统的运行信息回应。在调查中,采取了一个拥挤的走廊,选择了有影响因素的路线和起飞时间来研究。这个结果以前被用于建立一个司机数量模型,司机对现有的运行信息回应不同。利用这一数量,在研究的区域内,不同信息系统的影响能被仿真出来。尽管目前没有结论,但是这样的研究似乎是有希望的。 2.2 预测交通对于优化控制来说,预测交通条件的能力是重要的。例如,如果我们在现有的条件下,能够知道哪些道路将会在未来堵塞,这些信息能够传输给道路使用者, 那么他们就能规避这条道路,从而缓解整个系统的拥堵现象。另外,如果我们能准确的预测不同驾驶策略的后果,一个优化决定(或者至少对这个区间路段的优化预测)就能通过预测结果进行比较。在一个交叉路口,最简单形式的交通预测就是通过在某段时间内测量交通, 或者假设下一时段的交通和现在相同[Ledoux ,1996] ,一个交通灯下,神经网络被用于表示对一列排队的长期预测。一个多感知层[Rumelhart et al.,1986] 被训练来预测下一个时间-- 步长的排队长度,长期预测可以由迭代法一步预测制成。当预测以十个步长进行时,生成的网络将十分精确,但是它还没有被纳入到控制器里。应用于真实生活情况的交通预测模型被描述在[Wahle and Schreckenberg , 2001] 。该模型是一种占用一个仿真基础设施的多代理系统( MAS )。每个代理都有两层控制:一个是(简单的)驾驶决定,另一个是类似于路径选择的决定战术策略。利用已经安装好的探测装置,真实世界的情况就能被建立成模型。从这些装置中,这段路进入和离开的车辆数量的信息能被获得。利用这些信息,在每个交叉路口转弯的车辆数量能够被推断。通过举例说明这种信息的速度要快于实时模拟系统,预测实际的交通就能被做到。一个被安装在杜伊斯堡的系统,使用存在的交通控制中心的信息,在互联网上产生实时信息。另一个系统被安装在北威
全文预览