t单位长度

t单位长度（共3篇）

t单位长度 篇1

摘要：针对T型交叉口的信号配时问题,提出了一种基于排队长度均衡策略的信号配时优化方案。以不同相位排队长度均衡为控制目标,通过近似动态规划框架,动态调整不同相位的绿灯时间。避免固定式信号配时方案在运行过程中造成绿灯时间的浪费。同时为了满足交通控制实时性的要求,引入神经网络极速学习方法。实验结果表明,文中所提的方法能在短时间内使得交叉口不同相位间排队长度的变化趋势趋于一致,能够使过饱和交叉口的交通运行秩序更加有序。

关键词：近似动态规划,极速学习机,排队长度,信号配时,神经网络

1 引言

在城市道路供应日渐趋紧的情况下,通过交通信号配时的优化提高整个路网的通行效率和交叉口通行能力,逐渐成为解决城市道路交通拥挤的主要手段[1]。由于控制过程中策略的不同,现实中应用最为广泛的单点控制策略可以分为定时、感应、自适应3种[2]。其中,融合了神经网络、遗传算法等模式识别技术的自适应控制方法因其从需求出发、动态配时的特点成为了交通信号控制领域新的研究热点,这类方法趋向于将交叉口的交通看作一个不确定的系统,通过车流量、停车次数、延误时间等交通状态信息的采集,进行反馈实现信号配时的动态优化调整,逐渐成为智能交通研究的核心问题之一。从交叉口运行状态建模的角度来看,自适应控制方法大致可以分为两类:基于模型的参数式方法[3]、以及与模型无关的非参数式方法。其中以近似动态规划(Approximate Dynamic Programming,A D P)为代表的非参数式方法开始在交通流研究领域中崭露头角。与传统参数式的方法相比,它能够根据控制环境反馈的评价信号来获取近似的最优控制策略,不再依赖被控对象的解析模型,更加适于处理时变的复杂系统和动态变化的复杂任务,在交通控制研究中表现出了良好的应用潜力[4]。

事实上,停车延误、停车次数、服务水平等交叉口效益评价指标都与绿灯末尾排队状态直接相关联,信号控制交叉口排队长度就是若干交叉口效益指标的直接体现。近几年,不少学者着眼于排队长度的均衡,从参数式、非参数式的角度交叉口动态配时策略进行了一些研究,取得了一些令人鼓舞的进步[5,6]。他们以不同相位排队长度的均衡为目标,以神经网络技术为手段,实现二三相位交叉口信号配时的优化,进行了一些有益的尝试。遗憾的是,这些方法相对笼统的以传统定义的相位排队长度为目标,同一相位至少包含两个(含)以上排队长度,这种针对不同队列间的优化考量,少有提及,不仅在理论上无法达到最优,而且不能很好的适用于实际应用的需要。此外,基于神经网络技术的近似动态规划技术在网络训练中迭代寻优的策略导致训练时间偏长,也限制了此类方法在实际交通环境中的推广[7]。鉴于此,本文着眼于排队长度均衡目标下T型交叉口动态信号配时优化算法的研究,以不同交通流向上单一排队长度为研究对象,利用近似动态规划技术并引入神经网络极速学习方法,形成T型交叉口信号动态配时优化策略。

2 T型交叉口信号控制策略

一切先进成熟的交通信号控制策略,不论其控制思想如何,归根结底可描述为在合适的时间选择合适的交通流,并赋予其通行权。对于过饱和T型交叉口来说,就是尽可能的减少交通冲突点的数目,同时辅以恰当的相位切换方案,以达到提高通行效率,改善交通环境的目的。

