基于长短期记忆人工神经网络与SUMO仿真的交通信号灯配时优化

针对城市交通交叉口配时不合理,易造成堵塞,不必要等待的问题,提出一种基于长短期记忆人工神经网络与SUMO仿真的交通信号灯配时优化方法。该方法首先利用SUMO模拟十字路口的车流量,并设置了与通行能力、平均等待时间、和损失时间相关的特征函数,通过大量的模拟,生成以路口状况为输入,最佳配时为输出的训练集数据。建立LSTM(长短期记忆人工神经网络),对于数据集进行训练,得到网络模型。最后经过对比实验,该方法的优化能力比传统的模糊控制算法更强。

基于SUMO仿真的停车场车辆离场智慧管控策略

文中将匝道控制中的协同调控思想引入停车场出口管理中,将停车场出口闸机抬杆频率作为控制和优化变量,设计定时控制、感应控制策略调节离场车辆速率以保证区域通行效率.以上海金鼎超大型地下停车平台作为验证实例,基于SUMO(simulation of urban mobility)仿真平台模拟不同时段下实施不同策略时外部路网状态变化.结果表明:所提出的控制策略能够显著缓解区域路网的拥堵状况,提升动态交通的平均速度,同时降低外部道路交叉口的排队.

基于SUMO仿真的低碳型交通信号控制方法研究

随着机动车保有量的快速增长,汽车尾气排放量日益增加,同时由于道路拥堵造成的空气污染也更加严重,如何提高道路通行效率,减少交通污染排放是急需解决的问题。国外在解决交通管理问题上,注重的是绿色、低碳的理念,通过减少碳排放来达到绿色治理交通的目的[1],为了更好的借鉴和吸收这种理念,响应国家碳达峰、碳中和的战略目标开展本项研究,研究基于SUMO仿真分析的低碳型交通信号控制方式,通过污染物排放指标评估不同信号控制方式对环境的污染程度,缓解我国交通污染排放的实际问题。

基于SUMO平台的微观交通仿真研究

微观交通仿真在城市交通控制系统中有着重要地位,而微观仿真模型的建立是其主要内容之一。Krauss模型是基于安全车速范式的微观、空间连续的车辆跟驰模型,为避免原始Krauss模型中加速度突变的问题,本文在其基础上提出了融合车辆减速度渐变过程的新模型。在SUMO仿真平台上编程实现了改进后的车辆跟驰模型,并在同等条件下对原始模型和改进模型进行了实例仿真分析,结果表明改进后的模型在一定程度上避免了加速度突变问题,交通流运行的仿真情况在整体性能上有显著改善,仿真效果与现实交通情况更趋一致。

基于SUMO的路由协议仿真研究

利用TIGER数据库,构建一个实际道路地图作为仿真场景,借助SUMO交通仿真器和NS2网络仿真平台,评估ADOV、DSR、DSDR 3种路由协议在城市场景车载自组网(VANET)中的适用性。实验结果表明,上述3种协议在城市VANET环境下,存在分组传输成功率低、归一化路由负载高、平均端到端延时大的缺点,难以满足现有城市VANET的通信需求,需要开发新的路由协议。

基于SUMO的大型活动三层级公交疏散保障方案仿真

大型活动客流具有短时集聚与疏散的特点,为保障活动结束后场馆附近公交客流的快速有序疏散,构建三层级公交疏散运保体系,包括公交常规线、专用快线和微循环线。按客流量疏散目的地将其分为城市市内的内散客流量和需前往高铁站、飞机场等对外客运枢纽换乘至其他城市的外散客流量。对内散客流量,采用微循环线将乘客运送到公交常规线站点接驳出行;对外散客流量,采用微循环线将乘客运送到专用快线站点,再运送到对外客运枢纽。基于SUMO仿真平台,选择苏州市奥林匹克体育中心体育馆作为大型活动承办场所,仿真三层级公交保障方案下的客流疏散场景,更直观地说明微循环线的作用及其与公交常规线和专用快线的联动特点。

