可变速度控制下快速路联动协同控制策略研究

以快速路主线通行能力最大、入口匝道排队长度及延误最低为目标,在分析城市快速路可变速度引导的基础上,提出快速路匝道感应控制算法,构建基于可变速度控制下的快速路主线与入口匝道协同控制模型.并利用实际城市快速路路段调查数据,采用VISSIM仿真软件对所建模型、算法进行了仿真验证,结果可知,文中提出的快速路协同控制模型算法可有效提高快速路主线通行能力,大幅降低入口匝道车辆排队长度及平均延误,减少车均行程时间.     

基于ALINEA算法的城市快速路匝道控制方法

为解决传统的ALINEA(asservissement linéaire d'entrée autoroutière)匝道控制算法未考虑城市快速路入口匝道排队溢出,造成关联交叉口交通拥堵等问题,在经典的ALINEA匝道控制算法的基础上,提出了一种新的基于主干道车流量预测的城市快速路入口匝道控制方法.该方法采用遗传算法优化的小波神经网络来预测城市快速路交通流量;引入主干道车流可插入间隙和匝道排队分级控制原则,实现了对城市快速路入口匝道控制率的动态调节.通过微观仿真实验比较两种算法的控制效果.结果表明:与传统的ALINEA匝道控制算法相比,新的控制方法不仅能够有效保证主线交通通行能力,同时还使匝道平均旅行时间减少了24.8%.     

����ʵʱ�ܶȵ�����ѵ������㷨�о�

随着城市汽车保有量的不断增加,交通拥堵日益频繁;匝道控制是通过调节入口匝道车辆数,来缓解快速路匝道交汇处拥堵的有效方法.本文同时考虑快速路和入口匝道上的实时密度设计了匝道控制优化算法,该算法旨在控制快速路密度接近其最优值,同时减少匝道上的排队数;通过PARAMICS仿真软件对算法进行验证,并与ALINEA、Demand Capacity算法进行了比较,仿真模拟统计了快速路交通流密度、匝道排队数、总车辆行程时间以及下游流量数据.分析结果显示,实时密度控制算法是有效的,能够维持干线最大流量,保持路网交通条件的动态平衡,并且尽可能地减少排队长度.     

快速路入口匝道与衔接交叉口自适应协同控制方法

为提升城市快速路的交通运行效率,缓解快速路"上不去"现象,结合新一代感知技术,基于经典的ALINEA控制方法,将快速路主线、入口匝道及衔接交叉口作为协同控制对象.针对协同控制范围内不同的交通流运行状态,提出了4种协同控制策略,构建入口匝道信号控制算法及衔接交叉口信号优化算法.利用VISSIM软件进行交通仿真验证,结果表...     

城市快速路出口匝道与衔接交叉口整合控制模型

在出口匝道接地点离交叉口距离过近时,为避免衔接交叉口的拥堵易回溢至快速路主线,提出一种基于CTM的出口匝道与衔接交叉口的整合控制模型.在出口匝道存在超长排队时,实行相位绿灯延长或绿灯提前激活策略;在出口匝道不存在超长排队时,以出口匝道及衔接信号控制交叉口车均延误最小化为目标,实时动态优化衔接交叉口的周期和绿信比.仿真结果表明:采用控制模型,衔接交叉口的车均延误虽然增加了1.74 s,但可以将排队长度从大于200 m降低至160 m以内,从而可以保证出口匝道衔接区域和快速路主线的畅通,因此,控制策略及模型合理有效.     

