1.简介
交叉口交通信号控制得当,提高了现有基础设施的利用率,增加了路网容量,缓解了拥堵问题[1]. 实时监测道路交通参数是实施有效信号控制策略的前提。使用传感器网络可以实时收集详细的道路交通数据[2]. 值得注意的是,传感器网络大大扩展了最先进的交通监控平台的覆盖范围[三]. 然而,需要新的流量控制算法来有效地利用从传感器网络传递的大量数据。 最先进的流量控制算法[4,5]基于集中技术。集中式交通控制方法计算复杂,固有的不可缩放性。集中式控制算法的低可扩展性激发了最近对分散式交通控制的兴趣。 根据分散方法,路网中每个十字路口的交通信号通过算法独立控制,该算法基于从本地测量获得的实时交通数据进行控制决策。这些输入数据描述了与十字路口相连的路段的当前交通状况。
到目前为止,文献中已经提出了几种分散的交通控制算法。这些算法的输入数据由描述通过十字路口的交通流的参数组成。该算法的输出是控制决策,该控制决策确定哪个(或多个)业务流在随后的时间间隔内应该获得绿色信号。连续控制决策以恒定的时间步长进行。为了进行控制决策,分散算法使用分配给交叉交通流的各种形式的优先级。基于当前交通参数动态计算交通流优先级。通过考虑优先级以及与安全和稳定性要求相关的一些时间限制来选择获得绿色信号的交通流。
本文介绍了一种分散的交通信号控制策略,该策略可以利用传感器网络的数据来评估交通流的优先级并做出控制决策。所考虑的传感器网络由沿车道安装的节点组成。每个传感器节点检测一段车道上的车辆,这段车道称为小区。细胞状态也可以通过基于视觉的传感器、车载移动设备或其融合来提供。在这种情况下,一个摄像头可以监视多个单元。传感器节点将检测结果报告给最近十字路口的红绿灯控制器。
根据该方法,控制器使用人工神经网络集成来评估交通流的优先级。神经进化的概念适用于训练引入的神经网络集成。在演化过程中,使用信号交叉口的模糊元胞自动机模型,通过交通仿真评估集成的性能。模糊元胞自动机模型有助于快速评估交叉口的车辆延误。车辆的延误被视为适应度函数(代价函数),它引导神经网络集成朝着最优解进化。进行了大量实验,将所提方法与文献中可用的分散交通信号控制算法的性能进行了比较。
论文组织如下。第2节介绍了以往有关分散式交通控制的工作,并讨论了本文的贡献。所提出的具有神经网络集成的分散式交通控制系统如所示第3节.第4节包括实验结果以及引入的方法与最先进方法的比较。结论和未来研究方向见第5节. 2.相关工作和贡献
在相关文献中,提出了几种分散的交通信号控制方法。这些方法确保了高可扩展性,因为它们不需要任何中央控制器,也不涉及交叉口本地控制单元之间的通信。
介绍了一种简单的自组织红绿灯分散控制算法[6]. 根据该算法,交通流优先级的计算考虑了车辆的总等待时间和车辆排的大小,即接近交叉口的车辆组。提出了SOTL算法的扩展,以便能够利用现有车辆检测器提供的历史交通测量和数据。 Lammer和Helbing[7]引入了一种分散的交通控制算法,该算法考虑了与车辆延迟的预期增加相对应的交通流优先级。该方法利用交通流的流体动力学模型,通过短期交通流预测来估计未来来往车辆的延误。在[8]通过引入一个分散的交通信号系统,对该方法进行了扩展,该系统利用区间微观交通模型在短时间内预测单个车辆的延误,并评估该预测的不确定性。 年报道的现实世界实验[9]验证了上述分散控制算法的高效性。结果表明,与流行的自适应交通控制系统相比,分散方法可以减少车辆延误,提高网络容量。 背压[10]是一种分散的信号控制方法,它引入了与车辆排队长度相对应的所谓压力。最初,反向压力算法用于无线网络中的路由,以在假设网络中所有链路具有无限容量的情况下提供最大吞吐量。这一概念随后被应用于城市道路网络以进行信号控制。根据反向压力算法,对上游压力高、下游压力低的交通流分配更高的优先级。优先权与十字路口进出交通车道的排队长度差异成正比。 交通信号的另一种分散控制策略是基于所谓的虚拟脉冲,反映信号和前面车辆对期望车速的影响[11]. 这种方法的灵感来自物理学中的脉冲定义。虚拟脉冲是通过考虑前面车辆或红色信号导致的车速降低来计算的。使用最佳速度模型预测不同信号切换场景下的虚拟脉冲。交通信号根据信号切换场景进行控制,其中预测的虚拟脉冲最小。因此,给定交通流的虚拟脉冲可以解释为其优先级。 在[12]采用铁磁性伊辛模型描述分散交通信号的混沌行为。交通信号的状态由二维晶格上的原子自旋表示。提出了一种简单的交通控制算法,其中交通流的优先级与接近交叉口的车辆数量相对应。如果接近红灯和接近绿灯的车辆数量之差超过预定阈值,则交叉口的交通信号灯将切换。 在[13]提出了一种分散控制算法,通过一组控制规则对交叉口的交通信号进行控制。控制规则考虑了交叉交通流的聚合参数,即车辆数量、平均车辆位置和车辆位置范围。应用自适应进化策略对控制规则进行优化。通过元胞自动机模型中的交通仿真评估进化策略的适应度函数。 本文提出了一种用于分布式交通信号控制的多智能体系统[14]. 该系统中的每个agent由五层模糊神经网络组成,负责控制路网中一个十字路口的交通信号。agent的学习分为强化学习、权重调整和应用进化算法调整模糊关系三个阶段。代理每隔10秒对交通参数进行采样。每个代理都有一组多个信号计划,可用于控制交叉口的交通信号。代理的任务是根据其对交叉口交通状态的感知来选择合适的信号方案。 戴和布洛克[15]研究行人信号相位对分布式交通信号控制性能的影响。他们比较了分布式控制算法和驱动协调控制的性能。实验结果表明,在一些考虑的场景中,可以实现总延迟的大幅减少。分布式信号控制比协调信号控制更灵活。作者的结论是,他们的结果对分布式算法的未来发展是有希望的。 在[16]值得注意的是,新的分布式交通控制系统需要先进的传感器,这会增加安装成本,并可能阻碍其部署。为了解决这个问题,作者介绍了一种方法,利用简单的传感器检测一些选定位置的车辆。车辆检测的结果用于预测受控交叉口的到达和离开。该方法通过模拟车辆运动来获得预测。研究结果表明,引入的方法降低了安装成本,提高了分布式交通控制系统对传感器故障的鲁棒性。 最近,人们提出了一种基于所谓数字信息化学品的分布式交通控制系统[17]. 数字信息化学品的概念模拟了将一种生物产生的信息传递给环境中另一种生物的天然化学物质。在分布式交通控制系统中,数字信息化学品是指由车辆产生并由城市交通基础设施消散的信息。作者在一个小案例研究中证明,他们的分布式控制策略比最先进的解决方案表现得好得多。 尼尔森和科莫[18]介绍了一种可变周期长度的完全分散交通信号控制策略。这种策略的一个优点是,它不需要任何关于道路网络结构或十字路口转弯车辆速度的信息。上述控制策略基于交通工程中的一条众所周知的规则,该规则规定,在需求较高的时期,信号周期较长是很方便的。他们在仿真环境中比较了可变周期长度的引入策略与固定周期长度的类似策略以及传统的定时控制方法的性能。结果表明,在大范围交通量下,可变循环长度显著降低了路网中车辆的总排队长度。 提出了一种基于道路交通小区传输模型的分布式交通控制策略[19]. 作者提出了一个简化的交通模型,以消除最先进的单元传输模型在描述信号交叉口交通流演变方面的缺陷。他们使用次梯度下降法设计了一组控制规则来更新交叉口交通信号的状态。该方法允许以完全分布式的方式找到交通信号配时计划。仿真结果表明,与混合整数线性规划方法相比,该方法具有优势。 在本研究中,分析了一个分布式系统的性能,该系统使用神经网络集成来控制交叉口的交通信号。根据作者的知识,这是首次研究设计神经网络集成,以提高具有多个信号交叉口的道路网络中分布式、自组织交通控制的性能。本文报告的实验涉及对各种神经网络拓扑实现的流量控制性能的比较。在实验的基础上,提出了一种具有新拓扑结构的神经网络集成,可以有效地用于分散交通信号系统的控制决策。神经进化策略[20]本文还探讨了如何有效地训练神经网络集成。比较了神经进化方法在使用各种元启发式的不同实现中的有效性[21]即遗传算法、进化策略和粒子群优化。实验评估结果表明,与最先进的分散交通控制算法相比,该解决方案减少了车辆延误,缩短了行程时间,提高了平均速度。 提出了一种新的神经网络拓扑结构,用于聚合传感器网络采集的交通数据。该拓扑结构反映了所考虑交叉口的设计。这意味着神经元及其连接对应于交通车道的配置、交叉口的可能运动和信号组,即由相同交通信号指示控制的预定义交通流子集。该神经网络能够对描述车辆数量的输入数据进行自适应聚合。因此,在神经网络的训练过程中可以优化聚合方案。例如,可以调整神经网络中的权重,以确定靠近交叉口的车辆比距离交叉口较大的车辆对控制决策的影响更大。需要注意的是,现有的分散式交通控制方法假设输入数据提前聚合,并且对所有十字路口使用相同的预定聚合方案。
