基于WSN的路口交通信号控制设计

为了缓解道路交通拥堵,减少车辆延误,节约交通能源,控制车辆在交叉路口顺畅通行,提出了一种基于无线传感器网的智能交通信号控制设计。利用传感器节点收集的交通信息,结合多agent的西同方法,控制中心进行综合处理,在不同的时段采用不同的路口控制模式,调整各交叉路口的绿信比,协调干线各路口周期的确定和各路口之间的相位差,自适应地控制车辆通行时间。实现了交通信号灯的无线智能控制,从而提高车辆通行效率。实现交通信号控制的智能化、网络化。     

利用改进型遗传算法实现两路口交通灯控制

随着汽车与交通事业的快速发展，城市交通问题日益突出，而增加道路和限制车辆已不是解决问题最经济有效的办法。如何在现有交通设施的条件下解决交通问题才是需要考虑的。作为整个交通网络最小研究单元的单个交叉路口，它的控制方法的研究是基础，但是却无法反映其他路口的控制对它产生的影响，即无法反映路口间的耦合关系，所以主要讨论两个交叉路口交通的控制。建立了两路口交通的优化模型，给出了目标函数以及约束条件，采用遗传算法进行优化，开发出了两交叉路口的交通灯控制仿真软件，得到了较好的效果。     

基于深度强化学习的无信号灯交叉路口车辆控制

利用深度强化学习技术实现无信号灯交叉路口车辆控制是智能交通领域的研究热点。现有研究存在无法适应自动驾驶车辆数量动态变化、训练收敛慢、训练结果只能达到局部最优等问题。文中研究在无信号灯交叉路口,自动驾驶车辆如何利用分布式深度强化方法来提升路口的通行效率。首先,提出了一种高效的奖励函数,将分布式强化学习算法应用到无信号灯交叉路口场景中,使得车辆即使无法获取整个交叉路口的状态信息,只依赖局部信息也能有效提升交叉路口的通行效率。然后,针对开放交叉路口场景中强化学习方法训练效率低的问题,使用了迁移学习的方法,将封闭的8字型场景中训练好的策略作为暖启动,在无信号灯交叉路口场景继续训练,提升了训练效率。最后,提出了一种可以适应所有自动驾驶车辆比例的策略,此策略在任意比例自动驾驶车辆的场景中均可提升交叉路口的通行效率。在仿真平台Flow上对TD3强化学习算法进行了验证,实验结果表明,改进后的算法训练收敛快,能适应自动驾驶车辆比例的动态变化,能有效提升路口的通行效率。     

基于模糊逻辑的区域交通协调控制方法

城市路口拥堵问题是制约城市发展的一个瓶颈。目前,信号灯模糊控制研究对象大多集中在单路口或者干线上相邻的几个交叉口,但城市区域内各个交叉口交通流实际上是相互影响的,因此以上研究存在一定的局限性。针对这一问题,将区域交通信号灯作为研究对象,对区域内信号灯进行模糊协调控制。仿真结果表明,在不同的交通流量情况下,和定时控制、感应控制方式相比,信号灯区域模糊协调控制能更大程度地减少路口车辆平均延误时间。     

基于AT89C51的实时交通监控系统的研究与模拟

实时交通监控系统采用AT89C51为控制器,通过对各路口来往车辆的流量和速度的实时检测,并根据检测的结果动态、实时地控制当前交通灯时间,使LED显示器进行倒计时工作并与状态灯保持同步,可在保证交通安全的前提下最大限度地提高交通效率,而且允许处理紧急情况的发生。经仿真模拟的试验,该系统得到了预期的实时控制效果。本论文针对道路交通拥挤、交叉路口经常出现拥堵的情况,利用单片机控制技术,从硬件设计和软件设计两个方面分别介绍通用小型实时交通监控系统的设计方法。     

