CN108389406B - 信号控制时段自动划分方法 - Google Patents

Abstract

本发明涉及一种信号控制时段自动划分方法，首先，进行历史交通流量数据采集，接着对所采集的数据以一定的粒度进行划分，随后对划分后的数据进行清洗，求平均，然后对处理过后的数据进行时段划分，时段划分之后进行时段合并，最后将所得结果上传至对应信号机中；本发明提供了一种交通信号控制自动划分方法，具有高效性也更加精确，省时省力，提高了交通运行的效率，方便人们的出行。

Description

信号控制时段自动划分方法

技术领域

本发明涉及一种交通信号控制领域，尤其涉及一种信号控制时段自动划分方法。

背景技术

目前信号控制系统已经从传统的单点控制升级至联网控制系统，以此为代表的相关品牌信号机已在各大城市广泛应用，利用联网控制系统，可以在全天内设置多个时段来运行多个方案，实现多时段定时控制，其具体原理是根据车流量等交通信息把一天划分为若干个时间段，不同的时段采用不同的信号优化控制方案。而目前的时段划分技术主要为：交通工程技术人员收集历史流量数据，绘制流量时间曲线图，根据曲线的特征人工划分交通时段，在实际工作中，由于种种原因，多数路口在全天仅划分为三个时段甚至一个时段；现有的人工时段划分方法具有以下缺点：①难处理历史数据，流量历史数据较多，在实际处理中比较复杂；②难发现异常数据，由于流量历史数据的特性，在庞大的流量数据中存在很多无效，甚至是错误的流量数据，采用人工处理的话很难发现这些异常数据；③难贴合流量特征，在车辆实际运行中，每一天，每一周的流量特性都是不同的，在人工处理流量数据的过程中，很难充分考虑到这些特性；④时段划分不够准确，传统的时段划分方法中具有很强的主观性，无法贴合流量实时变化的特征也容易产生不合理的时段划分；⑤传统时段划分方法费时费力，在实际操作中需要投入大量的时间与人力，成本较高；⑥路口时段划分不合理导致车辆在通过路口时延误、停车次数较高，交通运行效率比较低下，极易造成交通拥堵问题，不利于人们的出行。

发明内容

本发明目的在于解决现有交通信号控制时划分的上述缺陷，提供一种交通信号控制自动划分方法，具有高效性也更加精确，省时省力，提高了交通运行的效率，方便人们的出行。

为了实现上述目的，本发明提供了一种信号控制时段自动划分方法，包括以下步骤：

S1、采集历史交通流量；

S2、对步骤S1中采集到的历史交通流量以一定的粒度划分；

S3、对步骤S2中划分后的数据进行清洗，求平均；

S4、对步骤S3中处理后的数据进行时段划分；

S5、对步骤S4中处理后的数据进行时段合并；

S6、将划分和合并完成之后的时段上传至对应的信号机中。

进一步的，所述步骤S1中的历史交通流量为调取各信号机的数据库中长度为一年的交通流量数据。

进一步的，所述步骤S2中的粒度为15min。

进一步的，所述步骤S3中的数据的清洗和求平均过程为：以天和粒度为单位，去掉每天5％最大的粒度数据和5％最小的粒度数据，剩余的粒度数据按照不同日期同一时刻的粒度数据求粒度数据的平均值。

更进一步的，所述不同日期同一时刻是以一个星期为周期进行的对每周同一时刻选取的粒度数据进行平均值的计算。

进一步的，所述步骤S4中数据时段划分的过程为：

S41、将步骤S2中经清洗和求平均得到的一天中早高峰和晚高峰最大粒度数据值点分别定义为max{早}，max{晚}；

S42、分别对max{早}和max{晚}前后的粒度数据进行判断，若{max-1}和{max+1}之间相差不大于1％，则将早高峰中的{max-1}、max{早}、{max+1}归为早高峰时段，将晚高峰中{max-1}、max{晚}、{max+1}归为晚高峰时段，接着依次分别在早高峰和晚高峰段{max±2}、{max±3}、{max±…}中进行筛选，直至完成早高峰和晚高峰时段的自动划分；

