城市复杂轨道交通信号智能配时方法仿真

摘  要： 传统的智能配时方法在解决城市复杂轨道交通信号配时问题时，存在时间延误、实际应用能力差的问题。为了解决上述问题，以仿真方法研究了一种新的城市复杂轨道交通信号智能配时方法。在Hopfield模型的基础上建立双层反馈网络，通过双层反馈网络计算出车辆延误值、饱和流量值，进而开发出能量函数，根据开发的能量函数对双层反馈网络进行智能优化，优化过程包括交通数据采集、饱和度计算、优化计算、结果处理、结果发送五步。通过仿真实验验证了设计的智能配时方法的性能，结果表明，给出的配时方法可以很好地解决时间延误的问题，并且可以针对具体情况进行调试。

关键词： 人工智能; 城市复杂轨道; 交通信号; 智能配时; Hopfield模型; 双层反馈网络

中图分类号： TN911.7?34; TP18                   文献标识码： A                     文章编号： 1004?373X（2020）21?0080?05

Simulation of intelligent time distribution method for urban complex rail transit signals

PANG Yanzhi

（Nanning University， Nanning 530200， China）

Abstract： Time delay occurs when the traditional intelligent time distribution method is used for the time distribution of urban complex rail transit signals. Therefore， the performance of practical application is poor. In view of the above， a new intelligent time distribution method for urban complex rail transit signals is studied by simulation method. A double?layer feedback network is established on the basis of Hopfield model. The vehicle delay value and saturated flow value are calculated by the double?layer feedback network， so as to develop the energy function. According to the developed energy function， the double?layer feedback network is intelligently optimized. The optimization process includes five steps， named traffic data collection， saturation calculation， optimization calculation， result processing and result sending. The performance of the designed intelligent time distribution method is verified by simulation experiments. The results show that the proposed time distribution method can avoid the time delay and can be used for debugging as specific conditions.

Keywords： artificial intelligence; urban complex track; traffic signal; intelligent time distribution; Hopfield model; double?layer feedback network

0  引  言

道路交通拥堵导致的各种交通事故层出不穷，汽车尾气排放引起的环境污染问题也日益引起人们的关注[1]。如今大多数地区与国家正在逐渐寻找治理方案，引起交通不畅问题的原因主要是交通指挥问题，而非单纯的道路状况。如今交通信号灯缺乏智能化的特性，无法有效地发挥交通通信控制装备的性能，由此，城市交通的智能化系统控制便成了一个重要的发展趋势，同时也构成了智能运输系统[2]。

近年以来，对城市交通控制方面的研究成果日益增多，传统的研究方法一般为建立城市交通控制系统的数学模型，并进一步进行最优控制，如今应用较为广泛的系统分别为SCOOT和TRANSYT，基本建模原理为统计式与算法相结合[3]。由于城市交通系统结构较为复杂，因此，无法有效建立交通系统控制数理模型，并且现今的智能控制算法仅仅处于理论研究阶段，无法有效应用于实践控制领域[4]。

神经网络方面的研究成果也不断增加，并被广泛应用于众多领域之中，Hopfield作为一种系统较为完善的神经网络，被应用于优化实践中，但由于其是单层反馈的网络结构，依旧无法较好地应用于交通控制系统中[5]。Hopfield神经网络可从其能量函数的反馈理论中获取所需要的信息，本文依据神经网络对Hopfield进行有效的方法改进，将其单层网络结构拓展为双层网络结构，并将其有效应用于道路口交通控制信号智能配时优化系统中。

4） 总结所得计算结果，并加工处理;

5） 将所得最终数据移入交通控制信号装置中。

4  仿真实验

4.1  仿真对象设置研究

将广东省江门市某条交通道路口作为仿真实验的研究对象，由于该路段为过境公路，在其区域经济发展及城市扩建的过程中成为一条除过境公路功能外较为重要的交通路线。

仿真对象为较为典型的十字型平面路口，交通信号控制运用四相位控制，并在每个相位中穿插两条交通流道路，进行右转方向控制。四车道交叉路口平面图如图5所示。

连续6天对该路口的交通量进行调查，调查的时间区间为7： 00 am—9： 00 pm，每5 min记录一次机动车数据。对调查数据进行汇总记录如表1所示。

将所有的不同车辆折算，记录成“标准小客车单位”，并对数据进行折算，得到的信号相位图如图6所示。

4.2  仿真计算及分析

为了验证本文方法的有效性，对比本文研究的交通信号智能配时方法与传统的单个交叉路口的交通优化控制方法。其运用的主要方法如下：

1） 车辆感应控制：此方法首先进行系统在线检测，测量出各个道路交叉路口的交通状况信息，并根据所得的数据进行延长绿灯相位或切换相位的判断。该方法应用较为流行广泛，并且是一种较为成熟的交通控制方法。

