基于GA和LSTM的智能交通燈調(diào)度方法

李金澎 丁博 王雨 呂思濃

摘 要：隨著城市發(fā)展，汽車保有量逐年增長，交通擁堵日益常見。為了提高路網(wǎng)的通行效率和各路口的通行能力，提出了一種基于遺傳方法和長短期記憶網(wǎng)絡(luò)的交通燈調(diào)度方法。該方法首先使用LSTM模型對歷史數(shù)據(jù)進(jìn)行訓(xùn)練，并結(jié)合當(dāng)前單位時間的車流量預(yù)測下一單位時間的交通流變化趨勢，然后采用GA根據(jù)預(yù)測值從眾多方案中篩選出最佳交通燈調(diào)度方案并最終交由路網(wǎng)交通燈執(zhí)行。實驗結(jié)果表明，該方法可以有效提高交通效率并極大地緩解交通擁堵。

關(guān)鍵詞：智能交通燈調(diào)度;GA;LSTM;遺傳方法;長短期記憶網(wǎng)絡(luò);交通路網(wǎng)

中圖分類號：TP393.4文獻(xiàn)標(biāo)識碼：A文章編號：2095-1302（2019）12-00-05

0 引 言

隨著經(jīng)濟(jì)的發(fā)展和人們物質(zhì)需要的增長，越來越多的人選擇駕車出行，致使汽車保有量日益增加。與此同時，現(xiàn)階段城市的發(fā)展已趨于完善，盡管龐大的行駛車輛基數(shù)與有限的路網(wǎng)運(yùn)輸能力的矛盾日趨嚴(yán)重，但很難拆除已有建筑對道路進(jìn)行重新規(guī)劃和擴(kuò)建以緩解交通壓力。在不改變路網(wǎng)結(jié)構(gòu)的基礎(chǔ)上，能有效緩解交通擁堵的方案就是尋找一種合適的交通燈調(diào)度方法。目前交通路網(wǎng)主流的調(diào)度方式仍是定時調(diào)度，該調(diào)度方式在過去很長時間都發(fā)揮著重要作用，但隨著社會的快速發(fā)展和城市規(guī)模的逐漸擴(kuò)大，它已無法有效緩解日益惡化的堵車問題。定時調(diào)度模式下的綠燈時間無法根據(jù)各個路口的實時車流量動態(tài)調(diào)整，致使交通資源分配不合理，進(jìn)一步引發(fā)交通堵塞。而交通擁堵帶來的司機(jī)情緒惡化、緊急情況下救援車輛無法按時到達(dá)指定地點，以及面對突發(fā)事件時警備力量難以及時趕到并控制局面等問題，將為社會治安帶來潛在隱患并對社會造成巨大經(jīng)濟(jì)損失。因此，當(dāng)前急需一種優(yōu)于傳統(tǒng)定時調(diào)度的交通燈調(diào)度方法。

為解決交通系統(tǒng)調(diào)度及優(yōu)化問題，諸多學(xué)者提出了多種解決方案。王鼎湘等提出根據(jù)各道路的車流量動態(tài)改變綠燈時間。此舉雖然可以防止綠燈時長被不合理地分配，但該方法僅考慮到當(dāng)前路況，未考慮短期未來局面[1]。許春善提出了一種基于線性規(guī)劃的調(diào)度模型，可通過對交通流信息的提取進(jìn)行線性規(guī)劃，增加交通路網(wǎng)吞吐能力[2]。但面對有規(guī)律的車輛驟增或驟減現(xiàn)象時（早晚高峰），每一次分配模型都會重新花費(fèi)時間提取相關(guān)特征信息，無法根據(jù)歷史數(shù)據(jù)分辨交通流變化特征。曹潔等提出在交叉口子區(qū)Agent中引入自適應(yīng)遺傳算法，算法可根據(jù)交通流量的變化對綠信比進(jìn)行優(yōu)化，從而使交叉口平均延誤時間最短[3]。林志偉等采用Small-World模型模擬路口車流量在路網(wǎng)動態(tài)的演進(jìn)過程，利用線性規(guī)劃對城市路網(wǎng)進(jìn)行線性分割，定義車流量調(diào)度目標(biāo)函數(shù)以完成對交通路口車流量調(diào)度[4]。曹潔等提出的方法均基于實時數(shù)據(jù)，但由于缺少下一單位時間段的車輛預(yù)測，可能導(dǎo)致當(dāng)前調(diào)度方法雖能保持道路通暢，但會提高短期未來產(chǎn)生交通擁堵的概率。王璐等[5]通過數(shù)學(xué)建模，從行人和司機(jī)角度出發(fā)，重點分析π型路口優(yōu)化方案。該方案可以緩解車輛擁堵狀況并提高行人穿行馬路的效率和安全性，但由于建模所采用的數(shù)據(jù)具有極強(qiáng)的地域性，該方法不具有普遍適用性。王愛菊等[6]提出由ZigBee智能視覺模塊等構(gòu)成的系統(tǒng)，并設(shè)計了基于混合魚群算法的優(yōu)化處理方法。方法雖然可以緩解交通壓力，但方法在求解過程中需要對每一輛車進(jìn)行調(diào)度追尾計算，計算量相對較大，花費(fèi)時間偏長。

