CN103280114B - 一种基于bp-pso模糊神经网络的信号灯智能控制方法 - Google Patents
一种基于bp-pso模糊神经网络的信号灯智能控制方法 Download PDFInfo
- Publication number
- CN103280114B CN103280114B CN201310253003.1A CN201310253003A CN103280114B CN 103280114 B CN103280114 B CN 103280114B CN 201310253003 A CN201310253003 A CN 201310253003A CN 103280114 B CN103280114 B CN 103280114B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- neural network
- traffic congestion
- phase place
- pso
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于BP-PSO模糊神经网络的信号灯智能控制方法,首先选择三个交通拥堵度、本相位的红灯等待时间作为输入参数,选择绿灯延长时间、本相位优先权作为输出参数。并制定输入输出参数的隶属度、模糊控制规则。其次按照模糊控制的三个步骤对输入的交通参数进行处理以获取绿灯延长时间和各相位的优先级,选择优先级高的相位赋予通行权,并根据获得的绿灯延长时间来动态的调节绿灯相位时间。本发明实现了信号灯智能控制,提高道路通行率,减轻了交通拥堵。将模糊控制和神经网络结合起来用于智能控制,提高了控制精度,改善了智能算法的控制效果。特别的,通过BP-PSO算法训练神经网络,提高了神经网络的收敛速度和泛化能力。
Description
技术领域
本发明涉及模糊控制、神经网络、智能交通控制等领域,具体涉及基于BP-PSO的神经网络实现模糊控制的方法。
背景技术
智能交通系统(ITS)是将先进的信息技术、数据通信传输技术、电子传感技术、电子控制技术及计算机处理技术等有效地集成运用于整个交通管理而建立的一种在大范围内、全方位发挥作用的、实时、准确、高效的综合交通运输管理系统。信号灯智能控制算法作为智能交通的重要环节,负责动态地选择通行相位和调节相位绿灯时间,使车辆顺畅地通过交叉路口,从而减轻交通拥堵。
随着智能控制技术的发展,模糊控制和神经网络控制越来越受到人们的关注,模糊控制是一种基于语言的控制,不用建立被控对象的精确的数学模型,特别适用于复杂或难以精确描述的系统。神经网络具有良好的学习能力,为不确定、非线性问题的解决开辟了新途径。将二者结合利用它们的优点来实现智能控制成为学者们最为青睐的研究方向。
1965年美国California大学L.A.Zadeh提出模糊集合论,建立了新的数学分支。他的研究成果吸引了众多的学者对这一领域进行研究。把模糊控制应用于控制领域则始于1973年。1974年英国的E.H.Mamdani成功地将模糊控制应用于锅炉和蒸汽机的控制。此后20年来,模糊控制不断发展并在许多领域中得到成功应用。模糊控制的实现是通过模糊控制器来完成的,模糊控制器是按一定的语言控制规则进行工作的,而这些控制规则是建立在总结操作者对过程进行控制的经验的基础上,或者设计者对某个过程认识的模糊信息的归纳基础上,因而它适用于控制不易获得精确数学模型和数学模型不确定或多变的对象。模糊控制器由模糊化、模糊推理、去模糊化三部分组成,它们都是建立在知识库基础上的。由于通常使用的模糊控制中,其控制规则所用到的都是模糊的语言量,所以要将输入输出的精确量转化为模糊量,即模糊化过程。模糊推理过程是基于模糊逻辑中的蕴含关系及推理规则来进行的。去模糊是将模糊推理输出的模糊量用去模糊化方法转化为精确量。知识库通常由数据库和模糊控制规则库两部分组成,为模糊控制器提供控制方法的支持。其中输入、输出隶属函数库决定了模糊化和去模糊的方法;基于语言的模糊控制规则库则是对某一过程的推理和判断加以提炼形成的,是专家经验的结晶,它和隶属函数一起决定着模糊关系,进而决定着控制器的传递特性。
