城市路网和快速公路交通流的分散协调控制

利用模糊理论对城市路网和快速公路交通进行实时分散协调控制。把路网和快速公路作为一个大系统,子系统为路网中的各个交叉口,每个子系统有一个控制器,该控制器根据它自己和相邻子系统的交通流信息来动态管理绿灯相位及绿灯时间。控制器有三个模块组成：相序选择模块,绿灯判断模块和相位切换模块。控制器的控制目标是保持快速公路主线密度均衡和路网内各车辆平均延误时间最短。仿真研究表明该方法控制效果较好。     

基于城市区域路网的分散协调控制研究

根据城域多路口交通系统的特点,摒弃统一信号周期的方法,以各单路口为基点,采用分散协调控制策略,综合考虑各相邻路口及两路口间的交通流,实时控制各路口交通信号,并智能的加以协调,使区域内道路的交通通行能力得到提高,降低车辆的延误时间。为提高系统的控制精度和鲁棒性,采用神经网络技术实现模糊控制。仿真结果表明,该方法控制效果良好。     

基于失量图的城市路网快速建模

为了从数字地图中快速提取出适合GIs应用的路网数据，需要有一种高效的存储与管理路网地理实体属性数据的方法。该文讨论了在AutoCAD中存储与管理属性数据的各种方法，选取自定义实体方法来建立路网数据模型，并利用OPM技术实现对地理实体属性数据的直观显示和编辑，同时提出了一种自动建立网络拓扑关系的算法。     

交通事件下快速路网匝道控制与路线诱导的集成控制

本文建立了交通事件影响下匝道控制与路线诱导相结合的完全集成控制模型,即建立了一个以节点分流比例与匝道调节率为控制变量的非线性最优控制模型,模型中考虑了突发交通事件后快速路的交通特点,基于粒子群算法设计了模型的求解算法.以一个简单的小型路网为例,讨论了突发事件后采用不同控制策略对系统的全局影响,仿真表明,匝道控制与路线诱导相结合的集成控制有效地降低了事件的影响.     

基于全局时空特性的城市路网交通速度预测模型

城市路网交通速度预测是智能交通系统中的重要组成部分,其可为出行者提供实时的交通信息,对提升道路通行能力具有重要意义。现有基于图卷积网络的预测模型一定程度上加强了对一阶相邻路段间空间关联程度的挖掘,但在非一阶相邻路段关联度大于一阶相邻路段关联度的情况下,如果仍输入原始的邻接矩阵,会遗失一些相对重要的路段空间信息,无法得到较好的预测结果。为准确挖掘城市路网中的时空特性,提出一种基于全局图卷积和门控循环单元的城市路网交通速度预测模型G-GCGRU。考虑全局路网下非一阶相邻路段间的空间影响程度,利用相关性分析方法计算得到路段间的关联度矩阵,并作为新的卷积方式进一步加深对空间特征的挖掘,在此基础上,采用门控循环单元方法提取路网时间特征。使用深圳市罗湖区城市路网车速数据进行实验,结果表明,该模型预测性能优于图卷积网络（GCN）、门控循环单元（GRU）和GCN-GRU混合模型,以均方根误差为评价指标,预测精度分别提高25.3%、4.7%和2.1%。     

基于专家协调控制的智能伺服攻丝系统设计方案研究

本文根据对人工攻丝过程"不进则退、以退为进"的策略分析,构建了模糊神经网络控制模型,在模拟人工攻丝基本策略的基础上,进一步提出了基于专家协调控制,能够模拟人的高级智能行为的攻丝系统结构,进行了系统协调方案、工作原理、协调规则和控制状态的讨论,为智能伺服攻丝控制系统的设计提供了理论研究和方案的可行性验证.     

面向低饱和交通状态城市区域协调控制方法

为了降低车辆在饱和度较低的交通状态下的停车率,提出了一种面向低饱和状态的城市区域协调的控制方法。以路口检测流量为输入,通过对信号周期,相位差及绿性比建立优化模型,输出子区内各个路口信号控制方案。最后以杭州市萧山区的某子区为例,通过TransModel仿真与未优化前固定配时方案对比,验证其可行性。结果表明,该方法能够减少路口等待时间及平均停车时间。     

基于多agent和分层递阶结构的城市快速路网多模控制*

提出了基于多agent和分层递阶智能结构的城市快速路网多模控制策略。执行级agent采用单点积分反馈控制策略,协调级agent采用多匝道协调控制策略,组织级agent采用路线诱导与匝道控制相集成的控制策略。仿真表明,多模控制能灵活有效地适应路网中各种状况的实时变化,控制效果良好。     

