基于神经网络的实时交通信号控制与仿真研究

交通运输系统工程与信息 ›› 2008, Vol. 8 ›› Issue (2): 43-47 .

• 智能交通系统与信息技术 • 上一篇下一篇

基于神经网络的实时交通信号控制与仿真研究

刘红红;杨兆升

吉林大学交通学院长春 130025

收稿日期:2007-09-27 修回日期:2007-11-29 出版日期:2008-04-25 发布日期:2008-04-25
通讯作者: 杨兆升
作者简介:刘红红（1973-），女，陕西宝鸡人，博士，讲师.
基金资助:
国家自然科学基金（60474068）；国家高技术研究发展计划（863计划2006AA11Z228）.

Real-time Traffic Signal Control and Simulation Based on Neural Networks

LIU Hong-hong;YANG Zhao-sheng

College of Transportation，Jilin University ,Changchun 130025,China

Received:2007-09-27 Revised:2007-11-29 Online:2008-04-25 Published:2008-04-25
Contact: YANG Zhao-sheng

摘要/Abstract

摘要： 实时交通信号控制是城市交通控制系统的重要组成部分，建立在前人研究工作的基础上，本文尝试采用多智能体的分布式控制技术来解决复杂的交通信号控制问题，构造了多智能体的城市交通控制系统控制流程，提出基于同时扰动随机逼近算法/人工神经网络的改进的交通控制模型，模型通过采用同时扰动随机逼近算法来更新神经网络的权重，这种方法克服了现有控制方法需要大量的数据传输、准确的数学模型等缺陷。最后作者应用微观交通仿真系统对模型的有效性在较为复杂的交通网络中进行了测试，仿真结果表明了该方法的有效性。

关键词: 分布式控制, 交通信号控制, 多智能体, 同时扰动随机逼近算法

Abstract: Real-time traffic signal control is an integral part of the urban traffic control system. Based on the earlier research works, this paper adopts the multiagent distributed control technology to solve the complicated traffic signal control problems. The flow chart of traffic control based on multi-agent is designed and the modified traffic control models based on the Simultaneous Perturbation Stochastic Approximation Algorithm/neural networks are presented. The models update weights of neural networks by using simultaneous perturbation stochastic approximation algorithm. This method overcomes the drawbacks of the existing control methods which need large amount of data and precise mathematical models. A comprehensive simulation model of a section of the district of Chang Chun city has been developed by using microscopic simulation programs, the promising results demonstrate the efficacy of the modified models in solving large scale traffic signal control problems.

Key words: distributed control, traffic signal control, multi-agent, simultaneous perturbation stochastic approximation algorithm

中图分类号:

U491.5+4

刘红红,杨兆升. 基于神经网络的实时交通信号控制与仿真研究[J]. 交通运输系统工程与信息, 2008, 8(2): 43-47 .

LIU Hong-hong,YANG Zhao-sheng. Real-time Traffic Signal Control and Simulation Based on Neural Networks[J]. Journal of Transportation Systems Engineering and Information Technology, 2008, 8(2): 43-47 .

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract17639.shtml

http://www.tseit.org.cn/CN/Y2008/V8/I2/43

[1]	曲昭伟，潘昭天，陈永恒，李海涛，王鑫. 考虑博弈的多智能体强化学习分布式信号控制[J]. 交通运输系统工程与信息, 2020, 20(2): 76-82.
[2]	秦焕美，郑飞，刘卓，刘姝莉. 基于智能体模拟的浮动式停车价格实施效果研究[J]. 交通运输系统工程与信息, 2019, 19(6): 26-31.
[3]	李冰，成卫，晏永廷，徐欢. 基于MP 与MPC 相结合的分布式交通信号控制研究[J]. 交通运输系统工程与信息, 2019, 19(5): 86-93.
[4]	鹿应荣，许晓彤，丁川，鲁光泉. 车联网环境下信号交叉口车速控制策略[J]. 交通运输系统工程与信息, 2018, 18(1): 50-58.
[5]	牛忠海，贾元华，张亮亮，廖成. 一种基于分布式网络多智能体的匝道协同控制方法[J]. 交通运输系统工程与信息, 2015, 15(5): 81-88.
[6]	张存保，冉斌，梅朝辉，张培岭. 车路协同下道路交叉口信号控制优化方法[J]. 交通运输系统工程与信息, 2013, 13(3): 40-45.
[7]	马超，崔建勋. 基于多智能体的多应急车辆信号优先控制研究[J]. 交通运输系统工程与信息, 2013, 13(1): 57-.
[8]	吕斌, 牛惠民. 信号控制交叉口可靠性建模与仿真[J]. 交通运输系统工程与信息, 2011, 11(6): 45-50.
[9]	郑一辰,张毅,胡坚明. 一种基于迭代学习的自适应交通信号控制方法[J]. 交通运输系统工程与信息, 2010, 10(6): 34-40 .
[10]	SYED MASIUR Rahman, NEDAL T. Ratrout. 基于模糊逻辑的交通信号控制方法综述及在沙特阿拉伯的应用前景[J]. 交通运输系统工程与信息, 2009, 9(5): 58-70 .
[11]	赵冬斌,陈阳舟,易建强. 缓解交通拥挤的城市交通信号控制方法综述[J]. 交通运输系统工程与信息, 2009, 9(4): 36-45 .
[12]	王龙飞,陈红,李杨,邵海鹏. 基于FIPA的智能停车服务环境研究[J]. 交通运输系统工程与信息, 2009, 9(4): 59-65 .
[13]	李义华,李夏苗. 一种改进的基于多智能体的供应链协商报价模型[J]. 交通运输系统工程与信息, 2009, 9(3): 109-113 .
[14]	承向军,杜鹏,杨肇夏. 基于云模型的交通信号自学习控制方法[J]. 交通运输系统工程与信息, 2009, 9(1): 45-50 .
[15]	刘鸿潮,张杰,成鼎新. 公交信号优先的分析评价方法和统计验证[J]. 交通运输系统工程与信息, 2008, 8(2): 48-57 .

基于神经网络的实时交通信号控制与仿真研究

Real-time Traffic Signal Control and Simulation Based on Neural Networks

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics