引言1随着经济的发展,交通量和交通需求迅猛增加,从而导致交通问题日益突出,已严重影响了人类社会经济的正常运行,交通问题已成了全球普遍关注的重要问题。交通信号优化是智能交通系统(IntelligentTransportionSystems简称ITS)研究中的重点和难点。城市平面单交叉路口的交通信号控制是交通控制系统的基础。对于单交叉路口信号优化控制的研究已有几十年的历史,从最初的定时控制、多时段控制到后来的感应控制。随着对智能控制研究的兴起,1977年Pappis等人将模糊控制应用到单路口两相位控制中[1],从而开创了智能控制在交通信号控制中的先河。后来国内外不少学者在这方面做了大量研究,不断应用新的控制方法,并取得了较好的控制效果。但这些方法大多以车辆排队长度、到达数等为控制输入量,根据其变化量来计算周期或绿灯时间变化量[2]。这些方法虽然在应用上取得了一定的效果,但存在如下缺点:1、这些方法大多是实时调整周期或者绿灯时间,不适合现在的倒计时显示方式;2、大多以车辆排队长度或平均延误时间为控制目标,在交通流密度较大时有其局限性,难以使路口通行能力达到最大;3、算法复杂计算量大,而效果不理想。为了克服以上控制方法的缺点,根据文献[2]中提出的基于神经网络的车辆到达预测模型对下一周期将到达路口的车辆数进行预测,根据预测结果和上一周期结束时等待车辆数之和计算下一周期交叉路口各方向的饱和度,再应用模糊控制器推算各方向绿灯时间变化量。这样周期长度和绿灯时间在一个算法中得到了优化。通过应用Matlab6.1编程进行仿真实验,结果表明可提高交叉路口通行能力,缩短车辆平均延误时间,达到了信号优化的目的。1平面交叉路口交通模型单交叉路口信号控制主要是对相位、周期和绿信比的控制和优化,相位数通常是从交通需求和交通安全两方面考虑来确定。为了对下一周期将到达路口各方向的车辆数做预测和66?计算交通流饱和度,我们考虑图1所示的平面交叉路口。为了检测车辆实际到达量和延误情况,在各车道进口处安装一组环形线圈检测器,检测车流量和车辆排队长度;在各车道出口处也安装一组环形线圈检测器,检测车辆输出情况。根据前10个周期通过车辆检测器的车辆数,应用下面介绍的BP神经网络预测下一周期将通过该车道的车辆数(假设等待和绿灯期间到达的车辆全部能离开路口),可表示为PS=PG+NNG(1)其中pG为绿灯相位开始时已等待车辆数,NNG为绿灯期间到达车辆数。假设路口一方向总的车辆通过数为P,为该方向绿信比,T为周期长度,S为饱和流量,则该方向饱和度为x=P/(*T*S)(2)其他方向饱和度可用同样方法得到。车辆延误时间的计算方法如下[3]:qn=???10,,如否果则在第n(s)内有一辆车到达(3)红灯相位开始后第n(s)内车辆排队长度可表示为==+nipnpGqi1(4)式中pG为前一绿灯相位结束时等待的车辆数,则红灯期间车辆总的排队等待时间为()11===n+jjiDRpGqi(5)令s为饱和流量,绿灯相位开始后第n(s)内,未清完的车辆排队长度为()1SzpnqsninRi==?+??(6)式中pR为前一红灯相位结束时等待的车辆数,当括号里数为正时,z取1,否则取0。绿灯期间车辆总的等待时间为===n?+??iijDGzpRqisn11()(7)因此,一个周期内,路口一个方向上车辆总的延误时间可表示为D=DR+DG(8)平均每辆车总的延误时间模型表示为()1+==RGndmDqn(9)上式也可用来对交通信号优化控制模型进行评价。2基于BP神经网络的车辆到达预测对交通流到达情况的了解和掌握是正
