CN110197585A - 一种基于TR-Min-Min算法的城市智能交通处理系统及方法 - Google Patents

一种基于TR-Min-Min算法的城市智能交通处理系统及方法 Download PDF

Info

Publication number
CN110197585A
CN110197585A CN201910356009.9A CN201910356009A CN110197585A CN 110197585 A CN110197585 A CN 110197585A CN 201910356009 A CN201910356009 A CN 201910356009A CN 110197585 A CN110197585 A CN 110197585A
Authority
CN
China
Prior art keywords
time
task
traffic
virtual machine
subsystem
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.)
Granted
Application number
CN201910356009.9A
Other languages
English (en)
Other versions
CN110197585B (zh
Inventor
庄镇宇
王洽和
曾清林
陈振超
黎清许
罗楚江
白明
徐虎
许祖浩
吴林枫
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.)
SHENZHEN UNION SECURITY INDUSTRY Co Ltd
Original Assignee
SHENZHEN UNION SECURITY INDUSTRY Co Ltd
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 SHENZHEN UNION SECURITY INDUSTRY Co Ltd filed Critical SHENZHEN UNION SECURITY INDUSTRY Co Ltd
Priority to CN201910356009.9A priority Critical patent/CN110197585B/zh
Publication of CN110197585A publication Critical patent/CN110197585A/zh
Application granted granted Critical
Publication of CN110197585B publication Critical patent/CN110197585B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于TR‑Min‑Min算法的城市智能交通处理系统及方法，其包括有如下子系统虚拟机：城市交通车载自组织网络子系统，其基于车载传感器网络实现；交通灯信号控制子系统，用于对城市交叉路口相位中的绿信比进行调节；交通违规处理子系统，用于监测车辆违章现象，并在监测到车辆违章时发出报警信号，利用摄像机对违规车辆进行拍摄、存盘；交通流量信息实时采集与监控分析子系统，用于对交通流量信息进行采集以及与监控指挥中心的交通流量监控计算机进行通信。本发明能更加有效地缓解城市交通拥塞状态、能缓解道路交通压力、降低拥堵概率，本发明TR‑Min‑Min算法可克服用户需求的任务调度时间不均衡的问题。

Description

一种基于TR-Min-Min算法的城市智能交通处理系统及方法
技术领域
本发明涉及基于云计算和资源调度的交通信号控制、云计算调度和城市智能交通系统，尤其涉及一种基于TR-Min-Min算法的城市智能交通处理系统及方法。
背景技术
智能交通系统(ITS)是一种有效地集成先进的信息技术、通讯技术、传感技术、控制技术以及计算机技术的实时、准确、高效的智能化交通网络管理系统，是全方位解决交通网络的运输安全和交通拥堵的有效手段。通过建立和使用网络化智能交通系统，来加强对交通资源的高效管理和对交通信号的有效控制，在现有的路网规模下缓解交通拥堵问题，是目前各个国家都普遍关注的焦点。世界各国都投入了大量的各种资源，建立了各种科研部门进行智能交通的开发研究，取得了不少科研成果。
目前，设计一个实时可靠并且实际可行的交通信号控制系统仍然有诸多的问题需要解决。这些问题集中在以下几个方面:(1)红绿灯转换是一个离散变化过程，其优化组合往往是一个NP(non-deterministic polynomial，非确定性多项式)困难问题；(2)城市交通规模巨大，除了要处理大量的交通数据外，一定范围内相邻路口交通车流存在相关性，故相邻路口应有一定的协调特性才能达到整体优化；(3)交通流中面临着许多的不可预知以及难以测量的扰动因素(如交通事故，非法停车，行人穿行等)；(4)交通状态的测量信息往往是局部信息，并且测量的准确度受许多因素的影响；(5)交通控制要求高的实时性，高级控制系统一般要求控制器在2秒内做出决策。
如果一个问题能用多项式时间复杂性的算法求解，那么就叫做P(Polynomial，多项式)问题；所有绝对不可能用多项式时间求解的可解问题，称为指数型问题；还有一类问题，比如上面提到的设计一个实时可靠并且实际可行的交通信号控制系统问题，假设得到了该问题的解，但是如果要验证该问题的解是否正确，验证所花费的时间是非常复杂的多项式，至于求解本身所花费的时间是否是多项式解法，或者是其他解法(比如数值积分方法)，也可能因求解困难不确定，这类问题称为NP问题。现实世界中的智能交通系统，因车辆、道路、驾驶员行为等多种因素交汇，具有偶然性和不确定性，这类问题是典型的NP问题。研究这个NP问题具有研究价值和实际意义。
此外，由于交通控制有如此高的要求，单个物理主机无法满足如此大的通信和网络的要求，进而引入由虚拟机构成系统的分布式交通控制方式就势在必行。
虚拟机动态迁移技术是虚拟机技术中必不可少的技术之一，它充分的体现出了虚拟机技术的灵活性和可用性的特点。动态迁移技术实现了主机间在不间断运行的情况下虚拟机的实时移动，不需考虑物理环境是否同构或者异构。同时，为了能够让迁移后的虚拟机与迁移前的虚拟机状态保持一致而且能够继续的往下执行，那么就必须传递网络状态信息、存储状态信息还有最关键的运行状态信息。在这些状态信息和数据之中，迁移内存的状态信息和数据最复杂也最有难度，内存本身不仅存储的信息量巨大，地址映射相对复杂，其上存储的信息对于虚拟机运行来说必不可少。相对于内存迁移而言，CPU状态迁移和I/O设备的迁移相对比较简单，迁移数据量较少，结构也单一并不复杂。
基本的多处理器、并行机上的作业调度研究，其数学模型实质是整数规划问题，以尽可能短的任务完成时间为调度目标，目标函数为最大完工时间最小，数学模型为：
其中变量定义如下：
M＝{1，2，...，m}：表示机器的集合，共有m台机器；
J＝{1，2，...，n}：表示所有作业的集合，共有n个作业；
T：加工时间矩阵(n×m矩阵)，矩阵元素ti,j表示作业i在机器j上的加工时间；
目标函数最大完工时间定义如下：
该优化问题的目标解为n×m矩阵X，矩阵元素xi,j表示作业i是否在机器j上加工，Xi,j∈{0,1}，如果加工为1，否则为0.根据目标函数定义，可以将模型(1)整理为如下简化形式：
利用分布式控制方式可将计算智能技术引入交通信号控制系统，对交通流进行预测和控制优化。
现有技术中，平均策略是大家常用的一种虚拟机动态迁移分配方法，它能实现对硬件资源的统一有效管理，平均策略是将任务等分，平均分配给每一个虚拟机，研究表明，平均策略配置技术使用之前，云数据中心的物理资源的利用率仅在5％-20％之间，大量的物理机处于闲置状态。但是，平均策略算法中的一个问题就是不能根据用户自己的需求选择最符合要求的模板，如在CPU满足条件的情况下，可能造成带宽和内存的浪费，不能充分发挥虚拟机的运算能力和带宽。基于不同的虚拟机调度策略，云数据中心的物理机上的资源利用率变化很大，这样并没有考虑每一个虚拟机之间，网络带宽和计算能力的差异，造成任务负载不均衡的结果，同时能源消耗较大。云数据中心的高能耗主要是因为物理机的数量巨大以及资源利用率较低等。Min-Min算法提出一种基于资源利用率均衡的虚拟机调度模型以均衡每台物理机上各种资源的利用率，减少资源浪费。能解决平均策略算法中对于虚拟机资源的浪费问题。
Min-Min算法是一个经典的任务调度算法，对Min-Min算法进行研究，一般用模拟器(GridSim，现在一般用CloudSim)对算法模拟实现，展开研究。其思路是先算出每个任务的最小预测完成时间及对应的机器(最快的机器)，再在所有任务的最小预测完成时间里找出最小值及所对应的任务(即为最小任务)，然后将最小任务分配到最早完成的机器去运行。最后，更新最小完成时间矩阵。重复以上步骤，直到任务列表为空。该算法的目的尽可能的把大量任务分配给那些不仅完成时间少，而且执行速度快的机器，以使全部任务的完成时间最小。MinMin算法的核心思想选取最早完成执行时间最短的任务进行分配，视为最优的选择。这种做法优先考虑短任务，只有当机器空闲的时候才调度长任务，显然这样的做法无法保证短任务和长任务并发进行，进而使得总任务的执行时间较长。所以，在复杂的分布式计算环境中，比如智能交通系统这类NP问题，单纯地考虑某一任务完成的时间因素是远远不够的。可见，传统的Min-Min算法主要有以下的两个问题:(1)任务资源分配不合理，利用率不高，当面对复杂的任务情况时会出现负载不平衡的问题；(2)由于任务总是被调度到执行时间较长的机器上，任务等待时间增加，总体执行时间也会随之增加，不是较好的选择。
