基于眾包數(shù)據(jù)的路網(wǎng)交通態(tài)勢感知與信號控制優(yōu)化

目錄
前言
第1章 緒論 1
1.1 研究背景及意義 1
1.2 國內外研究現(xiàn)狀 3
1.2.1 車輛軌跡重構 3
1.2.2 基于眾包軌跡的信號交叉口排隊長度估計 5
1.2.3 基于張量分解的缺失數(shù)據(jù)填補和交通狀態(tài)估計 9
1.2.4 面向排隊溢流風險防控的干道信號控制優(yōu)化 11
1.2.5 路網(wǎng)瓶頸辨識 14
1.2.6 路網(wǎng)瓶頸控制 18
1.3 本書內容及章節(jié)安排 23
參考文獻 25
第2章 基于粒子濾波的眾包車輛軌跡重構 36
2.1 粒子濾波模型 36
2.1.1 系統(tǒng)狀態(tài)預測 37
2.1.2 預測狀態(tài)修正 37
2.2 高噪聲軌跡數(shù)據(jù)修復 38
2.2.1 單交叉口初始粒子構建 38
2.2.2 連續(xù)交叉口初始粒子構建 43
2.2.3 測量準則設計 44
2.2.4 重構軌跡輸出 46
2.3 數(shù)據(jù)采集與實驗分析 47
2.3.1 數(shù)據(jù)描述 47
2.3.2 測試場景一：單交叉口 47
2.3.3 測試場景二：連續(xù)交叉口 51
參考文獻 55
第3章 基于卡爾曼濾波與變分理論的交通流軌跡重構 58
3.1 卡爾曼濾波與變分理論整合模型 58
3.1.1 標準離散卡爾曼濾波 58
3.1.2 基于卡爾曼濾波與變分理論整合的車輛軌跡重構模型 59
3.2 交通流全樣本軌跡重構 60
3.2.1 提取關鍵點信息 60
3.2.2 車輛運動狀態(tài)分類 60
3.2.3 估計排隊消散波 61
3.2.4 建立時間離散的排隊狀態(tài)空間模型 61
3.2.5 基于卡爾曼濾波估計排隊邊界曲線 62
3.2.6 車輛運行軌跡重構模型 63
3.3 數(shù)據(jù)采集與實驗分析 64
3.3.1 NGSIM數(shù)據(jù)預處理 66
3.3.2 路段車輛運行軌跡重構模型基本參數(shù) 66
3.3.3 模型評價準則 67
3.3.4 路段車輛運行軌跡重構模型測試與分析結果 67
3.3.5 敏感性分析 69
參考文獻 70
第4章 基于眾包軌跡的信號交叉口周期排隊長度估計 71
4.1 交通波理論 72
4.2 周期到達場景分類 73
4.3 未飽和交通狀態(tài)下周期到達流率估計 77
4.4 飽和交通狀態(tài)下周期到達流率估計 78
4.5 基于參數(shù)估計的排隊長度估計 80
4.5.1 初始排隊長度估計 80
4.5.2 最大排隊長度估計 81
4.6 基于非參數(shù)估計的排隊長度估計 83
4.6.1 車輛排隊位置估計 83
4.6.2 排隊長度分布估計 84
4.7 數(shù)據(jù)采集與實驗分析 85
4.7.1 仿真分析 85
4.7.2 實證分析 101
參考文獻 103
第5章 基于迭代張量分解的卡口數(shù)據(jù)修復 105
5.1 張量分解方法基礎 105
5.2 交通流數(shù)據(jù)張量特征 107
5.2.1 交通數(shù)據(jù)相關性介紹 108
5.2.2 交通流數(shù)據(jù)低秩性介紹 108
5.3 周期到達流率動態(tài)張量建模 109
5.4 迭代張量分解算法 111
5.4.1 截斷奇異值分解方法 112
5.4.2 結合截斷奇異值分解的張量分解算法 114
5.4.3 迭代張量分解算法 115
5.5 數(shù)據(jù)采集與實驗分析 117
5.5.1 實驗設計 117
5.5.2 隨機缺失條件下算法性能分析 120
5.5.3 極端缺失條件下算法性能分析 122
5.5.4 非常發(fā)交通事件下算法性能分析 123
5.5.5 算法對比結果 124
參考文獻 125
第6章 基于溢流風險平衡的干道信號控制優(yōu)化 127
6.1 基于周期排隊長度的干道分割方法 127
6.1.1 交叉口排隊溢流現(xiàn)象分析 127
6.1.2 周期排隊清空區(qū)域計算 129
6.1.3 溢流風險區(qū)域的計算 130
6.1.4 基于溢流風險辨識的干道分割方法 130
6.2 基于溢流風險平衡的信號控制優(yōu)化算法 132
6.2.1 交通信號控制概述 132
6.2.2 干道直行相位信號控制優(yōu)化方法 134
6.2.3 干道左轉相位信號控制優(yōu)化方法 135
6.2.4 支路相位信號控制優(yōu)化方法 136
6.3 實驗分析 137
6.3.1 交通信號控制評價指標 138
6.3.2 信號控制優(yōu)化算法仿真結果分析 138
6.3.3 排隊長度估計誤差對信號控制優(yōu)化算法性能影響分析 142
參考文獻 145
第7章 基于擁堵有向關聯(lián)挖掘的路網(wǎng)交通瓶頸辨識 146
7.1 基于重構軌跡的眾包車輛行駛方向識別 146
7.1.1 行駛方向識別與橫向定位誤差過濾 146
7.1.2 交叉口空間轉向識別 148
7.2 基于擁堵關聯(lián)性挖掘的路網(wǎng)擁堵傳播圖構建 149
7.2.1 擁堵路段檢測 149
7.2.2 擁堵關聯(lián)性判定 150
7.2.3 路網(wǎng)擁堵關聯(lián)圖構建 152
7.2.4 擁堵傳播圖構建 155
7.2.5 擁堵傳播概率估計 156
7.3 流向級路網(wǎng)瓶頸辨識 158
7.3.1 擁堵持續(xù)時長估計 158
7.3.2 延誤估計 159
7.3.3 路段擁堵傳播費用估計 160
7.4 實驗分析 161
7.4.1 實驗路網(wǎng) 161
7.4.2 擁堵路段關聯(lián)性分析 162
7.4.3 路網(wǎng)交通瓶頸辨識 164
參考文獻 166
第8章 基于交通瓶頸辨識的區(qū)域信號控制優(yōu)化 169
8.1 基于交通瓶頸辨識的路網(wǎng)分層 169
8.1.1 瓶頸車流上游路網(wǎng)分層 169
8.1.2 瓶頸車流下游路網(wǎng)分層 169
8.2 基于軌跡溯源與追蹤的瓶頸關聯(lián)區(qū)動態(tài)劃分 170
8.2.1 瓶頸眾包軌跡分層溯源 171
8.2.2 瓶頸眾包軌跡分層追蹤 171
8.2.3 瓶頸關聯(lián)區(qū)動態(tài)劃分 172
8.3 瓶頸關聯(lián)區(qū)外層邊界智能控制 173
8.3.1 路網(wǎng)時空狀態(tài)表示 174
8.3.2 邊界智能體動作空間構建 175
8.3.3 邊界智能體獎勵函數(shù)構建 176
8.3.4 邊界智能體深度強化學習機制設計 177
8.4 瓶頸關聯(lián)區(qū)內層信號交叉口動態(tài)協(xié)調控制 180
8.4.1 內層關聯(lián)交叉口動態(tài)協(xié)調控制基本思想 180
8.4.2 考慮路段時變容量的瓶頸車流加放控制 181
8.4.3 考慮動態(tài)消散量的瓶頸關聯(lián)交叉口截流控制 184
8.5 仿真實驗分析 185
8.5.1 瓶頸眾包軌跡溯源與追蹤 185
8.5.2 關聯(lián)區(qū)外層邊界智能控制 186
8.5.3 關聯(lián)區(qū)內層信號交叉口動態(tài)協(xié)調控制 189
參考文獻 192
彩圖