突发事件下成都二环高架拥堵消散策略

符号解释 第时的交通流流量 第时的交通流密度
3
zi hi
wij Bij
第时的交通流速度 第时的累计拥堵长度 神经网络权值矩阵 神经网络阈值矩阵 上游干道车流入量 上游入口匝道车流量 上游出口匝道车流量 拥堵节点车流流入量 公交道通行量 拥堵节点车流流出量 下游入口匝道车流量 下游出口匝道车流量 下游干道车流出量 上游入口匝道信号调控因子 上游交警分流调控因子 下游流出车流调控因子 下游流出车流调控因子
f x 1/ 1 e x
神经网络的权值参数 i 的梯度算法公式为：
i k i k 1
其中, E 为神经网络的输出误差,
E i
E 为神经网络的输出误差关于神经网络权值 i
的梯度,λ为学习率。在经典梯度算法中,学习率λ是一个固定值,其值的选取常利用经 验,但也存在如下缺点:当选取大的学习速率时,学习速度快,但可能导致系统的不稳定; 而选取小的学习速率时 ,虽然可以保证网络的误差最终趋于最小误差值,但将会导致训 练较长,收敛速度很慢。为了既能搜索到全局最小值,又具有快的学习速度,本 文采用自适应的学习速率,其数学表达式为: 0.6 E 0.6 10 E E 0.6 这样,学习率随着误差的减小而减小,既保证了在误差较大时有较快的学习率,又保 证了在误差较小时神经网络能够稳定收敛到极小值。
表 1 神经网络输入输出变量
拥堵累计时间 i
交通流流量 xi
输入层变量 交通流密度 yi
交通流速度 zi
输出层变量 拥堵长度 hi
4
5.1.2 BP 神经网络结构设计 我们采用三层神经网络结构：输入层、隐层、输出层，其中输入层包括交通流流量 xi 、 交通流密度 yi 和交通流速度 zi ，结构如图 1 所示
7
发生 事故
执行匝道入 口信号灯调 控，控制车 辆涌入
交警到达现 场， 执行干道 提前分流措 施
表 2 事故后交通量说明

Vin1
Vin 2
Vin
Vin
20 18 16
Vout
正常情况 占用一车道 占用两车道
20 19 19
15 14 13
15 15 16
20 10 0
5.3 建立上游拥堵缓解模型 5.3.1 提出缓解拥堵的措施 在制定措施之前，我们注意到二环高架路具有以下特殊性： 1、 高架主干道全程无信号灯，在交警到达之前无法进行分流。 2、 匝道入口通常连接市区其他干道，可以提前调整连接匝道入口干道的信号灯指挥控 制汇入高架的车流。 3、 公交车道严禁占用，只有在极严重的情况下在交警到达现场后才可以临时启用，疏 导车流。 根据以上高架特殊性，我们分三阶段制定了如下方案： 第一阶段（ 0 t1 ） ： 从事故发生开始到发生后 t1 时刻，利用高架桥上的传感监测系统收集异常的交通流 信息（交通流速度 xi 、交通流密度 yi 、交通流流量 zi ） ，将交通流信息输入建立好的神 经网络模型中，输出事故将会造成的车辆拥堵长度 h 。 第二阶段（ t1 t3 ） ： 从 t1 时刻开始立即执行匝道入口前方的信号灯调控，调整红绿灯时长，控制匝道入 口交通量由 Vin 2 减少为 Vin 2 ，以减少涌入拥堵节点的车流量，减轻拥堵状况，直到事故 得到解决，道路通行恢复正常。由于二环高架主干道全程无信号灯，所以信号系统只能 控制匝道入口进入的车流量。 第三阶段（ t2 t3 ） ： 交警于事故发生后 t2 时刻到达事故，可以对干道交通流 Vin1 进行分流，增大匝道出 口交通量为 Vin ， 以减小拥堵路段上游总交通量 Vin ， 进一步减少涌入拥堵节点的车辆， 将车辆拥堵的长度控制在可接受的范围内。 通过三个阶段的调控，尽量减小 t3 时刻事故得到解决时的车辆拥堵长度 h 。 方案如图 3 所示：
t 时刻上游车速 t 时刻上游流量 t 时刻拥堵长度 t 时刻上游占有率
图 1 神经网络结构图
Step1：由计算机随机确定权值 wij 矩阵和阈值 Bij 矩阵。 Step2：将原始数据 xi ， yi ， zi 进行归一化处理，作为第一层输入层神经元的输入 I1 ， 第一层神经元输出 O1 I1 Step3：对于接下来第 n 层神经元的输入，来自上一层神经元的值与阈值的和： I n wij On 1 Bij ones 对于第 n 层神经元的输出：
关键词： BP 神经网络 图论 计算机模拟
2
一、 问题重述
成都二环高架路是在原二环路上整体修建高架的城市快速路， 2013 年 5 月完工开始 通车。全长 28.3 公里，主线无红绿灯，有多座立交及匝道进行交通转换。成都市交管局 介绍，二环路高架快速路全线建设了上千套智能设备，实时传送道路信息，并可实现高 架桥道路车流量的智能化调控。 由于二环高架路的快捷方便性，许多车辆都选择它来作为出行的重要交通路径，因 此二环高架的车流量与日俱增。但是，车辆的增多也增加了突发交通事故的可能性。一 旦发生了严重的交通事故，将对半封闭的二环高架路交通造成严重的影响，甚至会影响 高架桥周边的交通。 附件 1 提供了历史上两次二环高架曾发生的交通事故资料。 附件 2 为二环高架简化 地图。请收集其余必要的数据资料等，利用数学模型提供当发生附件 1 的突发事件时， 应采取的合理的拥堵消散策略，并说明其合理性。
Vin1 Vin 2 Vin
Vin V0
Vout1 Vin 3
Vin Vout 2

