寇 潔, 李向有, 張雅楠, 胡 婷, 郭熊果

(延安大學 數(shù)學與計算機科學學院, 延安 716000)

0 引言

隨著延安市城市化規(guī)模的不斷擴大和人口數(shù)量的增加,延安市的交通壓力越來越大,交通擁堵問題日益突出,并且逐漸成為制約城市發(fā)展和居民生活質量的重要因素[1]. 交通擁堵在一定程度上會增加市民的通勤成本和時間成本,增加交通事故的發(fā)生率,還會導致城市環(huán)境惡化. 這些問題既影響了市民的出行,也對城市的經(jīng)濟發(fā)展和社會穩(wěn)定造成了一定的影響[2]. 因此為改善城市交通可持續(xù)發(fā)展和提高居民生活質量,本研究將對緩解延安市交通擁堵問題提出優(yōu)化策略.

本研究是調查延安市老城區(qū)主要路段在特定時段的交通擁堵問題,選取延安市寶塔區(qū)楊家?guī)X路段交叉口為研究對象,調查其相關交通數(shù)據(jù)、十字交叉口交匯點的通行狀況、單雙行道的分布及綠信比等,分析造成交通擁堵的各種因素,并通過設計優(yōu)化策略,調整信號配時方案,緩解交叉口交通擁堵問題. 最后利用VISSIM仿真軟件對比兩相位交叉口和多相位交叉口優(yōu)化前后的時延、隊列長度等擁塞指標,展示方法優(yōu)化效果. 基于以上分析,研究延安市交通擁堵問題的優(yōu)化策略,具有重要的現(xiàn)實意義和理論價值.

1 交通組織分析

研究目的是緩解延安市交通擁堵問題,研究對象是由楊家?guī)X隧道、楊家?guī)X大橋和延大路組成的交叉口處的交通情況,對交叉口的現(xiàn)狀畫CAD圖,如圖1所示.

圖1 楊家?guī)X路段交叉口原狀

楊家?guī)X大橋的交叉口進口道為2條,有左轉和直行,無右轉,出口道2條;楊家?guī)X隧道的交叉口進口道3條,有右轉和直行,無左轉,出口道3條;延大路由西北向東南方向的進口道1條,為公交車專用道,只有直行,出口道2條;延大路由東南向西北方向的進口道2條,有左轉、右轉和直行,出口道1條. 圣地路、楊家?guī)X大橋、楊家?guī)X隧道均無非機動車道. 楊家?guī)X大橋的中央隔離設施為護欄;圣地路的中央隔離設施為黃實線隔離;楊家?guī)X隧道的中央隔離設施為綠化帶隔離.

楊家?guī)X隧道是連接新區(qū)和老區(qū)的主要道路,由于其特殊的地理位置,經(jīng)常會出現(xiàn)交通擁堵的情況. 具體表現(xiàn)為早、晚高峰時段車輛排隊等待進出隧道,等待時間長,擁堵嚴重;隧道內車流量大,車輛行駛緩慢,擁堵嚴重;道路交叉口信號燈配時不太合理,隧道兩側車輛需排隊等待進入隧道,影響周邊道路的交通暢通. 擁堵情況在周五晚高峰時段和下雨天晚高峰時段頗為嚴重. 由于地形地勢所限,在短時間內通過加寬路面和減少該路段的車流量不具有可行性,因此優(yōu)化該道路交叉口信號燈配時,成為解決該交叉口擁堵的方案之一. 同時,為驗證本文提出優(yōu)化方法的適用性,本文分別采用楊家?guī)X路段交叉口和1個四相位交叉口為研究對象,證明該優(yōu)化方法在兩相位及多相位交叉口同樣具有優(yōu)化效果.

2 相關工作

2.1 GRU循環(huán)神經(jīng)網(wǎng)絡

門控循環(huán)單元(Gated Recurrent Unit,GRU)為1種用于處理序列數(shù)據(jù)的循環(huán)神經(jīng)網(wǎng)絡(Recurrent Neural Network,RNN)的變體[1]. 于2014年由Kyunghyun Cho等提出,旨在克服傳統(tǒng)RNN面臨的梯度消失問題和長依賴問題.

楊家?guī)X路段交叉口的交通流量是帶有時間序列的數(shù)據(jù),數(shù)據(jù)前后有較強的關聯(lián)性. 使用神經(jīng)網(wǎng)絡模型預測時間序列數(shù)據(jù)表現(xiàn)出的性能較好,常用于時間序列預測的神經(jīng)網(wǎng)絡模型有RNN、LSTM、GRU. RNN循環(huán)神經(jīng)網(wǎng)絡模型可用于解決時間序列預測問題,網(wǎng)絡的隱藏狀態(tài)可捕獲到當前時間步長的序列歷史,并且模型參量不隨時間步長的增加而增長. 但如果預測較長的時間序列數(shù)據(jù),RNN會產(chǎn)生梯度爆炸和梯度消失的問題[4]. 為此,有學者提出將RNN隱藏層神經(jīng)元改造成記憶神經(jīng)元,引入門控循環(huán)網(wǎng)絡,緩解RNN梯度消失帶來的問題,控制信息流動,使模型更好地記住長遠時期的信息. 長短期記憶網(wǎng)絡(LSTM)模型中有遺忘門、輸出門和輸入門,可有效防止重要信息在數(shù)據(jù)訓練時消失. GRU模型是改造了LSTM模型的記憶神經(jīng)元形成的,計算收斂速度更快,并且兩個算法預測精度相差不大,GRU模型較LSTM模型簡單,其結構如圖2所示[4]. 所以本研究選擇GRU模型來預測交通流量,并結合粒子群算法優(yōu)化信號配時,從而建立基于多目標粒子群算法-GRU循環(huán)神經(jīng)網(wǎng)絡的信號配時優(yōu)化模型.

圖2 GRU網(wǎng)絡模型的架構

2.2 多目標粒子群優(yōu)化算法

多目標粒子群優(yōu)化算法(Multi-Objective Particle Swarm Optimization,MOPSO)為1種基于粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)的智能優(yōu)化算法,廣泛應用于解決具有多個優(yōu)化目標的問題[6-8]. MOPSO算法的思想來源于對鳥群捕食行為的研究,該算法結構簡單,操作起來容易實現(xiàn),并且具有良好的全局搜索能力. 然而,MOPSO算法也存在收斂速度慢、容易陷入局部最優(yōu)等問題,并不能保證找到全局最優(yōu)解,因此在具體應用中需要根據(jù)實際情況進行參數(shù)設置和改進. 設計MOPSO算法的關鍵在于粒子的速度和位置的更替,進而粒子根據(jù)個體經(jīng)驗和群體經(jīng)驗的權重對速度和位置進行調整,使得粒子能在搜索空間中進行探索和利用信息,從而逐步尋找到最優(yōu)解.

多目標粒子群優(yōu)化算法的實現(xiàn)流程如下:

算法名稱:多目標粒子群優(yōu)化算法

算法功能:通過模擬群體行為實現(xiàn)全局搜索和解空間探索,以找到最優(yōu)解.

輸入:參數(shù)w:0.5～0.8;c1,c2:0.1～2;vmax,xmax:取決于優(yōu)化函數(shù).

輸出:輸出最優(yōu)值.

過程:

步驟1：初始化粒子的速度和位置,設置粒子數(shù)量、迭代次數(shù)等參數(shù);

步驟2：計算個體適應度;

步驟3：更替粒子速度→更替粒子位置;

步驟4：計算更新位置后的適應度,若新位置的適應度更高,則將該粒子的位置進行更替,否則不更替.

步驟5：判斷是否滿足終止條件,如果滿足則退出,不滿足則返回步驟2.

3 基于MOPSO-GRU神經(jīng)網(wǎng)絡的信號配時優(yōu)化模型

3.1 MOPSO設計信號配時

3.1.1 目標函數(shù)

本研究選取的配時優(yōu)化模型評價指標有延誤(h),停車次數(shù),通行能力(pcu/h)[9-15]. 由于3個評價指標的單位不同,需對單位進行統(tǒng)一,這樣有助于簡化計算和建立模型的過程. 進而對優(yōu)化目標分別賦予不一樣的權重系數(shù)X,Y,Z,建立式(1):

(1)

式中,D0為現(xiàn)狀配時方案下的車輛延誤;H0為現(xiàn)狀配時方案下的停車次數(shù);Q0為現(xiàn)狀配時方案下的通行能力;X,Y,Z代表不同優(yōu)化目標的權重系數(shù),其中X+Y+Z=1,且X>0,Y>0,Z>0.系數(shù)越大,則對應目標需進行優(yōu)化的程度也越大.

交通流量是個變量,影響交通流量的因素有很多,它隨時間的變化而變化.本研究通過計算各相位的飽和流量比α,設置不同權重系數(shù)的變量,意味著對于交叉口不同相位的車流量分配給予不同的重視程度或優(yōu)先級.通過設置權重系數(shù),可調整各個相位在信號燈控制中的綠燈時間分配,以實現(xiàn)更合理的交通流調度.當交叉口處于低飽和狀態(tài)時,α值相對較小,在所需優(yōu)化目標中,主要控制車輛延誤D和停車次數(shù)H最少;當臨近飽和或飽和狀態(tài)時,α值相對較大,在所需優(yōu)化目標中,主要控制通行能力Q最大.因此,根據(jù)不同的交通優(yōu)化需求目標,調節(jié)3個優(yōu)化目標不同的權重系數(shù).

因此,根據(jù)上述分析,將各個權重系數(shù)X,Y,Z分別設置為:

(2)

式中,C為交叉口的信號周期,α為各相位中最大飽和流量比.

則目標函數(shù)建立式(3):

(3)

式中,gi為相位i的有效綠燈時間;C為交叉口的信號周期;L為損失時間.

3.1.2 約束條件

信號燈在交叉口的實際運用中,信號周期C和綠信比λ都需要做一定的限制,不能設置的過大或者過小.一方面,信號周期時長過長時,在較長的綠燈時間的后期,車流較小,紅燈方向車輛等待時間過長,導致道路交叉口沖突區(qū)域使用效率較低,造成道路交叉口通行能力降低;另一方面,信號周期時長較短時,紅綠燈反復切換,導致車輛頻繁停車等待,損失時間增加,車輛多次啟動、停車,致使通行能力降低.因此合理的周期時長一般為24～180 s,因此最高值為180 s,最低值為24 s.最小周期時長確定見式(4):

(4)

式中,Cmin為最短周期時長(s);Y為全部相位的最大流量比之和;L為周期損失時間見(5):

(5)

式中,n為相位總數(shù);li為第i個相位的損失時間.

各相位綠信比(1個相位內某一方向有效通行時間與周期長度之比)之和為定值見式(6):

(6)

式中,C為周期時長;G為周期綠燈總時間;Ye為周期黃燈總時間;L為周期總損失時間.

3.2 數(shù)據(jù)集與優(yōu)化結果

建立MOPSO-GRU算法的目標是為了設置較為合適的信號配時,模型中的GRU負責預測交通流量. 本研究采用人為拍攝道路交叉口交通情況進行記錄車流量數(shù)據(jù),將車流量按照5 min為間隔建立數(shù)據(jù)集,數(shù)據(jù)集分成訓練集和測試集,使用GRU模型對交通流量進行預測,將均方根誤差(RMSE)、平均絕對誤差(MAE)、準確率(ACC)作為模型預測精度評價指標[14]. 結果如圖3所示.

圖3 GRU模型預測某道口4月7日車流量結果展示

為驗證本文提出的信號配時優(yōu)化方法在兩相位交叉口和多相位交叉口均可提高交叉口運行效率,本文選取了1個兩相位交叉口和1個四相位交叉口作為實驗對象.

3.2.1 兩相位交叉口

選取GRU測試集預測值的高峰小時交通量作為粒子群算法調優(yōu)的輸入數(shù)據(jù),兩相位交叉口其數(shù)據(jù)展示如表1所示.

楊家?guī)X路段交叉口是兩相位交叉口,交叉口信號控制方案如圖4所示.

3.2.2 四相位交叉口

為驗證本文所提出信號配時方法在多相位交叉口上的適用性,本文采用了1個四相位交叉口作為研究對象,該交叉口東西走向為平安路,南北走向為世紀路,其數(shù)據(jù)展示如表2所示.

表1 兩相位交叉口高峰小時交通量

圖4 兩相位交叉口相位圖

圖5 四相位交叉口相位圖

平安路—世紀路交叉口是兩相位交叉口,交叉口信號控制方案如圖5所示.

3.2.3 實驗結果

以兩相位交叉口為例,利用MOPSO算法進行實驗,相關參數(shù)設置如下:黃燈時間及各相位損失時間都為3 s;粒子群初始數(shù)量為100,迭代次數(shù)設為100次,加速常數(shù)C1和C2設為1.5;最大有效綠燈時間、最小有效綠燈時間分別為90 s、10 s,最大周期時長設為180 s.

粒子分布的初始狀態(tài)如圖6(a)所示,迭代20、50、100次下,粒子的分布狀態(tài)分別如6(b)～(d)所示.

圖6 粒子迭代示意圖

圖6(a)為初始狀態(tài)下粒子位置圖,圖中的粒子較為分散,紅色的點代表初始化時最優(yōu)解的位置. 1張圖中有4小幅圖,前3幅圖是粒子變化的二維圖,第4幅圖是粒子變化的三維圖. 根據(jù)圖 7粒子迭代過程,可看出:隨著迭代次數(shù)的增加,結果趨于穩(wěn)定狀態(tài). 對于楊家?guī)X路段交叉口的情形,預設信號配時優(yōu)化方法,迭代60次后,粒子群逐步向最優(yōu)解靠近. 3項評價指標也逐漸趨于穩(wěn)定達到最優(yōu)解.

圖7 迭代過程

以兩相位交叉口為實驗對象,程序運行結果為:相位Ⅰ綠燈時間為76 s,相位Ⅱ綠燈時間為66 s,信號周期為148 s.

以四相位交叉口為實驗對象,用同樣的方式優(yōu)化四相位交叉口,程序運行結果為:相位Ⅰ綠燈時間為48 s,相位Ⅱ綠燈時間為18 s,相位Ⅲ綠燈時間為46 s,相位Ⅳ綠燈時間為23 s,信號周期為150 s.

4 MOPSO-GRU模型的VISSIM驗證

本研究首先對楊家?guī)X路段交叉口的交通組織進行優(yōu)化,其次優(yōu)化信號配時,不優(yōu)化交叉口的相位,最后完成交叉口路網(wǎng)的繪制和相關參數(shù)設定,對優(yōu)化前后2個道路交叉口進行仿真[17-18]. 仿真路網(wǎng)中車道數(shù)按楊家?guī)X路段交叉口的渠化條件設置,車道寬度均設置為3.5 m. 楊家?guī)X隧道至楊家?guī)X大橋的飽和交通流量為1 600 pcu/h,延大路東南方向至西北方向的飽和交通流量為1 464 pcu/h. 車輛構成和車速等均采用VISSIM的默認值. 黃燈時長、各相位損失時間均設置為3 s. 信號配時設置時間由優(yōu)化前后配時方案的結果決定,圖8(a)為兩相位交叉口原信號配時,圖8(b)為粒子群算法優(yōu)化后的兩相位交叉口信號配時. 最后運行仿真模型得到仿真后各評價指標的值.

為驗證本文所提出信號配時方法在多相位交叉口上的適用性,也對四相位交叉口進行了仿真驗證,圖9(a)為四相位交叉口原信號配時,圖9(b)為粒子群算法優(yōu)化后的四相位交叉口信號配時.

圖8 兩相位交叉口優(yōu)化前后信號配時對比

圖9 四相位交叉口優(yōu)化前后信號配時對比圖

對優(yōu)化前后兩相位交叉口和四相位交叉口分別進行仿真,仿真持續(xù)3 600 s,仿真結果對比如圖 10所示.

圖10 優(yōu)化前后評價指標結果對比

根據(jù)圖8顯示,楊家?guī)X路段交叉口在優(yōu)化前的信號周期時長為110 s,而優(yōu)化后的周期時長為140 s,導致周期時間增加的原因是:在優(yōu)化信號配時過程中,為了實現(xiàn)交通流的高效運行,會增加某些進口道的綠燈時間,以便更多車輛通過. 這樣一來,路口的總車流量會增加,從而導致信號周期時間增長.

楊家?guī)X路段交叉口在優(yōu)化前的綠燈信號時長為70 s,優(yōu)化后的綠燈信號時長為76 s,而優(yōu)化之后綠燈配時沒有發(fā)生很大變化,原因為:在優(yōu)化信號配時過程中,優(yōu)化目標與綠燈時長的變化之間存在一定的權衡關系,因此最終的配時結果可能在一定程度上保持穩(wěn)定.

根據(jù)優(yōu)化前后評價指標結果對比可知,兩相位交叉口在新的配時方案下平均車輛延誤降低了19.83%、平均停車次數(shù)降低了27.16%、車輛通行能力提高了5.98%,四相位交叉口在新的配時方案下平均車輛延誤降低了17.29%、平均停車次數(shù)降低了32.04%、車輛通行能力提高了5.81%.

綜上所述,使用本研究提出的信號配時優(yōu)化模型,可顯著改善交叉口的交通狀況. 車輛的延誤減少,停車次數(shù)減少,通行能力提高,這意味著車輛能更加順暢地通過交叉口,交通效率得到了提升.

5 結束語

交通擁堵問題是城市發(fā)展過程中普遍存在的問題,緩解交通擁堵問題需要綜合運用各種措施和方法,找到最優(yōu)解決方案. 本研究首先分析了楊家?guī)X路段交叉口目前存在的問題,繼而對交通組織結構進行優(yōu)化. 之后構建了GRU模型對交通流量進行預測,預測結果接近楊家?guī)X路段交叉口車流量真實值,誤差較小. 然后引入MOPSO算法作為解決方案,本研究將MOPSO和GRU結合,應用于信號配時優(yōu)化問題,將交通流量預測數(shù)據(jù)的最大值作為粒子群算法調優(yōu)的輸入數(shù)據(jù),得到優(yōu)化后的信號配時方案. 最后搭建VISSIM仿真平臺,分別使用了兩相位和四相位的交叉口為實驗對象進行驗證,對比優(yōu)化前后的實驗數(shù)據(jù),驗證MOPSO-GRU模型的合理性. 實驗結果表明,本研究所提出的基于MOPSO-GRU神經(jīng)網(wǎng)絡的信號配時優(yōu)化模型可較好提高交通流量的效率和整體交通系統(tǒng)的性能.