基于多延时动力系统的交通流量建模

为了改善多车道、路况可变、流量可变的复杂交通环境中关于道路交通流量的问题,采用多时段延时动力系统思想,建立了基于动力系统的道路交通流量新模型．该模型可以描述前后多时间段对道路交通流量的相互影响．仿真数据结果表明,新模型能够模拟真实的交通流量变化,同时对于控制交通流量以及分析交通系统的特点是有效的．     

基于延迟函数次梯度启发式道路交通补偿策略

拥挤收费被认为是解决交通拥挤的有效方法,解决道路交通拥堵的主要想法是,对于有些容易造成拥堵的道路进行收费,而对于其他未充分利用的道路进行适当补偿,对此提出一种基于延迟函数的次梯度启发式道路交通补偿策略。首先,给出道路集的收费/补贴的非线性规划模型,主要是基于Beckmann最小化目标函数实现,然后利用库恩-希尔斯条件和拉格朗日乘子建立模型的条件约束;其次,基于启发式算法建立道路交通的定价补偿策略,利用边际成本建立延迟函数分析模型,然后基于次梯度法进行模型的优化;最后,通过在真实道路网络上的仿真实验,显示所提算法在旅行时间、交通流量、收敛性等指标上均具有较好的性能,验证了算法的有效性。     

基于O-D矩阵估计的路网交通流量仿真模型

为了将交通出行需求对路网交通流量的影响进行动态的量化分析,提出了一个基于O-D矩阵估计的路网交通流量仿真模型。利用O-D矩阵估计的重力模型计算方法、复杂网络理论和路段阻抗模型,构建了路网模型;在人们出行总是选择路段阻抗最小路径的假定下,设计了出行需求的路网流量映射算法;基于离散事件仿真,在PC系统上实现了路网流量仿真系统。仿真结果表明：该仿真系统可以根据各交通子区域出行需求的变化,精确模拟路网流量和交通状态的动态演进。     

一种改进CA高速公路隧道交通流仿真研究

应用元胞自动机理论,针对VDR单车道模型在仿真交通流时数值模拟结果偏小的情况,考虑前车相对运动对跟随车的影响,提出了虚拟车间距的概念,同时在一定条件下对后车进行了跟驰约束,建立改进的VDR绿波模型并应用该模型对高速公路隧道交通流进行了模拟仿真,分析了速度、密度、流量三参数之间的关系,得出车辆密度、车辆延迟刹车概率等因素对高速公路隧道交通流的影响规律,仿真结果表明改进的VDR绿波模型不仅具有基本慢启动模型的典型特性,而且对传统VDR元胞自动机模型数值模拟偏小的情况有合理的改善,对科学管理高速公路瓶颈隧道交通流具有一定的参考价值。     

基于多车道交通流动态离散模型的递阶优化控制问题与算法

建立了一个基于多车道动态离散交通流模型的高速公路入口匝道流量优化控制模型.为了降低优化控制问题求解的复杂程度,把它分解为两层递阶控制问题.讨论了两层求解的算法,并给出了算例及仿真结果.     

基于复杂网络的空中交通流量控制系统设计

针对传统流量控制系统很难适应交通流量变化的问题,本文基于复杂网络设计出一种空中交通流量控制系统.首先模拟机场的节点、边以及边权等数据构建出空中交通流量控制复杂模型,利用迭代算法求解出具体取值范围,随后依据空中交通流量控制复杂模型构建基于Agent技术的流量控制系统,并且将其划分成为中央流量管理中心、区域流量管理中心以及三级流量管理中心,并给出不同阶段系统管理结构以及工作方式.经仿真实验结果验证,所设计系统能够实现对空中交通流量的有效控制,具有较高适用性.     

一种改进的一维元胞自动机交通流模型

在一维交通流元胞自动机NaSch模型的基础上,考虑到不同车辆的驾驶员在敏感驾驶随机减速行为过程中其延迟概率是不同的,从而提出了一种改进的一维敏感驾驶元胞自动机交通流模型。根据所给出的车辆状态演化的并行更新规则进行了计算机仿真,模拟得到的基本图表明,与NaSch模型、SDNaSch模型相比,道路交通流量有较大的提高,而且还展现了亚稳态、相分离等复杂的实际交通现象。     

基于元胞自动机的多车道机非混合道路交通流

车辆的行驶受到本车道以及邻近车道前后邻近车辆的影响,在城市交通中机非混合对车辆行走的影响尤为复杂。通过研究路段上机非混合通行交通流的本质特性,综合考虑非机动车对机动车换道规则及加减速规则的"摩擦"和"阻滞"干扰影响,建立描述路段混合通行道路交通流的元胞自动机(CA)模型,从不同的机非混合比例下道路交通流的流量、速度变化情况,流量与车辆到达率关系,交通流相位相变等方面仿真模拟混合交通流的机非干扰机理。     

基于粗糙神经网络的交通优化控制模型

在运用粗糙集理论对路网节点所测得的历史交通流量进行量化分析的基础上,基于神经网络自学习的能力,研究了实时动态交通流的模型结构并给出了交通流优化控制方法。首先,针对交通流优化控制的影响因素过于庞大的问题,采用粗糙集理论对其进行量化分析,建立了规则简化的数据清洗模型;然后,在此基础上利用以新的流量时间序列和原来的流量时间序列分别作为模型的输入和输出,构造出交通流量预测的人工神经网络模型并且加以训练;同时给出基于粗糙神经网络模型的交通流优化控制系统的运行机理并设计出相应的网络拓扑模型;最后,用某交通观测站的实际网络流量对该模型进行验证。仿真结果表明,该模型具有较好地预测效果。     

基于元胞自动机的快速路交织区交通流仿真建模

城市快速路交织区由于复杂的交通流容易造成拥塞, 成为快速路交通的瓶颈。充分考虑到辅道交通流对交织区的影响,以元胞自动机NS模型为基础,通过设定跟车规则、换道规则,对一个包含入口匝道、出口匝道、主线车道和辅道的快速路交织区路网建立模型进行微观仿真。仿真得出交织区长度对流量、密度、速度等交通流参数的影响并给出了最优交织区长度参考值, 最后用HCM经验公式的计算结果验证了仿真模型。     

遗传算法优化延迟时间和嵌入维的网络流量预测

为了提高网络流量的预测精度,利用延迟时间（τ）和嵌入维（m）间的联系,提出一种遗传算法优化τ、m的网络流量预测模型（GA-PSR）。将τ和m作为遗传算法的个体,以网络流量预测精度作为目标函数,通过选择、交叉、变异等操作找到最优τ和m值,重构网络流量序列,采用BP网络对网络流量建立单步、多步预测模型。仿真实验结果表明,相对于对比模型,GA-PSR提高了网络流量的预测精度。     

一种排队延迟感知的LTE调度机制

长期演进(LTE)系统在分组交换域内承载语音业务,但对延迟和丢包敏感的语音业务服务质量较难得到保证。为此,提出一种排队延迟感知的语音分组调度机制,根据队列长度、信道条件、排队延迟以及业务最大允许延迟来确定用户调度优先级,从而实现用户资源的合理分配。理论分析和仿真结果表明,与VSM调度机制相比,该调度机制在确保时延和系统吞吐量满足要求的前提下,能有效地利用网络资源,降低丢包率,提高用户公平性。     

支持QoS的异构并行交换结构研究

不同类型的交换结构具有不同的交换性能。为此,提出一种支持QoS的异构并行交换结构(HPSA),该结构支持3种类型的业务：保障带宽(GB)业务,保障时延(GD)业务和保障丢包(GL)业务。各业务通过HPSA的不同类型平面被交换,从而实现对各类业务的QoS支持。仿真结果表明,HPSA中的GB业务带宽性能、GD业务时延性能及GL业务丢包率性能,均优于它们在基于iSLIP算法的IQ交换结构和基本PPS结构中的性能。     

基于图与势场法的多车道编队控制

多车协同驾驶能显著提高交通安全和效率,是未来5G网联自动驾驶技术的重要应用场景之一.传统上,多车协同驾驶的主要形式为单一车道上的无人车队列,其队列稳定性受队列长度、通信距离及延迟的限制.本文提出一种无人车编队方法,将单车道队列扩展为多车道护航编队.针对不同场景下的需求设计多车道编队调整策略,结合基于图的分布式控制,完成任意预定义的编队结构;同时,利用势场法对行车环境建立势场模型,实现无人车的避障轨迹规划,提高编队的避障能力;最后,结合纵横向控制器,实现无人车多车道护航编队控制.仿真实验表明,本文提出的无人车多车道护航编队方法,能适应不同交通场景,如道路变化、障碍车运动等,完成自动变换编队结构,实现安全、高效通行.     

SDN数据中心网络基于流分类的负载均衡方案

随着数据中心内的数据流量不断增加,导致网络中部分链路负载过重。传统的ECMP机制由于没有考虑链路状态以及流量特征,因此不再适用数据中心网络。同时ECMP可能会将多条大流映射到同一条路径上,造成大流映射冲突,导致链路瓶颈问题。基于SDN（Software Defined Network）架构提出一种面向Fat-Tree拓扑的动态流量负载均衡机制（Load Balancing based on Flow Classification,LBFC）,同时考虑了链路状态信息与流量特征进行负载均衡。LBFC机制动态调整流分类阈值来判定大流和小流,采用不同的方式为大流和小流选择转发路径,以满足大流和小流不同的传输性能需求。仿真结果表明LBFC机制能够根据网络链路状态以及流量特征动态地判定大流和小流并实现负载均衡,与ECMP、GFF和DLB算法相比,LBFC机制提高了网络吞吐量以及链路利用率,降低了传输时延。     

基于Multi-Agent的多车道交通流的分布式仿真研究

该文以Agent技术为基础,对多车道交通流进行了模拟,并与实际的道路交通流特点进行了比较。首先根据驾驶员实际驾车的特点,建立车辆Agent的基本模型,对车辆Agent换道超车和加速策略进行描述。然后以分布式模型为基础,将多车道交通环境中的车辆运行模拟为Multi-Agent的相互作用。在仿真中,采用了面向Agent的仿真软件Starlogo。从微观上看,所描述的车辆模型能够完成加速和换道过程;从宏观上看,仿真中交通流特点与实际情况是一致的。说明该文的模型符合实际情况,同时也表明了使用Agent技术进行多车道交通流系统仿真的准确性和可行性。     

基于优先级调度的泊松业务流延时分析

网络中点到点的延时对网络控制系统（NCS）的性能会产生很大的影响,因此正确获得点到点的延时非常重要。然而,由于网络系统比较复杂,随机型业务流的延时难于通过理论方式获得。为此利用NS2仿真平台,在有带宽瓶颈的节点下,对2个不同优先级泊松业务流的传输延时进行仿真,并分析它们的延时,从而得出统计结果,可以为网络传输延时的理论分析提供实验数据。     

基于格子Boltzmann方法和大涡模拟的颈动脉分叉狭窄流动并行计算

颈动脉斑块的形成与复杂的血流动力学因素密切相关,血液流动状况的精确模拟对颈动脉斑块的临床诊断具有重要意义。为了精确模拟脉动流场,在格子Boltzmann方法（LBM）的基础上,添加大涡模拟（LES）模型,建立了LBM-LES颈动脉模拟算法。利用医学图像重构软件,建立颈动脉狭窄真实几何模型,对颈动脉狭窄脉动流动进行了数值模拟,通过计算血液流动速度、壁面剪切应力（WSS）等,得出了有意义的流动结果,验证了LBM-LES对颈动脉狭窄后段血液流动研究的有效性。基于OpenMP编程环境,在高性能集群机全互联胖节点上进行了千万量级网格的并行计算,结果表明LBM-LES颈动脉模拟算法具有较好的并行性能。     

A quantum particle swarm optimization driven urban traffic light scheduling model

Urban traffic congestion becomes a severe problem for many cities all around the world. How to alleviate traffic congestions in real cities is a challenging problem. Benefited from concise and efficient evolution rules, the Biham, Middleton and Levine (BML) model has a great potential to provide favorable results in the dynamic and uncertain traffic flows within an urban network. In this paper, an enhanced BML model (EBML) is proposed to effectively simulate the urban traffic where the timing scheduling optimization algorithm (TSO) based on the quantum particle swarm optimization is creatively introduced to optimize the timing scheduling of traffic light. The main contributions include that: (1) The actual urban road network with different two-way multi-lane roads is firstly mapped into the theoretical lattice space of BML. And the corresponding updating rules of each lattice site are proposed to control vehicle dynamics; (2) compared with BML, a much deeper insight into the phase transition and traffic congestions is provided in EBML. And the interference among different road capacities on forming traffic congestions is elaborated; (3) based on the scheduling simulation of EBML, TSO optimizes the timing scheduling of traffic lights to alleviate traffic congestions. Extensive comparative experiments reveal that TSO can achieve excellent optimization performances in real cases.