CN111951574A - 衰减记忆去伪控制的交通信号自适应迭代学习控制方法 - Google Patents

衰减记忆去伪控制的交通信号自适应迭代学习控制方法 Download PDF

Info

Publication number
CN111951574A
CN111951574A CN202010746700.0A CN202010746700A CN111951574A CN 111951574 A CN111951574 A CN 111951574A CN 202010746700 A CN202010746700 A CN 202010746700A CN 111951574 A CN111951574 A CN 111951574A
Authority
CN
China
Prior art keywords
control
iterative learning
traffic
learning control
representing
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
CN202010746700.0A
Other languages
English (en)
Inventor
闫飞
仇江辰
田建艳
李浦
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.)
Taiyuan University of Technology
Original Assignee
Taiyuan 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 Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN202010746700.0A priority Critical patent/CN111951574A/zh
Publication of CN111951574A publication Critical patent/CN111951574A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations

Abstract

本发明涉及一种衰减记忆去伪控制的交通信号自适应迭代学习控制方法，将衰减记忆去伪控制与迭代学习控制相结合，克服了传统信号控制方案的技术不足，以交通流的重复特性为切入点采用开闭环PD型迭代学习控制，针对交通流历史数据对当前实时状态的影响会随着时间的推移不断降低，提出在去伪控制性能指标函数中增加衰减记忆函数，实现闭环学习律的动态变化，提高迭代学习的准确性，从而改善路网的通行效率。

Description

衰减记忆去伪控制的交通信号自适应迭代学习控制方法
技术领域
本发明涉及城市交通信号控制技术领域，更具体地说，涉及一种衰减记忆去伪控制的交通信号自适应迭代学习控制方法。
背景技术
随着社会科技的不断进步发展，人们的生活出行范围不断扩张，物质生活的提高促使人们追求质量更高的精神生活，但这些变化都将依托于城市交通系统而实现，因此使得城市规划者更加注重交通的基础建设。但是，在新发展形势下城市交通也出现了许多新的问题，各类城市交通问题交叉混合给交通管理部门带来严重挑战，诸如交通拥堵、环境污染，多样的出行方式如何协调，新能源的交通应用，智能化的交通系统等。加强城市路网交通的多样性发展，快速地发现交通拥堵问题并采取有效手段是当前交通问题的重中之重。
城市交通信号控制的先进水平直接影响道路交叉口的通行状况，通过调节信号配时方案进而及时的改变实时交通流，使得交叉口各进口道的车流量保持均衡，可极大地改善交叉口通行状况，提高路网的整体通行效率。为了充分利用现有的交通基础设施和交通流的重复特性，申请人利用仅通过系统的输入输出数据便可构造控制器进行交通信号优化的迭代学习控制方法，以及一种可针对输入输出数据对控制器进行切换的去伪控制算法，并添加衰减记忆因子实现数据权重随时间变化的目标，提出一种基于衰减记忆去伪控制的交通信号自适应迭代学习控制方法。本发明有效地结合了迭代学习控制和衰减记忆去伪控制的优点，仅利用现有的交通基础设施和实时交通流信息对交通信号进行优化，能够有效地改善路网的通行效率。
发明内容
本发明的主要目的在于克服传统信号控制方案的技术不足，以交通流的重复特性为切入点提出开闭环PD型迭代学习控制，由于交通流的实时变化导致系统结构会发生一定变化，固定的闭环学习律不能实现最佳的迭代效果，并针对交通流历史数据对当前实时状态的影响会随着时间的推移不断降低，提出在去伪控制性能指标函数中增加衰减记忆函数，实现闭环学习律的动态变化，提高迭代学习的准确性，从而改善路网的通行效率。
本发明解决其技术问题所采用的技术方案是：构造一种衰减记忆去伪控制的交通信号自适应迭代学习控制方法，包括：
1.对研究区域的交通流进行建模并建立相应的状态空间方程，标明状态向量、控制向量、系统输出及状态矩阵和输出矩阵的内容含义，根据实际交通情况设置相关参数；其中，所述相关参数至少包括有效绿灯时长、信号周期、车辆转向率及饱和流量参数；
2.根据交通系统的重复特性，利用系统当前次输出误差和前一次输出误差，采用开闭环迭代学习控制算法对交通信号进行控制优化；
3.对步骤2中提到的开闭环迭代学习控制律进行优化，根据实际交通流情况，利用衰减记忆去伪控制方法优化迭代学习控制的闭环控制律，达到自适应迭代学习控制的目的；
4.根据步骤3基于衰减记忆去伪控制的交通信号迭代学习计算得到绿灯时间，并将之设置为路网信号，使得各交叉口的排队长度趋于均衡，达到理想状态。
其中，在步骤1中对研究区域的交通流进行建模并建立相应的状态空间方程的步骤中，包括以下步骤：
1.1.利用“存储转发”技术表示路段的平均车流量，路段的输入输出车流量分别用qz(k)、rz(k)表示，路段中的出入口车流量用sz(k)、dz(k)表示，路段的总车辆数用nz(k)表示，其中
Figure BDA0002608627060000021
代表驶入j1交叉口的路段集合，τω,z代表车辆由路段ω驶向路段z的转向率，rω(k)代表路段ω的输出流量；
Figure BDA0002608627060000031
代表路段z的有效绿灯时间总长，
Figure BDA0002608627060000032
代表交叉口j2的各相位绿灯时间且各相位绿灯时长具有最大最小值，Vz代表具有通行权的相位集合，Sz代表路段z的饱和流量，T代表信号周期；nz(k+1)＝nz(k)+ΔT[qz(k)-sz(k)+dz(k)-rz(k)]，ΔT＝T；
1.2.列写单个进口道的车辆排队长度xj,i(k)，xj,i(k+1)＝xj,i(k)+ΔT[aj,i(k)-υj,i(k)]，aj,i(k)代表车辆的到达率取值为输入流量，υj,i(k)代表车辆的消散率，
Figure BDA0002608627060000033
μj,i(k)代表相位的绿灯时间；Sj,i代表相位的饱和流量；
1.3.根据单个进口道的排队长度列写相关区域的路网整体车辆排队方程：
Figure BDA0002608627060000034
x(k)为状态向量代表排队长度，μ(k)为控制向量代表信号的绿灯时长，ξ(k)为状态扰动向量代表路段中由其他因素引起的输入输出车流量变化情况，状态矩阵A为单位矩阵，输入矩阵B的元素由路网各交叉口的周期、饱和流量及转向率等因素确定，E为状态扰动的系数矩阵；系统输出y(k)以各个进口道的排队长度差值为目标，矩阵C为输出矩阵。
其中，在步骤2中根据交通系统的重复特性，利用系统当前次输出误差和前一次输出误差，采用开闭环PD型迭代学习控制算法对交通信号进行控制优化，具体步骤为：
开闭环PD型迭代学习控制的控制律为：
Figure BDA0002608627060000035
sat[μn(k)]代表迭代过程中第n次的输入向量，en(k)代表迭代过程中第n次的跟踪误差en(k)＝yd(k)-yn(k)，yd(k)代表期望输出轨迹，
Figure BDA0002608627060000041
为开环学习增益，kn为闭环学习增益。迭代学习控制的目的是选取合适的绿灯时长使得交叉口各相位进口道的排队长队趋于一致，即yn(k)→yd(k)，en(k)＝0。
其中，在步骤3中对步骤2所建立的开闭环PD型迭代学习控制律进行优化，根据实际交通流情况，利用衰减记忆去伪控制方法优化迭代学习控制的闭环控制律，达到自适应迭代学习控制的目的的步骤中，包括以下步骤：
3.1.在去伪控制算法中，先设定一组候选控制器组合K＝{k1,k2,…,kn}，被选中加入闭环系统的学习增益均来自候选控制器集合中，利用实时输入输出数据，根据性能指标函数筛选候选控制器中满足要求的控制器；
3.2.在系统数据采集过程中，利用输入输出数据可计算得到控制器ki的虚拟参考信号
Figure BDA0002608627060000042
Figure BDA0002608627060000043
3.3.将检测候选控制集合的代价函数定义为Jn，在交通系统中系统的结构参数会随时间的变化而不断更新，其中历史数据对当前结构参数的影响会随时间的推移而不断降低，因此将衰减记忆因子引入到去伪控制中，衰减记忆因子函数定义为：
Figure BDA0002608627060000044
其中0＜λ＜1是衰减因子，w是固定的权重因子，带有衰减因子的代价函数
Figure BDA0002608627060000045
C为常数，若Jn＞γ，则控制器为伪控制器；反之则为去伪控制器，γ为代价函数阈值；
3.4.根据步骤3.3中的代价函数阈值判断条件进行去伪控制算法的切换，计算每一次采样数据的虚拟参考信号
Figure BDA0002608627060000051
及代价函数Jn，如果大于给定阈值则在候选控制器集合中删除对应的控制器kn并更新控制器集合K，利用公式K＝arg min Jn选择最佳控制器。
其中，在步骤4中将步骤3所描述的去伪算法应用于开闭环迭代学习的闭环学习律，求解各交叉口进口道排队长度趋于一致时的绿灯时长，即yn(k)→yd(k)，en(k)＝0。
区别于现有技术，本发明提供了一种衰减记忆去伪控制的交通信号自适应迭代学习控制方法，将衰减记忆去伪控制与迭代学习控制相结合，克服了传统信号控制方案的技术不足，以交通流的重复特性为切入点采用开闭环PD型迭代学习控制，针对交通流历史数据对当前实时状态的影响会随着时间的推移不断降低，提出在去伪控制性能指标函数中增加衰减记忆函数，实现闭环学习律的动态变化，提高迭代学习的准确性，从而改善路网的通行效率。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明提供的一种衰减记忆去伪控制的交通信号自适应迭代学习控制方法的流程示意图。
图2是本发明提供的一种衰减记忆去伪控制的交通信号自适应迭代学习控制方法中开闭环PD型迭代学习控制原理示意图。
图3是本发明提供的一种衰减记忆去伪控制的交通信号自适应迭代学习控制方法中去伪控制原理示意图。
图4是本发明提供的一种衰减记忆去伪控制的交通信号自适应迭代学习控制方法中迭代学习控制与去伪控制结合的原理示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明的主要目的在于克服传统信号控制方案的技术不足，以交通流的重复特性为切入点提出开闭环PD型迭代学习控制，并针对交通流历史数据对当前实时状态的影响会随着时间的推移不断降低，提出在去伪控制性能指标函数中增加衰减记忆函数，实现闭环学习律的动态变化，提高迭代学习的准确性，从而改善路网的通行效率。
参阅图1，本发明提供了一种衰减记忆去伪控制的交通信号自适应迭代学习控制方法，包括：
1.对研究区域的交通流进行建模并建立相应的状态空间方程，标明状态向量、控制向量、系统输出及状态矩阵和输出矩阵的内容含义，根据实际交通情况设置相关参数；其中，所述相关参数至少包括有效绿灯时长、信号周期、车辆转向率及饱和流量参数；
2.根据交通系统的重复特性，利用系统当前次输出误差和前一次输出误差，采用开闭环迭代学习控制算法对交通信号进行控制优化；
3.对步骤2中提到的开闭环迭代学习控制律进行优化，根据实际交通流情况，利用衰减记忆去伪控制方法优化迭代学习控制的闭环控制律，达到自适应迭代学习控制的目的；
4.根据步骤3基于衰减记忆去伪控制的交通信号迭代学习计算得到绿灯时间，并将之设置为路网信号，使得各交叉口的排队长度趋于均衡，达到理想状态。
其中，在步骤1中对研究区域的交通流进行建模并建立相应的状态空间方程的步骤中，包括以下步骤：
1.1.利用“存储转发”技术表示路段的平均车流量，路段的输入输出车流量分别用qz(k)、rz(k)表示，路段中的出入口车流量用sz(k)、dz(k)表示，路段的总车辆数用nz(k)表示，其中
Figure BDA0002608627060000061
代表驶入j1交叉口的路段集合，τω,z代表车辆由路段ω驶向路段z的转向率，rω(k)代表路段ω的输出流量；
Figure BDA0002608627060000062
代表路段z的有效绿灯时间总长，
Figure BDA0002608627060000071
代表交叉口j2的各相位绿灯时间且各相位绿灯时长具有最大最小值，Vz代表具有通行权的相位集合，Sz代表路段z的饱和流量，T代表信号周期；nz(k+1)＝nz(k)+ΔT[qz(k)-sz(k)+dz(k)-rz(k)]，ΔT＝T；
1.2.列写单个进口道的车辆排队长度xj,i(k)，xj,i(k+1)＝xj,i(k)+ΔT[aj,i(k)-υj,i(k)]，aj,i(k)代表车辆的到达率取值为输入流量，υj,i(k)代表车辆的消散率，
Figure BDA0002608627060000072
μj,i(k)代表相位的绿灯时间；Sj,i代表相位的饱和流量；
1.3.根据单个进口道的排队长度列写相关区域的路网整体车辆排队方程：
Figure BDA0002608627060000073
x(k)为状态向量代表排队长度，μ(k)为控制向量代表信号的绿灯时长，ξ(k)为状态扰动向量代表路段中由其他因素引起的输入输出车流量变化情况，状态矩阵A为单位矩阵，输入矩阵B的元素由路网各交叉口的周期、饱和流量及转向率等因素确定，E为状态扰动的系数矩阵；系统输出y(k)以各个进口道的排队长度差值为目标，矩阵C为输出矩阵。
其中，在步骤2中根据交通系统的重复特性，利用系统当前次输出误差和前一次输出误差，采用开闭环PD型迭代学习控制算法对交通信号进行控制优化，具体步骤为：
开闭环PD型迭代学习控制的原理示意图如图2所示，其控制律为：
Figure BDA0002608627060000074
sat[μn(k)]代表迭代过程中第n次的输入向量，en(k)代表迭代过程中第n次的跟踪误差en(k)＝yd(k)-yn(k)，yd(k)代表期望输出轨迹，
Figure BDA0002608627060000075
为开环学习增益，kn为闭环学习增益。迭代学习控制的目的是选取合适的绿灯时长使得交叉口各相位进口道的排队长队趋于一致，即yn(k)→yd(k)，en(k)＝0。
其中，在步骤3中对步骤2所建立的开闭环PD型迭代学习控制律进行优化，根据实际交通流情况，利用衰减记忆去伪控制方法优化迭代学习控制的闭环控制律，达到自适应迭代学习控制的目的的步骤中，包括以下步骤：
3.1.在去伪控制算法中，先设定一组候选控制器组合K＝{k1,k2,…,kn}，被选中加入闭环系统的学习增益均来自候选控制器集合中，利用实时输入输出数据，根据性能指标函数筛选候选控制器中满足要求的控制器；去伪控制原理的示意图如图3所示。
3.2.在系统数据采集过程中，利用输入输出数据可计算得到控制器ki的虚拟参考信号
Figure BDA0002608627060000081
Figure BDA0002608627060000082
3.3.将检测候选控制集合的代价函数定义为Jn，在交通系统中系统的结构参数会随时间的变化而不断更新，其中历史数据对当前结构参数的影响会随时间的推移而不断降低，因此将衰减记忆因子引入到去伪控制中，衰减记忆因子函数定义为：
Figure BDA0002608627060000083
其中0＜λ＜1是衰减因子，w是固定的权重因子，带有衰减因子的代价函数
Figure BDA0002608627060000084
C为常数，若Jn＞γ，则控制器为伪控制器；反之则为去伪控制器，γ为代价函数阈值；
3.4.根据步骤3.3中的代价函数阈值判断条件进行去伪控制算法的切换，计算每一次采样数据的虚拟参考信号
Figure BDA0002608627060000091
及代价函数Jn，如果大于给定阈值则在候选控制器集合中删除对应的控制器kn并更新控制器集合K，利用公式K＝arg min Jn选择最佳控制器。
其中，在步骤4中将步骤3所描述的去伪算法应用于开闭环迭代学习的闭环学习律，求解各交叉口进口道排队长度趋于一致时的绿灯时长，即yn(k)→yd(k)，en(k)＝0。迭代学习控制与去伪控制结合的原理的示意图如图4所示。
综上所述，本发明将衰减记忆去伪控制与迭代学习控制相结合，克服了传统信号控制方案的技术不足，以交通流的重复特性为切入点采用开闭环PD型迭代学习控制，针对交通流历史数据对当前实时状态的影响会随着时间的推移不断降低，提出在去伪控制性能指标函数中增加衰减记忆函数，实现闭环学习律的动态变化，提高迭代学习的准确性，从而改善路网的通行效率。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (5)

1.一种衰减记忆去伪控制的交通信号自适应迭代学习控制方法，其特征在于，包括：
1.对研究区域的交通流进行建模并建立相应的状态空间方程，标明状态向量、控制向量、系统输出及状态矩阵和输出矩阵的内容含义，根据实际交通情况设置相关参数；其中，所述相关参数至少包括有效绿灯时长、信号周期、车辆转向率及饱和流量参数；
2.根据交通系统的重复特性，利用系统当前次输出误差和前一次输出误差，采用开闭环迭代学习控制算法对交通信号进行控制优化；
3.对步骤2中提到的开闭环迭代学习控制律进行优化，根据实际交通流情况，利用衰减记忆去伪控制方法优化迭代学习控制的闭环控制律，达到自适应迭代学习控制的目的；
4.根据步骤3基于衰减记忆去伪控制的交通信号迭代学习计算得到绿灯时间，并将之设置为路网信号，使得各交叉口的排队长度趋于均衡，达到理想状态。
2.根据权利要求1所述的衰减记忆去伪控制的交通信号自适应迭代学习控制方法，其特征在于，在步骤1中对研究区域的交通流进行建模并建立相应的状态空间方程的步骤中，包括以下步骤：
1.1.利用“存储转发”技术表示路段的平均车流量，路段的输入输出车流量分别用qz(k)、rz(k)表示，路段中的出入口车流量用sz(k)、dz(k)表示，路段的总车辆数用nz(k)表示，其中
Figure FDA0002608627050000011
Figure FDA0002608627050000015
代表驶入j1交叉口的路段集合，τω,z代表车辆由路段ω驶向路段z的转向率，rω(k)代表路段ω的输出流量；
Figure FDA0002608627050000012
Figure FDA0002608627050000013
代表路段z的有效绿灯时间总长，
Figure FDA0002608627050000014
代表交叉口j2的各相位绿灯时间且各相位绿灯时长具有最大最小值，Vz代表具有通行权的相位集合，Sz代表路段z的饱和流量，T代表信号周期；nz(k+1)＝nz(k)+ΔT[qz(k)-sz(k)+dz(k)-rz(k)]，ΔT＝T；
1.2.列写单个进口道的车辆排队长度xj,i(k)，xj,i(k+1)＝xj,i(k)+ΔT[aj,i(k)-υj,i(k)]，aj,i(k)代表车辆的到达率取值为输入流量，υj,i(k)代表车辆的消散率，
Figure FDA0002608627050000021
μj,i(k)代表相位的绿灯时间；Sj,i代表相位的饱和流量；
1.3.根据单个进口道的排队长度列写相关区域的路网整体车辆排队方程：
Figure FDA0002608627050000022
x(k)为状态向量代表排队长度，μ(k)为控制向量代表信号的绿灯时长，ξ(k)为状态扰动向量代表路段中由其他因素引起的输入输出车流量变化情况，状态矩阵A为单位矩阵，输入矩阵B的元素由路网各交叉口的周期、饱和流量及转向率等因素确定，E为状态扰动的系数矩阵；系统输出y(k)以各个进口道的排队长度差值为目标，矩阵C为输出矩阵。
3.根据权利要求1所述的衰减记忆去伪控制的交通信号自适应迭代学习控制方法，其特征在于，在步骤2中根据交通系统的重复特性，利用系统当前次输出误差和前一次输出误差，采用开闭环PD型迭代学习控制算法对交通信号进行控制优化，具体步骤为：
开闭环PD型迭代学习控制的控制律为：
Figure FDA0002608627050000023
sat[μn(k)]代表迭代过程中第n次的输入向量，en(k)代表迭代过程中第n次的跟踪误差en(k)＝yd(k)-yn(k)，yd(k)代表期望输出轨迹，
Figure FDA0002608627050000024
为开环学习增益，kn为闭环学习增益。迭代学习控制的目的是选取合适的绿灯时长使得交叉口各相位进口道的排队长队趋于一致，即yn(k)→yd(k)，en(k)＝0。
4.根据权利要求1所述的衰减记忆去伪控制的交通信号自适应迭代学习控制方法，其特征在于，在步骤3中对步骤2所建立的开闭环PD型迭代学习控制律进行优化，根据实际交通流情况，利用衰减记忆去伪控制方法优化迭代学习控制的闭环控制律，达到自适应迭代学习控制的目的的步骤中，包括以下步骤：
3.1.在去伪控制算法中，先设定一组候选控制器组合K＝{k1,k2,…,kn}，被选中加入闭环系统的学习增益均来自候选控制器集合中，利用实时输入输出数据，根据性能指标函数筛选候选控制器中满足要求的控制器；
3.2.在系统数据采集过程中，利用输入输出数据可计算得到控制器ki的虚拟参考信号
Figure FDA0002608627050000031
Figure FDA0002608627050000032
3.3.将检测候选控制集合的代价函数定义为Jn，在交通系统中系统的结构参数会随时间的变化而不断更新，其中历史数据对当前结构参数的影响会随时间的推移而不断降低，因此将衰减记忆因子引入到去伪控制中，衰减记忆因子函数定义为：
Figure FDA0002608627050000033
其中0＜λ＜1是衰减因子，w是固定的权重因子，带有衰减因子的代价函数
Figure FDA0002608627050000034
C为常数，若Jn＞γ，则控制器为伪控制器；反之则为去伪控制器，γ为代价函数阈值；
3.4.根据步骤3.3中的代价函数阈值判断条件进行去伪控制算法的切换，计算每一次采样数据的虚拟参考信号
Figure FDA0002608627050000041
及代价函数Jn，如果大于给定阈值则在候选控制器集合中删除对应的控制器kn并更新控制器集合K，利用公式K＝argminJn选择最佳控制器。
5.根据权利要求1所述的衰减记忆去伪控制的交通信号自适应迭代学习控制方法，其特征在于，在步骤4中将步骤3所描述的去伪算法应用于开闭环迭代学习的闭环学习律，求解各交叉口进口道排队长度趋于一致时的绿灯时长，即yn(k)→yd(k)，en(k)＝0。
CN202010746700.0A 2020-07-29 2020-07-29 衰减记忆去伪控制的交通信号自适应迭代学习控制方法 Pending CN111951574A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010746700.0A CN111951574A (zh) 2020-07-29 2020-07-29 衰减记忆去伪控制的交通信号自适应迭代学习控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010746700.0A CN111951574A (zh) 2020-07-29 2020-07-29 衰减记忆去伪控制的交通信号自适应迭代学习控制方法

Publications (1)

Publication Number Publication Date
CN111951574A true CN111951574A (zh) 2020-11-17

Family

ID=73338506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010746700.0A Pending CN111951574A (zh) 2020-07-29 2020-07-29 衰减记忆去伪控制的交通信号自适应迭代学习控制方法

Country Status (1)

Country Link
CN (1) CN111951574A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112859598A (zh) * 2021-01-07 2021-05-28 河北工业大学 一种重组式经验变换型迭代学习控制方法
CN113053120A (zh) * 2021-03-19 2021-06-29 宁波亮控信息科技有限公司 基于迭代学习模型预测控制的交通信号灯调度方法与系统
CN113380044A (zh) * 2021-08-12 2021-09-10 深圳市城市交通规划设计研究中心股份有限公司 一种防溢流控制信号优化方法、装置及存储介质
CN114464000A (zh) * 2022-02-21 2022-05-10 上海商汤科技开发有限公司 路口交通灯控制方法、装置、设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107730923A (zh) * 2017-09-30 2018-02-23 浙江海洋大学 一种带有约束的城市交通交叉口信号控制方法
CN108538065A (zh) * 2018-04-24 2018-09-14 浙江工业大学 一种基于自适应迭代学习控制的城市主干道协调控制方法
CN108648446A (zh) * 2018-04-24 2018-10-12 浙江工业大学 一种基于mfd的路网交通信号迭代学习控制方法
CN109767632A (zh) * 2019-03-02 2019-05-17 太原理工大学 一种基于迭代学习与模型预测控制的交通信号混合控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107730923A (zh) * 2017-09-30 2018-02-23 浙江海洋大学 一种带有约束的城市交通交叉口信号控制方法
CN108538065A (zh) * 2018-04-24 2018-09-14 浙江工业大学 一种基于自适应迭代学习控制的城市主干道协调控制方法
CN108648446A (zh) * 2018-04-24 2018-10-12 浙江工业大学 一种基于mfd的路网交通信号迭代学习控制方法
CN109767632A (zh) * 2019-03-02 2019-05-17 太原理工大学 一种基于迭代学习与模型预测控制的交通信号混合控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FEI YAN ET AL.: "A novel control strategy for balancing traffic flow in urban traffic network based on iterative learning control", 《PHYSICA A: STATISTICAL MECHANICS AND ITS APPLICATIONS》 *
卫黎明等: "基于虚拟人机系统的衰减记忆去伪控制器设计", 《电光与控制》 *
闫飞: "城市交通信号的迭代学习控制方法研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112859598A (zh) * 2021-01-07 2021-05-28 河北工业大学 一种重组式经验变换型迭代学习控制方法
CN113053120A (zh) * 2021-03-19 2021-06-29 宁波亮控信息科技有限公司 基于迭代学习模型预测控制的交通信号灯调度方法与系统
CN113380044A (zh) * 2021-08-12 2021-09-10 深圳市城市交通规划设计研究中心股份有限公司 一种防溢流控制信号优化方法、装置及存储介质
CN113380044B (zh) * 2021-08-12 2022-01-07 深圳市城市交通规划设计研究中心股份有限公司 一种防溢流控制信号优化方法、装置及存储介质
CN114464000A (zh) * 2022-02-21 2022-05-10 上海商汤科技开发有限公司 路口交通灯控制方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
CN111951574A (zh) 衰减记忆去伪控制的交通信号自适应迭代学习控制方法
CN112700664B (zh) 一种基于深度强化学习的交通信号配时优化方法
CN110570672B (zh) 一种基于图神经网络的区域交通信号灯控制方法
CN112629533B (zh) 基于路网栅格化道路车流预测的精细化路径规划方法
CN111080018B (zh) 一种基于道路交通环境的智能网联汽车车速预测方法
CN109269516B (zh) 一种基于多目标Sarsa学习的动态路径诱导方法
CN113296513B (zh) 网联环境下基于滚动时域的应急车辆动态路径规划方法
CN113053120B (zh) 基于迭代学习模型预测控制的交通信号灯调度方法与系统
CN110718077A (zh) 一种行动-评价机制下信号灯优化配时方法
CN108629970A (zh) 基于蒙特卡罗树搜索的交叉口信号参数优化方法
CN113312752A (zh) 一种主路优先控制交叉口交通仿真方法及装置
Chen et al. Dynamic traffic light optimization and Control System using model-predictive control method
Boukerche et al. FECO: an efficient deep reinforcement learning-based fuel-economic traffic signal control scheme
Li et al. Intelligent traffic signal control with deep reinforcement learning at single intersection
CN113392577A (zh) 一种基于深度强化学习的区域边界主交叉口信号控制方法
Yen et al. Deep reinforcement learning based platooning control for travel delay and fuel optimization
CN115063988B (zh) 一种应急车辆优先的跨交通子区信号协同控制方法
Jiang et al. Traffic signal light control model based on evolutionary programming algorithm optimization BP neural network
Yang et al. Acyclic real-time traffic signal control based on a genetic algorithm
CN115472023A (zh) 一种基于深度强化学习的智能交通灯控制方法及装置
CN113870589B (zh) 一种交叉路口信号灯及可变车道联合控制系统和方法
Dabiri et al. Personalised optimal speed advice to cyclists approaching an intersection with uncertain green time
CN115426149A (zh) 基于雅各比显著图的单交叉口信号灯控制的交通状态对抗扰动生成方法
Wu et al. Deep Reinforcement Learning Based Traffic Signal Control: A Comparative Analysis
CN115691110B (zh) 一种面向动态车流的基于强化学习的交叉口信号周期稳定配时方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201117