十字交叉路口交通流的控制和管理研究

采用开放边界条件,利用改进的N agel-Schreckenberg模型,引入转向概率,通过数值模拟,研究车辆通过十字交叉路口的交通流特性。结果得到,在开放边界条件下,当车道的产生概率大于消失概率的情况下,具有十字交叉路口的车道车辆密度在红绿灯信号周期较短时,车道车辆密度较高,此时车辆拥堵严重,如果延长红绿灯信号周期或允许车辆在交叉路口转向行驶,可降低车辆密度,改善交通状况,达到科学管理和有效控制车流的高效运行。     

基于神经网络模糊控制的单交叉口信号控制

在分析城市交通信号控制研究现状的基础上,提出一种基于神经网络模糊控制的单路口交通信号灯控制方法,通过检测当前相位的排队长度和下一相位的排队长度得出当前相位以及下一相位的车流密度,进而判断是否进行相位变换.以每个周期内交叉口的车辆平均延误作为控制指标,来判断该控制器的控制性能.计算机仿真结果表明,该方法能够降低车辆在交叉路口的平均延误.     

基于PSO优化的交通信号预测控制

在神经网络车流预测的基础上,利用PSO算法在参数解空间内并行寻找交叉路口信号绿信比的最优解,提出了交通信号预测控制方法。仿真实验结果表明,该控制方法优于传统的定时控制和遗传算法优化控制,具有很好的控制效果。     

斜拉式半立交十字路口概念设计研究

通过对现有的两相位信号控制十字交叉路口的交通流线分析,基于消除左转的思想提出斜拉半立交的概念设计:将左转车流全部环形立交;环形立交在交叉口不设置墩柱,在交叉口设置斜拉索塔;左转车道纵坡3%,从交叉口200 m处提升至立交桥高度.在进行基础设计后采用PTV-VISSIM微观仿真软件进行仿真分析,输出行程时间与延误时间并与不设置半立交的两相位控制十字交叉路口进行对比分析.结果表明:建立斜拉式半立交后,在两相位信号控制的十字交叉口中直行与左转车流的行程时间与延误时间明显降低,提高了交叉口通行能力.     

两层模糊神经网络交通信号控制模型

交叉路口信号的有效控制是减少车辆延误时间的关键,是保证城市交通顺畅的前提。以单交叉路口为研究对象,在仿真希腊学者Pappis提出的模糊控制方法基础之上,基于交叉路口的动态特性及模糊规则的一成不变,提出两层BP神经网络实现单交叉路口的模糊信号控制方法,在不同车流量情况下,使用MATLAB工具仿真实现,结果表明:所提出的模糊神经网络具有较强的学习、推理能力,对于车辆的平均延误时间有较好的改进。     

基于模糊理论的交叉路口控制策略

本文针对当前出现的单交叉路口车辆拥堵隐患,采用模糊控制方法,以车辆延迟时间最少为优化目标建立模型,对信号相位和相位通行时间进行优化,根据实测数据进行仿真研究,并对其有效性进行了验证。仿真结果表明,这种信号控制方案能使单交叉路口交通流量总体趋于平衡,有效地缩短车辆保障的延误时间。     

BRT交叉路口主动优先自适应通行控制方法

针对BRT交叉路口优先控制方法逻辑单一、只注重减少车辆的延误、忽视对普通社会车辆的影响问题,提出了BRT交叉路口主动优先自适应通行控制方法.通过预测BRT车辆到达交叉路口停车线内时间,判断交叉路口的信号状态,依据交叉路口垂直方向的拥堵状态动态地调整控制策略,以决定优先控制策略是否执行.该方法注重BRT车辆的优先通行,提高了交叉路口的整体通行效率.Matlab仿真结果表明,采用主动优先自适应控制方法的BRT车辆的停车率明显低于定时控制方法,延误时间低于感应控制方法.     