快速路入口匝道与衔接交叉口联动控制优化方法

针对快速路入口匝道排队过长造成的衔接交叉口拥堵问题,提出一种快速路入口匝道和 衔接交叉口的联动控制优化方法。分析快速路匝道排队溢出原因,提出基于交通状态估计的入 口匝道与衔接交叉口的系统控制策略。以系统总通行能力最大和交叉口车均延误最小为目标, 分别从交叉口配时、匝道调节及系统排队长度这3个方面构建系统约束方程,建立快速路入口匝 道与衔接交叉口联动控制优化模型。以长春市典型快速路和交叉口为例,选择高峰、平峰、低峰 这3种交通环境,运用联动控制优化模型进行仿真实验,并与经典优化方法进行对比分析,结果表 明：不同交通状况下,联动控制优化方法均能有效改善快速路运行情况,缓解入口匝道排队溢出 现象,同时提高衔接交叉口通行效率;特别是在饱和交通状态下,联动控制优化方法表现优异,系 统整体车均延误和排队长度分别降低了5.67%和19.25%。     

���ڳ��п���·������������������

利用理论推导和系统仿真等方法分析了有关城市快速路交通控制的一些基本问题，包括入口匝道车流控制，出口匝道排队控制，快速路交通优先等．分析结果表明：(i)入口匝道控制虽然增加了入口排队延误，但是对整个快速路系统来说，可以提高系统的效率．(ii)入口匝道控制对普通道路既有正面影响，也有负面影响，合适的入口匝道控制策略甚至能同时对快速路和普通道路系统有益．(iii)在出口匝道相连的信号交叉口采用考虑出口排队的感应控制算法，可有效避免出口匝道排队阻塞快速路的现象，虽可能对普通道路有些负面影响，但是对整个交通网络有益．     

拥堵条件下的快速路出口匝道交叉口与下游交叉口协同控制方法研究

在快速路系统中,出入口匝道是联接快速路与地面道路的纽带,同时也是最易发生拥堵的瓶颈路段。针对快速路出口匝道车辆拥堵问题,建立拥堵条件下的快速路出口匝道交叉口与下游交叉口协同控制模型,由两个子模型组成,分别是目标交叉口通行能力最大优化模型和下游交叉口车辆疏散最大优化模型。前者旨在提高出口匝道的通行能力,后者旨在保障目标交叉口方向来车到达下游交叉口后尽快疏散,案例分析结果表明:在快速路出口匝道拥堵疏解路径中,该模型求得的交叉口信号配时方案比采用Webster配时模型求得的单点信号配时方案在通过车辆数、车均延误以及平均排队长度方面分别优化了18%、22.3%和71.6%,大大加快了出口匝道拥堵疏解效率。     

���п���·����ѵ������㷨��PARAMICS�����о�

本文基于对城市快速路入口匝道控制问题的分析，用微观交通仿真软件PARAMICS建立入口匝道控制仿真模型，对三种入口匝道控制算法（ALINEA，NEW-CONTROL和MIXED-CONTROL）进行仿真对比研究。结果表明三种算法都能一定程度上改善快速路的交通拥挤。同时给出三种算法的差异性描述，从交通流特征和算法特点分析产生差异的原因。最后指出MIXED-CONTROL在优化主线交通流的同时减少了入口匝道的车辆排队长度，其在高需求时的总体性能优于其它两种算法，是比较适合于实际应用的匝道感应控制算法。     

快速路出口衔接过饱和交叉口信号优化方法

高峰时段内,由于地面道路通行能力有限,城市快速路出口匝道方向的地面交通流处于过饱和状态,甚至造成出口匝道排队溢出,引起更严重的交通拥堵.针对该问题,本研究在出口匝道和地面交叉口设置控制信号,考虑地面道路的通行能力约束,建立双层规划模型优化该区域交叉口的控制信号方案.该模型的下层规划,优化每个独立交叉口的控制信号方案;模型上层规划,优化区域交叉口的控制策略.利用乌鲁木齐外环快速路出口匝道区域作为实例,结合Vissim仿真对该模型进行验证与分析.结果表明,双层规划模型的优化方案可以有效地防止快速路出口排队溢出及主线拥堵,在提升该区域的整体系统性能上比运用常规非线性规划模型的效果更好.     

