CN106971566B - 基于遗传算法的自适应控制方法 - Google Patents
基于遗传算法的自适应控制方法 Download PDFInfo
- Publication number
- CN106971566B CN106971566B CN201710307727.8A CN201710307727A CN106971566B CN 106971566 B CN106971566 B CN 106971566B CN 201710307727 A CN201710307727 A CN 201710307727A CN 106971566 B CN106971566 B CN 106971566B
- Authority
- CN
- China
- Prior art keywords
- period
- output
- fuzzy
- phase
- variable
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Traffic Control Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种基于遗传算法的自适应控制方法,包括:设计一个模糊控制器,该模糊控制器包括两个输入变量和一个输出变量;输入变量为当前周期各相位饱和度的加权和input1,后一周期预估车流量变化率input2;输出变量为后一周期饱和度系数output;进行配时优化,周期时长及绿信比确立以计算各相位的绿灯时间;包括:(a)当输出变量output大于设定的阈值时,则判定路口交通状态处于拥堵状态,周期选择设定的最大周期Tmax固定不变;当输出变量output不大于设定的阈值时,则判定路口交通状态处于非拥堵状态,周期则根据后一周期饱和度系数output确定,(b)绿信比确立分为定周期下的绿信比优化和变周期下的绿信比优化;本发明可提高信号控制的效果。
Description
技术领域
本发明涉及智能交通领域,涉及一种基于遗传算法的自适应控制方法。
背景技术
随着经济和社会发展,城市化进程的加快,近年来,我国大中型城市的交通正面临着严峻的考验。为缓解城市交通拥堵状况,必须采取合理有效的交通管理方法,优化智能交通系统。
交叉口作为组成道路网中最小的被控单元,对整个城市道路交通起着至关重要的作用。因而调整单个交叉口运行状态,减少其对上下游交通的影响,缓解城市交通拥堵十分必要。
交叉口信号优化控制是根据检测器提供的交通量信息,针对某些性能指标产生合适的信号配时方案,通过调节周期、绿信比等控制参数,提高路口以及路网上车辆的通行效率、减少车辆延误时间和停车等待时间。
目前,在我国多根据实际经验、路口实际评估制定预设的多时段配时方案,其不能根据路口实时路况进行配时调整。大中城市投入使用的信号控制系统如英国的SCOOT、澳大利亚的SCATS以及我国自主研发的HiCon系统对配时方案进行了优化,均取得了一定的应用效果。SCOOT系统虽然采用了实时控制,但算法实现过程中依赖大量的检测器获取参数,单个检测器的损坏可能会影响整个系统。而SCATS系统采用多种联机模式,通过控制绿信比、相位差和周期等来调节交通状态,但其没有实时交通模型,并不能实时获取交通信息反馈,缺乏一定的可靠性。研究者考虑利用智能算法对建立的数学模型寻优,以获取优化方案,但这个过程运算复杂,控制系统很难满足实时性要求。
如申请号201510150649.6,名称为“一种基于改进的模糊控制器的红绿灯优化配时方法”的专利,该方法只考虑当前绿灯相位与后继相位的排队长度,决定该相位的绿灯延长时间,没有考虑当前周期与前后周期间的制约关系,并且每次都需要计算模糊控制表,造成资源和时间的浪费。以排队长度作为模糊控制器输入参数,相比于本实例中只需要一个检测器就能完成,其获取至少需要两个检测模块,增加了成本,且参数的准确性与车辆的种类密切相关。
如申请号201610648649.3,名称为“基于缓解过饱和状态道路交叉口拥堵状态的控制策略”的专利,利用遗传算法寻优配时的多目标优化函数只针对过饱和状态下的拥堵状况,未考虑路口非饱和状态下的目标函数。
如申请号201610739709.2,名称为“一种联网信号机的信号配时自适应优化方法”的专利,该方法对配时方案的优化以过去一个周期或数个周期的车流量数据为核心,以历史交通数据流为辅助,完成对交叉口交通流量的自适应调整,其过于依赖历史交通数据,对未来交通状况发展趋势未做评估。
发明内容
本发明针对现有信号配时方案存在的不足,提供了一种基于遗传算法的自适应控制方法,解决模糊控制器输入参数受车辆信息检测设备限制,配时方案受限于只依据历史交通参数,优化过程不能实时根据交通状态调整优化目标等问题,以减少放行周期内的绿灯时间浪费、避免相位时间分配不合理,提高信号控制的效果。本发明采用的技术方案是:
基于遗传算法的自适应控制方法,涉及以下两个部分,模糊控制器设计、配时优化以及确立绿信比;
模糊控制器采用离线化设计,包括两个输入变量和一个输出变量;输入变量为当前周期各相位饱和度的加权和input1,后一周期预估车流量变化率input2;输出变量为后一周期饱和度系数output;
(一)模糊控制器设计具体步骤如下:
(1).输入量确定
其中,tg:该相位的绿灯时间;
td:所有车辆通过检测器的间隔时间;
n:绿灯时间内通过的车辆数;
th:车辆在正常行驶条件下的必要时间间隔;
其中,sn:该周期相位总数;
ci:第i相位的饱和度权重;
γi:第i相位的饱和度;
车流量预测模型:Qi+1=Qi+αi*(Gi-Qi) 【3】,
其中,Qi+1:第i+1周期预估车流量;
Qi:第i周期预估车流量;
Ei:第i周期车流量平滑误差,Mi:第i周期车流量绝对平滑误差
Gi:第i周期实际车流量;
(2).论域变换和隶属度函数
将当前周期各相位饱和度的加权和input1,后一周期预估车流量变化率input2;输出变量后一周期饱和度系数output变换为模糊子集:
input1={很小,较小,小,中等,大,较大,很大}
input2={很小,较小,小,中等,大,较大,很大}
output={很小,较小,小,中等,大,较大,很大}
对应的论域:input1={0,1,2,…,10},量化因子:5
input2={-5,-4,…,5},量化因子:10
output={0,1,2,3,4,5,6,7,8},比例因子:1
输入变量的隶属度函数选用高斯型函数,输出变量的隶属度函数选用三角函数;然后制订模糊控制规则,得到一个模糊控制规则表,用模糊条件语句表示输入变量和输出变量之间的模糊关系;
(3).模糊推理和解模糊
采用“min-max”模糊推理,重心法解模糊;具体包括:
每一条模糊条件语句表示的输入变量输出变量之间的模糊关系,用Mamdani推理法,根据模糊控制规则表的内容,得到模糊关系矩阵R;利用模糊推理合成规则“min-max”合成规则,即可求得输出变量的模糊子集;
通常变量的输出结果需要一个确定的数值,在模糊系统中经过模糊推理的输出变量是一个模糊子集,因而需要清晰化,重心法是取隶属度函数曲线与横坐标围成面积的重心作为输出值;
(4).离线数据表
将两个输入变量input1和input2输入模糊控制器后,可得到对应的输出变量output;通过input1、input2、output的各组值即可制作模糊控制器输入输出数据表;
将模糊控制器输入输出数据表制作成离线模式,在每个周期结束后,输入对应的论域,通过离线表即可以求出后一周期饱和度系数;
(二)进行配时优化,周期时长及绿信比确立以计算各相位的绿灯时间;
(a)首先进行路口交通状态判断,当输出变量output大于设定的阈值时,则判定路口交通状态处于拥堵状态,周期选择设定的最大周期Tmax固定不变;当输出变量output不大于设定的阈值时,则判定路口交通状态处于非拥堵状态,周期则根据后一周期饱和度系数output确定,周期计算公式为T=output*K+Tmin,K为周期权重,Tmin为最小周期时间;
(b)绿信比确立分为定周期下的绿信比优化和变周期下的绿信比优化;当交通状态判定为拥堵时采用最大周期控制,以车辆延误时间最少为优化目标,利用遗传算法寻求最优解,计算各相位的绿灯时间;当交通状态判定为非拥堵时周期大小则根据模糊控制器获得的后一周期饱和度系数确定,以减少车辆滞留数量为优化目标,利用遗传算法寻求最优解,计算各相位的绿灯时间。
具体实现步骤如下:
(a).由模糊控制器设计可知,后一周期饱和度系数可分为[0-8]九个等级,其大小表示交通拥挤程度,设定拥堵阈值为CT,故当output>CT,下一周期设为Tmax;当output≤CT,下一周期设为T=output*K+Tmin;
(b).采用遗传算法优化目标函数:
其中,sn为最大相位数,num为最大车道数,τi为第i相位绿信比,xij为第i相位j车道饱和度,qij为第i相位j车道进口车流量;c取设定的最大周期Tmax
当交通状态处于非拥堵状态时,适应度函数
