CN107633692A - 一种城市快速路入口匝道无模型自适应控制方法 - Google Patents

一种城市快速路入口匝道无模型自适应控制方法 Download PDF

Info

Publication number
CN107633692A
CN107633692A CN201710911844.5A CN201710911844A CN107633692A CN 107633692 A CN107633692 A CN 107633692A CN 201710911844 A CN201710911844 A CN 201710911844A CN 107633692 A CN107633692 A CN 107633692A
Authority
CN
China
Prior art keywords
mrow
msub
mover
traffic
rho
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.)
Pending
Application number
CN201710911844.5A
Other languages
English (en)
Inventor
卜旭辉
王森
崔立志
许漂漂
王清峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University of Technology
Original Assignee
Henan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan University of Technology filed Critical Henan University of Technology
Priority to CN201710911844.5A priority Critical patent/CN107633692A/zh
Publication of CN107633692A publication Critical patent/CN107633692A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)

Abstract

本发明涉及城市快速路入口匝道交通流控制。一种城市快速路入口匝道无模型自适应控制方法，首先建立以入口匝道流量为控制输入量，交通流密度为输出量的被控过程；实时检测交通流密度并判断该交通流密度数据是否丢失，当没有数据丢失时利用当前时刻的交通流信息和入口匝道流量来修正下一时刻的入口匝道流量，随着时间的推移快速实现对交通流密度的控制；当控制器检测到有数据丢失时，首先采用估计值对交通流密度数据进行补偿，并储存到被控量存储器中，然后计算密度的误差，并储存到误差量存储器，进一步修正控制方案；最后，构造控制律计算入口匝道流量，通过数据补偿对当前的控制方案进行改进，并运用修正的控制方案实现对交通流密度的控制。

Description

一种城市快速路入口匝道无模型自适应控制方法
技术领域
本发明涉及一种城市快速路入口匝道交通流控制方法，尤其是涉及一种带有数据补偿的城市快速路入口匝道无模型自适应控制方法。
背景技术
随着国民经济的飞速发展，城市道路的交通问题日益严重，交通拥堵已经成为当前大城市交通所面临的一个主要问题。为了缓解交通压力，改善交通拥堵现象，对快速路交通系统的控制非常必要。目前要想实现对交通系统的控制其困难主要在于：首先，由于快速路交通系统机理复杂，呈现高度非线性、大滞后以及时变不确定性等特点，难以建立系统的精确模型，所以采用基于模型的控制方法，难以得到有效的控制模型。其次，由于快速路交通环境极端多变以及存在噪声干扰，造成系统参数甚至结构均会随时间变化，使得经典PID控制算法的参数整定困难较大。无模型自适应控制方法是一种典型的数据驱动控制方法，仅利用受控系统的输入输出数据进行控制器的设计和分析，摆脱了控制器设计对受控系统数学模型的依赖以及相关理论难题，可以不依赖于系统的精确模型。
虽然无模型自适应控制方法可以不依赖于系统的精确模型，并且能够抑制外部环境不确定干扰，但是在某些情况下会有数据丢失发生，使系统的过渡时间和调节时间变长，影响系统的快速性和准确性。
发明内容
本发明针对现有技术不足，提出了一种基于数据补偿的城市快速路入口匝道无模型自适应控制方法，可以对丢失的数据进行补偿，减少其对系统的影响，达到系统的期望值。
本发明所采用的技术方案：
一种城市快速路入口匝道无模型自适应控制方法，首先，建立以入口匝道流量为控制输入量，交通流密度为输出量的被控过程；在城市快速路入口匝道无模型自适应控制过程中，实时检测交通流密度，并在对采集到的交通流密度进行存储和传输时，判断该交通流密度数据是否丢失，当没有数据丢失时利用当前时刻的交通流信息和入口匝道流量来修正下一时刻的入口匝道流量，实现对交通流密度的控制；当控制器检测到有数据丢失时，首先采用估计值对交通流密度数据进行补偿，并储存到被控量存储器中，然后计算密度的误差，并储存到误差量存储器，进一步修正控制方案；最后，构造控制律来计算入口匝道流量，通过数据补偿对当前的控制方案进行改进，并运用修正的控制方案实现对交通流密度的控制，达到系统的期望值。
本发明的有益效果：
1、本发明城市快速路入口匝道无模型自适应控制方法，针对快速路入口匝道控制中采集到的交通流量进行网络传输时产生的丢包现象，设计了带有丢失数据补偿的无模型自适应控制方案。采用基于数据补偿的控制算法，控制器在检测到输出数据ρi(k)丢失的时候，能够补偿丢失的数据，从而有效地降低数据包丢失对快速路入口匝道交通流控制性能的影响，使快速路交通流密度更快地达到期望指标。
2、本发明城市快速路入口匝道无模型自适应控制方法，使用的控制器结构简单，不需要建立系统的精确数学模型，只根据系统的输入输出数据便可实现相应的控制方案，摆脱了控制器设计对受控系统数学模型的依赖及其他对应的理论难题。除此之外对控制过程中存在的扰动具有一定的抑制能力，提高了系统交通流密度跟踪误差的收敛速度。
附图说明
图1是带有数据补偿的城市快速路入口匝道无模型自适应控制运行原理图。
图2是带有数据补偿的城市快速路入口匝道无模型自适应控制实施流程图。
图3是未发生输出数据丢失时路段7交通流密度的跟踪曲线。
图4是随机输出数据丢失示意图。
图5是输出数据丢失但未进行补偿时路段7交通流密度的跟踪曲线。
图6是输出数据丢失但有补偿时路段7交通流密度的跟踪曲线。
具体实施方式
下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。
实施例1
参见图1、图2，本发明带有数据补偿的城市快速路入口匝道无模型自适应控制方法，首先，建立以入口匝道流量为控制输入量，交通流密度为输出量的被控过程；其与现有技术不同的是：
在城市快速路入口匝道无模型自适应控制过程中，实时检测交通流密度，并在对采集到的交通流密度进行存储和传输时，判断该交通流密度数据是否丢失，当没有数据丢失时利用当前时刻的交通流信息和入口匝道流量来修正下一时刻的入口匝道流量，实现对交通流密度的控制；当控制器检测到有数据丢失时，首先采用估计值对交通流密度数据进行补偿，并储存到被控量存储器中，然后计算密度的误差，并储存到误差量存储器，进一步修正控制方案；
最后，构造控制律来计算入口匝道流量，通过数据补偿对当前的控制方案进行改进，并运用修正的控制方案实现对交通流密度的控制，达到系统的期望值。
实施例2
参见图1、图2，本实施例带有数据补偿的城市快速路入口匝道无模型自适应控制方法，通过以下步骤实现：一般地，城市快速路宏观交通流模型如下：
qi(k)＝ρi(k)vi(k) (2)
其中ρi(k)，ri(k)，si(k)，vi(k)，Li分别表示快速路路段i的交通流密度、入口匝道流量、外部干扰以、平均速度及长度，vfree，ρjam分别表示自由流速度和单个车道的最大可能密度。
根据无模型自适应控制理论，将快速路宏观交通流模型转化为如下数据模型：
Δρi(k+1)＝φi,c(k)Δri(k) (5)
