基于模糊邏輯的交通擁擠狀態(tài)識(shí)別算法

，2

(1.西南交通大學(xué)交通運(yùn)輸與物流學(xué)院，四川 成都 610031；2. 綜合運(yùn)輸四川省重點(diǎn)實(shí)驗(yàn)室 四川 成都 610031)

道路交通擁擠狀態(tài)是指交通流的總體運(yùn)行狀況，是用各區(qū)間的實(shí)時(shí)交通密度和速度等參數(shù)所表示的交通流狀態(tài)，包括宏觀(guān)路網(wǎng)交通擁擠狀態(tài)、微觀(guān)路段和交叉口交通擁擠狀態(tài)。多種尺度、多種變化、隨機(jī)變化、實(shí)時(shí)變化是城市道路交通擁擠狀態(tài)的特性[1]。

擁擠狀態(tài)識(shí)別算法能在一定區(qū)域、一定置信水平下識(shí)別擁擠狀態(tài)，但不同的算法又各有差異。擁擠狀態(tài)識(shí)別算法主要有人工識(shí)別法與自動(dòng)識(shí)別法，隨著各類(lèi)檢測(cè)器的發(fā)展，目前已經(jīng)過(guò)渡到基于各類(lèi)檢測(cè)器的交通狀態(tài)識(shí)別法。按照檢測(cè)器的布置形式，自動(dòng)識(shí)別算法主要分為基于固定監(jiān)測(cè)器的識(shí)別算法、基于移動(dòng)監(jiān)測(cè)器的識(shí)別算法、基于多源信息監(jiān)測(cè)器的識(shí)別算法[2]。

基于固定檢測(cè)器的識(shí)別方法包括經(jīng)典的加州算法、McMaster算法以及DS-ANN算法等，常用于交叉口的分析?；谝苿?dòng)監(jiān)測(cè)器的識(shí)別方法包括基于路段行程時(shí)間預(yù)測(cè)值與基于速度變化率的識(shí)別方法[3]?；诙嘣礄z測(cè)器的識(shí)別算法包括模糊綜合評(píng)判法與神經(jīng)網(wǎng)絡(luò)算法，適用于對(duì)路網(wǎng)道路交通狀態(tài)的識(shí)別。

沒(méi)有一種算法的績(jī)效完全優(yōu)于其他算法，這是因?yàn)楦鞣N算法都是基于某種思想或理論，而思想或理論都有限定條件及適用性。通過(guò)對(duì)現(xiàn)有道路交通狀態(tài)識(shí)別算法的比對(duì)，不難發(fā)現(xiàn)沒(méi)有一個(gè)現(xiàn)成的算法可以直接應(yīng)用于某路網(wǎng)道路交通狀態(tài)識(shí)別系統(tǒng)，需要根據(jù)實(shí)際情況對(duì)道路交通狀態(tài)識(shí)別算法做出相應(yīng)的改進(jìn)[4]。

本文根據(jù)科學(xué)性、綜合性、可操作性、適應(yīng)性等改進(jìn)原則，考慮到應(yīng)用較普通的交通檢測(cè)設(shè)備(浮動(dòng)車(chē)、視頻和線(xiàn)圈)及可獲得的參數(shù)，參考現(xiàn)有交通狀態(tài)識(shí)別算法的輸入變量設(shè)計(jì)[5]，借鑒模糊數(shù)學(xué)的思想，采用基于模糊綜合評(píng)判的交通擁擠狀態(tài)識(shí)別算法。

1 擁擠狀態(tài)識(shí)別的改進(jìn)算法

1.1 改進(jìn)算法介紹

基于模糊綜合評(píng)判的道路交通狀態(tài)識(shí)別算法[6-7]如下。

1)建立評(píng)判對(duì)象因素集U。U=[X,a,b]，式中：X代表路段服務(wù)水平，采用X=Q/C表示，Q代表路段交通流量，C代表路段通行能力；a=K/Kj，K代表路段交通流密度，采用K=Q/V表示，Q代表路段交通流量，V代表路段區(qū)間平均運(yùn)行速度；b=T/T0，T代表路段平均運(yùn)行時(shí)間，采用T=L/V，L代表路段長(zhǎng)度，V代表路段區(qū)間平均運(yùn)行速度。在進(jìn)行道路狀態(tài)識(shí)別模糊綜合評(píng)判時(shí)，上述參數(shù)中Q、V、L均為實(shí)測(cè)值。