1943年,McCulloch和Pitts利用他们对神经科学的理解建立了一种新的信息处理结构,神经网络。神经网络的处理单元模拟了神经元,神经元被看成人类大脑的基本信息处理单元。神经元是一个简单的具有输入和输出的处理设备。当一个神经元接受兴奋输入超过它的抑制输入,它就发出信号并通过轴突传递给其他神经元。这个过程在其他神经元处继续进行,从而形成一个巨大的并行神经网络。
神经元的学习被定义为突触点的变化,突触点改变一个神经元被其他神经元所影响的方式。Rumbelhart和MeClelland于1986年对非线性转移函数的多层前馈网络的权重进行调整,提出了误差反向传播的算法,简称BP算法。BP的训练过程用两个步骤简单的描述:首先,设置各层网络权值和阈值,对于一个输入样本集,信息流从输入层到隐层再到输出层,逐层计算输出信息。接着,根据误差公式,计算实际输出与期望输出之间的误差,根据误差计算出权重的调整量。通过调整权值在网络中传递误差,从输出层的权值开始调整结束于输入层的权值调整。
粒子群算法(Particle Swarm Optimization,PSO)是一种基于迭代的群体智能算法,通过群体中的个体的合作来寻找最优解。每个粒子都有一个由目标函数确定的适应度值,并且保存一个自己发现的最优位置pbest。为了群体间的协作每个粒子都知道目前群体所寻到的最优位置gbest,它是pbest中的最好值。每一粒子根据自己的经验和群体的经验来决定下一次的动作。
发明内容
本发明要解决的技术问题就是提供一种高效精准的交通灯智能控制算法,使其能够更好的应用于交通灯控制,提高交叉口的道路通行率。减轻交通拥堵。现在交通灯控制方法的难点在于交通系统的复杂性、非线性、时变性等特点,难以建立精准的数学模型来求解问题。
为了解决上述技术问题,本发明采用如下技术方案:一种基于BP-PSO(BackPropagation-Partical Swarm Optimization,基于PSO的BP网络算法)模糊神经网络的信号灯智能控制算法,包括如下步骤:
步骤1、计算出各相位的交通拥堵度、红灯等待时间输入到相位优先权选择器得到各相位的优先权,选择优先权最大的相位赋予通行权,有相位的优先权相同,选择相位顺序靠前的相位,同时设置最小运行时间和最大运行时间并按最小运行时间运行;
步骤2、在运行时间的最后几秒,重新计算本相位、其他相位、相邻交叉口三个方面的交通拥堵度,经绿灯延时控制器,计算出绿灯延长时间;
步骤3、如果绿灯延时为零,转步骤(1);如果最小时间与绿灯延长时间之和大于最大运行时间,按最大时间运行,运行时间结束,转步骤(1);如果最小时间与绿灯延长时间之和小于最大运行时间,延长运行时间,转步骤(2)。
2、根据权利要求1所述的一种基于BP-PSO模糊神经网络的信号灯智能控制方法,其特征在于:所述相位优先权选择器的实现包括以下步骤:
21)、选择本相位的交通拥堵度、红灯等待时间作为输入参数,本相位的优先级作为输出参数,分别制订输入、输出参数的隶属度表,用两个BP-PSO神经网络分别实现输入参数的模糊化,其中输入参数的隶属度表作为神经网络的训练样本;
22)、根据输入、输出的映射关系制订模糊规则表,结合模糊规则表和输入输出的隶属度进行模糊推理,其中被激活的规则在总前提下的励磁强度采用最小模糊算子计算,反模糊化采用重心法,推理得到一个模糊查询表,模糊推理和反模糊化采用一个BP-PSO神经网络实现,模糊查询表是该神经网络的训练样本;
23)、将三个神经网络连接起来,形成一个从输入到输出的映射,实现一个相位优先权选择器。
3、根据权利要求1所述的一种基于BP-PSO模糊神经网络的信号灯智能控制方法,其特征在于:所述绿灯延时控制器的实现,具体的包括以下几个步骤:
31)、制订交通拥堵度的隶属度表,三个方面的交通拥堵度可相同也可不同,用BP-PSO神经网络实现输入参数的模糊化,输入为论域上的值,输出为五个模糊语言子集;
32)、制订模糊控制规则,结合输入输出的隶属度表以及反模糊化方法进行推理得到一个模糊查询表,用一个BP-PSO神经网络来实现模糊推理及清晰化的过程,并将模糊查询表作为神经网络的训练样本;
33)、将四个BP-PSO神经网络连接起来,就形成了一个绿灯延时控制器。
上述方案中所述的一种基于BP-PSO模糊神经网络的信号灯智能控制方法,其特征在于:所述交通拥堵度采用公式其中cars表示车道上的车辆数,L表示车道长度,用车道能容纳的最大车辆数表示单位为辆,其中movingcars表示车道上能移动的车辆数,cars表示车道上的车辆数;
