论文部分内容阅读
摘要：信号控制的力度决定了交叉路口车辆的延误时间，文中以单交叉路为研究对象，以减少车辆延误时间为目标，在传统的定时控制基础之上，提出是用ELMAN神经网络对交叉路口进行控制，通过仿真结果表明，能有效改善车辆的平均延误时间。
关键词：ELMAN神经网络；定时控制；交叉路口
中图分类号：TP183文献标识码：A文章编号：1009-3044(2012)23-5682-03
Research of the Fuzzy Signal Control Based on Elman
MAO Hong-ge, HUANG Guo-fan
(School of Software, Nanyang Normal University, Nanyang 473061, China)
Abstract：Dynamism of signal control decide the delay of car on single intersection., this paper takes a single intersection as research object, as a target the delay of car decreased. based on fixed time control ,it use ELMAN neural control the signal, the result indicate that delay of car decrease effectively.
Key words: ELMAN neural network; fixed control; single intersection
交通拥挤是城市交通的重大问题之一，在大城市尤其明显。交叉路口信号的有效控制是解决交通拥堵问题的关键因素，目前，国内各大城市交通信号灯控制是基于定时的，定时控制在有些交通流量情况是有效的，但遇到大量车流量的、繁忙的交叉路口已不能满足实际需要；有些路口车流十分稀少的时候，驾驶员可以看到另一绿灯相位没有车辆通过，仍然要等待转换相位才能通行。这种信号控制方法增加了车辆在交叉路口的延误时间，对于交通拥堵问题没有得到有效解决，为了缓解交通拥挤、减少污染和提高能源利用率等问题，这就需要寻找智能的信号控制方法，我国的交通研究者最近几十年也做了大量有关的研究，其中徐冬玲、刘智勇[1, 2]等学者提出了模糊神经网络控制方案，在模糊控制中，模糊规则一旦给出，运行过程中是一成不变的，不具备学习能力，神经网络具有自适应学习能力，目前大多研究是基于BP算法的。BP算法是静态前馈神经网络，是将动态的交通问题变为静态空间建模问题，ELMAN神经网络具备映射动态特征的功能，从而使系统具有适应时变特性的能力。因此，考虑到交叉路口的动态特性，采用ELMAN神经网络进行信号控制。
1 ELMAN神经网络
Elman网络是J. L. Elman于1990年首先提出来的,它是一种典型的局部回归网络。Elman网络可以看作是一个具有局部记忆单元和局部反馈连接的前向神经网络。Elman神经网络一般包括：输入层、中间层(隐含层)、承接层和输出层，其结构如图1所示。输入层起信号传输作用，输出层起线性加权作用。在这种网络中,除了普通的隐含层外,还有一个特别的隐含层,称为承接层;该层从隐含层接收反馈信号,每一个隐含层节点都有一个与之对应的关联层节点连接。承接层的作用是通过联接记忆将上一个时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入,相当于状态反馈。
Elman神经网络具有BP神经网络的优点，同时它是通过一种承接层的延迟和存储连接到隐含层的输入的自连方式，这就增加了网络动态处理信息的能力，从而可以动态的自适应的处理交叉路口复杂路况的事物。
2基于ELMAN神经网络模糊信号控制
文中以单交叉路口交通信号控制为研究对象，在图2中，有东、西、南、北四个车流方向，每个相位只考虑直行的情况，其它的忽略不计。
车辆的延误模型采用的是希腊学者C.P.PAPPIS[3]提出的单路口两相位模糊控制算法。此模糊算法是根据红灯方向的车辆等待数，与绿灯方向检测到达的车辆数，决定当前方向绿灯在7秒，17秒，27秒，37秒，47秒的延时是否进行、或转向。
引入模糊变量T，A，Q，E，分别表示时间、绿灯方向车辆的到达数、红灯方向车辆的等待数、绿灯延时。模糊变量的赋值表见文献[3].
