基于深度学习的短时交通流预测及信号控制研究

【摘要】：本文首先引进了深度学习的概念,选择了几种深度学习模型并对其进行改进以适应短时交通流预测,主要有三个模型:改进的LSTM模型、时空分析与GRU相结合的模型以及CNN-LSTM模型。通过使用实际交通流数据这三个模型进行学习训练并最终对这三种深度学习的模型进行了测试。通过对比实验,最终选择了改进的LSTM模型作为本文的短时交通流预测模型。然后在短时交通流预测的基础上本文建立了以车辆的平均延误、交叉口通行能力以及CO排放为目标的单交叉口多目标优化模型,并以改进的粒子群算法进行了求解。并与现状进行了对比分析,证明了该模型的有效性。在完成交通流预测以及单交叉口控制后,为了实现最终的区域交通协调控制还需要对控制区域进行交通子区划分。在这一部分本文使用SAEs-LSTM模型对目标区域进行了动态子区划分。以实时的交叉口信号周期、相邻交叉口间的流量和距离作为SAEs-LSTM模型的输入,预测输出相邻的交叉口之间协调控制的需求强度协调系数,可以根据实时特性实现交通控制子区的动态划分。最后,对本文所选取的路网进行门限控制,根据该区域历史流量来确定门限值的阈值,对核心路网外的交通流采取信号灯优化进行诱导分流,将流入核心路网的交通流控制在非饱和状态下;对于核心路网,在对进行门限控制后的交通流进行局部区域交通协调控制。通过选取路网的关键路口,主干线等,在主干线上使用干线绿波协调的方式,其它的交叉口采用前面所提到的单交叉口自适应控制方式实现区域交通协调控制。