交通拥堵带来的司机情绪恶化、紧急情况下救援车辆无法按时到达指定地点,以及面对突发事件时警备力量难以及时赶到并控制局面等问题,将为社会治安带来潜在隐患并对社会造成巨大经济损失。因此,当前急需一种优于传统定时调度的交通灯调度方法。

为解决交通系统调度及优化问题,诸多学者提出了多种解决方案。王鼎湘等提出根据各道路的车流量动态改变绿灯时间。此举虽然可以防止绿灯时长被不合理地分配,但该方法仅考虑到当前路况,未考虑短期未来局面[1]。许春善提出了一种基于线性规划的调度模型,可通过对交通流信息的提取进行线性规划,增加交通路网吞吐能力[2]。但面对有规律的车辆骤增或骤减现象时(早晚高峰),每一次分配模型都会重新花费时间提取相关特征信息,无法根据历史数据分辨交通流变化特征。曹洁等提出在交叉口子区Agent中引入自适应遗传算法,算法可根据交通流量的变化对绿信比进行优化,从而使交叉口平均延误时间最短[3]。林志伟等采用Small-World模型模拟路口车流量在路网动态的演进过程,利用線性规划对城市路网进行线性分割,定义车流量调度目标函数以完成对交通路口车流量调度[4]。曹洁等提出的方法均基于实时数据,但由于缺少下一单位时间段的车辆预测,可能导致当前调度方法虽能保持道路通畅,但会提高短期未来产生交通拥堵的概率。王璐等[5]通过数学建模,从行人和司机角度出发,重点分析π型路口优化方案。该方案可以缓解车辆拥堵状况并提高行人穿行马路的效率和安全性,但由于建模所采用的数据具有极强的地域性,该方法不具有普遍适用性。王爱菊等[6]提出由ZigBee智能视觉模块等构成的系统,并设计了基于混合鱼群算法的优化处理方法。方法虽然可以缓解交通压力,但方法在求解过程中需要对每一辆车进行调度追尾计算,计算量相对较大,花费时间偏长。

为了增强路网吞吐能力、缓解交通拥堵,本文提出了一种基于GA(Genetic Algorithm)和LSTM(Long Short-Term Memory)相结合的交通灯调度方法。相较于传统统计理论的卡尔曼滤波模型和支持向量机(Support Vector Machine,SVM)等方法,LSTM能够有效适应交通流的非线性和随机性,更加精准地预测未来趋势。GA根据上一代存留种群进行组合交叉、变异操作以产生新一代种群。本文所提出的方法引入LSTM预测下一单位时间的车流量参与GA的适应度计算。将适应度作为评价指标筛选种群中表现最优的个体,并以此作为最终调度方案。实验结果表明,基于GA和LSTM的调度方法对于缓解路网压力有着很大的帮助。

1 方法概述

交通调度模型主要由GA和LSTM组成。在本方案中,每一代种群的全部个体为一段单位时间的全部待选调度方案,每个个体的表现型都为一种调度方案。路网压力值反映采取该调度方案后的路网状况,路网压力值越大表明采取该方案后拥堵程度越大。GA根据当前种群中所有个体的基因型分别计算它们的路网压力,以此为标准选择调度方案,并淘汰不适宜的个体。LSTM主要用于预测下一单位时间的新增车流量,帮助GA选择更有效的调度方案。调度模型方法流程如图1所示。

LSTM利用当前车流量信息,结合历史数据预测短期未来一定时间范围内的车流量,当利用GA选择调度方案时,如果待选方案时间节点的车流量已被预测,则无需重复预测,否则再次执行LSTM算法预测交通趋势。GA经过交叉变异产生新一代种群后,结合预测数据,计算下一单位时间车辆到来后所有路口的滞留车辆,进而计算种群中全部个体的路网压力。淘汰路网压力值较高的方案,每一代种群中最优秀的个体即为该段单位时间的最优调度方案。以上流程在每一代种群中循环发生。但在启用方法初期,需要随机生成第一代种群样本。

2 遗传算法

美国Holland教授提出的遗传算法是一种借鉴生物界进化规律演化而来的随机搜索方法。GA的基础是孟德尔遗传定律和达尔文进化学说,是对自然界进化机制的一种模拟[7]。作为一种启发式的大型寻优算法,GA遵循优胜劣汰、物竞天择原则。它以适应度函数作为评价机制,以此淘汰表现较差的个体。在经过若干代进化之后,方法收敛于最好的个体,它很可能是问题的最优解或次优解[8-9]。由于GA具有计算时间少、可扩展和鲁棒性较高等特点,被广泛应用于模式识别、计算科学等最优解搜索领域[10]。在交通系统中,调节道路上相邻交叉口之间交通信号的相位差,使干道车辆尽可能不因等红灯而延误,从而有效提高干道的交通供给能力[11]。为使得调度方法有效缓解路网压力,本文采用GA动态调节路网之间的相位差。