2)建立評(píng)判集F。F=[f1,f2,f3,f4,f5]，式中：f1代表道路處于暢通狀態(tài)(第1級(jí))；f2代表處于較暢通狀態(tài)(第2級(jí))；f3代表一般狀態(tài)(第3級(jí))；f4代表處于較擁擠狀態(tài)(第4級(jí))；f5代表嚴(yán)重?fù)頂D狀態(tài)(第5級(jí))。

3)確定隸屬函數(shù)。建立一個(gè)從U到F的模糊映射，這樣因素集中的每個(gè)元素u就與X、K、T的笛卡爾乘積X×F×T={(x,k,t)|x∈X,k∈K,t∈T}中的元素(x,k,t)一一對(duì)應(yīng)，由此可以誘導(dǎo)出單因素評(píng)判矩陣R,R=[R1,R2,R3]T，其中向量R1、R2、R3分別為R1=(r11,r12,r13,r14,r15)，R2=(r21,r22,r23,r24,r25)，R3=(r31,r32,r33,r34,r35)，R1代表服務(wù)水平相對(duì)于暢通、較暢通、一般、較擁擠與嚴(yán)重?fù)頂D的隸屬度，R2代表密度相對(duì)于暢通、較暢通、一般、較擁擠與嚴(yán)重?fù)頂D的隸屬度，R3代表平均運(yùn)行時(shí)間相對(duì)于暢通、較暢通、一般、較擁擠與嚴(yán)重?fù)頂D的隸屬度。

4)綜合評(píng)判。用因素集U上的一個(gè)模糊集A=[a1,a2,a3]表示各個(gè)因素的權(quán)重分配(在進(jìn)行道路狀態(tài)識(shí)別時(shí)，考慮到服務(wù)水平X、路段密度K和平均運(yùn)行時(shí)間T對(duì)識(shí)別結(jié)果貢獻(xiàn)相同，因此在本算法中默認(rèn)A=[0.33,0.33,0.33])，求出綜合評(píng)判集B，其中B=A×U，B=[b1,b2,b3,b4,b5]。通過(guò)對(duì)b1、b2、b3、b4、b5值的比較最終確定路段的交通狀態(tài)。

1.2 算法評(píng)價(jià)

1)改進(jìn)后的算法充分運(yùn)用了可以通過(guò)較為普遍的交通檢測(cè)設(shè)備得到的所有原始數(shù)據(jù)，即通過(guò)浮動(dòng)車(chē)得到的行程時(shí)間和地點(diǎn)平均車(chē)速數(shù)據(jù)，通過(guò)視頻得到的車(chē)輛信息數(shù)據(jù)，通過(guò)線(xiàn)圈得到的交通流數(shù)據(jù)，不需要通過(guò)購(gòu)置其他交通檢測(cè)設(shè)備就能得到，相比單源檢測(cè)器、單源數(shù)據(jù)的運(yùn)用，本算法更具有綜合性，更符合實(shí)際情況。

2)該算法運(yùn)用[X,a,b]指標(biāo)作為評(píng)判對(duì)象因素，與交通流參數(shù)基本模型中的流量、密度、速度相對(duì)應(yīng)，從流量、空間和時(shí)間3個(gè)不同的角度對(duì)道路交通狀態(tài)予以綜合判別；算法中各參數(shù)在不同狀態(tài)下所對(duì)應(yīng)的隸屬度函數(shù)根據(jù)相關(guān)規(guī)范、標(biāo)準(zhǔn)制定，采用梯形函數(shù)的形式能較好刻畫(huà)道路交通狀態(tài)的變化規(guī)律。

3)基本模糊綜合評(píng)判算法計(jì)算量小、操作簡(jiǎn)便、算法結(jié)構(gòu)簡(jiǎn)單，能夠通過(guò)計(jì)算機(jī)反復(fù)迭代計(jì)算完成，能適應(yīng)高頻率的道路交通狀態(tài)更新。

