CN111613072A - 智能信号灯配时优化方法、装置、设备、系统和介质 - Google Patents
智能信号灯配时优化方法、装置、设备、系统和介质 Download PDFInfo
- Publication number
- CN111613072A CN111613072A CN202010383417.6A CN202010383417A CN111613072A CN 111613072 A CN111613072 A CN 111613072A CN 202010383417 A CN202010383417 A CN 202010383417A CN 111613072 A CN111613072 A CN 111613072A
- Authority
- CN
- China
- Prior art keywords
- phase
- time
- signal lamp
- traffic flow
- intersection
- 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
Images
Classifications
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供的一种智能信号灯配时优化方法、装置、设备、系统和介质，通过获取一路口的实时车流信息；依据实时车流信息计算各相位对应等待通行的车辆队列长度；将各相位对应等待通行的所述车辆队列长度输入模糊控制器得到各相位所需的路灯时长，并将最长的路灯时长所对应的相位选择为下一相位；依据下一相位进行强化学习以调整各相位所需的路灯时长的时间量，并据以向该路口的信号灯输出信号灯指令。本申请能对单个十字路口进行实时的信号灯配时优化，进而有效缓解城市道路通行高峰期的交通拥堵，减少道路通行低峰期车辆的红灯等待时间，使信号灯更加智能化，具有更好的灵活性。
Description
技术领域
本发明涉及智能交通控制技术领域，特别是涉及一种智能信号灯配时优化方法、装置、设备、系统和介质。
背景技术
视频识别技术包括前端视频信息的采集及传输、中间的视频检测和后端的分析处理三个环节。通过摄影设备进行视频采集，再通过中间嵌入的智能分析模块，对视频画面进行识别、检测、分析等，再对识别到的信息进行分析和处理。
然而在智能信号灯领域中，对应视频处理各环节的不少优秀算法或模型并未得到完整的结合与利用。因此，在智能信号灯领域还存在较大优化空间，在实际的交通场景中实际发挥的有效价值还需要进一步提高。
发明内容
鉴于以上所述现有技术的缺点，本申请的目的在于提供一种智能信号灯配时优化方法、装置、设备、系统和介质，以解决现有技术中的问题。
为实现上述目的及其他相关目的，本申请提供一种智能信号灯配时优化方法，所述方法包括：获取一路口的实时车流信息；依据所述实时车流信息计算各相位对应等待通行的车辆队列长度；将各相位对应等待通行的所述车辆队列长度输入模糊控制器得到各相位所需的路灯时长，并将最长的路灯时长所对应的相位选择为下一相位；依据下一相位进行强化学习以调整各相位所需的路灯时长的时间量，并据以向该路口的信号灯输出信号灯指令。
于本申请的一实施例中，在获取一路口的实时车流信息前，所述方法还包括：通过具备视频内容识别的摄像头获取该路口的历史车流信息；所述历史车流信息至少包括：不同时段的车流量、车辆位置、及车辆速度；将路口的历史车流信息作为输入，使用韦伯斯特配时法对该路口的信号灯配时进行初始化，根据实际交通情况确定各相位可接受的最长绿灯时长。
于本申请的一实施例中，所述将各相位对应等待通行的所述车辆队列长度输入模糊控制器得到各相位所需的路灯时长，包括：将各相位对应等待通行的所述车辆队列长度作为输入量输入模糊控制器；将所述输入量以一定的比例转换到论域数值以进行模糊化；建立模糊控制器的模糊规则，经过模糊推理和解模糊化，得到各相位所需的路灯时长。
于本申请的一实施例中，所述依据下一相位进行强化学习以调整各相位所需的路灯时长时间量，并据以输出信号灯指令，包括：将下一相位所需的绿灯时长、下一相位选择信息、各相位当前驶入区与驶出区的队列长度、多个邻近路口当前的车流量作为强化学习的状态空间信息；基于各相位所需绿灯时长将拟调整的时间量作为强化学习的动作空间；依据所述状态空间信息，以该路口的通行效率与车辆平均等待时间作为所述动作空间的评价指标；通过不同时间量的评价指标对比进行相应奖励或惩罚，以更新Q值函数；基于更新的Q值函数，使用epsilon贪心策略选择历史最高奖励的所述时间量进行调整。
于本申请的一实施例中，所述方法还包括：利用边云计算同步邻近多个路口的实时车流信息，以供根据模糊控制器的输出与邻近多个路口的车流量，采用强化学习进行进一步优化；和/或，利用边缘完成信息处理、算法计算以及信号灯指令的传送。
于本申请的一实施例中，所述相位表示一组没有冲突的交通流同时获得通行权的信号灯状态；所述相位是根据路口情况确定的；所述下一相位表示下一次变换后的信号灯状态。
为实现上述目的及其他相关目的，本申请提供一种智能信号灯配时优化装置，所述装置包括：获取模块，用于获取一路口的实时车流信息；处理量块，用于依据所述实时车流信息计算各相位对应等待通行的车辆队列长度；将各相位对应等待通行的所述车辆队列长度输入模糊控制器得到各相位所需的路灯时长，并将最长的路灯时长所对应的相位选择为下一相位；依据下一相位进行强化学习以调整各相位所需的路灯时长的时间量，并据以向该路口的信号灯输出信号灯指令。
