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。     

交通信号控制系统的多agent协调研究

基于agent技术,对城市交通信号进行多agent协调控制研究。首先给出了路口agent的组成和结构,然后提出了路口等待车辆数矩阵、道路因子矩阵、交通负荷度矩阵和绿信调节矩阵,在此基础上对路口阻塞和路段特殊事件建立了协调模型,提出了协调算法。     

基于博弈学习的多Agent城市交通协调控制

交通路口中的各Agent之间的协调问题是一个博弈问题。在有限理性的基础上,利用博弈学习思想,构建多智能体（multi-Agent）博弈学习协调算法,利用此学习协调算法对出行者行为分析并修正,实现城市交通路口的畅通,进而达到区域、全局的交通优化。最后通过实例仿真验证其可行性。     

基于博弈学习的多Agent城市交通协调控制

交通路口中的各Agent之间的协调问题是一个博弈问题。在有限理性的基础上,利用博弈学习思想,构建多智能体(multi-Agent)博弈学习协调算法,利用此学习协调算法对出行者行为分析并修正,实现城市交通路口的畅通,进而达到区域、全局的交通优化。最后通过实例仿真验证其可行性。     

基于流量的交通信号智能控制算法与仿真

交通信号控制系统是城市交通的基本组成.文章针对交通路口信号控制中的时间分配算法进行研究.根据交通路口抽象模型,综合多种路口流量因素,引入了综合流量指标来对交通流量进行量化描述.并且以该综合指标为中心设计了具备自适应能力的信号控制算法.实现了能够依据交通流量状况进行路口时间调整的交通信号控制系统模型.通过NetLogo平台进行仿真实验,证明该系统模型可以很好的适应路口交通流量变化和差异,一定程度上可以作到对交通压力的缓解.     

基于城市区域路网的分散协调控制研究

根据城域多路口交通系统的特点,摒弃统一信号周期的方法,以各单路口为基点,采用分散协调控制策略,综合考虑各相邻路口及两路口间的交通流,实时控制各路口交通信号,并智能的加以协调,使区域内道路的交通通行能力得到提高,降低车辆的延误时间。为提高系统的控制精度和鲁棒性,采用神经网络技术实现模糊控制。仿真结果表明,该方法控制效果良好。     

基于Multi-agent的交通控制协调算法研究

为了解决日益严重的交通问题,寻找一种更加有效的交通控制方法,本文提出了基于Multi－agent的交通控制系统的结构,并对路口agent的协调算法进行了研究,将计算机网络中时间片和令牌的慨念引入到路口agent的各相位的协调中。该方法为路口文通控制提出了一种新的协调方法,并从理论上验证了该方法的有效性。     

基于Multi-aqent的交通控制协调算法研究

为了解决日益严重的交通问题,寻找一种更加有效的交通控制方法,本文提出了基于Multi－agent的交通控制系统的结构,并对路口agent的协调算法进行了研究,将计算机网络中时间片和令牌的慨念引入到路口agent的各相位的协调中。该方法为路口文通控制提出了一种新的协调方法,并从理论上验证了该方法的有效性。     

基于遗传算法改进的交通干线信号优化研究

针对城市交通拥挤、道路通行能力低等问题,通过建立城市交通干线系统信号配时模型,设计了一种基于遗传算法改进的混合式优化算法.算法对遗传算法中适应度函数、交叉算子和变异箅子等进行了一些改进,并将混沌优化思想融入改进后的遗传算法中.用混合式优化算法对城市交通干线系统信号进行配时,有效地协调了各路口的信号灯,使交通干线系统的交通量得到了明显改善.仿真结果表明此算法具有较快的收敛速度和进化效率,能有效实现全局优化.     

交通路口闯红灯的视频检测算法

城市交通发展迅速,车辆拥有量急剧上升.交通路口的信号灯对于交通疏导至关重要,视频检测闯红灯并实现拍照处理,有助于减少交通管理成本,提高管理效率.本文根据城市路口的视频特征,提出一个基于颜色特征周期性变化的红灯检测算法.使用本算法,并利用自动背景计算技术,可以自动检测红灯和闯红灯车辆的抓拍.     

交通灯运行时间自适应算法及其控制系统

城市交通拥堵具有严重的危害性, 直接导致时间延误、能源浪费和废弃物排放增加, 降低居民生活水平. 现阶段, 基于平面交叉路口交通灯切换时间相对固定, 恶劣天气或发生交通事故时路口经常发生交通堵塞的实际情况, 本文提出了一种平面交叉口交通拥堵多方向交通灯运行时间自适应算法, 采取视频图像处理算法判断道路交通拥堵情况, 根据路况设置交通灯的工作时间, 并设计了相应的控制系统. 仿真结果表明, 在高峰期时段, 此自适应算法的车辆通行效率高于传统的交通灯运行时间控制方法.     

