1. 前言
利用先进的信息技术改造城市交通系统已成为城市交通管理者的共识。目前，国内外公认较好的城市交通控制系统有两种：英国的SCOOT系统和澳大利亚的SCAT系统。这两种系统在我国都已引进，但控制效果不尽人意。上述系统均以精确的数学模型或预设的方案为基础。而我国的城市交通尤其是中小城市的交通车辆种类繁多，随机性大、影响因素多，因而难以用精确的数学模型描述。
针对我国中等城市交通的现状，我们开发和研究了城市交通信号控制系统。该系统由交通基础信息采集、优化调度、信号控制、信息发布等四个子系统组成。该系统与国内外同类产品相比，创新之处表现在：
1. 将模糊控制技术引入交通信号控制，实现信号灯的自适应控制。
2. 通过Internet网以及可变信息板等实现交通信息的实时动态发布。
3. 利用专家系统对整个区域的信号系统进行全局优化调度。
该系统运用模糊控制、神经网络等先进的手段进行优化调度与智能控制。它将有利于交通管理向智能化方向发展。
2. 系统结构
整个系统可以按图1所示分为三层。基础数据采集主要采集各车辆计数仪的实时数据，通过通信网将数据传输到交通管控中心。管控中心在实时数据的基础上利用专家系统和神经网络等技术对全局交通进行优化调度，在此基础上形成调度指令，通过通信网反馈至各交叉口。各交叉口在调度指令和该交叉口的实时交通流信息，利用模糊控制的策略对该交叉口的信号进行控制。管理层为最高指挥层，它能在比如交通管制等紧急情况下进行宏观调度。
管理层
优化调度层
基础数据采集
底层控制
图1 城市交通信号控制系统的分层结构图
城市交通信号控制系统的网络比较复杂，包括：有线网和无线网，远程网和局域网，主干网和区域网，以及工控网。尽管如此，我们仍可把城市交通信号控制系统的网络总体结构分为三层：第一层为管控中心的主干网络，是全市交通的网络数据库服务中心；第二层是局域网络；第三层为控制红绿灯、可变信息板等的工控网。
管控中心是城市交通信号控制系统的核心，它能实现交通信息的共享。工控网络用于采集有关实时交通数据，并反馈交通信号控制信息。
3. 单个交叉口红绿灯的模糊控制
由于我国的城市交通具有车辆种类多，随机性大等特点，因此难以用精确的数学模型来描述。根据我们的仿真研究，我们提出了一种模糊控制的方法。单个交叉口的控制要在全局优化调度的基础上执行。
对单个交叉口而言，当交通需求较小时，信号周期则应短一些，但一般不能少于Ｐ×15秒（Ｐ为相位数）以免某一方向的绿灯时间小于15秒使车辆来不及通过路口影响交通安全；当交通需求较大时，信号周期则应长一些，但一般不能超过120秒，否则某一方向的红灯时间将超过60秒，驾驶员心理上不能忍受。当交通需求很小时，一般按最小周期运行；当交通需求很大时，只能按最大周期控制，此时，车辆堵塞现象已不可避免。根据专家的经验，单个交叉路口的模糊控制算法可描述为：
①步骤１ 从相位ｉ开始，分别指定各相位的最大绿灯时间 ；
②步骤２ 先给该相位以最短绿灯时间， ＝ΔＧ＝15秒；
③步骤３ 在ΔＧ内测得放行车道上的交通需求，设其为 ；
④步骤４ 若 小于某一给定的值ｒ或累积绿灯时间 ，则将绿灯转到下一相位，回到步骤２，否则继续；
⑤步骤５ 根据 值的大小来确定绿灯延长时间ΔＧ，若 小，则少量延长绿灯时间，若 大，则大量延长绿灯时间。由此建立模糊控制规则。设延长的绿灯时间为ΔＧ，若 ＋ΔＧ≥ ，则ΔＧ＝ ；否则该相位的绿灯时间为 ＋ΔＧ，回到步骤３。算法中的交通需求通常用两种方法描述，一是用交叉口停止线前的排队长度即停止线前相隔一定距离（通常为80至100ｍ）的两检测器之间的车辆数来表示交通需求；另一种方法是：当占有率不低于某一基准占有率时，用占有率表示交通需求；当占有率小于某一基准占有率且交通量不低于某一基准交通量，则用交通量表示交通需求。检测器在指定的时间内（通常为５分钟）测得的计数值（方波数）为交通量；检测器在指定的时间内（通常为５分钟）测得的方波宽度总和与该时间值的比为占有率。用队长来表示交通需求可用下述方法建立模糊控制规则。将测得的队长ｌ可看作模糊变量 ，其论域为：Ｌ＝｛１，３，５，７，９，１１，１３，１５，１７，１９，２１｝，取７个语言值： （很长）， （长）， （较长）， （中等）， （较短）， （短）， （很短）。绿灯追加时间ΔＧ同样看作模糊变量 ，其论域为：Γ＝｛３，７，１１，１５，１９，２３，２７，３１，３５｝，取７个语言值： （很多）， （多）， （较多）， （适中）， （较少）， （少）， （很少）。根据人的控制经验一般可总结出下列７条控制规则，若 ,则 ,i＝１,…,７。根据模糊理论知道，一个完整语言控制策略是由很多不同的语言控制策略所组成的。由７条语言控制策略可组成单输入单输出语言控制策略，每条控制策略可用模糊关系矩阵表示。
