信号交叉口排队长度预测的神经网络方法

信号交叉口排队长度预测的神经网络方法 信号交叉口排队长度预测的神经网络方法 第29卷,第3期 2004年9月 中南公路工程 CentralSouthHighwayEngineering V01.29.No.3 Sept.,2004 信号交叉口排队长度预测的神经网络方法 郭秀文 (河南省新开元路桥工程咨询有限公司,河南郑州450016) [摘要]预测信号交叉口的排队长度可以为交通信号控制和管理提供非常重要的信息.基于神经网络,针 对定时和感应信号交叉口两种不同情况,成功实现了单,双车道排队长度的预测.同时,感应器与停车线之间的距 离对预测精度的影响也进行了初步分析.模拟结果同时表明,神经网络对左转车道排队长度的预测效果不佳,不 能为信号控制和管理提供有效的信息. [关键词]排队;信号交叉口;神经网络 [中图分类号]U491.2[文献标识码]A[文章编号]1002-1205(2004)03—0072—04 PredictionofTrafficQueuesatSignalizedIntersection UsingNeutralNetworks GUOXiuwen (NewCenturyRoadandBridgeEngineeringConsultingCorporationLimited,Zhengzhou, Henan450016, China) [Abstract]Predictionoftrafficqueuesatsignalizedintersectionprovidesimportantinformat ionfortraffic signalcontrolandmanagement.Usingneuralnetworks,thestudyinthispaperattemptstopred ictthetraffic queueswithagreatSuccessforbothoneandtwolanesatbothtimedandactuatedsignalizedint ersections.In addition,theeffectsofthedistancebetweenthedetectorandstoplineonthepredictionresultsa reanalyzed. However,resultsofthestudyindicatethatthemethodcannotproperlypredictthetrafficqueue satleft?turn, andtherefore,cannotprovidevaluableinformation. 1KeywordsJtrafficqueue;signalizedintersection;neuralnetwork 过去10a中,随着交通量日益增长,世界上许多 国家都在增加交通基本建设的投资.在交通高峰 期,许多大中城市都存在交通阻塞的现象,有时甚至 造成交通的一度中断.可以说,交通状况的落后正 在对许多城市繁荣的经济形成威胁.Pignatarol】等 人认为,畅通通常是指交通没有重要排队的情况,而 阻塞则指交通量达到或者超过交叉口同性能力的情 况.他们同时认为,交通排队长度可以作为交叉口 是否阻塞的标志. 最大限度地利用现有的交通设施,或将交通流 安排在容量较大的路段,可以很大程度地减小排队 长度.目前有许多方法可以用于减小排队长度,这 方法可以分为以下三种类型:?有信号或无信 号的;?静态的或动态的;?增加交通容量或控 制交通需求.具体交通排队问题可以通过以上任何 一 种方法或多种方法的综合来解决. 对于交通要道,当存在交通阻塞时,优化定时信 号控制的有效性迅速降低.协调式信号灯管理是另 外一种有效策略.但所有这些策略都假定下游排队 长度可以预测,并且车队向后延伸的速度可以比较 准确地估计.此外,这些技术都运用了控制算法,并 不断改变来适应预计的交通需求.更好的解决 是安装动态控制系统,能够适应实际的交通状况. 近年来,许多实时控制系统,例如PRODYN(法 国),SCATS(澳大利亚)和SCOOT(英国),相继涌现, 以适应时变交通状况.SCOOT系统能够很好适应 轻度或中度交通阻塞的情况,但当交通量接近路段 容量的时候工作性能不好. [收稿.13期]2004—03—15 [作者简介]郭秀文(1966一),女,河南武陟人,工程师,主要从事公路勘察 第3期郭秀文:信号交叉口排队长度预测的神经网络方法73 迅速可靠地估计排队长度,对于先进交通管理 系统和信息系统是非常重要的.HCM2000l2中通 过离线模型分析来估计信号交叉口的排队长度,但 当交通流接近交叉口容量时,所用的模型应当仔细 地校正.