城市交通路网随机建模与递阶优化
发布时间：2021-11-15 02:53
城市交通拥堵问题随着中国城镇化和机动化进程的迅猛发展日益凸显,建立有效的交通控制方法提高路网运行效率是当前亟需解决的问题。但由于交通系统本身规模巨大、关联复杂、非线性和随机性强的特征,交通控制方法的可行性和有效性通常受到以下几个因素的影响:1)路网模型:路网模型精确度和在线优化问题复杂度是交通控制需要兼顾的两点。虽有不少有效的确定性交通流模型,但是由于交通随机性的特性,模型演化与实际交通流之间的偏差仍然存在。2)路网规模:大规模路网中各路口和路段的交通状况相互耦合,导致优化问题中控制变量数急剧增大,面临是否实际可行的问题。3)路网检测信息:长久以来城市交通控制系统应用的交通信息主要来源于道路上检测线圈、路口摄像头等固定检测设备,而固定检测设备只能获得路网中特定位置横切面的交通流信息,无法直接从宏观上掌握整个路网的交通状况。近些年随着车联网技术的发展,车辆与车辆之间、车辆与路边设备之间可以通过无线技术实现相互通信。因此除了交通流信息,具体车辆的位置、速度、加速度及行驶路径等信息也可以被实时检测。这些丰富的实时交通数据可以更清晰地反映出整个路网的交通状态,同时也使得交通控制问题变得更复杂,...
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：158 页
【学位级别】：博士
【部分图文】：
–1传统信号控制主要研究内容Figure1–1Theresearchworkabouttrafficsignalcontrol
上海交通大学博士学位论文第四章大规模路网区域流量协调控制图4–1区域路网宏观基本图Figure4–1MacroscopicFundamentalDiagramsofaregion，MFD图4–2由实际数据获得的日本横滨市MFD曲线图[107]Figure4–2MFDcurveofYokohamabasedonrealtrafficdatain[107]在现有文献中，很多研究学者应用交通数据拟合式4–2中的函数f来描述区域路网交通流量与密度之间的关系[33,102-104]。但由于路网内部控制方案的变化、车辆行驶路径的动态调整以及交通系统本身的随机性特征，MFD曲线的形状不是静态不变。因此在本章节中我们提出区域路网随机宏观基本图的概念。假设{f(Dz);Dz∈[0,Dz,jam]}为高斯过程，即任一平均交通密度对应的平均车流量服从正态分布，其均值和方差分别记为μDz和σDz，如图4–3所示。由于路网的平均车辆密度Dz与路网内车辆总数Xz呈线性比例关系，我们可以进一步得到：Qz=f(Xz)～N(μXz,σXz)(4–4)在模型求解中，应用高斯过程回归对采集的样本数据对(Xz,Qz)进行回归分析，建立区域路网的随机宏观交通流模型。在该模型中，路网内某车辆总数Xz下路网平均车流量服从正态分布，其均值和方差分别记为μXz和σXz。高斯过程回归是使用高斯过程这一先验知识对数据进行回归分析的非参数模型，其详细推导过程可参考[109]，在这里我们并不赘述。随机宏观基本图模型的建立过程将在第4.4.2节作详细说明。—51—
上海交通大学博士学位论文第四章大规模路网区域流量协调控制图4–1区域路网宏观基本图Figure4–1MacroscopicFundamentalDiagramsofaregion，MFD图4–2由实际数据获得的日本横滨市MFD曲线图[107]Figure4–2MFDcurveofYokohamabasedonrealtrafficdatain[107]在现有文献中，很多研究学者应用交通数据拟合式4–2中的函数f来描述区域路网交通流量与密度之间的关系[33,102-104]。但由于路网内部控制方案的变化、车辆行驶路径的动态调整以及交通系统本身的随机性特征，MFD曲线的形状不是静态不变。因此在本章节中我们提出区域路网随机宏观基本图的概念。假设{f(Dz);Dz∈[0,Dz,jam]}为高斯过程，即任一平均交通密度对应的平均车流量服从正态分布，其均值和方差分别记为μDz和σDz，如图4–3所示。由于路网的平均车辆密度Dz与路网内车辆总数Xz呈线性比例关系，我们可以进一步得到：Qz=f(Xz)～N(μXz,σXz)(4–4)在模型求解中，应用高斯过程回归对采集的样本数据对(Xz,Qz)进行回归分析，建立区域路网的随机宏观交通流模型。在该模型中，路网内某车辆总数Xz下路网平均车流量服从正态分布，其均值和方差分别记为μXz和σXz。高斯过程回归是使用高斯过程这一先验知识对数据进行回归分析的非参数模型，其详细推导过程可参考[109]，在这里我们并不赘述。随机宏观基本图模型的建立过程将在第4.4.2节作详细说明。—51—
【参考文献】：
期刊论文
