【正文】 車輛保有量低，大部分公路上行駛的車輛相互干擾較少，能夠相對自由的前行。由于發(fā)達(dá)國家汽車產(chǎn)業(yè)的發(fā)展和道路建設(shè)，道路交通狀態(tài)的規(guī)律需要摸索并進(jìn)行科學(xué)管理，道路交通所產(chǎn)生的交通流量需要有人去研究。因此此階段主要是利用概率與數(shù)理統(tǒng)計(jì)的方法建立的模型描述交通流量和速度之間的關(guān)系，研究各類型路口交通狀態(tài)。2．20世紀(jì)50~60年代，動力學(xué)仿真與車輛跟馳模型這一時(shí)期發(fā)達(dá)國家的道路和汽車保有量快速增長，道路線程急劇增加，交通規(guī)劃和控制得到越來越多的關(guān)注。因此，要發(fā)展交通流理論來保障規(guī)劃和控制得更好、更科學(xué)。車輛數(shù)目的明顯增長，車輛之間相互影響嚴(yán)重，自由流的情況較少出現(xiàn)，大多數(shù)的車輛都是處于跟隨行駛的狀態(tài)中。因此此階段的研究開始運(yùn)用動力學(xué)方法研究車輛隊(duì)列在無法超車的單一車道上的行駛時(shí)后車跟隨前車的行駛狀態(tài)，并用動力學(xué)模型表達(dá)及進(jìn)行數(shù)學(xué)分析。3．20世紀(jì)60年代后，交通波理論由于汽車普及到廣大老百姓家中，該階段交通問題在世界各國大中城市中尤顯嚴(yán)重，大大地制約的城市的發(fā)展，因此，需要發(fā)展交通波理論來解決城市交通問題。此階段城市車輛已經(jīng)迅速猛增，交通狀態(tài)已經(jīng)嚴(yán)重影響人們的出行時(shí)間，很多時(shí)候交通都是處于擁擠狀態(tài)。因此這階段應(yīng)用流體力學(xué)的基礎(chǔ)原理，模擬流體的連續(xù)性方程，建立車流的聯(lián)系方程，用水波而抽象的車流波來比喻車流密度的稀疏變化，通過對車流波的傳播速度的認(rèn)真分析，尋找車流流量，車速與密度之間的關(guān)系。 交通數(shù)據(jù)的采集及說明 交通數(shù)據(jù)是交通狀態(tài)和交通流誘導(dǎo)的基礎(chǔ)，目前主要是利用環(huán)形線圈檢測工具進(jìn)行交通數(shù)據(jù)的采集?？傻玫降慕煌〝?shù)據(jù)有：車速、車流量和道路占有率。1．車流量Q： (21)其中：Q、T、N分別指車流量（輛/h），時(shí)間間隙（h），在T內(nèi)通過檢測工具的車輛數(shù)（輛）。2．車速：地點(diǎn)車速V和區(qū)間平均車速。 (22)其中：（1）檢測工具對單一車輛閉環(huán)時(shí)間（h）用表示；（2）有效檢測工具長度跟車的均長之和（km）用表示。另一個(gè)V的公式為： (23)區(qū)間平均車速： (24)其中：、l、n、分別指為區(qū)間平均車速（m/s），道路長度（m），第i輛車的行駛時(shí)間（s），車輛行駛于路段長度l的次數(shù)，第i輛車的行駛速度（m/s）。3．道路占有率： (25)其中：、N、T、分別指道路占有率，在時(shí)間間隙T內(nèi)測得的通過檢測工具的車輛數(shù)（輛），時(shí)間間隙（h），對應(yīng)車輛引起的檢測工具閉環(huán)時(shí)間（h） 交通流參數(shù)間的對應(yīng)關(guān)系 密度和速度的關(guān)系速度和密度模型有不少，用得最多的是線性模型)，即： （26）根據(jù)上式有：（1）當(dāng)密度k趨向于0時(shí)，速度v接近自由流車速，則；（2）當(dāng)密度大到車輛沒法行駛時(shí)，其對應(yīng)的密度稱阻塞密度，當(dāng)時(shí)，得 ，將a和b代入上式，得速度—密度關(guān)系式： （27） 密度和流量的關(guān)系由式27和得，得流量—密度模型： （28）即q和k成二次函數(shù)關(guān)系，因此最大流量對應(yīng)最佳密度（臨界密度），即： 令得，即 ，代入式（28） 得： （29） 由式得并代入到中，得流量—車速模型： （210）由此可知，自由車速的為臨界車速，即。當(dāng)時(shí)， ，交通流狀態(tài)為擁擠；當(dāng) 時(shí)，交通流狀態(tài)是自由流。 本章小結(jié)本章簡單介紹了交通流的概念及其基本模型，并分析研究了交通流參數(shù)之間相互的關(guān)系。第三章 神經(jīng)網(wǎng)絡(luò)理論 神經(jīng)網(wǎng)絡(luò)的概述人工神經(jīng)網(wǎng)絡(luò)（ANN）是智能控制領(lǐng)域研究歷史上相對比較長但發(fā)展歷經(jīng)曲折的交叉學(xué)科。其網(wǎng)絡(luò)是由大量處理單元(神經(jīng)元 Neurons)廣泛互連而成的，是對人腦的抽象、簡化和模擬，反映人腦的基本特征，用它可以模擬人的大腦的許多基本功能和簡單的思維方式，此外，它還有學(xué)習(xí)功能，通過學(xué)習(xí)來獲取外部的知識并將其存儲在網(wǎng)絡(luò)內(nèi)，盡管無法與人腦的完美無缺相媲美，但它可以解決計(jì)算機(jī)不易處理的難題，特別是組合優(yōu)化計(jì)算，智能控制，語音和圖像的理解、識別和知識的處理等一系列本質(zhì)上為非計(jì)算的問題。此外，它是一種多輸入，單輸出的非線性元件。從連接方式上看可分成相互結(jié)合型和前向型神經(jīng)網(wǎng)絡(luò)兩類。其中，由輸入層、中間層和輸出層組成的為前向神經(jīng)網(wǎng)絡(luò)。中間層中各層的神經(jīng)元只接收前一層神經(jīng)元的輸出。而相互結(jié)合型網(wǎng)絡(luò)中任意兩個(gè)神經(jīng)元間都有可能連接，所以輸入信號需在神經(jīng)元間傳來傳去，開始于某一初態(tài)，變化多次，慢慢達(dá)到某一穩(wěn)態(tài)或者周期振蕩等狀態(tài)。基于人工神經(jīng)網(wǎng)絡(luò)的控制，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，容錯(cuò)能力，魯棒性和非線性映射能力都極強(qiáng)，倘若將其這些特性很好地應(yīng)用到控制領(lǐng)域，那么控制系統(tǒng)智能化必然會得到很大的發(fā)展。系統(tǒng)能適應(yīng)不確定性、時(shí)變的對象與環(huán)境等功能在人們心目中越來越重要。此外，控制系統(tǒng)自身復(fù)雜性的增強(qiáng)，使得基于精確模型的傳統(tǒng)控制難以于之相媲美。因此，具有這些優(yōu)點(diǎn)的神經(jīng)網(wǎng)絡(luò)讓人們不得不重視它。 人工神經(jīng)元模型 神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)描述生物神經(jīng)元的簡單化和模擬構(gòu)成了人工神經(jīng)元，它是人工神經(jīng)網(wǎng)絡(luò)處理基本信息的單元，是人工神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的基礎(chǔ)。圖31表示神經(jīng)元結(jié)構(gòu)，它是一個(gè)多輸入單輸出的非線性元件，其輸入輸出關(guān)系可描為 (31) (32)其中，從其他細(xì)胞傳來的輸入信號用(=1,2,…..,n)表示，閾值用表示，自神經(jīng)元到神經(jīng)元的連接權(quán)值用表示，為作用函數(shù)。圖31 人工神經(jīng)元模型圖由以上分析可得出，人工神經(jīng)元反映了生物神經(jīng)元的基本功能。作用函數(shù)又叫做變換函數(shù)，神經(jīng)元的輸出由它決定。作用函數(shù)通常為階躍函數(shù)或S狀曲線那樣的非線性函數(shù)，但有時(shí)候也可以為線性函數(shù)。 神經(jīng)元狀態(tài)轉(zhuǎn)移函數(shù)類型在神經(jīng)元沒有內(nèi)部狀態(tài)的時(shí)候，：1．階躍函數(shù)　(1)自變量0時(shí)，輸出為0；(2)自變量時(shí)，輸出為1。 （33）2．分段線性函數(shù)　函數(shù)在(1,+1)內(nèi)的放大系數(shù)相同 （34）3．S型函數(shù)　實(shí)數(shù)域R到[0,1]的非連續(xù)函數(shù)，且其函數(shù)本身及其倒數(shù)都是連續(xù)的，其函數(shù)定義如下： （35） 函數(shù)定義如下： （36） 神經(jīng)網(wǎng)絡(luò)模型目前已存在的神經(jīng)網(wǎng)模型雖然有數(shù)十種之多，但已有的神經(jīng)網(wǎng)絡(luò)大致可以分為三大類，即前向網(wǎng)絡(luò)(Freedforward NNs) 、反饋網(wǎng)絡(luò)(Feedback NNs) 、和自組織網(wǎng)絡(luò)(Selforganizing NNs)。 前向網(wǎng)絡(luò)前向型神經(jīng)網(wǎng)絡(luò)，在計(jì)算輸出值的過程中，輸入值從輸入層單元向前逐層傳播經(jīng)過中間層最后到達(dá)輸出層得到輸出。前向網(wǎng)絡(luò)第一層的單元與第二層所有單元相連，第二層又與其上一層單元相連，同一層中的各單元之間沒有連接。前向網(wǎng)絡(luò)中神經(jīng)元的激發(fā)函數(shù)，可采用線性硬閥值函數(shù)或單元上升的非線性函數(shù)等來表示。 根據(jù)連接方式不同，神經(jīng)網(wǎng)絡(luò)可分為兩大類：沒有反饋的前向網(wǎng)絡(luò)和相互結(jié)合型網(wǎng)絡(luò)。1．前向網(wǎng)絡(luò)：其組成為輸入、輸出層和中間層，中間層可有若干層，也可以沒有，任何一層的神經(jīng)元都只接收其前一層的輸出，如圖32所示。 輸入層 隱含層 輸出層圖32無反饋前向網(wǎng)絡(luò)2．相互結(jié)合型網(wǎng)絡(luò)：任意神經(jīng)元間都有可能連接，所以輸入信號需在神經(jīng)元間傳來傳去，開始于某一初態(tài)，變化多次，慢慢達(dá)到某一穩(wěn)態(tài)或者周期振蕩等狀態(tài)，如圖33所示。圖33相互結(jié)合型網(wǎng)絡(luò) 反饋網(wǎng)絡(luò)反饋網(wǎng)絡(luò)又稱動態(tài)神經(jīng)網(wǎng)絡(luò)或回歸網(wǎng)絡(luò)，與其他網(wǎng)絡(luò)所不同的是，反饋網(wǎng)絡(luò)的輸出不僅和當(dāng)前網(wǎng)絡(luò)的輸入有關(guān)，也和網(wǎng)絡(luò)以前的輸出、輸入有關(guān)。它的輸入包含有延遲的輸入或者輸出數(shù)據(jù)的反饋。反饋網(wǎng)絡(luò)以回饋的形式來看，有兩種：一種是輸入有延遲的實(shí)踐延遲回饋網(wǎng)絡(luò)，另一種是輸入有延遲，輸出有回饋的層回饋網(wǎng)絡(luò)。反饋網(wǎng)絡(luò)中，系統(tǒng)的初始狀態(tài)由輸入信號決定，隨后經(jīng)過一系列狀態(tài)轉(zhuǎn)移達(dá)到最后的平衡狀態(tài)即計(jì)算后的輸出結(jié)果。由此可見，穩(wěn)定性在反饋網(wǎng)絡(luò)中有舉足輕重的地位。倘若能找到網(wǎng)絡(luò)之Lyapunov數(shù)，則能保證網(wǎng)絡(luò)從任一初始狀態(tài)都可收斂至局部最小點(diǎn)。Elman神經(jīng)網(wǎng)絡(luò)是反饋網(wǎng)絡(luò)中最有代表性的例子。 自組織網(wǎng)絡(luò)自組織神經(jīng)網(wǎng)絡(luò)以無教師教學(xué)