Model of pedestrians crossing time at signalized intersection
-
摘要: 为了分析交叉口处左转及右转机动车对行人过街交通的干扰和影响, 合理控制交叉口行人过街信号, 应用交通流冲突理论、间隙接受理论, 推导了行人穿越机动车道的人数及等待通行人数, 应用统计学方法, 建立了行人过街时间模型。实例分析表明, 行人平均过街时间的绝对误差及相对误差平均值分别为0.452 7 s和4.15%, 85%行人过街时间的绝对误差及相对误差平均值分别为0.206 5 s和1.57%, 90%行人过街时间的绝对误差及相对误差平均值分别为0.401 2 s和2 84%, 模型计算精度满足要求, 有利于行人专用信号相位的设置。Abstract: In order to analyze the influence of turning vehicles on pedestrians crossing time, and to provide rational pedestrians control signal, the pedestrians number of crossing and waiting-crossing crosswalk were calculated, by using the conflict theory and the critical-gap accepted theory the models of pedestrians crossing time were built up. The absolute error and relative error of pedestrians crossing average time, are respectively 0.452 7 s and 4.15%, the absolute error and relative error of 85% pedestrians crossing average time are respectively 0.206 5 s and 1.57%; the absolute error and relative error of 90% pedestrians crossing average time are respectively 0.401 2 s and 2.84%. Computation results show that the precision of the models is high, the models are feasible for the pedestrians phase setting at signalized intersection.
-
Key words:
- traffic control /
- signalized intersection /
- pedestrians crossing time /
- conflict /
- crossing gap /
- headway
-
Kohonen在1981年提出了自组织特征映射网络。这种网络在结构上模拟了大脑皮层中神经元呈二维空间点阵的结构, 在功能上通过网络中神经元间的交互作用和相互竞争, 模拟了大脑信息处理的聚类功能、自组织、自学习功能。本文将Kohonen网络应用于汽轮机减速箱运行状态的模式识别, 作了一些初步探讨。
1. Kohonen网络系统模型
1.1 网络的结构
Kohonen网络结构如图 1所示, 它由输入层和竞争层组成。在这种网络中, 输出节点与邻域其它节点广泛相连, 并互相激励。输入节点和输出节点之间通过强度Wij (t) 相互连接, 通过某种规则, 不断调整Wij (t), 使得在稳定时, 每一邻域的所有节点对某种输入具有类似的输出, 并且这种聚类的概率分布与输入模式概率分布相接近。
1.2 网络的学习算法
(1) 初始化。将网络的连接权{wij}赋予[0, 1]区间内的随机值, i=1, 2, …, N; j=1, 2, …, M。确定学习率η (t) 的初始值η (0) (0 < η (0) < 1);确定邻域Ng (t) 的初始值Ng (0)。
(2) 任选q个学习模式中的一个模式Pk提供给网络的输入层, 并进行归一化处理。
ˉΡk=Ρk∥Ρk∥=(pk1,pk2,⋯,pkn)[(pk1)2+(pk2)2+⋯+(pkn)2]1/2
(3) 对连接权矢量Wj= (wj1, wj2, …, wjN) 进行归一化处理, 计算ˉWj与ˉΡk之间的欧氏距离
ˉwj=wj∥wj∥=(wj1,wj2,⋯,wjn)[(wj1)2+(wj2)2+⋯+(wjn)2]1/2dj=[Ν∑i=1(ˉpki-ˉwji)2]1/2,j=1,2,⋯‚Μ
(4) 找出最小距离dg, 确定获胜神经元g
dg=min[dj],j=1,2,⋯‚Μ
(5) 进行连接权的调整。对竞争层邻域Ng (t) 内所有神经元与输入层神经元之间的连接权进行修正。
¯wji(t+1)=¯wji(t)+η(0)[ˉpki-¯wji(t)] j∈Νg(t),j=1,2,⋯‚Μ(0<η(t)<1)
式中: η (t) 为t时刻的学习率。
(6) 选取另一个学习模式提供给网络输入层, 返回步骤(2), 直至q个学习模式全部提供给网络。
(7) 更新学习率η (t) 及邻域Ng (t)
η(t)=η(0)(1-tΤ)
式中: η (0) 为初始学习率; t为学习次数; T为总的学习次数。
设竞争层某神经元在二维列阵中的坐标值为(xg, yg), 则邻域的范围是以点(xg+Ng (t), yg+Ng (t)) 和点(xg-Ng (t), yg-Ng (t)) 为右上角的正方形。其修正公式为
Νg(t)=ΙΝΤ[Νg(0)(1-tΤ)]
式中: INT[x]为取整符号; Ng (0) 为Ng (t) 的初始值。
(8) 令t=t+1, 返回步骤(2), 直至t=T为止。
以上的学习规则分析:
(1) 学习率η的选择。可以把网络学习过程分为两个阶段。第一阶段为粗学和粗调整阶段。在此阶段的η > 0.5。一旦各输入模式有了相对的映射位置后, 则转入精学习和细调整阶段。在这一阶段内, 网络学习集中在对较小范围内的连接权进行调整, 学习率应随着学习的进行不断减小。一般学习率的初值选为0.5。
