CN110503822A - 确定交通方案的方法和装置 - Google Patents

确定交通方案的方法和装置 Download PDF

Info

Publication number
CN110503822A
CN110503822A CN201810478759.9A CN201810478759A CN110503822A CN 110503822 A CN110503822 A CN 110503822A CN 201810478759 A CN201810478759 A CN 201810478759A CN 110503822 A CN110503822 A CN 110503822A
Authority
CN
China
Prior art keywords
traffic
flow data
plan
duration
predicting
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.)
Pending
Application number
CN201810478759.9A
Other languages
English (en)
Inventor
郑立勇
郝勇刚
杨旭
郭旭
吕瀚
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.)
Hangzhou Hikvision Digital Technology Co Ltd
Hangzhou Hikvision System Technology Co Ltd
Original Assignee
Hangzhou Hikvision Digital Technology 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 Hangzhou Hikvision Digital Technology Co Ltd filed Critical Hangzhou Hikvision Digital Technology Co Ltd
Priority to CN201810478759.9A priority Critical patent/CN110503822A/zh
Publication of CN110503822A publication Critical patent/CN110503822A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G08G1/01—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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/081—Plural intersections under common control
    • G08G1/083—Controlling the allocation of time between phases of a cycle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/096—Arrangements for giving variable traffic instructions provided with indicators in which a mark progresses showing the time elapsed, e.g. of green phase

Landscapes

  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开是关于一种确定交通方案的方法和装置，属于交通技术领域。所述方法包括：获取目标交通路口在第一预设时长内的历史交通流数据；基于所述历史交通数据，确定所述目标交通路口在所述第一预设时长之后的第二预设时长内的预测交通流数据；基于所述预测交通流数据，确定所述目标交通路口在所述第二预设时长内的交通方案。采用本公开，可以减小交通延误指数。

