交叉口有交通信号控制时用户最优动态配流模型

针对智能交通系统（ＴＴＳ）基础上中主要基础理论之一的动态交通分配问题,在现有研究成果的基础上,提出了更接近真实路网的多起点多旋点交叉口设置有交通信号控制（Ｔｒａｆｆｉｃ Ｓｉｇｎａｌ Ｃｏｎｔｒｏｌ）时的动态配流模型,给出了对现有的通过Ｆｒａｎｋ Ｗｏｉｆｅ算法所得的ＤＵＯ配流解进行修正的原则,最后的算例表明由修正后的模型和算法所得到的ＤＵＯ配流解满足ＴＳＣ约束。     

基于GIS的城市数字交通管理信息系统设计开发

作为数字城市的一个重要组成部分,城市数字交通管理信息系统为城市交通规划、建设和管理提供了一个高效的数字化平台。本文探讨了GIS技术在交通管理信息系统中的应用,并结合MapInfo软件平台设计了城市数字交通GIS系统,该系统已经成功应用于湛江市公共交通规划和管理中,获得了良好的效果。     

改进粒子群算法在动态交通分配问题中的应用

在分析常规粒子群优化算法的基础上,针对动态交通分配问题,采用一种带变异因子的改进的粒子群优化算法,并根据粒子群的群体适应度标准差和理论最优值,给出收敛判断的依据。实验表明该算法具有简单、高效、快速的特点。     

交通流数据清洗规则研究

交通检测器获得的数据存在无效、冗余、错误、时间点漂移及丢失等质量问题。为此,在分析影响数据质量问题原因的基础上,给出交通流数据清洗的概念,研究“脏数据”的清洗规则与清洗步骤,并对环形线圈检测器检测到的数据进行验证。结果表明,该清洗规则对错误、丢失、冗余等“脏数据”的识别率均在90%以上。     

动态按需加载算法在GIS地图中的应用

针对传统数据加载算法存在数据冗余多、加载慢的问题,从地图显示技术现状与用户需求出发,提出动态按需加载算法,通过对图形元素进行分块与建立分块索引实现地理信息系统地图数据的快速查询、加载、显示。测试及分析结果表明,该算法很大程度上减少了系统加载数据量和数据冗余,提高了数据加载速率。     

最优动态配流问题的离散模型及其解

对一般路网建立了具有良好结构形式的离散动态配流模型，该模型在多起点单讫点路网中的最优解满足交通流守恒约束和动态平衡原则。在提出了完全不同路段概念的基础上，对最优解的奇异性进行了分析，得到稳态最优解为非奇异解的结论。给出的算例验证了结论的正确性。     

动态平衡运量配流问题及其稳态伴随解算法

动态平衡运量配流问题的建模和求解是发展智能车辆导驶系统的理论基础.本文对多起点单讫点交通网络建立了连续时间最优控制模型,该模型的最优解对应于动态用户平衡解.文中提出的稳态伴随解算法避免了解复杂的两点边界值问题,可以获得原问题的近似解.该算法利用了交通网络和计算机网络的结构特性,计算速度较高,可用于城市交通流的实时控制.     

基于改进遗传算法的动态交通分配优化研究

传统的优化算法大多数由于计算量大或者容易使性能指标落入局部最优值而严重制约了模型的应用与发展,而用遗传算法等新的智能算法求解则会很简洁和方便。文章针对遗传算法在应用中存在的局限性,采用了小生境技术的遗传算法,结合精英保留策略、种群多样性保持方案、新的适应度值标定方式等改进遗传算法。通过对动态交通分配的特点分析,建立了动态交通分配模型,利用改进的遗传算法对模型进行求解。仿真结果体现了动态交通分配模型的有效性和改进遗传算法的优越性,大大提高了动态交通分配模型的实用价值。     

A Hybrid Deployable Dynamic Traffic Assignment Framework for Robust Online Route Guidance

Randomness in time-dependent origin-destination (O-D) demands and/or network supply conditions, and the computational tractability of potential solution methodologies are two major concerns for the online deployment of dynamic traffic assignment (DTA) under real-time traffic management systems. Most existing DTA models ignore these concerns and/or make unrealistic assumptions, precluding their online applicability. In this paper, a hybrid approach consisting of offline and online strategies is proposed to address the online stochastic dynamic traffic assignment problem. The basic idea is to address the computationally intensive components offline, while efficiently and effectively reacting to the unfolding conditions online. The offline component seeks a robust initial solution vis-à-vis randomness in O-D demands using historical O-D demand data. Termed the offline a priori solution, it is updated dynamically online based on unfolding O-D demands and incidents. The framework circumvents the need for accurate O-D demand and incident likelihood prediction models online, while exploiting historical O-D demand and incident data offline. Results of simulation experiments highlight the robustness of the hybrid approach with respect to online variations in O-D demand, its ability to address incident situations effectively, and its online efficiency.