智能交通信息物理融合云控制系统

  点击数:1975  发布时间:2019-04-11 09:47
智能交通云控制系统的核心在于为行驶者、交通工具、交通基础设施建立起以身份信息为核心、唯一对应的标识;然后基于数据采集、传感器、网络传输等技术, 将获取的动态信息即时发送到智能交通网络综合数据处理云控制平台上, 再通过云控制平台对获取的信息数据系统性、智能化处理运算, 得到系统预测结果以及调控方案, 然后发送到智能交通终端, 实现对整个智能交通路网的统一监控、管理、决策和控制服务。
关键词:云控制技术 ,信息物理融合云控制系统 ,智能交通

智能交通云控制系统的核心在于为行驶者、交通工具、交通基础设施建立起以身份信息为核心、唯一对应的标识;然后基于数据采集、传感器、网络传输等技术, 将获取的动态信息即时发送到智能交通网络综合数据处理云控制平台上, 再通过云控制平台对获取的信息数据系统性、智能化处理运算, 得到系统预测结果以及调控方案, 然后发送到智能交通终端, 实现对整个智能交通路网的统一监控、管理、决策和控制服务。

智能交通的需求随着社会生活水平提升日益紧迫,目前现代智能交通信息物理融合路网建设中主要存在难题:

(1)对象种类复杂;

(2)采集数据量大;

(3)传输及计算需求高;

(4)实时调度控制能力弱。

针对以上难题,基于云控制系统理论, 以现代智能交通控制网络为研究对象, 设计了智能交通信息物理融合云控制系统方案, 包括智能交通边缘控制技术和智能交通网络虚拟化技术。基于智能交通流大数据, 在云控制管理中心服务器上利用深度学习 和超限学习机等智能学习方法对采集的交通流数据进行训练预测计算, 能够预测城市道路的短时交通流和拥堵状况。进一步在云端利用智能优化调度算法得到实时的交通流调控策略, 用于解决拥堵路段交通流分配难题, 提高智能交通控制系统动态 运行性能。

从控制视角分析, 智能交通信息物理融合系统的复杂性使得难以对其进行建模。云端和终端间网络时延以及网络带宽饱和会使系统无法实时处理海量数据, 造成系统性能的损失。为解决这两个难题, 可利用云控制与边缘控制结合的云端协同控制方式, 提高控制系统实时性和可用性, 实现控制即服务(Control as a service, CaaS) 的目的。CaaS 面向系统管理员、开发人员、系统普通用户, 用户可以从供应商那里获得所需要的虚拟机或者存储等资源来装载相关的控制计算软件。CaaS 同时提供给用户包含基础操作系统、专业控制软件、网络和存储等配置的控制开发平台, 具有极高的系统整合率和经济性。另外, 任何一个远程终端上的控制应用都可以通过网络来运行。用户只要接上网络, 通过浏览器就能调节修改运行在云端上的控制器, 免去高昂的硬件投入。控制终端将控制系统采集数据上传到云端, 云控制器通过计算得到所需的控制系统参数和调节指令。对于系统模型不确定的控制终端, CaaS 可依托强大的数据存储和计算能力, 利用智能学习算法为控制终端提供数据驱动的模型优化学习、模型预测控制、故障诊断与系统维护以及控制系统优化调度决策等服务。对于系统模型确定的控制终端, CaaS 可根据控制算法和实时上传的系统数据, 提供控制算法资源池优化和控制参数实时自动调节服务, 为实际控制系统省去专业调试维护人员。CaaS 能够保证控制系统数据的完整性、可靠性和可管理性, 能更好地调度和管理控制系统, 保证其高效运行。CaaS 平台会以API 的形式将各种各样的控制服务集成提供给用户, 采用多用户机制, 能够支撑庞大的控制终端规模, 并且提供定制化服务以满足用户的特殊需求。

智能交通信息物理融合云控制系统包括交通大数据云计算、交通流智能预测、交通流云控制调度等核心技术。其中云控制的核心思想是将大量用网络连接的计算资源统一管理和调度, 构成一个计算资源池向交通路网设备以及终端用户提供按需服务。

本文主要贡献:

(1)面向交通控制网络智能化发展的技术需求, 首次提出智能交通信息物理融合云控制系统设计方案, 给出了云控制理论在智能交通领域的示范性应用。

(2)针对智能交通信息物理融合云控制系统的实现问题, 基于云计算和人工智能等技术, 提出了智能交通边缘控制技术、智能交通网络虚拟化技术、交通流云端智能预测技术。

(3)为解决智能交通系统中的云端交通数据处理的难题, 引入了深度信念网络支持向量回归算法(Deep belief network support vector regression, DBN-SVR) 并且提出基于反向传播的双端超限学习机算法(Back propagation bilateral extreme learning machine, BP-BELM), 实现了智能交通云控制系统的短时交通流精准预测。

(4)针对智能交通路网大规模交通流调控的难题, 在云端设计了智能交通信息物理融合云控制系统预测交通流分配方案, 进行基于交通流短时预测大数据的优化调度。

本文对智能交通信息物理融合云控制系统的结构和核心技术进行了设计分析, 探讨了云控制技术在智能交通信息系统中的应用模式, 推广了云控制技术在智能交通领域的应用示范。利用深度学习和超限学习预测算法, 对含有大量交通检测节点的整体路网交通流进行准确预测, 对交通拥堵状况进行预判。利用交通流分配算法对交通流进行智能优化调度, 可改善各交通道路的运行拥堵状况。另外, 智能学习算法和交通流调度策略在资源优化整合的智能交通云端运行, 避免了传统智能交通设备的计算存储局限性, 可预防设备故障, 并节约智能交通系统建设和维护成本。事实上, 当前云控制技术还在发展阶段, 本文提出的智能交通信息物理融合云控制系统是云控制技术的初步应用, 如何对复杂交通数据在云端进行高效的分类处理, 得到最优的智能交通实时云控制方案, 仍然是智能交通信息物理融合云控制系统研究需要解决的技术难点。

作者简介

夏元清,北京理工大学自动化学院教授。主要研究方向为云控制, 云数据中心优化调度管理, 智能交通, 模型预测控制,自抗扰控制, 飞行器控制和空天地一体化网络协同控制。

闫策,北京理工大学自动化学院博士研究生。主要研究方向为云控制, 云工作流最优化调度, 云数据中心智能管理,智能交通, 执行器饱和控制, Delta 算子, 有限频域。

王笑京,交通运输部公路科学研究院总工程师, 研究员。主要研究方向为智能交通系统, 交通信息与控制工程科学和技术。

宋向辉,交通运输部公路科学研究院研究员。主要研究方向为智能交通系统, 交通信息与控制工程科学和技术。

来源:自动化学报

相关文章


热点新闻
推荐产品