CN110491146B - 一种基于深度学习的交通信号控制方案实时推荐方法 - Google Patents

一种基于深度学习的交通信号控制方案实时推荐方法 Download PDF

Info

Publication number
CN110491146B
CN110491146B CN201910772945.8A CN201910772945A CN110491146B CN 110491146 B CN110491146 B CN 110491146B CN 201910772945 A CN201910772945 A CN 201910772945A CN 110491146 B CN110491146 B CN 110491146B
Authority
CN
China
Prior art keywords
data
time
control scheme
traffic
function
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
CN201910772945.8A
Other languages
English (en)
Other versions
CN110491146A (zh
Inventor
郭海锋
李瑶
何德峰
金峻臣
孔桦桦
周浩敏
丁楚吟
谢竞成
杨宪赞
温晓岳
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.)
Yinjiang Technology Co., Ltd
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Enjoyor 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 Zhejiang University of Technology ZJUT, Enjoyor Co Ltd filed Critical Zhejiang University of Technology ZJUT
Priority to CN201910772945.8A priority Critical patent/CN110491146B/zh
Publication of CN110491146A publication Critical patent/CN110491146A/zh
Application granted granted Critical
Publication of CN110491146B publication Critical patent/CN110491146B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)

Abstract

一种基于深度学习的交通信号控制方案实时推荐方法包括：基于采集到的交通状态数据，预处理交通数据，包括清洗错误数据、修正异常数据和修复缺失数据；构建时间序列的训练数据集模型，基于CNN‑DA‑RNN架构的深度学习的方法，训练路口的交通信号控制方案实时推荐模型，推荐下一时刻交通信号控制方案，实现问题路口信号控制方案实时推荐功能。本发明减少优化路口的时间，提高了人员的工作效率，且推荐的方案实时反馈，增加了推荐方案的可靠性和可复制性。