为了评估交叉交通流的优先级,该方法使用一组完全连接的神经网络(FCNN)[22]. 与传统神经网络的流行多层结构相比,FCNN的应用可以减少神经元数量和神经元间连接。因此,可以在更短的时间内完成所建议的集成的训练。 所提出的神经网络集成确保快速评估所有信号组的优先级,并允许在短时间间隔内作出控制决策。因此,交通信号可以快速响应不断变化的交通状况。在使用交通模型预测未来交通演变的最先进方法的情况下,决策过程需要较长的时间,特别是对于复杂的十字路口,在决定哪些车道应获得绿灯时,必须考虑多种可能的车道组合。
3.提出的神经网络集成
所提出的神经网络集成的一般结构如所示图1该结构的主要组件是数据聚合模块和优先级评估模块。以下小节提供了有关这些模块的详细信息。 拟议集合的输入数据包括来自传感器网络的有关连接到交叉口的路段中存在的车辆的详细信息以及预测的交通参数(预测的车道占用率)。基于这些数据,该集成评估了交通流的优先级。
传感器网络收集的输入数据描述了所谓单元的当前状态,即等长的车道段。传感器节点检测特定小区中是否存在车辆。单元格可以是空的,也可以被车辆占用。这两种状态被定义为二进制变量:表示空单元格和对应占用的小区(我和j个分别是车道和小区的指数)。交通车道划分为单元的交叉口示例()如所示图2.车道占用()定义为在给定车道上占用的小区数与小区总数的比率(我). 提出的集成的输出变量是信号组的优先级。 参数(单元状态和预测车道占用率)是根据相关工作中的可用结果选择的,其中证明了元胞自动机模型对交通流的表示适用于交叉口交通信号的分布式控制[6,13]. 小区状态会通知我们当前是否有车辆占用了车道(小区)的最短考虑路段。相反,预测占用率表示在控制程序的下一个时间步骤将占用的车道单元的比例。 3.1. 数据聚合模块
从传感器网络收集数据的最新方法的基本方法是,通过考虑由所考虑的信号控制的车道中占用单元(车辆数量)的总和,计算给定信号的优先级。相反,所提出的数据聚合模块将优先级计算为占用率的加权和,其中权重在神经网络训练期间进行调整。
数据聚合模块包括一个具有三层(输入层、运动层和组层)的神经网络。该神经网络的拓扑由交叉口的设计决定。图3显示了所示交叉口的数据聚合模块的构造图2. 从形式上讲,信号交叉口表示为三个(),其中我是一组车道,M(M)表示动作集,以及G公司是一组信号组。如上所述,每条车道(我)分为多个单元格:.运动(米)由成对定义(,以便车辆可以通过车道进入十字路口然后从车道退出.信号组()是一组由相同的交通信号指示控制的入站车道,即同时获得和失去通行权。例如,对于中所示的交叉口图2,使用以下表示: 数据聚合模块的输入层由神经元组成,这些神经元对应于描述每条车道交通状况的参数,即单元状态()和预计入住率(). 输入层中的神经元是被动的,这意味着它们只将值从输入传递到输出,而不进行修改。这些神经元的数量等于,其中n个是单个车道中的单元格数,#表示集合的基数。输入层中对应于特定车道的神经元集合表示为图3通过粗垂直线。 运动层中的每个神经元都反映了一种可能的运动(米)驶入车道的车辆数量()至出站车道()(移动示例如中的箭头所示图2). 神经元的输入米在运动层中连接到神经元的输出和在输入层中,其中。这些连接如所示图3用粗箭头。应注意,每个粗箭头图3表示多个神经元间连接,每个单独的神经元间连接都与一个突触权重相关联。 组层中的神经元数量等于交叉点处的信号组数量。让我们考虑一下这场运动.神经元输出米在运动层中连接到神经元的输入克在组层中,如果入站车道运动的米属于信号组克。这些神经元间连接如所示图3用细箭头。聚合模块中的所有神经元都具有线性激活功能。 3.2. 优先级评估模块
数据聚合模块的单个输出可以解释为由一个信号组控制的车道的聚合(加权)占用率。这些输出被输入优先级评估模块,该模块包括每个信号组的一个FCNN。此模块中实现的FCNN数等于.让表示分配给信号组的神经网络克.选择用于评估所有信号组的优先级克是活动组,即显示绿色信号。
FCNN在建议的集成中实现,以表示信号组的聚集占用率与这些组的优先级之间的依赖性。应该注意的是,给定信号组的优先级不仅取决于由该特定组控制的交通车道的占用率,还取决于剩余交通车道的占用率。FCNN再现了信号组的#G总占用率和#G优先级之间的上述相关性。
