摘要：针对智能运输系统及其事件检测子系统研究开发的特点，提出了基于遗传算法的交通信息模糊融合方法。交通事件是导致交通流质量变化的主要因素，应用遗传算法优化交通事件检测的模糊控制模型参数，对模糊控制器所做出的决策进行动态调整仿真实验结果表明该算法具有更高的检测率和更低的误报率，能提高事件的检测效率。
关键词：交通流；模糊控制；遗传算法；信息融合；模式识别
中图分类号：F49文献标识码：A文章编号：16723198（2007）11005903
1模糊控制和遗传算法
人工智能技术可划分为传统人工智能技术（即专家系统）和处理数值计算的新人工智能技术，例如模糊逻辑，遗传算法和人工神经网络等。
1.1模糊控制原理
(1)模糊集合的运算。模糊集合理论的基本思想是把普通集合中的绝对隶属关系灵活化, 使元素对集合的隶属度从原来只能取{0,1}（正确或错误）中的值扩充到［0,1］区间中的任一数值。模糊集合 是由隶属函数 来刻画的。论域 中的模糊子集 是以隶属函数表征的集合。即由映射
μA∶U→［0，1］
u→μA(u)
确定论域 的一个模糊子集A。μA称为模糊子集A的隶属函数，隶属度μA(u)说明u隶属于A的程度。常用的模糊集合运算主要有并、交以及补运算。
(2)模糊化，模糊推理及解模糊化。模糊控制系统主要包括三个过程:输入的模糊化、模糊推理和输出解模糊化。
①模糊化(fuzzification)。模糊化是将模糊控制器输入量的确定值转换为相应模糊语言变量值的过程，此相应语言变量值均由对应的隶属度来定义。本文选择三角形隶属函数，其曲线如图1所示。
图1三角形隶属函数曲线
其对应表达式为：
μx=1,如果x=B(x-A)/(B-A),如果B>x>A（C-x）/(C-B),如果C>x>B0,如果x≥C或者x≤A（1）
其中A、B和C为三角形隶属函数参数。
②模糊推理(fuzzy inference)。模糊推理是根据事先制定好的一组模糊条件语句构成的模糊控制规则，运用模糊数学理论对模糊控制规则进行计算推理，即根据模糊规则对输入的一系列条件进行综合评估，以得到一个定性的语言表示量。模糊控制规则采用“if…then…”形式，if部分是规则的前提，then部分是规则的结论。
③解模糊化(defuzzification)。模糊控制器经过模糊推理得出的模糊输出量必须经过精确化处理，将模糊量转换为清晰的数字量才能去控制对象，这就涉及到推理结果的解模糊化问题。解模糊化的方法主要有以下几种：最大隶属法、系数加权平均法、重心法以及隶属度限幅元素平均法。
常用的模糊推断过程如图2所示。图中 “V1”和“V2”分别代表两个输入变量，“O”代表输出变量, “Min”和“Max”分别表示合成和析取。图2采用三角形隶属函数，用去模糊化的方法从输出模糊集C"中提取输出函数的代表值。
1.2遗传算法简介
(1)选择、变异和交叉。
①选择。在本文中，选择根据每一染色体编码串评价指标的高低成比例的决定其选择概率。
②变异算子。基于构造支撑树的顺序编码，若采用简单的一点或多点交叉策略，必然以极大的概率产生不可行的染色体，因此本文采用与部分匹配交叉比较类似的交叉方法，方法如下：
a.随机在串中选择一个交配区域，如两父串及交叉区域选定为：A= 1 2︱3 4 5 6︱7 8 9B= 9 8︱7 6 5 4︱3 2 1
b.将B的交配区域加到A的前面或后面，A的交配区域加到B前面或后面得到：A＇=7 6 5 4︱1 2 3 4 5 6 7 8 9B＇=3 4 5 6︱9 8 7 6 5 4 3 2 1
c.在A＇和B＇中自交配区域后依次删除与交配区相同的城市码，得到最终的两子串：A″=7 6 5 4 1 2 3 8 9B″=3 4 5 6 9 8 7 2 1
③交叉算子。为了维持群体内的多样化，本文采用随机连续多次对换的变异技术，使可行解在顺序上有了较大的变化，以抑制交叉中有可能产生的同化作用。例如对于串A：