基于车车通信的快速路入口匝道车速控制研究

为研究车车通信技术条件下车辆通过合流影响区时的运行情况,缓解快速路交通压力,提出车车通信环境下入口匝道车辆速度控制模型。首先,分析合流影响区车辆汇合存在的问题;然后,结合合流影响区车辆行驶速度需求,确定入口匝道车辆在加速车道上可汇合位置;接着,根据入口匝道车辆和主路最外侧车道车辆分别到达合流影响区汇合点的时间,建立入口匝道车辆汇入的车速控制模型;最后,对传统环境下和车车通信环境下车辆驶过合流影响区进行仿真。结果表明,在给定的仿真时间段,车车通信环境下,主路和匝道交通量分别为1 000veh/h和400veh/h时,合流影响区的交通量提高了19.5%,入口匝道车辆的平均行驶时间节约了26.9%、平均行驶速度提高了19.7%;主路交通量为1 800veh/h、匝道交通量为800veh/h时,传统环境下合流区车辆出现排队现象,车车通信环境下无排队现象。     

基于模型预测的城市快速路匝道流量协调控制

为保证城市快速路处于最大通行能力状态,提出了城市快速路交通流量的一种非线性模型预测方法,在此基础上,对快速路各入口匝道流量进行协调控制.以城市快速路某一拥挤路段为例进行了仿真研究,结果表明,该方法不仅能够有效地消除交通拥挤,维持主线车流稳定,而且匝道调节率平稳,同时该控制方法能保证各入口匝道交通需求的公平性.     

快速路可变限速与匝道控制协同优化策略

可变限速控制和匝道控制是快速路交通控制的主要手段,本文对两者的协同优化策略进行了研究.借助智能车路协同系统强大的信息感知能力,通过引入微观交通流信息,对经典METANET模型进行了改造,构建了可变限速控制影响下的微观METANET模型,实现了一种新的可变限速控制策略,同时,采用ALINEA算法,对入口匝道进行了优化控制,实现了两者的协同优化.最后,基于实际道路和交通流数据搭建了仿真平台,对微观METANET模型和协同优化策略的有效性进行了验证.仿真结果表明,微观METANET模型具有良好的交通流预测效果,协同优化策略能有效地改善快速路交通流状态.     

高速公路单点入口匝道RLRM控制方法

为缓解交通堵塞,基于人工智能的强化学习理论,提出了不完全信息下的强化学习单点入口匝道控制方法(RLRM)。基于6个仿真实例,分别计算了平均速度、平均密度、流出交通量与旅行时间,比较了无控制、定时控制与RLRM控制的控制效果。仿真结果表明:在交通量较小的实例1中,以旅行时间为评价指标,定时控制与RLRM控制的交通阻塞缓解率分别为-6.25%、-9.38%,几乎没有控制效果;在交通量变大的实例3中,以旅行时间为评价指标,定时控制与RLRM控制的交通阻塞缓解率分别为-8.19%、3.51%,匝道控制有一定效果,RLRM控制略优于定时控制;在交通量最大的实例6中,以平均速度、平均密度、流出交通量与旅行时间为评价指标,定时控制的交通阻塞缓解率分别为8.20%、0.39%、18.97%与23.99%,RLRM控制的交通阻塞缓解率分别为18.18%、3.42%、30.65%与44.41%,RLRM控制明显优于定时控制。可见,交通量越大,RLRM控制效果越明显。     

非常发性瓶颈区可变限速控制方法

通过分析快速路发生非常发性瓶颈时主线通行效率和安全性特征,结合路网均衡分配方法,研究快速路的可变限速控制方法。首先,分析快速路发生非常发性瓶颈时主线通行效率和安全性特征,利用元胞传输模型(CTM)计算可变限速控制下主线通行效率和安全性指标。其次,以快速路主线、辅路和周边主次干道所组成的路网为研究对象,研究限速控制条件下的路网均衡问题。然后,建立可变限速控制条件下的路网均衡双层规划模型。最后,利用算法求解出模型并进行VISSIM仿真,仿真结果表明,可变限速控制能有效提高快速路主线出行的通行效率和安全性。     

