CN108399763B - 一种基于神经网络的交叉路口交通信号灯控制算法 - Google Patents
一种基于神经网络的交叉路口交通信号灯控制算法 Download PDFInfo
- Publication number
- CN108399763B CN108399763B CN201810184147.9A CN201810184147A CN108399763B CN 108399763 B CN108399763 B CN 108399763B CN 201810184147 A CN201810184147 A CN 201810184147A CN 108399763 B CN108399763 B CN 108399763B
- Authority
- CN
- China
- Prior art keywords
- neural network
- delay time
- signal lamp
- road
- lamp control
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Abstract
本发明公开了一种基于神经网络的交叉路口交通信号灯控制算法,包括:检测车辆通过路口的行驶速度,加速度,和车流数量估算单车延误时间;根据估算的单车延误时间,得到整个路段的评价指标;根据城市道路等级定义道路评价指标;建立神经网络模型,给出针对路口交通流量的信号灯控制策略,包括:把延误时间、整个路段评价指标、道路评价指标和行人通过时间作为输入变量的输入层,构建为第一神经网络,在第一神经网络中对车辆延误时间和评价指标进行解析,获得表示信号灯控制策略的向量群,以及所述表示信号灯策略的向量群作为控制策略输出,有效解决潮汐车流现象的拥堵问题。
Description
技术领域
本发明涉及交通信号仿真控制领域,尤其涉及一种基于神经网络的交叉路口信号灯控制算法。
背景技术
随着城市化进程的不断推进,机动车保有量迅速上升,城市道路拥堵情况日益严重。为保障车辆在城市道路间的正常运行,道路路口的交通信号控制尤其重要。路口的交通信号控制主要通过交通信号控制器来实现。因此,交通信号控制器在日常生活中扮演的角色越来越重要。
现有技术中,对路口的交通信号灯的控制通常是按照预设的时间进行控制,并且路口的每一个方向的绿灯通行时间一经设定在运行中是不改变的。这种情况下,道路路口的交通状况千变万化,当某一个方向拥堵或者多个方向拥堵时,该道路路口仍然按照预定的方式进行交通信号灯的控制,不但没有缓解交通状况,反而常常会到导致拥堵越来越严重。
尤其在一些城市潮汐车流现象严重,往往存在着一个方向拥堵严重,另一个方向却没什么车子经过,如果依然采用那种定时控制的方法只会使拥堵更加严重。
发明内容
本发明设计开发了一种基于神经网络的交叉路口交通信号灯控制算法,采用神经网络算法实时控制交通信号灯,有效解决潮汐车流现象的拥堵问题。
本发明提供的技术方案为:
一种基于神经网络的交叉路口交通信号灯控制算法,包括:
检测车辆通过路口的行驶速度,加速度,和车流数量估算单车延误时间;
根据估算的单车延误时间,得到整个路段的评价指标;
根据城市道路等级定义道路评价指标;
建立神经网络模型,给出针对路口交通流量的信号灯控制策略,包括:
把延误时间、整个路段评价指标、道路评价指标和行人通过时间作为输入变量的输入层,构建为第一神经网络,在第一神经网络中对车辆延误时间和评价指标进行解析,获得表示信号灯控制策略的向量群,以及
所述表示信号灯策略的向量群作为控制策略输出。
优选的是,所述第一神经网络为三层BP神经网络模型,依次对输入层变量进行规格化,确定三层神经网络的输入层向量X={x1,x2,x3};其中,x1为单车延误时间系数,x2为整个路段评价指标系数,x3为道路评价指标系数;所述输入层向量映射到中间层,所述中间层向量为Y={y1,y2,y3,y4…ym},m为节点个数;输出层向量O={o1,o2,o3},其中,o1为绿灯时长系数,o2为红灯时长系数,o3为左转灯时长系数。
优选的是,
利用如下公式对输入层变量进行格式化
其中,xj为输入层向量中的参数,Yj分别为测量参数T、d、Qa,j=1,2,3;T为单车延误时间;d为整个路段的评价指标;Qa为道路评价指标;Yjmax和Yjmin分别为相应测量参数中的最大值和最小值。
优选的是,所述中间层节点个数计算公式为:
其中,m为中间层节点个数,n为输入层节点个数。
优选的是,所述信号灯控制时长满足公式:
Mlv=o1·Mlvo
Mred=o2·Mlredo
Mle=o3·Mleo
其中,Mlv为绿灯调整时长,Mlvo为常规绿灯时长,Mred为红灯调整时长,Mredo为常规红灯时长,Mle为左转灯调整时长,Mleo为常规左转灯时长。
优选的是,所述延误时间的计算公式为:
其中,T为延误时间,di,j表示第i车辆在第j个路段上的延误时间,lj为第j个路段上的长度,vi,j为车辆实际行驶速度,表示自由流交通状态时车辆期望行驶速度,ai,j为第i个车辆通过路口的加速度,m为通过路口的车流数量。