4)改進(jìn)后的算法能適應(yīng)不同等級(jí)道路的交通運(yùn)行狀況，能夠在一定程度上得到推廣。

2 算例分析

本文以某城市主干道路段為對(duì)象，針對(duì)該路段某一方向的道路交通狀態(tài)進(jìn)行識(shí)別，以明確該算法的操作步驟。

該算法的關(guān)鍵在于確定隸屬函數(shù)，隸屬函數(shù)的合適與否，直接影響到交通狀態(tài)識(shí)別的準(zhǔn)確率。實(shí)數(shù)域上的模糊集可以選用各種分布，主要有正態(tài)函數(shù)、三角函數(shù)、梯形函數(shù)、矩形函數(shù)等。根據(jù)對(duì)城市道路交通狀態(tài)交通流特性的分析，服務(wù)水平、路段密度和平均運(yùn)行時(shí)間與城市道路交通狀態(tài)之間的關(guān)系比較符合梯形函數(shù)，且梯形函數(shù)具有計(jì)算簡(jiǎn)單方便等特點(diǎn)；因此，梯形函數(shù)被廣泛采用。

根據(jù)相關(guān)標(biāo)準(zhǔn)和研究路段的實(shí)際情況，構(gòu)造出路段服務(wù)水平、路段密度和平均運(yùn)行時(shí)間各個(gè)模糊集的隸屬函數(shù)。由于不同等級(jí)道路的幾何條件和通行能力存在差異，且道路狀態(tài)評(píng)判閾值也有所不同，為消除這種差異和不同，需分別對(duì)快速路、主干路、次干路和支路建立不同的隸屬度函數(shù)，在不同道路條件下予以選用[8-10]。本文主要針對(duì)城市主干路進(jìn)行分析。

1)數(shù)據(jù)準(zhǔn)備。

該路段晚高峰某一時(shí)刻道路交通流參數(shù)如表1所示。

表1 某路段晚高峰某時(shí)刻道路交通流參數(shù)

注：臨界密度Kj為交通量接近通行能力時(shí)，平均車(chē)速接近于限制速度一半時(shí)的密度，該指標(biāo)通常作為道路趨向于擁擠產(chǎn)生或趨向于擁擠消散的臨界點(diǎn)。

2)確定隸屬度函數(shù)。

道路狀態(tài)分為{暢通，暢通與較暢通臨界狀態(tài)，較暢通狀態(tài)，較暢通與一般臨界狀態(tài)，一般狀態(tài)，一般與較擁擠臨界狀態(tài)，較擁擠狀態(tài)，較擁擠與嚴(yán)重?fù)頂D臨界狀態(tài)，嚴(yán)重?fù)頂D狀態(tài)}，判斷標(biāo)準(zhǔn)以X，a，b的不同值來(lái)確定。在每種狀態(tài)下都有對(duì)應(yīng)的X，a，b值范圍，以下閾值按照最大值10%的跨度來(lái)進(jìn)行分析。

① 確定路段服務(wù)水平隸屬函數(shù)。

該城市道路主干道Q/C不同數(shù)值時(shí)對(duì)應(yīng)的道路狀態(tài)如表2所示。

表2 Q/C不同取值時(shí)對(duì)應(yīng)的道路狀態(tài)

采用梯形函數(shù)，路段服務(wù)水平隸屬函數(shù)公式如下(依次為暢通、較暢通、一般、較擁擠、嚴(yán)重?fù)頂D狀態(tài)，下同)：

(1)

(2)

(3)

(4)

(5)

②確定道路密度隸屬函數(shù)。

以相對(duì)密度a=k/kj為評(píng)判指標(biāo)劃分道路交通狀態(tài)。該城市道路主干道取不同數(shù)值時(shí)對(duì)應(yīng)道路狀態(tài)如表3所示。

表3 相對(duì)密度a不同取值時(shí)對(duì)應(yīng)的道路狀態(tài)

采用梯形函數(shù)，道路密度隸屬函數(shù)公式如下：

(6)

(7)

(8)

(9)

(10)

③確定平均行程時(shí)間隸屬函數(shù)。

以相對(duì)平均行程時(shí)間b=T/T0為評(píng)判指標(biāo)劃分道路交通狀態(tài)。該城市道路主干道取不同數(shù)值時(shí)對(duì)應(yīng)道路狀態(tài)如表4所示。

表4 相對(duì)平均行程時(shí)間b不同取值時(shí)對(duì)應(yīng)的道路狀態(tài)

采用梯形函數(shù)，道路平均行程時(shí)間隸屬函數(shù)公式如下：

(11)

(12)

(13)

(14)

(15)

