CN110910658B - 交通信号控制方法、装置、计算机设备和存储介质 - Google Patents
交通信号控制方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110910658B CN110910658B CN201911111065.2A CN201911111065A CN110910658B CN 110910658 B CN110910658 B CN 110910658B CN 201911111065 A CN201911111065 A CN 201911111065A CN 110910658 B CN110910658 B CN 110910658B
- Authority
- CN
- China
- Prior art keywords
- time
- clusters
- congestion degree
- cluster
- signal control
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000015654 memory Effects 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 36
- 230000008569 process Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000011664 signaling Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000010755 BS 2869 Class G Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
-
- 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
- G08G1/01—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
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- 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
- G08G1/082—Controlling the time between beginning of the same phase of a cycle at adjacent intersections
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了交通信号控制方法、装置、计算机设备和存储介质,涉及数据处理和智能交通领域。具体实现方案为:获取在各时段对路口监测到的拥堵程度;根据拥堵程度,对各时段进行聚类,得到多个聚簇;根据拥堵程度,从多个聚簇中确定目标聚簇;其中,目标聚簇所含时段的拥堵程度大于其余聚簇;根据目标聚簇所含时段,确定高峰期;在高峰期,采用高峰期对应的信控方案进行交通信号控制。该方案能够实现根据软件算法对路口各时段的拥堵程度进行聚类,来自动识别高峰期,而无需依赖人工经验来划分得到各个时段,一方面,可以提升识别结果的准确性,另一方面,还可以节省人工成本。
Description
技术领域
本申请涉及数据处理和智能交通技术领域,尤其涉及一种交通信号控制方法、装置、计算机设备和存储介质。
背景技术
目前在对设置在路口的信号灯确定信控方案时,需要参考路口车辆的车流情况,根据车流情况,设置不同的信控方案。通常情况下,在车流高峰时段采用一种信控方案,在车流平峰时段,采用另一种信控方案,在凌晨时段采用其他的信控方案,以使信控方案与时段特征匹配。因此,如何准确识别车流高峰时段,对于信控方案与时段的匹配性方面具有重要意义。
传统的信控优化策略中,通常凭借调优工程师经验或借助统计流量方式,人工划分时段表。
这种方式下,时段表的划分依赖于人工经验,一方面,存在人力成本问题,另一方面,存在经验不足而导致时段划分误差较大的情况。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
本申请提出一种交通信号控制方法、装置、计算机设备和存储介质,以实现根据软件算法对路口各时段的拥堵程度进行聚类,来自动识别高峰期,而无需依赖人工经验来划分得到各个时段,一方面,可以提升识别结果的准确性,另一方面,还可以节省人工成本,用于解决现有技术中时段划分依赖于人工经验,可能导致划分结果不准确的技术问题。
本申请第一方面实施例提出了一种交通信号控制方法,包括:
获取在各时段对路口监测到的拥堵程度;
根据所述拥堵程度,对各时段进行聚类,得到多个聚簇;
根据所述拥堵程度,从所述多个聚簇中确定目标聚簇;其中,所述目标聚簇所含时段的拥堵程度大于其余聚簇;
根据所述目标聚簇所含时段,确定高峰期;
在所述高峰期,采用高峰期对应的信控方案进行交通信号控制。
本申请第二方面实施例提出了一种交通信号控制装置,包括:
获取模块,用于获取在各时段对路口监测到的拥堵程度;
聚类模块,用于根据所述拥堵程度,对各时段进行聚类,得到多个聚簇;
选取模块,用于根据所述拥堵程度,从所述多个聚簇中确定目标聚簇;其中,所述目标聚簇所含时段的拥堵程度大于其余聚簇;
确定模块,用于根据所述目标聚簇所含时段,确定高峰期;
控制模块,用于在所述高峰期,采用高峰期对应的信控方案进行交通信号控制。
本申请第三方面实施例提出了一种计算机设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请第一方面实施例提出的交通信号控制方法。
本申请第四方面实施例提出了一种计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本申请第一方面实施例提出的交通信号控制方法。
上述申请中的一个实施例具有如下优点或有益效果:
通过获取在各时段对路口监测到的拥堵程度;根据拥堵程度,对各时段进行聚类,得到多个聚簇;根据拥堵程度,从多个聚簇中确定目标聚簇;其中,目标聚簇所含时段的拥堵程度大于其余聚簇;根据目标聚簇所含时段,确定高峰期;在高峰期,采用高峰期对应的信控方案进行交通信号控制。由此,通过根据路口的拥堵程度,确定最终的高峰期,可以提升确定结果的准确性,并且,根据软件算法对路口各时段的拥堵程度进行聚类,来自动识别高峰期,而无需依赖人工经验来划分得到各个时段,一方面,可以提升识别结果的准确性,另一方面,还可以节省人工成本。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定,本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解。其中:
图1为本申请实施例一所提供的交通信号控制方法的流程示意图;
图2为本申请实施例二所提供的交通信号控制方法的流程示意图;
图3为本申请实施例三所提供的交通信号控制方法的流程示意图;
图4为J和K的关系示意图;
图5为本申请实施例四所提供的交通信号控制装置的结构示意图;
图6为本申请实施例五所提供的交通信号控制装置的结构示意图;
图7为本申请实施例六所提供的计算机设备的框图示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本申请实施例的交通信号控制方法、装置、计算机设备和存储介质。
图1为本申请实施例一所提供的交通信号控制方法的流程示意图。
本申请实施例以该交通信号控制方法被配置于交通信号控制装置中来举例说明,该交通信号控制装置可以应用于任一计算机设备中,以使该计算机设备可以执行交通信号控制功能。
其中,计算机设备可以为个人电脑(Personal Computer,简称PC)、云端设备、移动设备等,移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示,该交通信号控制方法可以包括以下步骤:
步骤101,获取在各时段对路口监测到的拥堵程度。
本申请实施例中,各时段为预先划分的,具体地,各时段的时长为预先设置的,比如每个时段的时长可以为15分钟(min)。例如,预先划分得到的各时段可以为:0:00:00-0:15:00、0:15:00-0:30:00、0:30:00-0:45:00、…、23:30:00-23:45:00、23:45:00-00:00:00。
本申请实施例中,拥堵程度可以由车流量和车辆通过路口的延误时长表征,可以通过路口的入口和出口处设置的摄像头采集的图像,确定拥堵程度。其中,针对每个时段,可以直接根据摄像头在该时段内采集的各帧图像,确定该时段内的车流量。应当理解的是,在每个时段内,车辆通过路口的延误时长可以根据车辆通过路口的实际通过时长,与车辆不停车通过路口的时长之间的差值来确定。其中,车辆通过路口的实际通过时长,可以根据路口入口处设置的第一摄像头采集到的车辆驶入图像的第一时刻,以及,路口出口处设置的第二摄像头采集到的车辆驶出图像的第二时刻之间的差值来确定。
步骤102,根据拥堵程度,对各时段进行聚类,得到多个聚簇。
本申请实施例中,首先,可以根据聚类算法,确定聚簇的个数。应当理解的是,聚类算法的优化目标为使得各聚簇中每个样本数据到聚类中心的距离之和最小,并且,各聚簇内部数据的差异程度(或称为类内离差、类内直径)最小。因此,本申请中,可以根据聚类算法,确定聚簇内部离散性指示同一聚簇内各时段的拥堵程度之间的差异程度最小时,对应的聚簇个数,并将确定的聚簇个数作为目标聚簇个数。
举例而言,当聚簇个数为2个时,聚簇内部离散性指示同一聚簇内各时段的拥堵程度之间的差异程度,大于聚簇为3个时对应的差异程度,而聚簇个数为3个时,聚簇内部离散性指示同一聚簇内各时段的拥堵程度之间的差异程度,小于聚簇为4个时对应的差异程度,此时,可以将3作为目标聚簇个数。也就是说,可以将各聚簇内部数据的差异程度最小时,对应的聚簇个数作为目标聚簇个数,即,可以将各聚簇内各时段的拥堵程度之间的差异最小时,对应的聚簇个数作为目标聚簇个数。
本申请实施例中,在确定目标聚簇个数时,可以分别根据延误时长对各时段进行聚类,得到各聚簇,以及根据车流量对各时段进行聚类,得到各聚簇。
步骤103,根据拥堵程度,从多个聚簇中确定目标聚簇;其中,目标聚簇所含时段的拥堵程度大于其余聚簇。
本申请实施例中,在根据延误时长聚类得到各聚簇后,可以将平均延误时长最长的聚簇作为目标聚簇,以及,在根据车流量聚类得到各聚簇后,可以将平均车流量最大的聚簇作为目标聚簇。
步骤104,根据目标聚簇所含时段,确定高峰期。
本申请实施例中,可以将目标聚簇的交集时段,作为高峰期。
举例而言,平均车流量最大的聚簇所含时段为第4个时段至第11个时段,平均延误时长最长的聚簇所含时段为第3个时段至第10个时段,则可以将第3个时段至第10个时段作为高峰期。由此,可以确定一天之内的高峰期为第3个时段至第10个时段。
步骤105,在高峰期,采用高峰期对应的信控方案进行交通信号控制。
本申请实施例中,高峰期对应的信控方案可以为相关技术中,在高峰时段采用的任一信控方案,对此不作限制。举例而言,高峰期对应的信控方案可以包括:延长车辆通过时对应的绿色信号灯的显示时长,缩短车辆等待时对应的红色信号灯的显示时长等等。
本申请实施例中,在确定高峰期后,可以采用高峰期对应的信控方案,进行交通信号控制。由此,通过根据路口的拥堵程度,确定一天之内的高峰期,可以提升确定结果的准确性,并且,根据软件算法对路口各时段的拥堵程度进行聚类,来自动识别高峰期,而无需依赖人工经验来划分得到各个时段,一方面,可以提升识别结果的准确性,另一方面,还可以节省人工成本。
本申请实施例的交通信号控制方法,通过获取在各时段对路口监测到的拥堵程度;根据拥堵程度,对各时段进行聚类,得到多个聚簇;根据拥堵程度,从多个聚簇中确定目标聚簇;其中,目标聚簇所含时段的拥堵程度大于其余聚簇;根据目标聚簇所含时段,确定高峰期;在高峰期,采用高峰期对应的信控方案进行交通信号控制。由此,通过根据路口的拥堵程度,确定最终的高峰期,可以提升确定结果的准确性,并且,根据软件算法对路口各时段的拥堵程度进行聚类,来自动识别高峰期,而无需依赖人工经验来划分得到各个时段,一方面,可以提升识别结果的准确性,另一方面,还可以节省人工成本。
需要说明的是,拥堵程度由车流量和车辆通过路口的延误时长表征,而车流量和延误时长在各个时刻可以是不同的,因此,在每个时段内,可以具有多个拥堵程度的采样点,比如可以将每个时刻作为一个采样点,因此,作为一种可能的实现方式,针对步骤102,针对每一时段,可以根据多个采样点监测到的拥堵程度,生成时间和拥堵程度的关系曲线,根据各关系曲线之间的相似性,对各时段进行聚类,得到多个聚簇。下面结合实施例二,对上述过程进行详细说明。
图2为本申请实施例二所提供的交通信号控制方法的流程示意图。
如图2所示,该交通信号控制方法可以包括以下步骤:
步骤201,获取在各时段对路口监测到的拥堵程度。
步骤201的执行过程可以参见上述实施例中步骤101的执行过程,在此不做赘述。
步骤202,对每一时段,根据多个采样点监测到的拥堵程度,生成时间和拥堵程度的关系曲线。
本申请实施例中,拥堵程度由车流量和车辆通过路口的延误时长表征,可以针对每一时段,根据多个采样点监测到的车流量,生成时间和车流量的关系曲线,以及,根据多个采样点监测到的延误时长,生成时间和延误时长的关系曲线。
