结合改进跟驰模型的交通流元胞自动机模型

为更好地分析交通流运行规律,实现有效的交通控制和优化,提出结合改进跟驰模型的交通流元胞自动机(cellular Automata,CA)仿真模型.首先在分析正比于速度的间距倒数模型和Bierley模型特点的基础上,改进得到更符合实际的跟驰模型,进而创建的CA模型结合改进跟驰模型计算并离散化得到的加速度,进行车辆及整条车道的状态更新.通过模型仿真,得到速度差灵敏度系数λ、车辆间距灵敏度系数k和安全距离参数α不同取值时的交通流基本图和X-t时空状态图.通过仿真发现,λ,k的取值很大程度影响图形形状,而α的影响较小,同时模型仿真再现了交通流状态的动态衍化过程.通过试验验证,该模型仿真得到的Q-ρ关系曲线和实际交通流一致,且可模拟再现实际交通流的失稳、阻塞演化、走走停停等非线性交通流现象.     

基于ALINEA控制的高速公路入口匝道及主线交通流仿真研究

高速公路入口匝道的ALINEA控制是一种典型和有效的感应控制。文中就ALINEA控制对高速公路匝道及其主线上交通流的影响进行分析和研究,采用TSIS交通仿真软件,在固定期望占有率、改变匝道调节率更新时间和调节率参数的情形下,获得交通流的实时数据。仿真结果表明,这两个参数的变化对匝道上车辆排队消散所需时间和车辆累积延误时间均有重要影响。     

短连线信号交叉口的元胞自动机模型

提出了短连线交叉口元胞自动机交通流模型.采用开放性边界条件,模拟了短连线交叉口的交通流.研究了交通信号灯控制下短连线交叉口的交通流特性.分析了相位差、连线长度、信号周期、产生概率、消失概率对交通流的影响.结果表明:相对于长连线交叉口来说,短连线交叉口交通流量不仅决定于上游交叉口的通行能力,而且与连线长度、信号周期和相位差相关;连线长度确定时,存在使主干道和支线交通流量达到最大的最佳相位差;随着连线长度的增大,相位差对主干道和支线交通流的影响逐渐减弱;在最佳相位差时,信号周期长度对交通流量无明显影响.     

基于深度强化学习的单路口交通信号控制

合理的交通信号灯控制方案能减少交叉口处的排队长度,缓解交通拥堵问题.路口交通流具有非线性、时变性、不确定性等特点,对其建模困难,从而导致无法借助其精确的数学模型来优化交通信号控制方案.本文将深度强化学习方法应用到交通信号控制问题,深度强化学习Agent以减少路口处的排队车辆总数为目标,通过观察交叉口处所有入口车道的状态进行相位控制;使用SUMO仿真平台对本文提出的控制方法进行了仿真实验.实验结果表明,相较于定时控制方法,本文提出的基于深度强化学习的控制方法能显著减少交叉口处的排队车辆数,缓解交通拥堵.     

基于车辆队列的饱和状态下城市主干道旅行时间估算方法

当前城市主干道过饱和交通流交通状况恶劣,交通拥堵时常发生,由于受信号灯的周期性阻滞作用,交叉口上游车辆淤积现象严重,传统的连续交通流模型无法用于估算城市主干道旅行时间.有鉴于此,提出了一种适用于中断交通流的基于车辆队列的旅行时间估算方法.基于道路上已有的存在型检测器,运用检测器采集的高精度实时数据,研究了车队识别和匹配方法,通过匹配车队信息,对通过饱和状态下城市主干道的车辆进行了实时旅行时间估算.在此基础上,利用Q-Paramics软件进行了实例模型仿真验证.通过对比算法估算值和仿真模型观测值,验证了算法的合理性和有效性,为评估饱和状态下的城市主干道交通状态奠定了基础.     

