详情

原文传递基于毫米波雷达交叉口数据的交通流预测与信号配时优化方法研究

论文题名：	基于毫米波雷达交叉口数据的交通流预测与信号配时优化方法研究
关键词：	短时交通流预测;信号配时;交叉口;毫米波雷达
摘要：	交叉口是城市交通控制系统中的重要组成部分，交通拥堵现象频发。现有的信号配时方法难以实现配时参数与实际交通需求的更优契合。通过搭建精准的流量预测模型，建立更优的信号配时方法，可以有效提升交叉口机动车的通行效率。为了搭建预测模型，现有研究通过地磁、视频等传统检测技术收集基础数据，搭建流量预测模型，具有精度不高的弊端。而毫米波雷达检测器融入动、静态车道相结合的理念，克服了传统检测技术的诸多不足，能够更精准的检测和收集交通流量数据，为建立更优的流量预测模型和更契合实际的信号配时算法提供保障。　　本文从提高交叉口交通流信息检测的智能化水平出发，以单个交叉口为研究对象，采用毫米波雷达检测器准确获取交叉口的交通流量数据，在分析历史交通流特性的基础上，构建交通流量预测模型，并设计相应的信号配时优化算法，研究成果对提高交叉口运行效率、缓解交通拥堵具有重要的现实意义。　　首先，交通流量数据的采集与处理。在对基于毫米波雷达的数据采集技术进行介绍的基础上，搭建交通流量检测实验平台，实现对基础流量数据的采集，并对问题数据进行处理，为交通流量预测模型和信号控制优化方法的构建提供良好的数据支撑。　　其次，搭建长短时记忆-自适应动量因子（LongShort-TermMemory-AdaptiveMomentumFactor，LSTM-AMF）短时交通流量预测模型，并验证其预测精度。基于对交叉口交通流特性的分析，验证了交通流数据的时序特征。通过对BP（BackPropagation，BP）神经网络、循环神经网络（RecurrentNeuralNetwork，RNN）和长短时记忆（LongShort-TermMemory，LSTM）神经网络三种模型的比对，确定LSTM作为本研究的基础模型。为提高预测精度，将自适应动量因子（AdaptiveMomentumFactor，AMF）参数优化方法融入LSTM，构建LSTM-AMF模型。在LSTM-AMF框架下，利用5min采样间隔下的流量数据建立短时交通流量预测模型，并将其与LSTM和BP单一模型进行比对，结果表明，LSTM-AMF模型的预测精度最优。　　再次，利用交通流预测数据进行信号配时优化算法设计。通过信号控制的理论研究及多目标配时优化问题的分析，选择通行能力、平均停车次数、平均延误作为优化目标构建目标函数，兼顾预测值与真实值间的误差，基于多目标粒子群算法（Multi-objectiveParticleSwarmAlgorithm，MOPSO）设计MD-MOPSO信号配时优化算法，并对方法的有效性进行验证。　　最后，以淄博市中润大道-南京路交叉口为例，使用VISSIM仿真软件搭建仿真平台，使用本文的算法对现状配时方案进行优化，分别在高峰期、平峰期两个不同时段将优化前与优化后的仿真结果进行评价，验证了本文提出的方法的有效性。
作者：	马嘉祥
专业：	交通运输工程
导师：	李庆印
授予学位：	硕士
授予学位单位：	山东理工大学
学位年度：	2022