融合注意力机制LSTM网络的城市交叉口信号控制

随着国内机动车保有量的快速提升,城市道路交叉口场景在高密度车流情况下易导致长距离拥堵。为降低交叉口车流拥堵长度,深度强化学习逐渐应用于交叉口信号的控制。而现有交叉口信号控制策略存在对车流状态信息的权重特征欠考虑及时序特征难提取的问题,因此基于深度Q学习(deep Q-learning,DQL)算法提出了一种改进DQL算法,利用注意力机制增强长距离拥堵状态信息的权值,进一步采用长短期记忆网络(long short-term memory,LSTM)学习车流的历史数据,改进了DQL算法对数据不同部分重要性考虑不足及历史数据信息提取欠佳的问题。实验结果表明,所提改进DQL算法与原算法相比,能够降低20%的车辆累计等待时间并且减少21.2%的车辆平均排队数目,提高了交叉口的车辆通行效率。

基于CPS的单交叉口信号滚动优化控制模型

为了采用现代信息技术提升单交叉口的通行效率,综合考虑信息物理系统(CPS)的特性和功能,构建了基于CPS的单交叉口信号滚动优化控制架构;提出了交叉口信号优化控制的分层建模思路与框架,实现了对交叉口不同层级的状态描述;针对不同流量环境,分别以单位时间车均预计延误和加权排队长度比作为优化目标,进行实时信号优化,构建了基于CPS的分层滚动优化模型;搭建了基于SUMO与Python的实时交互仿真环境,针对未饱和、过饱和以及饱和状态变化3种流量场景进行案例分析.算例结果表明,与Transyt、Synchro、Webster、感应控制、承载力方法相比,所提模型均取得了更优的控制效果,车均延误和平均排队长度最多分别可减少43.75%和16.05%,溢流时间最多可延长37.93%.

基于遗传算法的交叉口信号配时优化研究

随着城市化进程的不断推进,汽车保有量逐年提高,交通拥堵问题愈发严重,改善交叉口通行效率成为当务之急。以交叉口平均延误最短、平均停车次数最少、通行能力最大为优化目标,以各相位有效绿灯时间和信号周期时长为约束,构建平面交叉口信号配时多目标优化非线性函数模型,并进行归一化。选取淮南市某一典型交叉口为研究对象,实地统计交叉口交通数据,借助MATLAB仿真平台对模型进行遗传算法优化,同时利用Webster信号配时优化。研究表明,遗传算法优化后的交叉口信号周期从140s变为107s,减少了23.57%,平均延误时间从52.48s变为42.0371s,减少了19.89%,车辆平均停车次数从0.862次/辆变为0.7844次/辆,减少了9.1%,通行能力从4398.3pcu/h提高至4832.2pcu/h,提高了9.86%,能够有效减少停车延误及停车次数,缩短信号周期,优于已有控制方案和传统Webster配时,城市交叉口的交通拥堵问题能够被缓解。

基于粒子群优化算法的多交叉口信号配时

以城市道路多个单点信号控制交叉口组成的绿波系统为研究对象,对绿波系统的交叉口信号配时优化进行研究。通过对路段和干线机动车流进行协调控制设计,以西安市某两相邻交叉口晚高峰时段各进口道的交通量、通行能力、饱和流量以及各交叉口进口道的实际车均延误时间为约束,确定各交叉口的信号周期及各相位有效绿灯时长,使得干线延误量最小。设计了PSO算法的编码方式,分别采用PSO算法、灾变PSO算法和二阶振荡PSO算法对多交叉口交通信号配时进行优化计算。仿真实验表明,二阶振荡PSO算法在该实例中表现最优。

免疫遗传算法在交叉口信号配时优化中的应用

将免疫遗传学思想运用到交通信号控制中,提出一种新的相位配时优化算法.为了快速求解最优配时方案,该免疫遗传算法模拟了抗体应答抗原的机理,运用细胞记忆机制保存优良抗体,引入信息熵计算抗原间的亲和力,并在此基础上通过抗原聚类方法加快算法收敛.针对该算法设计了相应的仿真实验,对一个四相位单交叉路口的交通流进行了建模和分析.实验结果充分验证了该算法处理交通配时优化问题的可行性和有效性.

