CN110264726A - 交通控制方法和交通控制系统 - Google Patents

Abstract

本公开提供了一种交通控制方法和交通控制系统，包括：获取监控区域内的当前车流量信息；根据当前车流量信息生成对应的风险评估信息,并根据风险评估信息判断监控区域是否存在拥堵风险；若不存在拥堵风险，则保持原有调控方案不变；若存在拥堵风险，将风险评估信息输入至预先设置的交通信号灯控制模型中；接收调控方案，并对监控区域内的交通信号灯进行调控。本公开的技术方案可实现根据车流量对交通信号灯进行智能调控，缓解交通拥堵问题，提高通行效率。

Description

交通控制方法和交通控制系统

技术领域

本公开涉及智能交通领域，特别涉及一种交通控制方法和交通控制系统。

背景技术

现阶段由于红绿灯时长较固定，无法智能地根据实际情况进行快速反应和调整变化，十字路口容易出现拥堵现象，在早晚高峰时间需要相应操作人员使用在路口位置设置的调节器进行现场人工调节；更有地区需要交通警察在路口进行人工指挥，疏通协调。

发明内容

本公开旨在至少解决现有技术中存在的技术问题之一，提出了一种交通控制方法和交通控制系统。

为实现上述目的，本公开实施例提供了一种交通控制方法，包括：

获取监控区域内的当前车流量信息；

根据所述当前车流量信息生成对应的风险评估信息,并根据所述风险评估信息判断所述监控区域是否存在拥堵风险；

若不存在拥堵风险，则保持原有调控方案不变；

若存在拥堵风险，则将所述风险评估信息输入至预先设置的交通信号灯控制模型中，以供所述交通信号灯控制模型根据所输入的所述风险评估信息生成相匹配的调控方案；

接收所述调控方案，并对所述监控区域内的交通信号灯进行调控。

在一些实施例中，所述交通控制方法还包括：

检测是否存在由操作人员输入的人工调控方案；

若检测出存在由操作人员输入的人工调控方案，则根据所述人工调控方案对所述监控区域内的交通信号灯进行调控。

在一些实施例中，所述根据所述当前车流量信息生成对应的风险评估信息的步骤，具体包括：

采用如下公式：

将所述当前车流量信息与预先设置的路况状态信息进行匹配，并生成对应的所述风险评估信息，所述路况状态信息包括：与路况为拥堵状态相对应的参考车流量信息和与路况为非拥堵状态相对应的参考车流量信息，所述风险评估信息包括：所述当前车流量信息与所述路况状态信息的匹配度；

其中，i、j和t为三维空间的三维坐标且i∈[0,m]，j∈[0,n]，t∈[0,p]，m、n和p为预先设置的三维坐标的最大值，所述三维空间为所述监控区域；k表示递归次数且k∈[1,h]，h为预先设置的递归阈值；表示所述当前车流量信息与所述路况状态信息的匹配度；表示所述当前车流量信息；表示所述路况状态信息。

在一些实施例中，所述根据所述风险评估信息判断所述监控区域是否存在拥堵风险的步骤，具体包括：

采用如下公式

对所述风险评估信息进行评价，得到所述匹配度最优的匹配结果，所述匹配结果包括：所述拥堵状态和所述非拥堵状态中的一者；

其中，为根据所述匹配度生成的原始调控方案，Mind^k表示所述匹配结果；

判断所述匹配结果是否为所述拥堵状态；若是，则判断出所述监控区域存在拥堵风险；若否，则判断出所述监控区域不存在拥堵风险。

在一些实施例中，所述交通信号灯控制模型对输入的所述风险评估信息进行如下处理：

采用如下公式：

进行无监督学习；

其中，为与所述风险评估信息相匹配的调控方案，d^minG表示历史递归最小值；

对所述递归次数进行加1处理，并判断所述递归次数是否大于所述递归阈值；若是，则输出所述与所述风险评估信息相匹配的调控方案；若否，则发送递归请求，以供再次执行所述根据所述当前车流量信息生成对应的风险评估信息的步骤。