基于规则的城市交通信号自组织控制

针对复杂的城市交通信号控制系统,基于车流与流体的相似性,将交通路网抽象成双向管网模型,并采用流体动力学理论对网络内车流进行描述.基于相邻路口之间车流信息的共享,通过对N-S方程的数学重构,建立了各路口车流基于相位的自组织控制规则.仿真实验结果表明:自组织控制规则不仅实现了交通网络中的车流量平衡,而且系统的控制性能得到了明显的提高.     

高饱和交叉口背景提取与更新算法

 为了满足在高饱和城市交叉路口采用背景差法实现车辆检测的需求,设计了一种基于背景评估的背景提取与更新算法。算法针对交叉路口的车流特点,提出了一种基于检测结果反馈的背景评估机制,并融合中值滤波与帧间差分算法,将含噪声的初始背景不断纠错更新,向真实背景逼近,最终提取出一个可用的背景图。实验结果表明：对于一个信号周期内不能放完所有排队车辆的高饱和交叉路口,算法具有较快的收敛速度,且算法复杂度满足实际工程应用要求。     

交叉口左转车流比例对路网运行效率的影响

推导并分析了不同类型信号交叉口的左转车流比例对通行能力的影响公式,采用仿真方法分析了左转车流比例对路网容量和平均行程车速的影响．研究结果指出,信号交叉口通行能力具有车道规模不经济效应,因此,在相同交通需求和道路设施供应量的前提下,适当增加路网密度可以提高路网运行效率．     

基于马尔柯夫过程的城市交叉口车辆到达模型

提出在城市交叉口多相位实时控制过程中,采用马尔柯夫方法对各相位内进入交叉口车辆数的可能性进行预估。基于交叉口车辆运行的强随机特征,交叉口车辆到达预测的准确性是控制策略准确制定的关键。根据马尔柯夫过程预测结果,系统可进行交通信号的延时和相位变化,从而使整个交叉口的平均时延得到优化。通过实例验证了马尔柯夫分析模型用于多相位交叉口短时交通流占有率预测的可用性,并将预测得到的交通流占有率与观测值进行了对比,同时对两者之间的误差进行了分析。结果表明,预测结果有助于制定实时的交通控制策略。     

利用时空图方法进行车流量实时检测

提出了一种新的时空图计算方法,并且利用时空图对车流量进行实时检测。该方法中,首先使用时空图将交通监控的视频转换成空间信息与时间信息都包含在内的连续图像,然后对时空图进行边缘提取、图像分割等处理,利用时空图上车辆的边缘、形状和占道率等信息,计算出一段时间内的车流量。本实验所用的视频由架在路边建筑物上的摄像机拍摄获得。实验结果表明,该方法能够实时、有效、准确地检测出一段时间内的交通车流量,并且能够对实时的路况进行监测,具有很好的实用价值。     

动态车辆路径问题的优化方法

设计了在动态环境下进行车辆路径优化的导向局域搜索算法.算法在产生初始解以后的动态求解过程中,不再做车辆之间的顾客调整,而只应用2-opt局域搜索算子更新车辆服务顾客的顺序,即针对每辆车辆的旅行路线求解一个旅行商问题.建立了在动态环境下车辆执行运输任务过程的仿真模型.仿真过程中,应用算法根据交通路网实际情况实时优化车辆路径,并采用4种接受准则判别是否接受新的车辆路径.仿真结果表明:算法具有实时、高效的特点,满足动态车辆路径问题的求解要求.     

基于改进Boosting算法的夜间运动车辆检测

针对夜间交通场景中运动车辆目标提取及实时检测困难的问题,引入改进的Boosting模糊分类算法,提出了一种新的基于车头灯的夜间运动车辆检测方法.通过SIFT算法和融合多特征的方法精确提取夜间运动车辆车头灯特征,利用遗传算法优化Boosting模糊分类算法,并以加权投票方式对提取的车头灯特征进行分类判别,最后结合车头灯空间、运动信息及灯光颜色信息进行同车车头灯配对分组,实现夜间运动车辆的实时检测.实验表明,该方法在夜间交通环境中具有良好的实时检测效果和较高鲁棒性.     

