城市快速路出口匝道拥堵区域的分流方法研究
发布时间：2021-07-12 01:28
城市快速路主线进入出口匝道的交通量超过出口匝道通行能力时,会在出口匝道内形成车辆排队现象。排队逐渐蔓延并溢出至主线时,将在主线和出口匝道相连区域形成交通拥堵。本文拟针对该拥堵区域进行交通分流优化方法研究,以缓解区域交通拥挤及防止出口匝道排队溢出。基于元胞传输模型理论,从基本路段模型、分流模型、合流模型三个方面建立主线和出口匝道相连区域的交通流模型,并对自由流速度、通行能力、拥挤波车速和阻塞密度等参数进行标定。基于用户平衡模型的应用条件对路网交通运行状况进行分类。设定状态1为:排队车辆溢出主线之前,路网已达到用户平衡模型;状态2为:排队车辆溢出主线之后,路网可达到用户平衡模型;状态3为:路网无法达到用户平衡模型。基于主线和出口匝道相连区域的交通流模型,建立出口匝道排队车辆数、路段行程时间等参数的表达式,并根据分流所依据参数的不同,将分流策略分为基于实时行程时间估计的分流策略和基于出口匝道排队车辆数的分流策略。基于路网的不同交通运行状态,分别研究传统开关分流方法的应用功能,并给出相应的分流策略。由于开关分流方法仅能设定出口匝道的分流率为0或1,存在易增大路网延误的问题,因此论文应用模糊神经...
【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】：92 页
【学位级别】：硕士
【部分图文】：
拥堵状态下流量-密度基础数据集
第二章 基于 CTM 的快速路出口匝道拥堵区域交通流建模 2-7 所示，该路网可抽象为 6 个节点（N1~N6），6 条路段（点（O1、O2）,3 个出行终点（D1、D2、D3），其中路段 L1、速路路段，长度分别为 1.1km、2.7km、0.6km，分别具有 3 个车为出口匝道路段，长度分别为 0.5km 和 0.6km，分别具有 1 条车面道路宝平路，长度为 3.1km，有 3 条车道。由于路段 L1、L2段，设其各参数特性相同，因此，可将这三条路段作为一个整析。由流速度以研究路网 2016 年 11 月 1 日各段的数据为基础，对快速路选速路、两条出口匝道、地面道路进行标定，标定结果如图 2-8
图 2-9 出口匝道 L4 自由流段流量-密度曲线 2-9 所示，对该曲线进行线性拟合，可得到流量 q 与密度 k 在自关系：q 31.5k2 值为 0.702，表明拟合提取的由流状态流量-密度点对具有强相
【参考文献】：
期刊论文
[1]基于模糊自适应脉宽调制的双反馈控制算法[J]. 多丽,刘义艳,程绍峰. 探测与控制学报. 2017(06)
[2]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)
[3]基于电流反馈模糊控制算法的光伏模拟器研究[J]. 孟志强,邵武,周华安,苏烁. 湖南大学学报(自然科学版). 2016(02)
[4]基于自适应模糊神经网络的可变限速与匝道协同控制方法[J]. 牛忠海,贾元华,张亮亮,廖成. 物流技术. 2015(17)
[5]高速公路入口匝道动态响应调节算法设计[J]. 吴明,范东涛,李旭宏. 交通信息与安全. 2011(03)
[6]快速路出口辅路与地面交叉口协调控制策略研究[J]. 袁长亮,李宏海. 道路交通与安全. 2010(04)
[7]城市快速路入口匝道神经模糊控制[J]. 慈玉生,吴丽娜,裴玉龙,凌贤长. 交通运输系统工程与信息. 2010(03)
[8]高速公路入口匝道模糊神经网络ACO控制[J]. 孙宝,程琳. 交通信息与安全. 2009(05)
[9]高速路入口匝道的模糊神经网络自适应协调控制[J]. 徐进学,于双和,徐丽君. 东南大学学报(自然科学版). 2009(S1)
[10]基于模糊神经网络的烟叶烘烤温湿度监控系统研究[J]. 王暑,杨晓京. 计算机测量与控制. 2009(02)
硕士论文
[1]高速公路多匝道协调控制研究[D]. 高磊.北京交通大学 2008
[2]基于模糊神经网络的高速公路多匝道控制研究[D]. 赵跃峰.长安大学 2006
本文编号：3278911
【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】：92 页
【学位级别】：硕士
【部分图文】：
拥堵状态下流量-密度基础数据集
第二章 基于 CTM 的快速路出口匝道拥堵区域交通流建模 2-7 所示，该路网可抽象为 6 个节点（N1~N6），6 条路段（点（O1、O2）,3 个出行终点（D1、D2、D3），其中路段 L1、速路路段，长度分别为 1.1km、2.7km、0.6km，分别具有 3 个车为出口匝道路段，长度分别为 0.5km 和 0.6km，分别具有 1 条车面道路宝平路，长度为 3.1km，有 3 条车道。由于路段 L1、L2段，设其各参数特性相同，因此，可将这三条路段作为一个整析。由流速度以研究路网 2016 年 11 月 1 日各段的数据为基础，对快速路选速路、两条出口匝道、地面道路进行标定，标定结果如图 2-8
图 2-9 出口匝道 L4 自由流段流量-密度曲线 2-9 所示，对该曲线进行线性拟合，可得到流量 q 与密度 k 在自关系：q 31.5k2 值为 0.702，表明拟合提取的由流状态流量-密度点对具有强相
【参考文献】：
期刊论文
[1]基于模糊自适应脉宽调制的双反馈控制算法[J]. 多丽,刘义艳,程绍峰. 探测与控制学报. 2017(06)
[2]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)
[3]基于电流反馈模糊控制算法的光伏模拟器研究[J]. 孟志强,邵武,周华安,苏烁. 湖南大学学报(自然科学版). 2016(02)
[4]基于自适应模糊神经网络的可变限速与匝道协同控制方法[J]. 牛忠海,贾元华,张亮亮,廖成. 物流技术. 2015(17)
[5]高速公路入口匝道动态响应调节算法设计[J]. 吴明,范东涛,李旭宏. 交通信息与安全. 2011(03)
[6]快速路出口辅路与地面交叉口协调控制策略研究[J]. 袁长亮,李宏海. 道路交通与安全. 2010(04)
[7]城市快速路入口匝道神经模糊控制[J]. 慈玉生,吴丽娜,裴玉龙,凌贤长. 交通运输系统工程与信息. 2010(03)
[8]高速公路入口匝道模糊神经网络ACO控制[J]. 孙宝,程琳. 交通信息与安全. 2009(05)
[9]高速路入口匝道的模糊神经网络自适应协调控制[J]. 徐进学,于双和,徐丽君. 东南大学学报(自然科学版). 2009(S1)
[10]基于模糊神经网络的烟叶烘烤温湿度监控系统研究[J]. 王暑,杨晓京. 计算机测量与控制. 2009(02)
硕士论文
[1]高速公路多匝道协调控制研究[D]. 高磊.北京交通大学 2008
[2]基于模糊神经网络的高速公路多匝道控制研究[D]. 赵跃峰.长安大学 2006
本文编号：3278911
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3278911.html