2.1网络的创建
2.1.1网络的输入
神经网络中，输入的元素分别是时间T、绿灯方向车辆的到达车辆A、红灯方向车辆的等待数Q、当前绿灯时间G（第7、27、37、47秒分别为0.1、0.2、0.3、0.4）。
2.1.2网络的输出
网络有一个输出，是第n秒的绿灯延时隶属度。将从检测器得到的10秒数据分别输入网络就可得到10秒的绿灯隶属度，根据最大隶属度对应的时间决策延长时间。
2.1.3样本的选取
模糊控制算法使用了25条规则进行模糊推理，并且在考虑不同车流情况下均衡的选择样本。例如，在27秒准备实施控制时，上个10秒的第9秒红灯方向的车辆等待数是8，绿灯方向的车辆等待数是7，则神经网络输入为P=[9,7,8,0.4],输出为,T=[0,1,1, 0,1,1, 0,1,1, 0,0.9,1, 0,0.9,1],输出为T=[0.9]。这样，可以得到不同车流情况下的若干个样本。
由于文中研究对象一个隐含层足以够用，所以，这里采用单隐层的神经网络。根据Elman网络的特性和交叉路口的实际情况，将隐含层神经元的个数设定为30。传递函数为S函数tansig(),输出层有一个神经元，传递函数为线性函数logsig()。训练函数采用默认值traingdx(),下面创建一个Elman网络：
Net = newelm(minmax(P),[30 1],{tansig, lgsig});
2.2网络的训练
使用MATLAB工具进行仿真，代码如下：
net.trainParam.epochs=10000;
net.trainParam.goal=0.1;
net=train(net,P,T);
3 MATLAB车辆延误仿真
交叉路口的路况是动态分布的，因此，泊松分布用来仿真交通流量较小的情况，二项分布用来仿真流量较大的情况，车辆的延误使用C.P.PAPPIS文中公式计算，因此可以得到不同车流情况下的车辆平均延误。
4结束语
从实验结果可以得知，使用ELMAN神经网络对交叉路口进行控制可以有效减少车辆的平均延时，提高交叉路口的通行能力，在实际的应用中，文中的实验条件存在局限性，例如交叉路口的车流情况比文中比较的交通量要复杂及神经网络也存在不足之处，可以寻求更好的方法实现各种方法之间的互补，减少车辆的延误时间。
参考文献：
[1]徐冬玲,方建安,邵世煌.交通系统的模糊控制及其神经网络实现[J].信息与控制,1992,21(2):74-78.
[2]刘智勇.智能交通控制理论及其应用[M].北京:科学出版社,2003
[3] Pappis C P,Mamdani E H.A Fuzzy logic controller for a traffic junction[J].IEEE Transactions on systems,man,and cybernetics,1977,7: 707-717.
[4]周开利.MATLAB基础及其应用教程[M].北京:北京大学出版社,2007
[5]杜爱月.基于模糊控制的交通信号控制系统及仿真的研究[J].西安:长安大学,2004.
[6]杨海东.基于RBF神经网络的单交叉口自学习控制系统[J].机电工程,2007,24(12).
关键词：ELMAN神经网络；定时控制；交叉路口
中图分类号：TP183文献标识码：A文章编号：1009-3044(2012)23-5682-03
Research of the Fuzzy Signal Control Based on Elman
MAO Hong-ge, HUANG Guo-fan
(School of Software, Nanyang Normal University, Nanyang 473061, China)
Abstract：Dynamism of signal control decide the delay of car on single intersection., this paper takes a single intersection as research object, as a target the delay of car decreased. based on fixed time control ,it use ELMAN neural control the signal, the result indicate that delay of car decrease effectively.
Key words: ELMAN neural network; fixed control; single intersection
交通拥挤是城市交通的重大问题之一，在大城市尤其明显。交叉路口信号的有效控制是解决交通拥堵问题的关键因素，目前，国内各大城市交通信号灯控制是基于定时的，定时控制在有些交通流量情况是有效的，但遇到大量车流量的、繁忙的交叉路口已不能满足实际需要；有些路口车流十分稀少的时候，驾驶员可以看到另一绿灯相位没有车辆通过，仍然要等待转换相位才能通行。这种信号控制方法增加了车辆在交叉路口的延误时间，对于交通拥堵问题没有得到有效解决，为了缓解交通拥挤、减少污染和提高能源利用率等问题，这就需要寻找智能的信号控制方法，我国的交通研究者最近几十年也做了大量有关的研究，其中徐冬玲、刘智勇[1, 2]等学者提出了模糊神经网络控制方案，在模糊控制中，模糊规则一旦给出，运行过程中是一成不变的，不具备学习能力，神经网络具有自适应学习能力，目前大多研究是基于BP算法的。BP算法是静态前馈神经网络，是将动态的交通问题变为静态空间建模问题，ELMAN神经网络具备映射动态特征的功能，从而使系统具有适应时变特性的能力。因此，考虑到交叉路口的动态特性，采用ELMAN神经网络进行信号控制。