感应控制模块由全感应控制模块和半感应控制模块组成。全感应控制中采用模糊控制算法。如果交通需求用占有率和交通量来度量，则当占有率很小且交通量也很小时采用最小周期控制；如果占有率很大且交通量也很大时采用最大周期控制或多时段控制。半感应控制主要实现对主次干道交叉口进行交通控制，通常只在次干道安装检测器，在保证主干道最小绿灯时间的情况下，用模糊控制算法来处理次干道上的交通请求。多时段多相位控制模块是一种计时控制方法。多时段和多相位的划分要根据交叉口的历史交通流数据和交叉口的几何形状来确定，通常至少要分交通高峰期和非高峰期。由于信号周期的剧烈变化会造成交通紊流，引起进一步的交通阻塞，因此程序对时段改变所引起的方案变化进行了平滑处理，使新时段以周期的小增量方式平滑过渡。
4. 基于专家系统与神经网络的全局优化调度
道路交通控制通常分为点控、线控和面控。所谓点控就是对单个交叉口实施控制，通过灯色的变化，在保证安全的前提下尽可能多地使各方向车辆通过。线控就是让干线上交叉口的信号控制器具有相同的周期，绿信号开启时间相继错开，从而使干线上行驶的车辆尽可能少遇或不遇红灯以减少延误。面控是要让某区域内各交叉口信号控制器协调动作，从而可以提高道路通行能力，增加交通安全，节省能源和减少污染等等。无论哪种控制，其控制变量主要有３个：信号周期，绿信比和相位差。点控只需前两个变量即可。总之，交通控制过程可描述如下：根据交通法规，通过信号灯色的变化指示或提示车辆在交叉口处通行或暂停，在保证安全的前提下最大限度地提高交叉口的通行能力。系统的硬件组成在研制交通信号控制器时，必须考虑到交通信号控制器应能以多种控制模式工作。点控、线控和面控既可按开环方式工作也可按闭环方式工作。我们按闭环方式研究控制系统，也完全能够实现开环控制功能。感应控制模式下的交叉路口交通控制系统是一个比较复杂的非线性控制系统。
本系统的目标在于实现全局优化的面控。单个交叉口的控制要服从全局的调度，局部的最优要服从全局的最优。在实现交通全局优化调度主要有两方面的工作要做；一是要取得路网中当前的和过去若干时段内的交通信息，二是逐步推测未来若干时段内路网各交叉口和各路段的交通流状态。整个调度过程不断滚动循环进行。目前，动态交通信息的获得可采用适当的接口技术，通过自适应式的交通面控系统实现。在交通全局优化调度中，尚未解决的是全局优化调度的依据问题，即如何调度才能起到避免拥挤和堵塞、提高路网使用效率的目的。这是一个非常重要的问题。
人工神经网络技术具有非线性描述、大规模并行分布处理能力及高度鲁棒性和学习与联想等特点，适用于非线性时变大系统的模拟与在线控制。但在普通的人工神经网络模型中，由于每个神经元只有简单的外部权值处理能力而不具备复杂的内部转移函数处理能力，因而存在着局部极小、收敛速度慢等不足，难以实现实时处理和在线学习，大大限制了神经网络模型在工程上的应用。而智能神经元模型同时具有内部和外部处理能力，并能将标准BP算法的收敛速度提高1000倍以上，为将神经网络技术应用于复杂的非线性大系统的实时处理提供了基础。我们以先进的交通面控设备和通信技术为基础，运用智能神经元网络技术和流体神经网络技术，设计新的滚动式交通预测理论模型和实时动态交通优化调度理论模型。这种模型的功能是滚动式预测网络中各路段的交通流量并进行实时动态优化调度。
通常情况下，城市交通网络在一定时期（一年或几个月）内几何结构不会发生大的变化，而且交通需求情况较稳定（或变化缓慢），可以认为日交通流的时空分布是稳定的。由于日交通流的时空分布具有高度时变和非线性的特点，因此，我们采用高阶神经网络技术建立模型，以达到快速准确预测的目的。在城市交通网络中，各路段的流入、流出交通量是网络交通需求量、道路与交叉口通行能力、信号配时以及交通管制措施等因素综合作用的结果，因而在预测时无需单独考虑这些因素对交通流量的影响。
5. 模糊神经网络的调度算法
模糊逻辑控制的特长在于能够充分利用学科领域的知识，能以一定的规则数来表达知识具有逻辑推理能力，在技能处理上比较擅长。模糊技术不仅能处理精确信息，也能处理模糊信息或其它不明确信息，能实现精确性联想及映射。其缺点是完全依赖专家制定的大量控制规则，不具备学习功能。神经网络具有自学习能力和大规模并行处理能力，在认知处理、模式识别方面有很强的优势，主要缺点是结构难以确定，训练样本要求多且准确，训练周期长，而且不能提供一个明确的用于网络知识表达的框架。