双馈风机自适应神经分散协调预测控制

目前,双馈感应发电机转子侧励磁控制系统均依据"孤立"模型设计."孤立"模型忽略了各子系统之间、各控制器之间的相互作用,因此这种控制器仅对改善本系统的控制特性有一定作用.针对以上情况,提出了一种自适应神经分散协调控制策略,并将其应用于双馈感应发电机转子侧励磁控制系统仿真研究中.首先,利用电力关联测量法建立了基于本地变量的双馈风机关联测量模型.其次,以关联测量模型作为预测模型,采用多模型预测控制器对双馈风机转子侧励磁系统进行控制.最后,利用可在线调整的人工神经网络作为多模型加权控制器以补偿双馈风机强非线性、工作区间变化范围大的特点.主导特征值分析和动态仿真表明:该控制策略不仅实现了高精度的最大功率跟踪控制,而且在电力系统故障时可提供持续的、充足的阻尼.     

城市快速路网匝道与污染控制双层多目标规划模型

基于环境容量和交通容量,建立了一个双层多目标规划模型描述城市快速道路网的污染控制与匝道控制,并考虑了用户的路径选择行为．设计了基于改进遗传算法的启发式求解算法。该算法借助不可微精确罚函数将约束问题转化为单个无约束问题来解决,采用混合杂交和间歇变异提高算法的搜索能力．最后。通过算例说明该模型及算法的有效性．     

基于模糊神经网络的交通干线分层递阶控制

针对城市交通干线协调控制的要求,提出了利用模糊神经网络分层递阶控制的方法。采用两层结构,第一层为控制层。针对单个路口,对下一时间段内路口各个方向的车流量进行预测。并在此基础上计算出下一时间段内各个路口的周期、相序、各个方向上的绿信比;第二层是协调层,综合主干方向的车流状况及各个路口的情况,采用模糊神经网络对各个路口的周期、相位及主干方向的绿信比进行调整。仿真结果表明,该方法优于定时控制,达到了减少车辆的停车次数和延误时间的目的。     

自适应翼肋的建模与分布式协调控制

针对分布式驱动的自适应翼肋进行建模与分布式协调控制研究。基于分析力学的方法建立了自适应翼肋的动力学模型。以这个非线性关联动力学模型为基础,采用Takagi—Sugeno（T—S）模糊逼近理论,建立了自适应翼肋的仿射型T—S模糊关联模型。对仿射型T—S模糊关联模型的物理耦合项进行变换,将系统模型写成空间关联系统的形式,以解耦控制器设计条件。基于并行分配补偿理论,针对系统模型具有耦合项和非零常数项的特点,设计了满足鲁棒性能指标的包含耦合项和偏置项的分布式协调控制器。控制器设计条件具有线性矩阵不等式的形式,并且只包含单个驱动单元的参数,计算量较小。仿真结果表明所设计的自适应翼肋分布式协调控制器,能够在外界扰动作用下使翼肋的形状收敛到期望翼型;翼肋在变形过程中能保持光滑连续的外形。     

基于神经网络的城市公路隧道交通智能监控

在对城市公路隧道宏观动态交通流解析模型进行分析的基础上,利用神经网络建立了城市公路隧道的宏观交通流的智能模型,并利用该神经网络模型实现了对武昌阅马场隧道交通系统的智能监控.     

基于信号控制的城市路网旅行时间计算模型

交通控制信号对交通流的影响是干扰实时交通数据计算准确性的重要因素。为此,提出一种基于信号控制的城市路网旅行时间计算模型。将城市道路的旅行时间分为2个部分,即路链有效旅行时间和路口延误时间,设计改进的信号控制延误模型用于计算路口延误时长,并给出路链合并算法。实验结果表明,该模型起点到终点的旅行时间误差率能降低5%~15%。     

Autonomous Vehicle Platoons In Urban Road Networks: A Joint Distributed Reinforcement Learning and Model Predictive Control Approach

