基于神经网络和遗传算法的干道相位差仿真优化方法技术

本发明专利技术公开了一种基于神经网络和遗传算法的干道相位差仿真优化方法，包括获取干道交叉口数据，搭建干道仿真模型，获取不同相位差对应的干道车辆延误数据，采用神经网络拟合相位差和干道车辆延误数据，采用真值编码方法对相位差参数进行处理，生成初始种群，计算个体适应度，判断个体适应度是否满足预设终止条件，当不满足时对群体进行交叉、变异处理，对群体实施最优保存策略，重新计算适应度。本发明专利技术以干道车辆总延误最小为优化目标，建立以干道交叉口相位差为优化参数的仿真优化模型，并采用神经网络拟合多交叉口相互影响下的相位差和延误之间的关系，采用遗传算法对模型进行求解，从而减少干道车辆平均延误时间，提高干道交叉口整体通行效率。

【技术实现步骤摘要】
基于神经网络和遗传算法的干道相位差仿真优化方法
本专利技术属于交通工程
，具体涉及一种基于神经网络和遗传算法的干道相位差仿真优化方法。
技术介绍
干道信号协调控制一直是城市交通控制领域研究的热点，对解决城市交通拥堵问题、提升交叉口通行效率具有重要的意义，而交叉口之间的相位差作为干道信号协调控制中的关键参数，对信号协调控制起着至关重要的作用。多年以来，国内外学者在干道协调控制方面做了大量研究，并提出很多重要的相位差优化模型。但是，现有相位差优化模型大多以相邻交叉口为基础，忽略了连续交叉口对应的多个相位差之间的内在相关性，它实质基于假设前提：两个交叉口之间，某一行驶方向的车流所受到阻滞延误仅仅取决于这两个交叉口的相位差，与其它相邻的交叉口无关。这种假设没有充分考虑车流运动的基本特点，只适用于高饱和度的交通状况。针对这种情况，对于干道协调控制考虑多交口之间的相互影响，运用神经网络描述多个交叉口相互影响的非线性关系，同时采用遗传算法寻找模型的最优解。研究建立基于神经网络和遗传算法的干道相位差仿真优化方法对提升城市主干道通行效率，缓解交通拥堵具有重要的作用。
技术实现思路
本专利技术的专利技术目的是：为了解决现有技术上存在的以上问题，本专利技术提出了一种基于神经网络和遗传算法的干道相位差仿真优化方法，以期减少干道车辆平均延误时间，提高城市干道运行效率。本专利技术的技术方案是：一种基于神经网络和遗传算法的干道相位差仿真优化方法，包括以下步骤：A.获取干道交叉口的几何尺寸、渠化、间距和交通流量数据；B.根据步骤A获取的数据在仿真软件中搭建对应的干道仿真模型；C.利用步骤B搭建的干道仿真模型获取不同相位差情况下对应的干道车辆延误数据；D.采用神经网络拟合多交叉口相互影响下的相位差和干道车辆延误数据；E.采用真值编码方法对相位差参数进行处理，生成初始种群；F.计算步骤E生成的群体中个体的适应度；G.判断个体适应度是否满足预设终止条件；若满足，则操作结束，得到最优个体；若不满足，则进行下一步骤；H.采用随机选择方法对群体进行选择处理；I.采用自适应交叉概率方法对群体进行交叉、变异处理；J.对群体实施最优保存策略，返回步骤F。进一步地，所述步骤D采用神经网络拟合多交叉口相互影响下的相位差和干道车辆延误数据，具体包括以下分步骤：D1、构建神经网络模型，表示为其中，zi表示隐含层第i个节点输入，i＝1,2,…,p，wij表示隐含层第i个节点到输入层第j个节点之间的权值，xj表示输入层第j个节点，j＝1,2,…,n，θi表示隐含层第i个节点的阈值，yk表示输出层第k个节点，k＝1,2,…,m，vki表示隐含层第i个节点到输出层第k个节点之间的权值，bk表示输出层第k个节点的阈值，ψ(x)表示输出层的激励函数；D2、以交叉口的相位差作为输入变量，以对应相位差条件下的干道车辆延误数据作为输出变量，对神经网络模型进行训练；D3、设定神经网络误差阈值，判断步骤D2得到的误差是否小于神经网络误差阈值，若是，则得到交叉口的相位差与干道车辆延误数据的映射关系，若否，则返回步骤D2。