出入口匝道

2024-09-08

出入口匝道（精选六篇）

出入口匝道篇1

为了解决出入口匝道安全问题, 提高出入口匝道的安全服务水平, 使高速公路更好地服务于公众, 迫切需要解决高速公路出入口匝道的安全性问题[4]。本文针对高速公路出入口匝道, 从人、车、路三方面选取评价指标对出入口匝道进行安全性分析, 并应用集值统计法对高速公路出入口匝道进行安全评价。

1 评价指标的选取

对高速公路匝道出入口运用集值统计法进行安全评价, 选取影响高速公路出入口匝道安全的因素作为评价指标, 构建安全评价模型。

虽然道路因素在交通事故原因中不及人的因素占的比例大, 但是人的因素是较难控制和把握的, 而道路因素在一定程度上是引起驾驶员失误的诱因, 因此, 道路因素是交通事故发生的深层次原因[5]。本文从道路因素、车辆因素以及其他因素三方面选取指标对出入口匝道安全进行分析。道路因素包括平面因素、纵断面因素以及横断面因素;车辆因素包括交通量因素和运行车速因素;其他因素为视距。详细指标选取见图1。

2 高速公路出入口匝道安全性评价

应用集值统计法对高速公路出入口匝道进行安全性评价, 能够在一定程度上减少由于人的主观性而带来的误差[6]。

2.1 集值统计法概述

集值统计法兼容经典统计法和模糊统计法优点, 将其二者进行推广, 不仅能够获得每次统计相空间中确定的点, 而且能够用确定性的方法研究系统的不确定性, 在每次统计中获得相对空间的一个子集。

假设X表示专家评判因素集, C为指标集, S表示评判专家集, 对任一评判因素x (x∈X) 的任一指标c (c∈C) , 评判专家s (s∈S) 估计出了一个区间值。则对任一x的某一指标值ci (i=1, 2, …, m) 的评判, 相对应的评判范围设为ξi, 假设有n个专家, 则[uki1, uki2]∈ξi表示第k位专家给出的评判区间, 则n个专家给出的评判区间构成了集值统计序列:[u1i1, u1i2], [u2i1, u2i2], ┄, [uni1, uni2], 可用数轴上的样本落影函数表示该序列的叠加[7,8]。

其中:

因素集x的指标ci的相对权重为:

式中:

对式 (2) 的积分求解得各个指标的相对权重:

由于各个专家从业时间、学历以及经验不同, 因此给每个专家定义了权重系数hk (k=1, 2, …, n) , 则加入权重系数后的各评价指标的相对权重为:

对u'i进行标准化处理, 即可得到各评价指标的综合权重:

可见集值统计方法不仅可以对模糊的指标评价, 而且整合了多位专家的意见, 降低了评价过程中的随机误差。集值统计法最大的优点是不但能够计算指标的权重u'i, 还可以通过珔χξ (u) 得到各指标的可靠程度。本文采用区间方差表i征指标的可靠程度, 定义分歧度gi表示指标的可靠程度:

可见, 分歧度gi值越小, 则专家对ci的把握程度越小, 即该指标可靠程度越低。

2.2 评价指标综合权重的确定

根据构建的评价指标体系, 建立层次分析结构, 如图1所示。

为评价高速公路出入口匝道的安全性, 在目标层下, 邀请甲、乙、丙、丁、戊5位道路安全相关方面的专家确定各个指标评判区间, 评判矩阵如表1所示, 并定义各个专家的权重系数H。

确定了各指标区间权值后, 根据式 (4) ~式 (6) 求得各指标的分歧度和综合权重, 如表1。

由表1可得, 各个指标对高速公路出入口匝道安全性的影响程度由大到小依次为:圆曲线半径>超高>纵坡坡度>运行车速>视距>竖曲线半径>交通量>路缘带宽度>车行道宽度。由表1中计算得的分歧度值可知, 专家在对指标进行分值区间时, 对于车行道宽度的把握最小, 其次是超高、纵坡坡度、竖曲线半径、视距、运行车速、圆曲线半径、路缘带宽度和交通量。为最大限度提高高速公路出入口匝道安全性, 应首先优化综合权重高的指标。

对某高速公路出入口匝道进行安全评价时, 根据多位专家对此出入口匝道的各个指标进行安全分值判定, 进而得到各指标的平均分值Ki, 结合各指标的权重, 即可得到该出入口匝道的最终安全评分值。

2.3 出入口匝道安全性分级

根据计算得的各指标的平均分值Ki和权重ui, 根据式 (7) 即可计算得到该出入口匝道最终安全评分值S。

高速公路出入口匝道安全分级如表3所示。根据计算得的该出入口匝道最终安全评分值, 即可判定该出入口匝道属于那种安全等级。

3 实例分析

利用得到的高速公路出入口匝道安全性评价模型对任赤高速公路出入口匝道安全性进行评价。选取位于k15+200m处的一个典型的出口匝道为例, 进行详细的安全评价, 并提出相应的安全改善措施。

3.1 工程概况

贵州省某双向四车道的高速公路全长163.476km, 设计时速为80km/h, 公路路线沿线的地形地貌为典型的山区地貌。经调研发现, 此高速公路沿线共有12处出入口匝道, 其中有6处出入口匝道属于视距不良路段, 3处曲线转角过小, 路缘带宽度过窄的8处。选取k15+200m处出口匝道进行实例分析, 如图2所示, 具体设计参数见表4。

3.2 出入口匝道评价

根据《公路路线设计细则》针对高速公路出入口匝道设计标准, 邀请了8位相关方面的专家对此出口匝道进行评价打分, 得到该出口匝道的评价指标分值, 如表5。

根据式 (7) 和表5, 可计算出该出口匝道的综评分值。

由表3的安全分级标注可知, 该出口匝道安全性差, 要进行安全改善, 需要对其进行优化改善。

4 结论

文章从分析影响高速公路出入口匝道安全因素入手, 构建三级评价指标体系, 基于集值统计方法, 建立高速公路出入口匝道安全性评价模型。

(1) 本文从道路因素、车辆因素以及其他因素三方面深入分析了影响高速公路出入口匝道安全的因素, 建立3级评价指标分析高速公路出入口匝道安全性。

(2) 应用集值统计法确定各指标的权重, 极大地减少了人的主观因素的影响, 使得指标的权重更可靠, 评价结果也更加贴近实际。

(3) 利用本文建立的评价模型对贵州某高速公路的出入口匝道进行安全性评价, 并针对某典型的出口匝道进行详细的安全评价。

摘要：为了解决出入口匝道安全性问题, 减少高速公路出入口匝道事故率, 通过对高速公路出入口匝道安全现状进行分析, 从道路因素、车辆因素以及其他因素方面选取9个评价指标分析高速公路出入口匝道的安全状况, 应用集值统计法确定各个指标的权重, 通过对出入口匝道设计参数的分析, 评价高速公路出入口匝道的安全性。应用建立的出入口匝道安全评价模型对仁赤高速公路某典型的出口匝道进行了详细的安全评价。

关键词：高速公路出入口匝道,集值统计法,安全评价,安全改善措施

参考文献

[1]张腾飞.基于冲突能量法的高速公路出入口匝道安全性分析[D].大连:大连交通大学, 2011.

[2]郭忠印, 苏东兰, 卢辉, 等.基于运行速度的高速公路隧道出入口安全设计[J].公路工程, 2013, 38 (5) :146-150.

