CN103680156A - 多智能体交通信号控制系统 - Google Patents

Abstract

多智能体交通信号控制系统，克服了现有技术路口控制模式在实际应用中达不到最优，对大幅度变化缺乏良好应付能力的问题，特征是含有第一至第n信号灯，第一至第n无线车辆传感器、第一至第n智能信号机以及GPRS、MAS服务器、智能交通信号控制服务平台和智能交通数据库，智能交通信号控制服务平台内部设有四层结构的多智能体交通控制模型，有益效果是智能体可用硬件实现，也可以用软件实现，利用无线智能信号机作为无线传感器节点收集交通信息，实现了交通信号控制的智能化和网络化，在不同的时段采用不同的路口控制模式，具体时段的设置可以根据具体区域或车流量由智能信号机重设或修改，实现了交通控制的合理化，缓解了交通路口的压力。

Description

多智能体交通信号控制系统

技术领域

本发明属于电子信息系统，特别涉及智能交通管理控制系统，尤其是多智能体交通信号控制系统。 

背景技术

现有技术中，交通信号控制系统的路口控制模式有定时控制模式、模糊控制模式、绿波带模式、夜间模式和急停模式。其中，定时控制模式是按照设定的时间来改变红绿灯变化时间；模糊控制模式是根据随机的车流量智能完成模糊增减交通信号控制时间；绿波带模式是在单向车辆高峰期时，将各路口间红绿灯起亮时间延后一定量（相位差）来保证车辆畅通；夜间模式可在夜晚车流量最为极少的状态使用，仅使用黄灯警示开车司机，以减少电能和时间的消耗；急停模式可为紧急车辆开辟通行空间，在紧急车辆方向开启绿灯，别的方向开启红灯。现有交通信号控制系统存在的技术问题在于：其一，现有交通信号控制系统五种控制模式各自独立，各种交通子系统按自身的优化目标运作，不考虑与其它子系统的集成与协作，在五种控制模式中，除了定时控制模式外，其它四种模式都需要建立数学模型，应用最优化控制理论求取最优控制变量，以其对交通系统的整体控制来达到最优。但由于城市交通系统是一个典型的非线性、动态时变的和不确定性的复杂大系统，要对它建立精确的数学模型是非常困难的，所采用的最优算法在实际应用中是达不到最优的。另外，出于简化问题和方便处理的目的，在建立交通模型和优化算法时，往往采用一些简单的确定性方式或人为设定一些理想化的假设条件，导致系统本身具有难以克服的内在缺陷，在实际应用中更达不到最优。其二，现有交通信号控制系统的信号配时方案主要是针对平缓交通流状态，且大多数实时自适应控制系统一般仅可对交通流变化较小的情况进行限制性的适应调整，而对由事故、施工等引起的交通流突然的、大幅度变化缺乏良好的应付能力。其三，现有交通信号控制系统中的车辆检测器采用环形线圈，需要切割路面进行铺设，安装不方便，且施工中需要阻断交通流，环形线圈在使用过程中还容易损坏，一旦环形线圈损坏，就会失去实测数据，导致系统降至最低一级的定时控制。 

发明内容

本发明所要解决的技术问题是，克服现有技术的不足与缺陷，通过采用多智能体构成的分布式大系统，不需要建立数学模型，来解决对具有典型的非线性、动态时变的和不确定性的复杂城市交通系统建立精确的数学模型是非常困难的问题；将模糊控制模式、绿波带模式、夜间模式和急停模式集成，在不同的时段采用不同的控制模式，以实现交通控制的合理化，从实际上缓解交通路口的压力。 