发明内容
本发明要解决的技术问题在于，针对现有技术的不足，提供一种能更加有效地缓解城市交通拥塞状态、能够克服用户需求的任务调度时间不均衡的问题、能缓解道路交通压力、降低拥堵概率的基于TR-Min-Min算法的城市智能交通处理系统及方法。
为解决上述技术问题，本发明采用如下技术方案。
一种基于TR-Min-Min算法的城市智能交通处理系统，其包括有如下子系统虚拟机：城市交通车载自组织网络子系统，其基于车载传感器网络实现，借由所述车载传感器网络使得车辆与车辆之间以及车辆与基础设施之间建立通讯；交通灯信号控制子系统，用于对城市交叉路口相位中的绿信比进行调节，并通过调节绿信比来形成各个车道的路阻，改变交通车流量；路口监控子系统，通过设于道路上的交通信息采集装置收集实时交通信息，将所述交通信息传输至监控中心，利用计算机根据交通流量的实际变更情况自动进行测算，并且发布控制指令以及调整信号灯的切换时间，以控制交通流量；交通违规处理子系统，用于监测车辆违章现象，并在监测到车辆违章时发出报警信号，利用摄像机对违规车辆进行拍摄、存盘；交通流量信息实时采集与监控分析子系统，用于对交通流量信息进行采集以及与监控指挥中心的交通流量监控计算机进行通信。
一种基于TR-Min-Min算法的城市智能交通处理方法，该方法基于上述子系统虚拟机实现，所述方法包括如下步骤：步骤S1，先在虚拟机资源集中选出任务负载最重的虚拟机，即具有最高跨度Makespan的虚拟机A1，再选出该虚拟机上具有最小执行时间ETC的任务b，计算该任务b在虚拟机资源集中的其它虚拟机上的完成时间CT；步骤S2，从计算结果中找到时间CT对应的虚拟机A2，若该时间CT小于最高跨度Makespan，则将该任务b重新分配到产生最小时间CT的虚拟机A2上；步骤S3，更新虚拟机A1与虚拟机A2的准备时间RT1与时间RT2，同时更新最高跨度Makespan，继续在该虚拟机中查找具有最小执行时间ETC的任务b，对每个最小执行时间ETC求倒数，并将所有倒数进行归一化处理，执行下一个循环；步骤S4，计算每个任务当前时刻的动态优先级DP，若有任务的优先级达到了最大值，则采用抢占法优先执行该任务，遍历虚拟机A1所有云任务或者当时间CTCT大于最高跨度Makespan；步骤S5，若该时间CT大于最高跨度Makespan，则不重新分配此任务b，跳出此次任务循环，进入更新虚拟机资源集的步骤；步骤S6，更新资源集步骤：在任务重新分配后的资源集中寻找产生最高跨度Makespan的虚拟机A3，如果虚拟机A1等于虚拟机A3，则从资源集中删除虚拟机A1；步骤S7，判断资源集是否为空，如果不为空，则继续在资源集中查找具有最高跨度Makespan的虚拟机A1；重复上述过程，如果资源集为空，则算法结束。
优选地，在所述交通灯信号控制子系统中实现虚拟机调度TR-Min-Min算法时，所述步骤S1中，对集合中每个等待分配的任务Ti，分别计算出分配该任务到n台机器上的最小完成时间，得到m*n的MCT矩阵。
优选地，所述步骤S2中，利用MCT矩阵，对集合中的每一个等待分配的任务分别找到能够最短时间完成该任务的执行单元及最短完成时间，在所有的最短完成时间中找出最小的最短完成时间对应的任务a，设其对应的主机为b，把任务a分配到机器b上。
优选地，所述步骤S3中，归一化是数学、信号处理过程中所需应用的一种数值处理方式，其中线性函数转换，计算方法如下：
其中，x,y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。
优选地，所述步骤S6中，从任务集合中把任务a删除，同时更新MCT矩阵。
优选地，所述步骤S6中，MCT矩阵(i，j)由以下几个因素决定：机器j的最早可用时间TASKSTART(j)；任务i在机器j上的预测执行时间ETC(i，j)；任务i运行时所需数据在存储系统上的最早可取时间DATASTART(i)；任务i运行时在文件系统h存取数据所需要的时间FETCH(i)；把任务i所需的数据从存储系统传输到机器Ti上的传输时间TRANS(i，j)；可以通过网格中的NWS，MDS服务来获取这些数据，MCT(i，j)总的计算公式为：MCT(i，j)＝TASKSTART(j)+ETC(i，j)+DATASTART(i)+FETCH(i)+TRANS(i，j)。
本发明公开的基于TR-Min-Min算法的城市智能交通处理系统及方法中，资源时间调度的改进型Min-Min算法，能克服计算智能技术在大规模城市交通网络任务资源分配不合理应用的问题；能平均分配任务给任务负载最均衡的虚拟机，而不是将任务重复地堆积给速度最快但是负载最不均衡的虚拟机，因此信号控制系统和动态诱导系统的结合能提高路网的通行能力，从而更加有效地缓解城市交通拥塞状态。同时本发明TR-Min-Min算法可克服用户需求的任务调度时间不均衡的问题；对于通过交叉路口的车流进行被动控制，交通信号就可以主动的改变整个交通网络的网络流量在时间轴上的分布情况，从而最大化现有城市交通路网的通行能力。此外，本发明的系统提高之前相关算法的任务调度效率。缓解道路交通压力，降低拥堵概率有重要作用。它采用各种高新手段，基于实时交通信息采集、处理与传输，通过中心式、分布式等多种诱导方式，为驾驶员提供道路拥堵状况、交通事故、行程时间和最佳路径等动态信息，引导驾驶员避开拥挤路段，走最佳行驶路线，从而对城市交通网络中交通流进行均衡动态分配，最终有效缓解城市交通拥塞。