(2) 连接权矢量初始值的确定。一般学习规则是将网络的连接权赋予[0, 1]区间内的随机值, 但在实际应用中, 这种初始化方法会出现网络学习时间过长, 甚至无法收敛的现象。由于连接权矢量初始状态最理想的分布是其方向与各个输入模式的方向一致, 因此在连接权初始化时, 应尽可能使其初始状态与输入模式处于一种相互容易接近的状态。常用的方法是将所有连接权矢量赋予相同的初值, 这样可以减少输入模式在最初阶段对连接权矢量的挑选余地, 增加每一个连接权矢量被选中的机会。
(3) 邻域的作用与更新。在学习的初始阶段, Ng (t) 包含的范围较大, 一般为竞争层阵列幅度的1/3~1/2, 甚至可以覆盖整个竞争层。随着学习的深入, Ng (t) 的范围逐渐减小, 最后达到预定的范围。
2. Kohonen网络用于汽轮机减速箱运行状态模式识别
在实际机械故障识别中, 特别对减速箱这样重要的组成元件, 其运行状态如何, 可利用Kohonen网络具有很强的自适应能力, 无监督的学习能力, 容错能力的优势, 综合考虑减速箱运行状态。减速箱有三种运行状态: 其中在输出的故障模式中, (1 0.5 0); (0.5 1 0.5); (0 0.5 1) 分别表示为正常运行; 轻微故障; 严重故障。本文样本见表 1。
表 1 减速箱运行状态特征数据Table 1. Character data of decelerating box in running state样本号 样本输入特征 故障模式 1 -1.7817 -0.2786 -0.2954 -0.2394 -0.1842 -0.1572 -0.1584 -0.1998 1.0 0.5 0 2 -1.8710 -0.2957 -0.3494 -0.2904 -0.1460 -0.1387 -0.1492 -0.2228 1.0 0.5 0 3 -1.8347 -0.2817 -0.3566 0.3476 -0.1820 -0.1435 -0.1778 -0.1849 1.0 0.5 0 4 -1.4151 -0.2282 -0.2124 -0.2147 -0.1271 -0.0680 -0.0872 -0.1684 0.5 1.0 0.5 5 -1.8809 -0.2467 -0.2316 -0.2419 -0.1938 -0.2103 -0.2010 -0.2533 1.0 0.5 0 6 -1.2879 -0.2252 -0.2012 -0.1298 -0.0245 -0.0390 -0.0762 -0.1672 0.5 1.0 0.5 7 -1.5239 -0.1979 -0.1094 -0.1402 -0.0994 -0.1394 -0.1673 -0.2810 0.5 1.0 0.5 8 -1.4087 -0.2773 -0.2759 -0.2181 -0.0575 -0.0829 -0.0592 -0.1240 0.5 1.0 0.5 9 -0.5147 -0.1839 -0.1432 -0.0694 0.0285 0.0991 0.1326 0.0592 0 0.5 1.0 10 0.2741 0.1442 0.1916 0.1662 0.2120 0.1631 0.0318 0.0337 0 0.5 1.0 11 0.2045 0.1078 0.2246 0.2031 0.2428 0.2050 0.0704 0.0403 0 0.5 1.0 12 0.1605 -0.0920 -0.0160 0.1246 0.1802 0.2087 0.2234 0.1003 0 0.5 1.0 13 -0.7915 -0.1018 -0.0737 -0.0945 -0.0955 0.0044 0.0467 0.0719 0 0.5 1.0 14 -1.0242 -0.1461 -0.1018 -0.0778 -0.0363 -0.0476 0.0160 -0.0253 0 0.5 1.0 以汽轮机减速箱运行状态特征数据为输入, 阐述Kohonen网络在机械模式识别中的应用。
本文作者将表 1数据整理分为两组, 第一组样本集由样本1、2、3、8、9、13、14组成, 第二组样本集由样本4、5、6、7、10、11、12组成。根据第一组样本集所构造的训练样本集, 经网络学习后, 其权值如表 2所示。根据学习所获得的权值对第二组样本集进行分类, 分类结果如表 3所示。同时, 本文作者又采用了BP网络进行对比, 其训练误差曲线如图 2所示。
表 2 训练好后网络的连接权Table 2. Network's connecting power after training输入层节点 竞争层节点 1 2 3 1 -1.771 1 -1.354 2 -0.880 4 2 -0.2838 -0.2317 -0.1612 3 -0.3262 -0.2374 -0.1290 4 -0.2842 -0.1994 -0.1011 5 -0.1565 -0.0960 -0.0410 6 -0.1380 -0.0736 0.0002 7 -0.1488 -0.0572 0.0439 8 -0.1907 -0.0980 0.0113 表 3 第二组样本的网络识别结果Table 3. Outcome of network recognice of the secondly stylebook样本号 样本的网络识别输出结果 期望输出 4 0.5000 1.0000 0.5000 0.5 1.0 0.5 5 1.0000 0.5000 0 1.0 0.5 0 6 0.5000 1.0000 0.5000 0.5 1.0 0.5 7 0.5000 1.0000 0.5000 0.5 1.0 0.5 10 0 0.5000 1.0000 0 0.5 1.0 11 0 0.5000 1.0000 0 0.5 1.0 12 0 0.5000 1.0000 0 0.5 1.0 3. 结语
(1) 利用Kohonen网络对汽轮机减速箱运行状态模式识别, 其结果与实验数据和采用BP网络结果一致, 由图 2可知, 应用BP网络需训练6909次, 其误差达到10E-5, 从而说明将Kohonen网络应用于机械系统的故障进行模式识别是更行之有效的。
(2) Kohonen网络具有很强的自适应能力、无监督学习能力、容错能力, 从而可以代替复杂耗时的传统算法, 用于机械系统故障识别, 更接近人类思维方式, 可以更准确地评定机械系统故障。
-
表 1 车头时距分布选择方法
Table 1. Choice methods of headway distribution
信号相位饱和度Cs 车辆到达规律 车头时距分布f (thd) 0.5~0.6 Poisson随机到达 负指数分布 0.6~0.7 非拥挤状况下的自由交通流 对数正态分布、PearsonⅢ型分布和Erlang分布 0.7~0.8 自由流和非自由流 移位负指数分布、对数正态分布 0.8~0.9 拥挤状况下的非自由流 移位负指数分布、对数正态分布 表 2 穿越间隙观测值
Table 2. Survey data of crossing gap
1 2 3 4 穿越间隙时间分组/s 放弃的观测数 接受的观测数 观测的接受百分比 0.25~1.25 46 0 0 1.25~2.25 153 11 7 2.25~3.25 122 29 19 3.25~4.25 94 44 32 4.25~5.25 58 71 55 5.25~6.25 35 78 69 6.25~7.25 11 86 89 7.25~8.25 3 93 97 8.25~9.25 0 66 100 -
[1] 刘小明, 段海林. 平面交叉口交通冲突技术标准化研究[J]. 公路交通科技, 1997, 17(3): 49-53. https://www.cnki.com.cn/Article/CJFDTOTAL-GLJK703.005.htmLIU Xiao-ming, DUAN Hai-lin. Research on standard program of traffic conflict techniques at intersections[J]. Journal of Highway and Transportation Research and Development, 1997, 17(3): 49-53. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-GLJK703.005.htm [2] 徐立群, 吴聪, 杨兆升. 信号交叉口通行能力计算方法[J]. 交通运输工程学报, 2001, 1(1): 82-85. http://transport.chd.edu.cn/article/id/200101021XU Li-qun, WU Cong, YANG Zhao-sheng. The methods of computing the capacity of signalized intersection[J]. Journal of Traffic and Transportation Engineering, 2001, 1(1): 82-85. (in Chinese) http://transport.chd.edu.cn/article/id/200101021 [3] 黄文忠, 杨佩昆. 无控制人行横道处的行人和机动车延误分析[J]. 同济大学学报, 1995, 23(1): 31-36. https://www.cnki.com.cn/Article/CJFDTOTAL-TJDZ501.007.htmHUANG Wen-zhong, YANG Pei-kun. Delays of pedestrians and vehicles at the nonsignalized zebra crossing[J]. Journal of Tongji University, 1995, 23(1): 31-36. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-TJDZ501.007.htm [4] 马万经, 林瑜, 杨晓光. 多相位信号控制交叉口行人相位设置方法[J]. 交通运输工程学报, 2004, 4(2): 103-106. http://transport.chd.edu.cn/article/id/200402024MA Wan-jing, LIN Yu, YANG Xiao-guang. Design method of pedestrian phases at multi-phase signal intersection[J]. Journal of Traffic and Transportation Engineering, 2004, 4(2): 103-106. (in Chinese) http://transport.chd.edu.cn/article/id/200402024 [5] 高海军, 陈龙, 石松泉. 交通路口混合交通流的分布式模糊控制[J]. 中国公路学报, 2003, 16(4): 67-71. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGGL200304015.htmGAO Hai-jun, CHEN Long, SHI Song-quan. Distributed fuzzy control under hybrid traffic flow of a traffic intersection[J]. China Journal of Highway and Transport, 2003, 16(4): 67-71. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-ZGGL200304015.htm [6] 徐珺, 皱智军, 杨锦冬. 中小城市道路平交交通设计[J]. 长安大学学报(自然科学版), 2003, 23(4): 58-61. https://www.cnki.com.cn/Article/CJFDTOTAL-XAGL200304015.htmXU Jun, ZOU Zhi-jun, YANG Jin-dong. At-grade intersection design in medium or small urban[J]. Journal of Chang'an University(Natural Science Edition), 2003, 23(4): 58-61. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-XAGL200304015.htm -