论文部分内容阅读
摘要：本文以城市交叉口为研究对象，提出了一种基于车头时距的绿灯时间修正算法的交通流模糊控制方案，并用matlab软件对其进行了仿真研究，仿真结果表明：这种方法在相同的交通环境下，比没有基于车头时距的对绿信比进行优化的自适应模糊控制系统方案更加有效。
关键词：车头时距；模糊逻辑；模糊规则
中图分类号：B81文献标识码： A
前言
在我国城市化进程不断加快，经济持续发展的背景下，快速增加的机动车辆，使得交通出行量不断增长，城市交通的供给出现严重不足的情况。为了减少交叉路口对车辆的延误，提高城市道路的通行能力，人们开始对智能交通系统ITS(IntelligentTransportationSystem)进行研究。模糊控制是一种智能控制，是不需要建立被控对象精确的数学模型，采用的是语言型控制规则，是基于规则的控制，因此，控制机理和控制规则容易被人们接纳和理解。
自从PAPPIS等人在城市交叉路口信号控制中应用模糊逻辑以来，许多国内外学者对这方面的也进行了研究工作。尽管后续也有很多人研究了多相位和双向车流的模糊控制系统，但是模糊控制器的输入变量主要是目前红灯相位车辆排队长度和绿灯相位车辆排队长度，模糊输出以绿灯相位的绿灯延时为依据。本文提高绿信比的方式，是依车头时距作为将现绿灯时间修正的模糊控制器之一的输入变量，从而对绿灯时间充分利用，提高车辆的通行能力。
一、模糊控制方案
基于分时段控制的思想，即将１天划分为高峰时段、低峰时段和正常时段，而总的交通流的特点可以由这３种时段内的交通情况来描述。然后，针对３种时段交通流的特点，设计与之相对应的控制策略，并分别用模糊控制器Ⅰ、Ⅱ、Ⅲ来实现（见图１）。
图１模糊控制方案框图
二、模糊控制算法
模糊控制对人脑的决策、推理、思维的过程进行了模拟，所以交叉口交通信号的控制，就是对有经验的交警指挥过程的模仿。
根据指挥的过程，设计了总体的系统模糊控制的规划方案，图2所示的框图就是这种方案的算法。第一级是观测级；第二级是决策级。观测级分为两个模块：即为绿灯相位观察模块和红灯相位选择模块。决策级也分为两个模块：初级决策和总决策。每个模块都是一个子模糊控制器。算法描述如下：车辆检测器检测到的交通信息依绿灯相位观察模块为依据，判断出当前绿灯方向的交通状况，确定绿灯相位的繁忙度,并将其传送给初级决策模块；红灯相位模块的选择的依据是车辆检测器检测到的交通信息，从而对当前绿灯方向外所有红灯相位的交通状况进行判断，计算出各红灯相位等待绿灯的时间，并对其绿灯要求最为紧迫的红灯相位进行确定，将作为下个绿灯相位的紧迫度和候选相位也传送给初级决策模块；初级决策模块绿灯相位的繁忙度和红灯相位等待绿灯的紧迫度,是决定切换相位还是延长当前绿灯时间的主要依据。
如果绿灯相位观察模块观察的绿灯相位繁忙度比由红灯相位选择模块选出的相位紧迫度低,则立刻进行初级决策模块向绿灯相位的切换，这样绿灯时间就不需要修正；如果是对该相位绿灯时间延长，则将该相位绿灯的繁忙度传送给绿灯时间修正模块，该模块根据该相位的车头时距和其的繁忙度得出修正时间，从而得到了总的绿灯时间。
图2基于车头时距的模糊控制系统组成框图
三、模糊控制器的设计
模糊控制器Ⅰ、Ⅱ、Ⅲ是同级、并列关系（见图１），它们分别对应控制高峰、低峰、正常时段的交通流。采用模糊聚类和模糊综合评判对交通数据进行分析和评估，并根据评判结果确定某时的输入交通数据是属于流量大、流量一般还是流量小范围内的数据。时段与流量之间存在着以下对应关系：高峰时段内交通量大；低峰时段内交通量小；正常时段内交通量一般。
（1）、输入／输出变量的确定
如果在红灯时间内，某相位对应车道的交通流在停车线后的排队长度越短，则希望其绿灯时间越短。反之，某相位对应车道的交通流在停车线后的排队长度越长，也希望其绿灯时间越长。因此，绿灯时间的长短直接影响周期时长，周期时长既不宜过长也不宜过短，其设定范围一般在40～120ｓ。综合上述，针对单交叉路口车流示意图（见图3），选取模糊控制器的输入变量为QR（当前红灯方向排队长度，即红灯方向排队等待的车辆数）和QG（当前绿灯方向行车长度，即绿灯方向到达停车线前的车辆数），输出变量为GT（换相后的绿灯时间长度）。根据实际交通控制的经验：QR、QG的变化范围为0～36pcu，GT的变化范围为15～65S。具体划分方式如表１所示。
