论文部分内容阅读
随着城市化进程不断推进,交通出行已成为影响生活质量的重要因素,由于机动车数量不断增加,日益严重的交通拥堵问题给出行带来诸多不便。为改善交通路网拥堵现象,提高交通路网整体运行效率,研究交通拥堵控制具有重要的理论和现实意义。本文针对智能交通拥堵控制问题,结合机器学习、深度学习提出一种时空特征融合的交通状态预测方法,利用交通流量负荷分配的手段对路网中瓶颈路段进行信号优化控制,主要工作和贡献如下:1、提出一种基于时空特征融合的交通状态预测方法。该方法结合交通运行特性,利用特征工程确定交通流数据中影响未来交通状态的因素,使用卷积神经网络(Convolutional Neural Network,CNN)对交通流参数进行时空特征提取,引入长短期记忆模型(Long Short-Term Memory,LSTM)对交通拥堵状态时序特征进行有效提取,完成CNN和LSTM双通道特征融合处理,利用支持向量机(Support Vector Machine,SVM)实现交通状态预测。基于PEMS交通数据集开展实验并与其他算法进行对比,验证了本文CNN/LSTM-SVM特征融合模型的优越性。2、提出一种基于流量分配的拥堵瓶颈路段信号优化方法。在分析交通拥堵特性基础上,对拥堵瓶颈路段交通状况进行建模分析,并通过安全排队系数对未来时刻可能发生拥堵的瓶颈潜在路段进行处理,利用道路剩余容量进行待调节通行能力分配,完成交通信号中绿信比和相位差的优化。通过VISSIM进行仿真并和其他交通控制方案进行对比实验,验证了本文拥堵瓶颈路段信号优化方法的优越性。3、设计并实现城市智能交通拥堵控制子系统。从交通状态预测和交通拥堵控制实际需求出发,设计并实现城市智能交通拥堵控制子系统,主要包括系统管理、拥堵查询、拥堵控制和交通数据库,并对系统核心功能进行测试。上述研究结果表明:针对交通拥堵预测和拥堵控制问题,本文所提出的CNN/LSTM-SVM特征融合模型和基于流量分配的拥堵瓶颈路段信号优化方法,能一定程度上解决交通拥堵带来的不良影响,具有重要的理论和现实价值。