1.一种基于MFD的路网交通迭代学习控制方法，其特征在于利用MFD结合迭代学习控制的思想对大型的城市路网进行信号控制，步骤如下：

1)基于MFD获取道路理想占有率：

1.1 获取子区MFD的交通数据：将一个规模较大的城市路网进行划分，得到若干个子区Ri，其中i∈{1,2,3...}，子区划分的算法采用Ncuts算法进行划分，将大规模的城市路网分解为多个“同质”的子区，得到各个子区的交通数据；

1.2 子区MFD拟合：通过各子区的交通数据，不同时刻的累积车辆数和子区的输出流量的MFD特性，采用3阶多项式进行拟合，对于任意子区i拟合形式如下：其中，ni为子区i的累积车辆数，a1～a4为拟合系数；

采用最小二乘法确定经验公式中的拟合系数：

其中，yi为子区i的实际输出流量，G(ni)为子区i流量的近似拟合曲线，根据上式最小化数据偏差 从而得到MFD的拟合结果，根据拟合结果求得拟合曲线的极值点

1.3 确定道路理想占有率：根据步骤b的MFD拟合结果，得到各子区的最佳累积车辆数根据路网Ri结构对子区内部的车辆加权处理，得到子区i中各道路的理想占有率：其中 为步骤b子区i的MFD拟合得到的最佳子区车辆数，Di表示子区i内的各路段长度之和， 为道路j的理想占有率(其中j∈Ri)，作为步骤2)中系统控制设计的参考目标；

2)基于迭代学习控制优化交叉口信号配时：

2.1 开闭环迭代学习控制策略：开闭环的迭代学习控制结构可以表示为以下形式：其中，un(k)为第n次迭代过程第k个采样时刻的控制向量，en(k)为第n次迭代过程第k个采样时刻的误差，kc为闭环学习控制率，ko为开环学习控制率；

2.2 建立状态空间方程：

其中x(k)＝[x1(k),...,xN(k)]T为状态向量，表示路网中各路段包含的车辆数；

u(k)＝[g1(k),...,gN(k)]T为控制向量，表示路网中所有相位的绿灯时间；d(k)为状态扰动向量，表示各路段的扰动；y(k)＝[o1(k),...,oN(k)]T为系统输出，反映路网中各路段的占有率；输入矩阵B反映了路网的相位、周期、饱和流量等特征；输出矩阵C表示表示道路容量和车辆长度的特征；

2.3 优化各交叉口的信号配时：将交通模型中的绿灯时间gj,p(k)作为开闭环迭代学习的控制输入，路段的车辆数xz(k)作为控制状态变量，系统的状态输出与路段车辆数相同；

选择合适的学习率kc和ko，调整交叉口的绿灯时间，控制子区内部的道路占有率，使其追踪理想的 道路占有率；

2.4 重复步骤2)1.3，迭代调整各路口的信号配时，直到路网的车辆数达到步骤1)中设定的理想值 均衡整个路网内部的车辆数。