<address id="pnrlx"></address>

<progress id="pnrlx"><track id="pnrlx"><ol id="pnrlx"></ol></track></progress>

<font id="pnrlx"></font>

<dl id="pnrlx"></dl>

一種信號燈配時方法及裝置與流程

文檔序號:29648321發布日期:2022-04-13 21:54來源:國知局
一種信號燈配時方法及裝置與流程

1.本發明涉及數據處理技術領域,尤其涉及一種信號燈配時方法及裝置。


背景技術:

2.隨著國民經濟的高速發展和城市化進程的加快,城市交通問題成為制約城市經濟和社會可持續發展的瓶頸。城市交通控制技術是有效解決城市交通問題和提高城市交通運行效率的重要方式。
3.在城市交通控制技術中,信號燈配時是一個重要的工作。其中,信號燈配時可以包括確定路口處的紅燈配時時長和綠燈配時時長等。
4.當前,信號燈配時是由工作人員通過肉眼觀察路口的交通情況,基于個人經驗和知識進行的。
5.但是,城市中的路口較多且存在交通情況變化快等情況,人工進行信號燈配時的方式需要消耗較多的人力資源,效率較低。


技術實現要素:

6.鑒于上述問題,本發明提供一種克服上述問題或者至少部分地解決上述問題的信號燈配時方法及裝置,技術方案如下:一種信號燈配時方法,包括:分別獲得目標路網中的多個路口在與目標預測時段對應的歷史時段內的交通流量數據;將各所述路口在所述歷史時段內的交通流量數據,輸入到訓練好的用于預測交通流量數據的圖卷積網絡模型中,獲得所述圖卷積網絡模型輸出的各所述路口在目標預測時段內的交通流量數據;從各所述路口在所述目標預測時段內的交通流量數據中,獲得目標路口在所述目標預測時段內的交通流量數據;基于目標路口在所述目標預測時段內的交通流量數據,構建信號燈配時模型;利用所述信號燈配時模型,確定與所述目標路口在所述目標預測時段內的交通流量數據相匹配的最佳信號燈配時信息;所述最佳信號燈配時信息至少包括:最佳綠燈配置時長和/或最佳信號燈周期。
7.可選的,所述圖卷積網絡模型在獲得各所述路口在所述歷史時段內的交通流量數據之后,對各所述路口在所述歷史時段內的交通流量數據、已訓練迭代好的權重參數以及所述目標路網的路網信息對應的圖矩陣和鄰接矩陣進行計算,獲得并輸出各所述路口在所述目標預測時段內的交通流量數據。
8.可選的,所述圖卷積網絡模型中設置有激活函數;所述對各所述路口在所述歷史時段內的交通流量數據、已訓練迭代好的權重參數以及所述目標路網的路網信息對應的圖矩陣和鄰接矩陣進行計算,包括:
所述圖卷積網絡模型將各所述路口在所述歷史時段內的交通流量數據、已訓練迭代好的權重參數以及所述目標路網的路網信息對應的圖矩陣和鄰接矩陣輸入到所述激活函數中進行計算。
9.可選的,各所述路口均設置有用于監測所述路口的交通流量數據的流量傳感器;所述分別獲得目標路網中的多個路口在與目標預測時段對應的歷史時段內的交通流量數據,包括:分別獲得由各所述流量傳感器發送的各所述路口在所述歷史時段內的交通流量數據。
10.可選的,所述目標路口中的允許行駛方向包括第一數量的相位方向;所述目標路口在所述目標預測時段內的交通流量數據包括:各所述相位方向上的在所述目標預測時段內的交通流量數據。
11.可選的,所述基于目標路口在所述目標預測時段內的交通流量數據,構建信號燈配時模型,包括:構建所述第一數量的單相擁堵模型,各所述單相擁堵模型相同;基于各所述相位方向在所述目標預測時段內的交通流量數據在所述目標路口上的流量占比,相應的對各所述單相擁堵模型進行賦權;將賦權后的各所述單相擁堵模型整合為所述信號燈配時模型。
12.可選的,所述利用所述信號燈配時模型,確定與所述目標路口在所述目標預測時段內的交通流量數據相匹配的最佳信號燈配時信息,包括:將所述信號燈配時模型確定為目標函數;基于預設的綠燈顯示時長范圍和信號燈周期范圍,確定為所述目標函數尋找最優解的變量空間;采用自衰減變異率的遺傳算法在所述變量空間中進行空間搜索,確定所述目標函數取得最優解時的所述最佳信號燈配時信息。
13.可選的,在所述分別獲得目標路網中的多個路口在與目標預測時段對應的歷史時段內的交通流量數據之后,所述方法還包括:對各所述路口在所述歷史時段內的交通流量數據進行歸一化處理,獲得歸一化處理后數據;所述將各所述路口在所述歷史時段內的交通流量數據,輸入到訓練好的用于預測交通流量數據的圖卷積網絡模型中,包括:將所述歸一化處理后數據輸入到所述圖卷積網絡模型中。
14.可選的,在所述獲得所述圖卷積網絡模型輸出的各所述路口在目標預測時段內的交通流量數據之后,所述方法還包括:對各所述路口在所述目標預測時段內的交通流量數據進行反歸一化處理,獲得各所述路口的反歸一化處理后數據;所述從各所述路口在所述目標預測時段內的交通流量數據中,獲得目標路口在所述目標預測時段內的交通流量數據,包括:從各所述路口的反歸一化處理后數據中獲得所述目標路口的反歸一化處理后數據;
所述基于目標路口在所述目標預測時段內的交通流量數據,構建信號燈配時模型,包括:基于所述目標路口的反歸一化處理后數據,構建信號燈配時模型。
