一、实时自适应交通信号控制优化理论模型（论文文献综述）
张永男[1]（2021）在《交通网络流分布式协同控制与基于云计算的并行优化》文中研究说明人工智能、云计算、通信技术和物联网的快速发展,推动交通运输迈入大数据驱动的智能化发展新阶段。需要研究适合大数据背景下交通网络流智能控制与决策的方法,以缓解交通拥堵、提高出行满意度。针对基于大数据的分析处理与优化决策对控制性能与实时性的要求,本文研究交通网络流分布式协同控制的理论与方法。采用宏观交通流评价模型,研究基于云计算的反应式控制方法与并行求解策略。进一步,采用微观交通流评价模型,研究基于云计算的预测控制方法与并行求解策略。为了提高交通网络流控制的智能化水平,继续研究基于深度学习的交通网络流时空特征并行学习方法,并将该方法拓展到基于深度学习评价模型的分布式深度强化学习控制方法中。通过建立交通网络流控制的边缘计算解决方案,研究离线大数据学习与在线决策应用的云边协同处理策略。基于北京市区域路网对本文所研究的控制方法及并行优化算法的有效性进行了仿真验证。本文的主要研究内容及创新点如下:（1）为了提高控制性能和实时性,提出了基于宏观交通流评价模型的分布式协同控制方法以及并行优化算法。在宏观交通流延误模型的基础上,通过优化各个信号交叉口的绿信比参数,实现区域路网的分布式控制;通过优化相邻交叉口之间的相位差,实现区域路网的协同控制,促进形成绿波带控制局面。采用具有迁移比例和替换概率的粗粒度并行自适应遗传算法求解分布式协同控制的双目标优化问题,通过云计算进一步加快求解速度。仿真试验结果表明,该方法在降低交通延误和改善实时性方面具有有效性。（2）为了弥补宏观评价方法可能与随机微观交通流波动不相匹配以及反应式控制缺少预见性的不足,提出了基于微观交通流评价模型的分布式协同预测控制方法以及并行优化算法。将基于规则的非解析微观交通流模型应用到交通网络流预测控制中,与宏观预测模型相比,更能准确地预测未来的交通态势、评价候选控制方案。为了减少在预测时域优化控制序列的求解时间,采用基于Spark云计算的两级分层并行遗传算法,加快滚动时域的求解速度。仿真试验结果表明,该方法分别在不饱和与过饱和的交通流状态下,取得了较好的控制效果,加快了求解速度。（3）为了提高交通流预测模型的智能学习能力,提出了交通网络流基于深度学习的时空特性学习机制以及并行训练方法。由于目前交通流特征学习的对象大都局限于局部路段,本文采用深度卷积神经网络和长短期记忆神经网络的混合深度学习模型,建立面向大数据处理的交通网络流特征学习模型。既挖掘多条路段之间的空间关联特征,又提取交通流的时间序列动态演化规律。为了减少深度学习在大数据下的训练时间,研究了基于数据集分解的具有收敛保障的并行训练的理论基础,设计了基于Spark云计算的并行算法。仿真试验结果表明,深度学习模型及并行训练方法在改善特征学习精度的同时,极大地降低了训练时间。交通网络流时空演化特征基于深度学习模型的并行学习是交通网络流分布式深度强化学习控制的研究基础。（4）为了提高控制决策的智能化水平,提出了交通网络流基于深度学习评价模型的分布式深度强化学习控制方法以及基于边缘计算的实现算法。将值分解方法拓展到演员-评论家算法框架中,通过在动作网络的输出层引入考虑多约束条件的绿信比调整方法,解决交通网络信号的连续控制问题。通过策略贡献权重的自适应分配机制,不断强化对全局目标影响程度大的策略贡献权重,实现自适应分布式协同决策。最后将分布式深度强化学习方法部署到边缘计算架构上,实现在线决策与离线学习的协同处理。仿真结果验证了智能控制方法及云边协同求解算法的有效性。
于寒松[2]（2021）在《城市交通路网系统的数据驱动分层递阶优化与控制》文中提出城市交通路网系统具有规模巨大、互联复杂、非线性强等特点,存在精确路网模型难以建立、宏观层到微观层的控制目标难以确定、交叉口排队长度不均衡等问题。本文针对以上问题,提出一系列数据驱动的分层递阶优化与控制方法,用于提升城市路网交通运行效率。本文具体研究内容和创新点总结如下:一、针对大规模宏观交通路网系统建模困难、非线性强的问题,提出一种双层无模型自适应边界控制方法。首先,以路网内总车辆数设定点为输入变量,以路网整体性能评价指标为输出变量,构建宏观交通增广系统,通过紧格式动态线性化技术将该增广系统转化为等价数据模型,并根据此数据模型设计一种基于无模型自适应控制（Model Free Adaptive Control,MFAC）的上层设定点优化方法。然后,将上层计算出的设定点传输到下层,并设为宏观交通区域的控制目标,根据实际交通对边界放行率和车辆总数的限制,设计带输入输出约束的下层无模型自适应边界控制策略。最后,通过仿真分析,并与几种典型的边界控制算法进行对比,验证了所提方法的有效性。二、在中观城市交通路网系统层面,针对路段内期望的车辆数难以确定以及局部拥堵问题,提出一种双层递阶优化控制方法。首先,构建中观交通增广系统,同时利用动态线性化技术将其转化为等价数据模型,并给出基于MFAC的分段定时计算各路段车辆数设定点的方法。在此基础上,为预防局部拥堵,研究带下游路段容量约束的上层设定点优化问题。然后,根据上层优化得到的路段车辆数设定点,针对不同场景,分别采用模型预测控制方法和MFAC方法,设计下层控制器的目标函数并计算路网内部的交叉口信号配时。最后,利用微观交通仿真软件VISSIM对所提方法进行对比验证。三、针对城市交通路网系统具有重复运行的特点,建立双层递阶迭代优化与分散控制架构,提出一种数据驱动的迭代学习优化和分散估计分散控制型MFAC方法。首先,构建重复运行的交通增广系统,利用沿迭代方向的紧格式动态线性化技术,将其转化为等价数据模型,基于此数据模型设计目标函数并提出一种数据驱动的迭代学习设定点优化方法。然后,将整个交通路网分解为多个互联子系统,其中车辆在各个子系统间的行驶行为被视为子系统之间的互联影响。对带有互联影响项的子系统建立等价数据模型,对每个子系统数据模型的伪雅克比矩阵进行分散估计,并设计分散式的交通信号控制方法。最后,通过数值仿真验证了所提方法的有效性。四、针对单交叉口交通系统,提出一种基于控制器动态线性化的无模型自适应预测排队长度均衡控制方法。首先,针对一类未知非线性单入单出理想预测控制器,采用紧格式动态线性化技术将其转化为对应的控制律。然后,借助单交叉口系统的等价预测数据模型以及输入输出数据,采用最速下降法完成控制律中伪雅克比矩阵的自适应整定。并在2-范数意义下证明所提方法的收敛性。最后,通过数值仿真验证所提方法的有效性。
陈德启[3]（2021）在《基于浮动车数据的信号交叉口运行态势推演与配时优化方法》文中研究说明信号交叉口在道路网中扮演着重要的角色,交叉口的瓶颈问题已成为引起交通延误、制约交通效率的重要因素,因此制定合理的管控策略以缓解交叉口延误是十分必要的。然而,用于感知信号交叉口运行态势、诊断延误原因、预测交通演变规律、优化信号配时方案的传统技术手段在面对现阶段的越发复杂的交通状态时逐渐呈现出疲态。交通大数据和新兴智能技术的出现为降低交叉口延误提升运行效率带来了新的契机。其中,浮动车数据凭借着覆盖范围广、采集成本低、数据量大、时空信息丰富的优点,逐渐在交通出行特征的研究中流行起来。浮动车数据可以实时地检测信号交叉口的运行状态,被认为是感应道路网络运行脉络的“听诊器”,但是作为新兴的数据源,如何更好地发挥浮动车数据在交叉口的作用还有待深化研究。为了深入理解、梳理、挖掘浮动车数据的特征规律,本文以网格模型为匹配方法实现快速、有效地提取交叉口区域浮动车数据的时空特征,掌握浮动车数据的运行规律及演变机理,实现对信号交叉口运行状态精细化的评价和延误原因的自动诊断,是精准预测交叉口运行状态的基础和前提。