城市交通擁堵問題隨著中國(guó)城鎮(zhèn)化和機(jī)動(dòng)化進(jìn)程的迅猛發(fā)展日益凸顯,建立有效的交通控制方法提高路網(wǎng)運(yùn)行效率是當(dāng)前亟需解決的問題。但由于交通系統(tǒng)本身規(guī)模巨大、關(guān)聯(lián)復(fù)雜、非線性和隨機(jī)性強(qiáng)的特征,交通控制方法的可行性和有效性通常受到以下幾個(gè)因素的影響:1)路網(wǎng)模型:路網(wǎng)模型精確度和在線優(yōu)化問題復(fù)雜度是交通控制需要兼顧的兩點(diǎn)。雖有不少有效的確定性交通流模型,但是由于交通隨機(jī)性的特性,模型演化與實(shí)際交通流之間的偏差仍然存在。2)路網(wǎng)規(guī)模:大規(guī)模路網(wǎng)中各路口和路段的交通狀況相互耦合,導(dǎo)致優(yōu)化問題中控制變量數(shù)急劇增大,面臨是否實(shí)際可行的問題。3)路網(wǎng)檢測(cè)信息:長(zhǎng)久以來城市交通控制系統(tǒng)應(yīng)用的交通信息主要來源于道路上檢測(cè)線圈、路口攝像頭等固定檢測(cè)設(shè)備,而固定檢測(cè)設(shè)備只能獲得路網(wǎng)中特定位置橫切面的交通流信息,無法直接從宏觀上掌握整個(gè)路網(wǎng)的交通狀況。近些年隨著車聯(lián)網(wǎng)技術(shù)的發(fā)展,車輛與車輛之間、車輛與路邊設(shè)備之間可以通過無線技術(shù)實(shí)現(xiàn)相互通信。因此除了交通流信息,具體車輛的位置、速度、加速度及行駛路徑等信息也可以被實(shí)時(shí)檢測(cè)。這些豐富的實(shí)時(shí)交通數(shù)據(jù)可以更清晰地反映出整個(gè)路網(wǎng)的交通狀態(tài),同時(shí)也使得交通控制問題變得更復(fù)雜,... 

【文章來源】：上海交通大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：158 頁

【學(xué)位級(jí)別】：博士

【部分圖文】：

–1傳統(tǒng)信號(hào)控制主要研究?jī)?nèi)容Figure1–1Theresearchworkabouttrafficsignalcontrol

上海交通大學(xué)博士學(xué)位論文第四章大規(guī)模路網(wǎng)區(qū)域流量協(xié)調(diào)控制圖4–1區(qū)域路網(wǎng)宏觀基本圖Figure4–1MacroscopicFundamentalDiagramsofaregion，MFD圖4–2由實(shí)際數(shù)據(jù)獲得的日本橫濱市MFD曲線圖[107]Figure4–2MFDcurveofYokohamabasedonrealtrafficdatain[107]在現(xiàn)有文獻(xiàn)中，很多研究學(xué)者應(yīng)用交通數(shù)據(jù)擬合式4–2中的函數(shù)f來描述區(qū)域路網(wǎng)交通流量與密度之間的關(guān)系[33,102-104]。但由于路網(wǎng)內(nèi)部控制方案的變化、車輛行駛路徑的動(dòng)態(tài)調(diào)整以及交通系統(tǒng)本身的隨機(jī)性特征，MFD曲線的形狀不是靜態(tài)不變。因此在本章節(jié)中我們提出區(qū)域路網(wǎng)隨機(jī)宏觀基本圖的概念。假設(shè){f(Dz);Dz∈[0,Dz,jam]}為高斯過程，即任一平均交通密度對(duì)應(yīng)的平均車流量服從正態(tài)分布，其均值和方差分別記為μDz和σDz，如圖4–3所示。由于路網(wǎng)的平均車輛密度Dz與路網(wǎng)內(nèi)車輛總數(shù)Xz呈線性比例關(guān)系，我們可以進(jìn)一步得到：Qz=f(Xz)～N(μXz,σXz)(4–4)在模型求解中，應(yīng)用高斯過程回歸對(duì)采集的樣本數(shù)據(jù)對(duì)(Xz,Qz)進(jìn)行回歸分析，建立區(qū)域路網(wǎng)的隨機(jī)宏觀交通流模型。在該模型中，路網(wǎng)內(nèi)某車輛總數(shù)Xz下路網(wǎng)平均車流量服從正態(tài)分布，其均值和方差分別記為μXz和σXz。高斯過程回歸是使用高斯過程這一先驗(yàn)知識(shí)對(duì)數(shù)據(jù)進(jìn)行回歸分析的非參數(shù)模型，其詳細(xì)推導(dǎo)過程可參考[109]，在這里我們并不贅述。隨機(jī)宏觀基本圖模型的建立過程將在第4.4.2節(jié)作詳細(xì)說明�！�51—

上海交通大學(xué)博士學(xué)位論文第四章大規(guī)模路網(wǎng)區(qū)域流量協(xié)調(diào)控制圖4–1區(qū)域路網(wǎng)宏觀基本圖Figure4–1MacroscopicFundamentalDiagramsofaregion，MFD圖4–2由實(shí)際數(shù)據(jù)獲得的日本橫濱市MFD曲線圖[107]Figure4–2MFDcurveofYokohamabasedonrealtrafficdatain[107]在現(xiàn)有文獻(xiàn)中，很多研究學(xué)者應(yīng)用交通數(shù)據(jù)擬合式4–2中的函數(shù)f來描述區(qū)域路網(wǎng)交通流量與密度之間的關(guān)系[33,102-104]。但由于路網(wǎng)內(nèi)部控制方案的變化、車輛行駛路徑的動(dòng)態(tài)調(diào)整以及交通系統(tǒng)本身的隨機(jī)性特征，MFD曲線的形狀不是靜態(tài)不變。因此在本章節(jié)中我們提出區(qū)域路網(wǎng)隨機(jī)宏觀基本圖的概念。假設(shè){f(Dz);Dz∈[0,Dz,jam]}為高斯過程，即任一平均交通密度對(duì)應(yīng)的平均車流量服從正態(tài)分布，其均值和方差分別記為μDz和σDz，如圖4–3所示。由于路網(wǎng)的平均車輛密度Dz與路網(wǎng)內(nèi)車輛總數(shù)Xz呈線性比例關(guān)系，我們可以進(jìn)一步得到：Qz=f(Xz)～N(μXz,σXz)(4–4)在模型求解中，應(yīng)用高斯過程回歸對(duì)采集的樣本數(shù)據(jù)對(duì)(Xz,Qz)進(jìn)行回歸分析，建立區(qū)域路網(wǎng)的隨機(jī)宏觀交通流模型。在該模型中，路網(wǎng)內(nèi)某車輛總數(shù)Xz下路網(wǎng)平均車流量服從正態(tài)分布，其均值和方差分別記為μXz和σXz。高斯過程回歸是使用高斯過程這一先驗(yàn)知識(shí)對(duì)數(shù)據(jù)進(jìn)行回歸分析的非參數(shù)模型，其詳細(xì)推導(dǎo)過程可參考[109]，在這里我們并不贅述。隨機(jī)宏觀基本圖模型的建立過程將在第4.4.2節(jié)作詳細(xì)說明�！�51—

【參考文獻(xiàn)】：
期刊論文
[1]基于遺傳算法的交通信號(hào)控制多目標(biāo)優(yōu)化[J]. 李瑞敏,陸化普.  長(zhǎng)安大學(xué)學(xué)報(bào)(自然科學(xué)版). 2009(03)
[2]基于模糊邏輯的交通信號(hào)控制與仿真研究[J]. 臧利林,賈磊,林忠琴.  公路交通科技. 2006(04)
[3]單路口交通信號(hào)多相位實(shí)時(shí)控制模型及其算法[J]. 徐勛倩,黃衛(wèi).  控制理論與應(yīng)用. 2005(03)
[4]基于再勵(lì)學(xué)習(xí)和遺傳算法的交通信號(hào)自組織控制[J]. 歐海濤,楊煜普,張文淵,許曉鳴.  電機(jī)與控制學(xué)報(bào). 2000(02)



本文編號(hào)：3495882