城市交通系统数据驱动的预测控制与预测迭代学习控制

Although it is very difficult to obtain the mathematical model of the urban traffic system, the traffic system runs repetitively every day and produces vast operation data. Therefore, this project will propose a class of data driven predictive controls and data driven predictive iterative learning controls based on the vast amounts of raw data and repetitive pattern of the macroscopic traffic flow. The research will mainly focus on controller design and analysis of non-strictly repetitive urban traffic systems with state/control input constraints. Data-driven predictive control methods mainly depend on input and output data of traffic systems without requiring an accurate traffic flow model, and gurantee the control efficiency and robustness. Furthermore, the data-driven iterative learning control methods can utilize the repeatability of urban traffic systems to improve performance of the traditional predictive control as the traffic systems repeatedly. By virtue of feeding predictive traffic states in iteration domian to the current control loop, data-driven predictive iterative learning control methods can improve the robustness to iteration-varying system parameters, initial conditions and desired trajectory. This project is derived from practical problems of urban traffic control systems. The developed methodologies will not only enrich existing data-driven control theory and iterative learning control theory, but also result in practical and efficient control strategies for solving the traffic congestion. Thus, it is of great theoretical significance and application value.

针对城市交通系统难于建模、蕴含海量数据和宏观重复运行的特点，本项目拟研究海量数据和宏观重复运行模式的有效利用方法，提出城市交通系统数据驱动的预测控制和预测迭代学习控制方法，重点研究状态和输入约束条件下的非严格重复城市交通系统的控制器设计和分析方法。数据驱动预测控制直接基于系统输入输出数据设计控制器，降低控制器设计对模型的依赖性，同时保证系统控制性能和鲁棒性。数据驱动迭代学习控制可仅利用城市交通系统重复运行模式以及系统的数据，使控制效果随运行次数增加而不断改进。数据驱动预测迭代学习控制则进一步利用交通系统状态的迭代域预测作为反馈信息，放宽传统迭代学习控制对于系统参数、系统初值和参考轨迹严格重复的限制。本项目是实际城市交通系统控制问题的科学提炼，不仅可丰富和完善现有的数据驱动控制理论和迭代学习控制理论，而且可改善城市道路交通系统控制效果，具有重要的理论意义和应用价值。

针对城市交通系统难于建模、蕴含海量数据和宏观重复运行的特点，本项目研究了交通数据和宏观重复运行模式的有效利用方法，提出城市交通系统数据驱动的预测控制和迭代学习控制方法。.数据驱动预测控制的研究成果包括：城市交通网络的无模型预测控制和无模型预测边界控制、基于无模型自适应预测控制的快速路主辅路均衡控制方案、无模型自适应预测控制方法稳定性分析等。数据驱动的迭代学习控制的研究成果包括：城市交通网络的迭代学习控制、反馈前馈迭代学习控制、迭代学习边界控制、无模型自适应迭代学习控制、带反馈的改进无模型自适应迭代学习控制、最优迭代学习控制等。此外，我们基于大数据平台研究了出租车载客热点挖掘方法、基于机器学习和深度学习的交通数据挖掘方法、基于无模型自适应控制的机器人编队控制方法，以及磁浮列车运行控制方法等。.本项目培养了博士生2 名，硕士生10 名。发表期刊论文10 篇，其中 SCI 检索8 篇，EI 检索 2 篇；已发表会议论文12 篇，其中 EI 检索12 篇。国际刊物文章包括 IEEE T-CST 2 篇、IEEE T-NNLS 1 篇、IET CTA 1 篇等；国内期刊文章包括《控制于决策》2 篇。已申请国家发明专利 1 项、软件著作权2 项。