車輛的日益增加導致交通擁堵頻發(fā),使得人們出行時間明顯增長、車輛燃料消耗和氣體排放量明顯增加,不僅影響了人們出行的舒適度還對環(huán)境造成了巨大的污染,因此交通擁堵問題亟待解決。交通路口是各向交通流的交匯處,也是交通擁堵頻發(fā)的地段之一,因此若能在交通路口進行合理、高效地交通燈控制就能有效地預防和緩解交通擁堵。但是大多數(shù)自適應交通燈控制方法只考慮路口的車輛排隊長度或者交通流量等單一的參數(shù),沒有考慮相鄰路口交通容量對當前路口的影響;或者只考慮單路口的交通燈控制沒有考慮與周圍交通燈的協(xié)同控制。對于上述問題本文針對交通路口結合霧計算、道路流量處理能力和強化學習理論提出一種基于道路實時容量的交通燈控制算法（RTCR）。該算法在端-邊-霧-云平臺上設定每個路口對應一個Agent,由于各路口的交通流信息會在霧層進行共享,所以各路口可以獲取自己相鄰路口的交通流信息來優(yōu)化自身的交通燈決策。RTCR算法利用道路流量處理能力以及車輛排隊長度等信息計算交通燈相位順序。結合強化學習中的Deep Q-learning Network（DQN）算法、自身路口以及相鄰路口交通流信息共同計算、優(yōu)化當前交通路口的各相位綠燈時長,... 

【文章來源】：西安理工大學陜西省

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【文章目錄】：
摘要
英文摘要
1 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 自適應控制系統(tǒng)
        1.2.2 自適應交通燈控制算法
    1.3 主要研究內(nèi)容
    1.4 論文結構
2 相關理論與技術概述
    2.1 霧計算
        2.1.1 霧計算概述
        2.1.2 霧計算的應用
    2.2 強化學習
        2.2.1 強化學習基本原理
        2.2.2 馬爾可夫決策過程
        2.2.3 Q-learning算法
    2.3 深度強化學習
        2.3.1 深度強化學習基本原理
        2.3.2 DQN算法
    2.4 交通燈控制基礎理論
    2.5 交通燈控制方式
    2.6 本章小結
3 基于端-邊-霧-云體系與強化學習的交通燈智能調(diào)控機制
    3.1 基于端-邊-霧-云體系的交通燈管理系統(tǒng)
    3.2 道路流量處理能力
    3.3 基于強化學習中DQN算法的交通燈控制機制
    3.4 本章小結
4 基于道路實時容量的單路口交通燈控制算法
    4.1 單路口控制算法
    4.2 仿真環(huán)境及參數(shù)設置
        4.2.1 VISSIM與 Python的簡介
        4.2.2 搭建VISSIM-Python仿真平臺
        4.2.3 仿真參數(shù)
    4.3 仿真結果與分析
    4.4 本章小結
5 基于道路實時容量的多路口交通燈控制算法
    5.1 多路口控制算法
    5.2 仿真環(huán)境及參數(shù)設置
    5.3 仿真結果與分析
    5.4 本章小結
6 總結與展望
    6.1 總結
    6.2 展望
致謝
參考文獻
攻讀學位期間主要研究成果



本文編號：3197140