基于人工智能的轨道交通信号配时自动控制方法研究

科技通报

Vol．35No．9Sep．2019

BULLETINOFSCIENCEANDTECHNOLOGY

基于人工智能的轨道交通信号配时

自动控制方法研究

朱理婧

（西南交通大学信息科学与技术学院，成都611756）

摘

SCATS、UTOPIA的交通信号配时控制方法存在整体控制效果不佳的问题，要：针对传统基于SCOOT、提出一种

基于人工智能的轨道交通信号配时自动控制方法。在信号相位、信号周期、绿信比3个约束条件下构建城市轨道交通信号配时控制模型，并将遗传算法与蚁群算法进行结合对模型进行求解，最终实现对轨道交通信号配时的自动控制。分析实验结果可知，本文方法的性能加权平均数值为8.5741，明显高于传统方法。说明与3种传统配时控制方法相比，基于人工智能的轨道交通信号配时自动控制方法性能更优，能有效缓解城市交通压力。关键词：人工智能；交通信号；配时控制；遗传算法；蚁群算法中图分类号：TN21

文献标识码：A

文章编号：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

城市交通拥挤现象已经成为每个城市发目前，

展过程中的亟待解决的问题之一，尤其对于一二线大城市而言

［1］

路宽度等，虽然有效提高了交通通行能力，但是伴随

仍在增加的城市人口，这些办法无法满足不断增长的交通压力。在此背景下，如何合理使用现有交通设施，提高交通信号配时自动控制与管理水平，使其

。为此，近几十年来，交通管理与建

设者提出了很多调整措施，如修建路桥、拓宽交通道

收稿日期：2018－11－03

研究方向：轨道交通信号与控制、人工智能自动化。作者简介：朱理婧（1998－），女，江西安福人，

第9期朱理婧．基于人工智能的轨道交通信号配时自动控制方法研究71

有效发挥交通设施的调控功能是缓解交通压力的根

本措施［2］

。

城市轨道交通信号配时多是通过SCOOT系统、SCATS系统、UTOPIA系统等控制下完成的，但是这

些系统控制下的交通信号配时性能并不能很好的满足现在的交通需求，交通运行质量没有得到有效改善。针对上述情况，本文引入人工智能算法，提出基

于人工智能的轨道交通信号配时自动控制方法［3］

。方法控制主要分为两部分，

第一部分构建城市轨道交通信号配时控制模型，第二部分利用遗传算法和蚁群算法对模型进行求解。结果表明：基于人工智能的轨道交通信号配时自动控制方法性能远远好于传统交通信号配时控制方法性能，能更有效缓解交通压力，提高交通通行质量。

1基于人工智能的轨道交通信号配时自动控制原理

城市轨道交通信号配时控制是指对交通交叉口的信号灯亮起的顺序、持续的时间等进行自动操控，从而让车辆能够快速、有序的通过交叉路口，达到疏散交通、缓解交通拥挤的目的。目前交通信号配时

控制方法主要分为3类：第1类为定时控制，根据以往交通路口的交通流信息，设定一个固定的交通信号配时来指挥车辆通行；第2类为感应控制，根据实时感应到的交通路口的交通流信息，利用智能控制机随时调整交通信号配时来疏导车辆，灵活性强。第3类为自适用控制，与感应控制相类似，只是更侧重对交通信号参数的在线实时控制以适应交通情况

的实时变化［4］

。

本次研究的基于人工智能的轨道交通信号配时自动控制方法属于第2类方法，它不仅针对某一个

参数指标，如信号相位、周期、绿信比、饱和度等基本

参数，而是综合多个参数设计配时方案，并且配时方案可以根据交通流数据的变化进行实时调整，因此灵活性、适用性更强，能有效应对实时变化的交通情况

［5］

。图1为基于人工智能的轨道交通信号配时自

动控制方法基本思路框图。

由图1可知，

基于人工智能的轨道交通信号配时自动控制方法主要分为两部分内容：

（1）第1部分，构建城市轨道交通信号配时控制模型，确定约束条件，包括信号相位、信号周期、绿信比、饱和度等。

图1

基于人工智能的交通信号配时控制基本思路

Fig．1

BasicideaoftrafficsignaltimingcontrolbasedonArtificialIntelligence

（2）第2部分，求解城市轨道交通信号配时控

制模型，利用智能算法求解最优配时方案，实现轨道

交通信号配时自动控制。

2

轨道交通信号配时自动控制的实现

2.1

建立城市轨道交通信号配时控制模型

城市轨道交通信号配时的目标是通过调节交通

信号配时控制参数（信号相位、

信号周期、绿信比、饱和度等）来提高交通控制质量（延误时间、停车次

数、通行能力等）。由此可知，要想构建一个完善的配时控制模型，确定其约束条件是交通信号配时控

制模型构建的基础［6］

。

（1）约束条件1：信号周期

信号周期是指交通信号灯，即红灯、黄灯和绿灯

变换一个周期所需要的时间，周期时常一般为三者之和。该参数是城市轨道交通信号配时控制中十分重要的约束条件，能够直接影响交通质量。该参数设置时间不能过短，否则留给各个相位上车辆通行的时间不足，会出现交通拥挤混乱的现象，降低车辆

72科

技通报第35卷

通行质量［7］

。但是，也不能过长，否则将会导致车

辆在交叉路口停留时间过长，延误时间增加。一般

情况下，信号周期的选择需要根据延误时间、停车次数和通行能力之间的关系来确定。

图2信号周期与延误时间、停车次数和

通行能力的关系

Fig．2

Therelationshipbetweensignalperiodand

delaytime，parkingtimesandtrafficcapacity

信号周期的选择原则既要满足交叉路口的车辆

通行要求，

同时又要达到交通利益最大化的目的，因此在进行城市轨道交通信号配时控制方案设计时，

首要确定的参数就是信号周期。

（2）约束条件2：信号相位在交叉路口，为保证各个方向上车辆能够有序通行，避免发生冲突，一般采用分时通行方法

［8］

。

在一个信号周期内，

取得通行权的一个或几个交通流的序列组，被称为信号相位。一般来说，信号相位

越多越安全，但是过多的相位会降低交叉路口的利用率，所以目前城市交叉路口一般为两相位或四相位。

（3）约束条件3：绿信比

绿信比是指在一个信号周期内，某相位上绿灯时长Gi与信号周期t的比值，公式描述如下：

k=

Git

（1）

绿信比这一控制参数反映了该信号相位在一个信号周内需要有效绿灯时间的长短，其值大小直接

关系着交叉路口交通疏散需要的时间，因此合理的分配绿信比，不仅可以减少各相位上车辆的停车次

数，还可以降低车辆的延误时间［9］。

根据上述分析，建立以信号周期、信号相位、绿

信比为控制变量，建立车辆延误最小、停车次数最少、车辆通行能力最强的多目标城市轨道交通信号配时控制模型，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)为总车辆延误时间；H(t，G)为总车辆停车次数；P(t，

G)为总行人过街延误时间；rimin为最小绿灯有效时间；rimax为最大绿灯有效时间。

2.2城市轨道交通信号配时控制模型求解在上述城市轨道交通信号配时控制模型建立完成后，需要利用智能算法对其进行求解。目前应用较为广泛的智能算法有神经网络、模糊控制、多智能

体、遗传算法、免疫算法以及蚁群算法等［10］

。然而，在使用上述智能算法过程中，单一的算法或多或少的均存在一些缺点，为求得最优解，本文将遗传算法

与蚁群算法相结合，将二者混合进行求解。遗传算法是利用模拟生物生命进化过程而研究出来一种智能算法，其基本思路如下：步骤1：将模型预求解进行编码，即通过字符串的形式表示，构成初始化种群。步骤2：选择适应函数，并利用它对初始化种群中每个个体进行适用度评估。

步骤3：判断评估结果是否满足迭代条件。如果满足，则输出适用度最小的个体作为最优解；否

则，重复上述步骤，直到满足条件，输出最优解［11］。

遗传算法的优点在与全局搜索能力强，

操作简单。缺点在于易形成冗余迭代，求解精度低。

蚁群算法是模拟蚁群觅食行为是发明的一种智

第9期朱理婧．基于人工智能的轨道交通信号配时自动控制方法研究73

能算法，其基本思路如下：

步骤1：将种群数量等参数进行初始化。

步骤2：将蚂蚁随机放置于不同的出发点，计算各蚂蚁经过的路径长度，根据计算结果得出当前迭代次数的最优解。

步骤3：对迭代次数进行计算，判断其是否能够达到最大值。达到最大迭代次数，输出最优解，结束程序；否则，回到步骤2，重复上述步骤。蚁群算法最大优势在于具有较强的鲁棒性，但

是搜索时间较长，容易出现停滞现象［12］

。所以，本次将遗传算法与蚁群算法相结合，进行优势互补，其基本思路如下：前一阶段采用遗传算法

求得问题的近似最优解，然后以此作为第二阶段蚁

群算法开始的基础，利用蚁群算法的二次求得整个问题的最优解。具体过程如图3所示。

图3城市轨道交通信号配时控制模型求解Fig．3

SolutionofSignalTimingControlModel

forUrbanＲailTransit

3方法性能测试

为测试基于人工智能的轨道交通信号配时自动

控制方法的应用性能，进行仿真测试。测试地点选

择北京市某个十字交叉路口，如图4所示。

图4十字交叉路口Fig．4

Intersection

该路口车辆通行高峰分别发生在早上7∶00～9∶

00之间和晚上5∶00～7∶00之间，上述时间段易发生交通拥堵。

假定在十字交叉路口有东、南、西、北4个方向分别停有50辆车，等待通行。运用基于人工智能的轨道交通信号配时自动控制方法和3种基于SCOOT系统、SCATS系统、UTOPIA系统的传统交通信号配时控制方法对该路口个信号灯进行配时控制，然后利用数据记录工具记录下每种方法控制下，车辆延误时间、停车次数以及通行能力3项指标数据，并对3项指标进行加权，得到综合数值，结果如下表1所示。

