（系统工程专业论文）高速公路多匝道协调控制研究.pdf

中文摘要 摘要：高速公路智能控制系统是智能交通领域的一个重要研究方向，尤其是 多匝道控制是目前研究的重点和难点，具有重要的理论意义和使用价值。模糊神 经网络是智能技术的一个重要分支，它是神经网络与模糊系统的有机结合，具有 强大的自学习和自适应功能。本文利用模糊神经网络的建模和学习方法，对高速 公路多匝道控制系统算法进行设计，并进行仿真。 在匝道控制基础准备的研究中，论文通过对高速公路控制常用的宏观交通流 模型的分析，针对高速公路进行实时控制时需要使用预测交通流数据和多匝道控 制信息协调处理时产生的时间延误问题，提出使用短时交通流预测数据并利用卡 尔曼滤波方法进行短时交通流预测的方法并加以实现。 在匝道控制研究中，首先对高速公路匝道控制的目标及意义进行了分析，并 介绍了高速公路入口匝道控制的几种有效算法，并分析了其特点；其次，具体针 对匝道交通流特性，利用匝道交通流模型配合宏观交通流模型的方法进行控制模 型中匝道交通流数据的计算；再次，通过分析模糊控制、神经网络控制和模糊神 经网络理论和算法，在实例中建立了模糊神经网络匝道控制模型及算法，并建立 了协调层神经网络协调模型及算法；接下来，利用智能运输系统中的大系统理论 的思想和方法，建立了高速公路多匝道控制系统结构，将高速公路多匝道控制系 统分为目标控制层、协调层和直接控制层。其中，运用模糊神经网络实现直接控 制层的实现，运用神经网络实现协调层的实现。 最后，本论文利用m a t l a b 软件进行了高速公路多匝道的协调控制仿真，并 取得了较好的效果。 关键词：智能控制：高速公路交通流；模糊神经网络；多匝道控制系统；仿真 分类号：u 4 9 1 a bs t r a c t a b s t r a c t ：e x p r e s s w a yi n t e l l i g e n tc o n t r o ls y s t e mi so n eo ft h em o s ti m p o r t a n t a n dd i f f i c u l tr e s e a r c hb r a n c ho fi t s ，a n d e s p e c i a l l yt h em u l t i r a m pc o n t r o li st h e p r o m i n e n tp r o j e c t ，f o ri t ss i g n i f i c a n tt h e o r ya n do u t s t a n d i n gp r a c t i c a lv a l u e f u z z y n e u r a ln e t w o r kf i n n ) t e c h n o l o g yi st h ec o m b i n a t i o no fn e u t r a ln e t w o r ka n df u z z y s y s t e ma n di so n eo ft h eb r a n c h e so fi n t e l l i g e n tt e c h n o l o g y t h em o s ts i g n i f i c a n to fi ti s s e l f - s t u d ya n ds e l f - a d a p t i v e i nt h i sp a p e r , w ec a r r i e do u tt h ed e s i g na n ds i m u l a t i o no f t h ea l g o r i t h mo fe x p r e s s w a ym u l t i - r a m pc o n t r o ls y s t e mb a s e do ni d e o l o g yo fs y s t e m e n g i n e e r i n ga n dw i t ht h eu s eo ft h e o r i e sa n dm e t h o d sa b o v e i nt h er e s e a r c ho fb a s i cd a t ap r e p a r eo fm u l t i r a m pc o n t r o l ，t h i sp a p e rd i s c u s s e d a n da n a l y z e dm a c r o c o n t r o lm o d e l st h a ta r ei nc o m m o nu s e di nt r a f f i cf l o w o f e x p r e s s w a yf i r s t l y , a n da i m e da tt h ep r o b l e m so ff o r e c a s tt r a f f i cf l o wd a t ai nn e e da n d t i m ed e l a yt h a te x i s ti nm u l t i r a m pc o l l a b o r a t i v ec o n t r 0 