面向脆弱城市交通系統(tǒng)的研究與設(shè)計

趙萌，郭凱文，劉蕾，韓存武，孫德輝

（北方工業(yè)大學，現(xiàn)場總線及自動化北京市重點實驗室，北京 100144）

面向脆弱城市交通系統(tǒng)的研究與設(shè)計

趙萌，郭凱文，劉蕾，韓存武，孫德輝

（北方工業(yè)大學，現(xiàn)場總線及自動化北京市重點實驗室，北京 100144）

摘 要：為了解決日益復雜多變的城市交通狀況，改善城市交通系統(tǒng)，本文將智能交通系統(tǒng)與神經(jīng)網(wǎng)絡(luò)方法相結(jié)合，對脆弱的城市交通系統(tǒng)進行優(yōu)化。首先討論了智能交通系統(tǒng)的現(xiàn)狀及改進措施，接著討論了基于神經(jīng)網(wǎng)絡(luò)對交通流進行預測，最后進一步基于神經(jīng)網(wǎng)絡(luò)對交通系統(tǒng)的重要參數(shù)——綠信比進行設(shè)計。本文將引進智能交通系統(tǒng)并綜合采用神經(jīng)網(wǎng)絡(luò)對現(xiàn)有交通系統(tǒng)的研究，對目前脆弱的城市交通系統(tǒng)進行設(shè)計與優(yōu)化。

關(guān)鍵詞：智能交通系統(tǒng)；神經(jīng)網(wǎng)絡(luò)；交通流；綠信比；優(yōu)化

本文引用格式：趙萌，郭凱文，劉蕾，等.面向脆弱城市交通系統(tǒng)的研究與設(shè)計[J].新型工業(yè)化，2015，5(4)：18-23

0　引言

本文將智能交通系統(tǒng)與神經(jīng)網(wǎng)絡(luò)方法相結(jié)合，對脆弱的城市交通系統(tǒng)進行優(yōu)化。

在智能交通系統(tǒng)方面，文獻[1]指出ITS的建立可以提高路網(wǎng)通行能力和服務(wù)水平，改善環(huán)保質(zhì)量，提高能源利用率；文獻[2]指出智能交通系統(tǒng)是將“人車路”作為三位一體的交通系統(tǒng)并且它的引進將會提高交通運輸效率并且介紹了智能交通系統(tǒng)的五個功能；文獻[3]針對中國城市道路交通的特點及以往交通控制系統(tǒng)的問題和未來發(fā)展的需要，提出了適用于中國城市的實時自適應控制與管理系統(tǒng)；文獻[4]介紹了采用系統(tǒng)動力學方法，在系統(tǒng)結(jié)構(gòu)分析和因果反饋分析的基礎(chǔ)上建立了城市交通系統(tǒng)的SD (System Dynamics)模型，分析了不同的機動化發(fā)展政策對城市發(fā)展和城市交通系統(tǒng)的影響，并提出了相應的建議和對策；文獻[5]提出了針對中國現(xiàn)有的智能交通系統(tǒng)，提出了一些改進措施。