每个相位的三方面的交通拥堵度的计算方法(以第一相位为例说明);
所述本相位的交通拥堵度,用bi表示。取南北直行交通拥堵度的最小值。即:bi=MIN{bnd,bsd};
所述其他相位的交通拥堵度,用bmin表示。取其余三个相位交通拥堵度的最小值。即:bmin=MIN{bi+1,bi+2,bi+3},其中:bi+1=MIN{bnl,bsl},bi+2=MIN{bwd,bed},bi+3=MIN{bwl,bel};
所述相邻交叉口的交通拥堵度,用bnext表示。取上下游交叉口涌入当前交叉口形成当前相位的交通拥堵度的最小值。即:bnext=MIN{bABnd,bADsd},其中:bABnd=MIN{bBnd,bBel},bADsd=MIN{bDsd,bDwl};
bnd表示向北直行的交通拥堵度,下标表示车流方向,bABnd表示与交叉口A相邻的交叉口B向北直行的交通拥堵度,bBnd表示交叉口B向北直行的交通拥堵度,其余下标表示的含义类似。
与现有技术相比,本发明具有以下有益效果:模糊控制和神经网络作为主要处理工具,以BP-PSO神经网络来实现模糊控制,先后实现了相位优先权选择器和绿灯延时控制器。从而实现相位的智能选择和相位时间的动态调节。
A.单交叉口的相位划分为:南北直行、南北左转、东西直行、东西左转四个相位,相位划分更加合理。能够在一定程度上避免交通拥堵的形成;
B.不同于以往孤立考虑单交叉路口的做法,考虑了相邻交叉路口涌入的交通流对本交叉口拥堵的影响,提高了智能算法的有效性;
C.较之前的智能控制方法,选择交通拥堵度作为输入参数,更能客观全面的反映交叉口的交通状况。提高了控制算法的有效性;
D.采用变化相序的控制策略,每次都能使交通拥堵程度高的相位优先获得通行权,一定程度上减轻了交通拥堵,提高了控制算法的控制效果。
E.采用BP-PSO作为神经网络的训练算法,克服了BP收敛速度慢、易陷入局部极值的缺陷。提高了模型的精度,提高了BP的学习能力和泛化能力。
附图说明
图1为信号灯智能控制算法整体流程图;
图2为输入的交通拥堵度的选择;
图3为相序优先权选择器的实现流程图;
图4交通拥堵度、红灯等待时间的隶属度表;
图5模糊控制规则表;
图6模糊查询表的推理流程图;
图7为相位优先权选择器的结构图;
图8为绿灯延时控制器的实现流程图;
图9为绿灯延时控制器结构图;
图10为BP-PSO算法流程图;
图11为智能控制过程整体结构图;
具体实施方式
下面将结合附图及具体实施方式对本发明作进一步的描述。
参见图1,一种基于BP-PSO模糊神经网络的信号灯智能控制算法,首先对输入参数进行处理,制定出模糊隶属度表、模糊规则表、模糊查询表,接着用BP-PSO神经网络来实现相位优先权选择器、绿灯延时控制器。通过优先权选择器选择出通行相位,通过绿灯延时控制器计算出绿灯延长时间,从而动态的调节相位和相位绿灯时间,实现智能控制的目标。
其中,模糊隶属度表、模糊控制规则的制定目前还没有一套成熟有效的方法,大多数的确定方法都停留在经验和实验的基础上。对于一个模糊概念不同的人会建立不完全相同的隶属度,尽管形式不完全相同,只要能反映同一模糊概念,在解决和处理实际模糊信息的问题中仍然殊途同归。本方法中输入、输出参数的个隶属度表都是根据专家经验制定的,采用离散的隶属度,在模糊隶属度表中,每个语言变量上的值隶属于各模糊语言子集的程度都不是精确的。图4给出了交通拥堵度的隶属度表,其他参数的隶属度表的制定方法相同,不再具体列出。
模糊规则表反映的是输入到输出的映射关系,由一条条的模糊规则组成,图5给出绿时延长控制器的模糊规则表,它是一个三维模糊控制,由125条规则组成,每条规则都可用if bi=Xi and bmin=Yj and bnext=Zk thenΔt=Tl的形式表示,其中Xi、Yj、Zk、Tl表示模糊语言变量。相序优先权选择器的模糊规则表制定方法与之相同,较之更为简单,它是由25条规则组成的二维模糊控制。
模糊查询表,是结合输入输出隶属度表、反模糊化方法进行模糊推理得到的。模糊查询表的推理流程如图6所示。具体包括以下步骤:
1、将已知输入当前值与模糊规则前提进行比较,求出相对每一前提隶属函数的隶属度;
2、确定激活的模糊控制规则,用模糊算子把相对于前提隶属函数的隶属度结合起来,求出总前提的满足程度(又称励磁强度),本方法采用最小模糊算子;