15.一種信號燈配時裝置,包括:第一獲得單元、第一輸入單元、第二獲得單元、第三獲得單元、第一構建單元和第一確定單元;其中:所述第一獲得單元,用于分別獲得目標路網中的多個路口在與目標預測時段對應的歷史時段內的交通流量數據;所述第一輸入單元,用于將各所述路口在所述歷史時段內的交通流量數據,輸入到訓練好的用于預測交通流量數據的圖卷積網絡模型中;所述第二獲得單元,用于獲得所述圖卷積網絡模型輸出的各所述路口在目標預測時段內的交通流量數據;所述第三獲得單元,用于從各所述路口在所述目標預測時段內的交通流量數據中,獲得目標路口在所述目標預測時段內的交通流量數據;所述第一構建單元,用于基于目標路口在所述目標預測時段內的交通流量數據,構建信號燈配時模型;所述第一確定單元,用于利用所述信號燈配時模型,確定與所述目標路口在所述目標預測時段內的交通流量數據相匹配的最佳信號燈配時信息;所述最佳信號燈配時信息至少包括:最佳綠燈配置時長和/或最佳信號燈周期。
16.可選的,所述圖卷積網絡模型在獲得各所述路口在所述歷史時段內的交通流量數據之后,對各所述路口在所述歷史時段內的交通流量數據、已訓練迭代好的權重參數以及所述目標路網的路網信息對應的圖矩陣和鄰接矩陣進行計算,獲得并輸出各所述路口在所述目標預測時段內的交通流量數據。
17.可選的,所述圖卷積網絡模型中設置有激活函數;所述對各所述路口在所述歷史時段內的交通流量數據、已訓練迭代好的權重參數以及所述目標路網的路網信息對應的圖矩陣和鄰接矩陣進行計算,設置為:所述圖卷積網絡模型將各所述路口在所述歷史時段內的交通流量數據、已訓練迭代好的權重參數以及所述目標路網的路網信息對應的圖矩陣和鄰接矩陣輸入到所述激活函數中進行計算。
18.可選的,各所述路口均設置有用于監測所述路口的交通流量數據的流量傳感器;所述第一獲得單元,用于分別獲得由各所述流量傳感器發送的各所述路口在所述歷史時段內的交通流量數據。
19.可選的,所述目標路口中的允許行駛方向包括第一數量的相位方向;所述目標路口在所述目標預測時段內的交通流量數據包括:各所述相位方向上的在所述目標預測時段內的交通流量數據。
20.可選的,所述第一構建單元包括:模型構建單元、賦權單元和整合單元;其中:所述模型構建單元,用于構建所述第一數量的單相擁堵模型,各所述單相擁堵模型相同;所述賦權單元,用于基于各所述相位方向在所述目標預測時段內的交通流量數據在所述目標路口上的流量占比,相應的對各所述單相擁堵模型進行賦權;
所述整合單元,用于將賦權后的各所述單相擁堵模型整合為所述信號燈配時模型。
21.可選的,所述第一確定單元包括:第二確定單元、第三確定單元和第四確定單元;其中:所述第二確定單元,用于將所述信號燈配時模型確定為目標函數;所述第三確定單元,用于基于預設的綠燈顯示時長范圍和信號燈周期范圍,確定為所述目標函數尋找最優解的變量空間;所述第四確定單元,用于采用自衰減變異率的遺傳算法在所述變量空間中進行空間搜索,確定所述目標函數取得最優解時的所述最佳信號燈配時信息。
22.可選的,所述裝置還包括:第四獲得單元;所述第四獲得單元,用于在所述分別獲得目標路網中的多個路口在與目標預測時段對應的歷史時段內的交通流量數據之后,對各所述路口在所述歷史時段內的交通流量數據進行歸一化處理,獲得歸一化處理后數據;所述第一輸入單元,用于將所述歸一化處理后數據輸入到所述圖卷積網絡模型中。
23.可選的,所述裝置還包括:第五獲得單元;所述第五獲得單元,用于在所述獲得所述圖卷積網絡模型輸出的各所述路口在目標預測時段內的交通流量數據之后,對各所述路口在所述目標預測時段內的交通流量數據進行反歸一化處理,獲得各所述路口的反歸一化處理后數據;所述第三獲得單元,用于從各所述路口的反歸一化處理后數據中獲得所述目標路口的反歸一化處理后數據;所述第一構建單元,用于基于所述目標路口的反歸一化處理后數據,構建信號燈配時模型。
24.本發明提出的信號燈配時方法及裝置,分別獲得目標路網中的多個路口在與目標預測時段對應的歷史時段內的交通流量數據;將各路口在歷史時段內的交通流量數據,輸入到訓練好的用于預測交通流量數據的圖卷積網絡模型中,獲得圖卷積網絡模型輸出的各路口在目標預測時段內的交通流量數據;從各路口在目標預測時段內的交通流量數據中,獲得目標路口在目標預測時段內的交通流量數據;基于目標路口在目標預測時段內的交通流量數據,構建信號燈配時模型;利用信號燈配時模型,確定與目標路口在目標預測時段內的交通流量數據相匹配的最佳信號燈配時信息;最佳信號燈配時信息至少包括:最佳綠燈配置時長和/或最佳信號燈周期。本發明可以預測目標路口的交通流量數據,基于目標路口的交通流量數據構建信號燈配時模型,利用信號燈配時模型確定相應的最佳信號燈配時信息,自動的根據交通流量數據進行信號燈配時的確定和調整,提高信號燈的配時效率和配時準確率,而無需通過人力來觀察路口交通情況來進行人工的信號燈配時,避免人力資源的消耗,降低信號燈配時成本。
25.上述說明僅是本發明技術方案的概述,為了能夠更清楚地了解本發明的技術手段,可依照說明書的內容予以實施,并且為了讓本發明的上述和其它目的、特征和優點能夠更明顯易懂,以下特舉本發明的具體實施方式。
