【正文】 交通流誘導(dǎo) 系統(tǒng)作為智能運(yùn)輸系統(tǒng)的 核心 部分 ， 如何將 城市交通控制系統(tǒng) （ Urban Traffic Control System， 簡(jiǎn)稱(chēng) UTCS）與 城市交通流誘導(dǎo)系統(tǒng) （ Urban Traffic Flow Guidance System， 簡(jiǎn)稱(chēng) UTFGS） 進(jìn)行 協(xié)同 ， 更是備受關(guān)注 ， 成為交通領(lǐng)域研究的重點(diǎn)之一 。 1）國(guó)內(nèi)外關(guān)于 UTCS與 UTFGS協(xié)同模式的研究 Bell 等 （ 1991年 ） 提出了 交通流最佳路徑誘導(dǎo) 和 交通控制協(xié)同 的 兩種 途徑：一是 低層次協(xié)同 ， 即兩系統(tǒng)的數(shù)據(jù)共享；二是 高層次協(xié)同 ， 即兩系統(tǒng)相互影響和相互作用 。 信號(hào)控制與動(dòng)態(tài)交通分配的具體結(jié)合關(guān)系如圖所示 。 Nathan DTA的結(jié)合關(guān)系 智能運(yùn)輸系統(tǒng)概論 國(guó)內(nèi)外交通控制與交通誘導(dǎo)協(xié)同理論的研究 1）國(guó)內(nèi)外關(guān)于 UTCS與 UTFGS協(xié)同模式的研究 我國(guó) 從 90年代開(kāi)始 ， 一些 高等院校 （ 吉林大學(xué) 、 天津大學(xué) 、同濟(jì)大學(xué) 、 河北工業(yè)大學(xué)等 ） 也做了大量相關(guān)研究 。 以其中 一種 管理方法 為主 ， 將另一種作為 外生變量 或 約束條件 ， 獨(dú)立運(yùn)行的兩系統(tǒng)是 非對(duì)稱(chēng)的 ， 存在著 主從關(guān)系 。 建立控制與誘導(dǎo) 一體化模型 ， 主要思想 是將 控制與誘導(dǎo) 方案作為系統(tǒng)的 控制分量 ， 綜合所有 狀態(tài)方程和約束 作為系統(tǒng)的狀態(tài)方程和約束 ， 以 路網(wǎng)的總體指標(biāo) 為最優(yōu)目標(biāo) ， 通過(guò) 各種優(yōu)化方法 進(jìn)行求解 ， 獲得 最優(yōu)策略 。 智能運(yùn)輸系統(tǒng)概論 國(guó)內(nèi)外交通控制與交通誘導(dǎo)協(xié)同理論的研究 2）國(guó)內(nèi)外關(guān)于 UTCS與 UTFGS協(xié)同模型與算法的研究 尋求 信號(hào)控制模式 以?xún)?yōu)化 系統(tǒng)性能 ， 如使總出行時(shí)間等達(dá)到最少 ， 此時(shí)的出行者路徑選擇行為作為約束 ， 由交通均衡模型描述 ， 其目的在于從整體上考慮出行者路徑調(diào)整的控制策略 。 協(xié)同學(xué)理論 為研究交通管理子系統(tǒng) 相互作用 與 合作 提供了有力的基礎(chǔ)理論和方法論思想 。 其正常工作依賴(lài)于其交通信息的準(zhǔn)確性和及時(shí)性 。 交通信息 短時(shí)預(yù)測(cè) 對(duì)交通 控制 和 公共交通 等系統(tǒng)功能的有效發(fā)揮也具有 決定性 影響 ， 是實(shí)現(xiàn)預(yù)測(cè)型決策的前提 。 本書(shū)基于上述項(xiàng)目的研究成果及 最優(yōu)交通動(dòng)態(tài)分配 理論思想 ， 采用 統(tǒng)計(jì)推斷 、 人工智能 、 卡爾曼濾波 、 交通流理論 和 隨機(jī)服務(wù)系統(tǒng) 理論等構(gòu)建的 短時(shí)交通信息預(yù)測(cè)模型體系如下圖所示 。 