CN111341109A - 一种基于时空相似性的城市级信号推荐系统 - Google Patents

一种基于时空相似性的城市级信号推荐系统 Download PDF

Info

Publication number
CN111341109A
CN111341109A CN202010422232.1A CN202010422232A CN111341109A CN 111341109 A CN111341109 A CN 111341109A CN 202010422232 A CN202010422232 A CN 202010422232A CN 111341109 A CN111341109 A CN 111341109A
Authority
CN
China
Prior art keywords
time
intersection
signal control
intersections
module
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
Application number
CN202010422232.1A
Other languages
English (en)
Other versions
CN111341109B (zh
Inventor
戎丁丁
金峻臣
陈乾
徐甲
王辉
秦俊峰
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 CN202010422232.1A priority Critical patent/CN111341109B/zh
Publication of CN111341109A publication Critical patent/CN111341109A/zh
Application granted granted Critical
Publication of CN111341109B publication Critical patent/CN111341109B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种基于时空相似性的城市级信号推荐系统,包括实时交通分析模块，用于实时检测城市路网中各路口的交通运行状态，判断是否超出路口承载范围，从而判断出需要及时介入的路口并触发信控推荐模块；信控推荐模块，用于基于时空相似性推荐实时信号控制方案并下发给信号控制系统模块；数据库模块，用于保存系统数据；信号控制系统模块，用于执行下发的实时信号控制方案；评价模块，用于评价信号控制方案有效性。