优选的是,所述整个路段评价指标的计算公式为:
本发明所述的有益效果
本发明设计开发了一种基于神经网络的交叉路口交通信号灯控制算法,采用神经网络算法控制交通信号灯,具有自学习和预测功能,使其具有良好的实用性和调整的准确性,有效解决潮汐车流现象的拥堵问题。
具体实施方式
下面对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
本发明提供的基于神经网络的交叉路口交通信号灯控制算法,包括:
检测车辆通过路口的行驶速度,加速度,和车流数量估算单车延误时间;
延误时间的计算公式为:所述延误时间的计算公式为:
其中,T为延误时间,其中,di,j表示第i车辆在第j个路段上的延误时间,lj为第j个路段上的长度,vi,j为车辆实际行驶速度,表示自由流交通状态时车辆期望行驶速度,ai,j为第i个车辆通过路口的加速度,m为通过路口的车流数量。
根据估算的单车延误时间,得到整个路段的评价指标;
整个路段评价指标的计算公式为:
根据城市道路等级定义道路评价指标;
建立神经网络模型,给出针对路口交通流量的信号灯控制策略,包括:
把延误时间、整个路段评价指标、道路评价指标和行人通过时间作为输入变量的输入层,构建为第一神经网络,在第一神经网络中对车辆延误时间和评价指标进行解析,获得表示信号灯控制策略的向量群,以及
第一神经网络为三层BP神经网络模型,依次对输入层变量进行规格化,确定三层神经网络的输入层向量X={x1,x2,x3};其中,x1为单车延误时间系数,x2为整个路段评价指标系数,x3为道路评价指标系数;所述输入层向量映射到中间层,所述中间层向量为Y={y1,y2,y3,y4…ym},m为节点个数;输出层向量O={o1,o2,o3},其中,o1为绿灯时长系数,o2为红灯时长系数,o3为左转灯时长系数。
利用如下公式对单车延误时间格式化
其中,tmax为最大单车延误时间,tmin为最小延误时间。
中间层节点个数计算公式为:
其中,m为中间层节点个数,n为输入层节点个数。
表示信号灯策略的向量群作为控制策略输出,信号灯控制时长满足公式:
Mlv=o1·Mlvo
Mred=o2·Mlredo
Mle=o3·Mleo
其中,Mlv为绿灯调整时长,Mlvo为常规绿灯时长,Mred为红灯调整时长,Mredo为常规红灯时长,Mle为左转灯调整时长,Mleo为常规左转灯时长。
实施以于神经网络的交叉路口交通信号灯控制算法的具体工作过程为例,作进一步说明。
步骤一、建立BP神经网络模型:
本发明采用的BP网络体系结构由三层组成,第一层为输入层,共n个节点,对应了表示设备工作状态的n个检测信号,这些信号参数由数据预处理模块给出;第二层为隐层,共m个节点,其中,m为中间层节点个数,n为输入层节点个数,p为输出层节点个数;第三层为输出层,共p个节点,由系统实际需要输出的响应确定。
该网络的数学模型为:
输入层向量:x=(x1,x2,…,xn)T
中间层向量:y=(y1,y2,…,ym)T
输出层向量:z=(z1,z2,…,zp)T
本发明中,输入层节点数为n=3,输出层节点数为p=3;隐藏层节点数m由下式估算得出:
按照采样周期,输入的3个参数为,x1为单车延误时间系数,x2为整个路段评价指标系数,x3为道路评价指标系数;
由于传感器获取的数据属于不同的物理量,其量纲各不相同。因此,在数据输入神经网络之前,需要将数据规格化为0-1之间的数。
具体而言,对于单车延误时间T,进行规格化后,得到单车延误时间系数x1:
其中,Tmin和Tmax分别为采样周期内的最短时间和最长时间。
同样的,对于整个路段评价指标d,进行规格化后,得到整个路段评价指标系数x2:
其中,dmin和dmax分别为整个路段评价指标的最小值和最大值。
同样的,对于道路评价指标Qa,进行规格化后,得到道路评价指标系数x3:
其中,Qa_min和Qa_max分别为道路评价指标系数的最小值和最大值。
输出信号的3个参数分别表示为:,o1为绿灯时长系数,o2为红灯时长系数,o3为左转灯时长系数。;
绿灯时长系数o1表示为下一个采样周期中的绿灯时长与当前采样周期中设定的绿灯时长之比,即在第i个采样周期中,设定的绿灯时长为为Mlvo,通过BP神经网络输出第i个采样周期的调节开度调节系数O1 i后,控制第i+1个采样周期中绿灯时长为Mlv,使其满足
红灯时长系数o2表示为下一个采样周期中的红灯时长与当前采样周期中设定的红灯时长之比,即在第i个采样周期中,设定的红灯时长为为Mredo,通过BP神经网络输出第i个采样周期的调节开度调节系数O2 i后,控制第i+1个采样周期中红灯时长为Mred,使其满足
左转时长系数o3表示为下一个采样周期中的左转灯时长与当前采样周期中设定的左转灯时长之比,即在第i个采样周期中,设定的左转灯时长为为Mleo,通过BP神经网络输出第i个采样周期的调节开度调节系数O3 i后,控制第i+1j个采样周期中左转时时长为Mle,使其满足
步骤二:进行BP神经网络的训练:
建立好BP神经网络节点模型后,即可进行BP神经网络的训练。根据产品的经验数据获取训练的样本,并给定输入节点i和隐含层节点之间的连接权值wij,隐层节点j和输出层节点k之间的连接权值wjk,隐层节点j的阈值θj,输出层节点k的阈值wij、wjk、θj、θk均为-1到1之间的随机数。
在训练过程中,不断修正wij和wjk的值,直至系统误差小于等于期望误差时,完成神经网络的训练过程。
如表1所示,给定了一组训练样本以及训练过程中各节点的值。
表1训练过程各节点值
步骤三、采集数据运行参数输入神经网络得到调控系数;
训练好的人工神经网络固化在控制器芯片之中,使硬件电路具备预测和智能决策功能,从而形成智能硬件。智能硬件加电启动后同时,检测车辆通过路口的行驶速度,加速度,和车流数量估算单车延误时间;根据估算的单车延误时间,得到整个路段的评价指标;
通过传感器获取第i个采样周期中的,通过进行规格化得到第i个采样周期的输入向量Xi=(x1 i,x2 i,x3 i),通过BP神经网络的运算得到第i个采样周期的输出向量使第i+1个采样周期时绿灯时长、红灯时长、左转灯时长速分别为:
通过上述设置,基于神经网络的交叉路口交通信号灯控制算法,采用神经网络算法控制交通信号灯,具有自学习和预测功能,使其具有良好的实用性和调整的准确性,有效解决潮汐车流现象的拥堵问题。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述。
Claims (3)
1.一种基于神经网络的交叉路口交通信号灯控制算法,其特征于,包括:
检测车辆通过路口的行驶速度,加速度和车流数量估算单车延误时间;
根据估算的单车延误时间,得到整个路段的评价指标;
根据城市道路等级定义道路评价指标;
建立神经网络模型,给出针对路口交通流量的信号灯控制策略,包括:
把延误时间、整个路段评价指标和道路评价指标作为输入变量的输入层,构建为第一神经网络,在第一神经网络中对车辆延误时间和评价指标进行解析,获得表示信号灯控制策略的向量群,以及
所述延误时间的计算公式为:
其中,Tj为延误时间,ti,j表示第i车辆在第j个路段上的延误时间,lj为第j个路段上的长度,vi,j为车辆实际行驶速度,表示自由流交通状态时车辆期望行驶速度,ai,j为第i个车辆通过路口的加速度,m为通过路口的车流数量;
所述整个路段评价指标的计算公式为:
所述第一神经网络为三层BP神经网络模型,依次对输入层变量进行规格化,确定三层神经网络的输入层向量X={x1,x2,x3};其中,x1为单车延误时间系数,x2为整个路段评价指标系数,x3为道路评价指标系数;所述输入层向量映射到中间层,所述中间层向量为Y={y1,y2,y3,y4…yw},w为节点个数;输出层向量O={o1,o2,o3},其中,o1为绿灯时长系数,o2为红灯时长系数,o3为左转灯时长系数;
所述表示信号灯策略的向量群作为控制策略输出;
所述信号灯控制时长满足公式:
Mlv=o1·Mlvo
Mred=o2·Mredo
Mle=o3·Mleo
其中,Mlv为绿灯调整时长,Mlvo为常规绿灯时长,Mred为红灯调整时长,Mredo为常规红灯时长,Mle为左转灯调整时长,Mleo为常规左转灯时长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810184147.9A CN108399763B (zh) | 2018-03-07 | 2018-03-07 | 一种基于神经网络的交叉路口交通信号灯控制算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810184147.9A CN108399763B (zh) | 2018-03-07 | 2018-03-07 | 一种基于神经网络的交叉路口交通信号灯控制算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108399763A CN108399763A (zh) | 2018-08-14 |
CN108399763B true CN108399763B (zh) | 2021-04-27 |
Family
ID=63092165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810184147.9A Expired - Fee Related CN108399763B (zh) | 2018-03-07 | 2018-03-07 | 一种基于神经网络的交叉路口交通信号灯控制算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108399763B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109062296B (zh) * | 2018-08-27 | 2020-12-11 | 辽宁工业大学 | 一种基于温湿度监控的粮食仓储方法 |
CN110111573B (zh) * | 2019-05-15 | 2020-09-08 | 辽宁工业大学 | 一种基于物联网的拥堵车辆综合调度方法 |
CN110160547B (zh) * | 2019-05-30 | 2020-09-25 | 辽宁工业大学 | 一种基于大数据云计算的车辆导航系统及方法 |
CN110594187B (zh) * | 2019-09-06 | 2020-06-16 | 中国化学工程第六建设有限公司 | 一种大型压缩机组仪表系统的安装调试方法 |
WO2021042401A1 (en) * | 2019-09-07 | 2021-03-11 | Beijing Didi Infinity Technology And Development Co., Ltd. | Method and device for traffic light control |
CN111145546B (zh) * | 2019-12-27 | 2021-02-12 | 银江股份有限公司 | 一种城市全域交通态势分析方法 |
CN111341107A (zh) * | 2020-05-18 | 2020-06-26 | 成都信息工程大学 | 一种基于云平台数据的共享式交通控制方法 |
WO2021232387A1 (zh) * | 2020-05-22 | 2021-11-25 | 南京云创大数据科技股份有限公司 | 一种多功能的智能信号控制系统 |
CN114202935B (zh) * | 2021-11-16 | 2023-04-28 | 广西中科曙光云计算有限公司 | 一种基于云端网络的路口信号灯的时间分配方法及装置 |
CN114495506B (zh) * | 2022-02-23 | 2023-07-28 | 复旦大学 | 基于车流预测和强化学习的多路口信号灯控制系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5668717A (en) * | 1993-06-04 | 1997-09-16 | The Johns Hopkins University | Method and apparatus for model-free optimal signal timing for system-wide traffic control |
JP2001236593A (ja) * | 2000-02-24 | 2001-08-31 | Hitachi Ltd | 交通信号制御装置 |
WO2005041633A2 (en) * | 2003-10-31 | 2005-05-12 | Cornell Research Foundation, Inc. | Systems and methods for providing optimal light-co2 combinations for plant production |
CN103077617A (zh) * | 2012-12-24 | 2013-05-01 | 南京航空航天大学 | 基于计算机视觉的人行横道智能交通灯监管系统及方法 |
CN103116808A (zh) * | 2013-01-18 | 2013-05-22 | 同济大学 | 一种快速路短时交通流实时预测的方法 |
CN104766485A (zh) * | 2015-03-31 | 2015-07-08 | 杭州电子科技大学 | 一种基于改进的模糊控制的红绿灯优化配时方法 |
CN106023605A (zh) * | 2016-07-15 | 2016-10-12 | 姹ゅ钩 | 一种基于深度卷积神经网络的交通信号灯控制方法 |
CN106205156A (zh) * | 2016-08-12 | 2016-12-07 | 南京航空航天大学 | 一种针对部分车道车流突变的交叉口自愈合控制方法 |
CN106910351A (zh) * | 2017-04-19 | 2017-06-30 | 大连理工大学 | 一种基于深度强化学习的交通信号自适应控制方法 |
-
2018
- 2018-03-07 CN CN201810184147.9A patent/CN108399763B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5668717A (en) * | 1993-06-04 | 1997-09-16 | The Johns Hopkins University | Method and apparatus for model-free optimal signal timing for system-wide traffic control |
JP2001236593A (ja) * | 2000-02-24 | 2001-08-31 | Hitachi Ltd | 交通信号制御装置 |
WO2005041633A2 (en) * | 2003-10-31 | 2005-05-12 | Cornell Research Foundation, Inc. | Systems and methods for providing optimal light-co2 combinations for plant production |
CN103077617A (zh) * | 2012-12-24 | 2013-05-01 | 南京航空航天大学 | 基于计算机视觉的人行横道智能交通灯监管系统及方法 |
CN103116808A (zh) * | 2013-01-18 | 2013-05-22 | 同济大学 | 一种快速路短时交通流实时预测的方法 |
CN104766485A (zh) * | 2015-03-31 | 2015-07-08 | 杭州电子科技大学 | 一种基于改进的模糊控制的红绿灯优化配时方法 |
CN106023605A (zh) * | 2016-07-15 | 2016-10-12 | 姹ゅ钩 | 一种基于深度卷积神经网络的交通信号灯控制方法 |
CN106205156A (zh) * | 2016-08-12 | 2016-12-07 | 南京航空航天大学 | 一种针对部分车道车流突变的交叉口自愈合控制方法 |
CN106910351A (zh) * | 2017-04-19 | 2017-06-30 | 大连理工大学 | 一种基于深度强化学习的交通信号自适应控制方法 |
Non-Patent Citations (1)
Title |
---|
中国交通工程学术研究综述•2016;中国公路学报编辑部;《中国公路学报》;20160630;第29卷(第6期);正文全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108399763A (zh) | 2018-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108399763B (zh) | 一种基于神经网络的交叉路口交通信号灯控制算法 | |
CN103996289B (zh) | 一种流量-速度匹配模型及行程时间预测方法及系统 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN104200687B (zh) | 一种驾驶员速度控制行为监测装置及监测方法 | |
Liu et al. | Predicting urban arterial travel time with state-space neural networks and Kalman filters | |
CN110111573B (zh) | 一种基于物联网的拥堵车辆综合调度方法 | |
CN109191849B (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
CN111341095B (zh) | 一种基于边缘侧在线计算的交通信号控制系统及方法 | |
CN102592451B (zh) | 一种基于双截面环形线圈检测器的道路交通事件检测方法 | |
CN107085943A (zh) | 一种道路旅行时间短期预测方法和系统 | |
CN107862877A (zh) | 一种城市交通信号模糊控制方法 | |
CN110634293A (zh) | 一种基于模糊控制的干线交叉口控制方法 | |
CN107038864A (zh) | 一种交叉口进口导向车道设置合理性判别的方法 | |
CN111028504A (zh) | 一种城市快速路智慧交通管控方法和系统 | |
CN111524345B (zh) | 一种车辆实时排队长度约束下多目标优化的感应控制方法 | |
CN102819956B (zh) | 一种基于单截面环形线圈检测器的道路交通事件检测方法 | |
JP3212241B2 (ja) | 交通流予測装置 | |
CN108647832B (zh) | 一种基于神经网络的地铁运行间隔时间控制算法 | |
CN108364490A (zh) | 城市公路交通系统车辆运行调控方法 | |
CN108665706A (zh) | 一种城市区域道路分级诱导方法 | |
CN107730882A (zh) | 基于人工智能的道路拥堵预测系统及方法 | |
CN108364491A (zh) | 基于车流量预测的驾驶员信息提醒方法 | |
JPH0714093A (ja) | 交通信号制御方法 | |
CN113505346B (zh) | 一种基于人工智能的城市路灯数据处理及联合调控系统 | |
CN113095601B (zh) | 基于人工智能的不良视距交叉路口安全会车方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210427 |
|
CF01 | Termination of patent right due to non-payment of annual fee |