A Unified Framework for Vehicle Rerouting and Traffic Light Control to Reduce Traffic Congestion论文笔记

系统亮点：

1，将预测和重规划和红绿灯调度一起结合在一个系统里面

A 两个信息素：

1，

简言之，就是根据面积来算当前道路上车的数量

2，

第二个略显复杂，I是下一时刻（t,t+1）的input，O则是output

后面作者着重讲解了I的算法

f(p')可以这么理解：（t-1,t）道路p’车辆数除以通过p’所需时间，在乘以T(P')，也就是绿灯周期，就可以算出在这个时间段内通过的车辆数，最后的比例则是通过红绿灯时候的一个指数，是指车能够通过停线且通过的比例。

B 基于信息素的交通预测

在这里提出了一个蒸发率（？）的定义

是指一定周期内能通过的车辆比例？

1，线性预测

2，回归预测

很简单的回归模型。x是当前，z是下一时刻

后面还讨论了针对不同时间周期的参数策略

C 基于信息素的路径重规划

Selection of Rerouting Vehicles

引入了一个参数l，用于表述如何选择出需要重规划的车辆，l是一个距离，是指距离congestion发生地点的多大范围内的车辆需要考虑重规划；

但随后又提出了l不是唯一的筛选标准，比如车辆背朝congestion开，显然不能纳入考虑，但又没有给出更进一步的策略。（= =）

Rerouting Strategy

在这里不同于其他方法的是，该方案global distance informantion 和 local dynamic pheromone结合起来。

重规划的最大问题是，规划后的路径不可避免的会重合，形成新的拥挤。

所以在新的路径上，附加上一个概率，用以避免重规划的路径重合

D 基于信息素的信号灯调度

TLC Not considering downstream traffic

不考虑下游流量的意思应该是不把车辆的后续流向考虑在内，方案很简单，根据信息素的比对就可以

TLC considering downstream traffic

在这个策略中，还要考虑到流向的道路的信息素大不大，如果很大，就不能一味地放行