| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 主要变量与符号注释表 | 第10-22页 |
| 第一章 绪论 | 第22-35页 |
| 1.1 研究背景及意义 | 第22-23页 |
| 1.2 国内外文献综述 | 第23-31页 |
| 1.2.1 交通瓶颈研究 | 第23-25页 |
| 1.2.2 信号控制理论研究 | 第25-28页 |
| 1.2.3 短时交通流预测研究 | 第28-30页 |
| 1.2.4 国内外研究成果总结 | 第30-31页 |
| 1.3 研究目的及主要内容 | 第31-33页 |
| 1.3.1 研究的目标 | 第31-32页 |
| 1.3.2 研究的主要内容 | 第32-33页 |
| 1.3.3 研究技术路线 | 第33页 |
| 1.4 本章小结 | 第33-35页 |
| 第二章 城市道路网交通瓶颈预警流程 | 第35-45页 |
| 2.1 城市道路网交通瓶颈特征及管理需求 | 第35-36页 |
| 2.1.1 交通瓶颈特征 | 第35-36页 |
| 2.1.2 交通瓶颈管理需求 | 第36页 |
| 2.2 城市道路网交通瓶颈预警流程 | 第36-39页 |
| 2.2.1 预警流程制定 | 第36-37页 |
| 2.2.2 交通基础信息采集与分析 | 第37-38页 |
| 2.2.3 潜在交通瓶颈识别 | 第38-39页 |
| 2.2.4 潜在交通瓶颈诱因分析 | 第39页 |
| 2.2.5 交通瓶颈预警信息发布 | 第39页 |
| 2.3 城市道路网交通瓶颈预警关键技术需求 | 第39-43页 |
| 2.3.1 基于实时状态的潜在交通瓶颈识别方法和识别标准 | 第40-41页 |
| 2.3.2 短时交通流预测技术需求 | 第41-42页 |
| 2.3.3 信号交叉口交通特征分析技术需求 | 第42-43页 |
| 2.3.4 协调式信号控制技术需求 | 第43页 |
| 2.4 本章小结 | 第43-45页 |
| 第三章 面向短时交通流预测需求的城市道路交通流数据降维方法 | 第45-63页 |
| 3.1 城市道路短时交通流预测需求分析 | 第45-47页 |
| 3.1.1 城市道路网及交通流特征 | 第45-46页 |
| 3.1.2 城市道路短时交通流预测流程 | 第46-47页 |
| 3.2 交通流时空数据降维方法 | 第47-54页 |
| 3.2.1 交通流时空数据降维思路 | 第47页 |
| 3.2.2 交通流时空数据降维基础理论 | 第47-50页 |
| 3.2.3 虚拟路网构建及数据采集 | 第50-52页 |
| 3.2.4 交通流时空数据降维的案例分析 | 第52-54页 |
| 3.3 交通流数据降维效果验证模型选择和设置 | 第54-57页 |
| 3.3.1 BP神经网络预测建模 | 第54-56页 |
| 3.3.2 多元线性回归预测建模 | 第56页 |
| 3.3.3 误差指标选择 | 第56-57页 |
| 3.4 交通流数据降维对预测结果的改善分析 | 第57-60页 |
| 3.4.1 BP神经网络预测结果分析 | 第57页 |
| 3.4.2 多元线性回归预测分析 | 第57-60页 |
| 3.4.3 预测结果分析 | 第60页 |
| 3.5 本章小结 | 第60-63页 |
| 第四章 基于车头时距分布的信号交叉口特征参数和控制方法研究 | 第63-89页 |
| 4.1 信号交叉口主要特征参数现有计算方法 | 第63-66页 |
| 4.1.1 信号损失时间的计算 | 第63-64页 |
| 4.1.2 饱和流率的计算 | 第64-65页 |
| 4.1.3 车头时距的计算 | 第65-66页 |
| 4.2 特征参数的敏感度分析 | 第66-69页 |
| 4.2.1 信号周期时长计算方法 | 第66-67页 |
| 4.2.2 总损失时间敏感度分析 | 第67页 |
| 4.2.3 饱和流率敏感度分析 | 第67-69页 |
| 4.3 特征参数极端的准确性分析 | 第69-74页 |
| 4.3.1 基础数据采集 | 第69-70页 |
| 4.3.2 总损失时间计算的准确性分析 | 第70-71页 |
| 4.3.3 饱和流率计算的准确定分析 | 第71-73页 |