BP神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)模型的研究 由 數(shù)據(jù)處理器 和 BP網(wǎng) 組成 （ 如圖所示 ） 。 X 數(shù)據(jù)處理器 Y 基于 BP網(wǎng)交通流量預(yù)測(cè)模型的結(jié)構(gòu)圖 智能運(yùn)輸系統(tǒng)概論 短時(shí)交通信息預(yù)測(cè)理論模型體系 1）適合我國(guó)的交通流量動(dòng)態(tài)預(yù)測(cè)理論模型體系的建立 由 智能神經(jīng) 組成的網(wǎng)絡(luò)稱(chēng)為 高階神經(jīng)網(wǎng)絡(luò) ， 具備 兩種 智能處理能力：一種稱(chēng)為 外部智能處理能力 ， 以調(diào)整神經(jīng)元之間的 連接強(qiáng)度 為表現(xiàn)形式；另一種稱(chēng)為 內(nèi)部智能處理能力 ， 與神經(jīng)元之間的 連接無(wú)關(guān) ， 只體現(xiàn)在神經(jīng)元的 可調(diào)轉(zhuǎn)函數(shù)上 。每類(lèi)流量?jī)?nèi)又分 1?m 組，分別代表當(dāng) 前及前 m 個(gè)時(shí)段的流量信息。 課題組建立 交通流量預(yù)測(cè)模型 ，假設(shè)研究路段 未來(lái)時(shí)段 的交通流量是上游和下游路段上的前幾個(gè)時(shí)段流量的 線性函數(shù) ， 利用 兩周中同周次 的 兩天 交通流量的 差值 和 比值 兩種方法進(jìn)行 交通流量預(yù)測(cè) ；同時(shí)建立 基本模型 、 交通流量等參數(shù)預(yù)測(cè)模型 和 參數(shù)比例預(yù)測(cè)模型 。 智能控制理論簡(jiǎn)介 運(yùn) 籌 學(xué)人 工 智 能控 制信 號(hào) 處 理形 式 語(yǔ) 言啟 發(fā)規(guī) 劃調(diào) 度管 理管 理協(xié) 調(diào)記 憶學(xué) 習(xí)動(dòng) 力 學(xué)動(dòng) 態(tài) 反 饋優(yōu) 化動(dòng) 力 學(xué)動(dòng) 態(tài) 反 饋智 能控 制智能控制的多學(xué)科交叉 智能運(yùn)輸系統(tǒng)概論 1） 自適應(yīng) 、 自組織和自學(xué)習(xí)控制 是 傳統(tǒng)控制 向縱深發(fā)展的高級(jí)階段 ， 可看成為較初級(jí)的 智能控制系統(tǒng) 。其中 表示第 次運(yùn)動(dòng)的控制量 ， 是實(shí)際輸出 ， 是期望的輸出。 控制器 則是運(yùn)用 知識(shí) 進(jìn)行推理決策 、 產(chǎn)生控制作用的裝置 ， 一般由計(jì)算機(jī)來(lái)完成 。主要用來(lái)描述和研究 信息處理系統(tǒng) ， 具有以下持點(diǎn)： 并發(fā)性 、 異步性 、 分布性 和 不確定性 等 。 7） 大系統(tǒng)理論 智能控制系統(tǒng)中的 分層遞階 的 控制思想 是與 大系統(tǒng)理論 中的 分層遞階 和 分解協(xié)調(diào) 的思想一脈相承的 。 具有很好的 適應(yīng)能力 和 學(xué)習(xí)能力 ， 適合于用作 智能控制 的工具 。 9） 模糊集合論 介于 邏輯計(jì)算 與 數(shù)值計(jì)算 之間的 — 種數(shù)學(xué)工縣 。 在分層遞階控制 系統(tǒng)中 ， 也是通過(guò)使系統(tǒng)的 總熵最小 來(lái)實(shí)現(xiàn)系統(tǒng)的 優(yōu)化設(shè)計(jì) 。 這種優(yōu)化算法也將在智能控制中發(fā)揮重要的作用 。 