在神經(jīng)網(wǎng)絡(luò)方法的介紹中，文獻[6]在簡要介紹神經(jīng)網(wǎng)絡(luò)原理的基礎(chǔ)上，分析了采用神經(jīng)網(wǎng)絡(luò)解決交通系統(tǒng)中空車調(diào)度及交通流預測的原理及方法；文獻[7]指出神經(jīng)網(wǎng)絡(luò)模型既能夠識別線性指標又能夠識別非線性指標的特性，并建立了神經(jīng)網(wǎng)絡(luò)居民出行方式選擇預測模型，為城市居民出行方式的選擇預測提供了新的思路；文獻[8]通過對人工神經(jīng)網(wǎng)絡(luò)在智能交通系統(tǒng)中的應用分析，評價其應用效果及存在的問題，并提出今后的發(fā)展方向；文獻[9]通過對基于人工神經(jīng)網(wǎng)絡(luò)的預測控制算法進行介紹，設(shè)計了一個基于神經(jīng)網(wǎng)絡(luò)的單個交叉路口的交通燈預測控制系統(tǒng)，該方法能有效提高車輛通行效率，增強道路的吞吐能力；文獻[10]提出一種基于神經(jīng)網(wǎng)絡(luò)的城市關(guān)聯(lián)交叉口的交通流預測控制方法，表明以關(guān)聯(lián)交叉口總體排隊長度最小為優(yōu)化指標的交通流預測控制策略，可提高關(guān)聯(lián)交叉口的總體通行效率；文獻[11]根據(jù)城市交通系統(tǒng)的特點設(shè)計了單個路口信號燈的模糊控制器，研究了用神經(jīng)網(wǎng)絡(luò)實現(xiàn)模糊控制器的方法和過程，并對該控制器進行了仿真研究；文獻[12]將模糊邏輯和神經(jīng)網(wǎng)絡(luò)相結(jié)合，采用模糊隸屬函數(shù)來描述車輛排隊長度和綠燈時間，建立了模糊神經(jīng)網(wǎng)絡(luò)交通燈信號控制模型，利用模糊控制的方法實現(xiàn)交叉口的交通燈控制；文獻[13]介紹了運用神經(jīng)網(wǎng)絡(luò)模糊控制技術(shù)來實現(xiàn)智能交通燈的經(jīng)典模糊控制，指出采用多交叉口信號控制方法，可以增大多路口整體的車流輛，使整體交通控制效果變得更優(yōu)一些；文獻[14]提出了利用模糊神經(jīng)網(wǎng)絡(luò)分層遞階控制城市交通干線車流量的方法,分析結(jié)果表明采用該方法可以減少車輛的停車次數(shù)和延誤時間；文獻[15]介紹了利用遞階結(jié)構(gòu)和模糊神經(jīng)網(wǎng)絡(luò)來進行交通系統(tǒng)的實時協(xié)調(diào)控制的思想，研究表明提出的方法能夠有效地縮小平均排隊長度，從而達到減少車輛延誤的目的；文獻[16]介紹了采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)來建立一個道路交通事故宏觀預測的模型，研究表明，建立的模型可以很好的適用于道路交通事故宏觀預測，為制定交通安全對策提供理論依據(jù)；文獻[17]提出一種新的 BP 和 RBF混合神經(jīng)網(wǎng)絡(luò)算法，并將其應用在智能交通誘導系統(tǒng)的研究，此研究既解決了現(xiàn)存的交通信息孤島問題，又實現(xiàn)了交通動態(tài)誘導的功能，提高了路網(wǎng)通行能力，具有重要的理論意義和現(xiàn)實意義；文獻[18]在運用粗糙集理論對路網(wǎng)節(jié)點所測得的歷史交通流量進行量化分析的基礎(chǔ)上，基于神經(jīng)網(wǎng)絡(luò)自學習的能力，研究了實時動態(tài)交通流的模型結(jié)構(gòu)并給出了交通流優(yōu)化控制方法。

城市交通系統(tǒng)是一個多變量、多反饋、非線性的復雜系統(tǒng)，它的可持續(xù)發(fā)展受交通、社會、經(jīng)濟、環(huán)境等多種因素的制約。本文將智能交通系統(tǒng)與神經(jīng)網(wǎng)絡(luò)方法相結(jié)合，對脆弱的城市交通系統(tǒng)進行優(yōu)化智能交通系統(tǒng)的建立可以提高路網(wǎng)通行能力和服務(wù)水平，改善環(huán)保質(zhì)量，提高能源利用率[19]。本文介紹了其發(fā)展的概況及功能并提出了一些改進措施；在簡要介紹神經(jīng)網(wǎng)絡(luò)原理的基礎(chǔ)上，分析了采用神經(jīng)網(wǎng)絡(luò)解決交通系統(tǒng)中空車調(diào)度及交通流預測的原理及方法[20]；通過介紹綠信比，提出了采用神經(jīng)網(wǎng)絡(luò)對綠信比進行設(shè)計。本文將智能交通系統(tǒng)與神經(jīng)網(wǎng)絡(luò)方法相結(jié)合，對脆弱的城市交通系統(tǒng)進行優(yōu)化，旨在設(shè)計出更為合理的城市交通系統(tǒng)。