举例而言,可以将每个时刻,作为一个采样点,监测一天24小时内,各时刻车辆通过路口的延误时长D,并绘制延误时长D与时间之间的关系曲线D-T,其中,横坐标为时间,纵坐标为延误时长D。相应的,可以监测一天24小时内,各时刻路口对应的车流量Q,并绘制车流量Q与时间之间的关系曲线Q-T,横坐标为时间,纵坐标为车流量Q。之后,可以对关系曲线D-T和Q-T分别以时段间隔,比如15分钟进行划分,得到若干个关系曲线,例如划分得到的各延误时长与时间之间的关系曲线为:D-T1、D-T2、D-T3、…,各车流量与时间之间的关系曲线为:Q-T1、Q-T2、Q-T3、…。
步骤203,根据各关系曲线之间的相似性,对各时段进行聚类,得到多个聚簇。
本申请实施例中,在生成各关系曲线之后,可以根据各关系曲线之间的相似性,对各时段进行聚类,得到多个聚簇。例如,可以分别提取各关系曲线的特征,其中,特征包括拐点、斜率等等,基于各关系曲线的特征,计算各关系曲线之间的相似性,在计算得到各关系曲线之间的相似性后,可以基于上述相似性,对各时段进行聚类,得到多个聚簇。
具体地,可以根据各时间和车流量的关系曲线之间的曲线相似性,进行聚类,得到根据车流量聚类得到的各聚簇,仍以上述例子示例,可以根据Q-T1、Q-T2、Q-T3、…之间的相似性,对Q-T1、Q-T2、Q-T3、…进行聚类,得到各聚类。以及,根据各时间和延误时长的关系曲线之间的曲线相似性,进行聚类,得到根据延误时长聚类得到的各聚簇,仍以上述例子示例,可以根据D-T1、D-T2、D-T3、…之间的相似性,对D-T1、D-T2、D-T3、…进行聚类,得到各聚类。
步骤204,根据拥堵程度,从多个聚簇中确定目标聚簇。
本申请实施例中,在根据延误时长聚类得到的各聚簇中,可以将平均延误时长最长的聚簇作为目标聚簇,以及,在根据车流量聚类得到的各聚簇中,将平均车流量最大的聚簇作为目标聚簇。
步骤205,根据目标聚簇所含时段,确定高峰期。
本申请实施例中,可以将各目标聚簇的交集时段,作为高峰期。
步骤206,在高峰期,采用高峰期对应的信控方案进行交通信号控制。
步骤206的执行过程可以参见上述实施例中步骤105的执行过程,在此不做赘述。
本申请实施例的交通信号控制方法,通过对每一时段,根据多个采样点监测到的拥堵程度,生成时间和拥堵程度的关系曲线;根据各关系曲线之间的相似性,对各时段进行聚类,得到多个聚簇;根据拥堵程度,从多个聚簇中确定目标聚簇;根据目标聚簇所含时段,确定高峰期,可以提升高峰期确定结果的准确性。
作为一种可能的实现方式,在对各时段进行聚类,得到多个聚簇之前,首先需要确定聚类个数,本申请中,可以根据聚簇个数与聚簇内部离散性的关联关系,采用拐点法确定目标聚簇个数;其中,聚簇内部离散性,是根据同一聚簇内各时段的拥堵程度之间的差异确定的。下面结合实施例三,对上述过程进行详细说明。
图3为本申请实施例三所提供的交通信号控制方法的流程示意图。
如图3所示,该交通信号控制方法可以包括以下子步骤:
步骤301,获取在各时段对路口监测到的拥堵程度。
本申请实施例中,拥堵程度由车流量和车辆通过路口的延误时长表征。
其中,针对车辆通过路口的延误时长,可以将各时段监测到的车辆通过路口时长与设定时长之间的差值,作为延误时长,其中,设定时长为车辆不停车通过路口的时长。
本申请实施例中,针对车辆通过路口时长,即车辆通过路口的实际通过时长,可以根据路口入口处设置的第一摄像头采集到的车辆驶入图像的第一时刻,以及,路口出口处设置的第二摄像头采集到的车辆驶出图像的第二时刻之间的差值来确定。具体地,第一摄像头和第二摄像头可以实时采集图像,当某一车辆驶入路口的入口时,第一摄像头可以采集到包含该车辆的车辆驶入图像,其中,车辆驶入图像表示该车辆为预设时间段内第一次进入第一摄像头的取景范围,因此,可以将预设时间段内,第一摄像头采集的各图像中,第一次出现该车辆的图像,作为对应的车辆驶入图像,以及将该车辆驶入图像的采集时刻,作为该车辆的通过时刻,本申请中记为第一时刻。同理,当车辆从路口的入口行驶至出口时,第二摄像头连续采集的图像中可以包含该车辆,当车辆驶出出口时,第二摄像头在连续多次采集包含该车辆的图像后,将无法未捕捉到该车辆,因此,可以将第二摄像头在可视范围内采集的连续多帧包含该车辆的图像中,最后一帧包含该车辆的图像,作为车辆驶出图像,以及将该车辆驶出图像的采集时刻,作为该车辆的通过时刻,本申请中记为第二时刻。
举例而言,车辆A在当日第一次驶入路口1的入口,则可以将路口1的入口处第一摄像头在当日采集的第一帧包含车辆A的图像,作为车辆驶入图像,以及将车辆驶入图像的采集时刻作为第一时刻,当车辆A驶出路口1的出口时,可以将路口1的出口处第二摄像头在连续多帧采集到包含车辆A的图像后,第一帧未包含车辆A的图像之前的最后一帧包含车辆A的图像,作为车辆驶出图像,以及将该车辆驶出图像的采集时刻作为第二时刻。
应当理解的是,由于夜间行驶的车辆较少,一般不会发生拥堵的情况,因此,本申请中,为了提升计算结果的准确性,可以检测夜间行驶时段车辆不停车通过路口的时长,作为设定时长。例如,可以检测路口零点至凌晨六点之间,车辆不停车通过路口所需的时长,将该时长作为设定时长。
步骤302,根据聚簇个数与聚簇内部离散性的关联关系,采用拐点法确定目标聚簇个数。
其中,聚簇内部离散性,是根据同一聚簇内各时段的拥堵程度之间的差异确定的。
作为一种可能的实现方式,在聚类时,可以根据各样本之间的差异程度,来确定聚类个数。具体地,为了确定一天之内的高峰期,可以将一天内的拥堵程度(延误时长和车流量),分别以时段间隔,比如15分钟进行划分,获取各个时段对应的拥堵程度,例如,当时段间隔为15分钟时,可以获取到24*60/15=96个时段,标记时段的个数为N,则获取到的拥堵程度序列可以标记为A={X1,X2,X3,…,XN},假设聚类得到的类G包含的数据样本为{Xi,Xi+1,Xi+2,…,Xj},其中,1≤i≤j≤N,则对于拥堵程度序列A而言,聚类之后的内部数据的差异程度即类内离差,可用类内直径来衡量。其中,类内直径为:D(i,j)=|Xt-EG|,t=(i,i+1,…,j),EG为G中所有数据样本的均值。
应当理解的是,当类内直径D(i,j)最小时,表示同一聚簇内各时段的拥堵程度之间的差异程度较小,聚类效果较佳,因此,可以根据类内直径的取值,确定最终的聚类个数。也就是说,可以将各聚簇内部数据的差异程度最小时,对应的聚簇个数作为目标聚簇个数,即,可以将各聚簇内各时段的拥堵程度之间的差异最小时,对应的聚簇个数作为目标聚簇个数。
进一步地,为了提升聚类效果,还可以获取n天的拥堵程度,针对n天内的各个时段,可以将同一时段的拥堵程度进行求均值处理,根据求均值处理后的各个时段的拥堵程度,计算对应的类内直径。
