In this paper, we use the stochastic Nagel-Schreckenberg （NaSch） model to investigate the influence of a special right-turning lane connecting two main roads on the capacity of a signalized road intersection. It is ...In this paper, we use the stochastic Nagel-Schreckenberg （NaSch） model to investigate the influence of a special right-turning lane connecting two main roads on the capacity of a signalized road intersection. It is found that the magnitude of right-turning traffic flow and the linking position of the special right-turning lane can greatly influence the capacity of the signalized road intersection. The relation between traffic flow and entering probability for different distances between the entrance （exit） of the special right-turning lane and the road intersection is simulated and analysed. The corresponding spatiotemporal pattern and phase diagram on different sections of the main road are given under the condition of close proximity to the signalized road intersection, stop-and-go traffic occur and obstruct the intersection. On the contrary, unchanged flux is maintained as the distance exceeds a critical values. All the studies indicate that setting a special right-turning lane by choosing a suitable location near a signalized road intersection can relieve the load of current traffic on the main road and maintain traffic flow.展开更多
车辆临近交叉口的变道行为会制约交叉口通行效率的提升。基于此,本文提出一种网联车辆环境下城市道路交通流分段协同控制方法(Segmented Cooperative cOntrol Method for Urban Road Traffic Flow,SCOM-URTF),该方法采用双层优化模型,...车辆临近交叉口的变道行为会制约交叉口通行效率的提升。基于此,本文提出一种网联车辆环境下城市道路交通流分段协同控制方法(Segmented Cooperative cOntrol Method for Urban Road Traffic Flow,SCOM-URTF),该方法采用双层优化模型,实现路段功能区动态划分和路段—交叉口交通流的协同优化。上层模型设计了一种分车道速度诱导错位变道策略(Misaligned Lane-changing with Separated Lane Speed Guidance,ML-SLSG),通过纵向空间错位排列促成左转和右转车辆的快速变道,最小化车辆变道区长度,并均衡车道组交通流量;下层模型以最小化车均延误为目标,基于动态规划法协同优化网联车辆的轨迹与交叉口信号配时参数。仿真结果表明,ML-SLSG策略能有效缩短变道长度,在低、中和高这3种交通负荷下,本文提出的车辆纵向轨迹优化模型能使交叉口车均延误减少5.9%~8.0%,且与信号配时协同优化后,车均延误可再降低3.7%~22.8%。与同类方法对比研究表明,SCOM-URTF更适合多种驾驶行为相互协调的交通环境。敏感性分析显示,更高的CAV渗透率和道路限速有助于降低车均延误;增大交叉口间距可在初期减少车均延误,但达到临界点后会出现延误反弹,而轨迹与信号的协同优化能有效遏制延误的反弹。展开更多
优化城市道路中的交通信号灯控制是低成本地提升城市交通路网性能的方法之一。该研究提出了一种利用策略梯度(Policy Gradient, PG)强化调优的交通灯控制算法。该算法引入了道路压力项、旅程时间项和黑名单机制项,利用统计方式预测汽车...优化城市道路中的交通信号灯控制是低成本地提升城市交通路网性能的方法之一。该研究提出了一种利用策略梯度(Policy Gradient, PG)强化调优的交通灯控制算法。该算法引入了道路压力项、旅程时间项和黑名单机制项,利用统计方式预测汽车行程轨迹,并采用策略梯度估计的优化算法调整算法中的参数。在数据挖掘国际会议Knowledge Discovery and Data Mining (KDD)组织的算法竞赛KDD Cup 2021城市大脑挑战赛中,获得了冠军的成绩。在该挑战赛提供的城市路网规模复杂车流仿真平台上的实验结果表明,算法具有应用于实际场景的价值。展开更多
为深入挖掘交通流数据的复杂时空特征并建立其依赖关系,提高交通流参数的预测精度,本文提出一种新的交通流量预测模型——基于注意力机制和残差网络的时空关系图卷积网络(TSARGCN)。TSARGCN对输入数据进行切片,实现多分支建模,挖掘数据...为深入挖掘交通流数据的复杂时空特征并建立其依赖关系,提高交通流参数的预测精度,本文提出一种新的交通流量预测模型——基于注意力机制和残差网络的时空关系图卷积网络(TSARGCN)。TSARGCN对输入数据进行切片,实现多分支建模,挖掘数据的时间周期性特征;引入残差网络保证网络中信息传递的完整性;利用DTW (Dynamic Time Warping)算法计算路网中节点之间交通流量序列在时间维度的相似程度大小,提出时间图的概念,结合路网结构中各节点的邻近关系,提出时空关系图的概念;基于时空关系图,在每个分支结合注意力机制分别进行图卷积和时间维度卷积,捕获交通流的时空特征及其依赖关系,实现对路网交通流量数据时空关系的建模。经过在公开数据集PEMSD4上进行实验,结果表明:TSARGCN在交通流量预测中的平均绝对误差(MAE)达到19.24,均方根误差(RMSE)达到27.09,比ARIMA(Autoregressive Integrated Moving Average model),Conv-LSTM(Convolution Long short-term memory)及ASTGCN(Attention based Spatial-temporal Graph Convolutional Network)等知名交通流量预测算法具有更高的预测精度。展开更多
基金Project supported by the National Basic Research Program of China (Grant No 2006CB705500)the National Natural Science Foundation of China (Grant Nos 10662002, 10865001 and 10532060)+1 种基金the Special Foundation for the New Century Talents Program of Guangxi Zhuang Autonomous Region, China (Grant No 2005205)the Graduate Student Innovation Program of Guangxi Zhuang Autonomous Region, China (Grant No T32070)
文摘In this paper, we use the stochastic Nagel-Schreckenberg （NaSch） model to investigate the influence of a special right-turning lane connecting two main roads on the capacity of a signalized road intersection. It is found that the magnitude of right-turning traffic flow and the linking position of the special right-turning lane can greatly influence the capacity of the signalized road intersection. The relation between traffic flow and entering probability for different distances between the entrance （exit） of the special right-turning lane and the road intersection is simulated and analysed. The corresponding spatiotemporal pattern and phase diagram on different sections of the main road are given under the condition of close proximity to the signalized road intersection, stop-and-go traffic occur and obstruct the intersection. On the contrary, unchanged flux is maintained as the distance exceeds a critical values. All the studies indicate that setting a special right-turning lane by choosing a suitable location near a signalized road intersection can relieve the load of current traffic on the main road and maintain traffic flow.
文摘车辆临近交叉口的变道行为会制约交叉口通行效率的提升。基于此,本文提出一种网联车辆环境下城市道路交通流分段协同控制方法(Segmented Cooperative cOntrol Method for Urban Road Traffic Flow,SCOM-URTF),该方法采用双层优化模型,实现路段功能区动态划分和路段—交叉口交通流的协同优化。上层模型设计了一种分车道速度诱导错位变道策略(Misaligned Lane-changing with Separated Lane Speed Guidance,ML-SLSG),通过纵向空间错位排列促成左转和右转车辆的快速变道,最小化车辆变道区长度,并均衡车道组交通流量;下层模型以最小化车均延误为目标,基于动态规划法协同优化网联车辆的轨迹与交叉口信号配时参数。仿真结果表明,ML-SLSG策略能有效缩短变道长度,在低、中和高这3种交通负荷下,本文提出的车辆纵向轨迹优化模型能使交叉口车均延误减少5.9%~8.0%,且与信号配时协同优化后,车均延误可再降低3.7%~22.8%。与同类方法对比研究表明,SCOM-URTF更适合多种驾驶行为相互协调的交通环境。敏感性分析显示,更高的CAV渗透率和道路限速有助于降低车均延误;增大交叉口间距可在初期减少车均延误,但达到临界点后会出现延误反弹,而轨迹与信号的协同优化能有效遏制延误的反弹。
文摘优化城市道路中的交通信号灯控制是低成本地提升城市交通路网性能的方法之一。该研究提出了一种利用策略梯度(Policy Gradient, PG)强化调优的交通灯控制算法。该算法引入了道路压力项、旅程时间项和黑名单机制项,利用统计方式预测汽车行程轨迹,并采用策略梯度估计的优化算法调整算法中的参数。在数据挖掘国际会议Knowledge Discovery and Data Mining (KDD)组织的算法竞赛KDD Cup 2021城市大脑挑战赛中,获得了冠军的成绩。在该挑战赛提供的城市路网规模复杂车流仿真平台上的实验结果表明,算法具有应用于实际场景的价值。
文摘为深入挖掘交通流数据的复杂时空特征并建立其依赖关系,提高交通流参数的预测精度,本文提出一种新的交通流量预测模型——基于注意力机制和残差网络的时空关系图卷积网络(TSARGCN)。TSARGCN对输入数据进行切片,实现多分支建模,挖掘数据的时间周期性特征;引入残差网络保证网络中信息传递的完整性;利用DTW (Dynamic Time Warping)算法计算路网中节点之间交通流量序列在时间维度的相似程度大小,提出时间图的概念,结合路网结构中各节点的邻近关系,提出时空关系图的概念;基于时空关系图,在每个分支结合注意力机制分别进行图卷积和时间维度卷积,捕获交通流的时空特征及其依赖关系,实现对路网交通流量数据时空关系的建模。经过在公开数据集PEMSD4上进行实验,结果表明:TSARGCN在交通流量预测中的平均绝对误差(MAE)达到19.24,均方根误差(RMSE)达到27.09,比ARIMA(Autoregressive Integrated Moving Average model),Conv-LSTM(Convolution Long short-term memory)及ASTGCN(Attention based Spatial-temporal Graph Convolutional Network)等知名交通流量预测算法具有更高的预测精度。