Description

一种基于时空相似性的城市级信号推荐系统
技术领域
本发明属于智慧交通领域，涉及一种基于时空相似性的城市级信号推荐系统。
背景技术
城市交通信号控制是解决城市交通问题的最有效的方式之一。信号控制策略可分为定时策略和自适应策略。定时策略包含单点自适应策略和自适应协调策略。单点自适应协调策略适用于单一路口，而自适应协调策略考虑一个城市区域甚至整个城市路网。定时策略基于历史而非实时需求。因此，定时策略显然不能适应多变的交通状况。例如，事故或其他不可预知的事件可能扰乱交通状况。在过去的几十年里，一些自适应信号控制系统已经应用，如SCOOTS和SCATS等。这些系统能利用感应设备（如线圈等）传回的实时检测信息调整信号控制，目前已经在世界上许多城市中广泛应用。
然而，这些自适应信号控制系统仍然面临难以适应饱和交通流状态的窘境。与之矛盾的是，在我国一些大城市的交通往往会在早晚高峰进入饱和状态。因此，在饱和交通流状态下的城市级别的信号控制仍是一个急需解决的问题。
事实上，专业信号控制工程师常常在饱和交通状态下手动调整信号配时。附图1展现了专业的信号工程师人工调控信号的过程。实时交通状态分析平台不断通报导致城市交通问题的事件。专业的信号控制工程师接收到这些事件后，通过交通视频监控系统查看相关路口当前的交通状况。之后，工程师根据其信控知识和经验调整交通信号控制系统上的信控方案。事实证明，在饱和交通流状态下，这些专业的人工调控切实有效，能够弥补自适应信号系统的不足。然而，人工调控具有效率低、不可复制性高等缺点。专业的工程师们平均需要5到10分种的时间来调整单个十字路口的信控方案。在高峰时段，专业工程师只来得及调整路网中最拥堵的部分的信号策略。因而，人工调控很难在高峰时段完成城市级别的信号控制。
发明内容
针对上述背景技术介绍中存在的问题，本发明的目的在于提供了一种基于时空相似性的城市级信号推荐系统，该系统能够吸收人工经验，推荐城市全域内的路口的信号控制方案，主要为解决饱和交通流状态下，传统自适应信号控制系统的信控方案不适应饱和交通流状态的矛盾。
本发明采用的技术方案是：
一种基于时空相似性的城市级信号推荐系统, 其特征在于：包括
实时交通分析模块，用于实时检测城市路网中各路口的交通运行状态，判断是否超出路口承载范围，从而判断出需要及时介入的路口并触发信控推荐模块；
信控推荐模块，用于基于时空相似性，推荐实时信号控制方案并下发给信号控制系统模块；
信号控制系统模块，用于执行下发的实时信号控制方案；
评价模块，用于评价信号控制方案有效性。
作为上述方案的优选方案，所述信控推荐模块还包括下发实时信号控制方案给信号控制系统模块的过程中由专业的信号工程师判断该方案是否符合经验，若推荐的方案被判断符合经验，则将被下发至信号控制系统模块执行；若否，则信号工程师将直接调整信控方案，然后下发至信号控制系统模块。
作为上述方案的优选方案，所述信控推荐模块包括
召回单元，用于根据路口属性，利用空间相似性快速找回相似的路口；
排序单元，用于对召回的路口推荐时间上交通状态相近的信号控制方案并进行排序；
重排单元，用于将排序完成的信号控制方案按照评价模块判定的方案的有效性重新排序。
作为上述方案的优选方案，所述召回采用图卷积网络算法GraphSAGE从备选路口中找到若干个相似路口；具体如下：
先定义一个交通网络
Figure 427754DEST_PATH_IMAGE001
，其中
Figure 915236DEST_PATH_IMAGE002
是路口的集合，E为连接路段的集合，
Figure 685746DEST_PATH_IMAGE003
，N为 网络中路口总个数，每个路口包含多个进口路段和出口路段，每个路口包含F个静态属性， 即每个顶点生成一个长度为F的特征向量，路口静态属性包括路口各进口路段的长度，各进 口道各转向的车道数量和各进口各时段速度，路口 i的特征向量如下：
Figure 374216DEST_PATH_IMAGE004
其中，
Figure 89231DEST_PATH_IMAGE005
为路口i的m方向的进口路段的长度；
Figure 255770DEST_PATH_IMAGE006
为路口i的m方向的进口路段的转向功能为
Figure 615208DEST_PATH_IMAGE007
的车道数量；
Figure 740158DEST_PATH_IMAGE008
为路口i的m方向
Figure 942470DEST_PATH_IMAGE009
至
Figure 319224DEST_PATH_IMAGE010
时间内的历史的平均速度；
然后应用GraphSAGE框架生成路口嵌入编码zi，通过聚合函数合并路口静态属性，使编码同时包含路口静态属性及路口周边的路网结构及分布，根据所述路口嵌入编码的相似度筛选出若干个相似路口；
GraphSAGE训练过程中采用基于图的损失函数评价路口嵌入编码输出结果，使邻近路口节点有相似编码，且相异路口节点编码有异，所述损失函数的公式如下：
Figure 923381DEST_PATH_IMAGE011
其中
Figure 242671DEST_PATH_IMAGE012
为节点q的邻居, σ为非线性激活函数，
Figure 542065DEST_PATH_IMAGE013
为负采样分布，Q表示负采样的数量， 负采样指一批不是邻居的节点
Figure 847144DEST_PATH_IMAGE014
作为负样本，E指期望，T是转置。
作为上述方案的优选方案，所述路口嵌入编码生成过程具体包括：
设AGGREGATEk,∀k ∈ 1,...,K，为训练得到的聚合路口周边信息的K个聚合函数，设Wk,∀k ∈ 1,...,K为训练得到的不同层级之间的权重矩阵，所述AGGREGATEk和Wk的参数通过随机梯度下降法来训练；
步骤1：令
Figure 40228DEST_PATH_IMAGE015
=Xi ，∀i∈V，其中
Figure 647927DEST_PATH_IMAGE002
是路口的集合，
Figure 559251DEST_PATH_IMAGE015
表示第0次迭代的路口i的编码，即 在第0次迭代路口i的编码为输入的路口i的静态属性Xi；
步骤2：在每一次迭代k，对于任意路口∀i ∈ V，用聚合函数AGGREGATEk与路口i直接 相邻的路口的上一次迭代的编码
Figure 277809DEST_PATH_IMAGE016
，聚合后的结果用向量
Figure 590978DEST_PATH_IMAGE017
表示，
Figure 494212DEST_PATH_IMAGE018
) 表示与路口i直接相邻的路口集合；
即
Figure 768199DEST_PATH_IMAGE019
