發(fā)布時(shí)間：2018-10-04 19:31

【摘要】：隨著城市化的推進(jìn)和機(jī)動(dòng)車保有量的不斷增長(zhǎng),城市道路交通面臨著巨大壓力,擁堵問題層出不窮,而延誤主要發(fā)生在交叉口,因此,交叉口的信號(hào)控制對(duì)道路交通的健康運(yùn)行有著舉足輕重的作用。由于傳統(tǒng)的定時(shí)信號(hào)控制方法不能適應(yīng)隨機(jī)變化的交通流,可以根據(jù)交通流的變化實(shí)時(shí)的調(diào)整配時(shí)方案的智能控制方法逐漸成為提高交叉口通行效率的有效解決方案。首先,本文在傳統(tǒng)信號(hào)配時(shí)的基礎(chǔ)上提出了定時(shí)控制的優(yōu)化模型。綜合考慮延誤、停車率和通行能力三個(gè)指標(biāo),建立了基于粒子群算法的多目標(biāo)優(yōu)化模型。在降低延誤和停車率的同時(shí)盡量增大交叉口的通行能力,并通過實(shí)際案例分析,驗(yàn)證了模型的有效性。其次,本文研究了基于模糊控制的智能控制方法。模糊控制方法包含綠燈延時(shí)模塊和相序優(yōu)化模塊,綠燈延時(shí)模塊根據(jù)車輛排隊(duì)長(zhǎng)度調(diào)節(jié)綠燈時(shí)長(zhǎng),相序優(yōu)化模塊根據(jù)不同相位的對(duì)通行權(quán)的需求度來(lái)調(diào)整相位順序。模糊控制方案可以根據(jù)不斷變化的交通流智能地調(diào)整配時(shí)方案,降低交叉口的車輛平均延誤。然后,在模糊控制的基礎(chǔ)上,本文引入神經(jīng)網(wǎng)絡(luò)建立了模糊神經(jīng)網(wǎng)絡(luò)信號(hào)控制方法。該方法可以發(fā)揮神經(jīng)網(wǎng)絡(luò)的自主學(xué)習(xí)優(yōu)勢(shì),利用大量的實(shí)際數(shù)據(jù)對(duì)模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和學(xué)習(xí),得到可以適應(yīng)不同狀況交通流的智能控制方案,有效提高交叉口的運(yùn)行效率。最后,論文基于實(shí)際交叉口建立了交通信號(hào)控制仿真模型,對(duì)論文提出的三種控制方法進(jìn)行了仿真分析。延誤對(duì)比表明,模糊神經(jīng)網(wǎng)絡(luò)控制的控制效果最好,延誤相對(duì)定時(shí)控制降低20%-30%,模糊控制次之,相對(duì)定時(shí)控制降低10%-15%。最后對(duì)模糊神經(jīng)網(wǎng)絡(luò)控制仿真過程中的車輛排隊(duì)長(zhǎng)度與配時(shí)方案的變化規(guī)律做了詳細(xì)分析,討論了排隊(duì)長(zhǎng)度與配時(shí)結(jié)果的關(guān)系,驗(yàn)證了控制方法的科學(xué)性。
[Abstract]:With the promotion of urbanization and the increasing number of motor vehicles, urban road traffic is facing great pressure, congestion problems emerge in endlessly, and delays mainly occur at intersections. The signal control of intersections plays an important role in the healthy operation of road traffic. Because the traditional timing signal control method can not adapt to the random change of traffic flow, the intelligent control method which can adjust the timing scheme in real time according to the change of traffic flow has gradually become an effective solution to improve the traffic efficiency of intersection. Firstly, based on the traditional signal timing, an optimal timing control model is proposed. A multi-objective optimization model based on particle swarm optimization (PSO) was established by considering delay, parking rate and capacity. At the same time, the delay and parking rate are reduced and the capacity of intersection is increased. The validity of the model is verified by practical case study. Secondly, the intelligent control method based on fuzzy control is studied. The fuzzy control method includes green time delay module and phase sequence optimization module. The green light delay module adjusts the green light time according to the vehicle queue length, and the phase sequence optimization module adjusts the phase order according to the demand of different phases for traffic weight. The fuzzy control scheme can intelligently adjust the timing scheme according to the changing traffic flow and reduce the average vehicle delay at the intersection. Then, on the basis of fuzzy control, this paper introduces neural network to establish a fuzzy neural network signal control method. This method can take advantage of the autonomous learning of neural network, train and learn the fuzzy neural network with a large amount of practical data, and obtain an intelligent control scheme which can adapt to traffic flow in different conditions, and effectively improve the running efficiency of intersection. Finally, the traffic signal control simulation model is established based on the actual intersection, and the three control methods proposed in this paper are simulated and analyzed. The comparison of delay shows that the control effect of fuzzy neural network control is the best, the delay relative timing control is 20% -30%, fuzzy control is the second, and relative timing control is 10% -15%. Finally, the variation law of vehicle queue length and timing scheme in the process of fuzzy neural network control simulation is analyzed in detail, the relationship between queue length and timing result is discussed, and the scientific nature of the control method is verified.
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：U491.54