为实现上述目的及其他相关目的，本申请提供一种计算机设备，所述设备包括：存储器、处理器、及通信器；所述存储器用于存储计算机指令；所述处理器运行计算机指令实现如上所述的方法；所述通信器通信连接摄像头、及信号灯。
为实现上述目的及其他相关目的，本申请提供一种智能信号灯配时优化系统，所述系统包括：如上所述的计算机设备、摄像头、及信号灯；所述摄像头具备视频内容识别功能，以用于获取对应一路口的历史车流信息或实时车流信息；所述计算机设备，用于依据历史车流信息与实施车流信息得对应路口各相位优化的路灯时间的信号灯指令；所述信号灯用于接收信号灯指令并执行相应动作。
为实现上述目的及其他相关目的，本申请提供一种计算机可读存储介质，存储有计算机指令，所述计算机指令被运行时执行如上所述的方法。
综上所述，本申请的一种智能信号灯配时优化方法、装置、设备、系统和介质，通过获取一路口的实时车流信息；依据所述实时车流信息计算各相位对应等待通行的车辆队列长度；将各相位对应等待通行的所述车辆队列长度输入模糊控制器得到各相位所需的路灯时长，并将最长的路灯时长所对应的相位选择为下一相位；依据下一相位进行强化学习以调整各相位所需的路灯时长的时间量，并据以向该路口的信号灯输出信号灯指令。
具有以下有益效果：
采用本申请提出的方法对于单个十字路口进行实时的信号灯配时优化，以达到路口车辆通行效率的最大化以及进入路口车辆的平均红灯等待时间的最小化，进而有效缓解城市道路通行高峰期的交通拥堵，减少道路通行低峰期车辆的红灯等待时间，使信号灯更加智能化，具有更好的灵活性。
附图说明
图1显示为本申请于一实施例中的智能信号灯配时优化方法的流程示意图。
图2显示为本申请于一实施例中的智能信号灯配时优化装置的模块示意图。
图3显示为本申请于一实施例中的计算机设备的结构示意图。
图4显示为本申请于一实施例中的智能信号灯配时优化系统的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，遂图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。。
为能使现有智能信号灯智能控制进一步优化，本申请提供一种智能信号灯配时优化方法、装置、设备、系统和介质。所述智能信号灯配时优化方法结合前沿的视频内容识别技术采集、分析本路口以及邻近多个路口实时的车辆信息，根据采集到的数据，通过模糊控制与强化学习算法对单一路口的信号灯配时进行整体优化，最终实现路口车流效率的最大化和车辆在该路口平均信号灯等待时间的最小化，帮助单个十字路口缓解拥堵，在拥堵与非拥堵的时段均能帮助进入路口的车辆减少平均红灯等待时间，以达到缓解十字路口交通拥堵，提高路口通行效率，减少道路通行低峰期车辆的红灯等待时间的目的。
如图1所示，展示为本申请一实施例中的智能信号灯配时优化方法的流程示意图。如图所示，所述方法包括：
步骤S101：获取一路口的实时车流信息。
于本实施例中，所述实时车流信息至少包括：路口所有车辆实时的位置、速度等车流信息。
举例，本申请可采用某一路口所架设的一或多个摄像设备，并且该设备具有视频内容识别功能。目前已有摄像设备搭载图像识别或视频识别算法，如通过识别算法模型的训练，可以对如车辆等特定目标进行区域或位置的识别，另外，目前交通路段已有诸多可测速的拍摄设备，因此，可通过现有具有视频内容识别功能的摄像设备来获取某一路口的车辆实时的位置、速度等信息。
于本实施例中，在获取一路口的实时车流信息前，所述方法还包括：
A、通过具备视频内容识别的摄像头获取该路口的历史车流信息；所述历史车流信息至少包括：不同时段的车流量、车辆位置、及车辆速度。
同上，通过具备视频内容识别的摄像头不仅可以获取某路口的实时车流信息，还可以提取摄像头所存储的历史车流信息。
B、将路口的历史车流信息作为输入，使用韦伯斯特配时法对该路口的信号灯配时进行初始化，根据实际交通情况确定各相位可接受的最长绿灯时长。
韦伯斯特配时法是国际上广泛使用的信号灯配时算法，算法根据历史的交通流量对路口的信号灯配时进行设置。
于本实施例中，通常交通信号灯的配时不宜过长也不宜果断，最优的效果是根据当前路口实际的车流情况，这里本申请在对某一路口进行配时时，首先可以根据历史车流信息作为输入，使用韦伯斯特配时法对该路口的信号灯配时进行初始化，其中，主要根据实际交通情况确定各相位可接受的最长绿灯时长，以得到比较贴近该路口实际交通情况的信号灯配时初始方案。
需要说明的是，所述相位表示一组没有冲突的交通流同时获得通行权的信号灯状态；所述相位是根据路口情况确定的；下文的下一相位则表示下一次变换后的信号灯状态。
例如，根据路口的情况确定该路口的相位，即一组没有冲突的交通流同时获得通行权的信号灯状态。以一般的十字路口为例，可设定南北直行为第一相位，南北左转为第二相位，东西直行为第三相位，东西左转为第四相位等。
步骤S102：依据所述实时车流信息计算各相位对应等待通行的车辆队列长度。
于本实施例中，根据路口所有车辆实时的位置、速度，根据车辆的位置和速度信息，计算获得各个方向等待通行的车辆队列长度。
