基于神經(jīng)網(wǎng)絡(luò)的交通燈智能決策系統(tǒng)設(shè)計(jì)

金曉磊，陳 苗，劉喜慶

（1.西安工程大學(xué)電子信息學(xué)院，西安710600；2.國(guó)網(wǎng)新疆電力公司五家渠市供電公司，新疆五家渠 831300）

1 引 言

隨著城市生活節(jié)奏的加快，交通出行在現(xiàn)代經(jīng)濟(jì)與社會(huì)發(fā)展的進(jìn)程中占據(jù)著更加重要的位置。當(dāng)今的交通信號(hào)燈基本都是定時(shí)控制，在某些時(shí)段、特殊情況下很難進(jìn)行動(dòng)態(tài)控制，會(huì)造成交通擁堵、尾氣排放增加等。為克服傳統(tǒng)交通燈的定時(shí)式控制的缺陷，設(shè)計(jì)智能的交通控制系統(tǒng)來(lái)提高交通效率，顯得尤為重要。智能交通燈控制系統(tǒng)是一種把各種先進(jìn)控制技術(shù)結(jié)合在一起的綜合控制系統(tǒng)，各個(gè)時(shí)期的典型交通信號(hào)系統(tǒng)在不斷變化，控制技術(shù)也從以前的人工變?yōu)楹髞?lái)的計(jì)算機(jī)控制，整個(gè)控制系統(tǒng)領(lǐng)域朝著更高效、智能的方向發(fā)展[1]。神經(jīng)網(wǎng)絡(luò)在智能交通控制系統(tǒng)中的應(yīng)用涉及到交通模式分析、交通流量預(yù)測(cè)、交通控制方式選擇等各個(gè)方面[2-5]。其中，誤差反向傳播（Back Propagation, BP）神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)。胡立偉等[6]進(jìn)行了基于BP神經(jīng)網(wǎng)絡(luò)的擁塞環(huán)境下車輛運(yùn)行風(fēng)險(xiǎn)識(shí)別研究，建立的神經(jīng)網(wǎng)絡(luò)模型能準(zhǔn)確識(shí)別車輛運(yùn)行風(fēng)險(xiǎn)的關(guān)鍵因素并對(duì)其進(jìn)行評(píng)估，為規(guī)避城市道路擁的車輛運(yùn)行風(fēng)險(xiǎn)及擁塞治理提供了參考。孫德鑫[7]利用BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建了一種公路流量預(yù)測(cè)模型，使用MATLAB軟件對(duì)交通數(shù)據(jù)進(jìn)行研究和模擬，證明該預(yù)測(cè)模型實(shí)時(shí)性很好。陳鵬[8]提出了一種基于BP 神經(jīng)網(wǎng)絡(luò)的公交智能實(shí)時(shí)調(diào)度模型研究及系統(tǒng)實(shí)現(xiàn)，將BP 神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于智能公交的實(shí)時(shí)調(diào)度規(guī)劃，驗(yàn)證智能公交的智能實(shí)時(shí)交通算法的可行性。

基于現(xiàn)有研究背景，在此設(shè)計(jì)一個(gè)把神經(jīng)網(wǎng)絡(luò)應(yīng)用在城市交通信號(hào)燈配時(shí)控制中的智能決策系統(tǒng)。通過確定輸入變量、訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò)、設(shè)計(jì)GUI 來(lái)完成。利用訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型，結(jié)合當(dāng)前交叉口車輛動(dòng)態(tài)情況決策出交叉口的適宜綠燈時(shí)間，以更有力地保證道路的暢通，提高交通效率。

2 決策指標(biāo)選取

在進(jìn)行交通燈時(shí)間決策時(shí)，需要知道選取哪些因素才能有效地反映綠燈時(shí)間長(zhǎng)短。交通燈決策指標(biāo)的選取原則主要包含全面性、明確性和實(shí)用性三方面。全面性原則是指交通狀態(tài)相對(duì)復(fù)雜，很難用一個(gè)指標(biāo)來(lái)清楚地描述。為了避免僅從單個(gè)方面研究交通狀態(tài)而導(dǎo)致錯(cuò)誤判斷，指標(biāo)的選擇應(yīng)盡可能全面。明確性原則是指指標(biāo)應(yīng)含義明確，易于理解，可以清楚地衡量交通狀況。實(shí)用性原則是指選擇的指標(biāo)應(yīng)易于使用，并為使用它們的人所理解和接受?；谝陨先?xiàng)原則，本設(shè)計(jì)算法選取交通流的三個(gè)相關(guān)參數(shù)：車速、車流量和車輛密度，作為決策指標(biāo)。

車速就是所謂的車輛行駛速度，國(guó)際上使用的單位是km/h。通過測(cè)量駛過道路上的車輛速度可以判斷道路的通行狀態(tài)，車速較快代表道路比較順暢，不堵車；車速慢就代表道路比較堵塞。通過各種類型的車速測(cè)試儀可以快速地獲取車速，該參數(shù)數(shù)據(jù)比較容易獲取。

車流量是指在一定時(shí)間內(nèi)通過一定道路或馬路的車輛數(shù)量。車輛交通流量大，說(shuō)明道路暢通；車輛交通流量小，說(shuō)明道路堵塞。通過車流量傳感器檢測(cè)[9]、車載衛(wèi)星[10]、射頻模塊[11]或是由視頻圖像檢測(cè)[12]等來(lái)獲得這一數(shù)據(jù)都是現(xiàn)實(shí)可行的。

車輛密度指在某個(gè)時(shí)刻某段道路上車輛數(shù)與該路段長(zhǎng)度的比值[13]。一般來(lái)說(shuō)，單位長(zhǎng)度的路段上停滯的車輛少，表明交通系統(tǒng)運(yùn)行良好。如果某時(shí)刻某路段的車輛密度檢測(cè)值接近于該路段的最大車輛密度值，那么該路段極大可能處于擁堵狀態(tài)。因此，通過觀測(cè)車輛密度可以掌握一定的路段交通狀態(tài)。而如今利用車聯(lián)網(wǎng)、定點(diǎn)檢測(cè)器、航空拍攝等技術(shù)即可得到需要的車輛密度，技術(shù)手段的成熟讓數(shù)據(jù)更準(zhǔn)確、更全面。

3 神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network, ANN）是模擬生物神經(jīng)網(wǎng)絡(luò)進(jìn)行信息處理的一種數(shù)學(xué)模型，在眾多的領(lǐng)域都有不同的應(yīng)用，如模式識(shí)別、系統(tǒng)識(shí)別、智能控制等。神經(jīng)網(wǎng)絡(luò)的一個(gè)重要特征是其自學(xué)能力，尤其是在智能控制領(lǐng)域，可以幫助人們解決控制器的適應(yīng)性問題。為了掃除阻礙ANN 發(fā)展的障礙，完全消除對(duì)多層感官網(wǎng)絡(luò)的懷疑，Rumelhart和 McClelland 于1986 年提出多層前饋網(wǎng)絡(luò)的誤差反向傳播（Error Back Propagation）學(xué)習(xí)算法，簡(jiǎn)稱BP算法。到目前為止，BP 算法已經(jīng)成為應(yīng)用最廣泛、研究最多、發(fā)展最快的算法。在智能交通系統(tǒng)中，因?yàn)樵谡５慕煌l件下有隨機(jī)和非線性的特點(diǎn)，使用一般的方法識(shí)別是很難實(shí)現(xiàn)的，而且精度也很低，此時(shí)正適合于用BP 神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)。與傳統(tǒng)的模型技術(shù)相比，BP 神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)是：① 有自適應(yīng)能力；②有自學(xué)功能；③在非線性中映射能力更強(qiáng)；④處理系統(tǒng)輸入、輸出的效率更高。