1 b a s eo nt h e s e ，w ep u tf o r w a r d t h es o l v i n gi d e ao fa d o p t i n gs h o r t - t i m et r a f f i cf l o wf o r e c a s td a t aa n du s i n gk a l m a n f i l t e r i n gm e t h o dt or e a l i z ei t i nt h er e s e a r c ho fm u l t i - r a m pc o l l a b o r a t i v ec o n t r o l ，w ea n a l y z e dt h ec o n n o t a t i o n a n dm e a n i n go fm u l t i r a m pc o n t r o lo fe x p r e s s w a y , a n di n t r o d u c e ds e v e r a le f f e c t i v e a l g o r i t h m so fi ta tf i r s t s e c o n d ，f o c u s e do nt h ec h a r a c t e r sa n a l y s i so ft r a f f i cf l o wo f r a m p ，w ec o m b i n e dt r a f f i cf l o wm o d e l so fr a m pa n dm o d e l so fm a c r o - t r a 伍cf l o wt o c a l c u l a t et h ef l o wd a t ao fr a m p t l l i r d ，b a s e do nt h ea n a l y s i so ff u z z yc o n t r o l ，n e u r a l n e t w o r kc o n t r o la n dt h et h e o r i e sa n dm e t h o d so fn e u r a ln e t w o r k ，w ee s t a b l i s h e daf u z z y n e u r a ln e t w o r km o d e l sa n dr a m pc o n t r o la l g o r i t h m sb yv i r t u a li n t h i sp a p e r a n dt h e f o u r t h ，b yu t i l i z i n gt h ei d e ao fm a c r o s y s t e mt h e o r yi ni n t e l l i g e n tt r a n s p o r t a t i o ns y s t e m t oc o n s t r u c tw ec o n s t r u c t e dt h ef r a m e w o r ko f m u l t i r a m pc o n t r o ls y s t e mo fe x p r e s s w a y i nt h ef r a m e w o r k ，w ed i v i d e dt h es y s t e mi n t o3l e v e l sa n dt h e ya r eo b j e c tc o n t r o ll e v e l ， c o l l a b o r a t i v el e v e la n dd i r e c tc o n t r o ll e v e l ，a n du t i l i z ef u z z yn e u r a ln e t w o r kt or e a l i z e d i r e c tc o n t r o ll e v e la n dn e u r a ln e t w o r kt or e a l i z ec o l l a b o r a t i v el e v e li n d i v i d u a l i nt h el a s t ，w eu s e dm a t l a bt oc a r r yo u tt h es i m u l a t i o no fm u l t i - r a m po f e x p r e s s w a y , a n da c c o r d i n gt ot h er e s u l t ，t h em o d e l sa n da l g o r i t h m sw e r ep r o v e dw i t h e x c e l l e n te f f e c t k e y w o r d s ：i n t e l l i g e n tc o n t r o l ；f r e e w a yt r a f f i cf l o w ；f u z z yn e u t r a ln e t w o r k c l a s s n 0 ：u 4 9 1 学位论文版权使用授权书 本学位论文作者完全了解北京交通大学有关保留、使用学位论文的规定。