CN111091705A - 基于深度学习的城市中心区交通拥堵预测及信号控制解决方案方法及运行其的服务器 - Google Patents
基于深度学习的城市中心区交通拥堵预测及信号控制解决方案方法及运行其的服务器 Download PDFInfo
- Publication number
- CN111091705A CN111091705A CN201811506394.2A CN201811506394A CN111091705A CN 111091705 A CN111091705 A CN 111091705A CN 201811506394 A CN201811506394 A CN 201811506394A CN 111091705 A CN111091705 A CN 111091705A
- Authority
- CN
- China
- Prior art keywords
- intersection
- traffic
- signal control
- time
- deep learning
- 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
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000002131 composite material Substances 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000011664 signaling Effects 0.000 claims 3
- 230000008901 benefit Effects 0.000 description 7
- 230000001276 controlling effect Effects 0.000 description 6
- 239000003086 colorant Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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
- 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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- 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
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
-
- 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
- G08G1/081—Plural intersections under common control
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
- Operations Research (AREA)
Abstract
根据本发明一个实施例的在基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器中运行的基于深度学习的城市中心区交通拥堵预测及信号控制解决方案方法,包括以下步骤:分析由各交叉路口的交通需求模式或交通信号控制决定的地区单位流出交通量形态,根据所述分析结果,将特定交叉路口决定为控制对象交叉路口;按时间及空间分析预先决定的定制型复合数据中关于所述控制对象交叉路口的数据及关于所述控制对象交叉路口的多个图像数据,生成二维时空图像;利用所述定制型复合数据中关于所述控制对象交叉路口数据的二维时空图像,生成实时交通拥堵指数;及根据所述实时交通拥堵指数,控制所述控制对象交叉路口的信号。
Description
技术领域
本发明的实施例涉及基于深度学习的城市中心区交通拥堵预测及信号控制解决方案方法及运行其的服务器。
背景技术
交通信号控制系统是通过管制在交叉路口冲突的交通流的移动优先权而增加安全和疏通效率的重要系统。但是,不当的现况掌控及信号运营反而使疏通效率恶化,加重拥塞,诱导驾驶员不当的驾驶模式,成为导致危险的动因。
现在包括首尔市在内的广域市及中小城市21个地方自治体,均构建了交通信号控制系统,但由于作为交通信息收集体系的环形检测器的管理及运营上的局限,无法以感应式运营,大部分的交叉路口以TOD方式运营。
固定式是以相应交叉路口的大致交通量为根据而计划信号时间,TOD方式是全数调查交通量急剧变化的上下班时间、交通量一定的白天时段和黎明时段的交通量,以掌握的交通量为根据计算信号时间。
在维护方面,就通行模式保持一定的交叉路口而言,虽然固定式或TOD信号方式比较有利,但交通模式因市区道路运营方式的变化等环境性因素而变化,因而预先计划的信号时间无法对变化的模式进行反应而低效运营,实际上无法为此而监视交叉路口的交通量或每次都调查。
发明内容
本发明目的是提供一种为了拥堵交叉路口的交通信号控制而在预测的拥堵时间应用人工智能交通信号控制技术,从而使得能够解决交通拥堵费用问题的基于深度学习的城市中心区交通拥堵预测及信号控制解决方案方法及运行其的服务器。
另外,本发明目的是提供一种监视实时收集的各交叉路口的疏通信息,并有望能够更客观、系统地实现城市交通运营管理的基于深度学习的城市中心区交通拥堵预测及信号控制解决方案方法及运行其的服务器。