基于共享位置数据的最短时间路径算法

为了满足人们以最短时间到达目的地的出行需求, 同时合理化地分配人流, 更加充分地利用公共资源, 缓解城市高峰期的道路拥堵问题, 提出一种基于共享位置数据(LBPSS)并以最短时间为目标的最优路径算法, 解决路况信息路网覆盖率不足、更新缓慢及其与现实路况不符等问题, 实现结合实时路况信息的路径导航。结合ArcGIS平台和Android平台, 利用数据库的快速查询、索引支持和集合运用方面的优秀性能, 实现基于共享位置数据的最短时间路径算法的应用实例, 并与目前的常用算法进行试验比较, 验证该算法的可行性和有效性。结果表明, 该方法更具实用价值, 在节省出行时间的同时, 更加合理地对高峰期拥堵道路的车辆进行分流。     

公路隧道内最佳行驶速度模糊算法

为寻求计算公路隧道内车辆行驶最佳速度的有效方法，将车速、流量、车流密度、能见度、CO浓度、风速、路面状态、时段、工作日、节假日10个影响指标归结为交通状况、环境状况和交通需求3类因素，给出了具有2层模糊决策结构的最佳速度模糊逻辑算法，并进行了算法设计和仿真。仿真结果表明：该方法能针对隧道交通流的实际情况，充分利用与速度密切相关的信息来确定最佳速度，克服了传统算法依赖历史数据或建模困难的缺陷；得到的最佳速度实时性好，准确性高，可为隧道内行驶速度控制提供可靠的依据。     

基于绿灯时间的交通子区划分

针对传统交通子区划分方法对协调系统中车流运行状态分析不够透彻导致车流量与协调系统公共周期不匹配的缺陷,将实际交通量转换成系统公共周期下的协调交通量,通过协调系统中车流散布密度进行初级子区划分;分析协调系统车流进入影响因素及运行时协调相位绿灯间相互作用关系,提出基于绿灯时间的交通子区划分方法;对划分出的交通子区协调相位差求解提出切合实际的求解方法,对子区间协调时相位差调整提出合理计算方法,并以双向绿波带宽和最大为目标函数,寻求最佳相位差;最后选取实例利用Vissim软件对进行仿真验证。仿真结果表明,划分出的交通子区协调控制效果优于传统分区的协调控制效果。     

强化学习在城市交通信号灯控制方法中的应用

 悉尼自适应交通控制系统（SCATS）、绿信比-周期-相位差优化技术（SCOOT）及Smooth采用自适应交通信号灯控制方法，对城市道路口的交通信号灯进行了有效控制。随着深圳城市交通流量急剧增长，深圳交警在自主研发Smooth信号控制式基础上，提出实时、分布式、自适应调控要求，联合创新了人工信号控制方案TrafficGo，探索基于深度神经网络的强化学习，通过在线学习各种流量负荷，实时推理计算信控时段、相位、相序、信号周期、绿信比、相位差，进一步优化了交通信号灯的控制模式。介绍了在交通信号灯控制中运用的强化学习模型，实地测评表明，其取得了一定改进效果。     

高速网络流实时处理模型研究与实现

针对当前网络流处理存在的实时性不足,难以适应不同网络流量规模的问题,研究并实现了一种多流量场景实时网络流重组架构,旨在进行网络流处理时能够适应不同的网络流量场景,并且有效提升系统资源利用率。该架构基于DPDK实现高速流量实时采集,并且对流重组过程进行阶段划分,构造不同场景的运行拓扑,实现系统资源的动态分配。在单机环境下实现了该系统,并在10 Gbps网络环境下进行测试,结果表明该架构在吞吐量和资源利用率上优于同类其他方法。