Learning-Aided Warmstart of Model Predictive Control in Uncertain Fast-Changing Traffic
Continental AG(大陆集团)
针对模型预测控制在非凸、快速变化交通环境中易陷入局部最小值及热启动失效的问题,提出神经网络多模态预测与采样细化结合的学习辅助热启动框架,并通过 Monte Carlo 仿真验证。
2023-10-04 cs.AI cs.SY eess.SY
Robust Global Adaptive Exponential Stabilization of Discrete-Time Systems with Application to Freeway Traffic Control
National Technical University of Athens(雅典国立技术大学);Technical University of Crete(克里特理工大学)
本文提出了一种自适应控制方案,用于不确定离散时间系统,保证鲁棒、全局指数收敛到系统期望平衡点。方法结合了名义反馈律和非线性死区观测器,适用于具有未知常参数的非线性不确定系统,并通过高速公路模型验证了其应用性。
2015-09-01 cs.SY eess.SY math.OC
Global Exponential Stabilization of Acyclic Traffic Networks
Technical University of Crete(克里特理工大学);National Technical University of Athens(雅典国立技术大学)
本文提出显式反馈控制器,用于鲁棒、全局指数稳定化一般不确定的有向交通网络。基于向量李雅普诺夫函数准则和网络无环性,证明闭环系统鲁棒全局指数稳定性,并通过实例展示其在实际交通网络中的应用。
2016-10-19 cs.SY eess.SY math.OC
Distil the informative essence of loop detector data set: Is network-level traffic forecasting hungry for more data?
Delft University of Technology(代尔夫特理工大学)
本文提出不确定性感知的交通预测框架,结合交通流理论与图神经网络及证据学习,蒸馏环路检测器数据本质,证明仅约20%样本即可保持同等预测能力。
2023-10-31 cs.LG cs.SY eess.SY
A Study of an Atomic Mobility Game With Uncertainty Under Prospect Theory
本研究提出一种考虑不确定性的移动博弈模型,引入前景理论刻画出行行为,通过平滑近似函数估计成本,并证明均衡存在性及最佳近似。
2024-03-18 cs.SY eess.SY
Reinforcement Learning for Traffic Control with Adaptive Horizon
Purdue University(普渡大学);Ningbo University(宁波大学)
本文提出了一种基于强化学习的交通控制方法,通过自适应时间 horizon 控制策略,结合常规 Q 学习控制器和自适应控制器,以提高 Q 学习算法的效率,并在随机环境下展示出对交通流量和转向率不确定性的鲁棒性。
2019-03-29 cs.SY eess.SY
Stability Results for Simple Traffic Models Under PI-Regulator Control
National Technical University of Athens(雅典国立技术大学);Technical University of Crete(克里特工业大学)
本文研究了PI调节器控制下简单不确定车辆交通网络模型的输入到状态稳定性条件,通过Lyapunov函数估计局部稳定平衡点的吸引域。
2013-08-12 cs.SY eess.SY math.OC
Modeling Traffic Networks Using Integrated Route and Link Data
H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology(佐治亚理工学院 H. 米尔顿·斯图尔特工业与系统工程学院);Johns Hopkins University, Applied Physics Laboratory(约翰斯·霍普金斯大学应用物理实验室);Department of Applied Mathematics and Statistics, Johns Hopkins University(约翰斯·霍普金斯大学应用数学与统计系)
本文通过整合Google Maps的路径旅行时间数据和链接交通状况数据,利用最大似然估计技术建模交通网络,提出了一种更精确的旅行时间可靠性估计方法,并通过实证数据验证了其有效性。
2018-11-04 cs.SY eess.SY math.OC
Real-time system optimal traffic routing under uncertainties -- Can physics models boost reinforcement learning?
