CN108877218A - 基于d-s证据理论的交通信号灯控制方法 - Google Patents

基于d-s证据理论的交通信号灯控制方法 Download PDF

Info

Publication number
CN108877218A
CN108877218A CN201810724932.9A CN201810724932A CN108877218A CN 108877218 A CN108877218 A CN 108877218A CN 201810724932 A CN201810724932 A CN 201810724932A CN 108877218 A CN108877218 A CN 108877218A
Authority
CN
China
Prior art keywords
vehicle
present
fuzzy number
evidence theory
phase
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.)
Pending
Application number
CN201810724932.9A
Other languages
English (en)
Inventor
邓鑫洋
刘海斌
马泽宇
蒋雯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201810724932.9A priority Critical patent/CN108877218A/zh
Publication of CN108877218A publication Critical patent/CN108877218A/zh
Pending legal-status Critical Current

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/042—Detecting movement of traffic to be counted or controlled using inductive or magnetic detectors
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/095—Traffic lights

Landscapes

  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Fuzzy Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Automation & Control Theory (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及交通灯信号控制领域，特别涉及一种基于D‑S证据理论的红绿灯时间分配方法，属于交通管理技术领域。本发明对交通情况选评估因素，根据评估函数生成每个因素拥堵度，对拥堵程度建立梯形模糊数并生成基本概率分布，加权平均后用D‑S证据理论实现数据融合，获得拥堵度后判定是否对绿灯延时。本发明的有益效果在于本发明采用D‑S证据理论和梯形模糊数相结合的方法，具有计算简单的特点；本发明用梯形模糊数对道路交通情况建模，解决了模糊信息的表示；本发明提出的特征权重加权融合方法，取得了较好的融合效果；本发明提出的延时方法，将车流量、待通行车辆和待通行行人结合，考虑全面，有较好效果。