其中，Δρi(k+1)＝ρi(k+1)-ρi(k)，Δri(k)＝ri(k)-ri(k-1)，φi,c(k)是一个被称为伪偏导数(pseudo partial derivative，PPD)的时变参数，是无模型自适应控制方法的核心。
根据PPDφi,c(k)，期望交通流密度ρi,d(k)，设计出入口匝道无模型自适应控制方案如下：
(注：如果或|Δri(k)|≤ε或
其中，(6)是PPD估计算法，是φi,c(k)的估计值，μ＞0是权重因子，其主要作用是作为PPD估计值变化量的惩罚因子，η∈(0,1]是步长因子，使算法有更强的灵活性和一般性；(7)式是算法重置机制，可以使PPD估计算法具有更强的对时变参数的跟踪能力，ε是一个充分小的正数，是的初值；(8)式是控制算法，λ＞0是权重因子，其作用是限制控制控制输入量的变化，ρ∈(0,1]是步长因子，使算法更具有一般性。
由(5)式知：ρi(k)＝ρi(k-1)+φi,c(k-1)Δri(k-1)，当系统输出交通流密度ρi(k)丢失时，可用ρi(k-1)，和Δri(k-1)来估计丢失的交通流密度即：
定义α(k)和如下：
其中，用α(k)表示判断输出数据是否丢失，若丢失为0，否则为1；(10)式中的为对丢失交通流密度的补偿，
进而，相应的带有数据补偿的入口匝道无模型自适应控制方案可修改为如下：
如果或|Δri(k)|≤ε或
其中，(11)是PPD估计算法，是φi,c(k)的估计值，μ＞0是权重因子，其主要作用是作为PPD估计值变化量的惩罚因子，η∈(0,1]是步长因子，使算法有更强的灵活性和一般性；(12)式是算法重置机制，可以使PPD估计算法具有更强的对时变参数的跟踪能力，ε是一个充分小的正数，是的初值；(13)式是控制算法，λ＞0是权重因子，其作用是限制控制控制输入量的变化，ρ∈(0,1]是步长因子，使算法更具有一般性。
实施例3
参见图1、图2，本实施例带有数据补偿的入口匝道无模型自适应控制方法，与实施例2不同的是，包括：
步骤1)，系统动态线性化：将快速路交通流系统动态线性化转化为数据模型：
Δρi(k+1)＝φi,c(k)Δri(k)；
步骤2)，控制过程初始化：
步骤2-1)初始化控制量，给定初始时刻的入口匝道流量ri(0)；
步骤2-2)设置交通流密度的期望值ρi,d(k)，设置初始交通流密度ρi(0)；
步骤3)，实时检测并采集k时刻快速路交通系统的交通流密度ρi(k)并存储，并判断系统交通流密度在传输过程中是否存在丢失，若无丢失，α(k)＝1，若丢失，α(k)＝0，其中
步骤4)，将k时刻的交通流密度ρi(k)与存储器里对应时刻的交通流密度期望值ρi,d(k)相比较得到密度的误差，即并将ei(k)存储到误差存储器中；
步骤5)，判断误差量存储器的数据是否达到要求的误差精度；若达到要求精度即满足条件|ei(k)|≤ε，则直接进行下一时刻的控制任务；否则，根据权利要求4中控制方案(11)-(13),更新PPD参数估计值和控制输入量入口交通流流量ri(k)，直到达到控制要求的误差精度为止。
参见图3、图4、图5及图6，我们针对无数据丢失、有数据丢失且无数据补偿、有数据丢失且有数据补偿三种情况，进行数值仿真对比实验。
首先考虑一段长度为6km单车道快速路，分为12个路段，每个路段长度为0.5km，第7路段有一个入口匝道，且交通需求为r(k)＝250+10sin(k*pi/n)，n是采样间隔数。给出系统参数和初始状态：
ρi(0)＝30，vi(0)＝50，q0(k)＝1500，ri(0)＝0，
vfree＝80，ρjam＝80，l＝1.8，m＝1.7，κ＝13，τ＝0.01，T＝15，γ＝35，α＝0.95。
其次设置控制器参数为η＝0.1,μ＝1,ρ＝0.6,λ＝0.0001，以及期望交通流密度ρi,d(k)＝30。
如图3，此时无数据丢失，然后通过控制方案(6)-(8)及系统参数和初始状态，进行数值仿真，得到未发生输出数据丢失时路段7交通流密度的跟踪曲线，可以看出，交通流密度可以很好地跟踪期望密度。
如图4，为随机输出数据丢失示意图，其中“1”代表数据包传输成功，“0”代表数据包在传输过程中丢失。从图中可以看出，输出数据丢包率为50％。
如图5，当存在输出数据丢失且不对其补偿时，通过控制方案(6)-(8)及系统参数和初始状态，进行数值仿真，得到输出数据丢包但未进行补偿时路段7交通流密度跟踪效果的示意图，其中数据丢失率为50％，数据丢包情况见图4。从图5中可以看出，与未发生丢包时的结果(图3)相比，可以明显看出无补偿时快速路交通流密度的跟踪性能变得较差。
如图6，通过输出数据丢失判断和补偿方案(9)-(10)，控制方案(11)-(13)及系统参数和初始状态，进行数值仿真，得到发生丢包且采用本发明的控制方法进行补偿时路段7交通流密度跟踪效果的示意图，此时丢失的交通流密度由相应时刻密度的估计值来替代。由图6可以看出，与无补偿时的跟踪结果(图5)相比，在同样随机丢包的影响下，有补偿的快速路交通流密度的跟踪性能得到改善，提高了跟踪的收敛速度。

