CN110060489B - 一种基于神经网络的信号灯配时方案推荐方法 - Google Patents

一种基于神经网络的信号灯配时方案推荐方法 Download PDF

Info

Publication number
CN110060489B
CN110060489B CN201910235459.2A CN201910235459A CN110060489B CN 110060489 B CN110060489 B CN 110060489B CN 201910235459 A CN201910235459 A CN 201910235459A CN 110060489 B CN110060489 B CN 110060489B
Authority
CN
China
Prior art keywords
traffic flow
timing scheme
intersection
neural network
data
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.)
Active
Application number
CN201910235459.2A
Other languages
English (en)
Other versions
CN110060489A (zh
Inventor
郭海锋
王奇
乔洪帅
黄纪勇
刘玉新
杨宪赞
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201910235459.2A priority Critical patent/CN110060489B/zh
Publication of CN110060489A publication Critical patent/CN110060489A/zh
Application granted granted Critical
Publication of CN110060489B publication Critical patent/CN110060489B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种基于神经网络的信号灯配时方案推荐方法，包括：通过SCATS检测器采集路口交通流数据；采用均方根误差对数据进行筛选；构建交通流状态数组，作为神经网络的输入；定义模型损失函数，利用反向传播算法不断优化模型，输出对应交通流的信号配时方案。本方法根据交通流状态直接推荐出相适应的信号灯配时方案，能提高人工调整信号配时方案的效率，更快地应对交通拥堵，提高路口通行效率。