特 授权北京交通大学可以将学位论文的全部或部分内容编入有关数据库进行检索， 并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国 家有关部门或机构送交论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 学位论文作者签名： 萄磊 导师签名 签字日期：圳g 年占月p 日 签字日期： 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研 究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或 撰写过的研究成果，也不包含为获得北京交通大学或其他教育机构的学位或证书 而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均己在论文中作 了明确的说明并表示了谢意。 学位论文作者签名：名免 签字日期：沙少年厂月。日 致谢 本论文的研究工作是在我的导师贾元华教授的悉心指导下完成的，从论文的 选题、构思，到论文的写作、修改和最终定稿，整个过程都渗透着导师的智慧和 心血，凝聚着导师对我的关怀和启迪。在攻读硕士学位期间，导师无论在科研还 是生活上都给予了我细致的关怀，由衷感到自己点点滴滴的进步，都离不开导师 的辛勤培育和细心教导。在此，谨向我的导师一贾元华教授表示我最诚挚的感谢 和最崇高的敬意。 在研究生学习期间，我一直得到学院多位老师的指导和关怀，在这里一并表 示感谢，并祝各位老师身体健康，工作顺利。同时，向评审本论文以及参加论文 答辩的专家们表示谢意，感谢他们在百忙之中抽出时间审阅和指正我的论文。由 于作者学术水平、时间和精力有限，论文中对一些问题的讨论可能存在不当或不 够严谨之处，还请各位专家给予指正，助其完善。 此外，在项目研究及撰写论文期间，我得到了李键、敖谷昌、刘奕、王银华、 刘力、袁涛等由于篇幅有限没能提到名字的同门的指导和同学的热情帮助，与他 们结下了深厚的友谊，在此向他们表达我的感激之情，祝愿他们今后事业有成； 同门的师弟师妹与我朝夕相处，情如一家，帮助甚多，在此祝愿他们学业有成， 前程似锦! 最后，也感谢远在家乡的父母、姐姐和亲朋好友，尤其是北京的叔叔高文干、 婶婶单德芳，他们的理解和支持使我能够在学校专心完成我的学业。 1 1 选题背景及意义 1 绪论 由于高速公路全程无平面交叉口，实行分隔行驶，汽车专用，行驶条件好， 向使用者提供较高的服务水平，仅通过入口匝道和出口匝道与相邻的干道相连接， 因此对出行者的吸引力很大【l 】。高速公路作为经济运输的大动脉，其承担的运输量 与我国经济和社会需求同步增长，在建设初期一定程度上缓解了日益紧张的交通 资源紧张的局面，但是近几年车辆的大幅增加导致大量车辆的涌入不仅会造成常 发性拥挤，还可能导致突发性拥挤。常发性拥挤是由于过大的高峰期交通需求超 过交通容量而导致的；偶发性拥挤主要是由于突发的交通事件所导致交通容量的 减少造成的。不管是常发性拥挤还是偶发性拥挤，都导致出行者行驶时间长且波 动很大，发生事故的可能性大，燃料消耗增加，空气污染加重，运行效率降低等， 引发出行者与高速公路管理部门的摩擦，甚至对交通部门提出了再新建相关联高 速公路来缓解已有高速公路的交通压力【2 】。 另外，高速公路拥挤所带来的损失巨大。据有关资料，美国一年由于高速公 路交通拥挤带来的时间损失达2 亿小时，经济损失达7 0 亿美元【3 】。我国由交通拥 挤带来的经济损失也达到几十亿元。在中国的北京、上海等大城市的高速环路和 出城高速的交通拥挤己成为城市交通拥挤的主要组成部分，严重影响城市健康可 持续发展。 所以，交通拥挤是高速公路交通系统中存在的主要问题。在道路拥挤的开始， 普通采用的做法是改扩建道路，在改扩建城市普通道路的基础上，修建城市环城 高速公路和城市间高速公路成为缓解日趋严重的交通拥挤问题的主要办法之一。 但是，由于地理空问、建设的费用、土地和环境问题等限制，通过无限制的建设 高速公路不是最终出路，只有通过交通控制管理来充分发挥高速公路交通能力才 是根本，所以交通管理也类似于经济的发展，不得不从粗放型到效益型转变。2 0 世纪8 0 年代以来，发达国家己从主要依靠修建更多的道路，扩大路网规模来满足 日益增加的交通需求，转移到用高新技术来改造现有道路系统及其管理系统，从 而达到大幅度提高路网的通行能力和服务质量的目的。随着研究的深入，系统的 功能扩展到道路交通运输的全过程及其相关的服务部门，发展成为带动道路运输 现代化的智能交通系统。高速公路的管理人员迫切希望可以通过监控系统对各种 交通信息进行科学分析，做出相应的交通决策，以便针对道路上的各种突发情况 给予正确、迅速的处理，这使得交通监控系统成为高速公路智能交通系统中一个 重要组成部分。 高速公路匝道交通流协调控制是监控系统优化研究的个重要内容，对于提 高道路通行能力，缓解交通捌挤，平滑交通流，提高行驶的安全性等方面是一种 有效和实用的方法。当道路上的交通流处于正常运行状态时，通过匝道的监控可 以减少匝道车辆延误，减少主线上由于车速不均匀带来的交通流紊乱，从而平滑 交通，提高道路的通行能力；当道路上的交通流发生常发性拥挤时，通过匝道的 监控可以在保证主线流量最大的前提下，实现相连路网流量的动态分配，使路网 流量更趋合理；当道路上的交通流处于由交通事故或其它异常事件引起的阻塞时， 通过匝道的监控可以避免交通阻塞加剧，快速消除阻塞，降低阻塞延误。 因此，最大程度的利用既有交通资源，使高速公路保持在最佳状态下运营， 从而减少社会经济损失是目前交通流优化控制研究的重点。本文主要通过研究如 何实现高速公路多匝道协调控制来提高高速公路的使用效率，这也是智能交通系 统中匝道监控的一个重要组成部分，具有重要的现实意义。 1 2 国内外研究现状 目前，关于匝道控制的研究主要是作为智能交通系统的一部分进行的，正在 开发研究的信息化道路交通系统项目有，美国的i v h s 、欧共体的r i t ，以及日本 的v i c s 。 2 0 0 0 年5 月，美国国家科学技术委员会运输研究开发分委员会制定的国家运 输技术计划中，对运输的跨世纪准备做了全面阐述，匝道的智能监控是许多系统 提升的示范项目之一。因此进入2 1 世纪以来，以欧美为代表的发达国家将匝道监 控，特别是多匝道运行规律的研究及实施作为智能运输寻求突破的重要项之一， 也是智能运输系统中先进的交通管理系统( a t m s ) 和先进的旅行者信息、系统 ( ( a t i s ) 的基础，故研究匝道监控很有必要。匝道监控的研究和实施，在欧美国家 己有较长的历史。2 0 世纪8 0 年代初，开始了静态匝道控制的研究，基本上是以单 个匝道的定时和感应控制为主，较少涉及到几个匝道的协调监控，控制方法比较 传统，监控方法落后，是采用通常的线性规划方法去解决常发性交通拥挤。到2 0 世纪9 0 年代初期，匝道监控系统在世界各地的许多城市和城间高速公路上开始应 用，因此国内外的一些学者将研究重点转移到监控密度和控制策略上，在高密度 区采用控制技术对监控率进行优化，从监控运算法则的角度对高速公路入口匝道 的控制与仿真进行了研究，并讨论了高速公路入口匝道的最优问题。但是，到目 前为止，还没有一个有效的方法能够解决匝道监控系统这样的非线性大系统的最 2 优控制问题。 近年来一些学者的研究表明，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、神经网络控制可能是解决匝道控制的有效途径。早在1 9 7 6 年，p a p p i s 和 m a m d a n i 就将模糊控制用于单交叉口交通控制【4 】，仿真结果表明比用传统的控制方 法平均减少车辆延误7 左右。高速公路入口匝道的车辆运行主要取决于驾驶员的 主观判断，难以用数学模型准确表达，而模糊控制方法则最适于解决此类问题。 若采用模糊控制，将检测的高速公路入口匝道的交通状态，通过模糊运算转化为 实际的精确控制，将定性判断和定量控制相结合，从而简化计算程序，更加有效 地提高高速公路入口匝道车辆汇入高速公路主线的质量。n g u y e n 5 】利用n 个串级 神经元网络实现一个反馈控制器，p a r i s i n i 6 】则用类似方法设计了匝道控制器， z h a n g i7 】用神经元网络去逼近匝道反馈控制中的非线性项，黄小原【8 】还设计了高速 公路交通的神经控制器。这些控制器进行仿真表明，在强干扰作用下，神经网络 方法具有较强的非线性函数近似能力，利用神经网络设计匝道控制器能够改善控 制效果。谭满春【9 】等利用模糊逻辑控制实时地调节高速公路入口匝道，该控制器由 模糊规则库、模糊生成器、模糊消除器等组成，控制器的输入量来自入口匝道以 及上下游的检测器，输出是入口匝道调节率。这些研究表明，匝道控制中许多概 念都具有模糊性，如交通状况、延误长短、排队长短、流量大小、车流稳定性、 网络均衡等，模糊设定运算具有潜在的优势。 近几年来，在多匝道协调控制方面也展开了深入研究，z h a n g 提出了基于神经 网络的非线性状态反馈的多匝道协调控制优化控制方法【lo 】采用b p 神经网络实现 了多匝道控制中的状态反馈策略，利用神经网络的学习能力，动态调整网络参数。 仿真结果表明该算法比常用的线性二型反馈算法有了一些改善，但是该算法简化 认为交通流服从l w r 模型，没有考虑交通流的时变特性和入口排队的影响，并且 神经网络的学习时间较长，难以满足实时控制的需要。m a r k o s 提出高速公路多匝 道的非线性优化控制算法【1 1 1 ，采用了时间和空间离散化的高速公路宏观交通流模 型，并考虑了入口排队长度的约束，采用最优控制中的经典算法进行求解。仿真 结果表明该方法比不加控制比较优越，有效遏制了交通拥挤和入口匝道回溢的发 生。 1 3 主要研究内容 本文研究如何实现高速公路多匝道协调控制，从交通流短时预测、匝道交通 流模型、入口匝道控制等方面考虑，提出高速公路多匝道控制系统的协调控制算 法，用来解决高速公路交通拥挤的问题。围绕高速公路匝道控制分析展开，确定 本文的主要研究内容如下： ( 1 ) 高速公路匝道交通流特性 从高速公路主线交通流的宏观、动态特性出发，给出国内外交通流理论中常 用的宏观、动态、确定性交通流模型，给予短时交通流预测交通模型基础。