Description

基于D-S证据理论的交通信号灯控制方法
技术领域
本发明涉及交通灯信号控制领域，特别涉及一种基于D-S证据理论的红绿灯时间分配方法，属于交通管理技术领域。
背景技术
交通信号灯是城市交叉路口指挥疏导交通的重要方式之一。随着汽车数量和城镇人口的增加，城市交通压力越来越大，提高城市交通通行能力的问题愈加急迫。而当前交通灯多采用定时切换的控制方式，当车辆较少时，不能及时切换导致道路交通资源的浪费。因此这样的传统交通灯控制方式有很多弊端。
信息融合技术是协同利用多源信息，以获得对事物或目标更客观、更本质认识的信息综合处理技术，是智能科学研究的关键技术之一。在诸多的融合模型和方法中，D-S证据理论算法是最为有效的算法之一。证据理论把概率论中的基本事件空间拓宽为基本事件的幂集，又称为辨识框架，在辨识框架上建立了基本概率分配函数(Basic ProbabilityAssignment，BPA)。此外，证据理论还提供了一个Dempster组合规则，该规则可以在没有先验信息的情况下实现证据的融合。特别地，当BPA只在辨识框架的单子集命题上进行分配时，BPA就转换为概率论中的概率，而组合规则的融合结果与概率论中的Bayes公式相同。从这个角度来看，D-S证据理论能够比概率论更有效地表示和处理不确定信息，这些特点使其在信息融合领域得到了广泛的应用。正是由于D-S证据理论在不确定知识表示方面具有优良的性能，所以近几年其理论和应用发展较快，该理论在多传感器信息融合、医学诊断、军事指挥、目标识别方面发挥了重要作用。
发明内容
为了实现交通信号灯的智能控制，本发明基于D-S证据理论，提供一种红绿灯时间分配方法。使用该方法实现的交通信号的智能控制，在解决交通拥堵，提高城市交通通行能力，有明显效果。
本发明解决其技术问题所采用的技术方案包括如下步骤：
步骤一：选取相位和时间阈值：
在交叉路口，车辆有左转、直行和右转三个方位，交通法规不限制右转，只考虑左转和直行，则有四个相位，依次为南北向直行、南北向左转、东西向直行和东西向左转，相位顺序按照上述循环，考虑到车辆启动时间和等待时间，将最低时间设置为20s，最大时长为120s，当某相位车辆较多，给予延时，每次延时10s；
步骤二：设置道路情况评估因素的方法为：
本方法选取车流量、待通行车辆数量和待过路行人数量为评估因素，其中车流量的检测方法为在道路中央设置压力传感器，设置压力阈值，超过某阈值，则记为有车辆通过，计算5s内车辆通过平均值为车流量，待通行车辆使用图像获得，利用摄像头获取待通行车辆的图像信息，然后使用图像处理算法得到各个车道的等待车辆，计算5s内等待车辆的平均数为待通行车辆数量，待通过行人指的是需要过马路行人数量，同样使用摄像头获得；
步骤三：建立梯形模糊数方法为：
根据梯形模糊数建立模型生成拥堵程度的基本概率分配Fjk，所述威胁程度k分为低(l)、中低(ml)、中(m)、中高(mh)和高(h)五个等级，所述模糊数以梯形模糊数表示，对应隶属度函数分别为(0,0,0.1,0.2)、(0.1,0.2,0.3,0.4)、(0.3,0.4,0.6,0.7)、(0.6,0.7,0.8,0.9)和(0.8,0.9,1,1)；所述梯形模糊数是给定论域U上的一个模糊集，是指对任何x∈U，都有一个数μ(x)∈[0,1]与之对应，μ(x)称为x对U的隶属度，μ称为x的隶属函数，
步骤四：生成基本概率分配：
输入各个评估因素的监测数值，根据梯形模糊数公式，得到基本概率分配；
步骤五：将生成的基本概率分配函数用权重W1,W2,W3加权平均得到Mj方法为：
设置车流量、待通行车辆和待过路行人权重相等，对于一个相位，对应权重与基本概率分布Fjk相乘，加权所述方法公式为