基于SUMO仿真的跃龙门隧道交通组织方案评估研究

隧道施工会涉及大量运渣车、补给车等不同车辆的通行,分析车辆在隧道内的交通特性,实行合理的交通组织方案,可提升运输效率、提高作业水平。基于SUMO仿真手段,搭建跃龙门隧道3号斜井工区的仿真路段,通过设置不同断面数量和作业水平,从运行时间和油耗、排放两方面得出不同组织方案下车辆在隧道内的运行情况,对跃龙门隧道进行交通组织方案评估。在此基础上,对车辆速度进行敏感度分析。结果表明,增加断面数和适当提高车辆速度可以降低隧道内车辆运行时间、油耗和排放,从而提升隧道施工效率及交通水平。

用SUMO搭建可支持智能交通信号灯的仿真环境

文章介绍了利用SUMO平台搭建可支持智能交通信号灯的交叉路口的方法,同时利用已有正确结论验证搭建环境的有效性,为相关领域的学者提供一种可行的研究方法。

近港集疏运道路货运集卡分时畅行策略仿真

随着国际贸易的快速发展,各大港口集装箱吞吐量快速增长。集装箱吞吐量的快速上升使得各大港口集疏运能力出现瓶颈,导致集疏运道路产生交通拥堵及交通事故等问题。针对上述问题,结合洋山港区集疏运道路环境、港外集疏运中心建设方案等因素,提出集卡预约系统、智能集卡编队等分时畅行策略。基于洋山港区集疏运道路现状进行远期流量预测,模拟了远期流量场景和专用车道场景,采用SUMO作为仿真软件对两类场景下分时畅行策略应用效果进行验证。仿真结果表明,基于集卡预约系统策略,远期流量场景能够实现高峰小时不均匀系数降低25%,达到了较好的削峰填谷效果;基于智能集卡编队策略,专用车道场景可实现单车道饱和状态下平均小时通行能力提升98.1%,有效提升了集疏运通道通行能力。

面向无人值守收费站入口通行的主动限流协同控制策略研究

高速公路无人值守收费站目前主要面临拥堵问题,影响用户通行体验和效率。为此,文章以高速公路主线、收费站、收费站地面连接路口组成的高地系统为研究对象,针对收费站入口场景,考虑高速公路入口匝道汇流引起的主线通行能力下降以及交通事故、施工等引起的入口匝道排队积压蔓延问题,利用收费站连接路口信号控制截流手段,提出收费站入口通行的主动限流协同控制策略,实现最大化高速公路主线通行效率、防止拥堵排队阻塞收费站入口与地面连接路口的控制目标。

面向城市道路的智能网联汽车多车道轨迹优化方法

为提高城市路网下智能网联汽车的通行效率以及燃油效率,提出面向城市道路的多车道时空轨迹优化方法。首先,结合多车道时空位置关系定义智能网联汽车状态与约束,综合考虑通行效率与燃油经济性构建时空轨迹复合优化模型,并采用庞特里亚金极大值算法进行求解。然后,本文设定协同换道的规则,并通过Q-learning算法获取最优的换道策略。最后,通过SUMO/Python联合仿真验证了该方法可以在不同车辆饱和程度、绿信比状态及最低通行速度条件下有效提高通行效率,且燃油效率得到明显改善。

城市道路交叉口交通事故特性分析及信号控制优化设计

交通事故导致车辆被迫采取换道、减速等行为,严重影响路段的通行能力。为缓解交叉口处因事故导致的交通阻塞,有必要基于事故车道位置、与交叉口距离及事故规模等信息,分析事故前后交通流变化规律,从而进行交通影响研究,并制定满足交通需求的临时性信号配时方案。该研究借助实地调研事故数据,构建了宏观交通流仿真模型,以选定交叉口的交通量、平均车速、最大排队车辆数和平均延误作为优化目标,并通过SUMO(Simulation of Urban Mobility)仿真试验验证4种信号配时方案的有效性。最后,建立基于熵权-TOPSIS法的综合评估模型,对4种信号配时方案的效果进行综合评估。结果表明:事故发生位置、事故规模对交通运行的影响呈非线性变化;在4种信号配时方案中,方案2的整体优化效果最佳,事故方向交通量提升了11.76%,平均车速提升了16.37%,事故方向平均延误降低了12.59%,最大排队车辆数降低22.41%。