为实现上述目的，本公开实施例提供了一种交通控制系统，其特征在于，包括：

获取模块，用于获取监控区域内的当前车流量信息；

生成模块，用于根据所述当前车流量信息生成对应的风险评估信息,并根据所述风险评估信息判断所述监控区域是否存在拥堵风险；

保持模块，用于在在所述生成模块判断出所述监控区域不存在拥堵风险时，保持原有调控方案不变；

输入模块，用于在所述生成模块判断出所述监控区域存在拥堵风险时，将所述风险评估信息输入至预先设置的交通信号灯控制模型中，以供所述交通信号灯控制模型根据所输入的所述风险评估信息生成相匹配的调控方案；

接收模块，用于接收所述调控方案，并对所述监控区域内的交通信号灯进行调控。

在一些实施例中，所述交通控制系统还包括：

检测模块，用于检测是否存在由操作人员输入的人工调控方案；

调控模块，用于在所述检测模块检测出存在由操作人员输入的人工调控方案时，根据所述人工调控方案对所述监控区域内的交通信号灯进行调控。

在一些实施例中，所述生成模块包括：

生成单元，用于采用如下公式：

将所述当前车流量信息与预先设置的路况状态信息进行匹配，并生成对应的所述风险评估信息，所述路况状态信息包括：与路况为拥堵状态相对应的参考车流量信息和与路况为非拥堵状态相对应的参考车流量信息，所述风险评估信息包括：所述当前车流量信息与所述路况状态信息的匹配度；

其中，i、j和t为三维空间的三维坐标且i∈[0,m]，j∈[0,n]，t∈[0,p]，m、n和p为预先设置的三维坐标的最大值，所述三维空间为所述监控区域；k表示递归次数且k∈[1,h]，h为预先设置的递归阈值；表示所述当前车流量信息与所述路况状态信息的匹配度；表示所述当前车流量信息；表示所述路况状态信息。

在一些实施例中，所述生成模块还包括：

评价单元，用于采用如下公式

对所述风险评估信息进行评价，得到所述匹配度最优的匹配结果，所述匹配结果包括：所述拥堵状态和所述非拥堵状态中的一者；

其中，为根据所述匹配度生成的原始调控方案，Mind^k表示所述匹配结果；

判断单元，用于判断所述匹配结果是否为所述拥堵状态；

所述生成模块具体用于：

若所述判断单元判断出所述匹配结果为所述拥堵状态，则判断出所述监控区域存在拥堵风险；若所述判断单元判断出所述匹配结果不为所述拥堵状态，则判断出所述监控区域不存在拥堵风险。

在一些实施例中，所述交通信号灯控制模型包括：

学习模块，用于采用如下公式：

进行无监督学习；

其中，为与所述风险评估信息相匹配的调控方案，d^minG表示历史递归最小值；

判断模块，用于对所述递归次数进行加1处理，并判断所述递归次数是否大于所述递归阈值；

输出模块，用于在所述判断模块判断出所述递归次数大于所述递归阈值时，输出所述与所述风险评估信息相匹配的调控方案；

递归模块，用于在所述判断模块判断出所述递归次数小于或等于所述递归阈值时，发送递归请求，以供再次执行所述根据所述当前车流量信息生成对应的风险评估信息的步骤。

本公开具有以下有益效果：

本公开实施例提供了一种交通控制方法和交通控制系统，可实现根据当前车流量信息生成风险评估信息，根据该风险评估信息对当前路况是否具有拥堵风险进行判断，并生成相应的调控方案，从而实现对交通信号灯的智能调控，缓解交通压力，减少拥堵情况发生。

附图说明

图1为本公开实施例提供的一种交通控制方法的流程图；

图2为本公开实施例提供的另一种交通控制方法的流程图；

图3为本公开实施例提供的又一种交通控制方法的流程图；

图4为本公开实施例提供的一种交通控制系统的结构框图。

具体实施方式

为使本领域的技术人员更好地理解本公开的技术方案，下面结合附图对本公开提供的交通控制方法和交通控制系统进行详细描述。

本公开所提供的交通控制方法和交通控制系统可用于根据当前车流量信息判断当前是否存在拥堵风险，并对交通信号灯进行实时智能调控，以防止出现拥堵情况或缓解车辆拥堵现象。

图1为本公开实施例提供的一种交通控制方法的流程图。如图1所示，该交通控制方法包括：

步骤S1、获取监控区域内的当前车流量信息。

其中，当前车流量信息包括监控区域内多个路口的车流量数据。

在实际应用中，该监控区域可由多个交通信号灯上加装的摄像头组进行构建，上述多个交通信号灯处于一定空间区域内，该摄像头组可成体系地监控该空间区域内对应的道路及路口；该监控区域或可使用在一定空间区域内的多个路口的中心处设置360度监控器的方式进行构建。

