CN108399763B - 一种基于神经网络的交叉路口交通信号灯控制算法 - Google Patents

Abstract

本发明公开了一种基于神经网络的交叉路口交通信号灯控制算法，包括：检测车辆通过路口的行驶速度，加速度，和车流数量估算单车延误时间；根据估算的单车延误时间，得到整个路段的评价指标；根据城市道路等级定义道路评价指标；建立神经网络模型，给出针对路口交通流量的信号灯控制策略，包括：把延误时间、整个路段评价指标、道路评价指标和行人通过时间作为输入变量的输入层，构建为第一神经网络，在第一神经网络中对车辆延误时间和评价指标进行解析，获得表示信号灯控制策略的向量群，以及所述表示信号灯策略的向量群作为控制策略输出，有效解决潮汐车流现象的拥堵问题。

Description

一种基于神经网络的交叉路口交通信号灯控制算法

技术领域

本发明涉及交通信号仿真控制领域，尤其涉及一种基于神经网络的交叉路口信号灯控制算法。

背景技术

随着城市化进程的不断推进，机动车保有量迅速上升，城市道路拥堵情况日益严重。为保障车辆在城市道路间的正常运行，道路路口的交通信号控制尤其重要。路口的交通信号控制主要通过交通信号控制器来实现。因此，交通信号控制器在日常生活中扮演的角色越来越重要。

现有技术中，对路口的交通信号灯的控制通常是按照预设的时间进行控制，并且路口的每一个方向的绿灯通行时间一经设定在运行中是不改变的。这种情况下，道路路口的交通状况千变万化，当某一个方向拥堵或者多个方向拥堵时，该道路路口仍然按照预定的方式进行交通信号灯的控制，不但没有缓解交通状况，反而常常会到导致拥堵越来越严重。

尤其在一些城市潮汐车流现象严重，往往存在着一个方向拥堵严重，另一个方向却没什么车子经过，如果依然采用那种定时控制的方法只会使拥堵更加严重。

发明内容

本发明设计开发了一种基于神经网络的交叉路口交通信号灯控制算法，采用神经网络算法实时控制交通信号灯，有效解决潮汐车流现象的拥堵问题。

本发明提供的技术方案为：

一种基于神经网络的交叉路口交通信号灯控制算法，包括：

检测车辆通过路口的行驶速度，加速度，和车流数量估算单车延误时间；

根据估算的单车延误时间，得到整个路段的评价指标；

根据城市道路等级定义道路评价指标；

建立神经网络模型，给出针对路口交通流量的信号灯控制策略，包括：

把延误时间、整个路段评价指标、道路评价指标和行人通过时间作为输入变量的输入层，构建为第一神经网络，在第一神经网络中对车辆延误时间和评价指标进行解析，获得表示信号灯控制策略的向量群，以及

所述表示信号灯策略的向量群作为控制策略输出。

优选的是，所述第一神经网络为三层BP神经网络模型，依次对输入层变量进行规格化，确定三层神经网络的输入层向量X＝{x₁,x₂,x₃}；其中，x₁为单车延误时间系数，x₂为整个路段评价指标系数，x₃为道路评价指标系数；所述输入层向量映射到中间层，所述中间层向量为Y＝{y₁,y₂,y₃,y₄…y_m}，m为节点个数；输出层向量O＝{o₁,o₂,o₃}，其中，o₁为绿灯时长系数，o₂为红灯时长系数，o₃为左转灯时长系数。

优选的是，

利用如下公式对输入层变量进行格式化

其中，x_j为输入层向量中的参数，Y_j分别为测量参数T、d、Q_a，j＝1,2,3；T为单车延误时间；d为整个路段的评价指标；Q_a为道路评价指标；Y_jmax和Y_jmin分别为相应测量参数中的最大值和最小值。

优选的是，所述中间层节点个数计算公式为：

其中，m为中间层节点个数，n为输入层节点个数。

优选的是，所述信号灯控制时长满足公式：

M_lv＝o₁·M_lvo

M_red＝o₂·M_lredo

M_le＝o₃·M_leo

其中，M_lv为绿灯调整时长，M_lvo为常规绿灯时长，M_red为红灯调整时长，M_redo为常规红灯时长，M_le为左转灯调整时长，M_leo为常规左转灯时长。

优选的是，所述延误时间的计算公式为：

其中，T为延误时间，

d_i,j表示第i车辆在第j个路段上的延误时间，l_j为第j个路段上的长度，v_i,j为车辆实际行驶速度，

表示自由流交通状态时车辆期望行驶速度，a_i,j为第i个车辆通过路口的加速度，m为通过路口的车流数量。

优选的是，所述整个路段评价指标的计算公式为：

其中，d为评价指标，β_j为影响因子，

l_j为第j个路段上的长度。

本发明所述的有益效果

本发明设计开发了一种基于神经网络的交叉路口交通信号灯控制算法，采用神经网络算法控制交通信号灯，具有自学习和预测功能，使其具有良好的实用性和调整的准确性，有效解决潮汐车流现象的拥堵问题。