Description

一种基于深度学习的交通信号控制方案实时推荐方法
技术领域
本发明涉及智慧交通、城市交通控制领域，特别是涉及交通信号控制方案推荐领域。
背景技术
随着我国城市汽车保有量的不断增加，道路机动化水平的不断提高，城市交通拥堵问题成为了城市治理的痛点与难点，在一定程度上制约了经济的发展。城市交通拥堵还给市民的出行体验造成了极大地负面影响，为缓解城市交通拥堵问题，提高城市交通运行效率，让已建设的信号系统发挥其最大的效能是目前城市管理中最为迫切的任务。
城市交通系统的运行是复杂多变的，道路交通系统又随着时间和空间的变化不断变化。由于道路交通系统具有开放性，随机性和动态性，如上下班高峰期或者出现交通事故、暴雨暴雪或其它突发事件时，交通系统将出现严重堵塞甚至瘫痪。影响道路交通系统的一系列因素是不确定的和具有突发性的，因此在交通优化控制过程中需要综合多方因素。然而，面对过于复杂的因素造成的交通问题，传统的交通信号控制方法已经无法满足当今交通控制优化的需求，如何建立寻求交通信号的最优控制是当前的关键。
为了充分发挥城市交通控制系统的作用，近两年兴起了交通信号优化服务，该服务的兴起一方面是来自于公安部、省、市等管理部门的政策推动，另一方面城市交通管控业务确实存在这一需求，尤其是一线城市。交通信号优化服务的目标是让已建设的信号系统发挥最大的效能，最大限度的提高城市交通运行效率。
在交通信号优化服务中，在早晚高峰或节假日等交通流规律变化较大的情况下，需要人工查看路口监控实时调整信号控制系统信号配时的各项参数。这种调控方式具有不可复制性、效率低及可靠性低等缺点，亟待新型技术作为辅助的手段缓解此类问题。
发明内容
本发明要克服现有技术的基于上述交通信号控制过程中遇到的调控效率低下、可靠性低和不可复制性的缺点，提出一种符合城市交通控制规律的信号控制方案推荐方法。
本发明依据交通状态数据，基于人工智能深度学习神经网络的算法，训练交通信号控制方案实时推荐模型，输出适合当前信号交叉口流量和饱和度的信号控制方案。输出方案可实时推荐给一线交通控制人员，判断合理后可进行方案的实时下发，在一定程度上减少优化路口的时间，提高了人员的工作效率，且推荐的方案实时反馈，增加了推荐方案的可靠性和可复制性。
本发明是通过以下技术方案达到上述目的：一种基于深度学习的交通信号控制方案实时推荐方法，步骤包括：
1.1采集交通数据，所述交通数据包括交通控制数据和交通状态数据，所述交通控制数据包括但不限于：信号系统周期结束时间、周期时长、绿信比数据，所属交通状态数据包括但不限于：流量、饱和度、速度；
1.2预处理交通数据，包括清洗错误数据、修正异常数据和修复缺失数据；
1.3构建时间序列的数据集，步骤包括：
1.3.1提取数据集的样本点，所述样本点指控制方案数据满足要求时的周期结束时间，所述控制方案数据为绿信比变化量；
1.3.2构造样本点数据，提取样本点对应的T组交通数据xi、T组控制方案数据ytarget,i、1组绿信比数据yhis,i，其中i表示第i个样本点；
1.3.3构造满足训练要求的时间序列数据集，包括交通数据集xt、控制方案数据集ytarget和绿信比数据集yhis，训练要求包括但不限于：样本点的数量、用于提取样本点的交通数据的时间长度；
1.4构建基于CNN-DA-RNN的深度学习算法模型，其中，第一层CNN采用未池化的卷积层神经网络，通过对输入数据作卷积计算，获取维度不变的输出数据，用于提取输入数据时间维度中的短时间的依赖关系以及变量之间的依赖关系；第二层DA-RNN采用基于双阶段注意力机制的递归神经网络，用于对输入数据进行空间和时间维度上的注意力分配并进行编码和解码，具体包括：
1.4.1对来自卷积层输出的交通数据集数据进行空间注意力分配；
1.4.2对空间注意力分配后的数据进行编码；
1.4.3对编码后的数据进行时间注意力分配；
1.4.4对时间注意力分配后的数据进行加权计算，对加权数据和控制方案数据集ytarget进行解码；
1.5训练交通信号控制方案实时推荐模型：以步骤1.3的数据集作为训练数据集，对步骤1.4的深度学习算法模型进行学习训练，训练模型的方法包括但不限于：随机梯度下降优化器方法、Adam优化器方法和自动调参方法，训练模型的结束条件为损失函数收敛程度满足要求，损失函数为预测控制方案数据和实际控制方案数据的均方误差。
1.6推荐下一时刻交通信号控制方案：采集实时交通状态数据，输入交通信号控制方案实时推荐模型，获得模型输出的预测控制方案数据。
进一步，步骤1.1所述交通控制数据的周期时长指信号灯各种灯色轮流显示一周所需的时间，数据维度为1维；所述交通控制数据的绿信比指路口各相位的绿信比数据，数据维度为相位数量；所述交通状态数据指路口各车道的交通状态数据，数据维度为交通状态数据类型数量*车道数量。
进一步，步骤1.2所述的清洗错误数据，包括删除缺省值和去除重复值；修正异常数据，利用统计学中的t检验法判断数据是否为异常值，针对异常值采用样条函数方法进行插值处理，采用历史数据进行插值；修复缺失数据，采用多元线性回归模型方法，步骤如下：(1)对已有的数据作出散点图并作多元回归处理； (2)求解多元线性回归多项式和置信区间；(3)作出残差分析图，验证拟合效果，残差越小，回归多项式与源数据吻合程度越好，(4)通过残差最小的多项式方程补充缺失数据。
进一步，步骤1.3.2所述的构造样本点数据的具体内容：T组交通数据，取出样本点及样本点的前T-1组的按照周期结束时间排序的交通状态数据，存储为数组的形式，作为样本点数据的xi部分，具体为：
xi＝{Cyclei,Ai,Bi,...,Gi,VO1i,VO2i,...,VOki,DS1i,DS2i,...,DSki} (1)
其中Ci指周期时长，Cyclei＝[Ci-T,...,Ci-1,Ci]；Ai,Bi,...,Gi指信号控制相位A、B、…、G的绿信比数据，Ai＝[ai-T,...,ai-1,ai],Bi＝[bi-T,...,bi-1,bi],…,Gi＝[gi-T,...,gi-1,gi]； VO1i,VO2i,…,VOki指车道流量数据，
Figure BDA0002174159430000031
Figure BDA0002174159430000032
DS1i,DS2i,…,DSki指车道饱和度数据，
Figure BDA0002174159430000033
Figure BDA0002174159430000034
信号控制相位的个数与路口相关，不同的路口运行的相位数量和相序是不同的；
T组控制方案数据，取出样本点及样本点的前T-1组的控制方案数据，存储为数组的形式，作为样本点数据的ytarget部分，具体为：
ytarget,i＝{ΔAi,ΔBi,ΔCi,ΔDi,ΔEi,ΔFi,ΔGi} (2)