进一步地，所述步骤D2中对神经网络模型进行训练具体为：根据神经网络模型计算预测误差，建立对N个训练样本的总误差准则函数，表示为其中，E表示总误差准则函数，和分别表示第c个训练样本输出层第k个节点的真实值和计算值；再根据误差梯度下降法依次修正输出层权值的修正量Δvki，输出层阈值的修正量Δbk，隐含层权值的修正量Δwij，隐含层阈值的修正量Δθi，表示为其中，η为学习率，φ(x)表示隐含层的激励函数。进一步地，所述步骤E中采用真值编码方法对相位差参数进行处理，具体为：将干道交叉口之间的相位差组合作为个体，个体染色体形式表示为λ＝{λ1,λ2,...,λd}e，其中e为相位差方案编号，λd为第d个相位差；设定最大进化代数为T、种群规模为M、最大交叉概率为Pcmax、最小交叉概率为Pcmin、最大变异概率为Pmmax、最小变异概率为Pmmin。进一步地，所述步骤F计算步骤E生成的群体中个体的适应度，具体为：将相位差组合作为输入参数，输入已经训练好的神经网络，输出为该相位差对应的干道车辆延误，将干道车辆延误的倒数作为适应度函数，计算个体的适应度。进一步地，所述步骤H采用随机选择方法对群体进行选择处理，具体为：每次随机选择群体中的2个个体，选取适应度高的对应个体到下一代群体中，迭代后得到下一代群体的M个个体。进一步地，所述步骤I中采用自适应交叉概率方法对群体进行交叉处理，具体为：在群体中的个体编码串中随机设定一个交叉点；计算自适应异概率；以自适应交叉概率在交叉点互相交换两个父代个体的部分染色体，生成两个新的个体。进一步地，所述步骤I中采用自适应交叉概率方法对群体进行变异处理，具体为：在群体中的个体编码串中随机设定一个交叉点；计算自适应异概率；以自适应变异概率对父代个体变异点基因进行非均匀变异，产生一个均匀变异的随机值，用以替换变异点上的原有基因值，生成新的个体。进一步地，所述计算自适应异概率的计算公式为其中，Pc表示交叉概率，Pcmax和Pcmin分别表示交叉概率的上限和下限，fmax和favg分别表示当前群体中的最大适应度值和平均适应度值，f'表示两个交叉个体中适应度较大值，A表示常数。进一步地，所述步骤J中对群体实施最优保存策略，具体为：遍历当代群体中适应度最高的个体和适应度最低的个体，判断当前群体中适应度最高个体的适应度是否高于所有代群体中个体的最高适应度；若是，则以当前群体中的最佳个体作为所有代群体中适应度最高的个体；若否，则将所有代群体中适应度最高的个体替换当代群体中适应度最低的个体。本专利技术的有益效果是：本专利技术以干道车辆平均延误最少为优化目标，建立基于神经网络和遗传算法的干道相位差仿真优化方法，并采用自适应遗传算法对模型进行求解，从而减少干道车辆平均延误时间，提高交叉口的运行效率。附图说明图1为本专利技术的基于神经网络和遗传算法的干道相位差仿真优化方法的流程示意图；图2为本专利技术实施例中一条主干道上的四个连续交叉口交通流量示意图；图3为本专利技术实施例中一条主干道上的四个连续交叉口的微观仿真示意图；图4为本专利技术实施例中神经网络结构示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。如图1所示，为本专利技术的基于神经网络和遗传算法的干道相位差仿真优化方法的流程示意图。一种基于神经网络和遗传算法的干道相位差仿真优化方法，包括以下步骤：A.获取干道交叉口的几何尺寸、渠化、间距和交通流量数据；B.根据步骤A获取的数据在仿真软件中搭建对应的干道仿真模型；C.利用步骤B搭建的干道仿真模型获取不同相位差情况下对应的干道车辆延误数据；D.采用神经网络拟合多交叉口相互影响下的相位差和干道车辆延误数据；E.采用真值编码方法对相位差参数进行处理，生成初始种群；F.计算步骤E生成的群体中个体的适应度；G.判断个体适应度是否满足预设终止条件；若满足，则操作结束，得到最优个体；若不满足，则进行下一步骤；H.采用随机选择方法对群体进行选择处理；I.采用自适应交叉概率方法对群体进行本文档来自技高网...