步骤3：在聚合邻近路口的信息之后，该算法连接路口当前的编码
Figure 149502DEST_PATH_IMAGE020
和聚合后的邻 近路口的编码
Figure 582757DEST_PATH_IMAGE021
，并通过非线性激活函数
Figure 266679DEST_PATH_IMAGE022
转化为
Figure 152596DEST_PATH_IMAGE023
，作为下一次迭代的输入；
即
Figure 337589DEST_PATH_IMAGE024
步骤4：对上一步得到的路口i的编码做归一化处理，
即
Figure 500717DEST_PATH_IMAGE025
步骤5: 迭代步骤2-4，直至达到设定的迭代次数k=K；
步骤6：输出路口i最终的编码
Figure 480175DEST_PATH_IMAGE026
。
作为上述方案的优选方案，所述聚合函数选用池聚合器，在池化操作中，每个邻近的向量独立地通过一个全连接神经网络补给，跟随着这些转化， 应用元素级的最大池化操作聚合邻近聚合的信息：
Figure 853387DEST_PATH_IMAGE027
其中max 表示元素级的最大化操作，σ 表示非线性激活函数，
Figure 248596DEST_PATH_IMAGE028
和b为该聚合器需 要训练的参数。
作为上述方案的优选方案，所述排序单元应用基于召回单元得到的若干个相似路口历史交通状态和历史信号控制方案训练得到的若干个不同的深度神经网络模型，输入所述介入路口的当前及往前一定时间单位的交通状态数据，输出推荐的信号控制方案并根据模型训练过程中的损失值进行排序。
作为上述方案的优选方案，所述信号控制方案在深度神经网络模型中转换为绿灯时长变化率进行计算，所述绿灯时长变化率为某时刻的绿灯时长较上一个时间单位的绿灯时长的变化率，其中，
所述信号控制方案转换为所述绿灯时长变化率包括如下步骤：
1）通过转换因子
Figure 266231DEST_PATH_IMAGE029
将路口i信号控制方案中各相位的绿灯时长转换为各进口道 的绿灯时长，其中转换因子
Figure 151010DEST_PATH_IMAGE029
为t时刻路口i各相位phase对应各进口道
Figure 745940DEST_PATH_IMAGE030
的转换因子
Figure 538315DEST_PATH_IMAGE031
构成的矩阵，所述转换因子
Figure 941615DEST_PATH_IMAGE031
根据相位phase时进口道
Figure 403820DEST_PATH_IMAGE030
能否通行 取1或0；
2）基于路口i各时刻各进口道的绿灯时长，计算对应绿灯时长变化率；
所述深度神经网络模型推荐的绿灯时长变化率转换为所述信号控制方案包括如下步骤：
1）所述深度神经网络模型推荐的绿灯时长变化率为介入路口当前时刻各进口道的绿灯时长变化率，结合上一个时间单位介入路口各进口道的绿灯时长，计算得到介入路口当前时刻各进口道的绿灯时长；
2）通过介入路口的转换因子的逆矩阵将介入路口当前时刻各进口道的绿灯时长转换为信号控制方案中各相位的绿灯时长。
作为上述方案的优选方案，所述数据库模块保存的系统数据包括：
静态路网数据，为包含城市道路网络中路口、路段的地理位置及渠化信息静态属性；
交通状态数据，为一切与交通运营有关的且可处理后返回表征交通状态的信息的数据，以及处理后的交通警报数据，实时交通分析模块分析后生成的交通警报数据，包括警报时间和警报路口；
信控方案数据，为包含城市的控路口的信号系统运行记录，城市所有信控路口的检测器数据；
信控评价数据，为评价模块所产生的对于信控方案的评级数据。
作为上述方案的优选方案，评价模块的有效性评价包括：
计算信号控制方案执行后在实时交通分析模块生成的持续警报时间，即第一次触发警 报的时间与最后一次触发警报的时间差
Figure 751625DEST_PATH_IMAGE032
；
计算历史同期各路口持续警报时间的10分位点，分别表示为A1、A2…A9；
判断该路口持续警报时间
Figure 816533DEST_PATH_IMAGE032
落在历史同期区间，即得到其相对有效度。
本发明与现有技术相比，其显著优点包括：能够吸收人工经验，推荐城市全域内的路口的信号控制方案，主要为解决饱和交通流状态下，传统自适应信号控制系统的信控方案不适应饱和交通流状态的矛盾。
附图说明
图1是为信控工程师调控的工作流程图。
图2是本发明的整体流程图。
图3是本发明的路网建模示意图。
具体实施方式
下面结合具体实施例来对本发明进行作为上述方案的优选方案说明，但并不将本发明局限于这些具体实施方式。本领域技术人员应该认识到，本发明涵盖了权利要求书范围内所可能包括的所有备选方案、改进方案和等效方案。
参见图2，本实施例提供了一种基于时空相似性的城市级信号推荐系统， 所述推荐系统由五个主要部分组成：数据库模块、实时交通分析模块、信控推荐模块、信号控制系统模块和评价模块。系统运行流程如下：首先，实时交通分析模块识别实时出某路口交通状态恶化，触发信控推荐模块。然后，信控推荐模块将根据数据库信息，基于时空相似性，结合实时信息推荐实时信号控制方案。接下来，可以由专业的信号工程师查看该路口实时视频监控，判断推荐的信控方案是否符合经验。若推荐方案被判断符合经验，则将被下发至信号控制系统模块执行。若否，则信号工程师将直接调整信控方案，然后下发至信号控制系统模块。在下发的信号控制方案生效后，评价模块将评估推荐的信控方案有效性。
本实施例所述实时交通分析模块主要作用是实时检测城市路网中各路口的交通运行状态，判断是否超出路口承载范围，从而判断出需要及时介入的路口。本实施例中利用实时路网速度数据进行判断。每两分钟分别从数据库模块获得路口各进口道的速度，与该路口同一进口道历史同一计算单位时间内的速度对比，判断状态所处范围，以此是否触发警报，并控制是否触发信控推荐模块。
每2分钟从数据库模块获取路口各个进口道的速度，路口i的m方向的进口道的速 度表示为
Figure 543180DEST_PATH_IMAGE033
，其中m=1,2,3,4,分别代表南、西、北、东。
然后计算其正常承载范围：正常承载范围的下限为前15天历史同一时段速度平均值的30%，正常承载范围不设上限。
Figure 894396DEST_PATH_IMAGE034
。1140表示一天有1140分钟，这里表 示往前1天至往前15天同一时刻的速度加和再除以15。
再判断4个进口道的速度是否处于正常承载范围内，若存在
Figure 339284DEST_PATH_IMAGE035
， 则在
Figure 207883DEST_PATH_IMAGE009