其中ΔAi,ΔBi,...,ΔGi指相邻绿信比的变化量ΔAi＝[Δai-T,...,Δai-1,Δai],ΔBi＝[Δbi-T,...,Δbi-1,Δbi],…,ΔGi＝[Δgi-T,...,Δgi-1,Δgi]，ytarget,i的维度由路口实际运行相位数量决定；
一组绿信比方案数据：取样本点的下一时刻的绿信比数据，存储为数组的形式，作为yhis,i部分，具体为：
yhis,i＝{A′i+1,B′i+1,C′i+1,D′i+1,E′i+1,F′i+1,G′i+1 } (3)
其中A′i+1,B′i+1,C′i+1,D′i+1,E′i+1,F′i+1,G′i+1指相位的绿信比值A′i+1＝[ai+1],B′i+1＝[bi+1], …,G′i+1＝[gi+1]，yhis,i的维度由路口实际运行相位数量决定。
进一步，步骤1.4所述的未池化的卷积层神经网络对于输入数据的时间依赖关系和变量之间依赖关系的提取方法：
卷积层的输入数据指时间序列的交通数据集xt，卷积层由宽度为ω和高度为 n的多个滤波器组成，其中宽度ω的设置与输入数据的绿信比相同，高度n的设置与输入数据变量的列维度相同，所述第k个滤波器扫描输入矩阵xi并产生：
hcnnk＝RELU(Wcnnk*xi+bcnnk) (4)
公式含义：其中*表示卷积运算，hcnnk是输出矢量，RELU(x)线性修正单元神经元的激活函数，RELU函数可加速梯度下降以及反向传播，避免梯度急剧升高和急剧减少的问题，Wcnnk，bcnnk指待学习的卷积矩阵和偏移量，训练过程中不断修正，k的范围为输入数据长度与滤波器尺寸(ω*n)的比值；
为保持卷积后输出结果hcnnk的维度与输入数据的维度一致，通过对输入矩阵 xi增加维度的方法实现，增加维度的变量值为0；方法实现过程：xi的维度i*j，卷积矩阵Wk维度3*3，为获得维度为i*j的hcnnk，通过变化xi的维度为(i+1) *(j+1)且增加的维度的变量值为0实现。
进一步，步骤1.4.1具体包括：空间注意力分配是双阶段注意力机制的第一的阶段，引入空间注意作为其输入注意机制，对每一时刻的输入数据自动地提取相关性，依据编码器先前的隐藏状态，计算输入的注意权重，方法如下：
对输入数据X的每一时刻的xt使用注意力机制运算方式，公式如下：
Figure BDA0002174159430000051
Figure BDA0002174159430000052
其中[ht-1；st-1]是上一个隐藏状态ht-1和上一个状态st-1的级联函数，ve，We， Ue指需要学习的高维矩阵参数，
Figure BDA0002174159430000053
是分配在时间t上第k个输入特征的空间注意力权重，则空间注意力分配后的输出
Figure BDA0002174159430000054
为：
Figure BDA0002174159430000055
所述具体流程1.4.2对空间注意力分配后的数据进行编码：编码器LSTM单元的LSTM的神经元状态随着时间的推移动态求和，记忆长期的依赖关系，容易克服梯度急剧减少的问题，对于处理时间序列问题行之有效，LSTM方法对输入数据
Figure BDA0002174159430000056
进行编码的方法如下：
首先编码器可以学习到从xt到ht的映射：
Figure BDA0002174159430000057
其中ht为编码器在时刻t的隐藏状态，ht-1指上一个隐藏状态，f1是一个非线性的激活函数；
其次，编码单元使用LSTM网络作为激活函数，更新状态：LSTM循环神经网络包括遗忘门ft，输入门it，输出门ot，每个LSTM单元在时间t处具有状态st存储器单元，状态ht的更新方法如下：
ft＝σ(Wf[ht-1；xt]+bf) (9)
it＝σ(Wi[ht-1；xt]+bi) (10)
ot＝σ(Wo[ht-1；xt]+bo) (11)
st＝ft⊙st-1+it⊙tanh(Ws[ht-1；xt]+bs) (12)
ht＝ot⊙tanh(st) (13)
其中，[ht-1；xt]是前一个隐藏状态ht-1和当前输入xt级联函数，其中Wf，Wi， Wo，Ws，bf，bi，bo，bs是待训练学习的参数，σ和⊙分别是逻辑函数和元素乘法；
所述具体流程1.4.3对编码后的数据进行时间注意力分配：时间注意力分配是双阶段注意力机制的第二阶段，引入时间注意机制捕获编码器的长期时序依赖信息，基于先前解码器的隐藏状态，对输入的状态数据ht计算时间注意权重，方法如下：
基于先前解码器隐藏状态dt-1和上一个LSTM单元的状态s′t-1使用注意力机制，计算每个编码器隐藏状态在时间t的时间注意权重
Figure BDA0002174159430000061
公式如下：
Figure BDA0002174159430000062
Figure BDA0002174159430000063
其中，[dt-1；s′t-1]是先前解码器的隐藏状态和上一个LSTM单元的状态的级联函数，vd，Wd，Ud是需要学习的高维矩阵参数，
Figure BDA0002174159430000064
是分配在t时间的第i组特征的时间注意力权重；
步骤1.4.4所述的对时间注意力分配后的数据进行加权和计算，对加权数据和ytarget进行解码：具体包括：
1.4.4.1.计算所有隐藏状态hi的加权和矢量ct：
Figure BDA0002174159430000065
其中，ct是解码器LSTM单元输入。
1.4.4.2.计算更新的目标输出
Figure 1
Figure BDA0002174159430000067
其中，[yt-1；ct-1]是上一个解码器的输出状态yt-1和上一个所有隐藏状态加权和ct-1的级联函数，
Figure BDA0002174159430000071
和
Figure BDA0002174159430000072
是待学习和训练的参数。
1.4.4.3.更新解码器t时刻的隐藏状态dt：利用新的目标输出
Figure BDA0002174159430000073
和先前的隐藏状态：
Figure BDA0002174159430000074
其中f2为非线性激活函数为建立时间序列的长期依赖性，选择使用LSTM单元作为更新隐藏状态的f2函数，则隐藏状态dt具体计算如下：
Figure BDA0002174159430000075
Figure BDA0002174159430000076
Figure BDA0002174159430000077
Figure BDA0002174159430000078
dt＝o′t⊙tanh(s′t) (23)
其中，
Figure BDA0002174159430000079
是前一个隐藏状态dt-1和前一个目标函数的
Figure 2
的级联函数，其中W′f，W′i，W′o，W′s，b′f，b′i，b′o，b′s是待训练学习的参数，σ和⊙分别是逻辑函数和元素乘法。