其中,k为周期数,sn为最大相位数,num为最大车道数,为k-1个周期总延误车辆数;qij(k)为第k周期i相位j车道上进口车辆,τij第k周期i相位j车道上的驶离率,gi(k)为k信号周期第i相位的绿灯时间;μij为1是表示第i相位j车道上放行,为0表示第i相位j车道上禁止通行;
上述两个适应度函数中,第一个减号后边的部分就是目标函数,为了使目标函数最小,所以f(x)就得计算最大值,maxint就是目标函数最大的估值;(b2).确定种群规模popsize、最大进化代数gen、交叉概率pcross、变异概率pvarition,迭代次数变量run=1;
(b3).根据路口交通状态的拥堵程度选择对应适应度函数,计算个体适应度值(也就是适应度函数的函数值),保存最优个体,进入下一代;个体即相位绿灯时间;
(b4).用轮盘赌的方法进行选择;
(b5).采用轮盘赌的方法判断是否进行交叉运算,若进行运算,采用算术交叉操作,并根据约束条件对个体进行限制;
(b6)随机产生变异个体,按照变异概率进行运算;
(b7)最优个体替换适应度差的个体,判断是否满足run<gen,fmax≤maxint,若不满足,结束计算;若满足,迭代次数加1,返回(b3);
(b8)结束循环,计算得到下周期各相位最佳绿灯时间。
本发明的优点在于:相比于传统的模糊控制器设计中输入参数受车辆信息检测设备限制,本发明中交通参数的获取只需要对入口车流量检测,可实施性强。相比于其他算法的配时方案,本发明中根据实时交通状态确立信号周期时间,动态优化各相位绿灯时间,以减少放行周期内的绿灯时间浪费、避免各相位绿灯时间的不合理分配,提高信号控制的效果。
附图说明
图1为本发明的流程图。
图2为本发明的模糊控制器设计示意图。
图3a为本发明的判断路口交通状态并选择对应周期的流程图。
图3b为本发明的绿信比优化流程图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
本实例采用四相八车道的单交叉口为场景,对路口的信号灯周期配置和红绿灯配时进行优化。针对单交叉口,四相位分别是东西直行、东西左转、南北直行和南北左转,右转不作考虑,路口车辆视频检测器实时提供车流量、车头时距等信息。基于遗传算法的自适应控制方法整个实现过程如图1所示,包括以下步骤:
(一)模糊控制器设计,如图2所示,
(1)在每个周期结束时,计算该周期内四个相位上的饱和度,对于一个相位上有多个车道时,选取关键车道上的饱和度作为计算参数,按公式【1】计算,东西直行、东西左转、南北直行、南北左转的饱和度分别为γ1、γ2、γ3、γ4,则模糊控制器的输入参数input1=c1*γ1+c2*γ2+c3*γ3+c4*γ4。
(2)本周期结束时,对视频检测器上传的车流量数据进行周期统计得
(3)当前周期各相位饱和度的加权和input1,后一周期预估车流量变化率input2;输出的后一周期饱和度系数output变换为模糊子集;
论域:
input1={0,1,2,…,10},量化因子:5
input2={-5,-4,…,5},量化因子:10
output={0,1,2,3,4,5,6,7,8},比例因子:1
模糊子集:
input1={很小,较小,小,中等,大,较大,很大}
input2={很小,较小,小,中等,大,较大,很大}
output={很小,较小,小,中等,大,较大,很大}
(4)输入变量的隶属度函数选用高斯型函数,输出变量的隶属度函数选用三角函数。
(5)制定模糊控制规则if A and B,then C。A、B、C分别是input1、input2、output,得到如下表格:
表1模糊控制规则表
横向与纵向的交叉单元格中为输出变量output;
(6)采用“min-max”模糊推理,重心法解模糊。
(7)将模糊控制器输入输出数据表制作成离线模式,在每个周期结束数,输入对应的论域,通过离线表即可以求出下一周期饱和度系数。
(二)配时优化,周期时长及绿信比确立以计算各相位的绿灯时间;如图3a和图3b所示;
图3a中,根据模糊控制器的输出变量后一周期饱和度系数判读该路口的交通拥堵情况,当输出变量output大于设定的阈值时,则判定路口处于拥堵状态,周期选择设定的最大周期Tmax固定不变。当输出变量output不大于设定的阈值时,则判定路口处于非拥堵状态,周期则根据饱和度系数确定,周期计算公式为T=output*K+Tmin。
如图3b所示,绿信比确立由上述交通状态分为两种情况,分别是定周期下的绿信比优化和变周期下的绿信比优化。
