随着社会的发展和城市人口的增加,交通拥堵日益成为当今城市管理的关键问题。特别是对于一些大中型城市,如哈尔滨、西安、北京等^[1],大多数路段在高峰时段处于过饱和状态。导致路网性能不佳（出行不畅）的原因可能是不合理的信号策略,但也可能是由于排队回流导致车辆无法按照信号灯所示行驶。如何控制路口信号灯,避免排队回流情况的出现已经成为研究人员亟待解决的问题。从城市交通管理的宏观要求来看,虽然减少每个车辆的等待时间至关重要,但也要避免或减少整个交通网络的排队回流的出现,尤其是在主干道部分。因此,对于交通流过饱和的城市,我们应以避免排队回流出现为主要目标,更加关注拥堵将要或已经发生的路段。因此,在使用整个网络的微观综合性能指标作为优化问题目标函数的同时,应将对排队长度的直接约束作为路网优化计算的约束条件。此外,由于近年来交通监控设备越来越完善,交通流等数据的检测与存储越来越普遍,基于数据进行交通相关的研究也越来越多,本文也将讨论如何利用交通数据建立模型进行控制。对于由此非线性模型带来的优化过程计算量随之增大的问题,本文使用了分层递阶结构,将控制问题分解,降低了计算量。在本文中,我们提出了一种新的城市拥堵预测控制算法,其主要关注的是饱和及过饱和情况。研究目的是最小化网络中的拥堵路段数,并通过调整每个路口的信号灯绿时长度来尽可能避免或减少整个路网中排队回流的出现。本文主要工作如下:1)提出针对排队回流的拥堵控制算法,对排队长度施加硬约束,同时对路网均衡性进行优化。针对排队回流问题,在预测控制的优化问题中,增加了对排队长度预测值的硬约束,直接避免排队回流的出现。对于无法全部避免回流的情况,即在优化问题中约束过多造成没有可行域时,通过对不同路段设置不同优先级,根据优先级对约束条件适当放松,从而得到可行域及可行解。此外,在预测控制优化问题的目标函数中增加了均衡化项,以最小化各路段排队车辆数占比与路网总体均值之差为目标函数。通过控制信号灯,均衡化路网排队车辆分布,从根本上缓解了部分路段排队车辆数过多造成的排队回流问题,提高路网利用率。2)建立神经网络预测模型并利用其进行预测控制。利用现有数据训练了一个BP神经网络,从当前状态及未来控制信号预测未来路网所有路段的状态。在优化过程中,利用神经网络反向传播的思想求解优化问题。每次根据控制量预测未来排队长度,预测完毕后从神经网络输出端出发,对输入端进行修正,不断进行迭代,梯度下降寻找可行解及局部最优解。3)利用递阶控制结构实现对大规模城市路网的拥堵控制。建立了以均衡化路网整体车辆分布为整体目标的两层控制结构。上层控制器优化子路网之间交换车辆数,并对子路网的最佳排队车辆数进行指导。子路网优化内部总体排队车辆数并使得各子路网内变量接近上层设定值。