基于動態(tài)貝葉斯網絡的交通燈自主智能決策

陳海洋,聶弘穎,潘金波

(西安工程大學 電子信息學院,陜西 西安 710048)

0 引 言

據(jù)統(tǒng)計,我國車輛以每年2 000萬輛的速度劇增,大大增加了道路的負擔,導致交通堵塞. 交通燈是交通信號中的重要組成部分,對緩解交通堵塞具有至關重要的作用[1-3]. 目前國內大都采用定時控制的交通燈,但是,現(xiàn)在的交通狀況復雜多變,目前這種非智能的交通燈容易造成時間上的浪費甚至是交通堵塞.

為了緩解交通堵塞問題,國內外許多學者對交通燈的時間進行了研究,取得了大量的成果[4-11]. 文獻[4-5]主要通過硬件控制交通燈的時間,時間比較固定;文獻[6]主要研究基于公交優(yōu)先來實現(xiàn)相應的交通燈控制系統(tǒng);文獻[7]通過控制算法對路口各車道的車流量數(shù)據(jù)進行實時統(tǒng)計分析,控制交通燈的時間;文獻[8]考慮車速與車流量對交通燈進行建模,控制交通燈的時間;文獻[9]是根據(jù)車流量的變化控制主干路以及干、支路上交通燈的時間;文獻[10]提出了一個基于遺傳算法的動態(tài)配時策略,主要對車流量進行分析;文獻[11]采用自適應交通控制信號燈算法,根據(jù)交通量、等待時間、車輛密度決定交通燈時間.

上述文獻所研究的模型比較簡單,大多數(shù)只考慮了單一因素對交通燈時間的影響,有的雖考慮了多個因素,但不夠全面,不能科學地決策出最佳的交通燈時間. 本文為了克服現(xiàn)有方法的缺陷,提出了具有星型結構的交通燈自主智能決策模型. 通過對影響交通燈時間的主要因素進行分析,確定影響交通燈時間的關鍵因素，即是否主干道、車速、車流量. 據(jù)此建立交通燈自主決策模型,以實時采集的證據(jù)信息為依據(jù),通過動態(tài)貝葉斯網絡實現(xiàn)在線推理,根據(jù)推理結果實時改變交通燈的時間. 這種自主智能模式能夠更全面、更真實地反映交通狀況,實現(xiàn)交通的智能化,提高道路的使用效率.

1 動態(tài)貝葉斯網絡

貝葉斯網絡[12]是描述數(shù)據(jù)變量之間依賴關系的一種圖形模型,也是一種用來進行推理的模型. 它為人們提供了一種方便的框架結構來表示各個節(jié)點的因果關系,使不確定性推理在邏輯上變得更為清晰、可理解性強.靜態(tài)貝葉斯網絡無法對時序問題進行建模.為了能夠處理動態(tài)的不確定性問題,需要將貝葉斯網絡擴展成帶有時間參數(shù)的動態(tài)貝葉斯網絡.動態(tài)貝葉斯網絡是對具有隨機過程性質的不確定性問題進行模型表示和推理分析的一種重要工具.動態(tài)貝葉斯網絡是從貝葉斯網絡發(fā)展而來的,在每一個時間點上,環(huán)境的每一個方面都用一個隨機變量表示,通過這種方式對變化的環(huán)境進行建模,其結構如圖1所示.

(a)先驗網 (b)轉移網圖1 動態(tài)貝葉斯網絡結構

定義1 一個動態(tài)貝葉斯網絡可以被定義為(B1,B→),其中B1是一個貝葉斯網絡,定義了初始時刻的概率分布P(X1),B→是一個包含兩個時間片的貝葉斯網絡,定義了兩個相鄰時間片的各變量之間的條件分布,即

(1)

2 改進的前向算法

由于實時交通模型需要實時決策,本文將采用改進的前向算法來進行推理,該算法屬于在線算法.