f=kD+kM+kN

（3）

公式中，

k为加权系数；D为延误时间；M为停车次数；N为通行能力。

表1

3种方法配时控制能力

Table1

TimingControlAbilityofThreeMethods

方法加权平均本方法8.5741

SCOOT6.8414SCATS7.2547UTOPIA

6.4713

从表1中看出，利用本方法设计的配时方案控制轨道交通信号运行时，十字交叉路口交通性能加

权平均数值为8.5741，而利用3种传统基于SCOOT、SCATS、UTOPIA的方法设计的配时方案控制轨道交通信号运行，十字交叉路口交通性能加权

平均数值分别为6.8414、

7.2547、6.4713。4种结果74科技通报

148－149．

第35卷

对比可知，本方法的控制性能更优。

［4］刘成健，罗杰．基于参数融合的Q学习交通信号控

4结束语

J］．计算机技术与发展，2018，28（11）：54制方法［－57．

［5］袁丽丽，孙红艳．单交叉口交通信号灯的实时自适应

J］．中小企业管理与科技，2017（34）：194控制策略［－196．

［6］李珣，刘瑶，周健，等．基于改进遗传算法的交通信

J］．工业仪表与自动化装置，2017号配时优化模型［（4）：125－130．

［7］夏新海．多Agent强化学习下的城市路网自适应交通

．交通运输研究，信号协调配时决策研究综述［J］2017，3（2）：17－23．

［8］张晓．城市道路交通信号控制配时优化策略研究

［J］．科技尚品，2017（8）：175－175．

［9］赵小方，吴文祥．基于动态网络加载的交通信号配时

J］．微型机与应用，2016，35（11）：4－7．优化［

［10］张华．基于HMI和PLC的多功能交通信号灯自动控

J］．电子设计工程，2018，26（22）：制系统设计研究［118－122．

［11］化雪荟，丁犇，宋文广．分布式智能交通系统区域信

J］．计算机产品与流号协调配时方案的优化与设计［通，2017（7）：275－276．

［12］邱建东，解小平，汤旻安，等．基于车流量的智能交

J］．计算机应用与软件，2018，通信号优化控制研究［35（1）：92－96．

随着城市车辆数量的不断增加，城市交通压力也越来越大，因此交通拥堵现象也越加严重，影响了

人们的正常出行。为此，针对基于SCOOT系统、SCATS系统、UTOPIA系统的3种传统交通信号配时控制方法性能不足的问题，设计一种基于人工智能的轨道交通信号配时自动控制方法。该方法将遗传和蚁群两种人工智能算法应用其中。经验证，本次方法设计的配时控制方案模拟下，交通质量运行提高。由此可知，本方法的研究为交通有效控制提供了方法参考，改善了城市交通质量。参考文献：

［1］郑承宇，谯小康，武显金，等．基于车流密度的交通

．科技创新导报，2018，15信号灯配时优化模型［J］（5）：173－175．

［2］罗云辉，李林，靳文舟．基于大数据的单点交通信号

．公路与汽运，2017（4）：22配时优化策略研究［J］－27．

［3］顾江洋，应世杰．基于智能控制理论STC10芯片交

J］．价值工程，2017，36（2）：通信号灯系统的设计［

（上接第69页）

［7］郑先锋，王丽艳．自适应逃逸动量粒子群算法的数据

．四川大学学报（自然科学库多连接查询优化［J］2013，50（3）：100－103．版），

［8］于洪涛，J］．钱磊．一种改进的分布式查询优化算法［

计算机工程与应用，2013，49（8）：151－155．．

［9］刘春茂，张云岗．基于多群智能优化算法的数据库查

．微型电脑应用，2016，32（7）：25询优化研究［J］－28．

［10］陈金萍．基于基本果蝇算法改进的数据库查询优化

J］．赤峰学院学报（自然科学版），2017，33策略［（3）：31－33．

［11］林基明，班文娇，王俊义，等．基于并行遗传一最大最

J］．计算机应小蚁群算法的分布式数据库查询优化［用，2016，36（3）：675－670．

［12］YangXS，DebS．Engineeringoptimizationbycuckoo

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