交叉口交通信号灯的模糊控制及优化研究

针对城市单交叉口的交通信号控制问题,提出一种交通灯信号的模糊控制方法。该方法基于四相位定相序对单交叉口交通灯进行控制,模糊控制系统输入为车辆排队数和车辆到达率,输出为当前绿灯相位的绿灯延长时间。利用遗传算法(GeneticAlgorithm,GA)优化模糊控制系统的模糊规则和隶属度函数,提升模糊控制系统性能。利用Sumo(Simulation of Urban Mobility)仿真软件,实现了该模糊控制方法。将Sumo自带的控制方法、模糊控制方法、以及基于GA的模糊控制方法进行仿真对比。结果表明,基于GA的模糊控制方法能有效减少车辆的平均延误时间,提高了交叉口的通行能力。

多指标优化的深度强化学习单交叉口信号控制

针对目前交叉口信号灯的控制方法无法有效的应对实时变化的交通状态。该算法提出多指标优化的深度强化学习单交叉口信号控制,以共同优化多指标来定义奖惩函数,动作的选择策略为贪心策略,其中探索率以固定的频率进行余弦衰减,在足够多的探索未知动作的基础上也保证了更好的收敛结果,最后使用SUMO仿真平台对该算法的控制效果进行验证。结果表明,该算法相比固定配时方案和感应控制方案,能够更有效的降低交叉口车辆的延误时间、排队长度、停车次数3项指标,具有更好的适用性跟有效性。

基于轨迹数据的信号交叉口排队长度估计

排队长度是信号交叉口最重要的性能指标之一,也是信号交叉口配时优化的关键参数。对于一些偏僻的路口或者固定检测器损坏的交叉口,由于无法获取准确的排队长度信息而无法了解交叉口的实时状态。针对以上情况,提出通过浮动车轨迹数据来估计信号交叉口的排队长度,通过对轨迹数据的分析,建立了基于浮动车集群队列的排队长度估计模型,利用排队长度估计模型可以实现交叉口排队长度的估计。通过SUMO仿真获取早高峰、晚高峰、平峰流量下输入下的浮动车轨迹数据,分别采用早高峰、晚高峰、平峰流量下时间间隔为2、4、6、8、10 s和渗透率为5%、10%、15%的数据集对模型进行验证。验证结果表明,所建立的模型可以较为准确地估计交叉口的排队长度。与相关方法的对比结果表明,在早高峰流量下和晚高峰流量下,所建立的模型误差更低,不同的时间间隔和渗透率下比不考虑集群车队的精准度平均提高约12%,即使在平峰流量、时间间隔大、低渗透率场景下,所建立的模型估计的排队长度误差仍在可接受范围内。相关的研究成果将为交叉口的交通状态评估以及信号配时优化提供支撑。

考虑车辆历史状态数据的加速车道汇入策略研究

为研究汇入场景中车辆历史状态数据对高速公路加速车道汇入车辆汇入决策行为的影响,本文结合GentleBoost(Gentle adaptive Boosting)集成学习算法框架,提出考虑历史时间窗口的加速车道汇入决策模型。首先,使用高精度摄像头和毫米波雷达组成路侧数据采集平台,采集国内典型高速公路加速车道车辆汇入行为数据。其次,搭建汇入决策模型,基于汇入场景车辆当前时刻状态信息和历史状态信息,考虑剩余加速车道长度的影响,建立GentleBoost汇入决策模型。最后,通过SUMO(Simulation of Urban Mobility)仿真平台和MATLAB算法控制平台搭建智能网联高速公路加速车道汇入仿真测试环境,测试不同主线交通流密度下的汇入决策效果。研究结果表明,随着车辆历史状态数据时间窗口的增大,汇入决策模型的准确率先增大后趋于稳定。在考虑汇入场景车辆历史状态信息的时间窗口为1.7 s时,GentleBoost模型得到了最大的汇入决策识别准确率,其中识别“汇入”事件的准确率为98.9%,识别“不汇入”事件的准确率为97.4%。微观仿真结果表明,相比SUMO中的LC2013换道模型,考虑车辆历史状态信息的GentleBoost汇入决策模型获得了更高的汇入成功率和更大的通过平均速度。

