科技通報

Vol．35No．9Sep．2019

BULLETINOFSCIENCEANDTECHNOLOGY

基于人工智能的軌道交通信號配時

自動控制方法研究

朱理婧

（西南交通大學(xué)信息科學(xué)與技術(shù)學(xué)院，成都611756）

摘

SCATS、UTOPIA的交通信號配時控制方法存在整體控制效果不佳的問題，要：針對傳統(tǒng)基于SCOOT、提出一種

基于人工智能的軌道交通信號配時自動控制方法。在信號相位、信號周期、綠信比3個約束條件下構(gòu)建城市軌道交通信號配時控制模型，并將遺傳算法與蟻群算法進行結(jié)合對模型進行求解，最終實現(xiàn)對軌道交通信號配時的自動控制。分析實驗結(jié)果可知，本文方法的性能加權(quán)平均數(shù)值為8.5741，明顯高于傳統(tǒng)方法。說明與3種傳統(tǒng)配時控制方法相比，基于人工智能的軌道交通信號配時自動控制方法性能更優(yōu)，能有效緩解城市交通壓力。關(guān)鍵詞：人工智能；交通信號；配時控制；遺傳算法；蟻群算法中圖分類號：TN21

文獻標(biāo)識碼：A

文章編號：1001－7119（2019）09－0070－05

DOI：10.13774/j．cnki．kjtb．2019.09.013

ＲesearchonAutomaticControlMethodofＲailTransitSignalTimingBasedonArtificialIntelligence

ZhuLijing

（SchoolofInformationScienceandTechnology，SouthwestJiaotongUniversity，Chengdu611756，China）Abstract：AimingattheproblemofpooroverallcontroleffectoftraditionaltrafficsignaltimingcontrolmethodsbasedonSCOT，SCATSandUTOPIA，anautomaticcontrolmethodofrailtransitsignaltimingbasedonartificialintelligenceisproposed．Thesignaltimingcontrolmodelofurbanrailtransitisconstructedunderthreeconstraintsofsignalphase，signalperiodandgreensignalratio．Themodelissolvedbycombininggeneticalgorithmandantcolonyalgorithm，andtheautomaticcontrolofsignaltimingofurbanrailtransitisrealizedfinally．Theexperimentalresultsshowthattheperformanceweightedaveragevalueoftheproposedmethodis8.5741，whichissignificantlyhigherthanthatofthetraditionalmethod．Comparedwiththethreetraditionaltimingcontrolmethods，theautomatictimingcontrolmethodbasedonartificialintelligenceforrailtransitsignalhasbetterperformanceandcaneffectivelyalleviatetheurbantrafficpressure．

Keywords：artificialintelligence；trafficsignal；timingcontrol；geneticalgorithm；antcolonyalgorithm

城市交通擁擠現(xiàn)象已經(jīng)成為每個城市發(fā)目前，

展過程中的亟待解決的問題之一，尤其對于一二線大城市而言

［1］

路寬度等，雖然有效提高了交通通行能力，但是伴隨

仍在增加的城市人口，這些辦法無法滿足不斷增長的交通壓力。在此背景下，如何合理使用現(xiàn)有交通設(shè)施，提高交通信號配時自動控制與管理水平，使其

。為此，近幾十年來，交通管理與建

設(shè)者提出了很多調(diào)整措施，如修建路橋、拓寬交通道

收稿日期：2018－11－03

研究方向：軌道交通信號與控制、人工智能自動化。作者簡介：朱理婧（1998－），女，江西安福人，

第9期朱理婧．基于人工智能的軌道交通信號配時自動控制方法研究71

有效發(fā)揮交通設(shè)施的功能是緩解交通壓力的根

本措施［2］

。

城市軌道交通信號配時多是通過SCOOT系統(tǒng)、SCATS系統(tǒng)、UTOPIA系統(tǒng)等控制下完成的，但是這

些系統(tǒng)控制下的交通信號配時性能并不能很好的滿足現(xiàn)在的交通需求，交通運行質(zhì)量沒有得到有效改善。針對上述情況，本文引入人工智能算法，提出基

于人工智能的軌道交通信號配時自動控制方法［3］

。方法控制主要分為兩部分，

第一部分構(gòu)建城市軌道交通信號配時控制模型，第二部分利用遺傳算法和蟻群算法對模型進行求解。結(jié)果表明：基于人工智能的軌道交通信號配時自動控制方法性能遠遠好于傳統(tǒng)交通信號配時控制方法性能，能更有效緩解交通壓力，提高交通通行質(zhì)量。

1基于人工智能的軌道交通信號配時自動控制原理

城市軌道交通信號配時控制是指對交通交叉口的信號燈亮起的順序、持續(xù)的時間等進行自動操控，從而讓車輛能夠快速、有序的通過交叉路口，達到疏散交通、緩解交通擁擠的目的。目前交通信號配時

控制方法主要分為3類：第1類為定時控制，根據(jù)以往交通路口的交通流信息，設(shè)定一個固定的交通信號配時來指揮車輛通行；第2類為感應(yīng)控制，根據(jù)實時感應(yīng)到的交通路口的交通流信息，利用智能控制機隨時調(diào)整交通信號配時來疏導(dǎo)車輛，靈活性強。第3類為自適用控制，與感應(yīng)控制相類似，只是更側(cè)重對交通信號參數(shù)的在線實時控制以適應(yīng)交通情況

的實時變化［4］

。

本次研究的基于人工智能的軌道交通信號配時自動控制方法屬于第2類方法，它不僅針對某一個

參數(shù)指標(biāo)，如信號相位、周期、綠信比、飽和度等基本

參數(shù)，而是綜合多個參數(shù)設(shè)計配時方案，并且配時方案可以根據(jù)交通流數(shù)據(jù)的變化進行實時調(diào)整，因此靈活性、適用性更強，能有效應(yīng)對實時變化的交通情況

［5］

。圖1為基于人工智能的軌道交通信號配時自

動控制方法基本思路框圖。

由圖1可知，

基于人工智能的軌道交通信號配時自動控制方法主要分為兩部分內(nèi)容：

（1）第1部分，構(gòu)建城市軌道交通信號配時控制模型，確定約束條件，包括信號相位、信號周期、綠信比、飽和度等。

圖1

基于人工智能的交通信號配時控制基本思路

Fig．1

BasicideaoftrafficsignaltimingcontrolbasedonArtificialIntelligence

（2）第2部分，求解城市軌道交通信號配時控

制模型，利用智能算法求解最優(yōu)配時方案，實現(xiàn)軌道

交通信號配時自動控制。

2

軌道交通信號配時自動控制的實現(xiàn)

2.1

建立城市軌道交通信號配時控制模型

城市軌道交通信號配時的目標(biāo)是通過調(diào)節(jié)交通

信號配時控制參數(shù)（信號相位、

信號周期、綠信比、飽和度等）來提高交通控制質(zhì)量（延誤時間、停車次

數(shù)、通行能力等）。由此可知，要想構(gòu)建一個完善的配時控制模型，確定其約束條件是交通信號配時控

制模型構(gòu)建的基礎(chǔ)［6］

。

（1）約束條件1：信號周期

信號周期是指交通信號燈，即紅燈、黃燈和綠燈

變換一個周期所需要的時間，周期時常一般為三者之和。該參數(shù)是城市軌道交通信號配時控制中十分重要的約束條件，能夠直接影響交通質(zhì)量。該參數(shù)設(shè)置時間不能過短，否則留給各個相位上車輛通行的時間不足，會出現(xiàn)交通擁擠混亂的現(xiàn)象，降低車輛

72科

技通報第35卷

通行質(zhì)量［7］

。但是，也不能過長，否則將會導(dǎo)致車

輛在交叉路口停留時間過長，延誤時間增加。一般

情況下，信號周期的選擇需要根據(jù)延誤時間、停車次數(shù)和通行能力之間的關(guān)系來確定。

圖2信號周期與延誤時間、停車次數(shù)和

通行能力的關(guān)系

Fig．2

Therelationshipbetweensignalperiodand

delaytime，parkingtimesandtrafficcapacity

信號周期的選擇原則既要滿足交叉路口的車輛

通行要求，

同時又要達到交通利益最大化的目的，因此在進行城市軌道交通信號配時控制方案設(shè)計時，

首要確定的參數(shù)就是信號周期。

（2）約束條件2：信號相位在交叉路口，為保證各個方向上車輛能夠有序通行，避免發(fā)生沖突，一般采用分時通行方法

［8］

。

在一個信號周期內(nèi)，

取得通行權(quán)的一個或幾個交通流的序列組，被稱為信號相位。一般來說，信號相位

越多越安全，但是過多的相位會降低交叉路口的利用率，所以目前城市交叉路口一般為兩相位或四相位。

（3）約束條件3：綠信比

綠信比是指在一個信號周期內(nèi)，某相位上綠燈時長Gi與信號周期t的比值，公式描述如下：

k=

Git

（1）

綠信比這一控制參數(shù)反映了該信號相位在一個信號周內(nèi)需要有效綠燈時間的長短，其值大小直接

關(guān)系著交叉路口交通疏散需要的時間，因此合理的分配綠信比，不僅可以減少各相位上車輛的停車次

數(shù)，還可以降低車輛的延誤時間［9］。

根據(jù)上述分析，建立以信號周期、信號相位、綠

信比為控制變量，建立車輛延誤最小、停車次數(shù)最少、車輛通行能力最強的多目標(biāo)城市軌道交通信號配時控制模型，公式如下：

minF(t，G)=min[D(t，

G)，H(t，G)，P(t，G)]s．t．

rimin≤tGi≤rimax，i=12，…，n

（2）

公式中，D(t，

G)為總車輛延誤時間；H(t，G)為總車輛停車次數(shù)；P(t，

G)為總行人過街延誤時間；rimin為最小綠燈有效時間；rimax為最大綠燈有效時間。

2.2城市軌道交通信號配時控制模型求解在上述城市軌道交通信號配時控制模型建立完成后，需要利用智能算法對其進行求解。目前應(yīng)用較為廣泛的智能算法有神經(jīng)網(wǎng)絡(luò)、模糊控制、多智能

體、遺傳算法、免疫算法以及蟻群算法等［10］

。然而，在使用上述智能算法過程中，單一的算法或多或少的均存在一些缺點，為求得最優(yōu)解，本文將遺傳算法

與蟻群算法相結(jié)合，將二者混合進行求解。遺傳算法是利用模擬生物生命進化過程而研究出來一種智能算法，其基本思路如下：步驟1：將模型預(yù)求解進行編碼，即通過字符串的形式表示，構(gòu)成初始化種群。步驟2：選擇適應(yīng)函數(shù)，并利用它對初始化種群中每個個體進行適用度評估。

步驟3：判斷評估結(jié)果是否滿足迭代條件。如果滿足，則輸出適用度最小的個體作為最優(yōu)解；否

則，重復(fù)上述步驟，直到滿足條件，輸出最優(yōu)解［11］。

遺傳算法的優(yōu)點在與全局搜索能力強，

操作簡單。缺點在于易形成冗余迭代，求解精度低。

蟻群算法是模擬蟻群覓食行為是發(fā)明的一種智

第9期朱理婧．基于人工智能的軌道交通信號配時自動控制方法研究73

能算法，其基本思路如下：

步驟1：將種群數(shù)量等參數(shù)進行初始化。

步驟2：將螞蟻隨機放置于不同的出發(fā)點，計算各螞蟻經(jīng)過的路徑長度，根據(jù)計算結(jié)果得出當(dāng)前迭代次數(shù)的最優(yōu)解。

步驟3：對迭代次數(shù)進行計算，判斷其是否能夠達到最大值。達到最大迭代次數(shù)，輸出最優(yōu)解，結(jié)束程序；否則，回到步驟2，重復(fù)上述步驟。蟻群算法最大優(yōu)勢在于具有較強的魯棒性，但

是搜索時間較長，容易出現(xiàn)停滯現(xiàn)象［12］

。所以，本次將遺傳算法與蟻群算法相結(jié)合，進行優(yōu)勢互補，其基本思路如下：前一階段采用遺傳算法

求得問題的近似最優(yōu)解，然后以此作為第二階段蟻

群算法開始的基礎(chǔ)，利用蟻群算法的二次求得整個問題的最優(yōu)解。具體過程如圖3所示。

圖3城市軌道交通信號配時控制模型求解Fig．3

SolutionofSignalTimingControlModel

forUrbanＲailTransit

3方法性能測試

為測試基于人工智能的軌道交通信號配時自動

控制方法的應(yīng)用性能，進行仿真測試。測試地點選

擇北京市某個十字交叉路口，如圖4所示。

圖4十字交叉路口Fig．4

Intersection

該路口車輛通行高峰分別發(fā)生在早上7∶00～9∶

00之間和晚上5∶00～7∶00之間，上述時間段易發(fā)生交通擁堵。

假定在十字交叉路口有東、南、西、北4個方向分別停有50輛車，等待通行。運用基于人工智能的軌道交通信號配時自動控制方法和3種基于SCOOT系統(tǒng)、SCATS系統(tǒng)、UTOPIA系統(tǒng)的傳統(tǒng)交通信號配時控制方法對該路口個信號燈進行配時控制，然后利用數(shù)據(jù)記錄工具記錄下每種方法控制下，車輛延誤時間、停車次數(shù)以及通行能力3項指標(biāo)數(shù)據(jù)，并對3項指標(biāo)進行加權(quán)，得到綜合數(shù)值，結(jié)果如下表1所示。

f=kD+kM+kN

（3）

公式中，

k為加權(quán)系數(shù)；D為延誤時間；M為停車次數(shù)；N為通行能力。

表1

3種方法配時控制能力

Table1

TimingControlAbilityofThreeMethods

方法加權(quán)平均本方法8.5741

SCOOT6.8414SCATS7.27UTOPIA

6.4713

從表1中看出，利用本方法設(shè)計的配時方案控制軌道交通信號運行時，十字交叉路口交通性能加

權(quán)平均數(shù)值為8.5741，而利用3種傳統(tǒng)基于SCOOT、SCATS、UTOPIA的方法設(shè)計的配時方案控制軌道交通信號運行，十字交叉路口交通性能加權(quán)

