本文關(guān)鍵詞：面向全路網(wǎng)交通流優(yōu)化的交通燈調(diào)度方法研究

  更多相關(guān)文章： 交通流優(yōu)化 遺傳算法 機(jī)器學(xué)習(xí) 線性回歸 短時(shí)預(yù)測(cè) 自回歸模型

【摘要】：隨著中國(guó)城市化的不斷發(fā)展,道路交通問題日益顯現(xiàn)。雖然傳統(tǒng)的交通燈控制系統(tǒng)依然在交通路口發(fā)揮著一定的作用,但是伴隨著城市車輛數(shù)量的激增,交通道路阻塞已經(jīng)成為了每天發(fā)生的常見現(xiàn)象。在傳統(tǒng)的交通信號(hào)燈控制系統(tǒng)中,交通燈狀態(tài)轉(zhuǎn)換時(shí)間相對(duì)固定,該系統(tǒng)已經(jīng)很難滿足城市道路交通的需求。為了改善道路交通網(wǎng)絡(luò)的交通流暢度,在過去多年中已經(jīng)有許多關(guān)于智能交通燈調(diào)度算法(Intelligent Traffic Light Scheduling, ITLS)的研究。許多研究者已經(jīng)在考慮根據(jù)實(shí)時(shí)交通流來動(dòng)態(tài)調(diào)度交通燈以達(dá)到全局優(yōu)化道路交通流的目的。為了提升全路網(wǎng)的交通效率,提高各路口的通行能力,本文在基于遺傳算法(Genetic Algorithm, GA)和機(jī)器學(xué)習(xí)算法(Machine Learning, ML)相結(jié)合的智能交通燈調(diào)度算法方面進(jìn)行相關(guān)研究。本文主要工作及成果如下：1.提出一種基于遺傳算法的智能交通燈調(diào)度算法(Intelligent Traffic Light Scheduling Based on Genetic Algorithm, ITLSG)。傳統(tǒng)交通燈狀態(tài)轉(zhuǎn)換時(shí)間相對(duì)固定,而且交通燈亮燈狀態(tài)不能根據(jù)各個(gè)路口的實(shí)時(shí)交通流狀態(tài)來動(dòng)態(tài)地調(diào)整。為此,本文提出ITLSG算法,該算法在每個(gè)單位時(shí)間根據(jù)實(shí)時(shí)車流量動(dòng)態(tài)搜索出使全路網(wǎng)交通流達(dá)到最優(yōu)的交通燈設(shè)置方案。ITLSG算法基于遺傳算法,算法最大特點(diǎn)是成功地將交通燈狀態(tài)設(shè)置問題轉(zhuǎn)換成遺傳算法搜索最優(yōu)解問題,同時(shí)也將遺傳算法編碼和解碼過程融入到交通燈調(diào)度場(chǎng)景中。實(shí)驗(yàn)仿真結(jié)果表明：ITLSG算法性能優(yōu)于傳統(tǒng)固定時(shí)間交通燈調(diào)度算法。2.提出一種基于遺傳算法和線性回歸預(yù)測(cè)算法的智能交通燈調(diào)度算法(Intelligent Traffic Light Scheduling Based on Genetic Algorithm merging Linear Regression, ITLSGMLR)。ITLSGMLR算法在ITLSG算法基礎(chǔ)上加以改進(jìn)。該算法采用線性回歸算法來預(yù)測(cè)下一個(gè)單位時(shí)間進(jìn)入各個(gè)路口的車流量,目的是提前獲知下一個(gè)單位時(shí)間路網(wǎng)中各個(gè)路口的交通流狀態(tài)。該算法通過遺傳算法的適應(yīng)度函數(shù)來選擇可以誘使下一個(gè)單位時(shí)間交通流達(dá)到最優(yōu)的當(dāng)前交通燈調(diào)度方案。交通流預(yù)測(cè)可以輔助GA搜索出更優(yōu)的交通燈調(diào)度方案,從而優(yōu)化了全路網(wǎng)整體交通流。實(shí)驗(yàn)仿真結(jié)果表明：ITLSGMLR算法性能優(yōu)于ITLSG算法。3.提出一種基于遺傳算法結(jié)合自回歸預(yù)測(cè)模型的智能交通燈調(diào)度算法(Intelligent Traffic Light Scheduling Based on Genetic Algorithm merging Autoregressive model, ITLSGMAR)。ITLSGMAR算法在ITLSGMLR算法基礎(chǔ)上加以改進(jìn)。由于交通流會(huì)受到一些不可預(yù)測(cè)因素的影響,例如交通事故,道路關(guān)閉等等,記錄的歷史車流量狀態(tài)信息不一定可以反映出交通流狀態(tài)特征,導(dǎo)致預(yù)測(cè)數(shù)據(jù)不準(zhǔn)確。為了解決交通流預(yù)測(cè)不準(zhǔn)確的問題,ITLSGMAR算法不同于ITLSGMLR算法,采用了自回歸模型來預(yù)測(cè)交通流,提升預(yù)測(cè)效果,從而可以提前獲知更加準(zhǔn)確的交通流狀態(tài)信息,誘使遺傳算法搜索出更優(yōu)的交通燈調(diào)度方案。實(shí)驗(yàn)結(jié)果表明：ITLSGMAR算法調(diào)度性能優(yōu)于ITLSGMLR算法。
【關(guān)鍵詞】：交通流優(yōu)化 遺傳算法 機(jī)器學(xué)習(xí) 線性回歸 短時(shí)預(yù)測(cè) 自回歸模型
【學(xué)位授予單位】：華東師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：U491.54;TP18
【目錄】：

