城市交通流受時間與空間因素的影響,文章綜合考慮交通流的時空相關(guān)性,進行了時空維度的交通數(shù)據(jù)處理與交通協(xié)同控制;采用遺傳算法（genetic algorithm,GA）小波神經(jīng)網(wǎng)絡(luò)（wavelet neural network,WNN）模型與最小二乘法對時空維度的交通數(shù)據(jù)進行融合,建立了時空相關(guān)的城市交通協(xié)同控制模型;結(jié)合GA群體搜索技術(shù)與粒子群優(yōu)化（particle swarm optimization,PSO）快速收斂能力,提出了基于GA-PSO的協(xié)同控制求解模型。實例驗證結(jié)果表明,考慮交通流時空特性影響的協(xié)同控制能有效減小路網(wǎng)行程時間、優(yōu)化交通控制參數(shù),從而能達到均衡路網(wǎng)交通分布、緩解城市交通擁堵的目的。 

【文章來源】：合肥工業(yè)大學學報(自然科學版). 2020年05期 北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

路段交通流時空關(guān)系圖

考慮交通流的時空特性,采用GA-PSO求解協(xié)同控制模型的流程如圖2所示。在交通流數(shù)據(jù)時空變化特性分析基礎(chǔ)上,采用時空融合數(shù)據(jù)在時空飽和度、行程時間約束下,利用GA-PSO算法以消除交通擁堵、保證路網(wǎng)行程時間最小為目標,對協(xié)同區(qū)域內(nèi)各路段交通參數(shù)進行優(yōu)化。(1) 收集協(xié)同區(qū)域內(nèi)的實測交通流數(shù)據(jù),在時空相關(guān)性分析基礎(chǔ)上,利用GA-WNN模型進行處理,采用最小二乘法進行動態(tài)加權(quán)融合,得到具有時空特性的融合交通流數(shù)據(jù)序列,以此作為協(xié)同控制模型的輸入交通參數(shù)。

本文算例分析的道路網(wǎng)絡(luò)拓撲結(jié)構(gòu)如圖3所示。圖3中,A、B、C、D、E、F、G、H、L、M分別表示交叉口位置。該道路網(wǎng)主要包括黃山路、科學大道、香樟大道等主要干道,天智路與天柱路等次要干道,以及夢園路與天湖路等支路;路網(wǎng)中不同等級的道路相交形成了不同形式的丁字形、十字形等交叉口,用于模型驗證具有代表性。該路網(wǎng)中多數(shù)路段與交叉口布設(shè)了微波、視頻、地磁等車輛檢測設(shè)備,交通流數(shù)據(jù)獲取方便。由于夢園路、天柱路路段無交通檢測器,為保證交通數(shù)據(jù)獲取的準確性,選用黃山路與科學大道、黃山路與天智路、香樟大道與天湖路、科學大道與天湖路以及天智路與天湖路5個路口范圍對協(xié)同控制模型進行分析�？紤]到工作日交通流的相似性與交通數(shù)據(jù)的完整性,采用2016年7月4日—7月8日的交通流數(shù)據(jù)進行模型計算。為了反映樣本數(shù)據(jù)采集的時效性,同時降低交通流波動對數(shù)據(jù)采集結(jié)果的影響,將交通數(shù)據(jù)進行5 min的時間間隔劃分,即1 d有288組樣本數(shù)據(jù)。對采集數(shù)據(jù)進行處理并核查,發(fā)現(xiàn)數(shù)據(jù)集中缺失了36條數(shù)據(jù),占總數(shù)據(jù)的2.5%。為減少缺失值對協(xié)同控制的影響,將其他工作日同一時間采集數(shù)據(jù)的平均值填充至相應(yīng)的數(shù)據(jù)缺失部分。


本文編號：2950526