另外,稳态排队理论预测的无限排队长度 和延迟在实际中并不存在,而且在实时控制中不能 应用.KimberE3J提出一种时变排队模型,但这种模 型需要大量观测数据和参数校正. Huel—ShengTsayl4等人提出一种能够估计信号 交叉口排队长度算法,这种算法基于即将到来的交 通量和目前的信号状况.由于没能考虑换道和驶入 速度等因素,这种模型的估计误差较大. 通过研究信号交叉口的车辆到来分布,Andrzej |rarkol5J等运用自由分布模型来估计排队长度.这 种模型很好地考虑了合流和分流等的影响,能够较 好地用于稳态状况.JinilChangl6J发展了一种用于 高适应性的实时控制系统的排队估计算法.其中, 由感应器获得的车辆数和占有率,车辆动态性能和 不同的信号状态都在模型中加以考虑. Gang—LenChangl7J应用神经网络来获得排队长 度的变化,认为排队长度与交通流和控制变量紧密 联系.经过精心训练后,他们准确获得了3S后的排 队长度.然而,他们并没有考虑感应器和停车线之 问距离的影响.同时,他们没有研究单车道和双车 道的左转车道,以及在定时信号交叉口和感应信号 交叉口之问的路段. 本文将用ANN来研究如何估计不同情况下的 排队长度. 1人工神经网络 人工神经网络(ArtificialNeuralNetwork)是由大 量的神经元广泛互连而成的网络,是模拟人在思维 时神经元的工作原理而形成的一个非线性的动力系 统.BP(Back—Propagation)反向传播神经网络是应用 较为广泛的基于有导师学习的网络,结构如图1所 示.的BP模型包含三层神经元,输入层,隐含 层,输出层,各层次的神经元之间形成全互联连接, 各层次内的神经元之间没有连接l8J. 2模拟数据 为达到这一目的,本文结合人工神经网络来估 计信号交叉口的排队长度.考虑到收集大量数据是 十分耗时的,因此所有的模拟数据都将通过TSIS模 拟软件来获得.这是一个随机交通模拟模型,用随 输出层 隐含层 输入层 输出模式 输入模式 图1BP神经网络模型 Figure1BPneuralnetworkmodel 输出神经元 隐含神经元 输入神经元 机数产生变量来模拟司机,道路和交通特性.TSIS 模拟软件得到了广泛验证,能够用于产生不同交通 情况下的数据.另外,本文考虑了不同的交通需求 水平,道路几何特性和信号控制策略.仔细调查了 交通阻塞,司机驾驶行为和信号控制方法之问的相 互作用. 3模拟工况 在本文中,排队长度及感应器数据,例如占有 率,车辆数和速度,每3S记录1次.研究路段上,感 应器和停车线之问的距离为40in,交叉道上为20in. 在目标干道上,定时信号时间为60S一个周期,34S 绿灯,3S黄灯.感应信号时间包括3相信号.最大 绿灯时间分别为:信号相1为30S,信号相2为45S, 信号相3为20S,见图2. 2 图2感应信号控制不意图 Figure2Illustrationofactuatedsignalcontrol 以下4种情况在本文中加以考虑:?位于定 时信号交叉口的单车道;?位于感应信号交叉口 的单车道;?有左转车道,位于感应信号交叉口的 双车道;?有左转车道,位于定时信号和感应信号 74中南公路工程第29卷 交叉口的道.两个交叉口之间的距离为 4排队长度预测350 m,见图3,图5..……,…… a.定时信号交叉口,随机输人流量,固定转弯 图3定时信号交叉口的单车道 Figure3Onelaneoftimesignalizedintersection 铎 \ 图4感应信号交叉口的双车道 Figure4Twolanesofactuatedsignalintersection 车辆百分比. 在产生模拟数据时,首先假定转弯车辆的百分 比是一定的,车流量在400,looo辆/h之间随机变 化.自由流车速在目标主干道上为45,72km/h,符 合车头时距正态分布.线圈感应器在本模拟中,用 于记录车辆数,占有率及速度. 经过大量的模拟训练,本文认为选取5个输入 变量,即在i,(i—1),(i一2),(i一3),时刻的 车辆数,以及信号状况参数,能够达到理想的预 测结果.因此,神经网络结构为5×5×l,输出层只 有一个单元,表明在(i+1)时刻的排队长度.利用 TSIS模拟软件,270组训练数据用于训练神经网络, 20000次迭代后网络收敛.