CN110930696A - 一种基于ai导航的智慧城市交通管理运行方法及其系统 - Google Patents
一种基于ai导航的智慧城市交通管理运行方法及其系统 Download PDFInfo
- Publication number
- CN110930696A CN110930696A CN201911083643.6A CN201911083643A CN110930696A CN 110930696 A CN110930696 A CN 110930696A CN 201911083643 A CN201911083643 A CN 201911083643A CN 110930696 A CN110930696 A CN 110930696A
- Authority
- CN
- China
- Prior art keywords
- node
- traffic
- navigation
- road
- guidance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000003993 interaction Effects 0.000 claims abstract description 13
- 238000011144 upstream manufacturing Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 2
- 230000008447 perception Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 15
- 230000008859 change Effects 0.000 abstract description 4
- 230000010365 information processing Effects 0.000 abstract description 4
- 230000035945 sensitivity Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 19
- 230000002068 genetic effect Effects 0.000 description 12
- 230000008901 benefit Effects 0.000 description 11
- 230000003044 adaptive effect Effects 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 10
- 230000001105 regulatory effect Effects 0.000 description 5
- 230000035772 mutation Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- 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
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
Landscapes
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Entrepreneurship & Innovation (AREA)
- Radar, Positioning & Navigation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明提出了一种基于AI导航的智慧城市交通管理运行方法,包括如下步骤:S1、由每个AI导航节点获取本道路节点的车流量以及车流速度;S2、由每个AI导航节点根据S1获取的每车流量以及车流速度计算本道路节点的通行容量占用值;S3、在多个道路节点间进行关于通行容量以及通行容量占用值的信息交互;S4、由每个AI导航节点计算获取使本道路节点自身最优化的引导策略集合;S5、对所述多个道路节点的引导策略集合进行冲突判断与协调,形成最终的引导决策集合。并依据上述方法设计出对应系统,完善了传统交通管理方法,缩短每台设备的信息处理量,极大地提高了决策效率,提升了对车流量动态变化的敏感性,因此能够高效的缓解交通堵塞。
Description
技术领域
本发明涉及人工智能和交通引导技术领域,更具体地说是涉及一种基于AI导航的智慧城市交通管理运行方法及其系统。
背景技术
城市道路的交通状况是由道路通行资源和车流量之间的关系决定的,由于道路通行资源在短期内保持恒定,因此目前通常通过导航来引导和优化车流量在道路的动态分布,以期缓解车流量在某一个时间段过于集中的汇集在某些道路,提高交通效率。
