基于短时交通流预测的城市区域交通信号控制研究

姚平福

（中交公路规划设计院有限公司，北京 100010）

0 引言

交通信号灯是道路网络中的重要组成部分，在整个道路交通系统中起着至关重要的作用。在城市道路交通网络中，交叉口信号控制的主要作用在于：缩短车辆与行人的通行时间、提高出行效率，改善城市交通环境。道路交叉口的交通容量有限，车流量增长、车辆延误等现象会导致交叉口拥堵严重，这会影响正常行驶秩序、行车安全及乘车舒适度等，也会严重降低城市居民的出行质量。同时，当前城市中的机动车数量不断增加，加之城市用地紧张问题越来越严重，使得城市内部路网日益复杂化，原有的交通信号控制方案已经不能有效满足民众的出行需求。因此，需要对城市道路路网特性进行分析，研究出有效的短时交通流预测方法，加强交通信号控制效果。

1 基于小波神经网络算法的短时交通流预测模型

1.1 基于短时交通流预测理论

短时交通流预测理论的核心是，通过对路网中各交叉口间车流量分布和流向情况的分析，确定其主要影响因素，并据此制定出合理、可行的设计方案。该方法具有简单、实用等特点，可应用于各种交通流的优化协调控制。将短时交通信号灯时间序列建模与仿真技术相结合，在道路条件相对较好（一般在8s～10min）的前提下，基于概率论预测模型来实现对交通流的预测，综合考虑路网中交叉口间车流量分布和流向情况，得到各时段道路交通拥堵状况，对拥堵路段进行交通流控制，提高道路通行能力，降低交通事故发生率，缓解城市道路交通压力。

1.2 小波神经网络输入输出模型的建立

在城市道路交叉口，交通流的流量变化主要是由信号灯周期、交叉路口车流量和行人及车辆行驶速度等因素决定的，这些数据信息往往具有时滞性，因此需要对这些数据信息进行预测，通过建立交通流交通参数模型，根据时差、周期和交叉路口车流量的变化趋势来实现对交叉口信号灯红绿灯时间的划分。在该研究中，选用以人工神经网络拓扑结构为基础的小波神经网络，将小波基函数作为神经网络中隐含层节点的传递函数，利用小波神经网络的自学习能力，对原始数据信息进行修正，形成以交通流预测为基础，实时性和精度较好的信号灯红绿灯时间划分模型。小波神经网络的拓扑结构如图1 所示。

图1 小波神经网络的拓扑结构

当输入信号序列为xi(i=1，2，…，k）时，隐含层的输出如公式(1)所示。该研究主要采用的小波基函数为Morlet 小波函数，数学公式如公式(2)所示。根据小波神经网络的拓扑结构可以得出输出层的计算公式，如公式(3)所示。

隐含层的输出公式（1），()为第个隐含层节点输出值;ω为输入层和隐含层的连接权值;b为小波基函数;b为小波基函数b的平移因子;a为小波基函数h的伸缩因子。

式（2）中：Morlet 小波函数的数学公式，代表Morlet小波函数。

式（3）中：隐含层的输出公式，ω为隐含层到输出层的权值;()为第个隐含层节点的输出;为隐含层节点数;为输出层节点数。

1.3 小波神经网络预测模型的参数修正

在进行交通信号预测的时候，通常情况下需要对原始数据建立相应的数学模型。但由于时间序列是连续变化的，时变性和随机性很强且具有不确定因素，因此要根据道路实际条件选择合适的参数作为样本训练集，训练好后得到最终结果，如果参数调整不当，则会出现误差甚至产生反效果，从而影响网络性能指标与预测目标之间的匹配程度。所以，在选取初始数据之前，需要对原始交通流进行适当修正，以提高预测精度。小波神经网络的输入输出模型是预测模型的基础框架，依据算法和数据对模型进行训练才能使模型具有预测能力。小波神经网络预测模型计算流程如图2 所示。

图2 小波神经网络预测模型

2 城市区域交通信号控制技术及控制策略

2.1 城市区域交通信号控制结构

根据交通控制的目的和道路情况，对信号控制系统进行结构设计。一般可分为两大类：一类是基于时间序列模型预测方法；另一类是非静态特性分析法。在道路流量数据中，由于受城市用地类型、人口数量及土地利用状况等因素的影响，导致不同路段上机动车与非机动车流的运行速度有较大差异（P＜0.05）时（见表1），交通控制目标和行车安全指标相差很大且不确定性大。因此，需要建立一种动态交通信号控制系统，实现对交叉口车流的预测与监控管理。区域交通信号控制系统按控制结构可分为集中控制、递阶控制和分布式控制三种。