另外,本发明目的是提供一种使得通过能应对根据环境而变化的需求的交叉路口信号运营,能够减小城市内拥堵的基于深度学习的城市中心区交通拥堵预测及信号控制解决方案方法及运行其的服务器。
另外,本发明目的是提供一种基于深度学习的城市中心区交通拥堵预测及信号控制解决方案方法及运行其的服务器,因交通拥堵减少而节省旅行经费及物流费用等,产生社会效益,使得能够向新构建的交通基础设施提供交通信息以及反映(现)交叉路口的实时状况的信号,无需变更原有基础设施或追加费用便可使用,使用性高。
本发明要解决的课题不限于以上言及的课题,未言及的其他课题是从业人员可以从以下记载明确理解的。
在实施例中,在基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器中运行的基于深度学习的城市中心区交通拥堵预测及信号控制解决方案方法,包括以下步骤:分析由各交叉路口的交通需求模式或交通信号控制决定的地区单位流出交通量形态,根据所述分析结果,将特定交叉路口决定为控制对象交叉路口;按时间及空间分析预先决定的定制型复合数据中关于所述控制对象交叉路口的数据及关于所述控制对象交叉路口的多个图像数据,生成二维时空图像;利用关于所述控制对象交叉路口的二维时空图像及所述定制型复合数据中关于所述控制对象交叉路口数据的二维时空图像,生成实时交通拥堵指数;及根据所述实时交通拥堵指数,控制所述控制对象交叉路口的信号。
在实施例中,基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器包括:控制对象交叉路口决定部,其分析由各交叉路口的交通需求模式或交通信号控制决定的地区单位流出交通量形态,根据所述分析结果,将特定交叉路口决定为控制对象交叉路口;二维时空图像生成部,其按时间及空间分析预先决定的定制型复合数据中关于所述控制对象交叉路口的数据及关于所述控制对象交叉路口的多个图像数据,生成二维时空图像;实时交通拥堵指数生成部,其利用关于所述控制对象交叉路口的二维时空图像及所述定制型复合数据中关于所述控制对象交叉路口数据的二维时空图像,生成实时交通拥堵指数;及信号控制部,其根据所述实时交通拥堵指数,控制所述控制对象交叉路口的信号。
其他实施例的具体事项包含于详细说明及附图中。
如果参照后面与附图一同详细叙述的实施例,本发明的优点及/或特征以及达成其的方法将会明确。但是,本发明并非限于以下公开的实施例,可以以互不相同的多样形态体现,本实施例只是使本发明的公开更完整,用于向本发明所属技术领域的技术人员完整地告知发明的范畴而提供,本发明只由权利要求项的范畴所定义。在通篇说明书中,类似参照符号指称类似构成要素。
根据本发明的一个实施例,具有为了拥堵交叉路口的交通信号控制而在预测的拥堵时间应用人工智能交通信号控制技术,从而能够解决交通拥堵费用问题的优点。
另外,根据本发明的一个实施例,具有监视实时收集的各交叉路口的疏通信息,并有望能够更客观、系统地实现城市交通运营管理的优点。
另外,根据本发明的一个实施例,具有通过能应对根据环境而变化的需求的交叉路口信号运营,从而能够减小城市内拥堵的优点。
另外,根据本发明的一个实施例,具有的优点是,因交通拥堵减少而节省旅行经费及物流费用等,产生社会效益,使得能够向新构建的交通基础设施提供交通信息以及反映(现)交叉路口的实时状况的信号,无需变更原有基础设施或追加费用便可使用,使用性高。
附图说明
图1是用于说明本发明一个实施例的基于深度学习的城市中心区交通拥堵预测及信号控制解决方案系统的概念图。
图2是用于说明本发明一个实施例的基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器的内部结构的框图。
图3是用于说明本发明的基于深度学习的城市中心区交通拥堵预测及信号控制解决方案方法的一个实施例的流程图。
标号说明
100:基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器
200:天气信息提供服务器
300:道路状况信息提供服务器
400:交叉路口信息提供服务器
具体实施方式
下面参照附图,详细说明本发明的实施例。
图1是用于说明本发明一个实施例的基于深度学习的城市中心区交通拥堵预测及信号控制解决方案系统的概念图。
如果参照图1,基于深度学习的城市中心区交通拥堵预测及信号控制解决方案系统包括基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100、天气信息提供服务器200、道路状况信息提供服务器300及交叉路口信息提供服务器400。
基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100是生成关于控制对象交叉路口的实时交通拥堵指数后,根据实时交通拥堵指数而对控制对象交叉路口的信号进行控制的服务器。
为此,基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100分析各交叉路口的拥堵度,根据所述分析结果,将特定交叉路口决定为控制对象交叉路口。
在一个实施例中,基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100分析由交通需求模式决定的地区单位流出交通量形态,决定地区单位交通量变化,根据地区单位交通量变化,将特定交叉路口决定为控制对象交叉路口。
在所述的实施例中,基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100实施对朝向市中心道路网络地区外部的交通需求(outbound demand)和朝向诸如居住道路及停车空间的地区内部的交通需求(local demand)的分析,决定地区单位交通量变化。
另外,基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100根据各种类的交通需求的比率及交通量(traffic volume),实施对相应地区的流出交通量(network outflow)变化形态的分析,决定地区单位交通量变化。
在另一实施例中,基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100分析由交通信号控制决定的地区单位流出交通量形态,决定地区单位交通量变化,根据地区单位交通量变化,将特定交叉路口决定为控制对象交叉路口。
根据作为地区间可移动的车辆数最大值的边界容量(boundary capacity),决定与市中心地区间边界相应的交叉路口之间的信号周期。因此,控制对象交叉路口决定部110根据由交叉路口之间的信号周期调节决定的边界容量变化,分析受到影响的流出交通量形态。
基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100在通过所述的过程决定了控制对象交叉路口后,生成关于控制对象交叉路口的二维时空图像及关于定制型复合数据的二维时空图像。
首先,说明基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100生成关于控制对象交叉路口的二维时空图像的过程。
基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100按时间及空间分析关于控制对象交叉路口的多个图像数据,生成关于控制对象交叉路口的二维时空图像。
首先,基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100分析关于控制对象交叉路口的图像数据,分别表现为二维时空矩阵,利用各个二维时空矩阵,生成二维图像。
基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100在关于控制对象交叉路口的多个图像数据中,将空间分为特定个数的区间,生成关于二维时间及空间的网格后,计算每个区间的平均通行速度。
然后,基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100根据平均通行速度,将相应区间决定为多个通道中的某一个通道后,将与决定的通道相应的数值输入网格。
例如,二维时空图像生成部120根据平均通行速度,将相应区间分类为R(Red,红色)通道、G(Green,绿色)通道及B(Blue,蓝色)通道中的某一个通道。各个通道以8比特的具有256色的数值表现。即,平均通行速度反过来,数值可以用3通道的RGB色表示,一般用0~1之间的值表示。
然后,下面说明基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100按时间及空间分析定制型复合数据中与控制对象交叉路口相应的数据,生成关于定制型复合数据的二维时空图像的过程。
上述定制型复合数据包括气象信息、道路环境信息、时间环境信息、突发状况信息。气象信息包括天气信息、微尘信息等,道路环境信息包括疏通状况信息、通行交通量信息等,突发状况信息包括交通事故信息、故障车辆信息、道路管制信息等,时间环境信息包括时间信息、休息日信息等。
基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100按时间及空间分析关于控制对象交叉路口的多个图像数据,生成关于控制对象交叉路口的二维时空图像。
首先,基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100,通过定制型复合数据中各时间环境信息的天气信息及突发状况信息及关于各自的空间信息(例如,位置信息)而与道路环境信息融合,生成二维时空图像。然后,二维时空图像生成部120以道路环境信息为基础进行标识。
然后,基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100利用关于控制对象交叉路口的二维时空图像及关于定制型复合数据的二维时空图像,生成实时交通拥堵指数。
然后,基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100根据实时交通拥堵指数,对控制对象交叉路口的信号进行控制。
天气信息提供服务器200将气象信息提供给基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100。气象信息包括天气信息、微尘信息等。
道路状况信息提供服务器300将道路状况信息提供给基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100。道路状况信息包括道路环境信息及突发状况信息,道路环境信息包括疏通状况信息、通行交通量信息等,突发状况信息包括交通事故信息、故障车辆信息、道路管制信息等。
