面向全路网交通流优化的交通灯调度方法研究

发布时间：2017-10-23 23:15

  本文关键词：面向全路网交通流优化的交通灯调度方法研究

  更多相关文章： 交通流优化 遗传算法 机器学习 线性回归 短时预测 自回归模型

【摘要】：随着中国城市化的不断发展,道路交通问题日益显现。虽然传统的交通灯控制系统依然在交通路口发挥着一定的作用,但是伴随着城市车辆数量的激增,交通道路阻塞已经成为了每天发生的常见现象。在传统的交通信号灯控制系统中,交通灯状态转换时间相对固定,该系统已经很难满足城市道路交通的需求。为了改善道路交通网络的交通流畅度,在过去多年中已经有许多关于智能交通灯调度算法(Intelligent Traffic Light Scheduling, ITLS)的研究。许多研究者已经在考虑根据实时交通流来动态调度交通灯以达到全局优化道路交通流的目的。为了提升全路网的交通效率,提高各路口的通行能力,本文在基于遗传算法(Genetic Algorithm, GA)和机器学习算法(Machine Learning, ML)相结合的智能交通灯调度算法方面进行相关研究。本文主要工作及成果如下：1.提出一种基于遗传算法的智能交通灯调度算法(Intelligent Traffic Light Scheduling Based on Genetic Algorithm, ITLSG)。传统交通灯状态转换时间相对固定,而且交通灯亮灯状态不能根据各个路口的实时交通流状态来动态地调整。为此,本文提出ITLSG算法,该算法在每个单位时间根据实时车流量动态搜索出使全路网交通流达到最优的交通灯设置方案。ITLSG算法基于遗传算法,算法最大特点是成功地将交通灯状态设置问题转换成遗传算法搜索最优解问题,同时也将遗传算法编码和解码过程融入到交通灯调度场景中。实验仿真结果表明：ITLSG算法性能优于传统固定时间交通灯调度算法。2.提出一种基于遗传算法和线性回归预测算法的智能交通灯调度算法(Intelligent Traffic Light Scheduling Based on Genetic Algorithm merging Linear Regression, ITLSGMLR)。ITLSGMLR算法在ITLSG算法基础上加以改进。该算法采用线性回归算法来预测下一个单位时间进入各个路口的车流量,目的是提前获知下一个单位时间路网中各个路口的交通流状态。该算法通过遗传算法的适应度函数来选择可以诱使下一个单位时间交通流达到最优的当前交通灯调度方案。交通流预测可以辅助GA搜索出更优的交通灯调度方案,从而优化了全路网整体交通流。实验仿真结果表明：ITLSGMLR算法性能优于ITLSG算法。3.提出一种基于遗传算法结合自回归预测模型的智能交通灯调度算法(Intelligent Traffic Light Scheduling Based on Genetic Algorithm merging Autoregressive model, ITLSGMAR)。ITLSGMAR算法在ITLSGMLR算法基础上加以改进。由于交通流会受到一些不可预测因素的影响,例如交通事故,道路关闭等等,记录的历史车流量状态信息不一定可以反映出交通流状态特征,导致预测数据不准确。为了解决交通流预测不准确的问题,ITLSGMAR算法不同于ITLSGMLR算法,采用了自回归模型来预测交通流,提升预测效果,从而可以提前获知更加准确的交通流状态信息,诱使遗传算法搜索出更优的交通灯调度方案。实验结果表明：ITLSGMAR算法调度性能优于ITLSGMLR算法。
【关键词】：交通流优化 遗传算法 机器学习 线性回归 短时预测 自回归模型
【学位授予单位】：华东师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U491.54;TP18
【目录】：

• 摘要6-8
• ABSTRACT8-16
• 第一章 绪论16-24
• 1.1 选题研究背景与意义16-17
• 1.2 研究现状17-20
• 1.2.1 交通灯调度研究现状17-19
• 1.2.2 交通流预测研究现状19-20
• 1.3 研究方法和论文结构20-22
• 1.3.1 研究方法20-21
• 1.3.2 论文结构21-22
• 1.4 本章小结22-24
• 第二章 调度相关算法介绍24-32
• 2.1 遗传算法24-26
• 2.2 机器学习算法26-30
• 2.2.1 机器学习算法概述26-27
• 2.2.2 线性回归算法27-28
• 2.2.3 自回归模型预测算法28-30
• 2.3 本章小节30-32
• 第三章 基于遗传算法和线性回归的智能交通灯调度研究32-64
• 3.1 基于遗传算法的交通灯调度32-43
• 3.1.1 算法调度架构32-33
• 3.1.2 ITLSG算法介绍33-43
• 3.2 基于遗传算法和线性回归的交通灯调度43-49
• 3.2.1 算法调度架构43-44
• 3.2.2 ITLSGMLR算法介绍44-49
• 3.3 仿真交通场景的设计49-54
• 3.3.1 交通场景描述49-50
• 3.3.2 数据表结构介绍50-53
• 3.3.3 车辆分流情况描述53-54
• 3.4 惩罚值变量54-57
• 3.4.1 惩罚值定义54-55
• 3.4.2 惩罚值计算方法55-57
• 3.5 实验结果与性能评估57-62
• 3.5.1 基于遗传算法的交通灯调度算法结果评估57-59
• 3.5.2 基于遗传算法和线性回归算法的交通灯调度算法结果评估59-62
• 3.6 本章小结62-64
• 第四章 融合自回归模型短时预测的智能交通灯调度研究64-76
• 4.1 算法调度架构64-66
• 4.1.1 调度架构64-65
• 4.1.2 算法调用过程65-66
• 4.2 ITLSGMAR算法介绍66-69
• 4.2.1 算法介绍66-68
• 4.2.2 算法伪代码68-69
• 4.3 实验结果与性能分析69-75
• 4.4 本章小结75-76
• 第五章 总结与展望76-80
• 5.1 论文总结76-77
• 5.2 未来工作77-80
• 附录80-88
• 附录A 遗传算法Java功能代码80-83
• 附录B 线性回归预测模型MATLAB代码83-85
• 附录C 自回归预测模型MATLAB代码85-88
• 参考文献88-98
• 攻读硕士学位期间发表论文和参与科研项目情况98-100
• 致谢100

【参考文献】

中国期刊全文数据库 前1条

1 陈丽娜;王小乐;邓苏;;CPS体系结构设计[J];计算机科学;2011年05期

，

本文编号：1085865