路网交通状态平衡控制方法

为了降低路网的拥挤度,提出了路网交通状态平衡控制方法。以交叉口最大饱和度代表交叉口交通状态,以路网最大饱和度最小为目标建立了路网交通状态平衡控制双层规划模型。利用遗传算法求解该规划模型,优化算法可以同时优化信号周期和各相位绿信比。考虑到整体延误、交通状态以及各个交叉口的重要度,对平衡控制方法进行了改进。数值模拟结果表明,本文方法可以在一定程度上降低关键区域的拥挤度。     

信号配时方案对交叉口承载能力的影响

为定量描述交叉口承载能力,并将交叉口几何结构、交通特性、渠化设置以及管制措施等影响因素纳入承载能力分析框架,对交叉口冲突车流进行分析,采用图论方法表达了基本相位集,并将承载能力的一般形式表达成等式方程组．随后以普通4路交叉口为例探索了临界承载能力的必要条件,最后建立了交叉口承载能力优化模型．结果表明:不同的信号控制方案对承载能力有着极大的影响,绿灯时间等饱和度分配本质上即为承载能力最大控制;对于一般的4路交叉口,信号控制车流的流量比之和等于2是交叉口达到承载能力的充要条件．     

信号交叉口停车次数

利用交通波理论研究了信号交叉口的停车次数模型。通过交叉口停车线前停车波和启动波的分析划分出车辆在信号控制下的聚集-释放模式,得出稳定输入下不存在完全一次排队,并研究了不同聚集-释放模式与车辆停车次数的关系。针对三种模式中的稳定模式的车辆行驶轨迹作了分类,计算了其停车率,并对几种重要的停车率计算方法进行了比较分析。算例表明,传统停车率计算模型的估计结果总是偏大,且随着饱和度的变大对停车率的估计偏差也变大。这种偏差的根源在于其采用了点排队的假设。     

基于元胞自动机的基本路段行程时间研究

以城市基本路段上的行程时间为研究对象,研究了多车道、含渠化区、信号控制影响下的行程时间.通过对驾驶员基本移动规则、换道特性、信号控制反应的描述,基于NaSch模型建立了基本路段上的元胞自动机模型CAUB,并利用CAUB对行程时间进行了研究.结果表明,基本路段上的行程时间与流量和信号设置有关,也同转向流量比例有关,且呈现突变的特性.     

基于综合饱和度的单点信号控制方法

为了提升单点交通控制效果,首先考虑交叉口停车线前车辆排队情况,定义了综合饱和度概念,该指标既能反映车流对交叉口的时间资源利用程度,也能反映其路段空间资源利用程度.基于综合饱和度概念,研究等综合饱和度的交叉口信号控制参数的优化方法.针对优化方法的特性,利用迭代法进行求解.结果表明,基于综合饱和度的单点信号控制方法与传统的等饱和度最小延误控制方法相比,在高峰期间可以显著降低路段排队长度.     

信号控制下的路段行程时间

通过交叉口停车先前停车波和启动波的分析,划分出车辆在信号控制下的聚集-释放模式,得出稳定输入下不存在完全一次排队。针对稳定模式中车辆行驶轨迹作了分类,并分别研究了它们各自的行程时间。并用算例表明,路段行程时间(即路阻)不仅是路段流量的增函数,同时它还会受到信号控制的影响。流量很低时的车辆行程时间有可能比流量高时的还要长。     

信号控制交叉路口车辆排队长度

建立了一个能够估计市内信号交叉路口车辆实时排队长度的模型。分析了路段交通流之间的流向关系,根据流向关系建立了两种路段交通流影响模型:神经网络模型和贝叶斯网络模型,并描述了模型的结构。为了方便模型的实际应用,分别用主成份对输入变量降维,用EM算法和高斯混合分布函数来表达模型和训练模型参数。基于实际路网设计了一个仿真路网,并用不同的实验场景对模型进行有效性验证。仿真实验的结果表明,由于城市路网中存在的随机性,贝叶斯网络模型能够更好地把握交通流变化的趋势。     

基于虚拟边界的二维智能驾驶模型及应用

为了对车辆在复杂异质交通流环境下(如出口匝道处)的侧向和纵向二维运动进行建模和预测，首先提出虚拟边界场概念，从微观层面上分析虚拟边界场对驾驶行为的作用，并据此建立虚拟边界场模型。同时考虑周围车辆的影响，将虚拟边界场理论与二维智能驾驶模型(intelligent driver model, IDM)结合，提出了基于虚拟边界场的二维IDM模型，刻画和预测车辆的二维轨迹。采用动态时间规整(dynamic time marping, DTW)的边界场优化方法对模型参数进行标定，并对模型的有效性进行验证。采用粒子群算法(particle swarm optimization, PSO)求解出最优虚拟边界场位置，并进行误差分析。结果表明：针对Mirror-Traffic数据，车辆轨迹的预测误差可控制在3.1%～8.2%,针对NGSIM数据的轨迹预测误差可控制在3.8%～28.2%,所提出的模型能够描述并预测传统车辆在匝道处混合交通流环境下的横向和侧向的二维运动。所提出的方法可以为自动驾驶车辆在混合交通流中的轨迹规划提供基础信息。