Description

一种基于神经网络的信号灯配时方案推荐方法
技术领域
本发明涉及一种基于神经网络的信号灯配时方案推荐方法。
技术背景
在信号控制系统方面，我国主要采用引进与开发相结合的策略，依托于国际主流信号控制系统。SCATS系统就是一款比较受欢迎的交通信号控制系统，在我国许多大中城市都有其身影。但是由于我国国情较为特殊，路口情况比较复杂，自适应系统有时无法有效地进行调节来适应车流，导致一些重要路口容易出现交通拥堵的情况。此时需要人工干预来进行信号配时方案的调控。
传统的调控操作都是通过配时人员对相关路口的视频监控进行调取和分析，通过经验对信号配时方案进行调整，比较耗费时间和精力，效率有待提高且对配时人员的工作经验水平要求较高。
发明内容
为提高配时工作人员的工作效率，更快地对拥堵路口进行配时方案的调整，本发明提供了一种能通过输入交通流信息来推荐适应当前路口交通状况的信号配时方案的方法。
一种基于神经网络的信号灯配时方案推荐方法，包括以下步骤：
1)通过地磁检测器采集路口交通数据及其对应流量配时方案；
2)在步骤1)的基础上，利用均方根误差(RMSE)对得到的交通流数据进行筛选，所述RMSE描述如式(1)所示：
Figure RE-GDA0002091523910000011
其中Xi是当前周期路口i相位的绿灯时长，Yi是相邻上一周期路口i相位的绿灯时长，n是该路口所拥有的相位数；
3)在步骤2)的基础上，获取路口连续周期内的交通流状态数据，构建交通流状态数组，作为神经网络的输入数据；
所述的交通流状态数组为以下形式：
A＝[X1,X2,...,Xn,Y1,Y2,...,Yn,Z1,Z2,...,Zn,] (2)
其中X1...Xn表示路口的n个相位的绿灯时长，Y1...Yn表示该路口n个检测器的流量数据，Z1...Zn表示n个检测器的饱和度数据。
4)在步骤3)的基础上，将下一周期信号配时方案作为神经网络的期望输出值；定义模型损失函数，根据损失函数值利用BP反向传播算法不断优化参数模型；获取实时交通流数据，输出对应交通流的信号配时方案。
所述神经网络算法的训练数据集为步骤3)所挑选的数据中，各路口所有周
期及其后续多个连续周期的交通流状态数组，期望输出为每个周期下一周期
的信号灯绿灯时长的修正量，形式如下：
B＝[X1,X2,...Xi] (3)
其中X1...Xn表示路口的n个相位的绿灯时长修正量；
所述模型损失函数为如下形式：
Figure RE-GDA0002091523910000021
其中P为预测的交通流状态数组，T为实际交通流数组，i为样本数量。
本发明的优点是：利用神经网络，根据路口交通流状态直接推荐出相适应的信号灯配时方案，提高人工调整信号灯配时方案的效率，更快地对路口的交通拥堵做出应对，提高拥堵路口通行效率。
附图说明
图1是本发明的步骤流程示意图
图2是本发明的LSTM神经网络结构图。
图3a～图3d是本发明的神经网络损失函数随训练变化曲线图，其中图3a是：开元路与延安路口损失函数随训练变化曲线图，图3b是：庆春路与延安路口损失函数随训练变化曲线图，图3c是：白沙路与环城西路口损失函数随训练变化曲线图，图3d是：开元路与定安路口损失函数随训练变化曲线图。
具体实施方式
为说明本发明的技术特点，下面结合附图对本发明的具体实施步骤进一步描述，此处所描述的具体实施案例仅仅用于解释本发明，而不是限定本发明。
对于本案例，其信号灯配时方案推荐方法包括以下步骤，如附图1所示：
1)通过地磁检测器采集路口交通流数据，及其对应流量信号配时方案；
2)在步骤1)的基础上，利用均方根误差对得到的交通数据进行筛选，所述RMSE描述如式(1)所示：
Figure RE-GDA0002091523910000022
其中Xi是当前周期路口i相位的绿灯时长，Yi是相邻上一周期路口i相位的绿灯时长，n是该路口所拥有的相位数；
3)在步骤2)的基础上，获取路口连续周期内的交通流状态数据，构建交通流状态数组，作为神经网络的输入数据；
4)在步骤3)的基础上，将下一周期信号配时方案作为神经网络的预测输出值；定义模型损失函数，根据损失函数值利用BP反向传播算法不断优化参数模型；获取实时交通流数据，输出对应交通流的信号配时方案。
步骤1)中所述的路口交通数据在该案例的情况下，取饱和度和流量，路口信号配时方案取各个相位绿灯时长。
步骤2)中所述根据均方根误差对交通数据进行筛选在该案例的情况下，取 RMSE大于百分之五的交通流数据作为有效数据。
步骤3)中所述交通流状态数组在该案例的情况下，取如下形式：
A＝[X1,X2,...,Xn,Y1,Y2,...,Yn,Z1,Z2,...,Zn,] (2)
其中X1...Xn表示路口的n个相位的绿灯时长，Y1...Yn表示该路口n个检测器的流量数据，Z1...Zn表示n个检测器的饱和度数据。
步骤4)中所述神经网络在该案例的情况下，取LSTM神经网络，LSTM神经网络在处理长时序数据时有其独特的优势，能够根据需要有选择的保留历史数据，并用于下一时刻的计算。LSTM的结构如附图2所示，主要由输入门、输出门、遗忘门、记忆单元组成，每个单元的计算如下所示。
ft＝σ(Wf·[ht-1,xt]+bf) (5)
it＝σ(Wi·[ht-1,xt]+bi) (6)
Figure RE-GDA0002091523910000031
Figure RE-GDA0002091523910000032
ot＝σ(Wo[ht-1,xt]+bo) (9)
ht＝ot*tanh(Ct) (10)
其中，·表示矩阵叉乘，*表示矩阵点乘，Wf、Wi、Wc、Wo分别代表遗忘门、输入门、记忆单元、输出门的权重矩阵，bf、bi、bc、bo分别表示遗忘门、输入门、记忆单元、输出门的偏置，ft、it、Ct、ot、ht分别表示当前时刻遗忘门输出、输入门输出、状态单元输出、输出门部分输出以及记忆单元的最后输出，ht-1、Ct-1分别表示上一时刻的状态门输出和记忆单元输出，
Figure RE-GDA0002091523910000033
表示候选状态，σ和tanh分别表示sigmoid函数和双曲正切函数。
步骤4)中所述神经网络的输入数据在该案例情况下取步骤3)中所述路口某一周期后续十个连续周期的交通流状态数组，期望输出为每个周期下一周期的信号灯绿灯时长的修正量，形式如下：
B＝[X1,X2,...Xi] (3)
其中X1...Xn表示路口的n个相位的绿灯时长修正量。
步骤4)中所述损失函数在该案例情况下，定义模型预测的交通流状态数组为P，实际交通流状态数组为T，则模型损失函数为如下形式：
Figure RE-GDA0002091523910000041
其中，i表示输入的样本数量。
实例：一种基于神经网络的信号灯配时方案推荐方法，包括以下步骤：
1)选取实验数据
原始交通流数据包含4个路口最近三个月的交通流数据，所述的数据集为杭州市部分路口交通流数据。
2)对数据进行筛选
剔除原始交通流数据中不符合要求的数据，挑选其中RMSE大于百分之五的数据作为神经网络的训练集，并挑选一部分数据作为测试集。
3)利用选取的有效数据，构建交通流数组，对神经网络进行训练，并进行误差分析；各个路口损失函数随训练次数增加明显降低，如附图3所示。
4)实验结果
本发明实验以信号灯配时方案推荐为目的，通过训练集进行模型训练，测试集进行模型预测性能的检验。
路口信号灯部分配时方案推荐结果如表1所示：
表1算法推荐方案与实际方案误差统计表
Figure RE-GDA0002091523910000042
表中数组为各相位绿灯时长修正量，误差百分比取信号周期为180秒时，误差与信号周期的比值。