举例来说，由于某些路口所对应的道路较长，或是拍摄设备所采集的区域有限，本申请并非计算实际的车辆队列长度，优选地，以拍摄设备所能采集区域为上限，计算该采集区域内的实际车辆对列长度，而当有超出拍摄设备所能采集区域的等待车辆时，则车辆队列长度可默认为大于预设极限值，如，极限值为30或50。通常来说，拍摄设备所能采集区域内等待通行的车辆排满属于少数情况，因此，当等待通行的车辆超出采集区域的情况更为少见，而将该情况统一为一极限范围，对于最后得到的优化结果来说，影响并不大。
步骤S103：将各相位对应等待通行的所述车辆队列长度输入模糊控制器得到各相位所需的路灯时长，并将最长的路灯时长所对应的相位选择为下一相位。
于本申请一实施例中，所述步骤S103具体包括：
A、将各相位对应等待通行的所述车辆队列长度作为输入量输入模糊控制器。
于本实施例中，所述模糊控制器可指模糊控制模型或模糊控制算法，该模糊控制模型或模糊控制算法属于是现有模型或算法。
模糊控制是基于模糊数学、模糊逻辑推理以及模糊语言的一种自动控制系统，其思想为将人类长期实验积累下来的控制经验运用模糊语言进行量化，转化为数学实现的智能模糊控制器，从而完成对被控对象的控制。其基本工作流程包括将精确的输入值转变为模糊量，即模糊化；按照输入和知识库提供的规则进行模糊推理得到系统输出，即模糊推理；把输出的模糊值解模糊化为精确值，即解模糊化；根据精确输出完成系统对被控对象的控制。模糊控制在现代城市交通控制领域已得到了广泛的应用。
B、将所述输入量以一定的比例转换到论域数值以进行模糊化。
C、建立模糊控制器的模糊规则，经过模糊推理和解模糊化，得到各相位所需的路灯时长
于本实施例中，将输入量以适当的比例转换到论域数值，即进行模糊化,将输入量进行模糊化后进入模糊决策部分。在模糊决策部分需建立模糊控制器的模糊规则，经过模糊推理和解模糊化，以推理出各相位大致需求的通行时长T1，T2，T3，T4，将绿灯需求时间最长的相位选择为下一相位。
举例来说，输入变量：当前相位中绿灯时的车流量X，红灯时的车流量Y(也可以看作是车辆排队长度)；
输出变量：绿灯需求时间Z；
模糊化：将输入变量的论域定义为Li∈[0,25]，将X或Y模糊至3个模糊子集，如零(ZO),正小(PS)，正大(PB)；输出变量Ti∈[0,90]，将Z分为3个模糊子集：短(S)，一般(M)，长(L)。
模糊推理：建立模糊控制规则，设置模糊规则例如：ifLi＝PS，thenTi＝M；，
解模糊化：输出隶属度函数，根据模糊推理解出绿灯延长时间T1，T2，T3，T4。
步骤S104：依据下一相位进行强化学习以调整各相位所需的路灯时长的时间量，并据以向该路口的信号灯输出信号灯指令。
需说明的是，强化学习算法是一种机器学习方法。强化学习系统通过感知环境状态信息，由动作选择策略做出动作对环境进行试探，然后根据环境提供的反馈回报调整学习系统中的动作选择策略。通过不断的循环改进，以寻找系统的最优策略。强化学习算法包括Q学习、Sarsa、深度强化学习等算法。其中，Q学习(Q-Learning)是一种不需要建立明确的环境模型的强化学习方法。通过建立Q函数并不断根据动作、状态进行学习，最终获得最优的Q函数。
于本申请一实施例中，所述依据下一相位进行强化学习以调整各相位所需的路灯时长时间量，并据以输出信号灯指令，包括：
A、将下一相位所需的绿灯时长、下一相位选择信息、各相位当前驶入区与驶出区的队列长度、多个邻近路口当前的车流量作为强化学习的状态空间信息。
于本实施例中，由步骤S103得到的下一相位所需的绿灯时长(Tθ)、下一相位选择信息(θ)、各相位当前驶入区与驶出区的队列长度(
(i＝1,2,3,4))、邻近四个路口当前的车流量(
(i＝1,2,3,4))作为强化学习的状态空间信息，即t时刻的状态空间为
B、基于各相位所需绿灯时长将拟调整的时间量作为强化学习的动作空间。
于本实施例中，强化学习的动作空间a设定为：基于步骤S103得到的各相位所需绿灯时长Ti(i＝1，2，3，4)的基础上调整的时间量△Ti，其中，△Ti为离散的时间量集合，例如△Ti∈{-10,-8,…,8,10}。
C、依据所述状态空间信息，以该路口的通行效率与车辆平均等待时间作为所述动作空间a的评价指标。
于本实施例中，使用本路口的通行效率与车辆平均等待时间作为所述动作空间a的评价指标。例如，t时刻的评价指数为at，t时刻通行效率越高，车辆平均等待时间越少则at越高。
t+1时刻的奖励函数定义为：rt+1＝at+1-at，即若t+1时刻的通行效率更高、等待时间更短，则rt+1>0，进行奖励，反之，rt+1<0，进行惩罚。其中，r是强化学习算法对于选择的动作的奖励。根据是否比前一时刻通行率高来决定给算法返回的奖励值。
D、通过不同时间量的评价指标对比进行相应奖励或惩罚，以更新Q值函数。
于本实施例中，更新Q值函数：
Qt+1(s,a)＝(1-α)Qt(s,a)+α(rt+γmaxa′Qt(s′,a′))；
其中，a表示当前状态(当前时刻)的动作空间，a'为下一时刻的动作空间，α∈[0,1]为学习速率，γ∈[0,1]为平衡当下收益与未来影响的折扣因子。
E、基于更新的Q值函数，使用epsilon贪心策略选择历史最高奖励的所述时间量进行调整。
于本实施例中，基于更新后的Q值函数，使用epsilon贪心策略进行下一步的动作选择。这里，Epsilon贪心策略是强化学习的经典算法，即依照∈的概率对动作空间进行随机探索(即随机选择下一动作)，否则选择历史奖励(r)最高的动作作为下一空间动作。空间动作的选择指基于各相位所需绿灯时长将拟调整的时间量的任一动作，即调整时间量△T。
简单来说，依据下一相位所需的绿灯时长、下一相位选择信息、各相位当前驶入区与驶出区的队列长度、多个邻近路口当前的车流量，通过强化学习可使各相位所需的路灯时长进行合理优化。
于本申请一实施例中，所述方法还包括：利用边云计算同步邻近多个路口的实时车流信息，以供根据模糊控制器的输出与邻近多个路口的车流量，采用强化学习进行进一步优化；和/或，利用边缘完成信息处理、算法计算以及信号灯指令的传送。
于本实施例中，边缘计算是指靠近物或数据源头的一侧采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。其应用程序在边缘侧发起，产生更快的网络服务响应，满足行业的实施业务、应用智能、安全隐私保护等多方面的基本需求。边缘计算可以有效减小系统处理的延迟，减少数据传输带宽，大大缓解云端计算中心的压力，提高可用性。边缘计算从2014年以来得到了迅速的发展，并在实时数据处理、自动驾驶、工业互联网、智能家居和智慧城市等领域展现了广阔的应用前景。
综上所述，采用本申请提出的方法对于单个十字路口进行实时的信号灯配时优化，以达到路口车辆通行效率的最大化以及进入路口车辆的平均红灯等待时间的最小化，进而有效缓解城市道路通行高峰期的交通拥堵，减少道路通行低峰期车辆的红灯等待时间，使信号灯更加智能化，具有更好的灵活性。
如图2所示，展示为本申请于一实施例中的智能信号灯配时优化装置的模块示意图。如图所示，所述装置200包括：
获取模块201，用于获取一路口的实时车流信息；
处理模块202，用于依据所述实时车流信息计算各相位对应等待通行的车辆队列长度；将各相位对应等待通行的所述车辆队列长度输入模糊控制器得到各相位所需的路灯时长，并将最长的路灯时长所对应的相位选择为下一相位；依据下一相位进行强化学习以调整各相位所需的路灯时长的时间量，并据以向该路口的信号灯输出信号灯指令。
需要说明的是，上述装置各模块/单元之间的信息交互、执行过程等内容，由于与本申请所述方法实施例基于同一构思，其带来的技术效果与本申请方法实施例相同，具体内容可参见本申请前述所示的方法实施例中的叙述，此处不再赘述。
还需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些单元可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，处理模块202可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上处理模块202的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital signal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
如图3所示，展示为本申请于一实施例中的计算机设备的结构示意图。如图所示，所述计算机设备300包括：存储器301、处理器302、及通信器303；所述存储器301用于存储计算机指令；所述处理器302运行计算机指令实现如图1所述的方法。
所述通信器303用于通信连接对应一或多个路口的摄像头、及信号灯。其中，所述摄像头具备视频内容识别功能。
在一些实施例中，所述计算机设备300中的所述存储器301的数量均可以是一或多个，所述处理器302的数量均可以是一或多个，所述通信器303的数量均可以是一或多个而图3中均以一个为例。
于本申请一实施例中，所述计算机设备300中的处理器302会按照如图1所述的步骤，将一个或多个以应用程序的进程对应的指令加载到存储器301中，并由处理器302来运行存储在存储器302中的应用程序，从而实现如图1所述的方法。
所述存储器301可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。所述存储器301存储有操作系统和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。操作系统可包括各种系统程序，用于实现各种基础业务以及处理基于硬件的任务。
所述处理器302可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
所述通信器303用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信连接。所述通信器303可包含一组或多组不同通信方式的模块，例如，与CAN总线通信连接的CAN通信模块。所述通信连接可以是一个或多个有线/无线通讯方式及其组合。通信方式包括：互联网、CAN、内联网、广域网(WAN)、局域网(LAN)、无线网络、数字用户线(DSL)网络、帧中继网络、异步传输模式(ATM)网络、虚拟专用网络(VPN)和/或任何其它合适的通信网络中的任何一个或多个。例如：WIFI、蓝牙、NFC、GPRS、GSM、及以太网中任意一种及多种组合。
在一些具体的应用中，所述计算机设备300的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清除说明起见，在图3中将各种总线都成为总线系统。
如图4所示，展示为本申请于一实施例中的智能信号灯配时优化系统的结构示意图。如图所示，所述系统400包括：如图3所述的计算机设备401、摄像头402、及信号灯403；其中，摄像头402、及信号灯403为对应一或多个路口，其数量为一个或多个。
所述摄像头402具备视频内容识别功能，以用于获取对应一路口的历史车流信息或实时车流信息；所述计算机设备401，用于依据历史车流信息与实施车流信息得对应路口各相位优化的路灯时间的信号灯指令；所述信号灯403用于接收信号灯指令并执行相应动作。
优选地，本系统应用于交通路口，其结合前沿的视频内容识别技术采集、分析本路口以及邻近多个路口实时的车辆信息，根据采集到的数据，通过模糊控制与强化学习算法对单一路口的信号灯配时进行整体优化，最终实现路口车流效率的最大化和车辆在该路口平均信号灯等待时间的最小化。
于本申请的一实施例中，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如图1所述的方法。
所述计算机可读存储介质，本领域普通技术人员可以理解：实现上述系统及各单元功能的实施例可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述系统及各单元功能的实施例；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本申请提供的一种智能信号灯配时优化方法、装置、设备、系统和介质，通过获获取一路口的实时车流信息；依据所述实时车流信息计算各相位对应等待通行的车辆队列长度；将各相位对应等待通行的所述车辆队列长度输入模糊控制器得到各相位所需的路灯时长，并将最长的路灯时长所对应的相位选择为下一相位；依据下一相位进行强化学习以调整各相位所需的路灯时长的时间量，并据以向该路口的信号灯输出信号灯指令。
本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中包含通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。
Claims (10)
1.一种智能信号灯配时优化方法，其特征在于，所述方法包括：
获取一路口的实时车流信息；
依据所述实时车流信息计算各相位对应等待通行的车辆队列长度；
将各相位对应等待通行的所述车辆队列长度输入模糊控制器得到各相位所需的路灯时长，并将最长的路灯时长所对应的相位选择为下一相位；
依据下一相位进行强化学习以调整各相位所需的路灯时长的时间量，并据以向该路口的信号灯输出信号灯指令。
2.根据权利要求1所述的方法，其特征在于，在获取一路口的实时车流信息前，所述方法还包括：
通过具备视频内容识别的摄像头获取该路口的历史车流信息；所述历史车流信息至少包括：不同时段的车流量、车辆位置、及车辆速度；
将路口的历史车流信息作为输入，使用韦伯斯特配时法对该路口的信号灯配时进行初始化，根据实际交通情况确定各相位可接受的最长绿灯时长。
3.根据权利要求1所述的方法，其特征在于，所述将各相位对应等待通行的所述车辆队列长度输入模糊控制器得到各相位所需的路灯时长，包括：
将各相位对应等待通行的所述车辆队列长度作为输入量输入模糊控制器；
将所述输入量以一定的比例转换到论域数值以进行模糊化；
建立模糊控制器的模糊规则，经过模糊推理和解模糊化，得到各相位所需的路灯时长。
4.根据权利要求1中任意一项所述的方法，其特征在于，所述依据下一相位进行强化学习以调整各相位所需的路灯时长时间量，并据以输出信号灯指令，包括：
将下一相位所需的绿灯时长、下一相位选择信息、各相位当前驶入区与驶出区的队列长度、多个邻近路口当前的车流量作为强化学习的状态空间信息；
基于各相位所需绿灯时长将拟调整的时间量作为强化学习的动作空间；
依据所述状态空间信息，以该路口的通行效率与车辆平均等待时间作为所述动作空间的评价指标；
通过不同时间量的评价指标对比进行相应奖励或惩罚，以更新Q值函数；
基于更新的Q值函数，使用epsilon贪心策略选择历史最高奖励的所述时间量进行调整。
5.根据权利要求1-4中任意一项所述的方法，其特征在于，所述方法还包括：
利用边云计算同步邻近多个路口的实时车流信息，以供根据模糊控制器的输出与邻近多个路口的车流量，采用强化学习进行进一步优化；
和/或，利用边缘完成信息处理、算法计算以及信号灯指令的传送。
6.根据权利要求1所述的方法，其特征在于，所述相位表示一组没有冲突的交通流同时获得通行权的信号灯状态；所述相位是根据路口情况确定的；所述下一相位表示下一次变换后的信号灯状态。
7.一种智能信号灯配时优化装置，其特征在于，所述装置包括：
获取模块，用于获取一路口的实时车流信息；
处理量块，用于依据所述实时车流信息计算各相位对应等待通行的车辆队列长度；将各相位对应等待通行的所述车辆队列长度输入模糊控制器得到各相位所需的路灯时长，并将最长的路灯时长所对应的相位选择为下一相位；依据下一相位进行强化学习以调整各相位所需的路灯时长的时间量，并据以向该路口的信号灯输出信号灯指令。
8.一种计算机设备，其特征在于，所述设备包括：存储器、处理器、及通信器；所述存储器用于存储计算机指令；所述处理器运行计算机指令实现如权利要求1至6中任意一项所述的方法；所述通信器通信连接摄像头、及信号灯。
9.一种智能信号灯配时优化系统，其特征在于，所述系统包括：如权利要求8所述的计算机设备、摄像头、及信号灯；
