论文部分内容阅读
交通诱导系统(TFGS Traffic Flow Guidance System)是智能交通系统(ITS Intelligent Transportation Systems)中的重要内容之一。交通诱导系统是在动态交通分配理论模型和软件研究的基础上,将空间定位技术(DGPS)、通信技术、自动控制技术、计算机技术等结合起来,为出行者提供前方道路的实时通行情况和可供选择通行的最优路径,从而诱导驾驶员行为,避开交通阻塞的路段,尽快从出发点到达目的地,减少车辆在道路上的停留时间。进而达到改善单个或多个路段交通拥挤和阻塞的状况,同时还能降低车辆的尾气排放量,达到降低环境污染的目的。最优路径选择算法是交通诱导系统动态交通分配理论体系中的一个重要内容。它是根据交通控制系统提供的路网结构、路段权值和出行的OD对值,在路网中找出从出发点到目的地的最优路径,其要求是能够尽可能快速和准确地实现诱导路径的计算功能,满足动态交通流诱导的全局寻优和实时性等方面的要求。目前对交通诱导系统最优路径算法的研究较多,主要采用的有图论中的Dijkstra算法、人工智能中的遗传算法和神经网络算法(如BP神经网络)等,这些算法由于算法机理或是算法实现等方面的原因不能满足上述要求。本文首先介绍了国内外交通诱导系统的发展情况和交通诱导系统的结构、分类和系统的工作流程,接着总结了各种最优路径选择算法的分类方法和分类体系,分析了Dijkstra算法和遗传算法在交通路径寻优计算中的不足。在此基础上本文提出采用脉冲耦合神经网络进行交通路网的最优路径计算。脉冲耦合神经网络提供了分组类似性、同步激发和自动波的形成与传播等一系列基本的特性,并在图像处理、目标的自动辨识和组合优化等领域中得到了广泛的应用和研究。在分析脉冲耦合神经网络的基本特性的基础上,设计了该算法流程,并用VC语言实现了该算法,通过模拟路网的路段权值数据进行了验证,结果显示该算法是可行的。最后,本文还通过计算实例将脉冲耦合神经网络算法与Dijkstra算法的结果进行了比较,从算法思想上探讨了计算结果不同的原因,说明了PCNN算法具有一定的优越性。