邻近交叉路口交通灯数学模型

提出了一种新的邻近交叉路口交通数学模型,并用线性规划解决了邻近交叉路口中间路段容纳车辆有限的情况下,如何确定每个路口的交通灯时间分配以及邻近交叉路口交通灯的相位差,实现单位时间内路口车辆的总积累队长最少,从而缓解交通堵塞。     

基于RFID的智能交通控制设计

为了控制车辆在交叉路口顺畅通行,提出了一种基于RFID的智能交通控制设计.基于S3C44B0X处理器和uClinux操作系统开发智能交通控制信号机,在不同的时段采用不同的路口控制模式,利用RFID技术检测车辆,信号机根据采集到的RFID车辆数据自适应地控制车辆通行时间,从而提高车辆通行效率,实现智能交通控制功能.     

基于Q学习和动态权重的改进的区域交通信号控制方法

Q学习在交通信号控制中具有广泛的应用。在区域交通中,基于Q学习的传统区域交通信号控制方法通过agent之间互相交流的方式获取周边路口信息,并作出最有利的决策。传统交通控制方法在大部分情况下具有良好的表现。然而,由于其对周边路口拥堵程度的回馈计算不准确,因此在周边路口堵塞程度相差较大时将出现决策失误,从而导致局部热点拥堵。针对该问题进行分析,并以传统的区域交通信号控制方法为基础,提出一种新的基于Q学习和动态权重的改进的区域交通信号控制方法,引入“路口权重”的概念,通过多目标组合法将其应用于回馈计算,且权重随路口实际交通情况动态改变,解决了易陷入局部热点拥堵的问题。应用仿真软件在3种不同的交通状况下进行模拟,结果表明,所提算法在“拥堵”的状况下较传统控制方法具有更突出的表现。     

基于干道绿波效应协同策略的信号配时模糊控制

随着城市道路交通量的增长、路网密度的增大,相邻路口之间的相关性日益明显。一个路口交通信号的调整往往影响到相邻若干个路口交通流的运行状况,其拥堵可能会随着时间推移逐步波及周边数个路口乃至所在区域内所有路口。因此应利用各种先进的控制技术对相邻路口的控制参数进行调整,实现区域乃至整个城市范围内对交通进行动态协调控制,以满足日益增长的交通需求,使交通道路供给与交通需要间达到动态平衡。文中利用绿波效应协同策略对干道相邻路口绿灯延长时间进行模糊控制,以解决交叉口之间耦合性的问题,该算法能够比较灵活地进行信号配时。通过实验仿真,验证了本方法在干道城市交通系统中的可行性。     

基于相序优化的多相位模糊交通控制

针对单交叉路口进行模糊交通控制算法的研究.首先提出一个简化的交叉路口交通流模型,设计一种基于相序优化的模糊控制器,然后以车辆平均延误时间为控制目标,采用模糊控制器和相序优化器联合进行交通控制.前者用来决定改变当前绿灯相位的时刻,后者从相序中根据优先权的大小决定下一个放行相位.仿真研究表明,该模糊控制器能更有效地对单路口进行多相位闭环控制,控制效果令人满意.     

基于多路口预测与实时配时合作的交通控制系统设计

交通流量的预测是实现智能交通控制的核心问题。利用电子车牌识别法对车辆进行计数,根据数理统计原理筛选对决策路口影响最大的样本数据,建立NARX动态神经网络预测模型,以路网多路口交通流的时间序列数据进行训练,预测后一天同时段的车辆数,计算出两方向总体配时差值,再分配于早晚高峰时段,并进行实验得出理想现象;严重拥堵情况下启动实时配时与应急方案。选取上海市长宁区常年拥堵的金沙江路与中山北路交叉口为中心点,进行MATLAB仿真实验,所得预测数据与实际值比较差值较小,验证了以多路口数据预测单路口的创新设计能在实际交通中应用,且能与实时配时方案合作,缓解交通拥堵。     

