论文部分内容阅读
交通问题已经成为制约城市发展经济的主要瓶颈，解决交通拥挤己经迫在眉睫，而城市空间的有限性和其他经济、环境等因素阻碍交通基础设施的扩展。引进人工智能、计算机仿真等高新技术，来解决城市交通的拥挤和堵塞问题，已经成为交通信号控制的研究热点。本文简要概述了信号控制的发展现状及Q学习理论之后，对重点针对Q学习理论应用于交通信号控制进行研究。一方面，是基于Q学习理论的绿灯时间优化的研究。针对固定周期和可变周期两种模式下的单路口信号配时优化进行研究，构造了等饱和度和延误最小为优化目标的奖赏函数，建立了两种优化目标的离线Q学习模型。通过VBA及Matlab编程实现算例，对4种离线Q学习模型的解的结构、最优解的分布进行分析，探讨离线Q学习优化模型在交叉口信号控制的适用性，最后将最优解应用到VISSIM实时交通控制中，并与经典Webster算法进行对比，结果表明Q学习绿时优化算法具有很强的优越性。另一方面，是基于Q学习理论的多路口相位差优化研究。针对固定周期模式下的多路口相位差优化进行研究，以集成VISSIM-ExcelVBA-Matlab的仿真平台为技术平台，采用VBA及Matlab编程建立了延误最小为优化目标的离线Q学习模型，然后将最优解应用到VISSIM实时交通控制中，并与MAXBAND进行对比，结果表明Q学习相位差优化算法具有很强的优越性。同时，为了构建算法研究的实验条件，对集成Vissim-ExcelVBA-Matlab的仿真平台研究，综合VISSIM可靠的微观交通流仿真能力、ExcelVBA高效的编程效率和数据通信能力以及MATLAB实现复杂智能交通控制算法的能力，通过VISSIM-ExcelVBA接口技术、ExcelVBA-MATLAB接口技术构建了交通控制实时仿真平台。最后对研究工作进行了总结，提出了需要进一步深入研究的问题。