基于群决策理论和神经网络的干道延误控制模型分析|神经网络控制
时间：2019-04-02 03:12:37 来源：雅意学习网 本文已影响 人 
摘要：基于干道延误时间最小的设计理念，利用智能优化算法和群决策理论，建立了一种同时包含了时距图分析策略和美国通行能力手册中延误时间分析方法的城市干道交通信号控制方法。算法结合了智能优化策略中的神经网络算法和丰富的群体专家意见，使交通问题的分析得以更加客观和实际。最后给出算例分析，运用MATLAB编程计算对控制方案进行模拟，仿真结果表明，这一方法能有效地改善干道交叉口群的延误情况，减少延误时间。
关键词：交通信号控制;延误模型;时距图;群决策;神经网络
Abstract: based on the road of time delay minimum design concept, by using intelligent optimization algorithm and the group decision theory, and proposes a also contains a time-distance diagram analysis strategies and the traffic capacity manual analysis methods of the time delay in the urban trunk road traffic signal control method. Algorithm combines intelligent optimization strategy of neural network algorithm, and rich group experts opinion, make the traffic problem analysis to be more objective and practical. Give the example analysis, the use of MATLAB simulation calculation of control scheme, the simulation results show that this method can effectively improve the trunk road intersection delay of the group, reduce the delay time.
Keywords: traffic signal control; Delay model; From the graph when; Group of decision; Neural network
中图分类号：U491 文献标识码：A文章编号：
引言
干道协调控制系统[1]是由道路、交叉口、交通灯以及车辆组成的大型复杂系统。其复杂性表现在干线车流行驶时的随机性和时变性。同时还与交叉口实时的信号配时参数、交叉口间不同的几何位置分布等密切相关。
描述干道交通系统需要有多个性能指标：延误、停车次数、排队长度、饱和度、占有率等。干道交通系统运行效果的优化设计是一个多变量多目标优化的复杂过程，难以建立起一套适用有效且便于求解的数学模型。鉴于以上原因，国内外许多专家学者提出了一些新的控制思想[3-6]。
结合干道交通系统的特点，本文根据美国通行能力手册中的延误计算公式，对干道车辆的平均行车延误进行了分析，给出了交叉口干道方向绿信比及相关配时参数与平均行车延误的关系，同时利用交叉口延误的时距图计算方法，建立了一套基于智能优化理论和群决策理论的过饱和状态下的干道交通协调控制数学模型。
1 过饱和条件下交叉口延误分析
交叉口进口道处于过饱和交通状态下，信号周期绿灯结束后会出现过剩滞留车队，且过剩滞留车辆数将会按照一定的增长率持续增长[7]。因此，在进行理论分析前，给出如下四点的基本假设：
① 各进口道的车辆平均到达率在整个时间段内稳定不变；
② 各进口道断面的通行能力在整个时间段内为常数；
③ 时间段起始点的初始排队长度为零；
④ 在整个时间段内，过饱和排队车辆长度随时间的增长而直线增加。
当交叉口处于过饱和交通状态且进口道的车辆到达率与其通行能力均为常数时，在一个信号周期内，进口道的到达车辆数将明显大于其最大可放行车辆数，每次绿灯结束时进口道存在滞留排队车辆，且滞留排队车辆数成线性增长。假若不计黄灯时间与前损失时间，进口道的车辆到达与驶离情况可简化为如图1所示。
图中，和分别为交叉口进口道的红灯和绿灯时间，和分别为第i个交叉口进口道不同时刻的到达流量，为第i个交叉口进口道的驶离流量，即饱和流量，和分别为不同到达流量值的切换时刻。
图1 过饱和条件下交叉口时距图分析
由此，可对第i个交叉口在一个信号周期内产生的延误时间D分析如下所示：
上式中的四个部分分别对应图1中阴影部分中的四个小块，即该阴影部分的面积即为一周期内的延误时间。
2 基于HCM2000的道路延误分析
根据2000年版通行能力手册，对于路段行驶车辆的平均行车延误，有如下的计算公式：
1、当无初始车辆排队时（即Qb = 0）时：
2、当存在初始车辆排队（即Qb > 0）时：
当x≤1.0，且t=T时，；
当x≤1.0，且时，u = 0，Tc = T；
当x>1.0时，t = T，u = 1，。
其中P为车辆在绿灯时间到达比率；fPA为绿灯时车队到达补充调节系数；C为信号周期；g为有效绿灯时间；X为饱和度；T为调查交叉口延误的时间；k为取决于信号设置的延误增加系数；L为上游合流、分流的调节系数；c为通行能力；Qb为调查开始时初始车辆排队数；t为调查时间段T内未存在车辆排队的时间区间；u为延误参数。
3 基于群决策理论和神经网络的干道延误控制模型分析
群决策[8]是以一个群体作为决策的主体，在对决策问题进行全面综合分析的基础上，根据决策群体中各决策者针对共同的决策问题所给出的各自的偏好，按照某种集结规则集结为群的偏好，并运用各种技术手段对方案进行排序，从而做出最优的或满意的抉择。
在交叉口群信号协调控制当中，可将干道交叉口群看作是由每个交叉口所代表的决策者所组成的决策群体，决策问题的属性包括周期时长、绿信比、相位相序设置等，假设城市干道交通系统中有n个交叉口，每个交叉口都有m种备选的配时方案，则整个交叉口群的决策空间内便包含mn种不同的决策方案。
专家针对各种备选方案所提供的偏好信息是建立群决策模型必要的前提条件，由于城市交通系统是一个复杂的大系统，决策者无法对决策方案做出精确的评价，只能以模糊数的形式给出模糊语言评价。对于模糊多属性群决策问题，可假设为决策方案集，为决策属性集，设为已知权重信息确定的属性可能权重集合。其中，wli和wui分别为wi的下界和上界。专家群体对备选方案有一定的主观偏好，因此可以利用层次分析法对决策方案进行两两比较并构造模糊互反判断矩阵，最后即可得到如下所示的基于目标规划理论的群决策模型：
式中，是考虑到专家所作决策的不一致性和不确定性而引入的正、负偏差。
图2 BP神经网络结构图
考虑到绿信比是决定交叉口群延误的重要因素，因此，在上述群决策模型中，利用BP神经网络对各个交叉口的干道方向绿信比进行优化。其中，设定神经网络为三层结构，分别包含输入层、隐含层和输出层。输入层为以往历史时刻的绿信比，即，输出层为当前时刻的绿信比，即。三层神经网络的节点数分别为3，6和1，其结构图如图2所示[2]。