本发明采用的技术方案含有第一信号灯、第i信号灯和第n信号灯，还含有第一无线车辆传感器、第i无线车辆传感器和第n无线车辆传感器以及第一智能信号机、第i智能信号机和第n智能信号机，还含有GPRS、MAS服务器、智能交通信号控制服务平台和智能交通数据库，其中第一智能信号机分别与第一无线车辆传感器和GPRS无线双向连接，第一智能信号机与第一信号灯单向连接；第i智能信号机分别与第i无线车辆传感器和GPRS无线双向连接，第i智能信号机与第i信号灯单向连接，第n智能信号机分别与第n无线车辆传感器和GPRS无线双向连接，第n智能信号机与第n信号灯单向连接，所述GPRS与MAS服务器无线双向连接，MAS服务器与智能交通信号控制服务平台双向连接，智能交通信号控制服务平台和智能交通数据库双向连接，所述智能交通信号控制服务平台内部设有多智能体交通控制模型。 

所述多智能体交通信号控制模型的结构分为四层，顶层是智能交通管理智能体，第二层是数据管理智能体和智能交通控制智能体，所述智能交通管理智能体分别与数据管理智能体和智能交通控制智能体以及所述智能交通控制数据库双向连接；所述数据管理智能体分别与第三层的数据采集智能体、数据处理智能体、数据传输智能体和数据备份与恢复智能体双向连接；所述交通控制智能体与时刻确定智能体、模式选择智能体、控制方式智能体和控制执行智能体双向连接，所述控制方式智能体还分别与绿信比智能体、相位差智能体、周期智能体和综合控制智能体双向连接。 

所述智能交通信号控制服务平台含有路网子系统、信号控制子系统、视频监控子系统、可变情报板VMS子系统、路况子系统、分析评估子系统和数据采集子系统。 

   与现有技术相比、本发明的有益效果是： 

（1）本发明采用多级递阶的层次结构，每一级都是智能体组成的中心控制级智能体、区域控制级智能体和路口执行智能体，本发明的系统通信采用现有的GPRS和MAS服务器的无线网，系统可以实现在不同的时段采用不同的控制模式，在9：00～11：:00，14：30～17：30和20：30～24：00时段采用模糊控制模式；在5：30～9：:00，11：30～14：30和17：30～20：30时段采用夜间控制模式；在检测到紧急车辆时采用急停控制模式，具体时段的设置可以根据具体区域或车流量，由智能信号机重设或修改，选择多种模式，可以实现交通控制的合理化，从实际上缓解交通路口的压力。

     (2)本发明中的无线车辆传感器实时同智能信号机双向无线连接，能够检测过往车辆，并实时无线传送数据到智能信号机，且安装方便，无需切割路面，只需在路面打一个直径为10厘米深度为8厘米的孔即可安装完毕，它依靠内部电池可持续运行5到10年而无需修理和替换。 

   （3）本发明中的智能信号机与现有的信号机区别在于它在本系统中作为无线传感器网络中主要节点，与无线传感器和上位机之间都是无线双向通信，并且是本系统中的控制执行智能体。 

   （4）本发明的智能交通信号控制服务台运行着多智能体交通信号控制模型，采用四层结构，是一个多智能体系统，是一个有组织、有序的智能体，共同工作在特定的环境中，每个智能体根据环境信息完成各自承担的工作，也可分工协作，合作完成特定的任务。 

（5）本系统利用了智能控制、ASOS（基于特定应用的操作系统）和Agent（智能体）计算机控制技术，所述Agent（智能体）可用硬件实现，也可以用软件实现，本发明中，所述智能信号机是硬件实行的控制执行智能体，其余智能体均用软件来实现。 

