英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
现实交通仿真中的分布式自适应交通信号控制
网上发表时间：2012.05.22
摘要：随着世界各地城市中心交通拥堵的加剧，城市交通信号的智能控制变得越来越重要。在智能交通信号控制领域的先前研究有一些缺点，包括对历史数据的依赖，无法处理城市规模的问题实例的集中系统的使用，以及无法解决现实世界交通情景的方案（例如不停变化的容量和复杂的网络结构）。这里介绍的研究提出了可用于交通信号控制的算法，它依赖于传感器检测交通流以及交通信号灯之间的通信。这一方案通过不断更新信号来适应当前交通需求，同时也能够解决大规模问题。为了评估所开发的系统，我们使用由加拿大渥太华城市提供的数据开发了一个现实交通模型。我们发现通过在SUMO交通仿真环境下进行仿真，相比于我们用渥太华城市数据重建的固定配时控制方法，我们所提出的自适应系统能够获得更高的整体网络性能。这一工作也用实例说明了为什么固定配时控制方次于自适应控制系统。
关键词：交通信号控制 交通建模
- 介绍
在世界各地城市中心，交通容量正随着人口增长，导致了慢速、堵塞交通流。实际上，Sugiyama等人证明，没有一定形式的控制，达到到一定点的交通容量增长会导致自发交通堵塞形成（没有瓶颈的存在、交通事故等）。解决这一问题的一个简便方法是通过扩展现存交通基础设施来增加整体能力（例如道路车道的增加）。然而，这种解决方案不断地消耗空间，而空间是城市环境中极为有限的资源。另一方面，智能交通系统研究旨在增加交通网络的效率，使车辆更快地通过系统。
智能交通研究的一个主要目标是对交通信号规划进行优化，而交通信号规划控制着网络中交叉路口的车辆流。提升交通信号的能力来有效服务交叉口的车辆可以减少车辆延迟，进而增加平均网络速度。虽然有大范围的先前的交通信号优化研究，这些工作都很明显地带有一些缺点。首先，很多优化方法离线操作，使用历史测得的数据决定网络中的最优信号配时。然而，这一方法是有问题的，因为历史数据并不能准确地反映当前交通状态，这是因为随着时间的推移，总体流量模式不会保持不变。Bell和Bretherton的文章中指出用历史数据开发的信号规划方法每年在性能上会有3%的衰退。先前智能信号控制研究的第二个缺点是使用中心控制结构。由于很多城市有几千个交叉口需要控制，许多集中系统不能对信号规划进行实时更新。集中方案也极度依赖于网络中的大量通信来传递信息并分配信号规划来控制设施。这些大型网络中的故障会导致性能显著下降，因为如果通信主线中断，可能无法连接到大量控制设备。最后，许多智能信号控制工程采用了不现实的评价方案，经常对1到4个道路结构简单的交叉口的网络性能进行研究。虽然研究这些小而简单的网络上的控制系统是一个令人满意的起点，但必须使用现实的场景来证明智能控制方法能够应用于现实。
这里介绍的工作对智能信号控制研究作出了一些重要的贡献。首先，它开发了一种用于创建真实交通场景的方法。这种方法还用于创建基于9times;7段渥太华市中心的一个交通仿真。这个模拟使用可用的交通量测量来计算基于预期车辆出入境率和转弯比的路线。这一工作也提出了拥有一些关键特征的控制系统，作者认为这些关键特征十分重要如果这一方案能被用于现实世界。首先文章提出了一种基于agent的方案，这些agent分布式运作而不带有集中控制器，这使得系统能够有效地扩展到非常大的网络。分布式方法也增加了系统的稳健性，因为一个agent的性能只受领近agent的影响（并不是集中控制agent）。如果出现某种故障(例如网络的某个区域停电)，受影响区域以外的agent将继续正常运行。系统内的agents依赖于最近观测到的交通数据来适应网络交叉口的信号规划。这确保了交通信号处理当前的交通状态(与历史测量的场景相反)。最终，控制agents只依赖于局部通信和观测，这再次增强了系统的稳健性和可扩展性。因为每个agent只与领近agents通信，一个通信线路的间断最多只能影响2个agents。对于更加复杂的通信网络，一个间断会导致几个agents不能工作。
本文剩余部分的结构如下：第二部分详细地介绍了先前的智能交通信号控制研究方法，明确了每种方法的优缺点。第三部分详细介绍了用于测试所提出的控制系统性能的现实交通模型创建。第四部分介绍了实际控制系统，以及用于监控交通状态和计算交通信号计划的算法。用于现实交通仿真的控制系统的性能评估在第五部分进行了说明，这一部分也包括自适应系统和固定配时控制策略的整体系统性能之间的比较。最后第六部分和第七部分总结了当前工作并明确了智能交通系统研究领域的未来研究方向。
