一种多相位交叉口模糊控制方法

基于车流阻塞参数b,设计含绿灯延长和相位选择2个模糊控制器的多相位交通信号控制系统。根据当前路口和下游路口参数,输出当前通行相位绿灯延长时间。若延长时间为0,则进入相位选择模糊控制器,输出下次通行相位。仿真结果表明,该设计方法可有效控制多相位路口的交通信号。     

城市干线交通信号模糊控制及仿真

提出了一种基于模糊控制器的干线控制算法,该算法有两个模糊控制器绿灯延长时间模糊控制器和相位决定模糊控制器.前者决定当前绿灯相位的结束时刻,后者根据各相位的紧急度值的大小决定下一个放行的相位.运用仿真技术,把该控制方法和传统的定时控制方法进行了比较.仿真结果表明,本文提出的控制器是有效可行的,且效果优于定时控制.     

单点交通信号控制系统的优化设计与仿真

针对城市固定相序的单点交叉口多相位交通信号进行控制,设计了基于车流量预测的动态调整相位最大绿灯时间的模糊控制系统。综合评估当前相位、后续相位的交通需求度,以此决定绿灯时间分配。系统采用遗传算法对模糊隶属度函数进行优化调整,使隶属函数的选取更为合理,随交通状况的改变自适应地调整。仿真结果表明,该方法能有效降低通行车辆在交叉口的平均等待时间,提高平均车流速度,控制效果明显优于传统控制方法。     

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。     

单点交通信号控制系统的优化设计

针对城市固定相序的单路口多相位交通信号进行控制,本文设计了基于车流量预测的动态调整相位最大绿灯时间的模糊控制系统。综合考虑当前相位、后续相位的交通需求度,以此决定绿灯时间分配。通过模拟交通指挥者实际进行交通控制,实时根据各相位车辆的多少进行信号的智能控制。采用遗传算法对模糊隶属度函数进行优化调整,使隶属函数的选取更为合理,随交通状况的改变自适应地调整。仿真结果表明,该方法能有效降低通行车辆在交叉口的平均等待时间,明显优于传统控制方法,并且能更有效地处理随机性较大、不确定性较强的交通流。     

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.     

基于Petri网的交叉口建模与信号控制研究

针对城市交通系统特性,建立了反映交通流动态属性的赋时连续Petri网模型和交叉口信号控制的离散时延Petri网模型.设计专门的Petri网模型控制每个相位的红灯时间,一旦等待时间达到最长允许红灯时间,该相位信号灯强制转为绿灯,可避免相位红灯时间过长导致的驾驶员违规问题.为优化交叉口绿灯时间,根据单个因素的隶属度,通过模糊Petri网按照模糊规则综合确定当前相位绿灯延长时间.仿真结果表明,该方案对单一交叉口实现了较有效的控制.     

公交信号优先策略研究

本文介绍了公交优先策略的概念和分类,阐述了绿灯延长、绿灯提前、相位倒转、相位插入、公交通行专用相位等主动优先控制策略的基本原理,并对其进行了适应性和优缺点分析。     

粗糙集的过饱和多交叉口协同优化模型研究

为解决现有模糊智能控制方法仅适用于单交叉口非饱和状态,满足区域交通过饱和多交叉口信号协同联动控制的需要,提出了高峰时期主通道优化控制策略。在粗糙集知识推理基础上,构建了以多交叉口状态信息为条件属性,以绿灯延长方式、绿灯延长相位和绿灯延长时间3个参数为决策属性的多决策属性模糊控制模型。运用可辨识矩阵与属性频度的属性约简方法对模型进行约简,提取决策规则。实例分析表明:多交叉口主通道绿灯时间延长3~8 s能够有效提高区域交通整体通行效能,同时延长时间不仅与过饱和状态车辆最大排队长度有关,还与绿灯延长方式、绿灯延长相位存在关联,这与交警经验总结的控制规律一致。     

一种面向时间分配问题的群智能劳动分工新方法

本文以给不同信号相位的车辆分配绿灯时间的交通信号配时问题为代表,将群智能劳动分工应用到时间分配问题的求解中,提出一种新颖的蜂群劳动分工算法（bee swarm labor division algorithm, BSLDA）。首先从时间分配的视角对交通信号配时问题进行分析,然后将激发-抑制原理引入BSLDA,为每个信号相位定义了激发剂和抑制剂,并设计了增加绿灯时间、减少绿灯时间和保持绿灯时间3种行为。在群智能劳动分工激发-抑制原理作用下,BSLDA中的每个信号相位都能根据环境变化选择恰当的行为完成时间分配。最后采用真实的交通流数据进行仿真实验,结果表明本文方法适于求解不确定环境下的交通信号配时问题。     

单交叉口的多相位模糊控制

基于人对多相位单交叉口交通指挥的决策过程,设计了一种新的模糊感应控制 器,把队长作为控制目标,综合考虑相邻相位车道上的车队长度,以此来决定绿时分配.仿真及 实际应用结果表明：新的模糊控制方法更接近人的决策过程,能更有效地进行单路口多相位 闭环控制.     