这里应该注意的是,FCNN拓扑是根据以前的工作结果选择的,用于建议的集成中,这些工作表明,与多层感知器拓扑相比,这种拓扑可以减少神经元的数量(和突触权重)[23,24]. 较低的神经元数量和突触重量对于提高神经进化速度非常重要。FCNN示例[25]建议的优先级评估模块如所示图4。此示例涉及具有两个信号组的十字路口。 在神经进化过程中,为FCNN中神经元之间的每个连接从预定范围中选择权重值。建议的FCNN中神经间连接的允许权重值范围取决于连接的类型。在占用层和优先级层之间连接的情况下,权重范围为(0,1],前提是两个连接的神经元都被分配到相同的信号组(图中的实线图4)如果连接的神经元代表不同的信号组(中的虚线图4). 这些约束背后的原因是,给定信号组控制的车道占用率越高,该信号组的优先级越高,其余信号组的优先权越低。对于与中间层神经元的连接(中的虚线图4),权重可以取值范围为[-1,1]。优先层神经元具有tan-sigmoid激活功能,中间层神经元具有线性激活功能。 3.3. 分散交通控制算法
提出的神经网络集成用于估计优先级()所有信号组的()用于分散交通控制算法(算法1)。该算法以1s的恒定时间步长执行。在正常操作下,优先级最高的信号组被设置为活动组(克*)那应该是绿色信号。在两个或多个信号组获得相同优先级的情况下,最长时间处于非活动状态的组被选择为活动组。如果活动组发生更改,则出于安全要求,必须引入设置时间(包括绿间时段和最小绿间时段)。在设置期间,由于无法更改活动组,因此将跳过优先级估计。此外,该算法假定每个信号组在T型时间步长。因此,信号组在超过无论优先级如何,时间步长都会立即激活。对于每个时间步长,分散式交通控制算法(算法1)的定义如下:
算法1:分散交通控制算法 |
获取当前单元状态 预测车道占用率 如果不是设置时间,则 开始//最小绿期限制 对于每个信号组做 if信号组克不活动的时间超过那么时间步长 开始//绿间周期约束 活跃群体 转到13 结束 估计优先级对于所有信号组克= 1, ..., #G公司 活跃群体:=优先级最高的对照组 完
|
算法1使用经过训练的神经网络集成来估计所有信号组(11号线)的优先级。为了训练拟议的集成,提出了以下章节中描述的神经进化策略。
3.4. 神经进化策略
该系统采用神经进化方法训练引入的神经网络集成。神经进化的目的是优化聚合和优先级评估模块中的连接权重。此外,神经进化过程优化了优先级评估模块中的神经元数量。
拟议的神经进化策略概述见图5需要注意的是,该策略可以独立应用于路网中的每个信号交叉口。神经进化策略的输出包括存储的神经网络拓扑和权重。交通控制算法(算法1)使用这些神经网络数据来评估信号组的优先级。 在神经进化的初始阶段,描述所考虑交叉口设计的数据(车道、运动和信号组)用于确定神经网络拓扑以及配置交叉口模型。神经网络集成的初始拓扑是根据中讨论的假设确定的第3.1节和第3.2节此外,对于优先级评估模块包含的所有FCNN,中间层中的神经元数量设置为零。 在优化突触权重的过程中,交叉模型在所提出的评估目标函数的策略中是必要的。该模型基于模糊细胞自动机,其详细信息见第3.4.1节此模型的初始化包括为特定车道中的单元格创建数据结构,以及设置参数,以确定如果激活给定的信号组,哪些车道将获得绿灯。 确定神经网络集成的初始拓扑后,对数据聚合模块和优先级评估模块进行突触权重优化。本研究采用不同的软计算方法对神经网络集成中的突触权重进行优化。所考虑的软计算方法包括遗传算法、进化策略和粒子群优化算法。模糊元胞自动机模型用于上述所有优化方法,以评估目标函数(适应度函数),该函数定义为车辆在交叉口经历的平均延误。
为了减少必须优化的权重数量,假设数据聚合模块中输入神经元和运动神经元之间的连接具有相同的权重:如果是车道和属于同一类别和方向的道路(入境或出境)。符号用于表示分配给神经元之间连接的突触重量和。这里应该注意,上述假设也适用于车道和是相同运动的元素,即,如果在初步实验中,证实了该假设提高了基于软计算方法的优化算法所得结果的质量。根据速度限制和道路类型(主干道/主干道或次要/支路)确定道路类别。 神经网络的初始拓扑与优化的突触权重一起存储在存储器中。下一步,在优先级评估模块中引入拓扑修改。在该过程的单次迭代中,在每个FCNN的中间层添加一个神经元,并对优先级评估模块的突触权重进行优化。应注意,数据聚合模块中的权重保持不变。如果当前的修改提供了比之前存储的神经网络集合配置更低的车辆延迟,那么修改后的拓扑和权重将取代存储的拓扑和权重。如果当前延迟不低于先前存储的(更简单的)神经网络的结果,或者如果达到中间层中的最大神经元数,则修改过程结束。