附图说明
图1为本发明系统的组成框图；
图2为本发明方法的流程图；
图3为100云任务的平均策略算法数据图表；
图4为100云任务的Min-Min算法数据图表；
图5为100云任务的TR-Min-Min算法数据图表；
图6为300云任务的平均策略算法数据图表；
图7为300云任务的Min-Min算法数据图表；
图8为300云任务的TR-Min-Min算法数据图表；
图9为600云任务的平均策略算法数据图表；
图10为600云任务的Min-Min算法数据图表；
图11为600云任务的TR-Min-Min算法数据图表。
具体实施方式
下面结合附图和实施例对本发明作更加详细的描述。
本发明公开了一种基于TR-Min-Min算法的城市智能交通处理系统，该智能交通系统的提出为全面解决城市交通运输问题提供了一个有效的解决途径。智能交通系统涵盖了交通领域中的多个方面，包括信息服务系统、交通违规处理子系统、交通流量信息的实时采集与监与监测分析子系统等，是高度综合化、智能化的交通控制系统。在交通管理方面，智能交通系统采用先进的车辆检测技术和计算机信息处理技术，获取实时交通路况信息，并根据收集到的信息对交通进行控制。信息的收集一方面提高了交通控制的准确性，但同时大量的数据也增加了消息处理的复杂性。
请参见图1，所述城市智能交通处理系统包括有如下子系统虚拟机：
城市交通车载自组织网络子系统，其基于车载传感器网络实现，借由所述车载传感器网络使得车辆与车辆之间以及车辆与基础设施之间建立通讯；
交通灯信号控制子系统，用于对城市交叉路口相位中的绿信比进行调节，并通过调节绿信比来形成各个车道的路阻，改变交通车流量；
路口监控子系统，通过设于道路上的交通信息采集装置收集实时交通信息，将所述交通信息传输至监控中心，利用计算机根据交通流量的实际变更情况自动进行测算，并且发布控制指令以及调整信号灯的切换时间，以控制交通流量；
交通违规处理子系统，用于监测车辆违章现象，并在监测到车辆违章时发出报警信号，利用摄像机对违规车辆进行拍摄、存盘；
交通流量信息实时采集与监控分析子系统，用于对交通流量信息进行采集以及与监控指挥中心的交通流量监控计算机进行通信。
上述系统中，各子系统虚拟机的具体功能如下：
所述城市交通车载自组织网络子系统是基于车载传感器网络进行的，车载传感器网络能够使车辆与车辆之间，车辆与基础设施间进行良好的通讯。同时车载传感器网络的节点也能感知到很多信息，例如车辆的速度、位置、交通路面情况和车流量等，满足了道路交通中对各种信息大量采集的要求。在城市路况情况监测应用中，每一辆装有路况感知设备的车辆都可以作为车载传感器网络中的一个节点，随着车辆的行进，感知设备能够对沿途的路况信息进行采样。同时，作为拥塞信息的消费者，每辆车的驾驶员关注的不仅仅是当前车辆所在位置的交通拥堵情况，还应该包括他将要经过的路段信息，从而来优化选择路径。车辆在行进的过程中除了不断感知所在位置交通拥塞情况之外，同时还不断与其余车载传感节点进行信息交互；
所述交通灯信号控制子系统用于对城市交叉路口相位中的绿信比的调节，通过调节绿信比来形成各个车道的路阻，改变交通车流量。绿信比优化模型要同时消散各有仿向上的拥挤车流.忽略饱和与非饱和交通状态下的车流特征差异.导致信号交叉口各有仿向上的排队车辆越来越长.为此提出采用通行优先权的方式.对交通需求大的方向给予更多的绿灯时间.以期实现尽快消散该万向上的拥挤车流各个方向(相位)通过轮流获得相位通行优先权进而逐步消散各自万向上的拥挤车流.最终达到预防交通拥挤和快速消散交通拥挤；
所述路口监控子系统由数台高性能计算机及大屏幕监控电视组成，由其中一台计算机(最好选择工作站)作为中央主控计算机控制整个系统，其余各台计算机将分别作为某一个分系统的主控计算机；中央主控计算机与其余计算机通过数据交换与通信设备完成接口。路口监控子系统是通过道路上的交通信息采集装置收集实时交通信息后，将其传递到监控中心，计算机根据交通流量的实际变更情况自动进行测算，同时发布控制指令，及时调整信号灯的切换时间，以控制交通流量，减少交通堵塞；
所述交通违规处理子系统中，涉及的交通路口交通违规判定是一个比较复杂的问题。在交通路口处的车辆违规大多是两种情况:一种是闯红灯，另一种是违规转弯。根据交通法规，一般情况下车辆可以向右转弯而不受信号灯的控制，但向右转弯的车辆必须靠右车道行驶，向左转弯的车辆必须靠左车道行驶。有些路口不允许车辆左转弯，有的地方允许车辆左转弯但要由是否允许直线行驶信号一起控制，有的地方允许车辆左转弯但由左转弯信号单独控制。前面所说的车辆流动感应开关可设于停车线的前面约0.3-0.5m，有车通过时，开关为1，否则为零，那么我们可将该开关信号与通车标志及左右转向的感应开关一起作为车辆是否违章的判定条件。若计算机发现车辆违章，则发报警信号，并给控制摄像动作的单片机指令，控制摄像机对违规车辆拍照；控制电视监控分系统的录像机录像；启动图像采集处理系统，将视频图像转换为数字图像，将数字图像作编码、压缩并送计算机存盘；
所述交通流量信息实时采集与监控分析子系统中，在每个路口都设有一台树莓派(嵌入式卡片式电脑)作为主机。在该路口的各车道均装有感应开关(重力或红外感应)，作为采集传感器，每个方向的传感器由一台单片机(从机)控制。除此之外，每个方向还装有摄像机，其动作也能由一个单片机控制。各从机的数据采集程序独立运行，一般包括原始的数据采集、发送、和主机命令分析3个模块。具体的物理对象的数据进行采集变换暂存。主机给定从机的工作方式及采样率数据上行频率等参数，接到主机的数据发送请求时，从机按约定发送，即实现主机和从机之间的双向通信。主机监控程序由主程序和子程序组成。主程序负责组织子程序的运行，子程序按功能分为通信、从机管理和功能管理3类。各个交通路口的交通流量数据都将送至位于交通监控指挥中心的交通流量监控主计算机进行处理。因此，主机的通信子程序除了实现主从机之间的通信，还应实现该主机与监控指挥中心的交通流量监控计算机之间的通信。