A=1 2︱3 4 5 6︱7 8 9
如果随机产生的交换点是2和7，则串中的第2点和第7点将对换，对换后，串A变为：A＇=1 7︱3 4 5 6︱2 8 9
由于经过一次对换后，A＇仍然有可能与A表示为同一个网络结构，所以本文采取连续多次的对换操作，来增强变异的效果。
(2)编码方式。由于遗传算法的进化过程是建立在编码机制基础上的，编码对于算法的性能如搜索能力和种群多样性等的影响很大。常见的遗传算法编码方式有二进制编码与实数编码两种。就二进制编码和实数编码比较而言，一般实数编码比二进制编码在变异操作上能够保持更好的种群多样性，但操作比较复杂，二进制编码比实数编码搜索能力强。本问题优化参数较少，故采用二进制编码。
2交通事件自动检测算法设计
2.1数据来源
受我国高速公路基础设施以及人力、物力的限制，现在国内还缺乏完整的实测数据，故本文采用VISSIM软件模拟的数据对模糊-遗传融合自动事件检测算法进行测试。模拟中，选择一段2.0km的单向两车道高速公路区段作为模拟目标路段，分别对不同交通条件下的交通流状况进行了160次模拟，包括60次非事件状态和100次事件状态。其中50 次事件数据用来构成训练样本值，其余的50次事件数据作为测试样本值。为研究事件和非事件条件下的交通流特性，在事件检测区位置上游150m处、300m处、400m处以及事件检测区位置下游150m处、300m处、400m处按车道和路宽分别设置车辆检测器，采集周期为20秒，采集的交通数据包括占有率和流量。把交通数据带入到模糊-遗传融合自动事件检测算法中，每组数据向量可得到一个模糊输出结果。最终的模糊输出被转化为两种输出状态，即状态0和1，它们分别代表非事件状态和事件状态。
图3基于模糊控制的事件检测算法的系统结构图
2.2模糊控制在事件检测中的应用
道路交通流, 特别是在事件发生的情况下, 是高度非线性、时变和不能精确建模或实时定量表示的, 许多交通概念具有重要但不精确的含义, 例如“拥挤”、“高占有率”、“服务水平”等。因此, 使用固定的“门槛值(临界值)”来检测事件, 显然并不能很好地适合交通状态所具有的动态不确定性, 而模糊集合理论恰好弥补了这一点。
基于模糊控制的事件检测算法的系统结构如图3所示。在本文的控制器设计过程中，算法的输入参数包括上下游不同周期的交通流量和占有率，基于模糊控制的事件检测算法的流程图如图4所示，此流程图的输出包括0（无事件）和1（事件）。
图4事件检测算法流程图
(1)模糊过程。每个模糊决策表包括两个输入，其中一个数值来自上游，另一个数据是同一周期的下游数据。每个输入被模糊化为下列七个不同模糊语言集中的一个，这七个模糊语言变量包括：“零（ZO）”、“很小（VS）”、“小（S）”、“中等（M）”、“中大（MB）”、“大（B）”和“很大（VB）”。该模糊控制器的控制规则最多应该有7 * 7=49条，由于变量论域被划分为7等级，则论域为{0，1，2，3，4，5，6}。输入变量由当前周期t和前两个周期(t-1和t-2)内在每个车道的上下游检测到的数据构成。利用重心法解模糊化，采用例如图2所示的糊推断过程。
(2)隶属函数和决策表。在模糊算法中, 确定各个模糊集的隶属函数是一项至关重要的工作, 隶属函数合适与否直接影响到检测率和误报率。在实数域上的模糊集可以选用各种分布, 主要有矩形分布、梯形分布、正态分布和岭形分布等。为简单起见, 此算法采用了三角形隶属函数以及高斯隶属函数。控制规则是模糊控制器的核心。将控制策略分析归纳后给出输入、输出变量的模糊状态描述就得到控制规则。在模糊控制器设计过程中，一般将所有的控制规则汇总成模糊控制规则表。本算法所设计的控制规则表如表1所示，这里 “US”及“DS”分别代表检测区域的上下游。本文共采用了9个类似的控制规则表。通过遗传算法把每个模糊决策表中的49个值进行优化得到一个接近于最优的设计。