總之 ， 智能控制系統(tǒng) 具有基于傳統(tǒng)理論的控制系統(tǒng)所不具備的 智 能 ， 包括：處理各種 不確定性 和 不精確性 的能力；根據(jù)環(huán)境因素及過(guò)程特性變化 實(shí)時(shí)地修正控制策略 的能力；對(duì) 控制后果 進(jìn)行 預(yù)測(cè) 的能力以及基于其上的控制行為的 多目標(biāo)優(yōu)化 。 智能控制 能根據(jù)具體的運(yùn)行環(huán)境 靈活 并且 實(shí)時(shí) 地調(diào)整其 控制策略 ， 從而在 各種條件 下均能達(dá)到良好的控制效果 。 在優(yōu)化理論中新近發(fā)展了一種 遺傳算法 （ Geic Algorithm， 簡(jiǎn)稱(chēng) GA） 它是一種 全局隨機(jī)尋優(yōu)算法 。 智能運(yùn)輸系統(tǒng)概論 智能控制理論簡(jiǎn)介 10） 優(yōu)化理論 在 學(xué)習(xí)控制系統(tǒng) 中常常通過(guò)對(duì) 系統(tǒng)性能評(píng)判 和 優(yōu)化來(lái)修改系統(tǒng)的結(jié)構(gòu)和參數(shù) 。 給定一個(gè)輸入 ， 可以得到一個(gè)輸出 ， 但它并不依賴(lài)于模型 ， 即并不需要知道輸出和輸人之間存在著怎樣的數(shù)學(xué)關(guān)系 。 因此可以將 大系統(tǒng)控制理論 的某些思想應(yīng)用到智能控制系統(tǒng) 的設(shè)計(jì)中 。 5） 人 —— 機(jī)系統(tǒng)理論 三個(gè)目的 ：一是研究 人 作為系統(tǒng)中的一個(gè)部件的 特性；二是在系統(tǒng)中如何 構(gòu)造仿人的特性 ；三是研究 人 —— 機(jī)各自特性有效地構(gòu)造出 人 —— 機(jī)結(jié)合 的智能控制系統(tǒng) 。 可見(jiàn) 信息熵 在分層遞階智能控制系統(tǒng)的分析和設(shè)計(jì)中起著十分重要的作用 。 這里的主要問(wèn)題是學(xué)習(xí)控制算法的收斂性問(wèn)題 。 自適應(yīng)控制 主要描述系統(tǒng)的行為 ， 自組織控制 主要描述系統(tǒng)的內(nèi)部結(jié)構(gòu) 。 傅京遜在 1971年的文章中稱(chēng)它是 人工智能 與 自動(dòng)控制 的交叉 。 Qa( k + 1) Qb( k+ 1) t Qb( k) 城市交通網(wǎng)絡(luò) H G N N ? 運(yùn)行時(shí)間預(yù)測(cè) ? 多步預(yù)測(cè) Qa( k) Qa(k 1) Qa(k m) Qb(k 1) Qb(k m) Qb Qa FQa(k 1) FQa( k+ 1) _ + ……… ……… 基于HGNN交通流量自適應(yīng)預(yù)測(cè)系統(tǒng)圖 智能運(yùn)輸系統(tǒng)概論 短時(shí)交通信息預(yù)測(cè)理論模型體系 Kalman于 1960年提出 ， 采用由 狀態(tài)方程 和 觀測(cè)方程 組成的線性隨機(jī)系統(tǒng) 的 狀態(tài)空間 模型來(lái)描述 濾波器 ， 利用 狀態(tài)方程的 遞推性 ， 接線性無(wú)偏最小均方誤差 估計(jì)準(zhǔn)則 ， 采用一套 遞推算法 對(duì)該濾波器的狀態(tài)變量作最佳估計(jì) ， 求得濾掉噪聲的有用信號(hào) 的最佳估計(jì) 。 由于每個(gè)路段 入口與出口 的交通流量都受整個(gè)網(wǎng)絡(luò) ， 特別是 相鄰路段 當(dāng)前的和前幾個(gè)時(shí)段的交通狀態(tài)的影響 ， 為了比較準(zhǔn)確反映路網(wǎng)的動(dòng)態(tài)特性 ， 本項(xiàng)目設(shè)計(jì)了如下的 基于 HGNN的交通流量自適應(yīng)預(yù)測(cè)模塊框架 。 輸入層 單元數(shù)由數(shù)據(jù)處理器構(gòu)造的樣本維數(shù)決定； 輸出層 有一個(gè)神經(jīng)元 ， 它的訓(xùn)練用輸出值由數(shù)據(jù)處理器提供； 隱層神經(jīng)元 個(gè)數(shù)由輸入和輸出神經(jīng)元個(gè)數(shù)決定 。 短時(shí)交通信息預(yù)測(cè)理論模型體系 智能運(yùn)輸系統(tǒng)概論 短時(shí)交通信息預(yù)測(cè)理論模型體系 短時(shí)交通信息預(yù)測(cè) 交通量預(yù)測(cè) 行程時(shí)間預(yù)測(cè) 卡爾曼濾波方法 神經(jīng)網(wǎng)絡(luò)方法 統(tǒng)計(jì)分析方法 卡爾曼濾波方法 神經(jīng)網(wǎng)絡(luò)方法 隨機(jī)服務(wù)系統(tǒng) 基本模型 等參數(shù)模型 高階神經(jīng)網(wǎng)絡(luò)方法 BP神經(jīng)網(wǎng)絡(luò)方法 車(chē)流泊松分布 車(chē)流一般分布 逐步回歸 基本模型 等參數(shù)模型 等參數(shù)比例模型 高階神經(jīng)網(wǎng)絡(luò)方法 BP神經(jīng)網(wǎng)絡(luò)方法 聚類(lèi)分析 主成分分析 等參數(shù)比例模型 短時(shí)交通信息預(yù)測(cè)理論模型體系 智能運(yùn)輸系統(tǒng)概論 短時(shí)交通信息預(yù)測(cè)理論模型體系 1）適合我國(guó)的交通流量動(dòng)態(tài)預(yù)測(cè)理論模型體系的建立 由于影響 交通流量 的因素具有高度的 時(shí)變性 和 非線性 的特點(diǎn) ， 很難給出比較 精確的解析表達(dá)式 并進(jìn)行相應(yīng)的標(biāo)定 。 實(shí)時(shí)動(dòng)態(tài)交通信息預(yù)測(cè)的意義 智能運(yùn)輸系統(tǒng)概論 實(shí)時(shí)動(dòng)態(tài)交通信息 （ 交通流量 和 行程時(shí)間 ） 預(yù)測(cè) 是實(shí)時(shí) 動(dòng)態(tài)交通分配理論 實(shí)現(xiàn)的前提 。 預(yù)測(cè)型 城市交通流誘導(dǎo)系統(tǒng)使用基于當(dāng)前交通信息的預(yù)測(cè)信息 ， 反應(yīng)型 城市交通流誘導(dǎo)系統(tǒng)使用當(dāng)前時(shí)刻點(diǎn)的交通信息 。 智能運(yùn)輸系統(tǒng)概論 第 3章 智能運(yùn)輸系統(tǒng)的理論基礎(chǔ) 動(dòng)態(tài)交通分配理論 智能協(xié)同理論 交通網(wǎng)絡(luò)實(shí)時(shí)動(dòng)態(tài)交通信息預(yù)測(cè)理論 智能控制理論 智能運(yùn)輸系統(tǒng)概論 隨著 GPS浮動(dòng)車(chē) 、 手機(jī)定位 等交通 檢測(cè)技術(shù) 的日趨成熟， 把什么形式的 動(dòng)態(tài)交通信息 提供給用戶(hù)才能達(dá)到避免擁擠 、 提高路網(wǎng)使用效率的目的 ， 如何在 短時(shí)間 內(nèi)得到這些信息 ， 以及如何根據(jù)這些信息快速確定出 最佳行駛路徑 ，已成為國(guó)際智能運(yùn)輸領(lǐng)域的一個(gè)前沿問(wèn)題 ， 交通網(wǎng)絡(luò)實(shí)時(shí)動(dòng)態(tài)交通信息 預(yù)測(cè)理論 、 模型與算法 的優(yōu)劣直接影響整個(gè)ITS的造價(jià)與功能 。 以往的研究往往 偏重其一 或者 全局一體化的研究思路 。 側(cè)重于 誘導(dǎo) ， 在 確定性交通流誘導(dǎo)策