2.1 T型交叉口交通组织

作为城市中最为主要的交叉口形式之一,T型交叉口常见于旧城区待升级改造的路网之中。受地形条件的限制,尽管通过最优交叉口交通运行模型建立形成的定时信号配时能在一定程度上提升通行效率,但动态配时方案是解决此类交叉口拥堵问题的更有力工具[8,9]。遗憾的是,现有实际交通控制设备中,信号配时动态调整常依赖于对当前相位排队车辆数目的采集并呈比例分配绿灯时间,无法较好的应对过饱和流量下的交叉口的需要。典型T型交叉口交通组织如图1所示,这里行人过街需求通过人行天桥或地下通道满足。伴随着相位切换导致车辆启停过程中的时间浪费已经成为通行效率提高的障碍之一,所以我们考虑T型交叉口组织方案为右转-允许型,即右转车辆自由通行,形成典型的T型交叉口三相位设置方案,如图2所示。

在这样的交通组织方案下,如何通过恰当的绿灯时长的分配,使得通行效率得到提高,具有较强的现实意义。正因为排队长度是若干交叉口效益指标的直接体现,所以对上述交通组织方案下T型交叉口动态描述如下:

这里,Li[k](i=1,2,3)表示交叉口在第k个周期第i个相位的排队长度,qi[k],i=1,2,3表示交叉口在第k个周期第i个相位的交通需求量(veh/h);Si为交叉口单一进口道的消散流量,在上述方案中也可以理解为单一相位的消散流量,通常按照经验确定为一常值(veh/h),C为信号周期(s),gi(k)表示第k个周期内第i个相位的有效绿灯时间(s);Li[k]为第k个周期相位i的排队长度;e(k)表示3相位3个信号配时与平均排队长度的差值的和。

2.2 排队长度均衡的信号交叉口控制思想

基于排队长度均衡的饱和交叉口信号控制核心在于根据当前周期各个进口道排队长度来动态调整下一周期各相位绿灯时间,对于排队长度较长的相位,应分配给较多的绿灯时间,相应的排队长度较短的相位获得绿灯时间相对减少,从而避免某一相位排队车辆很快消散而另外的相位排队长度不断增长。在信号周期固定的条件下,一个简单的处理方法就是根据上一周期结束时各流向排队长度呈比例的分配下一周期中的绿灯时间。但从微观上看,交通个体在交叉口内通行行为的差异性使得上述“自然、简单”思路的有效性大打折扣,近似动态规划技术的引入显得恰如其时,以排队长度为控制目标,以近似动态规划为工具,按照交通需求动态调整不同相位间的绿灯时间,避免通行能力的浪费。

3 基于排队长度均衡的T型交叉口信号配时优化

3.1 交叉口信号配时优化策略

根据前述控制思想,T型交叉口信号控制目标函数如下:

这里α为适当正常数,γ为折扣因子,记

基于排队长度均衡的T型交叉口控制策略如下:

其中g[k]=[g1[k]g2[k]g3[k]],K为系统增益,k为周期数,NNα(e[k],Wα)为Action神经网络输出,记为uα[k];Wα为Action模块神经网络的权值向量;为Critic模块输出的性能指标估计值。典型的控制结构如图3所示。

在图3中所示的控制策略结构图中,model模块根据当前周期内不同方向上输入的排队车辆数目以及当前周期配时方案得到下一个周期初始排队长度,即当前周期配时方案运行之后的排队结果。下一个周期,以三个相位的排队长度Li[k](i=1,2,3)之间的差值作为输入状态,输送至Action模块和Critic模块。Action模块根据以输入的排队长度差值最小化来生成新的信号配时方案,而Critic模块则根据Critic模块生成的新的配时方案和输入的排队长度差来估计整个的系统的性能指标。通过该性能指标的最大/小化来修正Critic生成的配时方案,从而保证动态调整信号配时的过程中每一个周期都能达到排队长度均衡的目标。

