随着汽车保有量的急速增长,许多大城市面临着区域性的拥堵问题,对社会生活和国民经济都造成了严重影响。因此,城市交通系统优化控制是智能交通领域的重要科学问题和重要研究方向。近些年,许多国内外学者开始从宏观层面利用宏观基本图(Macroscopic Fundamental Diagram,MFD)来设计边界控制器以调节整个路网的车流量,使路网通行能力最大化。目前,已有基于MFD的控制方法多属于基于模型的反馈控制算法。然而,实际路网的MFD模型参数难于标定且易受环境影响发生变化,进而影响这些控制算法的实际应用效果。随着信息、传感、计算机等技术的快速发展,城市交通系统每时每刻都在采集和存储蕴含交通系统运行状态的海量数据。此外,城市交通系统的交通流按天、按周、按季度甚至按年的运行模式都具有重复性。迭代学习控制(Iterative Learning Control,ILC)充分利用系统重复运行信息构造控制器,使系统控制性能随运行次数的增加不断得到改善。因此,基于城市交通流的重复特性,本文提出了城市交通区域的两种迭代学习边界控制方案,给出了相应的误差收敛性分析,并通过大量仿真验证了迭代学习控制方法对于各种场景下的区域路网交通情况均能达到较为理想的控制效果。论文主要工作如下:第一,介绍了 MFD产生的背景、基本性质、影响因素及相关参数的计算公式。给出了基于MFD的城市交通系统模型并作了解析。第二,借鉴宏观基本图和迭代学习控制的现有研究成果,提出了城市交通区域的基于MFD的迭代学习边界控制方案,给出了误差收敛性分析,从宏观层面对不同路网情况(早晚高峰、中心区域拥堵、交通需求时变、不同的期望车辆数、放缩MFD)进行了仿真分析,结果显示,当系统参数仅在时间轴上发生变化时,迭代学习边界控制方案对于各种场景下的区域路网交通状态具有良好的控制效果。第三,为抑制交通系统参数的迭代变化,进一步提出了城市交通区域的前馈反馈迭代学习控制方案、给出误差收敛性证明,并从不同路网情况(早晚高峰、中心区域拥堵、不同的期望车辆数)与迭代学习边界控制方案进行了仿真比较,结果表明,前馈反馈迭代学习控制器在系统参数沿时间轴和迭代轴均发生变化时,仍可以实现误差的快速收敛,保证高精度跟踪的同时具有更好的抗扰动能力。