[3]宋成举.高速公路出入口匝道行车安全性分析和评价研究[D].哈尔滨:哈尔滨工业大学, 2007.

[4]王鹏英, 陆键, 马永锋, 等.高速公路出口匝道几何特征及控制方式研究现状及展望[J].交通运输工程与信息学报, 2009, 7 (1) :104-110.

[5]赵鑫.高速公路出入口危险行车事件监控与预警研究[J].交通信息与安全, 2013 (13) :21-23.

[6]阎莹, 盛彦婷, 袁华智, 等.高速公路出入口区域行车风险评价及车速控制[J].交通运输工程学报, 2011, 11 (2) :90-96.

[7]毛子珍.城市道路立交桥匝道交通分析及其应用[J].公路工程, 2005, 30 (4) :214-216.

典型入口匝道控制方法浅析篇2

典型入口匝道控制方法浅析

高速公路交通量的增加使得交通拥堵日趋严重,改善此问题的.办法有很多,入口匝道控制是目前最广泛的一种方法,介绍了目前几种比较典型的高速公路入口匝道控制算法以及这几种方法的比较和改进,以促进控制算法的发展.

作者：王清华孙晴 WANG Qing-hua SUN Qing 作者单位：长沙理工大学交通运输工程学院,长沙,410076 刊名：湖南工程学院学报（自然科学版）英文刊名：JOURNAL OF HUNAN INSTITUTE OF ENGINEERING(NATURAL SCIENCE EDITION) 年，卷(期)： 19(2) 分类号：U4 关键词：高速公路匝道算法 ALINEA

出入口匝道篇3

交通需求的急剧增长造成城市严重的拥堵, 城市快速路作为城市的骨干道路, 承担着大运量的交通, 由于缺乏控制和合理的引导, 在高峰时期往往表现出车速缓慢、排队长度长、排放尾气加大、道路通行能力利用不充分、交通安全性降低的现象。匝道控制作为城市快速路控制最主要的方式, 已被证实为改善快速路交通环境, 提高道路设施利用程度最有效的方法之一[1]。匝道控制通过限制车辆能使快速路主线保持连续的交通流, 减少交通拥堵, 提高交通安全及防止追尾的产生[2]。同时匝道控制还有平衡交通流的作用, 可转移快速路主线交通流至其他主干路, 短程出行的人若没有匝道控制的限制会更愿意上快速路, 虽然与主干路出行时间相差不大。匝道控制可显著减少快速路出行者的总出行时间[3]。

1 控制方法分类

城市快速路是修建于城市内部或者城市外围的高速通道, 道路设计及控制机制都与高速公路有相似之处, 部分高速公路控制的理论也应用于城市快速路上。然而, 由于城市快速路的出入口间距小, 车流的交织分流更为频繁, 受附近交叉口影响大, 变通参数变化更为复杂。因此快速路控制要比高速公路研究更为复杂。

通过对匝道控制不同理论的研究, 将城市快速路匝道控制分为定时控制与自适应控制。

1. 1 定时控制

具有固定的周期及相位, 控制率依据历史数据得出, 可在不同时间段设置不同的配时方案。该控制方法适用于交通流较为固定稳定的情况, 对于突变的交通流及交通事故所引起的交通流变化无法适应, 由于其低成本的特性可作为其他匝道控制方法的备用方案。

1. 2 自适应控制

根据实时测得的交通参数来确定每个周期的控制率。典型的分类方法[4]等将自适应控制分为局部控制和协调控制, 协调控制又包含合作型协调控制、竞争型协调控制、交通集成控制三个类别。

1) 局部控制: 控制范围为某一匝道, 通过对本匝道实时检测的交通流参数来确定入口匝道的控制率。由于只考虑局部控制, 无法做到系统最优。当在快速路网络系统中产生多个堵点或发生交通事故时, 控制效果不如协调型控制方法。

2) 合作型协调控制: 首先通过局部控制方法确定每个匝道的控制率, 然后再基于全局条件调整参数与控制率。

3) 竞争型协调控制: 匝道计算两组控制率, 一个基于局部控制条件与交通流参数, 一个基于全局条件与交通流参数, 比较两个控制率, 选择其中最具有限制性的控制率。

4) 交通集成型控制: 同时考虑局部和全局的控制条件与交通流参数, 通过系统最优化方法求解各匝道调节率。

2 不同类型匝道控制典型算法

针对不同理论的快速路控制匝道控制典型算法按类型、检测量、检测位置进行疏理见表1。匝道控制示意图见图1。

2. 1 Demand-Capacity

Demand-Capacity[5]广泛应用于美国, 通过比较匝道上游检测到的交通量与匝道下游主线的通行能力计算控制率。由于交通量检测对交通拥堵的识别不可靠 ( 如交通量为0 时可能完全堵死或完全无车) , 因此还需要在下游检测占有率。如果占有率检测值超过了预设的阙值, 则认为是主线处于拥挤状态, 占用率则采用最小值rmin。

其中, r ( k) 为第k处周期匝道控制率, 辆/h; Cap为匝道下游主线通行能力, 辆/h; qin ( k) 为第k个周期匝道上游流量, 辆/h; rmin为匝道控制率最小值, 辆/h; Oout为下游实时占有率; Ocr为占有率阙值。

2. 2 ALINEA

ALINEA算法[6]通过实时检测下游占有率, 调整匝道控制率以保持匝道下游占有率为某一定值 ( 占有率阙值) 为目标, 使得快速路主线通行能力最大化。ALINEA算法在多个城市得到广泛应用, 如巴黎, 阿姆斯特丹, 格拉斯哥, 慕尼黑。

其中, r ( k) 为第k处周期匝道控制率, 辆/h; kR为调整率参数, 辆/h; Oout为下游实时占有率。

在Demand-Capacity算法中, 当检测器所检测到的占有率达到占有率阙值时, 控制率会以跳跃的方式直接变为最小值, 不利于交通流的稳定性和连续性。而ALINEA算法以一种相对温和的方式来循序渐进改变控制率, 在防止交通拥堵时更加有效。

2. 3 ALINEA改进模型

尽管ALINEA算法能有效改善快速路主线交通状况, 但它有可能引发相邻路段或交叉口的排队现象, 但对于整体交通状况却是利大于弊[6]。因此, 也出现了很多ALINEA的改进模型以提高算法的效率。如AD-ALINEA[7]考虑到占有率受交通组成、天气状况等影响, 敏感性较大, 通过实时预测占有率以达到匝道下游能达到最大交通量; 由于占有率有敏感性, FL-ALINEA[8]则通过实时检测下游交通量代替实时检测下游占有率, 当达到占有率阙值时, 控制率和Demand-Capacity算法一样也转变成最小值; 当匝道下游缺乏条件检测占有率时, UP-ALINEA[8]则可通过只检测上游交通量和公式转换达到ALINEA的控制效果; X-ALINEA[8]则考虑了ALIENA算法造成的匝道的排队状况, 当达到最大排队长度时, 则调整控制率。

由于局部控制算法无法达到协调控制系统最优的效果, 但由于协调控制算法复杂性大, 参数调整多, 现局部控制算法仍具有很强的实用性。

2. 4 METALINEA

METALINEA[9]是ALINEA改进协调控制型模型, 其模型如下:

其中, r=[r1…rm]为所要控制的m个匝道口的控制率; O =[O1…On]为控制m个匝道口所需要测的n个占有率; O =[O1…Om]为O =[O1…On]子集;为占有率阙值; K1, K2均为增益矩阵。