2.1 初始化

(2)

2.2 遞推計算

(3)

3 交通控制系統(tǒng)

3.1 相位

根據(jù)實時交通情況,為了保證各個十字路口的車輛以及行人能夠安全有序高效地通過十字路口,本文采用了如圖2所示的可確定性相位的十字路口,該相位已在廈門等地使用,比較人性化.如圖2(a)所示,只允許從西往東行駛的車輛直行或左轉彎以及向南行駛的車輛右轉彎,其他方向行駛的車輛一律不許通行,只允許行人在如圖所示的人行道上行走,其它地方一律不許通行,以此類推,其它方向的車輛通行情況如圖2(b)，(c)，(d)所示.這種相位可以使得車輛與車輛之間,車輛與行人之間所通行的路線都是相互獨立的,并不會出現(xiàn)車輛與車輛之間進行避讓,車輛與行人之間進行避讓,這樣不僅保證車輛能快速安全地通過十字路口,也能保證行人安全地通行,避免出現(xiàn)車輛在十字路口撞擊行人這一現(xiàn)象,也能避免十字路口發(fā)生車輛相撞的交通事故.

(a) (b) (c) (d)圖2 十字路口相位圖

本文所適用的交通燈分布情況如圖3所示,其中1,2,3,4表示交通燈,a,b,c,d表示人行道燈.首先,分析上圖2(a)中的情況,當3號交通燈的直行燈與左轉彎燈以及4號交通燈的右轉彎燈為綠燈時,d號人行道燈為綠燈,其它的一律為紅燈；假定當綠燈計時器計時為0時,顯示黃燈3s,然后轉換為紅燈顯示開始計時,此時,2號交通燈的直行燈與左轉彎燈以及3號交通燈的右轉彎燈為綠燈,c號人行道燈為綠燈,其它的一律為紅燈；假定綠燈計時器計時為0時,顯示黃燈3s,然后轉換為紅燈顯示開始計時.以此類推,交通燈依次轉換到圖2(c),(d)的情況,之后,再從圖2(a)情況開始重復循環(huán)亮紅綠燈.

圖3 交通燈分布情況 圖4 貝葉斯網絡的交通燈決策模型

3.2 模型

文獻[8]分析了主次干道對交通燈時間的影響,主次干道可以通過觀測來確定;文獻[9]分析了車速與車流量對交通燈時間的影響,車速的數(shù)據(jù)可以通過車速傳感器采集,車流量的數(shù)據(jù)可通過視頻傳感器獲得.綜上所述,影響交通燈時間的主要因素包括是否主干道、車速以及車流量.這3個因素的數(shù)據(jù)可以通過現(xiàn)有的傳感器獲得,并且相互獨立.因此,本文根據(jù)這3個因素,建立基于貝葉斯網絡的交通燈自主智能決策模型,如圖4所示.該模型具有星型結構,便于各數(shù)據(jù)之間的傳輸以及該模型的實現(xiàn).在該模型中,是否主干道、車速以及車流量都是觀測變量,即可以觀測到證據(jù)的變量;時間類別是隱藏變量,該變量表示綠燈的時間長度.該模型考慮到十字路口交通燈時間應實時反應交通道路的狀況,因而構建的模型盡可能簡潔而有效.

由于車速變量和車流量變量屬于整數(shù)變量,它們的取值是一個范圍,本文采用模糊分類方法,將可觀測變量的觀測值進行分類分析.考慮到人們在各個十字路口能夠接受的等待時間,本文將隱變量時間類別分為:30s,60s和90s.將觀測變量Y1分為主干道和非主干道,用Y和N表示;將觀測變量Y2分為大于30km/h,10～30km/h,小于10km/h,分別用H、M、L表示.將觀測變量Y3分為大于90輛,50～90輛,小于50輛,分別用B、M、S表示.構建如圖5所示的貝葉斯網絡模型.

以上是單個時間片的交通燈模型,然而在實時交通情況下,這些可觀測變量的取值卻隨著時間而改變,靜態(tài)貝葉斯網絡無法反應這種動態(tài)的變化,因此,需要構建如圖6所示的動態(tài)貝葉斯網絡反應這種隨著時間不斷變化的交通狀況.例如:在上下班時間交通流量大,車速相對來說比較慢;在晚上的時候交通狀況比較良好;或許隨著季節(jié)、天氣的變化,對司機行駛速度有一定的影響,這些狀況都會反應在構建的模型中,影響隱變量的時間取值.