附圖說明
26.為了更清楚地說明本技術實施例或現有技術中的技術方案,下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹,顯而易見地,下面描述中的附圖僅僅是本技術的實施例,對于本領域普通技術人員來講,在不付出創造性勞動的前提下,還可以根據提供的附圖獲得其他的附圖。
27.圖1示出了本發明實施例提供的第一種信號燈配時方法的流程圖;圖2示出了本發明實施例提供的一種路網中各路口的有向連接示意圖;圖3示出了本發明實施例提供的一種十字路口的交通相位圖;圖4示出了本發明實施例提供的一種遺傳算法的整體流程圖;圖5示出了本發明實施例提供的一種信號燈配時裝置的結構示意圖。
具體實施方式
28.下面將參照附圖更詳細地描述本發明的示例性實施例。雖然附圖中顯示了本發明的示例性實施例,然而應當理解,可以以各種形式實現本發明而不應被這里闡述的實施例所限制。相反,提供這些實施例是為了能夠更透徹地理解本發明,并且能夠將本發明的范圍完整的傳達給本領域的技術人員。
29.如圖1所示,本實施例提出了第一種信號燈配時方法。該方法可以包括以下步驟:s101、分別獲得目標路網中的多個路口在與目標預測時段對應的歷史時段內的交通流量數據;其中,目標路網可以包括有需要進行流量預測的目標路口以及與目標路口相關性較高的路口,比如相鄰路口和周邊路口。如圖2所示的目標路網,一個圓圈即可以表征一個路口,圓圈內的數字可以為路口的標識,圓圈之間帶有箭頭的連線表示允許的行車方向。
30.可選的,路口可以為t型路口,也可以為十字型路口,也可以為直角型路口,本發明對此不作限定。
31.其中,交通流量數據可以是僅包括機動車的流量,可以是僅包括非機動車的流量,也可以是僅包括行人的流量。當然,交通流量數據也可以同時包括機動車、非機動車和/或行人的流量。
32.可以理解的是,本發明可以先行確定待預測的流量對象,之后再基于該流量對象,獲得各路口在上述歷史時段內的相應流量數據。比如,如果待預測的流量對象為機動車,則本發明可以獲得各路口在上述歷史時段內的機動車的流量數據。
33.具體的,一個路口可以包括一種或多種交通相位。比如,如圖3所示,某個十字路口上針對機動車的交通相位可以包括有相位a、相位b、相位c和相位d。其中,各相位中標示的箭頭標示在相應信號燈顯示綠燈時,其允許通行的交通流向,比如,當相位a對應的信號燈顯示綠燈時,相位a上的對向車均可以進行左轉彎。
34.具體的,一個路口在某個時段內的交通流量數據,可以包括在該時段內,該路口的各個交通相位依次在各自的相位時段中的交通流量。其中,一個相位時段即可以為相應的某個交通相位的通行時段,該相位時段的時長即可以包括該交通相位上的信號燈的綠燈顯示時長和黃燈顯示時長。比如,如圖3所示的十字路口,如果相位a、相位b、相位c和相位d分別對應的相位時段的時長均為30秒,該十字路口在5分鐘內的機動車流量為:相位a在第1至
30秒內的機動車流量為a1,相位b在第31至60秒內的機動車流量為a2,相位c在第61秒至90秒內的機動車流量為a3,相位d在第91至120秒內的機動車流量為a4,相位a在第121至150秒內的機動車流量為a5,相位b在第151至180秒內的機動車流量為a6
……
,相位a在第241至270秒內的機動車流量為a9,相位b在第271至300秒內的機動車流量為a10,則該十字路口在該5分鐘內的機動車的交通流量數據可以為{a1,a2,a3,a4,a5,a6,
……
,a9,a10}。
35.可以理解的是,在實際交通環境中,很多路口的交通流量數據是有一定相關性的,該相關性可以取決于路口間的距離等環境因素,因此,在對目標路口的交通流量數據進行預測時,單純考慮目標路口的環境不夠準確和嚴謹。因此,本發明可以在實際應用環境允許(比如目標路口與相鄰路口和周邊路口的距離未超過一定距離)的前提下,直接把目標路網內的流量一起納入預測考慮范圍,即對目標路網內的流量進行預測。之后,再從目標路網的預測流量中確定出目標路口的流量。
36.需要說明的是,目標路網可以是由技術人員根據實際情況,在目標路口的周邊交通環境中進行劃分確定,本發明對此不作限定。
37.其中,目標路口在目標預測時段內的交通流量數據即可以為本發明需要預測的目標路口的交通流量數據。
38.其中,歷史時段可以為在目標預測時段之前的、與目標預測時段相鄰的包含有相應時長的時段。比如,如果當前需要進行交通流量數據預測的時段為12時21分至30分內的時段,則歷史時段可以為12時11分至20分內的時段;再比如,如果當前需要進行交通流量數據預測的時段為12時21分至30分內的時段,則歷史時段可以為12時01分至20分內的時段。
39.需要說明的是,歷史時段包含的時長與目標預測時段包含的時長可以是相等的,也可以是不相等的。
40.具體的,本發明可以分別獲得目標路網中的各路口在上述歷史時段內的交通流量數據。比如,當目標路網中包括有第一路口和第二路口時,本發明可以獲得第一路口在上述歷史時段內的交通流量數據,獲得第二路口在上述歷史時段內的交通流量數據。
41.可選的,在本實施例提出的其他信號燈配時方法中,各路口均設置有用于監測路口的交通流量數據的流量傳感器;此時,步驟s101可以包括:分別獲得由各流量傳感器發送的各路口在上述歷史時段內的交通流量數據。
42.其中,流量傳感器可以為用于監測和記錄其所在路口車流量的傳感器??蛇x的,流量傳感器可以為雷達傳感器。具體的,每個路口均可以設置有一個或多個流量傳感器,本發明可以從各路口所設置的流量傳感器處,獲得其發送的路口的交通流量數據。
43.具體的,本發明可以獲得由各流量傳感器按照相同周期返回的各路口的交通流量數據。比如,各路口上設置的流量傳感器,均可以每5分鐘返回一次其監測到的交通流量數據。
44.s102、將各路口在上述歷史時段內的交通流量數據,輸入到訓練好的用于預測交通流量數據的圖卷積網絡模型中;可以理解的是,圖卷積網絡模型的網絡架構可以為圖卷積神經網絡。
45.具體的,圖卷積網絡模型可以用于對目標路網內各路口在目標預測時段內的交通流量數據進行預測。圖卷積網絡模型的輸入可以為目標路網中各路口在上述歷史時段內的交通流量數據,輸出可以為目標路網中各路口在目標預測時段內的交通流量數據。
46.需要說明的是,圖卷積網絡模型可以是本發明以圖卷積神經網絡為模型架構,使用訓練集、驗證集和測試集和的機器學習模型訓練方式訓練好的機器學習模型。
47.s103、獲得圖卷積網絡模型輸出的各路口在目標預測時段內的交通流量數據;具體的,本發明可以在將目標路網中各路口在上述歷史時段內的交通流量數據輸入圖卷積網絡模型中后,獲得圖卷積網絡模型輸出的目標路網中各路口在目標預測時段內的交通流量數據。
48.s104、從各路口在目標預測時段內的交通流量數據中,獲得目標路口在目標預測時段內的交通流量數據;具體的,本發明可以在要輸入圖卷積網絡模型的各路口在上述歷史時段內的交通流量數據中,確定并記錄目標路口的交通流量數據所處的位置。之后,本發明在獲得圖卷積網絡模型輸出的各路口在目標預測時段內的交通流量數據時,可以根據已記錄的上述位置,從各路口在目標預測時段內的交通流量數據中查找和確定出目標路口在目標預測時段內的交通流量數據。
49.s105、基于目標路口在目標預測時段內的交通流量數據,構建信號燈配時模型;具體的,本發明在獲得目標路口在目標預測時段內的交通流量數據后,確定目標路口的各個交通相位在目標預測時段內的流量數據,基于各個交通相位在目標預測時段內的流量數據,來構建信號燈配時模型。
50.其中,信號燈配時模型中待求解的參數可以包括綠燈顯示時長和信號燈周期時長等。
51.s106、利用信號燈配時模型,確定與目標路口在目標預測時段內的交通流量數據相匹配的最佳信號燈配時信息;最佳信號燈配時信息至少包括:最佳綠燈配置時長和/或最佳信號燈周期。
52.具體的,本發明可以在獲得信號燈配時模型后,利用信號燈配時模型來確定相應的最佳信號燈配時信息。
53.具體的,最佳信號燈配時信息還可以包括紅燈配時時長和黃燈配時時長等配時信息。
54.可選的,在本實施例提出的第二種信號燈配時方法中,目標路口中的允許行駛方向包括第一數量的相位方向;目標路口在目標預測時段內的交通流量數據包括:各相位方向上的在目標預測時段內的交通流量數據。此時,上述步驟s105可以包括:構建第一數量的單相擁堵模型,各單相擁堵模型相同;基于各相位方向在目標預測時段內的交通流量數據在目標路口上的流量占比,相應的對各單相擁堵模型進行賦權;將賦權后的各單相擁堵模型整合為信號燈配時模型。
55.其中,第一數量可以為目標路口中允許通行的交通相位的數量,比如,圖3中的第一數量為4。
56.其中,單相擁堵模型可以為與目標路口的單個交通相位對應的交通擁堵指數模型。需要說明的是,單相擁堵模型可以是本發明基于webster延誤模型獲得的??蛇x的,單相擁堵模型的構建過程可以考慮正常相位延遲,也可以考慮隨機延遲與過飽和延遲。其中,本發明可以使用過飽和時滯留車輛與飽和度乘積,來表示隨機延遲與過飽和延遲。
57.其中,單相擁堵模型中的待求解參數可以包括綠燈顯示時長和信號燈周期時長。需要說明的是,當各交通相位對應的單相擁堵模型相同時,目標路口的各交通相位上綠燈顯示時長和信號燈周期時長可以是相同的,而在信號燈配時模型中求解出的綠燈顯示時長和信號燈周期時長即可以作為目標路口的各交通相位上的綠燈顯示時長和信號燈周期時長。此時,本發明可以簡單化各交通相位上綠燈顯示時長和信號燈周期時長的運算過程,減少運算量,提高計算效率。
58.可選的,單相擁堵模型可以為:;其中,congestion為最終要計算的擁堵指數指標;delay為停車延誤;cap為道路通行能力,單位為輛;h為停車率,單位為輛;其中:;;;;其中,q為車流量,單位車/min;g為綠燈顯示時長;c為信號燈周期時長;s為基于先驗知識的一般道路飽和流量,如果追求數據精度且工程條件允許的情況下也可以進行實地測量;q/s用以代表道路的飽和程度,結果大于1為過飽和狀態,小于1為欠飽和狀態;lag為駕駛員神經反射延遲,包含綠燈起步延遲和黃燈停車延遲,可以根據一般先驗知識設定為5秒。
59.具體的,本發明可以基于目標路口的各交通相位上的交通流量數據,確定各交通相位在目標路口中的交通流量占比,分別以各自的流量占比對各交通相位的單相擁堵模型進行賦權,之后將賦權后的各單相擁堵模型整合為信號燈配時模型。比如,如果目標路口包含四個交通相位的十字路口,四個交通相位對應的單相擁堵模型分別為f(q1)、f(q2)、f(q3)和f(q4),四個交通相位上的交通流量分別為q1、q2、q3和q4,則目標路口的交通流量之和為s=q
1 +q
2 +q
3 +q4,則目標路口的信號燈配時模型可以為:f(q)=(q1/s)*f(q1)+ (q2/s)*f(q2)+ (q3/s)*f(q3)+ (q4/s)*f(q4);需要說明的是,本發明也可以在基于流量占比對各單相擁堵模型進行賦權后,基于工作人員對于目標路口的交通觀察經驗對權重進行相應修正,之后再基于權重修正后的各單相擁堵模型獲得信號燈配時模型。
60.可以理解的是,由賦權后的各單相擁堵模型整合得到的信號燈配時模型中,待求解的參數同樣可以為綠燈顯示時長和信號燈周期時長。
61.可選的,在本實施例提出的其他信號燈配時方法中,目標路口中各交通相位對應
的單相擁堵模型也可以是不同的。
62.可選的,在上述第二種信號燈配時方法中,步驟s106可以包括:將信號燈配時模型確定為目標函數;基于預設的綠燈顯示時長范圍和信號燈周期范圍,確定為目標函數尋找最優解的變量空間;采用自衰減變異率的遺傳算法在變量空間中進行空間搜索,確定目標函數取得最優解時的最佳信號燈配時信息。
63.具體的,本發明可以通過利用遺傳算法,將信號燈配時模型作為目標函數,在規定空間內搜索最優解。
64.需要說明的是,按照交通控制領域的先驗知識,可知綠燈顯示時長可以是不低于某時長a而不高于某時長b,信號燈周期時長(綠燈、黃燈和紅燈的顯示時長之和)可以不低于某時間c而不高于某時長d,即綠燈顯示時長和信號燈周期時長的數值范圍可以在規定的區間[a,b]和[c,d]內。需要說明的是,a、b、c和d的值均可以由工作人員根據先驗知識和實際情況進行設置,本發明對此不作限定。具體的,本發明可以將[a,b]和[c,d]作為信號燈配時模型的求解空間來尋找最優解。
[0065]
具體的,本發明使用遺傳算法的整體流程可以如圖4所示,即進行基因編碼,初始化種群,計算種群中個體適應度,選擇淘汰,交叉遺傳,添加變異新個體,之后再返回至計算種群中個體適應度的步驟進行循環演化。
[0066]
需要說明的是,一般智能算法的目標函數為一元函數,而本發明的信號燈配時模型為二元目標函數。因此,本發明可以在編碼步驟中,對兩個變量都進行二進制編碼參與進化流程;在淘汰步驟中,本發明可以采用輪盤賭模式,使用個體適應度對種群累計適應度的比值作為淘汰選中的概率,此時,適應度越不符合期望的越容易被選中淘汰。因此,本發明所使用的遺傳算法可以在迭代中逐漸淘汰不相關的個體,使種群整體向期望空間進化,有效降低算法因隨機特性對結果造成的不穩定影響。另,對于遺傳算法的兩個重要參數交叉率和變異率,交叉率可以決定算法的求解速度,變異率決定求解精度和結果的穩定性。在環境允許的情況下交叉率可以設為固定值,只要算法的運行時間被接受即可,在實現時可以根據結果進行微調。變異率在很大程度上影響算法的結果,變異率過大會增大算法的隨機性,使結果不穩定;變異率過小會降低算法的搜索精度,算法容易陷入局部最優的陷阱。而變化的變異率則可以達到一定程度的自適應效果。本發明可以將算法的起始變異率設定為較大值,增大搜索步長,加速算法收斂,隨著算法的迭代,變異率會逐步縮小,提高搜索精度,使得算法可以在接近最優解的區間更精確的尋找最優解。本發明可以采用指數衰減的方式控制變異率的變化,衰減公式為:;其中,crossvar 可以為變異率;dec_rate可以為變異率的衰減率;step可以為迭代次數;crossvar_s可以為起始變異率,可設置為0.09;crossvar_e可以為結束變異率,可設置為0.001,以保證變異率不會衰減到低于常規范圍,防止因變異率過小導致的無意義遺傳。
[0067]
需要說明的是,本發明的發明人利用實際交通數據對上述方法進行了實驗測試,測試結果顯示交通流量的預測效果較精準,計算出的綠燈顯示時長和信號燈周期時長可以跟隨預測出的交通流量進行有效的自動變化,提高信號燈的配時效率和配時準確率,而無
需通過人力來觀察路口交通情況來進行人工的信號燈配時,避免人力資源的消耗,降低信號燈配時成本。
[0068]
本實施例提出的信號燈配時方法,分別獲得目標路網中的多個路口在與目標預測時段對應的歷史時段內的交通流量數據;將各路口在歷史時段內的交通流量數據,輸入到訓練好的用于預測交通流量數據的圖卷積網絡模型中,獲得圖卷積網絡模型輸出的各路口在目標預測時段內的交通流量數據;從各路口在目標預測時段內的交通流量數據中,獲得目標路口在目標預測時段內的交通流量數據;基于目標路口在目標預測時段內的交通流量數據,構建信號燈配時模型;利用信號燈配時模型,確定與目標路口在目標預測時段內的交通流量數據相匹配的最佳信號燈配時信息;最佳信號燈配時信息至少包括:最佳綠燈配置時長和/或最佳信號燈周期。本發明可以預測目標路口的交通流量數據,基于目標路口的交通流量數據構建信號燈配時模型,利用信號燈配時模型確定相應的最佳信號燈配時信息,自動的根據交通流量數據進行信號燈配時的確定和調整,提高信號燈的配時效率和配時準確率,而無需通過人力來觀察路口交通情況來進行人工的信號燈配時,避免人力資源的消耗,降低信號燈配時成本。
[0069]
基于圖1,本實施例提出第三種信號燈配時方法。在該方法中,圖卷積網絡模型在獲得各路口在歷史時段內的交通流量數據之后,對各路口在歷史時段內的交通流量數據、已訓練迭代好的權重參數以及目標路網的路網信息對應的圖矩陣和鄰接矩陣進行計算,獲得并輸出各路口在目標預測時段內的交通流量數據。
[0070]
其中,圖卷積網絡模型的輸入可以為目標路網中各路口在上述歷史時段內的交通流量數據,輸出可以為目標路網中各路口在目標預測時段內的交通流量數據。
[0071]
其中,與目標路網的路網信息對應的圖矩陣和鄰接矩陣,可以是預先基于目標路網的路網信息設置好的。
[0072]
可選的,本發明可以先行利用由設置在目標路網中的各流量傳感器所發送的交通流量數據,生成用于訓練圖卷積網絡的訓練集、驗證集和測試集,使用訓練集、驗證集和測試集對圖卷積網絡進行訓練,獲得訓練好的圖卷積網絡模型,之后再利用訓練好的圖卷積網絡模型來對目標預測時段內的交通流量數據進行預測。
[0073]
具體的,本發明可以將目標路網中設置的各流量傳感器在近段時間(如前幾個月)內返回的歷史交通流量數據放置在同一數據表中,利用該數據表對各流量傳感器返回的歷史交通流量數據進行統計,并基于該數據表中獲得用于訓練圖卷積網絡模型的訓練集、驗證集和測試集。具體的,數據表中的每列數據均可以為一個流量傳感器在不同時刻返回的交通流量數據,數據表中的每行數據均可以為各流量傳感器在相同時刻返回的交通流量數據。其中,各流量傳感器可以每隔x分鐘即同時返回一次數據,數據表中的連續x/60行數據即為一個小時內采集到的交通流量數據。此時,數據表中各行數據即可以是時序數據按照時間排序而成的??蛇x的,本發明可以在數據表中,按照行范圍來劃分訓練集、驗證集和測試集。
[0074]
可選的,本發明在對圖卷積網絡模型進行訓練的過程中,利用層間信息前向傳播方式和反向傳播loss,對圖卷積網絡模型中各層的權重參數進行迭代更新,直至獲得訓練好的圖卷積網絡模型。
[0075]
可選的,圖卷積網絡模型中設置有激活函數;上述對各路口在歷史時段內的交通
流量數據、已訓練迭代好的權重參數以及目標路網的路網信息對應的圖矩陣和鄰接矩陣進行計算,可以包括:圖卷積網絡模型將各路口在歷史時段內的交通流量數據、已訓練迭代好的權重參數以及目標路網的路網信息對應的圖矩陣和鄰接矩陣輸入到激活函數中進行計算。
[0076]
其中,激活函數可以是層間信息前向傳播方式中使用到的激活函數。而層間信息前向傳播方式可以為圖卷積網絡模型訓練過程中所采用的核心訓練方式。該方式可以遵循公式:;其中,可以是上一層的輸入數據;可以是上一層的權重參數;為激活函數,一般可以為relu等常用的激活函數,可由技術人員根據實際使用需要的框架而設置。
[0077]
具體的,在對圖卷積網絡模型進行訓練過程中,權重參數在訓練的初始時刻,可以根據輸入數據的維度隨機初始化,在訓練迭代中根據預測結果計算mae即預測值與真實值誤差絕對值的平均值作為網絡的loss損失值,通過反向傳播loss更新每一層的權重參數,更新公式可以為:;其中,可以取任意一個極小的數1e-6,用于防止公式中的分母為0;learning_rate可以為學習率;梯度可以由反向傳播的loss值通過框架內部機制自動算出。m
(t)
為梯度動量,v
(t)
為梯度變化量,m
(t)
和v
(t)
的更新可以由下列公式所得:;;其中,和可以為框架內部定義的衰減參數,用以控制梯度動量和梯度變化的權重。
[0078]
可選的,本發明在訓練中,可以針對學習率添加衰減公式控制學習率變化。由于固定的學習率調整對訓練效果并沒有很好的改善,所以變化的學習率可以在訓練一開始設定較大,加速模型收斂,然后再逐步減小學習率以提高搜索最優解區間的精度,防止模型陷入局部最優陷阱。具體的,本發明可以設定衰減率和衰減步數(即按迭代步數每隔一定步數按衰減率衰減一次),設定當前迭代步數,此時每次迭代的學習率可以為:;需要說明的是,本發明利用圖卷積網絡對目標路網的全局路口均進行了交通流量的預測,而在應用目標路網的路網信息對應的圖矩陣和鄰接矩陣的過程中,有效考慮了各
路口之間的相關性,且無需進行現有技術中的子區域劃分等較繁瑣的過程,可以有效提高交通流量數據預測的準確性和效率。
[0079]
可以理解的是,圖卷積網絡結構的層數少,算法復雜度簡單,對實施環境要求較低,因此,本發明利用圖卷積網絡結構對交通流量數據進行預測,可以有效節約信號燈配時成本,提高預測準確率,從而保障信號燈配時的準確率。
[0080]
可選的,本發明可以將目標路網的路網信息對應的鄰接矩陣,和各路口的交通數據作為圖卷積網絡的輸入。其中,交通數據可以包括流量、速度和占有率等。具體的,各路口的交通數據所包含的數據類型的數量即代圖卷積網絡學習到的輸入特征的維數,圖卷積網絡可以基于拉普拉斯矩陣進行特征提取并與交通數據進行全連接,融合得到一維的預測流量數據。
[0081]
可選的,本發明在對圖卷積網絡訓練過程中,均可以使用數據表中的連續三行數據作為一次輸入,對圖卷積網絡進行訓練。當然,本發明也可以由技術人員根據實際使用的數據特點、網絡模型的特性和實際訓練的效果來調整輸入所需的數據量,比如也可以將數據表中的連續五行數據作為一次圖卷積網絡模型的輸入。
[0082]
需要說明的是,當流量傳感器返回交通流量數據的周期為5分鐘時,則將數據表中連續三行數據作為一次輸入,相當于每15分鐘進行一次交通流量數據的預測,屬于短時預測。對于不同的預測需求,如長時預測,本發明可以對圖卷積網絡的模型參數進行修改。且,交通流量數據本身具有周期性特征,在較短時間內,除非路段出現車禍等突發時間,否則較難發生即時的改變,因此過短時間如低于5-10分鐘的預測沒有實際應用價值,而10-15分鐘可以是相對適合的短時預測范圍。
[0083]
具體的,本實施例所采用的上述拉普拉斯矩陣可以為:;其中,為上述拉普拉斯矩陣;為普通拉普拉斯矩陣,可以定義為:;其中,為與目標路網的路網信息對應的圖的度矩陣,為與目標路網的路網信息對應的鄰接矩陣。需要注意的是,在無向圖中有多少邊連接到路口節點,該路口節點就有多少度;在有向圖中,以路口節點為終點的邊的數目為路口節點的入度,以路口節點為起點的邊的數目為路口節點的出度。因此在實際實現過程中如果路口節點間存在方向上的強相關性,可以使用入度矩陣或者出度矩陣加入計算,也可以同時使用,增強路口節點對鄰居路口節點特征的聚合度。此外,對于鄰接矩陣,由于不管是無向圖還是有向圖,鄰接矩陣的對角線都為0,但對角線元素都代表節點自己,這樣計算的聚合結果無法包含節點自身的特征。因此對鄰接矩陣做自環計算,用鄰接矩陣和一個單位矩陣(只有對角線元素非0且全為1)求和。
[0084]
本實施例提出的信號燈配時方法,可以利用圖卷積網絡對目標路網的全局路口均進行了交通流量的預測,且在應用目標路網的路網信息對應的圖矩陣和鄰接矩陣的過程中,有效考慮了各路口之間的相關性,且無需進行現有技術中的子區域劃分等較繁瑣的過程,可以進一步提高交通流量數據預測的準確性和效率。
[0085]
可選的,在本實施例提出的其他信號燈配時方法中,在步驟s101之后,還可以包
括:對各路口在歷史時段內的交通流量數據進行歸一化處理,獲得歸一化處理后數據;此時,步驟s102可以包括:將歸一化處理后數據輸入到圖卷積網絡模型中。
[0086]
需要說明的是,各流量傳感器返回的交通流量數據,可能存在大小不一的差異性,以及存在小部分為異常值和極端值(由于測量誤差所產生的合理現象)的情況。為避免異常值和極端值的不良影響,本發明可以在獲得各流量傳感器返回的交通流量數據后,先行對交通流量數據進行歸一化處理。
[0087]
具體的,本發明可以采用如(0,1)標準化、z-score標準化、sigmoid等歸一化處理方式。其中,本發明在采用(0,1)標準化進行歸一化處理時,可以遍歷所有交通流量數據,將其中的最大值max和最小值min做差max-min,作為歸一化基數,對每個交通流量數據進行歸一化處理??蛇x的,本發明在進行歸一化處理后,可以調用框架提供的數據載入方式,將所有數據切分為神經網絡輸入所需要的tensor流數據。
[0088]
此時,第三種信號燈配時方法在步驟s103之后,還可以包括:對各路口在目標預測時段內的交通流量數據進行反歸一化處理,獲得各路口的反歸一化處理后數據;此時,步驟s104可以包括:從各路口的反歸一化處理后數據中獲得目標路口的反歸一化處理后數據;此時,步驟s105可以包括:基于目標路口的反歸一化處理后數據,構建信號燈配時模型。
[0089]
具體的,本發明可以在獲得目標路網中各路口在目標預測時段內的交通流量數據后,對交通流量數據進行相應的反歸一化處理,獲得目標路網的返歸一化處理后數據。之后,再從目標路網的返歸一化處理后數據中查找出目標路口的反歸一化處理后數據,利用返歸一化處理后數據構建信號燈配時模型,獲得最佳信號燈配時信息。
[0090]
本實施例提出的信號燈配時方法,可以避免異常值和極端值的不良影響,進一步提高交通流量數據的預測準確性和信號燈配時信息的可靠性。
[0091]
與圖1所示方法相對應,如圖5所示,本實施例提出一種信號燈配時裝置。該裝置可以包括:第一獲得單元101、第一輸入單元102、第二獲得單元103、第三獲得單元104、第一構建單元105和第一確定單元106;其中:第一獲得單元101,用于分別獲得目標路網中的多個路口在與目標預測時段對應的歷史時段內的交通流量數據;第一輸入單元102,用于將各路口在歷史時段內的交通流量數據,輸入到訓練好的用于預測交通流量數據的圖卷積網絡模型中;第二獲得單元103,用于獲得圖卷積網絡模型輸出的各路口在目標預測時段內的交通流量數據;第三獲得單元104,用于從各路口在目標預測時段內的交通流量數據中,獲得目標路口在目標預測時段內的交通流量數據;第一構建單元105,用于基于目標路口在目標預測時段內的交通流量數據,構建信
號燈配時模型;第一確定單元106,用于利用信號燈配時模型,確定與目標路口在目標預測時段內的交通流量數據相匹配的最佳信號燈配時信息;最佳信號燈配時信息至少包括:最佳綠燈配置時長和/或最佳信號燈周期。
[0092]
需要說明的是,第一獲得單元101、第一輸入單元102、第二獲得單元103、第三獲得單元104、第一構建單元105和第一確定單元106的具體處理過程及其帶來的技術效果,可以分別參照本實施例在圖1對應方法中步驟s101、s102、s103、s104、s105和s106的相關說明,在此不再贅述。
[0093]
可選的,圖卷積網絡模型在獲得各路口在歷史時段內的交通流量數據之后,對各路口在歷史時段內的交通流量數據、已訓練迭代好的權重參數以及目標路網的路網信息對應的圖矩陣和鄰接矩陣進行計算,獲得并輸出各路口在目標預測時段內的交通流量數據。
[0094]
可選的,圖卷積網絡模型中設置有激活函數;對各路口在歷史時段內的交通流量數據、已訓練迭代好的權重參數以及目標路網的路網信息對應的圖矩陣和鄰接矩陣進行計算,設置為:圖卷積網絡模型將各路口在歷史時段內的交通流量數據、已訓練迭代好的權重參數以及目標路網的路網信息對應的圖矩陣和鄰接矩陣輸入到激活函數中進行計算。
[0095]
可選的,各路口均設置有用于監測路口的交通流量數據的流量傳感器;第一獲得單元101,用于分別獲得由各流量傳感器發送的各路口在歷史時段內的交通流量數據。
[0096]
可選的,目標路口中的允許行駛方向包括第一數量的相位方向;目標路口在目標預測時段內的交通流量數據包括:各相位方向上的在目標預測時段內的交通流量數據。
[0097]
可選的,第一構建單元105包括:模型構建單元、賦權單元和整合單元;其中:模型構建單元,用于構建第一數量的單相擁堵模型,各單相擁堵模型相同;賦權單元,用于基于各相位方向在目標預測時段內的交通流量數據在目標路口上的流量占比,相應的對各單相擁堵模型進行賦權;整合單元,用于將賦權后的各單相擁堵模型整合為信號燈配時模型。
[0098]
可選的,第一確定單元106包括:第二確定單元、第三確定單元和第四確定單元;其中:第二確定單元,用于將信號燈配時模型確定為目標函數;第三確定單元,用于基于預設的綠燈顯示時長范圍和信號燈周期范圍,確定為目標函數尋找最優解的變量空間;第四確定單元,用于采用自衰減變異率的遺傳算法在變量空間中進行空間搜索,確定目標函數取得最優解時的最佳信號燈配時信息。
[0099]
可選的,裝置還包括:第四獲得單元;第四獲得單元,用于在分別獲得目標路網中的多個路口在與目標預測時段對應的歷史時段內的交通流量數據之后,對各路口在歷史時段內的交通流量數據進行歸一化處理,獲得歸一化處理后數據;第一輸入單元102,用于將歸一化處理后數據輸入到圖卷積網絡模型中。
[0100]
可選的,裝置還包括:第五獲得單元;
第五獲得單元,用于在獲得圖卷積網絡模型輸出的各路口在目標預測時段內的交通流量數據之后,對各路口在目標預測時段內的交通流量數據進行反歸一化處理,獲得各路口的反歸一化處理后數據;第三獲得單元104,用于從各路口的反歸一化處理后數據中獲得目標路口的反歸一化處理后數據;第一構建單元105,用于基于目標路口的反歸一化處理后數據,構建信號燈配時模型。
[0101]
本實施例提出的信號燈配時裝置,分別獲得目標路網中的多個路口在與目標預測時段對應的歷史時段內的交通流量數據;將各路口在歷史時段內的交通流量數據,輸入到訓練好的用于預測交通流量數據的圖卷積網絡模型中,獲得圖卷積網絡模型輸出的各路口在目標預測時段內的交通流量數據;從各路口在目標預測時段內的交通流量數據中,獲得目標路口在目標預測時段內的交通流量數據;基于目標路口在目標預測時段內的交通流量數據,構建信號燈配時模型;利用信號燈配時模型,確定與目標路口在目標預測時段內的交通流量數據相匹配的最佳信號燈配時信息;最佳信號燈配時信息至少包括:最佳綠燈配置時長和/或最佳信號燈周期。本發明可以預測目標路口的交通流量數據,基于目標路口的交通流量數據構建信號燈配時模型,利用信號燈配時模型確定相應的最佳信號燈配時信息,自動的根據交通流量數據進行信號燈配時的確定和調整,提高信號燈的配時效率和配時準確率,而無需通過人力來觀察路口交通情況來進行人工的信號燈配時,避免人力資源的消耗,降低信號燈配時成本。
[0102]
還需要說明的是,術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含,從而使得包括一系列要素的過程、方法、商品或者設備不僅包括那些要素,而且還包括沒有明確列出的其他要素,或者是還包括為這種過程、方法、商品或者設備所固有的要素。在沒有更多限制的情況下,由語句“包括一個
……”
限定的要素,并不排除在包括要素的過程、方法、商品或者設備中還存在另外的相同要素。
[0103]
以上僅為本技術的實施例而已,并不用于限制本技術。對于本領域技術人員來說,本技術可以有各種更改和變化。凡在本技術的精神和原理之內所作的任何修改、等同替換、改進等,均應包含在本技術的權利要求范圍之內。
當前第1頁1 2 
網友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1