城市交通流受時(shí)間與空間因素的影響,文章綜合考慮交通流的時(shí)空相關(guān)性,進(jìn)行了時(shí)空維度的交通數(shù)據(jù)處理與交通協(xié)同控制;采用遺傳算法（genetic algorithm,GA）小波神經(jīng)網(wǎng)絡(luò)（wavelet neural network,WNN）模型與最小二乘法對(duì)時(shí)空維度的交通數(shù)據(jù)進(jìn)行融合,建立了時(shí)空相關(guān)的城市交通協(xié)同控制模型;結(jié)合GA群體搜索技術(shù)與粒子群優(yōu)化（particle swarm optimization,PSO）快速收斂能力,提出了基于GA-PSO的協(xié)同控制求解模型。實(shí)例驗(yàn)證結(jié)果表明,考慮交通流時(shí)空特性影響的協(xié)同控制能有效減小路網(wǎng)行程時(shí)間、優(yōu)化交通控制參數(shù),從而能達(dá)到均衡路網(wǎng)交通分布、緩解城市交通擁堵的目的。 

【文章來(lái)源】：合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020年05期 北大核心

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

路段交通流時(shí)空關(guān)系圖

考慮交通流的時(shí)空特性,采用GA-PSO求解協(xié)同控制模型的流程如圖2所示。在交通流數(shù)據(jù)時(shí)空變化特性分析基礎(chǔ)上,采用時(shí)空融合數(shù)據(jù)在時(shí)空飽和度、行程時(shí)間約束下,利用GA-PSO算法以消除交通擁堵、保證路網(wǎng)行程時(shí)間最小為目標(biāo),對(duì)協(xié)同區(qū)域內(nèi)各路段交通參數(shù)進(jìn)行優(yōu)化。(1) 收集協(xié)同區(qū)域內(nèi)的實(shí)測(cè)交通流數(shù)據(jù),在時(shí)空相關(guān)性分析基礎(chǔ)上,利用GA-WNN模型進(jìn)行處理,采用最小二乘法進(jìn)行動(dòng)態(tài)加權(quán)融合,得到具有時(shí)空特性的融合交通流數(shù)據(jù)序列,以此作為協(xié)同控制模型的輸入交通參數(shù)。

本文算例分析的道路網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖3所示。圖3中,A、B、C、D、E、F、G、H、L、M分別表示交叉口位置。該道路網(wǎng)主要包括黃山路、科學(xué)大道、香樟大道等主要干道,天智路與天柱路等次要干道,以及夢(mèng)園路與天湖路等支路;路網(wǎng)中不同等級(jí)的道路相交形成了不同形式的丁字形、十字形等交叉口,用于模型驗(yàn)證具有代表性。該路網(wǎng)中多數(shù)路段與交叉口布設(shè)了微波、視頻、地磁等車輛檢測(cè)設(shè)備,交通流數(shù)據(jù)獲取方便。由于夢(mèng)園路、天柱路路段無(wú)交通檢測(cè)器,為保證交通數(shù)據(jù)獲取的準(zhǔn)確性,選用黃山路與科學(xué)大道、黃山路與天智路、香樟大道與天湖路、科學(xué)大道與天湖路以及天智路與天湖路5個(gè)路口范圍對(duì)協(xié)同控制模型進(jìn)行分析�？紤]到工作日交通流的相似性與交通數(shù)據(jù)的完整性,采用2016年7月4日—7月8日的交通流數(shù)據(jù)進(jìn)行模型計(jì)算。為了反映樣本數(shù)據(jù)采集的時(shí)效性,同時(shí)降低交通流波動(dòng)對(duì)數(shù)據(jù)采集結(jié)果的影響,將交通數(shù)據(jù)進(jìn)行5 min的時(shí)間間隔劃分,即1 d有288組樣本數(shù)據(jù)。對(duì)采集數(shù)據(jù)進(jìn)行處理并核查,發(fā)現(xiàn)數(shù)據(jù)集中缺失了36條數(shù)據(jù),占總數(shù)據(jù)的2.5%。為減少缺失值對(duì)協(xié)同控制的影響,將其他工作日同一時(shí)間采集數(shù)據(jù)的平均值填充至相應(yīng)的數(shù)據(jù)缺失部分。


本文編號(hào)：2950526