S43、取经清洗和求平均得到的一天中最大粒度数据的1/4为判断阀值，低于判断阀值的为低峰，仅需要行人过街最短绿灯时间即可，除了早高峰和晚高峰时段，其余时段分为早平峰、中平峰和晚平峰，若早平峰或者中平峰或者晚平峰的时段长度大于3个粒度，则采用K-means将其分为两段，反之则不处理。

更进一步的，所述最大流量是步骤S2中经清洗和求平均得到的一天中的最大粒度数据值。

进一步的，所述步骤S5中的时段合并过程为：选取一个粒度数据值为预处理点，当预处理点前后的两个粒度数据值均不处于早高峰和晚高峰时段时，分别比较预处理点与前后两个粒度数据值的差，将预处理点并入差值较小的粒度数据值所处的时段；当预处理点前后的两个粒度数据值其中之一处于早高峰时段或者晚高峰时段时，选取其中不处于早高峰时段或者晚高峰时段的粒度数据值与预处理点合并组成一个新的时段。

根据本发明技术方案的优势在于：

1、通过本发明实现对历史数据的处理，更为高效也更为准确；

2、加入了数据清洗的步骤，去除了无效甚至错误的数据；

3、依据历史数据实现对时段划分的实时更新，可以更好的贴合流量特征；

4、充分基于历史流量数据，时段划分结果客观且合理；

5、使用算法自动实现时段划分，省时省力，节省了大量时间成本与人力成本；

6、更为合理与细致的时段划分可以缓解交通拥堵，提高交通运行效率，方便人们的出行。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

构成本发明的一部分附图，用来对本发明的进一步了解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是一种信号控制时段自动划分方法的流程步骤示意图；

图2是一种信号控制时段自动划分方法中实施例的实际运行结果示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

参见图1和图2，本发明所述的一种信号控制时段自动划分方法，其特征在于包括以下步骤：

首先，进行历史交通流量数据采集，接着对所采集的数据以一定的粒度进行划分，随后对划分后的数据进行清洗，求平均，然后对处理过后的数据进行时段划分，时段划分之后进行时段合并，最后将所得结果上传至对应信号机中。

就本发明一较佳的实施方式来看，为了便于数据的处理与分析，在各品牌信号机的数据库中调取长度为一年的交通流量数据，并且指定15min为粒度，对数据进行划分，为了有效的去除历史流量数据中的无效数据，去掉每日15min数据中最大的5％和最小的5％，即若周一历史流量数据共100条，则去掉其中最大的5条数据与最小的5条数据，在清洗后的数据中，进行求平均处理，即若要对今天2018年1月31日星期三进行时段划分，则调取2017年1月31日至2018年1月30日这一年内所以的星期三流量数据，在粒度划分，数据清洗之后，对同一时刻的数据进行求平均计算，便完成了数据整理工作。

为了更加合理的进行时段划分，本发明进行了高峰，低峰和平峰的时段划分，高峰时段划分过程为，搜索一天中早晚高峰最大值点，定义为max{早}和max{晚}，max{早}或者max{晚}的前后两点分别为{max-1}和{max+1}，若{max-1}比{max+1}相差不大于1％，将{max-1}和{max+1}均归为早高峰时段或者晚高峰时段，参考{max±1}，依次对{max±2}、{max±3}及{max±……}进行筛选，直至完成早高峰和晚高峰时段两侧端点的搜索；低峰时段划分过程为，取经清洗和求平均得到的一天中最大粒度数据的1/4为判断阀值，低于阀值的为低峰，在低峰时段内仅需要行人过街最短绿灯时间即可满足车辆通行需求；平峰时段划分过程为，在完成了高峰时段划分与低峰时段划分之后，一天中剩下的时段即为平峰时段，将平峰时段分为早平峰，中平峰与晚平峰，以早平峰为例，若早平峰或者中平峰或者晚平峰的时段长度大于3个粒度，则采用K-means分为两段，反之则不处理，中平峰晚平峰同理。

再进一步来看，时段合并的步骤为，选取某一点为预处理点，当预处理点左右两侧均不为高峰段时，比较预处理点与左右两侧均值的差，将预处理点并入差值较小的那段；当预处理点左右两侧包含高峰段时，则选取临近预处理点的不含高峰的点与预处理点合并组成一个新的时段。

考虑到实施的便利，本发明可以将时段划分所得结果上传至信号机，这样可以进行更加精细化的交通控制，对交通资源合理分配，大大提高交通运行效率。

结合本发明的实际使用情况，如图2所示，与传统的时段划分方式相比，将一天细分成了若干个时段，与流量特征曲线十分吻合。

通过上述文字的表述可以看出，本发明的优势在于：

1、历史流量数据较为庞大，依据本发明提供的信号控制时段自动划分方法可以更加高效，准确的对历史流量数据进行处理；

2、在算法中自动剔除了最大5％与最小5％的数据，去除了历史流量数据中的异常数据，避免了人工处理中无法发现并处理异常数据的情况；

3、在庞大的历史流量数据的基础上可以基于每一天不同的流量特性进行分析后自动划分时段，可以更好的贴合流量特性；

4、时段划分利用算法基于历史流量数据进行实现，可以保证所得结果客观且合理；

5、算法全自动实现，省事省力，可以节省时间成本与人力成本；

6、更为合理与细致的时段划分可以让车辆在通过路口时延误、停车次数下降，有效的缓解交通拥堵问题，提高交通运行效率，方便人们的出行。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (7)

1.一种信号控制时段自动划分方法，其特征在于包括以下步骤：

S1、采集历史交通流量；

S2、对步骤S1中采集到的历史交通流量以一定的粒度划分；

S3、对步骤S2中划分后的数据进行清洗，求平均；

S4、对步骤S3中处理后的数据进行时段划分：

S41、将步骤S2中经清洗和求平均得到的一天中早高峰和晚高峰最大粒度数据值点分别定义为max{早}，max{晚}；

S42、分别对max{早}和max{晚}前后的粒度数据进行判断，若{max-1}和{max+1}之间相差不大于1%，则将早高峰中的{max-1}、max{早}、{max+1}归为早高峰时段，将晚高峰中{max-1}、max{晚}、{max+1}归为晚高峰时段，接着依次分别在早高峰和晚高峰段{max±2}、{max±3}、{max±…}中进行筛选，直至完成早高峰和晚高峰时段的自动划分；

S43、取步骤S2中经清洗和求平均得到的一天中最大粒度数据的1/4为判断阀值，低于判断阀值的为低峰，仅需要行人过街最短绿灯时间即可，除了早高峰和晚高峰时段，其余时段分为早平峰、中平峰和晚平峰，若早平峰或者中平峰或者晚平峰的时段长度大于3个粒度，则采用K-means将其分为两段，反之则不处理；

S5、对步骤S4中处理后的数据进行时段合并；

S6、将划分和合并完成之后的时段上传至对应的信号机中。

2.根据权利要求1所述的信号控制时段自动划分方法，其特征在于：所述步骤S1中的历史交通流量为调取各信号机的数据库中长度为一年的交通流量数据。

3.根据权利要求1所述的信号控制时段自动划分方法，其特征在于：所述步骤S2中的粒度为15min。

4.根据权利要求1所述的信号控制时段自动划分方法，其特征在于：所述步骤S3中的数据的清洗和求平均过程为：以天和粒度为单位，去掉每天5%最大的粒度数据和5%最小的粒度数据，剩余的粒度数据按照不同日期同一时刻的粒度数据求粒度数据的平均值。

5.根据权利要求4所述的信号控制时段自动划分方法，其特征在于：所述不同日期同一时刻是以一个星期为周期进行的对每周同一时刻选取的粒度数据进行平均值的计算。

6.根据权利要求1所述的信号控制时段自动划分方法，其特征在于：最大流量是步骤S2中经清洗和求平均得到的一天中的最大粒度数据值。

7.根据权利要求1所述的信号控制时段自动划分方法，其特征在于：所述步骤S5中的时段合并过程为：选取一个粒度数据值为预处理点，当预处理点前后的两个粒度数据值均不处于早高峰和晚高峰时段时，分别比较预处理点与前后两个粒度数据值的差，将预处理点并入差值较小的粒度数据值所处的时段；当预处理点前后的两个粒度数据值其中之一处于早高峰时段或者晚高峰时段时，选取其中不处于早高峰时段或者晚高峰时段的粒度数据值与预处理点合并组成一个新的时段。

Images