通过 对高速公路匝道上交通状况及影响匝道交通流的特性影响因素分析，在此基础上 选择使用一种反映高速公路匝道交通流特性的模型。 ( 2 ) 高速公路匝道控制方法及算法的选取和介绍 在对已有的实施有效的高速公路控制算法的对比和高速公路控制的特点分 析，智能控制方法是高速公路控制的趋势且模糊控制和神经网络控制在多匝道控 制上效果很好。并对模糊控制、神经网络和模糊神经网络基础理论进行介绍，由 于高速公路交通系统的非线性和时变性的特点，以及交通系统是人参与的系统， 而模糊控制采用模糊推理规则，模仿人在不确定环境下的决策行为，它不需要建 立系统精确的数学模型，特别适宜复杂系统，但从经验中自动产生规则，修改其 控制决策的自学习能力较为薄弱。神经网络对信息的处理具有组织、自学习的特 点，可以直接从经验中获取知识，具有较强的自学习能力，其容错性也强。两者 的优缺点具有明显的互补性，将神经网络和模糊控制相结合，形成模糊神经网络 控制，可以克服各自的缺点，运用于高速公路多匝道系统控制。 ( 3 ) 多匝道协调控制算法 利用神经网络和模糊神经网络来进行高速公路多匝道协调控制，其思想是： 把高速公路协调控制看成一个大系统问题，子系统为高速公路单匝道，利用大系 统递阶控制理论建立高速多层控制结构，并给出具体算法。利用协调控制机制使 高速公路维持在一个理想主线交通流密度的同时，保持入口排队长度尽可能短。 利用m a t l a b 仿真软件对多匝道控制算法进行仿真研究，得出控制效果。 1 4 研究的技术路线 本文用多阶层结构把模糊理论和神经网络相结合起来进行高速公路多匝道的 实时系统控制进行研究。其基本思路是： 式进行分析，建立匝道交通流模型结构， 通过对高速公路匝道交通流及其运行模 运用模糊神经网络的基本理论建立高速 公路单匝道控制结构，并用神经网络在控制目标的情况下进行协调，得到期望的 交通状态反馈给匝道控制器，最后对算法进行仿真和结果分析。以下为本文的研 究思路图1 1 ，研究实例的控制算法构造图1 2 。 4 厂 控制模j 型的对 厂 ! 匝道交通流l 提供交通流数据 稚 寤 褂 甚 藩 弹 描 图1 - 1 研究思路图 f i g 1 - 1r e s e a r c ha p p r o a c hi nt h ep a p e 和交通密度 图1 - 2 研究实例构造图 f i g 1 - 2c a s es t u , t yc h a r t 5 2 高速公路短时交通流预测理论方法综述分析 2 1 高速公路宏观交通流模型 宏观交通模型叫流体力学模型，也称交通流连续介质模型，它通过对单项运 动的交通流在某时刻t 在某一位置x 的有关变量来把握交通的特性和本质，主要描 述车流的运动规律，即反映一些集总变量如流量q ( x ，f ) ( f 时刻点石点处单位时间通 过的车辆数) 、速度u ( x ，t ) ( t 时刻点工点处的车流速度) 、密度p ( x ，f ) ( f 时刻点x 点处 单位长度所拥有的车辆数) 的变化过程。宏观交通流模型又可分为稳态模型和动态 模型。当宏观交通流变量q ( x ，f ) 、u ( x ，f ) 、p ( x ，f ) 与时间无关而仅仅与地点有关时， 将此时的交通流标为宏观稳态交通流，用来描述宏观稳态交通流的模型称为稳态 模型。稳态模型的交通流不随时间变化，模型只考虑交通流的正常运行，不考虑 偶发事件等干扰因素。动态模型描述交通流随空间和时间的变化规律，此时q ( x ，f ) 、 u ( x ，f ) 、p ( x ，f ) 均是随时间和空间变化的，因而宏观动态交通流模型能够比较实时 地描述交通流的真实行为。动态模型这些特点决定其主要应用于交通流的动态最 优控制尤其是在交通拥挤控制方面效果明显。在本文中的控制模型中计算交通参 数时选择宏观动态模型。 2 1 1高速公路宏观静态交通模型 静态模型主要有三种：递推模型、起始一到达模型、起始一终点模型【1 2 】。 ( 1 ) 递推模型 通常将g 随道路坐标x 连续变化的规律连续化，即把一条道路按照其实际几何 情形和交通状况划分为若干段，使得在每一段内交通状态可近似成均一的，每一 段内车道数不变，至多有一个入口和出口，如图2 - 1 所示。显然，补、s 。的关系 为： q i = g - 1 + ，：一曲 f = 1 ，2 ，3 ，n( 2 1 ) 零酊零, 叼一* x 图2 - 1 高速公路分段交通状况 f i g 2 - 1t r a f f i cs t a t u so fs e g m e n t a t i o no fe x p r e s s w a y 故只要知道始端主线流量及各入口、出口匝道的流量就可以根据式( 2 - 1 ) 计算 6 出各路段的流量q ，( i 一1 ，2 ，3 ，4 ，n ) ，故称式( 2 1 ) 为递推模型。 ( 2 ) 起始一达到模型 设从路段i 的入口进入的车辆( 流量r ) 中有到达路段j ，则 上 q i = r i a j = 1 ，2 ，3 ，n( 2 2 ) j ；1 ( 0 呸，n o t i ，m ，n - 2 q ，i + 1 1 ) 引入n n 阶起始一到达矩阵 a = lq 2 口2 i2 a i na n 2 记g = 【g i ，g ：，q 】，= 【吒，乞， ，分别称其为流量向量，入口流量向量， 贝j j ( 2 3 ) 写成矩阵形式为 q = r d( 2 - 3 ) 在估计出矩阵a 的条件下，由各入口流量，；，可算出各段流量吼，称式( 2 3 ) 为起始一到达模型。 ( 3 ) 起始一终点模型 设，：中有经其下游第路段的出口匝道驶出，则 = ，；岛； 歹= 1 ，2 ，n( 2 4 ) i = l 羔= 1 ； j = 1 ，2 ，n j = l 写成矩阵形式为： s = r b ( 2 - 5 ) 称式( 2 4 ) 为起始一终点模型。由于达到路段_ ，的车辆总要从下游路口驶出，故 应有 吩= b i k ； i _ 1 ，2 ，n ( 2 6 ) k = j + l 从而根据实测的g 、，、s 由式( 2 2 ) - - - ( 2 6 ) 可以估算出矩阵a ，比起始一到达 模型要准确。稳态模型为常系数模型，用该模型进行控制，可望预防常发性拥挤， 但不能适应偶发性拥挤。 2 1 2高速公路动态交通模型 高速公路的状态空间交通模型，描述高速公路各路段交通流状态变量随时间 7 删 ； 一 ； 一 而变化的规律。 一个包括n 个路段的高速公路动态模型是以肛( 七) 、( 尼) 、k = 1 ，2 ，n 状态 变量2 n 维差分方程，速度、流量和密度之问的关系可以用一组非线性模型来描述 【1 3 】，交通三参数之间模型如下： 动态密度模型： ，；( 后+ 1 ) = ，；( 尼) + i 1 【吼一。( 七) 一q i ( k ) + ，；( 尼) 一( 七) 】 ( 2 - 7 ) i = 1 ，2 ，；k = 0 ，1 ，2 ， 动态流量模型： q g ( k ) = 口磅( 七) ( 后) + ( 1 一口) 只+ 。( 忌) v i + 。( 忌) 一，：+ 。( 尼) 】一最( 七)( 2 8 ) 动态速度模型： ，f ( 后+ 1 ) = y j ( 尼) + 二- ，( p f ( j j ) ) 一，( 七) 】+ 篆“纠。飞卜署锴 q 矽 v ( p ) = y ， 1 一( 上) 7 ( 2 1 0 ) p j 以上是高速公路交通流确定性模型，理想状况下，只能给出各状态的初值以 及匝道驶入、驶出流量序列就可以计算出每一时刻的密度肛( 后) 、速度哆( 尼) 以及流 量q ，( 后) 。 主线交通量、密度和速度的预报在实时交通控制系统中是非常关键的一个步 骤，是控制模型中交通数据的重要来源。上述高速公路动态交通模型主要应用于 采用短时交通流预测预测交通流数据，以此为基础采取匝道控制后的路段交通状 态计算。 2 2 短时交通流预测方法选取 2 2 1短时交通流预测提出 高速公路控制系统在进行多匝道协调控制时，需要在做出控制变量决策的时 刻t 对下一个决策时刻t + l 的交通流做出短时实时预测。交通流预测结果的好坏直 接关系到交通控制效果。实时准确的对交通流进行短时预测是控制系统的基础， 对于解决高速公路实时控制具有重要意义。 针对高速公路进行实时控制时需要使用预报的交通流数据和多匝道控制信息 协调处理时会产生时间延误，为满足实时需求，这样在本文的高速公路协调控制 系统中就需要短时交通流预测来进行预测，这样可以用来制定和实施交通管理和 控制计划，对交通流进行调节，以减缓这一期间可能出现的交通拥挤和危险隐患。 交通拥挤是目前高速公路及其一些交通要道面临的紧迫问题。交通拥挤是交 通供需之间存在矛盾的体现，即交通供给无法满足交通需求。因此针对这一矛盾 的解决方法，可以归纳为：依靠各种设施和手段来提供更多的供给；通过动态交 通管l 里( d y n a m i et r a f f i cm a n a g e m e n t ) ，即通过各种实时、动态的交通管理策略来提 高交通供给和交通需求之间的配对，从而提高高速公路交通供给的使用效率和服 务水平。 动态交通管理主要是针对当前状态以及近期可能出现的路网交通流状况，即 供需之间的不搭配，而给出对交通流调节措施。这些措施首先要针对路网当前的 交通状况，使一种被动应付这些交通状况而采取的策略：另外还有一类动态交通 管理措施，称之为主动性控制和诱导策略，即对下一阶段可能出现的交通供需不 平衡矛盾预先制动采取一定措施予以缓和。精确的交通预测模型对于交通控制很 重要，采取先有实时的交通数据来连续预测未来几分钟时段内的交通流量和密度 等交通流数据，是提供动态交通控制和诱导的一个先决条件【l 4 1 。 在本文中的多匝道控制模型中，短时交通流预测是匝道控制的重要基础。实 时的交通控制是在当前数据的基础上预测下个周期的交通状况，并在控制目标下 得出控制策略进行控制优化。而且交通流数据的采集和处理是匝道控制的基础， 考虑在数据传输给监控中心处理以及从监控中心反馈给匝道控制器之间存在一定 的时间延误，这时就需要进行交通流短时交通流预测弥补这段时间差。 2 2 2短时交通流预测方法及比较 对短时交通流的预测可以反映为对交通量三大参数的预测，即交通流量、速 度和密度预测。短时交通流预测一直是一个比较活跃的研究课题。