【正文】 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 該信號(hào)控制系統(tǒng)是一種 多層次 的 實(shí)時(shí)適應(yīng)式 的交通信號(hào)控制系統(tǒng) RTTRACS （ Real Time TrafficAdaptive Control System， 實(shí)時(shí)交通自適應(yīng)控制系統(tǒng) ） 。 首先在 較低的層次 上 ， 分別對(duì)交通 控制與誘導(dǎo) 的 優(yōu)化 問(wèn)題進(jìn)行求解 ， 在 較高的層次 上對(duì)優(yōu)化結(jié)果進(jìn)行 協(xié)同 。 以往的研究往往 偏重其一 或者 全局一體化的研究思路 。 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 。 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(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 。 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 。 傅京遜在 1971年的文章中稱它是 人工智能 與 自動(dòng)控制 的交叉 。 這里的主要問(wèn)題是學(xué)習(xí)控制算法的收斂性問(wèn)題 。 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) 。 給定一個(gè)輸入 ， 可以得到一個(gè)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 。 在優(yōu)化理論中新近發(fā)展了一種 遺傳算法 （ Geic Algorithm， 簡(jiǎn)稱 GA） 它是一種 全局隨機(jī)尋優(yōu)算法 。 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 。 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) 。 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 。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 。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。 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 。 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(qiáng)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(wú)關(guān) ， 只體現(xiàn)在神經(jīng)元的 可調(diào)轉(zhuǎn)函數(shù)上 。 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 。 其正常工作依賴于其交通信息的準(zhǔn)確性和及時(shí)性 。 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 以優(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 。 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)稱的 ， 存在著 主從關(guān)系 。 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 。 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 近年隨著智能運(yùn)輸系統(tǒng)在城市交通系統(tǒng)中的推廣和應(yīng)用 ，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 UTCS）與 城市交通流誘導(dǎo)系統(tǒng) （ Urban Traffic Flow Guidance System， 簡(jiǎn)稱 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 。 在 信息共享 的條件下 ， 兩個(gè)系統(tǒng)的 協(xié)同 作用能夠顯著減少 交通擁擠 的 產(chǎn)生 、 減輕擁擠的 嚴(yán)重程度 、 提高交通擁擠的 疏導(dǎo)速度 。 即 城市交通控制系統(tǒng) 與 交通流誘導(dǎo)系統(tǒng) 向交通流系統(tǒng)中 輸入信息 ， 維持系統(tǒng)穩(wěn)定 。 系統(tǒng)參數(shù) 時(shí)變 ， 系統(tǒng)狀態(tài)難以預(yù)測(cè) 。 