大数据环境下的复杂城市交通系统预测与控制

The main contents of this proposal will focus on the theory and methodologies for the complex large-scale urban traffic networks system prediction and control under the big data environment. In order to tackle with at the difficulties from the structural complexity, the huge volume and wide variety of the traffic big data; we will investigate novel multi-level hierarchical strategies and methods for the system prediction and control of the traffic networks by means of function decomposition and information aggregation in different levels. Aiming at the issues of the model unavailability, feedback control design and the fast-growing big data in the traffic networks, we will study new data driven methods, rolling operations and adaptation mechanisms in different levels. Tackling the value extraction from the big data with very large volume and low value density, we will use the methods of data driven strategies and the complex networks theory for the performance evaluation，prediction and control designing for the networks. The proposed multi-level hierarchical structure is composed of macroscopic, mesoscopic and microscopic levels with different goals and functions. The macro is responsible for the macroscopic performance evaluation and prediction and coordination; the meso takes charge of the data modeling, analysis and congestion control; the micro performs the data processing locally and data driven signal timing for the intersections. In this project, taking the data driven methodologies as the main analysis and designing tool, and the system control and complex networks theory and methods as well, we will investigate and develop a novel systematic approach to the system behavior prediction optimization and control for the large-scale complex urban traffic networks, and part of them will be used in Beijing or Shanghai. The developed data driven methodologies will not only bring a novel theory and method for the system control theory and system sciences development under the big data environment, but also result in practical and efficient technologies and control strategies for solving the traffic congestion commonly emerging in our metropolitans.

本项目研究在大数据环境下复杂城市交通系统行为预测与优化控制的理论和方法。拟借鉴大系统控制论提出有效的分层递阶结构，通过系统功能分解和数据分层集结解决系统结构复杂、大数据规模大和粒度不同的问题；借鉴数据驱动方法和滚动模式、适应机制解决复杂系统建模困难、反馈控制与大数据快速变化的问题；借鉴数据驱动和复杂网络方法解决复杂系统宏观性能挖掘、预报控制与大数据价值密度低的问题。重点研究宏观层对城市交通宏观性能的分析、预报、评估和协调，中观层对区域路网的建模、分析与拥堵控制，执行层对路口交通数据的处理和信号控制。以数据驱动方法为基础，结合系统控制和复杂网络方法，探索和发展复杂交通大数据系统行为预报和优化控制新的系统解决方案，部分结果将在实际城市交通系统中得到验证。这不仅可为大数据环境下控制和系统科学的发展提供新的理论、方法与技术，而且可为解决城市交通这一我国普遍面临的社会难题提供有效的技术支持。

本项目研究了大数据环境下复杂城市交通系统的行为预测与优化控制理论和方法。首先，借鉴大系统控制论提出分层递阶结构与交通区域划分方法，通过系统功能分解和数据分层集结，解决系统结构复杂、数据丰富和粒度不同的问题；其次，利用数据驱动方法、预测控制和适应机制，解决复杂城市系统难以建模和控制的问题；最后，借鉴数据驱动和多智能体理论方法，处理复杂系统宏观预报与控制等问题。研究内容分宏观层、中观层、执行层。宏观层实现城市交通宏观性能的分析与预报，并通过宏观区域之间的边界控制来实现负载均衡；中观层实现对区域路网进行建模、分析与拥堵控制；执行层实现对路口的信号控制。.本项目在数据驱动控制、预测控制、多智能体理论及在交通系统预报与控制等应用方面开展了系统工作，取得若干突出研究成果。在无模型自适应控制（MFAC）研究中取得了理论突破，且基于多输入多输出非线性系统MFAC控制理论，提出了系列城市交通数据驱动MFAC控制、边界控制以及学习控制方法。针对城市交通大系统结构复杂粒度不同问题，提出了若干基于多层递阶结构的城市交通系统负荷均衡与预测控制算法。针对交通状态与交通流预报问题，提出了基于交通大数据的城市路网全局交通模式多步预测方法，以及基于交通系统重复运行模式及大数据的短程和长程交通流预报算法。另外，项目还给出了若干具有引领性的拓展性研究成果，如给出了数据驱动的异质异构非线性多智能体系统的编队与协调一致控制方法、基于大数据驱动的近似Q学习方法、及多传感网络多智能体系统一致性滤波和一致性跟踪等算法等。以上研究成果不仅可为大数据环境下控制和系统科学的发展提供新的理论、方法与技术，为解决城市交通拥堵这一我国普遍面临的社会难题提供有效技术支持。.具体成果如下：（1）共发表和录用学术论文174篇。SCI发表与已经录用83篇，其中包括：IEEE Trans. 31篇（其中IEEE Trans. on Auto. Contr.长文1篇，IEEE Trans. on Intel. Transp. Sys. 5篇）；Automatica 4篇（长文1篇）; Trans. Res.-C 1篇；EI收录88篇（EI期刊7篇，EI会议81篇）;（2）学术专著2部。（3）国家自然科学二等奖1项。（4）授权国家发明专利6项，受理1项，登记软件著作权1项。（5）培养博士生10人，硕士生32人。（6）举办学术研讨会2次。