CN111739284A - 基于遗传算法优化模糊控制的交通信号灯智能配时方法 - Google Patents

Abstract

本发明涉及一种基于遗传算法优化模糊控制的交通信号灯智能配时方法，首先构建模糊控制模型，然后采用GA算法优化模糊控制模型，得到优化后的模糊控制模型，最后将通行前等待红灯的车队长度和最近一段时间内的车流量输入到优化后的模糊控制模型中，由其输出绿灯时长；其中，通行前等待红灯的车队长度的单位为m；最近一段时间内的车流量的单位为辆/h；绿灯时长的单位为s。本发明提出一种基于遗传算法优化模糊控制的交通信号灯智能配时方法，其通过传感器获取道路路口车流量及等待红灯的车队长度信息，构建模糊控制模型，加入遗传算法(GA)对模糊控制隶属度函数参数进行寻优，建立实时绿灯时间控制器，实现信号灯绿灯时间的智能控制。

Description

基于遗传算法优化模糊控制的交通信号灯智能配时方法

技术领域

本发明属于交通信号灯智能配时技术领域，涉及一种基于遗传算法优化模糊控制的交通信号灯智能配时方法。

背景技术

车辆给人们的日常生活带来了极大的便利，然而随着越来越多的车辆驶向道路，增加了城市道路的交通负担，加上交通信号灯不能合理调控各方向的车流通行，使城市出现越来越严重的交通拥堵现象。过长时间的等红灯进一步还会加剧大气污染，影响人们的出行心情，增加交通事故率。因此合理控制交通信号灯绿灯时长能够有效提高车辆通行效率，减少车辆油耗及尾气排放，改善空气质量，在经济和生态上都有着重要的意义。

目前，已有的方法主要靠固定时间设置绿灯时间，这种方法普遍应用于城市各个路口信号灯控制系统中。但由于其固定的通行时间，会导致浪费车道资源，不利于高效率通行。此外，这种方法在一些因天气、公共事件、节假日等因素产生的复杂交通流情况下又会暴露出其无法实时调控通行时间的弊端。一些数学模型如Webster模型用于信号灯配时策略设计，虽然模型简单易用,但其适用性较差，难以适用于不同环境的交通路口。随着人工神经网络算法的发展，以其为基础的配时算法相继出现。如基于BP神经网络的信号灯配时方法有着非常强的自适应及学习能力，然而由于需要大量数据进行学习，大量的训练数据不易获取，不适用于城市交通信号灯的实时控制。因此，对于信号灯配时的准确及实时控制的要求，需要建立一种快速、便捷的控制方法，使道路信号灯实现智能调配车流量的功能，提高通行效率。

发明内容

本发明的目的是解决现有技术中存在的问题，提供一种基于遗传算法优化模糊控制的交通信号灯智能配时方法。

为达到上述目的，本发明采用的技术方案如下：

基于遗传算法优化模糊控制的交通信号灯智能配时方法，首先构建模糊控制模型，然后采用GA算法优化模糊控制模型，得到优化后的模糊控制模型，最后将通行前等待红灯的车队长度和最近一段时间内的车流量输入到优化后的模糊控制模型中，由其输出绿灯时长；其中，通行前等待红灯的车队长度的单位为m；最近一段时间内的车流量的单位为辆/h；绿灯时长的单位为s；

模糊控制模型的构建流程如下：

(1)划分变量子集；

分别将通行前等待红灯的车队长度、最近一段时间内的车流量和绿灯时长划分为多个区域子集；

(2)选取隶属度函数实现变量模糊化；

因为交通信息具有较大的随机性，并且三角形隶属度函数易于实现，因此选取三角形隶属度函数作为通行前等待红灯的车队长度、最近一段时间内的车流量和绿灯时长对应的隶属度函数，依据隶属度函数对变量进行模糊化，即将精确值转化为模糊值，比如：排队长度的 70米通过隶属度函数，发现70对应‘较长’的隶属值最高，就将70转化为了区域子集中的‘较长’；