具体实施方式

下面对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

本发明提供的基于神经网络的交叉路口交通信号灯控制算法，包括：

检测车辆通过路口的行驶速度，加速度，和车流数量估算单车延误时间；

延误时间的计算公式为：所述延误时间的计算公式为：

其中，T为延误时间，

其中，d_i,j表示第i车辆在第j个路段上的延误时间，l_j为第j个路段上的长度，v_i,j为车辆实际行驶速度，

表示自由流交通状态时车辆期望行驶速度，a_i,j为第i个车辆通过路口的加速度，m为通过路口的车流数量。

根据估算的单车延误时间，得到整个路段的评价指标；

整个路段评价指标的计算公式为：

其中，d为评价指标，β_j为影响因子，

l_j为第j个路段上的长度。

根据城市道路等级定义道路评价指标；

建立神经网络模型，给出针对路口交通流量的信号灯控制策略，包括：

把延误时间、整个路段评价指标、道路评价指标和行人通过时间作为输入变量的输入层，构建为第一神经网络，在第一神经网络中对车辆延误时间和评价指标进行解析，获得表示信号灯控制策略的向量群，以及

第一神经网络为三层BP神经网络模型，依次对输入层变量进行规格化，确定三层神经网络的输入层向量X＝{x₁,x₂,x₃}；其中，x₁为单车延误时间系数，x₂为整个路段评价指标系数，x₃为道路评价指标系数；所述输入层向量映射到中间层，所述中间层向量为Y＝{y₁,y₂,y₃,y₄…y_m}，m为节点个数；输出层向量O＝{o₁,o₂,o₃}，其中，o₁为绿灯时长系数，o₂为红灯时长系数，o₃为左转灯时长系数。

利用如下公式对单车延误时间格式化

其中，t_max为最大单车延误时间，t_min为最小延误时间。

中间层节点个数计算公式为：

其中，m为中间层节点个数，n为输入层节点个数。

表示信号灯策略的向量群作为控制策略输出，信号灯控制时长满足公式：

M_lv＝o₁·M_lvo

M_red＝o₂·M_lredo

M_le＝o₃·M_leo

其中，M_lv为绿灯调整时长，M_lvo为常规绿灯时长，M_red为红灯调整时长，M_redo为常规红灯时长，M_le为左转灯调整时长，M_leo为常规左转灯时长。

实施以于神经网络的交叉路口交通信号灯控制算法的具体工作过程为例，作进一步说明。

步骤一、建立BP神经网络模型：

本发明采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示设备工作状态的n个检测信号，这些信号参数由数据预处理模块给出；第二层为隐层，共m个节点，

其中，m为中间层节点个数，n为输入层节点个数，p为输出层节点个数；第三层为输出层，共p个节点，由系统实际需要输出的响应确定。

该网络的数学模型为：

输入层向量：x＝(x₁,x₂,…,x_n)^T

中间层向量：y＝(y₁,y₂,…,y_m)^T

输出层向量：z＝(z₁,z₂,…,z_p)^T

本发明中，输入层节点数为n＝3，输出层节点数为p＝3；隐藏层节点数m由下式估算得出：

按照采样周期，输入的3个参数为，x₁为单车延误时间系数，x₂为整个路段评价指标系数，x₃为道路评价指标系数；

由于传感器获取的数据属于不同的物理量，其量纲各不相同。因此，在数据输入神经网络之前，需要将数据规格化为0-1之间的数。

具体而言，对于单车延误时间T，进行规格化后，得到单车延误时间系数x₁：

其中，T_min和T_max分别为采样周期内的最短时间和最长时间。

同样的，对于整个路段评价指标d，进行规格化后，得到整个路段评价指标系数x₂：

其中，d_min和d_max分别为整个路段评价指标的最小值和最大值。

同样的，对于道路评价指标Q_a，进行规格化后，得到道路评价指标系数x₃：

其中，Q_{a_min}和Q_{a_max}分别为道路评价指标系数的最小值和最大值。

输出信号的3个参数分别表示为：，o₁为绿灯时长系数，o₂为红灯时长系数，o₃为左转灯时长系数。；

绿灯时长系数o₁表示为下一个采样周期中的绿灯时长与当前采样周期中设定的绿灯时长之比，即在第i个采样周期中，设定的绿灯时长为为M_lvo，通过BP神经网络输出第i个采样周期的调节开度调节系数O₁ ⁱ后，控制第i+1个采样周期中绿灯时长为M_lv，使其满足

红灯时长系数o₂表示为下一个采样周期中的红灯时长与当前采样周期中设定的红灯时长之比，即在第i个采样周期中，设定的红灯时长为为M_redo，通过BP神经网络输出第i个采样周期的调节开度调节系数O₂ ⁱ后，控制第i+1个采样周期中红灯时长为M_red，使其满足