(1)建立初始种群,初始化第一代个体,设定变量的范围,周期的最大值和最小值等,本实施方式中设置popsize=150,gen=100,pcross=0.8,pvarition=0.05,Tmin=80,Tmax=200,各相位绿灯最小时间20秒。最大绿灯时间50秒。
(2)根据实际交通状况对应的适应度函数,计算适应度值,对适应度值较高的个体保留到下一代,适应度函数中sn=4,num=3;
(3)选择:用轮盘赌的方法进行选择;
(4)交叉:采用轮盘赌的方法判断是否进行交叉运算,若进行运算,采用算术交叉操作,种群中每个个体产生[0,1]的随机数,将小于交叉概率pcross=0.8的个体进行交叉;
(5)变异:随机产生变异个体,按照变异概率pvarition=0.05进行变异运算;
(6)最优个体替换适应度差的个体,判断种群是否达到最大迭代次数值,若是,则结束运算,若不是则循环计算,返回(2)迭代次数加1;
结束运算,由于个体是用二进制编码表示的,将最优个体的变量计算为十进制数,即下周期各相位最佳绿灯时间。
Claims (5)
1.一种基于遗传算法的自适应控制方法,其特征在于,包括:
步骤一,设计一个模糊控制器,该模糊控制器包括两个输入变量和一个输出变量;输入变量为当前周期各相位饱和度的加权和input1,后一周期预估车流量变化率input2;输出变量为后一周期饱和度系数output;
步骤二,进行配时优化,周期时长及绿信比确立以计算各相位的绿灯时间;包括:
(a)当输出变量output大于设定的阈值时,则判定路口交通状态处于拥堵状态,周期选择设定的最大周期Tmax固定不变;当输出变量output不大于设定的阈值时,则判定路口交通状态处于非拥堵状态,周期则根据后一周期饱和度系数output确定,周期计算公式为T=output*K+Tmin,K为周期权重,Tmin为最小周期时间;
(b)绿信比确立分为定周期下的绿信比优化和变周期下的绿信比优化;当交通状态判定为拥堵时采用最大周期控制,以车辆延误时间最少为优化目标,利用遗传算法寻求最优解,计算各相位的绿灯时间;当交通状态判定为非拥堵时周期大小则根据模糊控制器获得的后一周期饱和度系数确定,以减少车辆滞留数量为优化目标,利用遗传算法寻求最优解,计算各相位的绿灯时间。
2.如权利要求1所述的一种基于遗传算法的自适应控制方法,其特征在于,
所述步骤一具体包括:
(1).输入量确定
其中,tg:该相位的绿灯时间;
td:所有车辆通过检测器的间隔时间;
n:绿灯时间内通过的车辆数;
th:车辆在正常行驶条件下的必要时间间隔;
其中,sn:该周期相位总数;
ci:第i相位的饱和度权重;
γi:第i相位的饱和度;
车流量预测模型:Qk+1=Qk+αk*(Gk-Qk) 【3】,
其中,Qk+1:第k+1周期预估车流量;
Qk:第k周期预估车流量;
Ek:第k周期车流量平滑误差,Mk:第k周期车流量绝对平滑误差
Gk:第k周期实际车流量;
(2).论域变换和隶属度函数
将当前周期各相位饱和度的加权和input1,后一周期预估车流量变化率input2;输出变量后一周期饱和度系数output变换为模糊子集:
input1={很小,较小,小,中等,大,较大,很大}
input2={很小,较小,小,中等,大,较大,很大}
output={很小,较小,小,中等,大,较大,很大}
对应的论域:input1={0,1,2,…,10},量化因子:5
input2={-5,-4,…,5},量化因子:10
output={0,1,2,3,4,5,6,7,8},比例因子:1
确定输入变量和输出变量的隶属度函数;
然后制订模糊控制规则,得到一个模糊控制规则表,用模糊条件语句表示输入变量和输出变量之间的模糊关系;
(3).模糊推理和解模糊
采用“min-max”模糊推理,重心法解模糊,以得到输出变量清晰化后的输出值;
(4).离线数据表
将两个输入变量input1和input2输入模糊控制器后,可得到对应的输出变量output;通过input1、input2、output的各组值即可制作模糊控制器输入输出数据表;
将模糊控制器输入输出数据表制作成离线模式,在每个周期结束后,输入对应的论域,通过离线表即能求出后一周期饱和度系数。
3.如权利要求2所述的一种基于遗传算法的自适应控制方法,其特征在于,
输入变量的隶属度函数选用高斯型函数,输出变量的隶属度函数选用三角函数。
4.如权利要求2所述的一种基于遗传算法的自适应控制方法,其特征在于,
采用“min-max”模糊推理,重心法解模糊;具体包括:
每一条模糊条件语句表示的输入变量输出变量之间的模糊关系,用Mamdani推理法,根据模糊控制规则表的内容,得到模糊关系矩阵R;利用模糊推理合成规则“min-max”合成规则,求得输出变量的模糊子集;
重心法是取隶属度函数曲线与横坐标围成面积的重心作为输出值。
5.如权利要求2、3或4所述的一种基于遗传算法的自适应控制方法,其特征在于,
步骤二中的(b)步骤具体包括:
其中,sn为周期相位总数,num为最大车道数,τi为第i相位绿信比,xij为第i相位j车道饱和度,qij为第i相位j车道进口车流量;c取设定的最大周期Tmax
当交通状态处于非拥堵状态时,适应度函数
其中,k为周期数,sn为周期相位总数,num为最大车道数,为k-1个周期总延误车辆数;qij(k)为第k周期i相位j车道上进口车辆,τij第k周期i相位j车道上的驶离率,gi(k)为k周期第i相位的绿灯时间;μij为1是表示第i相位j车道上放行,为0表示第i相位j车道上禁止通行;
上述两个适应度函数中,第一个减号后边的部分是目标函数,maxint就是目标函数最大的估值;
(b2).确定种群规模popsize、最大进化代数gen、交叉概率pcross、变异概率pvarition,迭代次数变量run=1;
(b3).根据路口交通状态的拥堵程度选择对应适应度函数,计算个体适应度值,保存最优个体,进入下一代;
(b4).用轮盘赌的方法进行选择;
(b5).采用轮盘赌的方法判断是否进行交叉运算,若进行运算,采用算术交叉操作,并根据约束条件对个体进行限制;
(b6).随机产生变异个体,按照变异概率进行运算;
(b7).最优个体替换适应度差的个体,判断是否满足run<gen,fmax≤maxint,若不满足,结束计算;若满足,迭代次数加1,返回(b3);fmax为个体适应度最大值;
(b8).结束循环,计算得到下周期各相位最佳绿灯时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710307727.8A CN106971566B (zh) | 2017-05-04 | 2017-05-04 | 基于遗传算法的自适应控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710307727.8A CN106971566B (zh) | 2017-05-04 | 2017-05-04 | 基于遗传算法的自适应控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106971566A CN106971566A (zh) | 2017-07-21 |
CN106971566B true CN106971566B (zh) | 2020-03-24 |
Family
ID=59330203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710307727.8A Active CN106971566B (zh) | 2017-05-04 | 2017-05-04 | 基于遗传算法的自适应控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106971566B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545729B (zh) * | 2017-08-25 | 2020-02-18 | 华南理工大学 | 一种基于数据驱动的交通路网分布式区域控制方法 |
CN108665706B (zh) * | 2018-05-23 | 2020-05-05 | 辽宁工业大学 | 一种城市区域道路分级诱导方法 |
CN108615375B (zh) * | 2018-05-28 | 2021-02-05 | 安徽畅通行交通信息服务有限公司 | 一种交叉口信号配时时段划分方法 |
CN109166329A (zh) * | 2018-09-17 | 2019-01-08 | 上海理工大学 | 一种面向多目标的城市紧急救援交通信号恢复过渡方法 |
CN109544945B (zh) * | 2018-11-30 | 2021-06-01 | 江苏智通交通科技有限公司 | 基于车道饱和度的区域控制相位配时优化方法 |
CN111311930B (zh) * | 2018-12-12 | 2022-05-31 | 阿里巴巴集团控股有限公司 | 一种获取车流量的方法及其装置 |
