城市交通信号智能控制方法研究

论文摘要

城市道路交通系统由人、车、路组成,具有结构复杂、影响因素多、开放性强、随机以及不稳定因素多等特点,是一个动态的复杂大系统。鉴于交通流的多变性和交通控制的实时性,将增强学习应用于交通信号控制问题,这样就可以根据实时的交通状态信息动态地进行决策,自动地适应环境以便取得更好的控制效果。由于交通信号控制问题的状态空间太大而难以建立线性表,本文采用增强学习与人工神经网络相结合的智能控制方法,解决了基于主干道交通模型的多个路口的交通信号控制问题,并进行了仿真实验。实验结果表明,此方法是可行的、有效的,与传统的固定配时控制方法相比,大大降低了车辆的平均延误时间。尤其是当水平方向和垂直方向的车流量差别较大时,采用此方法可以更加明显地改善控制效果。

论文目录

• 内容提要
• 第一章 引言
• 1.1 研究背景
• 1.2 研究现状
• 1.3 本文的主要工作
• 第二章 基本算法介绍
• 2.1 Agent及多Agent系统
• 2.1.1 Agent的定义及特性
• 2.1.2 多Agent系统简介
• 2.2 增强学习与Q学习
• 2.2.1 增强学习简介
• 2.2.2 单Agent的Q学习算法
• 2.2.3 Q学习算法收敛性
• 2.2.4 学习过程中的行为策略
• 2.2.5 与动态规划的关系
• 2.3 人工神经网络与BP算法
• 2.3.1 人工神经网络简介
• 2.3.2 BP算法描述
• 2.3.3 BP算法收敛性
• 第三章 城市交通信号控制理论与方法
• 3.1 主要控制方式
• 3.2 基本控制结构
• 3.3 系统分级设计的基本步骤
• 3.4 系统的运行管理与分级控制
• 3.5 影响控制效果的因素
• 3.6 主要术语及参数
• 第四章 增强学习与神经网络在交通信号控制中的应用
• 4.1 发车模型
• 4.1.1 数学模型的建立
• 4.1.2 计算机实现算法
• 4.2 Q值存储网络
• 4.2.1 存储方式的确定
• 4.2.2 网络结构的设计
• 4.2.3 网络参数的设置
• 4.3 交通信号控制策略
• 4.3.1 控制过程描述
• 4.3.2 回报函数的选取
• 4.3.3 行为选择策略
• 第五章 实验结果及分析
• 5.1 实验环境及参数设置
• 5.2 实验结果
• 5.3 结果分析
• 第六章 总结与展望
• 6.1 论文总结
• 6.2 下一步工作展望
• 参考文献
• 摘要
• Abstract
• 致谢
• 导师及作者简介
• 硕士期间发表和投稿的论文