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 PDFInfo
- 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
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
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。
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)
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)
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 |
-
2018
- 2018-07-04 CN CN201810724932.9A patent/CN108877218A/zh active Pending
Patent Citations (4)
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)
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)
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 |