CN111127887B - 一种基于实时交通状态驱动的信号控制优化系统及方法 - Google Patents

一种基于实时交通状态驱动的信号控制优化系统及方法 Download PDF

Info

Publication number
CN111127887B
CN111127887B CN201911314485.0A CN201911314485A CN111127887B CN 111127887 B CN111127887 B CN 111127887B CN 201911314485 A CN201911314485 A CN 201911314485A CN 111127887 B CN111127887 B CN 111127887B
Authority
CN
China
Prior art keywords
abnormal
intersection
regulation
time
traffic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911314485.0A
Other languages
English (en)
Other versions
CN111127887A (zh
Inventor
金峻臣
戎丁丁
陈乾
庞钰琪
周浩敏
费亚英
刘多
王辉
郭海锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yinjiang Technology Co.,Ltd.
Original Assignee
Enjoyor Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Enjoyor Co Ltd filed Critical Enjoyor Co Ltd
Priority to CN201911314485.0A priority Critical patent/CN111127887B/zh
Publication of CN111127887A publication Critical patent/CN111127887A/zh
Application granted granted Critical
Publication of CN111127887B publication Critical patent/CN111127887B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G08G1/0104—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
    • G08G1/08—Controlling traffic signals according to detected number or speed of vehicles

Landscapes

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

Abstract

本发明涉及一种基于实时交通状态驱动的信号控制优化系统及方法，本发明能够评估实时交通指标、识别异常事件、并筛选出具有调控意义的异常事件，进一步推送实时调控方案并自动下发至信控系统，最后验证调控效果，并最终积累调控经验用于下一步方案的推荐；本发明大大缓解城市道路的拥堵问题。

Description

一种基于实时交通状态驱动的信号控制优化系统及方法
技术领域
本发明涉及城市交通领域，尤其涉及一种基于实时交通状态驱动的信号控制优化系统及方法。
背景技术
当前，交通拥堵在世界各国大中城市普遍存在。城市交通拥堵具有严重的危害性，其直接后果主要表现在两方面：一是时间延误和能源浪费，给社会带来极大的经济损失；二是车速过低，排放大量的废弃物和产生大量的噪声，使城市环境的质量大大下降，进而对城市居民的健康造成严重危害。如果能够对交通拥堵进行及时、准确的识别，并制定信号配时策略，必将能够最大程度降低交通拥堵所带来的负面影响，大幅度提高整个城市道路交通系统的运行水平。
传统交通拥堵以路面警力为主体，人工后台查看监控为补充，存在警力紧张、监控人工查看速度慢等问题。实时交通状态识别就是利用摄像监控和各类数据实时感知交通拥堵点，并利用可视化手段展示出来。相对于传统手段，实时交通状态识别能加及时、有效地识别拥堵。然而，传统的自适应交通信号控制方法无法满足针对路口的实时信号优化的需求；人工实时调整信控方案也具有效率低、不可复制等缺点，面临着实时识别出的异常点与信控工程师数严重不匹配的现状。传统的信控手段与现代化的拥堵识别方式不匹配的问题日益突出，亟需新技术手段解决。
发明内容
本发明为克服上述的不足之处，目的在于提供一种基于实时交通状态驱动的信号控制优化系统及方法，本发明能够评估实时交通指标、识别异常事件、并筛选出具有调控意义的异常事件，进一步推送实时调控方案并自动下发至信控系统，最后验证调控效果，并最终积累调控经验用于下一步方案的推荐；本发明大大缓解城市道路的拥堵问题。
本发明是通过以下技术方案达到上述目的：一种基于实时交通状态驱动的信号控制优化方法，包括如下步骤：
(1)异常交通事件识别模块基于路口实时交通状况数据进行评估，识别判断异常事件信息；
(2)异常事件筛选模块筛选异常事件信息，并按重要程度对其排序；
(3)调控方案推荐模块对比历史经验库信息和异常路口信息，判断是否有匹配的历史经验：若为是，则推荐历史经验库中相应的信号控制方案；否则，推荐基于离散信号优化原理的信号控制方案。
作为优选，所述步骤(1)识别判断异常信息具体如下：
(1.1)对路口实时交通状况数据进行处理，其中，数据处理包括基础数据获取和数据整合；获取的基础数据包括路口监测器得到的流量、饱和度数据、路口速度数据，交通管理部门的路口地理数据、信号系统的运行记录；数据整合包括补全，修复，匹配操作；
(1.2)进行状态评估：根据经过处理后的路口基础数据，计算路口各进口道的交通指标，估计路口的交通现状，并与历史值进行比较，判断路口各进口道是否处于正常承载范围内，如不处于正常承载范围，则判断该路口处于异常，即发生异常事件。
作为优选，所述的异常事件包括常态异常和非常态异常两种类型，常态异常指在相对应时间内规律性产生的异常事件；非常态异常指偶然发生、不具备很强的规律性的异常事件；其中，当交通指标变化值在允许的限域内，则说明为常态异常；当交通指标的变化值超过了允许的限域，则说明交通呈现不连续的变化，则说明为非常态异常。
作为优选，所述的异常事件包括常态异常和非常态异常两种类型，常态异常指在相对应时间内规律性产生的异常事件；非常态异常指偶然发生、不具备很强的规律性的异常事件；其中，当交通指标变化值在允许的限域内，则说明为常态异常；当交通指标的变化值超过了允许的限域，则说明交通呈现不连续的变化，则说明为非常态异常。
作为优选，所述异常事件信息包括：路口A1、A2、…、Ak、…、AN、路口等级Sk、t时刻路口Ak进口道异常事件Yk,i,t、路口Ak进口道异常事件类型Tk,i,t、路口调控信息Ck,t；计算路口异常事件Yk,t＝101*Yk,1,t+102*Yk,2,t+…+10i*Yk,i,t+…+10I*Yk,I,t路口异常事件类型Tk,t＝Tk,1,t*Tk,2,t*…*Tk,i,t*…*Tk,I,t；Yk,i,t取值1,0,其中1表示发生异常事件，0表示未发生异常事件，Tk,i,t取值1,0,其中1表示常态异常，0表示非常态异常；
所述筛选异常事件信息，采用的方法为：根据路口异常事件类型和路口调控信息，提取推荐异常事件信息{Zk,1、Zk,2、…、Zk,t}，
当Tk,t.＝0时，Zk,t＝Yk,t；当Tk,t.＝1时，识别路口调控信息是否实施调控，若是，则在调控时间窗TTk范围内，Zk,t＝0，其他情况下，Zk,t＝Yk,t，调控时间窗根据路口等级设置。
作为优选，所述按重要程度对其排序，具体如下：
(A)采集路口历史异常信息，提取推荐异常事件特征，所述推荐异常事件特征包括连续异常次数Ht、异常事件强度SSt、异常方向数Dt、路口等级Sk；其中，连续异常次数Ht为t时刻往前计数，路口连续包含同一进口道异常的次数；异常事件强度SSt为t时刻向前时间窗TT内异常次数与历史同时段变化的比例；异常方向数Dt为t时刻路口包括异常进口道的数量；
(B)对历史异常事件进行推荐重要性标记；
(C)对同一时刻的历史异常事件进行推荐重要性排序归一化；
(D)基于平衡分割回归树，采用某个时间跨度的数据构建的数据集对平衡分割回归树进行优化训练；其中特征为推荐异常事件特征，预测值为路口推荐重要性排序；