五、 模型的建立
我们的模型建立思路如下： Step1：建立改进后的神经网络预测模型，预测事故可能造成的拥堵长度。 Step2：抽象出拥堵交通流模型，根据不同拥堵长度聚类成多个应对等级。 Step3：建立随机数学模型，利用计算机模拟计算出不同应对等级的应对强度。 5.1 建立基于 BP 神经网络拥堵预测模型 5.1.1 收集和处理历史事故信息 为了能够在事故发生后及时预测事故将会造成的车辆拥堵长度 h ，以便根据不同的 拥堵状况提前采取相应的有效措施，我们收集了 2014 至 2015 年间，成都二环高架上下 班高峰期共 8 起交通事故后 0 min 40 min 内的上游道路路况信息，以 10 s 为测量步长 对上游交通流信息进行收集监测，并剔除了异常值。 我们选取了定量描述交通流的三个参数做为神经网络训练的输入层参数，以拥堵距 离做为输出层参数，如表 1
1 1 e In Step4：对于最后一层神经元输出层，输入等于输出值 On 1 I n 1 On
Step5：计算能量函数 E ，根据输出样本 Y ，对权值 wij 和阈值 Bij 进行调整
E Y On1
Step6：计算权值和阈值的调整量
2
wij
E Y On On 1 wij E Bij Y On ones Bij
突发事件下成都二环高架拥堵消散策略
摘 要
本文运用 BP 神经网络、图论、计算机模拟等模型解决了成都二环高架拥堵的缓解 和消散问题。 针对成都二环高架全程无信号灯、交通信息及时传达等特点，我们制定了以下缓解 和消散拥堵车流的策略： 第一阶段，短时间内采集拥堵节点上游路况变化信息，预测事故将会造成的拥堵长 度，以便及时采取对等强度的措施。 第二阶段，根据预测的拥堵长度，在交警出动前，立即调整连接着匝道入口的城市 干道信号灯，减小通过拥堵上游匝道入口进入拥堵路段的车流；在交警到位后，利用交 警的指挥能力，对上游主路进行车辆分流，进一步减小进入拥堵的车流，极度紧急时， 可依交警指挥启用公交车道。 第三阶段，在事故车辆撤离道路后，交警指挥使拥堵节点下游交通量达到最大值， 以便拥堵车流快速以最快速度消散，同时调控下游匝道出入口的车流进出，防止在干道 车流饱和的情况下造成二次拥堵。 对于第一阶段拥堵预测模型，由于 BP 神经网络具有优秀的非线性映射能力、自学 习和自适应能力等多个优点，我们选用 BP 神经网络做为拥堵长度的预测模型。我们收 集了近两年成都二环高架的事故拥堵的路况信息，以交通流三要素（交通流密度 x 、交 通流速度 y 、交通流流量 z ）做为输入层，自然拥堵长度 h 做为输出层，训练了 BP 神经 网络，并使用自适应梯度算法对神经网络做出优化，以提高神经网络稳定性。 对于第二阶段拥堵缓解模型和第三阶段拥堵消散模型，我们将事故发生节点附近道 路和匝道进出口抽象为图论网络模型，将拥堵缓解和消散问题转化为图论最小、最大流 问题，依据不同的事故等级和以往事故后的路况信息确定节点上下游的流量。利用计算 机随机模拟的方法，在尽量少的干预匝道自然车流的前提下，保持拥堵长度 h 始终位 于可接受的范围内，模拟出不同事故等级的情况下的最佳信号系统调控率和交警调控 率，将模拟出的最佳调控率带回网络模型中计算出拥堵消散的时间 t 。 对于事件一，在采用以上策略后，模拟得到拥堵长度 h 由约 500m 减少为约 350m ， 拥堵车流消散的时间 t 由约 25min 缩短为约 17 min ，减轻了拥堵带来的影响。 对于时间二， 在采用以上策略后， 模拟得到拥堵长度 h 由约 2000m 减少为约 1100m ， 拥堵车流消散的时间 t 由约 47 min 缩短为约 23min ，同样使得拥堵更快的得到了解决。
5.2 建立拥堵路段上下游图论网络模型 为了确定不同拥堵状态下的应对策略，我们将拥堵节点抽象成图论网络模型如图 2
Vin 2 Vin1
Vin
V0
上游 匝道
Vin 3 Vout1
Vin
Vin
拥堵 节点
下游 匝道
Vout 2
图 2 拥堵路段网络模型
6
网络模型中， 上游的干道交通量 Vin1 、 匝道入口交通量 Vin 2 、 匝道出口交通量 Vin 合 流为上游总交通量 Vin 流入拥堵节点，下游交通量 Vout 为拥堵节点流出量。 在正常情况下， Vin Vout ，但在发生事故后， Vout Vin ，流入量大于流出量，在 节点产生拥堵。 我们分析并简单处理了收集到的多组二环事故信息后，得到了以上各交通量 V （辆 / 10s ）在事故发生后不加干预的情况如表 2 所示