隶属度函数将不同数据段划分成不同的模糊集，比如30～40米对应很短，100～120米对应很长，确定隶属度函数只需要知道数据的取值范围，而不用采集数据并训练，这就是模糊控制一个很好的优点；

(3)确定模糊控制规则；

(4)模糊推理；

将采集得到的通行前等待红灯的车队长度和最近一段时间内的车流量进行模糊化处理得到通行前等待红灯的车队长度和最近一段时间内的车流量的模糊量，并按照模糊控制规则进行模糊推理，输出绿灯时长的模糊量；

(5)对绿灯时长的模糊量的进行解模糊得到t，即得到模糊控制模型；

采用GA算法优化模糊控制模型的流程如下：

(1)确定初始化参数，即种群规模S、交叉概率P_c、变异概率P_m、最大进化代数G_m，将三个三角形隶属度函数的顶点位置依次排列，具体排列顺序为：先通行前等待红灯的车队长度，再最近一段时间内的车流量，后绿灯时长，组成一个向量，并进行二进制编码(即将10进制数转换为由0和1组成的2进制)，作为种群中的个体染色体；

本发明的编码操作中采用的是二进制编码，相对于10进制编码而言，在交叉、变异中，二进制编码都更容易操作；

(2)对种群中的个体染色体进行交叉操作；

(3)对种群中的个体染色体进行变异操作；

(4)对种群中的个体染色体进行解码，并计算个体染色体的适应度；

对每一个个体染色体进行二进制解码，将得到的向量作为三角形隶属度函数参数，并按此参数建立隶属度函数，建立模糊控制模型，在VISSIM软件中仿真(VISSIM是一款用于城市交通运行的仿真软件，可以模拟交通中的道路环境及车辆行为，在仿真软件中检验信号灯控制模型的效果具有成本低、可反复试验的优点。仿真用来检验模糊控制模型的控制效果，以达到对其优化的目的，其中模糊控制的输入数据可由仿真软件直接获取。而真实应用时的车流量和排队长度数据是通过真实传感器采集的。)，通过仿真软件模拟真实道路车流信息，使用建立的模糊控制模型控制信号灯时长，检验模型控制效果，将仿真情况下通行前等待红灯的车队长度和最近一段时间内的车流量输入到模糊控制模型中，由其输出绿灯时长后，计算个体染色体的适应度，公式如下：

式中，F为适应度函数，Y为平均车辆延误，即平均每辆车等待红灯的时间，具体为10 个红绿灯周期内，平均每辆车等待红灯的时间长度，Y越小，F越大，控制效果越好；

本发明检验模型效果是在VISSIM中仿真检验的，相对于纯属计算机模拟输入不同的通行前等待红灯的车队长度和最近一段时间内的车流量，这样仿真检验的效果更好，更接近于现实环境；

(5)根据个体染色体的适应度对种群中的个体染色体进行选择操作；

(6)判断迭代次数是否达到最大进化代数G_m，如果是，则结束，输出适应度最大的个体对应的模糊控制模型，即为优化后的模糊控制模型；反之，则返回步骤(2)。

作为优选的技术方案：

如上所述的基于遗传算法优化模糊控制的交通信号灯智能配时方法，通行前等待红灯的车队长度为绿灯信号亮起前1～5秒时的等待红灯车队长度，最近一段时间内的车流量为最近 5～15分钟内的车流量。

如上所述的基于遗传算法优化模糊控制的交通信号灯智能配时方法，通行前等待红灯的车队长度的取值范围为30～120，最近一段时间内的车流量的取值范围为0～500，绿灯时长的取值范围为10～60。

如上所述的基于遗传算法优化模糊控制的交通信号灯智能配时方法，通行前等待红灯的车队长度由地磁传感器检测得到，地磁传感器安装在距离路口30到120米的位置，每隔3米安装一个；最近一段时间内的车流量由电磁线圈传感器检测得到，安装在距离路口120到150 米的位置。