(E)当实时监测到路口异常后，通过计算得到当前路口的连续异常次数、异常事件强度、异常方向数和路口等级，基于优化训练后的平衡分割回归树预测出路口推荐重要性排序，最后得到的顺序即为推荐顺序。
作为优选，所述平衡分割回归树的原理为：平衡分割回归树方法的目标是将数据分割成叶节点上的许多子集使平均值能够很好地代表每个数据的预测值子集；树构造算法的关键是将数据划分为子集的分割标准；分割标准是让两个节点内部的差异尽量小,节点间的差异尽量大；如果从父节点到子节点的节点残值没有改善，则分列没有意义；相反，如果一个分割结果是纯子节点，那么这个分割是有意义的；残值可以通过残值平方和的变化量来衡量，具体为：
设i(X)为父节点(i(P))上、左子节点(i(L))和右子节点(i(R))节点内残值的度量值；最佳分割变量和阈值为当树生长时，节点中残值最小的节点；对于传统回归树残值可以表示为：
Figure GDA0002819514750000051
残值平方和来衡量表示为：
Figure GDA0002819514750000052
其中，NL和NR为左分支和右分支的观察值，即训练数据的排名得分，
Figure GDA0002819514750000053
和
Figure GDA0002819514750000054
为左分支和右分支的样本方差；
由此改进，平衡分割回归树的残值方程为：
Figure GDA0002819514750000055
此方程满足最小化样本方差要求；该方程会倾向于选择平衡左右分支的观测次数，最终生成平衡分割回归树，因为概率阈值接近0.5时会使方程总值更低；假设有一个变量，不管分割阈值是多少，左分支样本方差
Figure GDA0002819514750000056
和右分支的样本方差
Figure GDA0002819514750000057
为1；则传统的残值方程为：
Figure GDA0002819514750000058
则平衡分割回归树的残值方程为：
Figure GDA0002819514750000061
传统的杂质函数没有连接到任何特定的阈值，但杂质函数值的平衡分割回归树在当概率接近0.5时达到最小值；因此，在树的生长过程中，平衡分割回归树倾向于将观测分为两组具有相同的观察值，这最终使得每个叶片包含的成分大致相等观察。
作为优选，若无匹配的历史经验，则根据实时交通情况判断配时调整策略，并基于离散信号优化推荐优化控制方案；其中配时调整策略判断基于路口的进出口道数量有所区别，具体如下：
(i)若路口为十字路口时，首先根据路口异常方向数判断，当异常方向为4个方向时，判断仅调整周期；当异常方向为3个方向时，需调整周期同时调整绿信比；当异常方向数为2时，再判断异常方向是否为对向，当判断为是时，调整绿信比；当判断为否时，仅调整周期；当异常方向数为1时，仅调整绿信比；
(ii)若路口为T字型路口时，首先从路口异常方向数判断：当异常方向数为3时，判断仅调整周期；当异常方向为2个方向时，再判断异常方向是否包含T字尾部，若是则调整周期同时调整绿信比，若否，仅调整绿信比；若异常方向数为1时，仅调整绿信比；
其中，调整周期的流程为先判断是否达到信号系统最大周期设置，若已经达到，则不做调整，若未达到，则计算优化周期，并判断优化后的周期是否达到路口的最大周期限制，若达到，按照最大周期调整，若未达到，按照计算的优化周期调整；
调整绿信比的流程为计算优化绿信比，并判断优化后的相位绿灯时间是否超出绿灯时间最大最小区间，若超出，按照最大/最小绿灯时间调整，若未超出，按照计算出的优化绿信比调整。
作为优选，还包括步骤(4)：效果验证模块进行验证方案效果，若无效，则降级为人工调控；若有效，将方案记入历史经验库模块内，用于下一阶段的方案推荐。
作为优选，所述历史经验库模块内的历史经验库信息需要不断更新与淘汰，其更新规则包括：
(a)历史经验库中必须是有效的调控经验；
(b)相同路口相似流量条件下，仅保留一条调控方案；其中相同路口相似流量的判定标准为差异度小于5％；
(c)人工调控方案优先级高于算法推荐调控方案；
(d)调控后指标好转比例大的优先级高于调控后指标好转比例小的。
一种基于实时交通状态驱动的信号控制优化系统，包括异常交通事件识别模块、异常事件筛选模块、调控方案推荐模块、效果验证模块、历史经验库模块；
所述的异常交通事件识别模块用于整合数据，实现对路口各进口道实时交通状态的评估，判断路口各进口道是否处于异常状态，若处于异常状态，则生成异常事件信息；
所述的异常事件筛选模块用于筛选出具有调控意义的异常事件，从而推荐实时调控方案；
所述的调控方案推荐模块用于对异常路口实时调控，推荐合适的信号调控方案，使路口的信号控制方案符合当前路口环境的要求；
所述的效果验证模块用于判定调控方案推荐模块生成的信控方案是否能够有效缓解交通问题，是否符合当前路口的流量特征；
所述的历史经验库模块用于记录和保存有效的调控经验，用于实时推荐。
本发明的有益效果在于：本发明能够评估实时交通指标、识别异常事件、并筛选出具有调控意义的异常事件，进一步推送实时调控方案并自动下发至信控系统，最后验证调控效果，并最终积累调控经验用于下一步方案的推荐；本发明大大缓解城市道路的拥堵问题。
附图说明
图1是本发明的系统流程示意图；
图2是本发明实施例的路口各进口道指标分布图；