通过获取监控区域的监控实时画面，使用相应的图像识别技术，可以实现对当前车流量信息的统计和计算。

步骤S2、根据当前车流量信息生成对应的风险评估信息,并根据风险评估信息判断监控区域是否存在拥堵风险。

其中，若不存在拥堵风险，则执行步骤S3；若存在拥堵风险，则执行步骤S4。

图2为本公开实施例提供的另一种交通控制方法的流程图。如图2所示，在一些实施例中，在步骤S2中，根据当前车流量信息生成对应的风险评估信息的步骤，具体包括：

步骤S201、采用如下公式：

将当前车流量信息与预先设置的路况状态信息进行匹配，并生成对应的风险评估信息。

其中，路况状态信息包括：与路况为拥堵状态相对应的参考车流量信息和与路况为非拥堵状态相对应的参考车流量信息，路况状态信息还可包括：与路况为其他预设状态相对应的参考车流量信息；风险评估信息包括：当前车流量信息与路况状态信息的匹配度，即当前车流量信息与全部参考车流量信息进行匹配后所得到的多个匹配度。

其中，i、j和t为三维空间的三维坐标且i∈[0,m]，j∈[0,n]，t∈[0,p]，m、n和p为预先设置的三维坐标的最大值，该三维空间即为监控区域；k表示递归次数且k∈[1,h]，h为预先设置的递归阈值；表示当前车流量信息与路况状态信息的匹配度，所生成的风险评估信息包括全部匹配度；表示当前车流量信息；表示路况状态信息。

如图2所示，在一些实施例中，在步骤S2中，根据风险评估信息判断监控区域是否存在拥堵风险的步骤，具体包括：

步骤S202、采用如下公式

对风险评估信息进行评价，得到匹配度最优的匹配结果。

其中，匹配结果包括：拥堵状态和非拥堵状态中的一者。

其中，为根据匹配度生成的原始调控方案，Mind^k表示匹配结果。

步骤S203、判断匹配结果是否为拥堵状态。

其中，若判断结果为否，则执行步骤S204；若判断结果为是，则执行步骤S205。

步骤S204、判断出监控区域存在拥堵风险。

步骤S205、判断出监控区域不存在拥堵风险。

其中，在步骤S204之后执行步骤S3，在步骤S205之后执行步骤S4。

步骤S3、保持原有调控方案不变。

步骤S4、将风险评估信息输入至预先设置的交通信号灯控制模型中。

其中，交通信号灯控制模型根据所输入的风险评估信息生成相匹配的调控方案。

如图2所示，在一些实施例中，在步骤S4中，交通信号灯控制模型对输入的风险评估信息进行如下处理：

步骤S401、交通信号灯控制模型采用如下公式：

进行无监督学习。

其中，为与风险评估信息相匹配的调控方案；d^minG表示历史递归最小值，在实际应用中，该值具有全局性，其意义在于，进行递归时需要沿着根据历史最小值的方向不断改进方案。

步骤S402、交通信号灯控制模型对递归次数进行加1处理，并判断递归次数是否大于递归阈值。

若判断结果为是，则执行步骤S403；若判断结果为否，则执行步骤S404。

步骤S403、交通信号灯控制模型输出与风险评估信息相匹配的调控方案。

步骤S404、交通信号灯控制模型发送递归请求。

在步骤S404中，交通信号灯控制模型发送递归请求，以供再次执行步骤S2，进行递归操作。

其中，在步骤S403之后执行步骤S5。

步骤S5、接收调控方案，并对监控区域内的交通信号灯进行调控。

本公开实施例提供了一种交通控制方法，该方法可用于通过获取一定区域内各条道路及各个路口当前车流量信息，判断在各个道路节点是否存在拥堵风险，使用无监督学习方法生成整体的调控方案，实现对该区域内交通信号灯的智能调控，防止交通堵塞。