- 文献综述
尝试优化交通信号控制的研究人员已经研究了广泛的方法。这一部分综述了一些在先前研究工作中被广泛用于创建智能交通信号控制器的方法，并着重说明了其优缺点。
2.1模糊逻辑
模糊逻辑信号控制器使用一组规则，基于若干输入确定交通信号的首选行为。虽然有研究表明这些方法能够有效用于小型网络的交通控制。静态规则库的使用意味着随着时间的推移，可能需要对系统进行进一步的更新(类似于使用固定信号计划时所需的更改)。此外，正如Niittymaki和Pursula所指出的，很难生成有效的规则库，特别是对于具有大量可能相位的复杂交叉点。
2.2决策支持系统
像De Schutter等人和Almejalli等人提出的决策支持系统旨在帮助人工操作器选择有效的交通控制测量来解决当前交通状况。虽然这些系统有利于提出有效的行为已被证实，但是它们依赖于历史交通数据的大型数据库以及专家知识，这些都很难咨询和维持。然后，与模糊逻辑一样，智能驻留在这些数据库中，这些数据库必须不断更新，以适应新的流量场景和控制操作。
2.3保留和基于市场的系统
旨在优化网络中通过交叉口的车辆流的两个其他研究领域是基于保留和基于市场的信号控制器。使用基于保留的方法，车辆通过与即将到达的交叉口通信来保留通过交叉口的特定时间和空间。这种系统的初始实验十分有前景，交叉口的平均车辆延误几乎不存在。然而，在深入的研究中，系统证实存在一些严重的安全缺陷，以及对于非常先进和精准的驾驶系统的依赖。基于市场的控制器是一个另外出现的研究领域，其中信号控制器根据网络中车辆持有的某种形式的货币来决定信号行为，这些货币被车辆用来投标和支付交叉路口的通行费用。
2.3群体智能
群体智能是一种应用于许多优化问题的人工智能领域，包括交通信号控制。de Oliveira和Bazzan(2006)利用任务分配的群体原理根据等待车辆发出的理论信息素刺激选择信号方案。Garcıacute;a-Nieto等人使用群体粒子优化方法寻找交通网络中的最优信号规划。然而，与进化计算一样，这种优化方法需要大量的仿真来确定所提出的信号计划的性能，并且可能需要随着交通条件的变化进行重新优化。
2.5进化计算
许多先前的工作已经被完成，它们使用进化计算来优化网络中的信号计划。这些方法的典型目标是将整个网络的信号计划表示为一组染色体(参见图1，其中每个交叉点有五个阶段)。进化算法被应用于群体中的每个个体，个体的适应性通过交通仿真来确定。然而这种方案需要极其强大的计算能力（因为每个仿真都必须要被运行）。随着网络规模的增大，模拟的成本也随之增加，群体/代系规模也是如此。对于足够大的网络，实时控制可能不会实现因为计算不能够在合适的时间内完成。
2.6强化学习
强化学习的简单应用尝试通过控制agent和交通环境之间的互动提出一种多变状态和行为对的激励模型。虽然对于静态交通分布这些方法是有效的，但当描述交通状态的参数随着时间而变化时，它们的性能就会减弱（就像他们在现实中的那样）。De Oliveira等人尝试通过环境监测来指派当前交通状态到一个已被观测到的状态来解决这一问题。每个交通状态被指派于单个学习系统，这些学习系统尝试优化每个特定状态的决策。在基于强化学习的控制器中，另一个明显的问题是，对于大型网络，状态/动作对的数量可能非常多。通过将单个agent指派到每个交叉口并允许agent引导其他agents（类似于agent协调）来决定小块区域的最优计划，Bazzan等人减少了状态的数量。
2.7神经网络
神经网络是另外一种已被用于开发交通信号控制器的学习工具。Spall和Chin)以及Wei和Zhang都成功地使用神经网络来训练交通信号控制器。然而这些控制器用于控制的网络使用静态容量并有一个十分简单的结构。与强化学习相比，当交通容量变化时，神经网络性能会降低，因为他们必须重新学习一个有效的控制方法。
2.8自组织系统
自组织系统本质上是分布式的，是一种特别适合应用于交通控制的方法。大型交通网络不仅使集中式系统不堪重负，而且它们在地理上也是分布式的。这可能会增加系统内故障的频率，因为控制远距离交叉信号可能需要很长的通信线路。另一方面，自组织系统依赖于本地agent交互来通信和做决策。Gershenson提出了在交通信号控制中自组织系统的初始应用之一，表明一种基于agent的方案能够有效控制交通信号。Cools等人做了进一步的研究，他们用自组织控制器测试布鲁塞尔12个交叉口地区的模型。Lammer and Helbing提出了另外一种自组织控制系统，它被证明可以有效地处理假设网格状网络中的几个流量场景。本文所介绍的工作深受自组织系统中所观察到的原理的影响。
- 交通模型
如第1节所述，为了证明智能交通控制系统的有效性，该系统应该在真实的交通场景中进行测试。由于这一原因，我们开发了基于渥太华城市中心交叉口的现实交通模型，用于SUMO微观交通仿真环境。考虑到像可移植性、活跃开发社区的存在以及图形用户界面的可用性等一系列原因，我们选择了开源SUMO仿真环境。并且，SUMO交通仿真已被其他智能系统研究员使用。这一节的剩余部分详述了在模型创建过程中的关键步骤，并在图2中展示了这些步骤。
建模地区由渥太华市区一个9times;7的区块组成，其中有超过50个信号交叉口需要控制。尽管这并不是一个十分庞大的网络，但它比先前的智能交通信号研究中使用的简单网络要大。这一地区包含从小交通流的小型单车道居民街到高流量多车道多相位的主街等一系列车道类型。
在选择要建模的区域之后，必须捕获该区域的路网并进行转换，以便在SUMO交通模拟器中使用。 用OpenStreetMap输出一个城市地区，以便能将这一地区直接输入到SUMO（SUMO中提供了输入OpenStreetMap网络的工具）中。虽然这一过程可以迅速建立一个网络，但它也包括必须删除的不必要的部分(例如远远超出所考虑的地区的道路)。另外，因为OpenStreetMap无法准确获取全部道路，一些道路需要被手动添加在网络中。
为了建立一个类似于可能的现实场景的交通需求模型，我们从渥太华市获得了每个交叉口的车辆数量数据。表1中包含有所提供数据的一个实例，显示了在一天中一定数量时区内每个驶近方向向左右直行驶的车辆数量。
可以看出，表1中的数据在上午10:00 - 11:30到下午1:30-3:00之间存在差距。为了填补数据差距，我们使用一种简单的线性插值过程来增加一些30分钟的时区来实现一个容量测算到下一个容量测算的平滑转换。在添加特定数量的分钟时区后，平滑转换由公式1实现，其中Last_Volume表示在最后已知区间的车容量，Delta_Volume是为了匹配上下一个已知容量的需求容量线性变化。
这里使用的SUMO路线生成器依赖于交通流，它决定在每个区段中增加或移除的车辆数，以及转向率，它决定车辆在道路出口按每一可能方向前进的百分比，从而决定仿真中使用的车辆路径。使用为每个交叉口提供的数据，并用公式2，很容易计算出任何道路i的出口的转向率。在一个特定的时间间隔内，从同一条道路上驶出的车辆总数减去驶入道路的车辆总数（如图4所示对4车道的处理），从而计算出路段的整体交通流。这些总体流量值用于解释在特定时间间隔内进出每条道路的车辆数量的差异，这可能存在几个原因（从路边停车库进入道路的车辆）。基于这些计算出来的信息，SUMO路径规划程序用于产生用于仿真的15个车辆路径集。路径程序通过使用特定的交通流决定车辆插入网络的时间和地点，以及使用每条路段终点的车辆的转向率从概率地决定车辆应该通过的道路。当一辆汽车的路线进入“sink”道路时，该路线终止。
- 控制系统
4.1假设和限制
假设在这个系统中满足了少量的需求。首先，假设每个控制agent有一些与领近交叉口通信的方式（以何种方式实现这一点被认为超出了这项工作的范围）。其次，假设能够测量通过车辆数的交通感应器被设置于网络中每条车道的起点和终点，从而实现车辆数的准确计算。虽然在现实世界中通常不是这样，但用于此目的的传感器确实存在，并且可以在现实应用中使用。在车对车以及车对基础设施的通信领域的深入研究工作可以提供一种产生流量测量的准确低成本高效的方法。当然，这些也超出了这里所介绍的研究范围。
4.2Agent信息和系统参数
为了实现分布式自适应交通信号，控制系统依赖于单个agent来控制网络中的每个交叉口。假设这些agent可以获取一些信息，如下：
网络边缘（NES）：包括控制交叉口的输入和输出边缘，以及这些边缘的特性（长度、速度限制和初始交叉口）。
转向车道（TLs）：每个交叉口的转向车道集，每个车道集都有它自己的相位。在这一工作中，使用渥太华城市提供的信号计划确定车道集，这些车道集在仿真过程中保持不变。
领近交叉口（N）：由一条边连接到当前交叉口的所有交叉口的集合。
群（G）：这一工作中，一个群被定义为一组兼容的流量。与转向车道一样，每个群由渥太华城市的信号
全文共9418字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[1826]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