所述摄像头具备视频内容识别功能，以用于获取对应一路口的历史车流信息或实时车流信息；
所述计算机设备，用于依据历史车流信息与实施车流信息得对应路口各相位优化的路灯时间的信号灯指令；
所述信号灯用于接收信号灯指令并执行相应动作。
10.一种计算机可读存储介质，其特征在于，存储有计算机指令，所述计算机指令被运行时执行如权利要求1至6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010383417.6A CN111613072A (zh) | 2020-05-08 | 2020-05-08 | 智能信号灯配时优化方法、装置、设备、系统和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010383417.6A CN111613072A (zh) | 2020-05-08 | 2020-05-08 | 智能信号灯配时优化方法、装置、设备、系统和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111613072A true CN111613072A (zh) | 2020-09-01 |
Family
ID=72199766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010383417.6A Pending CN111613072A (zh) | 2020-05-08 | 2020-05-08 | 智能信号灯配时优化方法、装置、设备、系统和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111613072A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112435487A (zh) * | 2020-11-11 | 2021-03-02 | 浪潮商用机器有限公司 | 基于边缘计算的信号灯控制方法、装置、设备及存储介质 |
| CN112837541A (zh) * | 2020-12-31 | 2021-05-25 | 遵义师范学院 | 基于改进ssd的智能交通车流量管理方法 |
| CN112885098A (zh) * | 2021-02-24 | 2021-06-01 | 郑州大学 | 一种分布式智能交通控制系统 |
| CN113269971A (zh) * | 2021-05-14 | 2021-08-17 | 阿波罗智联(北京)科技有限公司 | 信号灯的控制方法、装置及系统 |
| CN113643543A (zh) * | 2021-10-13 | 2021-11-12 | 北京大学深圳研究生院 | 一种具有隐私保护的交通流控制方法、交通信号控制系统 |
| CN114566042A (zh) * | 2022-01-30 | 2022-05-31 | 云知声智能科技股份有限公司 | 信号灯时长分配方法、装置、电子设备和存储介质 |
| CN114677838A (zh) * | 2022-05-27 | 2022-06-28 | 南京莱斯信息技术股份有限公司 | 一种基于排满时间的搭接相位启用判别方法 |
| CN115083160A (zh) * | 2022-06-15 | 2022-09-20 | 国汽智控(北京)科技有限公司 | 信号灯控制方法、装置和信号灯控制器 |
| CN115440063A (zh) * | 2022-09-01 | 2022-12-06 | 的卢技术有限公司 | 交通信号灯的控制方法、装置、计算机设备和存储介质 |
| WO2023206248A1 (zh) * | 2022-04-28 | 2023-11-02 | 京东方科技集团股份有限公司 | 交通灯的控制方法、装置、路网系统、电子设备和介质 |
| CN117275253A (zh) * | 2023-11-20 | 2023-12-22 | 四川融海智城科技集团有限公司 | 一种智能交通指示控制系统及方法 |
| CN117727191A (zh) * | 2024-02-07 | 2024-03-19 | 深圳市震有智联科技有限公司 | 一种基于ai视觉分析的智慧交通控制方法、装置及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6317058B1 (en) * | 1999-09-15 | 2001-11-13 | Jerome H. Lemelson | Intelligent traffic control and warning system and method |
| NL1018875C2 (nl) * | 2001-09-03 | 2003-03-05 | Witteveen & Bos Raadgevende In | Verkeerslichtregeling. |
| CN201655027U (zh) * | 2010-05-13 | 2010-11-24 | 西南交通大学 | 基于新型两级模糊控制的智能交通信号控制系统 |