In this paper, platoons of autonomous vehicles operating in urban road networks are considered. From a methodological point of view, the problem of interest consists of formally characterizing vehicle state trajectory tubes by means of routing decisions complying with traffic congestion criteria. To this end, a novel distributed control architecture is conceived by taking advantage of two methodologies: deep reinforcement learning and model predictive control. On one hand, the routing decisions are obtained by using a distributed reinforcement learning algorithm that exploits available traffic data at each road junction. On the other hand, a bank of model predictive controllers is in charge of computing the more adequate control action for each involved vehicle. Such tasks are here combined into a single framework: the deep reinforcement learning output (action) is translated into a set-point to be tracked by the model predictive controller; conversely, the current vehicle position, resulting from the application of the control move, is exploited by the deep reinforcement learning unit for improving its reliability. The main novelty of the proposed solution lies in its hybrid nature: on one hand it fully exploits deep reinforcement learning capabilities for decision-making purposes; on the other hand, time-varying hard constraints are always satisfied during the dynamical platoon evolution imposed by the computed routing decisions. To efficiently evaluate the performance of the proposed control architecture, a co-design procedure, involving the SUMO and MATLAB platforms, is implemented so that complex operating environments can be used, and the information coming from road maps (links, junctions, obstacles, semaphores, etc.) and vehicle state trajectories can be shared and exchanged. Finally by considering as operating scenario a real entire city block and a platoon of eleven vehicles described by double-integrator models, several simulations have been performed with the aim to put in light the main features of the proposed approach. Moreover, it is important to underline that in different operating scenarios the proposed reinforcement learning scheme is capable of significantly reducing traffic congestion phenomena when compared with well-reputed competitors.

     

交通网络车流量的分布式协同优化方法研究

针对城市交通网络主干道车流量密度非连续特性,分析了交通网络车流量分段仿射模型.从最小化车流量延迟角度,给出了优化目标函数并进行凸分析.在此基础上,将城市交通网络系统描述为非完整性约束条件的非线性动态系统,利用反步法通过控制变量代换和状态转换将该系统转化为时变可控协同标准型的一般形式,并设计城市交通网络系统的分布式协同控制律.然后在城市主干道交通网络模型中,分别对协同分布式优化方法、定时控制、感应控制三种交通控制算法进行对比仿真分析,从仿真结果可以看出,本文所提出的协同分布式优化方法具有较好的性能,有效的降低了交通网络中车辆平均等待时间.     

城市道路分层动态协调控制技术

为了缓解城市道路车流拥堵问题，提出了一种城市道路分层动态协调控制技术。首先将城市道路按纵向分为三层：匝道层、普通道路层和快速路主线层；然后采用BP神经网络预测下游动态临界车辆占有率，根据匝道相对排队长度和下游动态临界车辆占有率，匝道层设计了一种用于匝道子区划分的函数，将匝道层横向分为主匝道子区和从匝道子区；其次根据相邻路口关联度将普通道路层划分为不同控制子区，利用动态交通流数据修正周期公式，考虑十字交叉口驶向匝道车流量对绿信比进行调整；快速路主线层无十字交叉口不做横向分层。最后根据该分层方法确定动态协调控制算法。仿真结果表明：该分层动态协调控制方法能够有效提高城市道路协调控制范围和车辆行车速度。     

网络信息模式下分布式系统协调预测控制

工业系统中广泛存在一类由多个相互关联的子系统组成的大系统. 尽管分布式控制结构的性能没有集中式控制好,但由于其具有较高的灵活性和容错性,相对于集中控制更加适合控制上述系统.在保持容错性的情况下如何提高系统的整体性能是分布式控制的一个难点问题.本文提出了一种分布式预测控制(Distributed model predictive control, DMPC)方法,该方法通过在各子系统预测控制器的性能指标中加入输入变量对其下游子系统的影响的二次函数,来扩大分布式预测控制的协调度,进而在不增加网络连通度,不改变系统容错性的前提下,提高系统的性能.另外,本文给出了基于该协调策略的带输入约束的分布式预测控制器的设计方法,在初始可行的前提下,该方法相继可行并可保证系统渐近稳定.     

基于Internet的分布式城市交通协同控制

研究了基于Internet的分布式城市交通协同控制系统模型,分析和规划了模型的组成结构;设计了以S3C44B0X为核心的嵌入式道路控制器,并通过外扩存储、通信、语音等模块,实现控制器的嵌入式模块化设计和软、硬件系统;最后分别在Linux和Windows系统平台下编写网络套接字,实现跨系统网络通信,对整个系统进行了集成和实现。试验结果表明修正的优化控制算法可将平均延误时间优化至10-3s,而且该控制器的软硬件系统运行稳定,性价比高、功能完善、可扩展性和通用性好。