1 ELMAN神经网络
Elman网络是J. L. Elman于1990年首先提出来的,它是一种典型的局部回归网络。Elman网络可以看作是一个具有局部记忆单元和局部反馈连接的前向神经网络。Elman神经网络一般包括：输入层、中间层(隐含层)、承接层和输出层，其结构如图1所示。输入层起信号传输作用，输出层起线性加权作用。在这种网络中,除了普通的隐含层外,还有一个特别的隐含层,称为承接层;该层从隐含层接收反馈信号,每一个隐含层节点都有一个与之对应的关联层节点连接。承接层的作用是通过联接记忆将上一个时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入,相当于状态反馈。
Elman神经网络具有BP神经网络的优点，同时它是通过一种承接层的延迟和存储连接到隐含层的输入的自连方式，这就增加了网络动态处理信息的能力，从而可以动态的自适应的处理交叉路口复杂路况的事物。
2基于ELMAN神经网络模糊信号控制
文中以单交叉路口交通信号控制为研究对象，在图2中，有东、西、南、北四个车流方向，每个相位只考虑直行的情况，其它的忽略不计。
车辆的延误模型采用的是希腊学者C.P.PAPPIS[3]提出的单路口两相位模糊控制算法。此模糊算法是根据红灯方向的车辆等待数，与绿灯方向检测到达的车辆数，决定当前方向绿灯在7秒，17秒，27秒，37秒，47秒的延时是否进行、或转向。
引入模糊变量T，A，Q，E，分别表示时间、绿灯方向车辆的到达数、红灯方向车辆的等待数、绿灯延时。模糊变量的赋值表见文献[3].
2.1网络的创建
2.1.1网络的输入
神经网络中，输入的元素分别是时间T、绿灯方向车辆的到达车辆A、红灯方向车辆的等待数Q、当前绿灯时间G（第7、27、37、47秒分别为0.1、0.2、0.3、0.4）。
2.1.2网络的输出
网络有一个输出，是第n秒的绿灯延时隶属度。将从检测器得到的10秒数据分别输入网络就可得到10秒的绿灯隶属度，根据最大隶属度对应的时间决策延长时间。
2.1.3样本的选取
模糊控制算法使用了25条规则进行模糊推理，并且在考虑不同车流情况下均衡的选择样本。例如，在27秒准备实施控制时，上个10秒的第9秒红灯方向的车辆等待数是8，绿灯方向的车辆等待数是7，则神经网络输入为P=[9,7,8,0.4],输出为,T=[0,1,1, 0,1,1, 0,1,1, 0,0.9,1, 0,0.9,1],输出为T=[0.9]。这样，可以得到不同车流情况下的若干个样本。
由于文中研究对象一个隐含层足以够用，所以，这里采用单隐层的神经网络。根据Elman网络的特性和交叉路口的实际情况，将隐含层神经元的个数设定为30。传递函数为S函数tansig(),输出层有一个神经元，传递函数为线性函数logsig()。训练函数采用默认值traingdx(),下面创建一个Elman网络：
Net = newelm(minmax(P),[30 1],{tansig, lgsig});
2.2网络的训练
使用MATLAB工具进行仿真，代码如下：
net.trainParam.epochs=10000;
net.trainParam.goal=0.1;
net=train(net,P,T);
3 MATLAB车辆延误仿真
交叉路口的路况是动态分布的，因此，泊松分布用来仿真交通流量较小的情况，二项分布用来仿真流量较大的情况，车辆的延误使用C.P.PAPPIS文中公式计算，因此可以得到不同车流情况下的车辆平均延误。
4结束语
从实验结果可以得知，使用ELMAN神经网络对交叉路口进行控制可以有效减少车辆的平均延时，提高交叉路口的通行能力，在实际的应用中，文中的实验条件存在局限性，例如交叉路口的车流情况比文中比较的交通量要复杂及神经网络也存在不足之处，可以寻求更好的方法实现各种方法之间的互补，减少车辆的延误时间。
参考文献：
[1]徐冬玲,方建安,邵世煌.交通系统的模糊控制及其神经网络实现[J].信息与控制,1992,21(2):74-78.
[2]刘智勇.智能交通控制理论及其应用[M].北京:科学出版社,2003
[3] Pappis C P,Mamdani E H.A Fuzzy logic controller for a traffic junction[J].IEEE Transactions on systems,man,and cybernetics,1977,7: 707-717.
[4]周开利.MATLAB基础及其应用教程[M].北京:北京大学出版社,2007
[5]杜爱月.基于模糊控制的交通信号控制系统及仿真的研究[J].西安:长安大学,2004.
[6]杨海东.基于RBF神经网络的单交叉口自学习控制系统[J].机电工程,2007,24(12).