基于D-S证据理论的交通信号灯控制方法

本发明涉及交通灯信号控制领域，特别涉及一种基于D-S证据理论的红绿灯时间分配方法，属于交通管理技术领域。

交通信号灯是城市交叉路口指挥疏导交通的重要方式之一。随着汽车数量和城镇人口的增加，城市交通压力越来越大，提高城市交通通行能力的问题愈加急迫。而当前交通灯多采用定时切换的控制方式，当车辆较少时，不能及时切换导致道路交通资源的浪费。因此这样的传统交通灯控制方式有很多弊端。

信息融合技术是协同利用多源信息，以获得对事物或目标更客观、更本质认识的信息综合处理技术，是智能科学研究的关键技术之一。在诸多的融合模型和方法中，D-S证据理论算法是最为有效的算法之一。证据理论把概率论中的基本事件空间拓宽为基本事件的幂集，又称为辨识框架，在辨识框架上建立了基本概率分配函数(Basic ProbabilityAssignment，BPA)。此外，证据理论还提供了一个Dempster组合规则，该规则可以在没有先验信息的情况下实现证据的融合。特别地，当BPA只在辨识框架的单子集命题上进行分配时，BPA就转换为概率论中的概率，而组合规则的融合结果与概率论中的Bayes公式相同。从这个角度来看，D-S证据理论能够比概率论更有效地表示和处理不确定信息，这些特点使其在信息融合领域得到了广泛的应用。正是由于D-S证据理论在不确定知识表示方面具有优良的性能，所以近几年其理论和应用发展较快，该理论在多传感器信息融合、医学诊断、军事指挥、目标识别方面发挥了重要作用。

为了实现交通信号灯的智能控制，本发明基于D-S证据理论，提供一种红绿灯时间分配方法。使用该方法实现的交通信号的智能控制，在解决交通拥堵，提高城市交通通行能力，有明显效果。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤一：选取相位和时间阈值：

在交叉路口，车辆有左转、直行和右转三个方位，交通法规不限制右转，只考虑左转和直行，则有四个相位，依次为南北向直行、南北向左转、东西向直行和东西向左转，相位顺序按照上述循环，考虑到车辆启动时间和等待时间，将最低时间设置为20s，最大时长为120s，当某相位车辆较多，给予延时，每次延时10s；

步骤二：设置道路情况评估因素的方法为：

本方法选取车流量、待通行车辆数量和待过路行人数量为评估因素，其中车流量的检测方法为在道路中央设置压力传感器，设置压力阈值，超过某阈值，则记为有车辆通过，计算5s内车辆通过平均值为车流量，待通行车辆使用图像获得，利用摄像头获取待通行车辆的图像信息，然后使用图像处理算法得到各个车道的等待车辆，计算5s内等待车辆的平均数为待通行车辆数量，待通过行人指的是需要过马路行人数量，同样使用摄像头获得；

步骤三：建立梯形模糊数方法为：

根据梯形模糊数建立模型生成拥堵程度的基本概率分配F，所述威胁程度k分为低(l)、中低(ml)、中(m)、中高(mh)和高(h)五个等级，所述模糊数以梯形模糊数表示，对应隶属度函数分别为(0,0,0.1,0.2)、(0.1,0.2,0.3,0.4)、(0.3,0.4,0.6,0.7)、(0.6,0.7,0.8,0.9)和(0.8,0.9,1,1)；所述梯形模糊数是给定论域U上的一个模糊集，是指对任何x∈U，都有一个数μ(x)∈[0,1]与之对应，μ(x)称为x对U的隶属度，μ称为x的隶属函数，

步骤四：生成基本概率分配：

输入各个评估因素的监测数值，根据梯形模糊数公式，得到基本概率分配；

步骤五：将生成的基本概率分配函数用权重W,W,W加权平均得到M方法为：

设置车流量、待通行车辆和待过路行人权重相等，对于一个相位，对应权重与基本概率分布F相乘，加权所述方法公式为

步骤六：使用D-S证据理论融合方法为：

将加权平均得到的D(k)与自身使用D-S证据理论融合2次得到D(A),D-S证据理论融合规则为:

其中

D和D是两组待组合的BPA，A、B、C指的是等级；

步骤七：生成拥堵度的方法为：

将融合后结果使用公式:S＝D(l)×0.1+D(ml)×0.3+D(m)×0.5+D(mh)×0.7+D(h)×0.9，得到目标拥堵度；所有相位按照步骤一至步骤七生成拥堵度；

步骤八：判断是否延时方法为：

将拥堵度阈值设为0.5，当前相位持续20s后，判断拥堵情况，当拥堵度<0.5，循环到下一个相位，当拥堵度>0.5，延时5S，当前相位持续120s后，循环至下一相位。

本发明的有益效果在于本发明采用D-S证据理论和梯形模糊数相结合的方法，具有计算简单的特点；本发明用梯形模糊数对道路交通情况建模，解决了模糊信息的表示；本发明提出的特征权重加权融合方法，取得了较好的融合效果；本发明提出的延时方法，将车流量、待通行车辆和待通行行人结合，考虑全面，有较好效果。

图1本发明实现的总流程图；

下面结合附图和实例对本发明进一步说明，此处给出交通灯控制的具体实施方案。

步骤一：相位初始化：

设置南北向直行、南北向左转、东西向直行和东西向左转四个相位，从南北向直行开始，依次循环；

步骤二：设置时间阈值：

考虑到车辆启动时间和等待时间，绿灯的最小时长设置为20s，最大时长为120s，当某相位车辆较多，拥堵度较大，给予延时，每次延时10s；

步骤三：设置道路情况评估因素的方法为：

本方法选取车流量、待通行车辆数量和待过路行人数量为评估因素，其中车流量的检测方法为在道路中央设置压力传感器，设置压力阈值，超过某阈值，则记为有车辆通过，计算5s内车辆通过平均值为车流量，待通行车辆使用图像获得，利用摄像头获取待通行车辆的图像信息，然后使用图像处理算法得到各个车道的等待车辆，计算5s内等待车辆的平均数为待通行车辆数量，待通过行人指的是需要过马路行人数量，同样使用摄像头获得；

步骤四：建立梯形模糊数方法为：

根据梯形模糊数建立模型生成拥堵程度的基本概率分配F，所述威胁程度k分为低(l)、中低(ml)、中(m)、中高(mh)和高(h)五个等级，所述模糊数以梯形模糊数表示，对应隶属度函数分别为(0,0,0.1,0.2)、(0.1,0.2,0.3,0.4)、(0.3,0.4,0.6,0.7)、(0.6,0.7,0.8,0.9)和(0.8,0.9,1,1)；所述梯形模糊数是给定论域U上的一个模糊集，是指对任何x∈U，都有一个数μ(x)∈[0,1]与之对应，μ(x)称为x对U的隶属度，μ称为x的隶属函数；

步骤五：生成基本概率分配：

输入各个评估因素的监测数值，根据梯形模糊数公式，得到基本概率分配，具体公式根据大量实际数据生成；

步骤六：将生成的基本概率分配函数用权重W,W,W加权平均得到M方法为：

设置车流量、待通行车辆和待过路行人权重相等，对于一个相位，对应权重与基本概率分布F相乘，加权所述方法公式为

步骤七：使用D-S证据理论融合方法为：

将加权平均得到的D(k)与自身使用D-S证据理论融合2次得到D(A),D-S证据理论融合规则为:

其中

D和D是两组待组合的BPA，A、B、C指的是等级；

步骤八：生成拥堵度的方法为：

将融合后结果使用式:S＝D(l)×0.1+D(ml)×0.3+D(m)×0.5+D(mh)×0.7+D(h)×0.9，得到目标拥堵度；所有相位按照步骤一至步骤八生成拥堵度；

步骤九：判断是否延时方法为：

将拥堵度阈值设为0.5，当前相位持续20s后，判断拥堵情况，当拥堵度<0.5，循环到下一个相位，当拥堵度>0.5，延时5S。当前相位持续120s后，循环至下一相位。