Jun, 2024

大规模城市道路网络的可微分预测控制

PDF
TL;DR基于物理学知识的机器学习方法，该论文提出了一种新的交通网络控制方法，通过基于宏观基本图 (MFD) 和网络宏观基本图 (NMFD) 的简化表示，实现对交通网络的优化控制，以减少能源相关排放和缓解拥堵问题。该方法通过与现有的模型预测控制 (MPC) 方法进行实证比较，证明计算时间减少 4 个数量级，交通性能提高 37%。同时，该论文还评估了控制器对情景变化的稳健性，发现它能够适应交通模式的变化。该研究提出了更高效的交通控制方法，特别适用于大规模城市网络，旨在减少排放并未来缓解拥堵问题。
发现论文，激发创造
  • 深度神经网络模型预测控制框架介绍及快速控制器实现

    基于深度神经网络的非线性模型预测控制（MPC）在同质压燃点火（HCCI）燃烧控制方面的实验实施结果良好，具有优秀的 IMEP 轨迹跟踪性能和过程约束的观测情况。

    Oct, 2023

  • 基于数据 / 时刻驱动的集体动力学快速预测控制方法

    大规模粒子系统的反馈控制合成在模型预测控制（MPC）框架内进行回顾。集体动力学的高维特性阻碍了传统 MPC 算法的性能，该算法基于每个时间步的快速在线动态优化。提出了两种 MPC 的替代方案。首先，讨论了使用监督学习技术对最优反馈定律进行离线近似的方法。然后，回顾了一种基于粒子集合宏观量的顺序线性化动态的过程。这两种方法绕过了在线求解最优控制问题，实现了大规模粒子系统的快速实时反馈合成。数值实验证明了所提出算法的性能。

    Feb, 2024

  • 深度确定性策略梯度用于城市交通信号灯控制

    本文旨在提出一种使用深度学习 DDPG 算法来优化交通信号灯时序的方法，以应对交通数据信息量大的情况，并在简单和复杂的交通网络测试中获得了良好结果。

    Mar, 2017

  • NeurOpt: 基于神经网络的建筑能源管理和环境控制优化

    本研究提出了一种基于神经网络的数据驱动控制算法，以减少建筑物模型识别的成本，通过建筑物能耗和区域温度的动态模型，实现了较高的精度和与默认系统控制器相比的节能和更好的住户舒适度。

    Jan, 2020

  • 无限时域可微模型预测控制

    本文提出了一种可微分的线性二次模型预测控制（MPC）框架，用于安全模仿学习，其中利用从离散时间代数 Riccati 方程（DARE）获得的终端成本函数强制实施无限地平线成本，以便能够证明所学控制器在闭环中稳定。该框架的学习能力在一组数值研究中得到了证明。

    Jan, 2020

  • 在线学习方法的模型预测控制

    本文提出了一种基于动态镜像下降 (DMD) 的模型预测控制 (MPC) 算法 (DMD-MPC)，该算法结合了在线学习算法的思想，是一种通用的 MPC 算法，并在实验中展示了其适用性。

    Feb, 2019

  • 基于模型预测控制的公路匝道计量的强化学习

    基于模型和学习策略的协同作用，以及嵌入强化学习技术在模型预测控制框架内，以提高交通流量管理的创新方法为控制问题的公式化，该方法考虑了道路匝道入口流量控制的变数模型和需求不确定性，并通过模拟实验验证了其有效性。

    Nov, 2023

  • 基于对偶求解的交互预测的可扩展多模态模型预测控制

    我们提出了一种用于复杂多模态交通场景中可扩展实时模型预测控制（MPC）的分层体系结构。该体系结构包括两个关键组件：1）RAID-Net，一种基于注意力机制的新型循环神经网络，使用拉格朗日对偶性在 MPC 预测范围内预测自动车辆与周围车辆之间的相关交互；2）一个简化的随机 MPC 问题，通过消除无关的避撞约束，提高计算效率。我们的方法在一个模拟的交通路口中演示了交互式周围车辆，展示了在解决运动规划问题时的 12 倍加速。可以在此链接中找到展示该体系结构在多个复杂交通场景中的视频。

    Feb, 2024

  • 城市交通拥堵预测的可扩展深度流量神经网络

    通过去中心化的深度学习方法，基于相邻车站的拥堵状态实时准确地预测每个车站的拥堵状况，避免了中央处理器的局限性并提升了系统的实时反馈能力和实用性。同时为了避免训练数据集的不平衡，引入了经过正则化的欧氏距离损失函数。通过北加利福尼亚交通数据建立新的数据集进行实验，成果表明该方法成功预测了交通拥堵。

    Mar, 2017

  • 持续演化的图神经控制微分方程用于交通预测

    提出了连续演化图神经控制微分方程（CEGNCDE）来同时捕捉连续的时间依赖关系和随时间演变的空间依赖关系，通过基于 NCDE 的连续演化图生成器（CEGG）来生成连续演化的离散历史观测下的空间依赖图，然后引入了图神经控制微分方程（GNCDE）框架来同时捕捉连续的时间依赖关系和空间依赖关系。大量实验表明，CEGNCDE 相较于现有方法平均减少了 2.34％的相对 MAE，0.97％的相对 RMSE 和 3.17％的相对 MAPE。

    Jan, 2024