圖5 單個時間片的交通燈決策模型 圖6 交通燈的動態(tài)貝葉斯網絡決策模型

表1 條件概率

本文采用了改進的前向算法在交通燈的動態(tài)貝葉斯網絡上進行在線推理,通過對實時采集的數(shù)據(jù)進行分析來自主決策交通燈的時間,實現(xiàn)了該模型的自主化與智能化.

4 仿真分析

設定先驗概率P(X1=O)=0.2,P(X1=P)=0.6,P(X1=Q)=0.2,條件概率見表1,狀態(tài)轉移概率見表2.

表2 狀態(tài)轉移概率

假定某十字路口東西方向是主干道,距離該十字路口300m有測速設備,在數(shù)據(jù)開始采集時,車速為28km/h,車流量為70輛,這時的十字路口比較暢通,在東西方向上綠燈選擇的時間為60s.隨著時間的推移,采集到的車速不斷下降,車流量不斷增加,該十字路口逐漸堵塞,觀測了6個時間片的證據(jù)信息見表3.

根據(jù)模糊分類函數(shù)式(4)模糊分類車速觀測值,根據(jù)模糊分類函數(shù)(5)模糊分類車流量觀測值,分別得到隸屬度見表4.

表3 觀測數(shù)據(jù)

(4)

(5)

根據(jù)表4的觀測數(shù)據(jù),利用改進的前向算法推理得到表5的結果,表中的每組數(shù)據(jù)從左到右依次為綠燈時間為30s,60s,90s的概率值,取這3個概率值中的最大值所對應的時間作為動態(tài)貝葉斯網絡在該時間片上決策出的最優(yōu)交通燈時間.

表4 模糊分類后的觀測數(shù)據(jù)

表5 仿真結果

從表5可以看出,隨著時間的推移,時間為30s和60s的概率不斷降低,時間為90s的概率不斷升高,且在第5、第6時間片,交通燈為90s的概率顯著高于其它時間的概率,說明隨著該十字路口逐漸堵塞,決策出的交通燈時間也隨之變長,這個仿真結果與假定的情況相符.可以看出貝葉斯網絡模型能夠融合多個觀測變量得到的證據(jù)信息,自主決策出最佳的交通燈時間.

5 結束語

本文采用了單方向通行的相位,考慮了是否主干道、車速、車流量這三個因素,建立了隨時間變化的自主智能交通燈模型.這種模型能夠根據(jù)可觀測變量的不同數(shù)據(jù)來決定隱變量時間的取值,能夠自主決策交通燈時間,更好地反映實時交通情況,很好地改善交通運輸?shù)男?提升交通的智能化.該模型能夠幫助交通管理部門分析道路狀況和決策道路交通燈的時間,使車輛與行人有序高效安全地通過十字路口.

參考文獻：

[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] 高強,付超,王健,等.車輛主動式交叉路口調度模型[J].吉林大學學報:工學版,2013(6):1638-1643.

[3] 李盛春,孔令江,劉慕仁,等.智能交通燈對交叉路口交通流的影響[J].物理學報,2009(4):2266-2270.

[4] 秦偉.交通燈順序控制系統(tǒng)的程序設計與實現(xiàn)[D].西安：長安大學,2012:1-10.

[5] 段志龍.基于無模型自適應控制算法的嵌入式交通燈控制器設計與實現(xiàn)[D].北京：北京交通大學,2012:1-36.

[6] 齊鈺.基于公交優(yōu)先的交通信號控制技術研究[D].大連：大連理工大學,2012:1-25.

[7] 彭成斌,李新玉,安利峰.一種倒計時交通燈的控制算法[J].計算機工程,2009,35(14):243-246.

[8] 張萌萌,賈磊.城市協(xié)調控制主干路交通流模型[J].控制理論與應用,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] 黃向黨.基于車流量的交通燈動態(tài)調整策略的研究與設計[D].成都：電子科技大學,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.