基于轨迹数据的过饱和信号路口排队长度分析

针对交通过饱和情况,利用网联车轨迹数据提供的车辆到达和停车位置等信息,提出一种基于交通冲击波的周期初始队列长度和最大排队长度的估计方法。基于网联车车辆轨迹确定车辆到达时刻、排队时刻、启动时刻及驶离时刻4个临界点的时空数据,并根据时空信息建立到达率估计模型,运用冲击波理论对每个周期初始队列长度及最大排队长度进行估计,应用微观交通仿真软件SUMO对模型进行仿真验证。实验结果表明:在网联车渗透率不低于20%的情况下,当v/c=1.0(v为实际交通流量,c为道路通行能力)时,初始队列长度MAE值小于6.5 m,MAPE值小于10%,最大排队长度的MAE值小于16.0 m,MAPE值小于11%,说明基于车辆轨迹的交叉口排队长度估计模型能够较为有效地估计过饱和交叉口的最大排队长度和初始队列长度。

网联环境下基于深度强化学习的单路口交通信号控制优化

深度强化学习能为交通信号控制研究带来诸多优化空间,它能够实现Agent与道路交通环境之间的交互,根据获得的惩罚或奖励不断地学习知识,从而更加适应环境。研究主要是基于深度强化学习和SUMO仿真的方法,以从仿真的方式建立的智能网联车辆环境中得到单路口交通实时动态信息,并从中输出深度Q网络(DQN)算法所需要的重要参数。基于搭建的深度神经网络,通过不断优化它的权重参数来提高性能,进一步实现对单路口交通信号控制方案的优化,并最终探索一个能够通过自主学习来高效控制单路口交通的信号控制方案。

智能网联环境下管理车道设置策略与影响因素分析

为探索人工驾驶车辆(human driven vehicle,HDV)与自动驾驶车辆(connected and autonomous vehicle,CAV)构成的新型混合交通流的运行规律,研究不同管理车道设置策略对城市快速路新型混合交通流产生的影响。首先,基于不同种类车辆间跟驰与专用道选择概率间的耦合关系,定量描述了不同管理车道设置策略条件下快速路通行能力演变机理。基于此,利用SUMO仿真平台分析了新型混合交通流条件下车辆延误的变化规律。最后,通过对车辆换道类型与换道间隙分析,研究了不同管理车道设置策略对交通流车辆间碰撞风险的影响。结果表明:CAV渗透率低于30%或大于80%,且只限制HDV在普通车道通行时,通行能力最大;CAV渗透率介于30%~80%之间,应考虑设置公交和CAV专用车道;设置公交和CAV专用车道但不限制其通行路权时,路段平均延误最小且几乎不受CAV渗透率的影响;当只为CAV或多乘员车辆(high-occupancy vehicle,HOV)设置管理车道时,会增加车辆碰撞风险。这说明CAV渗透率是建立合理的管理车道设置策略的重要参考因素,CAV渗透率对设置管理车道路段的通行能力有很大影响,而路段平均延误和交通流车辆间碰撞风险则更受管理车道设置策略的影响。

基于深度强化学习的快速道路入口匝道信号控制方法研究

匝道合流区是公路、快速路、隧道等快速道路的交通瓶颈.为缓解匝道合流区的交通拥堵,基于强化学习理论中的深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)算法,提出了以匝道调节率和信号周期共同作为动作向量输入的匝道信号控制模型,该模型通过增设不定周期这一控制动作,拓展动作空间,使交通状态被模型更充分感知和学习,增加了模型的求解空间和优化能力,克服了只以固定周期为前提的动作输入致使输出方案并非最优解的问题.通过在SUMO中搭建仿真场景,测试所提出算法的有效性,并与其他算法进行了控制效果对比.结果表明,本文提出的模型C&R-DDPG可以显著提升效率和安全水平,对比无控制、ALINEA控制和只以匝道调节率为动作的控制,平均行程时间分别减少52.3%、31.6%、15.5%;平均延误分别下降66.3%、36.1%、11.5%;匝道平均排队长度分别减少30.2%、23.1%、9.1%;平均加速度平方和分别降低87.5%、77.7%、66.9%.