论文部分内容阅读
随着我国经济的发展,机动车保有量不断增长,城市交通拥堵日益严峻,不仅造成了道路通行能力下降和交通事故频发,也导致了环境污染和能源浪费等问题。世界各大城市都被交通拥堵问题所困扰,并努力通过实施先进的交通管控措施来缓解交通拥堵问题。随着人工智能方法、自动控制理论和计算机技术的迅速发展,新的理论和研究成果不断出现,使得智能交通控制具备了进一步发展的潜力。现有的大多数交通优化控制方法都基于精确的数学模型,而城市交通系统作为一个不确定的复杂系统,模型参数难以精确标定,因此现有方法在实际应用过程中变得十分困难。针对这种不足,本文根据城市交通系统蕴含的海量数据和交通流重复性特征,提出了一种基于宏观基本图(Macroscopic Fundamental Diagram,MFD)和迭代学习控制(Iterative Learning Control,ILC)的城市路网分层交通信号控制方法,仿真结果表明,这些算法能达到较好的控制效果,比传统的交通控制方法能更有效地解决城市交通拥堵问题。论文的主要工作如下:1.提出了一种基于MFD的子区优化控制目标确定方法。通过归一化分割(Normalized Cuts,NC)算法对大规模城市路网进行划分,得到多个“同质”(homogeneity)的控制子区。针对划定后的子区给出一种子区MFD存在性验证和拟合方法,基于得到的MFD曲线计算路网的最佳占有率,据此提出子区占有率均衡的控制目标,并作为下层ILC控制的理想参考轨迹。2.提出了一种基于ILC的子区交通信号控制方法。建立了控制子区存储转发交通流模型,采用开闭环ILC的控制方法,对子区内各交叉口交通信号进行优化控制,从而得到最佳的信号配时方案,使子区内的占有率趋向理想参考轨迹,并用严格的数学推导证明了ILC交通控制算法的收敛性。3.采用Matlab和Vissim仿真软件进行仿真实验,与Webster固定配时方案进行对比分析,结果表明本文提出的分层控制策略可以使路网车辆更加均衡、交通资源的分配更为合理,增大路网的通行量,从而使得交通拥堵得到缓解。最后,对本文的研究内容进行了分析与总结,并对后续进一步研究作了展望。