单交叉口交通信号控制方法现状及其展望

科技信息
0.引言
随着我国城市化进程的不断加快，机动车保有量迅猛增长，进而使道路交通需求急剧增加。

尽管近年来城市交通基础设施建设投资不断加大，但交通拥堵问题依然尖锐，不仅造成巨额的经济损失和环境质量恶化，发展严重甚至会导致城市功能的瘫痪。

然而经济的不断发展势必促使机动车拥有量在一个长时间内仍会持续高速增加，仅仅依靠加强交通基础设施的建设，根本无法解决问题[1]。

因此人们自然而然地把解决交通拥堵的目光投向时间这个要素，即利用信号配时的方法解决交通拥堵问题，而单交叉口作为城市交通网络中的重要组成部分，是城市交通拥挤的主要发生地，所以对单交叉口信号控制方法进行研究，对于改善城市道路交通拥堵状况、提高道路通行能力、减少交通事故具有十分重要的现实意义。

1.单交叉口控制的定义
单交叉口信号控制，是指对单一交叉口或干线、区域内的某交叉口单独进行信号控制的方式，主要参数是信号周期长度和绿信比。

这种控制的特点是各单交叉口的信号配时彼此之间没有关联，各自独立调整和运行，从而使本单交叉口车辆的延误和停车次数等指标达到最小，同时又给车辆提供一个比较大的通行能力。

2.已有单交叉口交通信号控制方法简要分析
目前单交叉口交通信号控制方法很多，就发展历程和控制原理上划分，单交叉口交通信号控制可分为传统控制方法和智能控制方法，本文就两者的具体理论和方法做简要阐述。

2.1基于传统控制的单交叉口交通信号控制方法
2.1.1定时控制方法
定时控制是研究如何根据交叉口的道路条件及各路口到达车辆的流向和流量来确定信号的配时方案（如交叉口的相位顺序、数量、相位周期和绿信比等参数）。

其评价指标一般有以下几个：通行能力、饱和度、行程时间、延误、停车次数，停车率及油耗等。

信号配时原则是：在一定的道路条件下，应配以适当的周期时长，让通行能力稍高于交通需求而使延误、停车、油耗等指标最小。

这样既可以保证车辆的畅通又能降低运行费用。

普遍采用的是Webster方法，该方法以交通延误作为交通效益指标，以交通延误最小求解最佳周期时长，各相位绿信比由各相位的最大流量比按比例分配。

2.1.2感应控制方法
感应控制是通过车辆检测器测定到达进口道的交通需求，使信号显示时间适应测得的交通需求的一种控制方式。

感应控制对车辆到达随机性大的交通情况适应性较好，可使车辆在停车线前尽可能少停车，以保证交通通畅。

其基本思路是在一个预置的时间间隔内，若无后续车辆到达，则即可更换相位；如检测到有后续车辆到达，则每测得一辆车，绿灯延长一个预置的“单位绿灯延长时间”，只要在这个预置的时间间隔内，车辆中断就换相；连续有车，则绿灯连续延长，一直延长到一个预置的“极限延长时间”时，即使检测到后面仍有来车，也中断这个相位的通车权，转换到另一个相位。

2.2基于智能控制的单交叉口交通信号控制方法
虽然感应控制比定时控制更能适应交通流量的随机变化，但是感应控制的算法中只是考虑对当前通行相位时间的延长，而没有考虑其他相位的车辆排队情况。

解决该问题的方法有两种：一是建立数学模型对交叉口各个方向的车辆到达作准确的预测，根据最优化理论确定各个方向的绿灯时间；二是采用智能控制的方法对交叉口进行控制。

由于交通系统具有随机性、非线性、模糊性等特点，很难建立数学模型，同时针对交通系统模型所提出的算法十分复杂，控制效果不尽人意，实时性也较差[2]。

近年来，随着计算机技术的迅速发展和智能控制理论的不断完善，将智能控制方法应用于交通系统控制得到了国内外学者广泛关注，下面就目前比较成型的智能控制方法做简要总结。

2.2.1模糊控制算法
Zadeh提出的模糊集理论对解决复杂过程中不确定性问题提供了一个很好的途径，它不需要知道被控对象的数学模型，对被控对象特性参数的变化具有较强的抑制能力。

因交通控制具有较大的随机性和复杂性，同时长期的实践又积累了大量的人工控制经验，因而十分适合模糊控制方法的应用。

自Pappis于1977年首先将模糊逻辑概念应用到城市交叉路口控制领域以来，城市交叉路口的交通控制就一直是模糊控制研究与应用的对象。

基于模糊逻辑的单交叉口控制的模糊规则和隶属度函数一般采用试探的方式确定。

其研究思路基本上可以概括为如下的表达式[3]：E=f(S,C,P)
其中，f为模糊系统的映射关系，E为系统输出矢量，可以是绿信延长时间，相位差，信号周期长等控制信号。