左转时长系数o₃表示为下一个采样周期中的左转灯时长与当前采样周期中设定的左转灯时长之比，即在第i个采样周期中，设定的左转灯时长为为M_leo，通过BP神经网络输出第i个采样周期的调节开度调节系数O₃ ⁱ后，控制第i+1j个采样周期中左转时时长为M_le，使其满足

步骤二：进行BP神经网络的训练：

建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的经验数据获取训练的样本，并给定输入节点i和隐含层节点之间的连接权值w_ij，隐层节点j和输出层节点k之间的连接权值w_jk，隐层节点j的阈值θ_j，输出层节点k的阈值w_ij、w_jk、θ_j、θ_k均为-1到1之间的随机数。

在训练过程中，不断修正w_ij和w_jk的值，直至系统误差小于等于期望误差时，完成神经网络的训练过程。

如表1所示，给定了一组训练样本以及训练过程中各节点的值。

表1训练过程各节点值

步骤三、采集数据运行参数输入神经网络得到调控系数；

训练好的人工神经网络固化在控制器芯片之中，使硬件电路具备预测和智能决策功能，从而形成智能硬件。智能硬件加电启动后同时，检测车辆通过路口的行驶速度，加速度，和车流数量估算单车延误时间；根据估算的单车延误时间，得到整个路段的评价指标；

根据城市道路等级定义道路评价指标；通过将上述参数规格化，得到BP神经网络的初始输入向量

通过BP神经网络的运算得到初始输出向量

步骤四：得到初始输出向量

后，即可进转向灯时长调控，使下一个采样周期绿灯时长、红灯时长、左转灯时长分别为：

通过传感器获取第i个采样周期中的，通过进行规格化得到第i个采样周期的输入向量Xⁱ＝(x₁ ⁱ,x₂ ⁱ,x₃ ⁱ)，通过BP神经网络的运算得到第i个采样周期的输出向量

使第i+1个采样周期时绿灯时长、红灯时长、左转灯时长速分别为：

通过上述设置，基于神经网络的交叉路口交通信号灯控制算法，采用神经网络算法控制交通信号灯，具有自学习和预测功能，使其具有良好的实用性和调整的准确性，有效解决潮汐车流现象的拥堵问题。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述。

Claims (3)

1.一种基于神经网络的交叉路口交通信号灯控制算法，其特征于，包括：

检测车辆通过路口的行驶速度，加速度和车流数量估算单车延误时间；

根据估算的单车延误时间，得到整个路段的评价指标；

根据城市道路等级定义道路评价指标；

建立神经网络模型，给出针对路口交通流量的信号灯控制策略，包括：

把延误时间、整个路段评价指标和道路评价指标作为输入变量的输入层，构建为第一神经网络，在第一神经网络中对车辆延误时间和评价指标进行解析，获得表示信号灯控制策略的向量群，以及

所述延误时间的计算公式为：

其中，T_j为延误时间，

t_i,j表示第i车辆在第j个路段上的延误时间，l_j为第j个路段上的长度，v_i,j为车辆实际行驶速度，

表示自由流交通状态时车辆期望行驶速度，a_i,j为第i个车辆通过路口的加速度，m为通过路口的车流数量；

所述整个路段评价指标的计算公式为：

其中，d为评价指标，β_j为影响因子，

l_j为第j个路段上的长度；N表示路段的数量；

所述第一神经网络为三层BP神经网络模型，依次对输入层变量进行规格化，确定三层神经网络的输入层向量X＝{x₁,x₂,x₃}；其中，x₁为单车延误时间系数，x₂为整个路段评价指标系数，x₃为道路评价指标系数；所述输入层向量映射到中间层，所述中间层向量为Y＝{y₁,y₂,y₃,y₄…y_w}，w为节点个数；输出层向量O＝{o₁,o₂,o₃}，其中，o₁为绿灯时长系数，o₂为红灯时长系数，o₃为左转灯时长系数；

所述表示信号灯策略的向量群作为控制策略输出；

所述信号灯控制时长满足公式：

M_lv＝o₁·M_lvo

M_red＝o₂·M_redo

M_le＝o₃·M_leo

其中，M_lv为绿灯调整时长，M_lvo为常规绿灯时长，M_red为红灯调整时长，M_redo为常规红灯时长，M_le为左转灯调整时长，M_leo为常规左转灯时长。

2.根据权利要求1所述的基于神经网络的交叉路口交通信号灯控制算法，其特征在于，

利用如下公式对输入层变量进行格式化

其中，x_J为输入层向量中的参数，J＝1,2,3；Y_J分别为测量参数T_j、d、Q_a；T_j为单车延误时间；d为整个路段的评价指标；Q_a为道路评价指标；Y_Jmax和Y_Jmin分别为相应测量参数中的最大值和最小值。

3.根据权利要求2所述的基于神经网络的交叉路口交通信号灯控制算法，其特征在于，所述中间层节点个数计算公式为：

其中，W为中间层节点个数，n为输入层节点个数，p为输出层节点个数。