3)數(shù)值計(jì)算。

將表中服務(wù)水平X值代入式(1)—(5)計(jì)算，得到：

u1(X)=0,u2(X)=0,u3(X)=0.4,

u4(X)=0.6;u5(X)=0

將表中道路相對(duì)密度a代入式(6)-(10)計(jì)算，得到：

u1(a)=0.65,u2(a)=0.35,u3(a)=0,u4(a)=0,u5(a)=0

將表中相對(duì)平均行程時(shí)間b代入式(11)—(15)計(jì)算，得到：

u1(b)=0,u2(b)=0,u3(b)=0.5,u4(b)=0.5,u5(b)=0

最終得到判斷矩陣R為

已知A=(a1,a2,a3)=(0.33,0.33,0.33)，則經(jīng)過(guò)計(jì)算B=A×R，得到

B=(0.214 5,0.115 5,0.297,0.363,0)

取其最大值b4=0.363，得到該道路處于較擁擠交通狀態(tài)。

3 結(jié)論

1)本算法適用于路網(wǎng)內(nèi)布設(shè)了較為完備的線(xiàn)圈、視頻和浮動(dòng)車(chē)檢測(cè)器的交通信息采集系統(tǒng)，并根據(jù)各檢測(cè)器的優(yōu)劣性選取了該檢測(cè)器采集精度最高的交通參數(shù)。

2)算法計(jì)算過(guò)程簡(jiǎn)單，較容易實(shí)現(xiàn)，但隸屬度函數(shù)與計(jì)算結(jié)果精度密切相關(guān)，在應(yīng)用前需進(jìn)行大量的調(diào)查工作。

3)在輸入變量中，大多是交通參數(shù)的實(shí)測(cè)值，預(yù)測(cè)的準(zhǔn)確程度影響到交通擁擠狀態(tài)判別的精度。

4)為了簡(jiǎn)化計(jì)算，本文用模糊集A=(a1,a2,a3)表示各個(gè)因素的權(quán)重分配，取值相同，在今后的研究中，可根據(jù)道路上各檢測(cè)器的布設(shè)密度進(jìn)行調(diào)整，如某路網(wǎng)的線(xiàn)圈視頻數(shù)量較多，浮動(dòng)車(chē)比例較小，可適當(dāng)減少行程時(shí)間因素在模糊集中的權(quán)重。

[1]姜桂艷，冮龍暉，王江鋒. 城市快速路交通擁擠識(shí)別方法[J]. 交通運(yùn)輸工程學(xué)報(bào)，2006，6(3)：87-91

[2]魏強(qiáng). 基于固定檢測(cè)器的區(qū)域交通狀態(tài)判別方法研究[D]. 長(zhǎng)春：吉林大學(xué)，2011：12-15.

[3]江龍暉. 城市道路交通狀態(tài)判別及擁擠擴(kuò)散范圍估計(jì)方法研究[D]. 長(zhǎng)春：吉林大學(xué)，2007：20-22.

[4]姜桂艷，郭海鋒，孟志強(qiáng)，等. 基于實(shí)時(shí)信息的城市道路交通狀態(tài)評(píng)價(jià)指標(biāo)體系研究[J].交通與計(jì)算機(jī)，2007(5)：21-24.

[5]楊兆生，王爽，馬道松. 基礎(chǔ)交通信息融合方法綜述[J]. 公路交通科技，2006，23(3)：111-116.

[6]鄭建湖，文子娟，黃明芳，等. 交通擁擠狀態(tài)模糊識(shí)別方法的設(shè)計(jì)與應(yīng)用[J]. 華東交通大學(xué)學(xué)報(bào)，2009，26(1)：29-33.

[7]鄒亮，徐建閩，朱玲湘. 基于融合技術(shù)的道路交通狀態(tài)判別模型[J]. 清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2007，47(S2)：1822-1825.

[8]WANG Yibing, Papageogeorgiou Markos. Real-rime freeway traffic state estimation based on extended Kalman filter: A general approach [J]. Transportation Research Part B, 2005,39(2)：141-167.

[9]羅斯·羅格，普拉薩絲·艾琳娜，米山尼·威廉姆. 交通工程：基礎(chǔ) [M]. 3版. 北京：機(jī)械工業(yè)出版社，2008:160-161.

[10]王建玲，蔣陽(yáng)升. 交通擁擠狀態(tài)的識(shí)別與分析[J]. 交通運(yùn)輸工程學(xué)報(bào)，2006，6(3)：87-91.