【正文】 交通流誘導(dǎo) 系統(tǒng)作為智能運輸系統(tǒng)的 核心 部分 ， 如何將 城市交通控制系統(tǒng) （ Urban Traffic Control System， 簡稱 UTCS）與 城市交通流誘導(dǎo)系統(tǒng) （ Urban Traffic Flow Guidance System， 簡稱 UTFGS） 進行 協(xié)同 ， 更是備受關(guān)注 ， 成為交通領(lǐng)域研究的重點之一 。 1）國內(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 。 信號控制與動態(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 智能運輸系統(tǒng)概論 國內(nèi)外交通控制與交通誘導(dǎo)協(xié)同理論的研究 1）國內(nèi)外關(guān)于 UTCS與 UTFGS協(xié)同模式的研究 我國 從 90年代開始 ， 一些 高等院校 （ 吉林大學(xué) 、 天津大學(xué) 、同濟大學(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 ， 獨立運行的兩系統(tǒng)是 非對稱的 ， 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 為最優(yōu)目標 ， 通過 各種優(yōu)化方法 進行求解 ， 獲得 最優(yōu)策略 。 智能運輸系統(tǒng)概論 國內(nèi)外交通控制與交通誘導(dǎo)協(xié)同理論的研究 2）國內(nèi)外關(guān)于 UTCS與 UTFGS協(xié)同模型與算法的研究 尋求 信號控制模式 以優(yōu)化 系統(tǒng)性能 ， 如使總出行時間等達到最少 ， 此時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 。 其正常工作依賴于其交通信息的準確性和及時性 。 交通信息 短時預(yù)測 對交通 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 ， 是實現(xiàn)預(yù)測型決策的前提 。 本書基于上述項目的研究成果及 最優(yōu)交通動態(tài)分配 理論思想 ， 采用 統(tǒng)計推斷 、 人工智能 、 卡爾曼濾波 、 交通流理論 和 隨機服務(wù)系統(tǒng) 理論等構(gòu)建的 短時交通信息預(yù)測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)測模型的結(jié)構(gòu)圖 智能運輸系統(tǒng)概論 短時交通信息預(yù)測理論模型體系 1）適合我國的交通流量動態(tài)預(yù)測理論模型體系的建立 由 智能神經(jīng) 組成的網(wǎng)絡(luò)稱為 高階神經(jīng)網(wǎng)絡(luò) ， 具備 兩種 智能處理能力：一種稱為 外部智能處理能力 ， 以調(diào)整神經(jīng)元之間的 連接強度 為表現(xiàn)形式；另一種稱為 內(nèi)部智能處理能力 ， 與神經(jīng)元之間的 連接無關(guān) ， 只體現(xiàn)在神經(jīng)元的 可調(diào)轉(zhuǎn)函數(shù)上 。每類流量內(nèi)又分 1?m 組，分別代表當 前及前 m 個時段的流量信息。 課題組建立 交通流量預(yù)測模型 ，假設(shè)研究路段 未來時段 的交通流量是上游和下游路段上的前幾個時段流量的 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 兩種方法進行 交通流量預(yù)測 ；同時建立 基本模型 、 交通流量等參數(shù)預(yù)測模型 和 參數(shù)比例預(yù)測模型 。 智能控制理論簡介 運 籌 學(xué)人 工 智 能控 制信 號 處 理形 式 語 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 力 學(xué)動 態(tài) 反 饋優(yōu) 化動 力 學(xué)動 態(tài) 反 饋智 能控 制智能控制的多學(xué)科交叉 智能運輸系統(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)展的高級階段 ， 可看成為較初級的 智能控制系統(tǒng) 。其中 表示第 次運動的控制量 ， 是實際輸出 ， 是期望的輸出。 控制器 則是運用 知識 進行推理決策 、 產(chǎn)生控制作用的裝置 ， 一般由計算機來完成 。主要用來描述和研究 信息處理系統(tǒng) ， 具有以下持點： 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 邏輯計算 與 數(shù)值計算 之間的 — 種數(shù)學(xué)工縣 。 在分層遞階控制 系統(tǒng)中 ， 也是通過使系統(tǒng)的 總熵最小 來實現(xiàn)系統(tǒng)的 優(yōu)化設(shè)計 。 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)境因素及過程特性變化 實時地修正控制策略 的能力；對 控制后果 進行 預(yù)測 的能力以及基于其上的控制行為的 多目標優(yōu)化 。 