作为另一种可能的实现方式,在聚类时,还可以根据每个样本到聚类中心的距离之和,来确定聚类个数。具体地,针对拥堵程度序列A={X1,X2,X3,…,XN},在聚类后,Xi所属的聚类中心为在聚类过程中,会寻找每个样本数据Xi到聚类中心距离最小的点,作为聚类中心,则聚类算法的优化目标为:
其中,ci表示最接近的聚类中心下标,μk表示聚类中心,优化目标J的值,表示每个样本数据到聚类中心的距离之和,因此,J最小,则聚类误差最小,当聚类个数K取值不同时,得到的J值也不同,一般认为,聚类个数可以取J-K上的拐点值。例如,参见图4,图4为J和K的关系示意图,为了使得同一聚簇内各时段的拥堵程度之间的差异程度最小,即J值取值最小,可以将图4中的点B处K的取值,作为最终的目标聚簇个数。
也就是说,为了得到最佳分割数,目标聚簇个数可以采用拐点法来确定,将目标函数趋势图中“拐点”所对应的K界定为最佳分割数。由于损失函数是一典型的凹函数,斜率与K单调负相关,变化率在拐点处最显著。为此,将上述问题转化为优化问题,即计算任意2个相邻K下的最优分割损失值离差斜率,斜率突变位置的K为最佳分割数Kop,令K次分割和(K+1)次分割所对应的离差斜率为tanK,令前、后2个连续斜率的变化率为Diff,则有:
则最佳分割数,即目标聚簇个数Kop可以为:max{Diff(K)}。
步骤303,对每一时段,根据多个采样点监测到的拥堵程度,生成时间和拥堵程度的关系曲线。
本申请实施例中,在确定目标聚类个数后,可以对每一时段,根据多个采样点监测到的拥堵程度,生成时间和拥堵程度的关系曲线,具体的执行过程可以参见上述实施例中步骤202的执行过程,在此不做赘述。
步骤304,根据各关系曲线之间的相似性,对各时段进行聚类,得到多个聚簇。
步骤304的执行过程可以参见上述实施例中步骤203的执行过程,在此不做赘述。
步骤305,根据拥堵程度,从多个聚簇中确定目标聚簇。
步骤306,根据目标聚簇所含时段,确定高峰期。
步骤305至306的执行过程可以参见上述实施例中步骤204至205的执行过程,在此不做赘述。
步骤307,在高峰期,采用高峰期对应的信控方案进行交通信号控制。
步骤307的执行过程可以参见上述实施例中步骤105的执行过程,在此不做赘述。
作为一种应用场景,针对路口A,1、可以检测路口A在零点至凌晨六点之间,车辆不停车通过路口所需的时长,将这个时长作为设定时长。
2、监测一天24小时内,各时刻车辆通过路口的实际通过时长,将各时刻实际通过时长与设定时长之间的差值,作为相应时刻的延误时长D。绘制延误时长D与时刻之间的关系曲线D-T,其中,横坐标为时刻,纵坐标为延误时长D。
3、监测一天24小时内,各时刻该路口的车流量Q,绘制车流量Q与时刻之间的关系曲线Q-T,其中,横坐标为时刻,纵坐标为车流量Q。
4、对关系曲线D-T和关系曲线Q-T分别以时段间隔,比如15分钟为一个单位时长,将关系曲线分别划分为若干片段。根据各片段之间的曲线相似性,进行聚类得到各曲线聚簇。
5、在根据延误时长D聚类得到的各聚簇中,将平均延误时长最长的聚簇,作为关系曲线D-T中对应高峰期的曲线聚簇,以及,在根据车流量Q聚类得到的各聚簇中,将平均车流量最大的聚簇,作为关系曲线Q-T中对应高峰期的曲线聚簇。
6、对关系曲线D-T中对应高峰期的曲线聚簇,与关系曲线Q-T中对应高峰期的曲线聚簇,计算时间交集,将交集时段作为最终确定的高峰期。
7、在高峰期,采用高峰期对应的信控方案,对路口A进行交通信号控制。
应当理解的是,针对每个路口,均可以采用本申请的控制方法,确定对应的高峰期,从而可以采用高峰期对应的信控方案,对相应的路口进行交通信号控制,以提升该方法的适用性。
本申请实施例的交通信号控制方法,通过根据聚簇个数与聚簇内部离散性的关联关系,采用拐点法确定目标聚簇个数;其中,聚簇内部离散性,是根据同一聚簇内各时段的拥堵程度之间的差异确定的。由此,可以提升聚类效果,进而提升高峰期确定结果的准确性。
为了实现上述实施例,本申请还提出一种交通信号控制装置。
图5为本申请实施例四所提供的交通信号控制装置的结构示意图。
如图5所示,该交通信号控制装置500包括:获取模块510、聚类模块520、选取模块530、确定模块540以及控制模块550。
其中,获取模块510,用于获取在各时段对路口监测到的拥堵程度。
聚类模块520,用于根据拥堵程度,对各时段进行聚类,得到多个聚簇。
选取模块530,用于根据拥堵程度,从多个聚簇中确定目标聚簇;其中,目标聚簇所含时段的拥堵程度大于其余聚簇。
确定模块540,用于根据目标聚簇所含时段,确定高峰期。
控制模块550,用于在高峰期,采用高峰期对应的信控方案进行交通信号控制。
进一步地,在本申请实施例的一种可能的实现方式中,参见图6,在图5所示实施例的基础上,该交通信号控制装置400还可以包括:检测模块560。
作为一种可能的实现方式,拥堵程度由车流量和车辆通过路口的延误时长表征。
选取模块530,包括:
第一确定单元531,用于在根据延误时长聚类得到的各聚簇中,将平均延误时长最长的聚簇作为目标聚簇。
第二确定单元532,用于在根据车流量聚类得到的各聚簇中,将平均车流量最大的聚簇作为目标聚簇。
确定模块540,具体用于:将各目标聚簇的交集时段,作为高峰期。
作为一种可能的实现方式,获取模块510,具体用于:将各时段监测到的车辆通过路口时长与设定时长之间的差值,作为延误时长;其中,设定时长为车辆不停车通过路口的时长。
检测模块560,用于检测夜间行驶时段车辆不停车通过路口的时长,作为设定时长。
作为一种可能的实现方式,确定模块540,还用于:根据聚簇个数与聚簇内部离散性的关联关系,采用拐点法确定目标聚簇个数;其中,聚簇内部离散性,是根据同一聚簇内各时段的拥堵程度之间的差异确定的。
作为一种可能的实现方式,每一时段具有多个拥堵程度的采样点。
聚类模块520,具体用于:对每一时段,根据多个采样点监测到的拥堵程度,生成时间和拥堵程度的关系曲线;根据各关系曲线之间的相似性,对各时段进行聚类,得到多个聚簇。
需要说明的是,前述图1至图3实施例对交通信号控制方法的解释说明也适用于该实施例的交通信号控制装置,此处不再赘述。
本申请实施例的交通信号控制装置,通过获取在各时段对路口监测到的拥堵程度;根据拥堵程度,对各时段进行聚类,得到多个聚簇;根据拥堵程度,从多个聚簇中确定目标聚簇;其中,目标聚簇所含时段的拥堵程度大于其余聚簇;根据目标聚簇所含时段,确定高峰期;在高峰期,采用高峰期对应的信控方案进行交通信号控制。由此,通过根据路口的拥堵程度,确定最终的高峰期,可以提升确定结果的准确性,并且,根据软件算法对路口各时段的拥堵程度进行聚类,来自动识别高峰期,而无需依赖人工经验来划分得到各个时段,一方面,可以提升识别结果的准确性,另一方面,还可以节省人工成本。
为了实现上述实施例,本申请还提出一种计算机设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本申请前述实施例提出的交通信号控制方法。
为了实现上述实施例,本申请还提出一种计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行本申请前述实施例提出的交通信号控制方法。
根据本申请的实施例,本申请还提供了一种计算机设备和一种可读存储介质。
如图7所示,是根据本申请实施例的交通信号控制方法的计算机设备的框图。计算机设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。计算机设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该计算机设备包括:一个或多个处理器701、存储器702,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个计算机设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的交通信号控制方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的交通信号控制方法。
存储器702作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的交通信号控制方法对应的程序指令/模块(例如,附图5所示的获取模块510、聚类模块520、选取模块530、确定模块540以及控制模块550)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的交通信号控制方法。
存储器702可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
计算机设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与计算机设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,通过获取在各时段对路口监测到的拥堵程度;根据拥堵程度,对各时段进行聚类,得到多个聚簇;根据拥堵程度,从多个聚簇中确定目标聚簇;其中,目标聚簇所含时段的拥堵程度大于其余聚簇;根据目标聚簇所含时段,确定高峰期;在高峰期,采用高峰期对应的信控方案进行交通信号控制。由此,通过根据路口的拥堵程度,确定最终的高峰期,可以提升确定结果的准确性,并且,根据软件算法对路口各时段的拥堵程度进行聚类,来自动识别高峰期,而无需依赖人工经验来划分得到各个时段,一方面,可以提升识别结果的准确性,另一方面,还可以节省人工成本。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (10)
1.一种交通信号控制方法,其特征在于,所述方法包括:
获取在各时段对路口监测到的拥堵程度;其中,所述拥堵程度由车流量和车辆通过路口的延误时长表征;
根据所述拥堵程度,对各时段进行聚类,得到多个聚簇;其中,包括根据延误时长对各时段进行聚类得到多个聚簇,以及根据车流量对各时段进行聚类,得到多个聚簇;
根据所述拥堵程度,从所述多个聚簇中确定目标聚簇;其中,各所述目标聚簇所含时段的拥堵程度大于其余聚簇;包括:在根据延误时长聚类得到的各聚簇中,将平均延误时长最长的聚簇作为所述目标聚簇;以及在根据车流量聚类得到的各聚簇中,将平均车流量最大的聚簇作为所述目标聚簇;
根据各所述目标聚簇所含时段,确定高峰期;
在所述高峰期,采用高峰期对应的信控方案进行交通信号控制。
2.根据权利要求1所述的交通信号控制方法,其特征在于,所述根据各所述目标聚簇所含时段,确定高峰期,包括:
将各目标聚簇的交集时段,作为所述高峰期。
3.根据权利要求2所述的交通信号控制方法,其特征在于,所述获取在各时段对路口监测到的拥堵程度,包括:
将各时段监测到的车辆通过路口时长与设定时长之间的差值,作为所述延误时长;
其中,所述设定时长为车辆不停车通过所述路口的时长。
4.根据权利要求3所述的交通信号控制方法,其特征在于,所述将各时段监测到的车辆通过路口时长与设定时长之间的差值,作为所述延误时长之前,还包括:
检测夜间行驶时段车辆不停车通过所述路口的时长,作为所述设定时长。
5.根据权利要求1-4任一项所述的交通信号控制方法,其特征在于,所述根据所述拥堵程度,对各时段进行聚类,得到多个聚簇之前,还包括:
根据聚簇个数与聚簇内部离散性的关联关系,采用拐点法确定目标聚簇个数;
其中,所述聚簇内部离散性,是根据同一聚簇内各时段的拥堵程度之间的差异确定的。
6.根据权利要求1-4任一项所述的交通信号控制方法,其特征在于,每一时段具有多个拥堵程度的采样点;所述根据所述拥堵程度,对各时段进行聚类,得到多个聚簇,包括:
对每一时段,根据多个采样点监测到的拥堵程度,生成时间和拥堵程度的关系曲线;
根据各关系曲线之间的相似性,对各时段进行聚类,得到多个聚簇。
7.一种交通信号控制装置,其特征在于,所述装置包括:
获取模块,用于获取在各时段对路口监测到的拥堵程度;其中,所述拥堵程度由车流量和车辆通过路口的延误时长表征;
聚类模块,用于根据所述拥堵程度,对各时段进行聚类,得到多个聚簇;其中,包括根据延误时长对各时段进行聚类得到多个聚簇,以及根据车流量对各时段进行聚类,得到多个聚簇;
选取模块,用于根据所述拥堵程度,从所述多个聚簇中确定目标聚簇;其中,各所述目标聚簇所含时段的拥堵程度大于其余聚簇;确定模块,用于根据各所述目标聚簇所含时段,确定高峰期;
控制模块,用于在所述高峰期,采用高峰期对应的信控方案进行交通信号控制;
其中,所述选取模块,包括:
第一确定单元,用于在根据延误时长聚类得到的各聚簇中,将平均延误时长最长的聚簇作为所述目标聚簇;
第二确定单元,用于在根据车流量聚类得到的各聚簇中,将平均车流量最大的聚簇作为所述目标聚簇。
8.根据权利要求7所述的交通信号控制装置,其特征在于,
所述确定模块,具体用于:将各目标聚簇的交集时段,作为所述高峰期。
9.一种计算机设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的交通信号控制方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的交通信号控制方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911111065.2A CN110910658B (zh) | 2019-11-14 | 2019-11-14 | 交通信号控制方法、装置、计算机设备和存储介质 |
CN202110801983.9A CN113593262B (zh) | 2019-11-14 | 2019-11-14 | 交通信号控制方法、装置、计算机设备和存储介质 |
US17/034,111 US20210150898A1 (en) | 2019-11-14 | 2020-09-28 | Method for controlling traffic signals and apparatus, computer device and storage medium |
EP20207100.7A EP3822943A1 (en) | 2019-11-14 | 2020-11-12 | Method for controlling traffic signals and apparatus, computer device and storage medium |
JP2020189104A JP7288890B2 (ja) | 2019-11-14 | 2020-11-13 | 交通信号の制御方法、装置、コンピュータ機器及び記憶媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911111065.2A CN110910658B (zh) | 2019-11-14 | 2019-11-14 | 交通信号控制方法、装置、计算机设备和存储介质 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110801983.9A Division CN113593262B (zh) | 2019-11-14 | 2019-11-14 | 交通信号控制方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110910658A CN110910658A (zh) | 2020-03-24 |
CN110910658B true CN110910658B (zh) | 2021-08-17 |
Family
ID=69817488
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911111065.2A Active CN110910658B (zh) | 2019-11-14 | 2019-11-14 | 交通信号控制方法、装置、计算机设备和存储介质 |
CN202110801983.9A Active CN113593262B (zh) | 2019-11-14 | 2019-11-14 | 交通信号控制方法、装置、计算机设备和存储介质 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110801983.9A Active CN113593262B (zh) | 2019-11-14 | 2019-11-14 | 交通信号控制方法、装置、计算机设备和存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210150898A1 (zh) |
EP (1) | EP3822943A1 (zh) |
JP (1) | JP7288890B2 (zh) |
CN (2) | CN110910658B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113593262A (zh) * | 2019-11-14 | 2021-11-02 | 北京百度网讯科技有限公司 | 交通信号控制方法、装置、计算机设备和存储介质 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882859B (zh) * | 2020-06-04 | 2022-01-11 | 阿波罗智联(北京)科技有限公司 | 交通车道的通行调整方法和装置 |
CN111785044B (zh) * | 2020-07-28 | 2022-05-03 | 邓兴尧 | 交通灯控制方法及装置 |
CN112991729B (zh) * | 2021-02-25 | 2022-05-20 | 杭州海康威视数字技术股份有限公司 | 时段划分方法、装置以及计算机存储介质 |
JP2022175664A (ja) | 2021-05-14 | 2022-11-25 | 株式会社Jvcケンウッド | 反応ユニットの製造方法、反応ユニットの製造キット、及び検出対象物質の測定方法 |
CN113378660B (zh) * | 2021-05-25 | 2023-11-07 | 广州紫为云科技有限公司 | 一种低数据成本的人脸识别的方法及装置 |
CN113409593A (zh) * | 2021-06-25 | 2021-09-17 | 阿波罗智联(北京)科技有限公司 | 交通信号灯的控制信号生成方法、装置、电子设备和介质 |
CN113851007B (zh) * | 2021-09-27 | 2023-01-17 | 阿波罗智联(北京)科技有限公司 | 划分时段的方法、装置、电子设备和存储介质 |
CN113870591B (zh) * | 2021-10-22 | 2023-08-01 | 上海应用技术大学 | 基于交通量预测的信号控制时段的划分方法、装置及设备 |
CN114419889A (zh) * | 2022-01-24 | 2022-04-29 | 上海商汤智能科技有限公司 | 时段划分方法、装置、电子设备及存储介质 |
CN114708728B (zh) * | 2022-03-23 | 2023-04-18 | 青岛海信网络科技股份有限公司 | 一种识别交通高峰期的方法、电子设备及存储介质 |
CN115083159A (zh) * | 2022-06-14 | 2022-09-20 | 重庆京东方智慧科技有限公司 | 交通信号的仿真方法、装置、设备及介质 |
CN116418120B (zh) * | 2023-06-08 | 2023-08-08 | 深圳市联明电源有限公司 | 一种应用于水冷电源的智能预警方法 |
CN118155425A (zh) * | 2024-05-11 | 2024-06-07 | 四川智能交通系统管理有限责任公司 | 一种基于聚类的实时交通拥堵预测方法及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106920402A (zh) * | 2016-11-21 | 2017-07-04 | 中兴软创科技股份有限公司 | 一种基于交通流量的时间序列划分方法与系统 |
CN108389406A (zh) * | 2018-04-26 | 2018-08-10 | 苏州城方信息技术有限公司 | 信号控制时段自动划分方法 |
CN109003442A (zh) * | 2018-06-22 | 2018-12-14 | 安徽科力信息产业有限责任公司 | 一种道路延误时间计算及交通拥堵情况确定方法、系统 |
CN109887293A (zh) * | 2019-04-04 | 2019-06-14 | 中电海康集团有限公司 | 一种交叉口信号控制时段划分方法 |
KR102017385B1 (ko) * | 2017-11-01 | 2019-09-02 | 이화여자대학교 산학협력단 | 적응적 교차로 교통 신호 제어 방법 |
CN110276966A (zh) * | 2019-07-25 | 2019-09-24 | 上海应用技术大学 | 交叉口信号控制时段划分方法 |
CN110444011A (zh) * | 2018-05-02 | 2019-11-12 | 杭州海康威视系统技术有限公司 | 交通流高峰识别方法、装置、电子设备及存储介质 |
CN110738856A (zh) * | 2019-11-12 | 2020-01-31 | 中南大学 | 一种基于移动聚类的城市交通拥堵精细识别方法 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07272190A (ja) * | 1994-02-09 | 1995-10-20 | Toshiba Corp | 信号制御システム |
CN101127037A (zh) * | 2006-08-15 | 2008-02-20 | 临安微创网格信息工程有限公司 | 基于时序向量差异序列法聚类的周期关联规则发现算法 |
CN100444210C (zh) * | 2007-04-20 | 2008-12-17 | 东南大学 | 单点信号控制交叉口的混合控制方法 |
JP5625953B2 (ja) * | 2011-01-26 | 2014-11-19 | 住友電気工業株式会社 | 信号制御装置、コンピュータプログラム及び信号制御方法 |
WO2015106657A1 (zh) * | 2014-01-16 | 2015-07-23 | 上海资本加管理软件有限公司 | 一种应用于社交网络的推荐方法和推荐系统 |
US9123239B2 (en) * | 2014-01-21 | 2015-09-01 | Iteris, Inc. | Estimation of hourly traffic flow profiles using speed data and annual average daily traffic data |
JP6404572B2 (ja) * | 2014-02-05 | 2018-10-10 | パナソニック株式会社 | 信号制御装置、信号制御システムおよび信号制御方法 |
CN105653546B (zh) * | 2014-11-11 | 2019-10-25 | 北大方正集团有限公司 | 一种目标主题的检索方法和系统 |
US9761133B2 (en) * | 2015-06-26 | 2017-09-12 | Here Global B.V. | Determination of a free-flow speed for a link segment |
CN106339416B (zh) * | 2016-08-15 | 2019-11-08 | 常熟理工学院 | 基于网格快速搜寻密度峰值的教育数据聚类方法 |
CN106600965B (zh) * | 2017-01-19 | 2018-12-14 | 上海理工大学 | 基于尖锐度的交通流早晚高峰时段自动识别方法 |
CN106846842A (zh) * | 2017-03-24 | 2017-06-13 | 上海理工大学 | 基于多时段控制方案的城市干道协调控制优化方法 |
CN107066820A (zh) * | 2017-04-06 | 2017-08-18 | 广州慧扬信息系统科技有限公司 | 门诊人数高峰的分析系统 |
US10373489B2 (en) * | 2017-08-11 | 2019-08-06 | Cubic Corporation | System and method of adaptive controlling of traffic using camera data |
US10356552B1 (en) * | 2018-09-20 | 2019-07-16 | International Business Machines Corporation | Determining hardware requirements for a wireless network event using crowdsourcing |
CN109885684B (zh) * | 2019-01-31 | 2022-11-22 | 腾讯科技(深圳)有限公司 | 一种类簇处理方法及装置 |
CN109995611B (zh) * | 2019-03-18 | 2021-06-25 | 新华三信息安全技术有限公司 | 流量分类模型建立及流量分类方法、装置、设备和服务器 |
JP7272190B2 (ja) | 2019-09-05 | 2023-05-12 | オムロン株式会社 | 電力変換装置、系統連系システム |
CN110910658B (zh) * | 2019-11-14 | 2021-08-17 | 北京百度网讯科技有限公司 | 交通信号控制方法、装置、计算机设备和存储介质 |
-
2019
- 2019-11-14 CN CN201911111065.2A patent/CN110910658B/zh active Active
- 2019-11-14 CN CN202110801983.9A patent/CN113593262B/zh active Active
-
2020
- 2020-09-28 US US17/034,111 patent/US20210150898A1/en not_active Abandoned
- 2020-11-12 EP EP20207100.7A patent/EP3822943A1/en active Pending
- 2020-11-13 JP JP2020189104A patent/JP7288890B2/ja active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106920402A (zh) * | 2016-11-21 | 2017-07-04 | 中兴软创科技股份有限公司 | 一种基于交通流量的时间序列划分方法与系统 |
KR102017385B1 (ko) * | 2017-11-01 | 2019-09-02 | 이화여자대학교 산학협력단 | 적응적 교차로 교통 신호 제어 방법 |
CN108389406A (zh) * | 2018-04-26 | 2018-08-10 | 苏州城方信息技术有限公司 | 信号控制时段自动划分方法 |
CN110444011A (zh) * | 2018-05-02 | 2019-11-12 | 杭州海康威视系统技术有限公司 | 交通流高峰识别方法、装置、电子设备及存储介质 |
CN109003442A (zh) * | 2018-06-22 | 2018-12-14 | 安徽科力信息产业有限责任公司 | 一种道路延误时间计算及交通拥堵情况确定方法、系统 |
CN109887293A (zh) * | 2019-04-04 | 2019-06-14 | 中电海康集团有限公司 | 一种交叉口信号控制时段划分方法 |
CN110276966A (zh) * | 2019-07-25 | 2019-09-24 | 上海应用技术大学 | 交叉口信号控制时段划分方法 |
CN110738856A (zh) * | 2019-11-12 | 2020-01-31 | 中南大学 | 一种基于移动聚类的城市交通拥堵精细识别方法 |
Non-Patent Citations (3)
Title |
---|
Using K-Means Clustering to Identify Time-of-Day Break Points for Traffic Signal Timing Plans;Xiaodong Wang 等;《IEEE Conference on Intelligent Transportation Systems》;20051231;第519-523页 * |
基于划分的聚类分析算法的改进;范多锋 等;《微型机与应用》;20121231;第31卷(第18期);第54-59页 * |
采用递归有序聚类的信号控制时段划分方法;李文婧 等;《浙江大学学报(工学版)》;20180630;第52卷(第6期);第1150-1156页 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113593262A (zh) * | 2019-11-14 | 2021-11-02 | 北京百度网讯科技有限公司 | 交通信号控制方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JP7288890B2 (ja) | 2023-06-08 |
US20210150898A1 (en) | 2021-05-20 |
EP3822943A1 (en) | 2021-05-19 |
JP2021082279A (ja) | 2021-05-27 |
CN110910658A (zh) | 2020-03-24 |
CN113593262A (zh) | 2021-11-02 |
CN113593262B (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110910658B (zh) | 交通信号控制方法、装置、计算机设备和存储介质 | |
CN110910665B (zh) | 信号灯控制方法、装置以及计算机设备 | |
JP7237102B2 (ja) | 交通灯信号の制御方法、装置、機器及び記憶媒体 | |
JP7239535B2 (ja) | 信号灯の時間帯別の信号時間配分方法、装置、電子機械及び記憶媒体 | |
CN112507949A (zh) | 目标跟踪方法、装置、路侧设备以及云控平台 | |
CN111292531B (zh) | 交通信号灯的跟踪方法、装置、设备及存储介质 | |
CN110796865B (zh) | 智能交通控制方法、装置、电子设备和存储介质 | |
CN112149636A (zh) | 用于检测目标物体的方法、装置、电子设备及存储介质 | |
CN110675635B (zh) | 相机外参的获取方法、装置、电子设备及存储介质 | |
CN111324616B (zh) | 车道线变化信息的检测方法、装置及设备 | |
CN111626263B (zh) | 一种视频感兴趣区域检测方法、装置、设备及介质 | |
CN111627241A (zh) | 用于生成车辆排队信息的方法和装置 | |
CN111291681A (zh) | 车道线变化信息的检测方法、装置及设备 | |
CN111881301B (zh) | 一种数据处理方法、装置、电子设备和存储介质 | |
CN111783639A (zh) | 图像检测方法、装置、电子设备及可读存储介质 | |
CN111027195B (zh) | 仿真场景的生成方法、装置及设备 | |
CN112528927A (zh) | 基于轨迹分析的置信度确定方法、路侧设备及云控平台 | |
CN112069875A (zh) | 人脸图像的分类方法、装置、电子设备和存储介质 | |
CN111339877A (zh) | 盲区的长度检测方法、装置、电子设备及存储介质 | |
CN112802347B (zh) | 通过交通路口车辆的行驶速度确定方法、装置和设备 | |
CN110796864B (zh) | 智能交通控制方法、装置、电子设备和存储介质 | |
CN110798681B (zh) | 成像设备的监测方法、装置和计算机设备 | |
CN110751853B (zh) | 停车位数据的有效性识别方法和装置 | |
CN111553283B (zh) | 用于生成模型的方法及装置 | |
CN110849327B (zh) | 拍摄盲区的长度确定方法、装置以及计算机设备 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211013 Address after: 100176 101, floor 1, building 1, yard 7, Ruihe West 2nd Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Patentee after: Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085 Patentee before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |