基于路网预测与仿真的交通主动控制系统研究

来源：核心期刊咨询网时间：12

摘要：摘 要：经济社会的发展使城市路网中交通过饱和的现象愈发严重。作为缓解城市交通拥堵的重要举措，交通信号主动控制能主动干预交通流的演化过程，提高区域交通运行效率。本文首先阐述目前城市交通管理中抑制交通流过饱和的各种措施及信号控制系统的使用现状，

　　摘 要：经济社会的发展使城市路网中交通过饱和的现象愈发严重。作为缓解城市交通拥堵的重要举措，交通信号主动控制能主动干预交通流的演化过程，提高区域交通运行效率。本文首先阐述目前城市交通管理中抑制交通流过饱和的各种措施及信号控制系统的使用现状，然后分析城市交通存在的问题，接下来利用卡尔曼滤波算法建立短时交通流预测模型，对区域路网进行建模，并结合统计学模型与神经网络模型，实现路网的仿真推演，给出基于交通流预测的主动信号控制算法，最后开发出一套基于路网预测、建模与仿真的交通主动控制系统。本文所开发的系统为缓解区域交通拥堵提供了参考。

　　关键词：信号主动控制;交通流预测;路网建模;交通拥堵

　　1 城市交通管理系統概述

　　城市化进程的加快使得城市交通系统供需失衡的问题日趋严重[1]。缓解城市交通拥堵的关键在于交通管理方法和交通组织方式的优化[2]。当前，缓解城市交通拥堵的方法主要分为3类：加大道路基础设施建设、采用人为的交通管理手段和使用智能化的交通管理与控制系统[3-5]。其中，第一类方法具体包括：通过拓宽道路宽度来提高道路的通行能力;增加城市地铁运营里程和高架桥的数量以实现有效分流;增加公交车专用车道以提高公共交通分担率。

　　第二类方法是指通过拥堵收费、单双号限行、设置潮汐车道、设置机非隔离车道、交警人工疏导等缓解交通拥堵。第三类方法主要结合计算机、通信、GPS等高新技术，通过获取的交通状况信息形成相应的交通控制方案，优化路网上的交通流时空分布，达到提高路网运行效率和缓解路网拥堵的目的。典型的智能交通管理系统由交通监控、交通诱导、电子警察、公交管理和突发事件响应等子系统组成。而实现交通智能化管理的关键在于自适应信号控制。依照控制策略的不同，信号控制系统可分为两类：第一类是以TRANSYT和MAXBAND为代表的离线控制系统;第二类是以SCATS和SCOOT为代表的在线控制系统。

　　2 城市交通存在的问题

　　经济社会的发展使我国汽车保有量逐年增加，但是，不合理的早期路网结构规划、落后的道路基础设施与滞后的交通管理手段仍跟不上车辆的增长速度，使交通供需失衡导致城市交通过饱和的问题难以得到解决。近年来，机非干扰的影响及共享单车的乱停乱放使得有限的道路时空资源损耗得更为严重，城市道路的拥堵状况进一步恶化。加大道路基础设施建设可以有效分流，对缓解城市交通拥堵起到了一定的作用，但此种方式投入巨大，且短时间内见不到效果。

　　此外，高峰时期极端恶化的交通状况使交警人工疏导、设置机非车道等人为手段获得的实际效果不明显。同时，已有的从国外移植过来的自适应信号控制系统适应性不佳[5]，主要表现在以下两方面：一方面系统在检测到交通数据之后，再调整对应的控制策略，不能起到提前预防交通拥堵的作用;另一方面，仅凭安装在交叉口处的有限线圈采集的交通数据不能反映整个路段的交通状况，排队长度、车辆延误、排队次数等评估交通拥堵状况的全息信息也难以获得[2]。

　　与被动式信号控制系统相比，主动式信号控制系统的优点在于其能提前获得交通流的时空演化方向，在此基础上形成的以预防交通流过饱和能力最强的交通控制策略能有效缓解路网的交通拥堵状况。因此，开发一套能提前预防交通拥堵的主动信号控制系统具有重要的实用价值[5]。

　　3 短时交通流预测

　　卡尔曼滤波用状态空间概念来描述其数学公式。该公式由状态方程和观测方程组成，采用递推算法求得状态变量的最优估计[6]。卡尔曼滤波具有较好的鲁棒性和稳定性，既适用于平稳环境，也适用于非平稳环境。由于卡尔曼滤波模型能用于预测模型的参数，因此选择其来做短时交通流预测是合适的[7]。

