基于粗集理论的交通控制系统研究

为满足智能交通系统高性能模糊控制器设计的需要,把粗集理论融入常规的模糊推理,提出了一种交通控制模糊建模新方法,利用粗集理论的知识推理,直接从交通系统的测量数据提取模糊规则,解决了城市交通模糊控制规则提取的瓶颈问题。实例分析表明:该方法简单有效,不仅可以最大限度地减少从交警的经验直接提取模糊规则的局限性,以获取最优的模糊模型,同时建模方法具有普遍适用性,提取的模糊规则更具客观性。该方法可以推广应用于多交叉口的模糊协调控制,对于采用复杂算法的控制系统更能显示出其优越性。     

���е�·��ͨϵͳ�Ķ�̬�����Petri����ģ�����

城市道路交通系统是一个同时具有离散和连续动态,并包含大量随机不确定因素的动态系统,具有动态、并发及同步等特征.在目前交通状况日益复杂的情况下,其动态及随机不确定特性愈加明显.对城市道路交通系统进行建模分析,是深入了解交通状况、进行交通诱导及控制的关键.本文在基本Petri网的基础上,将广义随机Petri网(GSPN)与交通流概念相结合,建立了符合交通流概念的动态流随机Petri网(FSPN)模型.该模型可以很好地描述城市道路交通流的动态及随机特性,并能对城市道路交通系统中的某些随机现象作出很好的解析描述.文中针对四相位十字交叉口给出了动态流随机Petri网建模实例;活性分析表明,该模型能有效避免系统并发性带来的死锁现象.最后仿真运行分析和性能分析进一步证明了动态流随机Petri网的有效性.     

交通流实时预测的混沌时间序列模型

针对城市交通流普遍存在的混沌特性,介绍了一种改进的加权一阶局域预测模型,并将其应用于交通流实时预测中。为了进一步提高算法的精度与速度,对最优邻域的点数进行动态选择,通过改进,使之成为一种鲁棒性强、预测精度高的实时预测算法,并能有效地用于短时交通流的预测问题中。仿真结果表明:该算法完全满足实时交通流预测的需要,为交通信号智能控制和交通流诱导奠定了坚实的基础。     

基于粒子群优化的RBF神经网络交通流预测

交通流量预测一直是实时自适应交通控制的关键问题。以城市道路网络中典型的两相邻交叉口为研究对象,提出了基于粒子群优化的RBF神经网络的信号交叉口交通流量预测模型。该模型以RB F神经网络为基础,采用分组优化策略,用粒子群优化算法对基函数的中心、方差和RBF网络权值进行优化,从而提高了网络的预测精度。通过仿真,并与其他算法对比,表明了本文方法的有效性。     

粗神经网络及其在交通流预测中的应用

实时准确的交通流量预测是实现智能交通诱导及控制的前提与关键,也是智能化交通管理的客观需要。把粗集理论引入神经网络的构造,应用粗神经元取代部分常规神经元,给出了一种交通流量的粗神经网络预测模型。实验结果表明,该模型在交通流量预测的精度和对交通路网的适应性方面明显优于常规神经网络,具有较高的实用价值。粗神经网络具有极强的鲁棒性,预测模型也可方便地处理季节、天气等随机因素对交通流量预测结果的影响。     

An improved general bidirectional progression model for arterial

Optimal control of arterial signals is critical for the effective operation of urban road network. With the goal of providing reasonable allocation of bidirectional green time while maximizing general bidirectional traffic progression along the arterial, this paper develops an improved general bidirectional coordinated progression model for arterial based on Maxband model. In the model, a proportional coefficient of bidirectional bandwidth demands is introduced and calibrated by adopting average link queue occupancy. The calibration method takes full account of actual traffic volume and capacity of each link, which helps to provide optimal control performance. Additionally, new constraints are added into the model and enable the model with two features: it can automatically select two-way or one-way progression, and the involved intersection unit can be either one-phase-one-approach or bidirectional symmetric release mode. The results of extensive simulation studies indicate that the improved model outperforms existing methods, markedly increasing the utilization of available bidirectional green time.