模糊神经网络是为发挥各自的优势把神经网络和模糊逻辑有机结合实际。采取神经网络技术来进行模糊信息处理，使得模糊规则的自动提取及模糊隶属函数的自动生成成为可能，进而克服神经网络结构难以确定以及模糊逻辑元自学习功能的缺点，使模糊系统成为一种自适应模糊系统。
采用神经网络技术来进行模糊信息处理有多种做法。其中，构造各类模糊神经元及模糊神经网络作为信息处理单元以实现模糊信息的自动处理是最主要的一种。所谓模糊神经元是指可实施模糊信息处理或模糊逻辑运算的人工神经元，而模糊神经网络则是全部或部分采用各类模糊神经元所构成的可处理模糊信息的神经网络系统。在本系统中，如图2，整个神经网络的建立和使用分以下几步完成:
a. 利用专家的知识粗略地形成模糊模型(包括一些模糊规则和模糊推理方法)。
b. 基于这一模糊模型构成模糊神经网络。
c. 训练神经网络。通过系统仿真来训练神经网络。对每一种输入值（l1，…，lm），选择一种输出值（g1，…，gn），利用系统仿真来模拟系统在给定的时间内所有车辆的平均等待时间。系统的能量函数选为所有车辆的平均等待时间。神经网络训练的目标在于使能量函数最小。
d. 网络的应用。神经网络的输入数据是在统计数据和实时数据的基础上进行预测得到的，这就要求实时地采集数据，周期性地统计和存诸数据，预测到神经网络的输入后，经过网络的计算，在较精确地辩识出交通模式之后，对不同的模式采取适合其特点的相应控制算法，选出红绿灯控制方案。
同时在我们的系统中，要注意不同交通模式间的平稳切换，以达到理想的控制效果。红绿灯控制方案是按照多目标控制设计的，例如，通过模糊神经网络选择交叉口某方向响应一个绿灯追加时间信号时，可能会设定由几个量(该方向车辆的等待时间、该方向车辆的行程时间、该交叉口受影响的车流量)组成的综合指标来对所选方案进行评价。
总之,城市交通智能红绿灯控制系统应具有拟人或仿人的智能,在面对具有复杂性、不确定性、随机性等因素影响的问题时,控制系统能采用灵活机动的决策方式,使系统朝着期望的目标逼近。
6. 结束语
在文中, 我们研究一种利用模糊控制的方法、人工元神经网络等技术对交通系统进行全局优化调度的红绿灯控制系统。局部模糊控制策略必须遵循全局最优的原则。该模糊控制策略是一种复合策略，它能在管控中心的控制下进行调整。我们通过大量的模糊数据输入，对神经网络进行训练，以达到全局优化的调度。虽然在全局调控与局部模糊控制的配合使用仍有许多问题有待以解决，但随着研究的继续进行，该方法将是解决中国中小城市交通控制问题的一个好办法。
参考文献：
[1] Richardon B, Rodriquez D. ITS in developing countries: strategic opportunities[J]. In ITS Quartely,1997,5(3),7-15
[2] Bell M G H ,Shield C M and Anderson J M. Assignment in the integration of urban traffic control and dynamic route guidance, in urban traffic networks dynamic flow modeling and control [J]. Gurtner N H and Improta G.(Eds), Springer-Verlag,1995:39-57
[3] West Germany. Intersection Without Signals [M]. Proceeding of an International Workshop 16-18 March, 1998, 30-40
[4] Zou Zhi jun, A study of capacity of major/minor priority T-intersection by means of computer simulation[J], China Journal of Highway and Transport, 2000,13(3),101-105
[5] 张乃尧,阎平凡, 神经网络与模糊控制[M],清华大学出版社,北京,1998