METALINEA控制效果较依赖于K1, K2与占有率阙值的选择的准确性, 其参数的设置与标定要复杂得多。Papageorgiou等[10]对比过ALINEA与MATLINE控制效果, 发现在常发性交通堵塞MATLINE的控制效果与ALINEA相比并没有优势, 但是在非常发性交通堵塞如交通事故等要比ALINEA控制效果更优。

2. 5 SWARM

SWARM[11] ( System Wide Adaptive Ramp Metering System) 主要应用于美国, 包含两层相互独立的匝道控制算法。

SWARM1 为协调层, 主要为交通状态预测与系统分配, 其目标为维持主线交通流密度于一个预设的值, 可以为饱和交通流密度。交通状态预测主要应用线性回归与卡尔曼滤波的方法来预测检测器预设的交通流密度。则周期内匝道所要达到的交通流密度为:

其中, ρt为匝道所要达到的目标交通流密度; ρc为当前交通流密度; ρe为预测交通密度超出饱和交通流密度的量; T为预设周期。

当得出匝道的目标交通流密度时, 则转换交通量分配到各个路段:

其中, qr ( i) 为匝道i处的交通流量变化量; ρc ( i) 为匝道i当前交通密度; n为匝道数; l为i处检测器到下一检测器的距离。

SWARM2 应用检测器所检测到的车头时距以确定匝道调节率。最终的匝道调节率选择SWARM1 与SWARM2 更有约束的一方。由于SWARM算法采取交通预测的方法来确定匝道调节率, 具有提前预判和优先决策的功能。其算法的关键性在于预测的准确性。

2. 6 HELPER算法

HELPER算法[12], 作型协调控制, 也是分为局部控制层与协调控制层两个结构。局部控制层, 预先设置6 个不同占有率范围的控制率级别, 每个匝道根据上游的占有率选择其一。如果排队过长, 则控制率提升一个级别, 使更多车辆进入匝道以减少排队。在协调控制层, 如果匝道控制率由于排队过长达到最大级别连续三个周期, 则视为关键匝道, 转入协调控制, 将该匝道处交通量连续分配给上游匝道, 上游匝道通过降低控制率级别以减小该匝道的交通压力。

3 快速路入口匝道控制算法展望

入口匝道控制算法从原先的静态定时控制到后来的实时自适应控制, 对交通状况的突变适应性能力加强, 控制效率方面也有了提升。为加强控制学习的鲁棒性和加强实时反馈控制机制, 模糊控制、人工神经网络等智能控制算法也应用于快速路匝道中, 对提高控制的预见性、可靠性、自适应能力都有较大的提升。在这些方面可进一步研究。

摘要：根据调节方法与实时交通状态之间的关系, 将匝道控制分为定时控制与自适应控制, 分析了自适应控制中的局部控制、合作型协调控制、竞争型协调控制、交通集成型协调控制典型算法的原理及优缺点, 最后在总结现在算法的基础上, 对未来快速路匝道控制的研究方向进行了展望。

出入口匝道篇4

当前国外匝道控制方法有:定时控制、交通需求-容量差额控制、占有率控制和Alinea控制[1,2]等,其中Alinea控制法应用比较广泛。但这种控制策略在匝道上游交通需求和入口匝道交通需求均比较大的情况下,往往会导致回溢和快速路交通拥挤的反复振荡现象。为此,国内外学者相继把模糊逻辑、人工神经网络等智能控制技术应用到高速公路匝道控制中,并取得了一定的效果[3,4,5]。模糊逻辑和神经网络都不依赖于精确的数学模型,具有逻辑推理和数值计算的功能和较强的非线性函数近似能力,可以利用不精确或不准确的信息去实现在不同监测密度下的平滑过渡。许多专家指出,模糊控制、神经网络控制是解决匝道控制的有效途径。

本文对模糊神经网络匝道控制器进行了改进,择优选取了较少的输入输出量,将蚁群算法(ACO)引入匝道模糊神经网络控制器的网络学习过程。用ACO训练网络参数,使网络性能接近全局最优解。仿真实验表明,用蚁群算法对模糊神经网络进行学习,有效地确保了网络输出的全局最优,能较好地稳定主线交通流密度。

1 模糊神经网络控制结构设计

1.1 入口匝道控制结构

设计的入口匝道模糊神经网络控制系统的结构见图1。为了较好地实现入口匝道控制,减少模糊神经网络控制器的运算规模[6],选择交通流密度误差e及其误差变化率ec为控制器输入量,控制器输出为匝道控制调节率。模糊神经网络控制器学习算法采用蚁群ACO算法,利用其具有分布式计算、易于与其他方法相结合、鲁棒性强等优点应用于匝道控制模糊神经控制器参数的优化中[7,8]。

将交通流密度误差e和误差变化率ec划分为7个模糊子集,即{负大,负中,负小,零,正小,正中,正大} = {NB,NM,NS,ZO,PS,PM,PB},它们的隶属函数可用高斯函数表示为:

$u_{A i j} (x_{i}) = \exp [- \frac{(x_{i} - m_{i j})^{2}}{σ_{i j}^{2}}]$

式中:xi为输入变量;mij为隶属函数的中心;σij为隶属函数的宽度。

模糊推理可用一组规则表示,即:

Rk:If(e is A1i)and(ec is A2i)then u is Uk,i,j=1,2,…,7;k=1,2,…,49.

式中:Rk是第k条模糊规则, 总模糊关系 $R = \underset{k}{U} R_{k}$ ;

A1i,A2i,Uk分别为e的第i个、ec的第j个、u的第k个模糊子集。

模糊推理采用sum-product方法,解模糊采用加权平均法。模糊系统的输出为:

$\begin{array}{l} u = \sum_{k = 1}^{49} ω_{k} \frac{\partial_{k}}{\sum_{k = 1}^{49} \partial_{m}} = \sum_{k = 1}^{49} ω_{k} \bar{\partial_{k}} \\ \partial_{k} = u_{A 1 k} (x_{1}) u_{A 2 k} (x_{2}) (1) \end{array}$

式中:k为第k条规则的激活度。

1.2 控制器的模糊神经网络结构设计

本模糊神经网络控制器的结构是1个4层的神经网络,如图2所示。网络的1~3层实现模糊规则“IF-THEN”,3~4层实现去模糊化。其结构为2-14-49-1。该模糊神经网络与一般的神经网络的不同点在于,参数是体现在连接点而非连接权上[9]。下面公式中的I $_{i}^{k}$ 和O $_{i}^{k}$ 分别为第k层的第i个神经元的输入和输出。

1) 第1层为输入层。表示模糊控制的输入信号,此层只有2个节点。

$Ο_{i}^{1} = Ι_{i}^{1} (i = 1 ‚ 2) x_{1} = e, x_{2} = e c (2)$

2) 第2层为模糊化层。

每个节点的输出应是相应的隶属函数值,采用高斯函数作为隶属函数,此层共有14个节点。

$\begin{array}{l} Ι_{j}^{2} = - \frac{(x_{i} - m_{i j})^{2}}{σ_{i j}^{2}} Ο_{j}^{2} = \exp [Ι_{j}^{2}] \\ (i = 1, 2 ； j = 1, 2, \dots, 7) (3) \end{array}$

