城市交通拥堵问题一直备受关注,干道信号协调控制能有效提升干道通行效率,缓解城市交通拥堵。相位差参数的优化一直是干道信号协调控制领域研究的重点和难点,传统相位差优化方法以相邻交叉口的相位差和延误的关系为研究基础,应用数学公式建立解析模型,忽略了连续交叉口对应的多个相位差之间的内在相关性,且对于“方案生成式”的配时优化模型,无法快速检验模型的有效性。为解决传统研究的不足,本文构建基于神经网络和遗传算法的相位差仿真优化模型。主要分为以下3个方面的内容:(1)首先以交叉口关联性研究为基础,剖析多交口相互影响的作用机理;然后以连续交叉口的多个相位差为研究对象,分析了干道车辆延误与多交叉口相位差关系。考虑到多交叉口相互影响的干道延误函数具有复杂的非线性特征,难以用精确的数学公式表达,引入神经网络来表征干道延误和多交叉口相位差之间的关系。(2)基于神经网络的干道延误函数,设计仿真优化框架。其中,仿真部分由神经网络实现,即给定交叉口之间的相位差,输出干道延误值;设计遗传算法实现优化功能,即寻找神经网络中干道延误函数最小对应的相位差。两者相互迭代,实现对干道最优相位差的求解。(3)以成都市武侯区的盛和路为例,根据调查数据搭建Vissim仿真平台。首先,应用Matlab对Vissim进行二次开发,随机仿真运行不同相位差方案,获取对应的干道延误样本数据。然后,基于样本数据采用神经网络拟合干道车辆延误与相位差之间的关系,并通过遗传算法寻找神经网络中的最优干道延误对应的各个交叉口相位差值。最后,将本文优化结果与数解法、结合法及Synchro进行比较并进行了相关因素的敏感性分析,证明了本文仿真优化模型的有效性。本文从仿真优化角度提出了城市干道相位差优化模型,比传统模型更精准地描述干道延误和交叉口相位差之间的关系。成果可用于城市干道相位差优化,进一步提升城市干道交通运行效率。