CN113781772B - 一种点对点迭代学习与模型预测的交通信号混合控制方法 - Google Patents

一种点对点迭代学习与模型预测的交通信号混合控制方法 Download PDF

Info

Publication number
CN113781772B
CN113781772B CN202110944333.XA CN202110944333A CN113781772B CN 113781772 B CN113781772 B CN 113781772B CN 202110944333 A CN202110944333 A CN 202110944333A CN 113781772 B CN113781772 B CN 113781772B
Authority
CN
China
Prior art keywords
point
green light
road network
model
traffic
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
Application number
CN202110944333.XA
Other languages
English (en)
Other versions
CN113781772A (zh
Inventor
闫飞
褚跃跃
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 CN202110944333.XA priority Critical patent/CN113781772B/zh
Publication of CN113781772A publication Critical patent/CN113781772A/zh
Application granted granted Critical
Publication of CN113781772B publication Critical patent/CN113781772B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/085—Controlling traffic signals using a free-running cyclic timer

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及智能交通控制领域，具体说是一种点对点迭代学习与模型预测的交通信号混合控制方法。包括以下步骤，S100～对研究区域的交通流提出两种增量模型；S200～建立新的双增量交通饱和度模型；S300～建立提取矩阵，对有限的关键点对多次迭代，将误差收敛；S400～用性能指标函数对绿灯时长增量进行预测；S500～根据优化后的绿灯时长，设置交叉口绿灯时长；S600～设置路网内各交叉口信号绿灯时长，使得路网的饱和度达到目标值。本发明将点对点和迭代学习控制和模型预测控制进行结合，不仅利用了路网宏观交通流相似性分布的历史批次信息，又能通过预测模型在线进行滚动优化，最终使路网交通信号能更有效、更迅速的达到控制要求，提高路网通行效率。

Description

一种点对点迭代学习与模型预测的交通信号混合控制方法
技术领域
本发明涉及智能交通控制领域，具体说是一种点对点迭代学习与模型预测的交通信号混合控制方法。
背景技术
随着城市化进程的推进，社会中的车辆越来越集中在城市，城市交通拥堵的问题日益突出，高峰期交通出现过饱和，严重影响城市的健康发展。为了更好地利用现有的交通设施以及历史交通批次信息来改善交通路网通行效率。申请人将点对点和迭代学习控制和模型预测控制进行结合，不仅利用了路网宏观交通流相似性分布的历史批次信息，又能通过预测模型在线进行滚动优化，最为关键的是不用时时刻刻控制交通流在交叉口的饱和度并且对路口的饱和度有更好的预测，对非关键点的饱和度拥有多的自由度，在不改变现有的交通硬件的基础上，最终使路网交通信号能更有效、更迅速的达到控制要求，提高路网通行效率。
发明内容
本发明为了有效解决交通信号控制在实时性、控制方案效率低和与历史路网信息脱离的问题，提供一种点对点迭代学习与模型预测的交通信号混合控制方法。
本发明采取以下技术方案：一种点对点迭代学习与模型预测的交通信号混合控制方法，包括以下步骤，S100～对研究区域的交通流提出两种增量模型；S200～建立新的双增量交通饱和度模型；S300～建立提取矩阵，对有限的关键点对多次迭代，将误差收敛；S400～用性能指标函数对绿灯时长增量进行预测；S500～根据优化后的绿灯时长，设置交叉口绿灯时长；S600～设置路网内各交叉口信号绿灯时长，使得路网的饱和度达到目标值。
步骤S100中，第一种增量模型的获取方法为：
S101～路网交通流模型，形式为
Figure 785473DEST_PATH_IMAGE001
Figure 702613DEST_PATH_IMAGE002
Figure 482351DEST_PATH_IMAGE003
为状态向量表示为第k次迭代的第t时刻各路段的饱和度；
Figure 690609DEST_PATH_IMAGE004
为第k次迭代的第t时刻路网内的饱和度；
Figure 504981DEST_PATH_IMAGE005
为控制向量表示为第k次迭代的第t时刻所有相位的绿灯时长；A为状态矩阵即单位矩阵，B为输入矩阵，C为输出矩阵由路网饱和度的计算方法得到。
S102～在步骤101中交通流模型当中引入相邻两时刻的路网交叉口绿灯时长增量
Figure 389761DEST_PATH_IMAGE006
和饱和度增量
Figure 656794DEST_PATH_IMAGE007
，从而得到交通流系统的增量模型，形式如下：
Figure 668744DEST_PATH_IMAGE008
；
Figure 337622DEST_PATH_IMAGE009
。
S102～第二种增量模型采用以下形式：
Figure 330986DEST_PATH_IMAGE010
Figure 147632DEST_PATH_IMAGE011
采用增量算子
Figure 884644DEST_PATH_IMAGE012
的形式写成这种形式：
Figure 408029DEST_PATH_IMAGE013
Figure 650923DEST_PATH_IMAGE014
其中
Figure 892549DEST_PATH_IMAGE015
，
Figure 229989DEST_PATH_IMAGE016
和
Figure 873460DEST_PATH_IMAGE017
。
步骤S200中，将两种增量模型结合起来，双增量交通饱和度模型为。
Figure 208626DEST_PATH_IMAGE018
Figure 750597DEST_PATH_IMAGE019
，
Figure 829412DEST_PATH_IMAGE020
Figure 327389DEST_PATH_IMAGE021
Figure 161353DEST_PATH_IMAGE022
公式中，p是路网饱和度预测范围，m是路网饱和度控制范围，表示在第k次迭代过程中在t时刻对（t+1）时刻的输出估计，
Figure 111991DEST_PATH_IMAGE023
表示状态估计。
步骤S300包括以下步骤，点对点提取矩阵
Figure 807546DEST_PATH_IMAGE024
为m行n列的选择矩阵，从而得到
Figure 160030DEST_PATH_IMAGE025
在为整个轨迹n个采样时间段所选取的m个跟踪时间点的实际输出值。
Figure 102578DEST_PATH_IMAGE024
的具体表达形式为：
Figure 602830DEST_PATH_IMAGE026
由此可以得到
Figure 824777DEST_PATH_IMAGE027
，
Figure 297347DEST_PATH_IMAGE028
为在关键点处的期望饱和度，其中
Figure 473113DEST_PATH_IMAGE029
，在n个周期内通过点对点迭代学习将误差收敛到0，即
Figure 398344DEST_PATH_IMAGE030
。
步骤S400包括以下步骤。
S401～根据上述步骤中所得的
Figure 622652DEST_PATH_IMAGE031
和跟踪误差
Figure 497198DEST_PATH_IMAGE032
通常反映系统各个运行批次的收敛性能，用以下性能指标函数：
Figure 781549DEST_PATH_IMAGE033
其中
Figure 194076DEST_PATH_IMAGE034
；
Figure 284392DEST_PATH_IMAGE035
；
Figure 465974DEST_PATH_IMAGE036
为绿灯时长松弛变量，确保使系统能找到最合适的状态变量，
Figure 655647DEST_PATH_IMAGE037
，Q,S,R,P都是方阵。
Figure 368519DEST_PATH_IMAGE039
Figure 934630DEST_PATH_IMAGE040
，
Figure 298615DEST_PATH_IMAGE041
得到：
Figure 659189DEST_PATH_IMAGE042
Figure 46308DEST_PATH_IMAGE043
Figure 229159DEST_PATH_IMAGE044
Figure 119755DEST_PATH_IMAGE045
Figure 916809DEST_PATH_IMAGE046
；
S402～现实的路网中绿灯时长必然存在最大值和最小值，因此设置限制条件：
Figure 587962DEST_PATH_IMAGE047
，
Figure 761455DEST_PATH_IMAGE048
，
Figure 772136DEST_PATH_IMAGE049
。
S403～根据步骤S401中的式子计算求得绿灯时长增量
Figure 553141DEST_PATH_IMAGE050
。
步骤S600，在双增量模型中，利用性能指标函数将绿灯预测时长增量
Figure 649273DEST_PATH_IMAGE050
与通过迭代所获得的绿灯时长
Figure 423194DEST_PATH_IMAGE051
相加，得到新的绿灯时长
Figure 288382DEST_PATH_IMAGE052
，
Figure 427239DEST_PATH_IMAGE053
。
与现有技术相比，本发明将点对点和迭代学习控制和模型预测控制进行结合，不仅利用了路网宏观交通流相似性分布的历史批次信息，又能通过预测模型在线进行滚动优化，最为关键的是不用时时刻刻控制交通流在交叉口的饱和度并且对路口的饱和度有更好的预测，对非关键点的饱和度拥有更多的自由度，最终使路网交通信号能更有效、更迅速的达到控制要求，提高路网通行效率。
附图说明
图1为本发明的流程图；
图2为点对点迭代学习控制与模型预测控制。
具体实施方式
本发明的目的在于有效解决交通信号控制在实时性、控制方案效率低和与历史路网信息脱离的问题，申请人提出一种点对点迭代与模型预测控制的交通信号混合控制方法，不仅提高路网通行效率，也结合了路网交通状况的历史数据，最重要是使非关键点的交通饱和度有更多的自由度，有效提高路网交通信号的响应速度，提高路网通行效率。
为实现上述目的，本发明所提供的技术方案为：一种点对点迭代学习与模型预测控制的交通信号混合控制方法，包括以下几个步骤：
S100～对研究区域的交通流提出两种增量模型；
S200～建立新的双增量交通饱和度模型；
S300～建立提取矩阵，对多次迭代中选取的有限的关键点；
S400～用性能指标函数对绿灯时长增量进行预测；
S500～根据优化后的绿灯时长，设置交叉口绿灯时长；
S600～设置路网内各交叉口信号绿灯时长，使得路网的饱和度达到目标值。
上述的一种基于点对点迭代学习与模型控制的交通信号混合控制方法，在步骤S100中对研究区域的交通流增量模型包括以下几个步骤：
S101～路网交通流模型，形式如
Figure 823717DEST_PATH_IMAGE001
，
Figure 73432DEST_PATH_IMAGE002
，
Figure 58706DEST_PATH_IMAGE003
为状态向量表示为第k次迭代的第t时刻各路段的饱和度；
Figure 430781DEST_PATH_IMAGE004
为第k次迭代的第t时刻路网内的饱和度；
Figure 501506DEST_PATH_IMAGE005
为控制向量表示为第k次迭代的第t时刻所有相位的绿灯时长；A和C分别为系统的状态矩阵和输出矩阵，B为输入矩阵，输入矩阵B的元素反映了路网的拓扑结构、相位、周期、饱和流量及转向率特征，由技术人员自行设定。
S102～在步骤101中交通流模型当中引入相邻两时刻的路网交叉口绿灯时长增量
Figure 367962DEST_PATH_IMAGE006
和饱和度增量
Figure 207742DEST_PATH_IMAGE007
，从而得到交通流系统的增量模型，形式如下：
Figure 688402DEST_PATH_IMAGE008
；
Figure 43160DEST_PATH_IMAGE009
。
S103～定义一种新的状态向量形式，增量模型采用以下形式：
Figure 713306DEST_PATH_IMAGE010
Figure 407593DEST_PATH_IMAGE011
采用增量算子
Figure 59154DEST_PATH_IMAGE012
的形式写成这种形式：
Figure 166787DEST_PATH_IMAGE013
Figure 561997DEST_PATH_IMAGE014
其中
Figure 110790DEST_PATH_IMAGE015
，
Figure 11881DEST_PATH_IMAGE016
和
Figure 278914DEST_PATH_IMAGE017
。
S200～将步骤S102和步骤S103两种增量形式结合起来得到：
Figure 540131DEST_PATH_IMAGE018
Figure 943431DEST_PATH_IMAGE019
，
Figure 202374DEST_PATH_IMAGE020
Figure 769752DEST_PATH_IMAGE021
Figure 506764DEST_PATH_IMAGE022
公式中，p是路网饱和度预测范围，m是路网饱和度控制范围，表示在第k次迭代过程中在t时刻对（t+1）时刻的输出估计，
Figure 30149DEST_PATH_IMAGE023
表示状态估计。
在步骤S300中通过建立提取矩阵，对多次迭代中选取的有限的关键点，具体步骤如下
点对点提取矩阵
Figure 522311DEST_PATH_IMAGE024
为m行n列的选择矩阵，从而得到
Figure 498357DEST_PATH_IMAGE025
在为整个轨迹n个采样时间段所选取的m个跟踪时间点的实际输出值。
Figure 39060DEST_PATH_IMAGE024
的具体表达形式为：
Figure 495580DEST_PATH_IMAGE026
由此可以得到
Figure 830746DEST_PATH_IMAGE027
，
Figure 559668DEST_PATH_IMAGE028
为在关键点处的期望饱和度，其中
Figure 700799DEST_PATH_IMAGE029
，在n个周期内通过点对点迭代学习将误差收敛到0，即
Figure 198777DEST_PATH_IMAGE030
。
S401～根据上述步骤中所得的
Figure 517894DEST_PATH_IMAGE054
和跟踪误差
Figure 734111DEST_PATH_IMAGE055
通常反映系统各个运行批次的收敛性能，我们用以下性能指标函数：
Figure 616617DEST_PATH_IMAGE056
Figure 31418DEST_PATH_IMAGE057
；
Figure 973966DEST_PATH_IMAGE058
为松弛变量，确保使系统能找到最合适的状态变量，
Figure 411900DEST_PATH_IMAGE059
， Q,S,R,P都如以上的格式形式。
性能指标函数还可以用这种形式写出：
Figure 645567DEST_PATH_IMAGE060
其中
Figure 118136DEST_PATH_IMAGE061
Figure 28324DEST_PATH_IMAGE062
Figure 953554DEST_PATH_IMAGE040
，
Figure 990911DEST_PATH_IMAGE041
得到
Figure 317988DEST_PATH_IMAGE042
Figure 664655DEST_PATH_IMAGE043
Figure 77182DEST_PATH_IMAGE044
Figure 652651DEST_PATH_IMAGE045
Figure 834234DEST_PATH_IMAGE046
。
S402～由于现实的路网中绿灯时长必然存在最大值和最小值，因此有限制条件：
Figure 289486DEST_PATH_IMAGE015
，
Figure 251626DEST_PATH_IMAGE016
和
Figure 817736DEST_PATH_IMAGE017
。
S403～根据步骤S401中的式子通过MATLAB软件计算可求得绿灯时长增量
Figure 666875DEST_PATH_IMAGE050
。
根据步骤S500所得的绿灯时长来设置路网内各交叉口信号绿灯时长，使得路网的饱和度达到目标值，具体步骤为在双增量模型中，利用性能指标函数将绿灯预测时长增量
Figure 293028DEST_PATH_IMAGE050
与通过迭代所获得的绿灯时长
Figure 680147DEST_PATH_IMAGE051
相加，得到新的绿灯时长
Figure 846686DEST_PATH_IMAGE052
，
Figure 2861DEST_PATH_IMAGE053
。
综上所述，本发明将点对点和迭代学习控制和模型预测控制进行结合，不仅利用了路网宏观交通流相似性分布的历史批次信息，又能通过预测模型在线进行滚动优化，最为关键的是不用时时刻刻控制交通流在交叉口的饱和度并且对路口的饱和度有更好的预测，对非关键点的饱和度拥有更多的自由度，最终使路网交通信号能更有效、更迅速的达到控制要求，提高路网通行效率。图2为点对点迭代学习控制与模型预测控制混合控制原理结构图，从技术手段上具有较高的可行性，值得推广。

Claims (5)

1.一种点对点迭代学习与模型预测的交通信号混合控制方法，其特征在于：包括以下步骤，
S100～对研究区域的交通流提出两种增量模型；
S200～建立新的双增量交通饱和度模型；
S300～建立提取矩阵，对多次迭代中选取有限的关键点；
步骤S300包括以下步骤，
点对点提取矩阵
Figure 922063DEST_PATH_IMAGE001
为m行n列的选择矩阵，从而得到在
Figure 582852DEST_PATH_IMAGE002
为整个轨迹n个采样时间段所选取的m个跟踪时间点的实际输出值，
Figure 193962DEST_PATH_IMAGE001
的具体表达形式为
Figure 547583DEST_PATH_IMAGE003
由此可以得到
Figure 549037DEST_PATH_IMAGE004
，
Figure 279095DEST_PATH_IMAGE005
为在关键点处的期望饱和度，其中
Figure 479132DEST_PATH_IMAGE006
，点对点迭代学习控制任务是在n个周期内将跟踪点的误差收敛到0，即
Figure 269234DEST_PATH_IMAGE007
；
S400～用性能指标函数对绿灯时长增量进行预测；
S500～根据优化后的绿灯时长，设置交叉口绿灯时长；
S600～设置路网内各交叉口信号绿灯时长，使得路网的饱和度达到目标值。
2.根据权利要求1所述的点对点迭代学习与模型预测的交通信号混合控制方法，其特征在于：所述的步骤S100中，第一种增量模型的获取方法为：
S101～路网交通流模型，形式为
Figure 56186DEST_PATH_IMAGE008
Figure 527619DEST_PATH_IMAGE009
Figure 582163DEST_PATH_IMAGE010
为状态向量表示为第k次迭代的第t时刻各路段的饱和度；
Figure 808745DEST_PATH_IMAGE011
为第k次迭代的第t时刻路网内的饱和度；
Figure 581529DEST_PATH_IMAGE012
为控制向量表示为第k次迭代的第t时刻所有相位的绿灯时长；A为状态矩阵即单位矩阵，B为输入矩阵，C为输出矩阵；
S102～在步骤101中交通流模型当中引入相邻两时刻的路网交叉口绿灯时长增量
Figure DEST_PATH_IMAGE013
和饱和度增量
Figure 122231DEST_PATH_IMAGE014
，从而得到交通流系统的增量模型，形式如下：
Figure 562440DEST_PATH_IMAGE015
Figure 428765DEST_PATH_IMAGE016
；
S103～第二种增量模型采用以下形式：
Figure 688845DEST_PATH_IMAGE017
Figure 502080DEST_PATH_IMAGE018
采用增量算子
Figure 32681DEST_PATH_IMAGE019
的形式写成这种形式：
Figure 132224DEST_PATH_IMAGE020
Figure 817283DEST_PATH_IMAGE021
其中
Figure 27685DEST_PATH_IMAGE022
，
Figure 114589DEST_PATH_IMAGE023
和
Figure 588296DEST_PATH_IMAGE024
。
3.根据权利要求2所述的点对点迭代学习与模型预测的交通信号混合控制方法，其特征在于：所述的步骤S200中，将两种增量模型结合起来，双增量交通饱和度模型为，
Figure 822968DEST_PATH_IMAGE025
Figure 774744DEST_PATH_IMAGE026
，
Figure 981734DEST_PATH_IMAGE027
Figure 127807DEST_PATH_IMAGE028
Figure 849775DEST_PATH_IMAGE029
公式中，p是路网饱和度预测范围，m路网饱和度是控制范围，
Figure 605242DEST_PATH_IMAGE030
表示在第k次迭代过程中在t时刻对（t+1）时刻的输出估计，
Figure 401159DEST_PATH_IMAGE031
表示状态估计。
4.根据权利要求3所述的点对点迭代学习与模型预测的交通信号混合控制方法，其特征在于：所述的步骤S400包括以下步骤，
S401～根据上述步骤中所得的
Figure 482248DEST_PATH_IMAGE032
和跟踪误差
Figure 425933DEST_PATH_IMAGE033
通常反映系统各个运行批次的收敛性能，用以下性能指标函数：
Figure 188353DEST_PATH_IMAGE034
其中
Figure 901094DEST_PATH_IMAGE035
，
Figure 621925DEST_PATH_IMAGE036
为绿灯时长松弛变量，确保使系统能找到最合适的状态变量，
Figure 318486DEST_PATH_IMAGE037
，Q,S,R,P都是方阵，
Figure 917220DEST_PATH_IMAGE038
Figure DEST_PATH_IMAGE039
，
Figure 484467DEST_PATH_IMAGE040
得到：
Figure 376200DEST_PATH_IMAGE041
Figure 560057DEST_PATH_IMAGE042
Figure 461016DEST_PATH_IMAGE043
Figure 86033DEST_PATH_IMAGE044
Figure 210984DEST_PATH_IMAGE045
；
S402～现实的路网中绿灯时长必然存在最大值和最小值，因此设置限制条件：
Figure 554240DEST_PATH_IMAGE046
，
Figure 258891DEST_PATH_IMAGE047
，
Figure 302196DEST_PATH_IMAGE048
；
S403～根据步骤S401中的式子计算求得绿灯时长增量
Figure 66889DEST_PATH_IMAGE049
。
5.根据权利要求4所述的点对点迭代学习与模型预测的交通信号混合控制方法，其特征在于：在双增量模型中，利用性能指标函数将绿灯预测时长增量
Figure 694180DEST_PATH_IMAGE049
与通过迭代所获得的绿灯时长
Figure 140205DEST_PATH_IMAGE050
相加，得到新的绿灯时长
Figure 536551DEST_PATH_IMAGE051
，
Figure 206567DEST_PATH_IMAGE052
。
CN202110944333.XA 2021-08-17 2021-08-17 一种点对点迭代学习与模型预测的交通信号混合控制方法 Active CN113781772B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110944333.XA CN113781772B (zh) 2021-08-17 2021-08-17 一种点对点迭代学习与模型预测的交通信号混合控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110944333.XA CN113781772B (zh) 2021-08-17 2021-08-17 一种点对点迭代学习与模型预测的交通信号混合控制方法

Publications (2)

Publication Number Publication Date
CN113781772A CN113781772A (zh) 2021-12-10
CN113781772B true CN113781772B (zh) 2022-11-01

Family

ID=78838137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110944333.XA Active CN113781772B (zh) 2021-08-17 2021-08-17 一种点对点迭代学习与模型预测的交通信号混合控制方法

Country Status (1)

Country Link
CN (1) CN113781772B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105702031A (zh) * 2016-03-08 2016-06-22 北京航空航天大学 基于宏观基本图的路网关键路段识别方法
CN108257382A (zh) * 2018-01-11 2018-07-06 上海应用技术大学 基于关联度分析的交叉口拥堵关键点寻找方法及系统
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4435146B2 (ja) * 2006-12-28 2010-03-17 株式会社東芝 通信装置
CN102542793B (zh) * 2012-01-11 2014-02-26 东南大学 一种交叉口群过饱和交通态势主动控制方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105702031A (zh) * 2016-03-08 2016-06-22 北京航空航天大学 基于宏观基本图的路网关键路段识别方法
CN108257382A (zh) * 2018-01-11 2018-07-06 上海应用技术大学 基于关联度分析的交叉口拥堵关键点寻找方法及系统
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 (1)

* Cited by examiner, † Cited by third party
Title
闫飞 等.城市区域交通信号迭代学习控制策略.《控制与决策》.2015, *

Also Published As

Publication number Publication date
CN113781772A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN108197739B (zh) 一种城市轨道交通乘客流量预测方法
CN113538910B (zh) 一种自适应的全链条城市区域网络信号控制优化方法
CN109767632B (zh) 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
CN111243271A (zh) 一种基于深度循环q学习的单点交叉口信号控制方法
Lin et al. Traffic signal optimization based on fuzzy control and differential evolution algorithm
CN110570672A (zh) 一种基于图神经网络的区域交通信号灯控制方法
CN113780624B (zh) 一种基于博弈均衡理论的城市路网信号协调控制方法
CN114495500B (zh) 一种基于对偶动态时空图卷积的交通预测方法
CN102610092A (zh) 基于rbf神经网络城市道路速度预测方法
CN108537366B (zh) 基于最优卷积二维化的水库调度方法
CN109462821A (zh) 预测位置的方法、装置、存储介质及电子设备
CN111158237B (zh) 基于神经网络的工业炉炉温多步预测控制方法
CN112907970B (zh) 一种基于车辆排队长度变化率的可变车道转向控制方法
CN108629970A (zh) 基于蒙特卡罗树搜索的交叉口信号参数优化方法
CN109377761A (zh) 基于马尔可夫链模型的交通因子网络构建方法
Wu et al. Traffic signal networks control optimize with PSO algorithm
CN113781772B (zh) 一种点对点迭代学习与模型预测的交通信号混合控制方法
CN113409576B (zh) 一种基于贝叶斯网络的交通路网动态预测方法及系统
CN110543978A (zh) 基于小波神经网络的交通流数据预测方法和装置
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
CN113421444B (zh) 一种基于车辆路径信息的城市道路网信号控制方法与装置
Qi et al. Road intersection optimization considering spatial-temporal interactions among turning movement spillovers
CN115240871A (zh) 一种基于深度嵌入聚类元学习的流行病预测方法
Liu et al. Research on the short-term traffic flow prediction method based on BP neural networks
CN114545928A (zh) 一种基于自触发分布式预测控制的异构车辆队列控制方法

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
GR01 Patent grant
GR01 Patent grant