1　智能交通系統(tǒng)

1.1智能交通系統(tǒng)的發(fā)展

隨著經(jīng)濟飛速發(fā)展，交通運輸行業(yè)也日益重要，但隨之而來的是交通擁擠、交通事故以及交通帶來的環(huán)境污染等一系列的問題。

為了解決日益嚴重的交通問題，人們最初采用的是增加道路，提高道路的供給量，但隨著時間推移，這一方法的成本越來越高?，F(xiàn)在一些大型城市使用的更多是限制車輛的數(shù)量來緩解交通問題，但這種方法無疑很難滿足日益龐大的交通需求量。

隨著計算機技術(shù)和通信技術(shù)的發(fā)展，一些專家提出了智能交通系統(tǒng)的概念，它是基于現(xiàn)代信息通訊技術(shù)和計算機技術(shù)之上的、將“人車路”作為三位一體的交通系統(tǒng)，在不增加現(xiàn)有交通供給的基礎(chǔ)上，通過人們對交通信息的利用，大大提高道路交通的安全性、運輸效率、行車舒適性，并減少交通污染。

據(jù)科學家預測，應用智能交通系統(tǒng)以后，可有效提高交通運輸效率，使交通擁擠降低20%，延誤損失減少10%~25%，車禍降低50%~80%，油耗減少30%，廢氣排放減少20%。

1.2智能交通系統(tǒng)的功能

智能交通系統(tǒng)應包含的功能有車輛導航系統(tǒng)、自動收費系統(tǒng)、道路構(gòu)造信息系統(tǒng)、交通流控制誘導系統(tǒng)、緊急救援系統(tǒng)。

車輛導航系統(tǒng)主要功能是為駕駛員提供實時的最佳行車路線。

自動收費系統(tǒng)主要是為了提高道路的通行效率，縮短車輛的等待時間。

道路構(gòu)造信息系統(tǒng)主要通過各種智能儀器，預先向駕駛員提供難以使用肉眼觀測的前方道路信息。

交通流控制誘導系統(tǒng)主要是通過ITS控制中心及時調(diào)整路網(wǎng)上的交通流量，并及時向駕駛員提供最優(yōu)路徑。這也是本文下面將與神經(jīng)網(wǎng)絡(luò)一起進行設(shè)計研究的部分。

緊急救援系統(tǒng)主要負責在發(fā)生交通事故后快速處理事故、及時救治傷員、合理疏導交通。

1.3智能交通系統(tǒng)的改進

由于城市智能交通系統(tǒng)比較龐大而且復雜，所涉及的部門繁多，包含的技術(shù)涉及面廣，就不免會存在缺少規(guī)范化的標準、各部門之間的溝通不足、新興技術(shù)人才缺失、軟硬件不搭配等方面的問題。針對這些問題可以采取一些措施：重視頂層設(shè)計，使整個系統(tǒng)結(jié)構(gòu)統(tǒng)一，運轉(zhuǎn)高效，充分實現(xiàn)資源共享；注重培養(yǎng)和接納高新技術(shù)人才，注重產(chǎn)學結(jié)合；重視 3S 技術(shù)、通信技術(shù)及數(shù)據(jù)融合與挖掘技術(shù)的應用，重視軟件系統(tǒng)的設(shè)計開發(fā)與升級；加強相關(guān)標準和規(guī)范的制定。

2　神經(jīng)網(wǎng)絡(luò)

