城市快速路的交通运行效率对于整个城市的顺畅通行至关重要,在早晚高峰期间,受限于相连接辅路的交通承载能力,快速路上较大的交通流量无法顺利从出口匝道驶入目标路段,在匝道上形成排队现象,严重时会导致匝道回溢,使快速路上车道由于被...城市快速路的交通运行效率对于整个城市的顺畅通行至关重要,在早晚高峰期间,受限于相连接辅路的交通承载能力,快速路上较大的交通流量无法顺利从出口匝道驶入目标路段,在匝道上形成排队现象,严重时会导致匝道回溢,使快速路上车道由于被占用而产生交通瓶颈,造成较大的交通出行损失.利用深度强化学习算法进行出口匝道相关联的道路交叉口信号控制优化,将信号灯设为智能体,通过设置检测器,将快速路出口匝道及交叉口的交通运行情况作为智能体获取的状态信息,引入以辅路与出口匝道剩余通行能力之比为动态修正参数的奖励函数,在保证匝道交通运行效率下,完成交叉口信号优化过程.以中国北京市东三环快速路及某关联交叉口为例,借助交通仿真平台SUMO(simulation of urban mobility)及Traci库搭建仿真环境进行实验.结果表明,基于改进A2C(advantage actor critic)算法的信号控制方法在控制效果上优于传统信号控制以及基于深度Q网络(deep Q-network,DQN)算法的信号控制方法,在出行高峰期间能够有效降低匝道回溢的发生概率,有效改善辅道相联交叉口的通行效率.展开更多
针对传统控制方法下的智能网联车辆(connected and autonomous vehicle,CAV)在动态交通环境中通行能耗较高且效率较低等问题,研究了基于强化学习的CAV通行控制方法,旨在降低车辆能源消耗,提升车辆通行效率以及行驶舒适度。通过考虑CAV...针对传统控制方法下的智能网联车辆(connected and autonomous vehicle,CAV)在动态交通环境中通行能耗较高且效率较低等问题,研究了基于强化学习的CAV通行控制方法,旨在降低车辆能源消耗,提升车辆通行效率以及行驶舒适度。通过考虑CAV与交叉口信控系统的信息交互和物理环境,收集信号相位和信号配时(SPaT)以及前车速度和位置等信息,构建强化学习框架的状态空间。以电池能量回收的上限作为边界条件,建立CAV的行驶能耗模型,并基于车辆行驶的关键特征指标,如单位时间电能能耗、通行距离以及加速度变化率,设计多目标加权奖励函数。利用层次分析法确定各指标的权重,进而采用深度确定性策略梯度算法对模型进行训练,并通过梯度下降方法对算法参数进行调整和更新。采用SUMO平台开展仿真实验,实验结果表明:在设计的算法控制下的CAV各方面行驶性能最为均衡,相较于DQN算法电能消耗和加速度变化率均值分别降低了9.22%和18.77%;相较于Krauss跟驰模型行程时间缩短了8.39%。本研究提出的CAV通行控制方法在降低车辆能耗、提高行驶效率和舒适性等方面具有较好的可行性和有效性。展开更多
为了更好地运用跟驰模型描述车辆在信号交叉口的通行过程,提出一种考虑信号灯变化对车流瞬时冲击的交叉口全速度差和加速度(full velocity difference and acceleration at intersection,FVDA-I)模型,并根据车辆轨迹数据标定了跟驰模型...为了更好地运用跟驰模型描述车辆在信号交叉口的通行过程,提出一种考虑信号灯变化对车流瞬时冲击的交叉口全速度差和加速度(full velocity difference and acceleration at intersection,FVDA-I)模型,并根据车辆轨迹数据标定了跟驰模型参数。首先,构建位置-时间临界轨迹来判断车辆能否在绿灯时间内通过交叉口,并提出转弯车辆优化速度。然后,使用S-G滤波器对车辆位置进行平滑拟合,结合期望最大化(expectation maximum,EM)算法标定模型参数。最后,运用FVDA-I模型估计车辆在交叉口的通行时间以验证模型的有效性。仿真结果表明:相较于改进全速度差(full velocity difference,FVD)模型,FVDA-I模型具有头车启动舒适缓慢、跟随车辆启动快、车队总通行时间短的特点,通行效率提高了11.3%,车辆的通行时间与实际采样轨迹的估计时间对比误差小于10%。展开更多
