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.     

考虑交通流非线性特性的交通信号迭代学习控制策略

现实中城市交通流的运行具有很强的非线性特性, 采用简单的线性模型难以全面描述交通流的实际运行过程. 本文在考虑城市交通流非线性动态特性的基础上, 提出了一种非线性交通流排队模型, 并基于宏观交通流固有的周期性特征, 设计了交叉口信号的迭代学习控制策略. 通过对交叉口信号的迭代学习控制, 使交叉口各进口道的车辆排队长度尽可能趋于均衡, 提高交叉口信号有效绿灯时间的利用率, 从而提高路网的通行效率. 最后通过严格的数学推导证明了该方法的收敛性, 仿真研究及实验结果验证了所提方法的有效性.     

车路协同环境下基于动态车速的相位差优化模型

针对基于固定路段行驶车速的相位差优化模型在优化双向滤波时存在的不足,本文基于车路协同环境下车辆–信号控制系统双向、实时通信的运行环境,研究并建立了车辆动态速度与交叉口相位差的整合优化模型.首先,基于对上游交叉口流出的两类交通流,即饱和交通流和非饱和交通流运行特征分析,建立了速度与相位差相互影响关系模型,在此基础上,分别针对两种不同的交通流,以干道实时流量与速度乘积最大为目标,考虑初始排队清空时间,可变速度范围,和相位差取值空间等约束条件,建立了车辆速度与相位差的动态优化模型,从而实现干道交通流不停车通过量最大且延误最小的目的.最后,对比分析了本文模型与经典Maxband绿波优化模型及Synchro软件的信号协调控制优化方案,结果表明,相比其他两种典型优化方法,本文模型能显著提高双向绿波带宽并大幅减少停车次数,提高协调控制的效益.     

基于TCPN的交叉口信号控制模型与优化

针对城市路网中交叉口车辆通行效率低下,交通信号控制策略难于满足输入路段上车流变化的问题,本文提出了一种基于时延赋色Petri网的交叉口交通流优化控制模型。首先建立路段车流、交叉口车流和交通信号控制的TCPN模型,其次建立以交叉口输入路段车辆数最小为目标的车流优化方程。在假设信号周期固定的前提下,利用15个周期采集的交叉口输入、输出路段车辆数,求解满足优化目标的相位配时,确保交叉口输出车辆数最大,且输入路段上待通过车辆平均数最小。仿真结果表明,交叉口的通行能力显著提高,各输出路段上的车辆平均数分别增加了13.3%,9.7%,9.8%和4.3%。     

基于粒子群优化算法的多交叉口信号配时*

以城市道路多个单点信号控制交叉口组成的绿波系统为研究对象,对绿波系统的交叉口信号配时优化进行研究。通过对路段和干线机动车流进行协调控制设计,以西安市某两相邻交叉口晚高峰时段各进口道的交通量、通行能力、饱和流量以及各交叉口进口道的实际车均延误时间为约束,确定各交叉口的信号周期及各相位有效绿灯时长,使得干线延误量最小。设计了PSO算法的编码方式,分别采用PSO算法、灾变PSO算法和二阶振荡PSO算法对多交叉口交通信号配时进行优化计算。仿真实验表明,二阶振荡PSO算法在该实例中表现最优。     

主干道动态协调控制方法研究

针对干线交通双向绿波协调控制中的相位冲突问题,提出了一种主干道动态协调控制方法。根据交通路口关联度计算方法将主干道划分为若干个控制子区;根据划分好的控制子区,计算出控制子区控制参数和控制子区间的协调控制参数：其中,针对我国城市交通流特点,对韦伯斯特周期公式进行修正,并设计了一种支路相位排前可行度函数用于各个路口相序进行优化,依此根据一段时间内的交通流信息计算出所有控制参数,包括公共信号周期,各路口的绿信比,各路口的相序以及所有路段的引导车速。仿真结果表明,该方法比分散控制能有效地提高主干道的行车速度,能够有效降低干线的通行时间。     

基于混合Petri网的交叉口交通信号控制研究

为优化交叉口绿灯时间,根据交叉口交通流的动态属性和交通信号的离散属性,建立了城市交通网络中单交叉口信号控制的混合Petri网模型.用连续Petri网描述交叉口容量和交通流变化,用离散时延Petri网控制交叉口各个相位的交通信号,每个相位都有控制绿灯延长时间的Petri网模型.在执行了最短绿灯时间后,根据当前等待通过的车辆数,通过禁止弧对绿灯延长时间加以控制,以确定最佳绿灯时间.最后对该模型进行计算机仿真,仿真结果表明该方案对单一交叉口实现了更有效的控制.     

模糊控制原理在城市交叉口智能控制中的应用

由于模糊数学理论可以比目前常规数学方法更好地描述交叉口交通流的随机性和不确定性,本文结合模糊控制技术及一般信号交叉口交通控制方法,提出了一种基于知识的模糊交通控制方法,设计了模糊控制器,并对该控制器进行了仿真研究,给出了控制方法的结构、模糊控制规则以及仿真计算对比结果.结果表明:计算过程简单,控制效果优于定时控制方法,并且在交通量较大时,还优于感应控制方法.它可以有效改善交叉路口的通行能力,为优化城市交通控制提供了一种参考方法.     

考虑路网OD路径的交叉口群动态划分方法

交叉口群是关联性较强的若干交叉口的集合,是路网交通流协调控制的基本单元,其动态范围划分与路网协调控制效益直接相关。在对经典Whitson路段关联性模型进行改进的基础上,考虑路网上交通流OD路径分布建立了相邻交叉口之间的路径关联性模型;基于路段或路径关联性模型计算结果,应用层次聚类方法对信号控制交叉口群进行动态划分。最后对基于路段和路径关联性的交叉口群动态划分方法进行了仿真验证和对比分析。研究结果表明,考虑路网OD路径分布动态划分交叉口群可以减少对主要OD路径的分割,从而降低路网交通流的总停车延误和停车次数。     

基于粒子群的模糊神经网络交通信号控制

针对城市交通流的特点,提出了一种单交叉口多相位模糊神经网络交通信号控制模型,并采用全局优化的粒子群算法优化模糊神经网络参数.仿真结果表明该算法能够有效减少交叉口车辆平均延误时间,提高道路通行能力.     

城市协调控制主干路交通流模型

城市协调控制主干路交通流模型是交通预测、仿真、信号配时的前提和基础.论文通过改进开放性边界条件,利用一维元胞自动机模型模拟协调控制主干路交通流状况.该模型采用差分方程的形式描述车辆动态行为.解除了信号灯等间距布设的限制,每个路口的信号灯可以根据交通流变化选择绿信比,相邻交叉口采用绿波控制方式调整相位差.论文利用MATLAB软件对模型进行仿真,分析了驶入主干路流量以及干、支路的转弯流量对于主干路平均速度、平均密度和平均流量的影响.在仿真结果的基础上,提出了相应的控制措施改善主干路交通状况.     

A cell-based robust optimal coordinated control on urban arterial road

Process of optimizing coordinated control is divided into two stages.At the first stage,the study improves a robust optimal control model of single-point intersection to optimize cycle and split.At the second stage,the study combines all links with intersections of arterial road as a complete system,and applies cell transmission model to simulate traffic flow on urban signalized arterial road.We propose a coordinated control model based on the platform to optimize offset between adjacent intersections.Genetic algorithm is executed by MATLAB to solve the model.The performance evaluations show that the model not only effectively reduces average delay and stopping rate of vehicles on arterial road and largely enhances traffic capacity of arterial road,but also lowers the sensitivity of signal control for flow fluctuations.     

A dynamic signal coordination control method for urban arterial roads and its application

We propose a novel dynamic traffic signal coordination method that takes account of the special traffic flow characteristics of urban arterial roads. The core of this method includes a control area division module and a signal coordination control module. Firstly, we analyze and model the influences of segment distance, traffic flow density, and signal cycle time on the correlation degree between two neighboring intersections. Then, we propose a fuzzy computing method to estimate the correlation degree based on a hierarchical structure and a method to divide the control area of urban arterial roads into subareas based on correlation degrees. Subarea coordination control arithmetic is used to calculate the public cycle time of the control subarea, up-run offset and down-run offset of the section, and the split of each intersection. An application of the method in Shaoxing City, Zhejiang Province, China shows that the method can reduce the average travel time and the average stop rate effectively.     

基于模糊控制算法的城市交通区域协调控制

针对目前我国城市交通区域控制的研究现状,应用群决策理论和模糊控制理论,对整个城市区域交通建立协调二级模糊控制模型。以相邻交叉口之间的车流量信息和预测剩余时间周期为模糊控制器输入,由二级模糊控制器的输出控制下一时刻的绿灯相位,从而调整控制子区内相邻交叉口上下游之间的交通流和集散程度,最终实现对控制子区的宏观区域协调控制。     

交通强度优先的交叉口模糊控制研究

为了降低交叉口车辆延误,提高通行能力,研究了一个四相位交叉口交通信号的模糊控制方法。用交通强度刻画各相位交通流通行需求的紧急程度,根据各相位的交通强度由模糊推理得到当前相位的绿灯延长时间,并选取后续绿灯相位。以交叉口车辆平均延误作为交叉口信号控制的性能评价指标,在相同交通条件下对几种控制方式进行了仿真试验。结果表明,该文的控制方法相对于感应控制方法和直接采用车辆排队长度作为输入的模糊控制方法,更能有效减小交叉口的车辆平均延误。     

基于深度强化学习的多路口信号控制优化研究

新起的智能交通系统在改善交通流量,优化燃油效率,减少延误和提高整体驾驶经验方面有望发挥重要作用。现今,交通拥堵是困扰人类的一个极其严重的问题,特别是一些城市交通密集的十字路口处可能会更加严重。对信号控制系统的奖励机制进行了改进,将所有路口共享奖励的机制改进为每个交叉口共享唯一的奖励,并且通过密集采样策略与多路口信号控制相结合的方式,运用时下热门的深度强化学习来解决交通信号灯配时问题。仿真实验都是基于现在国际主流的交通模拟软件（SUMO）完成,从实验结果表明,改进后的深度强化学习多路口信号控制方法相较于传统强化学习方法控制效果更佳。     

基于层级控制的宏观基本图交通信号控制模型

针对城市交通子区内部与边界交叉口的协调控制问题,提出基于分层多粒度与宏观基本图的交通信号控制模型HDMF。首先利用城市交通系统的分层多粒度特性与粗糙集理论描述交通要素的实时状态;然后结合基于背压算法的分布式交叉信号控制和交通元素的动态特性,计算交叉口相位压力并对相位进行决策;最后使用宏观基本图（MFD）实现区域驶出总流量最大和各子区内存在车辆数量最优。实验结果显示,HDMF模型与协同最大压力控制模型EMP、基于MFD和混合遗传模拟退火算法的HGA模型相比,平均排队长度分别降低了6.35%和10.01%,平均行程时间分别降低了6.55%和11.15%,表明HDMF模型能够有效疏导子区域内部与边界的交通,实现整体路网的车流量最大化。     

基于注意力机制的深度强化学习交通信号控制

深度强化学习（DRL）广泛应用于具有高度不确定性的城市交通信号控制问题中,但现有的DRL交通信号控制方法中,仅仅使用传统的深度神经网络,复杂交通场景下其感知能力有限。此外,状态作为强化学习的三要素之一,现有方法中的交通状态也需要人工精心的设计。因此,提出了一种基于注意力机制（attention mechanism）的DRL交通信号控制算法。通过引入注意力机制,使得神经网络自动地关注重要的状态分量以增强网络的感知能力,提升了信号控制效果,并减少了状态向量设计的难度。在SUMO（simulation of urban mobility）仿真平台上的实验结果表明,在单交叉口、多交叉口中,在低、高交通流量条件下,仅仅使用简单的交通状态,与三种基准信号控制算法相比,所提算法在平均等待时间、行驶时间等指标上都具有最好的性能。     

基于节点状态一致的路网边界控制

针对路网车流分布不均衡的问题,本文提出基于一致性思想的路网边界流量控制策略.首先,基于车辆守恒宏观模型,描述了区域边界车流的动态演化;以区域内路段占有率一致作为控制目标,边界交叉口配时参数为控制输入,进行区域边界反馈控制设计,并推导出边界车流输入与内部路段放行比例的解析关系;最后,通过路网实测数据验证了边界控制策略的适用性.结果表明:边界控制策略不仅能够有效改善路网交通流分布不均衡的状况,还能够有效降低路网的平均延误、排队长度等指标,提高路网运行效率.