針對我國城市交通的現狀，機動車輛數量越來越多，而傳統的交通信號燈控制模式采用的是定時控制，本文將模糊控制技術引入交通信號控制，實現交通燈的自適應控制，對整個區域的信號系統進行全局優化調度，實現交通燈控制的智能化。

1、系統結構

整個系統分為管理層、優化調度層、數據采集層。管理層為最高指揮層，它能在交通管制等緊急情況下進行宏觀調度。基礎數據采集主要采集各車輛計數儀的實時數據，通過通信網將數據傳輸到交通管控中心，管控中心利用專家系統和神經網絡等技術對全局交通進行優化調度，在此基礎上形成調度指令，通過通信網反饋至各交叉口，各交叉口結合調度指令和該交叉口的實時交通流信息，利用模糊控制的策略對該交叉口的信號進行控制。

2、單個交叉口紅綠燈的模糊控制

經研究，對單個交叉口而言，當交通需求較小時，信號周期T應短一些，但一般不能少于Px15s（P為相位數）以免某一相位的綠燈時間tgi小于15s使車輛來不及通過路口影響交通安全;當交通需求較大時，信號周期T則應長一些，但一般不能超過120s，否則某一方向的紅燈時間將超過60s，駕駛員心理上不能忍受。當交通需求很小時，一般按最小周期運行;當交通需求很大時，只能按最大周期控制，此時，車輛堵塞現象已不可避免。根據專家的經驗，單個交叉路口的模糊控制算法可描述為圖1所示。

圖1 ?單個交叉路口的模糊控制算法

算法中的交通需求通常用兩種方法描述，一是用交叉口停止線前的排隊長度即停止線前相隔一定距離（通常為80~100m）的兩檢測器之間的車輛數來表示交通需求;另一種方法是：當占有率不低于某一基準占有率時，用占有率表示交通需求;當占有率小于某一基準占有率且交通量不低于某一基準交通量，則用交通量表示交通需求。檢測器在指定的時間內（通常為5min）測得的計數值（方波數）為交通量;檢測器在指定的時間內（通常為5min）測得的方波寬度總和與該時間值的比為占有率。建立模糊表如表1和表2所示，根據日常控制經驗可得如表3所示模糊控制規則表。表中L表示車輛排隊長度，G表示綠燈時間。

表1 ?車輛排隊長度變化模糊表

表2 ?第i相位綠燈時間變化模糊表

表3 ?模糊控制規則表

3、基于專家系統與神經網絡的全局優化調度

單個交叉口的控制要服從全局的調度，局部的最優要服從全局的最優。在實現交通全局優化調度主要有兩方面的工作要做：一是要取得路網中當前的和過去若干時段內的交通信息，二是逐步推測未來若干時段內路網各交叉口和各路段的交通流狀態。整個調度過程不斷滾動循環進行。目前，動態交通信息的獲得可采用適當的接口技術，通過自適應式的交通面控系統實現。在交通全局優化調度中，尚未解決的是全局優化調度的依據問題，即如何調度才能起到避免擁擠和堵塞、提高路網使用效率的目的。人工神經網絡技術具有非線性描述、大規模并行分布處理能力、高度魯棒性和學習與聯想等特點，適用于非線性時變大系統的模擬與在線控制。

通常情況下，城市交通網絡在一定時期（一年或幾個月）內幾何結構不會發生大的變化，而且交通需求情況較穩定（或變化緩慢），可以認為日交通流的時空分布是穩定的。由于日交通流的時空分布具有高度時變和非線性的特點，因此，采用高階神經網絡技術建立模型，以達到快速準確預測的目的。在城市交通網絡中，各路段的流入、流出交通量是網絡交通需求量、道路與交叉口通行能力、信號配時以及交通管制措施等因素綜合作用的結果，因而在預測時無需單獨考慮這些因素對交通流量的影響。

4、模糊神經網絡的調度算法

模糊邏輯控制的特長在于能以一定的規則數來表達知識，具有邏輯推理能力，不僅能處理精確信息，也能處理模糊信息或其他不明確信息;其缺點是完全依賴專家制定的大量控制規則，不具備學習功能。而神經網絡具有自學習能力和大規模并行處理能力，在認知處理、模式識別方面有很強的優勢;主要缺點是結構難以確定，訓練樣本要求多且準確，訓練周期長，而且不能提供一個明確的用于網絡知識表達的框架。模糊神經網絡是為發揮各自的優勢把神經網絡和模糊邏輯有機結合起來，采取神經網絡技術來進行模糊信息處理，使得模糊規則的自動提取及模糊隸屬函數的自動生成成為可能，進而克服神經網絡結構難以確定以及模糊邏輯元自學習功能的缺點，使模糊系統成為一種自適應模糊系統。

圖2 ?模糊神經網絡模型

采用神經網絡技術來進行模糊信息處理有多種做法，其中，構造各類模糊神經元及模糊神經網絡作為信息處理單元以實現模糊信息的自動處理是最主要的一種。所謂模糊神經元是指可實施模糊信息處理或模糊邏輯運算的人工神經元，而模糊神經網絡則是全部或部分采用各類模糊神經元所構成的可處理模糊信息的神經網絡系統。在本系統中，如圖2，整個神經網絡的建立和使用分以下幾步完成：

（1）利用專家的知識粗略地形成模糊模型（包括一些模糊規則和模糊推理方法）。

（2）基于這一模糊模型構成模糊神經網絡。

（3）訓練神經網絡。通過系統仿真來訓練神經網絡，對每一種輸入值（l1，...，lm），選擇一種輸出值（g1，...，gn），利用系統仿真來模擬系統在給定的時間內所有車輛的平均等待時間;系統的能量函數選為所有車輛的平均等待時間;神經網絡訓練的目標在于使能量函數最小。

（4）網絡的應用。神經網絡的輸入數據是在統計數據和實時數據的基礎上進行預測得到的，這就要求實時地采集數據，周期性地統計和存儲數據，預測到神經網絡的輸入后，經過網絡的計算，再較精確地辯識出交通模式，對不同的模式采取適合其特點的相應控制算法，選出紅綠燈控制方案。

5、結束語

本文研究了一種利用模糊控制、神經網絡等技術對交通系統進行全局優化調度的交通燈控制系統。該模糊控制策略是一種復合策略，它能在管控中心的控制下進行調整。通過大量的模糊數據輸入，對神經網絡進行訓練，以達到全局優化的調度。雖然在全局調控與局部模糊控制的配合使用仍有許多問題有待以解決，但隨著研究的繼續進行，該方法將會成為解決我國中等城市交通控制問題的一個好辦法。