到目前为止， 已经有一系列的技术方法和手段被开发应用于短时交通流预测，这些方法可以归 为两大类：数学或统计预测算法与人工智能或神经网络预测模型。这些模型在交 通流参数的短时预测均有应用。 ( 1 ) 短时交通流预测基本原理 设路网中第i 条路段上某个观测点在时段t 一址至t 内的累计流量为q i ( f ) ，a t 为 预测周期，一般a t 1 5 r a i n ；q i ( t - k a t ) 、q i o + 庀址) ( 后面以g ，+ 如- k a t ) 、g f + ，( t + k a t ) ) 表示其前、后k 各时段内的流量：h i ( f ) 为同地点同时段的历史统计数据；与第f 个 路段相邻接的m 个上、下游路段，其标号为，_ ，= 1 , 2 ，3 ，m 。短时交通流 预测就是根据已知第f 路段及f + 路段在过去k 个时刻的流量g o 一后) 及相关的 9 统计数据曩+ ，o + 尼) ( k = o ，2 ，3 ，：j = o ，l ，2 ，m ) ；求出第i 路段未 来k 个时间段内流量q + 后) ( k = 1 ，2 ，3 ，n ) 的估计值，并把这些g 如+ 七) 预测 值称为预测因子。 预测因子主要包括时间和空间两方面的数据。时间方面的数据是指f 路段过去 若干时间间隔的流量及历史平均值；空间方面的数据是指与f 路段相邻的上下游路 段当前及过去各时段的流量。这些数据由交通车辆检测器获得，经计算、处理并 存储在相应的数据库中。 在短时交通量预测中，预测周期不超过1 5 m i n ，并且随着预测周期血的减少， 实时性逐步提高，交通流表现越来越强的不确定性，这就给短时交通流预测带来 困难。 ( 2 ) 短时交通流方法 迄今已有多种数学算法被开发，并应用于短期交通流的预测，这些算法从原理 上分为两大类：统计方法和时间序列分析方法。两类方法都尝试把交通流参数看 作一个时间变量，从而找到这一时间序列中隐含的统计规律和关系。一些常用的 数学算法包括简单的移动平均、线性回归、求和自回归滑动平均模型、指数平滑 模型、卡尔曼滤波理论及非参数回归模型等。 求和自回归滑动平均模型 求和自回归滑动平均模型是由b o xa n dj e n k i n s 于1 9 9 7 年提出的一种时间序列 模型【1 5 】。模型的基本思想是：对于任何一个从等时间间隔取出的平稳时间序列正， 假设其均值为t ，都可以用下线性模型表示： m p ( 聊一丑) 4 ( 五一) = 。( b ) a t r 2 1 1 ) 甄= 置d ( 2 1 2 ) p ( b ) = l q b 一口p b ， ( 2 1 3 ) o g ( b ) = l + 属曰+ + g s 9 4 ) 式中，曰为后移位算子：p 、d 、q 为非负整数参数；。( b ) 为p 阶自回归算 子：a ，( = 1 ，2 ，p ) 为参数；o 。( 曰) 为譬阶移动平均算子；岛( j = 1 ，2 ，g ) 为参数；a t 为服从独立正态分布( 0 ，仃2 ) 的白噪声序列。 式( 2 1 1 ) 表达的模型通常被称为a r i m a ( p 、d 、q ) 模型，其中( p 、d 、q ) 代表模型的阶数，而不同的p 、d 、q 组和可以使模型不断优化，从而找到最适合 给定时间序列的模型。a r i m a 模型在1 9 8 4 年就被o k u t a n i 和st e p h a n e d e s 应用到 u t c s 中；1 9 9 3 年又被k i m 和h o b e i k a 应用到高速公路交通流量预测中。 指数平滑模型 指数平滑模型主要是要在预测过程中不断考虑最新观测值对预测的纠正，从 1 0 而综合前序预测的误差加入到下一次的预测中，经反复迭代，最终形成的预测结 果是一个对所有前面观测值线性组合。其权重是不断衰减的指数权值，而且相对 来说观测值越近，其在预测偏差的纠正上所占的权重值越大，这也正是指数平滑 的得名由来。目前主要有两种做法：单次指数平滑和二次指数平滑。指数平滑模 型采取递归式计算，对数据的存储要求较低，只要存储前一个估计值和过滤参数： 计算比较简单，不需要训练，因此早期应用较多。 卡尔曼滤波理论 卡尔曼滤波【l6 】包含一组方程，使得一旦得到新的观测值后，预测模型可以更 新。预测过程分为两步：根据现有数据形成对下一个观测值的最佳预测模型；然 后再将最新的观测值用更新方程加入预测向量中。 神经网络预测模型 由于神经网络在描述非线性系统方面有杰出表现，自2 0 世纪9 0 年代以来在 交通工程领域被逐渐应用，其中一个重要方面是短时交通流量的预测【1 7 】。神经网 络模型也被证实使用于描述交通流系统的非线性特征。1 9 9 3 年和1 9 9 4 年， d o u g h e r t y 和c l a r k 分别将之用于短时交通预测。 ( 3 ) 各种预测方法的比较 1 、部分数学统计模型，如求和自回归滑动平均模型、指数平滑模型、历史平 均模型等。主要依靠单一观测点的历史数据进行交通流预测，而没有考虑相邻观 测点流量之问存在的特征关系，因此不管这些模型对交通数据多么贴近，都只是 数学表达式上的逼近，而并没有代表真实意义上的交通流特征。 2 、卡尔曼滤波方法以及非参数回归模型除了考虑研究路段上的交通流之外， 同时也考虑来自上游路段交通流的因素。