基于机器视觉的交叉口特种车辆快速通行技术研究

交叉口是道路网络中重要的交通节点,容易产生交通堵塞问题,为了在保证通行安全的情况下提高特种车辆的通行效率,研究基于机器视觉的交叉口特种车辆快速通行技术。优化通行基础采用图像采集及预处理、检测识别和通行控制作为技术框架结构,利用机器视觉技术采集交叉口实时交通图像,通过图像滤波、图像增强等步骤,实现初始图像的预处理。利用Car-YOLO网络识别交叉口通行能力,规划快速通行路线,考虑前车行驶状态,求解特种车辆通行速度,针对车辆所占车道,通过绿灯早启、绿灯周期时间延长等方式控制交叉口信号灯,实现交叉口特种车辆快速通行。实验结果表明:在拥堵和正常通行场景下,优化设计技术的特种车辆通过时间的平均值分别为18.2s、10.1s,事故发生概率分别低于2%、1.4%,具有较好的应用效果。     

拥挤路线交通量控制的模糊推理算法

当道路发生突发性事件引起交通拥挤时，一方面需要引导驾驶员转向到可替换路线， 另一方面也要对进入拥挤路线的交通量进行控制．本文通过对反映路线拥挤程度的延误时间 信息和排队长度信息进行预测，设计了在事件持续时间内，以车辆到达率不超过事件发生地 点通行能力为拥挤路线控制目标的模糊推理算法，并进行了实际案例分析．分析结果表明， 这种模糊推理算法能在一定程度上取代交通工程师们对拥挤的管理，从而提高了拥挤管理的 效率．     

时变论域下红绿灯配时的模糊控制

针对交叉口日益拥堵,交通信号灯配时设置的不合理问题,提出一种基于时变论域的模糊控制方法,给出了交通信号灯的实时配时方案。该配时方法通过动态地调整信号周期和绿灯时长,以匹配多变的交通流状况,实现了实时控制。以长沙市某十字路口为例验证了该方案的有效性,结果表明：与定时信号配时方法相比,该配时方法更有效的缓解了交叉口交通拥堵状况,增强了路口通行能力,减少了车辆延误时间。     

无信号交叉口车辆调度方法研究

随着车辆数量的快速增加,交通拥堵问题变得日益严重.如何引导车辆安全高效地通过交叉路口已经受到了学界的广泛关注.已有的控制方法主要是在线优化信号灯的相位配比.然而相位之间的频繁切换会导致信号周期中黄灯时间占比的增加,进而降低交叉口的车辆放行能力.本文提出了一种基于车路协同的无信号交叉口资源调度模型,该模型将交叉口划分为互不相交的物理空间路权资源,并描述了各个路权资源之间的相互协同关系,进而将无信号交叉口交通控制问题转换为有限资源调度问题.在此基础上,构建最大化交叉口通行效率的目标函数,并求解车辆的最优通行序列.实验结果表明:较传统有信号交叉口控制方法,无信号控制方法有效减少了车辆的排队长度,提高了交叉口的车辆吞吐能力.     

基于路段速度的信号交叉口运行评价方法

交叉口是城市道路交通系统中的重要组成部分,现有的交叉口运行评价方法大多基于交通调查数据,无法高效地对全路网的交叉口进行实时的评价,为此,提出一种基于路段速度的信号交叉口运行评价方法,可以实现对交叉口运行状况全路网、实时的评价。将路段速度数据与交叉口位置数据进行匹配,采用交叉口进口道临近路段的速度判定交叉口的服务水平等级,然后通过拥堵频率统计识别常发性拥堵交叉口,并根据常发拥堵的时段不同将其分为三类,即高峰拥堵交叉口、平峰拥堵交叉口和全天拥堵交叉口,以便后续有针对性地对各类交叉口进行专项治理与管控。实测数据表明,该评价方法的服务水平平均绝对误差为0.32,误差仅为6.33%,说明所提出的交叉口运行评价方法的有效性。     

