城市交通的智能控制是当前交通工程领域和控制领域的研究热点之一。随着人工智能、自动控制技术、计算机技术和通讯技术的迅速发展及其在智能交通中的应用,各种交通控制方式和方法层出不穷,新的理论和研究成果不断出现,并已在实际工程应用中显示出很大的作用和发展潜力。在实际应用中用高维数据来表示的观测点可以模拟成低维非线性流形上的样本点或者逼近这些样本点。因此,数据降维,尤其是非线性降维成为数据挖掘的一个重要手段,降维的目的是为了从高维空间中找出隐藏的低维结构。城市交通系统是一个具有严重非线性、随机性、时变性、不确定性并有多种影响因素的复杂系统。交通流数据集是一种数据量大、维数高、随机性强、具有规律性但某种程度上非线性特征明显的数据集。假设高维交通流量数据集存在低维嵌入,在尽可能的保证数据间的几何关系和距离测度不变的前提下,将原始数据对应的高维空间的流形映射至低维空间的流形,不仅能为相关计算减少数据量,也能找出关键特征维,去除噪声的干扰,全面提高感应控制的时间效率。本文提出了利用流形学习算法对交通流数据集进行维数约简的方法,使交通控制系统的输入数据更易处理和使用。论文研究重点是流形学习算法在城市交通控制中的理论和应用研究。论文根据几种流形学习算法的优缺点,决定用等距映射算法实现交通量数据集的维数约简工作。本文的主要工作内容有:1.通过对城市智能交通系统和交通流的分析,发现交通控制中的关键问题:数据集的高维非线性:提出了解决这一问题的方法:用流形学习算法约简数据维数。2.介绍了五种主要的流形学习算法,包括多维尺度变换、等距映射算法、局部线性嵌入、拉普拉斯特征映射法和局部切空间排列方法,并分析了它们各自的优缺点,提出利用其中的等距映射算法约简交通量数据集维数的思路。3.提出了单路口的交通多时段定时控制中的时段划分方法。首先用等距映射算法约简检测数据集的维数,然后用K-均值聚类算法对降维后的数据聚类,最后根据聚类结果确定路口的时段划分方案。结果表明此方法得到的时段划分方案与人工划分法、基于遗传算法的分级聚类方法和人工免疫算法划分方法基本一致,但它克服了人工划分方法的主观不合理性,提高了分类效率,避免了它们的不足。4.实现了交通网络上的交通量数据集的维数约简。考虑到等距映射算法一般需要较大的数据量,并要求不同类别的数据在空间不能分散得过于独立这一特点,论文在城市交通网络上实验了等距映射算法的降维功能,得到了嵌入维数,实现了数据集的约简,并与主成分分析算法的结果做了对比。等距映射算法能够有效约简交通流维数、找出内蕴维数,这将会使城市道路信号交叉口的交通控制更具有自适应性,能有效减少车辆延误、提高道路通行能力。本文对流形学习算法在智能交通控制中探索和研究的工作为以后的交通数据约简等工作打下了基础。