ZOVSSMMBBVB
DS
ZO
VSSMMBBVB
ZOVSVSMBBVBVB
ZOZOVSVSMBBVB
ZOZOZOVSSMBB
ZOZOZOZOVSSS
ZOZOZOZOZOVSVS
ZOZOZOZOZOZOVS
ZOZOZOZOZOZOZO
(3)多层设计。此模糊算法类似与一个多重通道设计，并且被划分为3个不同层数，模仿一个具有一个输入层、一个隐藏层以及一个输出层的神经网络结构。首先把12个输入数据模糊化并把它们输入到第一个模糊层，然后把第一层的输出作为第二层的输入带入到隐藏层，依次进行直到通过最后一层。模糊过程的黑箱技术图如5所示。
图5模糊过程的黑箱技术图
2.3遗传算法优化事件模糊控制器
针对交通流发生变化时，原有的模糊控制器不能达到较理想的检测效果，本文采用遗传算法来优化前面所设计的模糊控制器的隶属函数参数，以取得较优的控制效果。
在模糊化过程中共产生491个未知的模糊参数，其中441个参数属于这9个决策表，其余的50个参数包括模糊化和反模糊化过程中隶属函数的重心以及三角形隶属函数的参数。为了简化过程，使遗传算法集中，通过手动调整这441个参数。在这491个未知参数中，某些参数使用一个基因，而有些使用两个基因。由于使用二进制编码所占用的搜索空间较大，故此过程未采用二进制编码。由于变量选用了7个模糊状态，因此基因值的变化范围为0到6。
(1)遗传算法训练。在此算法中，染色体的基因由一台随机数发生器产生，因此有统一的偏差。这些基因被输入到一个解码算法中得到模糊参数，把模糊参数带入到模糊集方程得到自动事件检测的结果，这个过程就叫做遗传算法的在线训练，即在线遗传算法。算法依次进行直到设定的最大迭代次数，例如100。当获得最优的染色体时，基因被储放到另一个文件中，然后把它们输入到另一个算法（即离线遗传算法）得到期望的最优结果。优化模糊控制的在线遗传算法流程图如图6所示。
3仿真结果
通常用于评价事件检测算法的性能指标有检测率（Detection Rate，DR）、误报率（False Alarm Rate，FAR）和平均检测时间（Mean Time to Detection，MTTD）。本文用C语言编程实现了上述该算法，采用一系列模拟数据对此自动事件检测算法进行了测试，并与几种传统的事件检测算法在检测率、误报率、平均检测时间等多项指标进行比较, 其结果见表2。从仿真评价结果对比表可以看出本文所采用的算法整体效果较好，优于传统的算法。
表2仿真评价结果对比
算法
评价指标
检测率（%）误报率（%）平均检测时间（s.）
模糊-遗传算法73.71.104240
加利福尼亚算法8490.571255
人工神经网络781.503269
McMaster算法372.075260
图6遗传算法优化模糊控制流程图
参考文献
［1］汪海渊,朱彦东,杨东援.数据融合技术及其在交通领域中的应用［J］.交通与计算机,2001(增刊)，(19):4245.
［2］李秀平,刘智勇,尹征琦,吴今培.多传感器信息融合的智能交通控制系统研究［J］.信息与控制,2001,30(5):460464.
［3］李存军,杨儒贵,靳蕃.基于神经网络的交通信息融合预测方法［J］.系统工程,2004,22(3):8083.
［4］王晓薇, 王慧.基于GA 的交叉路口自适应模糊控制器设计［J］.吉林大学学报(信息科学版),2004,22(4):346351.
［5］韩峻峰, 李玉惠.模糊控制技术［M］.重庆:重庆大学出版社,2003.
［6］戴红.基于模糊模式识别的城市道路交通状态检测算法［J］.吉林工程技术师范学院学报,2005,21(3):4145.
注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。