3.2 神经网络极速学习

模式识别应用背景下人工神经网络成功应用的关键在于根据不同的任务和训练样本生成不同的神经网络权值以构建网络。作为目前应用最为广泛的模型之一,基于反向误差传播原理的BP训练方法通过持续调整网络权值使得实际输出与期望输出之间的误差平方和达到最小或者小于某个阀值,这个不断调整权值的过程意味着较大的时间消耗。所以基于神经网络的近似动态规划技术在交通控制中应用时常常受到网络训练时间的制约。正如研究者们提到的,对离线训练数据进行预处理或者对网络大小的缩减都是提高算法收敛速度的有效途径,围绕着迭代调整思想技巧性改进的算法相继出现,但取得的进步依然有限,基于迭代的BP模型依然存在着诸如训练速度慢、参数选择敏感、局部最小化以及过度拟合的缺点[10]。

受实际应用的驱动,研究者们开始寻找非迭代性的网络训练方法,以大幅提高神经网络训练速度。Huang和Babri等通过理论研究证明了单隐藏层前馈神经网(Single-hidden Layer Feed forward Neural Net work,SLFN)的学习能力只和隐藏层节点的数目有关,而与输入层的权值无关。在此研究结果的驱动下,一种名为极速学习机(Extreme Learning Machine,ELM)的学习方法应运而生:设置合适的隐藏层节点数,为输入权和隐藏层偏差进行随机赋值,然后输出层权值通过最小二乘法得到。整个过程一次完成,无需迭代,速度显著提高[11]。ELM方法为基于近似动态规划技术的交通信号配时优化技术带来了新的思路,算法如下。

对于一个单隐层神经网络,给定N个样本(Xi,ti),其中Xi=[xi1,xi2,…,xin]T∈Rn,ti=[ti1,ti2,…,tim]T∈Rm,假设该神经网络隐藏节点数目为,那么该网络可以表示为:,这里g(x)为激励函数,Wi=[wi,1,wi,2,…,wi,n]T为初始输入权值,bi为第i个隐层单元的偏差。学习目标是使得输出的误差最小,即。于是有训练目标为存在βi,Wi和bi,使得

记T为期望输出矩阵,β为输出权值矩阵,H为层节点的输出矩阵。

简述训练步骤如下:

(1)随机指定输入权值wi和偏差

(2)计算隐藏层输出矩阵

(3)计算输出权值

根据上述求解输出权值的步骤即可迅速的获得用于信号配时优化近似动态规划框架中神经网络。与BP相比,ELM需要调整的参数只有隐含层节点个数这一个。尽管目前还未有精确估计的方法,但在极大程度上缩小了搜索的范围,实际应用中常用交叉验证的方式来确定的具体数值[12]。ELM这一特性使得它符合交通信号配时在线调整的要求。

相对于基于BP迭代搜索的技巧性改进方法,基于ELM的近似动态规划技术不仅能够摒弃BP方法中训练速度慢、参数选择敏感的不足,还能较好的避免局部最小值和过度拟合情况的出现。

4 实验仿真

为了验证文中所提控制策略的有效性,通过不同控制策略下的排队长度的变化过程对比观察。用于对比的控制策略包括固定式信号配时以及文中所提基于近似动态规划的控制策略。

4.1 仿真参数的设定

出于简化模型的目的,我们把实验中每个周期内交通需求近似为线性的函数,且当前周期初始排队长度服从在[0,25]之间随机取值。不同相位交通需求的设置如图4所示。极速学习机中参数的设置以文献[12]为依据,其中隐藏层节点数通过交叉验证的方式确定,ELM中的输入权值wi和偏差值bi随机确定即可。

近似动态规划框架中的参数的设置如表1所示,初始绿灯时间通过Synchro7软件生成。

4.2 实验结果及分析

图5给出的是图4交通需求条件下,定时信号配时方案三个相位排队长度变化曲线。从图中可以看出,随着信号周期的增加,固定式信号配时方案难以平衡不同流向之间的交通流,出现了相位1排队长度持续增加,相位2、3排队长度持续减少的情况,值得注意的是,图5中相位2和相位3在部分周期内排队长度为负值,说明此时造成了交叉口通行能力的浪费,且负值越大,浪费愈严重。相比之下,基于近似动态规划技术的信号配时方案能获得不一样的控制效果,正如图6中看到的那样,在整个实验周期内,并未出现某一相位排队长度明显增加,而另外相位明显减少的情况,3个相位排队长度呈现出了一致的变化趋势。使得过饱和流量条件下的交叉口运行更为有序。基于ELM的极速学习方法,为近似动态规划技术在交通控制中的实时应用打下了良好基础。