神经进化的最终结果包括神经网络集成的最后存储拓扑和突触权重。
3.4.1. 基于仿真的目标函数评估
所提出的神经进化策略需要在多次迭代中对大量候选解的目标函数进行评估。在该方法中,通过仿真评估目标函数。模糊细胞自动机模型[26]用于模拟信号交叉口,与其他模拟器相比,它加快了模拟过程。元胞自动机模型使用离散变量而非连续变量提供了交叉点的简单表示。单元格的长度(如图2)等于7.5米。因此,该模型具有较低的计算复杂性,并确保了适当的细节水平。细胞自动机的应用使我们能够在可接受的时间限制内执行进化策略,而无需使用昂贵的高性能计算机。 此外,用三角模糊数描述单个车辆的位置和速度。位置是指车辆占用的单元。速度以模拟的每个时间步长(1s)的单元格表示。该模型中所有车辆的位置和速度在交通仿真的每个时间步都会根据元胞自动机的规则进行更新。
模糊细胞自动机允许在单个模拟运行中评估目标函数,同时估计模拟结果的不确定性。这种方法消除了使用概率模型进行耗时的蒙特卡罗模拟的必要性。蒙特卡罗方法需要多次重复交通模拟,以再现与随机驾驶员行为相关的不确定性。相比之下,模糊细胞自动机在单个模拟中包含了许多潜在场景(驾驶风格)。
图6显示了一个模糊元胞自动机模型的示例,该模型表示在交叉口有两辆车辆接近红色信号灯的单车道。在本例中,由于红色信号,第一辆车必须停在单元格1中。因此,第二辆车将停在单元2中。交通方向由左侧的水平箭头指示图6.三角模糊数,描述的位置和速度我时间步长处的第th辆车t吨。的右侧图表图6提出描述模拟车辆总延误的三角模糊数。每个三角形模糊数F类由三个实数定义.组件,和分别表示最小可能值、最大可能值和最大可能值。 在交通仿真过程中,应用不同的元胞自动机规则来更新组件(我,米,u个)表示车速的模糊数和位置.组件和由更新规则决定,该规则反映了平静的驾驶风格。另一个与攻击性驾驶方式相对应的规则用于计算部件和最后,最可能的位置和速度(组件和使用元胞自动机规则进行更新,该规则模拟普通驾驶员的行为。本研究中应用的细胞自动机规则的详细定义见[26]. 车辆总停车延误确定为三角模糊数D类基于速度值.组件在时间步递增t吨如果同样,是递增的,如果、和当应注意,总延误的更新D类通过考虑所有车辆,在模拟的每个时间点执行(我). 完成仿真后D类除以模拟车辆数得到平均车辆延误。
3.4.2. 突触权重的优化
如上所述,所提出的神经网络集成的突触权重通过基于种群的元启发式方法进行优化。在本研究中,实验中应用了三种不同的元启发式优化算法:遗传算法(GA)[27],进化策略(ES)[28]和粒子群优化算法(PSO)[29]. 对于所有考虑的元启发式算法,候选解决方案在群体(基因组或粒子)中扮演个体的角色。这些解由实值权重向量表示。权重取决于预定义的上下限。候选解决方案的质量由目标(成本)函数决定,该函数必须最小化。给定候选解决方案的目标函数被评估为信号交叉口车辆经历的平均停车延误,其中交通信号根据神经网络集成计算的优先级以及给定解决方案确定的突触权重进行控制。在道路交通仿真中,使用基于模糊元胞自动机的交叉口模型计算目标函数的值。该模型允许以模糊数的形式评估平均车辆延误,如第3.4.1节最佳候选解决方案的选择基于描述目标函数值的模糊数的比较。模糊数排序的概率方法[30]在本研究中用于比较候选解决方案的质量。 为了解释如何比较模糊数,让我们假设A类和B类是一些任意的模糊数,其隶属函数由和分别是。模糊数排序的概率方法允许我们计算概率那个条件感到满意。为此,以下内容-分析切割:,,其中是-第个,共个A类、和是-第个,共个B类应注意-模糊数的割是区间,因此可以写成和,其中、和.在此基础上低于定义如下: 方程定义的几何解释(2)显示在中图7应注意,方程式中分子的值(2)等于中灰色区域的面积图7,包括以下组合和满足条件的.方程式中的分母(2)描述了中矩形的面积图7,包括所有可能的组合和. 最后,使用以下公式计算模糊数的概率A类小于模糊数B类: 如前所述。在上述优化过程中,模糊数表示候选解的目标函数值。让模糊数A类和B类描述候选解决方案的目标函数值和分别是。候选解决方案被认为比如果.
