CN109615887A - 智慧交通网络系统信号指引方法 - Google Patents

Abstract

智慧交通网络系统信号指引方法，一种交通网络系统信号灯变换方法及车辆导航指引方法，应用在道路交通红绿灯的控制方法及车辆导航指引领域，以及应用在汽车高级辅助驾驶和无人驾驶领域，解决现有交通信号灯控制系统缺乏多个路口信号灯之间相互关联的方法，现有交通导航系统指引效率低下的问题，以及现有道路交通导航系统与交通信号灯控制系统不能相互关联的问题，解决方法包括：采用人工智能技术及机器学习算法，设计基于道路车辆数据的多个路口信号灯联动方法、基于车联网5G信号的车辆交通导航指引方法、车辆导航与信号灯状态之间的相互关联方法。

Description

智慧交通网络系统信号指引方法

技术领域

智慧交通网络系统信号指引方法，本发明涉及一种交通网络系统信号灯变换方法及车辆导航指引方法，应用在道路路口交通红绿灯的控制方法及车辆导航指引领域，以及应用在汽车高级辅助驾驶和无人驾驶领域。

背景技术

现有的交通信号灯控制系统及方法，每一个路口的信号灯独立运行，缺乏与相邻的路口信号灯以及与道路通行网络密切关联的路口信号灯之间的联系。例如，当整条道路(跨越多个红绿灯路口的道路)拥堵时，整个交通网络通行效率降低，此时缺乏多个(密切关联)路口信号灯之间的联动机制。

现有的道路交通导航系统，采用卫星定位GPS或北斗、手机4G信号采集道路车辆位置、速度、数量及密度数据，缺乏对车辆位置、速度、密度及数量的准确判断分析，导航指引效率低下。

现有的道路交通导航系统与交通信号灯控制系统，缺乏车辆导航与信号灯状态之间的相互关联机制，对于车辆即将到达的路口信号灯状态没有提示功能，来自导航系统(包括卫星定位和5G车联网)的路段车辆行驶位置、速度、数量及密度数据也不参与信号灯的变换算法。

发明内容

为解决相邻的路口信号灯以及与道路通行网络密切关联的路口信号灯之间不关联的问题，现有道路交通导航系统缺乏对车辆位置、速度、密度及数量的准确判断分析问题，道路交通导航系统与交通信号灯控制系统缺乏相互之间的关联问题，本发明设计了一种智慧交通网络系统信号指引方法，包括基于道路车辆数据的多个路口(道路网络)信号灯联动方法、基于车联网5G信号的车辆交通导航指引方法、车辆导航与信号灯控制系统相互关联的方法。

一、道路网络信号灯联动方法：基于道路各路段的车流量数据(包括平均车辆密度、数量、平均车速、流向)，分析判断相邻路口的多个信号灯以联动组合方式提高通行效率，例如多个路口路段的车辆密度达到饱和且拥堵时，且此条道路为交通干线(交通网络的重要疏通线路)，则此条道路的多个饱和路段的路口同时绿灯(包括畅通的多个流出路段)，持续一定时间，暂时疏通交通网络。

二、车辆交通导航指引方法：基于车联网的5G信号及北斗(或GPS)导航采集车辆位置、速度数据，分析计算路段平均车辆密度、数量、平均车速，道路网络全覆盖5G信号基站，每一行驶车辆全部基于5G信号联网。

1、平均车速预测、平均密度预测、拥堵趋势预测及路线规划：基于道路网络的某一路线R(由多个路段组成，两个红绿灯路口之间为一个路段)以及与其直接和间接相连道路的平均车辆密度、数量、平均车速、流向，采用机器统计学习方法，根据历史数据和实时数据预测该路线R的某一路段在一定时间段t_i后的车辆拥挤程度(平均车速及平均密度)及拥堵状态。通过分类出与该路段连通且存在车辆流入和流出关系的道路，根据该路线R目前的平均车辆密度、数量、平均车速、流向，以及与其直接或间接相连的车辆流入和流出路段的平均车辆密度、数量、平均车速、流向，根据历史数据和实时数据判断该路线R的某一路段在某一时间段的车辆拥挤程度(平均车速及平均密度)。