基于Q学习的单路口交通信号协调控制

Q学习通过与外部环境的交互来进行单路口的交通信号自适应控制。在城市交通愈加拥堵的时代背景下,为了缓解交通拥堵,提出一种结合SCOOT系统对绿信比优化方法的Q学习算法。本文将SCOOT系统中对绿信比优化的方法与Q学习相结合,即通过结合车均延误率以及停车次数等时间因素以及经济因素2方面,建立新的数学模型来作为本算法的成本函数并建立一种连续的奖惩函数,在此基础上详细介绍Q学习算法在单路口上的运行过程并且通过与Webster延误率和基于最小车均延误率的Q学习进行横向对比,验证了此算法优于定时控制以及基于车均延误的Q学习算法。相对于这2种算法,本文提出的算法更加适合单路口的绿信比优化。     

单路口双系统模糊控制策略

针对平面交叉路口的交通信号控制,提出了一 种双系统控制策略．主系统确定了信号周期及多相位控制过程,辅助系统在不改变主系统的 前提下控制受约束的方向上右转车辆的信号,两个系统共同决定了交叉路口信号灯的配时方 案．仿真实验表明本文提出的方法能有效地减小车辆排队长度,从而达到减少车辆延误的目 的．     

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.     

交通系统的模糊控制及其神经网络实现

本文根据城市交通系统的特点设计了单个路口信号灯的模糊控制器,研究了用神经网络实现模糊控制器的方法和过程,并对该控制器进行了仿真研究,本文所设计的控制方法适合于各种车流大小随机变化的单个路口,且决策过程迅速、合理,无需对车流进行预测,是一种实时单点控制方法,由于模糊控制器由神经网络实现,控制具有学习和联想功能,仿真结果说明了该方法的有效性。     

中国交通信号控制系统的现状分析及发展思考

智能化交通信号控制是当前交通领域的一大热点,目前世界上各个国家都在大力开展智能交通技术的研究,中国由于自身交通环境的原因,非常迫切需要研发出适合自身的具有中国特色的智能化交通信号控制系统。结合大量的文献调研及实地考查,分析了目前中国交通信号控制系统所处现状,剖析了一系列信号控制中存在的问题。立足当前需要,提出中国智能化交通信号控制系统发展的对策及建议,最后针对单路口的智能化控制要求,设计了一种新型的基于视觉图像的智能交通信号控制系统方案。     

基于迭代学习与模型预测控制的交通信号混合控制方法

针对基于迭代学习控制的交通信号控制方法对于路网中存在的非重复性实时干扰不能进行有效处理的问题,本文在基于迭代学习控制的交通信号控制方法基础上,结合模型预测控制滚动优化和实时校正的特点,提出了一种基于迭代学习与模型预测控制的交通信号混合控制方法.该方法在有效利用交通流周期性特征改善路网交通状况的同时,可借助模型预测控制的...     

基于云模型的单路口交通信号自适应控制方法研究

为了减少车辆通过路口的延误,提出了一种基于云模型的单路口交通信号自适应控制方法;使用云模型作为信号控制的基础模型,利用云模型中的正态云发生器和前件云发生器算法分别对道路交通信息进行处理并产生自适应的控制规则,以实现单路口交通信号的自适应控制;通过仿真实验,结果表明,使用云模型作为控制方法,比较传统控制方式更具智能化,更接近于人脑思维过程的控制方法,这也是将来交通信号控制的发展方向。     

增强学习与神经网络在交通信号控制中的应用

城市交通系统是一个十分复杂的系统,鉴于交通流的多变性和交通控制的实时性,将增强学习应用于交通信号控制问题中,这样就可以根据实时的交通状态信息动态地进行决策,自动地适应环境以便取得更好的控制效果。然而由于交通状态空间太大而难以建立线性表,采用增强学习与人工神经网络相结合的方法,解决了多个路口的交通信号控制问题。通过在仿真环境下的对比,证明该方法的控制效果明显优于传统的固定配时控制策略。     

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。