如上所述的基于遗传算法优化模糊控制的交通信号灯智能配时方法，分别将通行前等待红灯的车队长度、最近一段时间内的车流量和绿灯时长划分为多个区域子集具体为：将通行前等待红灯的车队长度划分为7个区域子集，{VS,S,SR,M,LR,L,VL}分别对应为{很短，短，较短，中，长，较长，很长}；将最近一段时间内的车流量划分为5个区域子集，{VS,S,M,L,VL} 分别对应为{小，较小，中，较大，很大}；将绿灯时长划分为7个区域子集，{VS,S,SR,M,LR,L,VL} 分别对应为{很短，短，较短，中，长，较长，很长}。

如上所述的基于遗传算法优化模糊控制的交通信号灯智能配时方法，确定模糊控制规则具体为：以人工经验的方式确定模糊控制规则，比如：当排队长度很长，车流量很大时，对应绿灯时长输出则为最长，共设置35条模糊控制规则。

如上所述的基于遗传算法优化模糊控制的交通信号灯智能配时方法，对绿灯时长的模糊量的进行解模糊采用重心法。

如上所述的基于遗传算法优化模糊控制的交通信号灯智能配时方法，对种群中的个体染色体进行交叉操作具体为：

采用实数交叉法依概率P_c对种群中的个体染色体进行交叉操作，形成新的染色体，公式如下：

式中，a_mj是个体染色体m的第j位基因，a_nj是个体染色体n的第j位基因，η₀是随机数，取值区间为[0,1]。

如上所述的基于遗传算法优化模糊控制的交通信号灯智能配时方法，对种群中的个体染色体进行变异操作具体为：

在个体染色体的某一位置上进行变异操作，带来新型染色体，依概率P_m对个体染色体进行变异操作，公式如下：

式中，a_ij是个体染色体i的第j位基因，其上下界分别是a_M和a_m，G是当前进化次数，η₁、η₂是随机数，取值区间为[0,1]。

如上所述的基于遗传算法优化模糊控制的交通信号灯智能配时方法，根据个体染色体的适应度对种群中的个体染色体进行选择操作具体为：

采用轮盘赌法的选择方法，对个体染色体依概率P_i进行选择，公式如下：

式中，P_i为选择第i个体染色体的概率，F_i为第i个体染色体的适应度，N₀为个体染色体总数。

有益效果：

本发明的创新点和优势在于：

(1)数据获取采用实时检测的方式；本发明采用传感器对道路上的车队长度及车流量进行检测，并实时传输给控制器进行绿灯时长控制，这种实时检测的方法相对固定绿灯时长的控制器有着显著提高通行效率的应用效果；

(2)选用运算速度快的模糊控制模型；针对信号灯实时控制的要求，选用运算速度较快模糊控制算法，减小对控制器设备硬件的计算要求，相对于数学模型法以及神经网络算法，模糊控制不需要复杂的数学模型，且不需要大量的数据用于训练模型，非常适合应用在交通灯绿灯时长控制中；

(3)使用GA算法优化信号灯模糊控制模型；模糊控制中输入输出参数的隶属度函数参数的选取尤为关键，其决定了变量清晰值到模糊值之间的转换，一般方法设置的隶属度函数难以很好地实现转换关系，因此，采用GA算法的全局寻优特点，进一步通行前等待红灯的车队长度、最近一段时间内的车流量、绿灯时长三个变量的在模糊化过程中的隶属度函数参数，取得更加精确的预测效果；

(4)使用仿真软件检测模型控制效果；在对模糊控制模型进行优化过程中，在VISSIM 仿真软件中进行交通仿真，检验模型控制效果，以便进一步优化模型，VISSIM是一款用于城市交通运行的仿真软件，可以模拟交通中的道路环境及车辆行为，在仿真软件中检验信号灯模糊控制模型的效果具有成本低、可反复试验、安全性高的优点。