1.4.4.4.估计当前时刻的输出：
解码器LSTM单元输出yDT，通过DA-RNN结构构建模拟函数F，函数F可观察给定的输入和先前的输出，估计出当前时刻的输出
Figure BDA00021741594300000711
Figure BDA00021741594300000712
其中[dT；cT]是解码层的隐藏状态dT和矢量cT的级联函数，参数Wy和bw是待学习训练的参数，线性函数的权重
Figure BDA00021741594300000713
和偏置bv是待学习的参数，决定最终的预测结果
Figure BDA00021741594300000714
进一步，步骤1.5所述的损失函数计算和判断：模型的训练过程包括对所有数据进行小批量分组，利用随机梯度下降(SGD)优化器和Adam优化器来训练模型；设计平滑且可微分的输出结果，以确保参数可以通过标准逆向传播学习获得；设计目标函数的损失函数即预测控制方案数据和实际控制方案数据：
Figure BDA0002174159430000081
其中N是训练的样本量，
Figure BDA0002174159430000082
是预测出来的方案，
Figure BDA0002174159430000083
是实际的方案，训练的结果使损失函数迅速的收敛到非常小的值β，约定β<0.2％。
进一步，步骤1.5所述交通信号控制方案实时推荐模型输出的预测控制方案数据的修正，具体采用方法：
修正结果yT包括预测控制方案数据yDT和混合回归模型线性回归计算的结果yAT两部分，两者的矢量和：
yT＝yDT+yAT (26)
其中线性回归计算的模型为：
Figure BDA0002174159430000084
其中q是输入矩阵yt-k的输入窗口大小，k指第k个滤波器，Wauk和bauk是需要学习的参数。
进一步，步骤1.6所述推荐的控制方案数据是否满足约束条件，所述约束条件包括：
(1)是否符合该交叉口的实际流量和饱和度情况；(2)推荐周期是否符合小于路口的最大周期时间；(3)各个相位推荐绿信比是否大于最小绿灯时；(4) 行人相位的安全时间是否全部满足；(5)特殊相位的时间设置是否完成。
进一步，步骤1.3所述的样本点指控制方案数据满足要求时的周期结束时间，所述控制方案数据为绿信比变化量，具体为：
判断相邻两组数据中任一相位绿信比的变化量，当变化量超过总周期时间的 5％时，该控制方案数据满足要求。
本发明的有益效果在于：仅从交通状态数据出发，基于人工智能的深度学习神经网络的算法，能够计算出适合当前信号交叉口流量和饱和度的信号控制方案，实时推荐出交通信号控制方案。输出方案可实时推荐给一线交通控制人员，判断合理后可进行方案的实时下发，在一定程度上减少优化路口的时间，提高了人员的工作效率，且推荐的方案实时反馈，增加了推荐方案的可靠性和可复制性。
附图说明
图1是本发明的样本点提取流程图；
图2是本发明的训练数据集构造流程图；
图3是本发明的CNN-DA-RNN框架模型图；
图4是本发明的DA-RNN神经网络模型图；
图5是本发明的CNN-DA-RNN框架训练损失函数收敛曲线；
图6a是延安路2019年1月份与2018年12月份工作日的平均速度对比图；
图6b是延安路2019年1月份与2018年12月份非工作日的平均速度对比图。
具体实施方式
结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此。
一个实例：选取了杭州市一条主干道延安路的重要路口：庆春路-延安路，进行实时推荐方案生成方法的测试，验证本发明设计的信号控制方案推荐方法的有效性。步骤包括：
一、采集交通数据：采集该路口的六个月的交通状态数据(数据流量、饱和度)和交通控制数据(周期、绿信比方案数据)，按照周期结束时间将控制数据和状态数据存储至数据库的同一数据表，数据还包括周期结束时间。
二、预处理数据：对数据表al_input_scheme_match_state_data进行包括数据量、空值量、异常空值和异常值(如绿信比方案之和不为0)的统计，将统计结果保存在数据质量表中。然后依次进行数据的预处理：
2.1删除缺省值和去除重复值；
2.2修正异常数据，采用历史数据进行异常位置数据的插值；
2.3修复缺失数据，采用多元线性回归模型方法作出残差分析，通过残差最小的多项式方程补充缺失数据。
数据预处理之后再次异常数据的统计和数据质量的判断，在数据质量满足要求后进行数据集的构建。数据质量包括空值率低于0.01和异常值低于0.05等。
三、构建时间序列的数据集，按照构建数据集的步骤，依次提取样本点、提取样本点数据和构造训练数据集。
3.1提取样本点，如附图1所示。将训练的原始数据进行数据的切分，依次对一定时间的数据进行样本点的确定；
3.2提取样本点数据，如附图2所示。
提取样本点对应的T组交通数据xi，即取样本点的交通控制数据及该时间的前T-1组时间数据。
3.2.1T组交通数据，取出样本点及样本点的前T-1组的按照周期结束时间排序的交通状态数据，存储为数组的形式，作为样本点数据的xi部分，具体为：
xi＝{Cyclei,Ai,Bi,...,Gi,VO1i,VO2i,...,VOki,DS1i,DS2i,...,DSki} (1)
其中Ci指周期时长，Cyclei＝[Ci-T,...,Ci-1,Ci]；Ai,Bi,...,Gi指信号控制相位 A、B、…、G的绿信比数据，Ai＝[ai-T,...,ai-1,ai],Bi＝[bi-T,...,bi-1,bi],…, Gi＝[gi-T,...,gi-1,gi]；VO1i,VO2i,…,VOki指车道流量数VO1i＝[vo1i-T,...,vo1i-1,vo1i],
Figure BDA0002174159430000101
DS1i,DS2i,…,DSki指车道饱和度数据
Figure BDA0002174159430000102
Figure BDA0002174159430000103
信号控制相位的个数与路口相关，不同的路口运行的相位数量和相序是不同的；
3.2.2T组控制方案数据ytarget,i，即取样本点的控制方案数据及该时间的前T-1组时间数据，T组控制方案数据，取出样本点及样本点的前T-1组的控制方案数据，存储为数组的形式，作为样本点数据的ytarget部分，具体为：
ytarget,i＝{ΔAi,ΔBi,ΔCi,ΔDi,ΔEi,ΔFi,ΔGi} (2)
其中ΔAi,ΔBi,...,ΔGi指相邻绿信比的变化量ΔAi＝[Δai-T,...,Δai-1,Δai]，ΔBi＝[Δbi-T,...,Δbi-1,Δbi],…,ΔGi＝[Δgi-T,...,Δgi-1,Δgi]，ytarget,i的维度由路口实际运行相位数量决定；
3.2.3 1组绿信比数据yhis,i，即取样本点后一组绿信比数据。一组绿信比方案数据：取样本点的下一时刻的绿信比数据，存储为数组的形式，作为 yhis,i部分，具体为：
yhis,i＝{A′i+1,B′i+1,C′i+1,D′i+1,E′i+1,F′i+1,G′i+1} (3)
其中A′i+1,B′i+1,C′i+1,D′i+1,E′i+1,F′i+1,G′i+1指相位的绿信比值A′i+1＝[ai+1]，B′i+1＝[bi+1],…,G′i+1＝[gi+1]，yhis,i的维度由路口实际运行相位数量决定。
3.3构造训练数据集，如附图2所示。训练数据集是样本点数据的集合，包括交通数据集xt、控制方案数据集ytarget和绿信比数据集yhis三部分。
四、构建基于CNN-DA-RNN的深度学习算法模型，模型架构如附图3所示。第一层CNN采用未池化的卷积层神经网络，第二层DA-RNN采用基于双阶段注意力机制的递归神经网络。第一层主要作用提取输入数据时间维度中的短时间的依赖关系以及变量之间的依赖关系。第二层主要作用是对输入数据进行空间和时间维度上的注意力分配并进行编码和解码，具体包括：
4.1提取输入数据的时间依赖关系和变量之间的依赖关系：
卷积层由宽度为ω和高度为n的多个滤波器组成，其中宽度ω的设置与输入数据的绿信比相同，高度n的设置与输入数据变量的列维度相同，所述第k个滤波器扫描输入矩阵xi并产生：
hcnnk＝RELU(Wcnnk*xi+bcnnk) (4)
为保持卷积后输出结果hcnnk的维度与输入数据的维度一致，通过对输入矩阵 xi增加维度的方法实现，增加维度的变量值为0；方法实现过程：xi的维度i*j，卷积矩阵Wk维度3*3，为获得维度为i*j的hcnnk，通过变化xi的维度为(i+1) *(j+1)且增加的维度的变量值为0实现。
4.2对来自卷积层输出的交通数据集数据进行空间注意力分配；
对输入数据X的每一时刻的xt使用注意力机制运算方式，公式如下：
Figure BDA0002174159430000111
Figure BDA0002174159430000112
其中[ht-1；st-1]是上一个隐藏状态ht-1和上一个状态st-1的级联函数，ve，We， Ue指需要学习的高维矩阵参数，
Figure BDA0002174159430000113
是分配在时间t上第k个输入特征的空间注意力权重，则空间注意力分配后的输出
Figure BDA0002174159430000114
为：
Figure BDA0002174159430000115
4.3对空间注意力分配后的数据进行编码：
首先，编码器可以学习到从xt到ht的映射：
Figure BDA0002174159430000121
其次，编码单元使用LSTM网络作为激活函数更新状态ht：
ft＝σ(Wf[ht-1；xt]+bf) (9)
it＝σ(Wi[ht-1；xt]+bi) (10)
ot＝σ(Wo[ht-1；xt]+bo) (11)
st＝ft⊙st-1+it⊙tanh(Ws[ht-1；xt]+bs) (12)
ht＝ot⊙tanh(st) (13)
4.4对编码后的数据进行时间注意力分配：
基于先前解码器隐藏状态dt-1和上一个LSTM单元的状态s′t-1使用注意力机制，计算每个编码器隐藏状态在时间t的时间注意权重
Figure BDA0002174159430000129
公式如下：
Figure BDA0002174159430000122
Figure BDA0002174159430000123
4.5对时间注意力分配后的数据进行加权计算，对加权数据和控制方案数据集ytarget进行解码：
4.5.1计算所有隐藏状态hi的加权和矢量ct：
Figure BDA0002174159430000124
4.5.2计算更新的目标输出
Figure BDA0002174159430000125
Figure BDA0002174159430000126
4.5.3更新解码器t时刻的隐藏状态dt：利用新的目标输出
Figure BDA0002174159430000127
和先前的隐藏状态：
Figure BDA0002174159430000128
其中f2为非线性激活函数为建立时间序列的长期依赖性，选择使用LSTM单元作为更新隐藏状态的f2函数，则隐藏状态dt具体计算如下：
Figure BDA0002174159430000131
Figure BDA0002174159430000132
Figure BDA0002174159430000133
Figure BDA0002174159430000134
dt＝o′t⊙tanh(s′t) (23)
4.5.4估计当前时刻的输出yDT：
解码器LSTM单元输出yDT，通过DA-RNN结构构建模拟函数F，函数F可观察给定的输入和先前的输出，估计出当前时刻的输出：
Figure BDA0002174159430000135
当前时刻的输出决定最终的预测结果
Figure 3
五、训练交通信号控制方案实时推荐模型：以步骤1.3的数据集作为训练数据集，对步骤1.4的深度学习算法模型进行学习训练，采用随机梯度下降优化器方法、Adam优化器方法和自动调参方法，损失函数收敛至0.02％结束训练。
训练集用于模型的训练，对训练集进行小批量的分组，按照s＝128进行数据集的划分，划分N个批量，按照划分好的批量数据进行模型的训练，批量分组的好处在于可以加速训练模型的训练。训练集来自训练数据集，取80％的训练数据集作为训练集。
测试集用于模型的判断，测试数据输入给模型，计算其损失函数：
Figure BDA0002174159430000137
损失函数快速收敛且收敛至0.02％，判断该参数下的模型可用。测试集来自训练数据集，取80％的训练数据集作为测试集。
实验设置小批量分组的大小为S，S＝128，学习率为α，α＝0.01％，迭代次数为M，M＝5000，实验结果损失函数迅速收敛，如附图五。保存该参数下的交通信号控制方案实时推荐模型；
六、推荐下一时刻交通信号控制方案：采集实时交通状态数据，输入交通信号控制方案实时推荐模型，获得模型输出的预测控制方案数据，并混合回归模型线性回归的方法对预测结果进行修正：
yT＝yDT+yAT (26)
Figure BDA0002174159430000141
如下该路口推荐绿信比方案与实际绿信比方案的样例：
Figure BDA0002174159430000142
Figure BDA0002174159430000151
该路口在2019年1月进行实时方案推荐模型部署和应用，图6a和图6b分别是延安路2019年1月份与2018年12月份工作日和非工作日的平均速度对比图：1月份均速较12月份的均速有明显的提升，说明推荐方案起到了优化路口交通状态、提升道路均速的作用。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (9)

1.一种基于深度学习的交通信号控制方案实时推荐方法，步骤包括：
1.1采集交通数据，所述交通数据包括交通控制数据和交通状态数据，所述交通控制数据包括但不限于：信号系统周期开始时间、周期结束时间、周期时长、绿信比数据，所属交通状态数据包括但不限于：流量、饱和度、速度；
1.2 预处理交通数据，包括清洗错误数据、修正异常数据和修复缺失数据；
1.3构建时间序列的数据集，步骤包括：
1.3.1 提取数据集的样本点， 所述样本点指控制方案数据满足要求时的周期结束时间，所述控制方案数据为绿信比变化量；
1.3.2 构造样本点数据，提取样本点对应的T组交通数据
Figure 55630DEST_PATH_IMAGE002
、T组控制方案数据
Figure 628563DEST_PATH_IMAGE004
、1组绿信比数据
Figure 939458DEST_PATH_IMAGE006
，其中i表示第i个样本点；具体包括：
T组交通数据，取出样本点及样本点的前T-1组的按照周期结束时间排序的交通状态数据，存储为数组的形式，作为样本点数据的
Figure 6771DEST_PATH_IMAGE002
部分，具体为：
Figure DEST_PATH_IMAGE008
(1)
其中
Figure DEST_PATH_IMAGE010
指周期时长，
Figure DEST_PATH_IMAGE012
指信号控制相位A、B、…、G的绿信比数据，
Figure DEST_PATH_IMAGE014
；
Figure DEST_PATH_IMAGE016
指车道流量数据，
Figure DEST_PATH_IMAGE018
，
Figure DEST_PATH_IMAGE020
，,…,
Figure DEST_PATH_IMAGE022
；
Figure DEST_PATH_IMAGE024
,…,
Figure DEST_PATH_IMAGE026
指车道饱和度数据，
Figure DEST_PATH_IMAGE028
,
Figure DEST_PATH_IMAGE030
,..,
Figure DEST_PATH_IMAGE032
，信号控制相位的个数与路口相关，不同的路口运行的相位数量和相序是不同的；
T组控制方案数据，取出样本点及样本点的前T-1组的控制方案数据，存储为数组的形式，作为样本点数据的
Figure DEST_PATH_IMAGE034
部分，具体为：
Figure DEST_PATH_IMAGE036
(2)
其中
Figure DEST_PATH_IMAGE038
指A相位相邻绿信比的变化量
Figure DEST_PATH_IMAGE040
，
Figure DEST_PATH_IMAGE042
，
Figure DEST_PATH_IMAGE044
的维度由路口实际运行相位数量决定；
一组绿信比方案数据：取样本点的下一时刻的绿信比数据，存储为数组的形式，作为
Figure DEST_PATH_IMAGE046
部分，具体为：
Figure DEST_PATH_IMAGE048
(3)
其中
Figure DEST_PATH_IMAGE050
指相位的绿信比值
Figure DEST_PATH_IMAGE052
Figure DEST_PATH_IMAGE054
的维度由路口实际运行相位数量决定；
1.3.3 构造满足训练要求的时间序列数据集，包括交通数据集
Figure DEST_PATH_IMAGE056
、控制方案数据集
Figure DEST_PATH_IMAGE058
和绿信比数据集
Figure DEST_PATH_IMAGE060
，训练要求包括但不限于：样本点的数量、用于提取样本点的交通数据的时间长度；
1.4构建基于CNN-DA-RNN的深度学习算法模型，其中，第一层CNN采用未池化的卷积层神经网络，通过对输入数据作卷积计算，获取维度不变的输出数据，用于提取输入数据时间维度中的短时间的依赖关系以及变量之间的依赖关系；第二层DA-RNN采用基于双阶段注意力机制的递归神经网络，用于对输入数据进行空间和时间维度上的注意力分配并进行编码和解码，具体包括：
1.4.1对来自卷积层输出的交通数据集数据进行空间注意力分配；
1.4.2对空间注意力分配后的数据进行编码；
1.4.3对编码后的数据进行时间注意力分配；
1.4.4对时间注意力分配后的数据进行加权计算，对加权数据和控制方案数据集
Figure 683128DEST_PATH_IMAGE062
进行解码；
1.5训练交通信号控制方案实时推荐模型：以步骤1.3的数据集作为训练数据集，对步骤1.4的深度学习算法模型进行学习训练，训练模型的方法包括但不限于：随机梯度下降优化器方法、Adam优化器方法和自动调参方法，训练模型的结束条件为损失函数收敛程度满足要求，损失函数为预测控制方案数据和实际控制方案数据的均方误差。
1.6推荐下一时刻交通信号控制方案：采集实时交通状态数据，输入交通信号控制方案实时推荐模型，获得模型输出的预测控制方案数据。
2.根据权利要求1所述的一种基于深度学习的交通信号控制方案实时推荐方法，其特征在于步骤1.1所述的交通控制数据具体内容的概念和数据维度：
所述周期时长指信号灯各种灯色轮流显示一周所需的时间，数据维度为1维；
所述绿信比指路口各相位的绿信比数据，数据维度为相位数量；
所述交通状态数据指路口各车道的交通状态数据，数据维度为交通状态数据类型数量*车道数量。
3.根据权利要求1所述的一种基于深度学习的交通信号控制方案实时推荐方法，其特征在于步骤1.2所述的清洗错误数据，包括删除缺省值和去除重复值；
修正异常数据，利用统计学中的t检验法判断数据是否为异常值，针对异常值采用样条函数方法进行插值处理，采用历史数据进行插值；修复缺失数据，采用多元线性回归模型方法，步骤如下：（1）对已有的数据作出散点图并作多元回归处理；（2）求解多元线性回归多项式和置信区间；（3）作出残差分析图，验证拟合效果，残差越小，回归多项式与源数据吻合程度越好，（4）通过残差最小的多项式方程补充缺失数据。
4.根据权利要求1所述的一种基于深度学习的交通信号控制方案实时推荐方法，其特征在于步骤1.4所述的未池化的卷积层神经网络对于输入数据的时间依赖关系和变量之间依赖关系的提取方法：
卷积层的输入数据指时间序列的交通数据集
Figure 36749DEST_PATH_IMAGE064
，卷积层由宽度为ω和高度为n的多个滤波器组成，其中宽度ω的设置与输入数据的绿信比相同，高度n的设置与输入数据变量的列维度相同，所述第k个滤波器扫描输入矩阵
Figure 974223DEST_PATH_IMAGE066
并产生：
Figure 704281DEST_PATH_IMAGE068
(4)
公式含义：其中*表示卷积运算，
Figure 779685DEST_PATH_IMAGE070
是输出矢量，
Figure DEST_PATH_IMAGE072
线性修正单元神经元的激活函数，
Figure DEST_PATH_IMAGE074
函数可加速梯度下降以及反向传播，避免梯度急剧升高和急剧减少的问题，
Figure DEST_PATH_IMAGE076
指待学习的卷积矩阵和偏移量，训练过程中不断修正，k的范围为输入数据长度与滤波器尺寸(ω*n)的比值；
为保持卷积后输出结果
Figure DEST_PATH_IMAGE078
的维度与输入数据的维度一致，通过对输入矩阵
Figure DEST_PATH_IMAGE080
增加维度的方法实现，增加维度的变量值为0；方法实现过程：
Figure 350212DEST_PATH_IMAGE082
的维度i*j,卷积矩阵
Figure 776645DEST_PATH_IMAGE084
维度3*3，为获得维度为i*j的
Figure 44816DEST_PATH_IMAGE086
，通过变化
Figure 223993DEST_PATH_IMAGE088
的维度为（i+1）*(j+1)且增加的维度的变量值为0实现。
5.根据权利要求1所述的一种基于深度学习的交通信号控制方案实时推荐方法，其特征在于
所述具体流程1.4.1：空间注意力分配是双阶段注意力机制的第一的阶段，引入空间注意作为其输入注意机制，对每一时刻的输入数据自动地提取相关性，依据编码器先前的隐藏状态，计算输入的注意权重，方法如下：
对输入数据
Figure 184996DEST_PATH_IMAGE090
的每一时刻的
Figure 833146DEST_PATH_IMAGE092
使用注意力机制运算方式，公式如下：
Figure 32571DEST_PATH_IMAGE094
(5)
Figure DEST_PATH_IMAGE096
(6)
其中
Figure 613725DEST_PATH_IMAGE098
是上一个隐藏状态
Figure DEST_PATH_IMAGE100
和上一个状态
Figure 135842DEST_PATH_IMAGE102
的级联函数，
Figure 395922DEST_PATH_IMAGE104
指需要学习的高维矩阵参数，
Figure 146840DEST_PATH_IMAGE106
是分配在时间t上第k个输入特征的空间注意力权重，则空间注意力分配后的输出
Figure 175976DEST_PATH_IMAGE108
为：
Figure 134574DEST_PATH_IMAGE110
(7)
所述具体流程1.4.2对空间注意力分配后的数据进行编码：编码器LSTM单元的LSTM的神经元状态随着时间的推移动态求和，记忆长期的依赖关系，容易克服梯度急剧减少的问题，对于处理时间序列问题行之有效，LSTM方法对输入数据
Figure 491737DEST_PATH_IMAGE112
进行编码的方法如下：
首先编码器可以学习到从
Figure 905401DEST_PATH_IMAGE114
的映射：
Figure 913677DEST_PATH_IMAGE116
(8)
其中
Figure 528329DEST_PATH_IMAGE118
为编码器在时刻t的隐藏状态，
