中小城市干线控制中公共信号周期的优化研究

程 慧

（池州学院 机械与电子工程系，安徽 池州 247000）

摘 要：为了进一步提高中小城市主干线路的交通运输能力，本文以线控中的重要参数公共信号周期为研究方向.通过分析公共周期与车辆延误及通行能力的关系，确定公共周期的可调范围，在此范围内建立自适应神经模糊控制系统来优化干线的最大周期并在优化周期的基础上计算相关参数，仿真结果表明，使用优化周期法得到的平均延误要小于最大周期法，同时其通行能力要大于最大周期法.

教育期刊网 http://www.jyqkw.com
关键词 ：中小城市；干线；公共信号周期；自适应神经模糊控制

中图分类号：TP273+.4文献标识码：A文章编号：1673-260X（2015）04-0048-03

引言

汽车数量的急剧增加给城市的道路交通带来了很大的负荷，基于自身的经济基础及城市规划，中小城市的交通状况呈现出与大型、特大型城市不一样的特征，即交通压力主要分布在主干线上.因此，有效解决主干线的交通负担对提高整个城市的交通运行效率有极大的意义.目前，广泛使用的方式是干线绿波带控制，这种控制方式不仅能降低主干线上车队的停车率及平均延误，还能减少行人闯红灯的机会及优化次干线上来往的车辆.该控制方法中公共信号周期、绿信比、相位差是三个主要参数，本文主要通过研究公共信号周期的优化来提高整条干线的运行能力.

1 问题描述

以安徽省池州市长江中路为例，长江中路是南北向的主干线路，与长江南路和长江北路接邻，共有四个十字路口和一个T字路口，两相邻交叉口之间的距离分别为：560米、265米、530米、476米.主干线路每个方向都存在直行、左转和右转车道；相交次干线为东西方向，每个方向都存在左转、直行和右转合并车道，右拐不受信号灯限制.

基于以上交通特征，可见该城市干线中两相邻交叉口间的距离不超过800米，符合干线绿波带控制的条件，此时线控比各个交叉口单独控制效果要好.为了达到良好的控制效果，必须统一主干线路上各个交叉口的信号周期，传统的做法是先按配时方案计算出各个交叉口的信号周期Ti，然后从中选出时间长度最长的作为整条干线的公共信号周期C.这种方法提高了交通压力较大交叉口的控制效率以及整条干线的通行能力，却未考虑强制增大周期对平均延误的影响.因此，要对公共信号周期C进行优化.

2 公共信号周期的计算

初始状态，选用Webster最佳周期时间计算方法确定各自的信号周期时间，计算公式如下：

其中L为路口每一个周期的损失时间，Y为路口的交通流量比[1].周期范围的计算通常是统计历史交通量数据给出最大周期时间和最小周期时间，这种做法没有考虑到实际交通流量是随机的、不稳定的，往往在同样的交通流量状态下车辆检测器所采集的信息不一定相同，所得到的不同周期可将交通状态维持在相似的水准上.因此，可以通过分析周期与通行能力和交通延误的关系，来确定周期的调整范围.

（1）Cmin的确定：交叉口的通行能力与绿信比、饱和流量有关，而交叉口的绿信比又与总损失时间和周期长度相关，具体关系如下：

通过分析可知周期与通行能力存在对数关系，当周期较大时，通行能力减小幅度较小，当周期较小时，通行能力减小幅度较大[2].在交叉口处于临界饱和状态下，减小周期会造成通行能力的减小从而引发交通拥堵，为了防止发生拥堵，可以在减小通行能力时，假定一个周期内交叉路口只能减少一辆车，这样通行能力基本没有减小.交叉口可接受最小通行能力Qmin=Qm-3600/Cm，将Qmin代人式（2）得到各个交叉路口可调周期最小值，取其中最大值为Cmin.

（2）Cmax的确定：交叉口某个相位的平均延误与该交叉口的周期、该相位的流量比和绿信比有关，结合等饱和度的原则，可知周期与延误在一定范围内呈现线性关系，随着周期减小，延误也减小，具体关系如下：

假设交叉口平均延误增加8％，控制状态未发生变化，则交叉口允许最大延误为dmax=dm×（1+8％），将dmax代人式（3）得到各个路口可调周期最大值，取其中最小值为Cmax[3].

3 公共信号周期的优化

对公共信号周期的优化方式有很多种，模糊控制、遗传算法、神经网络控制等等.模糊控制利用专家经验，对非线性及复杂对象有很好的控制效果但本身不具备自学习的能力，所以使用受到了一些限制.人工神经网络能够自适应样本数据，当数据中有噪声和形变时也能有良好的控制效果，但不能表达模糊语言，好比一个缺少透明度的黑箱，不能很好地模仿人类的思维.自适应神经模糊系统将模糊控制和神经网络控制结合起来，将神经网络强大的学习机制带入模糊控制系统，而神经网络控制经过模糊处理也可使相关参数自动在线调节并优化，模糊控制和神经网络互相弥补不足并发挥各自优点[4].

