[发明专利]一种倒T型口虾蛄人工洞穴

说明书

技术领域

本发明涉及交通控制方法，尤其是一种可变车道自适应控制方法。

背景技术

随着经济的发展，尤其是城市经济的快速发展，城市机动车的保有量快速上升，虽然城市道路及交通设施也有了相应的增加，但是道路设施的增长速度远远低于机动车的增长速度，由此造成了交通拥堵、环境污染等一系列问题。特别在上下班高峰期间，“潮汐式”交通引起的交通拥堵问题更加严重。从本质上讲，产生这种现象的原因是交通需求的动态变化与静态的道路设施之间的矛盾。充分挖掘、合理利用城市道路资源是缓解城市交通拥堵状况的有效手段。为此，国内很多大中型城市应用了可变车道技术。

目前可变车道诱导方法主要就是利用原有的车道诱导标志，经过加工改装，将标志上固定不变的指向箭头改为可变的箭头，根据交叉口的流量变化情况，由值班交警或者指挥中心调度控制，改变箭头的指向。车道的改变由值班交警根据观测交通流的大小来遥控信号标志牌的方式实现的。这样，车道的切换时间会经常提前或滞后于最佳切换时间，可变车道没有得到充分的使用。

发明内容

为了解决上述可变车道利用率不高的问题，本发明提供一种能够有效提高可变车道利用率的可变车道自适应控制方法。

本发明解决其技术问题所采用的技术方案是： 

一种可变车道自适应控制方法，所述可变车道自适应控制方法包括以下步骤：

1）、将通过设置在道路的检测器所检测到的时间占有率作为BP神经网络的输入，BP神经网络包括输入层、隐含层和输出层，其训练过程为在网络各节点的连接权值固定不变的前提下，从输入层开始逐层逐个节点地计算每个节点的输出，再保持输出层各节点的输出不变，从输出层开始反向逐层逐个节点计算连接权值的修改量；如果输出层的网络输出与期望输出相差超于预设值，根据网络输出与期望输出的信号误差进行权值调整，最终使网络输出层的输出值与期望值趋于一致。权值调整公式为：

 ，

其中，为当前某层权值调整量矩阵；为前一次权值调整量矩阵；X代表某层输入向量；为动量系数；为比例系数，；为误差信号，；

所述BP神经网络的输出向量O=，所述输出向量为0或1；

2）、可变车道控制过程如下：

目前神经网络的实现仍以软件编程为主，编写相应的算法程序，神经网络训练好之后开始工作，采集相应道路的道路交通信息（时间占有率），交由算法进行计算，如果满足触发条件，则改变可变车道的属性；如果不满足触发条件，则保持可变车道的属性不变。

2.1）若当前可变车道属性为直行，将采集到的时间占有率数据输入BP神经网络中，如果输出向量为1，则在下一个直行相位到来时，将可变车道属性由直行变为左转；如果输出向量为0，则当前可变车道属性不变。

2.2）若当前可变车道属性为左转，将采集到的时间占有率数据输入BP神经网络中，如果输出向量为1，则在下一个左转相位到来时将可变车道属性由左转变为直行；如果输出向量为0，则可变车道保持左转属性不变。

本发明的技术构思为：本发明所述的自适应控制方法采用改进的BP神经网络，BP神经网络是一个3层或3层以上阶层神经网络，网络模型如图1所示。，，…,为网络的输入，，…,为网络的输出。上下层之间各种神经元实行权连接，即下层的每个单元与上层的每个单元都实现权连接，每层各种神经元之间无连接。最基本的BP网络是3层前馈网络，包括输入层、隐层和输出层。

1.1变量的选择及原始数据的搜集

影响可变车道属性的因素主要有车速及时间占有率，本文将相应的左转车道及直行车道的时间占有率作为输入，将触发阈值作为网络的输出。训练样本来自有可变车道的某一实际交叉口的经过分析处理过的有经验的交通警察的现场指挥数据。时间占有率能够反映出左转和直行车道的车流量信息以及左转和直行车道的溢出情况，从而决定是否改变车道的属性。

1.2确定网络的学习算法

传统的BP算法具有收敛速度慢，容易陷入局部极小值等缺点，为此，学界提出了很多改进办法，例如，增加动量项法、自适应调节学习率法和引入陡度因子法。本文采用附加动量项的BP神经网络，可以有效地抑制网络陷入局部极小值。权值调整公式为：

 ()

其中：为当前某层权值调整量矩阵；

    为前一次权值调整量矩阵；

X代表某层输入向量；

为动量系数；

为比例系数，；

为误差信号，。

1.3确定网络的结构