發(fā)布時間：2020-08-15 16:57

【摘要】：隨著大數(shù)據(jù)時代的到來,交通行業(yè)對于海量數(shù)據(jù)的挖掘和運用,是交通發(fā)展的挑戰(zhàn)與機遇,預(yù)示著交通管理與控制方式的轉(zhuǎn)型,解決城市交通問題的重心就是要實現(xiàn)城市交通的智能化。通過計算機收集交通網(wǎng)絡(luò)中的信息,對交通流進行分配調(diào)節(jié),對交通信號進行優(yōu)化,疏導(dǎo)交通保障交通安全與通暢是智能交通控制的目標之一。智能交通系統(tǒng)的快速發(fā)展,使得充分利用車輛與系統(tǒng)的交互信息成為可能,從而能夠更有效的引導(dǎo)車流和優(yōu)化信號,促進交通誘導(dǎo)和信號控制系統(tǒng)的進一步協(xié)同,減少車輛延誤,緩解道路擁擠。在智能交通系統(tǒng)領(lǐng)域內(nèi),部分交通信息是已知的,“根據(jù)這些已知信息對網(wǎng)絡(luò)中的每輛車進行路徑誘導(dǎo),與此同時協(xié)調(diào)優(yōu)化交通信號,使得網(wǎng)絡(luò)中所有車輛的行程時間最小化”是協(xié)同問題的研究目標。傳統(tǒng)的交通路徑誘導(dǎo)和交通信號控制之間的協(xié)同是通過采集實時交通信息,對交通流進行預(yù)測,然后被動的調(diào)整信號配時使之適應(yīng)變化的交通流;或者是路徑誘導(dǎo)系統(tǒng)根據(jù)信號配時的情況對網(wǎng)絡(luò)中的車輛提供動態(tài)交通信息,駕駛員接受信息建議后變換路徑,但是在路徑變換的過程中卻容易受信號控制的限制;路徑誘導(dǎo)和信號優(yōu)化的協(xié)同力度不夠強。在Allsop提出協(xié)同研究的構(gòu)想以來,很多學(xué)者對路段的通行能力,車輛延誤以及信號優(yōu)化等模型進行了研究,并分析了這些因素對協(xié)同模型的影響,增強了交通誘導(dǎo)與信號控制問題的聯(lián)系,建立了許多數(shù)學(xué)模型并且有不錯的成效。在這些模型中,信號優(yōu)化問題的解被提供給交通分配,而交通分配的解又返回給信號優(yōu)化問題,如此重復(fù)迭代,兩個問題之間的耦合基本是點對點的。大部分公式化的協(xié)同模型都是非線性的,可行域為非凸的,因此得到的解很大程度上是局部最優(yōu)解,這對模型的可靠性和實用性有一定的影響。雖然經(jīng)過分析,路徑誘導(dǎo)和信號優(yōu)化模型的解不具有唯一性,但是隨著新興技術(shù)與算法的發(fā)展,結(jié)合現(xiàn)代優(yōu)化算法與軟件技術(shù)找到的近似最優(yōu)解成為了可能。由于協(xié)同問題是一個組合優(yōu)化的過程,如果在原問題中減少一些約束,就可以使得原問題的求解難度大大降低,因此,考慮使用拉格朗日松弛算法。它是通過將目標函數(shù)中造成問題難的約束吸收到目標函數(shù)中,并保持目標函數(shù)的線性關(guān)系,使得問題容易求解。算法有兩個用途,一個可以提供給數(shù)學(xué)模型計算值的下界,另一個就是拉格朗日松弛啟發(fā)式算法,進行次梯度優(yōu)化計算并對次梯度優(yōu)化得到的解改進使其可行。本文研究的“路徑誘導(dǎo)問題”相對于“動態(tài)交通分配”而言,是將交通網(wǎng)絡(luò)中的車輛由整體看作個體,從本質(zhì)上說,“路徑誘導(dǎo)問題”是基于個體的“動態(tài)交通分配問題”。通過分析交通誘導(dǎo)模型和信號優(yōu)化模型的關(guān)系,發(fā)現(xiàn)它們都隱含著交通流演化模型,協(xié)同問題實質(zhì)上是路段流量和交叉口延誤指標之間的依賴關(guān)系,對車輛的路徑誘導(dǎo)是基于路徑上造成車輛的延誤進行的,這些延誤大部分是信號控制的策略導(dǎo)致的,信號控制策略又是根據(jù)路段的集計的車輛軌跡得到的。先前的許多信號優(yōu)化基本模型都隱含著“信號配時范圍內(nèi)的流量是定值”的假設(shè),因此,很多交叉口的信號控制都是基于需求響應(yīng)的周期配時,模型優(yōu)化過程中沒有考慮靈活的相位相序,信號配時安排無法反映隨著時間變化路網(wǎng)車流的重分布。CTM(元胞運輸模型)是對宏觀連續(xù)交通流模型(LWR模型)的離散化近似,基于CTM的動態(tài)網(wǎng)絡(luò)交通流傳播模型可以成功捕捉信號交叉口車輛排隊消散的動態(tài)過程。以CTM以及“儲存-傳送”網(wǎng)絡(luò)為啟發(fā),考慮將空間、相位、時間離散化,分析車輛在空間上隨時間的變化和信號相位在離散化時間下的變化。提出建立空間-時間網(wǎng)絡(luò),相位-時間網(wǎng)絡(luò),將協(xié)同模型以網(wǎng)絡(luò)的形式表示,直觀的反映時變的車輛軌跡和相位相序變化�？臻g-時間網(wǎng)絡(luò)將節(jié)點按照時間離散化,反映出車輛在路網(wǎng)中的運行軌跡,明確車輛在節(jié)點的等待時間;相位-時間網(wǎng)絡(luò)將交叉口信號配時的離散化,可以反映出隨著時間變化的信號相位對車輛重分布的影響。兩個網(wǎng)絡(luò)可以顯性的反應(yīng)時變的車輛路徑和交通信號控制相位�？紤]到該協(xié)同問題是一個組合優(yōu)化問題,提出一個拉格朗日松弛算法框架,通過引入拉格朗日乘子,將原問題分解成一系列的子問題。路徑誘導(dǎo)和交通信號優(yōu)化協(xié)同問題被分解成兩個子問題:給定起訖點和分離時刻的多輛車的路徑誘導(dǎo)問題和交通信號優(yōu)化問題。在路徑誘導(dǎo)子問題中,為每輛車提供的路徑取決于時變路段容量,容量取決于信號優(yōu)化子問題的解;在信號優(yōu)化子問題中,配時的優(yōu)化是以每個時刻集計的車輛軌跡得到路段需求為基礎(chǔ),需求又以路徑誘導(dǎo)問題的解為前提;也就是說,路徑誘導(dǎo)的對偶變量(罰因子)為信號優(yōu)化提供搜索方向。信號優(yōu)化過程中的各交叉口相位采用靈活八相位方式,可以充分考慮各相位在離散化時間下車流量重分布。將路徑誘導(dǎo)和信號優(yōu)化兩個子問題放置于空間-時間網(wǎng)絡(luò)和相位-時間網(wǎng)絡(luò)中,就可以使用搜尋網(wǎng)絡(luò)最短路的方式求解。利用MATLAB編程求解最短路,得到兩個子問題的解,從而得到基于拉格朗日松弛的數(shù)學(xué)模型計算值的下界。再通過基于主體的交通仿真軟件Nexta-DTAlite得到協(xié)同問題的上界,在迭代過程中,下界不斷逼近上界,數(shù)值實驗表明系統(tǒng)最優(yōu)解可以在較小的上下界間隙快速達成。
【學(xué)位授予單位】：東南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：U491
【圖文】：