依据交通控制原理， 若饱和度过大则可以增大信号周期时间，若饱和度过小则可以减少信号周期时间，所以可以通过调整信号周期时间使关键路口的饱和度处在0.9左右.饱和度X计算公式为：

Qi为关键交叉路口协调方向第i相位的车流量，λi为关键交叉路口协调方向第i相位的绿信比，Qsi为关键交叉路口协调方向第i相位的饱和车流量[5].

步骤一：获取样本数据

通过模糊控制来获取样本，将饱和度X作为模糊控制的输入量，论域为X={0.37，0.46，0.58，0.74， 0.86，0.92，0.94，0.96，0.98，1.00}，语言变量设为：正大PB、正小PS、零ZE、负小NS、负大NB，X的论域和隶属度赋值如表1所示.

本系统的模糊控制规则库是根据专家经验建立的，依据

if（l is X） then（g is W）的一般形式，共5条控制规则如下：

If（X is PB） then（ΔCx is PB）;

If（X is PS） then（ΔCx is PS）;

If（X is ZE） then（ΔCx is ZE）;

If（X is NS） then（ΔCx is NS）;

If（X is NB） then（ΔCx is NB）;

利用Surface Viewer可得出控制系统输入输出的表面空间，如图1所示.

本系统的模糊判决采用面积重心法，即取加权平均值作为精确控制量.通过重心法计算解模糊后，在MATLAB模糊规则观测界面中可以清楚的观察到输入值和相应的输出值，以此数据作为输出查询表即样本数据，这里取样本数为19，样本数据如下：

data=[0.37，-15.6;0.39，-15.6;0.41，-15.5;0.45，-15.2;0.56，-8.89;0.74，2.36;0.78，5.96;0.82，9.29;0.85， 9.28;0.88，9.26;0.92，15.8;0.93，15.9;0.94，16;0.95，16.1;0.96，16.2;0.97，16.2;0.98，16.2;0.99，16.2;1.00，16.2]

步骤二：加载数据

对采集到的样本数据进行分类，取出矩阵中奇数行组成训练数据集trData并将该矩阵中的数据以ASCⅡ码的形式保存到磁盘文件trData1.dat中，以便数据以文件形式加载.同理取样本数据的偶数行组成检验数据集chData，同样以文件形式保存.

>>trData=data（1：2：19，：）;

>>save trData1.dat trData -ascii;

>>chData=data（2：2：19，：）;

>>save chData1.dat chData -ascii;

在MATLAB命令窗口中输入命令“anfisedit”进入自适应神经模糊推理系统的图形界面编辑器Anfis Editor.

步骤三：生成模糊推理系统

可以通过网格法或减法聚类法生成初始推理系统，或者直接调用已经建立好的磁盘文件或是工作环境中的FSI结构变量作为初始模糊推理系统[6].

步骤四：训练自适应神经模糊推理系统

选择最小二乘法和BP反向传播算法的混合算法，训练次数50次，其余参数默认，训练后误差大小为0.024207，如图2所示.

步骤五：测试模糊推理系统

用输出数据与检验数据进行比较，平均测试误差大小为0.025412.

通过神经网络从样本数据中归纳出经验，训练成的模糊推理系统具有在线调节的能力，输出的周期时间Cx更加优化.

若调整后的周期时间Cx大于Cmin且小于Cmax，则C为该主干线路的公共信号周期，若Cx小于Cmin，则C=Cmin，若Cx大于Cmax，则C=Cmax.

4 仿真研究

经过自适应神经模糊控制优化的公共信号周期C确定后，把它运用到干线绿波控制系统中并用数解法进行相位差的计算，评价指标为平均车辆延误与通行能力.长江中路全长约1800多米，南北双向6车道，上下行方向各车道的车辆到达率服从泊松分布，路口各个方向车流分流比为左转0.3、直行0.4、右转0.3，其中右转车辆不受红绿灯影响即时疏散.两相邻交叉口之间的距离分别为：560米、265米、530米、476米，总流量比为0.55、0.65、0.4、0.5、0.55，仿真时间为5个周期.仿真结果如下表3所示：

从表中可以看出采用优化周期后，车辆平均延误比使用最大周期的要小，通行能力比使用最大周期法的要大.说明使用周期优化的方法可以减少交通延误，保证较大的通行能力.

5 结束语

通过建立自适应神经模糊系统来优化公共周期的方法只适用于车流量不饱和的情况，在此情况下通过结果表明相比于最大周期法，优化周期可以有效减少平均延误，增大通行能力，保证干线较高的服务水平.除此之外，还可以通过遗传算法、模拟退火等其他智能方法来进行优化.

教育期刊网 http://www.jyqkw.com
参考文献：

（1）王俊刚.变带速干线协调控制模型研究[J].公路交通科技，2005，22（4）：108-111.

（2）廖秀斋.一种双目标单点信号配时优化模型[J].交通信息与安全，2009（S1）：1-3.

（3）王殿海，李凤，宋现敏.干线协调控制中公共周期优化方法研究[J].交通信息与安全.2009，27（5）：10-13.

（4）李灵犀.两相临路口交通信号的协调控制[J].自动化学报，2003，29（6）：947-952.

（5）李国勇.智能预测控制及其MATLAB实现[M].北京：电子工业出版社，2010．

（6）沈国江.城市区域交通流智能分散控制[J].浙江大学学报（工学版），2006，40（4）：585-589．