一种基于物联网的拥堵车辆综合调度方法
技术领域
本发明涉及路段车辆调度领域,尤其涉及一种基于物联网的拥堵车辆综合调度方法。
背景技术
近年来,交通堵塞是我国大中城市中普遍存在的难题,特别是局部的、短暂的行车拥堵发生频率非常高,对城市交通整体运行效率影响很大。在道路交通领域中一般将道路状况分为:正常通行、拥挤、事故堵塞、施工等四类,其中,道路因为事故和施工等完全堵塞,车辆必须绕道行驶,这是一类交通堵塞的问题,必须由现场人员指挥或交通管制来解决;另一类是由正常行驶变为拥挤或部分堵塞的情况,如某路段车道数减少、车流高峰期拥挤行驶、慢车占快车道或交通事故占用了部分车道,车流可缓慢通行,这一类交通拥堵问题无论在高速公路还是城市街道或路口都频繁发生,车辆一般不会绕道通行或没有可选道路,只能等待通过拥堵的路段,在这类情况下,司机由于不能及时了解拥堵车流的通行状况,常出于焦虑或急迫心态的原因,不断发生变道、抢道、插队等行为,使得局部车流混乱,不仅降低了拥堵车流整体的通行效率,而且带了交通事故隐患,加重道路拥堵程度。
发明内容
本发明为解决目前的技术不足之处,提供了一种基于物联网的拥堵车辆综合调度方法,通过对待监测路段的实时监测,来分析其拥堵状况,并采取相应的调度方法。
本发明提供的技术方案为:一种基于物联网的拥堵车辆综合调度方法,包括以下步骤:
步骤一、按照采样周期,采集待监测路段的车道数N、车道长度L、车数量M、平均车速
平均车间距
并计算交通拥堵指数κ;
步骤二、确定三层BP神经网络的输入层神经元向量x={x1,x2,x3,x4,x5,x6};其中,x1为车道数系数,x2为车道长度系数,x3为车数量系数,x4为平均车速系数,x5为平均车间距系数,x6为交通拥堵指数系数;
步骤三、所述输入层向量映射到隐层,隐层的神经元为m个;
步骤四、得到输出层神经元向量o={o
1,o
2,o
3,o
4};其中,o
1为设定的1级拥堵等级,o
2为设定的2级拥堵等级,o
3为设定的3级拥堵等级,o
4为设定的4级拥堵等级,所述输出层神经元值为
k为输出层神经元序列号,k={1,2,3,4},i为设定的第i个拥堵等级,i={1,2,3,4},当o
k为1时,此时,待监测路段处于o
k对应的拥堵等级;
步骤5、服务模块根据输出的拥堵等级判断,所述1级拥堵等级为正常状态,对待监测路段无需做出保护措施,所述2级拥堵等级为缓行状态,对待监测路段需要做出监视预警和红绿灯时间调节,所述3级拥堵等级为拥堵状态,对待监测路段需要作出红绿灯调整措施,所述4级拥堵等级为严重拥堵等级,对待监测路段需要做出人为限流、分流措施。
优选的是,在所述步骤一中交通拥堵指数κ的计算方法如下:
其中,γ为拥堵校正系数。
优选的是,当输出层神经元向量o=o2时,控制待监测路段的最近出口处的绿灯时长占比最近路口处的一个周期红绿灯时间的比例λ1满足:
其中,δ1为第一校正系数,s为待监测路段前端距离最近出口处的距离。
优选的是,当输出层神经元向量o=o3时,控制待监测路段的最近出口处的绿灯时长占比最近路口处的一个周期红绿灯时间的比例λ2满足:
其中,δ2为第二校正系数。
优选的是,当输出层神经元向量o=o4时,控制待监测路段的最近出口处的车流量Q满足:
Q0为待监测路段的标注车流量。
优选的是,所述隐层节点个数m满足:
其中a为输入层节点个数,p为输出层节点个数。
优选的是,在所述步骤二中,将车道数N、车道长度L、车数量M、平均车速
平均车间距
并计算交通拥堵指数κ进行规格化的公式为:
其中,x
j为输入层向量中的参数,X
j分别为测量参数N、L、M、
κ,j=1,2,3,4,5,6;X
jmax和X
jmin分别为相应测量参数中的最大值和最小值。
优选的是,
所述隐层及所述输出层的激励函数均采用S型函数fj(x)=1/(1+e-x)。