3、将励磁强度施加于模糊规则结果的隶属函数,得到相应的输出模糊集合;
4、对所有规则输出模糊集合进行模糊聚类,最终得到一个模糊集,并计算出每一模糊集的重心值;
5、采用重心法对模糊推理结果进行反模糊化。
其中,如图2所示是一个单交叉口的地理信息图,采用了四相位的车流量划分;
交通拥堵度采用公式其中cars表示车道上的车辆数,L表示车道长度,用车道能容纳的最大车辆数表示。其中movingcars表示车道上能移动的车辆数,cars表示车道上的车辆数;
以第一相位为例说明本智能控制算法输入参数交通拥堵度的选择,选择本相位、其余相位、相邻交叉口三方面的交通拥堵度。其中,bnd表示向北直行的交通拥堵度,下标表示车流方向,例如:sd表示向南直行,sl表示向南左转,右转车流可随时通过交叉口,故不予考虑。bABnd表示与交叉口A相邻的交叉口B向北直行的交通拥堵度,bBnd表示交叉口B向北直行的交通拥堵度,其余下标表示的含义类似;
(1)本相位的交通拥堵度,用bi表示。取南北直行交通拥堵度的最小值。即:bi=MIN{bnd,bsd};
(2)其他相位的交通拥堵度,用bmin表示。取其余三个相位交通拥堵度的最小值。即:bmin=MIN{bi+1,bi+2,bi+3},其中:bi+1=MIN{bnl,bsl},bi+2=MIN{bwd,bed},bi+3=MIN{bwl,bel};
(3)相邻交叉口的交通拥堵度,用bnext表示。取上下游交叉口涌入当前交叉口形成当前相位的交通拥堵度的最小值。即:bnext=MIN{bABnd,bADsd},其中:bABnd=MIN{bBnd,bBel},bADsd=MIN{bDsd,bDwl};
获取了输入参数,输入到相位优先权选择器。输出将得到本相位的优先级。相位优先权选择器的实现流程图如图3所示,具体步骤如下:
(1)选择本相位的交通拥堵度、红灯等待时间作为输入参数,分别制订输入参数的隶属度表,分别用两个BP-PSO神经网络分别实现输入参数的模糊化,其中输入参数的隶属度表作为神经网络的训练样本;两个神经网络的结构相同,输入层1个神经元、隐层4个神经元、输出层5个神经元,如图7所示;
(2)根据输入、输出的映射关系制订模糊规则表,结合模糊规则表和输入输出的隶属度进行模糊推理,其中被激活的规则在总前提下的励磁强度采用最小模糊算子计算,反模糊化采用重心法,推理得到一个模糊查询表,模糊推理和反模糊化这两个过程采用一个BP-PSO神经网络实现,模糊查询表作为该神经网络的训练样本,该神经网络由10个输入神经元、14个隐层神经元、1个输出神经元组成;
(3)将三个神经网络连接起来,形成一个从输入到输出的映射。就实现了一个相位优先权选择器;
本智能方法中交通拥堵度模糊化为五个语言变量,{严重拥堵(VB),轻度拥堵(LB),一般(CO),顺畅(LF),十分顺畅(VF)},它将作为神经网络结构确定的依据。BP-PSO神经网络实现模糊化时,输入层一个神经元,输出层为五个神经元。红灯相位的等待时间同样模糊化为五个语言变量,实现模糊化的BP-PSO神经网络的结构与模糊化交通拥堵度的神经网络结构相同,用于模糊化和模糊推理的神经网络有十个输入神经元,一个输出神经元。隐层节点个数的确定依据公式M≤2HM表示用于训练的神经元的样本数,H表示隐层神经元个数。同时实验后最终确定隐层神经元个数。相位优先权选择器的结构如图7所示。
绿灯延时控制器的实现流程如图8所示,具体的包括以下几个步骤:
1、制定交通拥堵度的隶属度表,三个方面的交通拥堵度可相同也可不同,根据实际情况制定。本方法中交通拥堵度的隶属度表相同,如图4所示。实现模糊化的BP-PSO神经网络与相序优先权选择器中的模糊化交通拥堵度的神经网络相同;
2、制订模糊控制规则,如图5所示。结合输入输出的隶属度表以及反模糊化方法进行推理得到一个模糊查询表,它是一个16维向量的集合,每一个16维向量表示一个神经网络的训练样本,前15个向量表示输入的隶属度,最后一个向量表示绿灯延长时间。推理过程如图6所示。用一个BP-PSO神经网络来实现模糊推理及清晰化这一过程。并将模糊查询表作为神经网络的训练样本;
3、将四个BP-PSO神经网络连接起来,就形成了一个绿灯延时控制器;
