当今城市生活中,交通拥堵已成为常发性问题,严重影响城市经济发展,降低居民生活体验。且随着人均占有车辆数的增加,拥堵问题已经从一线城市蔓延到二三线城市,城市既定的交通设施承载能力受到了极大的考验。城市交通信号控制作为一种特有的缓堵手段,仅通过协调路网内各个路口的信号灯来提高城市路网整体的通行效率,具有较高的性价比。近年来随着交通采集技术的发展和普及,为研究者提供的交通数据量爆炸式增长。大数据技术和人工智能的发展,传统交通科学迎来了新的转机。交通工程学从与数学结合走向了与数据结合的方向,交通控制利用数据挖掘交通流演变的规律,利用学习的方法生成控制规则等都是目前的主要研究方向。基于以上背景,本文设计了一种数据驱动的城市路网控制策略。利用大数据和人工智能技术对交通流进行建模,挖掘数据之间的隐藏关系,用数据模型代替传统的机理模型,使得模型更加贴近实际,在此基础上进行交通流的控制。本文的主要工作如下:1)提出利用交通流量估计将来一段时间道路拥堵程度的算法。利用大量历史数据和隐马尔可夫模型,建立交通流量与拥堵程度的状态转移模型。对于隐藏状态历史数据量不充足的问题,提出了监督学习和非监督学习结合的训练方法。同时根据已有的Viterbi算法提出了对将来隐藏状态估计的算法,并在不同交通场景下对模型的精确度进行了验证。2)提出了数据驱动下的分布式控制算法,利用车道流量计算各路口配时状态。对隐马尔可夫的估计模型进行改进,融入了控制维度的信息,并以缓解交通拥堵状态为指标构建状态转移的分布式优化问题,协调自身和相邻路口间的信号配时。此外,提出了求解优化问题的算法,并在不同交通需求下对控制效果进行了验证。3)提出了基于历史决策学习的路网控制方法。将隐马尔可夫模型作为数据模型,挖掘流量状态与信号配时之间的关系。对不同的评价指标,匹配不同的数据,用之训练模型,利用历史数据构建交通流量和控制量间的状态转移模型代替滚动优化的交通控制方法。根据路口流量状态生成模型的输入特征,输出即为对应的信号灯配时。在此基础上融入反馈和模型修正机制,对数据模型输出量进行自校正,使得仅通过数据匹配得到的配时参数更加适应于当前状态。在此过程中不断筛选新的数据进行模型学习,增加数据模型的适应性,实现数据模型的自学习过程。4)以LSTM神经网络为基础构建区域控制上层的流量配时转移模型。为了缓解大范围拥堵,根据隐马尔可夫模型的拥堵状态建立整个路网的拥堵扩散模型,对LSTM的输出进行实时修正。为了增强模型的适应性,设计了区域模型的自学习策略。