3) 第3层为模糊控制规则层。此层共有49个节点。

$\begin{array}{l} Ι_{k}^{3} = x_{k 1}^{3} x_{k 2}^{3} Ο_{k}^{3} = Ι_{k}^{3} \\ (k_{1}, k_{2} = 1, 2, \dots, 7 ； k = 1, 2, \dots, 49) (4) \end{array}$

4) 第4层为去模糊化层,即模糊控制的输出。此层只有1个节点。

$\begin{array}{l} Ι^{4} = \sum_{k = 1}^{49} w_{k} Ο_{k}^{3} \\ r = Ο^{4} = \frac{Ι^{4}}{\sum_{k = 1}^{49} Ο_{k}^{3}} (k = 1, 2, \dots, 49) (5) \end{array}$

式中:wk为第3~4层间的连接权。

在这个模糊神经网络中,可调参数有第3~4层间的权值wk,以及第2层的14个节点中的高斯型隶属函数的均值mij和标准差σij。

2 模糊神经网络控制器优化算法设计

10多a的研究结果已经表明:ACO用于组合优化具有分布式计算、易于与其他方法相结合、鲁棒性强等优点,在动态环境下也表现出高度的灵活性和健壮性[10,11]。正是由于这样的优点,本文将其应用于匝道控制模糊神经控制器参数的优化中,加强控制的鲁棒性、正反馈能力。ACO算法训练神经网络可克服BP算法的不足,且可提高神经网络的泛化能力和快速全局收敛等。

蚁群ACO算法的基本思想是:假定需训练的神经网络中有M个待优化的参数(如上述的e,ec,wk,mij,σij共有79个参数,即M = 79),记为P1,P2,…,PM对于其中任一参数Pl(1≤l≤M),将其设置为可能取值范围内的N个随机非零数,形成1个集合IPi。全部蚂蚁从蚁巢出发去寻找食物。每只蚂蚁从集合IPi出发,根据集合中每个元素的信息素状态和式(6),独立随机地从每个集合IPi中惟一地选择1个元素;当蚂蚁在所有集合中完成元素的选择后,它就到达了食物源,此后按一定规则调节集合中各元素的信息素。这一过程被反复进行,直至找到最优解而停止搜索。当进化趋势不明显或达到指定迭代最大次数时,就能找到最优解。本文设计蚁群ACO优化算法的主要步骤如下:

1) 初始条件。令时间t=0和迭代次数NC=0,设置最大迭代次数NCmax,蚂蚁的数目为K,令集合IPi(1≤i≤M)中的元素j的信息素τj(IPi)(0)=0,且Δτj(IPi)=0(1≤j≤N),将所有蚂蚁置于蚁巢。

2) 启动所有蚂蚁,每只蚂蚁k( k = 1,…, K)从集合IPi开始, 按照下述轮盘转法的概率规则,依次在每个集合IPi中选择第j个元素,直至蚂蚁全部到达食物源。路径选择规则为

$Ρ (τ_{j}^{k} (Ι_{p i})) = \frac{τ (Ι_{p i})}{\sum_{j = 1}^{Ν} τ_{j} (Ι_{p i})} (6)$

3) 置t=t+n,NC =NC+1。当所有蚂蚁在每个集合中都选择了1个元素后, 计算用各蚂蚁所选权值作为神经网络参数时训练样本的输出误差,记录当前所选参数中的最优解。并对所有集合IPi(1≤l≤M)中各元素的信息素按式(7)进行调节(设上述蚂蚁觅食过程经历了n个时间单位)。

$\begin{array}{l} τ_{j} (Ι_{p i}) (t + n) = ρ τ_{j} (Ι_{p i}) (t) + Δ τ_{j} (Ι_{p i}) \\ Δ τ_{j} (Ι_{p i}) = \sum_{k = 1}^{Κ} Δ τ_{j}^{k} (Ι_{p i}) (7) \end{array}$

式中:ρ(0≤ρ≤1)为信息素的持久性;1-ρ为信息素的消逝程度;τ $_{j}^{k}$ (Ipi)为本次循环中第k只蚂蚁在集合Ipi的第j个元素上留下的信息素。可用下式计算:

Δτ $_{j}^{k}$ (I)=Q/ek(若第k只蚂蚁在循环中选择了Ipi中第j个元素,否则为0)

式中:Q用于调节信息素的调整速度,为常数;ek以蚂蚁k选择的元素作为神经网络的权值时各训练样本的最大输出误差,可定义为: $e^{k} = \max_{n - 1}^{h} | Ο_{n} - Ο_{q} |$

其中:h为样本数量;On,Oq为FNN的实际输出和期望输出。

可见,误差越小,信息素增加的就越多。

重复步骤2、3,直到所有蚂蚁全部收敛到1条路径或达到最大迭代次数NCmax,输出最优解,算法结束。

3 数值仿真实验

在ACO算法中,算法参数的设置目前在理论上还没有依据,是通过反复匹配和调整后凭经验得到的[12]。经验结果为0.5≤ρ≤1,取0.7左右为最佳;1≤Q≤10 000,其取值对算法的影响不大[11],由于Q比ρ的取值范围要大得多,所以实际调整中,可先随机设定ρ值后,再调整Q值,以得到较理想的解。在基本确定Q值后,再反过来调整ρ值,寻找更优的解。如此反复调整,最终逼近两参数的理想组合。解空间规模N和蚂蚁组数K的设置与最优解的搜索效率解的精度,以及解的全局性等优化性能紧密相关。若问题的局部最优点较为密集,则可选择较大的N。K的选取与N直接相关,N越大,则所需的K就越大,但K的选取还应考虑算法的时间复杂性。

3.1 测试数据

匝道控制仿真中采用的参数是在北京高速环路上实际测到的一些基本参数,如最大速度80 km/h,阻塞密度为110 veh/(km·lane),通行能力2 200 veh/(km·lane),临界密度为55 veh/km·lane)。

为了把主线交通流密度控制在临界密度的负邻域,设定交通流密度ρ的取值范围为0~100 veh/(km·lane),密度误差e的取值范围为-50~50 veh/(km·lane),密度误差变化率ec的取值范围为-100~100 veh/(km·lane)。输出量匝道调节变化率r的取值范围为-1 000~1 000 veh/h。仿真步长为10 s,总的仿真步数为1 000步,所选取路段的长度为500 m,仿真工具为Matlab语言。

3.2 仿真结果说明

为了评估设计的匝道控制器仿真效果,在交通需求大致等于交通容量的情况下,比较文中所提出模糊神经网络算法与基于经典反馈控制的Alinea算法的控制效果。当在这种情况下会遇到局部需求大于高速公路主线容量的情况,控制的效果更能说明问题。上游流量需求和入口匝道需求大于主线容量时候,此时交通需求过大,容易出现主线交通拥挤和匝道入口排队过长的现象。此时综合考虑主线控制等协调控制方法才能消除拥堵。

在蚁群ACO算法训练的基础上,假设高速公路上游交通需求变化如图3所示,2种控制方法的控制效果比较如图4所示。

由图4的主线交通流密度图可以看到,当出现局部需求大于高速公路主线容量的情况,模糊神经网络ACO控制能够适应更复杂的交通流状况,比Alinea控制的响应时间短,超调量小,抗干扰性强,鲁棒性更好。仿真结果说明对拥挤的交通流情况更应选择智能控制。

