城市道多路口交通信号实时控制仿真设计

在单路口交通灯实时控制的基础上对城市道路多路口交通灯实时控制进行了研究。提出了一种双层次子区域的智能划分方法并应用于区域交通信号的实时控制,在子区域基础上建立多交叉口数学模型;运用指数平滑预测模型为BP神经网络模型提供学习所需数据,并将得到的混沌交通流序列与改进泊松函数得到的泊松分布断面发车随机数进行比较。通过上述模型及算法最终得到区域交通路口实时配时方案。     

基于TAN分类器的交通灯时间智能动态估计

针对目前交通灯智能化程度低,容易造成交通拥堵的问题,提出一种基于TAN分类器的交通灯时间智能动态估计方法。首先,分析影响交通灯时间的主要因素,并对采集到的数据用模糊分类函数进行离散化处理;其次,依据K2算法学习TAN分类器结构;接着,使用最大似然估计法学习TAN分类器的参数;最后,通过基于时间窗的前向后向算法在线估计出最佳交通灯时间。仿真实验结果表明：本文提出的方法能够根据实时交通路况信息动态估计出最佳交通灯时间,当路口畅通时,交通灯时间短;反之,交通灯时间长。对有效缓解交通拥堵,减少环境污染有着重要的现实意义。     

智能交通信息物理融合云控制系统

针对现代智能交通信息物理融合路网建设中的对象种类复杂、采集数据量大、传输及计算需求高以及实时调度控制能力弱等问题，基于云控制系统理论，以现代智能交通控制网络为研究对象，设计了智能交通信息物理融合云控制系统方案，包括智能交通边缘控制技术和智能交通网络虚拟化技术.基于智能交通流大数据，在云控制管理中心服务器上利用深度学习和超限学习机等智能学习方法对采集的交通流数据进行训练预测计算，能够预测城市道路的短时交通流和拥堵状况.进一步在云端利用智能优化调度算法得到实时的交通流调控策略，用于解决拥堵路段交通流分配难题，提高智能交通控制系统动态运行性能.仿真结果表明了本文方法的有效性.     

基于LSTM-BP组合模型的短时交通流预测

为减轻日益严重的交通拥堵问题,实现智能交通管控,给交通流诱导和交通出行提供准确实时的交通流预测数据,设计了基于长短时记忆神经网络（LSTM）和BP神经网络结合的LSTM-BP组合模型算法.挖掘已知交通流数据的特征因子,建立时间序列预测模型框架,借助Matlab完成从数据的处理到模型的仿真,实现基于LSTM-BP的短时交通流精确预测.通过与LSTM\BP\WNN三种预测网络模型的对比,结果表明LSTM-BP预测的时间序列具有较高的精度和稳定性.该模型的搭建,可对交通分布的预测、交通方式的划分、实时交通流的分配提供依据和参考.     

基于车流量的交通灯智能控制算法

随着道路交通流量日益增加,现有交通灯使用的时间固定控制方法并不能很好地满足各种复杂交通情况。针对这一背景,在使用视频图像对车辆跟踪计数实时采集车流量的基础上,提出一种根据各方向车流量控制交通灯时间的算法。该算法根据实时的车流情况更新各方向的绿灯分配时间,自动调节各方向绿灯时间比例,并根据路口总车流量的大小智能调节绿灯时间周期大小。基于Delphi平台对算法进行仿真,结果表明:该算法能根据实时车流信息自适应调整各方向绿灯时长,并通过自动调节各方向绿灯时间总和来有效实现交通拥堵或畅通情况下交通灯的智能控制。     

基于信号控制的城市路网旅行时间计算模型

交通控制信号对交通流的影响是干扰实时交通数据计算准确性的重要因素。为此,提出一种基于信号控制的城市路网旅行时间计算模型。将城市道路的旅行时间分为2个部分,即路链有效旅行时间和路口延误时间,设计改进的信号控制延误模型用于计算路口延误时长,并给出路链合并算法。实验结果表明,该模型起点到终点的旅行时间误差率能降低5%~15%。     

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。     

BNs-OLS-SARIMA对城市短时交通流的预测*

通过在目标路口构建贝叶斯交通网（BNs）,并对与此交通网相关的交通流建立非平稳季节（SARIMA）模型,采用最小二乘法（OLS）取得相应模型的最佳权重组合,对缺失数据下的城市道路短时交通流进行预测。使用重庆市某路口的交通流数据对模型进行检测,通过多种预测指标对结果进行对比分析,结果表明BNs-OLS-SARIMA把交通流的网络结构与其周期性结合在一起,对短时交通流有良好的预测效果。     