考虑边界交叉口交通拥堵的反馈阀门控制

基于路网宏观基本图(macroscopic fundamental diagram, MFD)实施城市区域交通控制时,为了防止边界交叉口受阻方向的车辆排队长度过长,同时提高路网内车辆完成率,提出了考虑受控区域边界交叉口交通拥堵状况的交通流反馈阀门控制方法,通过对边界控制阀门处路段存放车辆富余空间的分析,提出了阀门交叉口位置和数量选择模型;针对可能造成的阀门交叉口交通拥堵,提出了受控区域边界拥堵交通流分配算法,也即通过提前调节阀门上游交叉口的绿灯时间,把部分交通流提前控制在其它相邻上游交叉口.通过实际路网仿真,结果表明该方法可以有效控制阀门交叉口的车辆排队长度,降低阀门交叉口车辆平均延误时间和平均停车次数.     

基于激光传感数据的拥堵路口交通信号灯控制

针对城市车流高峰时段的道路拥堵问题,提出基于激光传感数据的交通信号灯智能控制方法研究。在道路两侧均匀布置激光传感器节点,采集实时的激光传感数据和车流量信息,并构建一种两层级的交通信号灯控制模型,以提取的交通路口实时传感数据作为输入项进行模糊推理,并求解出交通信号控制模糊子集,最后推导出当前车流长度、车辆在路口的平均滞留时长及车辆的延误时长等变量,达到缓解交通拥堵,提高通行效率的目的。仿真实验数据表明,提出的拥堵交通信号灯智能控制方法具有良好的控制效果,可以明显减少车辆延误时长,提高道路通行的效率和安全性。     

SALA: A Self-Adaptive Learning Algorithm—Towards Efficient Dynamic Route Guidance in Urban Traffic Networks

In order to alleviate traffic congestion for vehicles in urban networks, most of current researches mainly focused on signal optimization models and traffic assignment models, or tried to recognize the interaction between signal control and traffic assignment. However, these methods may not be able to provide fast and accurate route guidance due to the lack of individual traffic demands, real-time traffic data and dynamic cooperation between vehicles. To solve these problems, this paper proposes a dynamic and real-time route selection model in urban traffic networks (DR2SM), which can supply a more accurate and personalized strategy for vehicles in urban traffic networks. Combining the preference for alternative routes with real-time traffic conditions, each vehicle in urban traffic networks updates its route selection before going through each intersection. Based on its historical experiences and estimation about route choices of the other vehicles, each vehicle uses a self-adaptive learning algorithm to play congestion game with each other to reach Nash equilibrium. In the route selection process, each vehicle selects the user-optimal route, which can maximize the utility of each driving vehicle. The results of the experiments on both synthetic and real-world road networks show that compared with non-cooperative route selection algorithms and three state-of-the-art equilibrium algorithms, DR2SM can effectively reduce the average traveling time in the dynamic and uncertain urban traffic networks.     

A V2I communication-based pipeline model for adaptive urban traffic light scheduling

Adaptive traffic light scheduling based on realtime traffic information processing has proven effective for urban traffic congestion management. However, fine-grained information regarding individual vehicles is difficult to acquire through traditional data collection techniques and its accuracy cannot be guaranteed because of congestion and harsh environments. In this study, we first build a pipeline model based on vehicle-to-infrastructure communication, which is a salient technique in vehicular adhoc networks. This model enables the acquisition of fine-grained and accurate traffic information in real time via message exchange between vehicles and roadside units. We then propose an intelligent traffic light scheduling method (ITLM) based on a “demand assignment” principle by considering the types and turning intentions of vehicles. In the context of this principle, a signal phase with more vehicles will be assigned a longer green time. Furthermore, a green-way traffic light scheduling method (GTLM) is investigated for special vehicles (e.g., ambulances and fire engines) in emergency scenarios. Signal states will be adjusted or maintained by the traffic light control system to keep special vehicles moving along smoothly. Comparative experiments demonstrate that the ITLM reduces average wait time by 34%–78% and average stop frequency by 12%–34% in the context of traffic management. The GTLM reduces travel time by 22%–44% and 30%–55% under two types of traffic conditions and achieves optimal performance in congested scenarios.