協(xié)同學(xué)的產(chǎn)生及其研究對(duì)象 智能運(yùn)輸系統(tǒng)概論 城市交通流系統(tǒng)特征分析 研究對(duì)象通常具有以下特征： 系統(tǒng) 都是 開(kāi)放 的 ， 并且處于 遠(yuǎn)離平衡 的 非平衡狀態(tài) 。 協(xié)同學(xué) （ Synergetics） ， 這一詞匯是 臘語(yǔ)中引入的 ， 意思是 “ 合作的科學(xué) ” 。 VI模型將動(dòng)態(tài)交通分配問(wèn)題分解為 網(wǎng)絡(luò)加載 和 網(wǎng)絡(luò)分配 兩個(gè)過(guò)程 ， 最終通過(guò)求解一系列的 線性規(guī)劃 來(lái)求解分配問(wèn)題 。 問(wèn)題表述為：在 可行域 ， 在下列方程式中尋求一個(gè) 使得： ? ???u? ? 0c u u u ?? ? ? ? ? ? ? （ 3 23 ） 智能運(yùn)輸系統(tǒng)概論 動(dòng)態(tài)系統(tǒng)最優(yōu)和用戶最優(yōu)分配模型 ； 。 改造原問(wèn)題為 凸控制 問(wèn)題 ， 以利用 Pontryagin極大值定理 。 模型如下： )(txna )(tuna )())(( txtxg aaaa ?? )())(),(( txtxtxg naaanana ?? dtdcJ aAaT txaa ??? ))((:min0)(0? ? ???（ 313） 智能運(yùn)輸系統(tǒng)概論 動(dòng)態(tài)系統(tǒng)最優(yōu)和用戶最優(yōu)分配模型 ； 。 5）各類模型的基本分析 模型 由 Merchant和 Nemhauser（ 1978） 提出 （ 以下簡(jiǎn)稱 MN模型 ） ， 該模型是 靜態(tài)交通分配模型 的擴(kuò)展 ， 簡(jiǎn)單直觀 ， 但存在如下 缺陷 ： ① 該模型只適合 單終點(diǎn) 網(wǎng)絡(luò) 。 具體模型如下： )(tuna)(tvna )(txna dtdtxcJ aAa T tv aa ?? )),((:min 0 )(0? ? ??? )()()( tvtudt tdx nanana ?? nktvtqtukBanankkAana ??? ????)()()()(,)( 0)()( ??? tunAana ??? dvtx tttnana a )()( )(? ??（ 37） （ 38） （ 39） （ 310） （ 311） 智能運(yùn)輸系統(tǒng)概論 動(dòng)態(tài)系統(tǒng)最優(yōu)和用戶最優(yōu)分配模型 ； 。 )(txna )(tuna智能運(yùn)輸系統(tǒng)概論 動(dòng)態(tài)系統(tǒng)最優(yōu)和用戶最優(yōu)分配模型 ； 。 3）動(dòng)態(tài)系統(tǒng)最優(yōu)分配模型 （ 36） 。 t n—— 時(shí)刻產(chǎn)生的由起點(diǎn) 到終點(diǎn) 的交通需求，一般 假定已知。 ()Bk—— 所有以節(jié)點(diǎn) 為終端的弧段集合。 研究方法可分為： 數(shù)學(xué)規(guī)劃 建模方法 、 最優(yōu)控制理論建模方法 、 變分不等式 理論建模方法和 計(jì)算機(jī)模擬 等四種 。 智能運(yùn)輸系統(tǒng)概論 動(dòng)態(tài)交通分配的基本概念 3） 路段阻抗特性模型 在 靜態(tài)交通流分配 中 ， 對(duì) 阻抗 的 估計(jì)精度 要求相對(duì)來(lái)說(shuō)不是 很高 。 動(dòng)態(tài)系統(tǒng)最優(yōu) （ DSO） 就是指在所研究的時(shí)段內(nèi) ， 出行者各瞬時(shí)通過(guò)所選擇的出行路徑 ， 相互配合 ， 使得 系統(tǒng)的總費(fèi)用最小 。 在 交通供給 以及 交通需求 狀況均為 已知 的條件下 ， 分析其 最優(yōu) 的 交通流量分布模式 ， 從而為交通流控制和管理、 城市交通流誘導(dǎo)等提供依據(jù) 。 智能運(yùn)輸系統(tǒng)概論 動(dòng)態(tài)交通分配 ， 就是將 時(shí)變 的交通出行 合理分配 到不同的 路徑 上 ， 以 降低 個(gè)人的 出行費(fèi)用 或 系統(tǒng)總費(fèi)用 。 動(dòng)態(tài)用戶最優(yōu) （ DUO） 就是指路網(wǎng)中 任意時(shí)刻 、 任何 OD對(duì)之間被使用的路徑上的 當(dāng)前瞬時(shí)行駛費(fèi)用相等 ， 且等于 最小費(fèi)用 的狀態(tài) 。 在 分配算法 的設(shè)計(jì)中可以使用車輛在每一時(shí)間步長(zhǎng)中移動(dòng)的距離作為 約束 。 從 總體 上來(lái)說(shuō) ， 自 動(dòng)態(tài)交通分配 概念提出至今 ， 其研究仍然處于發(fā)展階段 。 k[0, ]T—— 規(guī)劃時(shí)間段，可以取離散值或連續(xù)值。 ?()na—— 時(shí)刻路段 上以 為終點(diǎn)的車輛流出率。 一般而言 ， 交通管理和控制的目標(biāo)有： 使系統(tǒng) 總行程時(shí)間 最小 使系統(tǒng) 總費(fèi)用 最小 使系統(tǒng) 總延誤時(shí)間 最小