文摘城市快速路的交通运行效率对于整个城市的顺畅通行至关重要,在早晚高峰期间,受限于相连接辅路的交通承载能力,快速路上较大的交通流量无法顺利从出口匝道驶入目标路段,在匝道上形成排队现象,严重时会导致匝道回溢,使快速路上车道由于被占用而产生交通瓶颈,造成较大的交通出行损失.利用深度强化学习算法进行出口匝道相关联的道路交叉口信号控制优化,将信号灯设为智能体,通过设置检测器,将快速路出口匝道及交叉口的交通运行情况作为智能体获取的状态信息,引入以辅路与出口匝道剩余通行能力之比为动态修正参数的奖励函数,在保证匝道交通运行效率下,完成交叉口信号优化过程.以中国北京市东三环快速路及某关联交叉口为例,借助交通仿真平台SUMO(simulation of urban mobility)及Traci库搭建仿真环境进行实验.结果表明,基于改进A2C(advantage actor critic)算法的信号控制方法在控制效果上优于传统信号控制以及基于深度Q网络(deep Q-network,DQN)算法的信号控制方法,在出行高峰期间能够有效降低匝道回溢的发生概率,有效改善辅道相联交叉口的通行效率.
文摘针对传统控制方法下的智能网联车辆(connected and autonomous vehicle,CAV)在动态交通环境中通行能耗较高且效率较低等问题,研究了基于强化学习的CAV通行控制方法,旨在降低车辆能源消耗,提升车辆通行效率以及行驶舒适度。通过考虑CAV与交叉口信控系统的信息交互和物理环境,收集信号相位和信号配时(SPaT)以及前车速度和位置等信息,构建强化学习框架的状态空间。以电池能量回收的上限作为边界条件,建立CAV的行驶能耗模型,并基于车辆行驶的关键特征指标,如单位时间电能能耗、通行距离以及加速度变化率,设计多目标加权奖励函数。利用层次分析法确定各指标的权重,进而采用深度确定性策略梯度算法对模型进行训练,并通过梯度下降方法对算法参数进行调整和更新。采用SUMO平台开展仿真实验,实验结果表明:在设计的算法控制下的CAV各方面行驶性能最为均衡,相较于DQN算法电能消耗和加速度变化率均值分别降低了9.22%和18.77%;相较于Krauss跟驰模型行程时间缩短了8.39%。本研究提出的CAV通行控制方法在降低车辆能耗、提高行驶效率和舒适性等方面具有较好的可行性和有效性。
文摘为了更好地运用跟驰模型描述车辆在信号交叉口的通行过程,提出一种考虑信号灯变化对车流瞬时冲击的交叉口全速度差和加速度(full velocity difference and acceleration at intersection,FVDA-I)模型,并根据车辆轨迹数据标定了跟驰模型参数。首先,构建位置-时间临界轨迹来判断车辆能否在绿灯时间内通过交叉口,并提出转弯车辆优化速度。然后,使用S-G滤波器对车辆位置进行平滑拟合,结合期望最大化(expectation maximum,EM)算法标定模型参数。最后,运用FVDA-I模型估计车辆在交叉口的通行时间以验证模型的有效性。仿真结果表明:相较于改进全速度差(full velocity difference,FVD)模型,FVDA-I模型具有头车启动舒适缓慢、跟随车辆启动快、车队总通行时间短的特点,通行效率提高了11.3%,车辆的通行时间与实际采样轨迹的估计时间对比误差小于10%。