Description

确定交通方案的方法和装置
技术领域
本公开是关于交通技术领域，尤其是关于一种确定交通方案的方法和装置。
背景技术
交通路口作为城市交通的重要组成部分，其交通方案，也即红绿灯控制方案，担负着控制车流量和保证行车安全的重要作用，因此交通路口的交通方案，对于缓解城市交通拥堵、保障行车安全有着非常重要的意义。
交通路口，尤其是车流量比较大的交通口，其交通方案，大多处于适时调整的状态，调整方法可以是，后台交通系统基于前几个信号周期内的历史交通数据，如车辆排队长度、每个进到口的车流量情况等，确定下一个信号周期的交通方案。
在实现本公开的过程中，发明人发现至少存在以下问题：
上述交通方案是基于历史交通数据来确定的，而历史交通数据并不能完全反应即将出现的交通情况，这样确定出的交通方案，很可能导致交通延误指数较高。
发明内容
本公开提供了一种确定交通方案的方法和装置，以克服相关技术中存在的问题。所述技术方案如下：
根据本公开实施例，提供一种确定交通方案的方法，所述方法包括：
获取目标交通路口在第一预设时长内的历史交通流数据；
基于所述历史交通数据，确定所述目标交通路口在所述第一预设时长之后的第二预设时长内的预测交通流数据；
基于所述预测交通流数据，确定所述目标交通路口在所述第二预设时长内的交通方案。
可选的，所述基于所述预测交通流数据，确定所述目标交通路口在所述第二预设时长内的交通方案，包括：
基于所述预测交通流数据，确定多个交通方案；
将所述预测交通流数据分别与每个交通方案，输入预设的仿真路网模型，得到每个交通方案对应的交通延误指数；
将最低的交通延误指数对应的目标交通方案，确定为所述目标交通路口在所述第二预设时长内的交通方案。
可选的，所述基于所述预测交通流数据，确定多个交通方案，包括：
基于所述预测交通流数据和信号周期算法，确定最短信号周期；
基于所述最短信号周期，确定多个大于所述最短信号周期的信号周期；
基于每个信号周期、预先设定的信号总损失时长、所述预测交通流数据，确定每个信号周期的相位绿时分配；
基于多个所述信号周期、每个所述信号周期的相位绿时分配，确定多个交通方案。
可选的，所述基于所述最短信号周期，确定多个大于所述最短信号周期的信号周期，包括：
确定多个信号周期放大倍数，并将所述最短信号周期分别与每个信号周期放大倍数相乘，得到多个信号周期。
可选的，所述将所述预测交通流数据分别与每个交通方案，输入预设的仿真路网模型，得到每个交通方案对应的交通延误指数，包括：
将所述预测交通流数据分别与每个交通方案，输入预设的仿真路网模型，得到每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W；
分别根据每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W，确定每个交通方案对应的交通延误指数。
可选的，所述分别根据每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W，确定每个交通方案对应的交通延误指数，包括：
分别根据每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W，以及公式Z＝D+β×[max(W-W0，0)]，确定每个交通方案对应的交通延误指数Z，其中，β为预先设定的排队长度系数，W0为预先设定的排队长度阈值。
可选的，所述基于所述历史交通数据，确定所述目标交通路口在所述第一预设时长之后的第二预设时长内的预测交通流数据，包括：
基于所述历史交通数据和自回归滑动平均模型ARMA，确定所述目标交通路口在所述第一预设时长之后的第二预设时长内的预测交通流数据。
根据本公开实施例，提供一种确定交通方案的装置，所述装置包括：
获取模块，用于获取目标交通路口在第一预设时长内的历史交通流数据；
预测模块，用于基于所述历史交通数据，确定所述目标交通路口在所述第一预设时长之后的第二预设时长内的预测交通流数据；
确定模块，用于基于所述预测交通流数据，确定所述目标交通路口在所述第二预设时长内的交通方案。
可选的，所述确定模块，包括：
第一确定单元，用于基于所述预测交通流数据，确定多个交通方案；
仿真单元，用于将所述预测交通流数据分别与每个交通方案，输入预设的仿真路网模型，得到每个交通方案对应的交通延误指数；
第二确定单元，用于将最低的交通延误指数对应的目标交通方案，确定为所述目标交通路口在所述第二预设时长内的交通方案。
可选的，所述第一确定单元，具体用于：
基于所述预测交通流数据和信号周期算法，确定最短信号周期；
基于所述最短信号周期，确定多个大于所述最短信号周期的信号周期；
基于每个信号周期、预先设定的信号总损失时长、所述预测交通流数据，确定每个信号周期的相位绿时分配；
基于多个所述信号周期、每个所述信号周期的相位绿时分配，确定多个交通方案。
可选的，所述第一确定单元，具体用于：
确定多个信号周期放大倍数，并将所述最短信号周期分别与每个信号周期放大倍数相乘，得到多个信号周期。
可选的，所述仿真单元，具体用于：
将所述预测交通流数据分别与每个交通方案，输入预设的仿真路网模型，得到每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W；
分别根据每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W，确定每个交通方案对应的交通延误指数。
可选的，所述仿真单元，具体用于：
分别根据每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W，以及公式Z＝D+β×[max(W-W0，0)]，确定每个交通方案对应的交通延误指数Z，其中，β为预先设定的排队长度系数，W0为预先设定的排队长度阈值。
可选的，所述预测模块，具体用于：
基于所述历史交通数据和自回归滑动平均模型ARMA，确定所述目标交通路口在所述第一预设时长之后的第二预设时长内的预测交通流数据。
根据本公开实施例，提供一种计算机设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序，实现上述所述的方法。
根据本公开实施例，提供一种计算机可读存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开实施例中，在确定目标交通路口的交通方案时，首先，获取目标交通路口在第一预设时长内的历史交通流数据，然后，基于历史交通数据，确定目标交通路口在第一预设时长之后的第二预设时长内的预测交通流数据，最后，基于预测交通流数据，确定目标交通路口在第二预设时长内的交通方案。因预测交通流数据相对于历史交通流数据，能够更好的反应即将出现的交通情况，这样得出的交通方案与未来的交通情况会更加匹配，所以，这种基于预测交通流数据确定交通方案的方法，可以降低交通延误指数。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。在附图中：
图1是根据实施例示出的一种两相位交通方案的示意图；
图2是根据实施例示出的一种三相位交通方案的示意图；
图3是根据实施例示出的一种确定交通方案的方法的流程图；
图4是根据实施例示出的一种确定交通方案的方法的流程图；
图5是根据实施例示出的一种交通路口的示意图；
