基于神经网络的城市关联交叉口交通流预测控制方法

为了改善城市路网整体通行效率,针对城市交通流实时变化以及高度非线性的特点,提出一种基于神经网络的城市关联交叉口交通流预测控制方法。以关联交叉口的总体排队长度最小为性能指标,以神经网络作为交叉口的交通流量预测模型,并通过交通流量实测值与预测值之间的误差实现对神经网络的在线训练。结合神经网络预测控制方法,给出了城市关联交叉口信号控制中信号周期、绿信比(或相位时长)以及相位差的确定思路。仿真试验结果表明:以关联交叉口总体排队长度最小为优化指标的交通流预测控制策略,可提高关联交叉口的总体通行效率。

关联交叉口短时交通流可预测性分析及组合预测算法

文中首先根据交叉口交通流参数时间序列的相关性对关联交叉口进行定义,给出关联交叉口短时交通流可预测分析的几个定量指标,以及交通流时间序列最大Lya-punov指数的计算方法;然后提出在短时交通流时间序列的可预测分析基础上,选取一组预测模型并建立基于RBF网络的非线性组合预测模型,提出了关联交叉口短时交通流的组合预测算法;最后对实测短时交通流进行仿真试验,结果表明组合预测方法相对于单项预测方法具有更好的预测性能.

基于粒子群优化的关联交叉口群信号控制策略研究

提出基于粒子群优化的城市关联交叉口群信号控制策略。采用具有车型信息的感应线圈检测装置,获取各交叉口的实时交通流信息;通过对短时交通流时间序列进行可预测分析,确定交通流时间序列的动力学性质,对于具有确定性变化规律的时间序列建立基于神经网络的组合预测模型,实现对交通流的在线预测;以车辆平均延误时间最少为优化目标,建立关联交叉口群的信号控制参数优化性能函数,根据粒子群优化思想求解信号控制参数。仿真实验证实,基于粒子群优化的关联交叉口群信号控制策略有效。

改进粒子群优化的关联交叉口协调控制

提出了基于改进粒子群优化的关联交叉口协调控制方法。建立了关于排队长度的交通流模型和协调控制目标函数,利用改进粒子群算法对各交叉口绿信比和考虑双向绿波的相位差进行求解,实现了关联交叉口的最优控制。以实际采集的几个关联交叉口的交通数据仿真表明,相比单向绿波控制和感应控制,所提方法可有效减少延误和平均排队长度。

关联交叉口间高饱和度路段排队长度研究

为了研究高饱和度路段车辆排队长度,根据高饱和度下车流离散小、车速趋于统一的特点对排队演变进行分析,并基于冲击波理论建立了排队长度计算模型。通过VISSIM仿真软件验证模型的适用性,设计了35组饱和度在0.40~1的仿真实验,将各组最大排队长度、排队最大时刻的仿真均值与计算值对比。仿真结果显示:饱和度处于0.9~1时,两者的仿真均值与计算值的相对误差均控制在5%~10%;利用模型分析了相位差对于最大排队长度的影响规律,为利用相位差进行溢流控制提供理论依据。

动态关联交叉口实时优化控制系统的设计与实现

就建立关联交叉口优化控制系统的一种实现方法,给出了动态关联交叉口的定义,提出了复杂关联交叉口的优化策略,在此基础上以关联交叉口群一个周期内延误最小为目标建立了优化模型,并设计了关联交叉口实时优化控制系统。模型的求解和运算效率高,有利于建立实时的区域交通控制系统。仿真实验证明了所提出的方法在系统延误方面优于传统方法。

关联交叉口延误计算模型研究

为了弥补传统延误模型仅研究单个交叉口的不足,搭建了关联交叉口“相位差-延误”模型,用以定量分析关联交叉口运行情况。模型基于交通稳态理论(Webster延误模型),考虑关联交叉口交通流量、配时方案、相位差、路段长度等影响因素,可以动态反映关联交叉口相位差与延误之间的关系。用具体的算例说明了公式的使用方法,对提出的关联交叉口延误模型进行验证。结果表明:与VISSIM仿真结果比较,“相位差-延误”模型较为可靠。