• 摘要6-8
• ABSTRACT8-16
• 第一章 緒論16-24
• 1.1 選題研究背景與意義16-17
• 1.2 研究現(xiàn)狀17-20
• 1.2.1 交通燈調(diào)度研究現(xiàn)狀17-19
• 1.2.2 交通流預(yù)測(cè)研究現(xiàn)狀19-20
• 1.3 研究方法和論文結(jié)構(gòu)20-22
• 1.3.1 研究方法20-21
• 1.3.2 論文結(jié)構(gòu)21-22
• 1.4 本章小結(jié)22-24
• 第二章 調(diào)度相關(guān)算法介紹24-32
• 2.1 遺傳算法24-26
• 2.2 機(jī)器學(xué)習(xí)算法26-30
• 2.2.1 機(jī)器學(xué)習(xí)算法概述26-27
• 2.2.2 線性回歸算法27-28
• 2.2.3 自回歸模型預(yù)測(cè)算法28-30
• 2.3 本章小節(jié)30-32
• 第三章 基于遺傳算法和線性回歸的智能交通燈調(diào)度研究32-64
• 3.1 基于遺傳算法的交通燈調(diào)度32-43
• 3.1.1 算法調(diào)度架構(gòu)32-33
• 3.1.2 ITLSG算法介紹33-43
• 3.2 基于遺傳算法和線性回歸的交通燈調(diào)度43-49
• 3.2.1 算法調(diào)度架構(gòu)43-44
• 3.2.2 ITLSGMLR算法介紹44-49
• 3.3 仿真交通場(chǎng)景的設(shè)計(jì)49-54
• 3.3.1 交通場(chǎng)景描述49-50
• 3.3.2 數(shù)據(jù)表結(jié)構(gòu)介紹50-53
• 3.3.3 車輛分流情況描述53-54
• 3.4 懲罰值變量54-57
• 3.4.1 懲罰值定義54-55
• 3.4.2 懲罰值計(jì)算方法55-57
• 3.5 實(shí)驗(yàn)結(jié)果與性能評(píng)估57-62
• 3.5.1 基于遺傳算法的交通燈調(diào)度算法結(jié)果評(píng)估57-59
• 3.5.2 基于遺傳算法和線性回歸算法的交通燈調(diào)度算法結(jié)果評(píng)估59-62
• 3.6 本章小結(jié)62-64
• 第四章 融合自回歸模型短時(shí)預(yù)測(cè)的智能交通燈調(diào)度研究64-76
• 4.1 算法調(diào)度架構(gòu)64-66
• 4.1.1 調(diào)度架構(gòu)64-65
• 4.1.2 算法調(diào)用過程65-66
• 4.2 ITLSGMAR算法介紹66-69
• 4.2.1 算法介紹66-68
• 4.2.2 算法偽代碼68-69
• 4.3 實(shí)驗(yàn)結(jié)果與性能分析69-75
• 4.4 本章小結(jié)75-76
• 第五章 總結(jié)與展望76-80
• 5.1 論文總結(jié)76-77
• 5.2 未來工作77-80
• 附錄80-88
• 附錄A 遺傳算法Java功能代碼80-83
• 附錄B 線性回歸預(yù)測(cè)模型MATLAB代碼83-85
• 附錄C 自回歸預(yù)測(cè)模型MATLAB代碼85-88
• 參考文獻(xiàn)88-98
• 攻讀碩士學(xué)位期間發(fā)表論文和參與科研項(xiàng)目情況98-100
• 致謝100

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前1條

1 陳麗娜;王小樂;鄧蘇;;CPS體系結(jié)構(gòu)設(shè)計(jì)[J];計(jì)算機(jī)科學(xué);2011年05期

，

本文編號(hào)：1085865