在智能交通系統(tǒng)中，交通流控制引導系統(tǒng)的設(shè)計關(guān)系到整個交通系統(tǒng)是否通暢以及道路資源的使用是否高效。設(shè)計出好的交通流控制引導系統(tǒng)不僅能夠最大限度地利用好道路資源，也能夠盡可能的避免交通事故的發(fā)生。但是由于交通系統(tǒng)具有隨機性、模糊性和不確定性等特征，人們很難建立具體的數(shù)學模型來確立其控制方案，在其動態(tài)反饋控制中所追求的最優(yōu)目標也很難達到，而采用人工智能的控制方式則能較好地實現(xiàn)。

神經(jīng)網(wǎng)絡(luò)是模仿人腦神經(jīng)細胞群探尋新的信息表示、存儲和處理方式而設(shè)計出的一種信息處理系統(tǒng)，一般由輸入層、隱層和輸出層組，每一層神經(jīng)元只接受前一層神經(jīng)元的輸入,并在節(jié)點上進行復合(線性疊加)和畸變(非線性映射)，成能夠很好地適應復雜的環(huán)境，并對多目標進行控制。

2.1通過神經(jīng)網(wǎng)絡(luò)預測交通流

通常情況下人們采用實時檢測的方法對交通流信息進行采集，但所得到的信息往往有滯后性，很難實時反映交通現(xiàn)狀。因此,對道路交通狀況的預測是交通控制引導系統(tǒng)中很關(guān)鍵的一步.根據(jù)預測的交通數(shù)據(jù)信息對車輛進行引導，可盡可能地保證交通道路的暢通，避免交通事故的發(fā)生。目前主要的預測方法有：回歸分析法、時間序列預測法、灰色理論預測以及人工神經(jīng)網(wǎng)絡(luò)等。相比較于其他幾種方法，神經(jīng)網(wǎng)絡(luò)可以利用已有的數(shù)據(jù)結(jié)合其他各方面的影響通過學習接近真實輸入輸出之間的關(guān)系。此外神經(jīng)網(wǎng)絡(luò)不同于普通計算機系統(tǒng)，而是采用分布式存儲知識，這也極大地提升了整個系統(tǒng)的容錯性。因而在此優(yōu)先采用神經(jīng)網(wǎng)絡(luò)系統(tǒng)建立模型，對交通狀況進行預測。

設(shè) xk為輸入向量：

xk=(x1,x2, xn) (k=1,2, ,m)

式中，m為學習模式對；n為輸入層單元個數(shù)。

對應輸入模式的輸出向量為：

式中，q為輸出層單元數(shù)。則隱層各單元的輸入為：

式中，wij為輸入層至隱層的聯(lián)接權(quán)重；θj為隱層單元的閾值；p為隱層單元的個數(shù)。轉(zhuǎn)移函數(shù)采用f(x)=1/(1+e-x)，則隱層單元的輸入為：

同理，輸出層單元的輸入、輸出分別為：

式中，vjt為隱層到輸出層的聯(lián)接權(quán)重；γt為輸出層單元閾值。至此完成一個前傳過程。在誤差反向傳播過程中，首先要進行誤差計算，設(shè)第 k 個學習模式對期望輸出與實際輸出的誤差為：

則全局總誤差為：

為使 Ek不斷按梯度原理減小，應滿足：

可以推導出：

（t=1,2, ,q；j=1,2, ,p；k=1,2, ,m）

式中，α為學習率。

同理，隱層的權(quán)重和閾值調(diào)整量為：

（j=1,2, ,p；i=1,2, ,n；k=1,2, ,m）

其中：

2.2網(wǎng)絡(luò)對綠信比的設(shè)計

綠信比是指交通燈一個周期內(nèi)可用于車輛通行的時間比例。由于日交通流的時空分布具有高度時變和非線性的特點，因此，采用高階神經(jīng)網(wǎng)絡(luò)技術(shù)建立模型，以達到快速準確預測的目的。在城市交通網(wǎng)絡(luò)中，各路段的流入、流出交通量是網(wǎng)絡(luò)交通需求量、道路與交叉口通行能力、信號配時以及交通管制措施等因素綜合作用的結(jié)果，因而在預測時無需單獨考慮這些因素對交通流量的影響。