基于自然轨迹考虑车型的多车道公路交通指标分析

分析了HighD和NGSIM两个开放的自然驾驶数据集中交通流参数(如速度和流量)与安全指标(如车头空距(DHW)、车头时距(THW)和碰撞时间(TTC))的异同.首先针对两个数据集分析了交通状态、不同车道和车辆类型等参数对交通流参数的影响.然后,针对车辆跟驰情况,研究了基于不同车道和不同车型的安全指标分布,探讨了安全指...     

考虑燃油消耗和排放的交叉口汽车路径规划与控制模型

针对现有道路交叉口环保驾驶研究中未充分结合交通状态、未充分考虑道路交叉口冲突区域等问题,基于车联网(V2X)技术,研究提出了一种道路交叉口环保驾驶汽车路径优化控制模型。该模型提前采集前方道路交叉口交通信号灯控制时间信息,并在交叉口前设置控制区域,整个控制过程分为两个阶段:首先,以最低燃油消耗和排放最低为目标,对进入控制区域的车辆进行速度规划,确保以最为环保的方式通过信号灯;其次,以最大程度避开交叉口冲突点为目标,对进入交叉口的车辆进行通行速度规划,使车辆最大程度回避分流冲突点、交叉冲突点、合流冲突点。通过两个阶段的路径规划与控制,实现车辆整体上以最环保的方式通过交叉口的目的。为了验证模型的有效性,搭建了Python和Vissim集成的仿真平台进行仿真,设置了不同的交通流状态场景,并和Webster信号配时下,不受其他控制器控制的车辆进行了燃油消耗和排放对比。试验结果显示,相比于Webster信号配时下,不受其他控制器控制的车辆,受路径规划控制模型控制车辆的燃油消耗降低了42.7%,CO排放量减少了4.26%,表明研究构建的路径规划控制模型是一种有效的道路交叉口环保驾驶路径优化控制策略,可以为车联网条件下车辆环保驾驶提供依据。     

城市快速路出入口匝道联动控制策略研究

以北京市快速路为研究对象,对分布密集的出入口匝道实施信号联动控制.为减少驶入与驶出车流间的交织冲突,保证快速路主线交通流处于最佳运行状态,提出出入口匝道信号联动控制方法.采用Vissim对提出的控制方法进行模拟验证,结果表明该方法可以提高主线车辆的运行速度,有效缓解交织区的严重冲突现象.     

自动驾驶专用车道影响下的CACC车流管理策略

自动驾驶专用车道对混合交通流的作用与协同自适应巡航控制(Cooperative Adaptive Cruise Control,CACC)车流大小相关.为分析已存在自动驾驶专用车道场景下CACC车流在各车道上的分布情况对交通流的影响,利用已有的人工驾驶车辆(Human-driving Vehicle,HV)和CACC跟...     

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.      

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。     

基于仿真的交通信号控制优化策略研究

根据道路流量,研究了利用灵活的控制策略提高交通控制的效率问题.针对信号控制交叉口实际流量动态变化的特征,在现有传统控制方法的基础上根据交叉口交通流的变化特点,提出采用可变车道控制模式的控制方法、单边轮放控制模式的控制方法,介绍了其潜在的适用条件、优势及特点,并在交通流量调查的的基础上,建立了交叉口的相应仿真模型,利用信号控制仿真软件Synchro验证了在高峰期不同控制方法的效果.仿真结果表明,所提出的控制方法适用于具有相应流量特点的交叉口,提高了信号交叉口的控制效率.     

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.     

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。     

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.     

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。     

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。     

城市连续流交通协调控制策略研究

通过对城市交通信号协调控制发展和理论研究现状的论述,指出城市交通拥堵问题可以通过构造城市连续流交通以保证车流顺畅、快速、大量地通过交通拥堵严重区域的交叉口来解决。在协调控制研究和应用的基础上,提出了连续流交通协调控制应用策略和具体实施流程,通过实际案例说明控制策略对解决城市交通问题有着显著的效果。