图3是本发明的异常筛选模块功能流程示意图；
图4是本发明实施例的十字路口配时调整策略决策示意图；
图5是本发明实施例的T字路口配时调整策略决策示意图；
图6是本发明实施例的周期调整流程示意图；
图7是本发明实施例的绿信比调整流程示意图；
图8是本发明的效果验证模块功能流程示意图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：
实施例：一种基于实时交通状态驱动的信号控制优化系统由异常交通事件识别模块、异常事件筛选模块、调控方案推荐模块、效果验证模块、历史经验库模块五个模块组成。
异常交通事件识别模块用于整合数据，实现对路口各进口道实时交通状态的评估，判断路口各进口道是否处于异常状态，即发生了异常事件；若处于异常状态，则生成异常事件信息；其中，本发明将在某时刻路口非正常交通状态的发生称为异常事件。例如，交通事故的发生使路口某进口道速度急剧下降，引发拥堵，则称该路口发生异常事件。异常事件识别为：当某个路口某时刻交通指标到达阈值时，判断该路口处于异常，即该路口发生异常事件。
本发明将异常事件分为两个类型：常态异常和非常态异常。
常态异常，指在相对应时间内规律性产生的异常事件，通常很难解除。
非常态异常，指偶然发生、不具备很强的规律性的异常事件，是最需要实时调控的异常事件，通常能通过调控很快解除。
异常事件类型识别：交通指标变化值在一定的限域内，则说明为常态异常；当交通指标的变化值超过了一定的限域，则说明交通呈现不连续的变化，此时认为路上发生了偶发性事件，即为非常态异常。
异常事件筛选模块用于筛选出具有调控意义的异常事件，从而推荐实时调控方案；
调控方案推荐模块用于对异常路口实时调控，推荐合适的信号调控方案，使路口的信号控制方案符合当前路口环境的要求；
效果验证模块用于判定调控方案推荐模块生成的信控方案是否能够有效缓解交通问题，是否符合当前路口的流量特征；
历史经验库模块用于记录和保存有效的调控经验，用于实时推荐。其中历史经验库中的方案需要不断地更新和淘汰，更新规则如下：
1、经验库中必须是有效的调控经验；
2、相同路口相似流量(差异度小于5％)条件下，仅保留一条调控方案；
3、人工调控方案优先级高于算法推荐调控方案；
4、调控后指标好转比例大的优先级高于调控后指标好转比例小的。
如图1所示，一种基于实时交通状态驱动的信号控制优化方法，包括如下步骤：
(1)异常交通事件识别模块基于路口实时交通状况数据进行评估，识别判断异常事件信息；具体如下：
1)数据处理：数据处理包括基础数据获取和数据整合。基础数据有路口监测器得到的流量、饱和度数据、互联网公司如地图运营厂商，地图导航运营厂商和交通出行运营厂商等的速度数据，交通管理部门的路口地理数据、信号系统的运行记录。数据整合包括补全，修复，匹配等。
2)状态评估：根据经过处理后的路口基础数据，计算路口各进口道的交通指标，从而估计路口的交通现状，并与历史值进行比较，从而得出判断路口各进口道处于正常承载范围内，如超出正常，则判断该路口该进口道异常。如图2的路口各方向指标分布图，指标超出阈值的时刻就触发异常事件。
例：路口A1有4个进口道，从线圈、视频等交通检测器每个2min采集路口各进口道的速度X1,i,t，根据4个进口道的历史交通指标数据，计算4个进口道的正常承载范围：
第i个进口道t时刻的最小阈值：X1,i,t,min＝0
第i个进口道t时刻的最大阈值：X1,i,t,max＝0.3V1,i,0
其中V1,i,0为第i个车道的自由流速度
判断4个进口道的速度是否处于正常承载范围内，触发异常事件：
第i个进口道t时刻触发异常事件，Y1,i,t＝1，if X1,i,t,min<＝X1,i,t<X1,i,t,max elseY1,i,t＝0
其中，异常事件类型判断如下：当第i个进口道t时刻相对t-1时刻速度变化超过自由流速度的10％，即|X1,i,t-1-X1,i,t|>0.1Vi,0，判断为非常态异常T1,i,t＝0，否则判断为常态异常T1,i,t＝1。
(2)异常事件筛选模块筛选异常事件信息，并按重要程度对其排序；如图3所示，具体为：
1)获取异常信息数据。数据包括：路口A1、A2、…、Ak、…、AN，t时刻路口Ak进口道异常事件Yk,i,t、路口Ak进口道异常事件类型Tk,i,t、路口等级Sk、路口调控信息Ck,t-n、Ck,t-3、Ck,t-2、Ck,t-1、Ck,t。计算路口异常事件Yk,t＝101*Yk,1,t+102*Yk,2,t+…+10i*Yk,i,t+…+10I*Yk,I,t路口异常事件类型Tk,t＝Tk,1,t*Tk,2,t*…*Tk,i,t*…*Tk,I,t；Yk,i,t取值1,0,其中1表示发生异常事件，0表示未发生异常事件，Tk,i,t取值1,0,其中1表示常态异常，0表示非常态异常。
如果以路口A1为例，假设路口A1有4个进口道，当t时刻i进口道异常事件发生时，Y1,i,t＝1，t时刻路口异常事件Y1,t＝101*Y1,1,t+102*Y1,2,t+103*Y1,3,t+104*Y1,4,t。当Y1,t＝1111时，表示路口A14个进口都发生了异常事件。
异常事件信息特征说明：路口A，路口等级为1级，异常事件类型为常态异常，异常事件信息特征如下表1所示：
