亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        宏觀交通流模型的自適應迭代學習辨識策略

        2023-02-02 09:19:20仇江辰田建艷
        太原理工大學學報 2023年1期
        關鍵詞:時變交通流交叉口

        仇江辰,閆 飛,田建艷

        (太原理工大學 電氣與動力工程學院,太原 030024)

        城市交通系統(tǒng)作為現(xiàn)代生活的重要組成部分,其運行狀況直接影響居民的生活水平,采用先進的信號控制策略是緩解交通擁堵最有效的解決方法[1],我國大部分城市采用基于數(shù)學模型的SCOOT自適應控制系統(tǒng)[2],而許多智能控制理論也相繼應用于交通領域,如文獻[3]利用線性二次型調(diào)節(jié)器實現(xiàn)路網(wǎng)的邊界反饋控制;文獻[4-5]利用迭代學習控制策略實現(xiàn)路網(wǎng)的流量均衡控制;文獻[6]針對大規(guī)模路網(wǎng)提出具有分層結(jié)構(gòu)的模型預測控制策略;文獻[7]將顯示模型預測控制方法應用于交通信號控制領域。目前,常見的信號控制策略大多基于交通流模型進行配時,其控制效果取決于模型的質(zhì)量和準確性。

        交通信號控制系統(tǒng)的模型大多為基于流體力學理論的宏觀模型,其主要圍繞交通流量、密度和車輛速度之間的數(shù)學關系,用連續(xù)變量來構(gòu)造交通流中的車輛綜合行為[8]。為了提高控制策略的有效性,我們需要建立一個能準確描述城市路網(wǎng)交通流穩(wěn)態(tài)和動態(tài)特性的數(shù)學模型,并對模型中的相關參數(shù)進行辨識。目前,已有不少學者對交通流模型的參數(shù)辨識問題展開研究,如文獻[9]采用離散顯式有限差分方程對高速公路一階宏觀交通流模型的參數(shù)進行估計;考慮到交通流系統(tǒng)具有很大的隨機性,文獻[10]利用Monte Carlo方法對宏觀基本圖中的隨機變量進行一般化處理;文獻[11]分別利用Nelder-Mead算法、隨機遺傳算法、隨機交叉熵算法對特定高速公路的Metanet模型進行參數(shù)估計;文獻[12-13]結(jié)合期望最大化算法、隨機逼近算法和在線實時自估計算法對路網(wǎng)交叉口的轉(zhuǎn)向比、飽和流量及自由流速等參數(shù)進行辨識;文獻[14]利用馬爾科夫鏈對交叉口不同狀態(tài)下的交通流進行控制,采用期望最大化算法實現(xiàn)模型的參數(shù)估計。

        上述有關參數(shù)辨識的研究成果,大多忽略了交通流系統(tǒng)的重復性特征,即在不同天的同一時刻具有相似的交通流狀態(tài)[15]。在控制理論研究領域中,通常采用迭代學習控制解決具有重復特性的受控系統(tǒng)。迭代學習辨識是迭代學習控制理論的重要組成部分之一,其目的在于解決有限時間區(qū)間內(nèi)重復運行系統(tǒng)的參數(shù)辨識問題,根據(jù)量測獲取的系統(tǒng)輸出,利用迭代學習辨識算法通過不斷地更新模型參數(shù)使得系統(tǒng)輸出逼近理想值,實現(xiàn)時變參數(shù)的辨識[16]。文獻[17]針對高速公路宏觀交通流模型,提出了一種基于離散化非線性模型的迭代學習辨識策略。但在城市路網(wǎng)交通流方面,尚未見報道。

        本文在交通流存儲轉(zhuǎn)發(fā)模型的基礎上,根據(jù)“速密流”三者間的車輛動態(tài)關系,提出了一種離散化的非線性宏觀交通流模型。考慮到交通流系統(tǒng)具有很強的時變性和隨機性,且從宏觀角度出發(fā)具有明顯的周期性。因此,設計了一種自適應迭代學習辨識策略,通過在有限時間區(qū)間內(nèi),辨識出交通流模型的時變參數(shù),進一步提高城市路網(wǎng)交通信號控制系統(tǒng)的控制效果。

        1 非線性宏觀交通流模型

        1.1 模型建立

        本文采用的交通流模型是由Gazis等提出的“存儲轉(zhuǎn)發(fā)”模型,該模型利用采樣周期內(nèi)的平均車流量代替實際路段的車流量,避免了因信號燈轉(zhuǎn)化導致的計算量過大問題。但由于城市路網(wǎng)交通流具有很強的非線性特征,采用存儲轉(zhuǎn)發(fā)模型無法描述其復雜的隨機動態(tài)特性,因此引入文獻[18]提出的排隊車輛動態(tài)到達方程。將存儲轉(zhuǎn)發(fā)模型與排隊車輛動態(tài)模型相結(jié)合,提出了一種非線性宏觀交通流模型,具體建模過程如下:

        假設城市路網(wǎng)交叉口間的車輛運行情況如圖1所示,根據(jù)路網(wǎng)車輛數(shù)守恒原則,路段I0,1在第k個采樣時刻的車輛數(shù)xI0,1(k)的空間及時間離散化模型可用下式描述:

        (1)

        圖1 宏觀交通流模型與相位圖Fig.1 Macroscopic traffic flow model and phase diagram

        (2)

        式中:II0代表駛?cè)虢徊婵贗0的所有支路段集合;PI0代表交叉口I0的相位方案集合;tLI0,i,I0,1代表車輛由上游路段LI0,i經(jīng)交叉口I0駛?cè)肼范蜪0,1的轉(zhuǎn)向比;sL0,i代表駛?cè)虢徊婵贗0的上游各路段車輛飽和流率,pcu/h;gI0,j(k)代表交叉口I0的各相位綠燈時長,s;TI0代表交叉口I0的信號周期時長,s;ΔT代表采樣周期時長,s.

        (3)

        式中:OI1代表駛離交叉口I1的所有支路段集合;PI1代表交叉口I1的相位方案集合;tI0,1,LI1,j代表車輛由上游路段I0,1經(jīng)交叉口I1駛?cè)隠I1,i各路段的轉(zhuǎn)向比;sI0,1代表路段I0,1的車輛飽和流率,pcu/h;gI1,j(k)代表交叉口I1的各相位綠燈時長,s;TI1代表交叉口I1的信號周期時長,s.

        城市路網(wǎng)宏觀交通流模型的非線性動態(tài)特征,可通過交通流密度、速度及流量間的關系式進行表達,路段I0,1在第k個采樣時刻的排隊隊列車輛數(shù)yI0,1(k)的空間及時間離散化模型可用下式描述:

        (4)

        (5)

        (6)

        (7)

        (8)

        從流體力學角度考慮,速度與密度間還存在著進一步的相互關系,當?shù)缆奋囕v增多,車流密度增大時,駕駛員被迫降速;而車流密度由大變小時,車速又會增加。因此,車輛從路段I0,1上游到路段I0,1排隊隊列末端的平均速度vI0,1(k)取決于其對應路段的密度值,具體的速密關系式如下:

        (9)

        (10)

        (11)

        整理式(1)-式(5)和式(11)可得,在第k個采樣時刻路段I0,1的累積車輛數(shù)xI0,1(k)和動態(tài)排隊車輛數(shù)yI0,1(k)具有如下關系:

        (12)

        (13)

        由于

        (14)

        (15)

        定義

        (16)

        根據(jù)式(16)可將式(12)和式(13)重新寫為狀態(tài)方程:

        xI0,1(k+1)=xI0,1(k)+AI0,1uI0,1(k)+dI0,1(k) .

        (17)

        yI0,1(k+1)=yI0,1(k)+f(xI0,1(k),yI0,1(k),
        θI0,1(k))+BI0,1uI0,1(k) .

        (18)

        1.2 模型的狀態(tài)空間表達

        根據(jù)以上描述,可將任意拓撲結(jié)構(gòu)和規(guī)模大小的城市路網(wǎng),列寫為狀態(tài)空間方程[式(17)、式(18)]:

        (19)

        式中:n代表整個路網(wǎng)的路段總數(shù);x(k)=[x1(k),x2(k),…,xn(k)]T為狀態(tài)向量,xi(k)代表在第k個采樣時刻路網(wǎng)中各路段的車輛數(shù);y(k)=[y1(k),y2(k),…,yn(k)]T為輸出向量,yi(k)代表在第k個采樣時刻路網(wǎng)中各路段的排隊車輛數(shù);u(k)=[u1(k),u2(k),…,un(k)]T為控制向量,ui(k)代表在第k個采樣時刻路網(wǎng)中各路段的相位綠燈時長;d(k)=[d1(k),d2(k),…,dn(k)]T為狀態(tài)擾動向量,將路網(wǎng)在第k個采樣時刻受到的外部擾動因素用車輛數(shù)形式表達,具體指:1) 交通事故,因偶發(fā)性交通事故導致某路段的通行能力在短時間內(nèi)急劇下降;2) 亂穿馬路,因行人或非機動車亂穿馬路導致路段內(nèi)車輛產(chǎn)生非正常的減速行為,降低路網(wǎng)的通行能力;3) 停車場出入,因商場、住宅小區(qū)和停車場等區(qū)域缺少車輛信息檢測裝置,導致車流量信息不充分,對路網(wǎng)造成額外的負載;狀態(tài)矩陣A和傳遞矩陣B為定常矩陣,由路網(wǎng)中各交叉口的相位方案、周期時長、采樣時長、飽和流率及轉(zhuǎn)向率等因素決定。

        2 自適應迭代學習辨識策略及收斂性分析

        2.1 辨識器設計

        為了提高迭代學習辨識算法的抗干擾性和收斂速度,本文將去偽控制概念引入其中,提出一種自適應迭代學習辨識算法,其結(jié)構(gòu)示意如圖2所示。

        圖2 自適應迭代學習辨識結(jié)構(gòu)示意圖Fig.2 Structure chart of adaptive ILI

        去偽控制是一種數(shù)據(jù)驅(qū)動類型算法,利用當前迭代批次的實時輸入輸出數(shù)據(jù)和上一批次的歷史數(shù)據(jù)對迭代學習律的增益進行適當調(diào)整。

        為了便于自適應迭代學習的收斂性證明,本文做如下定義:

        定義‖·‖為1范數(shù),即對于矩陣Am×n而言,均滿足如下關系:

        其中,ai,j代表矩陣Am×n的任意元素。

        定義向量θn(k)的λ范數(shù)為:

        其中,λ>0,α>1.

        定義第n次迭代學習辨識的系統(tǒng)輸出誤差en(k)=yd(k)-yn(k),第n次迭代學習辨識的狀態(tài)誤差Δxn(k)=xd(k)-xn(k),第n次迭代學習辨識的參數(shù)誤差Δθn(k)=θd(k)-θn(k).

        定義向量值函數(shù)f(·,·,·)的偏導數(shù)為:

        考慮到交通運行的實際情況,θn(k)應滿足一定的約束條件,即θn(k)∈[θmin(k),θmax(k)],其中,θmin(k),θmax(k)分別為參數(shù)的最小值和最大值,定義sat[θn(k)]為參數(shù)θn(k)的飽和函數(shù),即:

        因此,為了證明參數(shù)在受限條件下,迭代學習辨識算法仍具有收斂性,宏觀交通流模型的時變多參數(shù)迭代學習辨識算法構(gòu)造如下:

        θn+1(k)=sat[θn(k)]+ηn(k)en(k+1) .

        (20)

        為證明受限情況下的收斂性問題,此處還需介紹一個重要引理。

        引理1

        ‖θd(k)-sat[θn(k)]‖≤‖θd(k)
        -θn(k)‖ .

        (21)

        證明過程參見文獻[19].

        定義去偽控制在第n次迭代時的虛擬參考為:

        (22)

        去偽控制的代價函數(shù)如下所示:

        (23)

        式中,w為正常數(shù),用于調(diào)整函數(shù)的嚴格程度。

        控制器的切換條件為:

        Jn(k)≤Q.

        (24)

        式中,Q是通過實驗獲得的先驗值。

        定義去偽控制的備選迭代學習律增益集合為:

        η={η1,η2,…,ηm} .

        (25)

        去偽算法通過遍歷所有的學習律增益,計算去偽代價函數(shù),根據(jù)最小化原則,在符合條件的增益集合中選擇最小的學習增益作為下一次迭代過程的學習律增益:

        ηs={ηi|Jn(ηi)≤0},ηn+1=min(ηs) .

        (26)

        將上述定義整理可以得到自適應迭代學習辨識算法的數(shù)學表達:

        θn+1(k)=sat[θn(k)]+ηn(k)en(k+1) ,
        en(k)=yd(k)-yn(k) ,
        ηs={ηi|Jn(ηi)≤0} ,
        ηn+1=min(ηs) .

        (27)

        2.2 基本假設

        假設1 向量值函數(shù)f(·,·,·)關于其所有的自變量均滿足全局一致的Lipshitz條件,即:

        ‖f(xn(k),yn(k),θn(k))-f(xn-1(k),yn-1(k),
        θn-1(k))‖≤gfx‖xn(k)-xn-1(k)‖+gfy‖
        yn(k)-yn-1(k)‖+gfθ‖θn(k)-θn-1(k)‖ .

        (28)

        其中,gfx,gfy,gfθ分別為Lipschitz常量。

        假設2 當給定路網(wǎng)相位綠燈時長u(k)(k∈[0,K]),且系統(tǒng)初態(tài)位于xd(0)時,可獲得量測數(shù)據(jù)yd(k)(k∈[0,K]),并將其相應的狀態(tài)軌跡記為xd(k)(k∈[0,K]),則一定存在一組參數(shù)θd(k)(k∈[0,K])滿足下列條件:

        (29)

        假設3 在迭代過程中系統(tǒng)滿足嚴格重復的初始化條件,即:

        xn(0)=xd(0),yn(0)=yd(0)?n.

        (30)

        其中,xd(0),yd(0)分別代表系統(tǒng)期望狀態(tài)和期望軌跡的初始值,n代表系統(tǒng)的迭代次數(shù)。

        假設4 系統(tǒng)的狀態(tài)擾動向量有界且為md,即:

        ‖dn(k)‖λ≤md.

        (31)

        假設5 在去偽控制的備選迭代學習律增益集合中,最大值ηmax保證迭代系統(tǒng)穩(wěn)定,使第二次迭代辨識的誤差范數(shù)小于第一次迭代的誤差范數(shù);最小值ηmin滿足迭代學習辨識算法的收斂性條件:

        ‖e2(k)‖<‖e1(k)‖
        ‖I-ηmindθ‖<1 .

        (32)

        假設1中有關向量值函數(shù)f(·,·,·)的全局一致性Lipshitz條件可作如下解釋,宏觀交通流模型式(17)和式(18)在整個區(qū)間[0,K]內(nèi)對所有變量均為連續(xù)可微的,在實際道路情況下,路段內(nèi)的車輛數(shù)x(k)和排隊車輛數(shù)y(k)不能無窮大,會受限于路段本身的承載能力,且區(qū)間[0,K]也是有限集合,因此滿足假設1的條件。

        假設2為參數(shù)可以辨識的合理假設,若不滿足,則該問題不具有研究意義。

        假設3是對系統(tǒng)做出的限制,要求系統(tǒng)的狀態(tài)初值與期望值保持一致,但在實際情況中,并不要求它嚴格重復,可采用文獻[20]提出的方法進行調(diào)整。

        假設5是關于去偽控制的收斂性說明,若不滿足則系統(tǒng)的收斂性不能得到保證。具體情況如下:

        在首次迭代過程中,系統(tǒng)的輸出誤差非常大,滿足式(23)的學習律增益為ηmax,根據(jù)式(27)可知,η2≤ηmax.隨著迭代的不斷進行,系統(tǒng)誤差逐步降低:

        (33)

        根據(jù)式(23)可得:

        (34)

        2.3 收斂性證明

        根據(jù)路網(wǎng)的狀態(tài)空間方程式(19)和參數(shù)的受限條件定義,可將辨識模型描述為:

        (35)

        其中,εn(k)代表系統(tǒng)的輸出量測噪聲。

        定理1 對于滿足假設1-5且其輸出量測噪聲‖εn(k)‖λ≤mε的宏觀交通流模型式(19),采用自適應迭代學習辨識算法式(27),若存在增益矩陣η使得式‖I-ηdθ‖<1成立,則系統(tǒng)輸出誤差e(k)在區(qū)間[0,K]內(nèi)收斂于一個界內(nèi),即:

        (36)

        當系統(tǒng)輸出量測噪聲mε→0時,有:

        (37)

        證明

        根據(jù)系統(tǒng)參數(shù)誤差定義和迭代學習辨識算法式(27)可得

        Δθn+1(k)=θd(k)-θn+1(k)=θd(k)-
        sat[θn(k)]-ηn(k)en(k+1) .

        (38)

        根據(jù)系統(tǒng)誤差定義、假設2和式(35)可得

        en(k+1)=yd(k+1)-yn(k+1)=en(k)+dx
        Δxn(k)+dyen(k)+dθ(θd(k)-
        sat[θn(k)])-εn(k) .

        (39)

        將上式(38)和式(39)整理可得

        Δθn+1(k)=θd(k)-sat[θn(k)]-ηn(k)en(k+1)=
        (I-dθηn(k))(θd(k)-sat[θn(k)])-dxηn(k)
        Δxn(k)-ηn(k)εn(k)-(1+dy)ηn(k)en(k) .

        (40)

        對式(40)兩邊同時取范數(shù),并根據(jù)引理1可得

        ‖Δθn+1(k)‖≤‖I-dθηn(k)‖‖θd(k)-
        sat[θn(k)]‖+dx‖ηn(k)‖‖Δxn(k)‖+
        ‖ηn(k)‖‖εn(k)‖+(1+dy)‖ηn(k)‖
        ‖en(k)‖≤‖I-dθηn(k)‖‖Δθn(k)‖+
        dxδη‖Δxn(k)‖+δη‖εn(k)‖+(1+dy)δη
        ‖en(k)‖≤‖I-dθηn(k)‖‖Δθn(k)‖+δη
        ‖εn(k)‖+ω1(‖Δxn(k)‖+‖en(k)‖) .

        (41)

        對系統(tǒng)誤差兩邊同時取范數(shù),并根據(jù)假設1和引理1可得

        ‖en(k)‖=‖yd(k)-yn(k)‖≤‖en(k-1)‖+
        gfx‖xd(k-1)-xn(k-1)‖+gfy‖yd(k-1)-
        yn(k-1)‖+‖εn(k-1)‖+gfe‖θd(k-1)-
        sat[θn(k-1)]‖≤(1+gfy)‖en(k-1)‖+gfx
        ‖Δxn(k-1)‖+gfθ‖Δθn(k-1)‖+
        ‖εn(k-1)‖ .

        (42)

        對狀態(tài)誤差兩邊同時取范數(shù),并根據(jù)假設4可得

        ‖Δxn(k)‖=‖xd(k)-xn(k)‖≤
        ‖Δxn(k-1)‖+‖dn(k-1)‖ .

        (43)

        將上式(42)和式(43)整理可得

        (44)

        將上式(41)和式(44)整理可得

        (45)

        (46)

        根據(jù)假設3可得,‖Δxn(0)‖+‖en(0)‖=0,因此式(46)右邊第二項為零,式(46)右邊第三項可化簡為:

        (47)

        式(46)右邊第四項可化簡為:

        (48)

        式(46)右邊第五項可化簡為:

        (49)

        若存在足夠大的λ,則式(47)、式(48)的值趨向于零,可將上式(46)-式(49)整理為:

        (50)

        其中,σ=max(‖I-dθηn(k)‖),ω=δηmε.

        因此,當σ=‖I-dθη‖<1時,有

        (51)

        (52)

        當系統(tǒng)輸出量測噪聲mε→0時,式(37)成立,證畢。

        3 仿真研究

        3.1 仿真參數(shù)設置

        為了進一步驗證基于城市路網(wǎng)非線性宏觀交通流模型的時變多參數(shù)迭代學習辨識策略的有效性,本文選取太原市某區(qū)域路網(wǎng)(如圖3所示)的部分道路作為仿真研究對象,通過VISSIM和MATLAB軟件進行仿真實驗。

        圖3 太原市某區(qū)域路網(wǎng)圖Fig.3 A regional road network in Taiyuan City

        通過實地調(diào)研采集該區(qū)域內(nèi)的道路基本數(shù)據(jù)及各交叉口的現(xiàn)有信號配時方案,更進一步提高仿真實驗的精確度。路網(wǎng)的道路結(jié)構(gòu)拓撲圖如圖4所示,所研究的區(qū)域路網(wǎng)由12個交叉口和25條雙向行車道組成(由于交叉口C、F和D、G間的距離太短,導致其路段多為不可變的進口道,故在本文中不做研究),各交叉口處的轉(zhuǎn)向率如表1所示(N,S,W,E分別代表不同方向的進口道),路網(wǎng)各路段的基本情況均與實際情況相符,路段由進口道、交織區(qū)、行車道等3部分組成,各路段的車道數(shù)情況如表2所示,每條車道寬約3.5 m.

        圖4 路網(wǎng)道路結(jié)構(gòu)拓撲圖Fig.4 Road structure topology of the road network

        表1 各交叉口轉(zhuǎn)向率(左轉(zhuǎn)∶直行∶右轉(zhuǎn))Table 1 Turning ratio at each intersection (left-turn∶straight∶right-turn)

        表2 各路段車道數(shù)Table 2 Number of lanes in each road

        本文的研究對象為5:00-21:00的16 h日交通量,采樣周期為5 min,迭代學習辨識的仿真迭代次數(shù)為25次,每次仿真時長16 h.根據(jù)城市道路工程設計規(guī)范(CJJ 37-2012)可估算出每條單向行駛車道的飽和流量,同時實際路段的飽和流量還會受到道路環(huán)境等諸多因素的影響,因此實際的路段飽和流量計算如下:

        CD=C·W1·W2·W3·W4.

        (53)

        式中:CD代表路段的實際飽和流量;C代表不同車速下的理想飽和流量;W1代表自行車影響修正系數(shù),本文機動車道與非機動車道間設有隔離帶,故W1=1;W2代表車道寬度影響修正系數(shù),本文車道寬度為3.5 m,故W2=1;W3代表車道數(shù)影響修正系數(shù),2/3/4/7車道的修正系數(shù)分別為1.87/2.60/3.20/4.01;W4代表交叉口影響系數(shù),計算如下:

        (54)

        式中:w0代表交叉口綠信比;l代表交叉口間距;w4最大值為1,x13,x14路段長度為450 m,x2,x4,x5,x8,x9,x12,x15,x23,x24,x25路段長度為600 m,最終計算出各路段的實際飽和流量如表3所示。根據(jù)百度智慧交通中的太原市日內(nèi)15 min交通量均值指數(shù)設置路網(wǎng)的16 h仿真流量,具體如圖5所示,其他仿真參數(shù)均采用VISSIM的缺省值。

        表3 路段實際飽和流量Table 3 Actual saturation flow of each road section

        圖5 路網(wǎng)16 h輸入車流量圖Fig.5 The 16h input traffic flow of road network

        在VISSIM軟件中,利用人行橫道功能對行人和非機動車亂穿馬路行為進行模擬仿真;參考實際路網(wǎng)情況,在相應路段旁設置不同容量的停車位模擬商場、住宅和停車場出入情況;偶發(fā)性交通事故則通過在路段內(nèi)設置停車位進行模擬。路網(wǎng)內(nèi)三種擾動的具體參數(shù)如表4所示。

        表4 三種擾動的具體情況(每小時)Table 4 Specifics of the three perturbations (per hour)

        3.2 仿真結(jié)果分析

        為了驗證自適應迭代學習辨識策略的有效性,本文通過VISSIM和MATLAB軟件獲取交通流模型的待辨識參數(shù),路網(wǎng)的排隊車輛數(shù)、各路段的密度熱力圖以及車輛的平均延誤和平均速度等指標進行效果評價,仿真結(jié)果如圖6-圖11所示。圖6分別給出不同迭代次數(shù)下各路段排隊車輛誤差值的變化情況,可以看出:隨著迭代次數(shù)的不斷增加,路網(wǎng)內(nèi)各路段的排隊車輛誤差值逐漸減小并趨于穩(wěn)定。圖7(a)反映了路網(wǎng)排隊車輛誤差最大值的整體迭代變化情況,圖7(b)和7(c)分別對迭代過程中部分迭代次數(shù)和部分采樣時段的誤差值進行橫向比較,更進一步反映迭代辨識策略的合理性。

        非線性宏觀交通流模型的參數(shù)辨識結(jié)果如圖8所示,此處根據(jù)所研究路網(wǎng)的實際情況,分別選取車道數(shù)為2/3/4/7的4條路段x7,x11,x21,x22作為參考并給出其對應的參數(shù)辨識結(jié)果,時變參數(shù)分別為阻塞密度ρjam(k),自由流速度vfree(k),交通流模型特征參數(shù)α(k)、β(k)、τ(k).通過計算可以得到路網(wǎng)各路段的速度密度值,仿真實驗與交通流模型的速密動態(tài)變化情況如圖9所示,圖9(a)和9(b)分別繪制了仿真實驗和交通流模型的密度熱力圖,圖9(c)為主干路x7的速密變化情況,可以看出雖然模型值與仿真值有所差異,但整體上符合交通流的真實變化情況。

        圖6 不同迭代次數(shù)下各路段排隊車輛誤差值的變化情況Fig.6 Changes of the queuing vehicle error value of each road section under different iterations

        圖7 路網(wǎng)排隊車輛誤差最大值的變化情況Fig.7 Variation of the maximum value of the road network queuing vehicle error

        圖8 非線性宏觀交通流模型的參數(shù)辨識結(jié)果Fig.8 Parameter identification results of the nonlinear macroscopic traffic flow model

        圖9 仿真實驗與交通流模型的速密動態(tài)變化情況Fig.9 Dynamic changes of speed and density of the simulation experiment and traffic flow model

        為了更進一步說明迭代學習辨識策略的有效性,本文通過采用3種不同的交通信號控制策略對太原市某區(qū)域路網(wǎng)進行對比分析,仿真時間為6:00-10:00,其余仿真參數(shù)保持不變,控制策略詳情如下。

        1) 固定配時:采用該區(qū)域路網(wǎng)的實際配時方案。

        2) 模型預測控制:根據(jù)路網(wǎng)交通流的狀態(tài)空間方程式(19),可將其改寫為非線性交通流模型:

        y(k+1)=F(x(k),y(k),u(k)) .

        (55)

        其中,F(xiàn)(·)代表與f(·)相關的非線性函數(shù),假定預測時域為Np則有:

        (56)

        其中,符號^代表預測值,模型預測控制策略的優(yōu)化目標函數(shù)為:

        (57)

        3) 時變參數(shù)的模型預測控制:將迭代學習策略辨識得到的時變參數(shù)代入到路網(wǎng)狀態(tài)空間方程式(19)中,其余設置與方案2相同。

        通過仿真獲得3種控制策略下路網(wǎng)的車輛平均延誤、平均車速及最大排隊長度等指標如圖10所示??梢钥闯觯寒敳蓸又芷跒?:00-7:00和9:00-10:00時,3種控制策略的各項指標均無明顯差異,主要原因是當交通流處于欠飽和狀態(tài)時,固定配時方案已經(jīng)能夠取得較好的控制效果,模型預測控制方法沒有明顯優(yōu)勢;當采樣周期為7:00-9:00時,采用時變參數(shù)的模型預測控制方法效果更佳,路網(wǎng)的車輛最大排隊長度和平均延誤均明顯低于其他兩種方案,路網(wǎng)的車輛平均速度明顯優(yōu)于其他兩種方案,主要原因是當交通流處于過飽和狀態(tài)時,模型預測控制方法能夠根據(jù)路網(wǎng)的實際情況進行在線校正,從而提高路網(wǎng)的通行效率,且當模型的參數(shù)為時變時,其控制效果更好。圖11的仿真結(jié)果為8:00時刻路網(wǎng)的擁堵情況,可以進一步看出,相比于其他兩種控制方案時變參數(shù)模型預測控制方案能夠更加有效地解決交通擁堵問題。

        圖10 三種控制策略下路網(wǎng)的性能指標Fig.10 Performance index of the road network under three control strategies

        圖11 三種控制策略下路網(wǎng)的擁堵情況Fig.11 Congestion of the road network under three control strategies

        4 結(jié)論

        本文針對城市路網(wǎng)交通流具有的隨機性和時變性等特征,提出了一種含有未知時變多參數(shù)的非線性宏觀交通流模型,并充分利用交通流系統(tǒng)所具有的重復性特征,設計了一種時變多參數(shù)的自適應迭代學習辨識策略,通過嚴格的數(shù)學理論推導證明了所提出算法的收斂性。最后,利用VISSIM軟件對太原市某區(qū)域路網(wǎng)進行仿真,并通過路網(wǎng)的固定配時方案,模型預測控制方案和基于本文的時變參數(shù)模型預測控制方案進行對比實驗。實驗結(jié)果表明,基于去偽算法的迭代學習辨識策略能夠在偶發(fā)性擾動的作用下有效地估計出非線性模型的時變參數(shù),具有很好的自適應能力和抗干擾能力,為基于模型的信號控制系統(tǒng)提供有力的參數(shù)支撐,從而提高路網(wǎng)的通行效率,緩解交通擁堵現(xiàn)象。但本文所提出的交通流模型具有片面性,迭代學習辨識的初態(tài)問題仍需考慮,今后將重點展開有關此方面的模型辨識工作。

        猜你喜歡
        時變交通流交叉口
        信號交叉口延誤參數(shù)獲取綜述
        基于時變Copula的股票市場相關性分析
        智富時代(2017年4期)2017-04-27 17:08:47
        交通流隨機行為的研究進展
        煙氣輪機復合故障時變退化特征提取
        一種Y型交叉口設計方案的選取過程
        路內(nèi)停車對交通流延誤影響的定量分析
        基于MEP法的在役橋梁時變可靠度研究
        考慮黃燈駕駛行為的城市交叉口微觀仿真
        具有負壓力的Aw-Rascle交通流的Riemann問題
        基于VISSIM的交叉口改善評價研究
        河南科技(2014年14期)2014-02-27 14:12:02
        国产二级一片内射视频播放| 国内偷拍第一视频第一视频区| 人妻有码av中文幕久久| 内射夜晚在线观看| 精品久久久中文字幕人妻| 国产精品久久久久久久久免费观看 | 亚洲本色精品一区二区久久| 日本熟妇美熟bbw| 人妻少妇av无码一区二区| 又长又大又粗又硬3p免费视频| 中文字幕在线亚洲一区二区三区| 中文字幕乱码av在线| 亚洲毛片在线观看免费| 国产又色又爽又黄的| 亚洲自拍另类制服在线| 亚洲中文字幕第二十三页| 插入日本少妇一区二区三区| 超清精品丝袜国产自在线拍| 免费人成在线观看播放国产| 国产三级三级精品久久| 99re6在线视频精品免费| 国产日韩精品中文字无码| 久久国产欧美日韩高清专区| 亚洲国产日韩综合天堂| 亚洲va韩国va欧美va| 永久黄网站色视频免费| 亚洲女同精品久久女同| 国产乱码精品一区二区三区久久| 中文字幕+乱码+中文字幕一区| 成年女人A级毛片免| 五月综合丁香婷婷久久| 精品av熟女一区二区偷窥海滩| 老少交欧美另类| 亚洲av国产大片在线观看| 中文字幕女同系列在线看一| a级毛片成人网站免费看 | 亚洲av无码av制服丝袜在线 | 午夜男女爽爽爽在线视频| 久久久久久免费播放一级毛片| 中文字幕精品亚洲一区二区三区| 亚洲天堂av三区四区不卡|