在验证网络时,TSIS产 生了55组具有不同输人流量的数据,用训练后的神 经网络来预测排队长度,并与TSIS产生的精确结果 即实际排队长度进行比较,结果见图6a.在本文 中,神经网络预测精度根据如下定义进行确定:如果 网络预测排队长度与实际排队长度之间的误差不超 过一辆车,就认为网络预测结果准确.图6a中,神 I 目 圆 00\田田lllll一一lI ??圈?'田I 图5位于定时信号和感应信号交叉口之间的双车道 Figure5Twolanesbetweentimeandactuatedsignalizedintersection 预测结果比较 I59131721252933374i454953 时段/3s (a)同定转弯车辆百分比 褰 \ 颅测结果比较 图6定时信号交叉口处网络预测排队长度比较 Figure6Comparisonoftrafficqueuesattimesignalizedintersectionwithnetworkprediction " 弘 比 分 2s 百 辆 0 段车 ?时弯 .. 随 第3期郭秀文:信号交叉口排队长度预测的神经网络方法75 经网络的预测结果精度达到89%. 将感应器和停车线之间的距离改为150In,用 TSIS产生同样数目的训练和验证数据,神经网络的 训练结果和预测的排队长度都不如人意.这说明增 大感应器和停车线之间的距离,能够大大降低网络 的预测精度,因为在这一段距离中,车辆的交通特性 改变较大. b.定时信号交叉口,随机输入流量,随机转弯 车辆百分比. 考虑到实际情况中转弯车辆的百分比并不固 定,因此研究随机转弯车辆百分比的情况有很重要 的意义.同样由TSIS产生训练和验证数据,训练后 的网络预测排队长度结果见图6b,训练后的神经网 络预测精度达到了88%. c.感应信号交叉口,随机输入流量,随机转弯 车辆百分比. 在这一情况下,将车道l定义为右边的车道,另 外一条车道为车道2.经过类似的训练后,图7给 出了车道1的网络预测结果.训练后的网络对车道 1的预测精度为93%,略大于对车道2的预测精度 86%,这可能是由于车道2经常受到左转车辆影响 的缘故.同时,训练后神经网络对左转车道的排队 长度预测精度只达到76%,这表明神经网络不能成 功预测左转车道的排队长度. 12 10 鼍8 6 至4 2 O 预测结果比较 1,l710131619222528313437 时段/3S 图7车道1网络预测排队长度比较 Figure7Comparisonoftrafficqueuesatlaneonewithnetwork prediction d.位于定时和感应信号交叉口之间的主干道. 这里主干道有两个直行车道和一个左转车道, 定时信号交叉口位于上游,感应信号交叉口位于下 游.同样进行如前所述的数据模拟,网络预测的排 队长度精度对车道1,车道2及左转车道分别为: 90%,87%和85%.图8给出左转车道的排队长度 预测结果,精度高于左转车道在单一信号交叉口的 情况. 预测结果比较 17131925313743495561677379859197 时段/3S 图8左转车道网络预测排队长度比较 Figure8Comparisonoftrafficqueuesatleft—turnlanewith networkprediction 5结论 经过以上分析,本文得出如下结论:?对于本 文所模拟的四种情况,训练后神经网络的排队长度 预测结果都达到了一定的精度.除左转车道外,网 络的预测结果能够用于交又口的交通控制和管理. 这表明经过训练后,神经网络能够成功捕捉排队长 度与其相关交通,信号控制之间的关系;?当车道 数由1增加为2时,训练后网络对车道2的排队长 度预测结果略有下降,表明左转车辆对车道2有着 不可忽视的影响,导致车道2的交通状况更为复杂 和难以预测;?由于左转车道交通状况的特殊性 和复杂性,训练后的神经网络不能很好地预测排队 长度. 在本文中,所有训练和验证数据均由TSIS模拟 软件来产生.但在现实中,由感应器得到的交通参 数和排队长度之间的关系与软件模拟的结果之间可 能会存在较大的差距.如果要将神经网络应用于信 号交叉口的交通控制与管理,必须采用由感应器收 集来的实际数据来训练网络.