Claims (3)

1.一种基于神经网络的信号灯配时方案推荐方法，包括以下步骤：
1)通过地磁检测器采集路口交通流数据及其对应流量信号配时方案；
2)在步骤1)的基础上，利用均方根误差RMSE对得到的交通流数据进行筛选，均方根误差RMSE描述如式(1)所示：
Figure FDA0002008033140000011
其中Xi是当前周期路口i相位的绿灯时长，Yi是相邻上一周期路口i相位的绿灯时长，n是该路口所拥有的相位数；
3)在步骤2)的基础上，获取路口连续周期内的交通流状态数据，构建交通流状态数组，作为神经网络的训练数据集；
所述的交通流状态数组为以下形式：
A＝[X1,X2,...,Xn,Y1,Y2,...,Yn,Z1,Z2,...,Zn,] (2)
其中X1...Xn表示路口的n个相位的绿灯时长，Y1...Yn表示该路口n个检测器的流量数据，Z1...Zn表示n个检测器的饱和度数据；
4)在步骤3)的基础上，将下一周期信号配时方案作为神经网络的期望输出值；定义模型损失函数，根据损失函数值利用BP反向传播算法不断优化模型参数；获取实时交通流数据，输出对应交通流的信号配时方案；
所述神经网络算法的训练数据集为步骤3)所挑选的数据中，各路口所有周期及其后续多个连续周期的交通流状态数组，期望输出为每个周期下一周期的信号灯绿灯时长的修正量，形式如下：
B＝[X1,X2,...Xi] (3)
其中X1...Xn表示路口的n个相位的绿灯时长修正量；
所述模型损失函数为如下形式：
Figure FDA0002008033140000012
其中P为预测的交通流状态数组，T为实际交通流数组，i为样本数量。
2.如权利要求1所述的基于神经网络的信号灯配时方案推荐方法，其特征在于：步骤1)所述的路口流量数据为地磁检测器采集的流量和饱和度，对应配时方案为各相位绿灯时长。
3.如权利要求1所述的基于神经网络的信号灯配时方案推荐方法，其特征在于：步骤2)所述的误差计算方式包括但不限于均方根误差公式。
CN201910235459.2A 2019-03-27 2019-03-27 一种基于神经网络的信号灯配时方案推荐方法 Active CN110060489B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910235459.2A CN110060489B (zh) 2019-03-27 2019-03-27 一种基于神经网络的信号灯配时方案推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910235459.2A CN110060489B (zh) 2019-03-27 2019-03-27 一种基于神经网络的信号灯配时方案推荐方法

Publications (2)

Publication Number Publication Date
CN110060489A CN110060489A (zh) 2019-07-26
CN110060489B true CN110060489B (zh) 2020-10-27

Family

ID=67315933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910235459.2A Active CN110060489B (zh) 2019-03-27 2019-03-27 一种基于神经网络的信号灯配时方案推荐方法

Country Status (1)

