路段信号控制人行横道的控制方案设计与分析

以城市干路路段信号控制人行横道为研究对象，介绍了行人信号控制方式，提出了控制方案的设计原则，以行人可接受等待时间为设计依据，以选取的典型城市干路路段为例，介绍了定时和感应控制方案的一般设计方法。并对各种控制方案的适用性进行了分析。     

基于Paramics的多相位感应信号控制仿真研究

介绍了微观交通仿真软件Paramics及其API函数,建立了基于微观交通仿真的感应信号控制策略技术路线,提出基于Paramics的感应信号控制仿真实现过程及相关技术,并结合仿真实例对仿真结果进行了分析.     

受空间制约的快速路下匝道与交叉口衔接段优化设计与控制

提出了受空间制约的快速路下匝道衔接段优化设计与控制的思路,即通过计算允许排队长度与绿灯时间关系,对相邻交叉口采用半感应控制方式,保证了衔接段的车流交织长度。分析了绿灯时间参数的确定方法和交叉口半感应控制流程。通过Vissim软件仿真进一步说明了方案的有效性。同时还指出,在空间严重受制的情况下,交织段可采用类似于交叉口的信号控制方式。     

基于无线地磁的交叉口信号控制策略研究

感应控制主要是利用无线地磁检测器采集道路交叉口实时交通信息,及时传递给交通控制系统,结合感应控制自动实施控制的原理,确定城市道路交叉口智能控制方案,根据交叉口交通量实际状况进行合理配时;文章对合肥市黄山路-天智路交叉口的固定信号周期测得的周期、相位时间、通过的车辆数及车辆平均等待的时间与感应控制条件下的各参数实际值作对比,分析各参数之间存在的差距,确定在车流量较少的情况下,感应控制优于常规的固定周期信号控制方法。     

检测器数据的精确度对全感应控制的影响分析

为了研究交叉口检测器的精确度对全感应信号控制的影响效果,利用Python程序模拟全感应信号控制的控制策略,使用淮安市实际交叉口调查数据在Vissim软件中对单个交叉口进行交通仿真建模.分析对比在不同车辆检测器的精确度下,交叉口采用全感应信号控制方案时的评价指标,主要包括排队长度、车均延误、停车次数等.结果表明,在低峰、平峰和高峰时期,当车辆检测器的精确度分别达到90%,85% 和70% 时,对排队长度、车均延误和停车次数的改善效果最为明显.交通流量的大小会影响检测器的精确度对全感应信号控制的控制效果.交通流量较小时,全感应信号控制对检测器的精确度要求较高.随着交通流量增大,即使较低精确度的检测器也可以使全感应信号控制达到较为理想的控制效果.而当交通流量达到饱和或者过饱和时,检测器的精确度将不再影响全感应信号控制的控制效果.      

入口匝道信号装置定位的数学模型

高速公路入口匝道控制系统中，调节信号装置的定位，是系统设计中首先应考试的问题。本文在分析了立交地段车流特性的基础上，针对可接受是控制和交通感应控制系统的特点，提出了相应的调节信号装置定位数学模型。     

不同交通流状况下的交叉口信号控制策略

从交叉口信号的传统控制与现代控制两个层面，对不同交通流状况下的交叉口控制策略选取问题进行了较为全面深入的分析研究，分别讨论了定时控制、感应控制、模糊控制与最优控制在交叉口信号控制中的适用条件，并着重阐述了饱和交通状况下路口信号的最优控制方法，从而有效地解决了使用模糊控制技术进行交叉口信号控制时存在的一些问题。研究结果表明，在饱和交通状况下单纯依靠通过车辆数与排队车辆数来实施模糊控制并非合理，此时需要进一步考虑车道饱和流量因素的影响。     

BRT信号优先控制系统模式研究

BRT信号优先是解决城市BRT车辆在交叉口延误的有效方式。从BRT公交的运行特点及3种传统的信号控制模式入手,提出一种BRT全线路段定周期优先感应控制模式,并论述其优化思想及控制流程,以更好地适应中国的交通流特征,提高路网的运行水平。     

信号交叉口排队长度预测的神经网络方法

预测信号交叉口的排队长度可以为交通信号控制和管理提供非常重要的信息.基于神经网络,针对定时和感应信号交叉口两种不同情况,成功实现了单、双车道排队长度的预测.同时,感应器与停车线之间的距离对预测精度的影响也进行了初步分析.模拟结果同时表明,神经网络对左转车道排队长度的预测效果不佳,不能为信号控制和管理提供有效的信息.     

平面交叉口相交BRT线路的优先协调控制方法研究

基于公交感应控制的思想,提出了基于公交优先战略的信号配时优化方法。分析了BRT优先信号控制策略,界定了BRT优先控制的研究环境,提出了优先控制原则——引起延误最小优先考虑原则,提出优先控制原理,分析各控制参数,确定了各模块中的关键参数计算过程。实例分析表明,该控制方法对相交BRT车辆在平面交叉口的协调控制具有可行性。     

基于CA方法的交通流数值模拟及信号灯感应控制策略研究

采用细胞自动机方法(Cellular Automata:CA)模拟含4个路口的城市道路交通流状态,并通过离散方程描述车辆的运动过程.研究了信号灯控制策略(同步定时控制及感应控制)对交通流状态的影响.数值模拟结果表明,信号灯对交通流的影响与道路中车辆密度有关,同时,感应控制参数的选取存在一合理的取值范围,可优化交通流通行...     

Asynchronous n-step Q-learning adaptive traffic signal control

Ensuring transportation systems are efficient is a priority for modern society. Intersection traffic signal control can be modeled as a sequential decision-making problem. To learn how to make the best decisions, we apply reinforcement learning techniques with function approximation to train an adaptive traffic signal controller. We use the asynchronous n-step Q-learning algorithm with a two hidden layer artificial neural network as our reinforcement learning agent. A dynamic, stochastic rush hour simulation is developed to test the agent’s performance. Compared against traditional loop detector actuated and linear Q-learning traffic signal control methods, our reinforcement learning model develops a superior control policy, reducing mean total delay by up 40% without compromising throughput. However, we find our proposed model slightly increases delay for left turning vehicles compared to the actuated controller, as a consequence of the reward function, highlighting the need for an appropriate reward function which truly develops the desired policy.     

路段感应式信号控制行人过街系统设计

为保障路段行人安全过街,提高行人过街效率,设计了基于感应控制的路段行人安全过街系统.该系统分别采用视频和感应线圈实现对过街行人和路段车辆的自动检测,并据此设计行人过街感应信号控制方案,辅以“减速带式”人行横道、路段行人过街通道灯和智能人行道护栏3种过街辅助设施,实现时空上的人车分离.     

浅谈路口感应控制的应用

路口感应控制的实施有利于改善路口交通流秩序,从而提高路口通行能力,这对提高道路通行能力具有重要意义。在阐述感应控制的基本原理和检测器布设原则的基础上,总结了路口感应控制的常用实现方式及事件检测的应用,以期为相关工作提供参考。     

交叉口信号控制自组织算法

为提高信号交叉口的控制效率,运用模式识别基本理论,对交叉口交通流运行状态的基本特征进行了提取,构建了信号控制模式类型与模式空间;依据定时控制、感应控制和自适应控制延误模型,运用统计模式识别方法建立了交叉口信号控制的模式分类方法;在此基础上,应用自组织理论,建立了信号控制方式之间的转换算法(自组织算法)与协商机制;最后结合哈尔滨市智能交通系统应用示范工程调查数据进行仿真。研究结果表明:交叉口信号控制自组织算法较单一信号控制方式在提高信号控制效益方面具有明显优势。     

Design of Reinforcement Learning Parameters for Seamless Application of Adaptive Traffic Signal Control

Adaptive traffic signal control (ATSC) is a promising technique to alleviate traffic congestion. This article focuses on the development of an adaptive traffic signal control system using Reinforcement Learning (RL) as one of the efficient approaches to solve such stochastic closed loop optimal control problem. A generic RL control engine is developed and applied to a multi-phase traffic signal at an isolated intersection in Downtown Toronto in a simulation environment. Paramics, a microscopic simulation platform, is used to train and evaluate the adaptive traffic control system. This article investigates the following dimensions of the control problem: 1) RL learning methods, 2) traffic state representations, 3) action selection methods, 4) traffic signal phasing schemes, 5) reward definitions, and 6) variability of flow arrivals to the intersection. The system was tested on three networks (i.e., small, medium, large-scale) to ensure seamless transferability of the system design and results. The RL controller is benchmarked against optimized pretimed control and actuated control. The RL-based controller saves 48% average vehicle delay when compared to optimized pretimed controller and fully-actuated controller. In addition, the effect of the best design of RL-based ATSC system is tested on a large-scale application of 59 intersections in downtown Toronto and the results are compared versus the base case scenario of signal control systems in the field which are mix of pretimed and actuated controllers. The RL-based ATSC results in the following savings: average delay (27%), queue length (28%), and l CO₂ emission factors (28%).     

基于竞争循环双Q网络的自适应交通信号控制

为了更加有效且可靠地自适应协调交通流量,以减少车辆的停车等待时间为目标,提出了3DRQN(Dueling Double Deep Recurrent Q Network)算法对交通信号进行控制。算法基于深度Q网络,利用竞争架构、双Q网络和目标网络提高算法的学习性能;引入了LSTM网络编码历史状态信息,减少算法对当前时刻状态信息的依赖,使算法具有更强的鲁棒性。同时,针对实际应用中定位精度不高、车辆等待时间难以获取等问题,设计了低分辨率的状态空间和基于车流压力的奖励函数。基于SUMO建立交叉口的交通流模型,使用湖北省赤壁市交叉口收集的车流数据进行测试,并与韦伯斯特固定配时的策略、全感应式的信号控制策略和基于3DQN(Dueling Double Deep Q Network)的自适应控制策略进行比较。结果表明:所提出的3DRQN算法相较上述3种方法的车辆平均等待时间减少了25%以上。同时,在不同车流量及左转比例的场景中,随着左转比例和车流量的增大,3DRQN算法的车辆平均等待时间会有明显上升,但仍能保持较好效果,在车流量为1 800 pcu·h^-1、左转比例为50%的场景下,3DRQN算法的车辆平均等待时间相比3DQN算法减少约15%,相比感应式方法减少约24%,相比固定时长的方法减少约33%。在车流激增、道路通行受限、传感器失效等特殊场景下,该算法具有良好的适应性,即使在传感器50%失效的极端场景下,也优于固定时长的策略10%以上。表明3DRQN算法具有良好的控制效果,能有效减少车辆的停车等待时间,且具有较好的鲁棒性。