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 雒冰;魏麗英;;基于粒子群算法的多效益交叉口信號(hào)配時(shí)模型[J];山東科學(xué);2016年06期

2 熊馳飛;呂智林;葉嫣;;考慮排放因素的公交優(yōu)先信號(hào)控制優(yōu)化方法研究[J];交通信息與安全;2012年04期

3 郭煒杰;包曉安;;單交叉路口交通燈實(shí)時(shí)配時(shí)算法的研究[J];工業(yè)控制計(jì)算機(jī);2012年03期

4 陳小紅;錢大琳;石冬花;;基于慢行交通的交叉口信號(hào)配時(shí)多目標(biāo)優(yōu)化模型[J];交通運(yùn)輸系統(tǒng)工程與信息;2011年02期

5 何兆成;招玉華;趙建明;曾偉良;;基于狀態(tài)判別的單點(diǎn)交叉口信號(hào)配時(shí)優(yōu)化方法[J];公路交通科技;2010年07期

6 曹成濤;徐建閩;;單交叉口交通多目標(biāo)控制方法[J];計(jì)算機(jī)工程與應(yīng)用;2010年16期

7 許倫輝;李民生;;基于神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的交叉口可變相序公交優(yōu)先模糊邏輯控制[J];現(xiàn)代交通技術(shù);2009年03期

8 馬瑩瑩;楊曉光;曾瀅;;信號(hào)控制交叉口周期時(shí)長(zhǎng)多目標(biāo)優(yōu)化模型及求解[J];同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年06期

9 王莉;王明哲;周豐;郭法濱;;實(shí)時(shí)自適應(yīng)交通信號(hào)控制CPN建模分析[J];公路交通科技;2008年06期

10 于萬(wàn)霞;杜太行;鄭宏興;于越;;基于粒子群的模糊神經(jīng)網(wǎng)絡(luò)交通流量預(yù)測(cè)[J];微計(jì)算機(jī)信息;2008年04期

相關(guān)博士學(xué)位論文 前2條

1 周申培;考慮排放因素的城市交叉口交通信號(hào)控制策略的研究[D];武漢理工大學(xué);2009年

2 于萬(wàn)霞;基于流量預(yù)測(cè)的城市單交叉路口多相位交通信號(hào)的控制技術(shù)[D];河北工業(yè)大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 謝麗珠;考慮車輛尾氣排放因素的公交信號(hào)優(yōu)先控制策略及微觀仿真研究[D];北京交通大學(xué);2015年

2 龔輝波;考慮多車型排放特性的交叉口信號(hào)控制多目標(biāo)優(yōu)化模型[D];北京交通大學(xué);2014年

3 曾松林;城市單交叉路口交通信號(hào)的控制方法研究[D];西南交通大學(xué);2013年

4 彭飛;城市道路平面交叉口信號(hào)配時(shí)優(yōu)化與仿真研究[D];北京交通大學(xué);2012年

5 邵維;基于TD方法的單交叉口信號(hào)配時(shí)優(yōu)化研究[D];長(zhǎng)沙理工大學(xué);2012年

6 劉金明;基于多目標(biāo)規(guī)劃的城市道路交叉口信號(hào)配時(shí)研究[D];北京交通大學(xué);2011年

7 李年源;同時(shí)考慮行人和機(jī)動(dòng)車效益的交叉口信號(hào)控制優(yōu)化模型[D];北京交通大學(xué);2010年

8 陳虹;城市路口交通信號(hào)的自適應(yīng)模糊控制策略研究[D];西南交通大學(xué);2010年

9 胥勇;城市干線信號(hào)協(xié)調(diào)控制方法研究[D];大連理工大學(xué);2009年

10 李政偉;城市單交叉口信號(hào)配時(shí)設(shè)計(jì)與仿真[D];北京交通大學(xué);2008年

，

本文編號(hào)：2251600