以上子系统虚拟机中数据的迁移和计算，由下图所示的TR-Min-Min算法来完成。其中，Min-Min算法总是优先执行最早完成时间最小的作业，具有算法思路简单、总执行时间少的优点。在一定程度上能够体现出用户的意愿。但是，由于网格系统是动态变化的，固定的优先级很难体现出这种变化性。如果不断有高优先级的作业进行提交，就会造成低优先级作业长时间得不到调度，等待时间过长，甚至发生“饿死”的现象。
TR-Min-Min算法是在原有Min-Min算法的基础上，通过引入了作业动态优先级的概念，它在用户指定的初始优先级的基础之上，加入了动态改变因子，该因子随着等待时间的增加而增大。以求获得更大时间和资源利用率的负载均衡。该方法将用户的QoS(Qualityof Service，服务质量)要求考虑在内，形成包含QoS选项的MCT矩阵。在调度过程中，首先调度有QoS要求的作业，其次按照Min-Min算法对其他没有QoS要求的作业进行调度。最终，使得TR-Min-Min算法能解决动态交通配流模型的时间和资源分配不均衡问题。
动态优先级可以考虑多种因素如用户分配给作业的初始配额，用户消耗的资源(运行时间、实际占用CPU时间等)，正在使用的系统所允许同时执行作业的数量、作业的等待时间等等。有了作业优先级，就可以根据优先级的高低对队列中的作业进行调度，优先级高的首先得到调度。
使用的动态优先级是在用户指定的初始优先级的基础之上，将作业的等待时间考虑在内。为了便于一一说明，给出以下定义:
UAP(User-Assigned Priority):用户指定优先级，即每个任务的初始优先级，可以作为静态优先级来使用；
DP(Dynamic Priority):动态优先级，即随着时间变化的优先级；
PT(Pending Time):等待时间，即作业从提交到当前的时间间隔；
MUP(Maximum User Priority):作业最大优先级，即优先级可能达到的最大值；
Interval:用来衡量作业等待时间长短的一个时间间隔；
Increment:表示每等待Interval时间，优先级所增加的大小，例如:若Interval＝30，则表示每过30个时间单位，优先级增长2。
基于以上描述，可以定义动态优先级，见下式：
在此基础上，本发明提出了一种基于TR-Min-Min算法的城市智能交通处理方法，该方法基于上述子系统虚拟机实现，请参见图2，所述方法包括如下步骤：
步骤S1，先在虚拟机资源集中选出任务负载最重的虚拟机，即具有最高跨度Makespan的虚拟机A1，再选出该虚拟机上具有最小执行时间ETC的任务b，计算该任务b在虚拟机资源集中的其它虚拟机上的完成时间CT；
步骤S2，从计算结果中找到时间CT对应的虚拟机A2，若该时间CT小于最高跨度Makespan，则将该任务b重新分配到产生最小时间CT的虚拟机A2上；
步骤S3，更新虚拟机A1与虚拟机A2的准备时间RT1与时间RT2，同时更新最高跨度Makespan，继续在该虚拟机中查找具有最小执行时间ETC的任务b，对每个最小执行时间ETC求倒数，并将所有倒数进行归一化处理，执行下一个循环；
步骤S4，计算每个任务当前时刻的动态优先级DP，若有任务的优先级达到了最大值，则采用抢占法优先执行该任务，遍历虚拟机A1所有云任务或者当时间CTCT大于最高跨度Makespan，其中，所述动态优先级DP的表达式如下：
式中，UAP为用户指定优先级，DP为动态优先级，PT为等待时间，MUP为作业最大优先级，Interval用于衡量作业等待时间长短的一个时间间隔，Increment表示每等待Interval时间，优先级所增加的大小；
步骤S5，若该时间CT大于最高跨度Makespan，则不重新分配此任务b，跳出此次任务循环，进入更新虚拟机资源集的步骤；
步骤S6，更新资源集步骤：在任务重新分配后的资源集中寻找产生最高跨度Makespan的虚拟机A3，如果虚拟机A1等于虚拟机A3，则从资源集中删除虚拟机A1；
步骤S7，判断资源集是否为空，如果不为空，则继续在资源集中查找具有最高跨度Makespan的虚拟机A1；
重复上述过程，如果资源集为空，则算法结束。
上述方法中，资源时间调度的改进型Min-Min(Time Resource-MinimumExecution Time-Minimum Complication Time，TR-Min-Min)算法，能克服计算智能技术在大规模城市交通网络任务资源分配不合理应用的问题；能平均分配任务给任务负载最均衡的虚拟机，而不是将任务重复地堆积给速度最快但是负载最不均衡的虚拟机，因此信号控制系统和动态诱导系统的结合能提高路网的通行能力，从而更加有效地缓解城市交通拥塞状态。同时本发明TR-Min-Min算法可克服用户需求的任务调度时间不均衡的问题；对于通过交叉路口的车流进行被动控制，交通信号就可以主动的改变整个交通网络的网络流量在时间轴上的分布情况，从而最大化现有城市交通路网的通行能力。此外，本发明的系统提高之前相关算法的任务调度效率。缓解道路交通压力，降低拥堵概率有重要作用。它采用各种高新手段，基于实时交通信息采集、处理与传输，通过中心式、分布式等多种诱导方式，为驾驶员提供道路拥堵状况、交通事故、行程时间和最佳路径等动态信息，引导驾驶员避开拥挤路段，走最佳行驶路线，从而对城市交通网络中交通流进行均衡动态分配，最终有效缓解城市交通拥塞。
进一步地，在所述交通灯信号控制子系统中实现虚拟机调度TR-Min-Min算法时，所述步骤S1中，对集合中每个等待分配的任务Ti，分别计算出分配该任务到n台机器上的最小完成时间，得到m*n的MCT矩阵。当需要调度的任务集合非空时，反复执行如下操作直至集合为空。