传感网中数据驱动的多时段控制方法优化研究

为了克服“常峰型”交叉口多时段控制时段划分单因素划分方法的趋同性与多因素划分方法的过复杂性,提出了一种基于传感网数据采集技术与数据驱动理论的“常峰型”交叉口多时段控制时段划分优化方法。以传感网感知能力对传统交通流量数据增加维度,引入交叉口交通流三维向量,以向量的形式表示在某一交叉口某一段时间内的交通总流量的大小、方向及与冲突点的平均时间距离。运用时间序列自回归滑动平均算法对相邻向量间距离进行归并得出时段划分优化方案。以某城市实际交通流量数据为测试数据进行评价对比分析。结果表明,创新模型运用在“常峰型”交叉口,与传统方法相比其控制效果更加准确高效,交叉口全天总延误时间有效降低约6.04%。     

A fast network partition method for large-scale urban traffic networks

In order to control the large-scale urban traffic network through hierarchical or decentralized methods, it is necessary to exploit a network partition method, which should be both effective in extracting subnetworks and fast to compute. In this paper, a new approach to calculate the correlation degree, which determines the desire for interconnection between two adjacent intersections, is first proposed. It is used as a weight of a link in an urban traffic network, which considers both the physical characteristics and the dynamic traffic information of the link. Then, a fast network division approach by optimizing the modularity, which is a criterion to distinguish the quality of the partition results, is applied to identify the subnetworks for large-scale urban traffic networks. Finally, an application to a specified urban traffic network is investigated using the proposed algorithm. The results show that it is an effective and efficient method for partitioning urban traffic networks automatically in real world.     

城市交通信号的ANN自校正预测控制

提出一种基于人工神经网络的城市交通信号的自校正预测控制方法.充分考虑相邻交叉路口之间交通流的强耦合性,在此基础上建立关于队长的交通模型;其中,受控路口下一周期到达的车辆数用人工神经网络(ANN)来预测;通过该ANN还可获得确定最佳周期长度所需要的交通参量,因此还可预测下一周期的长度;上述预测值均用实测信息进行反馈校正,在此基础上即可给出带约束的预测控制算法,从而确定下一周期的控制策略.仿真实例表明该方法具有较好的控制效果.     

基于TdPN的中小流量交叉口信号控制研究

针对城市中小流量交叉口交通拥堵问题,提出了一种基于时延Petri网(Timed Petri Net, TdPN)的可变相序信号控制模型。利用TdPN建立交叉口车流模型和信号控制模型,结合马尔可夫链,建立交通流的动态生成模型。通过将通行权赋予当前等待车辆数最大的相位来实现相位的随机选择。以平均延迟时间最小为优化目标,通过遗传算法求解最优相位配时。在信号周期固定的情况下,分析基于TdPN的四相位可变相序控制模型在不平衡交通流下对交叉口平均排队长度的影响,并将此模型与四相位固定相序控制模型进行对比。研究结果表明,该方案在单位时间内有效地减少了交叉口的平均排队长度。     

基于0-1整数规划交通信号控制优化模型及算法

基于城市交通拥堵的现实背景,主要研究了城市交通网络中信号灯的实时控制的优化问题。通过给出0-1整数规划的模型,定量研究了交通网络中路口信号相位之间的关系,并建立了交通信号控制适时优化模型对其进行优化。针对一组具有不同信号周期的路口信号灯,假设每个路口的相序已知,任意两个路口的相位差未知,综合考虑绿信比和相位差,寻找最优控制策略。在数学模型中,假定交通网络路口具有不同的信号周期和相位差预先未知,在各路口信号周期的最小公倍数的时间段内,通过决策信号灯在任意时间段内的状态来最小化总的车辆延迟时间。问题研究中涉及大量的0-1变量,通过定义内生、外生变量,形成了对各变量的有效约束,使模型在实际仿真实验中的计算复杂度大大减少。最后利用启发式算法对给出的算例进行仿真验证。     

城市交通信号局部博弈交互下的学习协调控制

针对传统分布式自适应交通信号控制协调效率受限,并且存在维数灾难问题,建立了城市区域交通信号控制系统模型,将其优化问题建模为局部交叉口交通信号博弈协调控制,提出基于交叉口交通信号控制agent局部信息博弈交互的学习算法。在学习过程中交叉口交通信号控制agent进行局部信息博弈交互,自主调整交通信号控制策略使其逐步学习到最优策略。通过设计不同的交通需求情景,对路网平均延误和平均停车次数进行加权构建性能评价指标,相对于遗传算法和感应控制方法,博弈学习取得更好的交通信号控制效果,其能收敛到最优性能评价指标,其具有更好的交通需求管控能力。     

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。     

分布式区域交通信号自适应控制

基于无模型自适应动态规划,提出一种新的交通信号控制算法,应用于区域多路口协调优化控制.在四交叉路口的仿真环境下对该控制算法进行验证,取得良好的优化效果.     

基于分布估计算法的单路口交通信号控制

针对遗传算法求解城市道路交叉口信号控制存在的主要问题,以四相位交叉路口为研究对象,建立了以信号周期内车辆延误总时间最短为目标函数,以各相位有效绿灯时间为控制变量的单路口交通信号优化模型.并分别以整数编码的PBIL算法和实数编码的EMNA算法两种典型分布估计算法求解单路口交通信号优化问题.仿真结果表明,与传统遗传算法相比,两种分布估计算法均可用更小的种群规模快速高效地求得最优解.