Figure GDA0002819514750000121
表1
t时刻，路口异常事件类型T1,t＝T1,1,t*T1,2,t*T1,3,t*T1,4,t。当路口有进口异常事件类型为非常态异常时，则判断路口异常事件类型为非常态异常。
假设A1路口的等级为1级，则Sk＝1(路口等级为根据道路状态事先确定的分级)。当t时刻，路口A1进行了调控，则C1,t＝1。否则C1,t＝0。
2)根据异常事件类型和调控信息，提取推荐异常事件信息{Zk,1、Zk,2、…、Zk,t}。
例：路口Ak的初始路口异常事件信息：{Yk,1、Yk,2、…、Yk,t}；当t时刻，异常事件类型为非常态异常(Tk,t.＝0)时，推荐异常事件信息为初始异常事件信息Zk,t＝Yk,t；(此时不论路口调控信息C的状态，因为非常态异常是最需要实时调控的异常事件)当t时刻，异常事件类型为常态异常(Tk,t.＝1)时，根据路口调控信息Ck,t，根据调控信息提取推荐异常事件信息，设置调控时间窗TTk(不同路口等级设置不同的调控时间窗，当路口等级越高，调控时间窗越短)，当满足：
(1)Ck,t＝1；
(2)(1-Ck,t+1)*(1-Ck,t+2)*…*(1-Ck,t+△t)＝1；
(3)△t<TTk；时
在t+1和t+△t时间段，推荐异常事件信息为空Zk,t+1＝0…Zk,t+△t＝0(此时说明t时刻有调控，在时间窗TT范围内发生的常态异常事件对调控需求较低)；
不满足(1)-(3)条件时，推荐异常事件信息为初始异常事件信息Zk,t＝Yk,t
如：假设设定调控时间窗10分钟内，调控过的路口发生异常事件无需推荐，当Ck,t-5＝1，Ck,t-4＝0，Ck,t-3＝0，Ck,t-2＝0，Ck,t-1＝0时，满足要求，则在t-4和t-1时间段提取特征为空。
3)基于推荐异常事件信息，提取推荐异常事件特征；
路口Ak的推荐异常事件信息{Zk,1、Zk,2、…、Zk,t}，异常事件类型Tk,t、路口等级Sk、路口调控信息Ck,t，推荐异常事件特征包括：连续异常次数、异常事件强度、异常方向数、路口等级。其中，路口连续异常次数Ht为t时刻往前计数，路口连续包含同一进口道异常的次数。异常事件强度SSt为t时刻向前时间窗TT内异常次数与历史同时段变化的比例。异常方向数Dt为t时刻路口包括异常进口道的数量。
以路口A为例，路口等级为1级，提取异常事件信息，如表2所示：
Figure GDA0002819514750000141
表2
4)异常事件推荐重要性排序。非常态异常事件根据连续异常次数倒序排列。常态异常事件按照连续异常次数、异常事件强度、异常方向数、路口等级进行推荐重要性排序。
其中在排序时，本发明主要考虑四个排序因素：连续异常次数、异常事件强度、异常方向和路口等级。利用平衡分列回归树预测排名得分，并对排名得分进行排序，作为最终的异常事件排名。具体如下：a)计算排序因素：连续异常次数、异常事件强度、异常方向数、路口等级；
b)采集路口历史异常信息，对历史异常事件进行推荐重要性标记，如下表3所示。
Figure GDA0002819514750000151
表3
c)对同一时刻的历史异常事件进行推荐重要性排序归一化：
由于四个排序因素本身数值与量纲不相等，需要先将这些因素进行标准化处理，本发明采用排序归一化的方法来标准化这些变量。在同一时刻，对于每个因素，分别排序，最高得分为1，最低的得分为0。其余因素得分为按比例在0-1之间的值。
这种归一化方法的优势在于：
1.聚焦于同一时刻因素的比较，避免了时间因素对于因素的影响。比如，在早晚高峰，事件的连续异常次数的数值普遍较高，但平峰和夜间则普遍较低；
2.避免异常数据对回归结果的影响。
3.减少错误数据对统计分析和发展的影响回归模型。
d)平衡分割回归树：其中回归树用于排序的思路如下：
上面的步骤后，获得了路口A1、A2、…、Ak、…、AN的异常事件信息特征<路口A、路口连续异常次数、路口异常事件强度、路口异常方向数、路口等级>和推荐重要性排序。
输入数据<路口A、路口连续异常次数、路口异常事件强度、路口异常方向数、路口等级>，输出数据推荐重要性排序
用一个月的数据构建数据集，特征为路口连续异常次数、路口异常事件强度、路口异常方向数和路口等级，预测值为路口推荐重要性排序。当实时监测到路口异常后，可通过计算得到的路口连续异常次数、路口异常事件强度、路口异常方向数和路口等级，预测出路口推荐重要性排序。
回归树原理如下：
回归树方法的目标是将数据分割成叶节点上的许多子集使平均值能够很好地代表每个数据的预测值子集。树构造算法的关键是将数据划分为子集的分割标准。分割标准是让两个节点内部的差异尽量小,节点间的差异尽量大。如果从父节点到子节点的节点残值(预测值与实际值的偏差)没有改善，则分列没有意义。相反，如果一个分割结果是纯子节点，那么这个分割是有意义的。残值可以通过残值平方和Residual Sum of Squares的变化量来衡量。
设i(X)为父节点(i(P))上、左子节点(i(L))和右子节点(i(R))节点内残值的度量值。最佳分割变量和阈值为当树生长时，节点中残值最小的节点。对于传统回归树残值可以表示为：
Figure GDA0002819514750000171
残值平方和来衡量表示为：
Figure GDA0002819514750000172
其中，NL和NR为左分支和右分支的观察值(训练数据的排名得分)，
Figure GDA0002819514750000173
和
Figure GDA0002819514750000174
为左分支和右分支的样本方差。
在这里，左分支和右分支的值通过加权平均的方式组合在一起。然而，这种方式往往会生成不平衡回归树，即树叶中的观察值数量不平衡。
为改进，平衡分割回归树的残值方程为：
Figure GDA0002819514750000175
此方程满足最小化样本方差要求(例如，最小化所有分支的方差)。该方程会倾向于选择平衡左右分支的观测次数，最终生成平衡分割的回归树，因为概率阈值接近0.5时会使方程总值更低(因此观察值数量在不同分支更为平衡)。假设有一个变量，不管分割阈值是多少，左分支样本方差
Figure GDA0002819514750000176
和右分支的样本方差
Figure GDA0002819514750000177
为1。则传统的残值方程为：
Figure GDA0002819514750000178
则平衡分割的回归树残值方程为：
Figure GDA0002819514750000181
传统的杂质函数没有连接到任何特定的阈值，但杂质函数值的平衡分裂回归树会当概率接近0.5时达到最小值。因此，在树的生长过程中，平衡分割回归树倾向于将观测分为两组具有相同的观察值，这最终使得每个叶片包含的成分大致相等观察。
e)预测排序：用一个月的训练数据生成回归树，并实时计算每一时刻，异常事件的预测推荐重要性，将这些推荐重要性进行排序，最后得到的顺序即为推荐顺序。
5)输出异常事件推荐列表。将排序后的非常态异常和常态异常整合，形成异常事件推荐列表，并推送前端展示。其中，非常态异常总在常态异常之前。同时将过滤的异常事件整合一起，推送后台过滤列表。
(3)调控方案推荐模块对比历史经验库信息和异常路口信息，判断是否有匹配的历史经验：若为是，则推荐历史经验库中相应的信号控制方案；否则，推荐基于离散信号优化原理的信号控制方案。
本发明中的调控方案推荐模块会根据路口实时状态推荐路口实时信号控制方案。根据路口当前状态是否有相似的历史经验，实时方案推荐部分分为两种推荐方法，分别为历史经验控制方案和基于离散信号优化控制方案。
1)历史经验控制方案：
当判断路口当前各方向流量、速度、排队长度等各方面情况与历史经验库中各方面指标相似时，系统将会推荐历史经验方案。
2)基于离散信号优化控制方案：
当在历史经验库中搜索不到路口在相似流量等指标下的调控方案时，系统将根据实时交通情况判断配时调整策略，并基于离散信号优化推荐优化控制方案。
配时调整策略判断基于路口的进出口道数量有所区别。
路口为十字路口时，如图4所示，首先根据路口异常方向数判断，当异常方向为4个方向时，判断仅调整周期；当异常方向为3个方向时，需调整周期同时调整绿信比；当异常方向数为2时，再判断异常方向是否为对向，当判断为是时，调整绿信比；当判断为否时，仅调整周期；当异常方向数为1时，仅调整绿信比。
路口为T字型路口时，如图5所示，同样先从路口异常方向数判断。当异常方向数为3时，判断仅调整周期；当异常方向为2个方向时，再判断异常方向是否包含T字尾部，若是则调整周期同时调整绿信比，若否，仅调整绿信比。若异常方向数为1时，仅调整绿信比。
调整周期的流程为先判断是否达到信号系统最大周期设置，若已经达到，则不做调整，若未达到，按一定方法计算优化周期，并判断优化后的周期是否达到路口的最大周期限制，若达到，按照最大周期调整，若未达到，按照计算的优化周期调整。流程图见附图6。
调整绿信比的流程为按一定方法计算优化绿信比，并判断优化后的相位绿灯时间是否超出绿灯时间最大最小区间，若超出，按照最大/最小绿灯时间调整，若未超出，按照计算出的优化绿信比调整。流程图见附图7。
(4)效果验证模块进行验证方案效果，若无效，则降级为人工调控；若有效，将方案记入历史经验库模块内，用于下一阶段的方案推荐。
本发明定义的有效调控为：路口异常事件生成并调控后，异常解除或异常方向指标好转10％以上。对于不同类型的异常事件，具体为：
1)交通状态不均衡：异常解除或异常方向指标好转，且其他方向未出现异常；
2)常态异常：异常解除或异常方向指标好转，且其他方向未出现异常；
3)非常态异常：异常解除；
具体验证流程如下，如图8所示：
1)调控后验证异常是否解除，若解除，则该次调控为有效调控，记入经验库；
2)若异常未解除，判断是否为非常态异常；若是，降级为人工调控；
3)若第二步判断为否，继续判断异常路段指标是否好转10％以上，若为是，进入下一步，若为否，降级为人工调控；
4)若第三步判断为是，继续判断异常路口其他方向路段指标是否恶化超过5％，若为否，则该次调控为有效调控，记入经验库，若为是，降级为人工调控；
5)所有降级为人工调控的路口，在调控后继续判定异常是否解除。
综上所述，本发明包含从发现异常事件、筛选异常到针对异常事件实时推荐信控方案、下发方案至信控系统、评测调控效果、记录调控方案，并最终积累调控经验用于方案推荐，实现了完整的闭环。
以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (8)

1.一种基于实时交通状态驱动的信号控制优化方法，其特征在于，包括如下步骤：
(1)异常交通事件识别模块基于路口实时交通状况数据进行评估，识别判断异常事件信息；
(2)异常事件筛选模块筛选异常事件信息，并按重要程度对其排序；其中，所述异常事件信息包括：路口A1、A2、…、Ak、…、AN、路口等级Sk、t时刻路口Ak进口道异常事件Yk,i,t、路口Ak进口道异常事件类型Tk,i,t、路口调控信息Ck,t；计算路口异常事件Yk,t＝101*Yk,1,t+102*Yk,2,t+…+10i*Yk,i,t+…+10I*Yk,I,t路口异常事件类型Tk,t＝Tk,1,t*Tk,2,t*…*Tk,i,t*…*Tk,I,t；Yk,i,t取值1,0,其中1表示发生异常事件，0表示未发生异常事件，Tk,i,t取值1,0,其中1表示常态异常，0表示非常态异常；
所述按重要程度对其排序，具体如下：
(A)采集路口历史异常信息，提取推荐异常事件特征，所述推荐异常事件特征包括连续异常次数Ht、异常事件强度SSt、异常方向数Dt、路口等级Sk；其中，连续异常次数Ht为t时刻往前计数，路口连续包含同一进口道异常的次数；异常事件强度SSt为t时刻向前时间窗TT内异常次数与历史同时段变化的比例；异常方向数Dt为t时刻路口包括异常进口道的数量；
(B)对历史异常事件进行推荐重要性标记；
(C)对同一时刻的历史异常事件的排序因素的数值进行排序归一化；
(D)基于平衡分割回归树，采用某个时间跨度的数据构建的数据集对平衡分割回归树进行优化训练；其中特征为推荐异常事件特征，预测值为路口推荐重要性排序；
(E)当实时监测到路口异常后，通过计算得到当前路口的连续异常次数、异常事件强度、异常方向数和路口等级，基于优化训练后的平衡分割回归树预测出路口推荐重要性排序，最后得到的顺序即为推荐顺序；
所述筛选异常事件信息，采用的方法为：根据路口异常事件类型和路口调控信息，提取推荐异常事件信息{Zk,1、Zk,2、…、Zk,t}，当Tk,t.＝0时，Zk,t＝Yk,t；当Tk,t.＝1时，识别路口调控信息是否实施调控，若是，则在调控时间窗TTk范围内，Zk,t＝0，其他情况下，Zk,t＝Yk,t，调控时间窗根据路口等级设置；
(3)调控方案推荐模块对比历史经验库信息和异常路口信息，判断是否有匹配的历史经验：若为是，则推荐历史经验库中相应的信号控制方案；否则，推荐基于离散信号优化原理的信号控制方案。
2.根据权利要求1所述的一种基于实时交通状态驱动的信号控制优化方法，其特征在于：所述步骤(1)识别判断异常信息具体如下：
(1.1)对路口实时交通状况数据进行处理，其中，数据处理包括基础数据获取和数据整合；获取的基础数据包括路口监测器得到的流量、饱和度数据、路口速度数据，交通管理部门的路口地理数据、信号系统的运行记录；数据整合包括补全，修复，匹配操作；
(1.2)进行状态评估：根据经过处理后的路口基础数据，计算路口各进口道的交通指标，估计路口的交通现状，并与历史值进行比较，判断路口各进口道是否处于正常承载范围内，如不处于正常承载范围，则判断该路口处于异常，即发生异常事件。
3.根据权利要求2所述的一种基于实时交通状态驱动的信号控制优化方法，其特征在于：所述的异常事件包括常态异常和非常态异常两种类型，常态异常指在相对应时间内规律性产生的异常事件；非常态异常指偶然发生、不具备很强的规律性的异常事件；其中，当交通指标变化值在允许的限域内，则说明为常态异常；当交通指标的变化值超过了允许的限域，则说明交通呈现不连续的变化，则说明为非常态异常。
4.根据权利要求1所述的一种基于实时交通状态驱动的信号控制优化方法，其特征在于：所述平衡分割回归树的原理为：平衡分割回归树方法的目标是将数据分割成叶节点上的许多子集使平均值能够很好地代表每个数据的预测值子集；树构造算法的关键是将数据划分为子集的分割标准；分割标准是让两个节点内部的差异尽量小,节点间的差异尽量大；如果从父节点到子节点的节点残值没有改善，则分列没有意义；相反，如果一个分割结果是纯子节点，那么这个分割是有意义的；残值可以通过残值平方和的变化量来衡量，具体为：
设i(X)为父节点(i(P))上、左子节点(i(L))和右子节点(i(R))节点内残值的度量值；最佳分割变量和阈值为当树生长时，节点中残值最小的节点；对于传统回归树残值可以表示为：
Figure FDA0002904255730000031
残值平方和来衡量表示为：
Figure FDA0002904255730000041
其中，NL和NR为左分支和右分支的观察值，即训练数据的排名得分，
Figure FDA0002904255730000042
和
Figure FDA0002904255730000043
为左分支和右分支的样本方差；
由此改进，平衡分割回归树的残值方程为：
Figure FDA0002904255730000044
此方程满足最小化样本方差要求；该方程会倾向于选择平衡左右分支的观测次数，最终生成平衡分割回归树，因为概率阈值接近0.5时会使方程总值更低；假设有一个变量，不管分割阈值是多少，左分支样本方差
Figure FDA0002904255730000047
和右分支的样本方差
Figure FDA0002904255730000048
为1；则传统的残值方程为：
Figure FDA0002904255730000045
则平衡分割回归树的残值方程为：
Figure FDA0002904255730000046
传统的杂质函数没有连接到任何特定的阈值，但杂质函数值的平衡分割回归树在当概率接近0.5时达到最小值；因此，在树的生长过程中，平衡分割回归树倾向于将观测分为两组具有相同的观察值，这最终使得每个叶片包含的成分大致相等观察。
5.根据权利要求1所述的一种基于实时交通状态驱动的信号控制优化方法，其特征在于：若无匹配的历史经验，则根据实时交通情况判断配时调整策略，并基于离散信号优化推荐优化控制方案；其中配时调整策略判断基于路口的进出口道数量有所区别，具体如下：
(i)若路口为十字路口时，首先根据路口异常方向数判断，当异常方向为4个方向时，判断仅调整周期；当异常方向为3个方向时，需调整周期同时调整绿信比；当异常方向数为2时，再判断异常方向是否为对向，当判断为是时，调整绿信比；当判断为否时，仅调整周期；当异常方向数为1时，仅调整绿信比；
(ii)若路口为T字型路口时，首先从路口异常方向数判断：当异常方向数为3时，判断仅调整周期；当异常方向为2个方向时，再判断异常方向是否包含T字尾部，若是则调整周期同时调整绿信比，若否，仅调整绿信比；若异常方向数为1时，仅调整绿信比；
其中，调整周期的流程为先判断是否达到信号系统最大周期设置，若已经达到，则不做调整，若未达到，则计算优化周期，并判断优化后的周期是否达到路口的最大周期限制，若达到，按照最大周期调整，若未达到，按照计算的优化周期调整；
调整绿信比的流程为计算优化绿信比，并判断优化后的相位绿灯时间是否超出绿灯时间最大最小区间，若超出，按照最大/最小绿灯时间调整，若未超出，按照计算出的优化绿信比调整。
6.根据权利要求1所述的一种基于实时交通状态驱动的信号控制优化方法，其特征在于：还包括步骤(4)：效果验证模块进行验证方案效果，若无效，则降级为人工调控；若有效，将方案记入历史经验库模块内，用于下一阶段的方案推荐。
7.根据权利要求6所述的一种基于实时交通状态驱动的信号控制优化方法，其特征在于：所述历史经验库模块内的人工经验库信息需要不断更新与淘汰，其更新规则包括：
(a)历史经验库中必须是有效的调控经验；
(b)相同路口相似流量条件下，仅保留一条调控方案；其中相同路口相似流量的判定标准为差异度小于5％；
(c)人工调控方案优先级高于算法推荐调控方案；
(d)调控后指标好转比例大的优先级高于调控后指标好转比例小的。
8.一种应用如权利要求1所述的一种基于实时交通状态驱动的信号控制优化方法的信号控制优化系统，其特征在于，包括异常交通事件识别模块、异常事件筛选模块、调控方案推荐模块、效果验证模块、历史经验库模块；
所述的异常交通事件识别模块用于整合数据，实现对路口各进口道实时交通状态的评估，判断路口各进口道是否处于异常状态，若处于异常状态，则生成异常事件信息；所述异常事件分为两个类型：常态异常和非常态异常；
所述的异常事件筛选模块用于筛选出具有调控意义的异常事件，从而推荐实时调控方案；所述具有调控意义的异常事件包括：非常态异常事件，未调控的常态异常事件，已调控且超出调控时间窗的常态异常事件；
所述的调控方案推荐模块用于对异常路口实时调控，推荐合适的信号调控方案，使路口的信号控制方案符合当前路口环境的要求；
所述的效果验证模块用于判定调控方案推荐模块生成的信控方案是否能够有效缓解交通问题，是否符合当前路口的流量特征；
所述的历史经验库模块用于记录和保存有效的调控经验，用于实时推荐。
CN201911314485.0A 2019-12-19 2019-12-19 一种基于实时交通状态驱动的信号控制优化系统及方法 Active CN111127887B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911314485.0A CN111127887B (zh) 2019-12-19 2019-12-19 一种基于实时交通状态驱动的信号控制优化系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911314485.0A CN111127887B (zh) 2019-12-19 2019-12-19 一种基于实时交通状态驱动的信号控制优化系统及方法

Publications (2)

Publication Number Publication Date
CN111127887A CN111127887A (zh) 2020-05-08
CN111127887B true CN111127887B (zh) 2021-03-16

Family

ID=70500149

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911314485.0A Active CN111127887B (zh) 2019-12-19 2019-12-19 一种基于实时交通状态驱动的信号控制优化系统及方法

Country Status (1)

Country Link
CN (1) CN111127887B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111597700B (zh) * 2020-05-09 2023-08-15 北京百度网讯科技有限公司 信控算法评估方法、装置、电子设备及可读存储介质
CN115407704A (zh) * 2022-09-26 2022-11-29 武汉虹信技术服务有限责任公司 一种智慧交通标线控制方法、系统及设备
CN116013101B (zh) * 2023-03-27 2023-06-20 之江实验室 一种基于网联环境的无信号路口速度建议系统和方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105931474A (zh) * 2016-02-29 2016-09-07 南京航空航天大学 一种带有量子决策的防止城市道路交叉口群的局部溢流控制方法
CN109584556A (zh) * 2018-12-13 2019-04-05 河海大学 一种基于困境区理论的交叉口绿闪信号时间确定方法
CN110189530A (zh) * 2019-06-20 2019-08-30 大连理工大学 一种面向路段突发交通事件的信号控制干预方法
CN110491146A (zh) * 2019-08-21 2019-11-22 浙江工业大学 一种基于深度学习的交通信号控制方案实时推荐方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105931474A (zh) * 2016-02-29 2016-09-07 南京航空航天大学 一种带有量子决策的防止城市道路交叉口群的局部溢流控制方法
CN109584556A (zh) * 2018-12-13 2019-04-05 河海大学 一种基于困境区理论的交叉口绿闪信号时间确定方法
CN110189530A (zh) * 2019-06-20 2019-08-30 大连理工大学 一种面向路段突发交通事件的信号控制干预方法
CN110491146A (zh) * 2019-08-21 2019-11-22 浙江工业大学 一种基于深度学习的交通信号控制方案实时推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Optimizing Parallel Belief Propagation in Junction Trees using Regression;Lu Zheng 等;《Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining》;20130831;第1-10页 *
基于梯度提升回归树的短时交通流预测模型;沈夏炯 等;《计算机科学》;20180630;第45卷(第6期);第222-264页 *

Also Published As

Publication number Publication date
CN111127887A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN111127887B (zh) 一种基于实时交通状态驱动的信号控制优化系统及方法
CN108269401B (zh) 一种基于数据驱动的高架桥交通拥堵预测方法
CN109754597B (zh) 一种城市道路区域拥堵调控策略推荐系统及方法
CN109215350B (zh) 一种基于rfid电子车牌数据的短期交通状态预测方法
CN112365711B (zh) 一种基于车牌识别数据的车辆轨迹重构方法
CN112053558A (zh) 一种交通拥堵状态识别方法及装置和设备
CN110634299B (zh) 基于多源轨迹数据的城市交通状态精细划分与识别方法
CN113327418A (zh) 一种快速路拥堵风险分级实时预测方法
CN109754598B (zh) 一种拥堵组团识别方法及系统
CN113159374B (zh) 一种数据驱动的城市交通流速模式识别与实时预测预警方法
CN111640304B (zh) 面向连续流交通设施的交通拥堵传播特征自动化量化提取方法
CN114299742B (zh) 一种高速公路的限速信息动态识别与更新推荐方法
CN113963539B (zh) 高速公路交通事故识别方法、模块及系统
CN112634614B (zh) 一种长下坡交通事件实时检测方法、装置及存储介质
CN108898831B (zh) 基于道路高清卡口数据的路段状况评估方法及系统
CN108681717B (zh) 城市级交通视频检测设备质量检测方法
CN107730882B (zh) 基于人工智能的道路拥堵预测系统及方法
CN106446194B (zh) 一种地理区域的采集参数确定方法及装置
CN110211380B (zh) 一种多源交通数据融合的高速公路拥堵区间探测方法
CN115497306A (zh) 一种基于gis数据的速度区间权重计算方法
CN113706860B (zh) 一种基于树莓派智能配时交通信号灯控制方法
CN116257797A (zh) 一种基于高斯混合模型的机动车单次出行轨迹辨识方法
KR102242554B1 (ko) 차량검지기의 성능 평가를 위한 점검 대상 선별 장치 및 방법
CN113945958A (zh) 一种基于出租车gps数据的路段中寻客状态车辆识别方法
CN117173899B (zh) 一种智慧城市交通出行品质评价方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province

Patentee after: Yinjiang Technology Co.,Ltd.

Address before: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province

Patentee before: ENJOYOR Co.,Ltd.