论文部分内容阅读
伴随着城市中私家车数量的爆发式增长,城市交通承担着越来越大的负担,各大城市中过大的汽车保有量造成的交通拥堵问题已经成为限制城市交通系统快速发展的主要原因之一。随着V2X（Vehicle-To-Everything）通信技术以及人工智能技术（AI）的迅猛发展,智能交通系统车路协同一体化管理的管理方案为缓解城市交通拥堵问题提供了新的解决思路。本文为了缓解城市中心区域交通拥堵,提出了一种基于路网动态定价的网联智能交通路径规划机制。本文主要包括两方面的内容,分别是基于深度学习的城市实时车流信息预测以及多车辆动态路径规划算法,本文的主要研究内容如下:首先,本文提出了基于深度学习的车流预测算法。车辆在城市道路上的行驶主要受到道路的拓扑结构、速度限制,交通拥堵等因素的影响,同时道路中的车流数目也会呈现出周期性变化,这就是城市中车辆移动的时空相关性,本文利用深度学习的算法来提取这种时空相关性,进一步根据这种特征来预测未来一段时间路网的车流数据。本文分析比较了各种常见的算法,仿真结果显示,基于深度学习的算法的预测效果要好于传统的基于时间序列算法,其中卷积神经网络（CNN）模型的预测准确度最高。然后,为了缓解城市拥堵区域的交通状况,本文提出了基于路网动态定价的车辆路径规划算法。城市智能交通系统中的参与者分别为交通管理者（Transport Authority）和车辆用户（Vehicle Users）。道路管理部门的目标是缓解城市拥堵区域的状况并且均衡整个城市路网的交通流量,而车辆用户的目标是完成一次从出发地到目的地的行驶并且最小化自己的出行成本。道路管理部门首先根据预测到的实时车流密度信息来为不同路段制定动态出行价格,对于到达十字路口的车辆来说,他们根据周围的道路价格信息来选择下一时刻的最优路径,以降低自己的出行成本。仿真结果显示,本文所提算法能够有效的缓解城市拥堵区域的交通状况,将拥堵区域的交通流量转移到拥堵状况较轻或者是不拥堵的区域,达到提升路网通行效率的目的。相比于传统的最短路径算法（如Dijkstra算法）,本文所提算法具有更好的性能表现,路网整体拥堵区域的数目要少于其他算法,路网平均车辆通行时间低于其他算法,道路的整体吞吐量也高于最短路径算法。