具有自组织能力的道路交通信号灯控制系统

在区域自适应协调控制模式的基础上,通过增加自学习和自组织功能,实现了一种人工智能化的控制模式.该模式根据历史流量和实时检测到的交通数据进行自我学习并利用专家系统、数据挖掘技术、交通仿真分析和交通预测模型对未来交通流的发展进行预测,在此基础上得到更适合的子区域划分,并自组织实现周期、绿信比、相位差的自适应调节.其使用的时间越长,得到的信息也越多,分配的方案就越合理,具有良性化发展的特点.     

基于Q学习的区域交通控制方法

利用Q学习优化整个区域的周期,把区域按重要程度划分为若干干线并编排顺序,按顺序对各干线相邻两路口协调相位间的相对相位差用Q学习进行优化,按同样顺序依次确定各路口的绿信比,并结合优化得到的相对相位差确定绝对相位差．TSIS仿真结果表明,相比定时控制方法,此方法能明显提高交通效率。     

基于CAS-FQL算法的区域交通控制

针对Q-学习算法收敛慢、易陷入局部最优的缺陷,提出了一种基于灾变模糊Q-学习（CAS-FQL）算法的区域交通协调控制方法,即将灾变策略引入到模糊Q-学习算法的学习过程中,以提高和改进Q-学习的寻优能力和学习效率.具体是,利用CAS-FQL算法分别优化路网中各交叉口的周期和相位差,绿信比则采用常规方法优化.TSIS软件交通仿真的结果表明,相比基于Q-学习的控制方法,CAS-FQL算法能显著加快算法的收敛速度、提高交通效率.     

基于C-FQL算法的城市干线交通信号控制

针对城市干线交通协调控制难于建立准确数学模型的问题，提出了混沌模糊Q学习（C-FQL）方法。即在模糊Q学习过程中添加混沌扰动以改变Agent选择动作的方式，并通过添加遗忘因子以平衡学习过程中扩张与利用之间的关系．城市干线交通协调控制中应用C-FQL方法以优化各交叉路口的周期、相位差和绿信比．借助TSIS交通仿真平台。建立了C-FQL方法在城市干线交通协调控制中的应用仿真，结果表明，C-FQL方法收敛速度快，在城市干线交通协调控制中效果良好．     

基于多智能体的交通干线动态智能协调控制

为减少干线上车辆的平均延误时间,提出了一种基于多智能体技术的动态双向绿波带智能控制算法。采用两层递阶结构和模糊逻辑对城市交通干线进行实时协调控制。上层是协调控制器智能体,根据一段时间内交通流数据计算干线上优化的公共周期时间和上下行相位差,下层是路口控制器智能体,确定每个周期内各交叉口的绿信比。周期依照关键路口饱和度的大小由模糊控制算法进行优化,而相位差根据上下行速度进行计算,绿信比基于历史和实时的交通数据确定。实例分析表明该双向绿波带控制算法能够有效减少车辆在干线上的平均停车次数。     

干线公交优先信号协调控制方法

为了解决在干线协调控制中,采用绿灯延长、红灯早断等方法实施公交优先可能破坏干线协调的交通流问题,提出了干线公交信号优先的2层优化方法,上层为干线协调控制,下层为公交优先控制.在干线协调层面,以检测器检测到的社会车辆流量数据优化公共周期、绿信比和相位差;在公交优先层面,以协调相位绿波带上下限作为配时参数调整的约束条件,在...     

基于遗传再励和博弈论的多Agent交通控制系统优化和协调

提出一种基于多Agent的交通信号控制方法.通过再励学习对交叉口的交通流进行优化,通过遗传算法产生局部学习过程的全局优化标准来优化信号灯周期和绿信比,最后用博弈论来进行区域协调.这种方法将局部优化和全局优化统一起来.研究结果表明,遗传算法优化结果优于爬山法,新的控制方法优于传统的控制方法.     

定周期单路口绿信比的迭代学习控制方法

为减少公路路口车辆的延误时间,提高交通干线的通行效率,本文利用迭代学习控制方法改善信号控制的效果.在设定初始交通参数后,以车辆排队长度为状态变量,以绿信比为控制学习律,经过迭代学习控制得到实际车辆排队长度和理想车辆排队长度的误差,再利用控制学习律对误差进行多次修正,使绿信比趋向于理想值.MATLAB仿真实验表明:在不同的交通负载情况下,迭代学习控制算法对交通信号绿信比的优化确实有明显的效果.     

基于CTM-RH的城市交通信号线控制

采用细胞传输模型(cell-transmission model,CTM)对城市干道交通流进行建模,并运用滚动区域法(rolling horizon,RH)对信号周期、绿信比和相位差进行优化.仿真结果令人较为满意.     

ＢＳ—０２５７３动态交通信号灯控制系统

ＢＡＩＡＮＣＥ是欧洲最新交通信号灯控制技术。它的网络优化功能可根据城市道路网中交通流变化状况每隔几分钟优化道路网中各交通信号灯的控制参数，包括周期长、绿灯长和相位差，以保证道路网的最大交通效率或最短车辆等待时间。它的单点交通信号灯优化功能可按所控交叉口交通流变化状况每秒种优化调整该信号灯上述各项控制参数，以适应交通突发事件和保证公交车辆（或其它重要车辆）优先通过。     

一种基于强化学习的CDN流量调度系统设计方法

针对传统的CDN流量调度系统大多采用启发式方法或规划方法，存在维护成本高，实时性不足等缺点，提出一种基于深度强化学习的CDN流量调度系统设计框架。该框架基于马尔科夫链设计了故障告警网络来触发调度，建立了基于stacking模型的质量评估奖励函数，并在此基础上对流量调度进行定义和建模，构建了基于DQN的深度强化学习模型。最后，通过仿真实验验证了该调度框架的有效性。     

Optimization of Adaptive Transit Signal Priority Using Parallel Genetic Algorithm

Optimization of adaptive traffic signal timing is one of the most complex problems in traffic control systems. This paper presents an adaptive transit signal priority (TSP) strategy that applies the parallel genetic algorithm (PGA) to optimize adaptive traffic signal control in the presence of TSP. The method can optimize the phase plan, cycle length, and green splits at isolated intersections with consideration for the performance of both the transit and the general vehicles. A VISSIM (VISual SIMulation) simulation testbed was developed to evaluate the performance of the proposed PGA-based adaptive traffic signal control with TSP. The simulation results show that the PGA-based optimizer for adaptive TSP outperformed the fully actuated NEMA control in all test cases. The results also show that the PGA-based optimizer can produce TSP timing plans that benefit the transit vehicles while minimizing the impact of TSP on the general vehicles.     

Urban Intersection Traffic Signal Control Based on Fuzzy Logic

IntroductionTraffic signals are essential in transportationnetwork management.A number of traffic signalcontrol methods have been developed in the past.Recently,a major research focus has been theapplication of artificial intelligence techniques,such as expert systems,fuzzy logic,neuralnetworks,and genetic algorithms for intersectionsignal control.　 Pappis and Mamdani[1] developed fuzzy rules toevaluate the suitability of extending a currentgreen phase by different time durations based on ac…     

基于在线学习的单路口信号灯强化学习控制

单路口交通信号灯控制是交叉口线控、面控的基础。文章将强化学习方法中的sarsa算法应用到城市交通信号灯控制领域,解决单路口的动态实时问题,通过仿真环境下的对比,证明该方法具有良好的控制效果。     

城市交通信号三级模糊优化控制与仿真

针对多数交通信号模糊控制方法极少关注交通流的不确定性,提出一种城市交通信号三级模糊优化控制器及其Paramics仿真方法. 综合考虑交通需求强度、相位优化和延长时间决策等控制机理,提出三级模糊控制器的结构,并引入搭接相位设计相位优化的机制,遵循交通信号控制基本原则,提出三级模糊控制算法,最后,采用COM组件的混合编程技术构建三级模糊控制的Paramics仿真平台,并以深圳市黑点路口进行实验,在不同交通条件下对提出的模型进行效用评价;结果表明提出的控制器性能良好,在高强度的交通状况下性能稳定,控制效果符合交通管理者的控制目标,且具备快速响应交通流不确定性的能力.     

再励学习在交通信号控制中的应用

再励学习是一种利用评价信息(而不是网络实际输出与期望输出之差)采改善行为的神经模糊算法，采用“奖”“罚”信号训练控制器．用再励学习的目的建立一个可调的模糊交通信号控制器，它能在不同交通情况下修改隶属函数参数，以达到较好的控制效果．其评价指标是车辆延误．仿真结果表明，再励学习在交通量稳定的交叉口信号控制中表现良好．     

一类模糊混合Petri网的交通信号灯的实时控制

针对固定周期的交通信号灯浪费道路资源的问题,提出一种模糊混合Petri网用于交通信号灯实时控制的建模方法。该模型结合本相位方向的排队长度和路口的车流量对本相位绿灯时长实时控制,再结合其他相位红灯时长和其他相位的排队长度,实时控制相序的变化。仿真分析表明,基于模糊混合Petri网对信号灯实时控制可最大程度降低车辆的停车次数。     

仿生水下机器人的增强学习姿态镇定

针对一类双波动鳍仿生水下机器人的姿态镇定问题,提出一种基于增强学习的自适应PID控制方法.对增强学习自适应PID控制器进行了具体设计,包括PD控制律和基于增强学习的参数自适应方法.基于实际模型参数对偏航角镇定问题进行了仿真试验.结果表明,经过较小次数的学习控制后,仿生水下机器人的偏航角镇定性能得到明显改善,而且能够在短时间内对一般性扰动进行抑制,表现出了较好的适应性.     

基于相位优先度规则的单点公交优先控制策略

为了丰富决定信号切换的关键交通事件,并进行合理平衡和协调,达到多目标优化,提出了相位优先度的概念,根据关键交通事件的触发计算相位优先度,在此基础上设计了一种在双环相位结构下基于相位优先度规则的单点公交优先信号控制策略,该规则包括起始相位选择规则、屏障内相位切换规则和屏障间相位切换规则.仿真测试和分析结果表明,相对定时控制、基本感应控制,该控制策略可以有效地减少公交车辆延误,社会车辆也同时受益,达到多目标主体的利益平衡;与基于相位优先度规则的自适应控制相比,该控制策略保证了公交优先的有效性.     

5G基站自适应天馈系统设计与建模

为了提供一个各方面更优的全自动天面自适应调整方案，在降低维护成本的同时实现更优覆盖效果，从5G天面的信号辐射方向调整方法入手，对5G基站自适应天馈系统的智能调节系统设计关键技术进行研究，提出对基于深度强化学习的基站天面自适应调节策略。基于此设计了5G基站自适应天馈系统，可以使用电信公司RSRP信号覆盖地图作为数据源，获取当前状态的观测值并自动分析数据，对天面进行自动调整。在虚拟环境下，对基于强化学习的系统进行了模拟搭建与仿真训练，结果符合预期。