采用遗传算法的交通信号模糊控制器优化设计

一般模糊控制器控制规则依赖于专家经验，量化因子固定，不能随交通流的变化而动态改变，针对这种情况，提出了基于遗传算法的模糊控制器的优化控制．对模糊控制器所作出的决策进行动态调整，文章介绍了控制过程、染色体的编码及遗传算子的实现方法。以车辆平均延误为目标函数，在模糊控制器作出判决的基础上，对控制规则的调整量进行全局寻优，加快了收敛速度。通过对某一4相位交叉口进行仿真的结果表明．控制效果有明显的改善。     

交叉口多相位模糊控制及其BP神经网络实现

针对城市交叉口交通流的特点,提出了一类交叉口多相位自适应控制算法,介绍了基于改进的多层神经网络实现交叉口模糊控制的方法,给出了学习算法。仿真结果表明,设计模糊神经控制器具有学习和泛化能力,实时性好,能在车流大小随机变化的单个路口中得到应用。     

基于AutoCAD．DXF的道路网络模型的研究

在Visual C 6.0编译环境下,采用计算机辅助设计AutoCAD技术结合C 语言,设计了城市路网模型.首先利用CAD技术绘制了交通地图,以DXF文件的形式保存起来;然后用Visual C 编译器实现了道路网络模型的开发.快速、准确地建立了道路网络模型.     

基于组合前景提取的混合交通两轮车辆视频检测

针对混合交通流中两轮车辆视频检测问题,提出一种基于混合高斯模型（GMM）与背景累加模型（BAM）的组合前景提取方法,该方法将GMM与BAM组合得到的2 种前景图像分别经过滤波和形态学的膨胀操作处理,然后进行“与”操作,过滤掉高斯前景中的大量噪声,提取出感兴趣前景区域.针对两轮车辆的轮廓边缘特征,采用Canny 边缘检测提取边缘信息,去除前景区域中的非目标区域,采用两轮车辆的自建模板,通过欧氏距离进行模板匹配,定位并标记感兴趣区域中的目标区域.在OpenCV 和Matlab7.1 实验测试平台上,对典型城市混合交通路段的交通流视频进行测试.结果表明,该方法对混合交通流中两轮车辆的识别检测具有较高的准确率.     

基于Agent的城市道路交通信号控制方法

将Agent技术与Q学习算法相结合,应用到交通信号控制系统中,提出基于Agent技术的城市道路交通信号控制方法,建立了基于Agent的单交叉口信号控制结构模型,并阐述了Q学习机制的实现方法.系统根据交叉口基本的路况信息,以及实时采集到的交通量,通过加强学习的奖惩机制来动态调整不同相位的通行权及信号配时时长.当奖惩值为加强时,保持该相位通行权,并适当延长绿灯时间;当为惩罚时,则相应缩短绿灯时间或将通行权切换到下一相位,实现自适应控制,减少路口排队车辆的平均延误.通过对一个四相位交叉口进行仿真研究,与定时控制相比,控制效果得到明显提高.     

基于数据修正的改进型灰色-RBF网络预测

针对既呈趋势性,又呈波动性的时间序列难以预测的问题, 提出了基于失真数据的修正的改进型灰色-RBF网络预测模型及算法.即用改进型灰色模型提取趋势性因素,用神经网络处理波动性因素,另尝试性的提出还须排除异常干扰因素,即查找和修正序列的异常数据.并以南昌铁路车站旅客发送量预测为例,验证了算法的有效性,收到很好的预测效果.     

导航电子地图中GPS坐标定位的改进算法

将GPS坐标定位的改进算法与传统的Gauss—Kmger投影公式进行比较分析,得出改进算法的误差精度和适用范围,并借助VB编程,通过具体算例,证明在满足精度条件和适用范围的情况下,改进算法比Gauss—Kmger投影算法更方便快捷。该算法可应用于导航电子地图的测量与绘制。     

基于非线性时间序列分析的短时交通流特性分析

利用非线性时间序列分析方法对从时间一维角度出发对短时交通流的特性进行定性、定量分析。首先简要介绍了递归图和定量递归分析方法,以1min为间隔的实测交通流量数据为例,选取1d中不同的4部分,用递归图从定性方面可视化其动力学特性,然后用定量递归分析得到各部分的量化特征值,并对结果做出分析。结果表明短时交通流时间序列具有非线性、非平稳的特性,在不同的时段内分别具有随机性、混沌性和确定性。这一研究结果对短时交通流的预测具有一定的理论价值和实际意义。     

交叉口Agent间的博弈学习协调方法

将Multi-agent应用在城市交叉口交通协调控制中。通过引入交通信号控制Agent,分析Agent的协调过程;以交通信号控制Agent为角色,建立了相互关联的城市交叉口资源动态协调配置抽象模型;应用对策论作为协调实现途径,并且以分布式Q强化学习中Q值更新作为其效用函数。通过对两交叉口协调实例分析,证明了采用博弈学习协调方法的有效性。     

基于最小安全距离的车辆跟驰模型研究

在传统的基于车头时距的安全距离模型和基于制动过程的安全距离模型的研究基础上,针对前导车分别处于静止、匀速和匀减速等不同行驶状态,相应地建立了单车道跟驰状态下跟随车与前导车不发生追尾碰撞的最小安全距离模型,并充分考虑了车辆制动过程中减速度渐变的过程,避免了以往模型中采用制动减速度突变的问题。最后,通过M atlab仿真系统对改进模型和传统模型进行了同等条件下的仿真,仿真数据从理论上验证了改进模型能够很好地解决传统模型计算的安全距离存在较大偏差的问题,可为今后研究跟驰模型提供一定的参考。