图3为本公开实施例提供的又一种交通控制方法的流程图。如图3所示，该交通控制方法不仅包括上述实施例中用于对交通信号灯根据车流量信息进行智能调控的步骤S1～步骤S5，还包括获取人工调控方案并对交通信号灯进行调控的步骤S6～步骤S7。

对于步骤S1～步骤S5的描述，可参见前述实施例中相应内容，下面仅对步骤S6～步骤S7进行详细描述。

步骤S6、检测是否存在由操作人员输入的人工调控方案。

在实际应用中，监控区域内的摄像头或监控设备将实时监控画面发送至后台监控平台，该后台监控平台可由操作台以及多个显示器构成，可以实现对多路段的监控，以及相应人工调控方案的设置和传输。

同时，由图像识别技术得到的相应路况信息，包括当前车流量信息，也同时发送至后台监控平台，作为操作人员在输入或设置人工调控方案时的参考信息。

在步骤S6中，若检测出存在由操作人员输入的人工调控方案，则执行步骤S7；若检测出不存在由操作人员输入的人工调控方案，则保持调控方案不变。

步骤S7、根据人工调控方案对监控区域内的交通信号灯进行调控。

在实际应用中，人工调控方案的优先级应大于智能生成的调控方案的优先级。

需要说明的是，本公开的技术方案对步骤S1～步骤S5与步骤S6～步骤S7的执行顺序不作限定，即步骤S1～步骤S5可位于步骤S6～步骤S7之前执行，或步骤S1～步骤S5可位于步骤S6～步骤S7之后执行，或者步骤S1～步骤S5与步骤S6～步骤S7穿插执行。其均属于本公开的保护范围。

本公开实施例提供了一种交通控制方法，该方法可用于在对交通信号灯进行智能调控的基础上，增加远程人工调控功能，避免出现智能调控不能解决当前路况需要的情况。

图4为本公开实施例提供的一种交通控制系统的结构框图。如图4所示，该交通控制系统可用于实现上述各实施例所提供的交通控制方法，该交通控制系统包括：获取模块1、生成模块2、保持模块3、输入模块4和接收模块5。

其中，获取模块1，用于获取监控区域内的当前车流量信息。

生成模块2，用于根据当前车流量信息生成对应的风险评估信息,并根据风险评估信息判断监控区域是否存在拥堵风险。

保持模块3，用于在在生成模块2判断出监控区域不存在拥堵风险时，保持原有调控方案不变。

输入模块4，用于在生成模块2判断出监控区域存在拥堵风险时，将风险评估信息输入至预先设置的交通信号灯控制模型中，以供交通信号灯控制模型根据所输入的风险评估信息生成相匹配的调控方案。

接收模块5，用于接收调控方案，并对监控区域内的交通信号灯进行调控。

在一些实施例中，交通控制系统还包括：检测模块6和调控模块7。

其中，检测模块6，用于检测是否存在由操作人员输入的人工调控方案。

调控模块7，用于在检测模块6检测出存在由操作人员输入的人工调控方案时，根据人工调控方案对监控区域内的交通信号灯进行调控。

在一些实施例中，生成模块包括：生成单元201。

其中，生成单元201，用于采用如下公式：

将当前车流量信息与预先设置的路况状态信息进行匹配，并生成对应的风险评估信息。

其中，路况状态信息包括：与路况为拥堵状态相对应的参考车流量信息和与路况为非拥堵状态相对应的参考车流量信息，风险评估信息包括：当前车流量信息与路况状态信息的匹配度。

其中，i、j和t为三维空间的三维坐标且i∈[0,m]，j∈[0,n]，t∈[0,p]，m、n和p为预先设置的三维坐标的最大值，该三维空间即为监控区域；k表示递归次数且k∈[1,h]，h为预先设置的递归阈值；表示当前车流量信息与路况状态信息的匹配度；表示当前车流量信息；表示路况状态信息。

