CN111341109B - 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 PDFInfo
- Publication number
- CN111341109B CN111341109B CN202010422232.1A CN202010422232A CN111341109B CN 111341109 B CN111341109 B CN 111341109B CN 202010422232 A CN202010422232 A CN 202010422232A CN 111341109 B CN111341109 B CN 111341109B
- Authority
- CN
- China
- Prior art keywords
- intersection
- time
- signal control
- intersections
- 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
Links
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000001960 triggered effect Effects 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 36
- 230000008859 change Effects 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 28
- 230000003068 static effect Effects 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 22
- 230000002776 aggregation Effects 0.000 claims description 18
- 238000004220 aggregation Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 230000008707 rearrangement Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000000844 transformation Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims 2
- 229920006395 saturated elastomer Polymers 0.000 description 9
- 230000003044 adaptive effect Effects 0.000 description 7
- 241001417517 Scatophagidae Species 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000017105 transposition 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
- 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
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;
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。
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召回相似的路口;
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G=(V,E),其中V是路口的集合,E为连接路段的集合,|V|=N,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:
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:
其中Zq为路口节点q的路口嵌入编码,ψ为节点q的邻居,σ为非线性激活函数,Pλ为负采样分布,Q表示负采样的数量,负采样指以一批不是邻居的节点ψλ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:
步骤4:对上一步得到的路口i的编码做归一化处理,
步骤5:迭代步骤2-4,直至达到设定的迭代次数k=K;
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:
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训练时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Transi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Transi为t时刻路口i各相位phase对应各进口道的转换因子构成的矩阵,所述转换因子根据相位phase时进口道能否通行取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推荐的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推荐的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Δa;
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Δa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,实时交通分析模块实时识别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。
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如下:
先定义一个交通网络G=(V,E),其中V是路口的集合,E为连接路段的集合,|V|=N,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:
十字路口的例子如下:
m=1,2,3,4,分别代表南、西、北、东,l=0,1,2,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。
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。
步骤5:迭代步骤2-4,直至达到设定的迭代次数k=K。
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,通过随机梯度下降法来训练权重矩阵Wk,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:
其中Zq为路口节点q的路口嵌入编码,ψ为节点q的邻居(这里邻居是广义的,比如说如果ψ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,Pλ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ψλ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:
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:
其中,zi为目标路口的输出编码,z′i为其余比较路口的输出编码,||zi||为zi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描述如下:
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:
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
1)转换为进口道上的绿灯时长
其中,Transi为转换因子。
2)转换为进口道上的绿灯时长变化率:
从模型中得到的推荐的绿灯时长变化率为:
1)转换为绿灯时长
得到t时刻路口i推荐的进口道上的绿灯时长:
2)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。
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:
算法输出目标为:
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ht是由一个输入的yt和上一个时刻的隐状态ht-1决定的。
ht=RNNσh(yt,ht-1,Wrnn,x,Wrnn,h)
其中,RNNσh表示RNN隐状态的更新方程,Wrnn,x和Wrnn,h表示为隐藏层的权重。
LSTM和GRU是两种典型的RNN变体。
LSTM的更新机制如下:
st=LSTMcell(yt,ht-1,st-1,Wlstm,s)
ht=LSTMhidden(ot,ct)
其中LSTM的更新方程包括LSTMcell、LSTMhidden。Wlstm,i,f、Wlstm,0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(it,ft和ot)。blstm,i,f是偏置函数用于输入门和遗忘门的更新,st为t时刻的核心状态,Wlstm,s为更新核心状态的训练权重。
GRU的更新机制如下:
ht=GRUhidden(qt,rt,ht-1)
c.训练过程
损失函数为:
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描述如下:
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Δa;
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Δa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
区间 | 分级 |
Δa<=A1 | 1 |
A1<Δa<=A2 | 2 |
A2<Δa<=A3 | 3 |
A3<Δa<=A4 | 4 |
A4<Δa<=A5 | 5 |
A5<Δa<=A6 | 6 |
A6<Δa<=A7 | 7 |
A7<Δa<=A8 | 8 |
A8<Δa<=A9 | 9 |
Δa>A9 | 10 |
Claims (8)
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,其中所述信控推荐模块包括:
召回单元,用于利用空间相似性快速召回相似的路口,根据路口属性,采用图卷积网络算法GraphSAGE生成路口嵌入编码,根据所述路口嵌入编码的相似度筛选出介入路口的若干个相似路口;
排序单元,用于基于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,选取若干个不同的深度神经网络模型,将路网中各路口的历史交通状态数据和历史交通信号控制方案输入所选取若干个不同的深度神经网络模型分别进行训练,并保存训练得到的各深度神经网络模型,基于召回单元得到的若干个相似路口的历史交通状态数据和历史交通信号控制方案训练得到的深度神经网络,以介入路口的当前及往前一定时间单位的交通状态数据为输入,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;
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;
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G=(V,E),其中V是路口的集合,E为连接路段的集合,|V|=N,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:
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:
其中Zq为路口节点q的路口嵌入编码,ψ为节点q的邻居,σ为非线性激活函数,Pλ为负采样分布,Q表示负采样的数量,负采样指以一批不是邻居的节点ψλ作为负样本,E指期望,T是转置。
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:所述路口嵌入编码生成过程具体包括:
步骤4:对上一步得到的路口i的编码做归一化处理,
步骤5:迭代步骤2-4,直至达到设定的迭代次数k=K;
6.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,所述历史交通信号控制方案在所述深度神经网络模型训练时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,
所述历史交通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Transi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Transi为t时刻路口i各相位phase对应各进口道的转换因子构成的矩阵,所述转换因子根据相位phase时进口道能否通行取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推荐的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推荐的信号控制方案中各相位的绿灯时长。
7.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。
8.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Δa;
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Δa落在历史同期区间,即得到其相对有效度。
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 CN111341109A (zh) | 2020-06-26 |
CN111341109B true 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) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932871B (zh) * | 2020-06-28 | 2021-06-29 | 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 |
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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805348B (zh) * | 2018-06-05 | 2020-06-23 | 京东数字科技控股有限公司 | 一种交叉口信号配时控制优化的方法和装置 |
CN109754597B (zh) * | 2018-08-02 | 2021-10-08 | 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 |
CN110533932B (zh) * | 2019-08-06 | 2020-12-08 | 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 |
CN110491146B (zh) * | 2019-08-21 | 2020-08-21 | 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 |
CN110570672B (zh) * | 2019-09-18 | 2020-12-01 | 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 |
-
2020
- 2020-05-19 CN CN202010422232.1A patent/CN111341109B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111341109A (zh) | 2020-06-26 |
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 | |
CN111341109B (zh) | 一种基于时空相似性的城市级信号推荐系统 | |
CN110164128B (zh) | 一种城市级智能交通仿真系统 | |
CN111540198B (zh) | 基于有向图卷积神经网络的城市交通态势识别方法 | |
CN111292525B (zh) | 基于神经网络的交通流预测方法 | |
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 | |
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 | |
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 | |
CN110516833A (zh) | 一种基于特征提取的Bi-LSTM预测道路交通状态的方法 | |
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 | |
CN112863182B (zh) | 基于迁移学习的跨模态数据预测方法 | |
CN112053560A (zh) | 基于神经网络的短时交通流量预测方法、系统和存储介质 | |
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 | |
CN112037539B (zh) | 一种用于饱和城市交通网络的信控方案推荐方法及系统 | |
CN113591380A (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
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 | |
CN114360266A (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 | |
CN114299728A (zh) | 结合注意力机制与动态时空卷积模型的车辆流量预测方法 | |
CN116011684A (zh) | 一种基于时空图卷积网络的交通流量预测方法 | |
CN114692984A (zh) | 基于多步耦合图卷积网络的交通预测方法 | |
CN111815075B (zh) | 一种重大公共卫生事件下交通出行需求的预测方法 | |
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 | |
CN115392554A (zh) | 基于深度图神经网络和环境融合的轨道客流预测方法 |
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. |