随着我国汽车保有量的急剧增长,城市交通路网承载着巨大的交通流量需求,当通行需求远大于路网承受范围时,路网将会发生拥堵,如果没有进行及时正确交通控制,拥堵将会一直扩散飘移,直至交通瘫痪。这几年,许多国内外学者开始从宏观层面利用宏观基本图(Macroscopic Fundamental Diagram,MFD)来对路网通行能力进行评估并设计出边界控制方案来控制区域路网的进出量,缓解路网通行压力。目前,已有的基于MFD的边界控制方法大多是局限于固定场景的单一控制算法。但现实的城市交通系统具有高度随机性、不确定性,区域路网的MFD模型参数难于标定且易受到偶发事件的影响,传统的迭代学习边界控制方案未考虑偶发事件对MFD模型变化的影响,在不同场景下跟踪期望路网累计车辆数曲线的稳定性差,并且跟踪速度慢,难以满足实际交通系统对路网边界控制的自适应性和实效性的要求。因此,针对以上两方面,提出了本文的研究思路,主要研究内容如下:第一,阐述了MFD的研究现状、基本理论和原理。针对目前以MFD为基础的交通边界控制所忽略偶发性事件对模型影响的问题,通过对现实突发事故的路网车速和流量变化分析和查阅大量文献,总结了偶发事件对MFD模型的影响。最后以日本横滨区域MFD数据为基础,通过仿真模拟了偶发事件下宏观基本图的两种变化趋势。第二,针对在时变路网交通系统中发生偶发性事件,传统单一的迭代学习边界控制方案对期望曲线的跟踪能力较弱,误差收敛效果不好的问题,将模糊控制算法与迭代学习控制相结合,改善了传统迭代学习控制的鲁棒性问题,最后在多种场景仿真实验下,验证了模糊迭代学习边界控制在偶发性事件对路网模型造成扰动偏差下,能够自适应跟踪期望曲线,具有良好的稳定性。第三,考虑到模糊控制算法的核心是基于专家经验和领域知识总结出的控制规则,而在高度随机不确定的现实交通中,很难在不同偶发性事件下获得准确的模糊规则。其次,在交通控制中对控制方案的响应速度有极高的要求,模糊控制规则的粗糙不完整,不同程度地影响了收敛速度。针对以上问题,论文在迭代控制的基础上加入了BP神经网络来不断学习,调整增益,不仅能够在偶发性事件下自适应跟踪期望曲线,而且提高了系统的误差收敛速度。通过仿真对比,验证了改进后的边界控制方案效果更佳。