4 结束语

在学习和借鉴国内外学者对高速公路入口匝道控制研究方面取得的成果的基础上,提出蚁群ACO学习算法,并应用于匝道模糊神经网络控制器的学习训练,仿真实验证明,基于蚁群优化算法的模糊神经网络控制器学习次数远小于传统的ALINEA控制算法,收敛速度快,运算效率高,控制品质好,能够更好地稳定主线交通流密度。

参考文献

[1]Nicholson A,Du Z P.Degradable transportation sys-tems:an integrated equilibrium model[J].Trans-portation Research Part B,1997,31(3):209-223

[2]Bogenberger K,Hartmut K,Stephen G.Adaptivefuzzy systems for traffic responsive and coordinatedramp metering[J].Transportation Research C,2001,15(2):50-66

[3]Papageorgiou M,Habib H S,Blosseville J M.Alinea:Alocal feedback control law for on-ramp me-tering[J].Transportation Research Record,1991,7(5):58-64

[4]Christina P M,Dinopoulou D V,Kotsialos A,etal.Review of road traffic control strategies[J].Pro-ceedings of The IEEE,2003,91(12):2 043-2 064

[5]Tan Manchun,Xu Jianmi,Mao Zongyuan.On rampfuzzy logic control in freeway[J].Journal of SouthChina University of Technology:Natural Science,1999,27(8):5-8

[6]Chen Dewang,Wang Feiyuo.Freeway ramp controlalgorithm based on neurofuzzy networks[J].Jour-nal of Traffic and Transportation Engineering,2003,3(2):100-105

[7]Neudorff L G.Freeway management and operationshandbook[M].U.S.DOT:FHWA,2003

[8]Lin C T,Lee C C G.Neural network based on fuzz-y logic control and decision system[J].IEEETransactions on Neural Network,2004,1(5):19-24

[9]陆克丽霞,杜豫川,孙立军.上海快速路入口匝道自动控制系统设计及评价[J].交通与计算机,2008,26(1):5-9

[10]张海军,杨晓光,张珏.高速道路入口匝道控制方法综述[J].同济大学学报:自然科学版,2005(8):1 051-1 055

[11]刘伟铭.高速公路系统控制方法[M].北京:人民交通出版社,1998

出入口匝道篇5

匝道是用来连接2条公路的一段道路,入口匝道是使车流汇入高速公路的匝道,包括匝道行车道和匝道与高速公路的连接点两部分。一些学者对其进行了一定的研究,但多数集中于其通行能力的研究,而对入口匝道的延误研究较少。入口匝道延误由车辆等待延误与加减速延误组成,所谓加减速延误是车辆看到前方车辆排队进而减速以及车辆加速到原来的车速所产生的时间与车辆以原有速度驶过其距离的时间之差。高速公路与入口匝道连接处的等待延误定义为该车实际通过连接处所花费时间与该车辆自由顺畅地驶过连接处的时间之差。通过调查与分析,等待延误约占匝道总延误的80%左右,等待延误是总延误的主要部分,所以入口匝道连接处等待延误是评价入口匝道运行状况的一项重要指标,因此,有必要对匝道与高速公路连接处的等待延误作一定的研究。为了模型的简约化,同时又不失一般实际性,本文采用匝道为单车道入口匝道,单向双车道主线,车辆由单车道匝道汇入单向双车道主线,争夺道路空间,见图1。

匝道车辆在A点汇入主线车流。主线上的车辆到达A点的分布可能是流量较小的情况,也可能是流量较大的情况,匝道上的车辆亦是如此。它们之间的相互组合形成4 种交通情况。本文拟用排队论,可插入间隙理论和概率论等相关理论对这4种情况的等待延误分别进行研究。

1 入口匝道车辆运行特征

车辆驶至匝道连接处时,若主线上无任何车流,则匝道交通流自由地驶入主线。若主线上车辆到达流量较小时,即车辆的到达是随机的,车辆间的相互影响较弱,则匝道车辆须等待主线车流的可插入间隙,利用此间隙汇入主线。当主线车辆流量较大时,车辆之间几乎不存在可插入间隙,则匝道车辆须等待主线车辆驶完之后,再进入主线。在匝道车辆等待的过程中,就产生了等待延误。

2 入口匝道车辆的等待延误

入口匝道上的车辆,分到达流量较小和到达流量较大两种情况。主线交通流,亦分到达流量较小和到达流量较大两种情况。主线车辆到达流量较小时,匝道车辆可能到达流量较小,也可能到达流量较大;主线车辆到达流量较大时,匝道车辆可能到达流量较小,也可能到达流量较大。基于这4 种情况,分别研究其等待延误。

2.1 主线车辆到达流量较小的情况

2.1.1 匝道车辆到达流量较小的情况

高速公路主线车辆到达流量较小,匝道车辆到达流量也较小时,2 路段交通流量密度不大,车辆到达是随机的,且车辆间的相互影响较弱。描述车辆随机到达的分布有多种:泊松分布、二项分布、负二项分布。本文采用泊松分布描述车辆到达。

泊松分布的分布函数可用下式表示

$p (k)_{t} = \frac{(λ t)^{k} e^{- λ t}}{k!}, k = 0, 1, 2$

式中:p(k)t为计数间隔t内到达k辆车的概率;λ为车辆平均到达率,veh/s,t为时间间隔长度,s。

在这里,可以把入口匝道车辆汇入高速公路主线与无信号交叉口次干车道车流穿越主干车道车流进行类比。次干车道车流必须利用主干车道车流的间隙(间隙大于或等于临界间隙),穿越车流。故入口匝道车辆必须利用主线车道车辆间隙,才能汇入到主线。此时也存在一个临界间隙。若主线车道车辆的时间间隔很小,则匝道车道车辆无法汇入;主线车道车辆时间间隔大于临界间隙,则匝道车道车辆便有机会汇入主线车道。

匝道车辆利用可汇入间隙汇入主线车道,根据间隙理论,当主线车辆到达符合泊松分时,匝道车辆平均等待间隔数为

$m = \frac{1}{e^{- q τ}} - 1$

式中:q为高速公路主线车流流量,veh/h;τ为入口匝道车辆汇入主线的临界间隙,s。

非间隙平均持续时间为

$Τ_{1} = Τ - \frac{τ e^{- q τ}}{1 - e^{- q τ}}$

式中:T为非阻塞的平均持续时间, $s ‚ Τ = \frac{1}{q}$ 。

当入口匝道车辆列队等待汇入主线车道时,就相当于一个排队系统。排队中的第一辆车等待可汇入主线的间隙,其后车辆排队等待。所以,车辆的等待延误就可认为是当此车处于队列第一辆车的位置时等待可汇入主线的间隙的时间与其处于非第一辆车位置时的排队等待时间之和,而此车处于队列第一辆车的位置时等待可汇入主线的间隙的过程可看作车辆接受服务的过程,故车辆的等待延误就是其接受服务的时间与其处于非第一辆车位置时的排队等待时间之和。需要说明的是,由于车辆自由行驶通过排队路段的时间一般极小,通常对等待时间与等待延误不加区分。

所以,就类比排队系统M/M/1 的过程。车辆的平均服务时间为

$E = m Τ_{1} = (\frac{1}{e^{- q τ}} - 1) (Τ - \frac{τ e^{- q τ}}{1 - e^{- q τ}})$

平均服务率μ为

$μ = \frac{1}{E} = \frac{1}{(\frac{1}{e^{- q τ}} - 1) (Τ - \frac{τ e^{- q τ}}{1 - e^{- q τ}})}$

