Applying the maximum information principle to cell transmission model of traffic flow

This paper integrates the maximum information principle with the Cell Transmission Model (CTM) to formulate the velo-city distribution evolution of vehicle traffic flow. The proposed discrete traffic k...     

单交叉口信号配时的离线Q学习模型研究

为提高交通控制系统的适应性和鲁棒性,采用强化学习方法实现交通控制模型的学习能力.对固定周期和变周期两种模式下的单交叉口信号配时优化进行研究,构造了等饱和度优化目标的奖赏函数,建立了等饱和度和延误最小两个优化目标的离线Q学习模型.采用对流量进行离散的方法解决了状态维数爆炸问题.通过算例对建立的4种离线Q学习模型解的结构、最优解的分布进行分析,结果表明相对于在线Q学习模型,离线Q学习模型更适合交叉口信号配时优化.采用“离线学习,在线应用”的方法,将建立的定周期延误最小离线Q学习模型与Webster定周期模型的性能进行对比,总体上前者的车均延误和累积延误低于后者.     

基于复杂性理论的城市交通系统研究

首先对影响城市交通系统的因素进行了分析,指出城市交通问题的解决需要依靠多学科的交叉与融合,从整体上寻求解决方案。然后分析了城市交通系统的复杂性原因,给出了研究城市交通复杂系统的方法。找出了城市交通复杂系统的序参量,最后提出了采用宏观方法研究城市交通系统的步骤及利用复杂性科学设计城市交通管理决策支持系统的思路。     

基于多智能体的交通信号控制与路径诱导的协同

在总结已有交通信号控制与路径诱导协同模型的基础上,分析了路段行程时间函数与信号控制策略对协同模型求解唯一性与收敛性的影响;设计了交通信号控制与路径诱导协同研究的多智能体模拟系统。该系统由交叉口控制智能体、路径诱导智能体、信息处理智能体组成,具有较大的灵活性与可扩展性。该模拟系统中路径诱导策略是用户最优策略,交通流动力学由元胞传输模型描述,信号配时由基于元胞的交通控制模型优化。模拟结果表明,实施交通信号控制与路径诱导协同后,路网总行程时间最多可减少41.4%。     

基于复杂性理论的城市交通系统研究

首先对影响城市交通系统的因素进行了分析,指出城市交通问题的解决需要依靠多学科的交叉与融合,从整体上寻求解决方案.然后分析了城市交通系统的复杂性原因,给出了研究城市交通复杂系统的方法.找出了城市交通复杂系统的序参量,最后提出了采用宏观方法研究城市交通系统的步骤及利用复杂性科学设计城市交通管理决策支持系统的思路.