BP 網(wǎng)絡(luò)的設(shè)計(jì)主要包括網(wǎng)絡(luò)層數(shù)、各層神經(jīng)元個(gè)數(shù)及學(xué)習(xí)方法的確定。綜合考慮決策系統(tǒng)的復(fù)雜度，此處擬用三層的 BP 網(wǎng)絡(luò)，即一層輸入層、一層隱含層、一層輸出層。在BP 網(wǎng)絡(luò)中，可以自行確定各層的神經(jīng)元數(shù)量。本系統(tǒng)決策指標(biāo)選取了三個(gè)參數(shù)，因此輸入層的節(jié)點(diǎn)數(shù)為三個(gè)，輸出層的節(jié)點(diǎn)數(shù)為一個(gè)（控制當(dāng)前通行方向的綠燈時(shí)間）。該網(wǎng)絡(luò)模型只有一個(gè)隱含層，可以通過增加隱含層神經(jīng)元的數(shù)量來(lái)提升精度，此方法要比增加網(wǎng)絡(luò)系統(tǒng)的隱含層更加簡(jiǎn)單方便。

一般情況下，隱含層神經(jīng)元個(gè)數(shù)的計(jì)算式如下式所示：

其中，n 為輸入層神經(jīng)元數(shù)量，m 為輸出層神經(jīng)元數(shù)量，a 表示的是1～10 之間的任一常數(shù)。由式(1)可以計(jì)算得到隱含層神經(jīng)元數(shù)量的范圍是[3,12]，模型最終確定隱含層神經(jīng)元節(jié)點(diǎn)數(shù)為9。

4 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練

本設(shè)計(jì)使用MATLAB R2016b 進(jìn)行編程，調(diào)用工具箱中的一些相關(guān)函數(shù)，創(chuàng)建、訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò)模型。訓(xùn)練中使用的數(shù)據(jù)為某地區(qū)的觀測(cè)交通數(shù)據(jù)，包括車速（km/h）、車流量（輛）、交通密度和與它們對(duì)應(yīng)的交通燈綠燈時(shí)間（s）。

使用newff 函數(shù)創(chuàng)建神經(jīng)網(wǎng)絡(luò)，其中performFcn設(shè)置為“mse”，也就是誤差使用均方根誤差；trainFcn設(shè)置為“trainlm”，也就是訓(xùn)練算法選用Levenberg-Marquadt 反傳算法，它是速度最快的一種訓(xùn)練算法。在訓(xùn)練前還需對(duì)參數(shù)進(jìn)行設(shè)定，迭代最大次數(shù)設(shè)定為70 次，訓(xùn)練目標(biāo)設(shè)為0.005，也就是均方根誤差小于0.005 訓(xùn)練才會(huì)結(jié)束。學(xué)習(xí)率設(shè)定為0.01。

模型訓(xùn)練完成后，使用三十個(gè)樣本進(jìn)行測(cè)試，判斷其性能。評(píng)價(jià)指標(biāo)選擇決定系數(shù)，其計(jì)算公式如下式所示：

測(cè)試樣本的決策結(jié)果對(duì)比如圖1 所示。圖中直觀展示了真實(shí)值與決策值之間的誤差大小?？梢钥吹饺畟€(gè)測(cè)試樣本中，絕大多數(shù)樣本的決策值都與真實(shí)值非常接近。決定系數(shù)為0.97945，非常接近于1，表明模型的性能很好，能很好地根據(jù)輸入的車速、車流量和交通密度決策出最佳的交通燈時(shí)間。

圖1 決策結(jié)果對(duì)比圖

因?yàn)楸驹O(shè)計(jì)中訓(xùn)練集和測(cè)試集是從調(diào)研數(shù)據(jù)中隨機(jī)分配產(chǎn)生的，所以會(huì)因訓(xùn)練集的不完全相同導(dǎo)致訓(xùn)練出的模型有細(xì)微差別。但這種細(xì)微差別對(duì)模型的功能實(shí)現(xiàn)是沒有影響的，訓(xùn)練出來(lái)的神經(jīng)網(wǎng)絡(luò)模型都能很好地進(jìn)行決策。表1 列出了連續(xù)九次隨機(jī)生成訓(xùn)練集和測(cè)試集后，訓(xùn)練出模型的決定系數(shù)。從中我們可以看出，雖然每次訓(xùn)練出的模型不完全相同，但決定系數(shù)都較高，都能很好地根據(jù)輸入的車速、車流量和交通密度決策出最佳的綠燈時(shí)間。

