有轨电车路口信号协同控制的研究

有轨电车不同于其他轨道交通系统,大部分线路为半独立路权。其在路口与道路交通产生交叠,如果处理不好交叉路口在时间和空间上的冲突问题,将无法提升有轨电车运行速度,影响车辆的通行流量。文章基于不改变有轨电车运行控制系统的系统架构和硬件设备组成的前提,增加针对路口信号、调整运行计划和路口绿波功能,研究运行计划与路口信号自动协同调整方案。

协同环境下动态公交车速引导模型及信号控制调整分析

随着无线通讯技术以及传感器探测技术的进步,依托车载智能系统与路侧设备通信技术,指导公交车驾驶员精准控制车速,从而为公交车实现车速控制与信号同步协调成为了当前研究的重点问题之一。基于此文章以车速引导的公交信号优先控制理论为基础,构建了适应车路环境的动态速度引导下的公交优先协调控制模型。并通过定义主干道路公交车速及车流量数据,利用VISSIM仿真软件对某道路进行车辆动态协调调度,结果表明提出的车速引导模型与传统绿波控制方法相比,能够大大公交车辆的停车次数减少公交车行驶过程中停车次数及延误时间,同时降低了乘客的人均延误时间。

基于多智能体的大规模路口交通信号灯协同控制研究

随着城市化建设加快,车辆数量增加,道路负载变大,交通拥堵问题日益严重,目前大多数的控制方法仍局限于孤立的路口,整体路网拥挤程度仍存在较大的优化空间。因此,本文以交通信号灯控制为研究对象,深度强化学习算法为基础,针对基于多智能体的交通信号灯协同控制问题展开研究。首先将信号灯协同控制问题抽象为马尔可夫决策过程,基于Python开发平台搭建智能体交互环境,设计大规模路口信号灯决策下的DQN算法并进行调试运行,结果表明算法训练出了有效的红绿灯控制策略,并在各个路口都能够学习到公平策略,能够提高路网整体通行效率。最后通过与传统的信号固定配时方案进行对比实验,验证算法具有良好的优化性能。通过调整算法的超参数对训练结果进行对比分析,研究不同超参数对网络训练的影响,以及超参数对项目研究的重要性。

聚类与信息共享的多智能体深度强化学习协同控制交通灯

该文提出一种适用于多路口交通灯实时控制的多智能体深度循环Q-网络(MADRQN),目的是提高多个路口的联合控制效果。该方法将交通灯控制建模成马尔可夫决策过程,将每个路口的控制器作为智能体,根据位置和观测信息对智能体聚类,然后在聚类内部进行信息共享和中心化训练,并在每个训练过程结束时将评价值最高的值函数网络参数分享给其它智能体。在城市交通仿真软件(SUMO)下的仿真实验结果表明,所提方法能够减少通信的数据量,使得智能体之间的信息共享和中心化训练更加可行和高效,车辆平均等待时长少于当前最优的基于多智能体深度强化学习的交通灯控制方法,能够有效地缓解交通拥堵。

基于多路口车辆感知预测的协同信号配时技术

为了缓解大城市的交通拥堵现状,交叉口信号灯配时的研究越来越有必要。普遍的交通信号配时技术,是基于单路口、传统车辆检测方法而设计的,没有考虑影响实际交通状况的流量,存在配时不准确、不智能的局限性。通过基于强化学习的深度Q网络,提出基于多路口车辆感知预测的协同信号配时技术,将每个路口建模为一个代理,每个代理被训练从道路环境接受交通状态并采取最佳行动。实验表明,该方法不仅可以有效地进行交通流量预测,解决多路口协同的信号灯配时问题,还可以提高配时技术的智能性。

城市快速路瓶颈区域控制策略研究

中国的城市快速路与发达国家相比有着截然不同的特征.中国城市快速路匝道出入口之间距离相对较短,且城市快速路匝道出口经常与城市道路交叉口相连,因此在欧美成功应用的快速路匝道控制方案不一定适用于中国.本文详细描述了如何在仿真中设置模型参数,使得城市快速路交通流特性仿真结果与实际测量值具有较高的匹配精度.在具体阐述自适应与协同信号控制策略的基础之上,给出了各种方案在匝道入口、出口辅路和出口下游交叉口的具体部署方案.最终仿真结果表明,自适应和协同控制策略能够提高瓶颈区域道路通行能力8%-9%,有效地缓解城市快速路交通拥堵.

短间距交叉口控制策略研究

为解决城市道路网中短间距交叉口引起的蓄车能力低、交通拥堵问题,提出针对该类交叉口进行交通组织方案优化,并运用信号协同控制方案在交通仿真软件VISSIM中对优化方案进行仿真,验证交叉口改善方案效果。