参数不确定条件下的城市交通控制研究.docx

Elena Sofronova et al. / Procedia Computer Science 186 (2021) 120–129 PAGE 129 PAGE 128 Elena Sofronova et al. / Procedia Computer Science 186 (2021) 120–129 参数不确定条件下的城市交通控制研究 摘要 研究了城市路网中交通流的最优控制问题。为了描述交通流，使用了基于受控网络理论的通用递归有限差分模型。利用变分遗传算法，得到了最优容许交通灯控制方案。实验研究了所找到的最优容许控制对操纵吞吐量、流量分布和网络初始状态变化的敏感性。 关键词:交通流模型；最优控制；进化计算；不确定 1。 介绍 交通流量的调节问题是现代城市最紧迫和最重要的问题之一。为了优化交通和消除拥堵，有必要对交通流量进行全面分析，并科学证实受控交叉口红绿灯相位的持续时间以及网络路段的配置。 交通流的控制属于人工智能任务的范畴。目前，人工智能的确切定义才刚刚形成，但已经很明显，这类系统能够利用进化计算作为寻找解决方案的方法，基于运行过程中获得的信息“改进”自己，并在不确定的条件下有效行动。本文的研究是智能交通控制基础理论的发展。 智能交通系统包括各个研究领域，如防撞[1]、导航[2-3]、自动驾驶汽车[4-5]等。但是最初，它被提出来解决一个最优控制问题。 在数值解中，城市道路网络中交通流的最优控制问题是一个非平凡的、计算复杂的数学问题。该问题的特点是没有与最优控制问题的经典陈述相对应的控制对象的数学模型，交通流控制与其状态向量的分量之间没有明显的依赖关系，大量的控制和大量的路段相互作用。 在参与开发用于解决交通控制问题的计算方法的科学家中，没有单一的方法来构建交通控制的数学模型或描述控制对流量参数的影响的形式依赖性。长期以来，构建交通控制模型的主要方法是将其表示为液体或气体通过管道的运动形式[6]。最近，其他数学模型被更经常地使用，例如建立在Petri网[7]、键图[8]、使用时间序列[9-10]或使用完全没有模型的人工神经网络或混合模型[11]上。根据模型描述的层次，有微观模型，使用ODE [12]描述汽车对彼此的影响，宏观模型由气体动力学方程[13-15]表示，以及基于玻尔兹曼动力学方程的介观模型[16]。 为了解决经典陈述中的最优控制问题，建议使用基于受控网络理论的交通控制数学模型[17-18]。该模型属于微观模型类，是一个递归有限差分方程组。控制对象的状态由每段道路上的车辆数量决定。这里，假设关于道路网络状态的信息是已知的，输入流量的值是已知的，并且对路段上的车辆容量、交通灯阶段的持续时间设置限制。控制是通过找到的控制步骤切换交通灯相位的程序，相位以一定的顺序循环切换。控制程序是用变分遗传算法[19]在一组基本控制程序和这个程序的小变化上寻找的。该模型已成功地用于解决各种测试交叉口的最优控制问题[19-21]，但其有效应用需要关于道路网络参数的足够完整的信息。 在实际情况下，考虑到智能道路基础设施的存在，允许从摄像机、传感器、移动设备等收集大量数据。某些参数在一定范围内仍然是已知的。在这种情况下，有必要确保获得的控制程序实现其目标，同时保持可接受的控制质量。这项工作致力于研究递归模型对网络和业务流的某些参数变化的敏感性。 2。 通用循环交通流模型 基于受控网络理论的通用循环交通流模型如下 x(k)x(k 1)(((??x k 1))?1tl ?a u(())k?d?((x k?1))1tl ?a u(())k ?d???a u(())k ?b 1))l? (((x k?1))1tl ?a u(())k?d?(((x k?1))1tl ?a u(())k ?d???a u(())k ?b 1))t l ?δ()k， (1) 其中l是多个路段，?是矩阵的哈达玛乘积，δ()k ), ?1((k ), ??,?l()]k t是进出路段的流入/流出流量的随机给定值的向量，a ,[ ai j，]是具有所有可能动作的网络图的邻接矩阵，ai j，?{0,1}，i j，?1,?,L，b ,[ bi j，]是容量矩阵， L 是一个分布矩阵，?[0；1]，?di·j，1，?1,?,L，u/u1 ?um是一个控制 j 1 vector，ui ?{0,?,ui? ?1}，ui是交叉口I的红绿灯相位的指标，ui?是交叉口I的最大相位数，i ?1,?,M，m是网络中的交叉口数，a u()；ai j，()]u是配置矩阵，ai j，()u ?{0,1}，i j，?1,?,L，c ;; ci j，]是控制矩阵，ci j，??1,?,M?，ci j， 是进行从I段到j段操纵的交叉点的索引，F是相位矩阵， Fi