城市快速路交织区拥堵预测及主动控制方法
发布时间：2022-01-26 03:25
城市快速路主线车流与入口匝道车流的交织会导致主线交织区通行能力下降,形成交通拥挤。传统方法常采用控制入口匝道流量降低交织行为比例以缓解拥挤,但存在控制迟滞性缺陷,为此,提出了一种集成拥堵预测及多入口匝道协同的主动控制方法。以准确判别交织区交通流状态为目标,为基于深度学习的交织区交通拥堵预测方法奠定基础,建立了一种基于投影寻踪的快速路交织区交通状态判别方法。考虑投影寻踪的模型特性,定义了交通状态系数;分析聚类效果评价指标的数值关系,引入正则化系数,建立了聚类效果评价系数表达式;采用提出的改进式遗传算法,结合K-means聚类算法,计算获得聚类中心和最优投影方向;应用最优投影方向将交通流参数转化为交通状态系数,判定邻近聚类中心,获取相应的交通流状态。新的交通状态判别方法克服了传统方法对专家经验的依赖性,解决了熵权法的信息熵过量估计问题。对比实验表明,新方法状态判别准确率为96.63%,较神经元网络和决策树算法分别提高了5.58%和7.01%,能够准确判别交织区交通流状态;依据状态判别方法,获得各状态通行能力及临界占有率。以新的状态判别方法为基础,应用卷积神经元网络模型架构,采用交叉熵作为代...
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
首次杂交后搜索空间图2-1中灰色区域为可接受域，第一代的杂交运算可视为新球面上的新一轮搜索，
东南大学硕士学位论文12图2-1首次杂交后搜索空间图2-1中灰色区域为可接受域，第一代的杂交运算可视为新球面上的新一轮搜索，新个体位于可接受域的概率是不变的。在个体数量不变时，初始数轮迭代的新个体位于可接受域的概率是不会随着杂交行为改变的。当迭代运算至后期，较优个体逐渐占领种群，杂交行为相当于在优势个体所在范围内进行重搜索，增大了搜索到最优解的概率，如图2-2所示。图2-2迭代后期杂交运算示意图综上所述，初期的杂交运算并未使得最优解的求解概率增大，相反浪费了算力，而迭代后期的杂交运算相当于在优势种群的界定范围内进行再搜索，增加了最优解的求解概率。基于上述分析，本文提出杂交概率递增和延后杂交两种改进策略。杂交概率递增策略为杂交概率随着迭代次数的增加，延后杂交策略为迭代次数到达阈值过后再开启杂交运算机制。自然界中，越高等的动物杂交概率越高，杂交概率递增式遗传算法与自然规律相符；延后杂交式遗传算法虽与自然规律不符，但算法机制对模型有利。（2）计算流程步骤1：生成初始化种群，初始种群限制条件为式（2.8）。步骤2：个体适应度评价。根据优化的目标函数设计适应度函数，并计算种群中每个个体的适应度值。采用聚类效果评价系数作为个体适应度值：
第二章交织区交通状态判别方法13（2.9）步骤3：选择运算。将所有个体适应度值进行排序，将适应度值较大的个体按照一定的规则遗传到下一代。步骤4：杂交运算。根据设定的杂交概率将两个相互配对的染色体以某种方式进行部分基因交换，从而产生两个新的个体，杂交概率为。杂交概率递增式遗传算法中，杂交概率随着迭代次数的增加不断增大，延后杂交式遗传算法杂交机制会于迭代次数到达后开启。步骤5：变异运算。按照变异概率将染色体某些基因值用其他值替代形成新的个体。步骤6：终止条件判断。当迭代次数达到预设的最大迭代次数时，输出当前适应度最大的个体作为最优解，计算结束。（3）算法验证分别采用传统遗传算法、延后杂交式遗传算法与杂交概率递增式遗传算法计算模型的最优投影方向。迭代数为100，传统遗传算法杂交概率为0.1，变异概率为0.01；设置杂交概率递增式遗传算法杂交概率为1000（2.10）式中，为当前迭代次数。延后杂交式遗传算法设置0，其余与传统遗传算法相同。