表1 常规交通工具在不同路况中的运行速度对比（km/h）

2.1.1 集中控制

集中控制是指对道路的交通流进行合理分配，在不影响道路交通运行的情况下，将所有交叉口作为一个统一协调的整体，通过设置不同路段信号灯的相位，实现对交通流运行方向的控制，从而达到减少车辆延误、提高道路通行效率和增强城市整体竞争力等目的。

2.1.2 递阶控制

城市交通信号控制的主要任务是解决交通流在不同交叉口以及路段上出现的车流量不稳定、相位错配等问题，因此需要对道路路网进行合理分配，使各交叉口及路段协调运作。递阶控制系统通常把整个控制系统分成若干层，每一层系统都承担不同的控制任务，通过不同系统的协调合作，达到各交叉口及路段协调运作的目标，从而提高道路通行能力，减少交通事故，实现城市绿色发展。

2.1.3 分布式控制

分布式交通流预测控制主要是对交通信号的分配和流向进行分析，根据不同路段之间的差异，确定出各交叉口信号灯的运行时间间隔及车辆平均行驶速度。在分布算法中，比较常用的算法有随机交通流法（EPC）和模糊—尼龙卡路口拥堵评价准则，但这些方法的预测精度不是很高，且随机交通流法的计算量大，需要耗费大量的人力和时间等资源。而该研究在概率论、灰色模型以及智能优化技术等相关理论的基础上，提出了一种新方法，即利用人工神经网络或者其他非监督学习算法，对信号灯时长与相位差进行预测。

2.2 城市区域交通信号控制策略

区域交通控制是在单点信号控制和干线协调控制的基础上逐渐发展而来的，主流控制策略大致可分为以下两类：

2.2.1 协调控制

市道路的交通流控制是一个复杂的过程，它包括各种信息信号在时间和空间上的协调分配，目前，道路交通流预测方法一般是基于概率算法、灰色模型或神经网络等算法。但这些方法都有一定的局限性，一是由于交通信号控制系统具有动态特性及实时性特点，二是预测时点变化不明显、受外界因素影响大会造成不可预知的延误情况，所以不能完全按照传统的统计规律进行道路拥堵状况及交通流预测。

2.2.2 分散控制

由于城市交通流具有一定的复杂性，通常采用分散方法进行预测，在预测过程中往往需要大量的道路数据，而这些原始信息又是无法直接获得的。因此，基于实时交通流模型进行城市交叉口拥堵问题控制策略研究。这种方法主要是针对单个交叉口进行交通流预测，其优点在于可以根据道路情况和车流量等因素合理设置交通信号灯时间，但该方式需要建立一个完善且成熟的模型，用以评估车辆行驶状态信息及延误状况，因此不适用于对实时性要求较高的城市交通流控制。

3 实验与仿真结果分析

该研究提出的短时交通流预测算法主要是基于交通信号控制模型，对道路交叉口信息素进行统计分析、建立混合模糊控制器，并采用人工神经网络来实现。首先，根据城市道路交通流量分布情况和路段车流特性确定相邻时段各路口之间的绿色信号灯时间间隔；其次，利用遗传算法对相邻时段内不同信号灯色组合下交叉停车次数进行优化；再次，建立公交优先级系统（即综合考虑延误问题），以达到最优配时，从而得到最佳效果；最后，利用遗传算法求解出交通信号灯色转换矩阵，最终获得动态交叉口信息素浓度值、车辆平均行驶速度以及道路总里程等参数。

城市道路交通信号控制是一项综合性比较强、系统性非常高，其中涉及多种因素，包括车流特性和路网结构，在复杂多变的道路上各种交通参数都会影响道路交通通行能力，因此需要对道路进行交通流预测，通过研究城市交叉口拥堵情况、车流量及行车方向等因素实现有效控制。

4 结语

城市道路交叉口交通信号控制是交通信号控制系统的重要组成部分，其主要功能之一就是通过有效的方式减少车辆在交叉口处的等待时间。基于短时交通流预测理论和小波神经网络，对城市区域内路网中的车流量进行分析，对交通流进行预测，并建立基于短时交通流量的路网模型，根据道路交叉口拥堵情况，结合信号灯状态分析相应路段内车流量和延误分布规律。短时交通流预测方法会不断发展、成熟，未来可以更广泛地应用于城市道路交通控制工作。