红绿灯动态配时- review on computational intelligence methods for controlling traffic signal timing

A review on computational intelligence methods for controlling traffic signal timing

NLC

LQF(longest queue first)最长序列优先

需要的软件

MATLAB R2011b、PARAMICS v6.8

其他的交通仿真软件VISSIM

单个路口的交通信号控制

QLC(Q-learning controller)，NNC(neural network controller)，FLC(fuzzy logic controller模糊逻辑控制器)和固定时间控制四种常用的交通信号控制方法。

交叉路口示意图

QLC

Q-learning是一种强化学习算法。

QLC的框架图如下

Q-learning的reward函数

Q-learning的其它参数设置

NNC 神经网络控制器

NNC，FLC在每个周期开始就确定红绿灯的时间。

NNC中采用遗传算法(GA)来优化神经网络(NN)的参数,该方法并没有直接计算绿灯时间。神经网络的输入为队列的长度(每一个方向的队列长度4组队列长度，具体是什么时间点的队列长度？)，输出为绿灯时间(每一个方向的绿灯时间，4组绿灯时间？)。本次采用的是一个4输入4输出，隐含层为10个的神经网络结构。采用的前向神经网络，是否可以采用RBF神经网络来建立模型？。

每一代中，通过GA为NN计算出新的一组优化参数，通过比较目标函数来确定是否采用新的参数还是放弃新的参数。该目标函数与每一辆车的平均时延(average delay per vehicle)相关。目标函数为当前所有车辆的时延之和。

NNC的参数表

FLC 模糊逻辑控制器

FLC 中的输入同样采用每一组队列的长度，输出为绿灯的长度。

模糊规则的定义中，当前队列(CL),下一个队列(NL),再下一个队列(2NL),之后第三个队列(3NL)。

模糊控制中重要的几个点，模糊化函数、模糊规则、解模糊函数。

模糊规则

有上图的参数表和模糊规则表可以看出，针对每组方向的绿灯配置都需要一个FLS，因此总共有4个FLS。输入、输出选择的隶属度函数选择都是一致的。隶属度函数选择为高斯函数，高斯函数的均值和方差通过GA(遗传算法)优化得到。

固定时间控制器

       每个方向的绿灯时长设置为一样的。

结论

设计两种场景，两种场景都持续5个小时。

1. 峰值负载5500辆车。
2. 非峰值负载3000辆车。

相对与固定时长的控制器，FLC、NNC、QLC分别有74%，71%和66%的提升。