文摘
近年来,城市交通拥堵越来越严重,道路的能力下降,导致频繁的交通事故。为了有效缓解区域路网的交通拥堵,针对的问题缺乏准确的道路网络的OD数据,一个区域交通网络的边界控制方法基于模糊RBF神经网络PID (FR-PID)相结合提出了宏观的理论基础图(显示)。首先,交通调查的基础上,研究区建立的仿真模型和基本数据,如交通流量和每个路段的时间占领率。其次,模拟数据用于测试维护功能配置在道路网的存在,定义和控制区域。然后,车辆模型建立了路网区域变化。然后,针对传统PID控制的自适应能力差的问题,FR-PID控制结构设计。最后,就是一个例子验证了VISSIM软件。在仿真中,不同控制方法用于比较和验证,和仿真结果进行了分析。结果表明,该方法的控制效果优于传统的方法,和区域平均累计车辆数量、区域平均体积,完成区域累计延误和总车辆旅行时间优化的28.21%,41.19%,27.06%,和32.73%,分别。研究结果可以为城市拥堵的管理提供参考,从而减少交通事故的数量和提高城市交通安全。
1。介绍
目前的交通拥堵是不再局限于路段或节点拥塞但已经演变成区域交通拥堵。在人口密集的大城市和道路网络,交通拥堵不仅发生在一个路段。特别是在上下班高峰时期,过度的道路网络的交通流在一个小区域通常发生在城市的核心区域,造成拥堵的大多数部分道路网络同时,导致区域交通拥堵。交通事故造成的拥堵也增加。传统控制措施面向节点或当地道路部分很难有效。出于这个原因,学者分析公路网络的内部特征基于现有道路网络设施和网络内实现合理的交通流控制措施为了探索公路网络的潜力,缓解交通拥堵,提高操作效率。合理控制交通拥堵有利于在道路网交通流量的均衡分布,有利于缓解城市交通拥堵,减少城市交通污染(1,扮演着一个重要的角色在促进可持续发展的交通。因此,如何实施有效的控制措施,以缓解地区交通拥堵是现在一个热门研究话题。
打码,随着互联网技术的发展在运输领域,学者们进行了不断的研究。建议打码的概念后,在2009年,Daganzo和Geroliminis [2]证明了存在的显示和曲线之间的道路网络的平均密度和平均交通流量通过交通仿真数据在内罗毕,肯尼亚。Daganzo [3]研究了几种不同形式的城市道路交通网络,发现能够存在于所有这些网络,但显示的形状有时似乎更重要的离散和显示,这种现象的产生是由于不均匀和不连续交通拥堵的交通网络。使用道路网络仿真数据,徐et al。4)发现,打码可以直接反映道路网络控制策略的影响,以及公交车道车道禁止可以在一定程度上影响公路网络的维护功能配置。哈达德和Geroliminis5]分析了城市交通控制在两个地区的稳定和获得稳定和不稳定的边界区域显示在这两个城市,在此基础上,根据状态反馈控制策略。施(6]道路网络的交通运行状态分为四类根据维护功能配置和使用常用的平均速度为交通状态评价指标,并在此基础上,道路网络的交通运行状态评价模型构建。金等。7]研究交通基本图结合交通拥堵,发现hypercongestion内的交通状态不均匀。吴et al。8]研究边界控制和判断的评价控制策略的优点和缺点使用维护功能配置的道路网络的变化。基于微法理论,Keyvan-Ekbatani et al。9)提出了一种反馈控制控制策略的初始拥挤的城市道路网络的核心区域,验证可有效缓解拥堵,显著增加车辆的平均速度,显著改善延迟控制区域在控制范围内。Geroliminis和太阳10]发现能够影响因素最终影响的形态和色散能够通过影响道路网密度的空间分布。
