抑制城市交通污染的智能诱导算法和应急响应管理

Traffic pollution management is one of the most important scientific problems in modern transportation. It has the characteristics of complexity, dynamic and systematic, and it is difficult to achieve the desired effect of pollution control. This project studies model construction and algorithm design problems for supporting the green traffic development and information guidance management, combining the macro and micro level laws of traffic network operation, and uses intelligent algorithm, grey systems theory and systems simulation to research the management strategy of urban traffic pollution. In this study, we employ data buffer technique, grey meta models and dynamic learning algorithm to investigate the cyclical, time-delay and transmission problems, distinguish related factors to variations of traffic pollution sources, and simulate the interactive laws between information guidance, traffic status and pollution source intensity. In addition, the intelligent grey mode is used to support environment simulation by information guidance, on which new traffic control and guidance management bases. Last, this project construct Traffic environment dynamic early warning platform and its management strategies by this simulation network with predictive ability, researching response plans in emergency incidence and intelligent traffic management by comprehensive utilization of information resources.

交通污染管理是现代交通面对的重要科学问题，具有复杂性、动态性和系统性特征，众多关联因素的共同作用使得污染管控难以实现预期效果。本课题研究支撑绿色交通中诱导管理的模型构建和算法设计，结合城市交通网宏观特征和道路微观层面运行规律，运用智能学习理论、灰色系统理论和系统仿真理论研究动态变化中的城市交通污染抑制问题。课题首先利用数据缓冲技术、灰元模型和动态学习算法结合的方法探索道路污染源在运行中的周期性、滞后性和传导性规律，识别影响城市交通污染源变化的相关因素，通过因素自适应方式模拟信息诱导、交通流运行状态与污染源强度的互动关系。在此基础上构建具有学习能力的智能化灰色模型，实现仿真网络对信息引导的环境效应仿真，进而研究交通诱导和路面管控协同调控策略。最后，课题利用具有预测能力的仿真算法构建交通环境动态预警平台与管理方法，研究突发事件下绿色交通应急管理，实现综合利用城市信息化资源的智能交通管理。

交通带来的环境污染是我国城市发展亟待解决的热点问题，抑制城市交通网的污染问题是一个复杂性、动态性、多因素的系统工程，通过信息化手段调控交通环境状态、抑制排污过度聚集是重要的途径。本课题为深入探索交通环境问题开展数据建模工作，针对实践数据中存在的大量周期性、高时效性、时滞性特征展开研究，构建一系列用于交通污染预测、因素驱动效果分析和预警管理有用的建模方法。本项目主要研究成果体现在以下几个方面：.1）针对交通环境问题数据的复杂性，课题组研究特征自适应的分析和建模方法，在背景值与响应式组合优化的基础上提出特征自适应单序列预测模型（CAGM(1,1)模型），并进一步针对性优化复杂趋势中的参数识别方法，构建基于两阶段的自适应性预测模型（AGM(1,1,2)模型），研究了在动态性数据建模中精确化搜索的智能算法以及对预测模型的效果提升。.2）根据交通网污染排放和应急管理中面对的数据高时效性、不规则性特征，构建短时动态建模方法，利用缓冲算子对数据序列的切片进行转换后增加建模的可靠性，和动态缓冲适应性预测建模方法（BARGM模型）和基于优化模型的缓冲滚动短时预测模型（ABGR模型），并切片序列缓冲处理过程中的权重序列最优化方法，为精确化管理和抑制道路交通环境污染提供方法支持。.3）针对抑制交通流污染中的因素分析，在缓冲适应性建模基础上构建了因素预测方法，为提高调控效果的评估准确性，课题组结合单序列预测与因素分解方法提出基于能源消耗和环境效应的因素分解外推方法，为环境效应的预警管理提供有效的定量方法工具。.4）针对预警与调控管理中数据的时滞性、传导性特征，从短时灰色预测模型框架入手构建含驱动变量灰色预测模型，通过因素调控分析交通环境效应变化规律，提出基于趋势调控的灰色DFCGM(1,N)模型和非齐次GM(1,N)等模型。