基于RBF神经网络整定的高速公路匝道PID控制器

研究RBF神经网络整定PID控制器的参数,并应用到高速公路入口匝道控制中。首先阐述了入口匝道控制原理,然后建立了高速公路交通流模型,并设计了RBF神经网络整定的高速公路匝道PID控制器,RBF神经网络通过对被控对象Jacobian信息的辨识来动态调节PID控制器的参数,最后用MATLAB软件进行系统仿真。仿真结果表明,该控制器具有优越的动态和稳态性能,用于高速公路入口匝道控制中效果良好。     

高速公路主线限速与匝道融合的协调控制

为缓解高速公路的交通拥挤,主线限速、匝道融合等常被应用,因主线限速和匝道融合经各自优化获得的控制策略可能存在矛盾,故二者协调是必须的,而如何建立和求解二者的协调控制模型还没有有效方法.本文基于宏观交通流理论和多agent技术研究了此协调控制问题.为此首先阐述了高速公路的一般宏观交通流模型;然后分析主线限速、匝道融合的交通特性,建立了主线限速-匝道融合交通流模型;并协调主线限速和匝道融合,建立了协调控制模型.最后,基于多agent技术和分层递阶结构提出了协调控制模型的求解算法,并给出了应用此方法控制仿真高速公路的一个实例.     

高速公路动态交通流的BP神经网络建模

通过对高速公路宏观动态交通流模型的分析,针对高速公路交通系统的非线性时变特点,应用BP神经网络建立了高速公路宏观动态交通流模型。并利用一段高速公路的交通流数据对BP神经网络进行训练,得到网络参数。最后,为了验证BP网络模型的有效性,在MATLAB环境中对模型进行了仿真,并将仿真结果与原始模型的结果进行了比较。结果表明,该方法能较准确地描述高速公路交通流的真实行为,并且能够适应交通状况的变化。     

Allocation of freeway ramp metering volumes to optimize corridor performance

A simple macroscopic freeway traffic corridor model is formulated for the purpose of developing optimal allocations of freeway on-ramp metering volumes. The model represents a freeway and a single parallel "equivalent surface street," both unidirectional, which are interconnected by freeway on-ramps. Since a choice of routes is included in the problem formulation, the fairly standard methodology of "traffic assignment" is employed to predict how drivers will react to the on-ramp metering. An explicit traffic assignment algorithm which includes ramp queueing is developed. Both the corridor and traffic assignment models are restricted to stationary traffic patterns. Two specific corridor performance criteria, freeway travel rate and total travel-time rate, are formulated in terms of the model variables. Then the problem of choosing ramp metering volumes to optimize a performance criterion is posed. A computationally efficient suboptimal dynamic programming scheme is developed and illustrated by an example.     

高速公路多匝道协调控制系统设计与仿真

采用大系统分解和协调的方法研究高速公路多匝道的协调控制问题．建立了反映高速公路交通动态变化的有限差分模型，结合交通系统的特点提出改进的多层控制方法．控制结构分三层：局部控制层决定匝道调节率；协调控制层为局部控制层确定期望密度；自适应层根据实时检测交通状况选择模型和调整模型参数．仿真结果表明，控制系统具有良好的动态性能，该方法能有效地消除交通拥挤和维持主线车流稳定，能提高主线的通行能力，实现车辆在高速公路上高效、安全地运行．     

高速公路非线性反馈模糊逻辑匝道控制器

入口匝道控制是高速公路交通控制和智能运输系统的重要组成部分,但现有的入口匝道控制效果尚不理想.为此,本文提出一种非线性反馈方法用模糊逻辑进行入口匝道控制.建立了高速公路交通流动态模型,在此基础上,结合模糊逻辑理论设计了非线性反馈匝道控制器,根据密度误差和误差变化用模糊控制决定匝道调节率,模糊变量选用三角形隶属度函数,并制定了包含56条模糊规则的规则库,最后用MATLAB软件进行系统仿真.结果表明该控制器具有优越的动态和稳态性能,它能使高速公路主线交通流密度保持为设定的期望密度,该方法用在高速公路入口匝道控制中效果良好.     

基于模糊控制律的遗传神经匝道协调控制

讨论了快速路匝道系统中智能控制技术问题。针对匝道系统特点,分析了模糊控制、人工神经网络、遗传算法的适用性,提出了一种基于模糊控制律的遗传神经匝道协调控制方案。在该方案中,对模糊控制输入输出数据进行线性修正,使用修正后的数据完成遗传神经网络训练,并用神经网络代替模糊控制器对匝道系统进行控制。给出了神经网络结构和遗传算法流程,并结合宏观交通流模型进行系统仿真。仿真结果表明,与模糊控制相比,控制效果显著提高。     

整合快速路网匝道控制和路径诱导的进化粒子群算法

针对快速路匝道控制和路径诱导优化,改进已有宏观交通流模型对上下匝道的处理方式,提出了一种实现快速路网协同整合动态优化控制的进化粒子群算法。利用区分目的地车流的均匀分布,给出起始路段区分目的地车流的实际驶入比例。通过对实际路网中上下匝道车流的观察分析,给出上匝道车速与下游主线车速的关联关系,并对下匝道实施类似主线路段的建模处理。针对基于上述改进得到的快速路网动态控制系统,利用控制变量的箱式约束,在经典粒子群算法中引入交叉变异操作,给出了一种高效的进化粒子群算法。通过算例分析比较了经典粒子群算法和进化粒子群算法,证实了新方法可以高效处理复杂的实际快速路网。     

带有迭代学习外环的快速路入口匝道无模型自适应预测控制

针对快速路交通系统复杂时变以及难以建模的特点,首先,本文设计了基于无模型自适应预测控制的快速路入口匝道控制方案.其次,根据快速路交通系统具有重复性特点,本文在无模型自适应预测控制方法的基础上引入开环迭代学习控制,提出一种带有迭代学习前馈外环的无模型自适应入口匝道预测控制方案.相比无模型自适应预测控制方案,该方案可以利用迭代学习前馈控制器补偿系统可重复扰动,实现系统的完全跟踪.值得说明的是,预测控制器和学习控制器可以独立工作也可以联合工作.最后,文章给出了控制方案的收敛性分析,并通过交通流仿真验证了所提控制方案的有效性.     

基于遗传算法优化的高速公路匝道PI控制器

研究遗传算法优化PI控制器的参数,并应用到高速公路匝道控制中。阐述了匝道控制目标,建立了高速公路交通流模型,给出了遗传算法优化的步骤,并对入口匝道PI控制器的参数进行了优化。仿真结果表明,该方法性能优越,用于高速公路入口匝道控制中效果良好。     

针对设备端口链路的LSTM网络流量预测与链路拥塞方案

针对设备端口链路流量,提出两种基于长短期记忆网络的预测模型。第一种针对在大时间粒度下平稳变化的流量;第二种则针对在小时间粒度下波动剧烈的非平稳流量。通过选用不同的数据划分方式与模型训练方法,构建两种具有不同网络结构的流量预测模型。实验结果表明,前者在处理平稳变化的流量时能够达到极高的预测精度,后者在处理非平稳流量时具有明显优于SVR模型、BP神经网络模型的预测效果。在第二种预测模型的基础上,提出了参数可调的链路拥塞预警方案,实验证明该方案具有一定的可行性。     

CPSO算法优化神经网络重构的网络流量预测

为了提高网络流量的预测精度,提出了一种混沌粒子群算法优化相空间重构和神经网络的网络流量预测模型(CPSO-BPNN)。利用混沌粒子群算法对BP神经网络初始参数、延迟时间、嵌入维数进行优化,根据延迟时间、嵌入维数对网络流量数据进行重构,BP神经网络根据初始参数进行训练建立网络流量预测模型,通过仿真实验对模型性能进行测试。结果表明,CPSO-BPNN可以准确描述网络流量的复杂变化趋势,提高了网络流量的预测精度。     

城市高速公路交通的神经网络建模与控制

从城市高速公路交通流的宏观、动态特性出发 ,分析了交通流控制中常用的宏观、动态、确定性模型 在此基础上 ,利用人工神经网络技术建立了城市高速公路的神经网络模型 ,并提出了入口匝道放行和路段速度相结合的多变量神经网络控制策略 利用该控制策略建立的自适应神经网络控制器 ,可以使高速公路上的交通密度维持在理想的密度值附近 .进一步分析可以得到 ,该控制器是一个状态和控制作用均可跟踪的伺服系统 .以杭州某高架高速公路为背景的仿真结果表明 :该控制器具有较强的鲁帮性 ,控制效果令人满意 .     