则匝道车辆的平均等待延误为

$\begin{array}{l} w = \frac{1}{(μ - λ)} = \frac{1}{(\frac{1}{E} - λ)} = \\ \frac{1}{\frac{1}{(\frac{1}{e^{- q τ}} - 1) (Τ - \frac{τ e^{- q τ}}{1 - e^{- q τ}})} - λ} \end{array}$

式中:λ为入口匝道车辆的平均到达率;这里需λ<μ,即 $ρ \frac{λ}{μ} ＜ 1$ ,以保证上式的成立。

取一段时间t,在这段时间里,匝道有n辆车到达, 则匝道的车辆总等待延误为

$\begin{array}{l} w_{d} = n w = n \frac{1}{(μ - λ)} = n \frac{1}{(\frac{1}{E} - λ)} = \\ n \frac{1}{\frac{1}{(\frac{1}{e^{- q τ}} - 1) (Τ - \frac{τ e^{- q τ}}{1 - e^{- q τ}})} - λ} \end{array}$

2.1.2 匝道车辆到达流量较大的情况

主线车辆到达流量较小,匝道车辆到达流量较大时,可认为主线车辆以泊松分布到达,而匝道车辆是以车队状态行驶到达的。根据可接受间隙理论,设主线车头时距为h,允许匝道车辆汇入主线的临界间隙单位为s,匝道车流可以相继汇入的随车时距为α,匝道车流可以相继汇入的随车时距为β,当α<h<α+β时,允许一辆车通过,当α+(k-1)β<h<α+kβ,允许k辆车通过。

由于主线车辆到达服从泊松分布,即车头时距服从负指数分布,其概率分布函数为

$p (h \geq t) = e^{- q t}$

式中:q为主线车辆平均到达率,veh/s.

所以主线车头时距允许k辆车通过的概率为pk

$\begin{array}{l} p_{k} = p [h \geq α + (k - 1) β] - p [h \geq α + k β] = \\ e^{- q [α + (k - 1) β] -} - e^{- q [α + k β]} = e^{- q [α + k β] -} (e^{q β} - 1) \end{array}$

当匝道车辆列队到达,设其中车辆数为n,则一个主线车流间隙内实际汇入主线的车辆数的期望均值为

$q_{期} = \sum_{k = 1}^{n} k e^{- q (α + k β)} (e^{q β} - 1)$

在单位时间1 s内,主线提供q个间隙,故单位时间内匝道实际汇入主线的车辆数为

$Q = q q_{期}$

单位时间内匝道等待车辆数为

$d = n - Q$

故单位时间内匝道车辆的等待延误为

$\begin{array}{l} w_{d} = n - Q = n - q q_{期} = \\ n - q \sum_{k = 1}^{n} k e^{- q (α + k β)} (e^{α β} - 1) \end{array}$

2.2 高速公路主线车辆到达流量较大的情况

2.2.1 匝道车辆到达流量较小

主线车辆到达流量较大,入口匝道车辆到达流量较小时,匝道车辆几乎不能利用主线车辆的间隙汇入主线,此时匝道车辆必须等待主线车辆驶完,方可进入主线。此过程如同排队系统中,顾客以泊松分布的到达时间间隔到来,而服务系统处于暂时停止状态。

设高速公路主线上以车队状态行驶的车辆队伍中的第一辆车经过A点的时刻为0,t时刻车辆队伍中最后一辆车驶过A点;第i 个车辆到达匝道的时刻为d1,则[0,t]内到达匝道的车辆的等待延误为时段[0,t]内的等待延误与t时刻后的车辆依次离开匝道时的等待延误。时段[0,t]内的等待延误为

$D (t) = \sum_{i = 1}^{Ν (t)} (t - d_{i})$

因为

$\begin{array}{l} E {D (t) | Ν (t) = n} = \\ E {\sum_{i = 1}^{Ν (t)} (t - d_{i}) | Ν (t) = n} = \\ E {\sum_{i = 1}^{n} (t - d_{i}) | Ν (t) = n} \\ = n t - E {\sum_{i = 1}^{n} d_{i} | Ν (t) = n} = n t - \frac{n t}{2} = \frac{n t}{2} \end{array}$

式中:n ( t ) 为在时间段[0,t]内,到达匝道的车辆数。

所以[0,t]时间段内车辆等待延误总和的期望值为

$\begin{array}{l} E {D (t)} = \sum_{n = 0}^{\infty} (p {Ν (t) = n} \\ E {\sum_{i = 1}^{Ν (t)} (t - d_{i})} | Ν (t) = n) = \\ \sum_{n = 0}^{\infty} p {Ν (t) = n} \frac{n t}{2} = \frac{t}{2} E {Ν (t)} = \frac{λ}{2} t^{2} \end{array}$

式中:N(t) 为在时间段[0,t]内,到达匝道的车辆数;λ为匝道车辆的平均到达率。

t时刻后,在时间段[0,t]内积累的排队车辆开始依次驶离入口匝道,驶入主线。由于车辆消散的延迟性,从排队中的第一辆车启动到最后一辆启动是一个过程,需要一段时间,在这时间段内,[0,t]内到达匝道的车辆又产生等待延误。

t时刻后车辆依次离开匝道时的等待延误如图2所示。

在时间段[0,t)内积累的排队车辆从第一辆车启动到最后一辆车启动用时为

$t_{1} = \frac{E {Ν (t)}}{q_{1}} = \frac{t λ}{q_{1}}$

式中:λ为匝道车辆平均到达率;q1为匝道车辆驶离率。

图2中OAB的面积即为在时间段[0,t)内积累的排队车辆t时刻后车辆依次离开匝道时的等待延误:

$w_{d 1} = \frac{t_{1}}{2} t λ = \frac{1}{2} \frac{t λ}{q_{1}} t λ = \frac{(t λ)^{2}}{2 q_{1}}$

所以在时间段[0,t)内积累的排队车辆的总延误为

$\begin{array}{l} w_{d 2} = E {D (t)} + w_{d 1} = \frac{λ}{2} t^{2} + \frac{(t λ)^{2}}{2 q_{1}} = \\ \frac{t^{2}}{2} λ (1 + \frac{λ}{q_{1}}) \end{array}$

在时间段[0,t)内积累的排队车辆的平均延误为

$w = \frac{\frac{t^{2}}{2} λ (1 + \frac{λ}{q_{1}})}{λ t} = \frac{t (1 + \frac{λ}{q_{1}})}{2}$

2.2.2 匝道车辆到达流量较大

主线车辆到达流量较大,匝道车辆到达流量较大时,匝道车辆以车队状态行驶到达,须等待主线车流驶完,方可进入主线。此过程如图3 所示。

设匝道车辆到达率为λ,主线上以车队状态行驶的车辆驶完用时Δt,则匝道车辆累积到达流量Q1=λΔt,由于流量平衡,车辆累积到达流量Q1与驶离流量Q2相等,匝道车辆驶离流率为q1,则驶离时间为

$t_{1} = \frac{Q_{1}}{q_{1}} = \frac{λ Δ t}{q_{1}}$

图中OAB 面积s即为车辆总等待延误

$w_{d} = \frac{Δ t}{2} Q_{1} = \frac{Δ t}{2} Δ t λ = \frac{Δ t^{2}}{2} λ$

每个车辆平均等待延误为

$w \frac{w_{d}}{Q_{1}} = \frac{\frac{Δ t^{2}}{2} λ}{λ Δ t} = \frac{Δ t}{2}$

对于(Δt+t1)后的任意时刻t0,由于λ<q1,匝道车辆不会等待,故不产生等待延误。

3 等待延误分析

3.1 高速公路主线车辆到达流量较小,匝道车辆到达流量也较小的情况

车辆平均等待延误为

$w = \frac{1}{\frac{1}{(\frac{1}{e^{- q τ}} - 1) (Τ - \frac{τ e^{- q τ}}{1 - e^{- q τ}})} - λ}$