交叉路口信息提供服务器400将各交叉路口的识别信息提供给基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100。因此,基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100可以利用各交叉路口的识别信息,分析各交叉路口的拥堵度,根据所述分析结果,可以将特定交叉路口决定为控制对象交叉路口。
图2是用于说明本发明一个实施例的基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器的内部结构的框图。
参照图2,基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100包括控制对象交叉路口决定部110、二维时空图像生成部120、实时交通拥堵指数生成部130、信号控制部140、各交叉路口的识别信息DB150、气象信息DB160、道路环境信息DB170及突发状况信息DB180。
控制对象交叉路口决定部110利用各交叉路口的识别信息DB150,分析各交叉路口的拥堵度,根据所述分析结果,将特定交叉路口决定为控制对象交叉路口。
在一个实施例中,控制对象交叉路口决定部110分析由交通需求模式决定的地区单位流出交通量形态,决定地区单位交通量变化。
在所述的实施例中,控制对象交叉路口决定部110实施对朝向市中心道路网络地区外部的交通需求(outbound demand)和朝向诸如居住道路及停车空间的地区内部的交通需求(local demand)的分析,决定地区单位交通量变化。
另外,控制对象交叉路口决定部110根据各种类的交通需求的比率及交通量(traffic volume),实施对相应地区的流出交通量(network outflow)变化形态的分析,决定地区单位交通量变化。
在另一实施例中,控制对象交叉路口决定部110分析由交通信号控制决定的地区单位流出交通量形态,决定地区单位交通量变化。
根据作为地区间可移动的车辆数最大值的边界容量(boundary capacity),决定与市中心地区间边界相应的交叉路口之间的信号周期。因此,控制对象交叉路口决定部110根据由交叉路口之间的信号周期调节决定的边界容量变化,分析受到影响的流出交通量形态。
二维时空图像生成部120利用气象信息DB160、道路环境信息DB170及突发状况信息DB180,按时间及空间分析定制型复合数据中与控制对象交叉路口相应的数据,生成关于定制型复合数据的二维时空图像。此时,定制型复合数据包括气象信息DB160中存储的气象信息,道路环境信息DB170中存储的道路环境信息、时间环境信息,突发状况信息DB180中存储的突发状况信息。
气象信息包括天气信息、微尘信息等,道路环境信息包括疏通状况信息、通行交通量信息等,突发状况信息包括交通事故信息、故障车辆信息、道路管制信息等,时间环境信息包括时间信息、休息日信息等。
更具体而言,二维时空图像生成部120通过定制型复合数据中各时间环境信息的天气信息及突发状况信息及关于各自的空间信息(例如,位置信息)而与道路环境信息融合,生成二维时空图像。然后,二维时空图像生成部120以道路环境信息为基础进行标识。
另外,二维时空图像生成部120按时间及空间分析关于控制对象交叉路口的多个图像数据,生成关于控制对象交叉路口的二维时空图像。
首先,二维时空图像生成部120分析关于控制对象交叉路口的图像数据,分别表现为二维时空矩阵,利用各个二维时空矩阵,生成二维图像。
二维时空图像生成部120在关于控制对象交叉路口的多个图像数据中,将空间分为特定个数的区间,生成关于二维时间及空间的网格后,计算每个区间的平均通行速度。
然后,二维时空图像生成部120根据平均通行速度,将相应区间决定为多个通道中的某一个通道后,将与决定的通道相应的数值输入于网格。
例如,二维时空图像生成部120根据平均通行速度,将相应区间分类为R(Red,红色)通道、G(Green,绿色)通道及B(Blue,蓝色)通道中的某一个通道。各个通道以8比特的具有256色的数值表现。即,平均通行速度反过来,数值可以用3通道的RGB色表示,一般用0~1之间的值表示。
实时交通拥堵指数生成部130利用二维时空图像生成部120生成的关于控制对象交叉路口的二维时空图像及关于定制型复合数据的二维时空图像,生成实时交通拥堵指数,提供给信号控制部140。
实时交通拥堵指数生成部130以关于控制对象交叉路口的二维时空图像及关于定制型复合数据的二维时空图像的标识为基础,如下述[数学式1]所示,生成用于使实际值与推定值的差异实现最小化的实时交通拥堵指数。
[数学式1]
MES:实际值与推定值的差异,
X:推定值,
Y:实际值,
n:全体数据数
信号控制部140根据借助于实时交通拥堵指数生成部130而生成的实时交通拥堵指数,对控制对象交叉路口的信号进行控制。
在一个实施例中,信号控制部140分析借助于实时交通拥堵指数生成部130而生成的实时交通拥堵指数的模式,设置拥堵指数预测信息范围,根据拥堵指数预测信息范围,对控制对象交叉路口的信号进行控制。
为此,信号控制部140比较分析借助于实时交通拥堵指数生成部130而生成的实时交通拥堵指数的变化及关于过去历史数据的拥堵模式,设置拥堵指数预测信息范围。
此时,交通拥堵指数由于短期是按5分钟~15分钟,长期是按30分钟~1小时的单位收集信息,因此,通过将多样的预测信息长度应用于控制算法进行评价的协调作业,预定设置预测信息的最佳使用范围。
然后,信号控制部140设置拥堵指数预测信息范围、地区单位交通密度(aggregatedtraffic dens ity)及交通流(aggregated traffic flow)等控制算法输入变数后,据此对控制对象交叉路口的信号进行控制。
图3是用于说明本发明的基于深度学习的城市中心区交通拥堵预测及信号控制解决方案方法的一个实施例的流程图。
参照图3,基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100分析由各交叉路口的交通需求模式或交通信号控制决定的地区单位流出交通量形态(步骤S310)。基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100根据所述分析结果,将特定交叉路口决定为控制对象交叉路口(步骤S320)。
基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100按时间及空间分析预先决定的定制型复合数据中关于所述控制对象交叉路口的数据及关于所述控制对象交叉路口的多个图像数据,生成二维时空图像(步骤S330)。
基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100利用关于控制对象交叉路口的二维时空图像及所述定制型复合数据中关于所述控制对象交叉路口数据的二维时空图像,生成实时交通拥堵指数(步骤S340)。
基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器100根据实时交通拥堵指数,控制所述控制对象交叉路口的信号(步骤S350)。
以上就本发明的具体实施例进行了说明,当然,在不超出本发明范围的限度内,可以实现各种变形。因此,本发明的范围不得局限于说明的实施例而确定,应由后述权利要求书以及与该权利要求书的范围均等的内容确定。
如上所述,本发明虽然根据限定的实施例和附图进行了说明,但本发明并非限定于所述的实施例,只要是本发明所属领域的技术人员便可以从这种记载进行多样修订及变形。因此,本发明思想应只通过以下记载的权利要求书来把握,其均等或等价的变形均属于本发明思想的范畴。
Claims (8)
1.一种基于深度学习的城市中心区交通拥堵预测及信号控制解决方案方法,所述基于深度学习的城市中心区交通拥堵预测及信号控制解决方案方法在基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器中运行,其特征在于,包括以下步骤:
分析由各交叉路口的交通需求模式或交通信号控制决定的地区单位流出交通量形态,根据所述分析结果,将特定交叉路口决定为控制对象交叉路口;
按时间及空间分析预先决定的定制型复合数据中关于所述控制对象交叉路口的数据及关于所述控制对象交叉路口的多个图像数据,生成二维时空图像;
利用关于所述控制对象交叉路口的二维时空图像及所述定制型复合数据中关于所述控制对象交叉路口数据的二维时空图像,生成实时交通拥堵指数;及
根据所述实时交通拥堵指数,控制所述控制对象交叉路口的信号。
2.根据权利要求1所述的基于深度学习的城市中心区交通拥堵预测及信号控制解决方案方法,其特征在于,
所述分析由各交叉路口的交通需求模式或交通信号控制决定的地区单位流出交通量形态,根据所述分析结果,将特定交叉路口决定为控制对象交叉路口的步骤包括以下步骤:
实施对朝向市中心道路网络地区外部的交通需求和朝向诸如居住道路及停车空间的地区内部的交通需求的分析,决定地区单位交通量变化;及
根据所述地区单位交通量变化,将特定交叉路口决定为控制对象交叉路口。
3.根据权利要求1所述的基于深度学习的城市中心区交通拥堵预测及信号控制解决方案方法,其特征在于,
所述按时间及空间分析预先决定的定制型复合数据中关于所述控制对象交叉路口的数据及关于所述控制对象交叉路口的多个图像数据,生成二维时空图像的步骤包括以下步骤:
在关于所述控制对象交叉路口的二维时空图像中,将空间分为特定个数的区间,生成关于二维时间及空间的网格后,计算每个区间的平均通行速度;及
根据所述平均通行速度,将相应区间决定为多个通道中的某一个通道后,将与决定的通道相应的数值输入网格。
4.根据权利要求1所述的基于深度学习的城市中心区交通拥堵预测及信号控制解决方案方法,其特征在于,
所述按时间及空间分析预先决定的定制型复合数据中关于所述控制对象交叉路口的数据及关于所述控制对象交叉路口的多个图像数据,生成二维时空图像的步骤包括以下步骤:
通过所述定制型复合数据中各时间环境信息的天气信息及突发状况信息及关于各自的空间信息而与道路环境信息融合,生成二维时空图像;及
以道路环境信息为基础来标识所述二维时空图像。
5.一种基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器,其特征在于,包括:
控制对象交叉路口决定部,其分析由各交叉路口的交通需求模式或交通信号控制决定的地区单位流出交通量形态,根据所述分析结果,将特定交叉路口决定为控制对象交叉路口;
二维时空图像生成部,其按时间及空间分析预先决定的定制型复合数据中关于所述控制对象交叉路口的数据及关于所述控制对象交叉路口的多个图像数据,生成二维时空图像;
实时交通拥堵指数生成部,其利用关于所述控制对象交叉路口的二维时空图像及所述定制型复合数据中关于所述控制对象交叉路口数据的二维时空图像,生成实时交通拥堵指数;及
信号控制部,其根据所述实时交通拥堵指数,控制所述控制对象交叉路口的信号。
6.根据权利要求5所述的基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器,其特征在于,
所述控制对象交叉路口决定部实施对朝向市中心道路网络地区外部的交通需求和朝向诸如居住道路及停车空间的地区内部的交通需求的分析,决定地区单位交通量变化,根据所述地区单位交通量变化,将特定交叉路口决定为控制对象交叉路口。
7.根据权利要求5所述的基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器,其特征在于,
所述二维时空图像生成部在关于所述控制对象交叉路口的二维时空图像中,将空间分为特定个数的区间,生成关于二维时间及空间的网格后,计算每个区间的平均通行速度,根据所述平均通行速度,将相应区间决定为多个通道中的某一个通道后,将与决定的通道相应的数值输入网格。
8.根据权利要求5所述的基于深度学习的城市中心区交通拥堵预测及信号控制解决方案服务器,其特征在于,
所述二维时空图像生成部通过所述定制型复合数据中各时间环境信息的天气信息及突发状况信息及关于各自的空间信息而与道路环境信息融合,生成二维时空图像,以道路环境信息为基础,标识所述二维时空图像。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180127199A KR101969064B1 (ko) | 2018-10-24 | 2018-10-24 | 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 방법 및 이를 실행하는 서버 |
KR10-2018-0127199 | 2018-10-24 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111091705A true CN111091705A (zh) | 2020-05-01 |
Family
ID=66104929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811506394.2A Pending CN111091705A (zh) | 2018-10-24 | 2018-12-10 | 基于深度学习的城市中心区交通拥堵预测及信号控制解决方案方法及运行其的服务器 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10902719B2 (zh) |
KR (1) | KR101969064B1 (zh) |
CN (1) | CN111091705A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274929A (zh) * | 2023-11-21 | 2023-12-22 | 深圳中科超远科技有限公司 | 一种基于视觉分析的交通管理方法及系统 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019212263A1 (de) * | 2019-08-15 | 2021-02-18 | Volkswagen Aktiengesellschaft | Verfahren zur Erhöhung der Verkehrsflussdichte an einer Ampelkreuzung |
KR102155055B1 (ko) * | 2019-10-28 | 2020-09-11 | 라온피플 주식회사 | 강화학습 기반 신호 제어 장치 및 신호 제어 방법 |
KR102305107B1 (ko) | 2019-12-09 | 2021-09-27 | 주식회사 뉴로다임 | 인공지능 기반 지능형 교통제어 시스템 |
KR102296576B1 (ko) * | 2020-01-28 | 2021-09-02 | 한국과학기술정보연구원 | 교통 정보 제공 장치, 교통 정보 제공 방법, 및 교통 정보를 제공하는 프로그램을 저장하는 저장매체 |
CN112071093A (zh) * | 2020-04-22 | 2020-12-11 | 义硕智能股份有限公司 | 交通号志灯的控制系统及方法 |
CN111862636B (zh) * | 2020-08-10 | 2021-07-16 | 长春理工大学 | 一种交通信号控制方法及系统 |
CN112100163A (zh) * | 2020-08-19 | 2020-12-18 | 北京航空航天大学 | 一种基于三维卷积神经网络的路网状态时空预测方法 |
CN112991719B (zh) * | 2021-01-28 | 2022-05-24 | 北京奥泽尔科技发展有限公司 | 一种基于拥堵画像的交通拥堵预测方法及系统 |
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 |
KR102546540B1 (ko) * | 2021-06-16 | 2023-06-22 | 경기대학교 산학협력단 | Lstm 기반 교통 혼잡도 예측 방법 및 장치 |
CN113409601B (zh) * | 2021-07-14 | 2021-12-31 | 深圳市广联智通科技有限公司 | 基于信息智能分析的信号灯控制方法、装置、设备及介质 |
KR102355431B1 (ko) * | 2021-08-25 | 2022-02-08 | 한국건설기술연구원 | Ai 기반 돌발상황 검지 방법 및 그 시스템 |
CN114202917B (zh) * | 2021-12-02 | 2022-11-22 | 安徽庐峰交通科技有限公司 | 基于动态交通流短时预测的施工区域交通控制与诱导方法 |
CN114220271B (zh) * | 2021-12-21 | 2023-06-30 | 南京理工大学 | 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质 |
CN114550453B (zh) * | 2022-02-23 | 2023-09-26 | 阿里巴巴(中国)有限公司 | 模型训练方法、确定方法、电子设备及计算机存储介质 |
CN115394083B (zh) * | 2022-08-29 | 2023-06-06 | 合肥工业大学 | 一种基于深度学习的高速公路交通拥堵预测方法 |
CN117173896B (zh) * | 2023-11-02 | 2024-01-16 | 深圳市地铁集团有限公司 | 基于arm技术体系的视觉通行控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100063715A1 (en) * | 2007-01-24 | 2010-03-11 | International Business Machines Corporation | Method and structure for vehicular traffic prediction with link interactions and missing real-time data |
CN103258427A (zh) * | 2013-04-24 | 2013-08-21 | 北京工业大学 | 基于信息物理网络的城市快速路交通实时监控系统与方法 |
CN104200680A (zh) * | 2014-08-18 | 2014-12-10 | 浙江大学 | 过饱和交通状态下城市干道的交通信号协调控制方法 |
CN106023605A (zh) * | 2016-07-15 | 2016-10-12 | 姹ゅ钩 | 一种基于深度卷积神经网络的交通信号灯控制方法 |
KR101696881B1 (ko) * | 2016-01-06 | 2017-01-17 | 주식회사 씨티아이에스 | 교통 정보 분석 방법 및 장치 |
Family Cites Families (7)
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 |
JP4525740B2 (ja) * | 2007-11-21 | 2010-08-18 | オムロン株式会社 | 信号制御装置 |
US8050854B1 (en) * | 2007-11-26 | 2011-11-01 | Rhythm Engineering, LLC | Adaptive control systems and methods |
KR20110026221A (ko) * | 2009-09-07 | 2011-03-15 | 자동차부품연구원 | 교통 환경 및 상황 분석시스템 |
US9412271B2 (en) * | 2013-01-30 | 2016-08-09 | Wavetronix Llc | Traffic flow through an intersection by reducing platoon interference |
KR20150072471A (ko) * | 2013-12-19 | 2015-06-30 | 건국대학교 산학협력단 | 시공간 확률 모델을 이용한 교통 흐름 예측 시스템 |
US10332391B2 (en) * | 2016-12-06 | 2019-06-25 | Here Global B.V. | Split lane traffic jam detection and remediation |
-
2018
- 2018-10-24 KR KR1020180127199A patent/KR101969064B1/ko active IP Right Grant
- 2018-11-12 US US16/186,899 patent/US10902719B2/en active Active
- 2018-12-10 CN CN201811506394.2A patent/CN111091705A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100063715A1 (en) * | 2007-01-24 | 2010-03-11 | International Business Machines Corporation | Method and structure for vehicular traffic prediction with link interactions and missing real-time data |
CN103258427A (zh) * | 2013-04-24 | 2013-08-21 | 北京工业大学 | 基于信息物理网络的城市快速路交通实时监控系统与方法 |
CN104200680A (zh) * | 2014-08-18 | 2014-12-10 | 浙江大学 | 过饱和交通状态下城市干道的交通信号协调控制方法 |
KR101696881B1 (ko) * | 2016-01-06 | 2017-01-17 | 주식회사 씨티아이에스 | 교통 정보 분석 방법 및 장치 |
CN106023605A (zh) * | 2016-07-15 | 2016-10-12 | 姹ゅ钩 | 一种基于深度卷积神经网络的交通信号灯控制方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274929A (zh) * | 2023-11-21 | 2023-12-22 | 深圳中科超远科技有限公司 | 一种基于视觉分析的交通管理方法及系统 |
CN117274929B (zh) * | 2023-11-21 | 2024-06-11 | 博时信息科技(深圳)有限公司 | 一种基于视觉分析的交通管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
KR101969064B1 (ko) | 2019-04-15 |
US20200135018A1 (en) | 2020-04-30 |
US10902719B2 (en) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111091705A (zh) | 基于深度学习的城市中心区交通拥堵预测及信号控制解决方案方法及运行其的服务器 | |
EP2747000B1 (en) | System and method for automatic allocation of mobile resources to tasks | |
WO2018141403A1 (en) | System, device and method for managing traffic in a geographical location | |
US6850171B2 (en) | Method, system and control device for controlling light signal transmitters at intersections | |
US11145198B2 (en) | Predictive traffic management system | |
CN113316808A (zh) | 通过交通状态的时空扩展搜索空间控制交通信号 | |
CN110648533A (zh) | 一种交通管控方法、设备、系统及存储介质 | |
WO2012140152A1 (en) | Network comprising nodes associated with outdoor lighting devices | |
EP4060642A1 (en) | Method and system of predictive traffic flow and of traffic light control | |
CN115331425B (zh) | 一种交通预警方法、装置和系统 | |
WO2021073716A1 (en) | Traffic reasoner | |
Wu et al. | Multiple-clustering ARMAX-based predictor and its application to freeway traffic flow prediction | |
CN110276951B (zh) | 一种基于移动互联网交通拥堵预警方法 | |
CN109141422A (zh) | 一种基于路边单元机器学习的车辆定位方法及系统 | |
Hounsell et al. | Urban network traffic control | |
CN117351734A (zh) | 一种车辆延误的智能调控方法及系统 | |
JP7296567B2 (ja) | 交通信号制御装置、交通信号制御システムおよび交通信号制御方法 | |
Sinha et al. | Sustainable time series model for vehicular traffic trends prediction in metropolitan network | |
Dubey | Adaptive Traffic Control System: The Smart and Imperative Traffic Monitoring System for India | |
Chanloha et al. | Cell transmission model-based multiagent Q-learning for network-scale signal control with transit priority | |
CN113688687B (zh) | 一种基于电警数据的交通拥堵状态快速识别预测方法 | |
CN117935561B (zh) | 一种基于北斗数据的智能交通流分析方法 | |
CN117456737B (zh) | 基于3d视觉智能的智慧交通大数据处理方法及系统 | |
CN117975736B (zh) | 一种无人驾驶车辆车路协同应用场景测试方法及系统 | |
Misnan et al. | Conceptual Design of Smart Network Adaptive Traffic Light in Creating Low-Carbon City |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200501 |