【技术保护点】
1.一种基于神经网络和遗传算法的干道相位差仿真优化方法，其特征在于，包括以下步骤：A.获取干道交叉口的几何尺寸、渠化、间距和交通流量数据；B.根据步骤A获取的数据在仿真软件中搭建对应的干道仿真模型；C.利用步骤B搭建的干道仿真模型获取不同相位差情况下对应的干道车辆延误数据；D.采用神经网络拟合多交叉口相互影响下的相位差和干道车辆延误数据；E.采用真值编码方法对相位差参数进行处理，生成初始种群；F.计算步骤E生成的群体中个体的适应度；G.判断个体适应度是否满足预设终止条件；若满足，则操作结束，得到最优个体；若不满足，则进行下一步骤；H.采用随机选择方法对群体进行选择处理；I.采用自适应交叉概率方法对群体进行交叉、变异处理；J.对群体实施最优保存策略，返回步骤F。

【技术特征摘要】
1.一种基于神经网络和遗传算法的干道相位差仿真优化方法，其特征在于，包括以下步骤：A.获取干道交叉口的几何尺寸、渠化、间距和交通流量数据；B.根据步骤A获取的数据在仿真软件中搭建对应的干道仿真模型；C.利用步骤B搭建的干道仿真模型获取不同相位差情况下对应的干道车辆延误数据；D.采用神经网络拟合多交叉口相互影响下的相位差和干道车辆延误数据；E.采用真值编码方法对相位差参数进行处理，生成初始种群；F.计算步骤E生成的群体中个体的适应度；G.判断个体适应度是否满足预设终止条件；若满足，则操作结束，得到最优个体；若不满足，则进行下一步骤；H.采用随机选择方法对群体进行选择处理；I.采用自适应交叉概率方法对群体进行交叉、变异处理；J.对群体实施最优保存策略，返回步骤F。2.如权利要求1所述的基于神经网络和遗传算法的干道相位差仿真优化方法，其特征在于，所述步骤D采用神经网络拟合多交叉口相互影响下的相位差和干道车辆延误数据，具体包括以下分步骤：D1、构建神经网络模型，表示为其中，zi表示隐含层第i个节点输入，i＝1,2,…,p，wij表示隐含层第i个节点到输入层第j个节点之间的权值，xj表示输入层第j个节点，j＝1,2,…,n，θi表示隐含层第i个节点的阈值，yk表示输出层第k个节点，k＝1,2,…,m，vki表示隐含层第i个节点到输出层第k个节点之间的权值，bk表示输出层第k个节点的阈值，ψ(x)表示输出层的激励函数；D2、以交叉口的相位差作为输入变量，以对应相位差条件下的干道车辆延误数据作为输出变量，对神经网络模型进行训练；D3、设定神经网络误差阈值，判断步骤D2得到的误差是否小于神经网络误差阈值，若是，则得到交叉口的相位差与干道车辆延误数据的映射关系，若否，则返回步骤D2。3.如权利要求2所述的基于神经网络和遗传算法的干道相位差仿真优化方法，其特征在于，所述步骤D2中对神经网络模型进行训练具体为：根据神经网络模型计算预测误差，建立对N个训练样本的总误差准则函数，表示为其中，E表示总误差准则函数，和分别表示第c个训练样本输出层第k个节点的真实值和计算值；再根据误差梯度下降法依次修正输出层权值的修正量Δvki，输出层阈值的修正量Δbk，隐含层权值的修正量Δwij，隐含层阈值的修正量Δθi，表示为其中，η为学习率，φ(x)表示隐含层的激励函数。4.如权利要求3所述的基于神经网络和遗传算法的干道相位差仿真优化方法，其特征在于，所述步骤E中采用真值编码方法对相位差参数进行处理，...

【专利技术属性】
技术研发人员：姚志洪，蒋阳升，曹涛涛，罗孝羚，赵斌，
申请(专利权)人：西南交通大学，成都交大大数据科技有限公司，
类型：发明
国别省市：四川,51