一种可变车道自适应控制方法技术

一种可变车道自适应控制方法，包括以下步骤：１）、将通过设置在道路的检测器所检测到的时间占有率作为ＢＰ神经网络的输入，ＢＰ神经网络的输出向量Ｏ＝，输出向量为０或１；２）可变车道控制过程如下：２．１）若当前可变车道属性为直行，如果输出向量为１，则在下一个直行相位到来时，将可变车道属性由直行变为左转；如果输出向量为０，则当前可变车道属性不变；２．２）若当前可变车道属性为左转，如果输出向量为１，则在下一个左转相位到来时将可变车道属性由左转变为直行；如果输出向量为０，则可变车道保持左转属性不变。本发明专利技术能够有效提高可变车道利用率。

【技术实现步骤摘要】

本专利技术涉及交通控制方法，尤其是。
技术介绍
随着经济的发展，尤其是城市经济的快速发展，城市机动车的保有量快速上升，虽 然城市道路及交通设施也有了相应的增加，但是道路设施的增长速度远远低于机动车的增 长速度，由此造成了交通拥堵、环境污染等一系列问题。特别在上下班高峰期间，“潮汐式” 交通引起的交通拥堵问题更加严重。从本质上讲，产生这种现象的原因是交通需求的动态 变化与静态的道路设施之间的矛盾。充分挖掘、合理利用城市道路资源是缓解城市交通拥 堵状况的有效手段。为此，国内很多大中型城市应用了可变车道技术。目前可变车道诱导方法主要就是利用原有的车道诱导标志，经过加工改装，将标 志上固定不变的指向箭头改为可变的箭头，根据交叉口的流量变化情况，由值班交警或者 指挥中心调度控制，改变箭头的指向。车道的改变由值班交警根据观测交通流的大小来遥 控信号标志牌的方式实现的。这样，车道的切换时间会经常提前或滞后于最佳切换时间，可 变车道没有得到充分的使用。
技术实现思路
为了解决上述可变车道利用率不高的问题，本专利技术提供一种能够有效提高可变车 道利用率的可变车道自适应控制方法。本专利技术解决其技术问题所采用的技术方案是，所述可变车道自适应控制方法包括以下步骤1)、将通过设置在道路的检测器所检测到的时间占有率作为BP神经网络的输入，BP神 经网络包括输入层、隐含层和输出层，其训练过程为在网络各节点的连接权值固定不变的 前提下，从输入层开始逐层逐个节点地计算每个节点的输出，再保持输出层各节点的输出 不变，从输出层开始反向逐层逐个节点计算连接权值的修改量；如果输出层的网络输出与 期望输出相差超于预设值，根据网络输出与期望输出的信号误差进行权值调整，最终使网 络输出层的输出值与期望值趋于一致。权值调整公式为Δ W(￡) = +, ae (O1I)其中，Δ,⑷为当前某层权值调整量矩阵；聊- )为前一次权值调整量矩阵；X代表as某层输入向量；为动量系数； 为比例系数、Fmri 为误差信号，5 = -「；aVV e W1J δdnet所述BP神经网络的输出向量0= !>ι)Γ ,所述输出向量为0或1 ；2)、可变车道控制过程如下目前神经网络的实现仍以软件编程为主，编写相应的算法程序，神经网络训练好之后 开始工作，采集相应道路的道路交通信息(时间占有率)，交由算法进行计算，如果满足触发条件，则改变可变车道的属性；如果不满足触发条件，则保持可变车道的属性不变。2. 1)若当前可变车道属性为直行，将采集到的时间占有率数据输入BP神经网络 中，如果输出向量为1，则在下一个直行相位到来时，将可变车道属性由直行变为左转；如 果输出向量为0，则当前可变车道属性不变。2. 2)若当前可变车道属性为左转，将采集到的时间占有率数据输入BP神经网络 中，如果输出向量为1，则在下一个左转相位到来时将可变车道属性由左转变为直行；如果 输出向量为0，则可变车道保持左转属性不变。本专利技术的技术构思为本专利技术所述的自适应控制方法采用改进的BP神经网络，BP 神经网络是一个3层或3层以上阶层神经网络，网络模型如图1所示。XpX2,…，iTK为网络的输入，Α,…，&为网络的输出。上下层之间各种神经元实行权连接，即下层的每个单元与上层的每个单元都实现权连接，每层各种神经元之间无连接。最基本的BP网络是 3层前馈网络，包括输入层、隐层和输出层。1. 1变量的选择及原始数据的搜集影响可变车道属性的因素主要有车速及时间占有率，本文将相应的左转车道及直行车 道的时间占有率作为输入，将触发阈值作为网络的输出。训练样本来自有可变车道的某一 实际交叉口的经过分析处理过的有经验的交通警察的现场指挥数据。时间占有率能够反映 出左转和直行车道的车流量信息以及左转和直行车道的溢出情况，从而决定是否改变车道 的属性。1.2确定网络的学习算法传统的BP算法具有收敛速度慢，容易陷入局部极小值等缺点，为此，学界提出了很多 改进办法，例如，增加动量项法、自适应调节学习率法和引入陡度因子法。本文采用附加动 量项的BP神经网络，可以有效地抑制网络陷入局部极小值。权值调整公式为 ΛW(t) = _'+Ω ,(￡-1) ( α'€ (0,1))其中:AW(i)为当前某层权值调整量矩阵； ΔΙΤ0-1)为前一次权值调整量矩阵； X代表某层输入向量； 为动量系数； ▽为比例系数Je (0,1); 为误差信号，5 = -^·。 οami1.3确定网络的结构在本文中，将相应的直行车道和左转车道的时间占有率作为网络的输入，有可变车道 的交叉口入口道如图3所示，触发阈值作为网络的输出，这样，网络的输入层节点数为8，输 出层节点数为1，网络含有一个隐含层，隐含层的个数通过经验公式 =2 1+1 ,确定为17个。对于输入层与隐含层，以及隐含层与输出层之间的传递函数均选为单极性Sigmoid函 数，即JF ⑴=-1.4网络模型与BP学习算法本专利技术所对应的三层网络结构图如图2所示，设输入向量为I= (Λ，χ2,..,Χ ,..’‘)Γ，图中& =_1是为隐含层神经元引入阈值而设置的；隐含层输出向量为V= (^，>ν··Αν··，717^，图中t =-1是为输出层神经元引入阈值而设置的；输出层输出向量为O: {oxf ,期望输出向量为d= (d,/。输入层到隐含层之间的权值矩阵用K表示，K= (F1 ,F2,.-,Fy,.,^)，其中列向量&为隐含层第j个神经元对应的权向量；隐含层到输出层之间的权值矩阵用/f表示。W= (W1) , Wl表示输出层的神经元对应的权向量。 对于输出层，有 = Σν j=l，2，...，17 -0对于输入层与隐含层，以及隐含层与输出层之间的传递函数均选为单极性Sigmoid函 数，即当网络输出与实际输出不等时，存在输出误差E，计算式如下 由上式可以看出，网络误差是各层权值 /、、的函数，因此调整权值可以改变误差Ε。权值调整公式为ΔW(i) = 7]δΧ + α Ι￥( -Τ! ( a'e (0,1))其中:AW(t)为当前某层权值调整量矩阵； Μ￥( - )为前一次权值调整量矩阵； X代表某层输入向量； 为动量系数； 7为比例系数，^e(CU)；5 为误差信号，5 = -^·。 οonet增加动量项即从前一次权值调整量中取出一部分迭加到本次权值调整量中，^为 动量系数，一般有《e (CU)。动量项反映了以前积累的调整经验，对于t时刻的调整起阻尼作用。当误差曲面出现骤然起伏时，可以减小振荡趋势，提高训练速度。BP神经网络的工作过程通常由两个阶段组成。一个阶段是在网络各节点的连接权 值固定不变的前提下，从输入层开始逐层逐个节点地计算每个节点的输出；另一阶段是学 习阶段，在这一阶段，输出层中各节点的输出保持不变，网络学习从输出层开始，反向逐层 逐个节点地计算各连接权值的修改量，以修改各连接的权值，直到输入层为止。这两个阶段 分别称为正向传播和反向传播过程。在正向传播中，如果输出层的网络输出与期望输出相 差较大，则开始反向传播过程。根据网络输出与所期望输出的信号误差对网络节点间的各 连接权值进行修改，以此来减小网络输出信号与所期望输出的误差。BP网络通过不断进行 的本文档来自技高网...

