BP神经网络在道路交叉口多相位模糊控制中的应用

蒋爱萍　柳妍

摘 要：公路交通控制是一个非线性时变系统，其抗干扰能力较差，尤其是道路交叉口的交通控制更是具有复杂的非线性时变特征，而实际应用表明，道路交叉口的交通控制是整个交通控制系统的控制重点。本文在研究BP神经网络算法的基础上，探讨该算法在道路交叉口多相位模糊控制中的应用。

关键词：公路交通控制；BP神经网络算法；交叉口多相位

1 多相位交通控制算法

当交通流较大时，在保证安全的前提下，为了提高平面交叉口的通行能力往往需要进行多相位信号控制。在一个周期内，交叉口上某一支或几支交通流所获得的通行权称为信号相位。单交叉路口4相位信号控制如下：相位1：南北直行；相位2：南北左转及；相位3：东西直行；相位4：东西左转及方向绿灯，所有右转方向绿灯，方向绿灯，所有右转方向绿灯。

单个交叉路口信号的控制算法可描述为：

⑴从相位i开始，分别指定各相位的最短绿灯时间Gmin和最大绿灯时间Gmax；

⑵先给该相位以最短绿灯时间 ；

⑶测得放行车道的车队长度，设其为 ；

2 模糊逻辑控制器的设计

2.1 检测器之间的车辆数ι，队长之差Q，绿灯追加时间G的模糊化

两检测器之间的车辆数ι为考虑具体交叉口路况后，折算成标准小客车单位（pcu）的车辆数。视为模糊变量 ，论域为：{1，3，5，7，9，11，13，15，17}，取7个语言值： （很少）， （少）， （较少）， （一些）， （较多）， （多）， （很多）。

队长差Q为pcu单位的下相位两检测器之间车辆数和本相位两检测器之间车辆数的代数差，将其看作模糊变量 ，其论域为：{-9，-6，-3，0，3，6，9}，取5个语言值： （负大）， （负小）， （零）， （正小）， （正大）。

追加绿灯时间G为模糊变量 ，其论域为：{3，6，9，12，15，18，21，24，27}，取7个语言值： （很少）， （少）， （较少）， （适中）， （多）， （较多）， （很多）。相对于论域的隶属函数为：

2.2 模糊推理

根据经验总结出控制规则如下表所示（“-”表示不可能出现的情况）。两输入到输出的语言控制策略由33條模糊条件语句构成：

2.3 模糊判决（去模糊化）

本文采用最大隶属度原则去模糊化。

3 模糊逻辑控制器的BP神经网络实现

3.1 模糊—神经网络控制结构

上述模糊控制器模型可以用三个BP神经网络来实现，该模糊—神经控制器结构如下图所示。

神经网络Ⅰ、Ⅱ分别用于生成 和 的隶属函数。神经网络Ⅲ用于产生绿灯追加时间输出。该神经网络采用典型神经元，其输入输出关系为Sigmoid函数，即：

3.2 模糊控制规则的实现及控制信号的形成

采用三层神经元网络Ⅲ来实现模糊控制规则。输入层对应于神经元网络Ⅰ和Ⅱ的输出层，即含有12个神经元；输出层为一个神经元，即控制量输出；隐含层采用7个神经元。以表4提供的经验数据为样本进行学习，即可获得一个模糊神经控制器。

4 总结

当交叉口车辆到达率或交叉口车流到达饱和时，模糊神经网络控制方法可以大幅度减少交叉口各方向车辆的平均延误时间。这是因为在模糊控制算法中考虑了下一相位的等待车辆数，从而保证了模糊神经网络控制器能够协调地给各方向分配通行时间，防止某一方向等待车辆数过多而导致整体上大的平均延误。

[参考文献]

[1]刘智勇.智能交通控制理论及其应用[M].北京：科学出版社，2003.