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。     

基于共享内存的区域交通控制系统设计与实现

区域交通控制系统可以完成道路交叉口的单点优化控制、主干绿波控制和区域交通网络优化等功能。系统需要实时检测每个交叉口的交通参数,根据交通参数计算新的交通控制策略,并下达策略到智能信号机,以优化道路交通管控,同时还支持人为的操控介入,系统规模较大,实现难度较高。为了降低系统的实现难度和提高系统的模块化程度,提出了一种基于共享内存和多进程协同机制的设计方案,并应用在了具体的实施项目中,实践证明,本文的设计方案可简化交通控制系统的实现,并提高系统稳定性和扩展性。     

基于模糊算法的高速公路匝道控制方法

针对高速公路交通拥挤和堵塞问题，提出用模糊控制的方法，在拥挤和堵塞形成之前控制匝道的入口流量，避免交通拥挤和堵塞的形成。分析了交通流的构成和自然条件对交通的影响，然后设计出匝道模糊控制的基本结构，并给出了确定交通状态参数的模糊算法。     

基于交通信息提取的区域交通状态判别方法

为了准确判别区域路网的交通状态,提出了基于交通信息提取的区域交通状态判别方法．在分析区域路网交通流宏观特性的基础上,结合区域路网的拓扑结构与交通流特征,提出区域交通状态判别指标体系,并基于可拓学建立了区域交通状态判别模型．以一个主干道区域路网为例,验证了路网交通状态判别方法的有效性．该交通状态判别方法可应用于在线交通状态分析和历史数据库交通运行特征的提取,为交通管理决策提供了基础信息．     

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．     

一种基于粗糙集的区域交通绿时控制方法

本文根据一种基于粗糙集理论的数据挖掘方法,以路口检测数据为研究对象,通过记录数据形成原始的决策表,后通过改进的Semi Naive Scaler算法对原始决策表进行数据预处理,最后对数据预处理后的决策表采用基于可辨识矩阵的属性频度的启发式约简算法进行属性约简,得出的约简结果为关键的属性,即关键的相位,根据程序实现结果为道路决策部门提供依据。     

基于VAP逻辑规则的交通感应控制改进算法

提出了基于逻辑规则的交通感应控制改进算法,改进设计交叉口车辆排队联动控制逻辑规则,以及非机动车与行人过街自动检测控制逻辑规则,采用VAP(Vehicle Actuated Programming)模块完成逻辑规则编程设计.通过锦绣大道与始信路交叉口仿真分析,结果表明,相比传统感应控制,在车辆延误变化不大的前提下,本算法...     

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.     

一类特殊路口的多相位模糊交通控制

模糊控制不需建立被控对象的精确数学模型,特别适用于具有较大随机性的城市交通控制。对一类特殊路口的交通流进行了分析,确定了相应的信号配时方案。提出了以当前相的主队列和后继相的主队列共同决定信号配时的模糊控制方法,阐述了模糊控制器的整个设计过程。以通过交叉口的平均车辆延误为性能评价指标进行了仿真实验,仿真结果表明模糊控制优于定时控制。     

战略规划中的交通区域协调

本文以重庆长寿区规划为案例,探讨了战略规划中的交通区域协调设计思路,相信对从事相关工作的同行能有所裨益。     

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。     

基于Q-学习的卫星姿态在线模糊神经网络控制

将模糊神经网络控制引入到三轴稳定卫星的姿态控制中,结合Q-学习和BP神经网络来解决模糊神经网络参数在线调整问题,在无需训练样本的前提下实现控制器的在线学习. 仿真结果表明,这种基于Q-学习的模糊神经网络控制不仅可以满足对姿态控制精度的要求,还有效地抵制了外界干扰,提高了姿态稳定度,对卫星的不确定性有较强的鲁棒性.     

城市交通干线的Q-学习控制算法

针对城市交通干线协调控制的要求,提出了利用Q-学习控制算法和模糊算法的分层递阶控制的方法.采用两层结构,第1层为控制层,针对单个路口,对下一个时间段内路口各个方向的相位饱和度进行预测,并在此基础上计算出下一个时间段内各个路口的周期、各个方向上的绿信比;第2层是协调层,采用Q-学习控制算法对干线各个路口间的相位差进行调整.采用TSIS交通分析软件对由5个路口组成的交通干线进行仿真,Q-学习控制算法与定时控制和遗传算法进行比较,结果表明:Q-学习控制算法具有明显的优越性.     

城市交通信号的模糊控制研究

以城市主干道交叉口为研究对象,提出了一种实用的交通流模糊控制算法,该算法包括模糊控制算法和绿灯延时终止算法两部分。在现有的模糊控制算法的基础上,增加了绿灯延时终止算法,从而利用模糊逻辑对绿信比进行了优化。在SDCSTS仿真软件的基础上进行了仿真研究。仿真结果表明该方法的有效性。     

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…     

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.     

兼顾效率与公平的模糊交通控制模型

为了在控制过程中既强调交通效率又兼顾交通公平，提出了一种新的信号交叉口模糊逻辑控制模型，该模型由2个子控制器构成．当前绿灯结束时，通行相位控制器根据各车道的车辆数和平均等待时间计算它们的交通紧急度，然后根据交通紧急度选择下一个通行相位，通行时间控制器则根据被选相位中车辆数最大车道的交通情况来决定通行时间．仿真实验结果表明，该模型与感应控制和Pappis模型相比，在车流量很小时控制效果相近，但随着各向车流量的增加，该模型开始优于其他模型，车流量越大优势越明显，而且变化十分平稳，不仅提高了交通效率，而且使交通供给更加公平．     

Traffic Signals Control with Adaptive Fuzzy Controller in Urban Road Network

An adaptive fuzzy logic controller （AFC） is presented for the signal control of the urban traffic network. The AFC is composed of the signal control system-oriented control level and the signal controller-oriented fuzzy rules regulation level. The control level decides the signal timings in an intersection with a fuzzy logic controller. The regulation level optimizes the fuzzy rules by the Adaptive Rule Module in AFC according to both the system performance index in current control period and the traffic flows in the last one. Consequently the system performances are improved. A weight coefficient controller （WCC） is also developed to describe the interactions of traffic flow among the adjacent intersections. So the AFC combined with the WCC can be applied in a road network for signal timings. Simulations of the AFC on a real traffic scenario have been conducted. Simulation results indicate that the adaptive controller for traffic control shows better performance than the actuated one.