图3单交叉路口车流示意图
表1变量取值分配表
由于把交通流划分为3个部分，所以在设计每个控制器的时候，控制规则会比较简单。这样整体的控制规则数会比只考虑车流量多或者车流量少中的一种情况时的规则数要多很多，且实时控制效果比较差。下面就把各种交通流作为整体考虑的控制器和只考虑一种交通流的控制器作比较。为了说明方便下面会用“不分时段”和“高峰时段”作为2个控制器的区分。
（2）、输入／输出变量的模糊化
1、不分时段
①QR、QG的变化范围为0～36pcu。选定输入量QR、QG的基本论域为［-6，6］，取论域上模糊语言值集合均为｛负大，负中，负小，零，正小，正中，正大｝，即｛NB，NM，NS，ZO，PS，PM，PB｝。求出QR、QG的量化因子kQR＝ｋQG＝［6－（-6）］/（36－0）＝0.33。
②GT的變化范围：15～65ｓ。选定输出量GT的基本论域为［0，8］，取论域上模糊语言值集为｛很短，短，较短，中，较长，长，很长｝。GT的量化因子ｋGT＝（8－0）／（65－15）＝0.16。不分时段的QR、QG、GT的隶属函数图如图４所示。
2、高峰时段
①选定输入量QR、QG的基本论域为［-6，6］，取论域上模糊语言值集合均为｛NB，NM，NS，ZO，PS，PM，PB｝。QR的量化因子为ｋQR＝［6-（-6）］／（36－20）＝0.75，QG的量化因子为ｋＱＧ＝［6－（-6）］／（10－0）＝1.2。
②GT的变化范围：40～65ｓ。选定输出量GT的基本论域为［0，8］，取论域上模糊语言值集为｛很短，短，较短，中，较长，长，很长｝。GT的量化因子ｋGT=（8－0）／（65－40）＝0.32。高峰时段的QR、QG、GT的隶属函数图形与图４相似。
图4 输入QR、ＱＧ和输出ＧＴ隶属度函数图
四、仿真结果及其分析
本文主要是利用matlab软件针对十字路口进行编程仿真，测量各个交叉口的实际交通数据，对一段时间的数据进行统计分析，车辆数根据分析结果生成。对于六相位（i=6），每个相位有两股车流（j=2）的典型交叉口，T时间内交叉口的每辆车的平均延误时间可用下式表示：
式中,λ为绿信比,C为信号周期,x为相位饱和度,q为车辆到达量,y为流量比率(q/S)。仿真中采用的饱和流量Sij全部取2000veh·h-1，基于车头时距模糊控制系统比没有基于车头时距的模糊控制系统的平均车辆延误减少了43.561%；在交通流中峰期，前者比后者减少了32.658%，在交通流高峰期，前者比后者减少了11.125%。研究结果表明，在交通流不是高峰的前提下，前者的控制效果要比后者好很多，平均车辆的延误时间也大大的减少了，提高了交叉口的通行能了，是可行的有车头时距的模糊控制系统明显比没有时的控制效果要好得多。
此外，“高峰时段”的输出并没有涵盖整个实域范围。从仿真结果还可以看出，GT最小值从43开始，而实际规定的GT范围是40～65ｓ，这说明“高峰时段”控制器的控制规则在存在缺陷。虽然如此，仍然可以用“高峰时段”的控制器代替“不分时段”的控制器来控制QR值比较大的情况，因为“高峰时段”控制器控制范围比较大，此外还可以进一步简化和完善其控制规则。由于上述控制策略既可降低控制器的设计难度，又能提高控制系统的灵活性，因而该控制策略具有可行性。
五、结语
利用自动化手段和技术，实现车辆智能、道路智能必将形成新的智能交通控制系统。模糊控制是一种智能控制,由于其内部并不含有最优控制算法，所以不能针对某一性能指标给出最优解。因此，需要对模糊控制算法进行改进,从而提高模糊控制的精度。本文在自适应模糊控制的基础上对绿灯时间修正模糊算法进行了增加,即：对绿灯时间基于车头时距进行了微调，作了有益的尝试在模糊控制精度方面。
参考文献
[1]华宝玉，何迪.交叉口信号协调控制适用性仿真研究[J].铁路计算机应用，2007，16(7)：12-15.
[2]陈光勤.基于车头时距的快速公交车辆交叉口信号优先[J].交通与计算机，2005，23(3)：11-15.
[3]成典华. 车头时距交通信号的模糊控制系统的研究[J]. 科技与企业,2014,02:298-299.
