基于BP神经网络的入口匝道控制算法

针对现有的入口匝道控制方案不能有效缓解高速公路交通拥挤及堵塞问题,提出了一种使用BP神经网络的非线性方法设计感应匝道控制的算法。首先建立了高速公路交通流动态模型,在此基础上,结合BP神经网络设计了非线性反馈匝道控制算法。在MATLAB环境下,比较了无控制、ALINEA控制和BP神经网络控制3种不同控制方法的有效性。结果表明,BP神经网络方法在抑制交通流密度波动方面优于ALINEA控制,且能使高速公路主线交通流密度保持在期望值附近。此外,该算法具有自学习功能,可以在线调节神经网络的连接权值以适应不同的交通流模式。     

混合遗传算法求解配送车辆调度问题

车辆调度优化是物流配送的关键环节。针对有时间窗的车辆调度问题,综合考虑了路网中的交通状况,提出改进的车辆调度模型。并针对这个模型,设计了混合遗传算法,采用自适应策略调整交叉和变异概率,引进有效的交叉和变异算子,并结合模拟退火算法缓解遗传算法的选择压力,避免早熟收敛。仿真结果表明该算法与标准遗传算法相比有更好的性能。     

城市复杂道路网络交通流的分解模型

针对城市道路交通流非线性、不确定性和模糊性特点,将城市道路与快速干道作为整体对待,提出了面向控制应用的城市交通网络宏观动态离散模型。将城市街区作为划分基点,把整个城市道路复杂交通网络分解为交叉口和单向环形道路两个子系统,分别建立了它们的宏观动态模型。通过对交叉口进行理想虚拟变形,将各个单向环形道路连接在一起,从而形成各种复杂网络。对西安市中心区域的实际交通流数据进行了仿真研究,结果表明该交通流模型基本实现了城市道路与快速干道的统一分析建模,较好地反映了城市路网的交通流信息,可以作为城市交通控制系统分析和设计的有力工具。     

基于CMAC强化学习的交叉口信号控制

采用神经网络值函数逼近的强化学习方法处理交叉口的信号控制。根据交通流及交叉口信号特征,建立强化学习的状态空间、动作空间和回报空间,以最小化车辆在交叉口的延误为控制目标,对信号进行优化控制。引入小脑模型关节控制器神经网络对强化学习(RL)的Q值进行逼近。在变化的交通条件下,使用典型交叉口对提出的RL模型进行验证,同传统的定时控制和全感应控制进行对比分析。仿真结果表明,RL控制器具有较强的学习能力,可以适应交通流的动态变化,稳定性好、自适应性强,对于环境变化具有较强的适应能力。     

信号控制下的动态路段行程时间模型

通过对车辆在路段上所处的状态不同,将路段行程时间划分成多个组成部分,并分别研究各部分的计算模型,提出一种新的动态路段行程时间模型。这种新的模型计算简单,能够适用于实际交通网络中对动态路段行程时间进行预测计算。通过算例的分析表明,在信号灯的控制下,车辆的动态行程时间是一个间断函数,其不仅仅与路段流量有关,还与该车辆进入路段的时刻以及控制信号设置有很大关系。      

高速公路动态交通流的BP神经网络建模

通过对高速公路宏观动态交通流模型的分析,针对高速公路交通系统的非线性时变特点,应用BP神经网络建立了高速公路宏观动态交通流模型。并利用一段高速公路的交通流数据对BP神经网络进行训练,得到网络参数。最后,为了验证BP网络模型的有效性,在MATLAB环境中对模型进行了仿真,并将仿真结果与原始模型的结果进行了比较。结果表明,该方法能较准确地描述高速公路交通流的真实行为,并且能够适应交通状况的变化。     

系统灰理论在交通量预测中的应用

系统灰预测是灰色理论的一个重要部分.使用GM(1,N)在某些适合的系统中对其中一个或几个变量进行预测,所得结果的精度和可以外推的预测范围都明显优于普通的GM(1,1)模型.在交通运输系统中,交通量、行程时间和交通密度是交通系统中的三种行为变量.本文对交通系统建立灰色系统模型,使用GM(1,N)和GM(1,1)嵌套解法求解,对其中交通量进行预测,预测结果较好.     

一种基于模糊逻辑的入口匝道自适应控制器

高速公路的交通流存在很大的不确定性,模糊逻辑是解决其控制问题的有效方法。对传统的ALINEA模型进行了扩展,提出一种新的自适应模糊匝道控制器。当高速公路路段的临界密度不能被预先正确估计或者因交通环境的实时变化而难以估计时,提出的自适应模糊控制器将显示出其优越性。在仿真试验中,根据交通流的各种性能指标,将新的自适应控制器同传统的ALINEA方法做了详细的对比。