这样训练后的神经网 络才能对实际的交通状况作出比较准确的预测. [参考文献] [1]LouisJ.Pignataroeta1.Trafficcontrolinoversaturatedstreet networks[R].Nationalcooperativehighwayresearchprogram report194.1987. [2]RahmiAkcelik.HCM2000backofqueuemodelforsignal— izedintersections[R].Technicalnote.2001. [3]KimberandDaly.Time—dependentqueuingatroadjunctions: observationandpredictionlJJ.TransportationRes.一B1986, (3)20B:l87,203. [4]Huel—ShengTsayeta1.algorithmforestimatingqueuelengths andstopdelaysatsignalizedintersections[JJ.Transportation ResearchRecord1324.1993.123129.(下转第80页) 987654320 铎\矗 80中南公路工程第29卷 ++l=1i=1,3,5,A,13 ? 20 20 ? ? ? 20 这是一个具有l4个变量,7个等式约束,8个不 等式约束的0一l整数规划问题. 4.4计算 对上面所建模型本文采用C语言编写了程序, 主要参数取用如下:. 种群数量为70,进化代数为150代,死亡个体为 28,q=0.2.事先已经用穷举法找到最优解为217 及对应的:(0ll00ll0l00ll0).运行十 次均发现了最优解,一次的运行结果如图4所示. 计算结果解释如下:Xl=0,X=l意味着从A 到c的4个单位的交通量将沿AEC路线到达C;同 理=l,X=0意味着从A到D的1个单位的交 通量将沿ABED路线到达D等等. 5结论 本文提出了求解城市交通流配流问题的遗传算 法解法,并作了测试.证实了遗传算法在城市交通 流配留问题求解中的有效性.篇幅所限,算法的许 多细节未能详细阐述,如交叉,变异算子等等,有兴 >',CH'o0o0o0…o)Co<)(×)()()(:K)o0o0C)o()C'.C,0 图4遗传算法运算结果 Figure4ResultsofcalculationwithGeneticAlgorithms 趣者可发邮件给我. [参考文献] [1]Michalewicz.Z.GeneticAlgorithms+DataStructure=Evo— lutionPrograms[M].Springer-NerlagBerlinHeidelberg,1996. [2]Baker,J.E.AdaptiveSelectionMethodforGeneticAlgorithms [M].1985. [3]Whihly,D.,et.a1.TheGENTIORAlgorithmandSelection Pressure:WhyRankBaseAllocationReproduceTrialsisBest 『M].1989. (上接第75页) [5]AndrzejTarkoeta1.Distribution—freemodelforestimating randomqueuesinsignalizednetworkslJj.TransportationRe— searchReCOrdI457I994. [6]JinilChang.Queueestimationalgorithmforreal—timecontrol policyusingdetectordata[Aj.paperpreparedforpresentation atthetransportationresearchboard'S79thAnnualMeetingin (K)o0o0(>()(>0(K)(K)(>0 Washington,DC[C].January2000andpublicationinthe TransportationResearchRecordSeries. [7]Gang—LenChang,Chih—ChangSu.Predictingintersection queuewithneuralnetworkmodels[Jj.TransportationRes.一 C,2000,(3):175—191. [8]DanielGraupe.PriciplesofartificialneuralnetworkslMj. WorldSeientificPublishingCo.Pte.Ltd,1997. ?2 bH X...X 33 33 22 22 22 22 33 33 44 44 ; i 44 44 98334457