分布式和自适应交通信号控制在现实中交通模拟外文翻译资料

英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

分布式和自适应交通信号控制在现实中交通模拟

作者：Dave McKenney , Tony White

关键词：交通灯控制交通建模

简介：

随着世界各地的城市中心交通拥堵情况的增加，交通信号的智能控制在城市中变得越来越重要。先前在智能交通领域的研究信号控制有几个缺点，包括依赖历史数据，使用集中式系统不能处理城市大小的问题实例和解决方案不能解决现实世界的交通情况（例如，不断变化的体积和复杂的网络结构）。这篇报告的研究提出了能够用传感器设备的交通观测和交通之间的局部通信灯控制交通信号的算法。该解决方案允许信号频繁更新以匹配当前的流量需求，同时解决了显着大的问题。为了评价开发的系统，使用了加拿大渥太华市提供的信息开发了现实交通模型。它是通过发现在SUMO交通模拟环境下的模拟，提出自适应系统与当前固定信号计划相比，使用更高的总体网络性能控制器，导致从渥太华城的信息重新创建。这项工作也包括为什么固定信号控制器不如自适应控制系统的例子。

1、介绍

在世界各地的城市中心，交通量是随着人口的增加，导致缓慢移动，妊娠运输。事实上，Sugiyama等人（2008）证明，没有某种形式的控制能解决交通量增加超过a点结果导致自发交通堵塞形成（没有瓶颈，交通事故等）。一个简单的方法解决这个问题是通过增加总体能力扩大现有的交通基础设施（例如，增加车道到道路）。然而，这种解决方案持续消耗空间，这是一个城市环境中极为有限的资源。另一方面，智能交通系统研究的目的以提高交通网络的效率，允许车辆旅行更快地通过系统。

智能交通研究的一个主要目标是优化的交通信号计划，控制车辆的流量在交叉网络内。在交叉点提高交通信号的能力有效地服务车辆减少延迟经验，从而提高平均网络速度。虽然存在广泛的先前的业务信号优化，这些工作通常有几个缺点。首先，许多优化方法离线操作，测量数据以确定网络内的最佳信号定时。然而，这种方法作为历史数据是有问题的通常不能准确地描述当前的业务状态总体交通模式不随时间保持静态。它一直提出使用历史数据开发的信号计划从每年性能的3％衰减（Bell和Bretherton，1986）。以前的智能信号控制研究的第二个缺点是使用集中控制架构。有大城市有数千个交叉口控制，许多集中系统（例如，Sanchez等人，2008）可能不能实时信号计划更新。集中式解决方案也非常依赖大型通信网络传递信息和分配信号计划控制设备。这些大型网络中的故障可以导致性能的显着降低，大量的控制设备可能是不可达的，被破坏的。最后，许多智能信号控制工程都有使用不现实的评估方案，具有简单道路结构的1-4个交叉路口的网络（例如，单向街道）。同时调查这些控制系统小而简单的网络是一个令人满意的起点，切合实际必须使用场景来演示智能控制器有任何现实世界的适用性。

渥太华，加拿大的市中心。这个模拟使用可用基于预期计算路由的传输量测量车辆进/出速率和转弯比。这项工作也提出了一个具有许多关键特性的控制系统，作者认为如果该解决方案是有能力的关键部署在现实世界中。首先，基于代理的解决方案是提出，没有集中控制器与代理以分布式方式操作，这允许系统有效地扩展到极大的网络。分布式方法也增加系统的鲁棒性，作为代理的性能只是受邻居代理（而不是集中控制）的影响代理）。在出现某种故障的情况下（例如，网络的一个区域），受影响区域外的代理将继续正常工作。代理在系统内也依赖最近观察到的交通数据，以适应交叉路口的信号计划在网络内，这确保了业务信号解决当前的交通状况（与历史相反）测量场景）。最后，控制剂仅依赖于本地沟通和观察，这再次增加了鲁棒性和可扩展性。由于每个代理只有联系与其邻居，在通信线路中的单个突破可以影响最多两种药剂。与更复杂的通信网络，单个中断可导致几个代理被禁用。

本文的其余部分安排如下。第2节详细介绍了先前的智能交通信号控制研究方法，识别优点和缺点。第3节提供了创造现实的细节交通模型用于测试所提出的控制的性能系统。实际控制系统，以及使用的算法监测流量状态和计算交通信号计划包括在第4节。控制的性能评估系统在实际的交通模拟包括在第5节，包括整个系统穿孔,当使用自适应系统和固定控制时方案。最后，第6和第7节总结了提出的工作并确定该领域内未来的研究方向智能交通系统研究。

2.文献回顾

研究人员试图优化业务信号控制研究了广泛的方法。本节回顾a已经用于创建的广泛方法的数量智能交通信号控制器在以前的研究工作;优点和缺点突出。

2.1.模糊逻辑

模糊逻辑信号控制器（见Pappis和Mamdani，1977;Chiu和Chand，1993; Niittymaki和Pursula，2000; Wei，2001）使用一组规则来确定流量的首选动作信号基于多个输入。虽然研究表明这些方法能够在小范围内有效控制网络，使用静态规则库意味着进一步可能需要对系统进行更新（类似于使用固定信号方案时所需的更改）。 另外，如Niittymaki和Pursula（2000）所指出的，很难产生有效的规则库，特别是与a的复杂交集高可能相数。

2.2. Decisions支持系统

决策支持系统，由De Schutter（2003）和Almejalli 等人。（2007年，2008年，2009年）等人开发，旨在协助a人工操作员选择有效的交通控制措施来解决当前的交通状况。虽然已经被证明这些系统能够建议有效的行动，它们依赖于历史交通数据和专家的大型数据库知识，这可能很难获得和维护的智能，如同模糊逻辑，驻留在这些数据必须不断更新新的交通基础 、ios和控制动作。

2.3.基于预留和市场的系统

另外两个研究领域旨在优化流动车辆通过与网络的交叉点、那些基于预留和基于市场的信号控制器。使用a基于预留的方法（参见Dresner和Stone，2004,2005，2006，2008），车辆与即将到来的十字路口通信以保留特定的时空跨越交叉点。 初始这种类型的系统的实验非常有前途，交叉口处的平均车辆延迟几乎为零存在。然而，进一步的调查，制定了一些严重的安全风险，以及依赖于非常先进和精确的自动驾驶系统。基于市场的控制器（Balan and Luke，2006; Vasirani andOssowski，2009）是另一个新兴的研究领域，其中信号控制器基于某种形式确定信号行为由所使用的网络内的车辆持有的货币交通工具进行交叉点访问的投标和付费。

2.4.群智能

群体智能（Bonabeau 等人，1999）是一个领域人工智能已被应用于许多优化 - 包括交通信号控制。 de Oliveira和Bazzan（2006）应用了任务分配的群体原则（Theraulaz等人。1998，）以选择基于a的信号计划等待车辆发出的理论信息素刺激。Swarm粒子优化由Garcıa-Nieto等人使用。（2011）在交通网络中寻找最佳信号计划。然而，与进化计算相比，这种优化方法需要大量的模拟来确定所提出的信号方案的性能，改变交通条件的优化。

2.5.进化计算

一些以前的作品已经完成使用进化计算（Eiben和Smith，2003）进行优化信号计划内一个网络，包括蒙大拿和模糊逻辑Czerwinski（1996），Vogel等人。（2000）和Sanchez等人（2004，2008，2010）。这些方法通常旨在表示将整个网络的信号规划作为一组染色体图1，对于其中每个交叉具有五个相位的示例）。然后对每个个体应用进化算法在人口内，与个人的财富通过交通模拟确定。这种类型的解决方案，然而，需要极高的计算能力（必须执行许多模拟）。作为网络大小增加，模拟的成本增加，人口/代次大小。随着充分的大型网络，实时控制可能是不可能的，因为计算可能不完成在合适的时间内。

图1用于交通网络的染色体编码相位长度的示例

2.6.增强学习

强化学习的简单应用，如Wiering等人。（2003,2004）和Steingrover等人（2005），试图推断a通过在控制代理和交通环境之间允许交互的各种状态/动作对的奖励模型。虽然当参数描述随着时间的推移（如在现实世界中）这些方法在考虑静态交通分布时是有效的。deOliveira等人（2006）试图解决这个问题（da Silva等，2006）转换到先前已经观察到的状态来分配当前的业务状态。每个交通状态，然后，被分配给单个学习系统尝试优化针对该特定状态的决策。另一个问题在强化学习型控制器内对大网络是可能的极其高数量的状态/动作。Bazzan等人（2010）通过向每个交叉点分配单个代理并允许代理彼此“辅导”（类似于代理协调）减少了这个州的数量来决定小区域的最佳计划。

2.7.神经网络

神经网络是另一种用于开发交通信号控制器的学习工具。Spall和Chin（1994）和Wei和Zhang（2002）都成功地使用了神经网络、工作来训练交通信号控制器。这些网络控制器用于控制，然而，使用静态体积并具有非常简单的结构。与强化学习一样，神经网络在传输时性能下降体积变化，因为他们必须重新学习一种有效的方法控制。

2.8.自组织系统

自组织系统，其性质是分布的特别适合在交通流量控制中应用。不只有大的交通网络压力集中的系统，但他们也在地理上分布。这可以增加系统内的故障频率，可能需要控制交叉点信号的线路远处。另一方面，自组织系统常常依赖本地代理交互来传递信息和做出决定。Gershenson（2005）提出了一个最初的应用，自组织系统的交通信号控制，显示一个基于代理的解决方案能够控制交通信号有效。这项工作扩展了Cools 等人。（2008），其中自组织控制器在模型上测试12布鲁塞尔市的交叉点区域。Lammer和Helbing（2008）提出了另一个自组织控制系统被证明能有效地处理其中的几种交通情况假设的网格状网络。本文报道的工作受到自我观察中的原则的强烈影响。

3.交通模型

如第1节所述，证明的有效性一个智能交通控制系统，该系统应该进行测试对实际交通情景。因此，实际的交通模型基于市中心区的一部分渥太华开发用于SUMO显微镜下使用交通模拟环境。开源SUMO simula-选择环境的原因有很多，包括可移植性，活跃的开发社区的存在图形用户界面的可用性。此外，SUMO（SUMO Traf fic Simulator，2011）已被其他智能使用系统研究者，如Garcıa-Nieto 等人（2011）和Passos和Rossetti（2010）。 本节的其余部分详细说明键模型创建过程中的步骤，如图2所示。

图2流程图显示了流量模型创建过程

建模的区域包括一个97块的下镇渥太华，超过50个信号交叉要求控制。虽然这不是一个非常大的网络，它是很多比以前使用的大多数简单网络大智能交通信号研究。这个区域还有一个宽范围的街道类型从小单向住宅低交通量的街道，到大量主要街道多个车道（包括转弯车道）和许多信号相位。在选择一个区域进行建模后，该区域的道路网络必须被捕获和转换以在SUMO交通中使用模拟器。 最初，使用OpenStreetMap（OpenStreetMap，2011）出口城市的一个地区，然后可以直接进口进入SUMO（提供了一个用于导入OpenStreetMap的工具net-作品）。 虽然这个过程允许快速生成一个网络，它也包括不必要的部分（如道路延伸远远超出了考虑的范围），必须删除。此外，a车道数必须手动添加到网络，如OpenStreetMap导入无法准确捕获它们。

创建一个类似于一个可能的交通需求模型实际情况，每个交叉点的车辆计数数据获得从渥太华市。 提供的示例数据包括在表1中，示出了车辆的数量（LT），右（RT）和直（ST）边缘在整个一天的多个时间间隔。

可以看出，表1中的数据具有从10:00开始的间隙上午11:30。 和1:30至3:00 p.m。 为了填补数据空白，一个简单的使用线性插值过程添加了多个30分钟间隔，允许从一个平滑过渡音量测量到下一个。这使用等式（1），其中Last_Volume表示结束时的车辆体积的最后一个已知间隔，Delta_Volume是所需的线性改变音量以匹配下一个已知音量，之后添加特定数量的30分钟间隔

卷间隔=回合（上次卷 itimes;增量体积） （1）

这里使用的SUMO路线发电机依赖于车辆流量，其确定要从道路引入/移除的汽车的数量每个区间的分段，以及转向比，这决定了什么车辆的百分比在出口处沿每个可能的方向行进点，以确定要在其内使用的车辆路线模拟。使用为每个交叉点提供的数据（见表1例如），很容易计算出口的转动点比任何道路i使用方程。道路的总交通流量段也可以通过减去总车辆来容易地计算从离开同一条道路的总车辆进入道路特定的时间间隔（如图3中的四条道路所做的那样）。这些整体流量值用于说明数量的差异车辆在特定的时间间隔内进出每条道路可能由于若干原因而存在（例如，车辆从a停车库沿路）。用这个信息计算，SUMO路由程序用于生成15套车辆路线在仿真中使用。此路由程序生成集合车辆路线通过使用指定的流量来确定在哪里/当车辆应该插入网络（开始路线），并使用每个路段结束处的转弯比率概率地确定车辆应该行进的方式。当车辆的路线进入“下沉”道路时，路线终止

比率=计数/总数 （2）

表1每个交叉点的可用流量数据的示例

图3用于交叉的四个入边的流计算的示例

4.控制系统

4.1. 假设和限制

假设在其中满足少量要求这个系统。首先，假设每个控制代理具有一些与相邻交叉路口通信的装置（通过什么手段实现这被认为超出了范围这项工作）。第二，假设交通传感器是能够测量经过的车辆的数量在网络内的每个通道的开始和结束处，允许准确计算车辆编号。而这通常不是在真实世界的情况下，传感器为此目的确实存在，可以在现实世界的应用程序中使用。在车辆到车辆和车辆到车辆的领域的进一步工作，但是，基础设施通信可以呈现更多准确和成本效益的方法来产生这些交通测量。这些也被认为超出了范围研究报告

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[137372]，资料为PDF文档或Word文档，PDF文档可免费转换为Word