基于Q学习智能交通预测与多路径规划研究

摘要

车辆路径规划技术是解决城市交通拥堵的有效手段之一。传统的路径规划算法，通常只给出最优路径，难以避免车辆所经过路段偶然瘫痪导致没有可选路径的问题。引入多路径规划技术，可保证车辆在任何情况下都有可选路径，提高路径规划稳定性。但是目前的多路径规划技术实时性不高，且算法效率较低，设计高效实时的多路径规划算法颇具挑战性。本文以提高多路径规划的实时性和稳定性为目标，对预测机制和多路径规划这两个关键技术进行研究。
　　首先，为了给路径规划提供实时可靠的数据，本文拟采用模糊神经网络预测机制，精确预测下一时刻交通路网状况。由道路传感器收集平均车速数据，建立模糊神经网络模型预测未来车速，从而计算每条路段的未来平均通过时间，为路径规划提供未来的道路状况信息。模糊神经网络能真实反应交通信息的非线性特性，且预测精度很高。此外，本文拟引用Taguchi方法，在一定预测精度要求下，使用尽可能少的传感器数据，提高预测效率。
　　其次，在预测数据基础上，为了提高多路径规划的算法效率和稳定性，提出了基于Q学习的多路径规划算法。根据Q学习思想对复杂城市路网进行建模。利用了Q值能反映当前路口距离目的地的长期反馈特性，推导出最优路径。然后确定合适的参考值，选取满足条件的次优Q值，实现多候选路径的选取。此外引入多路径集的稳定性约束，保证任何情况下至少存在一条候选路径可供车辆选择;引入协同机制，均衡未来路网负载。
　　最后，利用MATLAB仿真工具分析了模糊神经网络预测机制的精度，基于增强学习的多候选路径算法的效率和稳定性，验证了所提的路径规划方案。

目录

声明

摘要

1 绪论

1．1 研究背景与意义

1．2 国内外研究现状

1．2．1 交通预测的研究现状

1．2．2 路径规划的研究现状

1．3 论文主要内容

1．4 论文组织结构

2 模糊神经网络交通实时预测和路径规划问题分析

2．1 模糊神经网络预测技术研究

2．1．1 模糊推理系统和自适应网络架构

2．1．2 模糊神经网络预测机制研究

2．1．3 模糊神经网络应用于交通预测的难点和需求分析

2．2 路径规划机制研究

2．2．1 增强学习关键技术研究

2．2．2 基于增强学习的路径规划研究现状

2．2．3 基于Q学习的多路径规划的难点和需求分析

2．3 多路径规划机制的设计方案

2．4 本章小结

3 基于模糊神经网络模型的平均车速预测机制

3．1 城市路网基于模糊神经网络的平均车速预测模型

3．1．1 车速预测拟采用的T-S模糊神经网络框架

3．1．2 模糊神经网络应用于道路平均车速预测模型构建

3．2 基于Taguchi方法的模糊神经网络输入数据的配置方案

3．2．1 基于Taguchi方法的实验最优设计因素配置

3．2．2 Taguchi方法确定模糊神经网络的道路传感器的配置

3．3 算法仿真与结果分析

3．3．1 模糊神经网络平均车速度预测算法仿真

3．3．2 Taguchi方法用于道路传感器配置仿真分析

3．4 本章小结

4 基于Q学习的协同多路径规划机制

4．1 基于增强学习的路网建模

4．2 基于Q学习的协同多路径规划

4．2．1 基于Q学习的最优路径规划

4．2．2 基于Q学习的多路径规划

4．2．3 多智能体协作的Q学习多路径规划

4．3 算法仿真与结果分析

4．3．1 单智能体的多源多目标路径规划

4．3．2 多智能体的多源多目标路径规划

4．3．3 若干种多路径算法的比较

4．4 本章小结

5 总结与展望

5．1 总结

5．2 展望

参考文献

附录

攻读学位期间主要的论文情况和科研情况

致谢