基于GA-PSO和时空特性的城市交通协同控制
发布时间:2020-12-31 23:45
城市交通流受时间与空间因素的影响,文章综合考虑交通流的时空相关性,进行了时空维度的交通数据处理与交通协同控制;采用遗传算法(genetic algorithm,GA)小波神经网络(wavelet neural network,WNN)模型与最小二乘法对时空维度的交通数据进行融合,建立了时空相关的城市交通协同控制模型;结合GA群体搜索技术与粒子群优化(particle swarm optimization,PSO)快速收敛能力,提出了基于GA-PSO的协同控制求解模型。实例验证结果表明,考虑交通流时空特性影响的协同控制能有效减小路网行程时间、优化交通控制参数,从而能达到均衡路网交通分布、缓解城市交通拥堵的目的。
【文章来源】:合肥工业大学学报(自然科学版). 2020年05期 北大核心
【文章页数】:8 页
【部分图文】:
路段交通流时空关系图
考虑交通流的时空特性,采用GA-PSO求解协同控制模型的流程如图2所示。在交通流数据时空变化特性分析基础上,采用时空融合数据在时空饱和度、行程时间约束下,利用GA-PSO算法以消除交通拥堵、保证路网行程时间最小为目标,对协同区域内各路段交通参数进行优化。(1) 收集协同区域内的实测交通流数据,在时空相关性分析基础上,利用GA-WNN模型进行处理,采用最小二乘法进行动态加权融合,得到具有时空特性的融合交通流数据序列,以此作为协同控制模型的输入交通参数。
本文算例分析的道路网络拓扑结构如图3所示。图3中,A、B、C、D、E、F、G、H、L、M分别表示交叉口位置。该道路网主要包括黄山路、科学大道、香樟大道等主要干道,天智路与天柱路等次要干道,以及梦园路与天湖路等支路;路网中不同等级的道路相交形成了不同形式的丁字形、十字形等交叉口,用于模型验证具有代表性。该路网中多数路段与交叉口布设了微波、视频、地磁等车辆检测设备,交通流数据获取方便。由于梦园路、天柱路路段无交通检测器,为保证交通数据获取的准确性,选用黄山路与科学大道、黄山路与天智路、香樟大道与天湖路、科学大道与天湖路以及天智路与天湖路5个路口范围对协同控制模型进行分析。考虑到工作日交通流的相似性与交通数据的完整性,采用2016年7月4日—7月8日的交通流数据进行模型计算。为了反映样本数据采集的时效性,同时降低交通流波动对数据采集结果的影响,将交通数据进行5 min的时间间隔划分,即1 d有288组样本数据。对采集数据进行处理并核查,发现数据集中缺失了36条数据,占总数据的2.5%。为减少缺失值对协同控制的影响,将其他工作日同一时间采集数据的平均值填充至相应的数据缺失部分。
本文编号:2950526
【文章来源】:合肥工业大学学报(自然科学版). 2020年05期 北大核心
【文章页数】:8 页
【部分图文】:
路段交通流时空关系图
考虑交通流的时空特性,采用GA-PSO求解协同控制模型的流程如图2所示。在交通流数据时空变化特性分析基础上,采用时空融合数据在时空饱和度、行程时间约束下,利用GA-PSO算法以消除交通拥堵、保证路网行程时间最小为目标,对协同区域内各路段交通参数进行优化。(1) 收集协同区域内的实测交通流数据,在时空相关性分析基础上,利用GA-WNN模型进行处理,采用最小二乘法进行动态加权融合,得到具有时空特性的融合交通流数据序列,以此作为协同控制模型的输入交通参数。
本文算例分析的道路网络拓扑结构如图3所示。图3中,A、B、C、D、E、F、G、H、L、M分别表示交叉口位置。该道路网主要包括黄山路、科学大道、香樟大道等主要干道,天智路与天柱路等次要干道,以及梦园路与天湖路等支路;路网中不同等级的道路相交形成了不同形式的丁字形、十字形等交叉口,用于模型验证具有代表性。该路网中多数路段与交叉口布设了微波、视频、地磁等车辆检测设备,交通流数据获取方便。由于梦园路、天柱路路段无交通检测器,为保证交通数据获取的准确性,选用黄山路与科学大道、黄山路与天智路、香樟大道与天湖路、科学大道与天湖路以及天智路与天湖路5个路口范围对协同控制模型进行分析。考虑到工作日交通流的相似性与交通数据的完整性,采用2016年7月4日—7月8日的交通流数据进行模型计算。为了反映样本数据采集的时效性,同时降低交通流波动对数据采集结果的影响,将交通数据进行5 min的时间间隔划分,即1 d有288组样本数据。对采集数据进行处理并核查,发现数据集中缺失了36条数据,占总数据的2.5%。为减少缺失值对协同控制的影响,将其他工作日同一时间采集数据的平均值填充至相应的数据缺失部分。
本文编号:2950526
本文链接:https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/2950526.html