0AASRI Procedia 4 ( 2013 ) 206 – 21102212-6716 ©2013年作者。由ElsevierB.V.出版。由美国应用科学研究学会负责选择和/或同行评审，doi: 10.1016/j.aasri.2013.10.0320ScienceDirect0*通讯作者。电话：+91-9889622022；传真：+91-522-391-1068。电子邮件地址：stahil.ec@gmail.com02013年智能系统与控制AASRI会议0软计算在交通控制系统中的应用：0评论0Shailendra Tahilyani a，Manuj Darbari b，Praveen Kumar Shukla c0a 电子与通信工程系，巴布∙巴纳拉斯∙达斯大学，勒克瑙，电子邮件：stahil.ec@gmail.com0b 计算机科学与工程系，巴布∙巴纳拉斯∙达斯大学，勒克瑙，电子邮件：manuj_darbari@acm.org0c 信息技术系，巴布∙巴纳拉斯∙达斯北方印度理工学院，勒克瑙0电子邮件：praveenshuklaniec@yahoo.co.in0摘要0通过下一代人工智能技术处理城市交通拥堵问题是一个重要的研究领域。使用软计算技术开发了各种模型和方法来解决这个问题。用于这个目的的主要软计算方法有模糊方法、神经网络和遗传算法、Petri网等。此外，多智能体系统在这种方法中应用广泛。本文是对开发现代交通控制系统中这些方法的回顾。©2013年。由ElsevierB.V.出版。由美国应用科学研究学会负责选择和/或同行评审关键词：模糊逻辑，多智能体系统，城市交通控制系统。01.引言0许多城市交通控制系统用于处理城市交通中交叉口的拥堵。0开发了一个系统的主要要求是，信号不能允许交通模糊移动，并且必须透明地显示信号何时/如何更改。还需要处理的另外两个方面是在控制系统中对信号指示序列进行决策，以使系统优化，并开发用于信号生成的控制逻辑。0在线提供：www.sciencedirect.com0©2013年作者。由Elsevier B.V.出版。由美国应用0根据CC BY-NC-ND许可进行开放访问。0根据CC BY-NC-ND许可进行开放访问。0207 Shailendra Tahilyani et al. / AASRI Procedia 4 (2013) 206 – 2110本文分为6个部分。第2节重新审视在交通控制系统开发中的模糊技术。第3节回顾了各种基于仿真的方法，第4节讨论了不同的认知/学习方法。第5节介绍了其他方法。02.基于模糊技术的方法0交通信号控制系统在城市地区控制拥堵方面效果不佳。在[1]中提出了一种基于模型的多智能体模糊系统，具有三个级别的控制。为了控制交叉口的交通，使用的参数包括交通强度、附近交叉口的建议和一个知识库，提供任何特定时间的数据信息。交通观察器用于根据数据将数据传送给数据管理组件，决策层根据此数据进行决策。如[2]所示，预测模块可以使用两阶段模糊聚类算法预测大多数交叉口对特定交叉口的影响。在[3]中提出了基于模糊逻辑的分布式型自然的多智能体集成架构，以减少城市地区的交通拥堵。使用了PARAMICS模拟器。城市地区交通的动态性导致了严重的拥堵。在[4]中提出了一种使用多智能体的信号控制系统，旨在减少拥堵。城市交通的控制困难在于其具有车辆类型、速度、长度、流量等动态特性。在[5]中，提出了一种与多智能体方法相结合的自适应模糊算法。在[6]中，提出了一种基于几何模糊系统的多智能体系统。GFMAS能够有效处理动态性，并优于其他交通控制算法，如GLIDE和HMS。在[7]中设计了一种基于模糊神经网络的交通控制系统，其中使用协调系统。每个交叉口和协调都被视为智能体。使用粒子群优化来优化队列长度。为了处理城市交通拥堵，[8]中开发了一个名为IntersectionAgent（AI）硬件平台。设计了一个用于协调的交叉口智能体，使用模糊控制策略。因此，开发了一种多智能体协调算法。03.基于仿真的方法0计算机交通仿真可用于了解交通流量并制定交通控制策略。在[9]中设计了一个基于微观视野的交通仿真模型，遵循多智能体系统的概念。整个概念在MSC++中实施。在[10]中提出了一种基于多智能体的仿真方法。该方法使用Object-Z和状态图形式语言。过去的历史现实数据和动态模拟数据可用于预测交通状况。基于此，[11]中提出了一个在线仿真框架，将实际交通数据与多智能体方法相结合。为了控制仿真车辆，可以使用反应性智能体。在[12]中，使用微观交通仿真器开发了一种方法，其中车辆由具有不同行为设置的驾驶智能体控制。在[13]中，开发了一种基于多智能体的仿真工具，包括个体的机会行为导致规范违规和个体对关键情况的预期等因素。