文档详情

基于VISSIM的城市道路交叉口自适应信号控制仿真技术研究-交通运输规划与管理专业论文.docx

发布:2018-12-16约4.89万字共63页下载文档
文本预览下载声明
注L - 子  川 t 丁 子亏 J 立 olfog Jo 3 论文题目  vl 勿Jf叭向 ‘.. rl J附声日 本人郑重声明:所呈交的学位论文是我个人在导师指导下进行的研究 工作及取得的研究成果 。尽我所知,除了文中特别加以标注和致谢的 地方外,论文中不包含其他人已经发表和撰写的研究成果,也不包含 为获得华东交通大学或其他教育机构的学位或证书所使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明 确的说明并表示了谢意。 本人签名 日期必1 r. 6,,之 本人完全了解华东交通大学有关保留、使用学位论文的规定,即:学 校有权保留送交论文的复印件,允许论文被查阅和借阅。学校可以公 布论文的全部或部分内容,可以采用影印、缩印或其他复制手段保存 论文。 保密的论文在解密后遵守此规定,本论文无保密内容。 -.. 本人签名 、 导师签名  日期3 ‘ 6 1- 基于 VISSIM 的城市道路交叉口自适应信号控制仿真技术研究 摘要 本文首先介绍了城市交通信号控制的研究现状、交通流的基本理论、交通信号控制 的基本参数和评价指标,详细阐述了定时信号控制和感应信号控制方法,简要概述了基 于 BP 神经网络交通流预测方法以及微观交通仿真软件 VISSIM。 针对城市主次干路相交路口,设计了感应控制逻辑规则,利用 VisVAP 编写了 VAP 语言,利用 COM 接口技术,设计了 VisVAP-VISSIM-MATLAB 结合的感应控制仿真平 台,对单交叉口实现了对定时控制和感应控制的仿真,并对两者的结果进行了对比分析, 在交通量不大的情况下这种感应控制比定时信号控制整体效果好。 提出基于 BP 神经网络的交通流预测方法,在此基础之上,建立以通行能力最大的 自适应控制优化模型,给出了求解方法,设计了基于 VISSIM-MATLAB 平台的实时控制 仿真的流程。最后在不同到达率下对定时控制、感应信号控制以及自适应控制进行比较, 仿真结果表明车辆到达率较小的情况下,感应控制、自适应信号控制引起的车辆延误较 少。随着到达率的增加,感应信号控制、定时控制和自适应信号控制方法效果逐渐接近, 但是自适应信号控制方法仍优于定时信号控制所得到的控制结果。 关键词:VISSIM,VisVAP,自适应控制,COM 接口 RESEARCH ON VISSIM SIMULATION TECHNIQUE OF Urban INTERSECTION ADAPTIVE SIGNAL CONTROL ABSTRACT This paper introduced the status of urban traffic signal control, the basic theory of traffic flow, the basic parameters and evaluation of traffic signal control, elaborated timing signal control and sensing signal control method, a brief overview of traffic flow forecasting methods by BP neural network and traffic simulation software VISSIM. Designed the induction logic rule control for city primary road intersection, Designed VisVAP-VISSIM-MATLAB combined with inductive control simulation platform for single intersection, with the help of VisVAP to write the VAP language and COM interface technology, which realized the simulation of timing control and actuated control on a single intersection. Then compared and analysised the two signal control results the realization of the simulation of timing control and actuated control. Proposed traffic flow prediction method based on BP neural network. On
显示全部
相似文档