论文部分内容阅读
在城市的发展过程中,城市关联交叉口广泛存在于城市路网中并且占据着交通区域的核心位置,但对于关联交叉路口不合理的信号灯控制却是造成道路交通拥堵以及通行效率不高的重要原因。路网中交通流时间序列具备的混沌特性使得对其进行预测和控制都变得较为困难。传统短时交通流时间序列预测方法存在模型的鲁棒性不好、预测精度不够高等问题;信号控制优化配时中,传统固定配时控制方法因为忽视了交通流相关性而不能完全反映交通流的复杂变化情况。因此对城市关联交叉口交通流量的预测控制方法进行研究具有理论价值和实践意义。本论文从对短时交通流时间序列进行更准确、鲁棒性更强的预测计算以及对信号配时参数性能函数优化方面来开展工作,主要贡献:(1)提出了关联交叉口交通流预测控制系统框架。该框架由交通流时间序列混沌特性判别模块、数据预处理模块、EMD-GRU方法设计模块、信号控制配时参数优化设计模块四个模块组成。交通流时间序列混沌特性判别模块旨在判定交通流是否具备混沌特性为选取合适预测方法提供理论基础;数据预处理模块目的是一定程度上提高数据可用性,利于预测方法计算,并提高其准确度。EMD-GRU方法设计模块是为有效提高对短时交通流时间序列数据集的预测准确性和鲁棒性;信号控制配时参数优化设计模块是为了实现关联交叉口交通信号灯优化配时方案,以此减少交通拥堵、提高道路交通运行效率。(2)采用EMD-GRU组合模型对短时交通流进行预测。首先将短时交通流时间序列进行EMD分解得到交通流时间序列的高频、低频各种分量,然后对各分量分别建立门控制单元循环神经网络预测模型,将其中分量的个数作为GRU隐含层层数。采用广东省中山市交通局采集假日广场邻近路口兴中道路段的交通监控视频数据,分别与SVM、BP、RBF等常用预测方法进行了对比实验,EMD-GRU组合模型在交通流数据间隔为1min、5min、15min、30min等四类对比实验中预测精度均超过了93%且有最低平均绝对误差(MAE)值,更甚在使用EMD-GRU方法的四类交通流预测结果,分别有超过95%、88%、91%、90%以上车辆预测精度在85%。(3)应用遗传算法对关联交叉口信号控制配时参数优化求解。首先针对关联交叉口构建一个以车辆平均延误时间最小优化配时性能函数,再选定预测未来一个周期内各交叉口各相位进口流量将预测流量值赋给函数,最后应用遗传算法优化求解得到一个周期内车辆的平均延误时间以及最佳配时策略。实证得将应用遗传算法优化的车辆平均延误时间为13.16s,而应用固定配时方法为26.41s。很明显遗传算法延误优化比固定配时延误减少了一半时间。尤其在各交叉口第一、二相位上即干线上的延误时间大量缩短,能极大地减少交通拥堵,对保障干线交通顺畅起到更大的作用。同时,应用遗传算法对关联交叉口交通信号进行优化获得良好效果,能显著减少车辆延误时间。