基于道路实时容量的交通灯智能控制算法研究

发布时间：2021-05-20 05:02

　　车辆的日益增加导致交通拥堵频发,使得人们出行时间明显增长、车辆燃料消耗和气体排放量明显增加,不仅影响了人们出行的舒适度还对环境造成了巨大的污染,因此交通拥堵问题亟待解决。交通路口是各向交通流的交汇处,也是交通拥堵频发的地段之一,因此若能在交通路口进行合理、高效地交通灯控制就能有效地预防和缓解交通拥堵。但是大多数自适应交通灯控制方法只考虑路口的车辆排队长度或者交通流量等单一的参数,没有考虑相邻路口交通容量对当前路口的影响;或者只考虑单路口的交通灯控制没有考虑与周围交通灯的协同控制。对于上述问题本文针对交通路口结合雾计算、道路流量处理能力和强化学习理论提出一种基于道路实时容量的交通灯控制算法（RTCR）。该算法在端-边-雾-云平台上设定每个路口对应一个Agent,由于各路口的交通流信息会在雾层进行共享,所以各路口可以获取自己相邻路口的交通流信息来优化自身的交通灯决策。RTCR算法利用道路流量处理能力以及车辆排队长度等信息计算交通灯相位顺序。结合强化学习中的Deep Q-learning Network（DQN）算法、自身路口以及相邻路口交通流信息共同计算、优化当前交通路口的各相位绿灯时长,... 

【文章来源】：西安理工大学陕西省

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
英文摘要
1 绪论
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 自适应控制系统
        1.2.2 自适应交通灯控制算法
    1.3 主要研究内容
    1.4 论文结构
2 相关理论与技术概述
    2.1 雾计算
        2.1.1 雾计算概述
        2.1.2 雾计算的应用
    2.2 强化学习
        2.2.1 强化学习基本原理
        2.2.2 马尔可夫决策过程
        2.2.3 Q-learning算法
    2.3 深度强化学习
        2.3.1 深度强化学习基本原理
        2.3.2 DQN算法
    2.4 交通灯控制基础理论
    2.5 交通灯控制方式
    2.6 本章小结
3 基于端-边-雾-云体系与强化学习的交通灯智能调控机制
    3.1 基于端-边-雾-云体系的交通灯管理系统
    3.2 道路流量处理能力
    3.3 基于强化学习中DQN算法的交通灯控制机制
    3.4 本章小结
4 基于道路实时容量的单路口交通灯控制算法
    4.1 单路口控制算法
    4.2 仿真环境及参数设置
        4.2.1 VISSIM与 Python的简介
        4.2.2 搭建VISSIM-Python仿真平台
        4.2.3 仿真参数
    4.3 仿真结果与分析
    4.4 本章小结
5 基于道路实时容量的多路口交通灯控制算法
    5.1 多路口控制算法
    5.2 仿真环境及参数设置
    5.3 仿真结果与分析
    5.4 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献
攻读学位期间主要研究成果



本文编号：3197140