城市道路网络控制方法而言,大量的模型用于交通控制和安全领域的分析,如使用贝叶斯网络模型(11,12]的随机性特征的交通条件和交通拥堵,交通安全分析,利用元胞自动机模型(13]分析道路网络交通密度、车辆速度、和运行时间。陈等人。14)实现准确检测船舶行为在视频检测通过改善YOLO模型意思。这种方法也可以应用在交通领域实现车辆轨迹的跟踪15),获得完整的交通数据。传统的微观控制方法不再适用于区域拥堵,并设置相应的宏观控制措施基于道路网络的宏观基本特征从宏观的角度来看是最有前途的之一,如今迅速发展的研究方向。哈达德和Shraiber16)设计了一个周边控制器(R-PI控制器)基于维护功能配置理论,单个分区可以保持有效的控制分区操作一定时间间隔中获益。Hajiahmadi et al。17)提出了一个协同控制方法对多个个打码的基础上,介绍了两种类型的控制器,控制器和外围开关信号定时调度控制器,和通过开发一个分层控制策略来实现交通流转移在拥挤的分区。Zhang et al。18)设计了一个边界反馈控制器协调控制多个个道路网络,可以改善整个道路网络的平均流量约11%,对缓解大规模的交通拥堵有重大的影响。Kouvelas et al。19)使用非线性模型来描述时变multiarea PI控制器的边界来控制系统,开发了一个方案的异构交通网络,使更好的道路上的交通流分布网络,从而防止网络性能退化和提高道路网络延迟。
总之,基于维护功能配置理论,道路网络流量控制的控制策略主要是面向单个分区的边界控制和多个个恢复。控制多个分区时,它是必要的,以确保每个分区都是近似的交通状态,紧凑和更完整的多功能显示存在,这是一个困难的前提保证。边界控制执行一个分区时,边界的上游部分路口往往忽略了,经常导致过长车辆队列长度和使交通堵塞更广泛。此外,大多数数学模型忽略了控制器本身的稳定性,具有一定的局限性。
因此,我们选择congestion-prone城市道路网络区域使其保护权威之前其他周边地区。路部分满足这个条件将在该地区边界控制为主。与其他道路部分相比,更少的交通流分配和车辆会被感应到其他道路部分防止拥堵在路上部分。在本文中,我们提出了一个交通路网区域边界基于维护功能配置和FR-PID控制方法。
2。材料和方法
2.1。道路网建设
在北京望京地区的一部分被选中为研究路网区域,如图1(一)。该地区包括各种商业、办公、教育、医疗、和住宅区域内区域,道路网络结构是复杂和庞大的规模,产生拥堵在早晚高峰时间和适合本文的研究。的基本信息,如长度、车道,车道功能每个路段的道路网络的研究是通过百度地图和实际研究领域。研究区域如图的十字路口1 (b)18日和22日,十字路口14日non-signal-controlled十字路口和其余的十字路口信号控制路口。使用VISSIM模拟绘制道路网络,每个十字路口的信号时间,每个路口的冲突地区,根据实地调查数据收集器设置和调查结果和研究王(20.和董21)等。
(一)
(b)
2.2。维护功能配置存在测试
2.2.1。维护功能配置理论
现在打码是最受欢迎的宏观的交通理论,这是一个道路网络的固有属性,用于描述的变化交通道路网络的运行状况。它是一种可再生的和稳定的功能性宏观交通道路网络的变量之间的关系,以及曲线拟合的关系可以反映交通流的运行状态从宏观的整个交通网络。
多功能显示理论,根据相关参数计算如下: 在哪里累计数量的车辆在道路网络;道路网中的加权交通量,是加权密度,是加权时间占用;道路网络的节数;是占用的时间,是密度,是道路段的流动;是道路段的长度;是车辆的平均长度。
选择的显示模型中的变量,专家和学者认为,可以选择不同的变量作为建设的水平和垂直坐标显示模型,主要选择方法可以概括为直接法和间接法。为了实现边界控制更加直观,本文选择了间接法构建维护功能配置模型,和横向坐标是选为车辆在道路网的累计数量,纵坐标是选为完整的路网交通量。积累的车辆数的三阶功能道路网络是用来表示曲线,和描述的道路网的交通动态显示和曲线(22]。其数学方程所示 在哪里公路网交通量完成(veh /h);累计数量的车辆在道路网络(阿明费); 曲线拟合参数。
2.2.2。维护功能配置存在验证在道路网络领域
