摘要：針對突發(fā)性車流量自適應調整主通道流量控制，提出多相位路口實時的自適應擁塞控制算法，提高系統(tǒng)管理算法在突發(fā)性車流狀況中的適應能力，以兩種信息通道實現(xiàn)車流隊列管理的控制與學習功能，并結合參考模型機制實現(xiàn)模糊反向推理算法。仿真實驗結果表明，該控制方案能改善實際交通狀況，控制效果優(yōu)于定時控制的方法，提高平面交通路口的通行能力50％以上。
關鍵詞：智能交通；模糊控制；多相位路口；擁塞控制

    隨著經濟的發(fā)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(tǒng)為改善和提高交通發(fā)揮了重要的作用，其中，交通信號控制是智能交通系統(tǒng)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(tǒng)具有較強的非線性、模糊性和不確定性，用傳統(tǒng)的控制理論和方法很難對其進行有效的控制，如傳統(tǒng)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(tài)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(fā)性和時變特征對智能交通系統(tǒng)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(tǒng)的穩(wěn)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(xiàn)主通道控制參數(shù)的自修正和自學習過程，針對車流量突發(fā)性狀況自適應調整主控制通道的配時參數(shù)，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(tǒng)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?。籉(t)為車流傳播時間RTT；d(t)為車流緩沖區(qū)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(shù)；y(t)為主動丟棄概率。定義(V。d)為流體模型的狀態(tài)變量，y為輸入變量。令V’=0和d’=0時，得到網絡流體動態(tài)系統(tǒng)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(tài)的傳遞函數(shù)為
   

2 主通道模糊控制系統(tǒng)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(shù)進行修正，以滿足系統(tǒng)的實時性要求。擁塞控制系統(tǒng)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(tǒng)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(guī)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(guī)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(guī)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(yè)務量突發(fā)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(wěn)定性。反之，α的值可取得小些以提高系統(tǒng)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(guī)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(xiàn)的。具體實現(xiàn)如圖1所示。

    其中，E＾，E＾C，S分別為e＾，e＾c和α的模糊量，其論域均為{-6，-5，-4，-3，-2，-1，O，1，2，3，4，5，6}。E＾，E＾C和S對應的模糊詞集為{NB，NM，NS，ZO，PS，PM，PB}。根據在校正過程中要遇到的各種可能出現(xiàn)的情況和相應的調整策略得到控制規(guī)則表如表1所示。

    根據表1，用Max-Min方法進行Fuzzy推理和逆模糊化，可得到模糊判決表。在系統(tǒng)運行時的t時刻采樣周期內，根據E＾，E＾C由α調整規(guī)則模糊判決表可直接查出相應的S，從而得出α的相應調整值。
    α(t)=kαxS+0．5        (5)
    其中，kα為量化因子，使得α∈(0，1)。

4 控制算法實現(xiàn)步驟
    對于整個模糊模型參考學習控制器來說，在t時刻采樣周期內，根據隊列長度誤差和誤差變化率E＾，E＾C，可由模糊判決表查出相應的S，進一步得到相應的α值，再由E，EC，α根據式(4)可得到規(guī)則自校正模糊控制器的輸出U，并由量化因子ku計算得到丟棄概率p?？刂扑惴▽崿F(xiàn)步驟如下：
    1)計算擁塞控制系統(tǒng)的輸入狀態(tài)。
    2)根據參考模型的輸出與實際對象輸出計算e＾，e＾c。
    3)根據參考模型誤差和誤差變化率E＾，E＾C，由式(5)計算相應的α值。
    4)計算規(guī)則自校正模糊控制器的輸出U。
    5)由模糊控制的量化因子計算最終的丟棄概率p。

5 仿真研究
    通過仿真試驗來評估模糊參考模型網絡自適應擁塞控制算法，交通流拓撲結構采用啞鈴型結構，鏈路容量為1 500個／s，隨機延時為[16 s，24 s]之間的平均分布，業(yè)務源采用了持續(xù)性業(yè)務流，交通路段的緩存為800個，平均流量長度為500個。仿真研究將本文提出的模糊模型參考控制方法與普通模糊控制進行比較，研究了在突發(fā)性狀況下2種算法的控制性能和魯棒性能。

    2種控制算法的仿真結果如圖2、圖3所示，注意到當輸入源發(fā)生突發(fā)性增長時，普通模糊控制策略將使緩沖區(qū)隊列長度嚴重脫離期望隊列長度，而使用了模糊參考模型自適應控制后，緩沖區(qū)隊列僅僅經過一個短暫的突發(fā)脈沖就恢復到平衡點附近。從實驗結果可以看出，由于普通模糊控制器的推理方式和規(guī)則知識固定，因此在交通道路車流發(fā)生突發(fā)變化時難以達到滿意的控制性能，而本文提出的車流自適應擁塞
控制方法能夠跟隨車流量狀況實時調整模糊控制參數(shù)，進而對突發(fā)性車流擁塞對象具備了良好的自適應控制性能。

6 結束語
    針對車流狀態(tài)的突變行為，本文提出了一種基于模糊參考模型機制的自適應擁塞控制算法，以提高在多相位交叉路口的車流量控制的服務質量。該方法采用雙通道信息回路對車流量緩沖區(qū)隊列長度作自適應調整與控制。自適應模糊控制計算過程簡單迅捷，該算法在自適應性能和實時性能之間實現(xiàn)了較好的平衡。性能之間實現(xiàn)了較好的平衡。