【正文】 智能運輸系統(tǒng)概論 國內(nèi)外交通控制與交通誘導協(xié)同理論的研究 該信號控制系統(tǒng)是一種 多層次 的 實時適應式 的交通信號控制系統(tǒng) RTTRACS （ Real Time TrafficAdaptive Control System， 實時交通自適應控制系統(tǒng) ） 。 首先在 較低的層次 上 ， 分別對交通 控制與誘導 的 優(yōu)化 問題進行求解 ， 在 較高的層次 上對優(yōu)化結(jié)果進行 協(xié)同 。 以往的研究往往 偏重其一 或者 全局一體化的研究思路 。 預測型 城市交通流誘導系統(tǒng)使用基于當前交通信息的預測信息 ， 反應型 城市交通流誘導系統(tǒng)使用當前時刻點的交通信息 。 短時交通信息預測理論模型體系 智能運輸系統(tǒng)概論 短時交通信息預測理論模型體系 短時交通信息預測 交通量預測 行程時間預測 卡爾曼濾波方法 神經(jīng)網(wǎng)絡方法 統(tǒng)計分析方法 卡爾曼濾波方法 神經(jīng)網(wǎng)絡方法 隨機服務系統(tǒng) 基本模型 等參數(shù)模型 高階神經(jīng)網(wǎng)絡方法 BP神經(jīng)網(wǎng)絡方法 車流泊松分布 車流一般分布 逐步回歸 基本模型 等參數(shù)模型 等參數(shù)比例模型 高階神經(jīng)網(wǎng)絡方法 BP神經(jīng)網(wǎng)絡方法 聚類分析 主成分分析 等參數(shù)比例模型 短時交通信息預測理論模型體系 智能運輸系統(tǒng)概論 短時交通信息預測理論模型體系 1）適合我國的交通流量動態(tài)預測理論模型體系的建立 由于影響 交通流量 的因素具有高度的 時變性 和 非線性 的特點 ， 很難給出比較 精確的解析表達式 并進行相應的標定 。 由于每個路段 入口與出口 的交通流量都受整個網(wǎng)絡 ， 特別是 相鄰路段 當前的和前幾個時段的交通狀態(tài)的影響 ， 為了比較準確反映路網(wǎng)的動態(tài)特性 ， 本項目設計了如下的 基于 HGNN的交通流量自適應預測模塊框架 。 傅京遜在 1971年的文章中稱它是 人工智能 與 自動控制 的交叉 。 這里的主要問題是學習控制算法的收斂性問題 。 5） 人 —— 機系統(tǒng)理論 三個目的 ：一是研究 人 作為系統(tǒng)中的一個部件的 特性；二是在系統(tǒng)中如何 構(gòu)造仿人的特性 ；三是研究 人 —— 機各自特性有效地構(gòu)造出 人 —— 機結(jié)合 的智能控制系統(tǒng) 。 給定一個輸入 ， 可以得到一個輸出 ， 但它并不依賴于模型 ， 即并不需要知道輸出和輸人之間存在著怎樣的數(shù)學關(guān)系 。 在優(yōu)化理論中新近發(fā)展了一種 遺傳算法 （ Geic Algorithm， 簡稱 GA） 它是一種 全局隨機尋優(yōu)算法 。 總之 ， 智能控制系統(tǒng) 具有基于傳統(tǒng)理論的控制系統(tǒng)所不具備的 智 能 ， 包括：處理各種 不確定性 和 不精確性 的能力；根據(jù)環(huán)境因素及過程特性變化 實時地修正控制策略 的能力；對 控制后果 進行 預測 的能力以及基于其上的控制行為的 多目標優(yōu)化 。 在分層遞階控制 系統(tǒng)中 ， 也是通過使系統(tǒng)的 總熵最小 來實現(xiàn)系統(tǒng)的 優(yōu)化設計 。 具有很好的 適應能力 和 學習能力 ， 適合于用作 智能控制 的工具 。主要用來描述和研究 信息處理系統(tǒng) ， 具有以下持點： 并發(fā)性 、 異步性 、 分布性 和 不確定性 等 。其中 表示第 次運動的控制量 ， 是實際輸出 ， 是期望的輸出。 課題組建立 交通流量預測模型 ，假設研究路段 未來時段 的交通流量是上游和下游路段上的前幾個時段流量的 線性函數(shù) ， 利用 兩周中同周次 的 兩天 交通流量的 差值 和 比值 兩種方法進行 交通流量預測 ；同時建立 基本模型 、 交通流量等參數(shù)預測模型 和 參數(shù)比例預測模型 。 X 數(shù)據(jù)處理器 Y 基于 BP網(wǎng)交通流量預測模型的結(jié)構(gòu)圖 智能運輸系統(tǒng)概論 短時交通信息預測理論模型體系 1）適合我國的交通流量動態(tài)預測理論模型體系的建立 由 智能神經(jīng) 組成的網(wǎng)絡稱為 高階神經(jīng)網(wǎng)絡 ， 具備 兩種 智能處理能力：一種稱為 外部智能處理能力 ， 以調(diào)整神經(jīng)元之間的 連接強度 為表現(xiàn)形式；另一種稱為 內(nèi)部智能處理能力 ， 與神經(jīng)元之間的 連接無關(guān) ， 只體現(xiàn)在神經(jīng)元的 可調(diào)轉(zhuǎn)函數(shù)上 。 本書基于上述項目的研究成果及 最優(yōu)交通動態(tài)分配 理論思想 ， 采用 統(tǒng)計推斷 、 人工智能 、 卡爾曼濾波 、 交通流理論 和 隨機服務系統(tǒng) 理論等構(gòu)建的 短時交通信息預測模型體系如下圖所示 。 其正常工作依賴于其交通信息的準確性和及時性 。 智能運輸系統(tǒng)概論 國內(nèi)外交通控制與交通誘導協(xié)同理論的研究 2）國內(nèi)外關(guān)于 UTCS與 UTFGS協(xié)同模型與算法的研究 尋求 信號控制模式 以優(yōu)化 系統(tǒng)性能 ， 如使總出行時間等達到最少 ， 此時的出行者路徑選擇行為作為約束 ， 由交通均衡模型描述 ， 其目的在于從整體上考慮出行者路徑調(diào)整的控制策略 。 以其中 一種 管理方法 為主 ， 將另一種作為 外生變量 或 約束條件 ， 獨立運行的兩系統(tǒng)是 非對稱的 ， 存在著 主從關(guān)系 。 信號控制與動態(tài)交通分配的具體結(jié)合關(guān)系如圖所示 。 智能運輸系統(tǒng)概論 國內(nèi)外交通控制與交通誘導協(xié)同理論的研究 近年隨著智能運輸系統(tǒng)在城市交通系統(tǒng)中的推廣和應用 ，交通流誘導 系統(tǒng)作為智能運輸系統(tǒng)的 核心 部分 ， 如何將 城市交通控制系統(tǒng) （ Urban Traffic Control System， 簡稱 UTCS）與 城市交通流誘導系統(tǒng) （ Urban Traffic Flow Guidance System， 簡稱 UTFGS） 進行 協(xié)同 ， 更是備受關(guān)注 ， 成為交通領(lǐng)域研究的重點之一 。 在 信息共享 的條件下 ， 兩個系統(tǒng)的 協(xié)同 作用能夠顯著減少 交通擁擠 的 產(chǎn)生 、 減輕擁擠的 嚴重程度 、 提高交通擁擠的 疏導速度 。 即 城市交通控制系統(tǒng) 與 交通流誘導系統(tǒng) 向交通流系統(tǒng)中 輸入信息 ， 維持系統(tǒng)穩(wěn)定 。 系統(tǒng)參數(shù) 時變 ， 系統(tǒng)狀態(tài)難以預測 。 協(xié)同學的產(chǎn)生及其研究對象 智能運輸系統(tǒng)概論 城市交通流系統(tǒng)特征分析 研究對象通常具有以下特征： 系統(tǒng) 都是 開放 的 ， 并且處于 遠離平衡 的 非平衡狀態(tài) 。 協(xié)同學 （ Synergetics） ， 這一詞匯是 臘語中引入的 ， 意思是 “ 合作的科學 ” 。 VI模型將動態(tài)交通分配問題分解為 網(wǎng)絡加載 和 網(wǎng)絡分配 兩個過程 ， 最終通過求解一系列的 線性規(guī)劃 來求解分配問題 。 問題表述為：在 可行域 ， 在下列方程式中尋求一個 使得： ? ???u? ? 0c u u u ?? ? ? ? ? ? ? （ 3 23 ） 智能運輸系統(tǒng)概論 動態(tài)系統(tǒng)最優(yōu)和用戶最優(yōu)分配模型 ； 。 改造原問題為 凸控制 問題 ， 以利用 Pontryagin極大值定理 。 模型如下： )(txna )(tuna )())(( txtxg aaaa ?? )())(),(( txtxtxg naaanana ?? dtdcJ aAaT txaa ??? ))((:min0)(0? ? ???（ 313） 智能運輸系統(tǒng)概論 動態(tài)系統(tǒng)最優(yōu)和用戶最優(yōu)分配模型 ； 。 5）各類模型的基本分析 模型 由 Merchant和 Nemhauser（ 1978） 提出 （ 以下簡稱 MN模型 ） ， 該模型是 靜態(tài)交通分配模型 的擴展 ， 簡單直觀 ， 但存在如下 缺陷 ： ① 該模型只適合 單終點 網(wǎng)絡 。 具體模型如下： )(tuna)(tvna )(txna dtdtxcJ aAa T tv aa ?? )),((:min 0 )(0? ? ??? )()()( tvtudt tdx nanana ?? nktvtqtukBanankkAana ??? ????)()()()(,)( 0)()( ??? tunAana ??? dvtx tttnana a )()( )(? ??（ 37） （ 38） （ 39） （ 310） （ 311） 智能運輸系統(tǒng)概論 動態(tài)系統(tǒng)最優(yōu)和用戶最優(yōu)分配模型 ； 。 )(txna )(tuna智能運輸系統(tǒng)概論 動態(tài)系統(tǒng)最優(yōu)和用戶最優(yōu)分配模型 ； 。 3）動態(tài)系統(tǒng)最優(yōu)分配模型 （ 36） 。 t n—— 時刻產(chǎn)生的由起點 到終點 的交通需求，一般 假定已知。 ()Bk—— 所有以節(jié)點 為終端的弧段集合。 研究方法可分為： 數(shù)學規(guī)劃 建模方法 、 最優(yōu)控制理論建模方法 、 變分不等式 理論建模方法和 計算機模擬 等四種 。 智能運輸系統(tǒng)概論 動態(tài)交通分配的基本概念 3） 路段阻抗特性模型 在 靜態(tài)交通流分配 中 ， 對 阻抗 的 估計精度 要求相對來說不是 很高 。 動態(tài)系統(tǒng)最優(yōu) （ DSO） 就是指在所研究的時段內(nèi) ， 出行者各瞬時通過所選擇的出行路徑 ， 相互配合 ， 使得 系統(tǒng)的總費用最小 。 在 交通供給 以及 交通需求 狀況均為 已知 的條件下 ， 分析其 最優(yōu) 的 交通流量分布模式 ， 從而為交通流控制和管理、 城市交通流誘導等提供依據(jù) 。 智能運輸系統(tǒng)概論 動態(tài)交通分配 ， 就是將 時變 的交通出行 合理分配 到不同的 路徑 上 ， 以 降低 個人的 出行費用 或 系統(tǒng)總費用 。 動態(tài)用戶最優(yōu) （ DUO） 就是指路網(wǎng)中 任意時刻 、 任何 OD對之間被使用的路徑上的 當前瞬時行駛費用相等 ， 且等于 最小費用 的狀態(tài) 。 在 分配算法 的設計中可以使用車輛在每一時間步長中移動的距離作為 約束 。 從 總體 上來說 ， 自 動態(tài)交通分配 概念提出至今 ， 其研究仍然處于發(fā)展階段 。 k[0, ]T—— 規(guī)劃時間段，可以取離散值或連續(xù)值。 ?()na—— 時刻路段 上以 為終點的車輛流出率。 一般而言 ， 交通管理和控制的目標有： 使系統(tǒng) 總行程時間 最小 使系統(tǒng) 總費用 最小 使系統(tǒng) 總延誤時間 最小