以种群中最优个体的适应度值为评价指标，最终结果如图2-3所示。图2-3三种遗传算法计算结果示意图在图2-3中，迭代次数达到50后，杂交概率递增式遗传算法的最优个体适应值已经明显高于其余两者，证明算法最优解的计算速度得到了提高；在接近最优解阶段，传统遗传算法出现了最优个体消失现象，杂交概率递增式遗传算法也出现了此现象，但是其适应值的跌落趋势明显小于传统遗传算法，说明算法的稳定性也得到了改善；延后杂交式遗传算法没有出现最优解消失现象，其稳定性优于其余两者，但是其最优解的寻找
【参考文献】：
期刊论文
[1]基于权值优化的FCM-MSVM算法及其在高速公路状态判别中的应用[J]. 李晓璐,于昕明,杜崇,张溪,张彭,朱广宇. 北京交通大学学报. 2018(04)
[2]基于RFID和视频监测的城市交通运行状态模糊判别（英文）[J]. 陈征,刘钊,王静,郭建华. 交通信息与安全. 2018(02)
[3]基于遗传算法的动态模糊神经网络城市快速路入口匝道控制[J]. 张伟,肖日东,邓晶. 公路交通科技. 2017(02)
[4]城市快速路交织区通行能力估计模型[J]. 孙剑,胡家琦,孙杰. 中国公路学报. 2016(04)
[5]基于投影寻踪动态聚类的快速路交通状态判别[J]. 邴其春,龚勃文,杨兆升,林赐云,曲鑫. 西南交通大学学报. 2015(06)
[6]基于变量选择-神经网络模型的复杂路网短时交通流预测[J]. 蒋士正,许榕,陈启美. 上海交通大学学报. 2015(02)
[7]基于PID神经网络的快速路入口匝道控制[J]. 刘平,任建亭. 科学技术与工程. 2011(32)
[8]基于最小二乘支持向量机的交通流量预测模型[J]. 赵亚萍,张和生,周卓楠北京交通大学电气工程学院,杨军,潘成,贾利民. 北京交通大学学报. 2011(02)
[9]基于时空特性和RBF神经网络的短时交通流预测[J]. 高为,陆百川,贠天鹂,谭伟. 交通信息与安全. 2011(01)
[10]基于模糊聚类和判别分析的交通状态提取算法[J]. 窦慧丽,王国华. 交通信息与安全. 2010(02)
博士论文
[1]基于集成神经网络的城市道路交通流量融合预测研究[D]. 李存军.西南交通大学 2004
硕士论文
[1]基于Elman神经网络的高速公路入口匝道预测控制仿真研究[D]. 何玉婉.西南交通大学 2008
本文编号：3609719
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
首次杂交后搜索空间图2-1中灰色区域为可接受域，第一代的杂交运算可视为新球面上的新一轮搜索，
东南大学硕士学位论文12图2-1首次杂交后搜索空间图2-1中灰色区域为可接受域，第一代的杂交运算可视为新球面上的新一轮搜索，新个体位于可接受域的概率是不变的。在个体数量不变时，初始数轮迭代的新个体位于可接受域的概率是不会随着杂交行为改变的。当迭代运算至后期，较优个体逐渐占领种群，杂交行为相当于在优势个体所在范围内进行重搜索，增大了搜索到最优解的概率，如图2-2所示。图2-2迭代后期杂交运算示意图综上所述，初期的杂交运算并未使得最优解的求解概率增大，相反浪费了算力，而迭代后期的杂交运算相当于在优势种群的界定范围内进行再搜索，增加了最优解的求解概率。基于上述分析，本文提出杂交概率递增和延后杂交两种改进策略。杂交概率递增策略为杂交概率随着迭代次数的增加，延后杂交策略为迭代次数到达阈值过后再开启杂交运算机制。自然界中，越高等的动物杂交概率越高，杂交概率递增式遗传算法与自然规律相符；延后杂交式遗传算法虽与自然规律不符，但算法机制对模型有利。（2）计算流程步骤1：生成初始化种群，初始种群限制条件为式（2.8）。步骤2：个体适应度评价。根据优化的目标函数设计适应度函数，并计算种群中每个个体的适应度值。采用聚类效果评价系数作为个体适应度值：
第二章交织区交通状态判别方法13（2.9）步骤3：选择运算。将所有个体适应度值进行排序，将适应度值较大的个体按照一定的规则遗传到下一代。步骤4：杂交运算。根据设定的杂交概率将两个相互配对的染色体以某种方式进行部分基因交换，从而产生两个新的个体，杂交概率为。杂交概率递增式遗传算法中，杂交概率随着迭代次数的增加不断增大，延后杂交式遗传算法杂交机制会于迭代次数到达后开启。步骤5：变异运算。按照变异概率将染色体某些基因值用其他值替代形成新的个体。步骤6：终止条件判断。当迭代次数达到预设的最大迭代次数时，输出当前适应度最大的个体作为最优解，计算结束。（3）算法验证分别采用传统遗传算法、延后杂交式遗传算法与杂交概率递增式遗传算法计算模型的最优投影方向。迭代数为100，传统遗传算法杂交概率为0.1，变异概率为0.01；设置杂交概率递增式遗传算法杂交概率为1000（2.10）式中，为当前迭代次数。延后杂交式遗传算法设置0，其余与传统遗传算法相同。以种群中最优个体的适应度值为评价指标，最终结果如图2-3所示。图2-3三种遗传算法计算结果示意图在图2-3中，迭代次数达到50后，杂交概率递增式遗传算法的最优个体适应值已经明显高于其余两者，证明算法最优解的计算速度得到了提高；在接近最优解阶段，传统遗传算法出现了最优个体消失现象，杂交概率递增式遗传算法也出现了此现象，但是其适应值的跌落趋势明显小于传统遗传算法，说明算法的稳定性也得到了改善；延后杂交式遗传算法没有出现最优解消失现象，其稳定性优于其余两者，但是其最优解的寻找
【参考文献】：
期刊论文
[1]基于权值优化的FCM-MSVM算法及其在高速公路状态判别中的应用[J]. 李晓璐,于昕明,杜崇,张溪,张彭,朱广宇. 北京交通大学学报. 2018(04)
[2]基于RFID和视频监测的城市交通运行状态模糊判别（英文）[J]. 陈征,刘钊,王静,郭建华. 交通信息与安全. 2018(02)
[3]基于遗传算法的动态模糊神经网络城市快速路入口匝道控制[J]. 张伟,肖日东,邓晶. 公路交通科技. 2017(02)
[4]城市快速路交织区通行能力估计模型[J]. 孙剑,胡家琦,孙杰. 中国公路学报. 2016(04)
[5]基于投影寻踪动态聚类的快速路交通状态判别[J]. 邴其春,龚勃文,杨兆升,林赐云,曲鑫. 西南交通大学学报. 2015(06)
[6]基于变量选择-神经网络模型的复杂路网短时交通流预测[J]. 蒋士正,许榕,陈启美. 上海交通大学学报. 2015(02)
[7]基于PID神经网络的快速路入口匝道控制[J]. 刘平,任建亭. 科学技术与工程. 2011(32)
[8]基于最小二乘支持向量机的交通流量预测模型[J]. 赵亚萍,张和生,周卓楠北京交通大学电气工程学院,杨军,潘成,贾利民. 北京交通大学学报. 2011(02)
[9]基于时空特性和RBF神经网络的短时交通流预测[J]. 高为,陆百川,贠天鹂,谭伟. 交通信息与安全. 2011(01)
[10]基于模糊聚类和判别分析的交通状态提取算法[J]. 窦慧丽,王国华. 交通信息与安全. 2010(02)
博士论文
[1]基于集成神经网络的城市道路交通流量融合预测研究[D]. 李存军.西南交通大学 2004
硕士论文
[1]基于Elman神经网络的高速公路入口匝道预测控制仿真研究[D]. 何玉婉.西南交通大学 2008
本文编号：3609719
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3609719.html