其中卡尔曼滤波具有独特的优点：由于 卡尔曼滤波采用较灵活的递推状态空间模型具有广泛的适应性，既能处理平稳数 据，也能处理非平稳数据；只要对状态变量作不同的假设，就可使其描述及处理 不同类型的问题；模型具有线性、无偏、最小均方差性；模型便于在计算机上实 现，且大大减少了计算机的存储量和计算时间，适应在线分析；预测精度较高。 3 、神经网络模型在描述非线性系统方面有杰出表现已经被大家认可，但是它 们都倾向于采用“黑箱 型的学习模式。在学习完成后获得的输入一输出间的关 系无法用容易被人接受的方式表示出来，而且在学习阶段需要复杂的训练程序， 即需要大量的样本数据。也由于收敛速度慢，一般需要较长的训练时间，模型的 全局收敛也无法保证，训练后的模型只使用与本段的流量预测，并不适用于其他 路段，故推广能力差。 综上所述，卡尔曼滤波在短时交通流预测方面有着优异的表现，本文选取卡 尔曼滤波理论对高速公路交通流进行短时段预测，并在此基础上建立相应预测模 型。 2 3 卡尔曼滤波短时交通流预测 2 3 1卡尔曼滤波理论 最优滤波问题是如何从被噪声污染的观测信号中过滤噪声，求解未知真实信 号或者系统状态的最优估计。通常是在最小方差意义下的最优估计，也叫最优滤 波器。这类问题广泛应用于通讯、信号处理和控制领域。 2 0 世纪6 0 年代初，随着空间技术和电子技术的发展及高速电子计算机的出现， 要求处理复杂的多变量系统、时变系统及非平稳随机过程，要求实时、快速计算 最优滤波器，在这种应用背景下，r e k a l m a n 突破了经典w i e n e r 滤波方法的局限 性，提出了时域上的卡尔曼滤波方法。 卡尔曼滤波是从与被提取信号有关的观测信号中通过估计出所需信号的一种 滤波方法。它将状态空间的概念引入到随机估计理论中，把信号过程视为有噪声 作用下的一个线性系统的输出，用状态方程来描述这种输入一输出关系，估计过 程中利用系统状态方程、观测方程和白噪声激励的统计特性来实现滤波算法。由 于所用信息都是时域内的量，所以不但可以对平稳的一维过程进行估计，也可以 对多维的、非平稳的随机系统进行估计。 实际上、卡尔曼滤波是一套计算机实现的实时递推方法，它所处理的对象是 随机信号，利用系统噪声的统计特性，以系统的观测量作为滤波器的输入，以所 要估计值作为滤波器的输出，滤波器的输入和输出之间是由时间更新和观测更新 算法联系在一起的根据系统方程和观测方程估计所需要处理的信号。 综上所述，卡尔曼滤波是一种先进的控制方法，是一种基于线性回归的预测 方法。它采用由状态方程和观测方程组成的线性随机系统的状态空间模型来描述 滤波器，并利用状态方程的递推性，按线性无偏最小均方误差估计准则，采用一 套递推算法对过滤器的状态变量作最佳估计，从而求得滤掉噪声的有用信号的最 佳估计。 ( 1 ) 线性离散随机系统卡尔曼滤波问题的提法 设线性离散系统为 i x ( k + 1 ) = ( p ( 后+ 1 ，k ) x ( k ) + c ( k + 1 ，七) u ( 七) + 1 1 ( 后+ 1 ，k ) w ( k )，。 k 称为预测( 或外推) 问题； ( b ) j = k 称为滤波问题； ( c ) j 0 ； 饱一0 e o n e t k 一= = 一 鸭c 3 n e t ko w k ：一o e 旦l o n e t k o o ko n e t ka w 瞻 为： = 一( d k o k ) d ，( 1 0 ，) 对于隐含层节点权系数：有下式成立： a eo e o n e t ，v 1 吨5 1 瓦一刁面4 i 叫嚣c n e t 中叶c 考0 0 。盖v n e th 5 一刁= _ 而2 一矽【_ 。= j 西 ，j ：1 7 ( - 罢) 厂( n e n e t j ) 五= 二一) k ) x t u u j 若考虑输出只有一个单元，所有的激励函数使用s i g m o i d 函数， ( 3 2 4 ) ( 3 2 5 ) 上式可化简 ：77(一兰丝)厂(netj)而o 。 n e t 0 j 。 吲一瓦o f , 军咖p 。) = r l o j ( i - o j ) ( 畋- o t ) o ( i - 0 女) 咏 k l 3 2 6 ) 为了简便，定义局部梯度万，上述总的计算过程可以写成如下形式： 对输出单元： 瓯= ( 畋一o k ) o k ( 1 一o k ) ( 3 2 7 ) 对于隐层单元： 口1 ( 1 - - o j ) 莓瓯训一q ) k ( 以1 ) 。t ( 1 - - o k ) ( 3 _ 2 8 ) 因此权值按照下式进行修正： 输出单元的权值： w 颤( ”+ 1 ) = w o ( n ) + r l d k ( n ) o 隐层单元的权值： w j i ( n + 1 ) = w j i ( n ) + r l d j ( n ) x f 3 3 3模糊神经网络的结构及学习算法 ( 3 - 2 9 ) ( 3 - 3 0 ) 神经网络和模糊控制相结合，构成模糊神经网络系统。神经网络与模糊控制 均属于无模型的估计器和非线性动力学系统，但两者之间的特性却存在很大差异。 模糊系统中知识抽取和