自适应模糊神经网络的交通灯控制系统的设计

针对我国城市交通的现状，机动车辆数量越来越多，而传统的交通信号灯控制模式采用的是定时控制，本文将模糊控制技术引入交通信号控制，实现交通灯的自适应控制，对整个区域的信号系统进行全局优化调度，实现交通灯控制的智能化。

1、系统结构

整个系统分为管理层、优化调度层、数据采集层。管理层为最高指挥层，它能在交通管制等紧急情况下进行宏观调度。基础数据采集主要采集各车辆计数仪的实时数据，通过通信网将数据传输到交通管控中心，管控中心利用专家系统和神经网络等技术对全局交通进行优化调度，在此基础上形成调度指令，通过通信网反馈至各交叉口，各交叉口结合调度指令和该交叉口的实时交通流信息，利用模糊控制的策略对该交叉口的信号进行控制。

2、单个交叉口红绿灯的模糊控制

经研究，对单个交叉口而言，当交通需求较小时，信号周期T应短一些，但一般不能少于Px15s（P为相位数）以免某一相位的绿灯时间tgi小于15s使车辆来不及通过路口影响交通安全;当交通需求较大时，信号周期T则应长一些，但一般不能超过120s，否则某一方向的红灯时间将超过60s，驾驶员心理上不能忍受。当交通需求很小时，一般按最小周期运行;当交通需求很大时，只能按最大周期控制，此时，车辆堵塞现象已不可避免。根据专家的经验，单个交叉路口的模糊控制算法可描述为图1所示。

图1  单个交叉路口的模糊控制算法

算法中的交通需求通常用两种方法描述，一是用交叉口停止线前的排队长度即停止线前相隔一定距离（通常为80~100m）的两检测器之间的车辆数来表示交通需求;另一种方法是：当占有率不低于某一基准占有率时，用占有率表示交通需求;当占有率小于某一基准占有率且交通量不低于某一基准交通量，则用交通量表示交通需求。检测器在指定的时间内（通常为5min）测得的计数值（方波数）为交通量;检测器在指定的时间内（通常为5min）测得的方波宽度总和与该时间值的比为占有率。建立模糊表如表1和表2所示，根据日常控制经验可得如表3所示模糊控制规则表。表中L表示车辆排队长度，G表示绿灯时间。

表1  车辆排队长度变化模糊表

表2  第i相位绿灯时间变化模糊表

表3  模糊控制规则表

3、基于专家系统与神经网络的全局优化调度

单个交叉口的控制要服从全局的调度，局部的最优要服从全局的最优。在实现交通全局优化调度主要有两方面的工作要做：一是要取得路网中当前的和过去若干时段内的交通信息，二是逐步推测未来若干时段内路网各交叉口和各路段的交通流状态。整个调度过程不断滚动循环进行。目前，动态交通信息的获得可采用适当的接口技术，通过自适应式的交通面控系统实现。在交通全局优化调度中，尚未解决的是全局优化调度的依据问题，即如何调度才能起到避免拥挤和堵塞、提高路网使用效率的目的。人工神经网络技术具有非线性描述、大规模并行分布处理能力、高度鲁棒性和学习与联想等特点，适用于非线性时变大系统的模拟与在线控制。

通常情况下，城市交通网络在一定时期（一年或几个月）内几何结构不会发生大的变化，而且交通需求情况较稳定（或变化缓慢），可以认为日交通流的时空分布是稳定的。由于日交通流的时空分布具有高度时变和非线性的特点，因此，采用高阶神经网络技术建立模型，以达到快速准确预测的目的。在城市交通网络中，各路段的流入、流出交通量是网络交通需求量、道路与交叉口通行能力、信号配时以及交通管制措施等因素综合作用的结果，因而在预测时无需单独考虑这些因素对交通流量的影响。