一種智能交通系統的自適應擁塞控制方法

隨著經濟的發展，交通需求和交通量成為城市交通網絡中急需解決的問題，智能交通系統為改善和提高交通發揮了重要的作用，其中，交通信號控制是智能交通系統的一個重要方面，平面交叉口的控制是智能交通流量控制的基礎。交通信號控制系統具有較強的非線性、模糊性和不確定性，用傳統的控制理論和方法很難對其進行有效的控制，如傳統的交通路口的信號控制是一個新的研究方向。1977年希臘的C．P．Pappis和英國的E．H．Mamdani提出了單交叉口模糊控制法(稱Pappis法)，分析考慮單交叉路口的理想狀態下的控制；1992年我國徐東玲等學者也提出了基于感應控制思想的單路口模糊神經網絡控制方案，效果較好。
目前很多路口都是多相位的，因此多相位平面交叉口的研究很有必要。筆者針對車流量擁塞控制問題提了一種模糊模型參考學習控制策略。交通路口車流量的高突發性和時變特征對智能交通系統自適應性能提了更高的要求。筆者提出的控制策略，主控制通道采用模糊控制方法，綜合考慮多相位平面交叉口當前到達車輛的排隊長度和后繼兩相位車輛的排隊長度，對相位實施不同的配時方案，保證系統的穩定性和魯棒性；輔助學習通道采用模糊模型參考自適應方法實現主通道控制參數的自修正和自學習過程，針對車流量突發性狀況自適應調整主控制通道的配時參數，對相位實施不同的配時方案，提高多相位路口的通行能力，緩解交通壓力。

1 車流量擁塞控制模型
根據智能交通系統中多相位路口車流量主動隊列管理的作用機制，可以得到擁塞控制的流體動力學模型如下所示：

其中，V(t)為車流量窗口大小；F(t)為車流傳播時間RTT；d(t)為車流緩沖區隊列長度；M(t)為車流鏈路容量；Ty為傳輸時間；K(t)為交通路口活動相位連接數；y(t)為主動丟棄概率。定義(V。d)為流體模型的狀態變量，y為輸入變量。令V’=0和d’=0時，得到網絡流體動態系統的平衡點(V0，d0，y0)。進一步在平衡點附近線性化，則可得到在近似時滯二階動態的傳遞函數為


2 主通道模糊控制系統設計
本文模糊模型參考學習控制器引入了參考模型的學習機制對模糊控制的知識庫進行修正。由于高速網絡中分組丟棄機制需要較強的實時性，因此本文提出的控制方法采用了模糊反向推理機制對主控制器的參數進行修正，以滿足系統的實時性要求。擁塞控制系統輸入為平均隊列長度與期望隊列長度的偏差以及偏差的變化率，系統輸出為所計算的丟棄概率。主通道模糊控制器是一個雙輸入單輸出結構的控制器，輸入變量為A，B(隊列偏差、偏差變化率)，輸出變量為C(控制量丟棄概率)。控制規則表示為
Ri：if A is Ai and B is Bj then C is Ck (3)
其中Ai，Bj，Ck分別表示語言詞集。主通道模糊控制器的輸入為E和EC，輸出為U，設定E，EC和U的論域均為：{-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}。對應的模糊語言子集為{NB(負大)、N(負中)、NS(負小)、ZO(零)、PS(正小)、PM(正中)、PB(正大)}。通過比例因子ke和kec將偏差e和ec轉換為模糊學習控制器的輸入論域E和EC，通過量化因子ku將控制器的輸出轉化為實際控制量。E=exke和EC=ecxkec其中()為取整運算。在模糊模型參考學習控制器中，控制規則可以得到在線實時調整，每個輸出與輸入可以用一定的對應關系來表示：
U=axE+(1-α)xEC>，α∈[0，1] (4)
通過調整α，就可以根據不同交通網絡狀況、不同時刻的誤差和誤差變化率來調整控制規則。當平均隊列長度與期望隊列長度之間的偏差較大時，或者當網絡的業務量突發性能較強時，誤差對輸出的影響應超過誤差變化率的影響，α的值應取得較大以獲取較好的穩定性。反之，α的值可取得小些以提高系統控制精度。模糊模型參考學習控制就是利用參考模型的輸出與實際輸出的誤差及其變化率實時在線地調整α的值來達到調整控制規則的目的。為了使模糊模型參考學習控制器做到實時在線推理，對模糊模型參考學習控制器的推理過程進行了改進。

3 輔助通道模糊反向推理設計
本文仍然采用模糊推理方法來完成對α的調整，以保證修正過程的簡單迅捷。α的調整過程是基于參考模型與實際對象的誤差及其變化率的模糊推理來實現的。具體實現如圖1所示。