图6是根据实施例示出的一种确定交通方案的装置的示意图；
图7是根据实施例示出的一种确定交通方案的装置的示意图；
图8是根据实施例示出的一种确定交通方案的装置的示意图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本发明实施例提供了一种确定交通方案的方法，该方法可以由服务器实现。其中，服务器可以是平板电脑、台式计算机、笔记本计算机等。
服务器可以包括收发器、处理器、存储器等部件。收发器，可以用于与其它服务器设备如摄像机等进行数据传输，例如，可以接收摄像机发送的交通数据等，收发器可以包括蓝牙部件、WiFi(Wireless-Fidelity，无线高保真技术)部件、天线、匹配电路、调制解调器等。处理器，可以为CPU(Central Processing Unit，中央处理单元)等，可以用于基于获取到的历史交通数据，确定目标交通路口在第一预设时长之后的第二预设时长内的预测交通流数据，等处理。存储器，可以为RAM(Random Access Memory，随机存取存储器)，Flash(闪存)等，可以用于存储接收到的数据、处理过程所需的数据、处理过程中生成的数据等，如可以存储历史交通流数据等。
本公开实施例提供了一种确定交通方案的方法，主要是确定交通路口的交通方案，交通方案也即是红绿灯的配时方案。任一交通路口的交通方案的确定主要涉及以下几个参数：信号周期和相位绿时分配，下面分别对这两个名词进行解释，解释上述两个名词之前首先需要解释一下“相位”：
相位，是指信号控制器(用于控制信号灯显示的器件)按照设定的交通方案，轮流控制不同的信号灯显示，轮流对各个方向的车辆和行人给予通行。通俗地讲，在交通路口，各进口道不同方向所显示的不同灯色的组合，称为一个信号相位，所有的信号相位及其顺序统称为相位，通常分为一般包括两相位和多相位。如图1所示是两相位，如图2所示是多相位中的三相位。
信号周期，是指信号灯各种灯色(红灯、绿灯和黄灯)轮流显示一次所需的时间，也即是各种灯色显示时间之总和，或者从某主要相位的绿灯启亮时到下次该绿灯再次启亮之间的一段时间，单位通常用秒表示。
相位绿时分配，是指各相位的有效绿灯显示时长的分配情况，分配情况主要与各相位的车流量相关。
如图3所示，该方法的处理流程可以包括如下的步骤：
在步骤301中，服务器获取目标交通路口在第一预设时长内的历史交通流数据。
其中，目标交通路口可以是任一交通路口，第一预设时长可以根据理论计算以及多次试验而设定，还可以根据ARMA模型确定，例如根据ARMA模型的自回归阶数p而确定(下文将会详细介绍ARMA模型)，如可以是二十分钟，也可以是三十分钟等。第一预设时长内的历史交通流数据主要包括上述目标交通路口内，在第一预设时长内，所有进口道的车流量、车型比例和转向比例等。
在实施中，目标交通口可以设置有用于采集交通流数据的采集器，该采集器可以是埋于地下的固定源检测器，还可以是安装在杆子上，位于地面上方的摄像头。本实施例以摄像头示例，例如，摄像头可以将采集的交通流数据发送给服务器的数据库，这样，服务器可以从数据库中获取目标交通路口在第一预设时长内的历史交通流数据。服务器获取上述历史交通流数据主要用于预测未来第二预设时长内的预测交通流数据，那么，这些历史交通流数据在整体上要尽量具有一定的规律性，所以，服务器获取目标交通路口在第一预设时长内的历史交通流数据之后，通常需要对这些与时间相关的历史交通流数据进行预处理，以去除波动比较大的数据，得到比较稳定的历史交通流数据，其中，预处理主要包括差分处理和标准化处理。这样，服务器获取历史交通流数据之后，首先，对这些数据进行差分处理，如进行二次差分处理，然后，再将差分处理之后的数据进行标准化处理，其中，标准化处理的公式可以如下：
式中：x(t)表示历史交通流数据经过标准化处理之后的时间序列，r表示x(t)的标准差，表示x(t)的平均值。
在步骤302中，服务器基于历史交通数据，确定目标交通路口在第一预设时长之后的第二预设时长内的预测交通流数据。
其中，第二预设时长是第一预设时长之后的时长，是第一预设时长之后的未来时长，第二预设时长可以是短时时长，其值是技术人员根据理论计算和多次试验而设定，例如可以是5分钟或者10分钟等，但第二预设时长需要至少大于一个信号周期的时长。预测交通流数据同历史交通流数据类似，主要包括目标交通路口中，在第二预设时长内，所有进口道的车流量、车型比例和转向比例等，所不同的是，预测交通流数据是个预测值。
在实施中，可以根据历史交通数据和自回归滑动平均模型ARMA(Auto-Regressiveand Moving Average Model)，确定目标交通路口在第一预设时长之后的第二预设时长内的预测交通流数据。其中，ARMA模型是一种随机时间序列预测模型，其基本思想是，一些由依赖于时间的随机变量构成的时间序列，其单个时间序列虽然具有不确定性，但整个时间序列的变化却有一定的规律性，可用数学模型近似描述，例如，可以使用下面的ARMA模型来计算预测交通流数据：
x(t)＝a1·x(t-1)+a2·x(t-2)+…+ap·x(t-p)+u(t)-b1·u(t-1)+b2·u(t-2)+…+bq·u(t-q) (2)
式中：a1、a2、……、ap为自回归参数，b1、b2、……、bq为滑动平均参数，u(t)为白噪声序列，p为自回归阶数，q为滑动平均阶数，x(t)、x(t-1)、x(t-2)、……、x(t-p)、u(t)、u(t-1)、u(t-2)、……、u(t-q)均为已知值，其中，x(t)表示t时间段内的历史交通流数据，u(t)表示t时间段内之前计算的预测交通流数据与实际交通流数据之间的误差，如果t时间段内没有预测交通流数据，则u(t)可以是技术人员预设的误差数值。
需要说明的是，在使用ARMA模型预测交通流数据时，需要先确定p和q的值，然后再利用极大似然误差估计上述a1、a2、……、ap、b1、b2、……、bq共(p+q)个参数，之后便可以使用ARMA模型确定预测交通流数据，也即是x(t+1)的值。其中，可以采用最小信息准则(Akalikeinformation criterion,AIC)确定p和q值，AIC公式为：
AIC＝2k+n·ln(SSR/n) (3)
式中，k为被估计的参数的个数，此处用来估计p和q，那么k为2；n为样本个数，SSR为拟合残差平方和。
服务器选取不同的p值和q值对上述公式(2)进行拟合，每一次拟合都会确定一个SSR值，然后将SSR值代入上述公式(3)得到一个AIC值，这样会得到多个AIC值，然后在多个AIC值中选取一个最小的AIC值，那么最小的AIC值对应的p值和q值即是要确定的p值和q值。
这样，将经过预处理的历史交通流数据利用上述ARMA模型，得到与预测交通流数据相对应的时间序列，然后对该时间序列进行逆差分处理，得到预测交通流数据。