式中符号意义同前。

通过上式可以看出,匝道车辆的延误与匝道车辆的临界间隙有直接的关系,通过确定公式中参数的具体数据可以反映这种关系。数据取为q=360 pcu/h=0.1 pcu/s,λ=432 pcu/h=0.12 pcu/s,用Matlab编程可获得如图4所示的τ与w的曲线关系。

从图中可以看出,当主线与匝道的单位时间平均流量一定时,随着可汇入间隙的增大,匝道车辆的延误随之增大,这是符合实际情况的。由于可汇入间隙的增大,表明匝道车辆对可汇入间隙的要求越高,则主线车辆所提供的可汇入间隙就越少,匝道车辆可穿越的机会减少,导致匝道车辆的延误增加。

3.2 主线车道车辆到达流量较小,匝道车辆到达流量较大的情况

单位时间内匝道车辆的等待延误为

$w_{d} = n - q \sum_{k = 1}^{n} k e^{- q (α + k β)} (e^{q β} - 1)$

式中符号意义同前。

从上式可以看出,匝道车辆等待延误与主线车流流率有直接的关系。取α=8 s,β=3 s,n=20,用Matlab编程可获得图5所示的曲线。

从图中可以看出,当以车队状态行驶到达匝道的车辆数量一定时,随着主线车流的流量增加,匝道车辆等待延误上升,这与实际相符。由于主线车辆流量增加,主线车流密度随之增大,车辆间的间隙减小,匝道车辆汇入主线的机会减少,导致匝道车辆的等待延误增加。

3.3 主线车辆到达流量较大,入口匝道车辆到达流量较小的情况

车辆平均等待延误为

$w = \frac{\frac{t^{2}}{2} λ (1 + \frac{λ}{q_{1}})}{λ t} = \frac{t (1 + \frac{λ}{q_{1}})}{2}$

式中符号意义同前。

从上式不难看出,匝道车辆延误与匝道车辆平均到达率有函数关系。 $t = 100 s = 1 / 36 h, q_{1} = \frac{1}{3} v e h / s = 1 200 v e h / h$ ,用Matlab编程可获得图6所示曲线关系。

从图中可看出匝道车辆延误随匝道车辆平均到达率的增加而增加。由于匝道车辆平均到达率增大,单位时间内到达的车辆数就越多,等待的车就越多,等待延误就越大。

3.4 主线车辆到达流量较大,匝道车辆到达流量较大的情况

车辆平均等待延误为

$w = \frac{w_{d}}{Q_{1}} = \frac{\frac{Δ t^{2}}{2} λ}{λ Δ t} = \frac{Δ t}{2}$

式中符号意义同前。

由式可知,对于一定的匝道车辆到达率而言,等待延误与主线车辆的驶离时间有关。当主线车辆的驶离时间不同时,用Matlab编程可获得图7所示曲线。

从图中可以看出,主线车辆驶离时间越长,匝道车辆等待延误越大,这与实际相符。由于匝道车辆需等待主线车辆驶过,方可通过,所以主线车辆驶离时间越长,匝道车辆等待就越长,等待延误就越大,并且从曲线斜率来看,随主线车辆驶离时间的增加呈线性关系。

4 结束语

等待延误占据了占总延误的80%左右,是总延误的主要部分。等待延误可用于评价交通设施的服务质量,进行交通项目的工程经济分析以及研究交通拥挤程度;通过交通设施改善前后等待延误的对比,可以对所采取的措施效果作出评价,或分析尚存在的问题以便进一步改善;根据等待延误资料,对等待延误较大的匝道连接处,提出改建计划,例如设置多个匝道等;在交通运输部门运营调度时,通常从经济效益出发,选择行程时间最短的路线,有了等待延误资料,可以选择路线,所以有必要对其进行分析。本文选用单车道入口匝道与单向双车道高速公路主线交汇点为研究对象,运用排队论,间隙理论的等相关知识,分别研究了匝道与高速公路主线在不同流量下的匝道车流等待延误。对于本文中的一些参数,如车流到达率,驶离率,可通过调查获得。通过选取模型中的参数数据,用matlab编程描述了匝道车辆等待延误与临界间隙匝道车辆平均到达率等参数的关系,表明模型较符合实际运行状况,具有一定的适用性。然而文中只考虑了匝道车辆的同一种车型,因此选取了相同的可汇入临界间隙,可考虑多种车型的情况,这是本文可以推广和不足的地方,所以可对连接处等待延误作更进一步的研究。

参考文献

[1]孟祥海.高速公路规划与设计[M].哈尔滨:哈尔滨工业大学出版社,2006.

[2]周溪,召蒲琪.基于复合分布的高架道路匝道入口处延误计算[J].上海铁道大学学报,1999,20(10):1-5.

[3]吴兵,杨佩昆.高速道路入口匝道通行能力研究[J].同济大学学报:自然科学版,1999(4):422-426.

[4]张云颜,李文权.高速公路入口匝道通行能力模型研究[J].交通运输工程与信息学报,2004(3):88-92.

[5]赵春,王炜,李文权.主路不同流量条件下入口匝道通行能力研究[J].公路交通科技,2005(2):88-85.

[6]覃煜,晏克非.高架道路上匝道通行能力理论模型研究[J].武汉交通科技大学学报,2000(6):611-615.

[7]王建军,严宝杰.交通调查与分析[M].2版.北京:人民交通出版社,2004.

[8]王殿海.交通流理论[M].北京:人民交通出版社,2002.

[9]丹尼尔L鸠洛夫,马休J休伯.交通流理论[M].蒋璜,译.北京:人民交通出版社,1983.

[10]孙荣恒,李建平.排队论基础[M].北京:科学出版社,2002.

出入口匝道篇6

1 人工神经网络概述

文献[2]对基于神经网络的预测模型和方法的研究进行了综述,基于神经网络模型用于短期交通流预测的优点和固有缺陷,认为多种神经网络相结合的混合模型比单一的神经网络模型的预测效果要好,而将神经网络模型与其他领域的研究相结合的综合模型的预测效果要好于混合模型。文献[3]就介绍利用BP神经网络模型来预测交叉口交通流量的方法,并用实例证明了其可行性和预测效果。而快速路主线及匝道的交通流也具有与交叉口和城市道路一样的随机性,受不可预知因素的影响,因此,笔者在本文中尝试将反向传播BP神经网络的相关方法延伸到对匝道流量进行预测。

人工神经网络,是以数学和物理的方法以及信息处理的角度对人脑神经网络进行抽象并建立某种简化模型。神经网络模型含有输入层、隐层和输出层,各层由一定数量的神经元构成,由连接权重来反应相互之间的关系。理论证明,典型的含有输入层、单隐层和输出层的3层BP网络能够充分逼近任意复杂的非线性关系,可以实现任意的n维到m维的映射。一个训练成熟的3层BP网络具有强大的非线性映射能力。BP算法的实质是把一组输入输出问题转化为非线性映射问题,通过梯度下降算法迭代求解权值,它分为净输入前向计算和误差反向传播两个过程。网络训练时两个过程交替出现直到网络的总误差达到预设精度。网络工作时各权值不再变化,对每一个给定输入,网络通过前项计算给出输出。