[4]罗全恒,李佳奇. 基于车头时距交通信号的模糊控制系统的研究[J]. 微型机与应用,2012,02:87-89.
关键词：车头时距；模糊逻辑；模糊规则
中图分类号：B81文献标识码： A
前言
在我国城市化进程不断加快，经济持续发展的背景下，快速增加的机动车辆，使得交通出行量不断增长，城市交通的供给出现严重不足的情况。为了减少交叉路口对车辆的延误，提高城市道路的通行能力，人们开始对智能交通系统ITS(IntelligentTransportationSystem)进行研究。模糊控制是一种智能控制，是不需要建立被控对象精确的数学模型，采用的是语言型控制规则，是基于规则的控制，因此，控制机理和控制规则容易被人们接纳和理解。
自从PAPPIS等人在城市交叉路口信号控制中应用模糊逻辑以来，许多国内外学者对这方面的也进行了研究工作。尽管后续也有很多人研究了多相位和双向车流的模糊控制系统，但是模糊控制器的输入变量主要是目前红灯相位车辆排队长度和绿灯相位车辆排队长度，模糊输出以绿灯相位的绿灯延时为依据。本文提高绿信比的方式，是依车头时距作为将现绿灯时间修正的模糊控制器之一的输入变量，从而对绿灯时间充分利用，提高车辆的通行能力。
一、模糊控制方案
基于分时段控制的思想，即将１天划分为高峰时段、低峰时段和正常时段，而总的交通流的特点可以由这３种时段内的交通情况来描述。然后，针对３种时段交通流的特点，设计与之相对应的控制策略，并分别用模糊控制器Ⅰ、Ⅱ、Ⅲ来实现（见图１）。
图１模糊控制方案框图
二、模糊控制算法
模糊控制对人脑的决策、推理、思维的过程进行了模拟，所以交叉口交通信号的控制，就是对有经验的交警指挥过程的模仿。
根据指挥的过程，设计了总体的系统模糊控制的规划方案，图2所示的框图就是这种方案的算法。第一级是观测级；第二级是决策级。观测级分为两个模块：即为绿灯相位观察模块和红灯相位选择模块。决策级也分为两个模块：初级决策和总决策。每个模块都是一个子模糊控制器。算法描述如下：车辆检测器检测到的交通信息依绿灯相位观察模块为依据，判断出当前绿灯方向的交通状况，确定绿灯相位的繁忙度,并将其传送给初级决策模块；红灯相位模块的选择的依据是车辆检测器检测到的交通信息，从而对当前绿灯方向外所有红灯相位的交通状况进行判断，计算出各红灯相位等待绿灯的时间，并对其绿灯要求最为紧迫的红灯相位进行确定，将作为下个绿灯相位的紧迫度和候选相位也传送给初级决策模块；初级决策模块绿灯相位的繁忙度和红灯相位等待绿灯的紧迫度,是决定切换相位还是延长当前绿灯时间的主要依据。
如果绿灯相位观察模块观察的绿灯相位繁忙度比由红灯相位选择模块选出的相位紧迫度低,则立刻进行初级决策模块向绿灯相位的切换，这样绿灯时间就不需要修正；如果是对该相位绿灯时间延长，则将该相位绿灯的繁忙度传送给绿灯时间修正模块，该模块根据该相位的车头时距和其的繁忙度得出修正时间，从而得到了总的绿灯时间。
图2基于车头时距的模糊控制系统组成框图
三、模糊控制器的设计
模糊控制器Ⅰ、Ⅱ、Ⅲ是同级、并列关系（见图１），它们分别对应控制高峰、低峰、正常时段的交通流。采用模糊聚类和模糊综合评判对交通数据进行分析和评估，并根据评判结果确定某时的输入交通数据是属于流量大、流量一般还是流量小范围内的数据。时段与流量之间存在着以下对应关系：高峰时段内交通量大；低峰时段内交通量小；正常时段内交通量一般。
（1）、输入／输出变量的确定
如果在红灯时间内，某相位对应车道的交通流在停车线后的排队长度越短，则希望其绿灯时间越短。反之，某相位对应车道的交通流在停车线后的排队长度越长，也希望其绿灯时间越长。因此，绿灯时间的长短直接影响周期时长，周期时长既不宜过长也不宜过短，其设定范围一般在40～120ｓ。综合上述，针对单交叉路口车流示意图（见图3），选取模糊控制器的输入变量为QR（当前红灯方向排队长度，即红灯方向排队等待的车辆数）和QG（当前绿灯方向行车长度，即绿灯方向到达停车线前的车辆数），输出变量为GT（换相后的绿灯时间长度）。根据实际交通控制的经验：QR、QG的变化范围为0～36pcu，GT的变化范围为15～65S。具体划分方式如表１所示。
图3单交叉路口车流示意图
表1变量取值分配表