步骤六：使用D-S证据理论融合方法为：
将加权平均得到的D(k)与自身使用D-S证据理论融合2次得到D(A),D-S证据理论融合规则为:
其中
D1和D2是两组待组合的BPA，A、B、C指的是等级；
步骤七：生成拥堵度的方法为：
将融合后结果使用公式:S＝D(l)×0.1+D(ml)×0.3+D(m)×0.5+D(mh)×0.7+D(h)×0.9，得到目标拥堵度；所有相位按照步骤一至步骤七生成拥堵度；
步骤八：判断是否延时方法为：
将拥堵度阈值设为0.5，当前相位持续20s后，判断拥堵情况，当拥堵度<0.5，循环到下一个相位，当拥堵度>0.5，延时5S，当前相位持续120s后，循环至下一相位。
本发明的有益效果在于本发明采用D-S证据理论和梯形模糊数相结合的方法，具有计算简单的特点；本发明用梯形模糊数对道路交通情况建模，解决了模糊信息的表示；本发明提出的特征权重加权融合方法，取得了较好的融合效果；本发明提出的延时方法，将车流量、待通行车辆和待通行行人结合，考虑全面，有较好效果。
附图说明
图1本发明实现的总流程图；
具体实施方式
下面结合附图和实例对本发明进一步说明，此处给出交通灯控制的具体实施方案。
步骤一：相位初始化：
设置南北向直行、南北向左转、东西向直行和东西向左转四个相位，从南北向直行开始，依次循环；
步骤二：设置时间阈值：
考虑到车辆启动时间和等待时间，绿灯的最小时长设置为20s，最大时长为120s，当某相位车辆较多，拥堵度较大，给予延时，每次延时10s；
步骤三：设置道路情况评估因素的方法为：
本方法选取车流量、待通行车辆数量和待过路行人数量为评估因素，其中车流量的检测方法为在道路中央设置压力传感器，设置压力阈值，超过某阈值，则记为有车辆通过，计算5s内车辆通过平均值为车流量，待通行车辆使用图像获得，利用摄像头获取待通行车辆的图像信息，然后使用图像处理算法得到各个车道的等待车辆，计算5s内等待车辆的平均数为待通行车辆数量，待通过行人指的是需要过马路行人数量，同样使用摄像头获得；
步骤四：建立梯形模糊数方法为：
根据梯形模糊数建立模型生成拥堵程度的基本概率分配Fjk，所述威胁程度k分为低(l)、中低(ml)、中(m)、中高(mh)和高(h)五个等级，所述模糊数以梯形模糊数表示，对应隶属度函数分别为(0,0,0.1,0.2)、(0.1,0.2,0.3,0.4)、(0.3,0.4,0.6,0.7)、(0.6,0.7,0.8,0.9)和(0.8,0.9,1,1)；所述梯形模糊数是给定论域U上的一个模糊集，是指对任何x∈U，都有一个数μ(x)∈[0,1]与之对应，μ(x)称为x对U的隶属度，μ称为x的隶属函数；
步骤五：生成基本概率分配：
输入各个评估因素的监测数值，根据梯形模糊数公式，得到基本概率分配，具体公式根据大量实际数据生成；
步骤六：将生成的基本概率分配函数用权重W1,W2,W3加权平均得到Mj方法为：
设置车流量、待通行车辆和待过路行人权重相等，对于一个相位，对应权重与基本概率分布Fjk相乘，加权所述方法公式为
步骤七：使用D-S证据理论融合方法为：
将加权平均得到的D(k)与自身使用D-S证据理论融合2次得到D(A),D-S证据理论融合规则为:
其中
D1和D2是两组待组合的BPA，A、B、C指的是等级；
步骤八：生成拥堵度的方法为：
将融合后结果使用式:S＝D(l)×0.1+D(ml)×0.3+D(m)×0.5+D(mh)×0.7+D(h)×0.9，得到目标拥堵度；所有相位按照步骤一至步骤八生成拥堵度；
步骤九：判断是否延时方法为：
将拥堵度阈值设为0.5，当前相位持续20s后，判断拥堵情况，当拥堵度<0.5，循环到下一个相位，当拥堵度>0.5，延时5S。当前相位持续120s后，循环至下一相位。