Figure 497422DEST_PATH_IMAGE120
指上一个隐藏状态，
Figure 576761DEST_PATH_IMAGE122
是一个非线性的激活函数；
其次， 编码单元使用LSTM网络作为激活函数，更新状态：LSTM循环神经网络包括遗忘门
Figure 580489DEST_PATH_IMAGE124
，输出门
Figure 100463DEST_PATH_IMAGE126
，每个LSTM单元在时间t处具有状态
Figure DEST_PATH_IMAGE128
存储器单元，状态
Figure DEST_PATH_IMAGE130
的更新方法如下：
Figure DEST_PATH_IMAGE132
(9)
Figure DEST_PATH_IMAGE134
(10)
Figure 947065DEST_PATH_IMAGE136
(11)
Figure 827166DEST_PATH_IMAGE138
(12)
Figure 419821DEST_PATH_IMAGE140
(13)
其中，
Figure 376276DEST_PATH_IMAGE142
是前一个隐藏状态
Figure 444595DEST_PATH_IMAGE144
和当前输入
Figure 3752DEST_PATH_IMAGE146
级联函数，其中
Figure DEST_PATH_IMAGE148
，
Figure DEST_PATH_IMAGE150
，
Figure DEST_PATH_IMAGE152
是待训练学习的参数，
Figure DEST_PATH_IMAGE154
分别是逻辑函数和元素乘法；
所述具体流程1.4.3对编码后的数据进行时间注意力分配：时间注意力分配是双阶段注意力机制的第二阶段，引入时间注意机制捕获编码器的长期时序依赖信息，基于先前解码器的隐藏状态，对输入的状态数据
Figure DEST_PATH_IMAGE156
计算时间注意权重，方法如下：
基于先前解码器隐藏状态
Figure DEST_PATH_IMAGE158
和上一个LSTM单元的状态
Figure DEST_PATH_IMAGE160
使用注意力机制，计算每个编码器隐藏状态在时间t的时间注意权重
Figure DEST_PATH_IMAGE162
，公式如下：
Figure DEST_PATH_IMAGE164
(14)
Figure DEST_PATH_IMAGE166
(15)
其中，
Figure DEST_PATH_IMAGE168
是先前解码器的隐藏状态和上一个LSTM单元的状态的级联函数，
Figure DEST_PATH_IMAGE170
是需要学习的高维矩阵参数，
Figure DEST_PATH_IMAGE172
是分配在t时间的第
Figure DEST_PATH_IMAGE174
组特征的时间注意力权重；
所述具体流程1.4.4）对时间注意力分配后的数据进行加权和计算，对加权数据和
Figure DEST_PATH_IMAGE176
进行解码：步骤如下：
1.4.4.1. 计算所有隐藏状态
Figure DEST_PATH_IMAGE178
的加权和矢量
Figure DEST_PATH_IMAGE180
：
Figure DEST_PATH_IMAGE182
(16)
其中，
Figure DEST_PATH_IMAGE184
是解码器LSTM单元输入。
1.4.4.2.计算更新的目标输出
Figure 396120DEST_PATH_IMAGE186
：
Figure 116951DEST_PATH_IMAGE188
(17)
其中，
Figure 423298DEST_PATH_IMAGE190
是上一个解码器的输出状态
Figure 520567DEST_PATH_IMAGE192
和上一个所有隐藏状态加权和
Figure 478028DEST_PATH_IMAGE194
的级联函数，
Figure 635340DEST_PATH_IMAGE196
是待学习和训练的参数。
1.4.4.3.更新解码器t时刻的隐藏状态
Figure 428984DEST_PATH_IMAGE198
：利用新的目标输出
Figure 329943DEST_PATH_IMAGE200
和先前的隐藏状态：
Figure 876331DEST_PATH_IMAGE202
(18)
其中
Figure DEST_PATH_IMAGE204
为非线性激活函数为建立时间序列的长期依赖性，选择使用LSTM单元作为更新隐藏状态的
Figure 876648DEST_PATH_IMAGE204
函数，则隐藏状态
Figure DEST_PATH_IMAGE206
具体计算如下：
Figure DEST_PATH_IMAGE208
(19)
Figure DEST_PATH_IMAGE210
(20)
Figure DEST_PATH_IMAGE212
(21)
Figure DEST_PATH_IMAGE214
(22)
Figure 65578DEST_PATH_IMAGE216
(23)
其中，
Figure 645595DEST_PATH_IMAGE218
是前一个隐藏状态
Figure 187434DEST_PATH_IMAGE220
和前一个目标函数的
Figure 76762DEST_PATH_IMAGE222
的级联函数，其中
Figure 579418DEST_PATH_IMAGE224
是待训练学习的参数，
Figure 822181DEST_PATH_IMAGE226
分别是逻辑函数和元素乘法。
1.4.4.4. 估计当前时刻的输出
Figure 343161DEST_PATH_IMAGE228
:
解码器LSTM单元输出
Figure 278756DEST_PATH_IMAGE228
，通过DA-RNN结构构建模拟函数F，函数F可观察给定的输入和先前的输出，估计出当前时刻的输出：
Figure 268709DEST_PATH_IMAGE230
(24)
其中
Figure DEST_PATH_IMAGE232
是解码层的隐藏状态
Figure DEST_PATH_IMAGE234
和矢量
Figure DEST_PATH_IMAGE236
的级联函数，参数
Figure 911567DEST_PATH_IMAGE238
是待学习训练的参数，线性函数的权重
Figure 552633DEST_PATH_IMAGE240
和偏置
Figure 393550DEST_PATH_IMAGE242
是待学习的参数，决定最终的预测结果
Figure 870799DEST_PATH_IMAGE244
。
6.据权利要求1所述的一种基于深度学习的交通信号控制方案实时推荐方法，其特征在于步骤 1.5所述的损失函数计算和判断：
模型的训练过程包括对所有数据进行小批量分组，利用随机梯度下降（SGD）优化器和Adam优化器来训练模型；设计平滑且可微分的输出结果，以确保参数可以通过标准逆向传播学习获得；设计目标函数的损失函数即预测控制方案数据和实际控制方案数据：
Figure 455364DEST_PATH_IMAGE246
(25)
其中N是训练的样本量，
Figure 950936DEST_PATH_IMAGE248
是预测出来的方案，
Figure 228334DEST_PATH_IMAGE250
是实际的方案，训练的结果使损失函数迅速的收敛到非常小的值
Figure 927300DEST_PATH_IMAGE252
，约定
Figure DEST_PATH_IMAGE254
。
7.根据权利要求1所述的一种基于深度学习的交通信号控制方案实时推荐方法，其特征在于步骤 1.6还包括：对交通信号控制方案实时推荐模型输出的预测控制方案数据进行修正，具体采用方法：
修正结果
Figure DEST_PATH_IMAGE256
包括预测控制方案数据
Figure DEST_PATH_IMAGE258
和混合回归模型线性回归计算的结果
Figure DEST_PATH_IMAGE260
两部分，两者的矢量和：
Figure 833332DEST_PATH_IMAGE262
(26)
其中线性回归计算的模型为：
Figure 58777DEST_PATH_IMAGE264
(27)
其中q是输入矩阵
Figure 116863DEST_PATH_IMAGE266
的输入窗口大小，k指第k个滤波器，
Figure 958917DEST_PATH_IMAGE268
是需要学习的参数。
8.根据权利要求1所述的一种基于深度学习的交通信号控制方案实时推荐方法，其特征在于步骤 1.6还包括：判断输出的控制方案数据是否满足约束条件，所述约束条件包括：
（1）是否符合该交叉口的实际流量和饱和度情况；（2）推荐周期是否符合小于路口的最大周期时间；（3）各个相位推荐绿信比是否大于最小绿灯时；（4）行人相位的安全时间是否全部满足；（5）特殊相位的时间设置是否完成。
9.根据权利要求1所述的一种基于深度学习的交通信号控制方案实时推荐方法，其特征在于：步骤1.3所述的样本点指控制方案数据满足要求时的周期结束时间，所述控制方案数据为绿信比变化量，具体为：
判断相邻两组数据中任一相位绿信比的变化量，当变化量超过总周期时间的5%时，该控制方案数据满足要求。
CN201910772945.8A 2019-08-21 2019-08-21 一种基于深度学习的交通信号控制方案实时推荐方法 Active CN110491146B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910772945.8A CN110491146B (zh) 2019-08-21 2019-08-21 一种基于深度学习的交通信号控制方案实时推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910772945.8A CN110491146B (zh) 2019-08-21 2019-08-21 一种基于深度学习的交通信号控制方案实时推荐方法

Publications (2)

Publication Number Publication Date
CN110491146A CN110491146A (zh) 2019-11-22
CN110491146B true CN110491146B (zh) 2020-08-21

Family

ID=68551595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910772945.8A Active CN110491146B (zh) 2019-08-21 2019-08-21 一种基于深度学习的交通信号控制方案实时推荐方法

Country Status (1)

Country Link
CN (1) CN110491146B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127887B (zh) * 2019-12-19 2021-03-16 银江股份有限公司 一种基于实时交通状态驱动的信号控制优化系统及方法
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
CN111260919B (zh) * 2020-01-15 2021-06-22 厦门大学 交通流量预测方法
CN111260937B (zh) * 2020-02-24 2021-09-14 武汉大学深圳研究院 一种基于强化学习的十字路口交通信号灯控制方法
CN111445694B (zh) * 2020-03-04 2022-02-01 青岛海信网络科技股份有限公司 一种基于交通流量预测的节假日交通调度方法及装置
CN111554111B (zh) * 2020-04-21 2021-04-20 河北万方中天科技有限公司 基于多源数据融合的信号配时优化方法、装置及终端
CN111341109B (zh) * 2020-05-19 2020-09-11 银江股份有限公司 一种基于时空相似性的城市级信号推荐系统
CN111785014B (zh) * 2020-05-26 2021-10-29 浙江工业大学 一种基于dtw-rgcn的路网交通数据修复的方法
CN111782709A (zh) * 2020-06-30 2020-10-16 北京百度网讯科技有限公司 异常数据确定方法和装置
CN111899510B (zh) * 2020-07-28 2021-08-20 南京工程学院 基于发散卷积和gat的智能交通系统流量短期预测方法及系统
CN112183453B (zh) * 2020-10-15 2021-05-11 哈尔滨市科佳通用机电股份有限公司 基于深度学习的注水口盖板未锁闭到位故障检测方法及系统
CN113257008B (zh) * 2021-05-12 2022-06-21 兰州交通大学 基于深度学习的行人流量动态控制系统及方法
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
CN114038212B (zh) * 2021-10-19 2023-03-28 南京航空航天大学 基于双阶段注意力机制和深度强化学习的信号灯控制方法
CN115083160A (zh) * 2022-06-15 2022-09-20 国汽智控(北京)科技有限公司 信号灯控制方法、装置和信号灯控制器
CN115146842B (zh) * 2022-06-24 2023-07-18 沈阳建筑大学 基于深度学习的多元时间序列趋势预测方法和系统
CN116522007B (zh) * 2023-07-05 2023-10-20 中国科学技术大学 一种面向推荐系统模型的数据遗忘学习方法、装置及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107230351A (zh) * 2017-07-18 2017-10-03 福州大学 一种基于深度学习的短时交通流预测方法
CN108664687A (zh) * 2018-03-22 2018-10-16 浙江工业大学 一种基于深度学习的工控系统时空数据预测方法
CN109472984A (zh) * 2018-12-27 2019-03-15 苏州科技大学 基于深度强化学习的信号灯控制方法、系统和存储介质
CN109887284A (zh) * 2019-03-13 2019-06-14 银江股份有限公司 一种智慧城市交通信号控制推荐方法、系统及装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4082312B2 (ja) * 2003-08-28 2008-04-30 オムロン株式会社 信号制御装置
US8825350B1 (en) * 2011-11-22 2014-09-02 Kurt B. Robinson Systems and methods involving features of adaptive and/or autonomous traffic control
KR20150072471A (ko) * 2013-12-19 2015-06-30 건국대학교 산학협력단 시공간 확률 모델을 이용한 교통 흐름 예측 시스템
KR101797818B1 (ko) * 2015-10-26 2017-11-15 현대오토에버 주식회사 딥 러닝 기반 도로 정보 제공 방법 및 장치
CN106023605B (zh) * 2016-07-15 2018-10-12 汤一平 一种基于深度卷积神经网络的交通信号灯控制方法
CN106846834A (zh) * 2017-01-21 2017-06-13 亚信蓝涛（江苏）数据科技有限公司 一种基于深度学习的交通控制优化方法
CN106710253B (zh) * 2017-03-10 2019-12-10 东南大学 一种高可靠性智能路口交通控制系统及控制方法
CN106971563B (zh) * 2017-04-01 2020-05-19 中国科学院深圳先进技术研究院 智能交通信号灯控制方法及系统
JP6922425B2 (ja) * 2017-05-29 2021-08-18 株式会社デンソー 車両用表示制御装置及び表示制御プログラム
CN107016861A (zh) * 2017-05-31 2017-08-04 电子科技大学 基于深度学习和智能路灯的交通信号灯智能调控系统
CN109697867B (zh) * 2019-01-28 2020-10-20 深圳市欧德克科技有限公司 一种基于深度学习的交通控制方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107230351A (zh) * 2017-07-18 2017-10-03 福州大学 一种基于深度学习的短时交通流预测方法
CN108664687A (zh) * 2018-03-22 2018-10-16 浙江工业大学 一种基于深度学习的工控系统时空数据预测方法
CN109472984A (zh) * 2018-12-27 2019-03-15 苏州科技大学 基于深度强化学习的信号灯控制方法、系统和存储介质
CN109887284A (zh) * 2019-03-13 2019-06-14 银江股份有限公司 一种智慧城市交通信号控制推荐方法、系统及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于深度神经网络的时间序列预测技术研究;吴双双;《中国优秀硕士学位论文全文数据库（信息科技辑）》;20190115;全文 *
基于神经网络的城市交通信号灯的智能控制系统设计;吴夏旭;《中国优秀硕士学位论文全文数据库（信息科技辑）》;20150515;全文 *

Also Published As

Publication number Publication date
CN110491146A (zh) 2019-11-22

Similar Documents

Publication Publication Date Title
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
CN111210633B (zh) 一种基于深度学习的短时交通流预测方法
CN110619430B (zh) 一种用于交通预测的时空注意力机制方法
CN103177570B (zh) 一种早晚高峰交通拥堵指数的预测方法
Chandramitasari et al. Building deep neural network model for short term electricity consumption forecasting
CN109886387B (zh) 一种基于门控网络和梯度提升回归的交通时序预测方法
CN110060489B (zh) 一种基于神经网络的信号灯配时方案推荐方法
CN112466117A (zh) 基于深度时空残差网络的路网短时交通流预测方法
Massaoudi et al. Performance evaluation of deep recurrent neural networks architectures: Application to PV power forecasting
CN111862592B (zh) 一种基于rgcn的交通流预测方法
CN111915073A (zh) 一种考虑日期属性和天气因素的铁路城际客流短期预测方法
CN111160650B (zh) 一种基于Adaboost算法的交通流特性分析与预测方法
CN110570035A (zh) 同时建模时空依赖性和每日流量相关性的人流量预测系统
CN111553535A (zh) 一种基于ae-lstm-bo车流量预测的导航参考方法
CN111860787A (zh) 一种含有缺失数据的耦合有向图结构流量数据的短期预测方法及装置
CN112508305A (zh) 基于lstm的公共场所入口人流量预测方法
CN112614346B (zh) 基于奇异谱分析和回声状态网络的短时交通流预测方法
CN111341109B (zh) 一种基于时空相似性的城市级信号推荐系统
CN112784479A (zh) 一种洪水流量预测的方法
CN113192325B (zh) 一种交通事件相关性分析方法及系统
CN111815075B (zh) 一种重大公共卫生事件下交通出行需求的预测方法
Guo et al. A multi-step traffic speed forecasting model based on graph convolutional LSTM
CN115410372B (zh) 基于贝叶斯lstm的高速公路交通流量可靠预测方法
Zaki et al. Time aware hybrid hidden Markov models for traffic Congestion prediction

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 310014 No. 18 Chao Wang Road, Xiacheng District, Zhejiang, Hangzhou

Patentee after: ZHEJIANG University OF TECHNOLOGY

Patentee after: Yinjiang Technology Co., Ltd

Address before: 310014 No. 18 Chao Wang Road, Xiacheng District, Zhejiang, Hangzhou

Patentee before: ZHEJIANG University OF TECHNOLOGY

Patentee before: Yinjiang Co., Ltd