采用神經(jīng)網(wǎng)絡(luò)技術(shù)來進行模糊信息處理有多種做法，其中，構(gòu)造各類模糊神經(jīng)元及模糊神經(jīng)網(wǎng)絡(luò)作為信息處理單元以實現(xiàn)模糊信息的自動處理是最主要的一種。在本系統(tǒng)中(如圖1)，整個神經(jīng)網(wǎng)絡(luò)的建立和使用分以下幾步完成：(1)利用專家的知識粗略地形成模糊模型(包括一些模糊規(guī)則和模糊推理方法)；(2)基于這一模糊模型構(gòu)成模糊神經(jīng)網(wǎng)絡(luò)；(3)訓練神經(jīng)網(wǎng)絡(luò)。通過系統(tǒng)仿真來訓練神經(jīng)網(wǎng)絡(luò)，對每一種輸入值(l1, , lm)，選擇一種輸出值(g1, ,gn)，利用系統(tǒng)仿真來模擬系統(tǒng)在給定的時間內(nèi)所有車輛的平均等待時間；系統(tǒng)的能量函數(shù)選為所有車輛的平均等待時間;神經(jīng)網(wǎng)絡(luò)訓練的目標在于使能量函數(shù)最??；(4)網(wǎng)絡(luò)的應用。神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)是在統(tǒng)計數(shù)據(jù)和實時數(shù)據(jù)的基礎(chǔ)上進行預測得到的，這就要求實時地采集數(shù)據(jù)，周期性地統(tǒng)計和存儲數(shù)據(jù)，預測到神經(jīng)網(wǎng)絡(luò)的輸入后，經(jīng)過網(wǎng)絡(luò)的計算，再較精確地辯識出交通模式，對不同的模式采取適合其特點的相應控制算法，選出紅綠燈控制方案。

圖1　模糊神經(jīng)網(wǎng)絡(luò)模型Fig.1 Model of fuzzy neural network

3　結(jié)論

本文研究了一種利用神經(jīng)網(wǎng)絡(luò)等技術(shù)對交通系統(tǒng)進行全局優(yōu)化調(diào)度的交通燈控制系統(tǒng)。通過大量的模糊數(shù)據(jù)輸入，對神經(jīng)網(wǎng)絡(luò)進行訓練，以達到全局優(yōu)化的調(diào)度。對于當前的復雜的交通系統(tǒng)還有許多研究工作要做，希望通過以后的深化，此次研究能有效解決交通系統(tǒng)的復雜問題。

參考文獻:

[1]楊東凱, 吳今培, 張其善.智能交通系統(tǒng)(ITS)的發(fā)展及其模型化研究[J].北京航空航天大學學報, 2000, 26(1): 22-25.D K Yang, J P Wu, Q S Zhang.Evolution of Intelligent Transport System(ITS) and its Model Research[J].Journal of Beijing University of Aeronautics and Astronautics, 2000, 26(1): 22-25.

[2]張 偉, 徐愛功.智能交通系統(tǒng)及發(fā)展趨勢[J].遼寧工程技術(shù)大學學報, 2005, 24(S1): 77-79.W Zhang, A G Xu.Trend of intelligent transport systems[J].Journal of Liaoning Technical University, 2005, 24(S1): 77-79.

[3]楊曉光.面向中國城市的先進的交通控制與管理系統(tǒng)研究[J].交通運輸系統(tǒng)工程與信息, 2004, 4(2): 79-83.X G Yang.Research on advanced urban traffic control and management system for China[J].Journal of Transportation Systems Engineering and Information Technology, 2004, 4(2): 79-83.

[4]王繼峰, 陸化普, 彭唬.城市交通系統(tǒng)的SD模型及其應用[J].交通運輸系統(tǒng)工程與信息, 2008, 8(3): 83-89.J F Wang, H P Lu, H Peng.System Dynamics Model of Urban Transportation System and Its Application[J], Journal of Transportation Systems Engineering and Information Technology, 2008, 8(3): 83-89.

[5]陸化普, 李瑞敏.城市智能交通系統(tǒng)的發(fā)展現(xiàn)狀與趨勢[J].工程研究-跨學科視野中的工程, 2014, 6(1): 6-19.H P Lu, R M Li.Developing Trend of ITS and Strategy Suggestions, Journal of Engineering Studies[J].2014, 6(1): 6-19.

[6]賈 丹, 寧麗莎.神經(jīng)網(wǎng)絡(luò)在交通系統(tǒng)中的應用[J].遼寧工學院學報, 2004, 24(1): 21-23.D Jia, L B Ning.Application of Neural Network to Transportation System[J].Journal of Liaoning Institute of Technology, 2004, 24(1): 21-23.

[7]李海峰, 王 煒.基于神經(jīng)網(wǎng)絡(luò)的交通方式選擇模型[J].公路交通科技, 2007, 24(7): 132-136.H F Li, W Wang.The Option Model of Traffic Mode Based on Neural Network[J].Journal of Highway and Transportation Research and Development, 2007, 24(7): 132-136.

[8]呂蘭濤, 李 全, 劉智勇.人工神經(jīng)網(wǎng)絡(luò)在智能交通系統(tǒng)中的應用[J].交通科技, 2002, 06: 73-76.L T Lv, Q Li, Z Y Liu.Applications of Artificial Neural Networks to the Intelligent Transportation Systems[J].Transportation Science &Technology, 2002, 06: 73-76.

[9]賀戰(zhàn)兵.基于人工神經(jīng)網(wǎng)絡(luò)預測控制的交通信號調(diào)度[J].計算技術(shù)與自動化, 2010, 29(1): 22-24.Z B He.Traffic Signal Scheduling Based on Artificial Neural Network Prediction Control[J].Computing Technology and Automation, 2010, 29(1): 22-24.

[10]傅 惠, 胡 剛, 徐建閩, 等.基于神經(jīng)網(wǎng)絡(luò)的城市關(guān)聯(lián)交叉口交通流預測控制方法[J].中國公路學報, 2008, 21(5): 91-95.H Fu, G Hu, J M Xu, et al.Traffic Flow Predictive Control Method of Urban Correlation Intersection Based on Neural Network[J].China Journal of Highway and Transport, 2008, 21(5): 91-95.

[11]徐冬玲, 方建安, 邵世煌.交通系統(tǒng)的模糊控制及其神經(jīng)網(wǎng)絡(luò)實現(xiàn)[J].信息與控制, 1992, 21(2): 74-79.D L Xu, J A Fang, S H Shao.A Fuzzy Controller of Traffic System and its Neural Network Implementation[J].Information and Control, 1992, 21(2): 74-79.

[12]蔡教武, 蔡延光.一種基于自適應模糊神經(jīng)網(wǎng)絡(luò)的交通燈控制系統(tǒng)[J].儀表技術(shù), 2010, 09: 32-33.J W Cai, Y G Cai.A Control-system for Traffic Light Based on Adaptive Fuzzy-neural Network[J].Instrumentation and Technology, 2010, 09: 32-33.

[13]邱偉康, 王偉智.基于模糊神經(jīng)網(wǎng)絡(luò)的交通信號控制[J].江蘇電器, 2008, 04: 22-26.W K Qiu, W Z Wang.Traffic Signal Control Based on Fuzzy Neural Networks[J].Jiangsu Electric, 2008, 04: 22-26.

[14]許寶斌, 孟俊煥, 孫英.模糊神經(jīng)網(wǎng)絡(luò)分層遞階控制在智能交通系統(tǒng)中的應用[J].農(nóng)業(yè)裝備與車輛工程, 2006, 08: 29-30.B B Xu, J H Meng, Y Sun.Traffic Control for Trunk Roads Based on Fuzzy Neural Network and Hierarchy Control[J].Agricultural Equipment & Vehicle Engineering, 2006, 08: 29-30.

