基于Nash-Stackelberg分层博弈模型的路网交通控制强化学习算法

为了解决多交叉口博弈引发的Nash均衡计算复杂度问题，考虑路网中不同交叉口的重要程度和博弈关系，兼顾路网中子区之间及子区内部的交通控制策略，以2个子区内的重要交叉口作为上层博弈主体，次要交叉口作为下层博弈主体，构建了一种Nash-Stackelberg分层博弈(NSHG)模型.然后，提出2种多Agent强化学习算法，即基于NSHG的Q学习(NSHG-QL)算法和基于NSHG的深度Q网络(NSHG-DQN)算法.在实验中，使用NSHG-QL和NSHG-DQN算法在SUMO仿真软件搭建的路网环境中对信号灯进行控制，并与基础博弈模型求解算法进行比较.实验结果表明：NSHG-QL算法和NSHG-DQN算法减少了交叉口内车辆的平均旅行时间和平均时间损失，提高了平均速度；NSHG模型在满足重要交叉口间上层博弈的基础上协调次要交叉口，做出最优策略选择，而且基于分层博弈模型的多Agent强化学习算法能明显提高学习性能和收敛性.     

相邻交叉口混合交通流鲁棒多目标信号优化控制

针对我国城市道路相邻交叉口混合交通流环境下智能信号控制中的不确定性和效率问题,提出一种基于鲁棒多目标优化算法的优化控制方法.设计了相邻交叉口的鲁棒多目标信号优化控制模型,并提出一种新的鲁棒多目标进化算法IDR-NSGA-Ⅱ,通过对自适应抽样技术、鲁棒度定义、鲁棒偏序关系定义等多项关键技术的综合改进,提升了算法的求解精度和运行速度.提出新的多属性决策方法 ELM-MADMA来选择配时方案.上海市相邻交叉口控制的仿真实验结果表明:IDR-NSGA-Ⅱ算法能够有效地实现周期时长扰动和交通流波动下机动车平均延误、道路通行能力、慢行交通平均延误、机动车平均停车率等多项性能指标的最优化控制;与其他决策方法相比,ELM-MADMA能够较好地进行决策,提升相邻交叉口智能信号控制的效率.     

重大事件下的路网交通疏散双层优化模型

针对城市中重大事件期间的交通出行特点,提出基于交通组织的上层优化算法与基于信号控制的"绿波"与"红波"下层协同优化算法,其中对于静态的交通组织优化方案不能及时响应动态疏散需求的问题,通过在时间维度的离散化对上层算法进行优化;根据上层优化结果相应地调整信号控制策略,考虑关键路段的蓄车能力来限制信号周期以及路口可能发生的绿灯空放现象和车辆溢出现象来确定相位差设计范围;并以整体延误最小化、交通通行能力最大化作为优化目标建立路网交通双层优化模型。仿真结果表明,该模型下主要道路交叉口的通行车辆数平均提高7.1%,同时5个道路交叉口的车辆总延误平均减少5.8%,验证了模型在应对重大活动事件造成的道路交通拥堵有更佳的适用性。     

基于多智能体和模糊控制的道路交叉口建模与仿真

利用Agent技术对道路交叉口进行建模,着重介绍了交叉口Agent的内部结构和控制策略.在交叉口控制中应用模糊理论和蚁群算法,提出了一种具有自学习机制的交叉口信号模糊控制方法.对模糊控制规则应用蚁群算法进行优化,使得交叉口Agent具有自学习能力.编制交叉口Agent的仿真程序,将所研究模型的控制效果与传统模糊控制模型的效果进行了比较.仿真实验的结果表明:具有自学习机制的交叉口信号模糊控制方法的效果明显优于传统的模糊控制方式.     

基于交叉口多相位信号控制的路网容量

构建了一种用于描述交叉口多相位信号控制路网容量的双层规划模型.其中,下层模型是一个交叉口多相位信号控制路网用户均衡分配模型,用以求解给定信号配时参数和交通需求量下的路段均衡流量,该模型考虑了各相位下的信号延误.上层模型是一个非线性规划模型,模型以路网容量最大为目标,对信号配时参数和O-D需求量进行优化.双层规划模型采用基于灵敏度分析的BLABD算法求解,算法的主要思想是通过差商的方法估计路段均衡流量对设计变量的导数,从而将上层模型中未知路段流量函数展开为一个线性函数.算例分析结果显示,该算法能有效求解多相位信号控制路网容量问题,具有实用价值.     

基于车道的交叉口车道功能和信号相位优化模型

考虑不同进口道、不同流向、不同车道功能及不同相位方案等复杂因素的相互影响,建立了基于车道的交叉口车道功能和信号相位优化模型。模型目标函数采用交叉口关键流量比最小,考虑进出口道车道平衡、流量匹配、车道功能冲突、合用车道等饱和度等约束,能够同时优化进口道和出口道,给出了模型求解算法。提出的模型变量较少,与目前交通设计方法衔接更好,能够得到全局最优解,求解方法也相对简单。实例验证表明,模型能够有效降低交叉口关键流量比、周期和车均延误。     

信号控制交叉口周期时长多目标优化模型及求解

从城市交通控制目标多样性的本质出发,考虑机动车时间效益、行人时间效益及环境效益,建立以机动车、行人流量为输入,机动车延误最小、行人延误最小及机动车停车率最小为目标的信号控制交叉口周期时长多目标优化模型,简称MOCLO模型.并应用多目标连续蚁群优化算法求解.算例的求解结果显示,连续蚁群优化算法能够均匀地逼近MOCLO模型的Pareto最优前沿的各部分;与F-B方法、ARRB方法相比,MOCLO模型对周期时长的优化结果在机动车时间效益、行人时间效益及环境效益三方面的综合性指标较好;MOCLO模型可提供多个不同特性周期时长以满足不同交通状态的需求.     

基于改进Q学习的双周期干线信号协调控制方法

针对双周期干线信号协调控制中干线协调与双周期交叉口通行效率存在一定矛盾的问题,提出了一种基于改进Q学习的双周期干线信号协调控制方法,从状态空间和动作空间两个方面对Q学习算法进行了改进。首先,提出了新的交通状态描述指标——排队消散指数,依据该指标的阈值对交通状态进行等级划分,降低了Q学习状态空间的维数。其次,综合考虑相邻交叉口交通状态之间的关联和影响,针对每种系统状态分别设定可行的关联动作,降低了Q学习的动作空间。最后,以北京市两广路为例验证了改进的Q学习算法。结果表明,改进Q学习算法相比于普通Q学习算法、固定配时方案,干线平均延误分别减少10.47%、9.93%,平均停车次数分别减少22.64%、7.96%,双周期交叉口平均延误分别减少21.58%、24.96%,平均停车次数分别减少8.51%、11.64%,表明该算法对减少双周期干线延误,降低停车次数具有较为显著作用。     

兼顾管理者需求和用户可接受性的交通诱导系统MPC设计

针对交通诱导系统中可变信息标志(VMS)的控制策略设计,该文在宏观Metanet交通流模型的基础上,研究了VMS诱导控制信号对驾驶员路径选择行为的影响,建立了路网诱导控制的状态方程模型。在模型预测控制(MPC)框架下设计了VMS诱导控制策略,以优化路网所有车辆的总旅行时间和VMS切换性能为目标函数,通过对诱导控制变量引入用户可接受约束,有效兼顾了交通管理者对系统最优的控制需求和交通用户对VMS推荐路径的可接受性。最后设计了基于禁忌搜索的双层并行求解算法对MPC诱导策略进行求解,利用并行计算保证MPC控制的实时性要求。仿真结果表明,该文设计的诱导控制策略能缓解路网拥挤,提高路网通行能力,对系统随机扰动具有较好的抗干扰能力。与基于系统最优的诱导策略和基于用户均衡的诱导策略相比,该控制策略不仅能满足管理者的控制需求,而且能均衡路网车流分布,减少交通用户的延误时间,提高用户对交通诱导系统的满意度。     