| 4.3.4 车头时距计算准确性分析 | 第73-74页 |
| 4.4 信号交叉口车头时距分布及标定方法 | 第74-80页 |
| 4.4.1 固定排队位置处的车头时距分布 | 第74-77页 |
| 4.4.2 连续排队位置的车头时距分布 | 第77-79页 |
| 4.4.3 各排队位置车头时距标定分析 | 第79-80页 |
| 4.5 信号交叉口特征参数标定及信号控制方法 | 第80-88页 |
| 4.5.1 最佳绿灯时间控制分析 | 第80-83页 |
| 4.5.2 信号交叉口动态通行能力分析 | 第83-87页 |
| 4.5.3 基于车头时距分布的信号配时分析 | 第87-88页 |
| 4.6 本章小结 | 第88-89页 |
| 第五章 基于联合树法的区域信号协调强化学习控制方法 | 第89-115页 |
| 5.1 交通瓶颈预警对信号协调控制的需求分析 | 第89-90页 |
| 5.1.1 协调控制范围的不规律性 | 第89页 |
| 5.1.2 协调控制目标的多样化 | 第89页 |
| 5.1.3 协调控制方式的动态化 | 第89-90页 |
| 5.2 基于联合树法的区域信号协调强化学习算法基本原理 | 第90-96页 |
| 5.2.1 交通信号控制的强化学习框架 | 第90-91页 |
| 5.2.2 联合树算法及其在强化学习中的应用 | 第91-94页 |
| 5.2.3 基于联合树法的区域信号协调强化学习算法 | 第94-96页 |
| 5.3 基于联合树法的区域信号协调强化学习算法改进 | 第96-101页 |
| 5.3.1 核心参数优化和基本规则优化 | 第96-97页 |
| 5.3.2 JTA信息传递模式的优化 | 第97-98页 |
| 5.3.3 基于单个交叉口运行效果的算法优化 | 第98-100页 |
| 5.3.4 基于交通瓶颈识别需求的回报函数优化 | 第100-101页 |
| 5.4 基于联合树法的区域信号协调强化学习算法改进效果分析 | 第101-112页 |
| 5.4.1 测试环境描述及联合树的构造 | 第101-103页 |
| 5.4.2 基本理论的优化效果 | 第103-106页 |
| 5.4.3 单个交叉口运行状态的优化效果 | 第106-110页 |
| 5.4.4 多目标回报函数的优化效果 | 第110-111页 |
| 5.4.5 改进效果汇总 | 第111-112页 |
| 5.5 本章小结 | 第112-115页 |
| 第六章 实例分析 | 第115-135页 |
| 6.1 研究范围选择及交通流数据采集 | 第115-121页 |
| 6.1.1 研究范围选择及其基础信息 | 第115-116页 |
| 6.1.2 交通流基础数据的采集及基础分析 | 第116-121页 |
| 6.1.3 交通模拟环境构建 | 第121页 |
| 6.2 车头时距分布及信号交叉口动态通行能力 | 第121-127页 |
| 6.2.1 固定排队位置处的车头时距分布 | 第122页 |
| 6.2.2 连续排队位置的车头时距分布 | 第122-124页 |
| 6.2.3 交叉口的动态通行能力分析 | 第124-127页 |
| 6.3 潜在交通瓶颈识别 | 第127-130页 |
| 6.3.1 基于交通流实时状态的潜在交通瓶颈识别 | 第127-128页 |
| 6.3.2 面向短时交通流预测需求的交通流数据降维方法 | 第128-130页 |
| 6.4 基于联合树法的区域信号协调强化学习控制应用 | 第130-132页 |
| 6.4.1 联合树的构建 | 第130-131页 |
| 6.4.2 基于联合树法的区域信号协调强化学习控制 | 第131-132页 |
| 6.4.3 控制效果分析 | 第132页 |
| 6.5 本章小结 | 第132-135页 |
| 第七章 结论与展望 | 第135-139页 |
| 7.1 研究成果与结论 | 第135-136页 |
| 7.2 主要创新点 | 第136-137页 |
| 7.3 研究展望 | 第137-139页 |
| 致谢 | 第139-141页 |
| 参考文献 | 第141-147页 |
| 附表: 基于联合树法的区域信号协调强化学习算法 | 第147-151页 |
| 攻读博士学位期间发表论文及参与科研情况 | 第151-152页 |
