《一阶混杂佩特里网框架内的高速公路交通建模和控制》由会员分享，可在线阅读，更多相关《一阶混杂佩特里网框架内的高速公路交通建模和控制（28页珍藏版）》请在金锄头文库上搜索。
1、Freeway Traffic Modeling and Control in a First-Order Hybrid Petri Net Framework,一阶混杂佩特里网框架内的高速公路 交通建模和控制,Maria Pia Fanti, Senior Member, IEEE Giorgio Iacobellis, Agostino Marcello Mangini, and Walter Ukovich, Member, IEEE,报 告 人：xxxx 小组成员：xxxx,2019年1月3日,IEEE Transactions on Automation Science and En
2、gineering Publication Year: 2013,第一部分 原论文结构,2019年1月3日,I. Introduction II. Basic of First-Order Hybrid PetriNets III. The Freeway Traffic Model IV. The Freeway Dynamics V. Optimal Control VI. The Case Study VII. Conclusion,第二部分 交通控制策略,2019年1月3日,第一类别：离线或开环控制策略,第二类别：依赖流量传感器的实时闭环控制策略,第三类别：模型预测控制策略(MPC)
3、通过采取坡道计量、可变限速、联合坡道计量和变速极限控制等方法，同时使用在线和离线信息来预测未来状态和实现系统管理。 缺点：计算复杂，不利于在线应用,一阶混杂佩特里网框架内的高速公路交通流模型,2019年1月3日,与其他文献中的现有模型比较的显著优势： 采用图形特征，建模方法简单 采取有效的数学方法，允许系统进行模拟和优化 能够描述车道变化、不可预知的事故和车道堵塞 等特殊情况,该模型是基于MPC策略的FOHPN框架内的一个一阶宏观、时变的交通流状态的模型。 它通过FOHPN动态添加新的宏事件来描述交通流且允许我们定义一个在线的以车流密度最大化为目标的最优限速控制。,第三部分 一阶混杂佩特里网基
4、础,2019年1月3日,3.1 FOHPN的结构和标识,3.2 FOHPN的动态模型,FOHPN的结构和标识,2019年1月3日,一个FOHPN是由六元组 描述的有向图,2019年1月3日,3. 函数,FOHPN的结构和标识,离散时延变迁的时延：,2019年1月3日,FOHPN的结构和标识,4.标识 一个标识 分别表示每个离散库所分配 非负托肯数(用小黑点表示)和每个连续库所分配实数； 表示库所 的标识。时刻 的标识记为 。,5.使能 ，则离散变迁t在m使能； ，则连续变迁t在m使能。 ，则使能的连续变迁t是强使能； ，则使能的连续变迁t是弱使能。,2019年1月3日,FOHPN的结构和标识,
5、 瞬时激发速度与使能关系 在FOHPN系统 中的连续变迁 满足： 若 不使能，则 ； 若 强使能，则 ； 若 弱使能，则 。 其中， 且此由进入 的空输入连续库所数量决定。, 时刻在m下IFS矢量 的是下列线性不等式 组的可行解S(PN,m)： （1） 其中， 是在标识m的连续使能(不使能)变迁的子集； 是连续空库所的子集。,使用线性不等式来描述所有的瞬时激发速度向量集S，对于任一IFS矢量 v S代表系统一种特定的运行模式，再根据目标函数从所有可行的IFS矢量集S 中选取最佳运作模式，即进行优化。,6.瞬时激发速度（IFS）,2019年1月3日,FOHPN的动态模型,FOHPN的动态包含时间
6、驱动动态和事件驱动动态。,FOHPN的动态模型 在宏周期 系统行为描述如下： （2） 其中矩阵 ，向量 的元素是0或1，并由采样时间 的宏事件是否发生决定。,时延变迁在 计时矢量 满足： 不使能， ； 使能， ； 当 不使能或激发，计时器清0。,2019年1月3日,FOHPN的动态模型,POHPN举例,第四部分 高速公路交通模型,2019年1月3日,4.1 一般高速路延伸模型 4.2 入口匝道和出口匝道模型 4.3 车流量中断 4.4 事故后的恢复程序 4.5 车辆换用备用路线 4.6 车辆从高速公路反向车道通过 4.7 某车道内的车流量增速减缓,2019年1月3日,一般高速路延伸模型,两车道
7、路线的FOHPN模型,2019年1月3日,入口匝道和出口匝道模型,入口匝道的FOHPN模型,出口匝道的FOHPN模型,2019年1月3日,车流量中断,车流中断的FOHPN模型,2019年1月3日,事故后的恢复程序,事故后的恢复程序由同时运用的两种行为组成： 行为a：车辆在事故发生地上游的第一个出口匝道排队，并且他们成功地通过备用路线在事故发生地下游重新进入第一个入口匝道。 行为b：在事故上游排队的车辆通过砍掉护栏从反向车道分流。 两种行为的目的均是移走困在事故发生地和上游的最近出口匝道之间的车辆。,2019年1月3日,车辆换用备用路线（行为a）,换备用路线情况的FOHPN模型,2019年1月3
8、日,车辆从高速公路反向车道通过（行为b）,通过反向车道情况的FOHPN模型,2019年1月3日,某车道内的车流量增速减缓,某车道增速减缓的FOHPN模型,第五部分 高速公路动态模型及优化控制,2019年1月3日,高速公路动态模型,代入参数： （4）,定义新的宏事件，发生条件 ： （5） 本文定义阈值 ： （6）,输出车流的IFS： （3）,定义新的宏事件的目的是通过 来近似（3）中求 。车道内车辆数未超过阈值，IFS由（3）式决定；若超过，新的宏事件就发生， 的IFS就被更新。,（3）中瞬时激发速度最大误差： （7）,2019年1月3日,FOHPN框架内的交通模型,固定流密度关系图,2019年
9、1月3日,优化控制（Opt）条件,（8）,为变迁的IFS元素集： （9） J为性能指标函数： （10）,第六部分 案例分析及结论,2019年1月3日,案例是在意大利东北部Portogruaro和San Stino的高速路分支。仿真所用数据由Autovia Venete公司（高速公路的管理方）提供。,2019年1月3日,案例研究,2019年1月3日,案例研究,2019年1月3日,案例研究,2019年1月3日,结论,仿真结果验证了FOHPN框架内的高速公路交通状况的评估、控制模型并显示了本文提出的基于限速的控制方案的有效性。 本文提出的模型和控制技术在意大利东北部 的高速路分支上得到运用。提出的管理系统已经运用于事故和大型车道堵塞问题的解决上。,