由于把交通流划分为3个部分，所以在设计每个控制器的时候，控制规则会比较简单。这样整体的控制规则数会比只考虑车流量多或者车流量少中的一种情况时的规则数要多很多，且实时控制效果比较差。下面就把各种交通流作为整体考虑的控制器和只考虑一种交通流的控制器作比较。为了说明方便下面会用“不分时段”和“高峰时段”作为2个控制器的区分。
（2）、输入／输出变量的模糊化
1、不分时段
①QR、QG的变化范围为0～36pcu。选定输入量QR、QG的基本论域为［-6，6］，取论域上模糊语言值集合均为｛负大，负中，负小，零，正小，正中，正大｝，即｛NB，NM，NS，ZO，PS，PM，PB｝。求出QR、QG的量化因子kQR＝ｋQG＝［6－（-6）］/（36－0）＝0.33。
②GT的變化范围：15～65ｓ。选定输出量GT的基本论域为［0，8］，取论域上模糊语言值集为｛很短，短，较短，中，较长，长，很长｝。GT的量化因子ｋGT＝（8－0）／（65－15）＝0.16。不分时段的QR、QG、GT的隶属函数图如图４所示。
2、高峰时段
①选定输入量QR、QG的基本论域为［-6，6］，取论域上模糊语言值集合均为｛NB，NM，NS，ZO，PS，PM，PB｝。QR的量化因子为ｋQR＝［6-（-6）］／（36－20）＝0.75，QG的量化因子为ｋＱＧ＝［6－（-6）］／（10－0）＝1.2。
②GT的变化范围：40～65ｓ。选定输出量GT的基本论域为［0，8］，取论域上模糊语言值集为｛很短，短，较短，中，较长，长，很长｝。GT的量化因子ｋGT=（8－0）／（65－40）＝0.32。高峰时段的QR、QG、GT的隶属函数图形与图４相似。
图4 输入QR、ＱＧ和输出ＧＴ隶属度函数图
四、仿真结果及其分析
本文主要是利用matlab软件针对十字路口进行编程仿真，测量各个交叉口的实际交通数据，对一段时间的数据进行统计分析，车辆数根据分析结果生成。对于六相位（i=6），每个相位有两股车流（j=2）的典型交叉口，T时间内交叉口的每辆车的平均延误时间可用下式表示：
式中,λ为绿信比,C为信号周期,x为相位饱和度,q为车辆到达量,y为流量比率(q/S)。仿真中采用的饱和流量Sij全部取2000veh·h-1，基于车头时距模糊控制系统比没有基于车头时距的模糊控制系统的平均车辆延误减少了43.561%；在交通流中峰期，前者比后者减少了32.658%，在交通流高峰期，前者比后者减少了11.125%。研究结果表明，在交通流不是高峰的前提下，前者的控制效果要比后者好很多，平均车辆的延误时间也大大的减少了，提高了交叉口的通行能了，是可行的有车头时距的模糊控制系统明显比没有时的控制效果要好得多。
此外，“高峰时段”的输出并没有涵盖整个实域范围。从仿真结果还可以看出，GT最小值从43开始，而实际规定的GT范围是40～65ｓ，这说明“高峰时段”控制器的控制规则在存在缺陷。虽然如此，仍然可以用“高峰时段”的控制器代替“不分时段”的控制器来控制QR值比较大的情况，因为“高峰时段”控制器控制范围比较大，此外还可以进一步简化和完善其控制规则。由于上述控制策略既可降低控制器的设计难度，又能提高控制系统的灵活性，因而该控制策略具有可行性。
五、结语
利用自动化手段和技术，实现车辆智能、道路智能必将形成新的智能交通控制系统。模糊控制是一种智能控制,由于其内部并不含有最优控制算法，所以不能针对某一性能指标给出最优解。因此，需要对模糊控制算法进行改进,从而提高模糊控制的精度。本文在自适应模糊控制的基础上对绿灯时间修正模糊算法进行了增加,即：对绿灯时间基于车头时距进行了微调，作了有益的尝试在模糊控制精度方面。
参考文献
[1]华宝玉，何迪.交叉口信号协调控制适用性仿真研究[J].铁路计算机应用，2007，16(7)：12-15.
[2]陈光勤.基于车头时距的快速公交车辆交叉口信号优先[J].交通与计算机，2005，23(3)：11-15.
[3]成典华. 车头时距交通信号的模糊控制系统的研究[J]. 科技与企业,2014,02:298-299.
[4]罗全恒,李佳奇. 基于车头时距交通信号的模糊控制系统的研究[J]. 微型机与应用,2012,02:87-89.