基于雷视一体机的交通流数据采集系统设计

交通流数据是进行交通管理宏观决策的基础数据,交通流数据采集系统是交通管理信息化智能化的重要组成部分;随着我国交通领域的蓬勃发展,交通流量激增、高速交通拥堵、交通事故等突发事件频发,为此,设计一套实时性好、准确度高的交通流数据采集系统是十分必要的;文章基于雷视一体机开发了一套高速公路交通流数据采集系统,采用端-边-云分级传输的物联网架构,并结合了自主研发的雷视一体机,采用CNN神经网络技术提取图像信息后,在边缘计算机中通过一维数据最优估计、多传感器数据匹配、多传感器双向最优估计、多传感器目标特征融合的软件工作流程,将雷达与监控相机提取到的信息进行最优化估计,准确提取道路目标交通信息,仅将处理后的特征信息上传至云端服务器,实现交通流数据的精确、实时采集;系统试运行结果表明,该基于雷视一体机的交通流数据采集系统能够有效提高检测准确性,加强检测结果的实时性。     

基于多路口预测与实时配时合作的交通控制系统设计

交通流量的预测是实现智能交通控制的核心问题。利用电子车牌识别法对车辆进行计数,根据数理统计原理筛选对决策路口影响最大的样本数据,建立NARX动态神经网络预测模型,以路网多路口交通流的时间序列数据进行训练,预测后一天同时段的车辆数,计算出两方向总体配时差值,再分配于早晚高峰时段,并进行实验得出理想现象;严重拥堵情况下启动实时配时与应急方案。选取上海市长宁区常年拥堵的金沙江路与中山北路交叉口为中心点,进行MATLAB仿真实验,所得预测数据与实际值比较差值较小,验证了以多路口数据预测单路口的创新设计能在实际交通中应用,且能与实时配时方案合作,缓解交通拥堵。     

Intelligent traffic light under fog computing platform in data control of real-time traffic flow

As the global economy develops rapidly, traffic congestion has become a major problem for first-tier cities in various countries. In order to address the problem of failed real-time control of the traffic flow data by the traditional traffic light control as well as malicious attack and other security problems faced by the intelligent traffic light (ITL) control system, a multi-agent distributed ITL control method was proposed based on the fog computing platform and the Q learning algorithm used for the reinforcement learning in this study, and the simulation comparison was conducted by using the simulation platform jointly constructed based on the VISSIM-Excel VBA-MATLAB software. Subsequently, on the basis of puzzle difficulty of the computational Diffie–Helleman (CDH) and Hash Collision, the applicable security control scheme of ITL under the fog computing was proposed. The results reveal that the proposed intelligent control system prolongs the time of green light properly when the number of vehicles increases, thereby reducing the delay time and retention rate of vehicles; the security control scheme of ITL based on the puzzle of CDH is less efficient when the vehicle density increases, while that based on the puzzle of Hash collision is very friendly to the fog equipment. In conclusion, the proposed control method of ITL based on the fog computing and Q learning algorithm can alleviate the traffic congestion effectively, so the proposed method has high security.

     

基于激光传感数据的拥堵路口交通信号灯控制

针对城市车流高峰时段的道路拥堵问题,提出基于激光传感数据的交通信号灯智能控制方法研究。在道路两侧均匀布置激光传感器节点,采集实时的激光传感数据和车流量信息,并构建一种两层级的交通信号灯控制模型,以提取的交通路口实时传感数据作为输入项进行模糊推理,并求解出交通信号控制模糊子集,最后推导出当前车流长度、车辆在路口的平均滞留时长及车辆的延误时长等变量,达到缓解交通拥堵,提高通行效率的目的。仿真实验数据表明,提出的拥堵交通信号灯智能控制方法具有良好的控制效果,可以明显减少车辆延误时长,提高道路通行的效率和安全性。     

单交叉路口交通灯实时配时算法的研究

研究了城市道路交通信号实时控制系统的问题,重点论述了单交叉路口交通信号灯控制(点控制)模型的实时配时算法.根据城市交通流分布规律,设计出流量序列生成算法来模拟实时交通流;通过建立信号灯动态模型从而获得最佳周期长度和有效绿灯时间,然后采用模糊控制算法对信号灯配时方案进行实时的动态优化调整,并建立基于排队的车辆延误模型来对模糊控制算法进行评价.计算机模拟仿真的结果表明所设计实时配时方案比定时配时方案有显著的改善.     

基于RFID技术的城市交通信号优化控制

本文分析造成目前城市交通拥挤的原因和交通信号的控制方法,结合RFID的特性,提出基于RFID技术和自适应调节算法的城市交通信号优化控制方法,实现根据相邻交叉路口的车流量实时调整信号灯的时间,以缓解城市的交通阻塞。实验模拟结果证明该方法是有效的。     

TR-light：基于多信号灯强化学习的交通组织方案优化算法

针对多变环境条件下的交通堵塞问题,将强化学习、神经网络、多智能体和交通仿真技术结合起来,提出了用于优化多路口条件下交通状况的trajectory reward light(TR-light)模型。该方法具有几个显著特点：基于红绿灯拟定交通组织方案;将多智能体强化学习用于红绿灯控制;通过红绿灯的协同达到区域级的交通组织优化;在智能体每次行为执行结束后实施轨迹重构,在OD对不改变的情况下改变车辆行驶路径,根据方案和重构轨迹来计算智能体的最终回报。通过SUMO进行交通仿真实验和交通指标对比,验证了该模型在多交叉口中能够提高路网畅通率,改善交通状态。实验表明该模型可行,可有效缓解交通拥堵。     

基于层次颜色Petri网的全感应控制交通信号灯建模与仿真

针对平面交叉口单点全感应控制信号灯系统实时调度问题,提出一种基于层次颜色Petri网的交叉路口的信号灯动态配时控制模型。首先,运用模糊控制理论对车流量信息进行分类定义。其次,以采集到的车流量信息为控制参数,基于层次颜色Petri网理论建立基本的信号灯轮廓模型,再依据模型中实现的关键功能进行分层细化与逐步求精。此外,将计数器代替时延加入系统模型中,使模型能够直观简洁地反映出红绿灯的循环时间与车流量之间的切换关系。根据所得模型对该交叉口信号灯配时方案的性能指标进行评估与比较。最后,运用CPN Tools对系统模型进行计算仿真,并进行简单的优化性能分析。     

CTS: 基于拥堵溯源算法的信号灯多智能体强化学习组织方案

在交通路网的运行中红绿灯起着至关重要的调度作用,随着目前交通的飞速发展,道路越来越复杂、车辆越来越繁多,导致红绿灯的调度压力越来越大、调节能力却越来越弱。为了解决这一问题,建立了CTS（congestion trace source）方案,将交通疏导的主体对象红绿灯作为智能体进行强化学习以优化其对交通的疏导控制能力,通过构建拥堵链和拥堵环综合分析路网拥堵情况,佐以红绿灯相位及其配时数据以达到对红绿灯智能体对象状态的综合判断;CTS方案设计了红绿灯排队长度算法将拥堵情况数字化作为智能体奖励对优化效果进行评判。使用SUMO仿真环境进行实验,设计交通优化指标路口平均排队长度并进行对比,最终该方案的路口平均排队长度相较于原始数据提升了40%。     

基于视频的夜间车辆检测与跟踪算法研究

针对夜间高速光照条件差、车灯种类多样、环境因素干扰等导致的车辆难以检测的问题,提出了一种基于视频的夜间车辆的检测与跟踪算法。该方法首先将OTSU与一维最大熵阈值分割算法相结合来实现车灯的提取,剔除非车灯光源;然后利用车灯的时空特性完成车灯的匹配,解决了一车多灯和并排同速车辆的问题;最后利用kalman滤波器完成车灯的预测跟踪。在交通弱光流畅交通、正常光流畅交通和正常光拥堵交通3种应用场景下对所提算法进行应用和结果分析,实验结果表明所提方法在保证实时性的同时具有较高的准确率。     

城市路网多路口路径动态实时选择方法

为了缓解城市交通拥堵问题,如何充分利用现有的道路资源进行有效的路线导航,一直是学者们关心的热点问题.现有的研究方法包括：优化交通灯信号周期以增大交通流量;对个别车辆的行驶路线进行优化;利用历史交通数据或者通过路网中心和车辆之间的主从式博弈进行路径导航等.然而,这些研究并没有考虑到微观行驶车辆的个性化交通需求以及多车辆彼此之间的路线选择冲突,对于城市路网中交通状况的动态不确定性也没有充分考虑.基于以上问题,提出了城市交通路网动态实时多路口路径选择模型DR²SM（dynamic and real-time route selection model in urban traffic networks）,结合车辆对前方可选路线的偏好以及可选路线的实时交通状况,并利用自适应学习算法SALA（self-adaptive learning algorithm）进行博弈,以使得各行驶车辆的动态路线选择策略达到Nash均衡.