為了增強(qiáng)路網(wǎng)吞吐能力、緩解交通擁堵，本文提出了一種基于GA（Genetic Algorithm）和LSTM（Long Short-Term Memory）相結(jié)合的交通燈調(diào)度方法。相較于傳統(tǒng)統(tǒng)計理論的卡爾曼濾波模型和支持向量機(jī)（Support Vector Machine，SVM）等方法，LSTM能夠有效適應(yīng)交通流的非線性和隨機(jī)性，更加精準(zhǔn)地預(yù)測未來趨勢。GA根據(jù)上一代存留種群進(jìn)行組合交叉、變異操作以產(chǎn)生新一代種群。本文所提出的方法引入LSTM預(yù)測下一單位時間的車流量參與GA的適應(yīng)度計算。將適應(yīng)度作為評價指標(biāo)篩選種群中表現(xiàn)最優(yōu)的個體，并以此作為最終調(diào)度方案。實驗結(jié)果表明，基于GA和LSTM的調(diào)度方法對于緩解路網(wǎng)壓力有著很大的幫助。

1 方法概述

交通調(diào)度模型主要由GA和LSTM組成。在本方案中，每一代種群的全部個體為一段單位時間的全部待選調(diào)度方案，每個個體的表現(xiàn)型都為一種調(diào)度方案。路網(wǎng)壓力值反映采取該調(diào)度方案后的路網(wǎng)狀況，路網(wǎng)壓力值越大表明采取該方案后擁堵程度越大。GA根據(jù)當(dāng)前種群中所有個體的基因型分別計算它們的路網(wǎng)壓力，以此為標(biāo)準(zhǔn)選擇調(diào)度方案，并淘汰不適宜的個體。LSTM主要用于預(yù)測下一單位時間的新增車流量，幫助GA選擇更有效的調(diào)度方案。調(diào)度模型方法流程如圖1所示。

LSTM利用當(dāng)前車流量信息，結(jié)合歷史數(shù)據(jù)預(yù)測短期未來一定時間范圍內(nèi)的車流量，當(dāng)利用GA選擇調(diào)度方案時，如果待選方案時間節(jié)點的車流量已被預(yù)測，則無需重復(fù)預(yù)測，否則再次執(zhí)行LSTM算法預(yù)測交通趨勢。GA經(jīng)過交叉變異產(chǎn)生新一代種群后，結(jié)合預(yù)測數(shù)據(jù)，計算下一單位時間車輛到來后所有路口的滯留車輛，進(jìn)而計算種群中全部個體的路網(wǎng)壓力。淘汰路網(wǎng)壓力值較高的方案，每一代種群中最優(yōu)秀的個體即為該段單位時間的最優(yōu)調(diào)度方案。以上流程在每一代種群中循環(huán)發(fā)生。但在啟用方法初期，需要隨機(jī)生成第一代種群樣本。

2 遺傳算法

美國Holland教授提出的遺傳算法是一種借鑒生物界進(jìn)化規(guī)律演化而來的隨機(jī)搜索方法。GA的基礎(chǔ)是孟德爾遺傳定律和達(dá)爾文進(jìn)化學(xué)說，是對自然界進(jìn)化機(jī)制的一種模擬[7]。作為一種啟發(fā)式的大型尋優(yōu)算法，GA遵循優(yōu)勝劣汰、物競天擇原則。它以適應(yīng)度函數(shù)作為評價機(jī)制，以此淘汰表現(xiàn)較差的個體。在經(jīng)過若干代進(jìn)化之后，方法收斂于最好的個體，它很可能是問題的最優(yōu)解或次優(yōu)解[8-9]。由于GA具有計算時間少、可擴(kuò)展和魯棒性較高等特點，被廣泛應(yīng)用于模式識別、計算科學(xué)等最優(yōu)解搜索領(lǐng)域[10]。在交通系統(tǒng)中，調(diào)節(jié)道路上相鄰交叉口之間交通信號的相位差，使干道車輛盡可能不因等紅燈而延誤，從而有效提高干道的交通供給能力[11]。為使得調(diào)度方法有效緩解路網(wǎng)壓力，本文采用GA動態(tài)調(diào)節(jié)路網(wǎng)之間的相位差。