基于强化学习算法的公交信号优先策略

综合分析了影响城市公共交通系统运行的多种因素,提出了一种新型的基于强化学习算法的城市公交信号优先控制策略.该策略利用强化学习算法的试错-改进机制,根据不同交通环境下信号控制策略实施后反馈的结果,迭代优化路口的公交信号优先控制策略,从而使其具备了自学习的能力.基于Paramics的仿真实验表明,该算法能够在保障路口正常交通秩序的同时,显著提高公交车运行效率.     

过饱和信号交叉口的多目标控制模型

过饱和条件下信号交叉口优化控制往往是采用可以接受的最大信号周期,忽略了其他性能指标,并非真正意义上的最优。本文以典型的十字交叉口、四相位信号控制为例,根据车辆初始排队长度、车辆实时到达率和离开率,通过对各进口道的延误、通行能力及排队长度分析,建立了过饱和条件下以平均车辆延误最小、通行能力最大、平均车辆排队长度最小为目标函数的多目标信号优化控制模型。该模型以实时交通流的到达情况为依据进行实时优化,不仅考虑了交叉口的交通效率,还考虑了其效益指标,为研究过饱和条件下交叉口的多目标分析提供了有用信息。     

平交路口多相让自适应控制的实时OD递算模型

平面交叉口多相位自适应信号控制需要依据其进口道实时OD流量设置配时参数,以适应变化的交通需求．为此,笔者建立了描述平面交叉口动态交通需求的多变量动态线性模型及其递推算法．该模型基于交叉口进出口断面的流量观测数据,以进口道的分流概率矩阵为状态参数,利用贝叶斯预测方法,对时变OD矩阵进行联线估计．对一特定的T型交叉口交通状态的计算机仿真表明该模型和算法具有较好的精度,能用于交叉口多相位自适应信号控制．     

过饱和信号交叉口的多目标控制模型

过饱和条件下信号交叉口优化控制往往是采用可以接受的最大信号周期,忽略了其他性能指标,并非真正意义上的最优.以典型的十字交叉口、四相位信号控制为例,根据车辆初始排队长度、车辆实时到达率和离开率,通过对各进口道的延误、通行能力及排队长度分析,建立了过饱和条件下以平均车辆延误最小、通行能力最大、平均车辆排队长度最小为目标函数的多目标信号优化控制模型.该模型以实时交通流的到达情况为依据进行实时优化,不仅考虑了交叉口的交通效率,还考虑了其效益指标,为研究过饱和条件下交叉口的多目标分析提供了有用信息.     

部分联网环境下交叉口排队长度估算与信号自适应控制

为改善城市道路交叉口的交通拥堵状况,克服传统交叉口感应控制的弊端,提出了部分车辆联网环境下交叉口实时车辆排队长度的估测算法,建立了基于延误时间最小化的通行优先级计算模型,在此基础上综合考虑交叉口通行安全等因素,设计了交通流向动态组合的交叉口自适应控制方法.为了验证模型与方法的准确性和可行性,通过对VISSIM-COM编程完整地实现了上述控制逻辑,并选取典型交叉口进行仿真验证.结果表明:文中提出的排队长度估测算法具有较高的准确性;相比传统感应控制和固定配时设计,文中提出的控制模型在交叉口平均排队长度方面的优化幅度达70%,平均延误时间分别降低约65%和55%,并且弥补了传统感应控制在接近饱和及过饱和交通状态下疏导能力不足的缺陷,有效地提高了交叉口运行效率.     