基于此,构建了多任务融合深度学习框架,对大范围交叉口通行时间和速度特征进行有效地预测,并为后续的自适应配时优化方案提供技术基础。信号配时优化方案主要包括两个部分,构建深度强化学习模型和提取浮动车数据的交通状态,旨在浮动车数据的基础上设计更加有效的信号配时方案,提升信号交叉口的运行效率。本文的主要研究内容和发现分为以下四个方面:（1）基于海量浮动车数据,深入挖掘浮动车数据的基本属性特征、时空特征、环境特征和演化规律。构建交叉口网格模型用以匹配浮动车数据,提取交通特征。利用基于网格模型的模糊C-均值聚类方法界定信号交叉口的影响区域,精准地刻画不同交叉口、不同通行方向的影响范围。此外,利用网格模型可以快速地、精准地识别浮动车轨迹数据的方向。结果表明,网格模型可以有效地支撑信号交叉口的运行状态的研究。（2）基于网格模型提取浮动车数据的出行特征,通过估算交通参数和信号配时参数构建信号交叉口运行状态评价体系和延误诊断指数,以实现对信号交叉口运行状态感知和延误问题的自动识别。案例研究发现,本文构建的信号交叉口运行评价方法可以有效的感知信号交叉口的整体和内部的服务水平。信号配时参数计算方法可以对固定配时方案的配时参数实现精准地估算。所构建的延误诊断指数可以有效地诊断延误原因。相关结果和发现可以有效地支撑交叉口交通参数预测和配时优化策略的研究。（3）基于多任务融合深度学习模型MFDL（Multi-Task Fusion Deep Learning）对大范围信号交叉口的通行时间和速度进行协同预测。MFDL模型充分考虑了交通参数的时空特征、拓扑结构特征、天气环境特征,并利用残差神经网络提升模型深度,释放模型预测的潜能,采用注意力机制自动分配多维变量的权重,展现特征融合的优势。案例研究发现,与基础模型对比,MFDL模型的精准度更高。通过更改MFDL模型本身变量组对模型自身分析,发现模型具有较强的鲁棒性。与单任务模型对比,发现MFDL模型能够发挥变量之间信息共享的优势,减少训练时间、提升预测精度。相关结果和技术可以辅助构建深度强化学习配时优化方法。（4）基于深度强化学习模型3DQN-PSTER（Double Dueling DQN Priority Sum Tree Experience Replay）实现信号交口的自适应控制。3DQN-PSTER模型融合了Double DQN、Dueling DQN技术和优先级经验回放策略提升了模型性能。利用SUMO（Simulation of Urban MObility）仿真总体数据、浮动车数据、感应线圈数据的交通环境,并进行仿真优化。案例研究发现:3DQN-PSTER模型具有收敛速度快、稳定性强、优化效果显着的优点。在不同的交通量、不同方向的进口道的场景下与不同的配时优化方案对比,发现基于3DQN-PSTER的配时方案RLSC在实时的、非均衡的动态交通流环境中具有独特的优势。此外,在浮动车数据的交通环境中,发现渗透率越高,模型学习过程表现得越稳定,所训练的模型的优化效果越显着。本文按照发现延误、诊断延误、态势推演、缓解延误的研究思路。利用浮动车数据感知信号交叉口的运行态势、诊断延误原因、预测交通参数、优化配时方案的一系列工作,将交通大数据处理技术、深度学习方法和强化学习方法应用于交叉口复杂的交通状态。本研究对降低信号交叉口延误提升整个路网的运行效率具有重要的理论价值和实际指导意义。
潘昭天[4]（2021）在《基于博弈论和多智能体强化学习的城市道路网络交通控制方法研究》文中提出信号交叉口交通流的受控过程对城市道路网络性能具有重要影响。然而,现有城市道路网络交通控制方案优化设计仍处于优化-性能改善-需求增加-性能恶化-再优化的循环困境。当经济、技术、城市建设程度迅速发展引发交通需求变化加速、交通流动态性增强,优化困境面临周期缩短的问题。交通控制方案频繁迭代优化将造成城市交通建设成本增加。抑制相应随机性诱发交通拥堵能力不足是现有交通控制方法面临的主要问题。因此,有必要针对城市道路网络交通流动态、随机性展开城市道路网络控制方法研究。此外,网络节点失效扩增交通拥堵蔓延引发路网性能下降也需要考虑。围绕城市道路网络交通控制方法研究:（1）在城市道路网络分布式的交通控制方法与交通分配、信号控制耦合方法之间,对交通信号控制领域理论体系中作进一步补充完善;（2）使交通信号控制系统具备自适应改进能力,能够随路网拓扑关系及交通需求共同演化,避免迭代优化的循环困境。论文从随机出行需求下的分布式动态交通分配、应对随机出行需求影响的分布式交通信号控制、应对网络节点失效的信号控制系统鲁棒性增强三个方面展开研究。（1）分布式动态交通分配方法,对随机出行需求分配,从根源抑制路网交通拥堵产生,为后续研究的关键基础。构建异构建议者多智能体团体,耦合异构建议者建议约束决策者动作空间,使其在有限动作空间内采用混合策略形式分配出行需求,提升多智能体强化学习在动态交通分配任务方面的运行效率;构建差异化回报函数机制,使智能体在学习中实现用户均衡原则;设计自适应学习率机制,提升方法对随机出行需求以及交通状态变化的敏感性,增强其再学习能力。经验证分析,分布式动态分配方法有效改善城市道路网络中个体出行者平均出行时间、提升网络整体吞吐量水平,且出行需求分配结果满足用户均衡原则。此外,研究也表明,与分布式交通信号控制方法相耦合,能够有效降低路网内出行延误水平。（2）分布式交通信号控制方法,从应对出行需求随机性影响出发维持城市道路网络性能稳定、进而缓解抑制交通拥堵发生、蔓延,是研究中的重要核心。引入博弈中混合策略纳什均衡概念,改进多智能体强化学习决策过程,使智能体隐式获取全局信息,增强其在不同随机出行需求状态下维持路网性能稳定的能力;在混合策略纳什均衡解基础上,引入Jensen-Shannon散度构建自适应学习率机制,增强信号控制智能体对局部交通流状态变化的敏感性,使其具备收敛后再学习能力。经验证分析,分布式交通信号控制方法在应对出行需求骤增、起讫点间出行需求分布骤变以及路网中出行需求分布不均衡、到达率随机引发随机性影响方面具有良好控制效果,将城市道路网络出行延误维持在较低水平。然而,验证也表明其仅适用于城市道路网络流量输入适中的情况下,是一种对城市道路网络时空资源深度挖掘的方法。（3）应对网络节点失效的信号控制鲁棒性增强方法,侧重于在路网结构受损时,强化信号控制方法维持路网性能的能力,是对重要核心的补充。立足于多智能体系统,构建对城市道路网络节点等级度量方法,实现对路网关键节点判别;引入路网节点交通状态,构建节点各向异性影响力传播机制,实现节点交互关系动态演化;根据节点交互结构差异,修正相应信号控制智能体混合策略纳什均衡求解决策过程及回报函数机制。经验证分析,在少量节点失效情况下,论文方法能够较好的将城市道路网络出行延误维持在较低水平,且在节点失效时间增加时有效抑制路网性能下降速度。然而,当路网拓扑结构严重受损、承载能力无法满足出行需求时,该鲁棒性增强机制难以提升信号控制方法性能。综上所述,论文构建动态交通分配方法出行需求分配从根源抑制交通拥堵的形成,该方法可独立执行交通分配任务,与分布式控制耦合使用可以有效抑制拥堵,还是信号控制鲁棒性增强机制的关键接口。针对随机出行需求影响构建的分布式交通信号控制方法,能够在局部交互过程中隐式地感知全局信息,有效缓解、抑制随机出行需求诱发的交通拥堵。而信号控制鲁棒性增强机制,构建节点间交互关系,实现信号控制方法网络节点失效鲁棒性提升。将分布式动态交通分配、分布式交通信号控制、信号控制鲁棒性增强机制相融合,使交通控制系统能够有效应对频繁的优化困境且具跟随城市道路网络共演化的能力。