智能控制 能根據(jù)具體的運行環(huán)境 靈活 并且 實時 地調(diào)整其 控制策略 ， 從而在 各種條件 下均能達到良好的控制效果 。 在優(yōu)化理論中新近發(fā)展了一種 遺傳算法 （ Geic Algorithm， 簡稱 GA） 它是一種 全局隨機尋優(yōu)算法 。 智能運輸系統(tǒng)概論 智能控制理論簡介 10） 優(yōu)化理論 在 學(xué)習(xí)控制系統(tǒng) 中常常通過對 系統(tǒng)性能評判 和 優(yōu)化來修改系統(tǒng)的結(jié)構(gòu)和參數(shù) 。 給定一個輸入 ， 可以得到一個輸出 ， 但它并不依賴于模型 ， 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)計中 。 5） 人 —— 機系統(tǒng)理論 三個目的 ：一是研究 人 作為系統(tǒng)中的一個部件的 特性；二是在系統(tǒng)中如何 構(gòu)造仿人的特性 ；三是研究 人 —— 機各自特性有效地構(gòu)造出 人 —— 機結(jié)合 的智能控制系統(tǒng) 。 可見 信息熵 在分層遞階智能控制系統(tǒng)的分析和設(shè)計中起著十分重要的作用 。 這里的主要問題是學(xué)習(xí)控制算法的收斂性問題 。 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年的文章中稱它是 人工智能 與 自動控制 的交叉 。 Qa( k + 1) Qb( k+ 1) t Qb( k) 城市交通網(wǎng)絡(luò) H G N N ? 運行時間預(yù)測 ? 多步預(yù)測 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)測系統(tǒng)圖 智能運輸系統(tǒng)概論 短時交通信息預(yù)測理論模型體系 Kalman于 1960年提出 ， 采用由 狀態(tài)方程 和 觀測方程 組成的線性隨機系統(tǒng) 的 狀態(tài)空間 模型來描述 濾波器 ， 利用 狀態(tài)方程的 遞推性 ， 接線性無偏最小均方誤差 估計準則 ， 采用一套 遞推算法 對該濾波器的狀態(tài)變量作最佳估計 ， 求得濾掉噪聲的有用信號 的最佳估計 。 由于每個路段 入口與出口 的交通流量都受整個網(wǎng)絡(luò) ， 特別是 相鄰路段 當前的和前幾個時段的交通狀態(tài)的影響 ， 為了比較準確反映路網(wǎng)的動態(tài)特性 ， 本項目設(shè)計了如下的 基于 HGNN的交通流量自適應(yīng)預(yù)測模塊框架 。 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 個數(shù)由輸入和輸出神經(jīng)元個數(shù)決定 。 短時交通信息預(yù)測理論模型體系 智能運輸系統(tǒng)概論 短時交通信息預(yù)測理論模型體系 短時交通信息預(yù)測 交通量預(yù)測 行程時間預(yù)測 卡爾曼濾波方法 神經(jīng)網(wǎng)絡(luò)方法 統(tǒng)計分析方法 卡爾曼濾波方法 神經(jīng)網(wǎng)絡(luò)方法 隨機服務(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 車流泊松分布 車流一般分布 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 聚類分析 主成分分析 等參數(shù)比例模型 短時交通信息預(yù)測理論模型體系 智能運輸系統(tǒng)概論 短時交通信息預(yù)測理論模型體系 1）適合我國的交通流量動態(tài)預(yù)測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 時變性 和 非線性 的特點 ， 很難給出比較 精確的解析表達式 并進行相應(yīng)的標定 。 實時動態(tài)交通信息預(yù)測的意義 智能運輸系統(tǒng)概論 實時動態(tài)交通信息 （ 交通流量 和 行程時間 ） 預(yù)測 是實時 動態(tài)交通分配理論 實現(xiàn)的前提 。 預(yù)測型 城市交通流誘導(dǎo)系統(tǒng)使用基于當前交通信息的預(yù)測信息 ， 反應(yīng)型 城市交通流誘導(dǎo)系統(tǒng)使用當前時刻點的交通信息 。 智能運輸系統(tǒng)概論 第 3章 智能運輸系統(tǒng)的理論基礎(chǔ) 動態(tài)交通分配理論 智能協(xié)同理論 交通網(wǎng)絡(luò)實時動態(tài)交通信息預(yù)測理論 智能控制理論 智能運輸系統(tǒng)概論 隨著 GPS浮動車 、 手機定位 等交通 檢測技術(shù) 的日趨成熟， 把什么形式的 動態(tài)交通信息 提供給用戶才能達到避免擁擠 、 提高路網(wǎng)使用效率的目的 ， 如何在 短時間 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 ，已成為國際智能運輸領(lǐng)域的一個前沿問題 ， 交通網(wǎng)絡(luò)實時動態(tài)交通信息 預(yù)測理論 、 模型與算法 的優(yōu)劣直接影響整個ITS的造價與功能 。 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