CN111785041A (zh) * | 2019-04-04 | 2020-10-16 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种十字路口灯时自适应调节方法 |
CN112365714B (zh) * | 2020-11-11 | 2022-05-10 | 武汉工程大学 | 一种智轨通行主支路交叉口交通信号控制方法 |
CN112950963B (zh) * | 2021-01-25 | 2022-05-10 | 武汉工程大学 | 一种城市主支路交叉口自适应信号控制优化方法 |
CN113360451B (zh) * | 2021-05-27 | 2022-04-05 | 青岛全掌柜科技有限公司 | 基于自适应进化算法的保单数字化方法 |
CN113971884B (zh) * | 2021-12-01 | 2023-04-28 | 文思海辉智科科技有限公司 | 一种道路交通拥堵确定方法、装置、电子设备及存储介质 |
CN114360264A (zh) * | 2022-01-18 | 2022-04-15 | 重庆大学 | 一种基于交通流量进行调节的智慧城市交通管理方法 |
CN114882713B (zh) * | 2022-03-30 | 2023-09-01 | 浙江大华技术股份有限公司 | 基于多场景的信号控制方法、系统、设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101325008A (zh) * | 2008-07-25 | 2008-12-17 | 浙江大学 | 一种城市交通干线动态双向绿波带智能协调控制方法 |
CN101789176A (zh) * | 2010-01-22 | 2010-07-28 | 天津市市政工程设计研究院 | 预约集港模式下的港区短时交通流预测方法 |
CN105788302A (zh) * | 2016-04-08 | 2016-07-20 | 华北电力大学(保定) | 一种双目标优化的城市交通信号灯动态配时方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100444210C (zh) * | 2007-04-20 | 2008-12-17 | 东南大学 | 单点信号控制交叉口的混合控制方法 |
CN101266718A (zh) * | 2008-04-24 | 2008-09-17 | 山东大学 | 基于路口组的交通流优化控制方法 |
DE102008050822A1 (de) * | 2008-10-08 | 2010-04-15 | Gevas Software Systementwicklung Und Verkehrsinformatik Gmbh | Verkehrsadaptive Netzsteuerung und Verfahren zur Optimierung der Steuerungsparameter |
JP2013016075A (ja) * | 2011-07-05 | 2013-01-24 | Kumamoto Univ | 情報処理装置、情報処理方法及びプログラム |
TWI486920B (zh) * | 2012-12-10 | 2015-06-01 | The method of switching the all - day timepiece | |
CN105869417B (zh) * | 2016-06-16 | 2019-07-23 | 兰州理工大学 | 一种基于组合控制的交通信号控制方法及系统 |
CN106600990B (zh) * | 2016-11-23 | 2021-12-03 | 浩鲸云计算科技股份有限公司 | 基于遗传算法的动态信号灯评估方法与系统 |
-
2017
- 2017-05-04 CN CN201710307727.8A patent/CN106971566B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101325008A (zh) * | 2008-07-25 | 2008-12-17 | 浙江大学 | 一种城市交通干线动态双向绿波带智能协调控制方法 |
