基于机器学习的智慧城市交通信号优化研究

张佳佳

（湖南信息职业技术学院，湖南 长沙 410200）

0 引 言

随着城市化进程的不断推进，智慧城市的建设日益成为社会发展的焦点。在智慧城市中，交通系统的高效运行有着至关重要的作用，而交通信号优化作为交通管理的关键环节，直接影响着城市交通的顺畅性[1-4]。为了应对日益增长的城市交通需求，本研究致力于提出一种基于机器学习的智慧城市交通信号优化框架，旨在通过先进的技术手段提高交通信号灯的控制效果。

首先，本文提出一个全新的交通信号灯优化框架，以机器学习为基础，结合交通流量预测和控制策略优化2 个关键组成部分。为了实现对交通流量的准确预测，本文采用了长短期记忆（Long Short Term Memory，LSTM）网络作为预测模型的核心方法[5-6]。通过对城市交通历史数据的深入分析，LSTM 模型能够捕捉交通流量的时空关系，为信号灯控制提供更为准确的输入数据。其次，本文深入研究交通信号灯控制策略的优化问题。该部分采用比例积分微分（Proportional Integral Differential，PID）控制器，通过对信号灯的实时调整实现对交通流的精准控制[7-8]。PID 控制器作为一种经典的控制算法，通过不断调整比例、积分和微分项，使得系统能够迅速且稳定地响应交通变化，从而实现信号灯的智能化调控。最后，为了验证所提出交通信号灯优化框架的有效性，在MATLAB 环境下构建了仿真实验。

本研究期望将机器学习引入智慧城市交通管理领域，为交通信号灯的智能化优化提供可行的解决方案，为城市交通的高效运行和可持续发展贡献新的思路和方案。

1 交通信号灯的优化框架

为了实现智慧城市交通信号灯的优化，本文提出了一个完整的系统框架，该框架以LSTM 为基础进行交通流量预测，并结合PID 控制器实现对交通信号灯的智能化调控，如图1 所示。

图1 系统框图

系统收集城市交通历史数据，主要为车辆流量、道路拥堵情况等多维度信息。通过对这些数据进行预处理，包括数据清洗、归一化等步骤，以确保数据的准确性和一致性。在数据预处理后，引入LSTM 作为交通流量预测的核心模型。LSTM 具有优秀的序列建模能力，能够捕捉交通流量的时空关系。通过历史数据的训练，该模型学习并预测了未来一段时间内的交通流量情况，为后续的信号灯控制提供准确的输入。

基于LSTM 的预测结果，引入PID 控制器对交通信号灯进行智能调控。PID 控制器通过不断调整比例项、积分项和微分项，实时响应交通流的变化，使得交通信号灯能够灵活且有效地适应不同交通状况。这一过程旨在最大限度地提高交叉口的通行效率，减少拥堵现象。最后，系统通过实时监测交通流量和信号灯状态，不断优化LSTM 模型和PID 控制器的参数，以适应城市交通的动态变化。系统能够根据实时反馈进行调整，保持对交通状况的敏感性，提高系统的健壮性和适应性。

2 基于机器学习的交通优化研究

2.1 基于LSTM 的交通流量预测

LSTM 是递归神经网络（Recurrent Neural Network，RNN）的变体，在时间序列预测中具有很好的表现[9-10]。该模型通过其独特的记忆单元结构，能够有效捕捉序列数据中的长期依赖关系，在交通流量预测中具有独特的优越性。

假设有一个包含T个时刻的交通流量数据序列，表示为X={x1，x2，…，xt，…，xT}，其中xt表示在时刻t的交通流量。输入门决定哪些信息将被加入到记忆单元中，相关表达式为

式中：it为输入门的输出；σ为Sigmoid 函数；Wii为输入门对输入数据xt的权重；Whi为输入门对上一时刻隐藏状态ht-1的权重；bii为输入门的输入偏置项；bhi为输入门的隐藏状态偏置项；ht-1为上一时刻的隐藏状态。遗忘门决定哪些信息将被从记忆单元中删除，相关表达式为

式中：ft为遗忘门的输出；Wif为遗忘门对输入数据xt的权重；Whf为遗忘门对上一时刻隐藏状态ht-1的权重；bif为遗忘门的输入偏置项；bhf为遗忘门的隐藏状态偏置项。接着，该模型利用输入门和遗忘门的输出，更新记忆单元的内容，相关表达式为