首先,打码的特征参数计算:车辆在道路网络的数量和体积的道路网络完成。摘要道路网容量被定义为完成采样时间内完成卷开始和结束点是内部和外部的研究道路网络,分别。的数据收集器集在模拟道路网络的边界,车辆通过探测点的数量在90年代为每个路段。对路段输入流的情况下,车辆在道路网的数量需要计算的时间占用了每个数据收集点采样时间段内(90年代)23所示),这是计算 在哪里是时候占用的道路段采样期间;是车辆长度和探测器的总和;是每个道路段采样期间的密度;汽车的数量在每一段路都在收集期间;的长度是相应的路段。
通过以上计算,累积之间的关系的散点图的车辆数量和体积得到如图完成2,立方形成了MATLAB拟合函数,参数值和拟合函数确定学位。结合图2,可以看出模拟路网存在显示拟合优度只有0.4598,形状和色散的显示没有达到理想的状态。研究[20.]表明,这种现象的出现与交通密度的不均匀分布在道路网络和不合适的道路网络的大小,和不同影响因素最终影响到打码的形状和色散影响道路网密度的空间分布(24]。
由于大范围的选择区域,道路网络和交通流量的分布在该地区很复杂,这并不有利于形成稳定的显示。因此,分区划分根据相似区域道路网密度。确保有一个明确的和稳定的显示和控制区域,NCut算法用于划分分区的道路网络24),和道路部分与密度大小分为分区,和部门的结果如图3。每个分区的打码是由车辆在该地区的累计数量和完成的体积,如图4。
(一)
(b)
(c)
(d)
如图4,这四个条件都形成一个相对稳定的维护功能配置,这意味着每个次区域的密度差小,和次区域“同质性。“多功能显示与MATLAB曲线拟合后,配合度是0.7276,0.7597,0.732,和0.7221,分别表明,分裂的条件形成了较高的显示和健康。
自本文旨在单一分区控制,有必要选择的区域有明确的边界,容易堵塞,清晰而紧凑的显示和控制区域的基础上。与其他地区相比,次区域4是清晰的道路网络边界,它位于核心区域的修改区域,这是更容易堵塞。因此,在接下来的研究中,次区域4是作为中央控制区和其他条件作为外围地区。
2.3。基于FR-PID区域边界控制模型
2.3.1。边界控制原理
边界控制是通过信号控制交通流进入控制区的时机,从而达到控制目标。如图5,它是边界控制原理的示意图25]。
如图5,交通流的总转移分为两个部分,一个是交通流进入控制区,另一个是交通流开车的外围区域。其中,交通流进入控制区分为两部分,一部分是 ,它主要由区域内的交通需求生成并通过信号交叉口交通流进入,这是不可控;另一部分是 ,这是路口交叉路口交通流进入区域。具体来说,应推动进入控制区域是通过边界控制,然后开车的实际数量通过一个特定的信号配时方案实现控制目标的边界。和交通流叶外区域的一部分通过边界控制,另一部分将绕过控制区域的交通指引。同时,两个区域的交通信息被收集在每个控制周期,和边界控制调整和改变通过数据分析来形成一个反馈闭环控制。
一个次区域的控制区域,显示如图6。根据累计数量的车辆在该地区,交通状态分为四个状态:自由流动,流量稳定,不稳定的流动,并迫使流。摘要边界流控制是用来调整流在该地区,以便累计数量的车辆区域道路网总是保持在临界交通量 。累计数量的车辆在控制领域在交通控制应符合以下要求: 在哪里临界累积区域的车辆数量吗 ; 交通控制的波动范围,正常情况下,1% - -3%的使用,2%的人使用。
2.3.2。车辆的道路网络模型区域变化
在一段时间内,车辆的流入和流出,增加和减少区域内的交通道路网总是平衡的,如图7,是由控制区域 ,和其他条件由 。
参考文献(23,26,27]提出两个假设:(1)边界控制的形状不改变该地区的维护功能配置;(2)定义区域完成的体积时完成卷的开始和结束点是内部和外部的区域,分别。建设区域车辆变化模型所示 在哪里 ; 车辆的累计数量( )在面积上在时间 ; 边界控制交通流从周边地区对区域在时间 ,和满足 ; 传输流从周边地区吗对该地区在时间k;干扰的时间吗 。
2.3.3。基于FR-PID边界控制方法
根据边界控制原理,控制目标是使车辆在道路网的累计数量波动在临界值在控制过程中,体积最大化区域完成。传统的PID控制是一种广泛使用和成熟的控制方法,该算法相对简单,易于使用和具有较强的适应性,但没有足够的自适应性。在此基础上,本文选择PID控制器作为控制系统的基础,使用模糊神经网络输出 , ,和的PID控制器。
图8显示基于FR-PID边界控制的结构图。控制模块是FR-PID控制器和控制对象是区域车辆变化模型中生成部分2.3。2。模糊神经网络控制将直接影响的选择 , ,和 ,这样可以自动调整PID参数控制对象的变化。
2.3.4。设计区域边界控制基于打码
具体设计内容包括设计模糊PID控制器和神经网络的训练。模糊PID控制器的设计,包括模糊语言变量的确定和隶属函数和模糊控制规则的确定。具体设置如下:(1)模糊语言变量和模糊隶属度函数的确定5个参数的模糊集的输入和输出都同样分为7个等级。通过仿真实验,边界点的稳定流动和不稳定流动控制面积确定为1870年,有98%的阈值作为控制目标, 。稳定流动和不稳定流动的中心范围 ,然后基本域之间的偏差和变异率预期运行车辆的数量和实际运行车辆的数量 。同时,通过仿真实验分析,三个输出变量的基本领域 , ,和被认为是 , ,和 。其对应的模糊域 ,和模糊语言设置设置为 。每个变量的量化因素 , , ,和 。三个PID控制参数的控制规则直接取决于现有的经验。(2)确定模糊控制规则模糊控制规则是模糊控制的核心,主要是基于定性分析设计和控制,如专家经验和操作控制。根据现有的经验,输入和输出之间的关系,并应满足下列条件:当很小,有必要保持系统的稳定,克服残余误差,增加吗 ,并减少 ;同时,为了防止系统振动,当大,选择较小的 ,当很小,选择更大 。当更大,更大的吗加强比例选择效应,加快系统的响应速度;与此同时,为了提高控制系统的稳定性,一个更小的选择减少整体效果。当中等大小,可以适当减少,和可以选择适当的规模,以避免过度的系统的超调。(3)训练神经网络神经网络的训练过程是选择225个样本PID控制表面的三个参数进行训练。在MATLAB经过多次培训,获得网络模型包含模糊控制规则。培训结束后,经过训练的神经网络生成相应的MATLAB仿真模块。
3所示。实证分析
3.1。参数标定
根据控制区域的显示和曲线获得的部分2。2,很容易发现拟合函数主要是基于仿真数据的大小是在中间部分,剩下的数据丢弃。为了分析控制效果更确切地说,根据仿真数据,上的打码,中间,和更低的线路控制区域,分别拟合,结果如图9是获得。
仿真数据点基本上是信封内的上下线。根据各个区域的显示和曲线在图10,可以获得所需的参数。为了比较和评估最终的仿真结果,累计数量的控制目标范围在该地区的汽车是根据公式计算(5),的最大和最小值控制范围的三个显示和曲线来确定总体控制目标范围,如表所示1。
3.2。仿真结果分析
为了更好地控制效果进行比较,本文在三个场景模拟:传统的定时信号控制(传统),模糊PID控制(F-PID)和模糊RBF神经网络PID控制(FR-PID)。等参数进行仿真评价累计数量的车辆在道路网络区域,完成卷在道路网络区域,延迟,和旅行时间,分析各种控制方案的影响。细节如下。
3.2.1之上。累计数量的分析车辆在该地区
仿真结果的累计数量的车辆区域如图10。在第70届采样时刻,边界控制开始被采用,累计的车辆数三种情况开始有所不同。在传统情况下,车辆在该地区的累计数量急剧增加,造成严重的交通堵塞。直到后来输入流减少,该地区交通状况减轻。FR-PID和F-PID场景的波动小于传统的场景。累计的车辆数两个场景总是保持在低水平,从而提高道路网的稳定区域。其中,现场FR-PID优化效果更明显。
在边界控制阶段,从第70采样时间,车辆在该地区的平均累计数量进行比较和分析。车辆的平均累计数量在三种情况下的面积的传统,F-PID, FR-PID是2685.450,2007.104,和1927.768,分别。FR-PID优化28.21%的控制效果与传统的场景相比,它是与F-PID控制相比,增加了2.95%。FR-PID控制效果是最好的。
3.2.2。完成量分析在道路网络区域
仿真结果完成卷的道路网络区域如图11。完成卷的大小反映了道路网的运营效益,和波动的程度反映交通流的稳定性。
从第70届采样时刻,边界控制器开始工作。有明显差异的三个场景。完成卷在传统情况下开始减少,而后者两个场景往往是更稳定。如车辆在该地区的累计数量,FR-PID和F-PID的波动范围小,和附近区域的体积两维护完成的最大体积完成很长时间了。这表明边界控制可以大大减少交通拥堵的发生,提高道路网络的运行效率,并确保道路网络的稳定操作,和FR-PID优化效果最显著。
为了比较更清楚和直观的控制效果,本文选择完成车辆的平均数量在该地区作为一个评价指标获得的累计数量完成车辆在仿真期间,如图12。实施后边界控制在控制区域,区域的操作的效率得到了有效的改善。相比与传统的场景中,平均完成控制时期的FR-PID数量增加了41.19%;与F-PID场景相比,平均完成控制时期的FR-PID数量增加了11.79%。累计完成的区域车辆仿真期间增加了5.56%。
3.2.3。分析区域累计延误和总车辆旅行时间
图13和表2显示区域累计延误和总区域的车辆旅行时间三种控制模式下获得的。相比与传统的场景中,两个指标FR-PID场景优化了27.06%和32.73%,分别。与F-PID场景相比,FR-PID场景增加了4.08%和5.04%,分别。
(一)
(b)
3.2.4。区域路网的交通状态的分析
仿真结果表明,大多数的交通流在FR-PID场景中是集中在稳定的交通流阶段,基本上是在最大的道路网络的运营效益。尽管F-PID也显著提高,但它不如FR-PID的控制效果。
同时,宏观路网的交通状态高峰期前后控制选择比较,如图14。它可以从整个交通状态的分布在每个区域的控制是不平衡的。分区1是在自由流动阶段,分区2是在非定常流阶段,分区3是在稳定流动阶段,和分区4是在强迫流动阶段。实施后边界控制,FR-PID有效转移的交通流控制的区域,所以整体控制地区的交通状况得到改善。
(一)
(b)
总之,多个评价指标的仿真验证表明,当控制区域的交通状态往往是不稳定的,它的边界控制措施提出了可以采取的所有交通控制地区的指标有明显的改善,缓解交通拥堵,同时确保更高的道路网络运营效率。这也大大减少了过多的停车时间和长队列长度的问题在边境路口由边境控制造成的。实现控制目标时,它也有一个相对较低的影响边界外的道路网络,这是一个高效和理想的边界控制方法。
4所示。结论
提出了一种道路网络边界控制方法的基础上,结合FR-PID维护功能配置理论和选择的实际道路网络验证,证明该FR-PID方法与传统方法相比具有更好的控制效果。具体结论如下。
针对城市道路网络容易交通拥堵区域,提出了一种边界控制方法,使用显示和控制道路网络边界和调整PID控制器的参数通过模糊RBF神经网络。
本文选择两个指标的累计车辆数量和体积在该地区完成,获得通过的道路网络,分析了道路网络维护功能配置中存在的问题,并提出了通过理论应用到边界控制的前提。保持车辆的累计数量的最佳临界值附近地区的边界控制目标,提出了一种模糊RBF神经网络PID控制方法。
选择实际道路网络实现实证分析区域边界控制通过Vissim仿真。分析和评估控制区域的多个交通指标三个传统的定时信号仿真场景下,模糊PID和模糊神经网络PID控制。边界的结果表明,该控制方法可以显著改善了交通条件,增加道路网络操作的效率。
数据可用性
使用的数据来支持本研究的发现并不可用,因为数据所有权问题。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项研究是由中国国家自然科学基金(71871011)和河北省交通部科技项目,中国(th - 201921)。