CN111462476A - 基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法 - Google Patents

Abstract

本发明涉及一种基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法，包括以下步骤：(1)实时计算绿波带车辆通行时间；(2)匹配信号灯放行方案，并计算通行效率；(3)根据路口的拥堵状态优化路网的通行时间；(4)通过未来3个时间段的平均数据计算该绿波段未来3个时间段的预测运行效果。采用了该方法，融合了道路规划等级，实时的路口的信号放行方式和实时路口流量数据，基于TensorFlow框架的人工智能神经网络算法实现了道路绿波方案的评估和短期的方案预测。大幅的减少了人工干预及主观的判断逻辑，快速有效准确的反应绿波的运行效果，是一种科学有效的实用技术。

Description

基于TensorFlow框架下的神经网络算法实现绿波效果巡检与 预测的方法

技术领域

本发明涉及智能交通领域，尤其涉及智能交通路况判断领域，具体是指一种基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法。

背景技术

随着智能交通领域技术逐步发展，城市路网过车需求量逐步提升，越来越多的省市为了提升道路运送能力，开始采用一种全新的放行方式——绿波带。绿波带是指：当规定好路段的车速后，根据路段的距离，把该车流所经过的各路口绿灯起始时间，做相应的调整，以确保该车流到达每个路口时，正好遇到“绿灯”。绿波带的设置能有效的减小车流的等待时间，大幅提升道路通行能力，是一种科学有效的道路资源使用方式，能在一定程度上缓解交通压力，提高城市道路运送能力。

目前在中国部分省市道路绿波方案已经实际上线并开始服务大众。其中浙江宁波市地区首批设置了14个绿波带；广东省广州市至2016年下半年，共计开启了46条绿波带；江苏常州地区亦开启了25条绿波放行方案；广东湛江市，江苏靖江市等地区也陆续开始使用绿波放行方案。

但是随之而来的是绿波运行效果的性能监控评估和短期路况的预测的难题。这些难题随着绿波方案使用程度日益扩大而被凸显出来，如何有效快速的解决绿波监控问题已经成为了普遍关注的话题。针对上述难题，急需解决的问题有:如何科学有效的评估绿波放行以来的实际运行效果，如果科学的预测出短时间内的车流量，用于安排路口的放行方案。

目前采用绿波方案的省市案例中，主要的监控手段为人工监控，即专业人员通过监控视屏观测路口的车辆的平均通过时间，由此获知在该路段的车辆的通行情况，并判断绿波效果是否合理。该种方案能在一定程度上反应绿波的放行能力，并简单粗略的将绿波方案的分为早晚高峰时段方案，能缓解交通压力。但是由于上述方案完全需要专业的人工检测，带有极强的主观色彩，并无绝对有效的标准衡量绿波的放行效果。如何科学有效的的评判绿波效果，并科学的给出放行方案仍是一个亟待解决的问题。

发明内容

本发明的目的是克服了上述现有技术的缺点，提供了一种评估效率高、逻辑判断客观有效、减少人工干预的基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法。

为了实现上述目的，本发明的基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法如下：

该基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法，其主要特点是，所述的方法包括以下步骤：

(1)实时计算绿波带车辆通行时间；

(2)匹配信号灯放行方案，并计算通行效率；

(3)根据路口的拥堵状态优化路网的通行时间；

(4)通过未来3个时间段的平均数据计算该绿波段未来3个时间段的预测运行效果。

较佳地，所述的步骤(1)具体包括以下步骤：

(1.1)获取短时间内的过车数据；

(1.2)计算单辆车的绿波段平均通行时间；

(1.3)过滤异常通行时间，获取绿波段放行车辆信息。

较佳地，所述的步骤(1.1)中的短时间为15分钟。

较佳地，所述的步骤(1.1)中的过车数据包括号牌号码、号牌种类、经过设备、经过车道和经过时间字段。

较佳地，所述的步骤(1.2)中计算单辆车的绿波段平均通行时间，具体为：

根据以下公式计算单辆车的绿波段平均通行时间：

其中，T_start、T_end分别表示同一辆车通过绿波开始设备和绿波结束设备的时间参数，T_deadline为单条绿波的最长通行时间。

较佳地，所述的步骤(1.3)中的绿波段放行车辆信息为每辆过车的号牌信息，区间信息与通行时间。

较佳地，所述的步骤(2)具体包括以下步骤：

(2.1)根据路口的信号灯信息、路口等级和通行车辆数计算路口绿信比和单相位计算空放率；

(2.2)根据路口的信号机的放行信息与实际的运行效果得到路口的放行规律和信号机的匹配程度；

(2.3)根据路口的匹配程度决定路口的拥堵状况。

较佳地，所述的步骤(2.1)中计算路口绿信比，具体为：

根据以下公式计算路口绿信比：

其中，n表示路口的相位总数，f(n，i)表示第i个相位的绿信比，T_(greed，k)表示第个相位的绿灯时间，T_(yellow，k)表示第个相位的黄灯时间，T_(red，k)表示第个相位的红灯时间。

较佳地，所述的步骤(2.1)中计算单相位计算空放率，具体为：

根据以下公式计算单相位计算空放率：

其中，∝(i)表示第i个相位的空放绿，

表示15分钟内的绿波带放行有效车辆数，

和x_i表示第i个相位的车道衰减系数和综合影响要素。

较佳地，所述的步骤(3)具体包括以下步骤：

(3.1)根据路口的空放情况累计计算影响系数和通行时间；

(3.2)根据路口的组合条件和计算得到的影响系数得到路口的绿波效果综合指数和绿波通行效果。

较佳地，所述的步骤(3.1)中计算影响系数，具体为：

根据以下公式计算影响系数：

ε(x，y)＝0.22+0.77*sin(π*x*y/5.0)；

其中，x为路口的空放率，y为路口的相位车道数。

较佳地，所述的步骤(3.1)中计算路口的绿波效果综合指数，具体为：

根据以下公式计算路口的绿波效果综合指数：

其中，ε(x，y)为影响系数，V_xy为标定的场景下的设计速度L_xy为该段绿波区间的标定距离，N为在单个测算时间段内绿波区间的过车总量，T_i为单辆车从绿波起点行驶至终点所用的时间。

较佳地，所述的步骤(4)中计算预测的交通绿波效果指数，具体为：

根据以下公式计算预测的交通绿波效果指数：

其中，ε(x，y)为影响系数，V_预测为实际预测出来的路段的平均车速，V_xy为标定的场景下的设计速度。

采用了本发明的基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法，融合了道路规划等级，实时的路口的信号放行方式和实时路口流量数据，基于TensorFlow框架的人工智能神经网络算法实现了道路绿波方案的评估和短期的方案预测。大幅的减少了人工干预及主观的判断逻辑，快速有效准确的反应绿波的运行效果，是一种科学有效的实用技术。

附图说明

图1为本发明的基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法的流程图。

图2为本发明的基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法的绿波带路口空放计算流程图。

图3为本发明的基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法的综合影响系数受车道数和空放率影响分布图。

图4为本发明的基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法的绿波放行效果评估著分布图。

图5为本发明的基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法的3层BP神经网络设计图。

具体实施方式

为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。

该基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法，其中包括以下步骤：

(1)实时计算绿波带车辆通行时间；

(1.1)获取短时间内的过车数据；

(1.2)计算单辆车的绿波段平均通行时间；

(1.3)过滤异常通行时间，获取绿波段放行车辆信息；

(2)匹配信号灯放行方案，并计算通行效率；

(2.1)根据路口的信号灯信息、路口等级和通行车辆数计算路口绿信比和单相位计算空放率；

(2.2)根据路口的信号机的放行信息与实际的运行效果得到路口的放行规律和信号机的匹配程度；

(2.3)根据路口的匹配程度决定路口的拥堵状况；

(3)根据路口的拥堵状态优化路网的通行时间；

(3.1)根据路口的空放情况累计计算影响系数和通行时间；

(3.2)根据路口的组合条件和计算得到的影响系数得到路口的绿波效果综合指数和绿波通行效果；

(4)通过未来3个时间段的平均数据计算该绿波段未来3个时间段的预测运行效果。

作为本发明的优选实施方式，所述的步骤(1.1)中的短时间为15分钟。

作为本发明的优选实施方式，所述的步骤(1.1)中的过车数据包括号牌号码、号牌种类、经过设备、经过车道和经过时间字段。

作为本发明的优选实施方式，所述的步骤(1.2)中计算单辆车的绿波段平均通行时间，具体为：

根据以下公式计算单辆车的绿波段平均通行时间：

其中，T_start、T_end分别表示同一辆车通过绿波开始设备和绿波结束设备的时间参数，T_deadline为单条绿波的最长通行时间。

作为本发明的优选实施方式，所述的步骤(1.3)中的绿波段放行车辆信息为每辆过车的号牌信息，区间信息与通行时间。

作为本发明的优选实施方式，所述的步骤(2.1)中计算路口绿信比，具体为：

根据以下公式计算路口绿信比：

其中，n表示路口的相位总数，f(n，i)表示第i个相位的绿信比，T_(greed，k)表示第个相位的绿灯时间，T_(yellow，k)表示第个相位的黄灯时间，T_(red，k)表示第个相位的红灯时间。

作为本发明的优选实施方式，所述的步骤(2.1)中计算单相位计算空放率，具体为：

根据以下公式计算单相位计算空放率：

其中，∝(i)表示第i个相位的空放绿，

表示15分钟内的绿波带放行有效车辆数，

和x_i表示第i个相位的车道衰减系数和综合影响要素。

作为本发明的优选实施方式，所述的步骤(3.1)中计算影响系数，具体为：

根据以下公式计算影响系数：

ε(x，y)＝0.22+0.77*sin(π*x*y/5.0)；

其中，x为路口的空放率，y为路口的相位车道数。

作为本发明的优选实施方式，所述的步骤(3.1)中计算路口的绿波效果综合指数，具体为：

根据以下公式计算路口的绿波效果综合指数：

其中，ε(x，y)为影响系数，V_xy为标定的场景下的设计速度L_xy为该段绿波区间的标定距离，N为在单个测算时间段内绿波区间的过车总量，T_i为单辆车从绿波起点行驶至终点所用的时间。。

作为本发明的优选实施方式，所述的步骤(4)中计算预测的交通绿波效果指数，具体为：

根据以下公式计算预测的交通绿波效果指数：

其中，ε(x，y)为影响系数，V_预测为实际预测出来的路段的平均车速，V_xy为标定的场景下的设计速度。

本发明的具体实施方式中，本发明主要针对现行的绿波方案中出现的评估需要专业人士人工审核而带来的的主观性过强，无法真实有效的评估绿波实际效果的的状况，给出合理科学的的绿波放行实时计算评估方案；并采用多维度的数据，基于TensorFlow人工智能神经网络算法预测短期内的的绿波运行方案的下的，简化指导绿波设计。

本发明主要针对的是绿波放行方案中出现的难题，提出TensorFlow框架下神经网络算法的绿波效果巡检与预测，能实现绿波的放行效果实时监测和短期的交通流量预测，以此完成绿波效果的巡检和预测。主要实现步骤如下，如图1所示：

1.实时计算绿波带车辆通行时间

从oracle中实时获取短时间内(近15min)的过车数据，主要获得号牌号码，号牌种类，经过设备，经过车道与经过时间字段，并计算单辆车的绿波段平均通行时间的。当通行时间满足算式并大于0小于等于最长通行时间,由此得到出每辆过车的号牌信息，区间信息与通行时间。

2.匹配信号灯放行方案，计算通行效率

判断绿波带的放行状态来决定路口的通行时间所属的拥堵状态，平均通行速度需在空放比例的基础上做出自适应优化，因此需要通过计算路口的空放指数来衡量路口的拥堵状况。

综合路口的信号灯信息，路口等级和通行车辆数等多维度信息产生路口的实际状况的分析指数，主要涉及的参数计算公式为路口绿信比，单相位计算空放率，路口相位组合的计算。通过将路口的信号机的放行信息与实际的运行效果对比得到路口的放行规律与信号机的匹配程度，只有根据路口的匹配程度来决定路口的拥堵状况。

3.信号和通行时间联合判断

根据路口的拥堵状态对路网的通行时间做自适应的优化，保证在路口较为拥堵时，能短时的减少绿波评价的负面影响。因为如果道路的放行能力达到饱和时，绿波的设计无法达到效果，道路不具备运行绿波的条件，此时必须修改该时间段的绿波影响系数，保证能准确的评估绿波在能正常工作环境下的运行条件。

值得注意的是空放效果与影响效果为非线性的函数关系，即当空放率特备高时，影响系数较小；当空放率一般时影响系数达到最大；但当空放率极低时，影响系数反而要大幅减小

4.神经网络算法下的数值预测

更进一步，本发明采用神经网络算法预测未来一段时间(以15分钟为单位向后预测3个时间间隔数据，及为15min，30min，45min，总计3条数据)。通过这三条路口的平均数据带入当前的路口信号机运行方案中，能够再次计算出该绿波带向后运行15分钟，30分钟和45分钟的预测运行效果,该效果为基于当前绿波带的实时路口通行情况与历史对比得打隐性的规律，并根据神经网络的特性，反向误差传播最小的条件下获得的预测值。

在上述的神经网络的条件小，本发明实现了基于历史数据的预测效果评估，综合发现在实际的环境条件下当网络循环学习次数大于10万次时，学习的准确程度和学习效率达到较好的结果，实现数值预测的准确程度93.2％,此时即完成了神经网络的建模和学习过程。

至此本发明通过融合路口信息，信号机放行信息，路口拥堵情况及路口过车情况等多维度数据，实现了绿波的运行效果检测评价和对未来15分钟，30分钟和45分钟的运行效果的预测，根据历史数据的检测，大体可以实现路口运行状况的数值准确程度不低于85％，符合了路口的运行评估的基本需求。与此同时本发明大幅减少了人工干预程度，科学客观的给出了绿波的运行效果，能够评估优化当前大部分绿波地区的运行效果和运行状态。更进一步的本发明所产生的最终结果可用于纵向对比近期的实际的结果，实现对路口的绿波信号优化。

本发明主要针对的是绿波放行方案中出现的难题，提出TensorFlow框架下神经网络算法的绿波效果巡检与预测，能实现绿波的放行效果实时监测和短期的交通流量预测，以此完成绿波效果的巡检和预测。详细的实现步骤为：

第一步：实时计算绿波带车辆通行时间。

从oracle中实时获取短时间内(近15min)的过车数据，主要获得号牌号码，号牌种类，经过设备，经过车道与经过时间字段，其中数据从信号机上传至oracle的时候延时不得超过3s。由于绿波带的普遍距离比较短，多见于相邻的信号机间，同时正常的车辆通行速度能保持20km/h以上，所以15分钟基本保证了单辆车能从某个绿波的起点通行至终点。计算单辆车的绿波段平均通行时间的(公式1)如下(本文以绿波区间常州中吴大道为例，详见表1)：

其中T_start，T_end分别表示同一辆车通过绿波开始设备和绿波结束设备的时间参数(详细至毫秒)，T_deadline为单条绿波的最长通行时间，该参数有绿波带的最低设计时速和去加距离共同决定。当通行时间满足上述计算式并大于0小于等于最长通行时间。由此得到出每辆过车的号牌信息，区间信息与通行时间。

第二步：匹配信号灯放行方案，计算通行效率。

在计算出近期内的所有有效的过车时间数据的同时，需要判断绿波带的放行状态来决定路口的通行时间所属的拥堵状态，若是为异常拥堵的地段，则平均通行速度需在空放比例的基础上做出自适应优化。只有通过优化以后的绿波带平均通行速度才是值得使用的评价优化数据，否则当路口过去拥堵时，常常出现的路口手控将直接影响绿波行为的评价。

路口的空放指数，需要综合路口的信号灯信息，路口等级和通行车辆数等多维度信息产生路口的实际状况的分析指数，详细计算流程详见绿波带路口空放计算流程图，如图1，主要涉及的参数计算公式为路口绿信比计算式(公式2)，单相位计算空放率公式(公式3)，路口相位组合即为单相位的空放率最小值。

其中n表示路口的相位总数，f(n，i)表示第i个相位的绿信比，T_(greed，k)表示第个相位的绿灯时间。

其中∝(i)表示第i个相位的空放绿，

表示15分钟内的绿波带放行有效车辆数，

和x_i表示第i个相位的车道衰减系数和综合影响要素。

第三步：信号和通行时间联合判断。

完成道路的空放率计算以后，需要根据路口的拥堵状态对路网的通行时间做自适应的优化，保证在路口较为拥堵时，能短时的减少绿波评价的负面影响。因为路口在设计绿波时有平均设计时速的需求，即默认在路面状况正常的放行条件下通过路段的时间推算出的平均速度，因此路口的拥堵对绿波放行的影响非常大。当路口的放行能力达到基本饱和时，绿波的设计对放行的影响反而是负面的；当车辆以远低于设计的时速在路口通行时，必面临错过下一个绿灯的窗口期，从而进入漫长的红灯周期。此时由于道路的放行能力已经达到饱和，绿波的设计无法达到效果，道路不具备运行绿波的条件，因此必须修改该时间段的绿波影响系数，保证能准确的评估绿波在能正常工作环境下的运行条件。

所以在计算路口的通行时间时，必须根据路口的空放情况累计计算通行时间，且这种累计效果与空放效果为非线性的函数关系，即当空放率特备高时，影响系数较小；当空放率一般时影响系数达到最大；但当空放率极低时，影响系数反而要大幅减小。经过综合推算，设计如下(公式4)用于影响系数的计算：

ε(x，y)＝0.22+0.77*sin(π*x*y/5.0) (公式4)

其中x表示路口的空放率，y表示路口的相位车道数；当车道数较少时，影响系数的变化约明显。

最终获得如图2所示：在相同车道数量的条件下，空放率越接近0.5时，影响系数越接近最大值1；当空放率越接近0％或100％时，影响系数越接近0，即图中相同的Y坐标系下，Z轴随X轴的变化发生变化。在相同的空放率条件下，车道数据越接近2，越能获得较大的影响系数，这是由路口的车道固有属性决定的，因为一般设计绿波带的路口的直行车道数量普遍都在2-3车道，单车道或4车道以上的条件较为少见。根据上述计算式综合路口的组合条件可以到路口的绿波效果综合指数，该指数为优化后的平局区域速度与设计速度的比值并乘以影响系数(公式5)。当该数据越接近1时获得最大的绿波通行效果如图3

ε(x，y)参数为属于(0，1]区间的小数，用于评判路口的绿波放行效果，说明绿波放行对实际的路口放行效果的影响。该数值越大，越能体现在实际的信号控制中，绿波放行规律符合实际控制场景，说明路口的绿波放行效果越好。

L_xy表征绿波区间的标定距离(单位米)，此数值表征该段绿波区间的道路总长度。该距离在绿波设计之初由规划院实际测算，为绿波设计使用前的必备参数。

N表征在单个测算时间段内绿波区间的过车总量(单位辆)，本方案中单个测算时间段为15分钟。若单辆车未能在此时间段内满足从绿波起点行驶至终点，则顺延至下一时间段累计计算。

T_i表征单辆车从绿波起点行驶至终点所用的时间(单位秒)。

第四步：神经网络算法下的数值预测。

完成了路口的实时绿波效果检验以后，更进一步，本发明采用神经网络算法预测未来一段时间(以15分钟为单位向后预测3个时间间隔数据，及为15min，30min，45min，总计3条数据)。通过这三条路口的平均数据带入当前的路口信号机运行方案中，能够再次计算出该绿波带向后运行15分钟，30分钟和45分钟的预测运行效果，该效果为基于当前绿波带的实时路口通行情况与历史对比得打隐性的规律，并根据神经网络的特性，反向误差传播最小的条件下获得的预测值。

神经网络采用了最原始的单隐藏层的3层神经网络结构，主要为数据输入层(3神经元)，数据输出层(1神经元)和隐藏层(5神经元)，采用基础的激励函数f(x)＝1/(1+e-x)和损失函数L(a，y)＝-[y×log(a)+(1-y)×log(1-a)]，进一步的学习系数采用基础配置0.05，详细的神经网络设计见图4。主要的输入数据为：第一步中计算出来的实时的绿波带速度均值，历史昨日同时刻的绿波带速度均值，以及历史上周同时刻的速度均值，通过BP神经网络的数值学习功能，实现对未来15分钟的速度均值的预测。跟进一步可以实现对未来的30分钟和45分钟的速度值评估预测。

在上述的神经网络的条件小，本发明实现了基于历史数据的预测效果评估，综合发现在实际的环境条件下当网络循环学习次数大于10万次时，学习的准确程度和学习效率达到较好的结果，实现数值预测的准确程度93.2％，此时即完成了神经网络的建模和学习过程。可实现由历史3条数据到未来15分钟，30分钟和45分钟的预测条件。当获得预测速度值后带入公式6(由公式5变形而来)，即可得到预测的交通绿波效果指数，其结果同样适用于图3的效果说明

公式中ε(x，y)影响参数与上一公式中的的影响参数为同一统计量，只是不同的计算场景下的公式变形，其中计算场景的区别在于预测速度V_预测是否直接给出。当前公式要求：标定的场景下的设计速度V_xy和预测速度V_预测直接给出。

V_xy：标定的场景下的设计速度，即在绿波设计过程中，由专业的交通学设计人员给出的该条绿波带的设计速度。该速度值由当前的道路等级，路口上下游的放行能力和路口的复杂程度共同决定。

V_预测：实际预测出来的路段的平均车速，即通过神经网络算法推算出的，路口所有车辆在路段通行速度的平均值。

至此本发明通过融合路口信息，信号机放行信息，路口拥堵情况及路口过车情况等多维度数据，实现了绿波的运行效果检测评价和对未来15分钟，30分钟和45分钟的运行效果的预测。大幅减少了人工干预程度，科学客观的给出了绿波的运行效果。

本发明专利以此按照以下步骤运行，并最终得到路口的实时绿波效果评价指标和未来15分钟，30分钟和45分钟的绿波效果预测指标。

1.实时计算绿波带车辆通行时间

获取15min内的过车数据，计算单辆车的绿波段平均通行时间的，过滤异常通行时间，由此得到出每辆过车的号牌信息，区间信息与通行时间。

2.匹配信号灯放行方案，计算通行效率

判断绿波带的放行状态来决定路口的通行时间所属的拥堵状态。综合路口的信号灯信息，路口等级和通行车辆数等多维度信息产生路口的实际状况的分析指数。以此指数来表征路口的信号机的放行信息与实际的运行匹配程度，根据路口的匹配程度来决定路口的通行效率。

3.信号和通行时间联合判断

根据路口的拥堵状态对路网的通行时间做自适应的优化，减少当道路不具备运行绿波的条件时的评价指数的异常。值得注意的是空放效果与影响效果为非线性的函数关系，即当空放率特备高时，影响系数较小；当空放率一般时影响系数达到最大；但当空放率极低时，影响系数反而要大幅减小

4.神经网络算法下的数值预测

采用神经网络算法基于实时的路口平均速度，昨日相同时刻的路口均速，上周同时刻路口均速预测未来15min，30min，45min的路口通行平均速度量。并将这三个平均数据带入当前的路口信号机运行方案中，能够再次计算出该绿波带向后运行15分钟，30分钟和45分钟的预测运行效果，由此三个指标对应该绿波段的运行效果。

采用了本发明的基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法，融合了道路规划等级，实时的路口的信号放行方式和实时路口流量数据，基于TensorFlow框架的人工智能神经网络算法实现了道路绿波方案的评估和短期的方案预测。大幅的减少了人工干预及主观的判断逻辑，快速有效准确的反应绿波的运行效果，是一种科学有效的实用技术。

在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。

Claims (13)

1.一种基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法，其特征在于，所述的方法包括以下步骤：

(1)实时计算绿波带车辆通行时间；

(2)匹配信号灯放行方案，并计算通行效率；

(3)根据路口的拥堵状态优化路网的通行时间；

(4)通过未来3个时间段的平均数据计算该绿波段未来3个时间段的预测运行效果。

2.根据权利要求1所述的基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法，其特征在于，所述的步骤(1)具体包括以下步骤：

(1.1)获取短时间内的过车数据；

(1.2)计算单辆车的绿波段平均通行时间；

(1.3)过滤异常通行时间，获取绿波段放行车辆信息。

3.根据权利要求2所述的基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法，其特征在于，所述的步骤(1.1)中的短时间为15分钟。

4.根据权利要求2所述的基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法，其特征在于，所述的步骤(1.1)中的过车数据包括号牌号码、号牌种类、经过设备、经过车道和经过时间字段。

5.根据权利要求2所述的基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法，其特征在于，所述的步骤(1.2)中计算单辆车的绿波段平均通行时间，具体为：

根据以下公式计算单辆车的绿波段平均通行时间：

其中，T_start、Te_nd分别表示同一辆车通过绿波开始设备和绿波结束设备的时间参数，T_deadline为单条绿波的最长通行时间。

6.根据权利要求2所述的基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法，其特征在于，所述的步骤(1.3)中的绿波段放行车辆信息为每辆过车的号牌信息，区间信息与通行时间。

7.根据权利要求1所述的基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法，其特征在于，所述的步骤(2)具体包括以下步骤：

(2.1)根据路口的信号灯信息、路口等级和通行车辆数计算路口绿信比和单相位计算空放率；

(2.2)根据路口的信号机的放行信息与实际的运行效果得到路口的放行规律和信号机的匹配程度；

(2.3)根据路口的匹配程度决定路口的拥堵状况。

8.根据权利要求7所述的基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法，其特征在于，所述的步骤(2.1)中计算路口绿信比，具体为：

根据以下公式计算路口绿信比：

其中，n表示路口的相位总数，f(n，i)表示第i个相位的绿信比，T_(greed，k)表示第个相位的绿灯时间，T_(yellow，k)表示第个相位的黄灯时间，T_(red，k)表示第个相位的红灯时间。

9.根据权利要求7所述的基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法，其特征在于，所述的步骤(2.1)中计算单相位计算空放率，具体为：

根据以下公式计算单相位计算空放率：

其中，∝(i)表示第i个相位的空放绿，

表示15分钟内的绿波带放行有效车辆数，

和x_i表示第i个相位的车道衰减系数和综合影响要素。

10.根据权利要求1所述的基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法，其特征在于，所述的步骤(3)具体包括以下步骤：

(3.1)根据路口的空放情况累计计算影响系数和通行时间；

(3.2)根据路口的组合条件和计算得到的影响系数得到路口的绿波效果综合指数和绿波通行效果。

11.根据权利要求10所述的基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法，其特征在于，所述的步骤(3.1)中计算影响系数，具体为：

根据以下公式计算影响系数：

ε(x，y)＝0.22+0.77*sin(π*x*y/5.0)；

其中，x为路口的空放率，y为路口的相位车道数。

12.根据权利要求10所述的基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法，其特征在于，所述的步骤(3.1)中计算路口的绿波效果综合指数，具体为：

根据以下公式计算路口的绿波效果综合指数：

其中，ε(x，y)为影响系数，V_xy为标定的场景下的设计速度，L_xy为该段绿波区间的标定距离，N为在单个测算时间段内绿波区间的过车总量，T_i为单辆车从绿波起点行驶至终点所用的时间。

13.根据权利要求1所述的基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法，其特征在于，所述的步骤(4)中计算预测的交通绿波效果指数，具体为：

根据以下公式计算预测的交通绿波效果指数：

其中，ε(x，y)为影响系数，V_预测为实际预测出来的路段的平均车速，V_xy为标定的场景下的设计速度。

Images