S、C均为系统输入矢量，其中S为交通状况判断参数，如排队长，交叉路口总的车流量，平均车速等等，C为系统设计中的其它控制参数，例如在多控制器中与其它控制器的接口参数。

P为模糊系统的结构参数，例如模糊规则和模糊隶属度函数等。

其控制过程可以描述为：根据检测到的各路段的车辆信息，将当前相位和下一相位的主队列车辆数作为模糊控制器的输入，经过模糊化、模糊推理和清晰化之后，以当前相位的绿灯延时作为模糊控制器的输出，从而实现当前相位交通信号灯的实时控制。

2.2.2神经网络控制
神经网络控制是研究和利用人脑的某些结构机理以及人的知识和经验对系统的控制方式。

鉴于神经网络系统的智能性、鲁棒性较好，对非线性系统和难以建模的系统具有良好的映射功能和学习功能，能处理多维、非线性、强耦合和不确定的复杂系统的控制问题。

因而神经网络控制比较适合难以建立准确数学模型的交通系统。

神经网络控制方法与模糊控制在同一时期出现在交通控制的研究领域。

自从Hopfield将人工神经网络成功地应用于组合优化问题后，人们开始利用神经网络的自适应性、学习能力和大规模平行计算能力来进行交通控制的尝试，目前比较成功的神经网络控制模型大多是孤立路口的控制模型，其中主要体现在神经网络控制单独应用于系统的建模、学习和控制以及神经网络控制与其他控制方法相结合，例如，为了提高模糊控制精度，人工神经网络用于映射的模糊关系模糊推理或执行，来提高它的学习能力。

2.2.3进化算法控制
（1）遗传算法
遗传算法(Genetic Algorithm，简称GA)是模仿自然界生物进化机制发展起来的随机全局搜索优化方法，其本质是一种高效、并行、全局的、基于生物自然选择与遗传机理的随机搜索方法，遗传算法操作使用适者生存的原则，在潜在的解决方案种群中逐次产生一个近似最优的方案。

对于单交叉口信号控制，可以运用遗传算法对控制变量（相位绿灯时间和周期时长）进行优化，能够有效降低车辆平均延误，在优化过程中具有更好的搜索能力，其良好的优化性能有助于优良配时方案的产生，同时也提高了交通分配模型的实用价值。

（2）蚁群算法
蚁群算法是根据蚂蚁有能力在没有任何可见提示下找出从其窝巢至食物源的最短路径，并能随环境的变化而变化，适应性地搜索新的路径，产生新的选择的原理而定义的一种新型的随机全局搜索算法，蚁群算法吸收了蚂蚁的行为特性,通过其内在的搜索机制，在一系列困难的组合优化问题求解中取得成效。

研究表明交叉口信号配时优化问题的计算具有一定的随机性和并行性的特点，因此,将蚁群算法用于模型的求解应该是较为切实可行的。

文献[5]采用蚁群算法中的精英蚂蚁寻优策略求解信号配时模型，以伪代码的形式设计了求解该问题的程序流程，最后通过实例验证了蚁群算法在求解交通信号配时问题中是有效的。

2.2.4基于Agent技术和强化学习的单路口交通流控制
Agent技术属于分布式人工智能领域，每个Agent都是具有完整功能、独立、高度智能化的个体，它掌握一定的知识，都有自己的目标和解
单交叉口交通信号控制方法现状及其展望
青岛科技大学数理学院刘祥鹏隋树林
［摘要］单交叉口交通信号控制作为城市交通控制的重要组成部分，本文系统分析了现有的各种单交叉口交通信号控制方法，总结了各种方法的优缺点，并对今后单交叉口交通信号智能控制方法研究的热点作了展望。

［关键词］单交叉口交通信号控制定时控制感应控制智能控制
作者简介：刘祥鹏（1987-），男，硕士研究生，研究方向为学习控制、智能交通等；隋树林（1958-），男，教授，研究方向为智能控制、深空探测与自主导航等。

—
—124
科技信息
决问题的能力，能够在非选定的模式下和动态变化的环境中，不用外界直接操纵，而根据其内部状态和感知到的环境信息，决定和控制自身的行为。

而强化学习是一种机器学习方法，以环境提供的加强信号作为性能评价的反馈，学习者并不被告知应采取的正确行为，而是通过试探寻找可以产生最大回报的行为，完成从状态到行为的映射学习。