建立不同情況下的表達式［３３］。通過對車輛先進先出原則的詳細分析與闡述，了解逡逑其流量傳播約束中的重要性，為仿真模型的建立提供有效的理論依據(jù)。逡逑定義一個交通網(wǎng)絡(luò)，令Ｎ為網(wǎng)絡(luò)節(jié)點集，Ｌ為路網(wǎng)中路段的集合。在如圖２＿逡逑１所示的路段上，進入路段ａ的時變的車輛數(shù)與時變的路段上游節(jié)點ｉ和下游節(jié)逡逑點ｊ流入流出率之間的關(guān)系可以用狀態(tài)方程（２－１）表示：逡逑ｄｘａ（0邋＝邐－邋Ｖｊ（ｔ）邐（２－１）逡逑其中：逡逑Ｕ丨（ｔ）：ｔ時刻進入路段ａ上游節(jié)點ｉ的駛?cè)肼�；逡逑Ｖｊ（ｔ）：邋ｔ時刻進入路段ａ下游節(jié)點ｊ的駛出率；逡逑Ａｉ（ｔ）：邋ｔ時亥�。葸M入路段ａ上游節(jié)點ｉ的累積駛?cè)肓�；逡逑９逡�?

提出一種基于容量權(quán)重的排隊模型，根據(jù)該模型，可以構(gòu)建合并瓶頸逡逑處的簡單運動波模型［３７］。逡逑圖２－２為交通瓶頸的示意圖：逡逑路段邋１：邋＜２ｉ．邋ＩＶ邋ｓ”邋Ａ逡逑路心．ｒｆｌ邐

本文編號：2794388