Claims (1)

1.一种效能最大条件下的D-S证据理论炮弹结合火力分配方法，其特征在于包括下述步骤：
步骤一：选取相位和时间阈值：
在交叉路口，车辆有左转、直行和右转三个方位，交通法规不限制右转，只考虑左转和直行，则有四个相位，依次为南北向直行、南北向左转、东西向直行和东西向左转，相位顺序按照上述循环，考虑到车辆启动时间和等待时间，将最低时间设置为20s，最大时长为120s，当某相位车辆较多，给予延时，每次延时10s；
步骤二：设置道路情况评估因素的方法为：
本方法选取车流量、待通行车辆和待过路行人为评估因素，其中车流量的检测方法为在道路中央设置压力传感器，设置压力阈值，超过某阈值，则记为有车辆通过，计算5s内车辆通过平均值为车流量，待通行车辆使用图像获得，利用摄像头获取待通行车辆的图像信息，然后使用图像处理算法得到各个车道的等待车辆，计算5s内等待车辆的平均数为待通行车辆数量，待通过行人指的是需要过马路行人数量，同样使用摄像头获得；
步骤三：建立梯形模糊数方法为：
根据梯形模糊数建立模型生成拥堵程度的基本概率分配Fjk，所述威胁程度k分为低(l)、中低(ml)、中(m)、中高(mh)和高(h)五个等级，所述模糊数以梯形模糊数表示，对应隶属度函数分别为(0,0,0.1,0.2)、(0.1,0.2,0.3,0.4)、(0.3,0.4,0.6,0.7)、(0.6,0.7,0.8,0.9)和(0.8,0.9,1,1)；所述梯形模糊数是给定论域U上的一个模糊集，是指对任何x∈U，都有一个数μ(x)∈[0,1]与之对应，μ(x)称为x对U的隶属度，μ称为x的隶属函数，
步骤四：生成基本概率分配：
输入各个评估因素的监测数值，根据梯形模糊数公式，得到基本概率分配；
步骤五：将生成的基本概率分配函数用权重W1,W2,W3加权平均得到Mj方法为：
设置车流量、待通行车辆和待过路行人权重相等，对于一个相位，对应权重与基本概率分布Fjk相乘，加权所述方法公式为
步骤六：使用D-S证据理论融合方法为：
将加权平均得到的D(k)与自身使用D-S证据理论融合2次得到D(A),D-S证据理论融合规则为:
其中
D1和D2是两组待组合的BPA，A、B、C指的是等级；
步骤七：生成拥堵度的方法为：
将融合后结果使用公式:S＝D(l)×0.1+D(ml)×0.3+D(m)×0.5+D(mh)×0.7+D(h)×0.9，得到目标拥堵度；所有相位按照步骤一至步骤七生成拥堵度；
步骤八：判断是否延时方法为：
将拥堵度阈值设为0.5，当前相位持续20s后，判断拥堵情况，当拥堵度<0.5，循环到下一个相位，当拥堵度>0.5，延时5S，当前相位持续120s后，循环至下一相位。
本发明的有益效果在于本发明采用D-S证据理论和梯形模糊数相结合的方法，具有计算简单的特点；本发明用梯形模糊数对道路交通情况建模，解决了模糊信息的表示；本发明提出的特征权重加权融合方法，取得了较好的融合效果；本发明提出的延时方法，将车流量、待通行车辆和待通行行人结合，考虑全面，有较好效果。
CN201810724932.9A 2018-07-04 2018-07-04 基于d-s证据理论的交通信号灯控制方法 Pending CN108877218A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810724932.9A CN108877218A (zh) 2018-07-04 2018-07-04 基于d-s证据理论的交通信号灯控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810724932.9A CN108877218A (zh) 2018-07-04 2018-07-04 基于d-s证据理论的交通信号灯控制方法

Publications (1)

Publication Number Publication Date
CN108877218A true CN108877218A (zh) 2018-11-23

Family

ID=64298791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810724932.9A Pending CN108877218A (zh) 2018-07-04 2018-07-04 基于d-s证据理论的交通信号灯控制方法

Country Status (1)