[1]基于遗传算法的交通信号控制多目标优化[J]. 李瑞敏,陆化普. 长安大学学报(自然科学版). 2009(03)
[2]基于模糊逻辑的交通信号控制与仿真研究[J]. 臧利林,贾磊,林忠琴. 公路交通科技. 2006(04)
[3]单路口交通信号多相位实时控制模型及其算法[J]. 徐勋倩,黄卫. 控制理论与应用. 2005(03)
[4]基于再励学习和遗传算法的交通信号自组织控制[J]. 欧海涛,杨煜普,张文渊,许晓鸣. 电机与控制学报. 2000(02)
本文编号：3495882
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：158 页
【学位级别】：博士
【部分图文】：
–1传统信号控制主要研究内容Figure1–1Theresearchworkabouttrafficsignalcontrol
上海交通大学博士学位论文第四章大规模路网区域流量协调控制图4–1区域路网宏观基本图Figure4–1MacroscopicFundamentalDiagramsofaregion，MFD图4–2由实际数据获得的日本横滨市MFD曲线图[107]Figure4–2MFDcurveofYokohamabasedonrealtrafficdatain[107]在现有文献中，很多研究学者应用交通数据拟合式4–2中的函数f来描述区域路网交通流量与密度之间的关系[33,102-104]。但由于路网内部控制方案的变化、车辆行驶路径的动态调整以及交通系统本身的随机性特征，MFD曲线的形状不是静态不变。因此在本章节中我们提出区域路网随机宏观基本图的概念。假设{f(Dz);Dz∈[0,Dz,jam]}为高斯过程，即任一平均交通密度对应的平均车流量服从正态分布，其均值和方差分别记为μDz和σDz，如图4–3所示。由于路网的平均车辆密度Dz与路网内车辆总数Xz呈线性比例关系，我们可以进一步得到：Qz=f(Xz)～N(μXz,σXz)(4–4)在模型求解中，应用高斯过程回归对采集的样本数据对(Xz,Qz)进行回归分析，建立区域路网的随机宏观交通流模型。在该模型中，路网内某车辆总数Xz下路网平均车流量服从正态分布，其均值和方差分别记为μXz和σXz。高斯过程回归是使用高斯过程这一先验知识对数据进行回归分析的非参数模型，其详细推导过程可参考[109]，在这里我们并不赘述。随机宏观基本图模型的建立过程将在第4.4.2节作详细说明。—51—
上海交通大学博士学位论文第四章大规模路网区域流量协调控制图4–1区域路网宏观基本图Figure4–1MacroscopicFundamentalDiagramsofaregion，MFD图4–2由实际数据获得的日本横滨市MFD曲线图[107]Figure4–2MFDcurveofYokohamabasedonrealtrafficdatain[107]在现有文献中，很多研究学者应用交通数据拟合式4–2中的函数f来描述区域路网交通流量与密度之间的关系[33,102-104]。但由于路网内部控制方案的变化、车辆行驶路径的动态调整以及交通系统本身的随机性特征，MFD曲线的形状不是静态不变。因此在本章节中我们提出区域路网随机宏观基本图的概念。假设{f(Dz);Dz∈[0,Dz,jam]}为高斯过程，即任一平均交通密度对应的平均车流量服从正态分布，其均值和方差分别记为μDz和σDz，如图4–3所示。由于路网的平均车辆密度Dz与路网内车辆总数Xz呈线性比例关系，我们可以进一步得到：Qz=f(Xz)～N(μXz,σXz)(4–4)在模型求解中，应用高斯过程回归对采集的样本数据对(Xz,Qz)进行回归分析，建立区域路网的随机宏观交通流模型。在该模型中，路网内某车辆总数Xz下路网平均车流量服从正态分布，其均值和方差分别记为μXz和σXz。高斯过程回归是使用高斯过程这一先验知识对数据进行回归分析的非参数模型，其详细推导过程可参考[109]，在这里我们并不赘述。随机宏观基本图模型的建立过程将在第4.4.2节作详细说明。—51—
【参考文献】：
期刊论文
[1]基于遗传算法的交通信号控制多目标优化[J]. 李瑞敏,陆化普. 长安大学学报(自然科学版). 2009(03)
[2]基于模糊逻辑的交通信号控制与仿真研究[J]. 臧利林,贾磊,林忠琴. 公路交通科技. 2006(04)
[3]单路口交通信号多相位实时控制模型及其算法[J]. 徐勋倩,黄卫. 控制理论与应用. 2005(03)
[4]基于再励学习和遗传算法的交通信号自组织控制[J]. 欧海涛,杨煜普,张文渊,许晓鸣. 电机与控制学报. 2000(02)
本文编号：3495882
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3495882.html