4.实验评估
本节中讨论的实验结果涵盖了为新提出的方法以及文献中现有的分散交通信号控制方法确定的车辆总延误、平均速度和行驶时间[7,8,31]. 比较了神经进化策略在多层感知器(MLP)、径向基函数神经网络(RBF ANN)和全连接神经网络(FCNN)等不同神经网络拓扑结构下的交通信号控制效果。此外,实验使用了所提方法的各种实现,使用不同的占用预测程序和不同的元启发式算法进行突触权重优化。 在两个真实场景中对所提出的分散交通信号控制的神经进化方法进行了实验评估。第一种情况考虑了波兰卡托维兹市中心有五个十字路口的信号主干道(Francuska街)。这是一条有多个入口的单行道(图8a) ,这通常会导致拥堵。每个十字路口都有不同数量的车道/几何形状,因此具有不同的红绿灯特征。在第二个场景中(图8b) 考虑芝加哥盖奇公园区的网状道路网。16个模拟道路交叉口中的每个交叉口都管理着四向交通(一条或两条进出车道)。为了更好地说明模拟场景,十字路口如所示图9。中显示的十字路口图9a–d位于Francuska街(主要交通向北行驶),而十字路口位于图9e、 f是盖奇公园区的典型四向十字路口。 在模拟过程中,车辆是随机生成的。模拟的交通强度基于真实的每日交通状况(图10)从路边传感器网络获得[32]. 对于主干道场景,车辆被插入如图10a由数字1-8表示。这些入口的交通强度曲线如所示图10a.在电网场景中,交通强度曲线如所示图10b、 被分配到特定的交通方向。例如,N–S剖面用于生成从北向南行驶的车辆。在给定方向的路网每个入口处,使用相同的强度剖面生成车辆。还应注意,一次模拟运行对应于一天(24小时)。 4.1. 车道占用预测
正如我在中解释的那样第3节,所建议的神经网络集成的输入包括预测的未来车道占用率(). 在实验期间,采用了两种不同的预测方法来评估未来的占用率:指数平滑法[33]数据分割的k-最近邻(k-NN)算法[34,35]. 在指数平滑的情况下,车道的未来占用率我按时间步长计算t吨使用以下公式:哪里表示平滑常数,是车道占用率我在上一时间步预测,以及是当前入住率。 车道占用我在时间步长t吨()被确定为占用小区数与车道中监控小区总数的商我。被监测的单元格是可以检测到车辆的单元格。在本研究中,监测的细胞数量n个对于每条车道,设置为10,相当于75米的距离。这一假设能够及时检测到以最大速度(60公里/小时)接近十字路口的车辆。此外,它还考虑了交叉口之间的距离和车辆检测系统的有限范围。初步实验验证了这些设置的有效性[36]. 第二种考虑的预测方法使用带有数据分割的k-NN算法。根据该方法,未来车道占用率计算如下:哪里是状态向量之间的欧氏距离,表示在时间步长处观察到的交通状况t吨和,t吨表示当前时间步长,(克= 1, 2, ...,k个)是历史数据中的时间点,其中找到了最近的邻居(历史状态向量与当前状态向量最相似),以及表示在时间步长观察到的平均(历史)占用率+ 1,...,+ 10. 该方法中的状态向量由在给定时间步长登记的车道占用率组成(t吨或)以及在之前的五个时间步长。这些向量之间的相似性使用欧氏距离确定。在给定的时间点,在分配给该特定时间点的历史数据的选定段中搜索相似的状态向量(最近的邻居)。选定的路段对应于一个时间间隔,预计该时间间隔将包括与给定交通状态类似的交通数据,并提供准确的预测。在k-NN预测之前的预处理阶段确定数据段。有关k-NN预测算法和分割过程的详细信息,请参阅[35]. 在三种版本中比较了该方法的有效性:无占用预测、基于指数平滑的占用预测和k-NN占用预测。对于没有预测的版本,输入设置为0,因此对神经网络集成计算的优先级没有影响。
