信号交叉口在道路网中扮演着重要的角色,交叉口的瓶颈问题已成为引起交通延误、制约交通效率的重要因素,因此制定合理的管控策略以缓解交叉口延误是十分必要的。然而,用于感知信号交叉口运行态势、诊断延误原因、预测交通演变规律、优化信号配时方案的传统技术手段在面对现阶段的越发复杂的交通状态时逐渐呈现出疲态。交通大数据和新兴智能技术的出现为降低交叉口延误提升运行效率带来了新的契机。其中,浮动车数据凭借着覆盖范围广、采集成本低、数据量大、时空信息丰富的优点,逐渐在交通出行特征的研究中流行起来。浮动车数据可以实时地检测信号交叉口的运行状态,被认为是感应道路网络运行脉络的“听诊器”,但是作为新兴的数据源,如何更好地发挥浮动车数据在交叉口的作用还有待深化研究。为了深入理解、梳理、挖掘浮动车数据的特征规律,本文以网格模型为匹配方法实现快速、有效地提取交叉口区域浮动车数据的时空特征,掌握浮动车数据的运行规律及演变机理,实现对信号交叉口运行状态精细化的评价和延误原因的自动诊断,是精准预测交叉口运行状态的基础和前提。基于此,构建了多任务融合深度学习框架,对大范围交叉口通行时间和速度特征进行有效地预测,并为后续的自适应配时优化方案提供技术基础。信号配时优化方案主要包括两个部分,构建深度强化学习模型和提取浮动车数据的交通状态,旨在浮动车数据的基础上设计更加有效的信号配时方案,提升信号交叉口的运行效率。本文的主要研究内容和发现分为以下四个方面:(1)基于海量浮动车数据,深入挖掘浮动车数据的基本属性特征、时空特征、环境特征和演化规律。构建交叉口网格模型用以匹配浮动车数据,提取交通特征。利用基于网格模型的模糊C-均值聚类方法界定信号交叉口的影响区域,精准地刻画不同交叉口、不同通行方向的影响范围。此外,利用网格模型可以快速地、精准地识别浮动车轨迹数据的方向。结果表明,网格模型可以有效地支撑信号交叉口的运行状态的研究。(2)基于网格模型提取浮动车数据的出行特征,通过估算交通参数和信号配时参数构建信号交叉口运行状态评价体系和延误诊断指数,以实现对信号交叉口运行状态感知和延误问题的自动识别。案例研究发现,本文构建的信号交叉口运行评价方法可以有效的感知信号交叉口的整体和内部的服务水平。信号配时参数计算方法可以对固定配时方案的配时参数实现精准地估算。所构建的延误诊断指数可以有效地诊断延误原因。相关结果和发现可以有效地支撑交叉口交通参数预测和配时优化策略的研究。(3)基于多任务融合深度学习模型MFDL(Multi-Task Fusion Deep Learning)对大范围信号交叉口的通行时间和速度进行协同预测。MFDL模型充分考虑了交通参数的时空特征、拓扑结构特征、天气环境特征,并利用残差神经网络提升模型深度,释放模型预测的潜能,采用注意力机制自动分配多维变量的权重,展现特征融合的优势。案例研究发现,与基础模型对比,MFDL模型的精准度更高。通过更改MFDL模型本身变量组对模型自身分析,发现模型具有较强的鲁棒性。与单任务模型对比,发现MFDL模型能够发挥变量之间信息共享的优势,减少训练时间、提升预测精度。相关结果和技术可以辅助构建深度强化学习配时优化方法。(4)基于深度强化学习模型3DQN-PSTER(Double Dueling DQN Priority Sum Tree Experience Replay)实现信号交口的自适应控制。3DQN-PSTER模型融合了Double DQN、Dueling DQN技术和优先级经验回放策略提升了模型性能。利用SUMO(Simulation of Urban MObility)仿真总体数据、浮动车数据、感应线圈数据的交通环境,并进行仿真优化。案例研究发现:3DQN-PSTER模型具有收敛速度快、稳定性强、优化效果显著的优点。在不同的交通量、不同方向的进口道的场景下与不同的配时优化方案对比,发现基于3DQN-PSTER的配时方案RLSC在实时的、非均衡的动态交通流环境中具有独特的优势。此外,在浮动车数据的交通环境中,发现渗透率越高,模型学习过程表现得越稳定,所训练的模型的优化效果越显著。本文按照发现延误、诊断延误、态势推演、缓解延误的研究思路。利用浮动车数据感知信号交叉口的运行态势、诊断延误原因、预测交通参数、优化配时方案的一系列工作,将交通大数据处理技术、深度学习方法和强化学习方法应用于交叉口复杂的交通状态。本研究对降低信号交叉口延误提升整个路网的运行效率具有重要的理论价值和实际指导意义。
暂无评论