5 结束语

通过科学、合理的信号配时方案是解决城市拥堵问题的有效途径之一。作为非参数的方法,近似动态规划技术已经在其他不少领域得到了成功应用。针对T型过饱和交叉口的信号配时问题,以排队长度均衡为控制目标,利用近似动态规划技术实现信号配时的动态调整,以符合交通流的需要。同时,利用极速学习机提高近似动态技术在优化求解过程中的速度。仿真实验结果表明,融合近似动态规划和极速学习机的方法能够在短时间内使得不同相位间排队长度变化趋势趋于一致,从而达到均衡排队长度的目的。这样的控制策略不仅适合实时的交通控制,更适用于实际交叉口运行状态的控制。在实际交叉口运行中,受个体交通行为差异的影响,各车通过交叉口所需时间无法准确计算,通过神经网络对整个队列时间进行预计以实现精确配时,将是我们下一步研究的主要方向。

参考文献

[1]李瑞敏.过饱和交叉口交通信号控制研究现状与展望[J].交通运输工程学报,2013,13(6):119-126.

[2]ANDREW HAMILTON BEN WATERSON.ANDREW ROBINSON,etc.城市交通控制的演变—政策与技术变更[J].城市交通,2014,12(5):82-94.

[3]张萌萌,贾磊,邹难.单点定时信号配时的多目标优化模型[J].计算机工程,2011,37(6):27-29.

[4]赵冬斌,刘德荣,易建强.基于自适应动态规划的城市交通信号优化控制方法综述[J].自动化学报,2009,35(6):676-681.

[5]齐驰,侯忠生,贾琰.基于排队长度均衡的交叉口信号配时优化策略[J].控制与决策,2012,27(8):1191-1194.

[6]万伟,陈锋.基于遗传算法的单交叉口信号优化控制[J].计算机工程,2007,33(16):217-219.

[7]张国翊,胡铮.改进BP神经网络模型及其稳定性分析[J].中南大学学报(自然科学版),2011,42(1):115-124.

[8]SAMRA,S.EL-MAHDY,A.WADA,Y.A linear time and space algorithm for optimal traffic-signal duration at an intersection[J].IEEE Transactions on Intelligent Transportation Systems,2015,16(1):387-395.

[9]MICHALOPOULOS P G,STEPHANOPOULOS G.Oversaturated signal systems with queue length constraints—I:single intersection[J].Transportation Research,1977,11(6):413-421.

[10]刘德荣,李宏亮,王鼎.基于数据的自学习优化控制:研究进展与展望[J].自动化学报,2013,39(11):1858-1870.

[11]邓万宇,郑庆华,陈琳等.神经网络极速学习方法研究[J].计算机学报,2010,33(2):279-287.

[12]HUANG G-B.ZHU Q-Y.SIEW C-K.Extreme learning machine:Theory and applications[J].Neurocomput ing,2006,70(1-3):489-501.

t单位长度 篇2

二下第三单元

林丽

教学目标：

1．让学生巩固长度单位及它们之间的进率。2．培养学生数学估计能力，求异的思想。3．培养学生灵活运用数学工具获得数学知识。教学重点：

系统地复习本单元知识，正确解题。教学难点：

用数学知识解决生活中的实际问题。教学过程：

一、梳理长度单位

1．直接出示课题：今天这节课我们来复习长度单位，我们已经学了哪几个长度单位？他们分别可以用什么英文字母来表示？（幻灯片出示）

2、谁能按一定顺序给它们排排队？（再次系统整理，巩固对长度单位的认识）

3、我们一起来用手比划一下1米、1分米、1厘米、1毫米。拿出直尺，在用手在直尺上比划出1分米、1厘米和1毫米。我们用这些长度来说说身边的事物的长度。先用毫米做单位来说说。

