论文部分内容阅读
如今固有的道路设施资源与不断增加的交通需求形成了矛盾,饱和度过高的车流量给交通运行带来了很大的负担。本文从被动的信号控制和主动的交通分配两个角度着手研究路网中交通流的控制问题,围绕单交叉口的信号配时、主干道交通流的协调控制和动态的随机用户平衡分配制定控制方案以达到提高交通效率、改善交通状况的目的。具体工作如下:本文设计了一个两步模糊逻辑控制器对单交叉口进行信号配时,即先决定信号相位,再确定绿灯时间。针对模糊决策决定信号相位会导致相序混乱的问题,引入一个人为的相序规则,结合模糊逻辑一起决定相位以保证信号主相位能被顺序执行。传统的模糊控制器往往以当前的交通流量作为参考输入,本文通过小波神经网络预测车流并把预测量作为控制器输入,使信号控制能间接考虑未来车辆到达率的影响。对于交通流随时间变化的特性,设计了一个时变的隶属度函数来自适应变化的车流量。由于模糊控制器的参数确定困难,引入差分进化算法优化模糊规则避免人为确定控制参数的随意性。仿真结果表明此控制器能显著减少车辆延误。针对主干道交叉口的信号控制问题,本文提出了一个基于离散车队的控制模型。借鉴Robertson离散公式描述上下游的车队离散关系,证明了在干道转向车流较少的情况下,下游车辆到达率满足周期性关系。在此基础上,利用周期数组保存模型中的中间变量使得上下游车流参数的计算可以用“查表”的方式代替“递归”的方式,减少运算时间。当某一交叉口发生占道事故使得车流量过饱和时,通过改进的元胞自动机模型预估通行能力,然后设计排队因子管理干道交叉口的排队车辆,给出目标函数。最后,根据目标函数利用遗传算法优化各交叉口的相位差和绿灯时间。本文给出带流量控制的动态交通分配算法来主动管理交通需求。在出行者的路径概率选择模型上,加入路径重复度感知系数,避免多条路径中重复度高的路段被分配到较高的车流量。由于计算OD点间全部路径十分费时,采取前k条最短路径算法选择路径集。根据这个路径概率模型设计了等价的数学模型并证明路径流量解的唯一性。针对分配流量较高的路段,通过自组织特征映射神经网络聚类与之关联度高的路段。然后给这些路段施加惩罚因子并增加OD点间路径重新分配交通流量。仿真表明,路网中交通流量能达到新的随机用户平衡状态并且高流量路段的车流能被疏散到其他路段。本文从信号配时和车流分配两个角度对交通车流进行控制并对本文的控制方法均做了仿真实验,结果表明,本文的控制策略能有效减少排队车辆,降低车辆延误。