城市快速路主線(xiàn)車(chē)流與入口匝道車(chē)流的交織會(huì)導(dǎo)致主線(xiàn)交織區(qū)通行能力下降,形成交通擁擠。傳統(tǒng)方法常采用控制入口匝道流量降低交織行為比例以緩解擁擠,但存在控制遲滯性缺陷,為此,提出了一種集成擁堵預(yù)測(cè)及多入口匝道協(xié)同的主動(dòng)控制方法。以準(zhǔn)確判別交織區(qū)交通流狀態(tài)為目標(biāo),為基于深度學(xué)習(xí)的交織區(qū)交通擁堵預(yù)測(cè)方法奠定基礎(chǔ),建立了一種基于投影尋蹤的快速路交織區(qū)交通狀態(tài)判別方法。考慮投影尋蹤的模型特性,定義了交通狀態(tài)系數(shù);分析聚類(lèi)效果評(píng)價(jià)指標(biāo)的數(shù)值關(guān)系,引入正則化系數(shù),建立了聚類(lèi)效果評(píng)價(jià)系數(shù)表達(dá)式;采用提出的改進(jìn)式遺傳算法,結(jié)合K-means聚類(lèi)算法,計(jì)算獲得聚類(lèi)中心和最優(yōu)投影方向;應(yīng)用最優(yōu)投影方向?qū)⒔煌鲄?shù)轉(zhuǎn)化為交通狀態(tài)系數(shù),判定鄰近聚類(lèi)中心,獲取相應(yīng)的交通流狀態(tài)。新的交通狀態(tài)判別方法克服了傳統(tǒng)方法對(duì)專(zhuān)家經(jīng)驗(yàn)的依賴(lài)性,解決了熵權(quán)法的信息熵過(guò)量估計(jì)問(wèn)題。對(duì)比實(shí)驗(yàn)表明,新方法狀態(tài)判別準(zhǔn)確率為96.63%,較神經(jīng)元網(wǎng)絡(luò)和決策樹(shù)算法分別提高了5.58%和7.01%,能夠準(zhǔn)確判別交織區(qū)交通流狀態(tài);依據(jù)狀態(tài)判別方法,獲得各狀態(tài)通行能力及臨界占有率。以新的狀態(tài)判別方法為基礎(chǔ),應(yīng)用卷積神經(jīng)元網(wǎng)絡(luò)模型架構(gòu),采用交叉熵作為代... 

【文章來(lái)源】：東南大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

首次雜交后搜索空間圖2-1中灰色區(qū)域?yàn)榭山邮苡颍谝淮碾s交運(yùn)算可視為新球面上的新一輪搜索，

東南大學(xué)碩士學(xué)位論文12圖2-1首次雜交后搜索空間圖2-1中灰色區(qū)域?yàn)榭山邮苡颍谝淮碾s交運(yùn)算可視為新球面上的新一輪搜索，新個(gè)體位于可接受域的概率是不變的。在個(gè)體數(shù)量不變時(shí)，初始數(shù)輪迭代的新個(gè)體位于可接受域的概率是不會(huì)隨著雜交行為改變的。當(dāng)?shù)\(yùn)算至后期，較優(yōu)個(gè)體逐漸占領(lǐng)種群，雜交行為相當(dāng)于在優(yōu)勢(shì)個(gè)體所在范圍內(nèi)進(jìn)行重搜索，增大了搜索到最優(yōu)解的概率，如圖2-2所示。圖2-2迭代后期雜交運(yùn)算示意圖綜上所述，初期的雜交運(yùn)算并未使得最優(yōu)解的求解概率增大，相反浪費(fèi)了算力，而迭代后期的雜交運(yùn)算相當(dāng)于在優(yōu)勢(shì)種群的界定范圍內(nèi)進(jìn)行再搜索，增加了最優(yōu)解的求解概率�；谏鲜龇治觯疚奶岢鲭s交概率遞增和延后雜交兩種改進(jìn)策略。雜交概率遞增策略為雜交概率隨著迭代次數(shù)的增加，延后雜交策略為迭代次數(shù)到達(dá)閾值過(guò)后再開(kāi)啟雜交運(yùn)算機(jī)制。自然界中，越高等的動(dòng)物雜交概率越高，雜交概率遞增式遺傳算法與自然規(guī)律相符；延后雜交式遺傳算法雖與自然規(guī)律不符，但算法機(jī)制對(duì)模型有利。（2）計(jì)算流程步驟1：生成初始化種群，初始種群限制條件為式（2.8）。步驟2：個(gè)體適應(yīng)度評(píng)價(jià)。根據(jù)優(yōu)化的目標(biāo)函數(shù)設(shè)計(jì)適應(yīng)度函數(shù)，并計(jì)算種群中每個(gè)個(gè)體的適應(yīng)度值。采用聚類(lèi)效果評(píng)價(jià)系數(shù)作為個(gè)體適應(yīng)度值：

第二章交織區(qū)交通狀態(tài)判別方法13（2.9）步驟3：選擇運(yùn)算。將所有個(gè)體適應(yīng)度值進(jìn)行排序，將適應(yīng)度值較大的個(gè)體按照一定的規(guī)則遺傳到下一代。步驟4：雜交運(yùn)算。根據(jù)設(shè)定的雜交概率將兩個(gè)相互配對(duì)的染色體以某種方式進(jìn)行部分基因交換，從而產(chǎn)生兩個(gè)新的個(gè)體，雜交概率為。雜交概率遞增式遺傳算法中，雜交概率隨著迭代次數(shù)的增加不斷增大，延后雜交式遺傳算法雜交機(jī)制會(huì)于迭代次數(shù)到達(dá)后開(kāi)啟。步驟5：變異運(yùn)算。按照變異概率將染色體某些基因值用其他值替代形成新的個(gè)體。步驟6：終止條件判斷。當(dāng)?shù)螖?shù)達(dá)到預(yù)設(shè)的最大迭代次數(shù)時(shí)，輸出當(dāng)前適應(yīng)度最大的個(gè)體作為最優(yōu)解，計(jì)算結(jié)束。（3）算法驗(yàn)證分別采用傳統(tǒng)遺傳算法、延后雜交式遺傳算法與雜交概率遞增式遺傳算法計(jì)算模型的最優(yōu)投影方向。迭代數(shù)為100，傳統(tǒng)遺傳算法雜交概率為0.1，變異概率為0.01；設(shè)置雜交概率遞增式遺傳算法雜交概率為1000（2.10）式中，為當(dāng)前迭代次數(shù)。延后雜交式遺傳算法設(shè)置0，其余與傳統(tǒng)遺傳算法相同。以種群中最優(yōu)個(gè)體的適應(yīng)度值為評(píng)價(jià)指標(biāo)，最終結(jié)果如圖2-3所示。圖2-3三種遺傳算法計(jì)算結(jié)果示意圖在圖2-3中，迭代次數(shù)達(dá)到50后，雜交概率遞增式遺傳算法的最優(yōu)個(gè)體適應(yīng)值已經(jīng)明顯高于其余兩者，證明算法最優(yōu)解的計(jì)算速度得到了提高；在接近最優(yōu)解階段，傳統(tǒng)遺傳算法出現(xiàn)了最優(yōu)個(gè)體消失現(xiàn)象，雜交概率遞增式遺傳算法也出現(xiàn)了此現(xiàn)象，但是其適應(yīng)值的跌落趨勢(shì)明顯小于傳統(tǒng)遺傳算法，說(shuō)明算法的穩(wěn)定性也得到了改善；延后雜交式遺傳算法沒(méi)有出現(xiàn)最優(yōu)解消失現(xiàn)象，其穩(wěn)定性?xún)?yōu)于其余兩者，但是其最優(yōu)解的尋找

【參考文獻(xiàn)】：
期刊論文
[1]基于權(quán)值優(yōu)化的FCM-MSVM算法及其在高速公路狀態(tài)判別中的應(yīng)用[J]. 李曉璐,于昕明,杜崇,張溪,張彭,朱廣宇.  北京交通大學(xué)學(xué)報(bào). 2018(04)
[2]基于RFID和視頻監(jiān)測(cè)的城市交通運(yùn)行狀態(tài)模糊判別（英文）[J]. 陳征,劉釗,王靜,郭建華.  交通信息與安全. 2018(02)
[3]基于遺傳算法的動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)城市快速路入口匝道控制[J]. 張偉,肖日東,鄧晶.  公路交通科技. 2017(02)
[4]城市快速路交織區(qū)通行能力估計(jì)模型[J]. 孫劍,胡家琦,孫杰.  中國(guó)公路學(xué)報(bào). 2016(04)
[5]基于投影尋蹤動(dòng)態(tài)聚類(lèi)的快速路交通狀態(tài)判別[J]. 邴其春,龔勃文,楊兆升,林賜云,曲鑫.  西南交通大學(xué)學(xué)報(bào). 2015(06)
[6]基于變量選擇-神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜路網(wǎng)短時(shí)交通流預(yù)測(cè)[J]. 蔣士正,許榕,陳啟美.  上海交通大學(xué)學(xué)報(bào). 2015(02)
[7]基于PID神經(jīng)網(wǎng)絡(luò)的快速路入口匝道控制[J]. 劉平,任建亭.  科學(xué)技術(shù)與工程. 2011(32)
[8]基于最小二乘支持向量機(jī)的交通流量預(yù)測(cè)模型[J]. 趙亞萍,張和生,周卓楠北京交通大學(xué)電氣工程學(xué)院,楊軍,潘成,賈利民.  北京交通大學(xué)學(xué)報(bào). 2011(02)
[9]基于時(shí)空特性和RBF神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)[J]. 高為,陸百川,贠天鸝,譚偉.  交通信息與安全. 2011(01)
[10]基于模糊聚類(lèi)和判別分析的交通狀態(tài)提取算法[J]. 竇慧麗,王國(guó)華.  交通信息與安全. 2010(02)

博士論文
[1]基于集成神經(jīng)網(wǎng)絡(luò)的城市道路交通流量融合預(yù)測(cè)研究[D]. 李存軍.西南交通大學(xué) 2004

碩士論文
[1]基于Elman神經(jīng)網(wǎng)絡(luò)的高速公路入口匝道預(yù)測(cè)控制仿真研究[D]. 何玉婉.西南交通大學(xué) 2008



本文編號(hào)：3609719