（磁卡的厚度是1毫米、1元硬币的厚度大约是1毫米、10张纸的厚度大约是1毫米）

(复习回忆，比划或举例说明各长度单位的具体长度，深入建立单位表象。）

二、长度单位练习

1、同学们看看，老师把谁请到我们班来做客了？懒羊羊写了一篇日记，谁来读一读：

今天早晨，我从2分米长的床上爬起来，来到了卫生间，拿起1厘米长的牙刷刷完牙后，急急忙忙地洗脸，吃早饭。学校离我家不远，大约有90毫米，上学路上我看见有一棵高 2厘米的树被风刮断了，连忙找来了一根长1厘米的绳子把小树绑好。我跑步赶到学校，看到老师已经在教室里讲课了，我赶紧从书包里翻出1毫米长的钢笔和4米厚的笔记本，认真地做起笔记。读了懒羊羊的日记，你们有意见吗？ 同桌的互相讨论讨论，帮懒羊羊把日记修改一下。

同学们真厉害，小老师当得不错。我们再来看看我们生活中的物品：

2、选一选

（1）.下面哪个物体的长度最接近1分米，在方框里画“√”。

一根火柴

一枝粉笔

一枝毛笔

（2）.下面哪个物体的厚度最接近1毫米，就在它下面的方框里画“√”。一本《新华字典》

一本语文书

一张电话卡(3).下面哪个物体的长度最接近1厘米，在方框里画“√”。一个田字格的边长

数学书的长 一块橡皮的长

(4).下面哪个物体的长度最接近1米，在方框里画“√”。

一根旗杆

课桌的长

黑板的长

同学们有没有信心用我们学过的这些长度单位来填一填呢？

3、用长度单位填一填

一本语文书约厚10

（）板凳的高度约为5

（）一支粉笔约长1

（）电话卡厚约1

（）一块玻璃的厚度约4

（）一棵大树高12（）一只企鹅高120（）一块橡皮长4（）

一天某地降小雨，降雨量大约是4（）刚出生的婴儿高5（）一扇门高2（）一幢大楼高50（）一只小蚂蚁身长3（）

三、长度单位间的进率

你知道这些长度单位之间的关系吗？

1米=（）分米

1分米=（）厘米 1厘米=（）毫米

1米=（）厘米

1分米=（）毫米

1米=（）毫米

哪个小朋友们说一说，相邻的两个长度单位之间的进率是多少呢？

谁来说一说把大的长度单位转化成小的长度单位怎么办？小的换成大的呢？（按照它们之间的进率在后面添零或去掉零。）

四、分层练习

1、出示题目：

在○里填上＞、＜或＝。

6毫米○6厘米

30厘米○3分米 1米○8分米

9毫米○1分米 15毫米○2厘米

80厘米○8毫米 100毫米○10厘米

10厘米○10分米 谁来说说我们做这样的题目要注意什么？ 这样的题目一般分哪几种情况？

小结：数字相同比单位、单位相同比数字、数字和单位都不相同把它们换成相同的单位再比较。

2、按要求排一排：(1).从长到短排

40厘米

3米

35分米

60毫米(2).从短到长排

7米

66厘米

90分米

100毫米 做这样的题目我们又要注意什么呢？

小结：看清题意，弄清楚到底是从大到小排还是从小到大排；转换成单位相同的再比较。

3、想一想，在括号里填上合适的单位 1（）—

1（）=9（）

4、量一量：

量出橡皮和回形针的长。

橡皮：从0刻度开始，到刻度3是30毫米，在往后数，有5小格，是5毫米，一共是35毫米。也可以直接看，在3和4的正中间，是35毫米。小朋友们拿出直尺找一找，55毫米在哪儿？25毫米呢？75毫米呢？95毫米呢？用手指一指说一说。

回形针：比30毫米少两格或20毫米后面加8格。

5、估一估：

拿出你用的铅笔，估计它的长度，在量一量，结果写在练习本上，同桌的小朋友再互相量一量，看看是否正确。

6、画一画：

（1）、画一条比2厘米长28毫米的线段。（2）、画一条比1分米短3厘米的线段。

（3）、先画一条5厘米长的线段，再画一条比它长6毫米的线段。先写出计算过程，再在练习本上画一画。

7、辨一辨：

一支圆珠笔长13分米

（）一支蜡笔长约50毫米

（）饮水机高约1分米

（）小兰身高140毫米

（）40厘米和4米一样长

（）说说为什么错，应该怎么说才正确。

8、解决问题：

1、有一根8分米长的铁丝，工人师傅用它做了8个铁圈，每个铁圈用4厘米铁丝，还剩下多少厘米铁丝？

2、一支铅笔长95毫米，另一支铅笔长7厘米，第一支铅笔比第二支铅笔长多少毫米？

3.一捆电线第一天用力159米，第二天用了382米，还剩441米。（1）这捆电线短了多少米？（2）这捆电线原来有多长？

4.妹妹一拃的长度是8厘米，哥哥一拃的长度是9厘米。一张课桌的长边，妹妹大约量了9拃长。

（1）这张课桌的长约多少厘米？

（2）哥哥量这张课桌的长边，大约是几拃长？

教学反思(长度单位) 篇3

教学反思（长度单位）

在三个单元的教学中，我觉得长度单位的教学是效果最不好的。在第一课，统一长度单位的时候，我就上得比较混乱。首先我没有讲课堂规矩，所以在上课的时候，学生们都乱哄哄的，在教学生认识庹的时候，学生就没有纪律意识，在课堂上乱比划，而在让他们用拃测量的时候，有的连怎么比划都不清楚。这是我的主观臆断，以为他们什么都会了，所以直接叫他们用一拃去测量，他们就在下面个用个的手势比划，根本没有一个正确的手势和方法，但是由于我没有在第一节课强调纪律和和数学课的规矩，所以在让孩子们操作的时候就一团糟。还有在这堂课结束之后，孩子们也没体会到，不统一长度的不方便，只是对自己动手操作测量感兴趣。由于我在课堂只举了书上庹和拃的例子，所以在这节课结束的时候，孩子们仍然不明白为什么要统一长度单位。还有就是我只是让他们进行自主测量，没有提醒他们这样不统一单位，每次都拿不同的工具测量长度单位有什么不方便。所以一节课上下来，没有重点，感觉只是让孩子们完了一节课，所以在之后的课上就一定要抓住重点。在讲解认识米用米量的这一节课，我没有把握好米和厘米的关系，对于学生米和厘米长度单位表象的建立的教学效果没有达到。学生在做教科书第9页第八题时，对于单位的选择学生的把握不是很好。就是因为上课的时候，我只给孩子们讲解了100cm=1m，没有用更多的例子让学来感知一厘米和一米的区别。还有就是我对多媒体的使用不够，这一章就是要多去感受实例，才能让学生建立表象，不过我由于对多媒体的排斥，所以就没有充分利用它，学生经历有多种测量标准的不足，所以反应在作业中，个别学生在数一个物体有几个正方体的时候就出现了错误，对统一测量标准的体会不是很深刻。对于用直尺测量的时候，我教会了他们用直尺测量物体，由于教的时候只是让他们用零刻度对准物体的一端，再读另一端。所以他们只能用这种方法测量，当题目变换一下方式，比如把物体的一端对准3厘米的时候，再读另一端，他们仍然当成是从零刻度读起走。这一点的失误是因为我上课的教学太死板，没有教会他们本质——读直尺的数据只是读直尺的一段距离而不是非要从零刻度读起走。