2） 自寻优控制：在本文方法中，将不同的控制器参数与时刻变化的交通状况进行自动匹配。每个匹配周期内都将进行相位顺序的调整及相位绿灯信号比率的调配。该方法的关键点在于延长相位绿灯并获取预期收益，其在相关相位上产生的损失可以经过合理的计算被有效延长，反之则需要切换至相应相位的绿灯中。其主要步骤如图7所示。

1） 检测交通路口的交通流信息;

2） 估计同类别的车辆数量;

3） 根据所得数据计算性能指标值;

4） 对以上步骤进行判断并执行。

对当前相位值进行设定，则性能指标函数用[Q]表示，根据相位绿灯延时[Δt]计算相位方向带来的益处[G]和对应的损失值[L]，计算公式为：

[Q=G-L] （5）

在计算相位绿灯延时[Δt]对相位方向带来的益处和损失值时，要参考大型车、中型车、小型车、摩托车和行人通过量。

在分析相位时需要判断延长时间是否准确。如果[Q>0]，设置延长数据中的相位，参考相对原则，设置的相位为绿时，反之，调节至其他相位。

采用Matlab再次进行开发，并得到仿真结果，为了使结果更加准确，对最小周期值和最大周期值进行设定，设置最小的周期值为50 s，最大的周期值为80 s，红绿灯显示的最小绿灯时间为20 s，最大红灯时间设置为60 s，其中，黄灯的出现时间设置为1 s。最终获取的实验仿真结果如表2所示。

由表2数据可知，本文设计的基于双层反馈网络智能优化配时方法能够在较大程度上降低车辆通行路口时的平均延误时长，可进一步依据实际发展状况对优化后的结构进行修改，确保配时的合理性。

5  结  论

本文通过上述讨论，可得如下结论：

1） 与传统的优化配时方法相比，本文采用了具有双层反馈网络结构的智能优化配置方法，可以较好地减少交通交叉路口车辆通行过程中所产生的平均延误时间，交叉路口车辆延误减少的平均数值为16%。在一定程度上影响了车辆的通行效率并提升了路口信號设备与交通道路匹配程度。

2） 在本文优化匹配计算中，如何确定约束的条件较为重要，并对计算结果具有深刻的影响。

3） 本文研究的双层反馈神经网络也可对其他不同类别的情况进行系统优化。

4） 在当代社会中，城市交通控制的研究日益增加，本课题组也在不断加深对此方面的研究分析，由于双层反馈网络能够合理运用于道路交通口，因此，其在交通控制领域的作用也不容小觑。

道路交通控制信号的智能化研究对于道路交通的发展状况具有重大影响，可以进一步优化人们的出行，并进一步对城市的发展起着较为深刻的作用。但在研究过程中需要进一步克服研究对象本身存在的复杂性特点，提供更好的研究结果，促进社会的发展。

参考文献

[1] 韦清波，何兆成，郑喜双，等.考虑多因素的城市道路交通拥堵指数预测研究[J].交通运输系统工程与信息，2017，17（1）：74?81.

[2] 丁海鹰.基于出租车车载定位数据挖掘下智能化城市交通系统的应用[J].自动化与仪器仪表，2018（9）：177?179.

[3] 王浩，王红彩.城市交通协调控制系统的相位相序优化设计[J].中国科技论文，2017，12（8）：941?945.

[4] 李颖宏，潘佳琪.基于Optima的实时在线交通流预测方法研究[J].交通运输系统工程与信息，2017，17（2）：119?125.

[5] 丁肃然.基于小波神经网络模型的短时交通流低频数据的预测[J].技术与市场，2017，24（11）：80?81.

[6] 魏化永.基于模糊控制算法的城市轨道交通信号控制系统设计分析[J].许昌学院学报，2018（6）：73?76.

[7] 夏新海，许伦辉.引入MARKOV过程预测的强化学习下的城市交叉口自适应交通信号配时决策[J].公路工程，2018，43（1）：149?153.

[8] 罗兰花，梁海英，任子亭.基于改进蚁群算法的网络能量平衡路由策略[J].机械设计与制造，2017（11）：238?241.

[9] 李晋，周曦，周翔，等.基于双层异构深度神经网络模型的人脸识别关键技术研究[J].电信工程技术与标准化，2017，30（6）：24?29.

[10] 沈家军，王炜.冲突强度最小时城市道路交叉口的信号配时[J].扬州大学学报（自然科学版），2017，16（1）：75?78.

[11] 王敏，赵金宇，陈涛，等.基于能量函数的极值中值滤波星图去噪算法[J].电子与信息学报，2017，39（6）：1387?1393.

[12] 刘骁，谭泽飞，陈涛.过饱和交叉口信号配时方法的优化及实证研究[J].科学技术与工程，2018，13（9）：2604?2606.

[13] 王秀旺，毛新娜.优化交通信号配时缓解城市交通拥堵[J].大学数学，2012，28（3）：87?91.

作者简介：庞彦知（1982—），女，河北衡水人，研究生，工程师，主要从事城市轨道交通、高速铁路、交通运输方向的研究工作。