[15]劉智勇, 吳今培, 李秀平, 等.城市交通大系統(tǒng)遞階模糊神經(jīng)網(wǎng)絡(luò)控制[J].信息與控制, 1997, 26(6): 441-448.Z Y Liu, J P Wu, X P Li, et al.Hierarchical Fuzzy Neural Network Control for Large Scale Urban Traffic Systems[J].Information and Control, 1997, 26(6): 441-448.

[16]葉 楓, 孫科達.基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)模型在道路交通事故宏觀預測中的應用[J].浙江工業(yè)大學學報, 2008, 36(3): 338-342.F Ye, K D Sun.The application of macroscopic forecast of road traffic accident predictive model based on genetic neural networks[J].Journal of Zhejiang University of Technology, 2008, 36(3): 338-342.

[17]原鑫鑫, 葉 帥.模糊推理技術(shù)和神經(jīng)網(wǎng)絡(luò)在智能交通系統(tǒng)中的應用[J].高新技術(shù), 2014, 08: 17.X X Yuan, S Ye.Applications of Fuzzy Reasoning Technology and Neural Network on Intelligent Transportation Systems[J].Journal of Hi-tech, 2014, 08: 17.

[18]李 勁, 黃大榮.基于粗糙神經(jīng)網(wǎng)絡(luò)的交通優(yōu)化控制模型[J].計算機工程與應用, 2008, 44(19): 215-219.J Li, D R Huang.Traffic- flow optimal control model in intelligent transport systems: rough neural network approach[J].Computer Engineering and Applications, 2008, 44(19): 215-219.

[19]Qu Hong.A neural network method for the computing of the shortest path tree[J].The Journal of New Industrialization, 2012, 2(2): 62-66.

[20]WANG Li, KUANG Yujun.Research of BP neural network optimizing method based on Ant Colony Algorithm[J].The Journal of New Industrialization, 2012, 2(4): 8-15.

Research and Design of Vulnerable Urban Transport Systems

ZHAO Meng, GUO Kaiwen, LIU Lei, HAN Cunwu, SUN Dehui
(Beijing Key Laboratory of Fieldbus Technology and Automation, North China University of Technology, Beijing 100144, China)

Abstract:In order to solve the increasingly complex urban traffic conditions and improve the urban transportation system, this paper combines the intelligent traffic system with neural network methods and optimizes the vulnerable urban traffic systems.Firstly, this paper discusses the status of intelligent transportation systems and improvement measures.Secondly, it discusses the prediction of traffic flow based on neural network.Last but not least, based on neural network, it further designs the green ratio which is the important parameter of traffic system.This paper introduces the intelligent traffic system and the study of existing traffic system with the combination of neural network to design and optimize the current fragile urban transport system.

Keywords:intelligent traffic system; neural network; traffic flow; green ratio; optimization

DOI：10.3969/j.issn.2095-6649.2015.04.03

作者簡介：趙萌（1993-），女，本科，主要研究方向：電氣與控制工程學 ； 郭凱文（1994-），男，本科，主要研究方向：電氣與控制工程學；劉蕾（1984—），女，講師，博士，主要研究方向：廣義系統(tǒng)、魯棒控制、最優(yōu)控制； 韓存武（1961-），男，教授，博士，主要研究方向：無線通訊網(wǎng)絡(luò)、網(wǎng)絡(luò)化控制系統(tǒng)；孫德輝（1962-），男，教授，博士，主要研究方向：物聯(lián)網(wǎng)技術(shù)、故障診斷與容錯控制。

*基金項目：國家自然科學基金面上項目（61174116）資助; 2014年北京市大學生科學研究與創(chuàng)業(yè)行動計劃項目資助; 北京市自然科學基金資助項目（4154068,4142014）。

Citation: ZHAO Meng, GUO Kaiwen, LIU Lei, et al..Research and Design of Vulnerable Urban Transport Systems [J].The Journal of New Industrialization, 2015, 5(4): 18?23.