| CN107067759A (zh) * | 2017-03-20 | 2017-08-18 | 长沙理工大学 | 一种基于acp的平行交通信号灯实时控制方法 |
| CN108335497A (zh) * | 2018-02-08 | 2018-07-27 | 南京邮电大学 | 一种交通信号自适应控制系统及方法 |
| CN108510764A (zh) * | 2018-04-24 | 2018-09-07 | 南京邮电大学 | 一种基于q学习的多路口自适应相位差协调控制系统及方法 |
| CN109697866A (zh) * | 2019-01-11 | 2019-04-30 | 西安电子科技大学 | 一种边缘计算交通信号灯控制系统及控制方法 |
| CN110114806A (zh) * | 2018-02-28 | 2019-08-09 | 华为技术有限公司 | 信号灯控制方法、相关设备及系统 |
-
2020
- 2020-05-08 CN CN202010383417.6A patent/CN111613072A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6317058B1 (en) * | 1999-09-15 | 2001-11-13 | Jerome H. Lemelson | Intelligent traffic control and warning system and method |
| NL1018875C2 (nl) * | 2001-09-03 | 2003-03-05 | Witteveen & Bos Raadgevende In | Verkeerslichtregeling. |
| CN201655027U (zh) * | 2010-05-13 | 2010-11-24 | 西南交通大学 | 基于新型两级模糊控制的智能交通信号控制系统 |
| CN107067759A (zh) * | 2017-03-20 | 2017-08-18 | 长沙理工大学 | 一种基于acp的平行交通信号灯实时控制方法 |
| CN108335497A (zh) * | 2018-02-08 | 2018-07-27 | 南京邮电大学 | 一种交通信号自适应控制系统及方法 |
| CN110114806A (zh) * | 2018-02-28 | 2019-08-09 | 华为技术有限公司 | 信号灯控制方法、相关设备及系统 |
| CN108510764A (zh) * | 2018-04-24 | 2018-09-07 | 南京邮电大学 | 一种基于q学习的多路口自适应相位差协调控制系统及方法 |
| CN109697866A (zh) * | 2019-01-11 | 2019-04-30 | 西安电子科技大学 | 一种边缘计算交通信号灯控制系统及控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨丽: "基于递阶模糊控制—遗传算法的城市干线交通信号智能控制方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112435487A (zh) * | 2020-11-11 | 2021-03-02 | 浪潮商用机器有限公司 | 基于边缘计算的信号灯控制方法、装置、设备及存储介质 |
| CN112837541A (zh) * | 2020-12-31 | 2021-05-25 | 遵义师范学院 | 基于改进ssd的智能交通车流量管理方法 |
| CN112837541B (zh) * | 2020-12-31 | 2022-04-29 | 遵义师范学院 | 基于改进ssd的智能交通车流量管理方法 |
| CN112885098A (zh) * | 2021-02-24 | 2021-06-01 | 郑州大学 | 一种分布式智能交通控制系统 |
| CN113269971A (zh) * | 2021-05-14 | 2021-08-17 | 阿波罗智联(北京)科技有限公司 | 信号灯的控制方法、装置及系统 |
| CN113643543A (zh) * | 2021-10-13 | 2021-11-12 | 北京大学深圳研究生院 | 一种具有隐私保护的交通流控制方法、交通信号控制系统 |
| CN113643543B (zh) * | 2021-10-13 | 2022-01-11 | 北京大学深圳研究生院 | 一种具有隐私保护的交通流控制方法、交通信号控制系统 |
| CN114566042A (zh) * | 2022-01-30 | 2022-05-31 | 云知声智能科技股份有限公司 | 信号灯时长分配方法、装置、电子设备和存储介质 |
| WO2023206248A1 (zh) * | 2022-04-28 | 2023-11-02 | 京东方科技集团股份有限公司 | 交通灯的控制方法、装置、路网系统、电子设备和介质 |
| CN114677838A (zh) * | 2022-05-27 | 2022-06-28 | 南京莱斯信息技术股份有限公司 | 一种基于排满时间的搭接相位启用判别方法 |
| CN115083160A (zh) * | 2022-06-15 | 2022-09-20 | 国汽智控(北京)科技有限公司 | 信号灯控制方法、装置和信号灯控制器 |