基于一维卷积神经网络的网络流量分类方法

针对传统机器学习算法对于流量分类的瓶颈问题,提出基于一维卷积神经网络模型的应用程序流量分类算法。将网络流量数据集进行数据预处理,去除无关数据字段,并使数据满足卷积神经网络的输入特性。设计了一种新的一维卷积神经网络模型,从网络结构、超参数空间以及参数优化方面入手构造了最优分类模型。该模型通过卷积层自主学习数据特征,解决了传统基于机器学习的流量分类算法中特征选择问题。通过网络公开数据集进行模型测试,相比于传统的一维卷积神经网络模型,所设计的神经网络模型的分类准确率提升了16.4%,总分类时间节省了71.48%。另外在类精度、召回率以及[F1]分数方面都有较好的提升。     

高速公路交通的神经控制器

本文分析了高速公路车辆群交通模型并建立了高速公路交通的神经网络模型,提出 了具有入口匝道放行和路段速度两项控制作用的高速公路神经内模控制器,该控制器是一个 状态和控制作用均可跟踪的伺服系统．文章以沈大高速公路为实际背景进行系统仿真实验, 效果良好．     

CS算法优化BP神经网络的短时交通流量预测

为了提高短时交通流量的预测精度,提出一种布谷鸟搜索算法优化BP神经网络参数的短时交通流量预测模型（CS-BPNN）。基于混沌理论对短时交通流量时间序列进行相空间重构,将重构后的时间序列输入到BP神经网络进行学习,采用布谷鸟搜索算法找到BP神经网络最优参数,建立短时交通流量预测模型,通过具体实例对CS-BPNN性能进行测试。仿真结果表明,相对于对比模型,CS-BPNN提高了短时交通流量的预测精度,更加准确反映了短时交通流量的变化趋势。     

基于深度学习的驾驶员换道行为预测

车道变换在交通安全中起着至关重要的作用,准确预测驾驶员的车道变换行为可以显著提高驾驶安全性.本文提出了一种基于全连接神经网络和循环神经网络的混合神经网络,用于精准预测车道变换行为.并且提出动态时间窗口,提取包括驾驶员生理数据和车辆运动学数据的车道变换特征.最后,通过真实交通场景下的数据验证了所提出模型的有效性.此外,将所提出的模型与五种其他预测模型进行了比较,结果表明,与其他模型相比,本文所提出的预测模型具有更高的精确率和前瞻时间.     

Classification of freeway traffic patterns for incident detectionusing constructive probabilistic neural networks

This paper proposes a new technique for freeway incident detection using a constructive probabilistic neural network (CPNN). The CPNN incorporates a clustering technique with an automated training process. The work reported in this paper was conducted on Ayer Rajah Expressway (AYE) in Singapore for incident detection model development, and subsequently on I-880 freeway in California, for model adaptation. The model developed achieved incident detection performance of 92% detection rate and 0.81% false alarm rate on AYE, and 91.30% detection rate and 0.27% false alarm rate on I-880 freeway using the proposed adaptation method. In addition to its superior performance, the network pruning method employed facilitated model size reduction by a factor of 11 compared to a conventional probabilistic neural network. A more impressive size reduction by a factor of 50 was achieved after the model was adapted for the new site. The results from this paper suggest that CPNN is a better adaptive classifier for incident detection problem with a changing site traffic environment.     

面向高速公路通行时间分布预测的时空混合密度神经网络

准确的通行时间分布预测可以全面地反映高速公路路网中各个路段在未来的通行状况,辅助实现高速公路中的路径规划,事故事件预警等精细化管理目标.为此,本文提出一种面向高速公路通行时间分布预测的时空混合密度神经网络.具体地,本文利用自适应图卷积通过数据驱动的方式提取路网中的空间特征,有效解决了基于预定义图难以捕获路网信息中完整空间相关性的问题.在时间维度上,不同时间的路网信息存在显著的相关性,因此,本文基于注意力机制自适应建模路网信息的时间相关性,并通过卷积层进一步聚合相邻时间步之间的信息.最后,基于自适应时空相关性建模得到的路段嵌入表示,通过混合密度网络建模通行时间的分布,以实现高速公路中各个路段的通行时间分布预测.     

基于Multi-agent的城市高速公路交通流控制的集成框架

本文指出要有效解决高速公路的交通拥挤与堵塞问题,必须研究入口匝道控制、主线控制、通道控制等的集成问题.文章通过分折Multi-agent的技术特点和高速公路的交通流过程,提出了基于Multi-agent的入口匝道控制、主线控制、通道控制等的集成控制框架,并对其中的关键问题---短时交通流预测和Agent间的通讯---进行了阐述.􀁱