本发明所述的有益效果:本发明提供了一种基于物联网的拥堵车辆综合调度方法,通过对待监测路段的实时监测,来分析其拥堵状况,并采取相应的调度方法,及时缓解拥堵的路况。
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。
本发明提供了一种基于物联网的拥堵车辆综合调度方法,其基于物联网的拥堵车辆综合调度系统,包括:信息采集模块设置在待监测路段,用于采集待监测路段的交通信息;传输模块,用于接收信息采集模块发送的信息,并将信息发送出去;控制模块用于接收传输模块传输的信息,并进行数据处理和判断,控制待监测路段的红绿灯情况;服务器设置在交通控制中心,连接控制模块,根据控制模块输出的拥堵等级输出调度方案。
信息采集模块包括图像获取模块和雷达测速器,图像获取模块用于收集待监测路段的图像信息并处理分析得到待监测路段的车道数N、车道长度L、车数量M、平均车间距
雷达测速器测量待监测路段的汽车的平均车速
本发明通过建立BP神经网络模型对基于物联网的拥堵车辆综合调度方法包括如下步骤:
步骤1、建立BP神经网络模型。
BP模型上各层次的神经元之间形成全互连连接,各层次内的神经元之间没有连接,输入层神经元的输出与输入相同,即oi=xi。中间隐含层和输出层的神经元的操作特性为
opj=fj(netpj)
其中p表示当前的输入样本,ωji为从神经元i到神经元j的连接权值,opi为神经元j的当前输入,opj为其输出;fj为非线性可微非递减函数,一般取为S型函数,即fj(x)=1/(1+e-x)。
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a个节点,对应了表示设备工作状态的a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,由网络的训练过程以自适应的方式确定;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:
输入向量:x=(x1,x2,...,xa)T
中间层向量:y=(y1,y2,...,ym)T
输出向量:o=(o1,o2,...,op)T
本发明中,输入层节点数为a=6,输出层节点数为p=4,隐藏层节点数m由下式估算得出:
输入层6个参数分别表示为:x1为车道数系数,x2为车道长度系数,x3为车数量系数,x4为平均车速系数,x5为平均车间距系数,x6为交通拥堵指数系数;
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,在数据输入人工神经网络之前,需要将数据规格化为0-1之间的数。
归一化的公式为
其中,x
j为输入层向量中的参数,X
j分别为测量参数N、L、M、
κ,j=1,2,3,4,5,6;X
jmax和X
jmin分别为相应测量参数中的最大值和最小值,采用S型函数。
具体而言,对于车道数N,进行规格化后,得到车道系数x1:
其中,Nmin和Nmax分别为车道数的最小值和最大值。
同样的,对于车道长度L,进行规格化后,得到车道长度系数x2:
其中,Lmax和Lmin分别为车道长度的最大值和最小值。
对于车数量M,进行规格化后,得到车数量x3:
其中,Mmax和Mmin分别为车数量的最大值和最小值。
对于平均车间距
进行规格化后,得到平均车间距系数x
5:
对于交通拥堵指数κ,进行规格化后,得到交通拥堵指数系数x6:
其中,κmax和κmin分别为交通拥堵指数的最大值和最小值。
交通拥堵指数κ的计算方法如下:
其中,γ为拥堵校正系数,单位m;L为车道长度,单位m;
为平均车速,单位m/s;平均车间距
单位m。
输出层4个参数分别表示为:o
1为设定的1级拥堵等级,o
2为设定的2级拥堵等级,o
3为设定的3级拥堵等级,o
4为设定的4级拥堵等级,所述输出层神经元值为