Claims (3)

1.一种城市快速路入口匝道无模型自适应控制方法，首先，建立以入口匝道流量为控制输入量，交通流密度为输出量的被控过程；其特征在于：
在城市快速路入口匝道无模型自适应控制过程中，实时检测交通流密度，并在对采集到的交通流密度进行存储和传输时，判断该交通流密度数据是否丢失，当没有数据丢失时利用当前时刻的交通流信息和入口匝道流量来修正下一时刻的入口匝道流量，实现对交通流密度的控制；
当控制器检测到有数据丢失时，首先采用估计值对交通流密度数据进行补偿，并储存到被控量存储器中，然后计算密度的误差，并储存到误差量存储器，进一步修正控制方案；
最后，构造控制律计算入口匝道流量，通过数据补偿对当前的控制方案进行改进，并运用修正的控制方案实现对交通流密度的控制，达到系统的期望值。
2.根据权利要求1所述的城市快速路入口匝道无模型自适应控制方法，其特征在于：城市快速路宏观交通流模型如下：
<mrow> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>+</mo> <mfrac> <mi>T</mi> <msub> <mi>L</mi> <mi>i</mi> </msub> </mfrac> <mrow> <mo>(</mo> <msub> <mi>q</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>-</mo> <msub> <mi>q</mi> <mi>i</mi> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>+</mo> <msub> <mi>r</mi> <mi>i</mi> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>-</mo> <msub> <mi>s</mi> <mi>i</mi> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
qi(k)＝ρi(k)vi(k) (2)
<mrow> <msub> <mi>v</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>v</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>+</mo> <mfrac> <mi>T</mi> <mi>&amp;tau;</mi> </mfrac> <mrow> <mo>&amp;lsqb;</mo> <mrow> <mi>V</mi> <mrow> <mo>(</mo> <mrow> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>v</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mo>+</mo> <mfrac> <mi>T</mi> <msub> <mi>L</mi> <mi>i</mi> </msub> </mfrac> <msub> <mi>v</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mrow> <mo>&amp;lsqb;</mo> <mrow> <msub> <mi>v</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>v</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mo>-</mo> <mfrac> <mrow> <mi>v</mi> <mi>T</mi> </mrow> <mrow> <msub> <mi>L</mi> <mi>i</mi> </msub> <mi>&amp;tau;</mi> </mrow> </mfrac> <mfrac> <mrow> <mo>&amp;lsqb;</mo> <mrow> <msub> <mi>&amp;rho;</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mrow> <mo>&amp;lsqb;</mo> <mrow> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>+</mo> <mi>&amp;kappa;</mi> </mrow> <mo>&amp;rsqb;</mo> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <mi>V</mi> <mrow> <mo>(</mo> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>v</mi> <mrow> <mi>f</mi> <mi>r</mi> <mi>e</mi> <mi>e</mi> </mrow> </msub> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msup> <mrow> <mo>&amp;lsqb;</mo> <mfrac> <mrow> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <msub> <mi>&amp;rho;</mi> <mrow> <mi>j</mi> <mi>a</mi> <mi>m</mi> </mrow> </msub> </mfrac> <mo>&amp;rsqb;</mo> </mrow> <mi>l</mi> </msup> <mo>)</mo> </mrow> <mi>m</mi> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
其中ρi(k)，ri(k)，si(k)，vi(k)，Li分别表示快速路路段i的交通流密度、入口匝道流量、外部干扰、平均速度及长度，vfree、ρjam分别表示自由流速度和单个车道的最大可能密度；
根据无模型自适应控制理论，将快速路宏观交通流模型转化为如下数据模型：
Δρi(k+1)＝φi,c(k)Δri(k) (5)
其中，Δρi(k+1)＝ρi(k+1)-ρi(k)，Δri(k)＝ri(k)-ri(k-1)，φi,c(k)是一个时变参数，称为伪偏导数；
根据伪偏导数φi,c(k)，期望交通流密度ρi,d(k)，设计出入口匝道无模型自适应控制方案如下：