【技术保护点】
一种可变车道自适应控制方法，其特征在于：所述可变车道自适应控制方法包括：１）、将通过设置在道路的检测器所检测到的时间占有率作为ＢＰ神经网络的输入，ＢＰ神经网络包括输入层、隐含层和输出层，其训练过程为在网络各节点的连接权值固定不变的前提下，从输入层开始逐层逐个节点地计算每个节点的输出，再保持输出层各节点的输出不变，从输出层开始反向逐层逐个节点计算连接权值的修改量；如果输出层的网络输出与期望输出相差超于预设值，根据网络输出与期望输出的信号误差进行权值调整，最终使网络输出层的输出值与期望值趋于一致，权值调整公式为：ΔＷ（ｔ）＝ηδＸ＋αΔＷ（ｔ－１），α∈（０，１）其中，ΔＷ（ｔ）为当前某层权值调整量矩阵；ΔＷ（ｔ－１）为前一次权值调整量矩阵；Ｘ代表某层输入向量；α为动量系数；η为比例系数，η∈（０，１）；δ为误差信号，δ＝－＊Ｅ／＊ｎｅｔ；所述ＢＰ神经网络的输出向量Ｏ＝（ｏ↓［１］）↑［Ｔ］，所述输出向量为０或１；２）、可变车道控制过程如下：２．１）若当前可变车道属性为直行，将采集到的时间占有率数据输入ＢＰ神经网络中，如果输出向量为１，则在下一个直行相位到来时，将可变车道属性由直行变为左转；如果输出向量为０，则当前可变车道属性不变；２．２）若当前可变车道属性为左转，将采集到的时间占有率数据输入ＢＰ神经网络中，如果输出向量为１，则在下一个左转相位到来时将可变车道属性由左转变为直行；如果输出向量为０，则可变车道保持左转属性不变。...

【技术特征摘要】

【专利技术属性】
技术研发人员：董红召，郭海锋，傅立骏，陈宁，郭明飞，凌越，曹福灵，马帅，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：86