绿灯延时控制器的结构如图9所示,前三个BP-PSO神经网络用于输入参数的模糊化,交通拥堵度模糊化为五个语言变量,与相位优先权选择器的隶属度相同,实现模糊化的神经网络也相同。最后一个BP-PSO神经网络用于模糊推理及反模糊化,输入层包含15个神经元,输出层为1个神经元,隐层为20个神经元。
神经网络的训练算法采用BP-PSO,如图10所示。将PSO算法(粒子群算法(ParticleSwarm Optimization,PSO))与BP算法(误差反向传播(ErrorBackPropagation,BP)算法)相结合,完全基于BP网络算法的思想,是在基本BP误差反向传播的基础上,再引入PSO进行权值和阈值的修正。其中PSO采用引入惯性权重的PSO,惯性权重的引入有利于在算法初期有较好的局部搜索能力,在算法后期有良好的全局开发能力。具体实施步骤如下所示:
1、采用BP对权值和阈值进行寻优;
2、初始化粒子位置和速度,粒子个数等参数信息。本例中将神经元的权值和阈值编码成位置向量;
3、计算粒子的适应度。本例中适应度选择神经网络的均方差为适应度函数,计算每个粒子的适应度,选择适应度最小的粒子适应度作为全局最优适应度。记下该粒子的序号,那么就是下一次网络训练的最优值;
4、更新和计算当前粒子的适应度。如果粒子的适应度小于当前粒子适应度,那么更新pbest为当前粒子的位置,同时更新当前的个体适应度。选择所有粒子的适应度的最优值与当前的全局适应度相比,若优于当前全局适应度则更新全局适应度,并将全局最优位置更新为具有最优适应度的粒子对应的位置;
5、根据公式:
w=(wstart-wend)*(Gk-g)/Gk+wend
更新权重因子;其中Gk表示最大迭代次数,wstart表示初始权重因子,wend表示迭代到最大代数的权重因子,一般取值为wstart=0.9,wstart=0.4;g表示当前的迭代次数。
6、根据公式vi=w*vi+c1*r1*(pbesti-xi)+c2*r2*(gbesti-xi)更新速度,根据公式xi=vi+xi更新位置;其中,r1和r2是介于0和1之间的随机数;c1和c2是学习因子,取值为c1=c2=2,pbest表示自己发现的最优位置,gbest表示目前群体所寻到的最优位置,它是pbest中的最好值,xi表示当前位置;
7、如果达到收敛条件或迭代到最大迭代次数,结束。否则,转到(3);
至此,我们完成了基于BP-PSO模糊神经网络的交通灯智能控制算法的设计,它的核心是相位优先权选择器和绿灯延时控制器,将智能算法用于信号控制的总体结构图如图11所示。
Claims (2)
1.一种基于BP-PSO模糊神经网络的信号灯智能控制方法,其特征在于包括如下步骤:
步骤1、计算出各相位的交通拥堵度、红灯等待时间输入到相位优先权选择器得到各相位的优先权,选择优先权最大的相位赋予通行权,有相位的优先权相同,选择相位顺序靠前的相位,同时设置最小运行时间和最大运行时间并按最小运行时间运行;
步骤2、在运行时间的最后几秒,重新计算本相位、其他相位、相邻交叉口三个方面的交通拥堵度,经绿灯延时控制器,计算出绿灯延长时间;
步骤3、如果绿灯延时为零,转步骤1;如果最小时间与绿灯延长时间之和大于最大运行时间,按最大时间运行,运行时间结束,转步骤1;如果最小时间与绿灯延长时间之和小于最大运行时间,延长运行时间,转步骤2;
所述相位优先权选择器的实现包括以下步骤:
21)、选择本相位的交通拥堵度、红灯等待时间作为输入参数,本相位的优先级作为输出参数,分别制定输入、输出参数的模糊隶属度表,用两个BP-PSO神经网络分别实现输入参数的模糊化,其中输入参数的隶属度表作为神经网络的训练样本;
22)、根据输入、输出的映射关系制定模糊规则表,结合模糊规则表和输入输出的隶属度进行模糊推理,其中被激活的规则在总前提下的励磁强度采用最小模糊算子计算,反模糊化采用重心法,推理得到一个模糊查询表,模糊推理和反模糊化采用一个BP-PSO神经网络实现,模糊查询表是该神经网络的训练样本;
23)、将三个神经网络连接起来,形成一个从输入到输出的映射,实现一个相位优先权选择器;
所述绿灯延时控制器的实现,具体的包括以下几个步骤:
31)、制定交通拥堵度的隶属度表,三个方面的交通拥堵度可相同也可不同,用BP-PSO神经网络实现输入参数的模糊化,输入为论域上的值,输出为五个模糊语言子集;
32)、制定模糊控制规则,结合输入输出的隶属度表以及反模糊化方法进行推理得到一个模糊查询表,用一个BP-PSO神经网络来实现模糊推理及清晰化的 过程,并将模糊查询表作为神经网络的训练样本;
33)、将四个BP-PSO神经网络连接起来,就形成了一个绿灯延时控制器,
交通拥堵度模糊化为五个语言变量,{严重拥堵(VB),轻度拥堵(LB),一般(CO),顺畅(LF),十分顺畅(VF)},它将作为神经网络结构确定的依据,BP-PSO神经网络实现模糊化时,输入层一个神经元,输出层为五个神经元,红灯相位的等待时间同样模糊化为五个语言变量,实现模糊化的BP-PSO神经网络的结构与模糊化交通拥堵度的神经网络结构相同,用于模糊化和模糊推理的神经网络有十个输入神经元,一个输出神经元,隐层节点个数的确定依据公式M≤2H,M表示用于训练的神经元的样本数,H表示隐层神经元个数,同时实验后最终确定隐层神经元个数;
制订模糊控制规则,结合输入输出的隶属度表以及反模糊化方法进行推理得到一个模糊查询表,它是一个16维向量的集合,每一个16维向量表示一个神经网络的训练样本,前15个向量表示输入的隶属度,最后一个向量表示绿灯延长时间,用一个BP-PSO神经网络来实现模糊推理及清晰化这一过程,并将模糊查询表作为神经网络的训练样本;
前三个BP-PSO神经网络用于输入参数的模糊化,交通拥堵度模糊化为五个语言变量,与相位优先权选择器的隶属度相同,实现模糊化的神经网络也相同,最后一个BP-PSO神经网络用于模糊推理及反模糊化,输入层包含15个神经元,输出层为1个神经元,隐层为20个神经元。
2.根据权利要求1任一所述的一种基于BP-PSO模糊神经网络的信号灯智能控制方法,其特征在于:所述交通拥堵度采用公式其cars表示车道上的车辆数,L表示车道长度,用车道能容纳的最大车辆数表示,单位为辆,其中movingcars表示车道上能移动的车辆数,cars表示车道上的车辆数;
每个相位的三方面的交通拥堵度的计算方法:
所述本相位的交通拥堵度,用bi表示,取南北直行交通拥堵度的最小值,即:bi=MIN{bnd,bsd};
所述其他相位的交通拥堵度,用bmin表示,取其余三个相位交通拥堵度的最小值,即:bmin=MIN{bi+1,bi+2,bi+3},其中:bi+1=MIN{bnl,bsl},bi+2=MIN{bwd,bed},bi+3=MIN{bwl,bel};
所述相邻交叉口的交通拥堵度,用bnext表示,取上下游交叉口涌入当前交叉口形成当前相位的交通拥堵度的最小值,即:bnext=MIN{bABnd,bADsd},其中:bABnd=MIN{bBnd,bBel},bADsd=MIN{bDsd,bDwl};
bnd表示向北直行的交通拥堵度,下标表示车流方向,bABnd表示与交叉口A相邻的交叉口B向北直行的交通拥堵度,bBnd表示交叉口B向北直行的交通拥堵度,其余下标表示的含义类似。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310253003.1A CN103280114B (zh) | 2013-06-24 | 2013-06-24 | 一种基于bp-pso模糊神经网络的信号灯智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310253003.1A CN103280114B (zh) | 2013-06-24 | 2013-06-24 | 一种基于bp-pso模糊神经网络的信号灯智能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103280114A CN103280114A (zh) | 2013-09-04 |
CN103280114B true CN103280114B (zh) | 2015-01-07 |
Family
ID=49062616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310253003.1A Active CN103280114B (zh) | 2013-06-24 | 2013-06-24 | 一种基于bp-pso模糊神经网络的信号灯智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103280114B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942359B (zh) * | 2014-03-13 | 2017-01-04 | 华南理工大学 | 无信号交叉口自行车冲突避让行为仿真模型的建模方法 |