<mrow> <msub> <mover> <mi>&amp;phi;</mi> <mo>^</mo> </mover> <mrow> <mi>i</mi> <mo>,</mo> <mi>c</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mover> <mi>&amp;phi;</mi> <mo>^</mo> </mover> <mrow> <mi>i</mi> <mo>,</mo> <mi>c</mi> </mrow> </msub> <mrow> <mo>(</mo> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> <mo>+</mo> <mfrac> <mrow> <msub> <mi>&amp;eta;&amp;Delta;r</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> </mrow> <mrow> <mi>&amp;mu;</mi> <mo>+</mo> <mo>|</mo> <msub> <mi>&amp;Delta;r</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> </mfrac> <mrow> <mo>(</mo> <mrow> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mover> <mi>&amp;phi;</mi> <mo>^</mo> </mover> <mrow> <mi>i</mi> <mo>,</mo> <mi>c</mi> </mrow> </msub> <mrow> <mo>(</mo> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> <msub> <mi>&amp;Delta;r</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
或|Δri(k)|≤ε或则
<mrow> <msub> <mover> <mi>&amp;phi;</mi> <mo>^</mo> </mover> <mrow> <mi>i</mi> <mo>,</mo> <mi>c</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mover> <mi>&amp;phi;</mi> <mo>^</mo> </mover> <mrow> <mi>i</mi> <mo>,</mo> <mi>c</mi> </mrow> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>r</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>r</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>+</mo> <mfrac> <mrow> <mi>&amp;rho;</mi> <msub> <mover> <mi>&amp;phi;</mi> <mo>^</mo> </mover> <mrow> <mi>i</mi> <mo>,</mo> <mi>c</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mi>&amp;lambda;</mi> <mo>+</mo> <mo>|</mo> <msub> <mover> <mi>&amp;phi;</mi> <mo>^</mo> </mover> <mrow> <mi>i</mi> <mo>,</mo> <mi>c</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> </mfrac> <mrow> <mo>(</mo> <msub> <mi>&amp;rho;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>d</mi> </mrow> </msub> <mo>(</mo> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>)</mo> <mo>-</mo> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
其中，式(6)是伪偏导数的估计算法，是伪偏导数φi,c(k)的估计值，μ＞0是权重因子，作为伪偏导数估计值变化量的惩罚因子，η∈(0,1]是步长因子，使算法有更强的灵活性和一般性；
采用式(7)的算法重置机制，使伪偏导数估计算法具有更强的对时变参数的跟踪能力，ε是一个充分小的正数，是的初值；
控制算法式(8)中，λ＞0是权重因子，其作用是限制控制控制输入量的变化，ρ∈(0,1]是步长因子，使算法更具有一般性；
由(5)式知：ρi(k)＝ρi(k-1)+φi,c(k-1)Δri(k-1)，当系统输出交通流密度ρi(k)丢失时，用ρi(k-1)，和Δri(k-1)来估计丢失的交通流密度即：
定义α(k)和如下：
<mrow> <mi>&amp;alpha;</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>0</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mtable> <mtr> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mrow> <mi>m</mi> <mi>i</mi> <mi>s</mi> <mi>s</mi> </mrow> </mtd> </mtr> </mtable> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>1</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>e</mi> <mi>l</mi> <mi>s</mi> <mi>e</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mover> <mi>&amp;rho;</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>&amp;alpha;</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mn>1</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mover> <mi>&amp;rho;</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>&amp;alpha;</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mn>0</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>