李岱[5]（2021）在《城市交通网络信号的无模型自适应控制方法》文中提出本文基于无模型自适应控制（Model-Free Adaptive Control,MFAC）理论对城市交通网络信号控制领域进行了深入的研究。其意义在于,城市交通网络的信号控制不再依赖交通网络的模型信息,仅利用城市交通系统的输入/输出数据即可进行交通信号控制器的设计。论文的具体研究内容和创新点总结如下:一、针对城市交通网络中存在一个拥堵区域,并导致交通负荷不均衡的问题,提出了一种基于MFAC的单区域城市交通网络分层递阶边界控制方法。在拥堵区域的边界上,对各交叉口各相位的绿灯时间进行优化,以限制进入拥堵区域的车辆数量。在拥堵区域的内部,对区域内的交通流分布进行优化,以提高网络内部的交通效率。边界控制器使用了集中式MFAC控制方法,而内层控制器则使用了分散估计分散控制型MFAC控制方法,以得到拥堵区域的边界上和拥堵区域内部的各信号相位绿灯时间。最后,基于中国山东省潍坊市交通网络的实际交通需求和网络结构拓扑,使用VISSIM仿真平台和MATLAB软件进行联合仿真,验证了所提方法的可行性和有效性。二、针对多区域交通网络中区域间的交通流平衡和协调问题,提出了一种多区域交通网络的分布式无模型自适应预测控制方法。首先,将网络中各区域的交通系统非线性动力学进行动态线性化,得到各区域的MFAC数据模型。然后,基于此数据模型设计交通网络的分布式预测控制器,以优化各区域中的车辆数,提高交通流效率。最后,基于中国山西省临汾市交通网络的实际交通需求和网络结构拓扑,使用VISSIM仿真平台和MATLAB软件进行联合仿真,验证了该方法的可行性和有效性。三、针对城市交通流的相似性和重复性特征,提出了一种基于无模型自适应迭代学习控制（Model-Free Adaptive Iterative Learning Control,MFAILC）的交通网络分散式控制方法。首先,沿迭代轴对交叉口的非线性动力学进行动态线性化,将其转换为MFAILC数据模型。然后,以最小化各交叉口的不同进口路段之间的排队长度之差为控制目标设计交通网络的分散式MFAILC控制器。最后,使用一个简单的四交叉口网络对所提控制方法进行了仿真验证。四、提出了一种基于MFAILC方法的交通网络集中式控制策略以及交通数据丢失补偿方法。首先,沿迭代轴对城市交通网络的非线性动力学进行动态线性化,并将其转换为MFAILC数据模型。然后,基于MFAILC交通网络数据模型设计交通控制器来最小化交通网络中的车辆数。最后,针对城市交通网络中的交通数据丢失问题,提出了一种基于MFAILC的交通数据丢失补偿方法。基于中国山西省临汾市交通网络的实际交通需求和网络结构拓扑,使用VISSIM仿真平台和MATLAB软件进行联合仿真,验证了该方法的可行性和有效性。
钱锦[6]（2021）在《基于多智能体协同的区域交通信号控制策略研究与实现》文中进行了进一步梳理目前城市车辆急剧增加,交通路网日趋复杂,如何缓解城市区域交通拥堵问题成为智能交通领域研究的核心。在不改变道路结构的前提下,划分交通子区域并协调控制区域内交叉口的交通信号,有利于提高整体城市交通的通行率。为此,本文基于多智能体技术对城市区域交通信号控制方法展开研究,主要工作内容如下:1、提出了改进社区发现算法对交通路网进行子区域划分,解决日益复杂的交通路网无法进行整体控制问题。通过分析相邻交叉口关联度影响因素建立总关联度模型,并将交通路网等效为社区网络,以关联度表示节点间的重要性,改进社区发现算法中的边权与点权表示,建立子区划分模型,实现交通控制子区域的动态划分。最后以实际的路网进行仿真实验,验证了所提出的算法对路网的划分更加高效合理。2、设计了基于单智能体强化学习的单交叉口信号优化控制算法,解决传统控制方法无法应对交通环境复杂多变的单交叉口信号控制问题。首先在交叉口设计成智能体结构的基础上,将车道建立成元胞模型,对高维实时交通信息进行离散编码,同时设计了智能体的动作和奖惩函数;其次以深度强化学习算法设计了交通信号优化控制算法,并利用SUMO（Simulation of Urban Mobility）软件搭建深度强化学习的交通仿真平台,进行算法训练和交通评估。最后验证了算法在平均累计延误时间、车辆排队长度等方面的性能表现更优。3、提出了基于多智能体强化学习的区域交通信号协调控制算法,解决同一区域内不同交通特性交叉口之间难以统一控制的问题。首先通过分析区域交通的特点,利用LSTM（Long Short-Term Memory）神经网络改进单智能体网络,并采用分布式结构建立交通信号协调控制模型;其次以车辆延迟时间、等待时间以及排队长度,改进奖惩函数,同时设计表达交通信息更全面的状态输入,进而提出区域信号协调控制算法;最后以模拟现实的交通路网验证了所提出算法在平均停车次数、等待时间等方面的性能更好,并且能够有效提高区域内车辆的通行效率。
杨坤鸿[7]（2021）在《基于交通需求的孤立交叉口及干线协调优化研究》文中研究表明由于城市交通基础设施的容量和交通流现状的不相适应,容易出现交通流溢流和蔓延等各种引发局部拥堵问题,导致道路使用者的时间浪费和较差行车体验。因此本文结合孤立交叉口及干线系统进行研究,通过对信控方案直接优化以改善以上问题,主要研究工作如下:（1）本文考虑了交通需求与车辆到达数以及进口道周围土地因素影响之间的关系,在交通波传递分析的基础上应用三层贝叶斯网络构建交通到达量、车辆到达时间和旅行时间之间的关系,引入期望最大化算法学习隐变量参数,以获得准确的交通需求量及延误时间,作为优化模型的主要输入数据。（2）提出了以双环相位结构为基础的自适应信号优化方法,从相位方案、控制参数和求解算法三个角度进行优化。从交叉口存在流向不均衡问题出发,考虑NEMA相位方案,根据不同交通状态和实际交通需求量,建立综合性能指标优化模型。最后提出带精英选择策略的非支配排序自适应遗传算法（NSAGA-Ⅱ）对模型进行求解,得到自适应调整的最优双环结构控制方案。（3）提出了以防溢流为约束的干线协调优化模型。根据单点交叉口自适应信号控制优化确定干线协调所需周期长度,通过气象因素修正交叉口间车队速度范围。引入与流量相关的性能指标系数,构建多目标优化模型。最后采用微扰动和混合变异的精英反向学习差分生物地理学优化算法求解模型,通过模拟物种迁移实现问题求解,验证了该算法对于解决本文提出的问题具有良好的全局寻优能力。本文结合济南市局部交叉口进行案例分析,对比案例交叉口在论文所述控制方法与现状方案下的评价指标,证实了本文建立的模型可在一定程度上起到降低车辆受到相位影响的延误,提高交叉口服务水平的作用。
戴国文[8]（2021）在《基于深度学习的短时交通流预测及信号控制研究》文中研究表明本文首先引进了深度学习的概念,选择了几种深度学习模型并对其进行改进以适应短时交通流预测,主要有三个模型:改进的LSTM模型、时空分析与GRU相结合的模型以及CNN-LSTM模型。通过使用实际交通流数据这三个模型进行学习训练并最终对这三种深度学习的模型进行了测试。通过对比实验,最终选择了改进的LSTM模型作为本文的短时交通流预测模型。然后在短时交通流预测的基础上本文建立了以车辆的平均延误、交叉口通行能力以及CO排放为目标的单交叉口多目标优化模型,并以改进的粒子群算法进行了求解。并与现状进行了对比分析,证明了该模型的有效性。在完成交通流预测以及单交叉口控制后,为了实现最终的区域交通协调控制还需要对控制区域进行交通子区划分。在这一部分本文使用SAEs-LSTM模型对目标区域进行了动态子区划分。以实时的交叉口信号周期、相邻交叉口间的流量和距离作为SAEs-LSTM模型的输入,预测输出相邻的交叉口之间协调控制的需求强度协调系数,可以根据实时特性实现交通控制子区的动态划分。最后,对本文所选取的路网进行门限控制,根据该区域历史流量来确定门限值的阈值,对核心路网外的交通流采取信号灯优化进行诱导分流,将流入核心路网的交通流控制在非饱和状态下;对于核心路网,在对进行门限控制后的交通流进行局部区域交通协调控制。通过选取路网的关键路口,主干线等,在主干线上使用干线绿波协调的方式,其它的交叉口采用前面所提到的单交叉口自适应控制方式实现区域交通协调控制。
曹洪旺[9]（2020）在《基于车辆平均延误模型的区域交通协调优化控制研究》文中研究说明随着城市化进程的加快,道路车流量不断增加,交通拥堵问题日趋严重。采用区域交通智能控制及优化技术提高交通效率已成为当前的研究热点。针对现有区域交通信号优化控制研究的不足,本文提出了一种基于相位差协调的区域车辆延误模型,采用混沌遗传粒子群优化算法,对区域内各个交叉口的交通信号配时方案协调优化控制,能有效降低区域内车辆的平均延误时间,提高交通效率。主要研究内容如下:首先,根据区域交通流的动态特点,提出了一种基于相位差协调控制的区域车辆延误模型及优化算法。将区域延误分为外部进口道延误和内部进口道延误两种情况进行分析,引入相位差协调机制,建立车辆延误与公共周期、绿信比、相位差的关系模型。根据模型的高维多变量特点,提出了一种混沌遗传算法及其协调优化。仿真实验验证表明,该模型及算法能够有效减少车辆延误,提高交通效率。其次,针对上述区域交通优化协调控制的实时性、准确性要求,进一步提出了一种混沌遗传粒子群优化算法。以传统粒子群算法为主体,采用Tent映射产生大量粒子,挑选优质粒子作为初始种群,提高粒子的质量;迭代过程中,按照适应度值将粒子群进行划分,优质部分采用粒子群算法更新速度和位置,劣质部分采用个体与群体极值的算术交叉操作和保留精英个体的变异策略扩大全局搜索范围。仿真实验表明,该算法具有更强的寻优能力,能快速准确搜索到最优配时方案,满足区域协调控制的实时性、准确性要求。最后,基于VISSIM-MATLAB构建了一个区域交通协调优化控制仿真系统。在VISSIM中构建区域交通路网模型,在MATLAB中实现协调优化控制,通过COM接口进行两者之间的信息传输,实现了一个区域交通路网协调优化控制的闭环仿真系统,为区域交通信号优化控制提供了新的测试方法。通过实际路网的微观仿真实验,验证了本文所提出的区域交通协调优化控制模型及方法能有效减少区域交通延误,提高路网交通效率。
佘占峰[10]（2020）在《交通道路信号灯智能化控制系统设计与实现》文中研究指明伴随着我国经济的飞速发展,人们生活水平的不断提高,城市内人流量和车流量也在迅猛增长,而城市中车辆多道路少,从而导致城市内交通道路拥堵问题日益严峻。传统的交通道路信号灯控制实时性较差,已经很难满足当前我国一些大中型城市各个交通十字路口的流量要求。为了缓解道路拥堵压力,本研究将神经网络技术应用在交通流量预测与交通信号控制中。首先阐述了交通道路信号灯控制的研究现状,并分析了神经网络在交通信号灯控制中的相关技术。然后在研究具有或不具有随机效应的同步双向网络的离散时间递归同步的基础之上,建立了一个新颖的同步误差模型,设计了自适应控制器与量化器的组合方案可用于具有或不具有随机效应的同步双向网络的递归同步,并且通过仿真实验来验证其有效性。而且提出了一种基于CNN-LSTM-PSO的深度学习短期交通流预测框架,该框架将CNN（Convolutional Neural Networks,卷积神经网络）和LSTM（Long Short Term Mermory network,长短期记忆网络）相结合,并以PSO（Particle Swarm Optimization,粒子群）算法进行混合网络结构的超参数优化。该方法可获取交通流数据的局部趋势和长期相关性之间的相关特征。最后通过对实际交通流数据集的实验验证了该方法的有效性。本文设计并实现了交通道路信号灯智能化控制系统,对交通道路信号灯智能化控制系统进行了详细的总体设计,并且针对系统的相关功能进行了全面的测试。测试结果显示交通道路信号灯智能化控制系统能够有效缓解城市交通道路拥堵状况,提高了城市交通通行效率。
二、实时自适应交通信号控制优化理论模型（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、实时自适应交通信号控制优化理论模型（论文提纲范文）
（1）交通网络流分布式协同控制与基于云计算的并行优化（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 交通流反应式控制 |
| 1.2.2 交通流模型预测控制 |
| 1.2.3 交通流深度强化学习控制 |
| 1.2.4 交通流大数据分布式并行处理 |
| 1.3 论文的研究内容及组织结构 |
| 2 基于宏观交通流模型的分布式协同控制及并行优化 |
| 2.1 引言 |
| 2.2 总体架构 |
| 2.3 优化模型 |
| 2.3.1 公共周期优化 |
| 2.3.2 绿信比优化 |
| 2.3.3 相位差优化 |
| 2.4 粗粒度并行自适应遗传算法求解策略 |
| 2.4.1 自适应遗传算法 |
| 2.4.2 自适应遗传算法的并行优化策略 |
| 2.4.3 基于CPAGA优化的分布式协同控制 |
| 2.5 仿真结果与分析 |
| 2.5.1 试验设计与参数设置 |
| 2.5.2 收敛性和计算效率比较 |
| 2.5.3 信号周期变化趋势 |
| 2.5.4 控制性能比较 |
| 2.6 本章小结 |
| 3 基于微观交通流模型的分布式协同预测控制及并行优化 |
| 3.1 引言 |
| 3.2 总体架构 |
| 3.3 交通流微观仿真建模 |
| 3.3.1 时空约束 |
| 3.3.2 位置限制 |
| 3.3.3 更新规则 |
| 3.3.4 驾驶路径选择行为 |
| 3.4 交通网络流模型预测控制 |
| 3.4.1 预测模型 |
| 3.4.2 优化目标 |
| 3.4.3 滚动时域 |
| 3.5 基于Spark云计算的MPC并行优化策略 |
| 3.5.1 两级分层并行遗传算法 |
| 3.5.2 基于Spark云的预测时域并行优化求解 |
| 3.5.3 交通网络流滚动时域MPC控制 |
| 3.6 仿真结果与分析 |
| 3.6.1 试验设计及参数设置 |
| 3.6.2 评价指标 |
| 3.6.3 控制性能比较 |
| 3.6.4 计算效率比较 |
| 3.7 本章小结 |
| 4 基于深度学习模型的交通网络流时空特征学习及并行优化 |
| 4.1 引言 |
| 4.2 基于深度学习模型的交通网络流时空特征学习 |
| 4.2.1 CNN-LSTM学习模型 |
| 4.2.2 训练样本构造 |
| 4.3 深度学习并行训练的理论分析 |
| 4.3.1 设计动机 |
| 4.3.2 目标函数 |
| 4.3.3 并行特征前向提取 |
| 4.3.4 并行误差反向传播 |
| 4.4 基于Spark云的并行训练实施方案 |
| 4.4.1 并行训练算法 |
| 4.4.2 并行训练的实施过程 |
| 4.5 仿真结果与分析 |
| 4.5.1 试验设计与参数设置 |
| 4.5.2 评价指标 |
| 4.5.3 预测精度和通用能力比较 |
| 4.5.4 收敛性和计算效率比较 |
| 4.5.5 时空特征学习效果 |
| 4.6 本章小结 |
| 5 基于分布式深度强化学习模型的协同控制及并行优化 |
| 5.1 引言 |
| 5.2 总体架构 |
| 5.2.1 边缘计算架构 |
| 5.2.2 基于MADRL的交通网络流控制边缘计算实现架构 |
| 5.3 协同多智能体actor-critic深度强化学习方法 |
| 5.3.1 值分解网络 |
| 5.3.2 基于改进VDN的CMAC深度强化学习 |
| 5.4 基于CMAC的交通多智能体建模 |
| 5.4.1 状态 |
| 5.4.2 动作 |
| 5.4.3 奖赏 |
| 5.4.4 Actor-critic深度强化学习网络 |
| 5.5 基于边缘计算的交通网络流CMAC控制 |
| 5.6 仿真验证与分析 |
| 5.6.1 试验设计与参数设置 |
| 5.6.2 评价指标 |
| 5.6.3 云端并行学习 |
| 5.6.4 边缘端实时控制 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来研究展望 |
| 参考文献 |
| 附录 A 符号表 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）城市交通路网系统的数据驱动分层递阶优化与控制（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 主要缩略词对照表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 城市交通路网控制方法 |
| 1.2.1 城市交通路网控制方法研究现状 |
| 1.2.2 城市交通路网控制结构 |
| 1.2.3 城市交通路网控制中存在的问题 |
| 1.3 无模型自适应控制理论的发展与应用 |
| 1.3.1 无模型自适应控制的发展 |
| 1.3.2 无模型自适应控制的应用 |
| 1.4 主要工作及结构安排 |
| 1.4.1 论文主要工作 |
| 1.4.2 论文结构安排 |
| 2 宏观城市交通路网的双层无模型自适应边界控制 |
| 2.1 引言 |
| 2.2 两区域城市路网宏观交通模型 |
| 2.3 双层无模型自适应边界控制 |
| 2.3.1 基于MFAC的上层区域车辆数设定点优化 |
| 2.3.2 基于MFAC的下层边界控制 |
| 2.4 仿真分析 |
| 2.5 本章小结 |
| 3 中观城市交通路网的双层递阶优化控制 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 基于无模型自适应控制的上层设定点优化 |
| 3.3.1 基于MFAC的路段车辆数设定点优化 |
| 3.3.2 预防局部拥堵的设定点约束方案 |
| 3.4 下层交通信号配时方法 |
| 3.4.1 基于模型预测控制的下层交通信号配时 |
| 3.4.2 基于MFAC的下层交通信号配时 |
| 3.5 仿真分析 |
| 3.6 本章小结 |
| 4 中观城市交通路网的双层递阶迭代优化与分散估计分散控制 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 基于DDILO的上层设定点优化 |
| 4.3.1 重复运行交通增广系统的动态线性化 |
| 4.3.2 基于数据驱动迭代学习的路段车辆数设定点优化 |
| 4.4 基于分散估计分散控制型MFAC的下层交通信号配时 |
| 4.5 仿真分析 |
| 4.6 本章小结 |
| 5 基于控制器动态线性化的单交叉口无模型自适应预测排队长度均衡控制 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 理想预测控制器的动态线性化 |
| 5.4 基于控制器动态线性化的无模型自适应预测控制器设计与分析 |
| 5.4.1 预测控制器增益更新算法 |
| 5.4.2 收敛性分析 |
| 5.5 仿真分析 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）基于浮动车数据的信号交叉口运行态势推演与配时优化方法（论文提纲范文）
| 致谢 |
| 中文摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 信号交叉口运行状态评价 |
| 1.3.2 信号交叉口交通参数预测 |
| 1.3.3 信号交叉口配时优化方法 |
| 1.4 论文主要研究内容 |
| 1.4.1 浮动车数据处理及网格模型构建 |
| 1.4.2 信号交叉口运行状态的评价方法 |
| 1.4.3 信号交叉口交通参数的预测方法 |
| 1.4.4 信号交叉口自适应配时优化方法 |
| 1.5 论文技术路线 |
| 2 基础理论方法简介 |
| 2.1 信号交叉口配时参数及控制方法 |
| 2.1.1 信号配时参数 |
| 2.1.2 信号控制方法 |
| 2.2 深度学习方法 |
| 2.2.1 循环神经网络 |
| 2.2.2 卷积神经网络 |
| 2.3 强化学习方法 |
| 2.3.1 强化学习基本要素 |
| 2.3.2 强化学习基本模型 |
| 2.4 本章小结 |
| 3 浮动车数据处理与网格模型构建 |
| 3.1 浮动车数据说明 |
| 3.2 浮动车数据预处理 |
| 3.2.1 异常数据分析 |
| 3.2.2 数据过滤流程 |
| 3.2.3 轨迹坐标转换 |
| 3.3 浮动车出行数据基础分析 |
| 3.3.1 原始数据特征分析 |
| 3.3.2 空间范围影响分析 |
| 3.3.3 时间因素影响分析 |
| 3.3.4 天气因素影响分析 |
| 3.4 基于网格模型的浮动车数据匹配方法 |
| 3.4.1 网格模型的构建 |
| 3.4.2 交叉口区域界定 |
| 3.4.3 轨迹方向的识别 |
| 3.5 本章小结 |
| 4 信号交叉口运行状态评价与延误诊断方法 |
| 4.1 引言 |
| 4.2 信号交叉口交通参数计算方法 |
| 4.2.1 通行时间计算方法 |
| 4.2.2 总延误的计算方法 |
| 4.2.3 走停比的计算方法 |
| 4.2.4 流量比的计算方法 |
| 4.3 信号交叉口信号配时参数计算方法 |
| 4.3.1 信号周期计算方法 |
| 4.3.2 绿信比的计算方法 |
| 4.4 信号交叉口运行状态评价及诊断 |
| 4.4.1 信号交叉口整体延误分析 |
| 4.4.2 信号交叉口内部延误分析 |
| 4.4.3 信号交叉口延误问题诊断 |
| 4.5 本章小结 |
| 5 信号交叉口通行时间和速度预测方法 |
| 5.1 引言 |
| 5.2 信号交叉口交通特征数据集构建 |
| 5.2.1 特征变量相关性检验 |
| 5.2.2 特征变量标准化处理 |
| 5.2.3 特征变量数据集划分 |
| 5.3 多任务深度学习融合模型构建 |
| 5.3.1 残差卷积神经网络 |
| 5.3.2 残差图卷积神经网络 |
| 5.3.3 堆栈式长短期记忆网络 |
| 5.3.4 注意力机制神经网络 |
| 5.3.5 多任务融合深度学习模型 |
| 5.4 实验分析 |
| 5.4.1 评价指标选取 |
| 5.4.2 实验环境介绍 |
| 5.4.3 模型结果分析 |
| 5.4.4 敏感度的分析 |
| 5.5 本章小结 |
| 6 信号交叉口自适应配时优化方法 |
| 6.1 引言 |
| 6.2 信号交叉口智能体设计 |
| 6.2.1 基于NUDG的交通状态提取方法 |
| 6.2.2 信号灯相位集的构建及动作选择 |
| 6.2.3 信号相位转换奖励值函数的构建 |
| 6.3 基于3DQNPSTER的信号交叉口优化配时方法 |
| 6.3.1 3DQNPSTER深度强化学习模型 |
| 6.3.2 信号交叉口的交通环境构建方案 |
| 6.3.3 模型评估和应用性能的指标选取 |
| 6.4 仿真实验与结果分析 |
