城市区域智能交通控制模型与算法

1 绪论

1.1 研究意义

1.1.1 采用区域智能交通控制的意义

1.1.2 研制区域智能交通控制系统的意义

1.2 国内外研究现状

1.2.1 动态模型的研究现状

1.2.2 区域智能交通控制研究现状

1.3 未来区域交通控制的研究展望

2 基于粗糙集的区域交通控制交通量属性约简

2.1 引言

2.2 粗糙集的基本概念

2.2.1 知识表达系统

2.2.2 属性的核和约简

2.3 粗糙集混沌遗传属性约简算法

2.4 区域交通控制交通量属性约简

2.4.1 区域实时交通控制方法

2.4.2 区域交通控制交通量属性约简

3 基于流形学习算法的区域交通控制交通量属性约简

3.1 流形及流形学习

3.1.1 流形及相关的一些数学概念

3.1.2 流形学习

3.1.3 流形学习的产生、发展及应用

3.2 流形学习算法

3.2.1 多维尺度变换(MDS)原理

3.2.2 等距映射（Isomap）原理及特点

3.2.3 局部线性嵌入(LLE)原理及特点

3.2.4 拉普拉斯特征映射原理及特点

3.2.5 局部切空间排列法(LTSA)原理及特点

3.2.6 各种流形学习算法的异同点

3.3 利用流形学习算法的区域交通控制维数约简

3.3.1 方案选择式区域交通控制的维数研究

3.3.2 利用流形学习算法的维数约简算法的研究

3.3.3 降维的实现

4 结合lsomap算法与K-均值聚类算法的交通时段划分研究

4.1 K-均值聚类算法

4.2 研究方法

4.3 Isomap交通时段划分聚类实验

4.3.1 样本数据

4.3.2 降维

4.3.3 聚类

4.3.4 划分时段

4.3.5 对实验结果的评价

5 交通量的混沌预测

5.1 引言

5.2 城市交通流的混沌特性

5.3 基于混沌时间序列的交通量实时预测

5.3.1 改进的加权一阶局域法

5.3.2 基于最大Lyapunov指数的改进预测方法

5.3.3 多层混沌神经网络预测模型(MLCNN)

5.4 交通量混沌预测

5.4.1 预测计算

5.4.2 预测结果分析

5.5 实验结论

6 城市平面交叉路口混沌神经网络控制

6.1 Hopfield网络及分析

6.2 多层反馈混沌神经网络模型(MLFCNN)

6.3 能量函数

6.3.1 车辆延误的计算

6.3.2 饱和流量

6.3.3 能量函数

6.4 基于MLFCNN的城市单路口智能控制

6.5 应用研究

6.5.1 应用对象的说明

……

7 城市交通信号的在线强化学习控制

8 区域交通控制动态模型与智能算法

9 结论与展望

参考文献

城市交通问题是困扰城市发展、制约城市经济建设的重要因素。在城市建立区域智能交通控制系统对减少交通事故、缓和交通拥挤、提高交通效益、降低污染程度、节省能源消耗等都具有十分重要的意义，是解决城市交通问题的有效方法之一。《城市区域智能交通控制模型与算法》总结了作者在城市智能交通控制领域近十年的理论研究成果与实践经验，以混沌理论与智能方法为基础，从应用的角度，沿着“属性约简→交通预测→单点控制→干线控制→区域协调控制”的主线，全面阐述了区域智能交通控制的模型与算法，主要内容包括：
　　（1）一种基于粗糙集理论的区域交通控制交通量属性约简模型与算法。交通量（这里称为“属性”）是区域交通控制最主要的输入参数。为了避免在配时优化或者分类计算中出现“维数灾难”，基于粗糙集理论和混沌遗传算法，介绍了粗糙集混沌遗传属性约简算法。该算法能够有效地对区域交通控制网络的交通量属性进行约简。
　　（2）利用流形学习算法对区域交通控制交通量属性进行约简。考虑到等距映射算法一般需要较大的数据量，并要求不同类别的数据在空间不能分散得过于独立这一特点，在城市交通网络上实验了等距映射算法的降维功能，得到了嵌入维数，实现数据集的约简。
　　（3）单路口的交通多时段定时控制中的时段划分方法。首先用等距映射算法约简检测数据集的维数，然后用K-均值聚类算法对降维后的数据聚类，最后根据聚类结果确定路口的时段划分方案。
　　（4）改进两类混沌时间序列预测模型，并将其应用于区域交通控制中交通量的预测。一类是改进的混沌时间序列预测法中的加权一阶局域法和基于最大Lyapunov指数的预测法模型，一类是在隐层中包含混沌神经元的多层混沌神经网络模型。研究表明，这两类模型都能够有效地解决区域交通控制中交通量的预测问题。
　　（5）以混沌理论为基础，将Hopfield网络改进为多层反馈混沌神经网络，并应用于城市单路口交通控制信号配时优化，并因此建立城市单路口混沌神经网络控制模型。研究表明，该混沌神经网络能够有效地对城市单路口进行控制，并具有良好的稳定性。
　　（6）针对交通信号控制系统的特点，介绍基于Dyna-Q强化学习的在线控制算法。利用交通信号控制Agent在试错过程中获得的经验知识进行模型估计，然后从估计的模型中规划动作，从而可以加速Q-学习迭代过程。
　　（7）结合混沌理论和遗传算法，阐述一种混沌遗传算法，并应用于区域交通控制。在遗传算法的初始种群的产生和变异操作中，引入Logistic混沌映射，进行“混沌生成”和“混沌变异”，由此构造混沌遗传算法。混沌与遗传算法的高度集成有效地提高了收敛速度，增强了稳定性，并能有效地克服基本遗传算法有可能陷入局部最优和早熟收敛的缺陷。
　　（8）将粒子群算法分别与混沌映射、模拟退火算法中的Metropolis概率接受准则以及灾变模型和策略融合，介绍三种高效复合粒子群优化算法，即混沌粒子群算法、模拟退火粒子群算法和灾变粒子群算法，并应用于区域交通控制。由于混沌映射的遍历性以及灾变和模拟退火策略的引入，克服了基本粒子群算法中易陷入局部极值点的不足，增强了粒子群的全局搜索能力。利用测试函数对这三种复合算法进行了测试，同时还将这三种复合算法对一个九路口组成的区域交通控制网络在三种不同的交通强度下进行了对比仿真研究，并与混沌遗传算法进行了对比仿真实验，仿真结果表明：四种复合算法都能有效地克服基本粒子群算法易陷入局部极值点的缺陷，全局搜索能力强、稳定性高，能高效地解决区域交通控制信号优化配时问题，并有其相应的适用范围。