【正文】 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 。 這種優(yōu)化算法也將在智能控制中發(fā)揮重要的作用 。 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 。 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)化設計 。 智能運輸系統(tǒng)概論 智能控制理論簡介 10） 優(yōu)化理論 在 學習控制系統(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) 。 9） 模糊集合論 介于 邏輯計算 與 數(shù)值計算 之間的 — 種數(shù)學工縣 。 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)學關(guān)系 。 具有很好的 適應能力 和 學習能力 ， 適合于用作 智能控制 的工具 。 因此可以將 大系統(tǒng)控制理論 的某些思想應用到智能控制系統(tǒng) 的設計中 。 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 。 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) 。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 。 可見 信息熵 在分層遞階智能控制系統(tǒng)的分析和設計中起著十分重要的作用 。 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 。 這里的主要問題是學習控制算法的收斂性問題 。其中 表示第 次運動的控制量 ， 是實際輸出 ， 是期望的輸出。 自適應控制 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) 。 智能控制理論簡介 運 籌 學人 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 習動 力 學動 態(tài) 反 饋優(yōu) 化動 力 學動 態(tài) 反 饋智 能控 制智能控制的多學科交叉 智能運輸系統(tǒng)概論 1） 自適應 、 自組織和自學習控制 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) 。 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 。 課題組建立 交通流量預測模型 ，假設研究路段 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 交通流量預測 ；同時建立 基本模型 、 交通流量等參數(shù)預測模型 和 參數(shù)比例預測模型 。 Qa( k + 1) Qb( k+ 1) t Qb( k) 城市交通網(wǎng)絡 H G N N ? 運行時間預測 ? 多步預測 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交通流量自適應預測系統(tǒng)圖 智能運輸系統(tǒng)概論 短時交通信息預測理論模型體系 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 。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。 由于每個路段 入口與出口 的交通流量都受整個網(wǎng)絡 ， 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 ， 本項目設計了如下的 基于 HGNN的交通流量自適應預測模塊框架 。 X 數(shù)據(jù)處理器 Y 基于 BP網(wǎng)交通流量預測模型的結(jié)構(gòu)圖 智能運輸系統(tǒng)概論 短時交通信息預測理論模型體系 1）適合我國的交通流量動態(tài)預測理論模型體系的建立 由 智能神經(jīng) 組成的網(wǎng)絡稱為 高階神經(jīng)網(wǎng)絡 ， 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 。 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 。 BP神經(jīng)網(wǎng)絡的交通流量預測模型的研究 由 數(shù)據(jù)處理器 和 BP網(wǎng) 組成 （ 如圖所示 ） 。 短時交通信息預測理論模型體系 智能運輸系統(tǒng)概論 短時交通信息預測理論模型體系 短時交通信息預測 交通量預測 行程時間預測 卡爾曼濾波方法 神經(jīng)網(wǎng)絡方法 統(tǒng)計分析方法 卡爾曼濾波方法 神經(jīng)網(wǎng)絡方法 隨機服務系統(tǒng) 基本模型 等參數(shù)模型 高階神經(jīng)網(wǎng)絡方法 BP神經(jīng)網(wǎng)絡方法 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)絡方法 BP神經(jīng)網(wǎng)絡方法 聚類分析 主成分分析 等參數(shù)比例模型 短時交通信息預測理論模型體系 智能運輸系統(tǒng)概論 短時交通信息預測理論模型體系 1）適合我國的交通流量動態(tài)預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 并進行相應的標定 。 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 隨機服務系統(tǒng) 理論等構(gòu)建的 短時交通信息預測模型體系如下圖所示 。 實時動態(tài)交通信息預測的意義 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 ） 預測 是實時 動態(tài)交通分配理論 實現(xiàn)的前提 。 交通信息 短時預測 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)預測型決策的前提 。 預測型 城市交通流誘導系統(tǒng)使用基于當前交通信息的預測信息 ， 反應型 城市交通流誘導系統(tǒng)使用當前時刻點的交通信息 。 其正常工作依賴于其交通信息的準確性和及時性 。 智能運輸系統(tǒng)概論 第 3章 智能運輸系統(tǒng)的理論基礎 動態(tài)交通分配理論 智能協(xié)同理論 交通網(wǎng)絡實時動態(tài)交通信息預測理論 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域的一個前沿問題 ， 交通網(wǎng)絡實時動態(tài)交通信息 預測理論 、 模型與算法 的優(yōu)劣直接影響整個ITS的造價與功能 。 協(xié)同學理論 為研究交通管理子系統(tǒng) 相互作用 與 合作 提供了有力的基礎理論和方法論思想 。 以往的研究往往 偏重其一 或者 全局一體化的研究思路 。 智能運輸系統(tǒng)概論 國內(nèi)外交通控制與交通誘導協(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 。 側(cè)重于 誘導 ， 在 確定性交通流誘導策略 下進行交叉口信號控制 實時優(yōu)化 ， 將得到的最優(yōu)化控制參數(shù)作為誘導的 輸入 ， 以一定的方法確定 最佳誘導路線 。 建立控制與誘導 一體化模型 ， 主要思想 是將 控制與誘導 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 。 首先在 較低的層次 上 ， 分別對交通 控制與誘導 的 優(yōu)化 問題進行求解 ， 在 較高的層次 上對優(yōu)化結(jié)果進行 協(xié)同 。 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 。 天津大學 在對國內(nèi)外各種 組合模式 進行闡述之后 ， 剖析了它們各自的不足 ， 并提出了一種 改進的協(xié)同模式 。 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 、 天津大學 、同濟大學 、 河北工業(yè)大學等 ） 也做了大量相關(guān)研究 。 智能運輸系統(tǒng)概論 國內(nèi)外交通控制與交通誘導協(xié)同理論的研究 該信號控制系統(tǒng)是一種 多層次 的 實時適應式 的交通信號控制系統(tǒng) RTTRACS （ Real Time TrafficAdaptive Control System， 實時交通自適應控制系統(tǒng) ）