| 6.4.1 仿真环境设置 |
| 6.4.2 模型比较分析 |
| 6.4.3 模型应用结果 |
| 6.5 本章小结 |
| 7 结论 |
| 7.1 主要工作总结 |
| 7.2 主要的创新点 |
| 7.3 未来研究展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）基于博弈论和多智能体强化学习的城市道路网络交通控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景 |
| 1.3 研究现状综述 |
| 1.3.1 城市道路网络交通控制 |
| 1.3.2 城市道路网络动态交通分配 |
| 1.3.3 城市道路网络中的多智能体强化学习 |
| 1.3.4 研究现存问题 |
| 1.4 研究目的及意义 |
| 1.5 研究内容框架 |
| 第2章 城市道路网络分布式动态交通分配方法 |
| 2.1 动态交通分配 |
| 2.1.1 动态交通分配问题 |
| 2.1.2 用户均衡和系统最优 |
| 2.1.3 动态交通分配的主要数学形式 |
| 2.1.4 动态交通分配模型的缺陷 |
| 2.2 多智能体强化学习 |
| 2.2.1 多智能体系统 |
| 2.2.2 强化学习机制 |
| 2.2.3 多智能体强化学习算法 |
| 2.3 动态交通分配决策者智能体架构 |
| 2.3.1 决策者智能体状态空间 |
| 2.3.2 决策者智能体动作空间 |
| 2.3.3 决策者智能体回报函数 |
| 2.3.4 决策者智能体的学习率机制 |
| 2.4 动态交通分配空间约束建议者智能体架构 |
| 2.4.1 建议者智能体的状态空间 |
| 2.4.2 建议者智能体的动作空间 |
| 2.4.3 建议者智能体的回报函数 |
| 2.4.4 建议者智能体的学习率机制 |
| 2.5 异构建议者多智能体强化学习 |
| 2.5.1 HAB-MARL 框架的应用 |
| 2.5.2 HAB-MARL 算法 |
| 2.6 本章小结 |
| 第3章 城市道路网络分布式交通信号控制方法 |
| 3.1 城市道路网络交通信号控制 |
| 3.1.1 URNTSC优化目标选取 |
| 3.1.2 URNTSC方法主要形式 |
| 3.1.3 多智能体强化学习在URNTSC中的应用 |
| 3.1.4 当前URNTSC方法可改进性 |
| 3.2 交通管控中的博弈论 |
| 3.2.1 博弈论形式及基本分类 |
| 3.2.2 博弈中的均衡解 |
| 3.2.3 博弈论在交通系统中的应用形式 |
| 3.3 分布式交通信号控制智能体架构 |
| 3.3.1 信号控制智能体状态空间 |
| 3.3.2 信号控制智能体动作空间 |
| 3.3.3 信号控制智能体决策过程 |
| 3.3.4 信号控制智能体回报函数 |
| 3.3.5 信号控制智能体的学习率机制 |
| 3.4 混合策略纳什均衡多智能体强化学习 |
| 3.4.1 MSNE-MARL 框架的应用 |
| 3.4.2 MSNE-MARL 算法 |
| 3.5 本章小结 |
| 第4章 城市道路网络交通信号控制鲁棒性增强方法 |
| 4.1 复杂网络关键节点判别技术 |
| 4.1.1 图论基础 |
| 4.1.2 复杂网络理论 |
| 4.1.3 关键节点判别技术 |
| 4.1.4 现有关键节点判别技术局限性 |
| 4.2 节点影响力传播机制 |
| 4.2.1 社会网络影响力传播机制 |
| 4.2.2 基于 MAS 的节点影响力传播机制 |
| 4.2.3 影响力传播机制改进关键点 |
| 4.3 MAS-AITM的URNTSC鲁棒性增强框架 |
| 4.3.1 MAS-AITM中节点等级度量及关键节点判别机制 |
| 4.3.2 MAS-AITM节点交互关系的分类 |
| 4.3.3 MAS-AITM节点交互关系的各向异性自择机制 |
| 4.3.4 MAS-AITM节点交互机制 |
| 4.3.5 URNTSC中鲁棒性增强构建的其他事项 |
| 4.4 本章小结 |
| 第5章 数值模拟框架及验证测试 |
| 5.1 城市道路网络数值模拟框架 |
| 5.1.1 元胞传输模型 |
| 5.1.2 基于CTM-DNL的数值模拟框架 |
| 5.1.3 城市道路网络交叉口转弯比动态构建方法 |
| 5.2 HAB-MARL分布式动态交通分配方法验证分析 |
| 5.2.1 出行成本函数选用 |
| 5.2.2 验证方法选用 |
| 5.2.3 验证网络选用 |
| 5.2.4 验证输入值设置 |
| 5.2.5 HAB-MARL验证分析 |
| 5.2.6 本节小结 |
| 5.3 MSNE-MARL分布式交通信号控制方法验证分析 |
| 5.3.1 验证指标选用 |
| 5.3.2 验证方法选用 |
| 5.3.3 验证网络选用 |
| 5.3.4 验证输入值设置 |
| 5.3.5 验证方法参数标定 |
| 5.3.6 MSNE-MARL验证分析 |
| 5.3.7 本节小结 |
| 5.4 MAS-AITM的URNTSC鲁棒性增强方法验证分析 |
| 5.4.1 验证方法选用 |
| 5.4.2 验证网络选用 |
| 5.4.3 验证输入值设置 |
| 5.4.4 MAS-AITM验证分析 |
| 5.4.5 本节小结 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（5）城市交通网络信号的无模型自适应控制方法（论文提纲范文）
| 致谢 |
| 中文摘要 |
| ABSTRACT |
| 主要缩略词对照表 |
| 1 绪论 |
| 1.1 引言 |
| 1.2 城市交通网络简介 |
| 1.2.1 城市交通流简介 |
| 1.2.2 交叉口、路段和交通信号灯简介 |
| 1.3 城市交通网络信号控制的历史与现状 |
| 1.3.1 城市交通网络信号控制的历史 |
| 1.3.2 城市交通网络信号控制的现状 |
| 1.4 城市交通网络的宏观边界控制 |
| 1.4.1 城市交通网络的宏观基本图 |
| 1.4.2 城市交通网络的宏观边界控制方法 |
| 1.5 无模型自适应控制的历史与现状 |
| 1.5.1 数据驱动控制理论的研究背景与现状 |
| 1.5.2 无模型自适应控制的历史与现状 |
| 1.6 论文的主要工作和组织结构 |
| 1.6.1 论文的主要工作 |
| 1.6.2 论文的组织结构 |
| 2 基于MFAC的单区域交通网络分层递阶边界控制 |
| 2.1 引言 |
| 2.2 单区域交通网络的动力学描述 |
| 2.3 控制器设计 |
| 2.3.1 边界控制器设计 |
| 2.3.2 内层控制器设计 |
| 2.3.3 绿灯时间的调整 |
| 2.4 仿真研究 |
| 2.5 本章小结 |
| 3 基于MFAPC的多区域交通网络分布式控制 |
| 3.1 引言 |
| 3.2 多区域交通网络的动力学描述 |
| 3.3 多区域交通网络的MFAPC模型及控制器设计 |
| 3.3.1 交通网络的MFAPC数据模型 |
| 3.3.2 控制器设计 |
| 3.4 仿真研究 |
| 3.5 本章小结 |
| 4 基于MFAILC的交通网络分散式控制方法 |
| 4.1 引言 |
| 4.2 交通网络中的交叉口动力学描述 |
| 4.3 交叉口排队长度的MFAILC数据模型及控制器设计 |
| 4.4 仿真研究 |
| 4.5 本章小结 |
| 5 基于MFAILC的交通网络集中式控制及交通数据丢失补偿方法 |
| 5.1 引言 |