例如，以如图4所示的单口放行的交通路口为目标交通路口，其中，单口放行也即是一个进道口放完再放下一个进道口，例子中选取某工作日上午7：30至9：30的历史交通流数据进行分析。服务器可以将两小时内的历史交通流数据按照10分钟的间隔划分为12个由历史交通流数据的车流量组成的历史车流量序列，其中，以10分钟的时间间隔可以是技术人员根据经验值而定，如也可以是5分钟，但是需要大于一个信号周期，本文中为方便描述以10分钟的时间间隔示例。以南进道口为例，两小时内的历史的车流量按照时间顺序分别是200、300、500、900、1200、1500、1500、1400、1400、1300、1300、1200的一组历史车流量序列，单位为pch/h，服务器可以使用这些数据通过上述最小信息准则来确定ARMA模型的p和q值，例如，p为2，q为1，那么，x(t)＝a1·x(t-1)+a2·x(t-2)+u(t)-b1·u(t-1)，之后再利用极大似然误差估计上述a1、a2和b1的值，之后可以由公式x(t+1)＝a1·x(t)+a2·x(t-1)+u(t)-b1·u(t-1)确定x(t+1)的值，也即是确定(t+1)时间段内的交通流数据。
例如，服务器确定p和q值之后，如p为2，q为1，ARMA模型记为ARMA(2,1)，那么，上述所述的第一预设时长即为20分钟时间段，上述的第二预设时长即为20分钟之后的10分钟时间段。这样，服务器可以使用9:10至9:30的历史交通流数据，预测9:30至9:40短时内的预测较流通数据，之后，再利用9:20至9:40的历史交通流数据，预测9:40至9:50短时内的预测较流通数据，之后，再利用9:30至9:50的历史交通流数据，预测9:50至10:00短时内的预测较流通数据，以此类推，便可以使用ARMA(2,1)滑动计算出9：30至11：30内的预测交通流数据。同理，可以使用ARMA(2,1)滑动计算出东进道口、西进道口和北进道口在9：30至11：30内的预测交通流数据。如表1所示，为各进道口的预测出的预测车流量与实际车流量的对比关系，由表1可知，利用ARMA模型预测出的结果其预测误差在10％左右，其预测效果较好。
表1目标交通路口的预测车流量序列与实际车流量序列的对比表
在步骤303中，服务器基于预测交通流数据，确定目标交通路口在第二预设时长内的交通方案。
在实施中，如图5所示，该步骤又可以包括如下处理流程：
在步骤3031中，服务器基于预测交通流数据，确定多个交通方案。
在实施中，由上述所述的交通方案的主要包括两个参数，一个是信号周期，另一个是相位绿时分配，其中，相位绿时分配与信号周期相关，所以，服务器需要先确定信号周期。在实际应用中，信号周期一般会包括最短信号周期和最佳信号周期，其中，最短信号周期也即是，在一个周期内，到达目标交通路口的车辆恰好在一个周期内放行完，既无滞留车辆，也无富裕的信号周期时间。而实际应用中，由于突发事件比较多，例如，某一辆车的启动损失时长较长，那么服务器需要预留一定的时间，也即是，服务器在最短信号周期的基础上确定一个大于最短信号周期的最佳信号周期。最佳信号周期是，通行效益指标最佳的信号周期，本实施例中使用交通延误指数表示通行效益指标，其中，交通延误指数越小通行效益指标越好。那么，服务器可以先基于预测交通流数据和信号周期算法，确定一个最短信号周期，其中，信号周期算法可以使用下面比较经典的一种周期算法：
式中：Cm表示最短信号周期；表示第i相位的最大流量比，qi表示第i相位的最大车流量，为步骤302中预测交通流数据的最大车流量，si表示与qi相对应车道的饱和车流量，其值与车道相关，是属性值，i为1、2……n，是相位数；L表示信号总损失时长，主要由车辆的启动损失时长和全红时长组成，全红时长也即是各相位均为红灯的时长。信号总损失时长L可以用公式计算，l表示车辆的启动损失时长，通常在3秒左右，Ii表示第i相位末的绿灯间隔时长，Ai表示第i相位末的黄灯时长。
服务器确定最短信号周期之后，可以基于最短信号周期，确定多个大于最短信号周期的信号周期，例如，服务器可以先确定多个信号周期放大倍数，然后将最短信号周期分别与每个信号周期放大倍数相乘，这样即可得到多个信号周期，其中，信号周期放大倍数的取值区间可以是1.1至1.5，取值步长可以是0.1，那么，这样可以得到五个信号周期，分别是1.1Cm、1.2Cm、1.3Cm、1.4Cm、1.5Cm。例如，服务器确定最短信号周期为150秒之后，可以得到分别为165秒、180秒、195秒、210秒和225秒的五个信号周期。当然，服务器也可以先确定多个信号周期因子，然后，将最短信号周期分别与多个信号周期因子相加，也可以得到多个信号周期。
服务器得到多个信号周期之后，可以进一步确定每一个信号周期下的相位绿时分配。对于图4所示的单口放行的交叉路口，相位绿时分配多是通过等饱和度原则计算，等饱和度原则也即是，每个相位的有效绿灯时长与该相位的最大流量比成正比，可以利用下面公式计算各相位的有效绿灯时长：
式中：gE,i表示第i相位的有效绿灯时长；C表示信号周期的时长；L表示信号总损失 时长，(C-L)表示一个信号周期内的总有效绿灯时长；yi表示第i相位的最大流量比，其中Y表示所有相位的最大流量比之和，其中
其中，有效绿灯时长又称有效通行时长，主要包括绿灯显示时长和黄灯显示时长再减去损失时长。
在实际应用中，目标交通路口中的信号控制器中所需要的是各相位的绿灯显示时长，而不是有效绿灯时长，那么服务器进一步根据有效绿灯时长确定绿灯显示时长gi，其中，gi＝gE,i+li-Ai，li表示第i相位的启动损失时长，为预设值，Ai表示第i相位的黄灯时长，通常为预设值。
基于上述所述，服务器可以每个信号周期下的相位绿时分配，进而，可以根据多个信号周期、每个信号周期的相位绿时分配，确定多个交通方案，例如，服务器可以得到五组交通方案。
在步骤3032中，服务器将预测交通流数据分别与每个交通方案，输入预设的仿真路网模型，得到每个交通方案对应的交通延误指数。
其中，仿真路网模型可以根据交通仿真软件构建，例如，可以根据VISSIM仿真软件构建。交通延误指数是一个用于表示通行效益指标的数值，可以用下面公式表示：
Z＝D+β×[max(W-W0，0)] (6)
式中：Z表示交通延误指数，D表示车均延误时长，β表示排队长度系数，也称排队惩罚系数，是预先设定的值，例如可以设定为0.1，W表示最大排队长度，W0为预先设定的排队长度阈值，例如可以设定为200米。
其中，需要说明的是，D为通行状态下的车均延误时长，W为非通行状态下的最大排队长度，例如，对于两相位的交通方案，当第一相位处于通行状态时，则第二相位处于非通行状态，那么，D为第一相位中车均延误时长，虽然处于绿灯通行时间，但是排队的车辆并不能马上通行，故存在延误时长，W为第二相位中排队等待通行的车辆的最大排队长度。
在实施中，服务器可以首先将将预测交通流数据分别与每个交通方案，输入预设的仿真路网模型，得到每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W，然后，分别根据每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W，以及公式(6)，确定每个交通方案对应的交通延误指数Z。
例如，假设目标交通路口包括东进口道、西进口道、南进口道、北进口道，各进口道的预测交通流数据的车流量分别为Q1、Q2、Q3、Q4，以五组交通方案为例，其中，Qk，m表示k进道口处于m状态的车流量，k取值为1、2、3和4分别代表东进道口、西进道口、南进道口和北进道口，m取值为1、2、3和4分别代表左转、直行、右转和调头，例如，Q1，1表示东进道口处向左转的车流量，Q1，2表示东进道口处直行的车流量，Q1，3表示东进道口处向右转的车流量，Q1，4表示东进道口处调头的车流量，相应的，Q1＝Q1，1+Q1，2+Q1，3+Q1，4。Sk，m为转向比例，表示k进道口处于m状态的车流量占k进道口的总车流量的比例，相应的，Sk，1+Sk，2+Sk，3+Sk，4＝1。Hk，m为车型比例，表示k进道口处于m状态的大型车辆的数量占k进道口的总车辆的比例。这样，服务器可以将Qk，m、Sk，m、Hk，m和第一组交通方案输入到仿真路网模型，得到第一组交通方案对应的D1和W1，之后，再根据公式(6)确定交通延误指数Z1。将Q1、Q2、Q3、Q4和第二组交通方案输入到仿真路网模型，得到第一组交通方案对应的D2和W2，之后，再根据公式(6)确定交通延误指数Z2，以此类推，可以得到五个交通延误指数，分别是Z1、Z2、Z3、Z4和Z5。
在步骤3033中，服务器将最低的交通延误指数对应的目标交通方案，确定为目标交通路口在第二预设时长内的交通方案。
服务器得到每个交通方案的交通延误指数之后，将最低的交通延误指数对应的目标交通方案，确定为目标交通路口在第二预设时长内的交通方案。例如，服务器通过比较Z1、Z2、Z3、Z4和Z5，确定Z3的值最小，则将第三组的交通方案确定为目标交通路口在第二预设时长内的交通方案，那么第三组交通方案中的信号周期即为最佳信号周期。然后，服务器将该交通方案发送给信号控制器，使得信号控制器在接下来的第二预设时长(例如10分钟)内按照该交通方案控制信号灯显示。
其中，在实际应用中，为了缩短处理时间，提高处理效率，相应的，服务器在计算交通延误指数时可以用多个计算机同时计算，最终输入一个用于判断交通延误指数大小的计算机中。例如，可以服务器可以使用五个计算机分别计算五组交通方案，这五个计算机将计算出的交通延误指数，分别输入用于判断的计算机中，由该计算机输出最低的交通延误指数，进而可以节约时间，提高处理效率。
例如，还是以如图4所示的目标交通路口示例，以上述12个预测交通流数据的预测车流量序列中的第8个预测车流量序列示例，其东进道口、南进道口、西进道口和北进道口的预测车流量分别为445pch/h、1477pch/h、1092pch/h、2150pch/h，其中，第八组内的时长即是上述所述的第二预设时长(10分钟)，预先设定的排队长度阈值W0为200米，预先设定的排队长度系数β为0.1。根据上述公式(2)的信号周期算法得到最短信号周期为150秒，然后服务器利用上述对最短信号周期进行按倍数放大的方法，得到五个信号周期，分别为165秒、180秒、195秒、210秒和225秒，那么五个信号周期可以对应五个交通方案，各交通方案分别如表2、3、4、5、6所示。其中，下列各表中绿信比是指有效绿灯时长与信号周期的比值。
表2信号周期为165秒时的交通方案
表3信号周期为180秒时的交通方案
表4信号周期为195秒时的交通方案
表5信号周期为210秒时的交通方案
表6信号周期为225秒时的交通方案
从上述表2至表6中的交通延误指数的大小可知，当信号周期为180秒时，其交通延误指数最小，那么，表3对应的交通方案为目标交通路口在第八组时长内的交通方案。
基于上述所述，服务器在确定目标交通路口的交通方案时，首先获取目标交通路口在第一预设时长内的历史交通流数据，这一步骤可以称为检测数据过程。然后，基于历史交通数据，确定目标交通路口在第一预设时长之后的第二预设时长内的预测交通流数据，这一步骤可以称为预测数据过程。之后，基于预测交通流数据确定多个交通方案，这一步骤可以称为生成预案过程。再之后，将预测交通流数据分别与每个交通方案，输入预设的仿真路网模型，得到每个交通方案对应的交通延误指数，这一步骤可以称为预案检测过程。最后，将最低的交通延误指数对应的目标交通方案，确定为目标交通路口在第二预设时长内的交通方案，这一步骤可以称为确定最佳的交通方案的过程。
这样，服务器首先基于历史交通数据确定多个交通方案，再对每个交通方案的通行效果进行检测，从多个交通方案中确定一个交通延误指数最小的交通方案，也即是通行效果最佳的交通方案，进而，可以大大减小交通延误指数。
本公开实施例中，服务器在确定目标交通路口的交通方案时，首先，获取目标交通路口在第一预设时长内的历史交通流数据，然后，基于历史交通数据，确定目标交通路口在第一预设时长之后的第二预设时长内的预测交通流数据，最后，基于预测交通流数据，确定目标交通路口在第二预设时长内的交通方案。因预测交通流数据相对于历史交通流数据，能够更好的反应即将出现的交通情况，这样得出的交通方案与未来的交通情况会更加匹配，所以，这种基于预测交通流数据确定交通方案的方法，可以降低交通延误指数。
本公开实施例提供了一种确定交通方案的装置，该装置可以是上述实施例中的服务器，如图6所示，该装置包括：
获取模块610，用于获取目标交通路口在第一预设时长内的历史交通流数据；
预测模块620，用于基于所述历史交通数据，确定所述目标交通路口在所述第一预设时长之后的第二预设时长内的预测交通流数据；
确定模块630，用于基于所述预测交通流数据，确定所述目标交通路口在所述第二预设时长内的交通方案。
可选的，如图7所示，确定模块630，包括：
第一确定单元631，用于基于所述预测交通流数据，确定多个交通方案；
仿真单元632，用于将所述预测交通流数据分别与每个交通方案，输入预设的仿真路网模型，得到每个交通方案对应的交通延误指数；
第二确定单元633，用于将最低的交通延误指数对应的目标交通方案，确定为所述目标交通路口在所述第二预设时长内的交通方案。
可选的，第一确定单元631，具体用于：
基于所述预测交通流数据和信号周期算法，确定最短信号周期；
基于所述最短信号周期，确定多个大于所述最短信号周期的信号周期；
基于每个信号周期、预先设定的信号总损失时长、所述预测交通流数据，确定每个信号周期的相位绿时分配；
基于多个所述信号周期、每个所述信号周期的相位绿时分配，确定多个交通方案。
可选的，第一确定单元631，具体用于：
确定多个信号周期放大倍数，并将所述最短信号周期分别与每个信号周期放大倍数相乘，得到多个信号周期。
可选的，仿真单元632，具体用于：
将所述预测交通流数据分别与每个交通方案，输入预设的仿真路网模型，得到每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W；
分别根据每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W，确定每个交通方案对应的交通延误指数。
可选的，仿真单元632，具体用于：
分别根据每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W，以及公式Z＝D+β×[max(W-W0，0)]，确定每个交通方案对应的交通延误指数Z，其中，β为预先设定的排队长度系数，W0为预先设定的排队长度阈值。
可选的，预测模块620，具体用于：
基于所述历史交通数据和自回归滑动平均模型ARMA，确定所述目标交通路口在所述第一预设时长之后的第二预设时长内的预测交通流数据。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开实施例中，装置在确定目标交通路口的交通方案时，首先，获取目标交通路口在第一预设时长内的历史交通流数据，然后，基于历史交通数据，确定目标交通路口在第一预设时长之后的第二预设时长内的预测交通流数据，最后，基于预测交通流数据，确定目标交通路口在第二预设时长内的交通方案。因预测交通流数据相对于历史交通流数据，能够更好的反应即将出现的交通情况，这样得出的交通方案与未来的交通情况会更加匹配，所以，这种基于预测交通流数据确定交通方案的方法，可以降低交通延误指数。
需要说明的是：上述实施例提供的确定交通方案的装置在确定交通方案时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的确定交通方案的装置与确定交通方案的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图8是本发明实施例提供的一种计算机设备的结构示意图，该计算机设备800可以是上述的服务器，该计算机设备800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)801和一个或一个以上的存储器802，其中，所述存储器802中存储有至少一条指令，所述至少一条指令由所述处理器801加载并执行以实现下述确定交通方案的方法步骤：
获取目标交通路口在第一预设时长内的历史交通流数据；
基于所述历史交通数据，确定所述目标交通路口在所述第一预设时长之后的第二预设时长内的预测交通流数据；
基于所述预测交通流数据，确定所述目标交通路口在所述第二预设时长内的交通方案。
可选的，所述至少一条指令由所述处理器801加载并执行以实现下述方法步骤：
基于所述预测交通流数据，确定多个交通方案；
将所述预测交通流数据分别与每个交通方案，输入预设的仿真路网模型，得到每个交通方案对应的交通延误指数；
将最低的交通延误指数对应的目标交通方案，确定为所述目标交通路口在所述第二预设时长内的交通方案。
可选的，所述至少一条指令由所述处理器801加载并执行以实现下述方法步骤：
基于所述预测交通流数据和信号周期算法，确定最短信号周期；
基于所述最短信号周期，确定多个大于所述最短信号周期的信号周期；
基于每个信号周期、预先设定的信号总损失时长、所述预测交通流数据，确定每个信号周期的相位绿时分配；
基于多个所述信号周期、每个所述信号周期的相位绿时分配，确定多个交通方案。
可选的，所述至少一条指令由所述处理器801加载并执行以实现下述方法步骤：
确定多个信号周期放大倍数，并将所述最短信号周期分别与每个信号周期放大倍数相乘，得到多个信号周期。
可选的，所述至少一条指令由所述处理器801加载并执行以实现下述方法步骤：
将所述预测交通流数据分别与每个交通方案，输入预设的仿真路网模型，得到每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W；
分别根据每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W，确定每个交通方案对应的交通延误指数。
可选的，所述至少一条指令由所述处理器801加载并执行以实现下述方法步骤：
分别根据每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W，以及公式Z＝D+β×[max(W-W0，0)]，确定每个交通方案对应的交通延误指数Z，其中，β为预先设定的排队长度系数，W0为预先设定的排队长度阈值。
本公开实施例中，在确定目标交通路口的交通方案时，首先，获取目标交通路口在第一预设时长内的历史交通流数据，然后，基于历史交通数据，确定目标交通路口在第一预设时长之后的第二预设时长内的预测交通流数据，最后，基于预测交通流数据，确定目标交通路口在第二预设时长内的交通方案。因预测交通流数据相对于历史交通流数据，能够更好的反应即将出现的交通情况，这样得出的交通方案与未来的交通情况会更加匹配，所以，这种基于预测交通流数据确定交通方案的方法，可以降低交通延误指数。
本公开的又一实施例提供了一种计算机可读存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现如下方法：
获取目标交通路口在第一预设时长内的历史交通流数据；
基于所述历史交通数据，确定所述目标交通路口在所述第一预设时长之后的第二预设时长内的预测交通流数据；
基于所述预测交通流数据，确定所述目标交通路口在所述第二预设时长内的交通方案。
可选的，所述基于所述预测交通流数据，确定所述目标交通路口在所述第二预设时长内的交通方案，包括：
基于所述预测交通流数据，确定多个交通方案；
将所述预测交通流数据分别与每个交通方案，输入预设的仿真路网模型，得到每个交通方案对应的交通延误指数；
将最低的交通延误指数对应的目标交通方案，确定为所述目标交通路口在所述第二预设时长内的交通方案。
可选的，所述基于所述预测交通流数据，确定多个交通方案，包括：
基于所述预测交通流数据和信号周期算法，确定最短信号周期；
基于所述最短信号周期，确定多个大于所述最短信号周期的信号周期；
基于每个信号周期、预先设定的信号总损失时长、所述预测交通流数据，确定每个信号周期的相位绿时分配；
基于多个所述信号周期、每个所述信号周期的相位绿时分配，确定多个交通方案。
可选的，所述基于所述最短信号周期，确定多个大于所述最短信号周期的信号周期，包括：
确定多个信号周期放大倍数，并将所述最短信号周期分别与每个信号周期放大倍数相乘，得到多个信号周期。
可选的，所述将所述预测交通流数据分别与每个交通方案，输入预设的仿真路网模型，得到每个交通方案对应的交通延误指数，包括：
将所述预测交通流数据分别与每个交通方案，输入预设的仿真路网模型，得到每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W；
分别根据每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W，确定每个交通方案对应的交通延误指数。
可选的，所述分别根据每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W，确定每个交通方案对应的交通延误指数，包括：
分别根据每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W，以及公式Z＝D+β×[max(W-W0，0)]，确定每个交通方案对应的交通延误指数Z，其中，β为排队长度系数，W0为预先设定的排队长度阈值。
可选的，所述基于所述历史交通数据，确定所述目标交通路口在所述第一预设时长之后的第二预设时长内的预测交通流数据，包括：
基于所述历史交通数据和自回归滑动平均模型ARMA，确定所述目标交通路口在所述第一预设时长之后的第二预设时长内的预测交通流数据。
本公开实施例中，在确定目标交通路口的交通方案时，首先，获取目标交通路口在第一预设时长内的历史交通流数据，然后，基于历史交通数据，确定目标交通路口在第一预设时长之后的第二预设时长内的预测交通流数据，最后，基于预测交通流数据，确定目标交通路口在第二预设时长内的交通方案。因预测交通流数据相对于历史交通流数据，能够更好的反应即将出现的交通情况，这样得出的交通方案与未来的交通情况会更加匹配，所以，这种基于预测交通流数据确定交通方案的方法，可以降低交通延误指数。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由上面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (16)

1.一种确定交通方案的方法，其特征在于，所述方法包括：
获取目标交通路口在第一预设时长内的历史交通流数据；
基于所述历史交通数据，确定所述目标交通路口在所述第一预设时长之后的第二预设时长内的预测交通流数据；
基于所述预测交通流数据，确定所述目标交通路口在所述第二预设时长内的交通方案。
2.根据权利要求1所述的方法，其特征在于，所述基于所述预测交通流数据，确定所述目标交通路口在所述第二预设时长内的交通方案，包括：
基于所述预测交通流数据，确定多个交通方案；
将所述预测交通流数据分别与每个交通方案，输入预设的仿真路网模型，得到每个交通方案对应的交通延误指数；
将最低的交通延误指数对应的目标交通方案，确定为所述目标交通路口在所述第二预设时长内的交通方案。
3.根据权利要求2所述的方法，其特征在于，所述基于所述预测交通流数据，确定多个交通方案，包括：
基于所述预测交通流数据和信号周期算法，确定最短信号周期；
基于所述最短信号周期，确定多个大于所述最短信号周期的信号周期；
基于每个信号周期、预先设定的信号总损失时长、所述预测交通流数据，确定每个信号周期的相位绿时分配；
基于多个所述信号周期、每个所述信号周期的相位绿时分配，确定多个交通方案。
4.根据权利要求3所述的方法，其特征在于，所述基于所述最短信号周期，确定多个大于所述最短信号周期的信号周期，包括：
确定多个信号周期放大倍数，并将所述最短信号周期分别与每个信号周期放大倍数相乘，得到多个信号周期。
5.根据权利要求2所述的方法，其特征在于，所述将所述预测交通流数据分别与每个交通方案，输入预设的仿真路网模型，得到每个交通方案对应的交通延误指数，包括：
将所述预测交通流数据分别与每个交通方案，输入预设的仿真路网模型，得到每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W；
分别根据每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W，确定每个交通方案对应的交通延误指数。
6.根据权利要求5所述的方法，其特征在于，所述分别根据每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W，确定每个交通方案对应的交通延误指数，包括：
分别根据每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W，以及公式Z＝D+β×[max(W-W0，0)]，确定每个交通方案对应的交通延误指数Z，其中，β为预先设定的排队长度系数，W0为预先设定的排队长度阈值。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述基于所述历史交通数据，确定所述目标交通路口在所述第一预设时长之后的第二预设时长内的预测交通流数据，包括：
基于所述历史交通数据和自回归滑动平均模型ARMA，确定所述目标交通路口在所述第一预设时长之后的第二预设时长内的预测交通流数据。
8.一种确定交通方案的装置，其特征在于，所述装置包括：
获取模块，用于获取目标交通路口在第一预设时长内的历史交通流数据；
预测模块，用于基于所述历史交通数据，确定所述目标交通路口在所述第一预设时长之后的第二预设时长内的预测交通流数据；
确定模块，用于基于所述预测交通流数据，确定所述目标交通路口在所述第二预设时长内的交通方案。
9.根据权利要求8所述的装置，其特征在于，所述确定模块，包括：
第一确定单元，用于基于所述预测交通流数据，确定多个交通方案；
仿真单元，用于将所述预测交通流数据分别与每个交通方案，输入预设的仿真路网模型，得到每个交通方案对应的交通延误指数；
第二确定单元，用于将最低的交通延误指数对应的目标交通方案，确定为所述目标交通路口在所述第二预设时长内的交通方案。
10.根据权利要求9所述的装置，其特征在于，所述第一确定单元，具体用于：
基于所述预测交通流数据和信号周期算法，确定最短信号周期；
基于所述最短信号周期，确定多个大于所述最短信号周期的信号周期；
基于每个信号周期、预先设定的信号总损失时长、所述预测交通流数据，确定每个信号周期的相位绿时分配；
基于多个所述信号周期、每个所述信号周期的相位绿时分配，确定多个交通方案。
11.根据权利要求10所述的装置，其特征在于，所述第一确定单元，具体用于：
确定多个信号周期放大倍数，并将所述最短信号周期分别与每个信号周期放大倍数相乘，得到多个信号周期。
12.根据权利要求9所述的装置，其特征在于，所述仿真单元，具体用于：
将所述预测交通流数据分别与每个交通方案，输入预设的仿真路网模型，得到每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W；
分别根据每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W，确定每个交通方案对应的交通延误指数。
13.根据权利要求12所述的装置，其特征在于，所述仿真单元，具体用于：
分别根据每个交通方案对应的通行状态下的车均延误时长D和非通行状态下的最大排队长度W，以及公式Z＝D+β×[max(W-W0，0)]，确定每个交通方案对应的交通延误指数Z，其中，β为预先设定的排队长度系数，W0为预先设定的排队长度阈值。
14.根据权利要求8-13任一项所述的装置，其特征在于，所述预测模块，具体用于：
基于所述历史交通数据和自回归滑动平均模型ARMA，确定所述目标交通路口在所述第一预设时长之后的第二预设时长内的预测交通流数据。
15.一种计算机设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序，实现权利要求1-7任一所述的方法。
16.一种计算机可读存储介质，其特征在于，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法。
CN201810478759.9A 2018-05-18 2018-05-18 确定交通方案的方法和装置 Pending CN110503822A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810478759.9A CN110503822A (zh) 2018-05-18 2018-05-18 确定交通方案的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810478759.9A CN110503822A (zh) 2018-05-18 2018-05-18 确定交通方案的方法和装置

Publications (1)

Publication Number Publication Date
CN110503822A true CN110503822A (zh) 2019-11-26

Family

ID=68584135

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810478759.9A Pending CN110503822A (zh) 2018-05-18 2018-05-18 确定交通方案的方法和装置

Country Status (1)

Country Link
CN (1) CN110503822A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114444718A (zh) * 2022-01-26 2022-05-06 北京百度网讯科技有限公司 机器学习模型的训练方法、信号控制方法和装置
CN114898583A (zh) * 2022-07-13 2022-08-12 深圳市城市交通规划设计研究中心股份有限公司 信号灯控制方案确定方法及智能交通设备的数据处理方法
CN115908760A (zh) * 2021-05-06 2023-04-04 交通运输部公路科学研究所 交通布局生成方法、装置、计算机设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005004668A (ja) * 2003-06-16 2005-01-06 Hitachi Ltd 交通情報提供装置，交通情報提供方法
WO2010042973A1 (en) * 2008-10-15 2010-04-22 National Ict Australia Limited Tracking the number of vehicles in a queue
CN101980318A (zh) * 2010-10-27 2011-02-23 公安部交通管理科学研究所 交通信号多控制目标复合优化方法
CN106530685A (zh) * 2015-09-11 2017-03-22 杭州海康威视数字技术股份有限公司 一种交通数据短时预测方法及装置
CN106530762A (zh) * 2016-12-26 2017-03-22 东软集团股份有限公司 交通信号控制方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005004668A (ja) * 2003-06-16 2005-01-06 Hitachi Ltd 交通情報提供装置，交通情報提供方法
WO2010042973A1 (en) * 2008-10-15 2010-04-22 National Ict Australia Limited Tracking the number of vehicles in a queue
CN101980318A (zh) * 2010-10-27 2011-02-23 公安部交通管理科学研究所 交通信号多控制目标复合优化方法
CN106530685A (zh) * 2015-09-11 2017-03-22 杭州海康威视数字技术股份有限公司 一种交通数据短时预测方法及装置
CN106530762A (zh) * 2016-12-26 2017-03-22 东软集团股份有限公司 交通信号控制方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐洪峰，耿现彩，何龙: "单进口轮流放行方式的四路环形", 《吉林大学学报（工学版）》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115908760A (zh) * 2021-05-06 2023-04-04 交通运输部公路科学研究所 交通布局生成方法、装置、计算机设备和存储介质
CN114444718A (zh) * 2022-01-26 2022-05-06 北京百度网讯科技有限公司 机器学习模型的训练方法、信号控制方法和装置
CN114898583A (zh) * 2022-07-13 2022-08-12 深圳市城市交通规划设计研究中心股份有限公司 信号灯控制方案确定方法及智能交通设备的数据处理方法
CN114898583B (zh) * 2022-07-13 2022-11-25 深圳市城市交通规划设计研究中心股份有限公司 信号灯控制方案确定方法及智能交通设备的数据处理方法

Similar Documents

Publication Publication Date Title
Ma et al. A dynamic programming approach for optimal signal priority control upon multiple high-frequency bus requests
CN110866649B (zh) 一种短期地铁客流预测方法、系统及电子设备
Christofa et al. Person-based traffic responsive signal control optimization
Bai et al. Dynamic bus travel time prediction models on road with multiple bus routes
Niu et al. Optimizing urban rail timetable under time-dependent demand and oversaturated conditions
WO2019165616A1 (zh) 信号灯控制方法、相关设备及系统
Taş et al. The time-dependent vehicle routing problem with soft time windows and stochastic travel times
Zheng et al. Optimization of control parameters for adaptive traffic-actuated signal control
Chen et al. Uncertainty in urban mobility: Predicting waiting times for shared bicycles and parking lots
Li et al. Modeling and implementation of adaptive transit signal priority on actuated control systems
CN102629418B (zh) 基于模糊卡尔曼滤波的交通流预测方法
CN105513414A (zh) 基于实时交通查询和云模型的停车场车位预测和推荐方法
JP2019040475A (ja) 人流予測装置、システムおよびプログラム
CN110503822A (zh) 确定交通方案的方法和装置
CN104183119A (zh) 基于路段od反推的实时交通流分布预测系统
CN106887141B (zh) 基于排队论的连续交通节点拥塞程度预测模型、系统及方法
CN107239846B (zh) 停车场泊位预测处理方法及装置
Gong et al. Sequential framework for short-term passenger flow prediction at bus stop
Li et al. Deep learning based parking prediction on cloud platform
Cheng et al. Online longitudinal trajectory planning for connected and autonomous vehicles in mixed traffic flow with deep reinforcement learning approach
JP2024521538A (ja) 交通予測のための分散マルチタスク機械学習
Gündoğan et al. An evaluation of adaptive traffic control system in istanbul, turkey
Yang et al. Impacts of traffic flow arrival pattern on the necessary queue storage space at metered on-ramps
Yu et al. Person-based optimization of signal timing: Accounting for flexible cycle lengths and uncertain transit vehicle arrival times
Zhang et al. Travel time prediction of urban public transportation based on detection of single routes

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191126

RJ01 Rejection of invention patent application after publication