从微观交通仿真器HUTSIM中衍生出一种名为HUTSIG的方法，它基于模糊推理，使用多智能体来模拟实际交通数据。0208 Shailendra Tahilyani et al. / AASRI Procedia 4 (2013) 206 – 2110排队模型可以用于模拟交通智能体，如旅行者和交通信号，如[15]中所提出的。利用信号相位转换时间可以提高交通信号控制的效率。在[16]中，使用RepastS和Java平台设计了一个基于多智能体的仿真模型，用于提升交叉口的系统能力。由于驾驶员的行为具有不确定性，模拟驾驶员的行为是困难的。在[17]中，提出了一个名为DRACULA的仿真模型，将推理能力与多智能体方法相结合，以模拟驾驶员的行为。04.基于认知/学习的方法0为了减少乘客在队列中等待的时间，相邻交叉口的信号进行了协调。在[18]中，使用RMM（递归建模方法）进行多智能体协调。为了更新知识库并为其他智能体选择正确的模型，使用了贝叶斯学习。为了适应不断变化的网络条件，在[19]中设计了一种城市交通控制系统。提出了一种融合技术的多智能体方法。使用强化学习来协调交通信号控制网络。预定时控制器无法适应交通流量的动态变化。智能体需要直接通信以了解系统行为。可以使用机器学习算法来让智能体学习交通控制策略，如[20]中所提出的。提出了一种基于强化学习的多智能体交通处理方法，以适应交通流量的动态性，如[21]中所提出的。在[22]中，通过设计分层的多智能体系统来解决交通信号控制问题，其中实施了多阶段的在线学习过程。智能体的学习基于强化学习、学习率和权重调整以及模糊关系更新。在[24]中提出了一种分散的策略，每个交叉口由各自的智能体负责。在每个交叉口放置传感器以收集信息，并且决策受其他智能体的意见影响。城市地区需要其交通信号控制器根据交通情况进行调整。在[25]中提出了一种基于Q学习的方法，其中平均队列长度被用作控制器智能体的估计参数。结果显示与固定时间控制器相比性能更好。在[26]中，提出了一种支持相邻交叉口之间协调并支持Q学习的方法。该方法为多交叉口环境提供了最佳控制策略，并减少了平均延迟时间。使用分布式控制方法来控制交通，每个交叉口都有一个本地智能体作为交通信号控制器。基于此，[27]中提出了两种模型。在第一个模型中，智能体使用多阶段的在线学习过程来更新其知识并相应地做出决策。第二个模型使用扰动随机逼近定理与模糊神经网络。使用PARAMICS模拟程序验证了所提出模型的有效性。多智能体可以使用在线强化学习来计算绿灯时间。在[28]中，每个交叉口使用传感器根据历史交通模式和相邻交叉口的智能体提供的信息计算绿灯时间。所提出的方法导致平均延迟时间减少。在[29]中，使用Green LightDistrict（GLD）车辆交通模拟器添加了类似于相邻智能体控制器之间的合作的强化学习。这导致时间最小化，事故发生率降低，并维持最低燃料消耗的阈值速度。0209 Shailendra Tahilyani等/ AASRI Procedia 4 ( 2013 ) 206 – 21105. 其他方法0为解决拥堵问题，需要协调控制策略。[30]提出了一种名为智能交通控制系统（ITCS）的方法，它基于协调代理来帮助管理当前的交通流量。在发生任何事件时，每个受影响的代理与其他代理进行交互，采取最佳的控制行动。[31]设计了一个城市交通控制（UTC）系统，它具有信号和管理代理，使其适应实时交通状况。0为了改善整个网络的性能，需要全局信息0为此，任命了一个更高级别的代理，如[32]所示，该代理与分散的交通信号控制代理进行通信。0交通运营商需要根据当前交通状况采取最佳控制措施。为此，他们需要预测这些控制措施的可能结果。[33]提出了一种基于多代理的仿真方法，可以实时评估交通情况。0为此，他们需要预测这些控制措施的可能结果。[33]提出了一种基于多代理的仿真方法，可以实时评估交通情况。0为解决交通系统中的干扰问题，提出了一种基于多代理的调节过程0在[34]中提出了一种使用进化算法优化该调节过程的方法。0802.11p是用于车载环境无线接入（WAVE）的标准，允许通信0车辆和其他路边系统之间的通信。[35]提出了一种基于代理的模拟器，可以模拟车辆之间的通信。0[36]提出了一种基于多代理的城市交通管理系统。它包括以下类型的代理0代理：段、交叉口、区段和中央决策代理，它们共享信息以做出高效的交通管理系统的集体决策0根据交通环境的需求，可以使用移动代理技术。[37]展示了如何使用这些技术0根据需要的交通条件重新配置移动代理。0[38]使用多代理技术和遗传算法改进城市交通控制0系统。它涉及优化交通交叉口的定时方案。0[39]提出了一种分层多代理体系结构，其中每个代理负责一个任务0例如数据收集、数据预处理和决策制定。提出了一种基于策略的管理模型，旨在开发用于协调代理之间的智能算法。其目标是减少队列的平均大小、平均等待时间和旅行时间。06. 结论和未来的研究方向0模糊逻辑、多代理系统和各种学习/认知方法被用于开发处理交通拥堵的现代交通控制系统。本文回顾了在这个背景下开发的方法。将来，作者将对使用卫星和全球定位系统基于系统开发城市交通控制系统感兴趣。0参考文献00210 Shailendra Tahilyani等/ AASRI Procedia 4 ( 2013 ) 206 – 21100211 Shailendra Tahilyani et al. / AASRI Procedia 4 ( 2013 ) 206 – 2110[22] Choy MC, Srinivasan D和Cheu RL，用于实时交通信号控制的合作式混合代理架构，第33卷，第5期，pp597-607，2003年9月。[23] Jansuz W，Tobias W和OttheinH，基于代理的随机仿真中的机器学习：运输物流中的推理理论和评估，计算机与应用数学，第64卷，第12期，pp 3685-3665，2012年12月。[24] Ferreira ED，Subrahmanian E和ManstettenD，分布式交通控制中的智能代理，IEEE智能交通系统会议论文集，2001年，pp 705-709，2001年[25]Abdoos M，Mozayani N和BazzanALC，基于多智能体Q-学习的非稳态环境中的红绿灯控制，第14届国际IEEE智能交通系统会议（ITSC），2011年。Pp 1580-1585，2011年10月。[26] Li CQ. Yan XL，Lin F.Y和ZhangHL，使用协同q-学习算法的多路口交通信号智能控制，第七届国际自然计算大会（ICNC），第1卷，pp185-188，2011年7月。[27] Srinivasan D，Choy MC和CheuRL，用于实时交通信号控制的神经网络，IEEE智能交通系统交易，第7卷，第3期，pp261-272，2006年9月。[28] Balaji PG，German X和SrinivasnD，使用强化学习代理的城市交通信号控制，IET智能交通系统，第4卷，第3期，pp177-188，2010年9月。[29] Khamis MA和GomaaWEA，用于城市交通信号灯控制的增强型多智能体多目标强化学习，第1卷，pp 586-591，2012年12月。[30]Dahal K，Almejali K和HossainMA，“用于协调道路交通控制行动的决策支持”，决策支持系统，2012年，即将出版[31] RoozemondDA，使用智能代理进行主动的实时城市交叉口控制，欧洲运筹学杂志，第131卷，第2期，pp293-301，2001年6月。[ 32] Macedo，Soares M，Timoteo I和RossettiRJF，基于咨询的交通控制方法，第7届伊比利亚信息系统和技术会议（CISTI），pp 1-6，2012年6月。[33]Findler NV和ElderGD，有限资源下分布式动态环境中的多智能体协调与合作，工程人工智能，第9卷，第3期，pp 229-238，[34]Borne P，Favech B，Hammadi S和MoucheS，用于城市交通网络的决策支持系统，IEEE系统，人和控制学会，第3卷，第1期，pp67-77，2003年2月。[35] Burguillo-Rial JC，Costa-Montenegro E，Gil-CastineiraFJ，Rodriguez-Hernandez PS，使用多代理模型分析城市环境中的IEEE802.11p性能，IEEE第19届国际个人，室内和移动无线电通信，2008.PIMRC 2008.，pp1-6，2008年12月。[36] Chang CQ和ZhaoYS，基于多代理系统的城市交通管理研究，机器学习和控制国际会议，2007年，第1卷，pp25-29，2007年8月。[37] Chen C和LiZ，基于多代理的分层网络城市交通信号控制系统，第9届IEEE国际网络，感知和控制会议（ICNSC），pp28-33，2012年4月。[38] Liu H，LiuZ，城市干道上的多智能体智能交通信号控制公交优先，IEEE国际交通，机械和电气工程会议（TMEE），2011年，pp 677-680，2011年12月。[39] Guerrero-Ibanez A，Contreras Castillo J，Buenrostro R，MartiAB，MunozAR，用于智能交通信号灯控制的基于策略的多智能体管理方法，IEEE智能车辆研讨会（IV），2010年，pp694-699，2010年6月。