仿真实验检验了占用率预测对该方法有效性的影响。信号主干道场景的这些实验结果如所示图11结果表明,利用预测车道占用率提高了交通控制的有效性。当使用简单指数平滑法(PI)时,可以减少延误,减少行驶时间,并将车辆平均速度平均提高20%。平滑常数的最佳值()是在初步实验中选定的。通过使用基于k-NN算法(PD)的更复杂预测,交通控制有效性又增加了10%。在第二个模拟场景(电网道路网)中观察到了类似的效果。因此,使用基于k-NN的预测方法来确定值。还应注意,在初步测试期间,已调整了k-NN算法的参数,以获得最低的车辆延误。图例中的后缀_es、_ga和_pso图11指出使用哪种元启发式算法优化突触权重(分别是进化策略、遗传算法或粒子群优化)。 4.2. 神经网络拓扑
在实验中,使用了几种不同拓扑结构的神经网络来评估分散交通信号控制中信号组的优先级。考虑了以下最先进的拓扑结构:MLP[23],RBF神经网络[37]和FCNN[38]. 对于这些网络拓扑,采用神经进化方法来优化突触权重。 图12显示了不同神经元数的神经网络拓扑在神经进化过程中车辆延迟的变化(o个). 下面比较了各种神经网络(ANN)的结果图12通过LH(Lammer和Helbing)算法实现延迟[7],这不是基于人工神经网络。比较的神经网络包括两个隐藏层。神经元总数(o个)在这些层之间平均分配。值得注意的是,对于具有一层、三层和四层的ANN,观察到的交通控制效果低于具有两层的ANNs。 车辆延误图12是在给定时间点计算出的所有候选解的平均值。在这个实验中,通过使用遗传算法来优化突触权重来进行神经进化。研究结果表明,由于突触权重的显著性,具有大量神经元的复杂人工神经网络(对于MLP和RBF ANN,FCNN)无法在合理时间内有效进化。另一方面,神经元数量较少的简单人工神经网络无法达到标准LH算法的延迟水平。然而,MLP和FCNN为小型ANN提供了最佳结果。因此,在接下来的实验中,考虑了基于MLP和FCNN的几种神经网络拓扑。 通过使用提出的神经网络集成和其他具有不同拓扑结构的ANN计算信号组优先级的分散算法的几种实现方式,比较了交通控制的有效性。其他考虑的ANN拓扑如所示图13。对于这些拓扑,隐藏层的数量(k个)和神经元数量(我)进行了修改,以获得最低的车辆延误。ANN_DW/SW在以下方面取得了最佳效果k个=2和我= 8. 在ANN_DW的情况下,输入层神经元和第一个隐藏层神经元之间的连接权重分别针对每条车道进行优化。ANN_SW对所有车道使用相同的权重向量。ANN_DG拓扑包括提议的具有移动层和组层的数据聚合模块。在ANN_DG的情况下,对于所有车道,输入层和运动层之间的连接权重相同。 交通控制的有效性通过考虑停车延误、行驶时间和车辆平均速度进行评估。图14和图15给出了描述所考虑的ANN拓扑的流量控制有效性的实验结果。应该记住,特定ANN标签中的后缀_es、_ga和_pso表示使用了哪种元启发式算法来优化突触权重。这些结果是SUMO中20次模拟运行的平均值[39]. 应该注意的是,在提出的突触权重优化方法中使用的基于人群的元启发式方法在过程的每个步骤引入了候选解的随机化(即进化策略中的变异)。因此,每次执行算法后,元启发式优化的最终结果可能会有所不同。因此,将SUMO中的测试重复20次,以找到每个比较方法的平均结果。基于这些结果,可以观察到,将所提出的数据聚合模块与标准ANN拓扑相结合可以提高流量控制的有效性。然而,当使用由数据聚合模块和优先级聚合模块组成的集成时,获得了最佳结果(平均速度增加11.2%,停止时间减少10.7%,行程时间减少10.9%,约为ANN_DG-第二个结果),每个信号组有一个FCNN。 结果显示于图14表明ANN_SW在干线道路场景中比ANN_DW实现更有效的交通控制。另一方面,对于网格道路网络场景(图15),ANN_DW被证明优于ANN_SW。对于这两种情况,具有附加移动和组层(ANN_DG)的网络比ANN_SW和ANN_DW提供更好的结果。所提出的神经网络集成在所考虑的场景中取得了最佳结果,其中包括每个信号组具有单独FCNN的聚合模块。 所建议的神经网络集成的进化是在迭代中进行的,如中所述第3.4节在对突触权重进行初始优化后,进行连续迭代,以调整拓扑和突触权重,仅用于优先级评估模块。