附图说明

图1是本发明系统框图， 

图2是本发明控制模型框图，

图3是本发明系统的功能模块图，

图4是本发明的神经网络图。

图中： 

11．第一无线车辆传感器，1i．第i无线车辆传感器，1n..第n无线车辆传感器，

21．第一智能信号机，2i.第i智能信号机，2n.. 第n智能信号机,

3.GPRS，

4.MAS服务器，

5.智能交通信号控制服务平台，

501.路网子系统，502.信号控制子系统，503.视频监控子系统，

504.可变情报板VMS子系统、505.路况子系统，

506.分许评估子系统，507.数据采集子系统，

511.智能交通管理智能体，

521.数据管理智能体，

522.智能交通控制智能体，

531.数据采集智能体，

532.数据处理智能体，

533.数据传输智能体，

534.数据备份与恢复智能体，

535.时刻确定智能体，

536.模式选择智能体，

537.控制方式智能体，

538.控制执行智能体，

541.绿信比智能体，

542.相位差智能体，

543.周期智能体，

544.综合控制智能体，

6.智能交通控制数据库，

71．第一信号灯，7i. 第i信号灯，7n..第n信号灯。

具体实施方式

    下面结合附图提供本发明具体实施方式。 

如图1所示，本发明含有第一至第n个信号机71、7i和7n.，还含有第一至第n个无线车辆检测器11、1i和1n，第一至第n个智能信号机21、2i和2n以及GPRS3、MAS服务器4、智能交通信号控制服务平台5和智能交通数据库6，其中第一智能信号机21分别与第一无线车辆传感器11和GPRS3无线双向连接，第一智能信号机21与第一信号灯71单向连接；第i智能信号机2i分别与第i无线车辆传感器1i和GPRS3无线双向连接，第i智能信号机2i 与第i信号灯7i单向连接，第n智能信号机2n分别与第n无线车辆传感器1n和GPRS3无线双向连接，第n智能信号机2n 与第n信号灯7n单向连接，所述GPRS3与MAS服务器4无线双向连接，MAS服务器4与智能交通信号控制服务平台5双向连接，.智能交通信号控制服务平台5和智能交通数据库6双向连接，所述智能交通信号控制服务平台5内部设有多智能体交通控制模型。使用中，第一智能信号机21、第i智能信号机2i和第n智能信号机2n将来自第一无线车辆传感器11、第i无线车辆传感器和第n无线车辆传感器1n的实测交通数据进行优化处理，通过GPRS 3和MAS服务器4组成的无线网络上传给智能交通信号控制平台5，交通信号控制平台5中的多智能体交通控制模型将这些实测交通参数与来自智能交通数据库6中的历史数据一同作为流量数据，进行综合分析与协调，得到最佳命令，再通过MAS服务器4与GPRS3的无线网络下传达到第一智能信号机21、第i智能信号机2i和第n智能信号机2n，第一智能信号机21、第i智能信号机2i和第n智能信号机2n按上面的命令来控制第一信号灯71、第i信号灯7i和第n信号灯7n，若某个智能信号机失去上面的通信，失去上面通信的智能信号机自己会按着模糊的自适应方式来控制信号灯。 

如图2所示，所述多智能体交通信号控制模型的结构分为四层，顶层是智能交通管理智能体511，第二层是数据管理智能体521和智能交通控制智能体522，所述智能交通管理智能体511分别与数据管理智能体521和智能交通控制智能体522以及智能交通控制数据库6双向连接，其中，智能交通管理智能体511帮助建立其它智能体之间的通信连接，还负责系统管理多智能体的增加和删除；所述数据管理智能体521分别与第三层的数据采集智能体531、数据处理智能体532、数据传输智能体533和数据备份与恢复智能体534双向连接，使用中，数据采集智能体531利用传感器对路口的车流等状态向量信息数据采集，数据处理智能体收集到的车辆信息数据进行计算处理，计算出各交叉路口交通控制的各种控制向量，数据传输智能体533向智能交通控制数据库6传输数据，并与其它数据流交流，数据备份与恢复智能体534将智能交通控制数据库6中的数据进行备份和还原；所述交通控制智能体522与时刻确定智能体535、模式选择智能体536、控制方式智能体537和控制执行智能体538双向连接。使用中，时刻确定智能体535获取控制时间段；模式选择智能体536生成路口控制模式；控制方式智能体537将控制任务分解，发送给绿信比智能体541、相位差智能体542、周期智能体543和综合控制智能体544，同时它还负责从综合控制智能体544那里得到最后控制结果，并输出给相应用户。绿信比智能体541、相位差智能体542和周期智能体543是完成任务的主体，进行绿信比、相位差和周期控制，然后将结果送给综合控制智能体544。综合控制智能体544获取绿信比智能体541、相位差智能体542和周期智能体543的输出结果，并利用综合控制方式将结果汇总，汇总得出各交叉路口智能控制值生成交叉路口智能控制汇总表，并将最终结果发送给控制执行智能体538（智能信号机）。控制执行智能体538（智能信号机）对各自交叉路口智能控制结果进行执行。 