k为输出层神经元序列号,k={1,2,3,4},i为设定的第i个拥堵等级,i={1,2,3,4},当o
k为1时,此时,待监测路段处于o
k对应的拥堵等级;
步骤2、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。根据产品的历史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j之间的连接权值,隐层节点j和输出层节点k之间的连接权值。
(1)训练方法
表1网络训练用的输出样本
各子网采用单独训练的方法;训练时,首先要提供一组训练样本,其中的每一个样本由输入样本和理想输出对组成,当网络的所有实际输出与其理想输出一致时,表明训练结束;否则,通过修正权值,使网络的理想输出与实际输出一致;各子网训练时的输出样本如表1所示。
(2)训练算法
BP网络采用误差反向传播(Backward Propagation)算法进行训练,其步骤可归纳如下:
第一步:选定一结构合理的网络,设置所有节点阈值和连接权值的初值。
第二步:对每个输入样本作如下计算:
(a)前向计算:对l层的j单元
式中,
为第n次计算时l层的j单元信息加权和,
为l层的j单元与前一层(即l-1层)的单元i之间的连接权值,
为前一层(即l-1层,节点数为n
l-1)的单元i送来的工作信号;i=0时,令
为l层的j单元的阈值。
若单元j的激活函数为sigmoid函数,则
且
若神经元j属于第一隐层(l=1),则有
若神经元j属于输出层(l=L),则有
(b)反向计算误差:
对于输出单元
对隐单元
(c)修正权值:
第三步:输入新的样本或新一周期样本,直到网络收敛,在训练时各周期中样本的输入顺序要重新随机排序。
BP算法采用梯度下降法求非线性函数极值,存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法,它使得网络学习时间更短,能有效地抑制网络陷于局部极小。其权值调整率选为
Δω=(JTJ+μI)-1JTe
其中J为误差对权值微分的雅可比(Jacobian)矩阵,I为输入向量,e为误差向量,变量μ是一个自适应调整的标量,用来确定学习是根据牛顿法还是梯度法来完成。
在系统设计时,系统模型是一个仅经过初始化了的网络,权值需要根据在使用过程中获得的数据样本进行学习调整,为此设计了系统的自学习功能。在指定了学习样本及数量的情况下,系统可以进行自学习,以不断完善网络性能。
步骤3、服务模块根据输出的拥堵等级判断,所述1级拥堵等级为正常状态,对待监测路段无需做出保护措施,所述2级拥堵等级为缓行状态,对待监测路段需要做出监视预警和红绿灯时间调节,所述3级拥堵等级为拥堵状态,对待监测路段需要作出红绿灯调整措施,所述4级拥堵等级为严重拥堵等级,对待监测路段需要做出人为限流、分流措施。
当输出层神经元向量o=o2时,控制待监测路段的最近出口处的绿灯时长占比最近路口处的一个周期红绿灯时间的比例λ1满足:
其中,δ
1为第一校正系数,s为待监测路段前端距离最近出口处的距离,单位m;L为车道长度,单位m;
为平均车速,单位m/s;平均车间距
单位m。
当输出层神经元向量o=o3时,控制待监测路段的最近出口处的绿灯时长占比最近路口处的一个周期红绿灯时间的比例λ2满足:
其中,δ
2为第二校正系数;L为车道长度,单位m;
为平均车速,单位m/s;平均车间距
单位m。
当输出层神经元向量o=o4时,人为交通疏导并调节红绿灯控制待监测路段的最近出口处的车流量Q满足:
Q
0为待监测路段的标注车流量,单位min
-1;L为车道长度,单位m;
为平均车速,单位m/s;平均车间距
单位m。
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的实施例。