作为一种优选方式，所述步骤S2中，利用MCT矩阵，对集合中的每一个等待分配的任务分别找到能够最短时间完成该任务的执行单元及最短完成时间，在所有的最短完成时间中找出最小的最短完成时间对应的任务a，设其对应的主机为b，把任务a分配到机器b上。
进一步地，所述步骤S3中，归一化是数学、信号处理过程中所需应用的一种数值处理方式，其中线性函数转换，计算方法如下：
其中，x,y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。
作为一种优选方式，所述步骤S6中，从任务集合中把任务a删除，同时更新MCT矩阵。所述步骤S6中，MCT矩阵(i，j)由以下几个因素决定：
机器j的最早可用时间TASKSTART(j)；
任务i在机器j上的预测执行时间ETC(i，j)；
任务i运行时所需数据在存储系统上的最早可取时间DATASTART(i)；
任务i运行时在文件系统h存取数据所需要的时间FETCH(i)；
把任务i所需的数据从存储系统传输到机器Ti上的传输时间TRANS(i，j)；可以通过网格中的NWS，MDS服务来获取这些数据，MCT(i，j)总的计算公式为：
MCT(i，j)＝TASKSTART(j)+ETC(i，j)+DATASTART(i)+FETCH(i)+TRANS(i，j)。
关于CloudSim平台的研究：平均策略算法、Min-Min算法及TR-Min-Min算法等3种不同的调度任务策略在100、300、600在固定道路中通过的车辆数时的平均资源利用率和负载均衡水平。其中，平均资源利用率(Average resource utilizationrate)Au:就是所有虚拟机的利用率的平均值。
设定某个虚拟机C1的资源利用率Aui:
其中，tei和tsi分别代表任务Xi在虚拟机C1上执行的最后完成时间和开始执行时间，T是所有虚拟机的最大时间差，假设有m台虚拟机，则平均资源利用率Au为：
负载均衡水平(Load balancing level)α:定义为资源利用率Aui的均方差d相对于平均资源利用率Au的相对偏差α，计算公式如下:
Au的均方差
负载均衡水平
实际应用中，利用TR-Min-Min算法实现的城市交通网络的智能控制系统，改变了以往城市交通系统中的网络化交通信号控制系统；建立更为精确的描述方式将这两种不同层次的交通特性在统一的混合交通模型中进行理论分析，得到了更为可靠的研究结果。本实施例利用TR-Min-Min算法进行交通网络仿真计算的实验研究结果如下：
实验一：在模拟交通干线通行车辆数变化对通信开销总和的影响。
1、实验内容，变化道路中的车辆数，固定道路的最高限速Vroad-i，以及道路长度Lroad-i，终端数，观察平均资源利用率和负载均衡水平总和的变化。
2、实验结果，在该实验中，采用仿真虚拟车辆Vehicle，云任务从100台依次增加到300台和600台，对基于平均策略的动态负载均衡算法、Min-Min算法和TR-Min-Min算法进行对比研究。实验结果，即不同算法策略下虚拟机处理车辆通行数据的表现如下表：
其中，平均策略算法对应100、300、600在固定道路中通过的车辆数时的平均资源利用率和负载均衡水平，分别如图3、图6、图9所示。对应100在固定道路中通过的车辆数时，分别采用平均策略、“Min-Min”及“TR-Min-Min”3种算法的平均资源利用率和负载均衡水平，分别如图3、图4、图5所示。Min-Min算法如图4、图7、图10所示，TR-Min-Min算法如图5、图8、图11所示。
本发明公开的基于TR-Min-Min算法的城市智能交通处理系统及方法中，针对Min-Min算法在长作业调度方面的不足，引入了作业优先级的概念，并将其运用到TR-Min-Min算法的调度中。作业的优先级分为静态优先级和动态优先级。由于网格系统是动态变化的，固定的优先级很难体现出这种变化性。如果不断有高优先级的作业进行提交，就会造成低优先级作业长时间得不到调度，等待时间过长，甚至发生“饿死”的现象。为了满足这一变化性，引入了动态优先级的概念，它是在静态优先级的基础之上加入了动态变化因子，使优先级随着时间的变化而变化。动态优先级可以考虑多种因素。
TR-Min-Min算法和Min-Min算法不同之处在于前者在每个调度周期开始时，不仅要计算各个作业的最早完成时间，还要计算其动态优先级，在获取到优先级后，先判断是否达到了预设的最大值，如果达到了，则采用Qos优先级动态规划式策略，优先对其进行调度，否则进行后续处理。这里的后续处理主要指归一化最早完成时间和动态优先级，以及对两者进行加权求和。两者的权重由用户根据自己的具体需求指定，满足两者之和为1即可。
本发明在交通信号控制中实现以TR-Min-Min进行算法虚拟机调度为核心的城市交通网络的智能控制系统。其中，TR-Min-Min算法是在原有Min-Min算法的基础上，通过引入了作业动态优先级的概念，它在用户指定的初始优先级的基础之上，加入了动态改变因子，该因子随着等待时间的增加而增大。以求获得更大时间和资源利用率的负载均衡。该方法将用户的QoS(Quality of Service，服务质量)要求考虑在内，形成包含QoS选项的MCT矩阵。在调度过程中，首先调度有QoS要求的作业，其次按照Min-Min算法对其他没有QoS要求的作业进行调度。动态优先级可以考虑多种因素如用户分配给作业的初始配额，用户消耗的资源(运行时间、实际占用CPU时间等)，正在使用的系统所允许同时执行作业的数量、作业的等待时间等等。有了作业优先级，就可以根据优先级的高低对队列中的作业进行调度，优先级高的首先得到调度。
以上所述只是本发明较佳的实施例，并不用于限制本发明，凡在本发明的技术范围内所做的修改、等同替换或者改进等，均应包含在本发明所保护的范围内。

Claims (7)

1.一种基于TR-Min-Min算法的城市智能交通处理系统，其特征在于，包括有如下子系统虚拟机：
城市交通车载自组织网络子系统，其基于车载传感器网络实现，借由所述车载传感器网络使得车辆与车辆之间以及车辆与基础设施之间建立通讯；
交通灯信号控制子系统，用于对城市交叉路口相位中的绿信比进行调节，并通过调节绿信比来形成各个车道的路阻，改变交通车流量；
路口监控子系统，通过设于道路上的交通信息采集装置收集实时交通信息，将所述交通信息传输至监控中心，利用计算机根据交通流量的实际变更情况自动进行测算，并且发布控制指令以及调整信号灯的切换时间，以控制交通流量；
交通违规处理子系统，用于监测车辆违章现象，并在监测到车辆违章时发出报警信号，利用摄像机对违规车辆进行拍摄、存盘；
交通流量信息实时采集与监控分析子系统，用于对交通流量信息进行采集以及与监控指挥中心的交通流量监控计算机进行通信。
2.一种基于TR-Min-Min算法的城市智能交通处理方法，其特征在于，该方法基于权利要求1所述的子系统虚拟机实现，所述方法包括如下步骤：
步骤S1，先在虚拟机资源集中选出任务负载最重的虚拟机，即具有最高跨度Makespan的虚拟机A1，再选出该虚拟机上具有最小执行时间ETC的任务b，计算该任务b在虚拟机资源集中的其它虚拟机上的完成时间CT；
步骤S2，从计算结果中找到时间CT对应的虚拟机A2，若该时间CT小于最高跨度Makespan，则将该任务b重新分配到产生最小时间CT的虚拟机A2上；
步骤S3，更新虚拟机A1与虚拟机A2的准备时间RT1与时间RT2，同时更新最高跨度Makespan，继续在该虚拟机中查找具有最小执行时间ETC的任务b，对每个最小执行时间ETC求倒数，并将所有倒数进行归一化处理，执行下一个循环；
步骤S4，计算每个任务当前时刻的动态优先级DP，若有任务的优先级达到了最大值，则采用抢占法优先执行该任务，遍历虚拟机A1所有云任务或者当时间CTCT大于最高跨度Makespan，其中，所述动态优先级DP的表达式如下：
式中，UAP为用户指定优先级，DP为动态优先级，PT为等待时间，MUP为作业最大优先级，Interval用于衡量作业等待时间长短的一个时间间隔，Increment表示每等待Interval时间，优先级所增加的大小；
步骤S5，若该时间CT大于最高跨度Makespan，则不重新分配此任务b，跳出此次任务循环，进入更新虚拟机资源集的步骤；
步骤S6，更新资源集步骤：在任务重新分配后的资源集中寻找产生最高跨度Makespan的虚拟机A3，如果虚拟机A1等于虚拟机A3，则从资源集中删除虚拟机A1；
步骤S7，判断资源集是否为空，如果不为空，则继续在资源集中查找具有最高跨度Makespan的虚拟机A1；
重复上述过程，如果资源集为空，则算法结束。
3.如权利要求2所述的基于TR-Min-Min算法的城市智能交通处理方法，其特征在于，在所述交通灯信号控制子系统中实现虚拟机调度TR-Min-Min算法时，所述步骤S1中，对集合中每个等待分配的任务Ti，分别计算出分配该任务到n台机器上的最小完成时间，得到m*n的MCT矩阵。
4.如权利要求3所述的基于TR-Min-Min算法的城市智能交通处理方法，其特征在于，所述步骤S2中，利用MCT矩阵，对集合中的每一个等待分配的任务分别找到能够最短时间完成该任务的执行单元及最短完成时间，在所有的最短完成时间中找出最小的最短完成时间对应的任务a，设其对应的主机为b，把任务a分配到机器b上。
5.如权利要求2所述的基于TR-Min-Min算法的城市智能交通处理方法，其特征在于，所述步骤S3中，归一化是数学、信号处理过程中所需应用的一种数值处理方式，其中线性函数转换，计算方法如下：
其中，x,y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。
6.如权利要求2所述的基于TR-Min-Min算法的城市智能交通处理方法，其特征在于，所述步骤S6中，从任务集合中把任务a删除，同时更新MCT矩阵。
7.如权利要求6所述的基于TR-Min-Min算法的城市智能交通处理方法，其特征在于，所述步骤S6中，MCT矩阵(i，j)由以下几个因素决定：
机器j的最早可用时间TASKSTART(j)；
任务i在机器j上的预测执行时间ETC(i，j)；
任务i运行时所需数据在存储系统上的最早可取时间DATASTART(i)；
任务i运行时在文件系统h存取数据所需要的时间FETCH(i)；
把任务i所需的数据从存储系统传输到机器Ti上的传输时间TRANS(i，j)；可以通过网格中的NWS，MDS服务来获取这些数据，MCT(i，j)总的计算公式为：
MCT(i，j)＝TASKSTART(j)+ETC(i，j)+DATASTART(i)+FETCH(i)+TRANS(i，j)。
CN201910356009.9A 2019-04-29 2019-04-29 一种基于TR-Min-Min算法的城市智能交通处理系统及方法 Active CN110197585B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910356009.9A CN110197585B (zh) 2019-04-29 2019-04-29 一种基于TR-Min-Min算法的城市智能交通处理系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910356009.9A CN110197585B (zh) 2019-04-29 2019-04-29 一种基于TR-Min-Min算法的城市智能交通处理系统及方法

Publications (2)

Publication Number Publication Date
CN110197585A true CN110197585A (zh) 2019-09-03
CN110197585B CN110197585B (zh) 2022-02-18

Family

ID=67752263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910356009.9A Active CN110197585B (zh) 2019-04-29 2019-04-29 一种基于TR-Min-Min算法的城市智能交通处理系统及方法

Country Status (1)

Country Link
CN (1) CN110197585B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113470206A (zh) * 2021-07-01 2021-10-01 山东旗帜信息有限公司 一种基于车辆匹配的高速公路稽查方法、设备及介质
CN116740946A (zh) * 2023-08-14 2023-09-12 山东华夏高科信息股份有限公司 一种公路车流量大数据分析处理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102637365A (zh) * 2011-02-15 2012-08-15 成都西谷曙光数字技术有限公司 利用i-RFID技术实现城市交通智能化的系统和方法
CN104916127A (zh) * 2014-03-13 2015-09-16 深圳市赛格导航科技股份有限公司 一种车联网分布式实时分析交通路况的方法及系统
CN105321346A (zh) * 2015-09-18 2016-02-10 成都融创智谷科技有限公司 运用云计算基础资源池来控制城市智能交通的方法
CN105513375A (zh) * 2015-09-21 2016-04-20 青岛智能产业技术研究院 一种区域完全交通控制系统
CN109118764A (zh) * 2018-09-03 2019-01-01 山东交通学院 一种基于ZigBee的车联网通信系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102637365A (zh) * 2011-02-15 2012-08-15 成都西谷曙光数字技术有限公司 利用i-RFID技术实现城市交通智能化的系统和方法
CN104916127A (zh) * 2014-03-13 2015-09-16 深圳市赛格导航科技股份有限公司 一种车联网分布式实时分析交通路况的方法及系统
CN105321346A (zh) * 2015-09-18 2016-02-10 成都融创智谷科技有限公司 运用云计算基础资源池来控制城市智能交通的方法
CN105513375A (zh) * 2015-09-21 2016-04-20 青岛智能产业技术研究院 一种区域完全交通控制系统
CN109118764A (zh) * 2018-09-03 2019-01-01 山东交通学院 一种基于ZigBee的车联网通信系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
丁敏敏: "网格计算中改进Min-Min算法的研究", 《万方学位论文数据库》 *
支青: "网格环境中区域混合交通流并行仿真研究", 《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113470206A (zh) * 2021-07-01 2021-10-01 山东旗帜信息有限公司 一种基于车辆匹配的高速公路稽查方法、设备及介质
CN113470206B (zh) * 2021-07-01 2023-04-25 山东旗帜信息有限公司 一种基于车辆匹配的高速公路稽查方法、设备及介质
CN116740946A (zh) * 2023-08-14 2023-09-12 山东华夏高科信息股份有限公司 一种公路车流量大数据分析处理方法
CN116740946B (zh) * 2023-08-14 2023-11-03 山东华夏高科信息股份有限公司 一种公路车流量大数据分析处理方法

Also Published As

Publication number Publication date
CN110197585B (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
CN109379727B (zh) 车联网中基于mec的任务分布式卸载与协作执行方案
CN111371904A (zh) 云边端协同的高速公路云控系统及控制方法
Ahmane et al. Modeling and controlling an isolated urban intersection based on cooperative vehicles
US11607971B2 (en) Method for scheduling multi agent and unmanned electric vehicle battery swap based on internet of vehicles
Amirgholy et al. Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach
CN109993968A (zh) 基于车联网的交通控制系统
CN110197585A (zh) 一种基于TR-Min-Min算法的城市智能交通处理系统及方法
RU2569123C1 (ru) Устройство генерации команды управления потоком данных и устройство управления датчиками
WO2021036132A1 (zh) 一种无人驾驶车辆群组的充电调度方法和云管理服务器
CN104933876B (zh) 一种自适应智慧城市智能交通信号的控制方法
CN113965568A (zh) 一种面向城市道路c-v2x网络的边缘计算系统
CN108694844A (zh) 自动驾驶车辆控制方法、装置及存储介质
CN112309122A (zh) 一种基于多系统协同的智慧公交分级决策系统
Zhang et al. Robust autonomous intersection control approach for connected autonomous vehicles
Yan et al. Courteous behavior of automated vehicles at unsignalized intersections via reinforcement learning
CN114721806A (zh) 基于数字孪生的任务调度和执行方法及系统
Guzmán et al. A cyber-physical systems approach to collaborative intersection management and control
Xu et al. V2X empowered non-signalized intersection management in the AI era: Opportunities and solutions
Dui et al. IoT-enabled real-time traffic monitoring and control management for intelligent transportation systems
Celtek et al. A novel adaptive traffic signal control based on cloud/fog/edge computing
CN103533052B (zh) 一种群智感知系统中任务接入和分配的在线控制方法
Mondal et al. Priority-based adaptive traffic signal control system for smart cities
Antoine et al. Real-time traffic flow-based traffic signal scheduling: A queuing theory approach
Wang et al. New taxi–passenger dispatching model at terminal station
Zhao et al. A co-simulation, optimization, control approach for traffic light control with truck priority

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