考虑边界交叉口交通拥堵的反馈阀门控制

基于路网宏观基本图(macroscopic fundamental diagram, MFD)实施城市区域交通控制时,为了防止边界交叉口受阻方向的车辆排队长度过长,同时提高路网内车辆完成率,提出了考虑受控区域边界交叉口交通拥堵状况的交通流反馈阀门控制方法,通过对边界控制阀门处路段存放车辆富余空间的分析,提出了阀门交叉口位置和数量选择模型;针对可能造成的阀门交叉口交通拥堵,提出了受控区域边界拥堵交通流分配算法,也即通过提前调节阀门上游交叉口的绿灯时间,把部分交通流提前控制在其它相邻上游交叉口.通过实际路网仿真,结果表明该方法可以有效控制阀门交叉口的车辆排队长度,降低阀门交叉口车辆平均延误时间和平均停车次数.     

交通强度优先的交叉口模糊控制研究

为了降低交叉口车辆延误,提高通行能力,研究了一个四相位交叉口交通信号的模糊控制方法。用交通强度刻画各相位交通流通行需求的紧急程度,根据各相位的交通强度由模糊推理得到当前相位的绿灯延长时间,并选取后续绿灯相位。以交叉口车辆平均延误作为交叉口信号控制的性能评价指标,在相同交通条件下对几种控制方式进行了仿真试验。结果表明,该文的控制方法相对于感应控制方法和直接采用车辆排队长度作为输入的模糊控制方法,更能有效减小交叉口的车辆平均延误。     

交叉口BRT实时优先通行控制方法研究

针对交叉口大运量快速公交(BRT)优先通行控制问题,基于智能控制理论提出一种交叉口BRT实时优先通行控制方法.以BRT车辆的延误时间、载客量和非BRT相位社会车辆的排队长度作为神经网络模糊控制器的输入变量,输出BRT通过交叉口的优先等级,以此得到其优先服务方案,有条件地给予BRT车辆的优先通行权.仿真结果表明,与定时控制相比,所提出的方法在交叉口非饱和交通流下,能有效减少BRT车辆通过交叉口的延误时间和停车率,且交叉口的正常交通秩序不受影响.     

基于模糊控制的智能交通系统

针对平面交叉口的智能交通信号控制,提出了多相位路口实时的模糊控制方案。根据各相位的车辆排队长度实际交通量,设计信号灯配时方案,减少车辆在路口的排队长度。对上述控制方案进行仿真实验,仿真实验结果表明,该控制方案能很好的改善实际交通状况,控制效果优于定时控制的方法,从而有效的提高平面交通路口的通行能力。     

一种数据丢包情况下的交叉口排队长度均衡控制方法

针对交通数据在传输过程中随机丢包造成交通拥堵的问题,提出一种新的交叉口排队长度均衡控制方法。考虑到交叉口交通控制的重复特性和强非线性,将无模型自适应迭代学习控制方案应用于交叉口排队长度控制中,通过实时调整各交叉口的信号配时方案来调节路口车辆的排队长度,实现各交叉口排队长度的均衡。针对道路交通网络控制中排队长度差值数据在传输过程中存在的丢包现象,将数据丢失现象描述为概率已知的伯努利序列,提出数据丢失情况下的补偿算法,即利用上次迭代的输出数据、伪梯度的估计值和控制输入差值对丢失数据进行补偿,解决存在数据丢包情况下多交叉口排队长度均衡控制问题。仿真结果表明,该方法在数据丢包的情况下迭代100次左右能够收敛于期望值并达到期望控制效果,验证了补偿算法的有效性。     

基于混合Petri网的交叉口交通信号控制研究

为优化交叉口绿灯时间,根据交叉口交通流的动态属性和交通信号的离散属性,建立了城市交通网络中单交叉口信号控制的混合Petri网模型.用连续Petri网描述交叉口容量和交通流变化,用离散时延Petri网控制交叉口各个相位的交通信号,每个相位都有控制绿灯延长时间的Petri网模型.在执行了最短绿灯时间后,根据当前等待通过的车辆数,通过禁止弧对绿灯延长时间加以控制,以确定最佳绿灯时间.最后对该模型进行计算机仿真,仿真结果表明该方案对单一交叉口实现了更有效的控制.     

基于车流量的智能交通信号优化控制研究

道路交叉口是城市交通网络的关键组成部分,其通行效率直接决定了城市交通网络的通行能力。为了提高城市交通路网的通行能力,缓解交通拥堵,根据相邻交叉路口车流量具有相关性的特点,提出一种基于车流量的智能交通信号控制方法。建立基于门限服务策略的交通灯轮询控制模型,利用马尔科夫链和概率母函数分析了交叉口车辆平均排队长度和信号灯配时方案,并根据实际交通情况进行仿真实验。结果表明,基于车流量的智能交通信号控制比传统的固定配时控制更加合理,能有效地降低车辆通过交叉口时的平均延误时长和排队长度,提高通行效率。     

单交叉口交通灯信号模糊控制及其仿真

本文采用模糊控制算法对四相位三车道单交叉口的交通灯进行控制。首先通过离线计算机得到绿灯延时的模糊控制查询表,根据当前等待队列长与通行队列长查表和到绿灯延时。通过使用同一随机种子产生随机数对该方法与传统定时控制方法进行仿真,仿真结果表明模糊控制方法在车辆延误时间上较之传统定时控制方法大为改善。     

无信号交叉口车辆调度方法研究

随着车辆数量的快速增加,交通拥堵问题变得日益严重.如何引导车辆安全高效地通过交叉路口已经受到了学界的广泛关注.已有的控制方法主要是在线优化信号灯的相位配比.然而相位之间的频繁切换会导致信号周期中黄灯时间占比的增加,进而降低交叉口的车辆放行能力.本文提出了一种基于车路协同的无信号交叉口资源调度模型,该模型将交叉口划分为互不相交的物理空间路权资源,并描述了各个路权资源之间的相互协同关系,进而将无信号交叉口交通控制问题转换为有限资源调度问题.在此基础上,构建最大化交叉口通行效率的目标函数,并求解车辆的最优通行序列.实验结果表明:较传统有信号交叉口控制方法,无信号控制方法有效减少了车辆的排队长度,提高了交叉口的车辆吞吐能力.     

基于多参数规划的单交叉口排队长度均衡控制

交叉口信号控制是城市交通管理的重要手段,解决城市拥堵问题需考虑交叉口的信号优化控制策略.鉴于此,针对四相位定周期单交叉口,采用存储转发方法建模,以排队长度均衡为性能指标,基于多参数规划方法离线地给出交叉口信号的优化配时策略.该策略根据交叉口车辆到达率,实时地调整各相位绿灯时间,以实现整个信号周期内绿灯时间的充分利用.通过PARAMICS平台进行的仿真实验表明了所提出控制策略的有效性.     

单交叉口的多相位模糊控制

基于人对多相位单交叉口交通指挥的决策过程,设计了一种新的模糊感应控制 器,把队长作为控制目标,综合考虑相邻相位车道上的车队长度,以此来决定绿时分配.仿真及 实际应用结果表明：新的模糊控制方法更接近人的决策过程,能更有效地进行单路口多相位 闭环控制.     

基于劲松东口的信号灯模糊控制策略

随着城市化进程的加快,车辆的激增,城市道路交叉口变得越来越拥挤,已成为道路交通的瓶颈.用模糊控制方法对单路口交通信号进行控制,综合考虑当前相、后继相的车辆排队长度,以此决定绿灯时间分配.该控制策略通过模拟交通指挥者实际进行交通控制的特点,使控制系统能够实时根据各相位车辆的多少进行信号的智能控制.将此方案应用于劲松东口交叉口作为研究背景,仿真结果表明,采用模糊控制方法结果令人满意,效果优于现行的定时控制.该模糊控制方案能更有效地处理随机性较大、不确定性较强的交通流.     