时刻路口i触发警报，触发信控推荐模块。
本实施例所述信控推荐模块包含三个部分：召回单元、排序单元和重排单元。首先是召回单元，主要根据路口部分属性，利用空间相似性快速找回相似的路口，这里应用一个图卷积网络(GCN)算法：GraphSAGE来获取图中结点的嵌入编码使其包含节点信息和图网络信息。利用这些编码从上千个备选路口中找到十个相似路口。然后交给排序单元环节，排序单元环节应用深度学习技术和神经网络架构对召回的方案进行排序。排序单元完成后，传给重排单元环节，将排序完成的信控方案按照评价模块判定的方案的有效性重新排序。
1）召回单元的具体功能实现如下：
先定义一个交通网络
Figure 320195DEST_PATH_IMAGE001
，其中
Figure 655362DEST_PATH_IMAGE002
是路口的集合，E为连接路段的集合，
Figure 712179DEST_PATH_IMAGE003
，N为 网络中路口总个数，见附图3。附图3左侧实际路网，右侧为建模的路网。把实际路网中的信 号交叉口抽象为建模的路网G中的路口，把实际路网中良信号交叉口间的道路抽象为建模 的路网G中的连接路段。每个路口包含多个进口路段和出口路段。每个路口包含F个静态属 性，即每个顶点生成一个长度为F的特征向量。路口静态属性包括路口各进口路段的长度， 各进口道各转向的车道数量和各进口各时段速度等。路口 i的特征向量如下：
Figure 384469DEST_PATH_IMAGE004
其中，
Figure 85709DEST_PATH_IMAGE005
为路口i的m方向的进口路段的长度；
Figure 919673DEST_PATH_IMAGE006
为路口i的m方向的进口路段的转向功能为
Figure 729366DEST_PATH_IMAGE007
的车道数量；
Figure 815134DEST_PATH_IMAGE008
为路口i的m方向
Figure 761093DEST_PATH_IMAGE009
至
Figure 31537DEST_PATH_IMAGE010
时间内的历史的平均速度。
十字路口的例子如下：
Figure 938313DEST_PATH_IMAGE036
Figure 686826DEST_PATH_IMAGE037
Figure 487292DEST_PATH_IMAGE038
Figure 804004DEST_PATH_IMAGE039
Figure 57131DEST_PATH_IMAGE040
m=1,2,3,4,分别代表南、西、北、东，
Figure 750280DEST_PATH_IMAGE041
，分别表示左转、直行、右转。
然后，本发明应用GraphSAGE (SAmple and aggreGatE)框架生成路口嵌入编码。通过合并路口静态属性，使编码同时包含路口静态属性及路口周边的路网结构及分布。
在这一步，训练一系列聚合函数使其聚合周边路口的静态属性信息。假设AGGREGATEk,∀k ∈ 1,...,K，为训练得到的聚合路口周边信息的K个聚合函数，设Wk,∀k∈ 1,...,K为训练得到的不同层级之间的权重矩阵。
该算法的逻辑是在每次迭代时，路口聚合邻近路口的信息，从而通过迭代，逐渐得聚集越来越多的周边路网的信息。
步骤1：令
Figure 405253DEST_PATH_IMAGE015
=Xi ，∀i∈V。
Figure 283079DEST_PATH_IMAGE015
表示第0次迭代的路口i的编码。即在第0次迭代路口 i的编码为输入的路口i的静态属性Xi。
步骤2：在每一次迭代k，对于任意路口∀i ∈ V，用聚合函数AGGREGATEk与路口i 直接相邻的路口的上一次迭代的编码
Figure 898868DEST_PATH_IMAGE016
，聚合后的结果用向量
Figure 254763DEST_PATH_IMAGE017
表示。(
Figure 764242DEST_PATH_IMAGE018
)表示与路口i直接相邻的路口集合)
即
Figure 422756DEST_PATH_IMAGE019
步骤3：在聚合邻近路口的信息之后，该算法连接路口当前的编码
Figure 916054DEST_PATH_IMAGE020
和聚合后的邻近路口的编码
Figure 810061DEST_PATH_IMAGE021
，并通过非线性激活函数
Figure 314992DEST_PATH_IMAGE022
转化为
Figure 269041DEST_PATH_IMAGE023
，作为 下一次迭代的输入。
即
Figure 656160DEST_PATH_IMAGE024
步骤4：对上一步得到的路口i的编码做归一化处理，这里用到的是L2范数归一化。
即
Figure 229224DEST_PATH_IMAGE025
步骤5: 迭代步骤2-4，直至达到设定的迭代次数k=K。
步骤6：输出路口i最终的编码
Figure 713295DEST_PATH_IMAGE026
本发明GraphSAGE训练过程中应用一个基于图的损失函数评价输出结果zq, ∀q ∈ V通过随机梯度下降法来训练权重矩阵 Wk,∀k ∈ 1,...,K, 和聚合方程的参数。该损失函数的目的是使邻近节点有相似编码，且相异节点编码有异，公式如下：
Figure 103825DEST_PATH_IMAGE042
其中
Figure 915923DEST_PATH_IMAGE043
为节点q的邻居(这里邻居是广义的，比如说如果
Figure 417312DEST_PATH_IMAGE043
和q在一个定长的随机游走中 可达，那么我们也认为他们相邻), σ为非线性激活函数，
Figure 21468DEST_PATH_IMAGE013
为负采样分布，Q表示负采样的 数量，负采样指一批不是邻居的节点
Figure 192687DEST_PATH_IMAGE014
作为负样本。E指期望，T是转置。上式的意思是相邻 节点的编码的相似度尽量大的情况下保证不相邻节点的编码的期望相似度尽可能小。
本发明GraphSAGE训练过程中使用的聚合函数为兼具对称性和可训练性的池聚合器（Pooling Aggregate）。在池化操作中，每个邻近的向量独立地通过一个全连接神经网络补给，跟随着这些转化, 应用元素级的最大池化操作(element-wise max-pooling)聚合邻近聚合的信息：
Figure 882294DEST_PATH_IMAGE027
其中max 表示元素级的最大化操作，σ 表示非线性激活函数。
Figure 656215DEST_PATH_IMAGE028
和b为该聚合器需 要训练的参数。