| 5.2 交通网络的动力学描述 |
| 5.3 交通网络的MFAILC数据模型及控制器设计 |
| 5.4 基于MFAILC的交通数据丢失补偿方法 |
| 5.5 仿真研究 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 攻读博士学位期间发表的学术论文 |
| 学位论文数据集 |
（6）基于多智能体协同的区域交通信号控制策略研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 交通信号控制的发展状况 |
| 1.2.2 交通子区域划分 |
| 1.2.3 单智能体强化学习的交叉口信号控制 |
| 1.2.4 多智能体强化学习的区域信号协调控制 |
| 1.3 本文的主要工作和内容 |
| 1.4 本文的研究框架和结构安排 |
| 第2章 总体方案设计与交通理论基础 |
| 2.1 总体方案设计 |
| 2.2 交通信号控制的智能体模型结构设计 |
| 2.2.1 智能体技术定义 |
| 2.2.2 智能体的体系结构 |
| 2.2.3 交叉口智能体模型设计 |
| 2.3 交通控制基础理论 |
| 2.3.1 交通控制分类 |
| 2.3.2 交通控制基本参数 |
| 2.3.3 交通控制评价指标 |
| 2.4 本章小结 |
| 第3章 基于社区发现算法的交通控制子区动态划分 |
| 3.1 引言 |
| 3.2 相邻交叉口关联度分析 |
| 3.2.1 路段长度关联度 |
| 3.2.2 车辆排队长度关联度 |
| 3.2.3 信号周期关联度 |
| 3.3 交通路网中社区特性分析 |
| 3.3.1 交通路网的无向图结构 |
| 3.3.2 交通网络的社区特性 |
| 3.4 交通路网的社区划分方法研究 |
| 3.4.1 社区模块度定义 |
| 3.4.2 常见的社区划分方法分析 |
| 3.4.3 改进快速社区发现算法 |
| 3.4.4 快速社区发现算法流程 |
| 3.5 实验方案设计与结果分析 |
| 3.5.1 交通路网选取 |
| 3.5.2 实验仿真与结果分析 |
| 3.5.3 动态划分结果分析 |
| 3.6 本章小结 |
| 第4章 基于单智能体强化学习的交叉口信号优化控制 |
| 4.1 引言 |
| 4.2 强化学习基本理论 |
| 4.2.1 强化学习原理 |
| 4.2.2 强化学习数学模型 |
| 4.2.3 强化学习基本算法 |
| 4.3 深度强化学习分析 |
| 4.4 基于DQN的单交叉口信号控制算法 |
| 4.4.1 交通环境状态设计 |
| 4.4.2 智能体动作设计 |
| 4.4.3 奖惩函数设计 |
| 4.4.4 单交叉口信号控制算法 |
| 4.5 实验方案设计与结果分析 |
| 4.5.1 仿真实验平台设计 |
| 4.5.2 实验方案设计 |
| 4.5.3 结果分析 |
| 4.6 本章小结 |
| 第5章 基于多智能体强化学习的区域交通信号协调控制 |
| 5.1 引言 |
| 5.2 多智能体强化学习 |
| 5.2.1 多智能体强化学习基本原理 |
| 5.2.2 基于值函数分解的多智能体强化学习 |
| 5.3 区域交通信号协调控制优化算法 |
| 5.3.1 区域交通信号控制框架 |
| 5.3.2 区域交通协调控制中智能体要素设计 |
| 5.3.3 区域交通信号协调控制算法 |
| 5.4 实验方案设计与结果分析 |
| 5.4.1 实验方案设计 |
| 5.4.2 结果分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（7）基于交通需求的孤立交叉口及干线协调优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 交通流参数预测研究综述 |
| 1.2.2 自适应信号控制研究综述 |
| 1.2.3 智能交通优化算法研究综述 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 本章小结 |
| 第2章 信号控制基本理论 |
| 2.1 信号控制基本参数 |
| 2.2 参数修正分析 |
| 2.2.1 土地利用因素修正 |
| 2.2.2 气象因素修正 |
| 2.3 交叉口评价指标 |
| 2.4 本章小结 |
| 第3章 交通流参数预测 |
| 3.1 车辆排队模型建立 |
| 3.1.1 基本交通波理论 |
| 3.1.2 车辆排队过程与交通波传递 |
| 3.2 旅行时间及队列长度演变分析 |
| 3.3 基于BN-EM结构的交通流模型参数学习 |
| 3.4 本章小结 |
| 第4章 孤立交叉口自适应信号控制优化研究 |
| 4.1 经典信号配时方法 |
| 4.2 相位方案优化策略 |
| 4.3 自适应信号控制参数优化方法 |
| 4.3.1 相位绿时需求计算 |
| 4.3.2 优化模型约束条件 |
| 4.3.3 信号配时参数优化模型 |
| 4.4 基于NSAGA-Ⅱ算法的优化模型求解 |
| 4.5 本章小结 |
| 第5章 干线防溢流相位差优化控制研究 |
| 5.1 干线信号协调控制理论 |
| 5.2 干线防溢流相位差优化模型 |
| 5.2.1 干线协调优化假设条件 |
| 5.2.2 相邻交叉口间队列运行分析 |
| 5.2.3 预防交通溢流约束条件 |
| 5.2.4 优化模型 |
| 5.3 基于EOS_MDEBBO算法模型求解 |
| 5.4 本章小结 |
| 第6章 实例研究及仿真验证 |
| 6.1 案例介绍与仿真模型搭建 |
| 6.2 自适应信号控制优化实例 |
| 6.3 防溢流相位差优化实例 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（8）基于深度学习的短时交通流预测及信号控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的背景及意义 |
| 1.2 国内外研究现状综述 |
| 1.2.1 关于交通流预测的研究 |
| 1.2.2 关于交通信号控制的研究 |
| 1.2.3 国内外研究现状述评 |
| 1.3 章节安排与技术路线 |
| 1.3.1 章节安排 |
| 1.3.2 技术路线 |
| 2 基于深度学习的短时交通流预测模型 |
| 2.1 深度学习概念 |
| 2.1.1 数据准备 |
| 2.1.2 模型评价函数 |
| 2.2 基于优化LSTM的短时交通流预测模型 |
| 2.2.1 循环神经网络 |
| 2.2.2 长短时记忆网络(LSTM) |
| 2.2.3 双向长短时记忆网络(Bi-directional LSTM) |
| 2.3 基于优化GRU的短时交通流预测模型 |
| 2.3.1 更新门 |
| 2.3.2 重置门 |
| 2.3.3 时空特征选择算法 |
| 2.3.4 实验步骤 |
| 2.3.5 实验结果 |
| 2.4 基于CNN-LSTM的短时交通流预测模型 |
| 2.5 对比分析 |
| 2.6 本章小结 |
| 3 单交叉口的优化配时 |
| 3.1 交通信号控制方式 |
| 3.2 多目标配时优化模型 |
| 3.2.1 性能指标 |
| 3.2.2 多目标配时优化模型的构建 |
| 3.3 改进的多目标粒子群算法 |
| 3.3.1 粒子群算法 |
| 3.3.2 改进粒子群算法 |
| 3.4 改进粒子群算法求解多目标模型 |
| 3.5 实例分析 |
| 3.5.1 数据准备 |
