论文部分内容阅读
交通堵塞现象越来越严重并正由一线城市迅速向二、三线城市蔓延,成为了全社会关注和讨论的重点。虽然城市路网交通拥挤现象严重,但并不是所有城市路网都同时处于拥挤状态,仍然有相当部分道路是畅通的,如果能通过动态诱导将车流量合理分配到各个路网中,交通拥堵将得到很大改善。本文运用固定式与移动式采集技术、融合技术、卡尔曼滤波理论、遗传算法、支持向量机(SVM)算法、群决策理论、蚁群算法、单隐层小波神经网络等方法进行动态出行路径诱导模型研究。 1.分析了动态诱导国内外研究情况,并以交通流数据作为贯穿本文研究模型的主线,以交通流的数据信息获取、预测、以及动态诱导顺序作为研究思路。 2.对动态交通流采集设备——固定式检测器和移动式检测器进行分析,总结了各种检测器优缺点,为了提高路段检测完备性和准确性,采用融合技术进行两者数据的融合。 3.分析了遗传算法所具有复制选择、交叉、变异操作,以及支持向量机算法在解决非线性问题方面的突出特点,提出了基于遗传算法和支持向量机模型的实时交通流预测模型;与此同时,在分析了小波神经网络算法的基础上,为了获得更快的收敛速度和更高的学习精度,将蚁群算法、小波变换和神经网络思想结合起来,利用蚁群算法来训练小波神经网络中的参数,最后建立了基于蚁群算法优化单隐层小波神经网络参数预测实时交通流模型。 4.分析了蚁群算法和群决策理论,利用实时交通信息和群决策理论研究基于群决策的动态路径优化技术,同时兼顾蚁群算法在路径寻优方面所存在的特有优势,在二者的基础上建立了交通动态诱导群决策模型,并利用群决策理论对状态转移概率进行优化,最后建立了具有自动循环反馈调节的基于群决策和蚁群算法相结合优化下的动态路径模型。 仿真验证结果表明了本文提出融合、预测与诱导模型的有效性,为动态诱导系统实现动态出行路径诱导使得交通流合理分配于路网中,从而为提高道路使用率、减缓交通堵塞,提供了有效的指导方法。