基于动态贝叶斯网络的交通灯自主智能决策

陈海洋,聂弘颖,潘金波

(西安工程大学 电子信息学院,陕西 西安 710048)

0 引 言

据统计,我国车辆以每年2 000万辆的速度剧增,大大增加了道路的负担,导致交通堵塞. 交通灯是交通信号中的重要组成部分,对缓解交通堵塞具有至关重要的作用[1-3]. 目前国内大都采用定时控制的交通灯,但是,现在的交通状况复杂多变,目前这种非智能的交通灯容易造成时间上的浪费甚至是交通堵塞.

为了缓解交通堵塞问题,国内外许多学者对交通灯的时间进行了研究,取得了大量的成果[4-11]. 文献[4-5]主要通过硬件控制交通灯的时间,时间比较固定;文献[6]主要研究基于公交优先来实现相应的交通灯控制系统;文献[7]通过控制算法对路口各车道的车流量数据进行实时统计分析,控制交通灯的时间;文献[8]考虑车速与车流量对交通灯进行建模,控制交通灯的时间;文献[9]是根据车流量的变化控制主干路以及干、支路上交通灯的时间;文献[10]提出了一个基于遗传算法的动态配时策略,主要对车流量进行分析;文献[11]采用自适应交通控制信号灯算法,根据交通量、等待时间、车辆密度决定交通灯时间.

上述文献所研究的模型比较简单,大多数只考虑了单一因素对交通灯时间的影响,有的虽考虑了多个因素,但不够全面,不能科学地决策出最佳的交通灯时间. 本文为了克服现有方法的缺陷,提出了具有星型结构的交通灯自主智能决策模型. 通过对影响交通灯时间的主要因素进行分析,确定影响交通灯时间的关键因素，即是否主干道、车速、车流量. 据此建立交通灯自主决策模型,以实时采集的证据信息为依据,通过动态贝叶斯网络实现在线推理,根据推理结果实时改变交通灯的时间. 这种自主智能模式能够更全面、更真实地反映交通状况,实现交通的智能化,提高道路的使用效率.

1 动态贝叶斯网络

贝叶斯网络[12]是描述数据变量之间依赖关系的一种图形模型,也是一种用来进行推理的模型. 它为人们提供了一种方便的框架结构来表示各个节点的因果关系,使不确定性推理在逻辑上变得更为清晰、可理解性强.静态贝叶斯网络无法对时序问题进行建模.为了能够处理动态的不确定性问题,需要将贝叶斯网络扩展成带有时间参数的动态贝叶斯网络.动态贝叶斯网络是对具有随机过程性质的不确定性问题进行模型表示和推理分析的一种重要工具.动态贝叶斯网络是从贝叶斯网络发展而来的,在每一个时间点上,环境的每一个方面都用一个随机变量表示,通过这种方式对变化的环境进行建模,其结构如图1所示.

(a)先验网 (b)转移网图1 动态贝叶斯网络结构

定义1 一个动态贝叶斯网络可以被定义为(B1,B→),其中B1是一个贝叶斯网络,定义了初始时刻的概率分布P(X1),B→是一个包含两个时间片的贝叶斯网络,定义了两个相邻时间片的各变量之间的条件分布,即

(1)

2 改进的前向算法

由于实时交通模型需要实时决策,本文将采用改进的前向算法来进行推理,该算法属于在线算法.

2.1 初始化

(2)

2.2 递推计算

(3)

3 交通控制系统

3.1 相位

根据实时交通情况,为了保证各个十字路口的车辆以及行人能够安全有序高效地通过十字路口,本文采用了如图2所示的可确定性相位的十字路口,该相位已在厦门等地使用,比较人性化.如图2(a)所示,只允许从西往东行驶的车辆直行或左转弯以及向南行驶的车辆右转弯,其他方向行驶的车辆一律不许通行,只允许行人在如图所示的人行道上行走,其它地方一律不许通行,以此类推,其它方向的车辆通行情况如图2(b)，(c)，(d)所示.这种相位可以使得车辆与车辆之间,车辆与行人之间所通行的路线都是相互独立的,并不会出现车辆与车辆之间进行避让,车辆与行人之间进行避让,这样不仅保证车辆能快速安全地通过十字路口,也能保证行人安全地通行,避免出现车辆在十字路口撞击行人这一现象,也能避免十字路口发生车辆相撞的交通事故.

(a) (b) (c) (d)图2 十字路口相位图

本文所适用的交通灯分布情况如图3所示,其中1,2,3,4表示交通灯,a,b,c,d表示人行道灯.首先,分析上图2(a)中的情况,当3号交通灯的直行灯与左转弯灯以及4号交通灯的右转弯灯为绿灯时,d号人行道灯为绿灯,其它的一律为红灯；假定当绿灯计时器计时为0时,显示黄灯3s,然后转换为红灯显示开始计时,此时,2号交通灯的直行灯与左转弯灯以及3号交通灯的右转弯灯为绿灯,c号人行道灯为绿灯,其它的一律为红灯；假定绿灯计时器计时为0时,显示黄灯3s,然后转换为红灯显示开始计时.以此类推,交通灯依次转换到图2(c),(d)的情况,之后,再从图2(a)情况开始重复循环亮红绿灯.

图3 交通灯分布情况 图4 贝叶斯网络的交通灯决策模型

3.2 模型

文献[8]分析了主次干道对交通灯时间的影响,主次干道可以通过观测来确定;文献[9]分析了车速与车流量对交通灯时间的影响,车速的数据可以通过车速传感器采集,车流量的数据可通过视频传感器获得.综上所述,影响交通灯时间的主要因素包括是否主干道、车速以及车流量.这3个因素的数据可以通过现有的传感器获得,并且相互独立.因此,本文根据这3个因素,建立基于贝叶斯网络的交通灯自主智能决策模型,如图4所示.该模型具有星型结构,便于各数据之间的传输以及该模型的实现.在该模型中,是否主干道、车速以及车流量都是观测变量,即可以观测到证据的变量;时间类别是隐藏变量,该变量表示绿灯的时间长度.该模型考虑到十字路口交通灯时间应实时反应交通道路的状况,因而构建的模型尽可能简洁而有效.

由于车速变量和车流量变量属于整数变量,它们的取值是一个范围,本文采用模糊分类方法,将可观测变量的观测值进行分类分析.考虑到人们在各个十字路口能够接受的等待时间,本文将隐变量时间类别分为:30s,60s和90s.将观测变量Y1分为主干道和非主干道,用Y和N表示;将观测变量Y2分为大于30km/h,10～30km/h,小于10km/h,分别用H、M、L表示.将观测变量Y3分为大于90辆,50～90辆,小于50辆,分别用B、M、S表示.构建如图5所示的贝叶斯网络模型.

以上是单个时间片的交通灯模型,然而在实时交通情况下,这些可观测变量的取值却随着时间而改变,静态贝叶斯网络无法反应这种动态的变化,因此,需要构建如图6所示的动态贝叶斯网络反应这种随着时间不断变化的交通状况.例如:在上下班时间交通流量大,车速相对来说比较慢;在晚上的时候交通状况比较良好;或许随着季节、天气的变化,对司机行驶速度有一定的影响,这些状况都会反应在构建的模型中,影响隐变量的时间取值.

图5 单个时间片的交通灯决策模型 图6 交通灯的动态贝叶斯网络决策模型

表1 条件概率

本文采用了改进的前向算法在交通灯的动态贝叶斯网络上进行在线推理,通过对实时采集的数据进行分析来自主决策交通灯的时间,实现了该模型的自主化与智能化.

4 仿真分析

设定先验概率P(X1=O)=0.2,P(X1=P)=0.6,P(X1=Q)=0.2,条件概率见表1,状态转移概率见表2.

表2 状态转移概率

假定某十字路口东西方向是主干道,距离该十字路口300m有测速设备,在数据开始采集时,车速为28km/h,车流量为70辆,这时的十字路口比较畅通,在东西方向上绿灯选择的时间为60s.随着时间的推移,采集到的车速不断下降,车流量不断增加,该十字路口逐渐堵塞,观测了6个时间片的证据信息见表3.

根据模糊分类函数式(4)模糊分类车速观测值,根据模糊分类函数(5)模糊分类车流量观测值,分别得到隶属度见表4.

表3 观测数据

(4)

(5)

根据表4的观测数据,利用改进的前向算法推理得到表5的结果,表中的每组数据从左到右依次为绿灯时间为30s,60s,90s的概率值,取这3个概率值中的最大值所对应的时间作为动态贝叶斯网络在该时间片上决策出的最优交通灯时间.

表4 模糊分类后的观测数据

表5 仿真结果

从表5可以看出,随着时间的推移,时间为30s和60s的概率不断降低,时间为90s的概率不断升高,且在第5、第6时间片,交通灯为90s的概率显著高于其它时间的概率,说明随着该十字路口逐渐堵塞,决策出的交通灯时间也随之变长,这个仿真结果与假定的情况相符.可以看出贝叶斯网络模型能够融合多个观测变量得到的证据信息,自主决策出最佳的交通灯时间.

5 结束语

本文采用了单方向通行的相位,考虑了是否主干道、车速、车流量这三个因素,建立了随时间变化的自主智能交通灯模型.这种模型能够根据可观测变量的不同数据来决定隐变量时间的取值,能够自主决策交通灯时间,更好地反映实时交通情况,很好地改善交通运输的效率,提升交通的智能化.该模型能够帮助交通管理部门分析道路状况和决策道路交通灯的时间,使车辆与行人有序高效安全地通过十字路口.

参考文献：

[1] EKENE S M,MICHEAL C N,KENNEDY C O,et al.Self diagnostic system for predictive maintenance of traffic light control system[C]//2013 International Conference on Emerging & Sustainable Technologies for Power & ICT in a Developing Society (NIGERCON 2013).Washington,D C:IEEE Computer Society,2013: 308-313.

[2] 高强,付超,王健,等.车辆主动式交叉路口调度模型[J].吉林大学学报:工学版,2013(6):1638-1643.

[3] 李盛春,孔令江,刘慕仁,等.智能交通灯对交叉路口交通流的影响[J].物理学报,2009(4):2266-2270.

[4] 秦伟.交通灯顺序控制系统的程序设计与实现[D].西安：长安大学,2012:1-10.

[5] 段志龙.基于无模型自适应控制算法的嵌入式交通灯控制器设计与实现[D].北京：北京交通大学,2012:1-36.

[6] 齐钰.基于公交优先的交通信号控制技术研究[D].大连：大连理工大学,2012:1-25.

[7] 彭成斌,李新玉,安利峰.一种倒计时交通灯的控制算法[J].计算机工程,2009,35(14):243-246.

[8] 张萌萌,贾磊.城市协调控制主干路交通流模型[J].控制理论与应用,2012,28(11):1679-1684.

[9] DUJARDIN Y,BOILLOT F,VANDERPOOTEN D,et al.Multiobjective and multimodal adaptive traffic light control on single junctions[C]//IEEE International Conference on Intelligent Transportation Systems (ITSC 2011).Piscataway, New Jersey:IEEE Press,2011:1361-1368.

[10] 黄向党.基于车流量的交通灯动态调整策略的研究与设计[D].成都：电子科技大学,2012:1-29.

[11] ZHOU B,CAO J,ZENG X,et al.Adaptive traffic light control in wireless sensor network-based intelligent transportation system[C]//2010 IEEE 72nd Vehicular Technology Conference.Piscataway, NJ: Institute of Electrical and Engineers Inc,2010:1-5.

[12] MURPHY K P.Dynamic bayesian networks:representation,inference and learning[D].University of California,2002:1-100.

[13] CHEN H Y,GAO X G. Ship Recognition based on improved forwards-backwards algorithm[C]//Proceedings of the Sixth International Conference on Fuzzy Systems and Knowledge Discovery.Los Alamitos,CA:IEEE Computer Society,2009:509-513.