| 3.5.2 路口多目标信号控制算法分析 |
| 3.5.3 参数值的确定 |
| 3.5.4 结果对比 |
| 3.6 本章小结 |
| 4 核心路网交通控制子区的划分 |
| 4.1 交通子区的划分方法 |
| 4.1.1 静态划分 |
| 4.1.2 基于SAEs-LSTM模型的子区动态划分方法 |
| 4.2 输入输出向量设计 |
| 4.2.1 输入向量归一化 |
| 4.2.2 .输出向量归一化 |
| 4.3 案例分析 |
| 4.4 本章小结 |
| 5 区域交通信号控制 |
| 5.1 门限控制 |
| 5.2 关键交叉口的选取 |
| 5.3 干线绿波协调控制方法 |
| 5.3.1 单向自适应绿波协调控制 |
| 5.3.2 双向自适应绿波协调控制 |
| 5.4 主干线的选取及干线自适应控制 |
| 5.4.1 主干线选取方法 |
| 5.4.2 干线自适应控制方法 |
| 5.5 区域交通协调信号控制方法 |
| 5.6 案例分析 |
| 5.6.1 结果分析 |
| 5.7 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（9）基于车辆平均延误模型的区域交通协调优化控制研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 区域交通优化控制国内外研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 本文组织结构 |
| 第二章 区域交通协调优化控制基础理论 |
| 2.1 交通协调控制基本概念 |
| 2.1.1 信号控制基本参数 |
| 2.1.2 评价指标 |
| 2.2 区域交通协调控制方式与分类 |
| 2.2.1 交通信号控制方式 |
| 2.2.2 区域交通信号控制分类 |
| 2.3 微观交通仿真软件 |
| 2.4 本章小结 |
| 第三章 基于车辆平均延误的区域信号协调优化控制 |
| 3.1 引言 |
| 3.2 区域车辆延误模型 |
| 3.2.1 车辆延误模型计算方法 |
| 3.2.2 模型约束条件分析 |
| 3.3 基于相位差的区域车辆平均延误模型 |
| 3.3.1 区域交通路网模型 |
| 3.3.2 区域外部进口道延误模型 |
| 3.3.3 区域内部进口道延误模型 |
| 3.3.4 区域平均延误模型 |
| 3.4 区域交通信号协调优化 |
| 3.4.1 区域交通协调优化目标 |
| 3.4.2 遗传算法 |
| 3.4.3 混沌算法 |
| 3.4.4 混沌遗传优化算法 |
| 3.5 仿真实验 |
| 3.5.1 区域车辆延误模型数值仿真对比 |
| 3.5.2 优化算法仿真对比 |
| 3.5.3 区域交通信号协调优化控制对比 |
| 3.6 本章小结 |
| 第四章 基于CGAPSO算法的区域信号协调优化控制 |
| 4.1 引言 |
| 4.2 结合混沌算法和遗传算法的混沌遗传粒子群混合算法 |
| 4.2.1 粒子群算法优缺点 |
| 4.2.2 混沌遗传粒子群优化算法 |
| 4.2.3 算法性能测试分析 |
| 4.3 基于CGAPSO算法的区域信号协调优化 |
| 4.3.1 区域交通协调优化问题 |
| 4.3.2 基于CGAPSO的区域信号控优化控制流程 |
| 4.4 仿真实验 |
| 4.4.1 粒子群算法基本原理 |
| 4.4.2 实验参数配置 |
| 4.4.3 区域交通信号协调优化控制对比 |
| 4.5 本章小结 |
| 第五章 基于VISSIM-MATLAB的区域交通协调优化控制仿真 |
| 5.1 引言 |
| 5.2 VISSIM仿真软件 |
| 5.2.1 VISSIM概述 |
| 5.2.2 VISSIM应用范围 |
| 5.2.3 VISSIM与 MATLAB的接口技术 |
| 5.3 区域交通协调优化控制仿真系统构建 |
| 5.3.1 仿真系统整体结构设计 |
| 5.3.2 仿真系统流程设计 |
| 5.4 仿真 |
| 5.4.1 实验参数设置 |
| 5.4.2 区域信号协调优化控制对比 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间申请的专利 |
| 致谢 |
（10）交通道路信号灯智能化控制系统设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 课题来源 |
| 1.4 研究框架及组织结构 |
| 第二章 相关技术研究 |
| 2.1 相关基础知识 |
| 2.1.1 交通道路信号灯控制概述 |
| 2.1.2 神经网络概述 |
| 2.2 交通道路信号灯控制现状 |
| 2.2.1 交通道路信号灯控制方法 |
| 2.2.2 国内研究现状 |
| 2.2.3 国外研究现状 |
| 2.3 神经网络在交通道路信号灯控制中的研究现状 |
| 2.3.1 主要的神经网络算法 |
| 2.3.2 国内研究现状 |
| 2.3.3 国外研究现状 |
| 2.4 本章小结 |
| 第三章 基于离散时间递归神经网络的交通道路信号灯同步控制方法 |
| 3.1 同步控制模型分析 |
| 3.2 基于离散时间递归神经网络的自适应同步控制模型 |
| 3.2.1 主要思想 |
| 3.2.2 实现过程 |
| 3.3 仿真实验与结果分析 |
| 3.3.1 实验分析 |
| 3.4 本章小结 |
| 第四章 基于CNN-LSTM-PSO的交通流量预测 |
| 4.1 算法分析 |
| 4.2 CNN-LSTM-PSO算法 |
| 4.2.1 CNN-LSTM |
| 4.2.2 PSO优化CNN-LSTM |
| 4.2.3 基于混合网络结构的交通拥堵预测框架 |
| 4.3 仿真与结果分析 |
| 4.3.1 数据集与环境准备 |
| 4.3.2 仿真结果与分析 |
| 4.4 本章小结 |
| 第五章 交通道路信号灯智能控制原型系统 |
| 5.1 系统环境 |
| 5.2 系统总体架构 |
| 5.3 系统功能设计 |
| 5.4 原型系统实现 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间参加的科研项目 |
| 致谢 |
四、实时自适应交通信号控制优化理论模型（论文参考文献）
- [1]交通网络流分布式协同控制与基于云计算的并行优化[D]. 张永男. 北京交通大学, 2021(02)
- [2]城市交通路网系统的数据驱动分层递阶优化与控制[D]. 于寒松. 北京交通大学, 2021(02)
- [3]基于浮动车数据的信号交叉口运行态势推演与配时优化方法[D]. 陈德启. 北京交通大学, 2021(02)
- [4]基于博弈论和多智能体强化学习的城市道路网络交通控制方法研究[D]. 潘昭天. 吉林大学, 2021(01)
- [5]城市交通网络信号的无模型自适应控制方法[D]. 李岱. 北京交通大学, 2021
- [6]基于多智能体协同的区域交通信号控制策略研究与实现[D]. 钱锦. 扬州大学, 2021(08)
- [7]基于交通需求的孤立交叉口及干线协调优化研究[D]. 杨坤鸿. 山东大学, 2021(12)
- [8]基于深度学习的短时交通流预测及信号控制研究[D]. 戴国文. 兰州交通大学, 2021(02)
- [9]基于车辆平均延误模型的区域交通协调优化控制研究[D]. 曹洪旺. 南京邮电大学, 2020(02)
- [10]交通道路信号灯智能化控制系统设计与实现[D]. 佘占峰. 南京邮电大学, 2020(03)