CN104240522A (zh) * | 2014-09-04 | 2014-12-24 | 中山大学 | 基于车载网和模糊神经网络的自适应十字路口控制技术 |
CN104794908B (zh) * | 2015-04-08 | 2017-09-19 | 安徽师范大学 | 交通拥堵的协调控制方法及其协调控制系统 |
CN105046987B (zh) * | 2015-06-17 | 2017-07-07 | 苏州大学 | 一种基于强化学习的路面交通信号灯协调控制方法 |
CN105513380B (zh) * | 2015-12-29 | 2018-07-31 | 中国科学院自动化研究所 | Eadp控制器的离线训练方法和系统及其在线控制方法和系统 |
CN106205121B (zh) * | 2016-07-18 | 2018-09-14 | 首都师范大学 | 基于模糊逻辑和网络编码的数据传输方法 |
CN106408961B (zh) * | 2016-11-14 | 2019-03-01 | 华北电力大学(保定) | 单交叉口信号灯的二级泛逻辑智能控制方法及控制系统 |
CN106650641B (zh) * | 2016-12-05 | 2019-05-14 | 北京文安智能技术股份有限公司 | 一种交通信号灯定位识别方法、装置及系统 |
CN107194933A (zh) * | 2017-04-24 | 2017-09-22 | 天津大学 | 结合卷积神经网络和模糊推理的脑肿瘤分割方法和装置 |
CN106960584B (zh) * | 2017-05-22 | 2019-09-20 | 中南大学 | 一种自适应路口交通信号灯的交通控制方法及装置 |
CN107680391A (zh) * | 2017-09-28 | 2018-02-09 | 长沙理工大学 | 十字路口交通流的二型模糊控制方法 |
CN108428341A (zh) * | 2018-05-14 | 2018-08-21 | 齐鲁交通发展集团有限公司青临分公司 | 一种基于人机融合的交通应急管理调度方法及系统 |
CN110111573B (zh) * | 2019-05-15 | 2020-09-08 | 辽宁工业大学 | 一种基于物联网的拥堵车辆综合调度方法 |
CN111009140B (zh) * | 2019-11-26 | 2021-02-05 | 郑州大学 | 一种基于开源路况信息的智能交通信号控制方法 |
CN111414010B (zh) * | 2020-04-14 | 2023-05-23 | 中国人民解放军32180部队 | 编队内无人机防撞优先级设计方法 |
CN112927522B (zh) * | 2021-01-19 | 2022-07-05 | 华东师范大学 | 一种基于物联网设备的强化学习可变时长信号灯控制方法 |
CN114299713B (zh) * | 2021-12-01 | 2023-09-29 | 重庆邮电大学 | 一种基于自适应信号灯的单点交叉口车辆调度系统与方法 |
CN114842655B (zh) * | 2022-04-29 | 2023-05-26 | 杭州海康威视数字技术股份有限公司 | 一种交通信号控制方法、装置及设备 |
CN117198071B (zh) * | 2023-11-03 | 2024-01-09 | 合肥工业大学 | 一种交通信号相位自适应调整方法、系统、设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038700A (zh) * | 2007-04-20 | 2007-09-19 | 东南大学 | 单点信号控制交叉口的混合控制方法 |
-
2013
- 2013-06-24 CN CN201310253003.1A patent/CN103280114B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038700A (zh) * | 2007-04-20 | 2007-09-19 | 东南大学 | 单点信号控制交叉口的混合控制方法 |
Non-Patent Citations (4)
Title |
---|
城市交通灯信号配时控制器优化的一种新策略;崔宝侠,等;《沈阳工业大学学报》;20071031;第29卷(第5期);参见期刊第557页第3.2节、第558页第4节、图6 * |
基于主从粒子群的模糊小波神经网络交通控制;于万霞,等;《计算机仿真》;20090430;第26卷(第4期);全文 * |
基于模糊神经网络的交叉路口信号控制方法;张康,等;《公路与汽运》;20070930(第5期);全文 * |
基于模糊神经网络的交通信号控制;邱伟康,等;《江苏电器》;20081231(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103280114A (zh) | 2013-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103280114B (zh) | 一种基于bp-pso模糊神经网络的信号灯智能控制方法 | |
Liang et al. | A deep reinforcement learning network for traffic light cycle control | |
Ge et al. | Cooperative deep Q-learning with Q-value transfer for multi-intersection signal control | |
CN107067759B (zh) | 一种基于acp的平行交通信号灯实时控制方法 | |
CN105788302B (zh) | 一种双目标优化的城市交通信号灯动态配时方法 | |
CN112216124B (zh) | 一种基于深度强化学习的交通信号控制方法 | |
CN109615011A (zh) | 一种基于lstm的中小河流短期洪水预报方法 | |
CN103927891B (zh) | 一种基于双贝叶斯的路口动态转向比例两步预测方法 | |
CN110535146A (zh) | 基于深度确定策略梯度强化学习的电力系统无功优化方法 | |
CN104133372B (zh) | 基于模糊神经网络的室温控制算法 | |
CN106971566A (zh) | 基于遗传算法的自适应控制方法 | |
CN110299008B (zh) | 一种基于强化学习的交通流多步预测方法 | |
CN112489464B (zh) | 一种具有位置感知的路口交通信号灯调控方法 | |
CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
CN103235620A (zh) | 基于全局变量预测模型的温室环境智能控制方法 | |
CN106781465A (zh) | 一种道路车流量预测方法 | |
CN110442129A (zh) | 一种多智能体编队的控制方法和系统 | |
Matin et al. | A comparative study on using meta-heuristic algorithms for road maintenance planning: insights from field study in a developing country | |
CN111461500B (zh) | 一种基于动态电子围栏和强化学习的共享单车系统潮汐现象控制方法 | |
CN101908172A (zh) | 一种采用多种智能代理算法的电力市场混合仿真方法 | |
CN106991493A (zh) | 基于灰色神经网络组合模型的污水处理出水参数预测方法 | |
CN105427241A (zh) | 一种大视场显示设备的畸变校正方法 | |
CN104050505A (zh) | 一种基于带学习因子蜂群算法的多层感知器训练方法 | |
CN109376941A (zh) | 基于人工神经网络和bim的建筑能耗模拟和优化方法 | |
CN110427690A (zh) | 一种基于全局粒子群算法生成ato速度曲线的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |