智能交通网络信号控制系统的自适应协同优化方法研究

Focusing on the increasingly sever urban traffic congestion problems, this study proposes an adaptive cooperative optimization scheme for signal control system in intelligent traffic networks. This scheme can be used to balance the regional traffic and enhance the traffic efficiency, the reliability and scalability of traffic management. The quantified differential dynamic logic and the piecewise affine methods are presented to build quantified hybrid model for large-scale urban traffic flows. And the performance criterion functions are introduced to obtain the optimization problem of the proposed model. A branch-and-bound method is utilized to simplify the problem, which can be transformed into a convex optimization problem by dual-decomposition. An online distributed cooperative control scheme is constructed combining model predictive control strategy. System performance is analyzed by adopting the relative diagonal amplitude dominant theory to guarantee the convergence of cooperative control under unpredictable situations. By utilizing the feedback, updating and interactions of the actor/critic networks based on reinforcement learning, an input regulator is developed for the cooperative controller. This regulator can enhance the adaptability to system uncertainties and disturbances. This study will develop an efficient adaptive cooperative optimization solution for signal control system of urban intelligent transportation networks.

本项目针对日益严峻的城市交通拥塞问题，提出一种智能交通网络信号控制系统的自适应协同优化方法，平衡区域交通负载，提高整个城市交通网络的通行效率和交通管理的可靠性和可扩展性。采用量化微分动态逻辑和分段仿射的方法建立大规模城市交通流的量化混合模型；引入性能判据函数寻求量化混合模型的交通网络优化问题，利用分支定界法简化问题描述，通过对偶分解将其转化为城市交通信号控制系统的凸优化问题；设计一种结合模型预测控制策略的在线优化分布式协同控制律，同时利用相对对角可控的方法分析系统特性，确保系统在不可预测情况下的协同控制收敛性；引入增强学习方法，利用行为/评价网络的反馈、更新和交互，建立协同控制器的输入调节机制，增强对系统不确定性和突发扰动的自适应能力。通过本项目的研究，将为城市智能交通网络的信号控制系统提供一种有效的自适应协同优化方法。

本项目以分布式协同控制技术在城市智能交通信号控制系统中的应用为背景，在网络化协同控制稳定性理论的基础上融合区域平衡优化技术和增强学习技术，对大规模智能交通网络的离散事件与连续车流混合建模、整体性能优化和突发交通事件的控制鲁棒增强等关键技术展开研究。原有申请书中的研究目标全部完成，并在原有的项目计划上进行了扩展。本项目针对交通路网的连续车流和离散交通灯信号建立能够描述交通车流量的智能交通模型，针对城市智能交通系统的特点和应用背景给出了城市智能交通系统协同优化的控制与诱导设计方案；针对车载无线网络的移动特性并考虑节点能耗，提出了基于同心均衡分簇的数据收集算法，以均衡网络负载，减少网络延时，降低节点能耗，提高数据传输的可靠性；针对车载传感器网络的感知特性，在自适应粒子滤波算法的基础上，利用置信区间和估计状态的方差，提出一种基于置信水平的自适应粒子滤波算法，提高车载传感器网络交通流预测的准确性；为平衡大规模城市交通的负载，并达到交通通行性能的全局最优，提出一种具有智能学习能力的交通信号的协同控制策略，引入模糊Q学习机制，根据交通网络的状态，得到全局最优的交通优化指标，该策略可以通过各个交通控制节点自身的反馈控制行为和邻接交通控制节点之间的协同控制行为达到路网的流量最优；为提高出行效率，提出一种动态不确定环境下交通诱导分解协调和路径选择的方法，引入带有时序约束的AOE网和增量动态重规划方法求解诱导问题的最优路径，以保证大规模交通诱导任务执行的一致性和动态实时要求。研究成果具有一定的理论价值，受本项目支持，相关研究成果已经在《International Journal of Advanced Robotic Systems》、《Control Engineering Practice》、《Mathematical Problems in Engineering》、《中南大学学报》和《湖南大学学报》等国内外知名学术刊物和IFAC和CCC等国内外重要学术会议上发表，并参会与同行进行了深入交流。项目组共发表与本课题相关的论文16篇，其中SCI收录10篇、EI收录6篇，申请发明专利两项，培养硕士研究生5名，博士研究生3名。