基于时间图注意力的交叉口交通状态识别及关联度研究

为实时获取交叉口交通状态及其邻居交叉口关联度,本文利用实际交通调查数据建立VISSIM仿真环境,基于仿真数据提出包含交叉口交通流特征和物理特征的交叉口交通特征矩阵,并根据车流量、流向比和有效绿灯时间得到交叉口的交互时间矩阵。提出基于时间图注意力(TemporalGraphAttention,TGAT)网络的交叉口交通状态识别模型,将上述矩阵和交通数据的初始标签输入模型中,得到目标交叉口在畅行、平稳、拥挤、阻塞这4种状态下的分类准确率,并得到邻居权重矩阵作为交叉口之间的关联度。选取本文方法和多层感知机、长短期记忆网络、支持向量机分别进行交叉口交通状态识别,准确率分别为93.38%、90.00%、92.03%、82.84%,本文方法的精确率、召回率、F1度量指标均优于其他方法。最后,提出基于关联度和车流量的权重评判系数,定量描述关联度的可靠性,选取主干路上11个交叉口的数据进行验证。结果表明,对于流量分布相对均匀的非孤立交叉口,本文获得的关联度与对应流量正相关,具有有效性和可解释性。

基于三层路网优化策略模型的关联交叉口序列研究

以若干个连续交叉口构成的关联交叉口序列为单位,对平面信号交叉口相位的禁/放行状态进行优化建模;建立以减少延误时间和平均排队长度为目标,同时考虑驾驶员的主观心理-生理因素,寻求平面信号最优控制交叉口配时参数为最终目标的三层路网优化控制模型;最后构造出与驾驶加速度紧密关联的、三层模型架构下的目标策略函数。

基于车队离散模型的交叉口关联度量化方法研究与试验

分析了常用的基于流量、距离、周期的交叉口合并控制原则,提出了综合因素关联度量化方法,考虑交通流量、交叉口距离、车队离散特性等因素,基于车队离散模型,构建相邻交叉口间关联度的量化公式,建立指标修正公式,结合实际分析模型的可靠性,获得反映综合因素的关联度值,为子区交通信号控制提供是否合并控制的决策支持。采用仿真软件进行模型应用,选择了具有典型意义的700 m相邻交叉口,以及4个交通流平稳上升的时段,进行关联度值计算,并根据是否合并的决策支持调整信号控制参数。结论表明:对于单一原则难以界定的边缘性合并判断,基于车队离散模型的量化综合判断方法能够有效地解决,并为交通信号协调控制决策。

网络交叉口群关联性研究

通过分析交叉口间距、路段流量、周期比对相邻交叉口关联性的影响,提出量化相邻交叉口关联性的交通度量指标,通过仿真验证了度量指标的合理性,在此基础上进一步提出了网络交叉口群中交叉口之间关联性的计算方法以及相应的网络交叉口群子区域划分的原则。运用该原则进行案例说明,结果证明了其有效性,为以后进行网络交叉口群的交叉口子区域划分的研究提供了一种新的方法。

基于交叉口重要度深度搜索的区域信号协调控制方法

城市路网规模的不断扩大,给城市交通控制系统带来严峻的挑战.本文对交叉口之间的交通关联关系及表征交叉口关联性的交通流参数进行了分析,从而明确路网的拓扑结构,建立了以路网拓扑结构为基础的交叉口重要度估计模型,并根据有向深度搜索算法设计了区域信号协调优化方法.该方法从全局的角度建立了一种均衡疏导路网交通流的信号协调控制方法.最后将本文提出的方法与Synchro7优化出的控制方案对比,利用微观仿真软件SUMO进行控制效益评价,仿真结果表明,本文的方法可以有效提高信号控制效益.

城市路网交通控制方案关联性分析

由于城市交通网络中交通流固有的时间和空间关联性,交叉口间的信号控制方案也具有一定的关联性。通过VISSIM仿真的方法,研究了周期、绿信比和饱和度对邻近交叉口控制方案的影响,这种影响可分为两个方面,对邻近交叉口控制效果的影响和邻近交叉口配时参数进行的调整。结果表明周期不会改变邻近交叉口的流量,但是绿信比和饱和度均会改变。3种因素都会显著地改变邻近交叉口的控制效果。而且流量的变化规律性较强,但控制效果的变化更复杂,难以事先预知。

