论文部分内容阅读
【摘 要】本文采用KNN分类算法对道路各个交叉口的灯控信号进行有效配时，通过点控制的实现进而达到干线联动控制，以减少车辆在某一路上的各个交叉口因等信号等而时开时停现象。
【关键词】 knn算法；干线控制；交通流量；绿波控制
Explore Knn algorithm trunk road in the application of control signal linkage
Niu Yu-juan
(Yunnan Vocational and Technical Education Kunming Yunnan 650501)
【Abstract】In this article, the classification algorithm of road each KNN intersection lamp control signal effectively, Through the point control realization and then reach main linkage control and to reduce vehicle in each intersection because of a along the way, such as a signal and stopped phenomenon.
【Key words】Knn classification;Main control;Multi-phase;Green-wave control
1. 引言
在我国的很多城市中，由于道路交叉口众多，车辆在行驶时总是时开时停，造成行车不畅，也导致了道路服务水平无法提高，甚至是交叉口交通事故频发和环境污染的日益严重。为了使车辆减少在各个交叉口上的停车时间，特别是保持干线交通的流畅，人们开始考虑如何把一条干线上的各个交叉口的交通信号联系起来进行联动控制，达到使车辆从驶上该干线开始在每一个交叉口都能遇到绿灯，这就是国内外专家和学者研究的“线控制”，也称“绿波控制”。
随着计算机、计算方法、自动控制技术、车辆检测技术等的发展，在由“点”控制到“线”控制方面，各国专家和学者均开发了不少程序和研究了不少算法，像美国的MAXBAND；德国的SIGMA等，主要是根据交叉口车流量的大小来进行信号配时，由道路的第一交叉口开始，按先后次序逐一把各个交叉口的配时方案（即：红灯多少秒、绿灯多少秒、黄灯多少秒的总和）计算出来，设置到信号控制机中，以此来实现车辆从第一个交叉口直至走完整条道路最后一个交叉口都不会遇到红灯而停车等待，最大限度的提高道路的通行效率，节省出行的时间。
但在根据交通流量来进行信号配时时，由于各个交叉口在一天24小时内的车流情况不同，要合理分配给每个交叉口合适的绿灯时长和红灯时长就得充分调查各交叉口历史交通流量情况和一天之内的交通流量变化规律来得到一个合适的流量对信号时长的值。由于数据很多，在计算和处理过程中需要花费大量的时间和人力，于是想到借助Knn分类算法把实时交通流量和历史数据进行比较和分类处理得到单个交叉口的合适的信号配时，由第一个交叉口到第二个交叉口，再到第三个、第四个…为绿波控制的实施提供有用数据和高效计算。
2. Knn分类算法简介
2.1 Knn的定义。
所谓Knn分类算法也就是K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 KNN方法虽然从原理上也依赖于极限定理，但在类别决策时，只与极少量的相邻样本有关。由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合［1］。
同时，KNN算法可以用于分类，还可以用于回归。通过找出一个样本的k个最近邻居，将这些邻居的属性的平均值赋给该样本，就可以得到该样本的属性。更有用的方法是将不同距离的邻居对该样本产生的影响给予不同的权值(weight)，如权值与距离成正比。
2.2 Knn在单个交叉口信号控制中的理论计算。
Knn的分类算法思想比较简单，假定每个类中包含多个训练数据，且每个训练数据都有一个惟一的类别标记，我们通过计算每个训练数据到待分类元组的距离，取和待分类元组距离最近的K个训练数据，k个数据中哪个类别的训练数占多数，则待分类元组就属于哪个类别。即：邻近性度量的类型应当与数据类型相适应。
首先是把该交叉口的交通流量数据设为一个概念集，并且每个历史数据都有唯一一个类别标记，也就是最终所要取定的惟一一个信号配时方案；然后根据信号配时的特点来选取最邻近数目K的取值；之后把这个交叉口到下一交叉口的距离确定，最后把实时待分类的数据输入到系统中，就可以得到它所隶属的类别，根据这个类别就可以得出该交叉口的信号配时了。［2］这样，一条道路上各交叉口之间的距离都是已知的，而各个交叉口的交通流量数不同，根据Knn的分类，相类似的数据有同一隶属，就从众多繁杂的历史数据中找到或挑选到相符合的绿灯时长分配给该交叉口，由此到第二交叉口，第三个…，进而实现整条道路的干线控制绿波通行。
所谓的绿波通行就是在指定的交通线路上，当规定好路段的车速后，要求信号控制机根据路段距离，把该车流所经过的各路口绿灯起始时间，做相应的调正，以确保该车流到达每个路口时，正好遇到“绿灯”。
3. 实例应用分析
现以昆明市春城路为例来看，该道路为双向六车道，道路共十余个交叉口，多为十字交叉路口。相位设计时采用两相位（如图1：信号相位示意图），即：第一相位是东西方向禁行，南北方向可直行、左转、右转；第二相位是南北方向禁行，东西方向可直行、左转、右转。由于右转不受信号灯控制，故在相位示意图中未画出。