基于多状态切换交叉口信号优化控制

在交通信号控制中,针对单一控制模型不能很好适应实时交通流变化的问题,提出基于多状态切换交叉口信号优化控制方法。根据交通流参数,采用自组织特征映射神经网络(SOM)对交叉口交通状态进行识别,依据路口交通状态,动态选择合适的模糊控制器结构。针对模糊控制规则人工设定的问题,采用遗传蚁群算法在线优化两级模糊控制器控制规则。通过仿真研究,给出了不同控制方法下车辆随时间的平均延误曲线,分析了不同交通流下的平均延误,结果表明,所提出方法具有较好控制效果。     

城市交通信号灯配时控制研究与设计

随着我国城市日新月异的发展,机动车数量急剧增加,交叉口的荷载也越来越大。如何利用有限交通资源,使得繁重的交通能够有效地被疏导,是迫在眉睫的事情。本文以单点交叉路口为研究对象,提出了一种基于多目标优化的单点交叉口动态配时算法。根据中国混合交通流的实际情况,建立了多目标信号的动态时序模型,并利用模糊折中将其转化为单目标函数,同时,用改进的粒子群优化算法进行求解,进而得到改善后的配时方案。     

基于Paramics的城市道路复杂交叉口信号控制策略优化研究

基于微观交通仿真平台Paramics,提出了一种针对城市交通路网中复杂交叉口信号控制策略效率评价系统的理论框架与实现方法。作为应用实例,以广州市海珠区的某复杂交叉口为研究对象,通过建立其几何精确的CAD模型,进行现场交通调查获取真实OD的数据,进而建立其微观交通仿真模型。最后,通过加载不同的信号控制方案(包括现行的方案),并仿真分析各方案的运行效率,从理论上寻求最优的方案。实际应用结果表明,所建立的基于微观仿真的城市交叉口信号控制优化方法,能方便、有效、低成本地应用于实际交通工程中,为此类城市交通复杂问题的解决提供有益的理论参考。     

考虑远端停靠站的交叉口公交优先控制方法

建立了考虑交叉口端停靠站排队的公交到站时间计算模型.在此基础上,提出以交叉口和停靠站构成的系统为对象的信号优先控制总体逻辑和优化模型.模型以公交车辆在出口道停靠站时刻表偏差最小和社会车流延误最小为优化目标,能够响应公交车辆"早到"和"晚点"两种情形,同时考虑了相位长度约束、优先策略适用条件约束、公交停靠站排队长度约束和相位饱和度约束.算例针对不同停靠车辆数下信号优先进行了分析,结果表明,不考虑远端停靠站排队和公交运行状态无条件提供优先,可能导致更大的公交运行时刻表偏移值;缺乏对远端停靠站排队的考虑,可能导致交叉口的信号优先策略失效.而本模型能够较好地解决上述问题,取得信号优先的满意解.     

信号控制下路段交通承载能力计算及交叉口配时优化模型

为了能够对信号控制下的路段交通承载能力进行准确分析计算,综合考虑路段空间属性、路段排队长度、驶入驶出流量以及交通控制方案等因素,给出了道路及路段与信号交叉口的交通承载能力定义,推导了最长承载时间与最大承载车辆总数的计算方法,建立了信号交叉口的交通承载能力优化模型,并搭建了基于VISSIM与PYTHON的实时交互仿真实验平台.针对算例中信号交叉口流量不变与流量动态变化2种情形进行了计算仿真.结果表明,与现有的等饱和度配时方法相比,该优化模型2种情形的最长承载时间分别增加了约23.0％和55.1％,且仿真结果与计算值的最大偏差在12.4％以内,验证了优化模型的有效性,实现了通过延长最长承载时间降低过饱和交叉口上游发生排队溢流的风险.     

基于多智能体的城市环道交通信号控制算法

针对城市环道交通信号控制问题,利用多智能体系统自主性、分布性、协调性、主动学习等特性,提出基于多智能体的环道交叉口绿波协调方法,将每个环道交叉口都看作一个智能体,相邻智能体间能够进行信息的互通交流,利用智能体系统记忆存储以及推理学习能力,对环道上的多个交叉口进行绿波协调优化,从算法模型与参数描述、协调方式的相位选择策略等角度对所提算法进行描述和推导,并通过实验仿真验证了所提的算法的有效性.