图16将所提出的神经进化方法的结果与基于标准元启发式算法在没有迭代修改神经网络拓扑的情况下优化ANN_DG的突触权重期间获得的结果进行比较。中的散点图图16显示在随后的10次优化程序运行期间实现的车辆延迟。从这些结果可以看出,对于所提出的神经进化策略,在每次优化运行中获得的车辆延迟接近于最小值。在ANN_DG的情况下,延迟值分布在很宽的范围内,这意味着优化过程的执行可能会给出不令人满意的结果。该方法能够在更短的时间内找到最优解。这一结果背后的原因之一是,在提出的FCNN集成的情况下,与其他ANN架构相比,使用较少的神经元可以获得更高的流量控制效率。ANN_DG在隐层中平均需要16个神经元才能获得良好的结果。对于所提出的方法,这个数字减少了一半。 4.3. 与最先进的分散式交通控制策略的比较
将提出的基于神经进化的交通信号控制策略与现有的分散交通信号控制方法进行了比较。本研究考虑了三种不同的最新方法:Lammer和Helbing提出的LH方法[7],背压算法[31]以及基于自适应进化策略BP_es的方法[8]. 用于评估上述方法的性能指标包括车辆延误、平均速度和行驶时间(图17). 结果如所示图17得到了两种场景(信号主干道和网格道路网)20次模拟运行的平均值。考虑了拟议方法的各种版本。如上所述,后缀_es、_ga和_pso表示在给定版本的所提方法中使用了哪种元启发式算法来优化突触权重。 与最先进的方法相比,所提出的方法具有更好的结果。将该方法与背压法进行比较时,可以观察到交通延误减少了40%。对于更复杂的方法(LH和BP_es),延迟的减少也很显著(分别等于7%和4%)。该方法的性能取决于元启发式算法的类型,该算法用于在神经进化过程中优化突触权重。采用进化策略和遗传算法取得了最佳结果。PSO算法的结果稍差。
本节中的结果描述了具有多个十字路口的整个路网的交通信号控制的总体有效性。然而,针对特定十字路口获得的详细结果也证实了上述所述方法的优点。引入的神经网络集成和神经进化策略能够适当评估各个交叉口分散交通控制的信号组优先级。
5.结论
本文提出了一种新的神经网络集成方法,它由数据聚合模块和优先级评估模块组成。优先级评估对于分散式交通控制策略的实施是必要的,该策略使用优先级来决定十字路口的哪些交通流应该获得绿色信号。所提议的集成可用于各种传感器网络,即路边传感器或视觉检测传感器,前提是其数据表示为单元的状态(占用)。该方法的新颖之处在于神经网络集成的设计和神经进化策略,该策略用于优化集成中包含的神经网络的拓扑和突触权重。
基于所提出的神经网络集成和神经进化策略的分散式交通信号控制系统在真实场景中进行了实验评估。在广泛的模拟实验中,证实了该方法的优点。将所提出的解决方案与最先进的分散式交通控制算法进行了比较。实验表明,在减少车辆延误、缩短行程时间和提高平均速度方面,该解决方案比最新方法能够取得更好的结果。实验结果还证实,当使用预测的车道占用率作为ANN集成的附加输入数据时,可以获得更高的交通信号控制性能。性能改进的水平很大程度上取决于预测方法的准确性。
还应注意的是,收集道路上车辆数量信息的传感技术不足以实现交通信号控制的高性能。在研究期间,观察到有关车辆位置的信息对于改善信号控制性能是必要的。背压算法的较差结果证实了这一事实。在该方法中,车辆的位置通过确定车道的占用单元来表示。这种方法可以通过使用中提出的传感器网络优化方法来进一步改进[2]以减少受监控的单元数。 该方法适用于基于移动边缘计算(MEC)和第五代移动通信技术(5G)的应用[40,41]. 在此类应用中,可以通过5G网络从移动设备收集车辆定位数据。可以在MEC服务器上使用建议的神经网络集成评估交通流的优先级,并向十字路口的当地交通管制员报告。 未来的研究方向将与不同的神经进化策略相关,这些策略可以在交通控制系统运行期间在线调整ANN参数。未来研究的另一个有趣的主题是在交通控制过程中引入动态突触重量变化。最后,可以测试所提出集成中用于确定输入数据的各种流量预测方法。