5 GUI設(shè)計(jì)與系統(tǒng)測(cè)試

基于神經(jīng)網(wǎng)絡(luò)的交通燈智能決策模型訓(xùn)練好以后，就可以用它來(lái)根據(jù)實(shí)時(shí)觀測(cè)的車速、車流量和交通密度數(shù)據(jù)決策當(dāng)前最佳綠燈時(shí)間。設(shè)計(jì)一個(gè)圖形用戶界面（GUI），如圖2 所示，來(lái)更直觀地展示本設(shè)計(jì)中的智能決策系統(tǒng)。

圖2 交通智能決策系統(tǒng)GUI 操作界面

在制作好的GUI 界面中輸入車速、車流量和交通密度數(shù)據(jù)，點(diǎn)擊決策按鈕，神經(jīng)網(wǎng)絡(luò)模型決策出的結(jié)果會(huì)輸出到最佳交通燈時(shí)間文本框中。用以下兩種情況下的實(shí)測(cè)案例來(lái)驗(yàn)證本設(shè)計(jì)能否完成最初設(shè)定的系統(tǒng)功能：

1) 當(dāng)車速處于極大時(shí)

在車速、車流量和交通密度可編輯文本中分別輸入數(shù)字55，23，20，點(diǎn)擊決策按鈕，輸出的最佳交通時(shí)間顯示為30s。通過數(shù)據(jù)可以看出此時(shí)的路口車速較高且車流不大，因此將當(dāng)前路口綠燈時(shí)間設(shè)定為30s 是合理的。與訓(xùn)練數(shù)據(jù)作比較，此時(shí)的數(shù)據(jù)也比較符合實(shí)際。

2) 當(dāng)車速處于極小時(shí)

在車速、車流量和交通密度可編輯文本中分別輸入數(shù)字4，84，81，點(diǎn)擊決策按鈕，輸出的最佳交通時(shí)間顯示為90s。通過數(shù)據(jù)可以看出：此時(shí)的路口車速相當(dāng)小，且車流量相當(dāng)大，因此將當(dāng)前路口綠燈時(shí)間設(shè)定90s 比較合理。

通過模型訓(xùn)練結(jié)果分析和上述測(cè)試，可以看出本設(shè)計(jì)中的決策模型能很好地根據(jù)觀測(cè)到的當(dāng)前車速、車流量和交通密度數(shù)據(jù)決策出最佳綠燈時(shí)間。當(dāng)前路口車速越快，車流量越小，相應(yīng)交通密度也越小，決策出的綠燈時(shí)長(zhǎng)越短；車速越慢，車流量越大，交通密度也越大，決策出的綠燈時(shí)長(zhǎng)越長(zhǎng)。交通燈可根據(jù)實(shí)時(shí)路況信息進(jìn)行動(dòng)態(tài)調(diào)整，以此能夠改善交通運(yùn)輸?shù)男?，提升交通的智能化?/p>

6 結(jié)束語(yǔ)

時(shí)代發(fā)展迅速，交通壓力增大，道路嚴(yán)重堵車的情況普遍可見，因此根據(jù)當(dāng)前道路交通情況智能決策綠燈時(shí)間顯得尤為重要。本設(shè)計(jì)利用神經(jīng)網(wǎng)絡(luò)來(lái)控制交通燈，實(shí)現(xiàn)城市交通燈的智能控制。利用已知的交通流數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，并設(shè)計(jì)GUI進(jìn)行仿真。仿真結(jié)果證明了BP 神經(jīng)網(wǎng)絡(luò)可以很有效地決策出適宜的綠燈時(shí)間。本設(shè)計(jì)選取的決策變量主要是各種交通流參數(shù)（交通速度、交通流量、交通密度等），皆屬于便于處理的外部因素，在進(jìn)一步的研究中，考慮可將交通參與者的主觀感受和駕駛員各種微觀行為納入決策指標(biāo)中。