附图说明

图1为基于遗传算法优化模糊控制的交通信号灯智能配时方法的流程图；

图2为采用GA算法优化模糊控制模型的流程图。

具体实施方式

下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

基于遗传算法优化模糊控制的交通信号灯智能配时方法，如图1所示，步骤如下：

(1)构建模糊控制模型；具体如下：

(1.1)划分变量子集；

将通行前等待红灯的车队长度(即绿灯信号亮起前1～5秒时的等待红灯车队长度，单位为m)划分为7个区域子集，{VS,S,SR,M,LR,L,VL}分别对应为{很短，短，较短，中，长，较长，很长}；将最近一段时间内的车流量(即最近5～15分钟内的车流量，单位为辆/h)划分为5个区域子集，{VS,S,M,L,VL}分别对应为{小，较小，中，较大，很大}；将绿灯时长(单位为s)划分为7个区域子集，{VS,S,SR,M,LR,L,VL}分别对应为{很短，短，较短，中，长，较长，很长}；通行前等待红灯的车队长度的取值范围为30～120，最近一段时间内的车流量的取值范围为0～500，绿灯时长的取值范围为10～60；

(1.2)选取隶属度函数实现变量模糊化；

因为交通信息具有较大的随机性，并且三角形隶属度函数易于实现，因此选取三角形隶属度函数作为通行前等待红灯的车队长度、最近一段时间内的车流量和绿灯时长对应的隶属度函数，依据隶属度函数对变量进行模糊化，即将精确值转化为模糊值，比如：排队长度的70米通过隶属度函数，发现70对应‘较长’的隶属值最高，就将70转化为了区域子集中的‘较长’；

隶属度函数是就是将不同数据段划分成不同的模糊集，比如30-40米对应很短，100-120 米对应很长，确定隶属度函数只需要知道数据的取值范围，而不用采集数据并训练，这就是模糊控制一个很好的优点；

(1.3)确定模糊控制规则；

以人工经验的方式确定模糊控制规则，比如：当排队长度很长，车流量很大时，对应绿灯时长输出则为最长，共设置35条模糊控制规则；

(1.4)模糊推理；

将采集得到的通行前等待红灯的车队长度和最近一段时间内的车流量进行模糊化处理得到通行前等待红灯的车队长度和最近一段时间内的车流量的模糊量，并按照模糊控制规则进行模糊推理，输出绿灯时长的模糊量；

(1.5)采用重心法对绿灯时长的模糊量的进行解模糊得到t，即得到模糊控制模型；

(2)采用GA算法优化模糊控制模型，得到优化后的模糊控制模型；如图2所示，具体如下：

(2.1)确定初始化参数，即种群规模S、交叉概率P_c、变异概率P_m、最大进化代数G_m，将三个三角形隶属度函数的顶点位置依次排列，具体排列顺序为：先通行前等待红灯的车队长度，再最近一段时间内的车流量，后绿灯时长，组成一个向量，并进行二进制编码(即将10进制数转换为由0和1组成的2进制)，作为种群中的个体染色体；

(2.2)对种群中的个体染色体进行交叉操作；

采用实数交叉法依概率P_c对种群中的个体染色体进行交叉操作，形成新的染色体，公式如下：

式中，a_mj是个体染色体m的第j位基因，a_nj是个体染色体n的第j位基因，η₀是随机数，取值区间为[0,1]；

(2.3)对种群中的个体染色体进行变异操作；

在个体染色体的某一位置上进行变异操作，带来新型染色体，依概率P_m对个体染色体进行变异操作，公式如下：

式中，a_ij是个体染色体i的第j位基因，其上下界分别是a_M和a_m，G是当前进化次数，η₁、η₂是随机数，取值区间为[0,1]；

(2.4)对种群中的个体染色体进行解码，并计算个体染色体的适应度；

对每一个个体染色体进行二进制解码，将得到的向量作为三角形隶属度函数参数，并按此参数建立隶属度函数，建立模糊控制模型，在VISSIM软件中仿真(VISSIM是一款用于城市交通运行的仿真软件，可以模拟交通中的道路环境及车辆行为，在仿真软件中检验信号灯控制模型的效果具有成本低、可反复试验的优点。仿真用来检验模糊控制模型的控制效果，以达到对其优化的目的，其中模糊控制的输入数据可由仿真软件直接获取。而真实应用时的车流量和排队长度数据是通过真实传感器采集的。)，通过仿真软件模拟真实道路车流信息，使用建立的模糊控制模型控制信号灯时长，检验模型控制效果，将仿真情况下通行前等待红灯的车队长度和最近一段时间内的车流量输入到模糊控制模型中，由其输出绿灯时长后，计算个体染色体的适应度，公式如下：