城市单交叉路口信号灯的六相位模糊控制

讨论城市单交叉路口交通信号灯的实时控制,考虑到行人和非机动车,对其进行六相位模糊控制,提出以当前相位绿灯已通行时间、当前相位的队长以及它与后继相位的队长之差三者决定当前相位绿灯延时的方法,给出算法和该三维控制器设计,指出选择控制规则的原则,应用此方法进行仿真研究,结果令人满意。     

基于模糊控制规则的队列接入控制方法

一些经典网络队列控制算法无法确保高优先级用户应用的服务质量,针对该问题提出基于模糊控制规则的队列控制方法。采用非精确趋势控制方法,在OPNET仿真环境下分别测试使用模糊控制的队列模型和未使用模糊控制的队列模型,结果证明该方法能增加高优先级分组的服务吞吐量。     

基于TdPN的中小流量交叉口信号控制研究

针对城市中小流量交叉口交通拥堵问题,提出了一种基于时延Petri网(Timed Petri Net, TdPN)的可变相序信号控制模型。利用TdPN建立交叉口车流模型和信号控制模型,结合马尔可夫链,建立交通流的动态生成模型。通过将通行权赋予当前等待车辆数最大的相位来实现相位的随机选择。以平均延迟时间最小为优化目标,通过遗传算法求解最优相位配时。在信号周期固定的情况下,分析基于TdPN的四相位可变相序控制模型在不平衡交通流下对交叉口平均排队长度的影响,并将此模型与四相位固定相序控制模型进行对比。研究结果表明,该方案在单位时间内有效地减少了交叉口的平均排队长度。     

基于模糊神经网络的道路交叉口交通控制方法

提出了一种基于模糊神经网络的道路交叉口交通控制方法，分别把关键车流信息和非关键车流信息作为控制输入，采用两级控制器结构，综合形成控制策略。仿真结果表明，与传统的定时控制方法和只考虑关键车流的情形相比，所提出的两级神经网络控制方法在车辆平均延误时间和排队长度方面都有较大改进。     

Soft computing in big data intelligent transportation systems

The academic and industry have entered big data era in many computer software and embedded system related fields. Intelligent transportation system problem is one of the important areas in the real big data application scenarios. However, it is posing significant challenge to manage the traffic lights efficiently due to the accumulated dynamic car flow data scale. In this paper, we present NeverStop, which utilizes genetic algorithms and fuzzy control methods in big data intelligent transportation systems. NeverStop is constructed with sensors to control the traffic lights at intersection automatically. It utilizes fuzzy control method and genetic algorithm to adjust the waiting time for the traffic lights, consequently the average waiting time can be significantly reduced. A prototype system has been implemented at an EBox-II terminal device, running the fuzzy control and genetic algorithms. Experimental results on the prototype system demonstrate NeverStop can efficiently facilitate researchers to reduce the average waiting time for vehicles.     

Evaluation of automated guided vehicle systems by simulation

An experimental study was conducted in this research to evaluate the design of Automated Guided Vehicle (AGV) systems using discrete event simulation. Given the layout of work stations and several types of jobs to be processed in the system, the constituent elements of the AGV system, including the number of AGVs, the speed of the vehicles, the number of machines at each station, the number of load and unload stations, rules for selection of AGV, routing criteria, and track intersection priorities, were defined in a SIMAN model. Pilot runs were performed first to determine the values of the system parameters which may affect the performance of the AGV systems. A factorial design was then used to generate simulation experiments. Finally, a number of simulation runs were executed under different experimental conditions to obtain preliminary statistics on the following performance measures: utilization of AGVs, average number of jobs waiting in the queue for an AGV, average system throughput time, average waiting time in intersections and total waiting time in queues.