CN101789176A (zh) * | 2010-01-22 | 2010-07-28 | 天津市市政工程设计研究院 | 预约集港模式下的港区短时交通流预测方法 |
CN105788302A (zh) * | 2016-04-08 | 2016-07-20 | 华北电力大学(保定) | 一种双目标优化的城市交通信号灯动态配时方法 |
Non-Patent Citations (2)
Title |
---|
基于智能计算的城市交通信号的优化控制研究;盖斐;《万方数据知识服务平台》;20090820;全文 * |
基于模糊理论的交通状态评价分析研究;朱凯泉;《万方数据知识服务平台》;20120902;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106971566A (zh) | 2017-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106971566B (zh) | 基于遗传算法的自适应控制方法 | |
CN112365724B (zh) | 一种基于深度强化学习的连续交叉口信号协同控制方法 | |
CN107067759B (zh) | 一种基于acp的平行交通信号灯实时控制方法 | |
CN107545729B (zh) | 一种基于数据驱动的交通路网分布式区域控制方法 | |
CN112419726B (zh) | 一种基于交通流预测的城市交通信号控制系统 | |
CN111739284B (zh) | 基于遗传算法优化模糊控制的交通信号灯智能配时方法 | |
CN113327416A (zh) | 基于短时交通流预测的城市区域交通信号控制方法 | |
CN111710167A (zh) | 一种基于在线交通仿真的单点优化控制方法及装置 | |
CN110570672B (zh) | 一种基于图神经网络的区域交通信号灯控制方法 | |
CN111985619B (zh) | 一种基于短时交通流预测的城市单交叉口控制方法 | |
CN104766485A (zh) | 一种基于改进的模糊控制的红绿灯优化配时方法 | |
CN109559510B (zh) | 基于随机分布控制算法的多个mfd子区边界协调控制方法 | |
CN112950963B (zh) | 一种城市主支路交叉口自适应信号控制优化方法 | |
CN111524345B (zh) | 一种车辆实时排队长度约束下多目标优化的感应控制方法 | |
CN111341109B (zh) | 一种基于时空相似性的城市级信号推荐系统 | |
Chen et al. | Dynamic traffic light optimization and Control System using model-predictive control method | |
CN116628972A (zh) | 基于预测模型的工业余热并入热网的供热系统控制方法 | |
CN109615885B (zh) | 一种智能交通信号控制方法、装置及系统 | |
CN104809890A (zh) | 基于主成分分析和局部搜索改进正交遗传算法的交通信号配时优化方法 | |
CN116976045A (zh) | 一种非拥堵状态下控制子区多目标约束仿真方法 | |
Yang et al. | Regional boundary control of traffic network based on MFD and FR-PID | |
CN112634619B (zh) | 基于自适应遗传算法的二型模糊单交叉口控制方法、装置及存储介质 | |
Wang et al. | Efficiency and reliability analysis of self-adaptive two-stage fuzzy control system in complex traffic environment | |
Tan et al. | Coordinated Ramp Metering Control Based on Multi-Agent Reinforcement Learning | |
Gündogan et al. | Pattern recognition method for simplified coordinated traffic signal control |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |