基于短时交通流预测的城市干线交通信号控制研究

发布时间：2024-04-12 23:16

　　随着经济的快速发展,汽车已成为家庭出行必备交通工具,各城市小汽车保有量快速增长,然而现有的道路基础设施已经无法满足交通需求,这将导致人们花费在通勤上的时间越来越多,道路拥堵也越来严重,还会加剧汽车怠速污染、交通事故频发等一系列问题。为了解决当前交通问题,仅仅从拓宽城市路网规模,新建或改建城市道路是不够的,因此,还需要采用管理与控制结合的方式,一方面要从源头上降低交通量发生,另一方面,采用合适控制方案,保障道路上车辆可以安全、快速运行。本文以短时交通流预测为切入点,构建自适应单点控制、自适应干线协调控制及自适应组合控制,从短时交通流量及车速预测、各交叉口信号周期时长优化、考虑汇入汇出车流的相位差模型构建及各时段控制策略选择等方面进行研究与探讨,完成工作可以概括如下:(1)首先对采集数据进行处理、统计、分类等操作,再结合影响因素利用BP神经网络对道路短时交通流量和车速进行预测;(2)以预测交通流量为基础,利用遗传算法优化各交叉口信号周期时长:(3)根据预测交通流量和车速数据,构建考虑汇入汇出车流影响的干线相位差模型;(4)利用VISSIM二次开发(COM)进行实例仿真,得到自适应单点控制、...

【文章页数】：94 页

【学位级别】：硕士

【部分图文】：

图１．１技术路线图??Ｆｉｇ．?１．１?Ｔｅｃｈｎｏｌｏｇｙ?Ｒｏａｄｍａｐ??

?基于短时交通流预测的城市干线交通信号控制研究???１．３．２技术路线??绪论???ｉｉ???￣短时交通流量预测￣｜?Ｉ?短时车速预测?Ｕ???ｉｉ???基于短时交通流及车速预测的城市信号控制方法???５Ｔ????控制方案选择及参数优化????Ｊｒ???｝?ｒ???ｖ???公共周....

图２．１?ＢＰ祌经网络结构图??Ｆｉｇ．?２．１?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?ＢＰ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??－７－??

方面都具有较强的能力．??还解决了异或（ＥｘｃｌｕｓｉｖｅＯＲ，ＸＯＲ）等简单感知器无法解决的问题。本质上，ＢＰ算法的??目标函数为网络误差平方，使用梯度下降法获得目标函数的最小值。??２．１．２?ＢＰ神经网络结构??在结构组成上，ＢＰ神经网络是典型的多层前向神经网络，包括输入层....

图２．２微波检测器工作原理??Ｆｉｇ．?２．２?Ｗｏｒｋｉｎｇ?Ｐｒｉｎｃｉｐｌｅ?ｏｆ?Ｍｉｃｒｏｗａｖｅ?Ｄｅｔｅｃｔｏｒ??２．２．２交通流数据清洗??

数据，例如道路流量、车辆行驶速度等。??（３）微波检测??早期交通工程领域针对于测量单侧车速一般使用雷达检测技术，微波检测能够检测??双向多条车道的车流量、车速及车型，还可以统计车头时距和车道占有率。??微波检测是在一个扇形区域中不间断的发射低功率调制微波，在该道路区域内留下??....

图２．?３交通流评价指标??Ｆｉｇ．?２．３?Ｅｖａｌｕａｔｉｏｎ?Ｉｎｄｅｘ?ｏｆ?Ｔｒａｆｆｉｃ?Ｆｌｏｗ??

为错误数据中处理。??（３）冗余数据。通常是指数据与数据之间的重复，从狭义的角度来说，通过采集到??数据并构成数据集，当其中相邻两条或者以上，某些交通参数上的值是相等的，那么可??以确认这些数据近似重复，即存在冗余数据。??（４）数据丢失。产生数据丢失现象主要原因包括设备存储传输....

本文编号：3952120