它不需要构建环境的模型，对于无法得到环境精确模型或者环境动态变化的情况非常适用，如交通控制系统。

将强化学习中与Agent技术相结合，构造Agent控制器对单路口的信号灯进行控制，可以更好的解决交叉口配时的相关问题。

其中文献[6]介绍了将经验知识与强化学习算法相结合实现的Agent学习机制，提出了一种适合交通环境的强化函数，并用BP神经网络实现，仿真结果验证了该方法具有较好的控制效果。

2.2.5基于ADP的智能控制
1977年Werbos提出了HDP方法[7]，标志着近似动态规划思想(Ap-proximate Dynamic Programming，ADP)的正式确立.ADP方法是最优控制、函数逼近器(包括神经网络、多项式、局部函数逼近器等)以及增强学习的融合，其基本特征就是利用在线和离线数据，采用函数逼近器估计控制性能指标或其偏导数，从而指导控制律的优化，使其逼近传统动态规划方法的最优控制律。

文献[8]应用ADP理论的算法来进行单交叉口信号调整配时，仿真结果表明和广泛应用的定时控制以及感应控制比较，ADP算法对不同的交通流有更好的适应性。

2.2.6平行控制
所谓平行系统是指由某一个自然的现实系统和对应的一个或多个虚拟或理想的人工系统所组成的共同系统，是控制系统、计算机仿真随着系统复杂程度的增加、计算技术和分析方法的进一步发展的必然结果，是弥补很难甚至无法对复杂系统进行精确建模和实验之不足的一种有效手段，也是对复杂系统进行管理和控制的一种可行方式。

而平行交通控制是对交通系统进行管理与控制，它是利用基于人工社会的思想和复杂系统理论构建的、与实际交通系统平行运行的人工交通系统，通过两者的并行运行，采用计算实验的方法在人工交通系统中进行实验，从而提出定性和定量的决策依据，更好地对实际交通系统进行管理与控制。

王飞跃等人在此领域做了大量工作，开发的平行交通控制与管理原型系统，处于世界领先水平。

3.总结与展望
本文给出了单交叉口信号控制的具体定义，较全面地阐述了目前已有的单交叉口信号控制方法，并进行了初步分类，下面就单交叉口的相关控制方法的优缺点再做简要总结与展望。

（1）定时控制
虽然定时控制简单易于操作，但它不是需求响应式的，只要信号定时参数一旦确定，就不会随着交通流的变化而调整，因此它不能满足实际交通需求。

有时会发生这样的现象：亮绿灯的车道没有车辆通行，而亮红灯的车道却有车辆排队。

（2）感应控制
感应控制克服了定时控制的不足，在一定程度上能够适应交通需求的随机变化。

但是在传统的感应控制方法中，绿时特别是绿延时仍可能不被充分利用。

随着通信与计算机的发展，针对这一情况，各国研究人员逐步研究并总结出了流量-密度感应控制；基于绿时有效利用率的感应控制；具有“抢”、“要”功能的全感应控制；基于模糊控制和绿时有效利用率的全感应控制；具有跳相功能的全感应控制；具有相序优化功能的全感应控制；优化感应控制等等。

（3）智能控制
首先是模糊控制，在长期的理论与实践研究中发现，单交叉口信号控制在设计模糊控制器的时候主要存在两个主要问题：1）模糊控制规则的选取。

由于缺乏有效的知识获取手段，模糊控制规则的获取主要依赖于该领域专家的经验知识，有较大的主观性，而当系统很复杂或输入变量较多时，模糊控制规则的可能选取空间急剧加大；2）模糊变量隶属函数的选取。

在模糊控制规则确定的情况下，模糊控制器的性能由模糊变量各模糊状态的隶属度函数来确定，这是多参数寻优问题，很难获得全局最优。

但是这并不是说明模糊控制在单交叉口交通信号控制中就一无是处，随着模糊理论的进一步研究以及在各个行业的应用，各位研究人员已经对常规模糊控制进行了很大的改进，并且模糊控制的作用越来越受到重视，如Fuzzy-PIS复合控制，三位模糊控制器，专家模糊控制器，还有对模糊逻辑与神经网络协作系统的研究。

模糊控制器正向着自适应、自组织方向发展，使得模糊控制参数、规则在控制过程中自动地调整、修改和完善，从而不断完善系统的控制性能，达到更好的控制效果，而与专家系统、神经网络等其他智能控制技术相融合成为其发展趋势。

其次是神经网络控制，神经网络具有识别复杂非线性系统的特性，
比较适合于交通领域应用，目前神经网络被大量用于交通领域研究。

但是事情都是具有两面性的，在神经网络具有大量优点的同时也具有很多不能克服的缺点，如：1）没能力来解释自己的推理过程和推理依据，属于黑箱式学习模式，这不利于认识交通控制的过程；2）不能向用户提出必要的询问，而且训练过程需要大量数据和时间，数据不足会导致不好的结果，只适用于当前路段，移植性差；3）把一切问题的特征都变为数字，把一切推理都变为数值计算，其结果势必是丢失信息；4）收敛速度慢，理论和学习算法还有待于进一步完善和提高。

然后是进化算法，作为启发式的优化方法-遗传算法具有良好的全局搜索能力，并且利用它内在并行性，可以方便地进行分布式计算，加快求解速度。

但是遗传算法的局部搜索能力较差，收敛速度慢，导致单纯的遗传算法求解比较费时，在进化后期搜索效率较低，且容易受参数的影响，交叉和变异的方法都是随意的，具有不确定性。

在实际应用中，容易产生早熟收敛的问题。

蚁群算法采用人工蚂蚁的行走路线来实现交通信号的控制，是一种正反馈算法，具有较好的全局寻优特性，对优化问题不要求搜索空间连读、可导等,也不要求目标函数和约束条件有精确的数学模型，鲁棒性也很好，这些优点很好的符合了交通控制的特点。

但是作为一种新兴的智能优化算法，蚁群算法同样存在一些缺点，如收敛速度一般较慢，对初始参数的设置比较敏感，易受参数的影响，同时容易出现停滞现象。

但是如果进化算法与前面介绍的模糊控制、神经网络控制结合使用，能够起到扬长避短的作用，对单交叉口交通信号的控制提供了一个很好的解决途径，如利用遗传算法、蚁群算法对模糊控制器的隶属度函数和模糊控制规则集进行优化；将遗传算法引入到神经网络的网格优化和权值的优化中，可以提高收敛速度和预测精度等等。

而最后提到的Agent技术、强化学习、自适应动态规划（ADP）和平行控制理论在交通信号控制中的研究，尤其后面两个是目前国内外在交通控制领域研究的前沿课题，正处在探索发展期。

强化学习由于受多相位、交通流大范围变化等问题的影响，Q值矩阵存储空间要求异常庞大，会产生“维数灾”，使得该方法在实际应用中受到限制。

而自适应动态规划通过函数逼近巧妙地解决了维数灾的难题,另一方面，交通信号控制系统属于典型的分布式控制系统，将每个控制器看作一个Agent，采用多Agent间的协调实现交通信号控制系统的协调优化，是交通工程领域和控制领域认可的思路,自适应动态规划交互学习/演化博弈的方法则适合于解决这类问题。

而平行控制作为一种认识交通系统控制问题的新思路，以及在此基础上发展起来的ACP（人工社会、计算实验、平行执行）理论，必会随着网络化的不断普及、通信技术的不断提高、复杂系统的范围和规模不断扩大而吸引更多的学者参与研究，而如何解决计算实验、平行系统和综合集成研讨厅方法在交通系统，甚至是复杂系统研究中所遇到的诸多问题，以及如何利用并行分布式高性能网格和对等计算来进一步深化分析城市交通、生态系统以及复杂系统的量化计算和分析等问题，都是今后值得研究的问题，尤其是人工交通系统的基于代理的建模问题将是人工交通系统研究中亟待解决的一个问题。

近年来，智能交通控制得到全世界广泛的承认，虽然上述各种智能控制方法各有优缺点，但是综合各种算法的优点应用到理论研究和实际控制中，必会推动单交叉口交通信号控制，甚至是整个交通系统的发展，成为交通控制领域的一个热点。

参考文献
［1］周力,李炜.我国智能交通控制系统的发展及展望［J］.自动化与仪器仪表，2009,2:1-2
［2］陈穗望,汤淑明.城市交叉口交通信号控制研究的发展与展望［J］.自动化博览，2002,5:48-51
［3］李威武.城域智能交通系统中的控制与优化问题研究［D］.浙江大学，中国，2003
［4］马文阁.基于模糊控制的单交叉口信号控制方法与算法研究［D］.大连海事大学，中国，2007
［5］徐勋倩,黄卫.单路口交通信号多相位实时控制模型及其算法［J］.控制理论与应用，2005,22(3):413-416
［6］高丽颖，陈阳舟，李振龙.基于Agent控制器的单路口信号灯学习控制方法研究［J］.交通与计算机，2007,25(5):59-62
［7］Werbos P J.Advanced forecasting methods for global crisis warning and models of intelligence.General Systems Year-book，1977，22:25-38［8］Yujie Dai，Dongbin Zhao.A Traffic Signal Control Algorithm for Isolated Intersections Based on Adaptive Dynamic Programming［J］.IEEE，2010:255-260
—
—125。