基于改进密度峰值聚类的路网划分方法

城市路网的合理划分对于优化区域交通控制以及协调策略的实施具有重要意义。为提高道路通行效率,提出基于密度峰值聚类算法的城市路网划分方法,首先,综合考虑交叉口静态和动态因素的影响,构建相邻交叉口的关联度模型,为合理量化交叉口之间的关联程度提供定量描述。其次,提出改进的密度峰值聚类算法,结合相邻交叉口之间的关联度对路网区域进行划分。针对密度峰值聚类算法中局部密度在不同规模数据集上差异较大的问题,引入KNN的思想,重新对局部密度进行描述,其次为避免算法聚类中心人工选取的主观性导致的误差问题,采用肘部法则实现聚类中心的自动选取。实验结果表明,与改进的Newman算法及Ncut算法相比,提出的改进算法在优化子区平均匀质度上可分别降低12.5%和22.8%,提高了控制子区的划分效果,使区域划分效果更合理。

基于改进Newman快速划分算法的城市动态交通子区划分方法

城市交通网络紧密联系,交叉口、干线和交通子区存在复杂关联性。从复杂系统角度提出一种基于Newman快速划分算法(Fast Newman,FN)的控制子区划分方法。首先,考虑城市道路网络拓扑结构复杂性,根据相邻交叉口的交叉口间距、路段交通流量、车流离散特性、交通流速度、车流密度等分析交叉口关联性,建立综合关联度计算模型;其次,将交叉口关联性引入到FN算法中,基于改进的Newman快速划分算法对路网控制子区进行划分;最后,通过实际路网,进行模型验证。结果表明:该子区动态划分方法有效考虑路网拓扑结构复杂性,更符合实际交通流特性,对城市区域路网子区划分更加合理。

基于改进Newman算法的动态控制子区划分

为了优化现有控制子区划分方法,以区域协调控制为目标,提出基于改进的Newman社团快速划分的动态子区划分方法.综合考虑路网中相邻交叉口之间的距离、交通流量、行程时间、车流离散特性、信号周期和路段交通流密度等因素,定量分析交叉口关联性;分别计算相邻交叉口的流量关联系数、信号周期关联系数和路段交通流密度关联系数,建立相邻交叉口的总关联度模型;对传统Newman算法进行改进,引入交叉口关联度,依据不同交通特性对区域路网进行动态子区划分;选取实际区域路网,进行模型验证分析.结果表明:Newman算法子区划分结果不能随着交通特性的改变而改变;与之相比,所提出模型的子区划分结果更加细致,更加符合实际交通流特性,且可以依据不同时段交通特性实现动态子区划分,可以为信号控制方案制定提供良好基础.

基于改进社区发现算法的交通控制子区动态划分

针对大规模复杂交通网络的子区域划分问题,通过改进社区发现算法,提出一种交通控制子区动态划分方法.通过分析相邻路口的路段长度、排队长度和信号周期等3个因素建立相邻交叉口总关联度模型,将交通网络等效为社区网络,以关联度表示节点间的重要性,改进社区发现算法中的边权与点权建立子区划分模型,并参照实际交通网络对划分方案进行对比论证.结果表明,所提交通路网划分方法更合理且高效,并可根据不同的交通特性进行动态划分,能为降低整个城市区域交通协调控制的难度提供可行的方案.

基于密度峰值聚类的交通控制子区划分方法

为提升区域交通信号系统的控制效率,提出了一种基于车辆轨迹数据和密度峰值聚类的城市路网交通控制子区划分方法。首先,结合轨迹数据特性并综合考虑交叉口间距、车辆延误、车队离散度等因素的影响,定义并计算了交叉口的关联度指标。其次,根据关联度指标得到交叉口的距离矩阵,作为密度峰值聚类算法的输入;针对密度峰值聚类的超参数设置问题,引入数据场理论中势能熵的概念确定最优值;同时,借鉴肘部法则的思想确定聚类中心数量。最后,将改进的密度峰值聚类算法应用于交叉口子区划分中。以北京市中关村西区真实车辆轨迹数据的实验分析表明:本文方法可以仅基于车辆轨迹数据实现城市路网交通控制子区的高效、合理划分。

近饱和状态下干线协调子区划分方法研究

在道路近饱和状态下实施干线协调是城市道路交通控制与管理的重要内容,其中子区划分是干线协调的基础。如何对子区进行需求分析,如何精准划分子区,使划分的子区在进行信号协调后能够最大限度的优化道路时空资源配置等,近些年来已曰益为业界重视。本文即是以这些问题为研究的重点。其次,本文试图建立起一种基于交叉口关联度的子区划分模型。子区划分模型能够得到最终方案,但现状子区划分算法不够精确且较为复杂。考虑道路子区划分特性,基于遍历算法,结合二次划分理论,本文建立了子区初步划分模型、红波和绿波的子区再次划分模型,最后设计了详细的划分流程。