交通控制子区动态划分和信号协调优化控制

论文摘要

随着经济发展,交通拥堵问题日益严重。目前,最有效且可行的解决办法是从交通管理入手,使现有的道路网络发挥出最大效用。交通控制子区动态划分和信号协调优化控制的研究有助于提升交通管理水平。本论文研究了交通控制子区的动态划分方法和交通信号协调优化控制方法。其中交通控制子区动态划分的研究主要是在前人研究工作的基础上,提出了基于人工神经网络的交通控制子区动态划分。人工神经网络具有自学习、分布式存储、并行处理等优点,适应于分类、模式识别、自动控制、预测等领域,本论文利用人工神经网络预测输出相邻交叉口之间的协调系数,进而划分子区。交通控制子区的划分原则采用周期原则、流量原则和距离原则,将BP神经网络和模糊神经网络应用于交通控制子区的动态划分,给出了具体的BP神经网络和模糊神经网络的结构设计,用MATLAB进行了仿真实验,实验结果证实了这两种方法的可行性,模糊神经网络划分方法比BP神经网络划分方法收敛速度更快、误差更小,基于人工神经网络方法的交通控制子区划分不需要建立复杂的交通系统模型,可以更好地适应交通系统实时性的特征。本论文在交通控制子区动态划分的基础上研究了交通信号协调优化控制。利用多智能体技术和Dyna-Q强化学习算法实现子区之间的信号协调控制,并在交通仿真软件synchro6.0上进行了仿真实验,对实施单点控制、只进行子区划分的协调控制、子区间的协调控制进行了比较,实验结果表明实行子区间信号协调控制可以有效地减少系统延误时间,实现了交通信号协调控制和子区动态划分的有效结合。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究背景和意义
• 1.2 国内外研究概况
• 1.2.1 交通控制子区动态划分的研究
• 1.2.2 交通信号协调优化控制的研究
• 1.3 主要研究内容及结构安排
• 第二章 交通控制子区动态划分方法研究
• 2.1 概述
• 2.1.1 交通控制子区的划分
• 2.1.2 交通控制子区的动态划分的目的和意义
• 2.2 交通控制子区划分原则
• 2.2.1 周期原则
• 2.2.2 距离原则
• 2.2.3 流量原则
• 2.3 智能交通控制子区动态划分方法回顾
• 2.3.1 模糊系统设计
• 2.3.2 仿真结果
• 2.4 本章小结
• 第三章 基于人工神经网络的交通控制子区动态划分
• 3.1 人工神经网络介绍
• 3.1.1 生物神经网络
• 3.1.2 人工神经网络
• 3.1.3 人工神经网络的发展历史
• 3.1.4 神经网络的分类
• 3.2 BP 神经网络
• 3.2.1 BP 网络的结构
• 3.2.2 BP 学习算法
• 3.3 模糊神经网络
• 3.3.1 模糊神经网络的结构
• 3.3.2 模糊神经网络学习算法
• 3.4 基于 BP 神经网络的交通控制子区动态划分
• 3.4.1 输入输出向量设计
• 3.4.2 网络结构的确定
• 3.4.3 仿真结果
• 3.5 基于模糊神经网络的交通控制子区动态划分
• 3.5.1 模糊神经网络设计
• 3.5.2 网络的学习
• 3.5.3 仿真结果
• 3.6 本章小结
• 第四章 交通信号协调优化控制方法研究
• 4.1 概述
• 4.1.1 交通信号控制分类
• 4.1.2 交通信号协调优化控制算法
• 4.2 智能体技术
• 4.2.1 智能体简介
• 4.2.2 多智能体系统
• 4.3 MULTI-AGENT智能交通信号协调优化控制的研究概况
• 4.4 本章小结
• 第五章 适应子区动态划分的交通信号协调优化控制方法研究
• 5.1 强化学习
• 5.1.1 强化学习
• 5.1.2 强化学习的主要算法
• 5.2 基于 DYNA-Q 学习的交通控制子区间的信号协调控制算法
• 5.2.1 交通控制子区间的信号协调控制
• 5.2.2 基于 Dyna-Q 学习的交通控制子区间的信号协调控制算法设计
• 5.3 仿真结果
• 5.4 本章小结
• 第六章 总结
• 6.1 主要研究成果及创新点
• 6.2 未来主要工作展望
• 参考文献
• 发表论文和参加科研情况说明
• 致谢