Country Link
CN (1) CN108877218A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796377A (zh) * 2019-10-31 2020-02-14 云南电网有限责任公司信息中心 一种支持模糊理论的电网业务系统监控方法
CN111429735A (zh) * 2020-03-26 2020-07-17 中国联合网络通信集团有限公司 机动车信号灯控制方法、装置及计算机可读存储介质
CN112533343A (zh) * 2020-12-23 2021-03-19 重庆化工职业学院 一种物联网模式下城市路灯智能监控系统
CN113034896A (zh) * 2021-02-10 2021-06-25 长安大学 一种基于时间补偿的信号交通系统
CN115713856A (zh) * 2022-10-19 2023-02-24 东南大学 一种基于交通流预测与实际路况的车辆路径规划方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101216998A (zh) * 2008-01-11 2008-07-09 浙江工业大学 基于模糊粗糙集的证据理论城市交通流信息融合方法
CN102802158A (zh) * 2012-08-07 2012-11-28 湖南大学 基于信任评估的无线传感器网络异常检测方法
CN104408324A (zh) * 2014-12-11 2015-03-11 云南师范大学 基于d-s证据理论的多传感器信息融合方法
CN108804741A (zh) * 2018-04-04 2018-11-13 西北工业大学 效能最大条件下的d-s证据理论炮弹结合火力分配方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101216998A (zh) * 2008-01-11 2008-07-09 浙江工业大学 基于模糊粗糙集的证据理论城市交通流信息融合方法
CN102802158A (zh) * 2012-08-07 2012-11-28 湖南大学 基于信任评估的无线传感器网络异常检测方法
CN104408324A (zh) * 2014-12-11 2015-03-11 云南师范大学 基于d-s证据理论的多传感器信息融合方法
CN108804741A (zh) * 2018-04-04 2018-11-13 西北工业大学 效能最大条件下的d-s证据理论炮弹结合火力分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曹闻: "时空数据模型及其应用研究", 《CNKI博士学位论文全文库》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796377A (zh) * 2019-10-31 2020-02-14 云南电网有限责任公司信息中心 一种支持模糊理论的电网业务系统监控方法
CN110796377B (zh) * 2019-10-31 2022-03-29 云南电网有限责任公司信息中心 一种支持模糊理论的电网业务系统监控方法
CN111429735A (zh) * 2020-03-26 2020-07-17 中国联合网络通信集团有限公司 机动车信号灯控制方法、装置及计算机可读存储介质
CN111429735B (zh) * 2020-03-26 2021-04-02 中国联合网络通信集团有限公司 机动车信号灯控制方法、装置及计算机可读存储介质
CN112533343A (zh) * 2020-12-23 2021-03-19 重庆化工职业学院 一种物联网模式下城市路灯智能监控系统
CN112533343B (zh) * 2020-12-23 2023-02-03 重庆化工职业学院 一种物联网模式下城市路灯智能监控系统
CN113034896A (zh) * 2021-02-10 2021-06-25 长安大学 一种基于时间补偿的信号交通系统
CN115713856A (zh) * 2022-10-19 2023-02-24 东南大学 一种基于交通流预测与实际路况的车辆路径规划方法
CN115713856B (zh) * 2022-10-19 2023-09-22 东南大学 一种基于交通流预测与实际路况的车辆路径规划方法

Similar Documents

Publication Publication Date Title
CN108877218A (zh) 基于d-s证据理论的交通信号灯控制方法
CN111026127B (zh) 基于部分可观测迁移强化学习的自动驾驶决策方法及系统
Xu et al. Research on small target detection in driving scenarios based on improved yolo network
CN111915894B (zh) 基于深度强化学习的可变车道及交通信号协同控制方法
CN109145900A (zh) 一种基于深度学习的车牌识别方法
CN106816008A (zh) 一种道路拥堵预警及拥堵形成时间预测方法
CN112991750B (zh) 基于强化学习与生成式对抗网络的局部交通优化方法
Wu et al. DeepDualMapper: A gated fusion network for automatic map extraction using aerial images and trajectories
WO2012024957A1 (zh) 实时交通流数据融合方法及装置
WO2023035666A1 (zh) 一种基于预期收益估计的城市路网交通信号灯控制方法
Gamel et al. A fog-based Traffic Light Management Strategy (TLMS) based on fuzzy inference engine
CN115116216A (zh) 基于车路云接口实现的全域协同感知与决策方法、装置
CN114120670A (zh) 用于交通信号控制的方法和系统
CN116758768A (zh) 一种全十字路口红绿灯动态调控方法
CN111754784B (zh) 基于注意力机制的多层网络的车辆主子品牌识别方法
CN115437924A (zh) 一种端到端自动驾驶决策算法的不确定性估计方法
Wang et al. The prediction of urban road traffic congestion by using a deep stacked long short-term memory network
CN114973704A (zh) 信号控制策略的生成方法及装置、设备、存储介质
Yuan et al. A novel learning approach for citywide crowd flow prediction
Guo et al. Research on optimization model of multisource traffic information collection combination based on genetic algorithm
CN111055719A (zh) 电动汽车充电站收益最大化决策的方法
Cong et al. Object Detection and Image Segmentation for Autonomous Vehicles
Zeng et al. Fast Lane Detection Based on Attention Mechanism
Zheng et al. ES-band: a novel approach to coordinate green wave system with adaptation evolutionary strategies
CN114038214B (zh) 一种城市交通信号控制系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181123

WD01 Invention patent application deemed withdrawn after publication