基于非线性决策规则的实时交通信号控制方法以降低拥堵与排放
最优化与控制
2019-03-20 v2
摘要
我们提出了一种基于非线性决策规则（NDR）的实时信号控制框架，该规则定义了网络状态与信号控制参数之间基于当前交通状况到实际信号控制的非线性映射，并且该映射通过离线仿真进行优化。NDR 由两种神经网络实例化：前馈神经网络（FFNN）和循环神经网络（RNN），它们处理近期交通信息的方式不同，并就其性能进行了比较。NDR 在 West Glasgow 真实路网的微观交通仿真（S-Paramics）中实现，其中 NDR 的离线训练相当于一种以减小延误、CO2 与黑碳排放为目标的基于仿真的优化。排放计算基于仿真生成的高保真车辆动力学以及 AIRE 瞬时排放模型。我们进行了大量测试来评估 NDR 框架，不仅针对其在降低上述目标方面的有效性，还涉及局部与全局效益、延误与排放之间的权衡、传感器位置的影响以及不同水平的路网饱和度。结果表明，NDR 是一种缓解拥堵和降低交通排放的有效、灵活且稳健的方法。
引用
@article{arxiv.1809.01244,
title = {Nonlinear Decision Rule Approach for Real-Time Traffic Signal Control for Congestion and Emission Reductions},
author = {Junwoo Song and Simon Hu and Ke Han and Chaozhe Jiang},
journal= {arXiv preprint arXiv:1809.01244},
year = {2019}
}
备注
28 pages, 10 figures, 3 tables