计算智能及其在城市交通诱导系统中的应用研究

摘要

随着社会经济的高速发展与城市化进程的不断加快，城市人口和机动车辆日益增加，城市道路交通拥堵已经成为世界大中城市普遍存在的现象，由此带来的交通事故、能源浪费以及环境污染等问题，不仅严重地制约着城市和社会经济的可持续发展，同时也严重地影响着城市居民的生活质量。因此，运用智能交通系统来解决日益严重的城市交通问题，已经成为了交通工程未来发展的重要方向。
　　 本学位论文研究的交通诱导系统是智能交通系统中的重要子系统之一，它能够有效地引导车辆在路网中运行，减少车辆在道路上的行驶时间，并最终实现交通量在整个路网中均匀分配。将自然科学的最新研究成果和工程技术的最新方法引入城市交通诱导系统，不仅有利于提高交通系统的运行效率，而且关系到土地资源与能源的合理利用、环境污染与噪声的改善，这对满足社会需求、推动国家和社会的进步以及学科的发展，无疑都具有十分重要的意义。
　　 城市交通系统集成了人、车、路和环境等各种因素，具有高度的复杂性、时变性和不确定性。精确的数学模型和方法难以有效解决复杂的现代城市交通问题，而计算智能是一种仿生计算方法，它从生物底层对智能行为进行模拟和研究，拓展了传统的计算模式，不需要建立问题本身的精确模型，具有智能性、并行性、自适应性等优点，为复杂问题的求解提供了卓有成效的解决途径。
　　 因此，本学位论文依托重庆市科学技术委员会自然科学基金计划项目——智能交通系统重点项目“城市交通路网拥堵动态预警与疏导决策技术研究”(项目编号：CSTC,2006BA6016)，在总结该领域现有研究成果的基础上，引入新兴起的计算智能理论，对交通诱导系统研究中应解决的若干关键理论问题进行了较为全面深入的研究，试图解决目前城市交通诱导领域存在的一些疑难问题。
　　 本文主要的创新性工作如下：
　　 ①针对支持向量回归机(SVR)的拟合精度和泛化能力取决于相关参数的选取问题，提出了基于灾变FS算法的SVR参数选择方法，并应用于交通流预测的研究。通过提出基于尖点模型的灾变策略来改进FS算法的个体迭代位置选择机制，以降低设置搜索半径的依赖性，从而扩大搜索空间，提高全局搜索能力。对实测交通流量进行滚动预测实验，结果表明该方法优化SVR参数是有效、可行的，与经验估计法相比，得到的SVR模型具有更好的泛化性能和预测精度。
　　 ②针对基本蚁群算法存在容易陷入局部最优解出现早熟停滞的缺点，提出了基于混沌选择策略的蚁群算法，并应用于城市交通路径寻优的研究。在基本蚁群算法的概率转移中引入混沌扰动的策略，以使解易于跳出局部极值区间，加快收敛速度。以重庆市渝中半岛的路网为实例计算以行程时间为目标的最优路径，结果表明该算法获得了较好的效果，与基本蚁群算法相比，提高了全局搜索能力。
　　 ③针对牛顿法初始值要求严格、易产生局部收敛并含有矩阵求逆的不足和粒子群算法存在收敛速度慢和局部最优的问题，引入粒子间相对位置改进基于抗体浓度的概率选择公式，提出了一种带免疫机理的粒子群算法，并将其用于由路段流量反推OD矩阵的极大熵模型求解研究。粒子不仅根据个体极值和全局极值更新速度和位置，而且按一定概率以轮盘赌法选择某个粒子进行学习，以保持种群多样性，降低了算法过早收敛于局部最优解的几率。以重庆市某交叉路口为实例进行实验，粒子群算法求解成功率高于牛顿法，表明粒子群算法推算OD矩阵是一种行之有效的方法；而且，改进的粒子群算法比基本粒子群算法和基本遗传算法具有更好的全局寻优能力。
　　 ④针对城市交通状态的不确定性和模糊C均值聚类(FCM)算法存在的初值敏感性和局部搜索性问题，提出了基于混合蛙跳算法(SFLA)的模糊C均值聚类算法(SFLA-FCM)，并应用于城市交通状态识别研究。SFLA-FCM使用SFLA的优化过程代替FCM的基于梯度下降的迭代过程，有效地避免了FCM对初值敏感及容易陷入局部极小的缺陷。实验结果表明，与FCM相比，SFLA-FCM在收敛速度和精度上均有所提高，结果更为合理、稳定；而且，能够有效地对交通状态进行识别，为交通状态实时识别提供了一个新的研究思路。
　　 总之，本文对计算智能的理论和方法在城市交通诱导系统领域的应用进行了较为全面深入的分析研究，对进一步解决城市交通问题具有重要的意义和广阔的应用前景。

目录

文摘

英文文摘

声明

1.1依托课题

1.2研究背景与意义

1.2.1作为复杂系统的城市交通系统

1.2.2我国城市交通问题现状与成因

1.2.3城市交通问题的常规缓解策略及其局限性

1.2.4智能交通系统—解决城市交通问题的有效途径

1.2.5研究城市交通诱导系统的意义

1.3城市交通诱导系统简述及研究现状

1.3.1主要功能

1.3.2结构框架

1.3.3系统分类

1.3.4关键技术

1.3.5研究现状

1.4计算智能简介及其在城市交通系统中的研究现状

1.4.1最优化问题

1.4.2计算智能的历史渊源

1.4.3计算智能的基本概念与分类情况

1.4.4计算智能在城市交通系统中的研究现状

1.5论文的研究思路、创新点与结构安排

1.5.1研究思路

1.5.2创新点

1.5.3结构安排

1.6本章小结

2交通流基础理论

2.1引言

2.2交通流理论的发展概况

2.3交通流理论的主要内容

2.4交通流数据分析

2.4.1交通流的特性

2.4.2交通流的基本参数及其相互关系

2.4.3交通流数据的采集技术

2.4.4交通流数据的故障识别方法

2.4.5交通流数据的故障修复方法

2.5交通流理论的研究趋势

2.6本章小结

3基于灾变FS算法的SVR参数优选方法及交通流预测研究

3.1引言

3.2预测的数学基础

3.2.1内积空间

3.2.2柯西列

3.2.3希尔伯特空间

3.2.4闭线性子空间

3.2.5预报方程

3.3常规交通流预测方法简介

3.3.1历史均值法

3.3.2时间序列法

3.3.3非参数回归法

3.3.4灰色系统法

3.3.5神经网络法

3.4统计学习理论概述

3.4.1 VC维

3.4.2推广能力的界

3.4.3结构风险最小化

3.5支持向量回归机及其参数分析

3.5.1 SVR基本原理

3.5.2二次规划问题的求解

3.5.3参数选取分析

3.6基于灾变FS算法的SVR参数优选方法

3.6.1基本FS算法原理

3.6.2基于灾变策略的FS算法

3.6.3适应度函数定义

3.6.4灾变FS算法优选SVR参数的步骤

3.7实例分析

3.7.1交叉口交通流量预测模型结构

3.7.2数据源及预处理

3.7.3滚动预测机制

3.7.4评价指标

3.7.5参数设置

3.7.6结果分析

3.8本章小结

4基于混沌选择策略的蚁群算法及路径优化研究

4.1引言

4.2城市交通路网的路径优化模型

4.2.1城市交通路网模型

4.2.2路径选择的最优目标

4.2.3道路权重的标定

4.2.4路网连通性的表达

4.2.5最优路径模型

4.3传统最短路径优化算法简介

4.3.1 Dijkstra算法

4.3.2 Floyd算法

4.3.3 Bellman-Ford-Moore算法

4.3.4启发式搜索算法—A*算法

4.4基于蚁群算法的最优路径问题

4.4.1蚁群算法基本原理

4.4.2基于混沌选择策略的蚁群算法

4.4.3最优路径求解的实现步骤

4.5仿真实验与结果分析

4.5.1路网实例

4.5.2结果分析

4.6本章小结

5基于免疫机理的粒子群算法及OD矩阵反推研究

5.1引言

5.2 OD矩阵反推模型简介

5.2.1重力模型

5.2.2极大熵模型

5.2.3广义最小二乘模型

5.2.4极大似然模型

5.2.5最小信息量模型

5.3基于极大熵原理的OD矩阵反推问题

5.3.1极大熵原理简介

5.3.2 OD反推的极大熵模型

5.3.3模型的化简与求解

5.3.4求解方法的不足

5.4基于粒子群算法的极大熵模型求解方法

5.4.1粒子群算法基本原理

5.4.2速度更新公式的改进

5.4.3基于浓度概念的轮盘赌粒子选取方法

5.4.4基于免疫机理的粒子群算法步骤

5.5应用实例与结果分析

5.5.1测试实例

5.5.2确定搜索空间

5.5.3结果分析

5.6本章小结

6基于混合蛙跳算法的模糊C均值聚类及交通状态识别研究

6.1引言

6.2交通状态识别算法的研究情况

6.2.1早期的研发历史

6.2.2中期的研发状态

6.2.3当前的研发现状

6.3模糊理论基础知识

6.3.1模糊集合

6.3.2隶属函数

6.3.3逻辑运算

6.3.4模糊关系

6.4基于混合蛙跳算法的模糊C均值聚类

6.4.1模糊C均值聚类

6.4.2混合蛙跳算法基本原理

6.4.3编码方案

6.4.4适应度函数

6.4.5基于混合蛙跳算法的模糊C均值聚类流程

6.5基于模糊聚类的交通状态识别方法

6.5.1交通状态识别的基本思路

6.5.2交通参数的选择及标准化

6.5.3道路交通状态的模糊聚类分析

6.5.4实时道路交通状态的识别

6.6实例分析

6.6.1数据源

6.6.2数据提取

6.6.3参数设置

6.6.4结果分析

6.7本章小结

7总结与展望

7.1全文总结

7.2研究展望

致谢

参考文献

附 录