Carnegie Mellon University(卡内基梅隆大学);Heinz College, Carnegie Mellon University(卡内基梅隆大学海因茨学院)
针对不确定性下实时交通最优路由难题,提出融合物理模型与强化学习的TransRL算法,通过KL散度约束策略学习,在多路网实验中优于传统模型法和PPO、SAC等SOTA强化学习方法,且动作更可靠可解释。
2024-07-10 cs.AI cs.LG cs.SY
Distributionally Robust Day-ahead Scheduling for Power-traffic Network under a Potential Game Framework
电动汽车的广泛使用给电力-交通耦合网络的调度带来了更多的不确定性和影响。本文研究了日前能源市场中电力-运输耦合网络的最优电力调度问题,该问题考虑了光伏发电和车辆交通需求的多重不确定性。该问题的关键是在日前调度阶段建立两个网络之间的耦合关系模型,并考虑当天的源和负荷的空间不确定性。同时,引入具有一定调节裕度的柔性负荷,保证电力节点的供需平衡,更好地消耗可再生能源。此外,我们显示了电力系统和电动汽车用户之间的相互作用,从潜在的博弈论的角度来看,不确定性的特点是由一个模糊集。为保证日前电力调度中两个网络在统一框架下的个体最优性,建立了两阶段分布式鲁棒集中优化模型,实现了电力-运输耦合网络的均衡。在此基础上,将对偶理论与Benders分解相结合,对分布鲁棒优化模型进行求解。仿真结果表明,该方法可以获得个体最优和保守性较小的策略。
2022-12-04 cs.SY eess.SY
Towards Robust Deep Reinforcement Learning for Traffic Signal Control: Demand Surges, Incidents and Sensor Failures
Technical University of Denmark (DTU)(丹麦技术大学)
本文提出了一种开源的回调框架,用于在交通模拟环境中灵活评估不同深度强化学习配置,研究了深度强化学习自适应交通控制器在需求激增、事故导致的容量下降和传感器故障等场景下的表现,并提出了缓解这些外源不确定性的具体设计。
2019-07-22 cs.LG cs.SY eess.SY
Distributionally Robust Tolls for Traffic Networks with Affine Latency Functions
Georgia Tech(佐治亚理工学院);Dartmouth College(达特茅斯学院)
研究在非原子网络拥堵游戏中,考虑延迟模型不确定性对设计激励措施的影响,采用分布鲁棒优化方法,证明在温和假设下可通过凸优化解决分布鲁棒 tolling 问题,并通过数值模拟验证其在降低系统延迟方面的有效性。
2026-04-07 cs.SY eess.SY
Learning-Based Tracking Perimeter Control for Two-region Macroscopic Traffic Dynamics
针对两区域MFD系统的时变需求与不确定性,提出基于自适应动态规划的最优跟踪周界控制方法,将交通动力学调节至期望时变轨迹,显著降低总出行时间并提升累积出行完成量,验证了方法的鲁棒性。
2025-05-27 cs.SY eess.SY
Distributed Stochastic Model Predictive Control for an Urban Traffic Network
在本文中,我们设计了一个随机模型预测控制(MPC)交通信号控制方法的城市交通网络的外生(入/出)流量和下游交通流的转向比的估计中的不确定性考虑。假设交通模型参数是具有已知期望和方差的随机变量,交通信号控制和协调问题被表示为具有线性和二阶锥约束的二次规划。为了降低计算复杂度,我们提出了一种方法来分解对应于整个交通网络的优化问题成多个子问题。应用交替方向乘子法(ADMM),以分布式方式找到最优的随机交通信号分配。通过VISSIM和MATLAB仿真验证了所设计控制方法的有效性。
2022-09-02 cs.SY eess.SY
Uncertainty-dependent data collection in vehicular sensor networks
Faculty of Transport, Silesian University of Technology(西里西亚理工大学交通学院)
针对车载传感器网络中的数据收集问题,提出利用不确定性估计减少数据传输的算法,以提升无线信道利用效率。
2012-08-06 cs.NI cs.SY eess.SY
Robust Platoon Control in Mixed Traffic Flow Based on Tube Model Predictive Control
协同自适应巡航控制系统的设计在混合交通流中至关重要,其中互联自动驾驶车辆(CAV)和人类驾驶车辆(HDV)共存。与纯CAV相比,主要的挑战是如何处理HDV的预测不确定性,这可能会导致CAV的状态偏离规划轨迹。在现有的研究中,模型预测控制(MPC)被用来重新规划CAV的轨迹,以减轻在每个时间步的偏差。然而,由于重规划过程通常是通过利用车辆间通信的信息来解决优化问题来进行的,因此MPC方法遭受沉重的计算和通信负担。为了解决这一问题,本文提出了一种基于管道MPC的鲁棒队列控制框架。预测的不确定性是动态缓解的反馈控制,并限制在一个集内的高概率。当不确定性超过设定值或出现额外的外部干扰时,前馈控制被触发以规划“管”(设定值的序列),其可以约束CAV的实际轨迹。由于该方法不需要重新规划过程,因此与MPC方法相比,该方法在计算和通信方面更加有效。提供了全面的模拟,以验证所提出的框架的有效性。
2020-07-20 cs.SY eess.SY
Feedback-feedforward Signal Control with Exogenous Demand Estimation in Congested Urban Road Networks
针对城市路网交通不确定性问题,提出结合路段占有率与外生需求实时估计的反馈-前馈线性二次信号控制方案,仿真验证其在需求激增场景下性能优于忽略外生需求的传统方案。
2024-10-06 cs.SY eess.SY
Eco-driving under localization uncertainty for connected vehicles on Urban roads: Data-driven approach and Experiment verification
本文针对城市道路联网车辆在定位不确定性下的生态驾驶问题,提出一种数据驱动MPC方法,通过学习代价函数和约束实现短时域实时速度规划,并在实车实验中实现12%的能效提升。
2024-04-04 cs.SY eess.SY
Global Stability Results for Traffic Networks
National Technical University of Athens(雅典国立技术大学);Technical University of Crete(克里特理工大学)
本文研究了交通网络中非线性、大尺度、不确定离散时间系统的全局渐近稳定性和指数稳定性条件,通过向量Lyapunov函数推导出结果,并应用于交通网络的无拥堵均衡点稳定性分析。
2014-03-24 cs.SY eess.SY math.DS
Increasing Air Traffic: What is the Problem?
\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ Thales Research \& Technology, Palaiseau, France \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ Email;\ \ \ \ \ \ \ \ \ \ \ \ \ \ TAO, INRIA Saclay, France \ \ \ \ \ \ \ \ \ \ \ \ \ \ Email
本文提出一个框架,通过贝叶斯网络建模轨迹不确定性,并利用优化和监控过程最小化扇区拥堵和延误概率,以桥接空中交通管理与控制以及不同空域部门之间的差距。
2012-12-17 cs.AI cs.SY eess.SY
Data efficient reinforcement learning and adaptive optimal perimeter control of network traffic dynamics
The Hong Kong Polytechnic University(香港理工大学);Shenzhen University(深圳大学);Chulalongkorn University(朱拉隆功大学);Sun Yat-Sen University(中山大学)
现有的数据驱动和反馈流量控制策略没有考虑实时数据测量的异质性。此外,传统的强化学习(RL)方法用于交通控制通常收敛缓慢,缺乏数据效率。此外,传统的最优周长控制方案需要精确的知识的系统动态,因此将是脆弱的内生不确定性。为了应对这些挑战,这项工作提出了一种基于积分强化学习(IRL)的方法来学习宏观交通动态自适应最优周边控制。本文的工作对交通运输领域的研究有以下几个方面的贡献:(a)提出了一种基于离散增益更新的连续时间控制方法,以适应离散时间的传感器数据。(b)为了降低采样复杂度和更有效地利用可用数据,将经验重放(ER)技术引入IRL算法。(c)所提出的方法放松了对模型校准的要求,在一个“无模型”的方式,使鲁棒性对建模的不确定性,并通过数据驱动的RL算法,提高了实时性能。(d)基于IRL的算法的收敛性和控制的交通动态的稳定性证明通过李雅普诺夫理论。最优控制律参数化,然后近似神经网络(NN),这适度的计算复杂性。同时考虑了状态和输入约束,而不需要模型线性化。数值算例和仿真实验验证了所提方法的有效性。
2022-09-13 cs.LG cs.SY eess.SY
A self-organizing system for urban traffic control based on predictive interval microscopic model
University of Silesia(西里西亚大学)
本文提出一种基于预测区间微观模型的自组织交通信号系统,通过智能体预测控制动作对交通流的影响,优化交通控制性能,尤其在非均匀交通流中表现更优。
2014-06-04 cs.AI cs.SY eess.SY
An Integrated and Scalable Platform for Proactive Event-Driven Traffic Management
本文提出一个集成平台,通过事件驱动方法预测拥堵,提升交通管理效率。
2017-03-08 cs.AI cs.LG cs.SY
A Novel Method for Lane-change Maneuver in Urban Driving Using Predictive Markov Decision Process
换道机动对于手动和自动驾驶来说一直是一项具有挑战性的任务,特别是在城市环境中。特别是,预测道路上其他车辆的行为的不确定性导致在改变车道时的犹豫不决的行动,这可能导致交通拥堵并引起安全问题。分析了车速区间变化和换道等不确定性因素,设计了城市环境下换道机动的预测马尔可夫决策过程。提出了一种隐马尔可夫模型来描述周围车辆的不确定性。奖励模型使用碰撞概率和可行性/到目标的距离作为主要参数。两种交通场景的数值模拟和分析,证明了所提出的方法的有效性。
2022-12-22 cs.SY eess.SY
Interaction-Aware Behavior Planning for Autonomous Vehicles Validated with Real Traffic Data
University of California, Berkeley(加州大学伯克利分校)
自动驾驶汽车(AV)需要与其他交通参与者进行交互,这些交通参与者可以是合作的或积极的,也可以是专注的或疏忽的。这些不同的特征可以导致完全不同的交互行为。因此,为了实现安全高效的自动驾驶,自动驾驶汽车在规划自己的行为时需要意识到这些不确定性。在本文中,我们制定这样的行为规划问题作为一个部分可观察的马尔可夫决策过程(POMDP)的其他交通参与者的合作被视为一个不可观察的状态。在不同的合作程度下,我们通过最大似然原理从真实的交通数据中学习人类行为模型。在此基础上,采用蒙特卡罗树搜索方法求解POMDP问题。通过仿真和实际交通数据对算法进行了验证,结果表明,该算法能够在无碰撞的情况下成功地完成车道变换。
2021-01-15 cs.RO cs.SY eess.SY
Antifragile Control Systems: The case of an oscillator-based network model of urban road traffic dynamics
现有的交通控制系统只能从多个尺度(即交叉口级、走廊级和区域级)上对交通演变进行局部观察。但幸运的是,尽管其复杂的力学,交通是由各种周期性现象描述。可以利用工作日在早晨和晚上通勤时间的流量分布,使交通适应性和鲁棒性的中断。此外,控制交通也是基于一个周期性的过程,选择绿色时间的相位分配给相反的方向右侧的通行证和互补的红色时间相位的相邻方向。在我们的工作中,我们考虑了一种新的系统,用于道路交通控制网络的基础上相互作用的振荡器。这样的模型具有捕获交通灯相位的时间和空间相互作用以及交通宏观特征(即流量、密度)的网络级演变的优点。在这项研究中,我们提出了一个新的实现的反脆弱控制框架,以控制网络的相互作用的基于交通灯模型,以实现区域级的流量优化。我们证明了反脆弱控制可以捕捉城市道路环境的波动性和可能发生的中断分布的不确定性。我们补充我们的控制理论的设计和分析与实验在现实世界中的设置比较讨论的好处反脆弱性设计的交通控制。
2023-01-24 cs.DC cs.SY eess.SY
Anomaly Detection in Automatic Generation Control Systems Based on Traffic Pattern Analysis and Deep Transfer Learning
在现代高度互联的电网中,自动发电控制(AGC)对维持电网的稳定至关重要。AGC系统对信息和通信技术系统的依赖使其容易受到各种网络攻击。因此,信息流(IF)分析和异常检测对于防止网络攻击者将网络物理电力系统(CPPS)推向不稳定状态至关重要。本文研究了CPPS中ICT网络流量的规律,提取了ICT网络流量的频域特征,并基于ResNeSt卷积神经网络(CNN)提出了一种鲁棒的学习算法。此外,为了克服异常流量标记样本不足的问题,使用了迁移学习方法。在所提出的基于数据驱动的方法中,深度学习模型通过交通频率特征来训练,这使得我们的模型对AGC的参数不确定性和建模非线性具有鲁棒性。
2022-09-16 cs.AI cs.LG cs.SY