其中，用α(k)表示判断输出数据是否丢失，若丢失为0，否则为1；式(10)中的为对丢失交通流密度的补偿，
相应的带有数据补偿的入口匝道无模型自适应控制方案式(6)、式(8)修改如下：
<mrow> <msub> <mover> <mi>&amp;phi;</mi> <mo>^</mo> </mover> <mrow> <mi>i</mi> <mo>,</mo> <mi>c</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mover> <mi>&amp;phi;</mi> <mo>^</mo> </mover> <mrow> <mi>i</mi> <mo>,</mo> <mi>c</mi> </mrow> </msub> <mrow> <mo>(</mo> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> <mo>+</mo> <mi>&amp;alpha;</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mrow> <mo>&amp;lsqb;</mo> <mrow> <mfrac> <mrow> <msub> <mi>&amp;eta;&amp;Delta;r</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> </mrow> <mrow> <mi>&amp;mu;</mi> <mo>+</mo> <mo>|</mo> <msub> <mi>&amp;Delta;r</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> </mfrac> <mrow> <mo>(</mo> <mrow> <msub> <mover> <mi>&amp;rho;</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mover> <mi>&amp;rho;</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mover> <mi>&amp;phi;</mi> <mo>^</mo> </mover> <mrow> <mi>i</mi> <mo>,</mo> <mi>c</mi> </mrow> </msub> <mrow> <mo>(</mo> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> <msub> <mi>&amp;Delta;r</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>11</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>r</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>r</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>+</mo> <mi>&amp;alpha;</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>&amp;lsqb;</mo> <mfrac> <mrow> <mi>&amp;rho;</mi> <msub> <mover> <mi>&amp;phi;</mi> <mo>^</mo> </mover> <mrow> <mi>i</mi> <mo>,</mo> <mi>c</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mi>&amp;lambda;</mi> <mo>+</mo> <mo>|</mo> <msub> <mover> <mi>&amp;phi;</mi> <mo>^</mo> </mover> <mrow> <mi>i</mi> <mo>,</mo> <mi>c</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> </mfrac> <mrow> <mo>(</mo> <msub> <mi>&amp;rho;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>d</mi> </mrow> </msub> <mo>(</mo> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>)</mo> <mo>-</mo> <msub> <mover> <mi>&amp;rho;</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>13</mn> <mo>)</mo> </mrow> <mo>.</mo> </mrow>
3.根据权利要求2所述的城市快速路入口匝道无模型自适应控制方法，其特征在于，通过以下步骤实现：
1)将快速路交通流系统动态线性化转化为数据模型：Δρi(k+1)＝φi,c(k)Δri(k)；
2)控制过程初始化：
步骤2-1)初始化控制量，给定初始时刻的入口匝道流量ri(0)；
步骤2-2)设置交通流密度的期望值ρi,d(k)，设置初始交通流密度ρi(0)；
3)实时检测并采集k时刻快速路交通系统的交通流密度ρi(k)并存储，并判断系统交通流密度在传输过程中是否存在丢失，若无丢失，α(k)＝1，若丢失，α(k)＝0，其中
4)将k时刻的交通流密度ρi(k)与存储器里对应时刻的交通流密度期望值ρi,d(k)相比较得到密度的误差，即并将ei(k)存储到误差存储器中；
5)判断误差量存储器的数据是否达到要求的误差精度；若达到要求精度即满足条件|ei(k)|≤ε，则直接进行下一时刻的控制任务；否则，根据伪偏导数估计算法和算法重置机制,修正伪偏导数估计值和控制输入量入口交通流流量ri(k)，直到达到控制要求的误差精度为止。
CN201710911844.5A 2017-09-29 2017-09-29 一种城市快速路入口匝道无模型自适应控制方法 Pending CN107633692A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710911844.5A CN107633692A (zh) 2017-09-29 2017-09-29 一种城市快速路入口匝道无模型自适应控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710911844.5A CN107633692A (zh) 2017-09-29 2017-09-29 一种城市快速路入口匝道无模型自适应控制方法

Publications (1)

Publication Number Publication Date
CN107633692A true CN107633692A (zh) 2018-01-26

Family

ID=61104748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710911844.5A Pending CN107633692A (zh) 2017-09-29 2017-09-29 一种城市快速路入口匝道无模型自适应控制方法

Country Status (1)

Country Link
CN (1) CN107633692A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108447276A (zh) * 2018-03-22 2018-08-24 南京推推兔信息科技有限公司 一种基于地磁的十字路口信号机控制方法
CN109581992A (zh) * 2019-02-01 2019-04-05 浙江大学 参数自整定的miso异因子全格式无模型控制方法
CN109581865A (zh) * 2019-02-01 2019-04-05 浙江大学 Miso异因子偏格式无模型控制方法
CN109782587A (zh) * 2019-02-01 2019-05-21 浙江大学 Miso异因子紧格式无模型控制方法
CN109782586A (zh) * 2019-02-01 2019-05-21 浙江大学 参数自整定的miso异因子紧格式无模型控制方法
CN109814390A (zh) * 2019-02-01 2019-05-28 浙江大学 Miso异因子全格式无模型控制方法
CN109814388A (zh) * 2019-02-01 2019-05-28 浙江大学 参数自整定的miso异因子偏格式无模型控制方法
CN110111562A (zh) * 2019-04-01 2019-08-09 北京交通大学 一种城市交通宏观区域边界控制方法
WO2019179108A1 (zh) * 2018-03-22 2019-09-26 合肥革绿信息科技有限公司 一种基于视频的十字路口信号机控制方法
CN111199645A (zh) * 2020-01-10 2020-05-26 西南交通大学 一种城市快速路交织区的交通流组织优化方法
CN113971888A (zh) * 2021-10-09 2022-01-25 南京航空航天大学 一种基于交通事故数估计的匝道汇入交通控制方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101325004A (zh) * 2008-08-01 2008-12-17 北京航空航天大学 一种实时交通信息的数据补偿方法
CN101719315A (zh) * 2009-12-23 2010-06-02 山东大学 一种基于中间件的动态交通信息采集方法
CN101739814A (zh) * 2009-11-06 2010-06-16 吉林大学 基于scats线圈数据的交通状态在线定量评价与预测方法
CN103839418A (zh) * 2014-02-27 2014-06-04 中国航天系统工程有限公司 一种自适应的城市快速路匝道动态控制系统
CN106846830A (zh) * 2017-03-06 2017-06-13 中山大学 基于切换系统特性的快速路入口匝道控制方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101325004A (zh) * 2008-08-01 2008-12-17 北京航空航天大学 一种实时交通信息的数据补偿方法
CN101739814A (zh) * 2009-11-06 2010-06-16 吉林大学 基于scats线圈数据的交通状态在线定量评价与预测方法
CN101719315A (zh) * 2009-12-23 2010-06-02 山东大学 一种基于中间件的动态交通信息采集方法
CN103839418A (zh) * 2014-02-27 2014-06-04 中国航天系统工程有限公司 一种自适应的城市快速路匝道动态控制系统
CN106846830A (zh) * 2017-03-06 2017-06-13 中山大学 基于切换系统特性的快速路入口匝道控制方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
BU XUHUI； HOU ZHONGSHENG； LIANG JIAQI； XU PIAOPIAO: "Data Driven Multiagent Systems Consensus Tracking Using Model Free Adaptive Control", 《第28届中国控制与决策会议论文集》 *
卜旭辉，余发山, 侯忠生, 王福忠: "测量数据丢失的一类非线性系统迭代学习控制", 《控制理论与应用》 *
卜旭辉: "数据驱动无模型自适应控制与学习控制的鲁棒性问题研究", 《中国博士学位论文全文数据库》 *
卜旭辉； 程子豪； 余发山； 杨俊起: "具有数据丢失二维Roesser系统的量化状态反馈控制", 《电机与控制学报》 *
池荣虎； 侯忠生； 隋树林: "快速路入口匝道的非参数自适应迭代学习控制", 《控制理论与应用》 *
郭代银; 鲁兴举; 金尚泰: "快速路入口匝道无模型自适应控制及ARM实现", 《森林工程》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108447276A (zh) * 2018-03-22 2018-08-24 南京推推兔信息科技有限公司 一种基于地磁的十字路口信号机控制方法
CN108447276B (zh) * 2018-03-22 2020-09-29 南京推推兔信息科技有限公司 一种基于地磁的十字路口信号机控制方法
WO2019179108A1 (zh) * 2018-03-22 2019-09-26 合肥革绿信息科技有限公司 一种基于视频的十字路口信号机控制方法
CN109782586A (zh) * 2019-02-01 2019-05-21 浙江大学 参数自整定的miso异因子紧格式无模型控制方法
CN109814390B (zh) * 2019-02-01 2020-12-22 浙江大学 Miso异因子全格式无模型控制方法
CN109814390A (zh) * 2019-02-01 2019-05-28 浙江大学 Miso异因子全格式无模型控制方法
CN109814388A (zh) * 2019-02-01 2019-05-28 浙江大学 参数自整定的miso异因子偏格式无模型控制方法
CN109782586B (zh) * 2019-02-01 2021-01-05 浙江大学 参数自整定的miso异因子紧格式无模型控制方法
CN109581865A (zh) * 2019-02-01 2019-04-05 浙江大学 Miso异因子偏格式无模型控制方法
CN109814388B (zh) * 2019-02-01 2021-01-05 浙江大学 参数自整定的miso异因子偏格式无模型控制方法
CN109581992A (zh) * 2019-02-01 2019-04-05 浙江大学 参数自整定的miso异因子全格式无模型控制方法
CN109581992B (zh) * 2019-02-01 2020-12-22 浙江大学 参数自整定的miso异因子全格式无模型控制方法
CN109581865B (zh) * 2019-02-01 2020-12-22 浙江大学 Miso异因子偏格式无模型控制方法
CN109782587A (zh) * 2019-02-01 2019-05-21 浙江大学 Miso异因子紧格式无模型控制方法
CN109782587B (zh) * 2019-02-01 2020-12-22 浙江大学 Miso异因子紧格式无模型控制方法
CN110111562A (zh) * 2019-04-01 2019-08-09 北京交通大学 一种城市交通宏观区域边界控制方法
CN111199645A (zh) * 2020-01-10 2020-05-26 西南交通大学 一种城市快速路交织区的交通流组织优化方法
CN113971888A (zh) * 2021-10-09 2022-01-25 南京航空航天大学 一种基于交通事故数估计的匝道汇入交通控制方法及系统

Similar Documents

Publication Publication Date Title
CN107633692A (zh) 一种城市快速路入口匝道无模型自适应控制方法
CN108197739B (zh) 一种城市轨道交通乘客流量预测方法
Liang et al. A deep reinforcement learning network for traffic light cycle control
Zhang et al. Cooperative adaptive cruise control with robustness against communication delay: An approach in the space domain
Lee et al. Integrated deep learning and stochastic car-following model for traffic dynamics on multi-lane freeways
Klomp et al. Longitudinal velocity and road slope estimation in hybrid electric vehicles employing early detection of excessive wheel slip
CN103778323A (zh) 基于指数平滑的预测交通流数据的方法和系统
CN114463977A (zh) 一种基于车路协同多源数据融合交通流预测的路径规划方法
CN102322861A (zh) 一种航迹融合方法
Saadeddin et al. Optimization of intelligent approach for low-cost INS/GPS navigation system
Huang et al. Physics-informed deep learning for traffic state estimation: Illustrations with LWR and CTM models
Hyeon et al. Short-term speed forecasting using vehicle wireless communications
CN114199248B (zh) 一种基于混合元启发算法优化anfis的auv协同定位方法
CN115410372B (zh) 基于贝叶斯lstm的高速公路交通流量可靠预测方法
Ahmadian et al. Integration of deep sparse autoencoder and particle swarm optimization to develop a recommender system
JP2013235326A (ja) 交通流予測装置、交通流予測方法及び交通流予測プログラム
CN105303838A (zh) 确定道路流量的方法和装置
CN105021199A (zh) 基于ls 的多模型自适应状态估计方法及系统
Shao et al. Machine learning enabled traffic prediction for speed optimization of connected and autonomous electric vehicles
Zhang et al. An approach for real-time urban traffic state estimation by fusing multisource traffic data
CN111160594B (zh) 一种到达时间的预估方法、装置及存储介质
CN117131979A (zh) 基于有向超图及注意力机制的交通流速度预测方法及系统
CN112797994A (zh) 用于确定路线的预计到达时间的方法及相关装置和服务器
You et al. An optimized real-time crash prediction model on freeway with over-sampling techniques based on support vector machine
WO2021258847A1 (zh) 一种驾驶决策方法、装置及芯片

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180126

WD01 Invention patent application deemed withdrawn after publication