筛选10个路口：通过以上GraphSAGE得到所有路口的输出编码，然后对于需要推荐方案的目标路口，用下列余弦相似度公式计算其与其他路口的相似度：
Figure 255824DEST_PATH_IMAGE044
其中，
Figure 722577DEST_PATH_IMAGE045
为目标路口的输出编码，
Figure 306005DEST_PATH_IMAGE046
为其余比较路口的输出编码，
Figure 883617DEST_PATH_IMAGE047
为
Figure 665628DEST_PATH_IMAGE048
的L2范数。
最后比较得到相似度最高的10个路口。
2）排序单元的具体功能实现如下：
本阶段从时间角度，基于上一步得到的空间相似的10个路口，通过历史控制方案和历史检测器信息，推荐时间上交通状态相近的方案。本阶段应用了深度神经网络的方法对历史方案进行排序。
应用深度神经网络（DNN）模型捕捉多维数据和信控方案之间的关系。本实施例中 将信号控制方案转化为绿灯时长变化率数据。针对每个空间相似的路口，分别应用以下算 法（RNN、LSTM和GRU）生成一套推荐的绿灯时长变化率，并转化生成30套实时信号控制方案。 即首先分别用路网G中所有路口的历史交通状态数据和历史信号控制方案（所有路口的输 入数据按照相同顺序排列）进行训练，训练得到的模型保存下来。将需要推荐方案的路口的 当前及往前一定时间单位的交通状态数据代入应用相似路口训练得到的模型（每个路口 RNN、LSTM和GRU三个模型），得到30个绿灯时长变化率
Figure 444228DEST_PATH_IMAGE049
，并转换为信号控制方案。
将信号控制方案转换为绿灯时长变化率：
在t时刻路口i原信号控制方案为：
Figure 514952DEST_PATH_IMAGE050
其中，
Figure 896255DEST_PATH_IMAGE051
指t时刻路口i相位phase的绿灯时长。
例子：路口1在8:00的信号配时方案为相位A，相位B，相位C，相位D，相位E，相位F，相位G，见表1。
表1
相位 相位A 相位B 相位C 相位D 相位E 相位F 相位G
绿灯时长（单位：秒） 30 45 30 45 40 40 45
则
Figure 329511DEST_PATH_IMAGE052
。
1）转换为进口道上的绿灯时长
Figure 13433DEST_PATH_IMAGE053
其中，
Figure 899349DEST_PATH_IMAGE029
为转换因子。
Figure 84343DEST_PATH_IMAGE054
Figure 981892DEST_PATH_IMAGE031
为相位phase到进口道
Figure 633453DEST_PATH_IMAGE030
的转换因子，取0或1，若相位phase时进口道
Figure 272245DEST_PATH_IMAGE030
有 直行和左转车辆能通过交叉口，则取1，否则取0。
Figure 995350DEST_PATH_IMAGE055
为转化后的t时刻路口i的绿灯时长为：
Figure 12985DEST_PATH_IMAGE056
其中，
Figure 428923DEST_PATH_IMAGE057
指t时刻路口i第
Figure 164797DEST_PATH_IMAGE030
个进口道的绿灯时长，
Figure 426014DEST_PATH_IMAGE030
取1,2,3,4，分别代表南、西、北、 东；
2）转换为进口道上的绿灯时长变化率：
Figure 94893DEST_PATH_IMAGE058
Figure 947312DEST_PATH_IMAGE059
其中，
Figure 639324DEST_PATH_IMAGE060
为t时刻路口i的绿灯时长变化率，
Figure 969811DEST_PATH_IMAGE061
指t时刻路口i第
Figure 86672DEST_PATH_IMAGE030
个进口道的绿灯时 长变化率，
Figure 250937DEST_PATH_IMAGE030
取1,2,3,4，分别代表南、西、北、东。
从模型中得到的推荐的绿灯时长变化率为：
Figure 695825DEST_PATH_IMAGE062
其中，
Figure 830003DEST_PATH_IMAGE063
为t时刻路口i的推荐的绿灯时长变化率，
Figure 535791DEST_PATH_IMAGE064
指t时刻路口i第
Figure 605378DEST_PATH_IMAGE030
个进口道的 推荐的绿灯时长变化率，
Figure 68720DEST_PATH_IMAGE030
取1,2,3,4，分别代表南、西、北、东。
1)[0048]转换为绿灯时长
Figure 741010DEST_PATH_IMAGE065
其中，
Figure 566884DEST_PATH_IMAGE066
指t时刻路口i第
Figure 541793DEST_PATH_IMAGE030
个进口道的推荐的绿灯时长，
Figure 85907DEST_PATH_IMAGE030
取1,2,3,4，分别代表南、 西、北、东；
得到t时刻路口i推荐的进口道上的绿灯时长:
Figure 437253DEST_PATH_IMAGE067
转换为信号控制方案：推荐的进口道绿灯时长方案乘以转换因子的逆矩阵。
Figure 789737DEST_PATH_IMAGE068
=
Figure 794603DEST_PATH_IMAGE069
其中，
Figure 826012DEST_PATH_IMAGE070
为t时刻路口i推荐的信控方案，
Figure 715471DEST_PATH_IMAGE071
指t时刻路口i相位phase的 推荐的绿灯时长。
a.深度神经网络算法描述
本实施例中该部分算法训练时的输入为历史流量信息Y, 历史的绿灯时长变化率R。公式如下：
Figure 515937DEST_PATH_IMAGE072
Figure 293220DEST_PATH_IMAGE073
其中T为时间窗大小，
Figure 421713DEST_PATH_IMAGE074
为在第t个时间点、第k个样本的流量, n指样本点个数。
Figure 239496DEST_PATH_IMAGE075
指第
Figure 363310DEST_PATH_IMAGE030
个进口道的流量，
Figure 975557DEST_PATH_IMAGE030
取1,2,3,4，分别代表南、西、北、东。
Figure 122505DEST_PATH_IMAGE076
=