在一些实施例中，生成模块2还包括：评价单元202和判断单元203。

其中，评价单元202，用于采用如下公式

对风险评估信息进行评价，得到匹配度最优的匹配结果。

其中，匹配结果包括：拥堵状态和非拥堵状态中的一者。

其中，为根据匹配度生成的原始调控方案，Mind^k表示匹配结果。

判断单元203，用于判断匹配结果是否为所述拥堵状态。

结合判断单元203的功能，生成模块2具体用于：

若判断单元203判断出匹配结果为拥堵状态，则判断出监控区域存在拥堵风险；若判断单元203判断出匹配结果不为拥堵状态，则判断出监控区域不存在拥堵风险。

在一些实施例中，交通信号灯控制模型包括：学习模块401、判断模块402、输出模块403和递归模块404。

其中，学习模块401，用于采用如下公式：

进行无监督学习。

其中，为与风险评估信息相匹配的调控方案，d^minG表示历史递归最小值。

判断模块402，用于对递归次数进行加1处理，并判断递归次数是否大于递归阈值。

输出模块403，用于在判断模块402判断出递归次数大于递归阈值时，输出与风险评估信息相匹配的调控方案。

递归模块404，用于在判断模块402判断出递归次数小于或等于递归阈值时，发送递归请求，以供再次执行根据当前车流量信息生成对应的风险评估信息的步骤。

本公开实施例提供了一种交通控制系统，可实现根据当前车流量信息生成风险评估信息，判断当前是否存在拥堵风险并根据风险评估信息生成相应的调控方案，以进行对交通信号灯的实时智能调控，同时检测是否有更高优先级的人工调控方案，增加交通调控的安全性和稳定性。

可以理解的是，以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式，然而本公开并不局限于此。对于本领域内的普通技术人员而言，在不脱离本公开的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本公开的保护范围。

Claims (10)

1.一种交通控制方法，其特征在于，包括：

获取监控区域内的当前车流量信息；

根据所述当前车流量信息生成对应的风险评估信息,并根据所述风险评估信息判断所述监控区域是否存在拥堵风险；

若不存在拥堵风险，则保持原有调控方案不变；

若存在拥堵风险，则将所述风险评估信息输入至预先设置的交通信号灯控制模型中，以供所述交通信号灯控制模型根据所输入的所述风险评估信息生成相匹配的调控方案；

接收所述调控方案，并对所述监控区域内的交通信号灯进行调控。

2.根据权利要求1所述的交通控制方法，其特征在于，还包括：

检测是否存在由操作人员输入的人工调控方案；

若检测出存在由操作人员输入的人工调控方案，则根据所述人工调控方案对所述监控区域内的交通信号灯进行调控。

3.根据权利要求1或2所述的交通控制方法，其特征在于，所述根据所述当前车流量信息生成对应的风险评估信息的步骤，具体包括：

采用如下公式：

将所述当前车流量信息与预先设置的路况状态信息进行匹配，并生成对应的所述风险评估信息，所述路况状态信息包括：与路况为拥堵状态相对应的参考车流量信息和与路况为非拥堵状态相对应的参考车流量信息，所述风险评估信息包括：所述当前车流量信息与所述路况状态信息的匹配度；

其中，i、j和t为三维空间的三维坐标且i∈[0,m]，j∈[0,n]，t∈[0,p]，m、n和p为预先设置的三维坐标的最大值，所述三维空间为所述监控区域；k表示递归次数且k∈[1,h]，h为预先设置的递归阈值；表示所述当前车流量信息与所述路况状态信息的匹配度；表示所述当前车流量信息；表示所述路况状态信息。