式中，F为适应度函数，Y为平均车辆延误，即平均每辆车等待红灯的时间，具体为10个红绿灯周期内，平均每辆车等待红灯的时间长度，Y越小，F越大，控制效果越好；

(2.5)根据个体染色体的适应度对种群中的个体染色体进行选择操作；

采用轮盘赌法的选择方法，对个体染色体依概率P_i进行选择，公式如下：

式中，P_i为选择第i个体染色体的概率，F_i为第i个体染色体的适应度，N₀为个体染色体总数；

(2.6)判断迭代次数是否达到最大进化代数G_m，如果是，则结束，输出适应度最大的个体对应的模糊控制模型，即为优化后的模糊控制模型；反之，则返回步骤(2.2)；

(3)将通行前等待红灯的车队长度和最近一段时间内的车流量输入到优化后的模糊控制模型中，由其输出绿灯时长，通行前等待红灯的车队长度由地磁传感器检测得到，地磁传感器安装在距离路口30到120米的位置，每隔3米安装一个；最近一段时间内的车流量由电磁线圈传感器检测得到，安装在距离路口120到150米的位置。

本发明提出的GA优化模糊控制的交通信号灯智能配时方法具有效率高、实时规划等优点，非常适合应用于道路信号灯绿灯时长实时控制领域。

Claims (10)

1.基于遗传算法优化模糊控制的交通信号灯智能配时方法，其特征是：首先构建模糊控制模型，然后采用GA算法优化模糊控制模型，得到优化后的模糊控制模型，最后将通行前等待红灯的车队长度和最近一段时间内的车流量输入到优化后的模糊控制模型中，由其输出绿灯时长；其中，通行前等待红灯的车队长度的单位为m；最近一段时间内的车流量的单位为辆/h；绿灯时长的单位为s；

模糊控制模型的构建流程如下：

(1)划分变量子集；

分别将通行前等待红灯的车队长度、最近一段时间内的车流量和绿灯时长划分为多个区域子集；

(2)选取隶属度函数实现变量模糊化；

选取三角形隶属度函数作为通行前等待红灯的车队长度、最近一段时间内的车流量和绿灯时长对应的隶属度函数，依据隶属度函数对变量进行模糊化；

(3)确定模糊控制规则；

(4)模糊推理；

将采集得到的通行前等待红灯的车队长度和最近一段时间内的车流量进行模糊化处理得到通行前等待红灯的车队长度和最近一段时间内的车流量的模糊量，并按照模糊控制规则进行模糊推理，输出绿灯时长的模糊量；

(5)对绿灯时长的模糊量的进行解模糊得到t，即得到模糊控制模型；

采用GA算法优化模糊控制模型的流程如下：

(1)确定初始化参数，即种群规模S、交叉概率P_c、变异概率P_m、最大进化代数G_m，将三个三角形隶属度函数的顶点位置依次排列，具体排列顺序为：先通行前等待红灯的车队长度，再最近一段时间内的车流量，后绿灯时长，组成一个向量，并进行二进制编码，作为种群中的个体染色体；

(2)对种群中的个体染色体进行交叉操作；

(3)对种群中的个体染色体进行变异操作；

(4)对种群中的个体染色体进行解码，并计算个体染色体的适应度；

对每一个个体染色体进行二进制解码，将得到的向量作为三角形隶属度函数参数，并按此参数建立隶属度函数，建立模糊控制模型，在VISSIM软件中仿真，通过仿真软件模拟真实道路车流信息，使用建立的模糊控制模型控制信号灯时长，检验模型控制效果，将仿真情况下通行前等待红灯的车队长度和最近一段时间内的车流量输入到模糊控制模型中，由其输出绿灯时长后，计算个体染色体的适应度，公式如下：