转移函数(即传递函数)、网络结构、学习方式是神经网络设计的3大要素。文献[4]以建立神经网络居民出行方式选择预测模型为例系统地介绍了设计BP神经网络时3大要素的设计方法,这里就不再叙述。

2 城市快速路入口基于单个入口匝道的主线流量预测模型

2.1 神经网络设计

输入层的神经元可以根据求解问题和数据表示方式确定,输入向量的维数也就是影响因素的个数,就入口匝道对下游流量的影响来讲,可作如下分析,如图1所示。

对于一个入口匝道,影响其下游流量的因素有4个,主线上游已存在的交通量Q1、匝道本身的交通需求Q2、还有在前t0 min内的下游交通量Q(t-1)和前2t0时间内的下游交通量Q(t-2)(如图1所示)。t0所取时间越短,动态性就越强;所有4个流量都可以通过铺设在指定地点的线圈实时测得,具有实际意义。输入层神经元设定为4个。为简便起见,输出层的神经元个数暂定为1个,即下游预测流量。

隐层神经元的个数直接影响着网络的非线性预测性能,关于它的设定有一些经验公式,在此基础上进行一定量的试算来确定效果较好的个数,一般采用试算法。

输入层到隐含层的传递函数为Tansig,隐含层到输出层的传递函数到logsig。训练函数选用了Traingd(Trainlm作为训练函数速度很快,但运行过程会消耗大量的内存资源),按照一般的设计方案,中间层神经元的传递函数为S型正切函数,输出层神经元的传递函数为S型对数函数,之所以选择S型对数函数,是因为该函数为0-1函数正好满足输出要求。学习函数采取默认的learngdm函数即梯度下降动量学习函数,它利用神经元的输入和误差、权值的学习速率和动量常数来计算权值的变化率。性能函数选择mse,仿误差性能函数

2.2 数据标准化

1) 每个原始值除以样本中的最大值作为输入值x′i,公式为 $x^{'}_{i} = \frac{x_{i}}{x_{i m a x}} . (1) 2)$ 原始值减去样本值中的最小值,再被样本的值域范围除,公式为 $x^{'}_{i} = \frac{x_{i} - x_{\min}}{x_{i m a x} - x_{\min}} . (2)$ 本文算例采取第二种方法,将所有流量数据都化为[0,1]之间的值。

3 算例

为了检验该模型的实用程度,以上海市延安路-江苏路交叉口及附近匝道的实例,用Matlab对其进行训练和测试。

3.1 隐层神经元个数的确定

首先根据神经网络理论公式 $n_{1} = \sqrt{n + m} + a . (2)$ 式中:n1为隐层神经元数目;n为输入层神经元数目;m为输出层神经元数目;a为[1]之间的常数。

选择3～8共6种情况的隐层神经元数一一试验,最后发现7个隐层神经元的训练速度最快,误差也最小,具体数据见表1。

3.2 训练与测试样本的确定

由于统计数据的限制,输入变量中的t0按1 h取,从凌晨3点开始,前2个小时的分别为Q(t-1)和Q(t-2),以此类推,训练数据为前19个样本,后3个样本用于测试。在输入前将所有数据按照原始值减去样本值中的最小值,再被样本的值域范围值除的方法进行标准化。按照上步中选用的传递函数和训练函数编写程序并运行。

3.3 结果说明

1)训练阶段。在规定最大训练次数2 000次、精度要求0.001的情况下隐层神经元个数为3～8,满足了要求,具体结果如表1所示。

通过比较可以看出,当隐层元素为7个的时候训练次数最少(167次)而误差也最小(0.955 704),所以选定为7个。用图形表示如图2所示,图2中以横坐标表示训练次数,纵坐标表示误差值,在整个训练过程中实时输出,最后是训练精度达到时的情形。

图3所示为各训练组训练误差,共有19组训练样本,所以横坐标为19,纵坐标为误差值。然后,通过mse函数(均方误差性能函数)评价网络性能,结果mse=9.157 8e-004,输出的均方误差已经很小了,可以用于下一步预测。

2)预测阶段。将剩余的3组样本作为测试样本,输出结果与真实值之间的误差见表2。

通过perf调用mse,其均方误差为0.003 9。由于数据限制,样本的时间间隔t0较大,所以存在一定误差,不过该误差并不大,有更详尽的数据应该会得到更好的效果。

4 改进

1)受已有数据限制,t0取1 h就已引入了相当大的误差,因为高峰期都是以小时计算的,在实际中选取10 min左右的间隔将会更好的反映交通流的随机性,并适应突发状况的调整,此外由于可得调查数据的限制,样本量尚不充足,下一步需要更大量的数据来验证其可靠程度。

2)输出向量为下游的交通量,指导意义不是很明确,可以与服务水平或者平均车速挂钩,求出更合适的输出以便指导入口匝道的实时控制,配合线圈布设和多个匝道的组合有可能实现动态跟踪和控制入口匝道的运行状态。

3)文中由于数据有限训练样本量较小,当样本量增大运算量将显著增大,而模型的精确度也将不确定,此时可考虑采用双隐层或高级BP网络,可以显著提高模型预测精度。《动态交通量预测方法研究》引用高阶神经网络对一简单十字交叉口建立模型,并用实测数据进行预测,证明具有更好的精度。

5 结束语

整个快速路系统是一个复杂的系统,存在许多不可预期的因素,影响着整个线网的服务水平,神经网络具有识别复杂非线性系统的特性,在交通流实时预测中有着较大的潜力。本文运用BP神经网络对匝道附近交通量建立预测模型,该模型可以作为改善匝道动态控制的依据,并应用实测数据对模型进行了检验,证明其具有可行性。

摘要：已有快速路入口匝道控制手段是以定时控制方法为主,虽然存在动态调整等方法,但缺乏预测机制,这主要是由于车流的动态性和随机性而难以进行定量分析,引入人工神经网络可对车流进行动态预测。分析了影响主线交通量的与匝道相关的因素,并在此基础上建立了神经网络预测模型,通过上海典型匝道(延安路—江苏路)一组实测数据对网络进行训练和预测,得到了满意的效果。

关键词：BP神经网络,匝道控制,动态预测,随机性

参考文献

[1]聂磊,杨晓光,庄斌,等.快速路入口匝道控制适应性研究[J].交通与计算机,2006,24(3):18-21.

[2]王进,史其信.神经网络模型在短期交通流预测领域应用综述[J].河南科技大学学报,2005(4):22-26.

[3]操春燕,栗慧龙,吴兵.基于神经网络的交叉口交通流量预测方法研究[J].交通科技与经济,2007(1):99-100.

[4]李海峰,王炜.基于神经网络的交通方式选择模型[J].公路交通科技,2004(7):132-136.

[5]谷远利,余惠华.动态交通流量预测方法研究[J].ITS通讯,2006,8(1):36-39.

[6]韩力群.人工神经网络教程[M].北京:北京邮电大学出版社,2006.

[7]闻新,周露,李翔,等.MATLAB神经网络仿真与应用[M].北京:科学出版社,2003.

[8]飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].北京:电子工业出版社,2005.

本文来自 360文秘网(www.360wenmi.com)，转载请保留网址和出处

【出入口匝道】相关文章：