×
王，李;林世民;杨景峰;张，南丰;杨，季;李勇;周汉东;杨凤;李志夫

基于交通流理论模型和神经网络数据校准算法的动态交通拥堵仿真与消散控制。 （英语） Zbl 1380.93053号

复杂性 2017年，文章ID 5067145，11 p.（2017）.
摘要：交通拥堵是许多国家，尤其是大城市的一个常见问题。目前，我国城市道路交通事故频发，发生频率高，事故造成交通拥堵，事故造成道路交通拥堵反之亦然。交通事故的发生往往导致道路通行能力的降低，形成交通瓶颈，造成交通拥堵。本文利用改进的中间交通模型对交通拥堵的形成和传播进行了模拟，并对拥堵消散的控制策略进行了研究。从定量交通拥堵的角度出发，给出了构建城市交通一体化仿真平台的事实，提出了一种基于RBF神经网络的可行数据分析、学习和参数标定方法，用于确定相应的决策支持系统。仿真结果证明本文提出的控制策略是有效可行的。根据论文的时空演变，我们可以看到网络整体上得到了改进。

MSC公司：

93A30型 系统数学建模（MSC2010）
90B20型 运筹学中的交通问题
93B20型 最小系统表示

关键词：

动态交通拥堵仿真;耗散控制;交通流理论;神经网络数据校准算法

软件：

神经网络工具箱;Matlab公司
PDF格式BibTeX公司 XML格式引用
\textit{L.Wang}等人，《复杂性2017》，文章ID 5067145，11 p.（2017；Zbl 1380.93053）
全文： 内政部

参考文献：

[1] Junghare，M.公司。；Shimpi，M.，《无线传感器网络拥塞控制协议调查》，《IJCA会议论文集》
[2] Wan，J。；Xu，X。；冯·R。；Wu，Y.，无线传感器网络的跨层主动预测拥塞控制协议，Sensors，9，10，8278-8310（2009）·doi:10.3390/s91008278
[3] O.扬。；Möhring，R.H。；舒尔茨，A.S。；Stier-Moses，N.E.，《拥塞网络中具有用户约束的交通流系统优化路由》，运筹学，53，4，600-616（2005）·Zbl 1165.90499号 ·doi:10.1287/opre.1040.1097
[4] 杨，C。；王，X。；李，Z。；李毅。；Su，C.，基于波动变量和神经网络组合的远程操作控制，IEEE系统、人类和控制论汇刊：系统，47，8，2125-2136（2017）·doi:10.1109/tsmc.2016.2615061
[5] 杨，C。；李，Z。；Li，J.，一类轮式倒立摆车辆模型的轨迹规划和优化自适应控制，IEEE控制论汇刊，43，1，24-36（2013）·doi:10.1109/TSMCB.2012.2198813
[6] 杨，C。；王，X。；Cheng，L。；Ma，H.，基于神经学习的保证性能远程机器人控制，IEEE控制论汇刊，47，10，3148-3159（2017）·doi:10.1109/TCYB.2016.2573837
[7] 赵，Z。；刘，Y。；Luo，F.，具有输入饱和约束的轴向运动系统的输出反馈边界控制，ISA Transactions，68，22-32（2017）·doi:10.1016/j.isatra.2017.02.009
[8] 赵，Z。；刘，Y。；郭，F。；Fu，Y.，轴向运动弦系统的振动控制和边界张力约束，非线性动力学，89，4，2431-2440（2017）·Zbl 1377.93124号 ·doi:10.1007/s11071-017-3595-x
[9] 赵，Z。；刘，Y。；Luo，F.，有界输入弦振动系统的边界控制·Zbl 1391.93119号 ·doi:10.1002/asjc.1555
[10] 赵，Z。；刘，Y。；He，W。；Luo，F.，高加减速轴向运动带系统的自适应边界控制，IET控制理论与应用，10，11，1299-1306（2016）·doi:10.1049/iet-cta.2015.0753
[11] Z.-J.赵。；刘，Y。；郭，F。；Fu，Y.，一类轴向运动非均匀系统的建模与控制，国际系统科学杂志，48，4，849-861（2017）·Zbl 1358.93096号 ·doi:10.1080/00207721.2016.1217099
[12] Newey，W.K.，非参数连续/离散选择模型，《国际经济评论》，48，4，1429-1439（2007）·文件编号：10.1111/j.1468-2354.2007.00469.x
[13] 陈，S。；Yang，N.，基于传感器网络轻量级缓冲管理的拥塞避免，IEEE并行和分布式系统事务，17，9，934-946（2006）·doi:10.1109/TPDS.2006.115
[14] 霍华德博士。；马克·B。；Martin，H.，《用于Matlab的神经网络工具箱》（2007），美国马萨诸塞州纳蒂克：美国马萨诸塞州纳蒂克市数学工场
[15] 张，N.F。；Yang，J.F。；薛永杰。；李，Z。；Huang，X.L.，基于RBF神经网络的农业机械操作姿态快速检测智能传感器校准方法，应用力学与材料，373-375932-935（2013）·doi:10.4028/www.scientific.net/AMM.373-375.932
[16] Petrin，A.，《量化新产品的益处：小型货车案例》，《政治经济学杂志》，第110、4、705-729页（2002年）·doi:10.1086/340779
[17] Peeta，S。；Ziliaskopoulos，A.K.，《动态交通分配的基础：过去、现在和未来》，《网络与空间经济学》，1，3-4，233-265（2001）·doi:10.1023/A:1012827724856
[18] 赵，Z。；王，X。；张，C。；刘，Z。；Yang，J.，基于神经网络的输入死区振动弦系统边界控制，2017年·doi:10.1016/j.neucom.2017.09.050
[19] He，W。；陈，Y。；Yin，Z.，具有完全状态约束的不确定机器人的自适应神经网络控制，IEEE控制论汇刊，46，3620-629（2016）·doi:10.1109/TCYB.2015.2411285
[20] He，W。；Dong，Y。；Sun，C.，具有输入饱和的机器人机械手的自适应神经阻抗控制，IEEE系统、人类和控制论汇刊：系统，46，334-344（2016）·doi:10.1109/TSMC2015.2429555
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。