基于Q-learning和BP神经元网络的交叉口信号灯控制

解决单交叉口信号灯最优控制问题。提出了基于强化学习的信号灯控制系统结构,应用强化学习中Q学习,将信号灯最优控制问题转变成是否切换运行相位的决策问题,提出了采用BP神经元网络实现Q学习的信号灯控制系统。应用微观交通仿真软件PARAMICS进行仿真分析,结果表明该系统能够感知交通流变化,并能够自适应地调整信号灯切换策略,以达到最优的控制效果,该方法是可行的,与定时控制相比具有明显的优势。

基于Q学习算法的两交叉口信号灯博弈协调控制

Q学习和博弈论相结合解决相邻两交叉口信号灯协调控制问题。在基本Q学习算法的基础上引入博弈论,以Q值作为赢得函数建立赢得矩阵。相邻两交叉口之间的协调关系属于二人非零和合作博弈,采用Nash公理方法求得其谈判解,并以此作为Q学习策略选择的依据实现两交叉口协调控制。应用Paramics交通仿真软件进行算法仿真,结果表明该方法的有效性。

单交叉口信号配时优化方法效果对比研究

单个交叉口信控是干线和区域协调控制的基础,探索单个交叉口信号配时优化的最优方法,对构建干线和区域协调控制具有重要意义.研究选取并对比了Webster方法、ARRB方法、HCM2000方法、延误-通行能力联合双目标方法、基于模糊算法的配时方法、以及基于遗传算法的配时方法等6种交叉口信号配时经典方法,以实际交叉口为案例,运用VISSIM仿真软件定量化评价了不同配时优化方法在非饱和、饱和、过饱和状态下的信号配时优化效果.研究表明,在非饱和状态下,HCM2000方法最优;饱和及过饱和状态下,遗传算法(GA)方法最优.

基于GA的城市交叉口信号控制模糊规则优化

根据城市交通系统中单交叉口信号控制的具体情况,对遗传算法进行了改进,并利用改进的遗传算法对交叉口信号模糊控制器的模糊规则进行优化,建立新的优化算法.计算机仿真结果表明,采用改进的遗传算法方法优化模糊控制规则,可以减少因人的经验的局限性而导致的模糊规则的不完备性,使得控制器实用性更强,控制效果更好.

基于NashCC-Q学习的两交叉口信号灯协调控制

提出一种NashCC-Q学习算法用于解决两交叉口信号灯协调控制问题。根据博弈论概念,相邻两交叉口之间的协调控制问题属于二人非零和合作博弈类型。在Nash-Q学习算法的基础上,将Q值函数的更新建立在Nash合作博弈中提出的Nash"公理方法"求博弈谈判解的基础上,进而解决合作博弈的问题,实现两交叉口信号灯协调控制。采用Paramics仿真软件进行仿真,结果表明该方法的有效性。

信号控制交叉口信号周期时长的灰关联因素分析

运用灰色控制理论中的灰关联分析方法 ,对周期时长及其相关联因素进行分析。通过对算得的各关联度进行比较 ,得出排队长度和延误两个指标都同周期时长有较大的灰关联关系。这一结果为以延误最小、停车率最小 (或排队长度最小 )

左转展宽车道长度不足的交叉口信号控制研究

针对左转展宽车道长度不足时,排队通过交叉口的车辆会溢出展宽段,车辆交织严重,通行效率低的问题,分析车流运行特性,依据车辆消散流率具有的"两阶段性",提出拆分相位的信号控制方法,并结合一主次干道相交的十字交叉口,具体给出了两种拆分相位的方式。通过VISSIM软件对这一十字交叉口进行仿真,采用一个信号控制周期内车流不间断放行的方法车辆延误急剧增加;采用拆分相位的控制方法使得交叉口车辆平均延误分别降低了41.5%、32%。结果表明,基于车辆消散流率"两阶段性"的拆分相位信号控制法能够降低延误,提高交叉口的通行效率,对左转展宽长度不足的信号控制方法具有借鉴意义。

基于RBF神经网络预测的交叉口信号周期时长优化

针对交叉口信号配时仅仅依靠单一历史数据进行计算的现状,为了使交叉口信号周期时长能够充分利用过往历史数据,根据城市交通流量具有周期性与不确定性的特点,提出了一种基于RBF神经网络预测的交叉口信号周期时长优化方法。根据交叉口晚高峰历史交通流量对RBF神经网络进行训练,用训练好的RBF神经网络去预测未来某一天交叉口晚高峰的交通流量;结合直行当量系数法将预测得到的交通流量转换为等效直行车流量,建立以平均车辆延误及车辆平均停车率为主要控制目标的多目标优化模型,用MATLAB建立遗传算法进行求解;以平均车辆延误与车辆停车率为评价指标对比分析了优化方法、Webster法和实际配时3种方法得到的结果。结果表明:提出的优化方法相较于Webster法和实际配时,在工作日分别减少12%、2%的平均车辆延误,在非工作日分别减少20%、18%的平均车辆延误,提高了交叉口的通行效率。

基于Q-强化学习的干道交叉口信号配时模型

交叉口是城市交通的核心和枢纽,要想有效地提升城市交通体系的通行效率,对交叉口信号配时的优化显得尤为必要。由于城市路网中大范围的信号配时方法决策属于模糊决策问题,而且路网中的车辆具有实时性,强化学习的方法可以适用于交通信号配时领域。本文把主流的Q-强化学习方法应用于干道交叉口信号配时,在每个路口以状态空间、信号周期、每个相位绿灯时间为参数建立模型,设置奖惩函数,并以车辆延误为指标,即Q函数,在相邻路口Agent的信息交换之后得出每个路口该时段的最优动作,降低了由于交叉口数量增多造成的各交叉口Agent间信息交互的次数,避免了独立强化学习可能出现的维数灾难、无法长期学习等问题。实验结果表明:基于Q-强化学习的城市干道交叉口信号配时方法相比于固定配时和传统的Q-强化学习策略,能降低车辆延误,提升收敛速度,提高系统效率。

单点交叉口信号配时优化方法及原型系统实现

本文通过分析目前单点交叉口信号配时的局限性,提出了改进的信号配时优化算法,模型采用了动态规划的思想,通过模型的求解能获取在滚动时间窗内的全局最优解。利用GIS、计算机技术等,设计并实现了单点交叉口信号配时优化原型系统。该系统已经在太仓城市进行了初步使用,提高了交通系统的运行效率,节约了交警部门的管理成本。

交叉口信号协调控制适用性仿真分析

针对当前城市道路交通随着城市机动化的发展引起的交通阻塞问题,利用仿真技术对交通交叉口的信息控制进行模拟分析,通过仿真的结果对交叉口的信息控制-线控和面控进行比较,从而得出交叉口信号协调控制的适用性条件。

基于VISSIM的有轨电车交叉口信号控制策略研究

以半独立路权下的有轨电车在交叉口的通行效率为研究对象,借助VISSIM对交叉口进行建模并通过感应信号控制模块模拟信号优先控制,分析了传统绝对优先策略的缺陷并对其进行了改进,比较不同信号优先下有轨电车行程用时以及交叉口总平均延误.结果表明:对交叉口信号采取一定优先控制,可在对公路车辆不造成过多延误影响的同时有效保障有轨电车在交叉口区域的顺畅通行.

现代有轨电车交叉口信号控制仿真研究

为了确保有轨电车在平面交叉安全稳定地运行,对通过交叉口有轨电车的信号控制研究显得十分的重要。本文基于VISSIM仿真系统的VAP感应模块,通过在交叉口不同位置设置车辆感应器,建立了三种不同方式的有轨电车相位模型。通过仿真计算出三种模型下交叉口社会车辆的延误时间和排队长度,并对比分析出三种模型下有轨电车的停车延误时间,评价了有轨电车对交叉口的影响。

混合Petri网交叉口信号灯建模的模糊优化

城市车流量急剧增加和道路通行能力之间的矛盾日益激化,交通拥堵已成为亟待解决的社会问题。道路交叉口信号灯优化控制是解决该问题的有效方法。基于城市道路交通系统随机性强、离散性连续性混杂、难以用数学模型精确建模等特点,提出了一种用连续Petri网建立道路交通流模型,用离散Petri网对道路交叉口信号灯进行控制的方案。根据车流量的动态变化,采用模糊控制对交叉口绿灯时间进行自适应优化。仿真结果表明,该方案能提高交叉口通行能力,减少车辆延误,优于传统的控制方法。

城市单交叉口信号多相位自适应控制模型

针对交通系统的动态性和随机性,提出了信号交叉口的自适应控制模型。充分考虑了转弯比例的时变性以及车道分配的时变性,给出一种交叉口随机动态模型。将强化学习(RL)引入到交通信号系统中,针对交通网络的交通流及信号特征,建立了RL的状态空间、动作空间和回报函数,以最小化交叉口的排队车辆数为目标,实施对交通信号的优化控制。在不同的交通环境设定下,对典型的十字交叉口进行仿真试验,将RL控制方法同传统的定时控制和感应控制进行了对比。结果表明,RL控制器具有很强的学习能力,对于交通环境的突然变化仍可以保持较高的控制效率。