4.根据权利要求3所述的交通控制方法，其特征在于，所述根据所述风险评估信息判断所述监控区域是否存在拥堵风险的步骤，具体包括：

采用如下公式

对所述风险评估信息进行评价，得到所述匹配度最优的匹配结果，所述匹配结果包括：所述拥堵状态和所述非拥堵状态中的一者；

其中，为根据所述匹配度生成的原始调控方案，Mind^k表示所述匹配结果；

判断所述匹配结果是否为所述拥堵状态；若是，则判断出所述监控区域存在拥堵风险；若否，则判断出所述监控区域不存在拥堵风险。

5.根据权利要求4所述的交通控制方法，其特征在于，所述交通信号灯控制模型对输入的所述风险评估信息进行如下处理：

采用如下公式：

进行无监督学习；

其中，为与所述风险评估信息相匹配的调控方案，d^minG表示历史递归最小值；

对所述递归次数进行加1处理，并判断所述递归次数是否大于所述递归阈值；若是，则输出所述与所述风险评估信息相匹配的调控方案；若否，则发送递归请求，以供再次执行所述根据所述当前车流量信息生成对应的风险评估信息的步骤。

6.一种交通控制系统，其特征在于，包括：

获取模块，用于获取监控区域内的当前车流量信息；

生成模块，用于根据所述当前车流量信息生成对应的风险评估信息,并根据所述风险评估信息判断所述监控区域是否存在拥堵风险；

保持模块，用于在在所述生成模块判断出所述监控区域不存在拥堵风险时，保持原有调控方案不变；

输入模块，用于在所述生成模块判断出所述监控区域存在拥堵风险时，将所述风险评估信息输入至预先设置的交通信号灯控制模型中，以供所述交通信号灯控制模型根据所输入的所述风险评估信息生成相匹配的调控方案；

接收模块，用于接收所述调控方案，并对所述监控区域内的交通信号灯进行调控。

7.根据权利要求6所述的交通控制系统，其特征在于，还包括：

检测模块，用于检测是否存在由操作人员输入的人工调控方案；

调控模块，用于在所述检测模块检测出存在由操作人员输入的人工调控方案时，根据所述人工调控方案对所述监控区域内的交通信号灯进行调控。

8.根据权利要求6或7所述的交通控制系统，其特征在于，所述生成模块包括：

生成单元，用于采用如下公式：

将所述当前车流量信息与预先设置的路况状态信息进行匹配，并生成对应的所述风险评估信息，所述路况状态信息包括：与路况为拥堵状态相对应的参考车流量信息和与路况为非拥堵状态相对应的参考车流量信息，所述风险评估信息包括：所述当前车流量信息与所述路况状态信息的匹配度；

其中，i、j和t为三维空间的三维坐标且i∈[0,m]，j∈[0,n]，t∈[0,p]，m、n和p为预先设置的三维坐标的最大值，所述三维空间为所述监控区域；k表示递归次数且k∈[1,h]，h为预先设置的递归阈值；表示所述当前车流量信息与所述路况状态信息的匹配度；表示所述当前车流量信息；表示所述路况状态信息。

9.根据权利要求8所述的交通控制系统，其特征在于，所述生成模块还包括：

评价单元，用于采用如下公式

对所述风险评估信息进行评价，得到所述匹配度最优的匹配结果，所述匹配结果包括：所述拥堵状态和所述非拥堵状态；

其中，为根据所述匹配度生成的原始调控方案，Mind^k表示所述匹配结果；

判断单元，用于判断所述匹配结果是否为所述拥堵状态中的一者；

所述生成模块具体用于：

若所述判断单元判断出所述匹配结果为所述拥堵状态，则判断出所述监控区域存在拥堵风险；若所述判断单元判断出所述匹配结果不为所述拥堵状态，则判断出所述监控区域不存在拥堵风险。

10.根据权利要求9所述的交通控制系统，其特征在于，所述交通信号灯控制模型包括：

学习模块，用于采用如下公式：

进行无监督学习；

其中，为与所述风险评估信息相匹配的调控方案，d^minG表示历史递归最小值；

判断模块，用于对所述递归次数进行加1处理，并判断所述递归次数是否大于所述递归阈值；

输出模块，用于在所述判断模块判断出所述递归次数大于所述递归阈值时，输出所述与所述风险评估信息相匹配的调控方案；

递归模块，用于在所述判断模块判断出所述递归次数小于或等于所述递归阈值时，发送递归请求，以供再次执行所述根据所述当前车流量信息生成对应的风险评估信息的步骤。