Country Link
CN (1) CN110060489B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127892A (zh) * 2019-12-27 2020-05-08 北京易华录信息技术股份有限公司 交叉口配时参数优化模型构建、交叉口信号优化方法
CN111477019B (zh) * 2020-04-14 2022-03-04 上海电科智能系统股份有限公司 一种基于scats系统的本地信号干预方法
CN111739284B (zh) * 2020-05-06 2021-12-14 东华大学 基于遗传算法优化模糊控制的交通信号灯智能配时方法
CN111932871B (zh) * 2020-06-28 2021-06-29 银江股份有限公司 一种区域级实时交通控制策略推荐系统及方法
CN113449905A (zh) * 2021-05-21 2021-09-28 浙江工业大学 一种基于门控循环单元神经网络的交通拥堵预警方法
CN114743379B (zh) * 2022-06-13 2022-09-06 广东邦盛北斗科技股份公司 基于北斗的城市大面积路网交通感知方法、系统及云平台
CN116718894B (zh) * 2023-06-19 2024-03-29 上饶市广强电子科技有限公司 玉米灯的电路稳定性测试方法及其系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7701363B1 (en) * 2007-01-17 2010-04-20 Milan Zlojutro Vehicle tracking and monitoring system
CN105679049B (zh) * 2016-03-15 2017-11-28 北方工业大学 一种城市道路交叉口信号控制优化方法
CN106023608B (zh) * 2016-06-08 2018-08-14 吉林大学 一种十字路口交通信号灯实时动态配时的方法
CN106205156B (zh) * 2016-08-12 2018-06-26 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
CN106355885A (zh) * 2016-11-24 2017-01-25 深圳市永达电子信息股份有限公司 基于大数据分析平台的交通信号动态控制方法及系统

Also Published As

Publication number Publication date
CN110060489A (zh) 2019-07-26

Similar Documents

Publication Publication Date Title
CN110060489B (zh) 一种基于神经网络的信号灯配时方案推荐方法
CN110491146B (zh) 一种基于深度学习的交通信号控制方案实时推荐方法
CN111161535B (zh) 基于注意力机制的图神经网络交通流量预测方法及系统
CN110517482B (zh) 一种基于3d卷积神经网络的短时交通流预测方法
CN111739284B (zh) 基于遗传算法优化模糊控制的交通信号灯智能配时方法
TWI419070B (zh) 相關性變數篩選系統及其篩選方法
CN103577694B (zh) 一种基于多尺度分析的水产养殖水质短期组合预测方法
CN109191842B (zh) 基于实时通行能力的拥堵调控策略推荐方法及系统
CN109407654A (zh) 一种基于稀疏深度神经网络的工业数据非线性因果分析方法
CN112419726A (zh) 一种基于交通流预测的城市交通信号控制系统
CN107463730A (zh) 一种考虑土地利用时空演变的径流变化归因识别方法
CN103745273A (zh) 一种半导体制造过程的多性能预测方法
CN112530157B (zh) 基于知识图谱和Conv1D-LSTM-D的道路交通拥堵传播预测方法
Muresan et al. Adaptive traffic signal control with deep reinforcement learning an exploratory investigation
CN114023068A (zh) 一种短距离交织区交通流短时预测与主动控制系统及方法
CN114722551B (zh) 一种恶劣天气下空域网络容量预测方法
CN104700634B (zh) 基于最小生成树聚类改进遗传算法的相邻交叉口干道协调控制方法
CN113378486B (zh) 一种区域交通信号优化方法、装置、计算设备及存储介质
CN111341109B (zh) 一种基于时空相似性的城市级信号推荐系统
CN113112791A (zh) 一种基于滑动窗口长短时记忆网络的交通流量预测方法
Olayode et al. Traffic flow prediction at signalized road intersections: a case of Markov chain and artificial neural network model
Cheng et al. Data mining for air traffic flow forecasting: a hybrid model of neural network and statistical analysis
CN117252349B (zh) 基于水质水量双控的城市河流智能调控方法
CN114781704A (zh) 一种基于过站航班保障流程的航班延误预测方法
CN102065449A (zh) 一种基于聚类ls-svm的移动通信话务量预测方法

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