式中，F为适应度函数，Y为平均车辆延误，即平均每辆车等待红灯的时间，具体为10个红绿灯周期内，平均每辆车等待红灯的时间长度；

(5)根据个体染色体的适应度对种群中的个体染色体进行选择操作；

(6)判断迭代次数是否达到最大进化代数G_m，如果是，则结束，输出适应度最大的个体对应的模糊控制模型，即为优化后的模糊控制模型；反之，则返回步骤(2)。

2.根据权利要求1所述的基于遗传算法优化模糊控制的交通信号灯智能配时方法，其特征在于，通行前等待红灯的车队长度为绿灯信号亮起前1～5秒时的等待红灯车队长度，最近一段时间内的车流量为最近5～15分钟内的车流量。

3.根据权利要求1所述的基于遗传算法优化模糊控制的交通信号灯智能配时方法，其特征在于，通行前等待红灯的车队长度的取值范围为30～120，最近一段时间内的车流量的取值范围为0～500，绿灯时长的取值范围为10～60。

4.根据权利要求1所述的基于遗传算法优化模糊控制的交通信号灯智能配时方法，其特征在于，通行前等待红灯的车队长度由地磁传感器检测得到，地磁传感器安装在距离路口30到120米的位置，每隔3米安装一个；最近一段时间内的车流量由电磁线圈传感器检测得到，安装在距离路口120到150米的位置。

5.根据权利要求1所述的基于遗传算法优化模糊控制的交通信号灯智能配时方法，其特征在于，分别将通行前等待红灯的车队长度、最近一段时间内的车流量和绿灯时长划分为多个区域子集具体为：将通行前等待红灯的车队长度划分为7个区域子集，{VS,S,SR,M,LR,L,VL}分别对应为{很短，短，较短，中，长，较长，很长}；将最近一段时间内的车流量划分为5个区域子集，{VS,S,M,L,VL}分别对应为{小，较小，中，较大，很大}；将绿灯时长划分为7个区域子集，{VS,S,SR,M,LR,L,VL}分别对应为{很短，短，较短，中，长，较长，很长}。

6.根据权利要求5所述的基于遗传算法优化模糊控制的交通信号灯智能配时方法，其特征在于，确定模糊控制规则具体为：以人工经验的方式确定模糊控制规则，共设置35条模糊控制规则。

7.根据权利要求6所述的基于遗传算法优化模糊控制的交通信号灯智能配时方法，其特征在于，对绿灯时长的模糊量的进行解模糊采用重心法。

8.根据权利要求1所述的基于遗传算法优化模糊控制的交通信号灯智能配时方法，其特征在于，对种群中的个体染色体进行交叉操作具体为：

采用实数交叉法依概率P_c对种群中的个体染色体进行交叉操作，形成新的染色体，公式如下：

式中，a_mj是个体染色体m的第j位基因，a_nj是个体染色体n的第j位基因，η₀是随机数，取值区间为[0,1]。

9.根据权利要求8所述的基于遗传算法优化模糊控制的交通信号灯智能配时方法，其特征在于，对种群中的个体染色体进行变异操作具体为：

在个体染色体的某一位置上进行变异操作，带来新型染色体，依概率P_m对个体染色体进行变异操作，公式如下：

式中，a_ij是个体染色体i的第j位基因，其上下界分别是a_M和a_m，G是当前进化次数，η₁、η₂是随机数，取值区间为[0，1]。

10.根据权利要求9所述的基于遗传算法优化模糊控制的交通信号灯智能配时方法，其特征在于，根据个体染色体的适应度对种群中的个体染色体进行选择操作具体为：

采用轮盘赌法的选择方法，对个体染色体依概率P_i进行选择，公式如下：

式中，P_i为选择第i个体染色体的概率，F_i为第i个体染色体的适应度，N₀为个体染色体总数。

Images