式中：为新的候选记忆单元；Wic为更新记忆单元对输入数据x的权重；W为更新记忆单元对上一时刻隐藏状态ht-1的权重；bic为更新记忆单元的输入偏置项；bhc为更新记忆单元的隐藏状态偏置项。输出门决定当前时刻的隐藏状态，其计算过程为

式中：ot为输出门的输出；Wio为输出门对输入数据xt的权重；Who为输出门对上一时刻隐藏状态ht-1的权重；bio为输出门的输入偏置项；bho为输出门的隐藏状态偏置项。最后，该模型利用输出门的输出和记忆单元更新当前时刻的隐藏状态和记忆单元，具体计算公式为

通过该过程，LSTM 网络能够有效捕捉输入序列中的长期依赖关系，并生成具有良好泛化能力的交通流量预测。在实际应用中，通过对网络参数的训练，可以使其适应不同城市交通情境，为智慧城市交通管理提供可靠的预测工具。

2.2 基于PID 控制器的控制策略

当LSTM 的输出h(t)被映射后，作为PID 控制器的输入，随后用于交通信号灯的控制，该过程如图2所示。图2 中，LSTM 网络的输出h(t)经过映射后得到PID 控制器的输入信号u(t)，而PID 控制器的输出y(t)则用于控制交通信号灯的相位和时长。

图2 交通灯控制方法

LSTM 输出的隐藏状态h(t)可以映射为PID 控制器的输入，表示为

式中：Wph为映射矩阵；bp为偏置项。这个映射过程旨在将h(t)转换为适用于PID 控制器的输入信号u(t)。PID 控制器的输出y(t)可以表示为

式中：e(t)为误差信号；Kp、Ki和Kd分别为比例、积分和微分系数。PID 控制器的输出y(t)直接用于控制交通信号灯的相位和时长。例如，将y(t)映射到绿灯时长的控制信号s(t)上，可以得到

式中：smin和smax分别为最小和最大的绿灯时长；ymax为PID 控制器输出的最大值。

3 实验与分析

3.1 实验方法

在实验部分，本研究用MATLAB 搭建了一个仿真实验环境对所提方法进行测试，实验方案如下：对于数据准备，本文采用METR-LA 数据集对该方法进行测试；对于LSTM 模型训练，将数据集分为70%训练集和30%测试集，并构建LSTM 模型准备进行训练和测试；对于PID 控制器参数调整，利用历史数据进行PID 控制器的参数初始化；对于仿真环境搭建，使用MATLAB 搭建仿真环境，包括LSTM 模型、PID 控制器和交通信号灯模拟器；对于实验设计，设计实验场景包括正常流量、高峰期、突发事件等，观察交通信号灯的调控效果。

3.2 结果与分析

在本文中，基于MATLAB 构建的交通信号灯仿真情况如图3 所示，仿真场景设计以等待车辆数作为指标来模拟车辆的拥堵情况，包括正常流量、高峰期、突发事件等多种场景。通过仿真实验，收集了车辆到达率作为交叉口通行能力等的指标数据。

图3 基于MATLAB 的交通灯仿真情况

结果显示，基于LSTM 和PID 的控制方法在各交通场景下均表现出智能的调控能力。在高峰期，系统能够迅速且准确地响应交通流变化，提高交叉口通行效率，有效应对了城市交通的复杂性。系统通过LSTM 网络实现的交通流量预测使得系统能够提前作出智能化调整，减少了交叉口的等待时间。PID 控制器的引入进一步优化了交通信号灯的响应速度和控制精度，使得交通流更为顺畅。

4 结 论

本研究基于MATLAB 构建了仿真实验环境，通过对交通信号灯优化方法的实验验证，取得了一系列令人满意的结果。通过LSTM 网络的交通流量预测，系统能够准确捕捉城市交通的时空动态变化，为信号灯控制提供了有力支持。同时PID 控制器的引入进一步提高了交通信号灯的响应速度和控制精度，实现了更为智能化的交通调控。仿真实验结果验证了该方法在不同交通场景下的有效性和实用性，为智慧城市交通管理提供了一种可行的优化方案。未来的研究方向包括进一步优化机器学习模型参数、探索其他智能控制算法的结合，并在实际城市交通中进行验证。该方法的成功实践为智慧城市交通管理领域提供了新的思路和方法。