　　以十字形交叉口为例，城市中典型的相邻路口的路口渠化图如图1所示。

　　其中，线圈安装在交叉口的下游断面处，用于检测断面处各车道的流量。设[qFdt+1]是下游路口断面处第t+1周期的流量，基于相邻路口的上下游流向关系，可以认为下游路口断面处第t+1周期的流量与下游路口前3个周期的流量、上游路口前一个周期的流量有关。所建立的流量预测模型如下：

　　[rdt+1=P0tVdt+P1tVdt-1+P2tVdt-2+P3tVut+ωt] (1)

　　其中， [P0t]、[P1t]、[P2t]、[P3t]为相关系数;[Vdt]、[Vdt-1]、[Vdt-2]是下游路口断面处在t、[t-1]、[t-2]周期的流量比值;[rdt+1]是下游路口断面处在[t+1]周期的流量预测值与其历史均值的比值;[Vdt]是下游路口断面处在第[t]个周期的流量观测值与历史均值的比值;[Vut]是上游路口在第[t]个周期的流量观测值与其历史均值的比值;[ωt]为零均值的、协方差矩阵为[Rt]的白噪声。将模型变换如下：

　　[Bt=Vdt，Vdt-1，Vdt-2，Vut] (2)

　　[Xt=P0t，P1t，P2t，P3tT] (3)

　　[yt=rdt+1] (4)

　　卡尔曼滤波的状态方程和观测方程为：

　　[Xt=CtXt-1+ut-1] (5)

　　[yt=BtXt+ωt] (6)

　　其中，[Bt]是观测矩阵;[Xt]是状态向量;[yt]是观测向量;[Ct]是状态转移矩阵;[ut-1]是过程噪声;[Qt-1]是[ut-1]的协方差矩阵。

　　利用卡尔曼滤波的时间更新方程得到下一周期的状态向量的先验估计，则下游路口断面处在[t+1]周期的流量预测值为：

　　[qFdt+1=rdt+1×qMdt+1=BtXt-1×qMdt+1] (7)

　　式(7)中，[Xt-1]是状态向量的先验估计，[qMdt+1]是下游路口断面处历史同时期在第[t+1]周期的流量平均值。选取MAPE作为误差评价指标。对杭州市168号交叉口与167号交叉口构成的路段断面处的流量进行预测，预测效果如图2所示。

　　经计算，预测的MAPE为24.70%，使用卡尔曼滤波模型取得了较高的预测精度。

　　4 路网建模与仿真推演

　　按拓扑结构划分，城市交叉口可分为十字形、T形、X形、Y形、环形、错位和多路口形[8]，本文选取城市道路中最常见的十字路口进行路网建模。建立的城市路网拓扑图如图3所示。

　　作为一种时间递归神经网络，长短时记忆(LSTM)神经网络用于交通流预测时能获得较高的预测精度。为重现或预测交通流随时间推移的时空分布规律，以达到预知城市路网拥堵状况和制定相应的信号控制策略的目的，需要建立城市路网的交通流仿真推演模型。

　　本文对有多个交叉口构成的路网进行仿真推演。单个断面的交通流一步仿真推演流程如图4所示。

　　在对路网进行仿真推演之前，使用流量历史数据计算出模型覆盖区域中各个交叉口的所有断面从周一至周日每天288个周期的流量历史均值，并将计算的历史均值存至数据库中;使用LSTM模型对所在路段有上游路口的断面进行流量预测，得到各断面历史同时期的流量预测值，将得到的流量预测值也存至数据库中。

　　流量单步推演的步骤如下。①初始化流量，如果所在周期为仿真推演的首个周期，以历史同时期的流量均值作为初始值，反之以上一周期的推演值作为当前周期的流量初始值。②利用卡尔曼滤波算法对流量进行单步预测。③对断面的情形进行判断，如果断面所在路段的上游交叉口位于模型覆盖的区域中，使用LSTM神经网络模型得到的历史同时期流量预测值作为卡尔曼滤波模型的状态更新方程中的观测值，对得到的流量预测值进行校准，校准后的最优估计值即为当前周期的流量推演值;若断面所在路段的上游交叉口不在区域中，使用历史同时期的流量均值作为卡尔曼濾波模型的状态更新方程的观测值，对预测值进行校准，校准后的最优估计值即为当前周期的流量推演值。④得到的流量推演值作为下一周期的初始化流量。

　　推荐阅读：《交通财会》(FINANCE & ACCOUNTING FOR COMMUNICATIONS) 杂志是由交通运输部主管、中国交通会计学会主办的我国交通财会领域唯一一份国内外公开发行的专业性学术期刊。

转载请注明来自：http://www.qikan2017.com/lunwen/wyi/13410.html