当行驶车辆V在时间段t_i后可能经过R的某一路段时，导航提示该路段当前的车辆拥挤程度(平均车速及平均密度)及拥堵状态、在时间t_i后该路段的预测车辆拥挤程度(平均车速及平均密度)及拥堵状态。时间段t_i的选取应保证车辆V还未进入该路段，且有变换路线的选择。同时，时间t_i如果选取过长，则会影响预测精度；时间t如果选取过短，车辆V可更改的路线则会减少，时间段t_i的选取采用BP神经网络算法计算，以车辆到达目的地的时间最短为准。根据不同时间段t_i后原路线所经路段的预测平均车速及平均密度，不同时间段t_i后可选择路线(线路A、线路B、…、线路F…)所经路段的预测平均车速及平均密度、原路线的距离、可选择路线(线路A、线路B、…、线路F…)的距离，选取花费时间最短的一条线路。车辆V可改变路线的机会要求大于等于1，表示至少有一次改变线路机会。

2、实时路况监测：实时查看GIS地图中所选路段的平均车辆密度、数量、平均车速、流向。

三、车辆导航与信号灯控制系统相互关联方法：1、交通信号灯控制系统接收来自导航服务系统的车流量数据，包括流入(及流出)该路口不同距离范围内的平均车辆密度、数量、平均车速，导航服务系统的车流量数据基于车联网5G数据以及北斗(或GPS)数据分析计算所得。交通信号灯控制系统根据流入(及流出)该路口相位的车辆密度、数量、平均车速数据，并根据设定的算法控制信号灯的轮换。

2、具体车辆V的车载导航系统向导航服务系统发送行驶规划路线及绿灯请求，导航服务系统授权后将车辆V的请求绿灯指令、V的坐标位置、行驶规划路线数据实时发送到信号灯控制系统，信号灯控制系统授权后，当车辆V经过每一个所授权路线中的路口时，行驶相位转为绿灯(其余冲突相位转为红灯)。

3、信号灯控制系统向导航服务系统发送该路口信号灯当前状态、即将变化的状态，导航服务系统向流向该路口车辆的车载导航系统发送信号灯当前状态和即将变化的状态。

附图说明

图1：道路网络信号灯联动方法道路示意图

①1号路口

②2号路口

③3号路口

④4号路口

⑤5号路口

⑥6号路口

7号路段

8号路段

9号路段

10号路段

11号路段

12号路段

13号路段

图2：道路网络信号灯联动方法流程图

①获取各路段平均车辆密度、平均速度

②D_a10＞＝T_d10

③V_a10＜＝T_v10

④D_a9＞＝T_d9

⑤V_a9＜＝T_v9

⑥进入判断8号、7号路段的平均密度和平均车速流程

⑦10号路段行驶前方相邻的4、5、6号路口全部直行绿灯，持续时间t_j

⑧D_a9＞＝T_d9

⑨V_a9＜＝T_v9

⑩D_a8＞＝T_d8

V_a8＜＝T_v8

9号路段行驶前方相邻的3、4、5号路口全部直行绿灯，持续时间t_j

D_a8＞＝T_d8

V_a8＜＝T_v8

D_a7＞＝T_d7

V_a7＜＝T_v7

8号路段行驶前方相邻的2、3、4号路口全部直行绿灯，持续时间t_j

图3：车辆导航与信号灯状态相互关联方法示意图

①导航服务系统

②车载导航系统

③信号灯控制系统

具体实施方式

1、道路网络信号灯联动实施例：获取最新道路交通车辆5G及卫星定位的实时车流量数据(平均车辆密度、数量、平均车速、流向)，当道路连续多个路段发生拥堵及拥堵趋势(车辆饱和，即平均车辆密度大于等于阈值T_d；平均车速小于等于阈值T_v)时，启动车流线路中的相邻多路口信号灯联动机制，拥堵线路的多个路口及前方畅通的几个路口同时轮转为绿灯，持续时间t_j。绿灯时间控制方法，连续获取最新车流量数据，如果平均车辆密度大于等于阈值T_d且平均车速小于等于阈值T_v，则继续绿灯，否则恢复信号灯的正常轮换。