在进一步实施中，本系统利用了智能控制、ASOS（基于特定应用的操作系统）和Agent（智能体）计算机控制技术，所述Agent（智能体）可用硬件实现，也可以用软件实现，本发明中，所述第一1至第n个信号机71、7i和7n.就是硬件实行的控制执行智能体，其余智能体均用软件来实现。软件功能模块如图3所示，即图1所示的智能交通信号控制服务平台5含有路网子系统501、信号控制子系统502、视频监控子系统503、可变情报板VMS子系统504、路况子系统505、分析评估子系统506和数据采集子系统507，其中，路网子系统501即路网管理，含有路口信息管理和路段信息管理；信号控制子系统502含有信号机管理、信号机控制、信号机监控和应急预案，其中，信号机管理又含有信号机设备管理、信号机安装管理和信号机管理，信号机控制又含有信号机通道配置、信号机通道同步配置、信号机相位方案配置、信号机日计划、信号机日计划调度、信号机控制和信号机配置烧写，信号机监控又含有信号机状态监控、信号机实时信息监控、查看获取信号机故障、查看信号机设备信息和查看信号机安装信息，应急预案又含有应急预案管理和应急预案应用；视频监控子系统503含有视频管理和视频监控，其中，视频管理又含有视频设备管理、设备安装管理和视频管理，视频监控又含有视频状态监控、视频实时监控、查看视频设备信息和查看视频安装信息；可变情报板VMS子系统504含有VMS管理、VMS控制和VMS监控，其中，VMS管理又含有VMS设备信息、VMS安装信息和VMS管理，VMS控制又含有VMS诱导管理、VMS诱导周期设置和VMS信息发布；路况子系统505含有路况发布和路况监控，其中，路况发布又含有视频设备管理，路况监控又含有实时路况监控和查看路况信息；分析评估子系统506含有分析和评估，其中，分析又含有单路况交通流发布和多路况交通流发布，评估又含有交通流评价指标、单路况评价指标和多路况评价指标；通过上述软件功能模块可实现强大的交通管理和控制功能，这些功能包括：（1）交通流的组织与控制，（2）交通数据统计和分析，（3）信号控制机远程配置与监控和（4）区域协调优化控制。 

智能交通信号控制服务平台5中完成协调和优化控制功能包括以下步骤： 

（1）网络范围内交通信息的统计、分析与预测，在实用中，用于方案优化的时间不大于15~20分钟。

（2）动态划分交通小区：小区内的所有路口使用统一的信号周期时间，周期时间由小区中的关键路口（饱和度最大的路口）决定，当两个相邻小区的周期时间非常接近时，将两个小区“合并”为一个小区；当小区内不同路口的交通需求发生变化，需要的周期时间也发生大的变动时，一个小区会“分裂”为两个小区。划分小区的主要依据是路网拓扑结构和路口周期时间，同时要考虑土地功能划分和居民出行活动等内容。 

（3）优化小区内的控制方案：将距离较近的车辆当作一个车队(platoon)，根据车队进行过程的预测信息，综合考虑路网内各个方向车队可能发生的冲突，用决策树法调整路口的周期时间、相位顺序和相位差，并生成行进绿波带，其带宽和速度能使网络目标函数达到最优，即延误和停车次数最少，即“有效绿波带”（REALBAND）算法。 

在车流量大和车流复杂的情况下，传统信号控制方法很难实施有效的控制，但一个经验丰富的警察都能应付自如，这说明可以模拟交通警察思维的智能控制方法在复杂路口的信号控制方面有着广泛的应用前景。本系统中涉及了“模糊控制”和“神经网络自学习控制”两个智能控制方式（参见http://wenku.baidu.com/view/1484c9a2b0717fd5360cdc7b.html） 

（1）模糊控制

选取反应交叉路口交通拥挤状况的当前绿灯方向通过车辆数a和当前红灯方向排队车辆数q，作为模糊控制器的输入变量，与之相对应的模糊控制器输入语言变量定义为当前绿灯方向通过车辆A和当前红灯方向排队车辆Q;选取当前相位延长时间e作为模糊控制器的输出变量，与之相对应的模糊控制器输出语言变量定义为当前相位延长时间E。选取固定最小绿灯时间为10s，最大绿灯时间为50s，因此当前相位绿灯延长时间在0~40s范围内取值。考虑到车辆通过交叉路口的速度为15～20km，因此，固定最小绿灯时间内可能通过的最大车辆数为10；考虑到远端检测器与近端检测器的距离设为100m，因此，远近两端检测器之间可能滞留的车辆数目为20。由此，输入变量a的基本论域可定义为x=（0～10），输入语言变量A的基本论域定义为X=｛0,1,2,3,4,5,6,｝，输入变量a的量化因子

K_a=6/10；输入变量q的基本论域定义为y=(0～20)，输入语言变量Q的基本论域定义为Y=｛0,1,2,3,4,5,6,｝，输入变量的q的量化因子K_q=6/20；输出变量e的基本论域定义为z=(0～40)，输出语言变量E的基本论域定义为Z=｛0,1,2,3,4,5,6,7.8｝，输出变量e的比例因子K_e=40/8。

语言变量值是仿人进行模糊推理的一种描述语言。输入语言变量当前绿灯方向通过车辆A选取4个语言变量值：很少（Few），较少（A Few），较多（Many），很多（Too Many）；输入变量当前红灯方向排队车辆Q选取4个语言变量值：很少（Few），较少（A Few），较多（Many），很多（Too Many）；输出语言变量当前相位延长时间E选取5个语言变量值：很短（Very Short），较短（Short），中等（Medium），较长（Long）,很长（Very Long）。 

语言变量基本论域上的语言变量值模糊子集是指语言变量值在语言变量基本论域上的隶属函数描述。通过操作者的实践经验总结（专家意见），可以确定出语言变量值Few、A few、…Long、Very long分别在语言变量论域X、Y、Z上的隶属度函数为三角形。根据隶属度函数，可以建立语言变量A、Q、E的赋值表（表1，表2，表3）： 

接下来，利用本系统的模糊控制算法可以生成模糊控制器查询表。通过利用模糊控制器查询表进行表格查询控制，不但同样可以达到实现模糊控制功能，而且使控制器具有良好的实时性，表4是模糊逻辑控制器与传统控制器的性能比较。

  

（2）神经网络自学习控制方法

模糊控制规则一经确定就不再改变，即不具备实时学习功能。这样一来，系统的信号控制效果完全依赖于控制规则的合理性和遍历性，这对交通状况复杂的路口很难做到，针对单个路口多相位信号控制方式，利用了一种具有实时学习功能的神经网络信号控制方法。

实际上，交通警察指挥交通的过程是这样的：首先将通行权交给某一个方向，在此期间他将不断的评价目前的交通状况，如果通行方向的大部分车辆已疏散，而另一方向车辆数增多，他会把通行权交给另一方向；如果各方向的车辆数均较少，则通行时间较短。根据警察指挥交通的这种经验，采用下述神经网络自学习控制算法： 

（1） 评价准则：

评价准则环节的作用是评价一个评价周期内（假设由6个信号周期组成）某一个信号配时方法的控制效果，并由此评价准则修正信号周期和各相位绿信比。设

为第

个信号周期结束时的总排队长度；

为第个信号周期内第

个相位所有方向达到的车辆总数为第

个信号周期内第个相位中所有方向放行的车辆总数；

为第个周期结束时第

个相位所有方向车流排队长度之和；

为一个评价周期内，各信号周期结束时的总排队长度的平均值

为一个评价周期内，各信号周期结束时第

个相位中所有方向车流的排队长度的平均值。则有

式中，当括号内的数小于0时，，否则，且有定义

将

分为大，较大，中，小和很小5档，对应的周期增量

分别为10

,7

,5

,0

和-5，则

为下一个评价周期内将要采用的新信号周期度，然后计算:

最后计算:

即为各相位的新绿信比，显然有

（2） 神经网络

在该信号控制系统中，两个神经网络作为控制器处于系统的底层。任何时刻只有一个在工作，而另一个则根据需要（由评价准则确定）处于学习或空闲状态。

输入：

输出：

和

图4所示输入层对应 ，输出层对应

和

，隐含层含有13个神经元。

学习样本和训练方式：神经网络的学习样本分2个阶段获取。

第一，在网络运行前，先将交警的指挥经验用规则的形式表示出来，然后用这些准则来训练两个神经网络，训练好的神经网络即可作为信号控制器投入运行。 

由于控制信号时4相位的，信号控制规则的获取比较困难，且控制规则也往往不具备遍历性，因而此时的神经网络性能还不是最优的，还需在运行过程中逐步进行优化。 

第二，在系统运行过程中，每隔一个评价周期（6个信号周期）按着前面所述的方法计算一次输入、输出，训练处于空闲状态的神经网络。如此重复，一个神经网络投入运行，另一个神经网络学习，随着时间的推移，训练样本将会越来越多，网络训练也将会越来越困难。为避免出现“样本爆炸”问题，利用了“样本截断”法，即实现规定训练样本的规模（如300个，可根据需要任意设定），然后按顺序移位的方式用新样本逐个淘汰旧样本。 

神经网络自学习控制方法（简称方法1）， 

神经网络交警控制经验方法（简称方法2）。

控制效果比较见表5 

Claims (2)

1.多智能体交通信号控制系统，含有第一信号灯（71）、第i信号灯（7i）和第n信号灯（7n.），其特征在于，还含有第一无线车辆传感器（11）、第i无线车辆传感器（1i）和第n无线车辆传感器（1n ）以及第一智能信号机（21）、第i智能信号机（2i）和第n智能信号机（2n），还含有GPRS（3）、MAS服务器（4）、智能交通信号控制服务平台（5）和智能交通数据库（6），其中第一智能信号机（21）分别与第一无线车辆传感器（11）和GPRS（3）无线双向连接，第一智能信号机（21）与第一信号灯（71）单向连接；第i智能信号机（2i）分别与第i无线车辆传感器（1i）和GPRS（3）无线双向连接，第i智能信号机（2i）与第i信号灯（7i）单向连接，第n智能信号机（2n）分别与第n无线车辆传感器（1n ）和GPRS（3）无线双向连接，第n智能信号机（2n） 与第n信号灯（7n.）单向连接，所述GPRS（3）与MAS服务器（4）无线双向连接，MAS服务器（4）与智能交通信号控制服务平台（5）双向连接，智能交通信号控制服务平台（5）和智能交通数据库（6）双向连接，所述智能交通信号控制服务平台（5）内部设有多智能体交通控制模型。

2.根据权利要求1所述多智能体交通信号控制系统，其特征在于，所述多智能体交通信号控制模型的结构分为四层，顶层是智能交通管理智能体（511），第二层是数据管理智能体（521）和智能交通控制智能体（522），所述智能交通管理智能体（511）分别与数据管理智能体（521）和智能交通控制智能体（522）以及所述智能交通控制数据库（6）双向连接；所述数据管理智能体（521）分别与第三层的数据采集智能体（531）、数据处理智能体（532）、数据传输智能体（533）和数据备份与恢复智能体（534）双向连接；所述交通控制智能体（522）与时刻确定智能体（535）、模式选择智能体（536）、控制方式智能体（537）和控制执行智能体（538）双向连接，所述控制方式智能体（537）还分别与绿信比智能体（541）、相位差智能体（542）、周期智能体（543）和综合控制智能体（544）双向连接。

Images