Figure 619345DEST_PATH_IMAGE077
Figure 128824DEST_PATH_IMAGE078
其中，
Figure 177551DEST_PATH_IMAGE079
为在第t个时间点、第k个样本的绿灯时长变化率, n指样本点个数。
Figure 280636DEST_PATH_IMAGE080
指 第
Figure 174643DEST_PATH_IMAGE030
个进口道的绿灯时长变化率，
Figure 210732DEST_PATH_IMAGE030
取1,2,3,4，分别代表南、西、北、东。
算法输出目标为:
Figure 430361DEST_PATH_IMAGE081
其中，F（）为应用的DNN模型，DNN模型包括RNN、LSTM和GRU三个模型。
b.RNN（循环神经网络）变体模型：
RNN模型运用其内存使用循环来处理序列数据。一个隐藏的层收到一个输入向量，并生 成一个输出向量。在每次迭代时，隐状态
Figure 755163DEST_PATH_IMAGE082
是由一个输入的
Figure 718440DEST_PATH_IMAGE083
和上一个时刻的隐状态
Figure 202511DEST_PATH_IMAGE084
决定的。
Figure 468407DEST_PATH_IMAGE085
其中，
Figure 77243DEST_PATH_IMAGE086
表示RNN隐状态的更新方程，
Figure 313052DEST_PATH_IMAGE087
和
Figure 651630DEST_PATH_IMAGE088
表示的影藏层的权重。
LSTM和GRU是两种典型的RNN变体。
LSTM的更新机制如下：
Figure 88427DEST_PATH_IMAGE089
Figure 512455DEST_PATH_IMAGE090
Figure 692901DEST_PATH_IMAGE091
Figure 823668DEST_PATH_IMAGE092
其中LSTM的更新方程包括
Figure 290421DEST_PATH_IMAGE093
、
Figure 201746DEST_PATH_IMAGE094
、
Figure 920303DEST_PATH_IMAGE095
、
Figure 499052DEST_PATH_IMAGE096
。
Figure 808810DEST_PATH_IMAGE097
、
Figure 941851DEST_PATH_IMAGE098
是权重矩阵映射隐藏层和交通流量以输入门、遗忘门和输出门（
Figure 198520DEST_PATH_IMAGE099
和
Figure 631776DEST_PATH_IMAGE100
）
Figure 440332DEST_PATH_IMAGE101
是偏置函数用于输入门和遗忘门的更新，
Figure 467194DEST_PATH_IMAGE102
为t时刻的核心状态，
Figure 58712DEST_PATH_IMAGE103
为更 新核心状态的训练权重。
GRU的更新机制如下：
Figure 346474DEST_PATH_IMAGE104
Figure 466877DEST_PATH_IMAGE105
Figure 574510DEST_PATH_IMAGE106
和
Figure 563195DEST_PATH_IMAGE107
为更新方程，
Figure 377567DEST_PATH_IMAGE108
为GRU核的训练权重。
c.训练过程
损失函数为：
Figure 403292DEST_PATH_IMAGE109
其中，
Figure 263800DEST_PATH_IMAGE110
表示在时刻t的实际绿灯时长变化率，
Figure 790596DEST_PATH_IMAGE111
表示在t时刻训练输出的绿灯时长变 化率。
Figure 928317DEST_PATH_IMAGE112
表示训练集中的样本个数。
d.排序过程
根据得到的10个相似路口，将需要推荐方案的路口当前及往前一定时间单位的流量数据Y分别带入相似路口训练得到的RNN、LSTM和GRU三个模型，共30个模型，得到30个方案。30个方案按模型训练过程中的损失值MSE从低到高排序，即损失值越低越值得被推荐。
3）重排单元的具体功能实现如下：
本阶段对根据信控方案的历史有效性对其重排。按照评价模块得出的信控方信案的有效评分，选取上一步得到的信号控制方案从大到小重新排序。
本实施例所述数据库模块保存了系统数据，具体包含静态路网数据、交通状态数据、信控方案数据和信控评价数据。
静态路网数据，该数据包含城市道路网络中路口、路段的地理位置及渠化信息等静态属性，该数据主要来自于城市的交通管理部门。
交通状态数据，一切与交通运营有关的且可处理后返回表征交通状态的信息的数据统称为交通状态数据，如城市全域的速度数据，轨迹数据等，该数据主要来自于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。以及处理后的交通警报数据，实时交通分析模块分析后生成的交通警报数据，包括警报时间和警报路口。
信控方案数据，包含城市的控路口的信号系统运行记录，如每周期的控制方案数据、人工操作记录和日志数据等，城市所有信控路口的的检测器数据如流量和饱和度等。
信控评价数据，本发明评价模块所产生的对于信控方案的评级数据。
本实施例所述信号控制系统模块为自适应控制逻辑的SCATS信号系统。SCATS信号系统拥有完备的三层控制策略和单双向的干线协调。该系统搭配良好的配时优化软件，将更好的发挥交通信号控制对改善交通拥堵的作用。本发明作为一种优化配时的系统框架，能适应先进的控制系统必然能适应其他的控制系统。本发明需要信号控制系统必须包括信号控制设备、开放的接口和检测器单元三部分。其中信号设备是滚动优化方案的下发对象，开放的接口主要用于通信，如命令传输。检测器单元主要返回交通状态数据，如流量和饱和度。
本实施例所述评价模块的主要作用是验证信控推荐模块推荐的方案的有效性，并给予一定的评级。
首先，计算信号控制方案执行后在实时交通分析模块生成的持续警报时间，即第 一次触发警报的时间与最后一次触发警报的时间差
Figure 249577DEST_PATH_IMAGE032
；
然后，计算历史同期各路口持续警报时间的10分位点，分别表示为A1、A2…A9；
最后，判断该路口持续警报时间
Figure 331802DEST_PATH_IMAGE032
落在历史同期区间，即得到其相对有效度（分级），见 表2。分级越高，表示推荐方案越有效。
表2
Figure 334393DEST_PATH_IMAGE113

Claims (10)

1.一种基于时空相似性的城市级信号推荐系统, 其特征在于：包括
实时交通分析模块，用于实时检测城市路网中各路口的交通运行状态，判断是否超出路口承载范围，从而判断出需要及时介入的路口并触发信控推荐模块；
信控推荐模块，用于基于时空相似性，推荐实时信号控制方案并下发给信号控制系统模块；
数据库模块，用于保存系统数据，包括静态路网数据、交通状态数据、信控方案数据、信控评价数据；
信号控制系统模块，用于执行下发的实时信号控制方案；
评价模块，用于评价信号控制方案有效性。
2.根据权利要求1所述的一种基于时空相似性的城市级信号推荐系统，其特征在于：所述信控推荐模块还包括下发实时信号控制方案给信号控制系统模块的过程中由专业的信号工程师判断该方案是否符合经验，若推荐的方案被判断符合经验，则将被下发至信号控制系统模块执行；若否，则信号工程师将直接调整信控方案，然后下发至信号控制系统模块。
3.根据权利要求1所述的一种基于时空相似性的城市级信号推荐系统，其特征在于：所述信控推荐模块包括：
召回单元，用于根据路口属性，利用空间相似性快速找回相似的路口；
排序单元，用于对召回的路口推荐时间上交通状态相近的信号控制方案并进行排序；
重排单元，用于将排序完成的信号控制方案按照评价模块判定的方案的有效性重新排序。
4.根据权利要求3所述的一种基于时空相似性的城市级信号推荐系统，其特征在于：所述召回单元采用图卷积网络算法GraphSAGE从备选路口中找到若干个相似路口；具体如下：
先定义一个交通网络
Figure 305859DEST_PATH_IMAGE001
，其中
Figure 19737DEST_PATH_IMAGE002
是路口的集合，E为连接路段的集合，
Figure 392949DEST_PATH_IMAGE003
，N为 网络中路口总个数，每个路口包含多个进口路段和出口路段，每个路口包含F个静态属性， 即每个顶点生成一个长度为F的特征向量，路口静态属性包括路口各进口路段的长度，各进 口道各转向的车道数量和各进口各时段速度，路口 i的特征向量如下：
Figure 991421DEST_PATH_IMAGE004
其中，
Figure 727165DEST_PATH_IMAGE005
为路口i的m方向的进口路段的长度；
Figure 752890DEST_PATH_IMAGE006
为路口i的m方向的进口路段的转向功能为
Figure 613398DEST_PATH_IMAGE007
的车道数量；
Figure 140194DEST_PATH_IMAGE008
为路口i的m方向
Figure 277915DEST_PATH_IMAGE009
至
Figure 599175DEST_PATH_IMAGE010
时间内的历史的平均速度；
然后应用GraphSAGE框架生成路口嵌入编码zi，通过聚合函数合并路口静态属性，使编码同时包含路口静态属性及路口周边的路网结构及分布，根据所述路口嵌入编码的相似度筛选出若干个相似路口；
GraphSAGE训练过程中采用基于图的损失函数评价路口嵌入编码输出结果，使邻近路口节点有相似编码，且相异路口节点编码有异，所述损失函数的公式如下：
Figure 822346DEST_PATH_IMAGE011
其中
Figure 887254DEST_PATH_IMAGE012
为节点q的邻居, σ为非线性激活函数，
Figure 4114DEST_PATH_IMAGE013
为负采样分布，Q表示负采样的数量，负 采样指一批不是邻居的节点
Figure 637221DEST_PATH_IMAGE014
作为负样本，E指期望，T是转置。
5.根据权利要求4所述的一种基于时空相似性的城市级信号推荐系统，其特征在于：所述路口嵌入编码生成过程具体包括：
设AGGREGATEk,∀k ∈ 1,...,K，为训练得到的聚合路口周边信息的K个聚合函数，设Wk,∀k ∈ 1,...,K为训练得到的不同层级之间的权重矩阵，所述AGGREGATEk和Wk的参数通过随机梯度下降法来训练；
步骤1：令
Figure 800218DEST_PATH_IMAGE015
=Xi ，∀i∈V，其中
Figure 75341DEST_PATH_IMAGE002
是路口的集合，
Figure 515550DEST_PATH_IMAGE015
表示第0次迭代的路口i的编码，即在 第0次迭代路口i的编码为输入的路口i的静态属性Xi；
步骤2：在每一次迭代k，对于任意路口∀i ∈ V，用聚合函数AGGREGATEk与路口i直接相 邻的路口的上一次迭代的编码
Figure 178612DEST_PATH_IMAGE016
，聚合后的结果用向量
Figure 376375DEST_PATH_IMAGE017
表示，
Figure 783086DEST_PATH_IMAGE018
)表 示与路口i直接相邻的路口集合；
即
Figure 749905DEST_PATH_IMAGE019
步骤3：在聚合邻近路口的信息之后，该算法连接路口当前的编码
Figure 872886DEST_PATH_IMAGE020
和聚合后的邻近 路口的编码
Figure 151420DEST_PATH_IMAGE021
，并通过非线性激活函数
Figure 502767DEST_PATH_IMAGE022
转化为
Figure 183147DEST_PATH_IMAGE023
，作为下一次迭代的输入；
即
Figure 719171DEST_PATH_IMAGE024
步骤4：对上一步得到的路口i的编码做归一化处理，
即
Figure 360368DEST_PATH_IMAGE025
步骤5: 迭代步骤2-4，直至达到设定的迭代次数k=K；
步骤6：输出路口i最终的编码
Figure 374460DEST_PATH_IMAGE026
。
6.根据权利要求5所述的一种基于时空相似性的城市级信号推荐系统，其特征在于：所述聚合函数选用池聚合器，在池化操作中，每个邻近的向量独立地通过一个全连接神经网络补给，跟随着这些转化, 应用元素级的最大池化操作聚合邻近聚合的信息：
Figure 174926DEST_PATH_IMAGE027
其中max 表示元素级的最大化操作，σ 表示非线性激活函数，
Figure 85113DEST_PATH_IMAGE028
和b为该聚合器需 要训练的参数。
7.根据权利要求3所述的一种基于时空相似性的城市级信号推荐系统，其特征在于：所述排序单元应用基于召回单元得到的若干个相似路口历史交通状态和历史信号控制方案训练得到的若干个不同的深度神经网络模型，输入所述介入路口的当前及往前一定时间单位的交通状态数据，输出推荐的信号控制方案并根据模型训练过程中的损失值进行排序。
8.根据权利要求7所述的一种基于时空相似性的城市级信号推荐系统，其特征在于，所述信号控制方案在深度神经网络模型中转换为绿灯时长变化率进行计算，所述绿灯时长变化率为某时刻的绿灯时长较上一个时间单位的绿灯时长的变化率，其中，
所述信号控制方案转换为所述绿灯时长变化率包括如下步骤：
1）通过转换因子
Figure 338240DEST_PATH_IMAGE029
将路口i信号控制方案中各相位的绿灯时长转换为各进口道的 绿灯时长，其中转换因子
Figure 31389DEST_PATH_IMAGE029
为t时刻路口i各相位phase对应各进口道
Figure 420782DEST_PATH_IMAGE030
的转换因子
Figure 501871DEST_PATH_IMAGE031
构成的矩阵，所述转换因子
Figure 507873DEST_PATH_IMAGE031
根据相位phase时进口道
Figure 739134DEST_PATH_IMAGE030
能否通行 取1或0；
2）基于路口i各时刻各进口道的绿灯时长，计算对应绿灯时长变化率；
所述深度神经网络模型推荐的绿灯时长变化率转换为所述信号控制方案包括如下步骤：
1）所述深度神经网络模型推荐的绿灯时长变化率为介入路口当前时刻各进口道的绿灯时长变化率，结合上一个时间单位介入路口各进口道的绿灯时长，计算得到介入路口当前时刻各进口道的绿灯时长；
2）通过介入路口的转换因子的逆矩阵将介入路口当前时刻各进口道的绿灯时长转换为信号控制方案中各相位的绿灯时长。
9.根据权利要求1所述的一种基于时空相似性的城市级信号推荐系统，其特征在于：所述数据库模块保存的系统数据包括：
静态路网数据，为包含城市道路网络中路口、路段的地理位置及渠化信息静态属性；
交通状态数据，为一切与交通运营有关的且可处理后返回表征交通状态的信息的数据，以及处理后的交通警报数据，实时交通分析模块分析后生成的交通警报数据，包括警报时间和警报路口；
信控方案数据，包含城市的控路口的信号系统运行记录，城市所有信控路口的检测器数据；
信控评价数据，为评价模块所产生的对于信控方案的评级数据。
10.根据权利要求1所述的一种基于时空相似性的城市级信号推荐系统，其特征在于：评价模块的有效性评价包括：
计算信号控制方案执行后在实时交通分析模块生成的持续警报时间，即第一次触发警 报的时间与最后一次触发警报的时间差
Figure 248613DEST_PATH_IMAGE032
；
计算历史同期各路口持续警报时间的10分位点，分别表示为A1、A2…A9；
判断该路口持续警报时间
Figure 31761DEST_PATH_IMAGE032
落在历史同期区间，即得到其相对有效度。
CN202010422232.1A 2020-05-19 2020-05-19 一种基于时空相似性的城市级信号推荐系统 Active CN111341109B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010422232.1A CN111341109B (zh) 2020-05-19 2020-05-19 一种基于时空相似性的城市级信号推荐系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010422232.1A CN111341109B (zh) 2020-05-19 2020-05-19 一种基于时空相似性的城市级信号推荐系统

Publications (2)

Publication Number Publication Date
CN111341109A true CN111341109A (zh) 2020-06-26
CN111341109B CN111341109B (zh) 2020-09-11

Family

ID=71184913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010422232.1A Active CN111341109B (zh) 2020-05-19 2020-05-19 一种基于时空相似性的城市级信号推荐系统

Country Status (1)

Country Link
CN (1) CN111341109B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932871A (zh) * 2020-06-28 2020-11-13 银江股份有限公司 一种区域级实时交通控制策略推荐系统及方法
CN112037539A (zh) * 2020-07-31 2020-12-04 银江股份有限公司 一种用于饱和城市交通网络的信控方案推荐方法及系统
CN114724390A (zh) * 2022-04-21 2022-07-08 浙江商汤科技开发有限公司 交通信号控制方法及装置、电子设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805348A (zh) * 2018-06-05 2018-11-13 北京京东金融科技控股有限公司 一种交叉口信号配时控制优化的方法和装置
CN109754597A (zh) * 2018-08-02 2019-05-14 银江股份有限公司 一种城市道路区域拥堵调控策略推荐系统及方法
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
CN110533932A (zh) * 2019-08-06 2019-12-03 银江股份有限公司 一种基于滚动优化的城市级全域交通信号推荐方法及系统
CN110570672A (zh) * 2019-09-18 2019-12-13 浙江大学 一种基于图神经网络的区域交通信号灯控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805348A (zh) * 2018-06-05 2018-11-13 北京京东金融科技控股有限公司 一种交叉口信号配时控制优化的方法和装置
CN109754597A (zh) * 2018-08-02 2019-05-14 银江股份有限公司 一种城市道路区域拥堵调控策略推荐系统及方法
CN110533932A (zh) * 2019-08-06 2019-12-03 银江股份有限公司 一种基于滚动优化的城市级全域交通信号推荐方法及系统
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
CN110570672A (zh) * 2019-09-18 2019-12-13 浙江大学 一种基于图神经网络的区域交通信号灯控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吕宜生等: "平行交通：虚实互动的智能交通管理与控制", 《智能科学与技术学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932871A (zh) * 2020-06-28 2020-11-13 银江股份有限公司 一种区域级实时交通控制策略推荐系统及方法
CN112037539A (zh) * 2020-07-31 2020-12-04 银江股份有限公司 一种用于饱和城市交通网络的信控方案推荐方法及系统
CN112037539B (zh) * 2020-07-31 2021-11-16 银江技术股份有限公司 一种用于饱和城市交通网络的信控方案推荐方法及系统
CN114724390A (zh) * 2022-04-21 2022-07-08 浙江商汤科技开发有限公司 交通信号控制方法及装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN111341109B (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
CN111161535B (zh) 基于注意力机制的图神经网络交通流量预测方法及系统
CN110570651B (zh) 一种基于深度学习的路网交通态势预测方法及系统
CN110164128B (zh) 一种城市级智能交通仿真系统
CN108197739B (zh) 一种城市轨道交通乘客流量预测方法
CN111341109B (zh) 一种基于时空相似性的城市级信号推荐系统
CN111832814A (zh) 一种基于图注意力机制的空气污染物浓度预测方法
CN111696355A (zh) 动态图卷积交通速度预测方法
CN114330868A (zh) 基于自注意力的个性化增强图卷积网络的客流预测方法
CN112071062B (zh) 一种基于图卷积网络和图注意力网络的行车时间估计方法
CN110503104B (zh) 一种基于卷积神经网络的短时剩余车位数量预测方法
CN113591380B (zh) 基于图高斯过程的交通流预测方法、介质及设备
CN110942637B (zh) 基于空域图卷积神经网络的scats系统道路交通流预测方法
CN114360266B (zh) 一种网联车探测状态感知的交叉口强化学习信号控制方法
CN112863182B (zh) 基于迁移学习的跨模态数据预测方法
CN114692984B (zh) 基于多步耦合图卷积网络的交通预测方法
US20240054321A1 (en) Traffic prediction
CN111242395B (zh) 用于od数据的预测模型构建方法及装置
CN113051811B (zh) 一种基于gru网络的多模式短期交通拥堵预测方法
CN115935796A (zh) 一种基于时空异质的和同步的图卷积网络交通流预测方法
CN114572229B (zh) 一种基于图神经网络的车速预测方法、装置、介质及设备
CN114565187A (zh) 一种基于图时空自编码网络的交通路网数据预测方法
CN116307152A (zh) 时空交互式动态图注意力网络的交通预测方法
CN115206092A (zh) 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法
CN111915076A (zh) 一种利用人工智能神经网络实现景区观景人员预测的方法
CN109615885B (zh) 一种智能交通信号控制方法、装置及系统

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
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.

CP01 Change in the name or title of a patent holder