如图1所示，车辆从7号、8号、9号、10号路段依次向11号、12号、13号路段行驶，7号、8号、9号、10号路段是经常发生拥堵的路段。图2是对应图1的信号灯联动流程图，首先获取各路段的车流量数据，从10号路段开始检测平均车辆密度D_a10和平均车速V_a10，如果D_a10大于阈值T_d10且V_a10小于等于阈值T_v10，则继续检测9号路段，若D_a9大于等于阈值T_d9且V_a9小于等于阈值T_v9，则4、5、6号路口同时直行绿灯，持续时间t_j；同样原理，若D_a9＞＝T_d9，V_a9＜＝T_v9，且D_a8＞＝T_d8，V_a8＜＝T_v8，则3、4、5号路口同时直行绿灯，持续时间t_j。

2、车辆交通导航指引实施例：车载导航系统通过5G通信服务端及北斗(或GPS)服务端向导航服务系统发送路线规划数据及定位数据，车载导航系统安装在具体车辆中。远程服务器端的导航服务系统从车联网5G通信服务端及北斗(或GPS)服务端获取车辆行驶数据(具体车辆的坐标位置、时间)，数据分析计算后得到路段在不同时间的平均车辆密度、数量、平均车速、流向。导航服务系统为车载导航系统实时提供具体路段的平均车辆密度、数量、平均车速、流向数据，以及在一定时间后具体路段的预测平均车辆密度、数量、平均车速、流向数据。

(1)预测：根据道路交通车辆5G及卫星定位的历史数据及实时数据，预测某一路段在未来某一时刻的平均车辆密度、数量、平均车速。以下面表格作为训练模型。

方法：

第一步，应用统计学习方法中的神经网络、朴素贝叶斯、决策树、逻辑斯谛回归、K近邻、随机森林、AdaBoost、梯度提升方法，根据历史数据作为训练数据集，将路段、路段之间关系、日期、星期、工作日或具体节假日、时间段、平均车辆密度、数量、平均车速9个特征属性作为训练数据，分析某一路段的车流量(平均车辆密度、数量、平均车速)与时间段、星期、工作日或具体节假日、日期的对应关系，同时分析该路段当前车流量及邻近的流入、流出路段在当前时间段的车流量(车辆密度、数量、平均车速)对该路段在未来某时间段的车流量的影响，得出最终分类器，并选取预测效果最准确的统计学习方法作为应用。

以统计机器学习中的提升方法AdaBoost算法为例，AdaBoost算法通过反复修改训练数据的权值分布，构建一系列基本分类器(弱分类器)，并将这些基本分类器线性组合，构成一个强分类器。

输入：训练数据集T＝{(x1，y1，z1，…)，(x2，y2，z2，…)，(x3，y3，z3，…)，…，(x_N，y_N，z_N，…)}

，弱分类器。

输出：最终分类器G(x).

(1)初始化训练数据的权值分布D1＝(w₁₁，…，w_1i，…，w_1n)，

(2)对m＝1，2，…，M

(a)使用具有权值分布D_m的训练数据集学习，得到基本分类器G_m(x)

(b)计算G_m(x)在训练数据集上的分类误差率

(c)计算G_m(x)的系数α_m

(d)更新训练数据集的权值分布

D_m+1＝(w_m+1，1，…，w_m+1，i，…，w_m+1，N)

Z_m是规范化因子使D_m+1成为一个概率分布。

(3)构建基本分类器的线性组合

得到最终分类器

第二步，根据该路段实时车流量、流入路段和流出路段的实时车流量，以及对应的时间段、星期、工作日或具体节假日、日期，应用第一步中选取的统计学习方法预测该路段在某一时间段(t_i，i＝1，2，3，..)后的车流量。

(2)行车路线规划：

第一种方案，具体车辆V在车载导航系统做出行驶规划路线，导航服务系统提供车辆V行驶规划路线及相邻路线的车流辆数据(平均车辆密度、数量、平均车速、流向)，车辆V的车载导航系统采用机器学习算法，实时提示前方路线的车辆拥挤程度(或平均车速)及拥堵概率，在最佳时机(时间t)重新规划路线。对于未规划路线的车辆，导航服务系统提供行驶所在路线前方一定范围内(一定距离内的车辆所在线路及相邻线路)的车辆数据(平均车辆密度、数量、平均车速、流向)。

车辆V可实时查看GIS地图中预选路段的平均车辆密度、数量、平均车速、流向，预选路段可在GIS地图中任意选择。

第二种方案，与第一种方案类似，不同点是方案一中的车载导航系统的机器学习算法在导航服务系统中运行，车载导航系统向导航服务系统发送请求，导航服务系统为车载导航系统提供实时数据、预测结果、路线规划。

3、车辆导航与信号灯状态相互关联方法实施例：如图3所示，①为导航服务系统，②为车载导航系统，③为信号灯控制系统。

(1)导航服务系统向交通信号灯控制系统发送数据，包括驶向该路口路段的车辆坐标(及所在相位)、数量、密度，速度数据。交通信号灯控制系统接收来自导航服务系统的车流量数据，包括流入(及流出)该路口不同距离范围内的平均车辆密度、数量、平均车速，交通信号灯控制系统根据流入(及流出)该路口相位的车辆密度、数量、平均车速数据，并根据设定的算法控制信号灯的轮换。

(2)救灾任务中的消防车或救护车，通过车载导航系统向导航服务系统发送绿灯请求及救援点、可能所经路线信息。导航服务系统审核授权，向交通信号灯控制系统发送请求绿灯指令以及消防车或救护车的坐标位置、行驶规划路线信息。信号灯控制系统接收请求，审核授权，消防车或救护车所经线路全程绿灯，其余干扰其行驶的相位全部红灯。

(3)当车辆(包括无人驾驶车辆)进入前方路口100米范围时，导航服务系统向车载导航系统发送前方路口信号灯当前状态以及即将变化的状态，如：前方路口当前为左转绿灯、直行红灯，5秒后转为直行绿灯，左转红灯。

Claims (3)

1.智慧交通网络系统信号指引方法，包括基于道路车辆数据的多个路口信号灯联动方法、基于车联网5G信号的车辆交通导航指引方法、车辆导航与信号灯控制系统相互关联方法，多个路口信号灯联动方法基于道路多路段的车流量数据，以联动组合方式运行；车辆交通导航指引方法基于车联网的5G及卫星定位信号采集车流量数据，分析计算路段平均车辆密度、数量、平均车速，采用机器统计学习方法，根据历史数据和实时数据预测某一路段在某时间段的车辆拥挤程度及拥堵状态，并规划路线；车辆导航与信号灯控制系统相互关联方法，交通信号灯控制系统接收来自导航服务系统的车流量数据，并根据车流量数据控制信号灯的轮换，信号灯控制系统向导航服务系统发送路口信号灯状态。

2.根据权利要求项1，基于车联网5G信号的车辆交通导航指引方法，机器学习算法以路段、路段之间关系、日期、星期、工作日或具体节假日、时间段、平均车辆密度、数量、平均车速9个特征属性作为训练数据，分析某一路段的车流量与时间段、星期、工作日或具体节假日、日期的对应关系，同时分析当前该路段车流量及邻近路段车流量对该路段在未来某时间段的车流量的影响。

3.根据权利要求项1，车辆导航与信号灯控制系统相互关联方法，车载导航系统向导航服务系统发送行驶规划路线及绿灯请求，导航服务系统授权后将车辆的请求绿灯指令及坐标位置、行驶规划路线数据实时发送到信号灯控制系统，信号灯控制系统授权后，当车辆经过每一个所授权路线中的路口时，行驶相位转为绿灯。