智能交通信号控制调控策略探讨

以缓解交通拥堵为目的,按点控制、线控制、面控制逐次探讨智能交通信号控制调控策略。在点控制中主要考虑行人和非机动车的因素,分不同种情况,提出了具体的调控策略;在线控制中,建立了以实现绿波带控制为目的的调控策略,以平均车速和交叉口数量为参数,依次从高速公路、单一十字路口、若干个十字路口这三方面分析了车辆的通行能力,进一步探讨了绿波带上车辆的通行能力;在面控制中提出了最大流问题,用简化模型分析并证明该方法在调控区域各支路车流量大小中的适用性与合理性,该方法有助于缓解区域交通拥堵的情况。     

一种基于分布式网络多智能体的匝道协同控制方法

针对高速公路与城市快速路交汇区域(路网结合部)拥堵日益严重的现状,综合考虑异构交通网络的通行能力与转换需求,基于多智能体和局部感应控制思想,对路网结合部匝道控制模式进行分析,建立单点CPSO-RBF-PID 匝道控制模型、关联主线多匝道一致性协同方法和不同主线间匝道竞争性协同方法.在此基础上,将路网结合部进行网络拓扑,建立基于分布式网络多智能体的匝道协同控制方法.并选取相应路网结合部对所建模型进行验证,结果证明,该模型具有良好的控制效果,能够起到有效地稳定路网结合部交通流密度,缓解结合部区域交通拥堵的作用.     

����·����ѵ��Ŷ������������Բ�

首先分析了快速路入口匝道排队导致地面交通拥堵的现象,然后综合考虑快速路主线交通流密度和入口匝道排队长度两个因素,提出了一种基于神经元自适应PID控制的快速路入口匝道控制策略。与传统的入口匝道调节方法ALINEA相比,新方法将快速路系统和平面道路系统有机的结合起来,仅略微地增加快速路交通流密度,且对快速路的负面影响较小,有效降低了入口匝道排队长度并消除了入口匝道回溢现象与快速路交通拥挤的反复振荡现象,对于实际应用中的随机干扰具有良好的抑制能力,提高了整个交通网络的运行效率。最后通过仿真对新方法进行了说明和验证。     

高速公路瓶颈区域可变限速控制方法

高速公路交通流处于高峰时,公路主线路段可能出现拥挤的瓶颈路段,导致车辆运行时间增加,路段运行效率降低等问题.本文从高速公路瓶颈区域路段交通流运行的时空特征出发,对现有的Papageorgiou模型进行扩展并考虑速度控制因素,使其适用于可变限速控制环境下的真实交通流运行状态,提出了适用于高速公路瓶颈区域的可变限速控制条件的改进模型,以控制周期内总通行量最大和车辆总行程时间最小为目标,建立高速公路主线可变限速控制优化模型.仿真结果表明,相对于固定限速控制,本文提出的可变限速控制方法可降低总行程时间7.45%,提高平均速度8.78%,表明该可变限速控制模型能在一定程度上缓解高速公路瓶颈区域的拥堵问题.     

城市快速路速度引导预测控制模型

在城市快速路控制系统中,将速度引导作为控制变量,建立了宏观动态交通流模型。以车辆总行程时间与速度引导为目标函数,计算了城市快速路入口区域流量和匝道入口区域流量,建立了快速路速度引导预测控制模型,对速度引导进行优化设计,利用MATLAB软件对下游交通流突变进行仿真分析。分析结果表明:通过速度引导控制,交通流平均速度由72.704 6km.h-1上升到74.167 6km.h-1,交通流平均密度由23.011 2veh.km-1下降到21.156 7veh.km-1,波动均小于8%;速度方差下降,且最大值仅为420(km.h-1)2;速度引导控制前后的速度方差与密度方差之比分别为3.57、1.91;在交通流突变时段内,速度引导控制前后的速度方差与密度方差之比分别为4.56、2.34。可见,速度引导控制模型有效。