先计算单个交叉口的信号配时方案，具体步骤如下：
3.1 根据该交叉口平面布局和东、南、西、北四个方向交通流量来分配绿灯时长，确定该交叉口所需的信号周期时长（一个信号周期时长=红灯时长+黄灯时长+绿灯时长）。
图1 信号相位示意图
3.2 根据各交叉口所需周期时长并结合主次道路的流量比来得出各个相位的绿灯时长，实现干线绿波控制［3］。
春城路的设计饱和流量S=1800veh/h，每相位信号损失时间l=4s，取黄灯时长tY=3s，各相全红时间取为：tR=2s，以图示第一相位为例，此时南北方向绿灯，南北方向的红灯时长为：东西方向的绿灯时长+黄灯时长，东、北、南、西各方向入口车流量若分别为：900veh、1200veh、600veh、900veh，此时各相临界车流量为：q1=600（取南北方向交通流量最大的一个除以2就得到南北向的车道临界车流量）；同理：q2=450；
根据各相临界车流量计算出比值：Y1=600/1800=0.25
Y2=450/1800=0.333
计算总的损失时间为：L=n*(1+tR)=2*(4+2)=12s（总损失时间L=两个相位乘以每个相位损失时间和全红时间的和）
计算最佳周期为：C0=（1.5L+5）÷（1-Y）=（1.5*12+5）/（1-0.25-0.333）≈55s
净绿灯时长为：tg=55-2*3-12=37s（净绿灯时长是总周期时长——总的损失时间——黄灯时长，由于一个周期中包含有2次黄灯变换，故黄灯时长应为2*ty）
第一相绿灯时间为：Y1*tg+L=0.25*37+12=21.25s取22s
第二相绿灯时间为：Y2*tg+L=0.333*37+12=24.32s取25s
周期长C=22+3+25+2+3=55s，与之前计算出来的最佳周期时长C0相同。
若选取春城路的6个相邻交叉口交通流量数据如表1所示：
这样，这6个交叉口流量就形成一个训练数据集T，按Knn分类算法来看:当K=3时，得到前3个记录，N=(600,900,1200,600)、(800,400,600,1100)、(786,1300,962,1540),而第三个数据(786,1300,962,1540)与我们之前计算过的(600,900,1200,600)的信号配时差别大,不能采用同样绿灯时长,应剔除出来重新计算信号配时方案,或者说根据调查的交叉口间距和交通量的数据信息，确定干线上交叉口纳入到线控制的范围并不难，关键是把交叉口间距过长和交通量相差悬殊、影响信号协调联动效果的交叉口纳入另一与之相适应的系统内。那么k的取值不同时，多个交叉口的数据都能得到分类并选出同类的与之相匹配的信号配时方案，干线的绿波通行就实现了。
下面表2是经Knn分类后得到的该春城路6个交叉口车流与对应的信号相位配时情况：
据此，春城路的干线控制相位图如图2下：
这样一来，无论道路交叉口有多少个，交叉口几个方向的流量数字是多少，只要选择几个代表性数据进行配时计算，那么大量的数据都可以通过Knn分类算法找到和它们相同的类，同一个类采取相同的信号配时方案就行，将以前的每个交叉口都要根据自己的流量来确定信号配时的工作简单化和高效化了。
4. 结论与展望
“绿波通行”是信号灯多点控制技术的形象化说法，即让同一条道路多个交叉口的信号灯协调起来，同时亮绿灯或同时亮红灯，这样，向同一方向行驶的车辆要么一起走，要么一起停，不会出现刚走几步又要等红灯的情况，大大提高了道路通行能力。据报道称：我国的北京将在十二五期间投资14亿实施智能交通工程，这个工程的重点就是绿波控制，到时北京的五环路开车将一路绿灯。另一个城市——南京，也将在全市新增12条“绿波带”，进行干线交通控制，使绿波通行道路数量总量已达到了126条，其中121条潮汐绿波，绿波信号控制率达70%。交管部门表示，“绿波带”的设立有力地保障了全市道路交通有序畅通。在昆明，连接老城区和呈贡新城的彩云北路具有典型的潮汐交通特性，如果实施了绿波通行，将大大提高通行能力，减少早高峰和晚高峰的交通压力。
更多的城市干道需要绿波通行，利用Knn分类算法能够实现计算机技术与智能交通技术的结合，为“点”控制到“线”控制，继而进行“面”（区域）控制的信号配时提供了有效分类和与
(下转第44页)
【关键词】 knn算法；干线控制；交通流量；绿波控制
Explore Knn algorithm trunk road in the application of control signal linkage
Niu Yu-juan
(Yunnan Vocational and Technical Education Kunming Yunnan 650501)
【Abstract】In this article, the classification algorithm of road each KNN intersection lamp control signal effectively, Through the point control realization and then reach main linkage control and to reduce vehicle in each intersection because of a along the way, such as a signal and stopped phenomenon.
【Key words】Knn classification;Main control;Multi-phase;Green-wave control
1. 引言
在我国的很多城市中，由于道路交叉口众多，车辆在行驶时总是时开时停，造成行车不畅，也导致了道路服务水平无法提高，甚至是交叉口交通事故频发和环境污染的日益严重。为了使车辆减少在各个交叉口上的停车时间，特别是保持干线交通的流畅，人们开始考虑如何把一条干线上的各个交叉口的交通信号联系起来进行联动控制，达到使车辆从驶上该干线开始在每一个交叉口都能遇到绿灯，这就是国内外专家和学者研究的“线控制”，也称“绿波控制”。
随着计算机、计算方法、自动控制技术、车辆检测技术等的发展，在由“点”控制到“线”控制方面，各国专家和学者均开发了不少程序和研究了不少算法，像美国的MAXBAND；德国的SIGMA等，主要是根据交叉口车流量的大小来进行信号配时，由道路的第一交叉口开始，按先后次序逐一把各个交叉口的配时方案（即：红灯多少秒、绿灯多少秒、黄灯多少秒的总和）计算出来，设置到信号控制机中，以此来实现车辆从第一个交叉口直至走完整条道路最后一个交叉口都不会遇到红灯而停车等待，最大限度的提高道路的通行效率，节省出行的时间。
但在根据交通流量来进行信号配时时，由于各个交叉口在一天24小时内的车流情况不同，要合理分配给每个交叉口合适的绿灯时长和红灯时长就得充分调查各交叉口历史交通流量情况和一天之内的交通流量变化规律来得到一个合适的流量对信号时长的值。由于数据很多，在计算和处理过程中需要花费大量的时间和人力，于是想到借助Knn分类算法把实时交通流量和历史数据进行比较和分类处理得到单个交叉口的合适的信号配时，由第一个交叉口到第二个交叉口，再到第三个、第四个…为绿波控制的实施提供有用数据和高效计算。
2. Knn分类算法简介
2.1 Knn的定义。
所谓Knn分类算法也就是K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 KNN方法虽然从原理上也依赖于极限定理，但在类别决策时，只与极少量的相邻样本有关。由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合［1］。
同时，KNN算法可以用于分类，还可以用于回归。通过找出一个样本的k个最近邻居，将这些邻居的属性的平均值赋给该样本，就可以得到该样本的属性。更有用的方法是将不同距离的邻居对该样本产生的影响给予不同的权值(weight)，如权值与距离成正比。
2.2 Knn在单个交叉口信号控制中的理论计算。
Knn的分类算法思想比较简单，假定每个类中包含多个训练数据，且每个训练数据都有一个惟一的类别标记，我们通过计算每个训练数据到待分类元组的距离，取和待分类元组距离最近的K个训练数据，k个数据中哪个类别的训练数占多数，则待分类元组就属于哪个类别。即：邻近性度量的类型应当与数据类型相适应。
首先是把该交叉口的交通流量数据设为一个概念集，并且每个历史数据都有唯一一个类别标记，也就是最终所要取定的惟一一个信号配时方案；然后根据信号配时的特点来选取最邻近数目K的取值；之后把这个交叉口到下一交叉口的距离确定，最后把实时待分类的数据输入到系统中，就可以得到它所隶属的类别，根据这个类别就可以得出该交叉口的信号配时了。［2］这样，一条道路上各交叉口之间的距离都是已知的，而各个交叉口的交通流量数不同，根据Knn的分类，相类似的数据有同一隶属，就从众多繁杂的历史数据中找到或挑选到相符合的绿灯时长分配给该交叉口，由此到第二交叉口，第三个…，进而实现整条道路的干线控制绿波通行。
所谓的绿波通行就是在指定的交通线路上，当规定好路段的车速后，要求信号控制机根据路段距离，把该车流所经过的各路口绿灯起始时间，做相应的调正，以确保该车流到达每个路口时，正好遇到“绿灯”。
3. 实例应用分析
现以昆明市春城路为例来看，该道路为双向六车道，道路共十余个交叉口，多为十字交叉路口。相位设计时采用两相位（如图1：信号相位示意图），即：第一相位是东西方向禁行，南北方向可直行、左转、右转；第二相位是南北方向禁行，东西方向可直行、左转、右转。由于右转不受信号灯控制，故在相位示意图中未画出。
先计算单个交叉口的信号配时方案，具体步骤如下：
3.1 根据该交叉口平面布局和东、南、西、北四个方向交通流量来分配绿灯时长，确定该交叉口所需的信号周期时长（一个信号周期时长=红灯时长+黄灯时长+绿灯时长）。
图1 信号相位示意图
3.2 根据各交叉口所需周期时长并结合主次道路的流量比来得出各个相位的绿灯时长，实现干线绿波控制［3］。
春城路的设计饱和流量S=1800veh/h，每相位信号损失时间l=4s，取黄灯时长tY=3s，各相全红时间取为：tR=2s，以图示第一相位为例，此时南北方向绿灯，南北方向的红灯时长为：东西方向的绿灯时长+黄灯时长，东、北、南、西各方向入口车流量若分别为：900veh、1200veh、600veh、900veh，此时各相临界车流量为：q1=600（取南北方向交通流量最大的一个除以2就得到南北向的车道临界车流量）；同理：q2=450；
根据各相临界车流量计算出比值：Y1=600/1800=0.25
Y2=450/1800=0.333
计算总的损失时间为：L=n*(1+tR)=2*(4+2)=12s（总损失时间L=两个相位乘以每个相位损失时间和全红时间的和）
计算最佳周期为：C0=（1.5L+5）÷（1-Y）=（1.5*12+5）/（1-0.25-0.333）≈55s
净绿灯时长为：tg=55-2*3-12=37s（净绿灯时长是总周期时长——总的损失时间——黄灯时长，由于一个周期中包含有2次黄灯变换，故黄灯时长应为2*ty）
第一相绿灯时间为：Y1*tg+L=0.25*37+12=21.25s取22s
第二相绿灯时间为：Y2*tg+L=0.333*37+12=24.32s取25s
周期长C=22+3+25+2+3=55s，与之前计算出来的最佳周期时长C0相同。
若选取春城路的6个相邻交叉口交通流量数据如表1所示：
这样，这6个交叉口流量就形成一个训练数据集T，按Knn分类算法来看:当K=3时，得到前3个记录，N=(600,900,1200,600)、(800,400,600,1100)、(786,1300,962,1540),而第三个数据(786,1300,962,1540)与我们之前计算过的(600,900,1200,600)的信号配时差别大,不能采用同样绿灯时长,应剔除出来重新计算信号配时方案,或者说根据调查的交叉口间距和交通量的数据信息，确定干线上交叉口纳入到线控制的范围并不难，关键是把交叉口间距过长和交通量相差悬殊、影响信号协调联动效果的交叉口纳入另一与之相适应的系统内。那么k的取值不同时，多个交叉口的数据都能得到分类并选出同类的与之相匹配的信号配时方案，干线的绿波通行就实现了。
下面表2是经Knn分类后得到的该春城路6个交叉口车流与对应的信号相位配时情况：
据此，春城路的干线控制相位图如图2下：
这样一来，无论道路交叉口有多少个，交叉口几个方向的流量数字是多少，只要选择几个代表性数据进行配时计算，那么大量的数据都可以通过Knn分类算法找到和它们相同的类，同一个类采取相同的信号配时方案就行，将以前的每个交叉口都要根据自己的流量来确定信号配时的工作简单化和高效化了。
4. 结论与展望
“绿波通行”是信号灯多点控制技术的形象化说法，即让同一条道路多个交叉口的信号灯协调起来，同时亮绿灯或同时亮红灯，这样，向同一方向行驶的车辆要么一起走，要么一起停，不会出现刚走几步又要等红灯的情况，大大提高了道路通行能力。据报道称：我国的北京将在十二五期间投资14亿实施智能交通工程，这个工程的重点就是绿波控制，到时北京的五环路开车将一路绿灯。另一个城市——南京，也将在全市新增12条“绿波带”，进行干线交通控制，使绿波通行道路数量总量已达到了126条，其中121条潮汐绿波，绿波信号控制率达70%。交管部门表示，“绿波带”的设立有力地保障了全市道路交通有序畅通。在昆明，连接老城区和呈贡新城的彩云北路具有典型的潮汐交通特性，如果实施了绿波通行，将大大提高通行能力，减少早高峰和晚高峰的交通压力。
更多的城市干道需要绿波通行，利用Knn分类算法能够实现计算机技术与智能交通技术的结合，为“点”控制到“线”控制，继而进行“面”（区域）控制的信号配时提供了有效分类和与
(下转第44页)