平均數(shù)值分別為6.8414、

7.27、6.4713。4種結(jié)果74科技通報

148－149．

第35卷

對比可知，本方法的控制性能更優(yōu)。

［4］劉成健，羅杰．基于參數(shù)融合的Q學(xué)習(xí)交通信號控

4結(jié)束語

J］．計算機技術(shù)與發(fā)展，2018，28（11）：制方法［－57．

［5］袁麗麗，孫紅艷．單交叉口交通信號燈的實時自適應(yīng)

J］．中小企業(yè)管理與科技，2017（34）：194控制策略［－196．

［6］李珣，劉瑤，周健，等．基于改進遺傳算法的交通信

J］．工業(yè)儀表與自動化裝置，2017號配時優(yōu)化模型［（4）：125－130．

［7］夏新海．多Agent強化學(xué)習(xí)下的城市路網(wǎng)自適應(yīng)交通

．交通運輸研究，信號協(xié)調(diào)配時決策研究綜述［J］2017，3（2）：17－23．

［8］張曉．城市道路交通信號控制配時優(yōu)化策略研究

［J］．科技尚品，2017（8）：175－175．

［9］趙小方，吳文祥．基于動態(tài)網(wǎng)絡(luò)加載的交通信號配時

J］．微型機與應(yīng)用，2016，35（11）：4－7．優(yōu)化［

［10］張華．基于HMI和PLC的多功能交通信號燈自動控

J］．電子設(shè)計工程，2018，26（22）：制系統(tǒng)設(shè)計研究［118－122．

［11］化雪薈，丁犇，宋文廣．分布式智能交通系統(tǒng)區(qū)域信

J］．計算機產(chǎn)品與流號協(xié)調(diào)配時方案的優(yōu)化與設(shè)計［通，2017（7）：275－276．

［12］邱建東，解小平，湯旻安，等．基于車流量的智能交

J］．計算機應(yīng)用與軟件，2018，通信號優(yōu)化控制研究［35（1）：92－96．

隨著城市車輛數(shù)量的不斷增加，城市交通壓力也越來越大，因此交通擁堵現(xiàn)象也越加嚴(yán)重，影響了

人們的正常出行。為此，針對基于SCOOT系統(tǒng)、SCATS系統(tǒng)、UTOPIA系統(tǒng)的3種傳統(tǒng)交通信號配時控制方法性能不足的問題，設(shè)計一種基于人工智能的軌道交通信號配時自動控制方法。該方法將遺傳和蟻群兩種人工智能算法應(yīng)用其中。經(jīng)驗證，本次方法設(shè)計的配時控制方案模擬下，交通質(zhì)量運行提高。由此可知，本方法的研究為交通有效控制提供了方法參考，改善了城市交通質(zhì)量。參考文獻：

［1］鄭承宇，譙小康，武顯金，等．基于車流密度的交通

．科技創(chuàng)新導(dǎo)報，2018，15信號燈配時優(yōu)化模型［J］（5）：173－175．

［2］羅云輝，李林，靳文舟．基于大數(shù)據(jù)的單點交通信號

．公路與汽運，2017（4）：22配時優(yōu)化策略研究［J］－27．

［3］顧江洋，應(yīng)世杰．基于智能控制理論STC10芯片交

J］．價值工程，2017，36（2）：通信號燈系統(tǒng)的設(shè)計［

（上接第69頁）

［7］鄭先鋒，王麗艷．自適應(yīng)逃逸動量粒子群算法的數(shù)據(jù)

．四川大學(xué)學(xué)報（自然科學(xué)庫多連接查詢優(yōu)化［J］2013，50（3）：100－103．版），

［8］于洪濤，J］．錢磊．一種改進的分布式查詢優(yōu)化算法［

計算機工程與應(yīng)用，2013，49（8）：151－155．．

［9］劉春茂，張云崗．基于多群智能優(yōu)化算法的數(shù)據(jù)庫查

．微型電腦應(yīng)用，2016，32（7）：25詢優(yōu)化研究［J］－28．

［10］陳金萍．基于基本果蠅算法改進的數(shù)據(jù)庫查詢優(yōu)化

J］．赤峰學(xué)院學(xué)報（自然科學(xué)版），2017，33策略［（3）：31－33．

［11］林基明，班文嬌，王俊義，等．基于并行遺傳一最大最

J］．計算機應(yīng)小蟻群算法的分布式數(shù)據(jù)庫查詢優(yōu)化［用，2016，36（3）：675－670．

［12］YangXS，DebS．Engineeringoptimizationbycuckoo

search［J］．InternationalJournalofMathematicalModelingandNumericalOptimization，2010，11（4）：330－343．