| CN115440063A (zh) * | 2022-09-01 | 2022-12-06 | 的卢技术有限公司 | 交通信号灯的控制方法、装置、计算机设备和存储介质 |
| CN115440063B (zh) * | 2022-09-01 | 2023-12-05 | 的卢技术有限公司 | 交通信号灯的控制方法、装置、计算机设备和存储介质 |
| CN117275253A (zh) * | 2023-11-20 | 2023-12-22 | 四川融海智城科技集团有限公司 | 一种智能交通指示控制系统及方法 |
| CN117275253B (zh) * | 2023-11-20 | 2024-02-02 | 四川融海智城科技集团有限公司 | 一种智能交通指示控制系统及方法 |
| CN117727191A (zh) * | 2024-02-07 | 2024-03-19 | 深圳市震有智联科技有限公司 | 一种基于ai视觉分析的智慧交通控制方法、装置及介质 |
| CN117727191B (zh) * | 2024-02-07 | 2024-05-10 | 深圳市震有智联科技有限公司 | 一种基于ai视觉分析的智慧交通控制方法、装置及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111613072A (zh) | 智能信号灯配时优化方法、装置、设备、系统和介质 | |
| Wei et al. | A survey on traffic signal control methods | |
| Jin et al. | A group-based traffic signal control with adaptive learning ability | |
| CN110164152B (zh) | 一种用于单交叉路口交通信号灯控制系统 | |
| CN108510764B (zh) | 一种基于q学习的多路口自适应相位差协调控制系统及方法 | |
| CN109087517B (zh) | 基于大数据的智能信号灯控制方法和系统 | |
| CN111311959B (zh) | 多路口协同控制方法、装置、电子设备及存储介质 | |
| CN111785045A (zh) | 基于演员-评论家算法的分布式交通信号灯联合控制方法 | |
| CN113362491B (zh) | 一种车辆轨迹预测及驾驶行为分析方法 | |
| Rizzo et al. | Time critic policy gradient methods for traffic signal control in complex and congested scenarios | |
| CN107067759A (zh) | 一种基于acp的平行交通信号灯实时控制方法 | |
| WO2023123906A1 (zh) | 交通信号灯控制方法及相关设备 | |
| CN113643528A (zh) | 信号灯控制方法、模型训练方法、系统、装置及存储介质 | |
| CN113628446B (zh) | 一种基于物联网的交通信息采集分析方法及系统 | |
| CN111429737A (zh) | 一种基于agent的城市区域边界控制方法及系统 | |
| CN117062025A (zh) | 一种车联网节能联合计算卸载与资源分配方法 | |
| Shamsi et al. | Reinforcement learning for traffic light control with emphasis on emergency vehicles | |
| Fang et al. | Multi-objective traffic signal control using network-wide agent coordinated reinforcement learning | |
| CN117456732A (zh) | 一种基于大数据的智慧城市交通的信号灯监控管理方法及装置、计算设备 | |
| Hasan et al. | Estimating traffic density on roads using convolutional neural network with batch normalization | |
| CN116758732A (zh) | 雾计算环境下的交叉路口车辆检测和公交优先通行方法 | |
| CN115294784B (zh) | 多路口交通信号灯控制方法、装置、电子设备及存储介质 | |
| CN116189454A (zh) | 交通信号控制方法、装置、电子设备及存储介质 | |
| Al Afif et al. | Enhanced adaptive traffic signal control system using camera sensor and embedded system | |
| CN114723058A (zh) | 一种面向高采样率视频流分析的神经网络端云协同推理方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200901 |