导　　师： 陈玮

授予学位： 硕士

作　　者： (）;

机构地区： 广东工业大学

摘　　要： 近年来,社会的进步使城市化进程不断向前推进,城市交通网络也不断向外扩张。城市交通拥堵等问题对人们的日常生活产生很大影响,不仅增加人们的通勤时间,还带来诸如环境污染、经济损失等问题。智能交通系统(ITS)的诞生使得解决这一问题成为可能。智能交通系统结合了计算机、通讯、电子、运筹学、交通大数据和人工智能等技术,实现对交通信息的实时监控与分析,在保障城市交通道路网络安全、高效地运行中发挥重要作用。车辆路径规划作为智能交通系统的关键环节,在城市车辆出行导航中起着重要作用。车辆路径规划主要分为单车辆路径规划和多车辆路径规划。相对于单车辆的路径规划,多车辆路径规划能够统筹大部分路网因素,有利于缓解交通拥堵。交通信息预测与车辆路径规划是智能交通系统的重要组成部分,为城市交通管理者或出行者提供有效的决策参考。本文主要研究基于交通信息预测与动态价格机制的多车辆动态路径规划在缓解交通拥堵中的作用。首先,论文对多车辆路径规划的若干基础问题进行讨论,将交通道路网络抽象化,把多车辆路径规划问题转化为混合整数线性规划问题,使得该问题能够用优化方法加以讨论。讨论了路径规划算法的常见优化目标,并介绍了本文使用的仿真平台与工具。其次,论文分析了多车辆路径规划中的部分静态、动态路径规划算法(包括Dijkstra算法、A*算法、D*Lite算法等),定义了用于路径规划的道路广义价格,提出了一种启发式的广义价格更新迭代方法——动态价格机制。在该机制下,道路广义价格在拥堵状态时增加,非拥堵状态时保持,广义价格只增不减,考虑道路拥堵状态对未来时段的累积影响。并通过仿真实验验证了该方法在缓解交通拥堵中的作用,并且能够减少大多数出行者的行驶时间。第三,论文对短时交通信息预测进行讨论,分析了几种常用的短时交通信息预测方法,包括时间序列模型中的自回归差分滑动平均模型(ARIMA)、人工智能方法中的BP神经网络模型、长短时记忆网络模型(LSTM)和栈式自编码器模型(SAEs)。并通过实验对比其性能表现,结果显示,在人工智能方法总体上优于传统时间序列方法,其中栈式自编码器模型效果最好。最后,论文对动态价格机制进行分析讨论,提出一些改进。一是用预测的平均行驶速度代替当前实时平均行驶速度,二是在动态价格机制的迭代式中加入动量项。仿真结果表明,改进后的基于交通信息预测和动态价格机制的多车辆路径规划,在缓解交通拥堵、减少出行时间上,都优于改进前的方法。更多还原

关 键 词： 动态价格机制 [5941470]交通预测 多车辆路径规划 [1568991]智能交通系统

分 类 号： [U495]

领　　域： []