目前,传统的交通管理系统和方法是利用车流量感知子系统获得各个道路节点的车流量,管理中心对全部道路节点的车流量分布进行统计以及变化的预测,进而生成导航方案,下发给前端的导航设备,对车流量进行引导,例如:引导车辆绕行。但是传统的交通管理系统和方法以实现道路全局的车流量通行优化为目标,难以针对每个道路节点实现车流量的通行优化,并且传统的交通管理系统和方法信息处理量过大、算法过于复杂,并且对车流量动态变化的适应性较低,难以真正切实可行的缓解交通堵塞,更加难以实现对每个道路节点的通行容量占用值的控制。
因此,如何将每个节点的通行容量占用值保持在最优化区间内,在减少信息处理量、降低算法复杂程度的同时,提高对车流量动态变化的敏感性,切实可行的缓解交通阻塞,是本领域技术人员亟待解决的问题。
发明内容
有鉴于此,本发明提供了一种基于AI导航的智慧城市交通管理运行方法及其系统,其中每个道路节点基于人工智能技术手段,通过对本道路节点及其上、下游节点的通行容量占用值进行计算,获取当前道路节点的最优化引导策略;并由资源协调节点对全部道路节点的最优化引导策略进行冲突判断和协调,最终生成综合效益评价最优化的最终引导决策集合,进而控制每个道路节点的导航设备,以期提高导航系统对车流量动态变化的敏感性,切实可行的缓解交通阻塞。
为了实现上述目的,本发明采用如下技术方案:
一种基于AI导航的智慧城市交通管理运行方法,包括如下步骤:
S1、由每个AI导航节点获取本道路节点的车流量以及车流速度;
S2、由每个AI导航节点根据S1获取的每车流量以及车流速度计算本道路节点的通行容量占用值;
S3、在多个道路节点间进行关于通行容量以及通行容量占用值的信息交互;
S4、由每个AI导航节点计算获取使本道路节点自身最优化的引导策略集合;
S5、对所述多个道路节点的引导策略集合进行冲突判断与协调,形成最终的引导决策集合获取每个道路节点自身的车流量以及车流速度。
具体的,所述道路节点包括但不限于交叉路口、主辅路分支以及合并路口,由于这些特殊路段车流密集,易发生交通堵塞,因此将这些特殊路段作为道路节点,有利于从根本上控制车流量,以实现缓解交通堵塞的目的。
具体的,通行容量表示某道路节点的能容纳的全部的车流量,通行容量主要由道路设计因素——例如车道数目、道路宽度而决定,总体来说是一个相对稳定的值,但是也会受到各种外界因素的影响,例如对于具有潮汐车道、分时段公交专用车道、临时限行车道的道路节点,其通行容量仍然是一个可变化的值。而通行容量占用值表示某道路节点还能够接纳的车流量百分比,计算通行容量占用值可以清晰的获取某道路节点目前的通行能力,进而进行后续的疏散或者接纳工作,因此通行容量占用值作为道路节点通行状况的衡量尺度,能够为引导策略提供直观有效的通行建议,显然通行容量占用值是一个瞬态变化的动态值,其随着每个道路节点的交通状况而不断实时变化。
优选的,所述S3中涉及的信息交互为在一定空间范围内将每个道路节点自身的通行容量以及通行容量占用值与其上、下游节点的通行容量以及通行容量占用值进行传输交换,所述信息交互的过程是通过一个统一的信息支持节点作为中枢实现的,因此便于为后续的引导决策工作提供一个兼顾上、下游通行容量的具备可实施性的尺度。当然,作为另一种可选的实施方式,也可以将一定空间范围内的若干道路节点组成一个节点群组,进而每个道路节点将自身的通行容量以及通行容量占用值实时地群发至群组内的其它节点,从而实现了信息交互。
优选的,所述S4获取的引导策略集合包含一种或者多种本道路节点的最优化引导策略,所述最优化引导策略具体包括面向上游节点的车流量输入控制,以及面向下游节点的车流量输出请求,可见,该引导策略是站在本道路节点的立场上,希望调节上游节点的车流量输入以及面向下游节点的车流量输出,以便于每个道路节点将自身的通行容量占用值控制在最优区间内,以保证本道路节点良好的通行状态。
优选的,所述S5涉及的冲突判断是针对上、下游节点的最优化引导策略与本道路节点的最优化引导策略之间的冲突判断,以便形成综合效益评价最优化的引导决策集合,避免由于狭隘的仅针对本道路节点通行容量占用比的判断,做出不适用于整体交通网络的引导决策,无法真正的缓解交通阻塞。
优选的,还包括如下步骤:根据最终的引导决策集合,控制各个道路节点的导航设备,对车流进行导航,其中导航设备包括但不限于路口的引导牌、车载导航面板、安装导航APP的手机,便于满足各种需求的车主。
基于上述方法,本发明设计如下系统:
一种基于AI导航的智慧城市交通管理系统,包括:AI导航节点、信息支持节点、资源协调节点;其中,
所述AI导航节点包括车流信息感知模块、AI决策模块;所述AI决策模块包括占用值计算单元以及策略生成单元;所述车流信息感知模块用于获取每个道路节点自身的车流量以及车流速度;所述占用值计算单元用于根据所述车流信息感知模块获取的每个道路节点自身的车流量以及车流速度计算每个道路节点自身的通行容量占用值;所述策略生成单元用于计算获取使每个道路节点自身最优化的引导策略集合;
所述信息支持节点用于在多个道路节点间进行关于通行容量以及通行容量占用值的信息交互;所述资源协调节点用于对所述多个道路节点的引导策略集合进行冲突判断与协调,形成最终的引导决策集合。
优选的,所述信息支持节点中涉及的信息交互为将每个道路节点自身的通行容量以及通行容量占用值与其上、下游节点的通行容量以及通行容量占用值进行传输交换。
优选的,所述策略生成单元获取的引导策略集合包含一种或者多种本道路节点的最优化引导策略,所述最优化引导策略具体包括面向上游节点的车流量输入控制,以及面向下游节点的车流量输出请求。
优选的,所述资源协调节点涉及的冲突判断是针对上、下游节点的最优化引导策略与本道路节点的最优化引导策略之间的冲突判断。
有优选的,还包括:执行模块;所述执行模块用于根据最终的引导决策集合,控制各个道路节点的导航设备,对车流进行导航。
本发明具有以下有益效果:
经由上述的技术方案可知,基于现有技术,本发明提出了一种基于AI导航的智慧城市交通管理运行方法及其系统,通过人工智能设备,有效地完善了传统交通管理方法,在每个道路节点设置人工智能设备,并通过各个人工智能设备的信息交互,使得每个节点的信息处理量尽可能缩减,提高了决策效率,对车流量动态的敏感度提高,高效的缓解了交通堵塞。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程图;
图2为本发明的系统框图;
图3为本发明AI导航节点的结构示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供了如下系统:
一种基于AI导航的智慧城市交通管理运行方法,包括如下步骤:
S1、由每个道路节点获取本道路节点的车流量以及车流速度;
本发明中车辆信息感知模块包括但不限于阻尼传感器,具体的,阻尼传感器尺寸小且便于安装,对非铁磁性物体无反应,因此可靠性高,当车辆经过传感器附近时,传感器能够灵敏的感知信号的变化,经过对信号进行分析,即可获取路面的车流信息。
S2、由每个道路节点根据S1获取的车流量以及车流速度计算本道路节点的通行容量占用值;
通行容量表示某道路节点的能容纳的全部的车流量,而通行容量占用值表示某道路节点还能够接纳的车流量百分比,例如,通行容量占用值为80%时,表示当前道路节点可以接纳更多的车流量,当通行容量占用值为120%时,则代表当前道路节点目前的车流量已经高于其通行能力,出现滞留拥堵的显现。因此,计算通行容量占用值可以清晰的获取某道路节点目前的通行能力,进而进行后续的疏散或者接纳工作。
S3、在多个道路节点间进行关于通行容量以及通行容量占用值的信息交互;
所述信息交互为将每个道路节点自身的通行容量以及通行容量占用值与其上、下游节点的通行容量以及通行容量占用值进行传输交换。
S4、由每个道路节点计算获取使本道路节点自身最优化的引导策略集合;
引导策略集合采用遗传算法进行计算,设定最优化的引导策略使为本道路节点保持本节点自身的通行容量占用值在80%至100%之间的引导策略,结合电子地图,获取全部引导策略,即能够使车流通行的全部导航方案,再结合上、下游车的通行容量占用值,在全部导航方案中选取能够使上、下游车流正常通行的方案,最后根据预先设定的本道路节点自身的通行容量占用值区间,测算上述获取的引导策略的适应度,保留其中适应性候选策略,并放弃其他候选策略,通过对候选策略的整理汇总,进而生成使每个道路节点自身最优化的引导策略集合。
获取的引导策略集合包含一种或者多种本道路节点的最优化引导策略,所述最优化引导策略具体包括面向上游节点的车流量输入控制,以及面向下游节点的车流量输出请求。
下面对步骤S4中的遗传算法进行具体介绍,步骤S4具体包括目标建立过程、约束建立过程、引导策略求解过程。目标建立过程用于建立表示道路节点通行容量占用值的目标函数,该目标函数以实现本节点自身的通行容量占用值在80%至100%之间为目标,为单目标优化函数。约束建立过程针对所述目标函数确定其约束条件,本发明针对目标函数确定多组约束条件,例如,第一约束条件为:使上、下游节点的通行容量占用值不超过120%,从而能够保证上、下游节点的正常通行;第二约束条件为:本道路节点的通行容量占用值符合80%-100%的条件。引导策略求解过程用于利用遗传算法在约束条件下对目标函数进行求解,得到本道路节点的引导策略集合。引导策略求解过程在对目标函数进行求解之前,建立适应度函数,以及初始化交叉概率、变异概率、种群规模、终止进化代数和适应值阈值中的一项或多项,在求解之前,可以首先对交叉概率、变异概率、种群规模、终止进化代数和适应值阈值进行初始化设定。在求解过程中,根据初始化的种群规模随机产生引导策略的个体,假使随机产生四个初始个体,通过建立的用于评价个体适应度的适应度函数F(i)对四个初始个体进行适应度计算,适应度函数参考上述两个约束条件进行设置。上述四个初始个体中,适应度p从大到小依次为(3)>(1)>(4)>(2),下一代个体的选择可以采用轮盘赌选择、随机竞争选择、最佳保存策略和锦标赛选择的任一种。本实施例中采用锦标赛选择法,其方式为:每次从种群中取出一定数量个体,然后选择其中适应度最好的一个进入子代种群,然后重复该操作,直到新的种群规模达到原来的种群规模(四个)。经过选择,得到新的四个个体,根据初始化的交叉发生概率Pc和变异发生概率Pm,决定是否需要对新的个体进行交叉以及变异,假设需要对该新的个体既进行交叉又进行变异,则随机选择第(1)个体与第(2)个体进行交叉,第(3)个体进行变异。由此得到第一代的四个个体,然后计算第一代个体的适应度,并通过锦标赛选择,还可能有交叉、变异等,之后得到第二代个体,依此迭代遗传。遗传终止的条件有两种,第一种是直到代数超出了设置的终止进化代数G,第二种是直到某一代中的某个个体的适应度超出了设置的适应度阈值Tf。最终,经过终止进化代数G的迭代,获得面向道路节点的适应性候选策略,并放弃其他候选策略,该候选策略描述了为了本道路节点的最优化而产生的引导策略,所述最优化引导策略具体包括面向上游节点的车流量输入控制,以及面向下游节点的车流量输出请求。
S5、对所述多个道路节点的引导策略集合进行冲突判断与协调,形成最终的引导决策集合。
所述S5涉及的冲突判断是针对上、下游节点的最优化引导策略与本道路节点的最优化引导策略之间的冲突判断。
具体的,当上、下游节点相关的引导策略与本节点的引导策略不存在冲突时,将其作为最终引导决策集合;若上、下游节点相关的引导策略与本节点的引导策略存在冲突,比如100个节点中90个节点对自身的引导策略均不存在冲突,但是10个节点对自身的引导策略之间存在冲突,在判断冲突存在后,对其进行协调,建立综合效益评价,以综合效益评价最优的引导策略为最终引导决策集合。更具体来说,所述步骤S5中针对引导策略存在冲突的道路节点,将这些节点作为一个整体的调整对象组,采用遗传算法进行计算,设定最优化的引导策略,使为该整体的调节对象组的平均通行容量保持最优化,即实现平均通行容量占用值保持在80%至100%之间的引导策略。因此,步骤S5中从存在冲突的各个节点的引导策略中随机选取其中之一,例如节点P1是节点P2的下游节点,二者的引导策略存在冲突,节点P1要求节点P2减少对其车辆输入,而节点P2要求对节点P1增加车辆输出,则从节点P1和节点P2的引导策略中随机选择其中之一,以此类推,从而将挑选出来各个节点的引导策略组合起来,成为本调节对象组的一组引导策略解决方案,再结合作为调整对象组的节点及其上、下游节点的通行容量占用值,运用遗传算法,确定使调整对象组的节点平均通行容量占用值符合预定要求的方案,根据预先设定的调整对象组的节点平均通行容量占用值区间,测算上述获取的调整对象组的引导策略的适应度,保留其中适应性候选策略,并放弃其他候选策略,通过对候选策略的整理汇总,进而生成使调节对象组的综合效益评价最优的引导策略集合。如果从存在冲突的各个节点的引导策略中随机选取的引导策略经过一定轮数的迭代无法使调整对象组的节点平均通行容量占用值符合预定要求,则从各个节点的引导策略中重新选择引导策略,例如上面的例子中选择P2的引导策略,重复以上过程,直至生成使调节对象组的综合效益评价最优的引导策略集合。
步骤S5中的遗传算法具体也包括目标建立过程、约束建立过程、引导策略求解过程。目标建立过程用于建立表示调节对象组的平均通行容量占用值的目标函数,该目标函数以实现调节对象组的平均通行容量占用值在80%至100%之间为目标,为单目标优化函数。约束建立过程针对所述目标函数确定其约束条件,本发明针对目标函数确定多组约束条件,例如,第一约束条件为:使调节对象组内的每个道路节点的通行容量占用值不超过120%;第二约束条件为:使调节对象组内的上、下游节点的通行容量占用值不超过120%,从而能够保证上、下游节点的正常通行;第三约束条件为:调节对象组的平均通行容量占用值符合80%-100%的条件。引导策略求解过程用于利用遗传算法在约束条件下对目标函数进行求解,得到调节对象组的引导策略集合。引导策略求解过程在对目标函数进行求解之前,建立适应度函数,以及初始化交叉概率、变异概率、种群规模、终止进化代数和适应值阈值中的一项或多项,在求解之前,可以首先对交叉概率、变异概率、种群规模、终止进化代数和适应值阈值进行初始化设定。在求解过程中,根据初始化的种群规模随机产生引导策略的个体,假使随机产生四个初始个体,通过建立的用于评价个体适应度的适应度函数F(i)对四个初始个体进行适应度计算,适应度函数参考上述两个约束条件进行设置。上述四个初始个体中,适应度p从大到小依次为(3)>(1)>(4)>(2),下一代个体的选择可以采用轮盘赌选择、随机竞争选择、最佳保存策略和锦标赛选择的任一种。本实施例中采用锦标赛选择法,其方式为:每次从种群中取出一定数量个体,然后选择其中适应度最好的一个进入子代种群,然后重复该操作,直到新的种群规模达到原来的种群规模(四个)。经过选择,得到新的四个个体,根据初始化的交叉发生概率Pc和变异发生概率Pm,决定是否需要对新的个体进行交叉以及变异,假设需要对该新的个体既进行交叉又进行变异,则随机选择第(1)个体与第(2)个体进行交叉,第(3)个体进行变异。由此得到第一代的四个个体,然后计算第一代个体的适应度,并通过锦标赛选择,还可能有交叉、变异等,之后得到第二代个体,依此迭代遗传。遗传终止的条件有两种,第一种是直到代数超出了设置的终止进化代数G,第二种是直到某一代中的某个个体的适应度超出了设置的适应度阈值Tf。最终,经过终止进化代数G的迭代,获得面向道路节点的适应性候选策略,并放弃其他候选策略,该候选策略描述了调节对象组的平均通行容量占用值最优化而产生的引导策略,所述最优化引导策略具体包括调节对象组内每个节点的车流量输入控制以及车流量输出请求。
为了进一步优化上述技术特征,本发明还包括如下步骤:根据最终的引导决策集合,控制各个道路节点的导航设备,对车流进行导航,其中导航设备包括但不限于路口引导牌、车载导航面板、安装导航APP的手机,以满足各种需求的车主,尽最大可能对交通堵塞的车流进行疏散。具体来说,可以根据步骤S5形成的最终的引导策略集合,确定对每个道路节点的车流输入和车流输出的导航措施,例如限制某个道路节点的车流输入,则可以通过位于该道路节点上游的路口引导牌显示限流信息,以及根据车载GPS实时定位位置向位于该道路节点上游的车载导航面板、导航APP手机发布绕行提示,以执行所述引导策略集合中针对该道路节点的引导策略。
如图2所示,本发明设计出如下系统:一种基于AI导航的智慧城市交通管理系统,包括:AI导航节点1、信息支持节点2、资源协调节点3。
在一定空间范围内,包含若干个AI导航节点1,每个AI导航节点1均能够获取其所在位置的道路节点的车流信息,即包括车流量以及车流速度,并能够根据车流信息计算其所在位置的道路节点的通行容量占用值。进一步的,每个AI导航节点1获取的其所在位置的道路节点的通行容量占用值均通过该空间范围内一个统一的中枢进行信息交互,该中枢即信息支持节点2;每个AI导航节点根据其所在位置的道路节点的通行容量、通行容量占用值以及获取的该道路节点上、下游道路节点的通行容量占用值,计算获取适用于该道路节点自身的最优化的引导策略集合。如图3所示,AI导航节点1包括车流信息感知模块11和AI决策模块12;其中车流信息感知模块11用于获取每个道路节点自身的车流量以及车流速度;AI决策模块12包括占用值计算单元121以及策略生成单元122;占用值计算单元121用于根据所述车流信息感知模块11获取的每个道路节点自身的车流量以及车流速度计算每个道路节点自身的通行容量占用值;策略生成单元122用于计算获取使每个道路节点自身最优化的引导策略集合,并将其传输给资源协调节点3。策略生成单元122采用遗传算法进行计算,设定最优化的引导策略使为本道路节点保持本节点自身的通行容量占用值在80%至100%之间的引导策略,结合电子地图,获取全部引导策略,即能够使车流通行的全部导航方案,再结合上、下游车的通行容量占用值,在全部导航方案中选取能够使上、下游车流正常通行的方案,最后根据预先设定的本道路节点自身的通行容量占用值区间,测算上述获取的引导策略的适应度,保留其中适应性候选策略,并放弃其他候选策略,通过对候选策略的整理汇总,进而生成使每个道路节点自身最优化的引导策略集合。
资源协调节点3依据信息支持节点2中的交互信息,以及一定空间范围内全部AI导航节点上报的各自的引导策略集合,对AI导航节点生成的最优化的引导策略集合进行冲突判断以及协调,最终获取综合效益最优的最终引导决策集合。具体的,对于任意一个道路节点自身的引导策略集合当中的引导策略,当上、下游节点相关的引导策略与本节点的引导策略不存在冲突时,资源协调节点3将其作为最终引导决策集合中面向该节点的引导策略;若上、下游节点相关的引导策略与本节点的引导策略存在冲突,比如100个节点中90个节点对自身的引导策略均不存在冲突,但是10个节点对自身的引导策略之间存在冲突,在判断冲突存在后,资源协调节点3对其进行协调,建立综合效益评价,以综合效益评价最优的引导策略为最终引导决策集合。更具体来说,资源协调节点3针对引导策略存在冲突的道路节点,将这些节点作为一个整体的调整对象组,采用遗传算法进行计算,设定最优化的引导策略,使为该整体的调节对象组的平均通行容量保持最优化,即实现平均通行容量占用值保持在80%至100%之间的引导策略。资源协调节点3从存在冲突的各个节点的引导策略中随机选取其中之一,例如节点P1是节点P2的下游节点,二者的引导策略存在冲突,节点P1要求节点P2减少对其车辆输入,而节点P2要求对节点P1增加车辆输出,则从节点P1和节点P2的引导策略中随机选择其中之一,例如随机选择P1的引导策略,以此类推,从而将挑选出来各个节点的引导策略组合起来,成为本调节对象组的一组引导策略解决方案,再结合作为调整对象组的节点及其上、下游节点的通行容量占用值,运用遗传算法,确定使调整对象组的节点平均通行容量占用值符合预定要求的方案,根据预先设定的调整对象组的节点平均通行容量占用值区间,测算上述获取的调整对象组的引导策略的适应度,保留其中适应性候选策略,并放弃其他候选策略,通过对候选策略的整理汇总,进而生成使调节对象组的综合效益评价最优的引导策略集合。如果从存在冲突的各个节点的引导策略中随机选取的引导策略经过一定轮数的迭代无法使调整对象组的节点平均通行容量占用值符合预定要求,则从各个节点的引导策略中重新选择引导策略,例如上面的例子中选择P2的引导策略,重复以上过程,直至生成使调节对象组的综合效益评价最优的引导策略集合。
并且,资源协调节点3将最终引导决策集合传输给执行模块4,由执行模块4控制各个道路节点的导航设备,比如:具备导航功能的手机、路口引导牌、车载导航面板。执行模块4按照最终的引导策略集合,确定对每个道路节点的车流输入和车流输出的导航措施,例如限制某个道路节点的车流输入,则可以通过位于该道路节点上游的路口引导牌显示限流信息,以及根据车载GPS实时定位位置向位于该道路节点上游的车载导航面板、导航APP手机发布绕行提示,以执行所述引导策略集合中针对该道路节点的引导策略。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于AI导航的智慧城市交通管理运行方法,其特征在于,包括如下步骤:
S1、由每个AI导航节点获取本道路节点的车流量以及车流速度;
S2、由每个AI导航节点根据S1获取的每车流量以及车流速度计算本道路节点的通行容量占用值;
S3、在多个道路节点间进行关于通行容量以及通行容量占用值的信息交互;
S4、由每个AI导航节点计算获取使本道路节点自身最优化的引导策略集合;
S5、对所述多个道路节点的引导策略集合进行冲突判断与协调,形成最终的引导决策集合。
2.根据权利要求1所述的一种基于AI导航的智慧城市交通管理运行方法,其特征在于,所述S3中涉及的信息交互为将每个道路节点自身的通行容量以及通行容量占用值与其上、下游节点的通行容量以及通行容量占用值进行传输交换。
3.所述S4获取的引导策略集合包含一种或者多种本道路节点的最优化引导策略,所述最优化引导策略具体包括面向上游节点的车流量输入控制,以及面向下游节点的车流量输出请求。
4.根据权利要求1所述的一种基于AI导航的智慧城市交通管理运行方法,其特征在于,所述S5涉及的冲突判断是针对上、下游节点的最优化引导策略与本道路节点的最优化引导策略之间的冲突判断。
5.根据权利要求1所述的一种基于AI导航的智慧城市交通管理运行方法,其特征在于,还包括如下步骤:根据最终的引导决策集合,控制各个道路节点的导航设备,对车流进行导航。
6.一种基于AI导航的智慧城市交通管理系统,其特征在于,包括:AI导航节点(1)、信息支持节点(2)、资源协调节点(3);其中,
所述AI导航节点(1)包括车流信息感知模块(11)、AI决策模块(12);
所述AI决策模块(12)包括占用值计算单元(121)以及策略生成单元(122);
所述车流信息感知模块(11)用于获取每个道路节点自身的车流量以及车流速度;
所述占用值计算单元(121)用于根据所述车流信息感知模块(11)获取的每个道路节点自身的车流量以及车流速度计算每个道路节点自身的通行容量占用值;
所述信息支持节点(2)用于在多个道路节点间进行关于通行容量以及通行容量占用值的信息交互;
所述策略生成单元(122)用于计算使每个获取道路节点自身最优化的引导策略集合;
所述资源协调节点(3)用于对所述多个道路节点的引导策略集合进行冲突判断与协调,形成最终的引导决策集合。
7.根据权利要求6所述的一种基于AI导航的智慧城市交通管理系统,其特征在于,所述信息支持节点(2)中涉及的信息交互为将每个道路节点自身的通行容量以及通行容量占用值与其上、下游节点的通行容量以及通行容量占用值进行传输交换。
8.根据权利要求6所述的一种基于AI导航的智慧城市交通管理系统,其特征在于,所述策略生成单元(122)获取的引导策略集合包含一种或者多种本道路节点的最优化引导策略,所述最优化引导策略具体包括面向上游节点的车流量输入控制,以及面向下游节点的车流量输出请求。
9.根据权利要求6所述的一种基于AI导航的智慧城市交通管理系统,其特征在于,所述资源协调节点(3)涉及的冲突判断是针对上、下游节点的最优化引导策略与本道路节点的最优化引导策略之间的冲突判断。
10.根据权利要求6所述的一种基于AI导航的智慧城市交通管理系统,其特征在于,还包括:执行模块(4);所述执行模块(4)用于根据最终的引导决策集合,控制各个道路节点的导航设备,对车流进行导航。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911083643.6A CN110930696B (zh) | 2019-11-07 | 2019-11-07 | 一种基于ai导航的智慧城市交通管理运行方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911083643.6A CN110930696B (zh) | 2019-11-07 | 2019-11-07 | 一种基于ai导航的智慧城市交通管理运行方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110930696A true CN110930696A (zh) | 2020-03-27 |
CN110930696B CN110930696B (zh) | 2021-11-30 |
Family
ID=69853535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911083643.6A Active CN110930696B (zh) | 2019-11-07 | 2019-11-07 | 一种基于ai导航的智慧城市交通管理运行方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110930696B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581757A (zh) * | 2020-12-09 | 2021-03-30 | 曾李 | 一种智慧交通信息处理方法、装置及服务器 |
CN113689721A (zh) * | 2021-07-30 | 2021-11-23 | 深圳先进技术研究院 | 一种自动驾驶车速控制方法、系统、终端以及存储介质 |
CN115271543A (zh) * | 2022-09-09 | 2022-11-01 | 成都秦川物联网科技股份有限公司 | 一种智慧城市交通导流管理方法、系统、装置以及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070273552A1 (en) * | 2006-05-24 | 2007-11-29 | Bellsouth Intellectual Property Corporation | Control of traffic flow by sensing traffic states |
CN101295434A (zh) * | 2007-04-23 | 2008-10-29 | 财团法人工业技术研究院 | 无线感测与驱动网路的智能型交通控制系统与方法 |
CN101515407A (zh) * | 2009-03-04 | 2009-08-26 | 同济大学 | 基于流体动力学的城市交通控制信号的自组织化方法 |
CN102063796A (zh) * | 2010-09-26 | 2011-05-18 | 广西工学院 | 基于无线Mesh自组网的智能交通控制系统及控制方法 |
CN102542818A (zh) * | 2012-01-13 | 2012-07-04 | 吉林大学 | 一种基于有机计算的区域边界交通信号协调控制方法 |
CN106412048A (zh) * | 2016-09-26 | 2017-02-15 | 北京东土科技股份有限公司 | 基于智能交通云控制系统的信息处理方法及装置 |
CN106952487A (zh) * | 2017-04-27 | 2017-07-14 | 陈树铭 | 智慧交通路口疏通方法及系统 |
US10002530B1 (en) * | 2017-03-08 | 2018-06-19 | Fujitsu Limited | Traffic signal control using multiple Q-learning categories |
CN109887289A (zh) * | 2019-03-28 | 2019-06-14 | 南京邮电大学 | 一种城市交通网络模型的网络车流量最大化方法 |
-
2019
- 2019-11-07 CN CN201911083643.6A patent/CN110930696B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070273552A1 (en) * | 2006-05-24 | 2007-11-29 | Bellsouth Intellectual Property Corporation | Control of traffic flow by sensing traffic states |
CN101295434A (zh) * | 2007-04-23 | 2008-10-29 | 财团法人工业技术研究院 | 无线感测与驱动网路的智能型交通控制系统与方法 |
CN101515407A (zh) * | 2009-03-04 | 2009-08-26 | 同济大学 | 基于流体动力学的城市交通控制信号的自组织化方法 |
CN102063796A (zh) * | 2010-09-26 | 2011-05-18 | 广西工学院 | 基于无线Mesh自组网的智能交通控制系统及控制方法 |
CN102542818A (zh) * | 2012-01-13 | 2012-07-04 | 吉林大学 | 一种基于有机计算的区域边界交通信号协调控制方法 |
CN106412048A (zh) * | 2016-09-26 | 2017-02-15 | 北京东土科技股份有限公司 | 基于智能交通云控制系统的信息处理方法及装置 |
US10002530B1 (en) * | 2017-03-08 | 2018-06-19 | Fujitsu Limited | Traffic signal control using multiple Q-learning categories |
CN106952487A (zh) * | 2017-04-27 | 2017-07-14 | 陈树铭 | 智慧交通路口疏通方法及系统 |
CN109887289A (zh) * | 2019-03-28 | 2019-06-14 | 南京邮电大学 | 一种城市交通网络模型的网络车流量最大化方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581757A (zh) * | 2020-12-09 | 2021-03-30 | 曾李 | 一种智慧交通信息处理方法、装置及服务器 |
CN112581757B (zh) * | 2020-12-09 | 2021-11-16 | 广东君略科技咨询有限公司 | 一种智慧交通信息处理方法、装置及服务器 |
CN113689721A (zh) * | 2021-07-30 | 2021-11-23 | 深圳先进技术研究院 | 一种自动驾驶车速控制方法、系统、终端以及存储介质 |
CN115271543A (zh) * | 2022-09-09 | 2022-11-01 | 成都秦川物联网科技股份有限公司 | 一种智慧城市交通导流管理方法、系统、装置以及介质 |
US11837086B2 (en) | 2022-09-09 | 2023-12-05 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and Internet of Things systems for traffic diversion management in smart city |
Also Published As
Publication number | Publication date |
---|---|
CN110930696B (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110930696B (zh) | 一种基于ai导航的智慧城市交通管理运行方法及其系统 | |
CN105513400B (zh) | 动态规划出行路径的方法 | |
CN109598950B (zh) | 一种智能网联车辆的匝道协同汇入控制方法及系统 | |
CN111951549B (zh) | 在网联车辆环境下的自适应交通信号灯控制方法及系统 | |
CN106971566B (zh) | 基于遗传算法的自适应控制方法 | |
Ortigosa et al. | Analysis of network exit functions for various urban grid network configurations | |
CN104282162A (zh) | 一种基于实时车辆轨迹的交叉口自适应信号控制方法 | |
CN103337161A (zh) | 基于实时仿真模型的交叉口动态综合评价及信控系统优化方法 | |
CN110570672A (zh) | 一种基于图神经网络的区域交通信号灯控制方法 | |
CN104851280A (zh) | 一种车辆行驶控制方法、装置、系统及相关设备 | |
Xu et al. | Multi-agent fuzzy-based transit signal priority control for traffic network considering conflicting priority requests | |
CN113299059A (zh) | 一种数据驱动的道路交通管控决策支持方法 | |
CN110427690A (zh) | 一种基于全局粒子群算法生成ato速度曲线的方法及装置 | |
CN111402600B (zh) | 基于复杂网络沙堆模型的城市路网机理关联规划方法 | |
Wang et al. | Providing real-time bus crowding information for passengers: A novel policy to promote high-frequency transit performance | |
Lentzakis et al. | Region-based prescriptive route guidance for travelers of multiple classes | |
CN103310120B (zh) | 一种基于交通服务水平确定路段拥堵收费费率的方法 | |
CN113724507A (zh) | 基于深度强化学习的交通控制与车辆诱导协同方法和系统 | |
CN109255948A (zh) | 一种基于卡尔曼滤波的分车道车流比例预测方法 | |
CN112381470A (zh) | 基于智能体的交通流量分配方法、设备及存储介质 | |
Duan et al. | Optimising total entry delay at roundabouts with unbalanced flow: a dynamic strategy for smart metering | |
CN113344320A (zh) | 多目标下的物流机器人配送路径动态自动规划方法及系统 | |
CN116189454A (zh) | 交通信号控制方法、装置、电子设备及存储介质 | |
CN116976045A (zh) | 一种非拥堵状态下控制子区多目标约束仿真方法 | |
CN114915940A (zh) | 一种基于边云计算的车路通信链路匹配方法及系统 |
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 |