CN111696342A - 交通信号配时优化方法、装置、电子设备及可读存储介质 - Google Patents
交通信号配时优化方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111696342A CN111696342A CN201910181830.1A CN201910181830A CN111696342A CN 111696342 A CN111696342 A CN 111696342A CN 201910181830 A CN201910181830 A CN 201910181830A CN 111696342 A CN111696342 A CN 111696342A
- Authority
- CN
- China
- Prior art keywords
- traffic
- historical
- signal timing
- parameter
- traffic parameter
- 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
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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/07—Controlling traffic signals
Abstract
本发明实施例公开了一种交通信号配时优化方法、装置、电子设备及可读存储介质,所述方法包括:获取历史交通参数和历史交通信号配时信息,其中,所述历史交通参数包括第一历史交通参数和第二历史交通参数;根据所述历史交通参数和历史交通信号配时信息训练得到交通信号配时函数;使用所述交通信号配时函数,获得交通信号配时优化结果。该技术方案能够优化在线交通信号配时方案的输入,提高在线交通信号配时方案的时效性、准确性和鲁棒性,从而能够有效地缓解交通压力,对于交通状况进行可控性地调整。
Description
技术领域
本发明实施例涉及数据处理技术领域,具体涉及一种交通信号配时优化方法、装置、电子设备及可读存储介质。
背景技术
随着社会的发展,机动车的持有量持续增长,交通区域的车流量压力也越来越大,为了有效缓解交通压力、对于交通状况进行可控性地调整,现有技术提出了人工智能信号灯的解决方案,即将从交通大数据中提取得到的关键交通流信息作为交通信号配时方案优化的重要输入,来实现交通信号配时方案的优化。但由于在线交通信号配时方案优化对于实时在线数据的时效性和完备性有着较高的要求,而实际的在线数据往往满足不了这些需求,从而导致目前的在线交通信号配时方案存在失效的情况。
发明内容
本发明实施例提供一种交通信号配时优化方法、装置、电子设备及可读存储介质。
第一方面,本发明实施例中提供了一种交通信号配时优化方法。
具体的,所述交通信号配时优化方法,包括:
获取历史交通参数和历史交通信号配时信息,其中,所述历史交通参数包括第一历史交通参数和第二历史交通参数;
根据所述历史交通参数和历史交通信号配时信息训练得到交通信号配时函数;
使用所述交通信号配时函数,获得交通信号配时优化结果。
结合第一方面,本发明实施例在第一方面的第一种实现方式中,所述获取历史交通参数和历史交通信号配时信息,包括:
获取历史路径数据和历史交通信号配时信息;
根据所述历史路径数据计算得到所述第一历史交通参数和第二历史交通参数。
结合第一方面和第一方面的第一种实现方式,本发明实施例在第一方面的第二种实现方式中,所述获取历史路径数据和历史交通信号配时信息,包括:
获取历史轨迹数据和历史交通信号配时信息;
将所述历史轨迹数据与道路路段网络进行匹配,得到与路段标识对应的历史路径数据。
结合第一方面、第一方面的第一种实现方式和第一方面的第二种实现方式,本公开在第一方面的第三种实现方式中,所述第一历史交通参数包括以下参数中的一种或多种:车行速度、车行时间、拥堵指数;所述第二历史交通参数包括车流量。
结合第一方面的第一种实现方式、第一方面的第二种实现方式和第一方面的第三种实现方式,本公开在第一方面的第四种实现方式中,所述根据所述历史交通参数和历史交通信号配时信息训练得到交通信号配时函数,包括:
确定初始交通信号配时函数;
将所述历史交通参数作为输入,将所述历史交通信号配时信息作为输出,对于所述初始交通信号配时函数进行训练,得到所述交通信号配时函数。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式和第一方面的第四种实现方式,本公开在第一方面的第五种实现方式中,所述使用所述交通信号配时函数,获得交通信号配时优化结果,包括:
获取优化交通参数;
将所述优化交通参数输入至所述交通信号配时函数中,得到交通信号配时优化结果。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式、第一方面的第四种实现方式和第一方面的第五种实现方式,本公开在第一方面的第六种实现方式中,所述获取优化交通参数,包括:
获取第一实测交通参数,其中,所述第一实测交通参数包括以下参数中的一种或多种:车行速度、车行时间、拥堵指数;
根据所述第一实测交通参数和第二历史交通参数进行优化计算,得到第二优化交通参数,其中,所述第二优化交通参数包括车流量;
将所述第一实测交通参数和第二优化交通参数确定为所述优化交通参数。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式、第一方面的第四种实现方式、第一方面的第五种实现方式和第一方面的第六种实现方式,本公开在第一方面的第七种实现方式中,所述根据所述第一实测交通参数和第二历史交通参数进行优化计算,得到第二优化交通参数,包括:
根据所述第一历史交通参数和第二历史交通参数建立第二优化交通参数计算函数,其中,所述第二优化交通参数计算函数的输入为所述第一历史交通参数,输出为所述第二历史交通参数;
将所述第一实测交通参数输入至所述第二优化交通参数计算函数中,将所述第二优化交通参数计算函数的输出确定为第二优化交通参数。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式、第一方面的第四种实现方式、第一方面的第五种实现方式、第一方面的第六种实现方式和第一方面的第七种实现方式,本公开在第一方面的第八种实现方式中,还包括:
根据所述交通信号配时优化结果控制交通设施。
第二方面,本发明实施例中提供了一种交通信号配时优化装置。
具体的,所述交通信号配时优化装置,包括:
获取模块,被配置为获取历史交通参数和历史交通信号配时信息,其中,所述历史交通参数包括第一历史交通参数和第二历史交通参数;
训练模块,被配置为根据所述历史交通参数和历史交通信号配时信息训练得到交通信号配时函数;
优化模块,被配置为使用所述交通信号配时函数,获得交通信号配时优化结果。
结合第二方面,本发明实施例在第二方面的第一种实现方式中,所述获取模块包括:
第一获取子模块,被配置为获取历史路径数据和历史交通信号配时信息;
计算子模块,被配置为根据所述历史路径数据计算得到所述第一历史交通参数和第二历史交通参数。
结合第二方面和第二方面的第一种实现方式,本发明实施例在第二方面的第二种实现方式中,所述第一获取子模块包括:
第二获取子模块,被配置为获取历史轨迹数据和历史交通信号配时信息;
匹配子模块,被配置为将所述历史轨迹数据与道路路段网络进行匹配,得到与路段标识对应的历史路径数据。
结合第二方面、第二方面的第一种实现方式和第二方面的第二种实现方式,本公开在第二方面的第三种实现方式中,所述第一历史交通参数包括以下参数中的一种或多种:车行速度、车行时间、拥堵指数;所述第二历史交通参数包括车流量。
结合第二方面的第一种实现方式、第二方面的第二种实现方式和第二方面的第三种实现方式,本公开在第二方面的第四种实现方式中,所述训练模块包括:
第一确定子模块,被配置为确定初始交通信号配时函数;
训练子模块,被配置为将所述历史交通参数作为输入,将所述历史交通信号配时信息作为输出,对于所述初始交通信号配时函数进行训练,得到所述交通信号配时函数。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式、第二方面的第三种实现方式和第二方面的第四种实现方式,本公开在第二方面的第五种实现方式中,所述优化模块包括:
第三获取子模块,被配置为获取优化交通参数;
第一优化子模块,被配置为将所述优化交通参数输入至所述交通信号配时函数中,得到交通信号配时优化结果。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式、第二方面的第三种实现方式、第二方面的第四种实现方式和第二方面的第五种实现方式,本公开在第二方面的第六种实现方式中,所述第三获取子模块包括:
第四获取子模块,被配置为获取第一实测交通参数,其中,所述第一实测交通参数包括以下参数中的一种或多种:车行速度、车行时间、拥堵指数;
第二优化子模块,被配置为根据所述第一实测交通参数和第二历史交通参数进行优化计算,得到第二优化交通参数,其中,所述第二优化交通参数包括车流量;
第二确定子模块,被配置为将所述第一实测交通参数和第二优化交通参数确定为所述优化交通参数。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式、第二方面的第三种实现方式、第二方面的第四种实现方式、第二方面的第五种实现方式和第二方面的第六种实现方式,本公开在第二方面的第七种实现方式中,所述第二优化子模块包括:
建立子模块,被配置为根据所述第一历史交通参数和第二历史交通参数建立第二优化交通参数计算函数,其中,所述第二优化交通参数计算函数的输入为所述第一历史交通参数,输出为所述第二历史交通参数;
第三确定子模块,被配置为将所述第一实测交通参数输入至所述第二优化交通参数计算函数中,将所述第二优化交通参数计算函数的输出确定为第二优化交通参数。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式、第二方面的第三种实现方式、第二方面的第四种实现方式、第二方面的第五种实现方式、第二方面的第六种实现方式和第二方面的第七种实现方式,本公开在第二方面的第八种实现方式中,还包括:
控制模块,被配置为根据所述交通信号配时优化结果控制交通设施。
第三方面,本发明实施例提供了一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条支持交通信号配时优化装置执行上述第一方面中交通信号配时优化方法的计算机指令,所述处理器被配置为用于执行所述存储器中存储的计算机指令。所述交通信号配时优化装置还可以包括通信接口,用于交通信号配时优化装置与其他设备或通信网络通信。
第四方面,本发明实施例提供了一种计算机可读存储介质,用于存储交通信号配时优化装置所用的计算机指令,其包含用于执行上述第一方面中交通信号配时优化方法为交通信号配时优化装置所涉及的计算机指令。
本发明实施例提供的技术方案可包括以下有益效果:
上述技术方案通过对于在线交通信号配时方案需要的交通参数进行优化,来补偿在线交通信号配时方案对于实时在线数据的时效性和完备性的要求。该技术方案能够优化在线交通信号配时方案的输入,提高在线交通信号配时方案的时效性、准确性和鲁棒性,从而能够有效地缓解交通压力,对于交通状况进行可控性地调整。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明实施例。
附图说明
结合附图,通过以下非限制性实施方式的详细描述,本发明实施例的其它特征、目的和优点将变得更加明显。在附图中:
图1示出根据本发明一实施方式的交通信号配时优化方法的流程图;
图2示出根据图1所示实施方式的交通信号配时优化方法的步骤S101的流程图;
图3示出根据图2所示实施方式的交通信号配时优化方法的步骤S201的流程图;
图4示出根据图1所示实施方式的交通信号配时优化方法的步骤S102的流程图;
图5示出根据图1所示实施方式的交通信号配时优化方法的步骤S103的流程图;
图6示出根据图5所示实施方式的交通信号配时优化方法的步骤S502的流程图;
图7示出根据图6所示实施方式的交通信号配时优化方法的步骤S602的流程图;
图8示出根据本发明另一实施方式的交通信号配时优化方法的流程图;
图9示出根据本发明一实施方式的交通信号配时优化装置的结构框图;
图10示出根据图9所示实施方式的交通信号配时优化装置的获取模块901的结构框图;
图11示出根据图10所示实施方式的交通信号配时优化装置的第一获取子模块1001的结构框图;
图12示出根据图9所示实施方式的交通信号配时优化装置的训练模块902的结构框图;
图13示出根据图9所示实施方式的交通信号配时优化装置的优化模块903的结构框图;
图14示出根据图13所示实施方式的交通信号配时优化装置的第三获取子模块1301的结构框图;
图15示出根据图14所示实施方式的交通信号配时优化装置的第二优化子模块1402的结构框图;
图16示出根据本发明另一实施方式的交通信号配时优化装置的结构框图;
图17示出根据本发明一实施方式的电子设备的结构框图;
图18是适于用来实现根据本发明一实施方式的交通信号配时优化方法的计算机系统的结构示意图。
具体实施方式
下文中,将参考附图详细描述本发明实施例的示例性实施方式,以使本领域技术人员可容易地实现它们。此外,为了清楚起见,在附图中省略了与描述示例性实施方式无关的部分。
在本发明实施例中,应理解,诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在,并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明实施例。
本发明实施例提供的技术方案通过对于在线交通信号配时方案需要的交通参数进行优化,来补偿在线交通信号配时方案对于实时在线数据的时效性和完备性的要求。该技术方案能够优化在线交通信号配时方案的输入,提高在线交通信号配时方案的时效性和准确性,从而能够有效地缓解交通压力,对于交通状况进行可控性地调整。
图1示出根据本发明一实施方式的交通信号配时优化方法的流程图,如图1所示,所述交通信号配时优化方法包括以下步骤S101-S103:
在步骤S101中,获取历史交通参数和历史交通信号配时信息,其中,所述历史交通参数包括第一历史交通参数和第二历史交通参数;
在步骤S102中,根据所述历史交通参数和历史交通信号配时信息训练得到交通信号配时函数;
在步骤S103中,使用所述交通信号配时函数,获得交通信号配时优化结果。
上文提及,随着社会的发展,机动车的持有量持续增长,交通区域的车流量压力也越来越大,为了有效缓解交通压力、对于交通状况进行可控性地调整,现有技术提出了人工智能信号灯的解决方案,即将从交通大数据中提取得到的关键交通流信息作为交通信号配时方案优化的重要输入,来实现交通信号配时方案的优化。但由于在线交通信号配时方案优化对于实时在线数据的时效性和完备性有着较高的要求,而实际的在线数据往往满足不了这些需求,从而导致目前的在线交通信号配时方案存在失效的情况。
考虑到上述问题,在该实施方式中,提出一种交通信号配时优化方法,该方法通过对于在线交通信号配时方案需要的交通参数进行优化,来补偿在线交通信号配时方案对于实时在线数据的时效性和完备性的要求。该技术方案能够优化在线交通信号配时方案的输入,提高在线交通信号配时方案的时效性、准确性和鲁棒性,从而能够有效地缓解交通压力,对于交通状况进行可控性地调整。在本实施例的一个可选实现方式中,所述历史交通参数指的是从历史交通数据中得到或者计算得到的能够表征预设历史时间段内交通特点的参数,所述历史交通信号配时信息指的是所述预设历史时间段内交通信号或者交通信号指示灯的启动时间配比,比如,红灯亮多长时间,绿灯亮多长时间等等。
在本实施例的一个可选实现方式中,所述第一历史交通参数与第二历史交通参数不同,并且其时效性也不同。
在本实施例的一个可选实现方式中,如图2所示,所述步骤S101,即获取历史交通参数和历史交通信号配时信息的步骤,包括以下步骤S201-S202:
在步骤S201中,获取历史路径数据和历史交通信号配时信息;
在步骤S202中,根据所述历史路径数据计算得到所述第一历史交通参数和第二历史交通参数。
其中,所述路径数据指的是采样得到的、车辆由某一地点出发,到达另一地点所经过的路径,而所述历史路径数据指的是在预设历史时间段内获得的路径数据,根据所述历史路径数据可计算得到所述第一历史交通参数和第二历史交通参数。
在本实施例的一个可选实现方式中,所述第一历史交通参数对于时效性要求较低,所述第二历史交通参数对于时效性要求较高,比如,所述第一历史交通参数可包括以下参数中的一种或多种:车行速度、车行时间、拥堵指数,其中,所述车行时间可根据确定的车辆起始点和终点测量得到,所述车行速度可根据确定的车辆起始点和终点以及测量得到的车行时间计算得到,所述拥堵指数可根据预设时间段内路径数据的重复程度计算得到;所述第二历史交通参数可包括车流量,由于所述路径数据是采样数据,其并没有覆盖全量的出行对象,而且,在线计算中,通常时间粒度很小,比如,只有5分钟或者更短,因此基于采样数据很难提供稳定准确的车流量信息,因此在本公开技术方案中,在对交通信号配时方案进行优化时,对于交通参数进行区分,使用第一历史交通参数和第二历史交通参数训练离线交通信号配时函数,在实际使用时,先对于时效性要求较高的第二交通参数进行优化,然后再与对于时效性要求较低的第一交通参数一起作为离线交通信号配时函数的输入,获得交通信号配时优化结果。
在本实施例的一个可选实现方式中,如图3所示,所述步骤S201,即获取历史路径数据和历史交通信号配时信息的步骤,包括以下步骤S301-S302:
在步骤S301中,获取历史轨迹数据和历史交通信号配时信息;
在步骤S302中,将所述历史轨迹数据与道路路段网络进行匹配,得到与路段标识对应的历史路径数据。
为了对于路径进行精确划分、标识和识别,在该实现方式中,将路径与路段的标识相对应,使用路径中所包括的路段的组合来表示,具体地,首先获取历史轨迹数据和历史交通信号配时信息,然后将所述历史轨迹数据与道路路段网络进行匹配,得到与路段标识对应的历史路径数据。
其中,所述轨迹数据指的是车辆等移动对象出行所形成的轨迹数据。
其中,所述道路路段网络是由多个道路路段组成的路段数据网络,道路路段网络中的每个道路路段都具有唯一性的、可标识性的路段标识,由此,所述道路路段网络中的每一条道路可以由单个路段组成,由相应的路段标识来表示,也可以由多个路段组成,由相应的多个路段标识按照时间顺序进行组合来表示。经过与道路路段网络的匹配,所述路径数据可表示为与路段标识对应的序列,比如,若某一轨迹为由路段1、路段3和路段5组成,那么该轨迹数据就可以表示为1-3-5,某一轨迹为由路段2、路段4和路段5组成,那么该轨迹数据就可以表示为2-4-5。
目前,出行轨迹数据作为交通领域可获得的大数据已经存在很多方面的应用,比如轨迹的地图匹配、轨迹的聚合、相识轨迹查询、基于轨迹的交通状态评估与预测等等。具体到交通信号配时方案优化方面,存在基于出行轨迹数据的(并融合其它数据的)离线信号配时方案优化方法、基于流量数据的在线(自适应)信号配时方案优化方法和不依赖于流量数据的在线(自适应)信号配时方案优化方法等等。但上述现有的信号配时方案优化方法存在以下问题:基于出行轨迹数据的(并融合其它数据的)离线信号配时方案优化方法只能适用于基础方案,不能针对动态交通状况产出优化方案;在基于流量数据的在线(自适应)信号配时方案优化方法中,流量数据需要通过路面外场设备建设获得,投入大,周期长,维护成本高;而不依赖于流量数据的在线(自适应)信号配时方案优化方法属于非主流方法,模型的有效性和适用性均存在不同程度上的问题。
而本公开首先对于基于出行轨迹数据得到的交通参数进行优化,再将优化后的交通参数应用于在线信号配时方案中进行优化输出,从而能够降低对于交通外场设备的依赖,提高优化模型的动态和自适应能力,提高其鲁棒性。
在本实施例的一个可选实现方式中,如图4所示,所述步骤S102,即根据所述历史交通参数和历史交通信号配时信息训练得到交通信号配时函数的步骤,包括以下步骤S401-S402:
在步骤S401中,确定初始交通信号配时函数;
在步骤S402中,将所述历史交通参数作为输入,将所述历史交通信号配时信息作为输出,对于所述初始交通信号配时函数进行训练,得到所述交通信号配时函数。
在该实施方式中,首先根据实际应用的需要以及交通参数的数据特点,确定将要使用的、未被训练的、初始的交通信号配时函数;然后将根据所述历史路径数据计算得到历史交通参数作为输入,将所述历史交通信号配时信息作为输出,对于所述初始交通信号配时函数进行离线训练,得到训练好的交通信号配时函数,其中,在进行函数训练时,由于历史交通参数较为稳定,因此,可将所述历史交通参数全部作为输入,并不区分对于时效性要求不同的第一历史交通参数和第二历史交通参数。
在本实施例的一个可选实现方式中,所述历史交通信号配时信息直接作为所述初始交通信号配时函数的输出进行函数的训练。
在本实施例的另一个可选实现方式中,将所述历史交通信号配时信息作为所述初始交通信号配时函数的理论输出,将其与所述历史交通参数作为初始交通信号配时函数的输入而计算得到的计算输出相比对,再根据比对结果,比如根据损失函数的最优化限制调整所述初始交通信号配时函数的参数,重复上述计算过程最终可得到满足损失函数最优化要求的训练完成的交通信号配时函数。其中,所述损失函数最优化要求比如可以为损失函数值最小等等。
其中,所述交通信号配时函数可包括一切可将输入映射成输出的算法、模型和函数,比如机器学习模型、神经网络模型、深度神经网络模型等等。
其中,所述函数训练属于本领域常用的数学方法,本公开在此对于其具体实施细节不作过多赘述。
在本实施例的一个可选实现方式中,如图5所示,所述步骤S103,即使用所述交通信号配时函数,获得交通信号配时优化结果的步骤,包括以下步骤S501-S502:
在步骤S501中,获取优化交通参数;
在步骤S502中,将所述优化交通参数输入至所述交通信号配时函数中,得到交通信号配时优化结果。
上文提及,由于所述路径数据是采样数据,其并没有覆盖全量的出行对象,而且,在线计算中,通常时间粒度很小,比如,只有5分钟或者更短,因此基于采样数据很难提供稳定准确的车流量信息,即第二交通参数,因此在本公开技术方案中,在获取最终的交通信号配时方案时,先对于交通参数进行优化再将其作为交通信号配时函数的输入,得到优化的交通信号配时方案。
在本实施例的一个可选实现方式中,如图6所示,所述步骤S502,即获取优化交通参数的步骤,包括以下步骤S601-S603:
在步骤S601中,获取第一实测交通参数,其中,所述第一实测交通参数包括以下参数中的一种或多种:车行速度、车行时间、拥堵指数;
在步骤S602中,根据所述第一实测交通参数和第二历史交通参数进行优化计算,得到第二优化交通参数,其中,所述第二优化交通参数包括车流量;
在步骤S603中,将所述第一实测交通参数和第二优化交通参数确定为所述优化交通参数。
上文提及,车行速度、车行时间、拥堵指数等参数对于时效性要求较低,而车流量等参数对于时效性要求较高,对于时效性要求较高的参数在训练离线函数时对于函数训练的准确性没有太大的影响,但在实际使用时,却由于不能获得实时的、准确的数据,往往会大大影响函数输出的准确性。因此,在该实施方式中,对于实测交通参数也基于时效性进行区分,将获得的对于时效性要求较低的第一实测交通参数直接作为交通信号配时函数的输入,抛弃对于时效性要求较高的第二实测交通参数,取而代之,将根据第一实测交通参数和第二历史交通参数进行优化计算得到的第二优化交通参数作为所述交通信号配时函数的输入。具体地,首先获取第一实测交通参数,其中,所述第一实测交通参数可根据实际得到的实测路径数据计算得到;然后根据所述第一实测交通参数和第二历史交通参数进行优化计算,得到第二优化交通参数;最后将所述第一实测交通参数和第二优化交通参数确定为所述优化交通参数,作为所述交通信号配时函数的输入,以得到交通信号配时优化结果。
在本实施例的一个可选实现方式中,如图7所示,所述步骤S602,即根据所述第一实测交通参数和第二历史交通参数进行优化计算,得到第二优化交通参数的步骤,包括以下步骤S701-S702:
在步骤S701中,根据所述第一历史交通参数和第二历史交通参数建立第二优化交通参数计算函数,其中,所述第二优化交通参数计算函数的输入为所述第一历史交通参数,输出为所述第二历史交通参数;
在步骤S702中,将所述第一实测交通参数输入至所述第二优化交通参数计算函数中,将所述第二优化交通参数计算函数的输出确定为第二优化交通参数。
为了能够获得较为准确地、对于时效性相对不太敏感的更贴近于实际数值的第二交通参数,在该实施方式中,首先将所述第一历史交通参数作为输入,将所述第二历史交通参数作为输出,训练得到用于计算第二优化交通参数的第二优化交通参数计算函数;然后将实时获得的所述第一实测交通参数输入至所述第二优化交通参数计算函数中,得到优化后的第二交通参数,即第二优化交通参数,所述第二优化交通参数是基于历史交通参数和第一实测交通参数得到的,其不仅对于时效性的敏感度降低,同时还不损失其准确性,因此后续可作为所述交通信号配时函数的输入,来最终得到交通信号配时优化结果。
在本实施例的一个可选实现方式中,所述第二优化交通参数计算函数可选为拟合函数,以借助拟合手段,基于第一实测交通参数得到优化后的第二交通参数。当然,所述第二优化交通参数计算函数也可以选择为其他参数计算函数,具体本领域技术人员可根据实际应用的需要、交通参数的数据特点进行选择,本发明对其不作具体限定。
其中,在建立第二优化交通参数计算函数时,与交通信号配时函数的训练类似,可首先确定初始第二优化交通参数计算函数,然后将所述第一历史交通参数作为输入,将所述第二历史交通参数作为输出,对于所述初始第二优化交通参数计算函数进行训练,得到所述第二优化交通参数计算函数。
在本实施例的一个可选实现方式中,所述第二历史交通参数直接作为所述初始第二优化交通参数计算函数的输出进行函数的训练。
在本实施例的另一个可选实现方式中,将所述第二历史交通参数作为所述初始第二优化交通参数计算函数的理论输出,将其与所述第一历史交通参数作为初始第二优化交通参数计算函数的输入而计算得到的计算输出相比对,再根据比对结果,比如根据损失函数的最优化限制调整所述第二优化交通参数计算函数的参数,重复上述计算过程最终可得到满足损失函数最优化要求的训练完成的第二优化交通参数计算函数。其中,所述损失函数最优化要求比如可以为损失函数值最小等等。
在本实施例的一个可选实现方式中,所述方法还包括根据所述交通信号配时优化结果控制交通设施的步骤,即如图8所示,所述方法包括以下步骤S801-S804:
在步骤S801中,获取历史交通参数和历史交通信号配时信息,其中,所述历史交通参数包括第一历史交通参数和第二历史交通参数;
在步骤S802中,根据所述历史交通参数和历史交通信号配时信息训练得到交通信号配时函数;
在步骤S803中,使用所述交通信号配时函数,获得交通信号配时优化结果;
在步骤S804中,根据所述交通信号配时优化结果控制交通设施。
在获得交通信号配时优化结果后,就可以根据交通信号配时优化结果来控制交通设施了,其中,所述交通信号配时优化结果可包括处于预设控制区域的交通设施的开启时间、开启时长、开启频率等等,而所述交通设施比如可以为红灯、绿灯、黄灯、左转指示灯、右转指示灯、执行指示灯、掉头指示灯等交通信号灯。比如,若所述预设控制区域为路口1,所述交通信号配时优化结果为路口1的红灯和绿灯交替开启80秒,那么路口1的交通设施可根据该信息对于红灯和绿灯进行控制。
下述为本发明装置实施例,可以用于执行本发明方法实施例。
图9示出根据本发明一实施方式的交通信号配时优化装置的结构框图,该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图9所示,所述交通信号配时优化装置包括:
获取模块901,被配置为获取历史交通参数和历史交通信号配时信息,其中,所述历史交通参数包括第一历史交通参数和第二历史交通参数;
训练模块902,被配置为根据所述历史交通参数和历史交通信号配时信息训练得到交通信号配时函数;
优化模块903,被配置为使用所述交通信号配时函数,获得交通信号配时优化结果。
上文提及,随着社会的发展,机动车的持有量持续增长,交通区域的车流量压力也越来越大,为了有效缓解交通压力、对于交通状况进行可控性地调整,现有技术提出了人工智能信号灯的解决方案,即将从交通大数据中提取得到的关键交通流信息作为交通信号配时方案优化的重要输入,来实现交通信号配时方案的优化。但由于在线交通信号配时方案优化对于实时在线数据的时效性和完备性有着较高的要求,而实际的在线数据往往满足不了这些需求,从而导致目前的在线交通信号配时方案存在失效的情况。
考虑到上述问题,在该实施方式中,提出一种交通信号配时优化装置,该装置通过对于在线交通信号配时方案需要的交通参数进行优化,来补偿在线交通信号配时方案对于实时在线数据的时效性和完备性的要求。该技术方案能够优化在线交通信号配时方案的输入,提高在线交通信号配时方案的时效性、准确性和鲁棒性,从而能够有效地缓解交通压力,对于交通状况进行可控性地调整。
在本实施例的一个可选实现方式中,所述历史交通参数指的是从历史交通数据中得到或者计算得到的能够表征预设历史时间段内交通特点的参数,所述历史交通信号配时信息指的是所述预设历史时间段内交通信号或者交通信号指示灯的启动时间配比,比如,红灯亮多长时间,绿灯亮多长时间等等。
在本实施例的一个可选实现方式中,所述第一历史交通参数与第二历史交通参数不同,并且其时效性也不同。
在本实施例的一个可选实现方式中,如图10所示,所述获取模块901包括:
第一获取子模块1001,被配置为获取历史路径数据和历史交通信号配时信息;
计算子模块1002,被配置为根据所述历史路径数据计算得到所述第一历史交通参数和第二历史交通参数。
其中,所述路径数据指的是采样得到的、车辆由某一地点出发,到达另一地点所经过的路径,而所述历史路径数据指的是在预设历史时间段内获得的路径数据,根据所述历史路径数据可计算得到所述第一历史交通参数和第二历史交通参数。
在本实施例的一个可选实现方式中,所述第一历史交通参数对于时效性要求较低,所述第二历史交通参数对于时效性要求较高,比如,所述第一历史交通参数可包括以下参数中的一种或多种:车行速度、车行时间、拥堵指数,其中,所述车行时间可根据确定的车辆起始点和终点测量得到,所述车行速度可根据确定的车辆起始点和终点以及测量得到的车行时间计算得到,所述拥堵指数可根据预设时间段内路径数据的重复程度计算得到;所述第二历史交通参数可包括车流量,由于所述路径数据是采样数据,其并没有覆盖全量的出行对象,而且,在线计算中,通常时间粒度很小,比如,只有5分钟或者更短,因此基于采样数据很难提供稳定准确的车流量信息,因此在本公开技术方案中,在对交通信号配时方案进行优化时,对于交通参数进行区分,使用第一历史交通参数和第二历史交通参数训练离线交通信号配时函数,在实际使用时,先对于时效性要求较高的第二交通参数进行优化,然后再与对于时效性要求较低的第一交通参数一起作为离线交通信号配时函数的输入,获得交通信号配时优化结果。
在本实施例的一个可选实现方式中,如图11所示,所述第一获取子模块1001包括:
第二获取子模块1101,被配置为获取历史轨迹数据和历史交通信号配时信息;
匹配子模块1102,被配置为将所述历史轨迹数据与道路路段网络进行匹配,得到与路段标识对应的历史路径数据。
为了对于路径进行精确划分、标识和识别,在该实现方式中,将路径与路段的标识相对应,使用路径中所包括的路段的组合来表示,具体地,第二获取子模块1101获取历史轨迹数据和历史交通信号配时信息,匹配子模块1102将所述历史轨迹数据与道路路段网络进行匹配,得到与路段标识对应的历史路径数据。
其中,所述轨迹数据指的是车辆等移动对象出行所形成的轨迹数据。
其中,所述道路路段网络是由多个道路路段组成的路段数据网络,道路路段网络中的每个道路路段都具有唯一性的、可标识性的路段标识,由此,所述道路路段网络中的每一条道路可以由单个路段组成,由相应的路段标识来表示,也可以由多个路段组成,由相应的多个路段标识按照时间顺序进行组合来表示。经过与道路路段网络的匹配,所述路径数据可表示为与路段标识对应的序列,比如,若某一轨迹为由路段1、路段3和路段5组成,那么该轨迹数据就可以表示为1-3-5,某一轨迹为由路段2、路段4和路段5组成,那么该轨迹数据就可以表示为2-4-5。
目前,出行轨迹数据作为交通领域可获得的大数据已经存在很多方面的应用,比如轨迹的地图匹配、轨迹的聚合、相识轨迹查询、基于轨迹的交通状态评估与预测等等。具体到交通信号配时方案优化方面,存在基于出行轨迹数据的(并融合其它数据的)离线信号配时方案优化方法、基于流量数据的在线(自适应)信号配时方案优化方法和不依赖于流量数据的在线(自适应)信号配时方案优化方法等等。但上述现有的信号配时方案优化方法存在以下问题:基于出行轨迹数据的(并融合其它数据的)离线信号配时方案优化方法只能适用于基础方案,不能针对动态交通状况产出优化方案;在基于流量数据的在线(自适应)信号配时方案优化方法中,流量数据需要通过路面外场设备建设获得,投入大,周期长,维护成本高;而不依赖于流量数据的在线(自适应)信号配时方案优化方法属于非主流方法,模型的有效性和适用性均存在不同程度上的问题。
而本公开首先对于基于出行轨迹数据得到的交通参数进行优化,再将优化后的交通参数应用于在线信号配时方案中进行优化输出,从而能够降低对于交通外场设备的依赖,提高优化模型的动态和自适应能力,提高其鲁棒性。
在本实施例的一个可选实现方式中,如图12所示,所述训练模块902包括:
第一确定子模块1201,被配置为确定初始交通信号配时函数;
训练子模块1202,被配置为将所述历史交通参数作为输入,将所述历史交通信号配时信息作为输出,对于所述初始交通信号配时函数进行训练,得到所述交通信号配时函数。
在该实施方式中,第一确定子模块1201根据实际应用的需要以及交通参数的数据特点,确定将要使用的、未被训练的、初始的交通信号配时函数;训练子模块1202将根据所述历史路径数据计算得到历史交通参数作为输入,将所述历史交通信号配时信息作为输出,对于所述初始交通信号配时函数进行离线训练,得到训练好的交通信号配时函数,其中,在进行函数训练时,由于历史交通参数较为稳定,因此,可将所述历史交通参数全部作为输入,并不区分对于时效性要求不同的第一历史交通参数和第二历史交通参数。
其中,所述交通信号配时函数可包括一切可将输入映射成输出的算法、模型和函数,比如机器学习模型、神经网络模型、深度神经网络模型等等。
其中,所述函数训练属于本领域常用的数学方法,本公开在此对于其具体实施细节不作过多赘述。
在本实施例的一个可选实现方式中,如图13所示,所述优化模块903包括:
第三获取子模块1301,被配置为获取优化交通参数;
第一优化子模块1302,被配置为将所述优化交通参数输入至所述交通信号配时函数中,得到交通信号配时优化结果。
上文提及,由于所述路径数据是采样数据,其并没有覆盖全量的出行对象,而且,在线计算中,通常时间粒度很小,比如,只有5分钟或者更短,因此基于采样数据很难提供稳定准确的车流量信息,即第二交通参数,因此在本公开技术方案中,在获取最终的交通信号配时方案时,先对于交通参数进行优化再将其作为交通信号配时函数的输入,得到优化的交通信号配时方案。
在本实施例的一个可选实现方式中,如图14所示,所述第三获取子模块1301包括:
第四获取子模块1401,被配置为获取第一实测交通参数,其中,所述第一实测交通参数包括以下参数中的一种或多种:车行速度、车行时间、拥堵指数;
第二优化子模块1402,被配置为根据所述第一实测交通参数和第二历史交通参数进行优化计算,得到第二优化交通参数,其中,所述第二优化交通参数包括车流量;
第二确定子模块1403,被配置为将所述第一实测交通参数和第二优化交通参数确定为所述优化交通参数。
上文提及,车行速度、车行时间、拥堵指数等参数对于时效性要求较低,而车流量等参数对于时效性要求较高,对于时效性要求较高的参数在训练离线函数时对于函数训练的准确性没有太大的影响,但在实际使用时,却由于不能获得实时的、准确的数据,往往会大大影响函数输出的准确性。因此,在该实施方式中,对于实测交通参数也基于时效性进行区分,将获得的对于时效性要求较低的第一实测交通参数直接作为交通信号配时函数的输入,抛弃对于时效性要求较高的第二实测交通参数,取而代之,将根据第一实测交通参数和第二历史交通参数进行优化计算得到的第二优化交通参数作为所述交通信号配时函数的输入。具体地,第四获取子模块1401获取第一实测交通参数,其中,所述第一实测交通参数可根据实际得到的实测路径数据计算得到;第二优化子模块1402根据所述第一实测交通参数和第二历史交通参数进行优化计算,得到第二优化交通参数;第二确定子模块1403将所述第一实测交通参数和第二优化交通参数确定为所述优化交通参数,作为所述交通信号配时函数的输入,以得到交通信号配时优化结果。
在本实施例的一个可选实现方式中,如图15所示,所述第二优化子模块1402包括:
建立子模块1501,被配置为根据所述第一历史交通参数和第二历史交通参数建立第二优化交通参数计算函数,其中,所述第二优化交通参数计算函数的输入为所述第一历史交通参数,输出为所述第二历史交通参数;
第三确定子模块1502,被配置为将所述第一实测交通参数输入至所述第二优化交通参数计算函数中,将所述第二优化交通参数计算函数的输出确定为第二优化交通参数。
为了能够获得较为准确地、对于时效性相对不太敏感的更贴近于实际数值的第二交通参数,在该实施方式中,建立子模块1501将所述第一历史交通参数作为输入,将所述第二历史交通参数作为输出,训练得到用于计算第二优化交通参数的第二优化交通参数计算函数;第三确定子模块1502将实时获得的所述第一实测交通参数输入至所述第二优化交通参数计算函数中,得到优化后的第二交通参数,即第二优化交通参数,所述第二优化交通参数是基于历史交通参数和第一实测交通参数得到的,其不仅对于时效性的敏感度降低,同时还不损失其准确性,因此后续可作为所述交通信号配时函数的输入,来最终得到交通信号配时优化结果。
在本实施例的一个可选实现方式中,所述第二优化交通参数计算函数可选为拟合函数,以借助拟合手段,基于第一实测交通参数得到优化后的第二交通参数。当然,所述第二优化交通参数计算函数也可以选择为其他参数计算函数,具体本领域技术人员可根据实际应用的需要、交通参数的数据特点进行选择,本发明对其不作具体限定。
在本实施例的一个可选实现方式中,所述装置还包括根据所述交通信号配时优化结果控制交通设施的部分,即如图16所示,所述装置包括:
获取模块1601,被配置为获取历史交通参数和历史交通信号配时信息,其中,所述历史交通参数包括第一历史交通参数和第二历史交通参数;
训练模块1602,被配置为根据所述历史交通参数和历史交通信号配时信息训练得到交通信号配时函数;
优化模块1603,被配置为使用所述交通信号配时函数,获得交通信号配时优化结果;
控制模块1604,被配置为根据所述交通信号配时优化结果控制交通设施。
在获得交通信号配时优化结果后,控制模块1604就可以根据交通信号配时优化结果来控制交通设施了,其中,所述交通信号配时优化结果可包括处于预设控制区域的交通设施的开启时间、开启时长、开启频率等等,而所述交通设施比如可以为红灯、绿灯、黄灯、左转指示灯、右转指示灯、执行指示灯、掉头指示灯等交通信号灯。比如,若所述预设控制区域为路口1,所述交通信号配时优化结果为路口1的红灯和绿灯交替开启80秒,那么路口1的交通设施可根据该信息对于红灯和绿灯进行控制。
本发明实施例还公开了一种电子设备,图17示出根据本发明一实施方式的电子设备的结构框图,如图17所示,所述电子设备1700包括存储器1701和处理器1702;其中,
所述存储器1701用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器1702执行以实现上述任一方法步骤。
图18适于用来实现根据本发明实施方式的交通信号配时优化方法的计算机系统的结构示意图。
如图18所示,计算机系统1800包括中央处理单元(CPU)1801,其可以根据存储在只读存储器(ROM)1802中的程序或者从存储部分1808加载到随机访问存储器(RAM)1803中的程序而执行上述实施方式中的各种处理。在RAM1803中,还存储有系统1800操作所需的各种程序和数据。CPU1801、ROM1802以及RAM1803通过总线1804彼此相连。输入/输出(I/O)接口1805也连接至总线1804。
以下部件连接至I/O接口1805:包括键盘、鼠标等的输入部分1806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1807;包括硬盘等的存储部分1808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1809。通信部分1809经由诸如因特网的网络执行通信处理。驱动器1810也根据需要连接至I/O接口1805。可拆卸介质1811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1810上,以便于从其上读出的计算机程序根据需要被安装入存储部分1808。
特别地,根据本发明的实施方式,上文描述的方法可以被实现为计算机软件程序。例如,本发明的实施方式包括一种计算机程序产品,其包括有形地包含在及其可读介质上的计算机程序,所述计算机程序包含用于执行所述交通信号配时优化方法的程序代码。在这样的实施方式中,该计算机程序可以通过通信部分1809从网络上被下载和安装,和/或从可拆卸介质1811被安装。
附图中的流程图和框图,图示了按照本发明各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施方式中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本发明实施例的方法。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本发明实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (20)
1.一种交通信号配时优化方法,其特征在于,包括:
获取历史交通参数和历史交通信号配时信息,其中,所述历史交通参数包括第一历史交通参数和第二历史交通参数;
根据所述历史交通参数和历史交通信号配时信息训练得到交通信号配时函数;
使用所述交通信号配时函数,获得交通信号配时优化结果。
2.根据权利要求1所述的方法,其特征在于,所述获取历史交通参数和历史交通信号配时信息,包括:
获取历史路径数据和历史交通信号配时信息;
根据所述历史路径数据计算得到所述第一历史交通参数和第二历史交通参数。
3.根据权利要求2所述的方法,其特征在于,所述获取历史路径数据和历史交通信号配时信息,包括:
获取历史轨迹数据和历史交通信号配时信息;
将所述历史轨迹数据与道路路段网络进行匹配,得到与路段标识对应的历史路径数据。
4.根据权利要求1-3任一所述的方法,其特征在于,所述第一历史交通参数包括以下参数中的一种或多种:车行速度、车行时间、拥堵指数;所述第二历史交通参数包括车流量。
5.根据权利要求1-4任一所述的方法,其特征在于,所述根据所述历史交通参数和历史交通信号配时信息训练得到交通信号配时函数,包括:
确定初始交通信号配时函数;
将所述历史交通参数作为输入,将所述历史交通信号配时信息作为输出,对于所述初始交通信号配时函数进行训练,得到所述交通信号配时函数。
6.根据权利要求1-5任一所述的方法,其特征在于,所述使用所述交通信号配时函数,获得交通信号配时优化结果,包括:
获取优化交通参数;
将所述优化交通参数输入至所述交通信号配时函数中,得到交通信号配时优化结果。
7.根据权利要求6所述的方法,其特征在于,所述获取优化交通参数,包括:
获取第一实测交通参数,其中,所述第一实测交通参数包括以下参数中的一种或多种:车行速度、车行时间、拥堵指数;
根据所述第一实测交通参数和第二历史交通参数进行优化计算,得到第二优化交通参数,其中,所述第二优化交通参数包括车流量;
将所述第一实测交通参数和第二优化交通参数确定为所述优化交通参数。
8.根据权利要求7所述的方法,其特征在于,所述根据所述第一实测交通参数和第二历史交通参数进行优化计算,得到第二优化交通参数,包括:
根据所述第一历史交通参数和第二历史交通参数建立第二优化交通参数计算函数,其中,所述第二优化交通参数计算函数的输入为所述第一历史交通参数,输出为所述第二历史交通参数;
将所述第一实测交通参数输入至所述第二优化交通参数计算函数中,将所述第二优化交通参数计算函数的输出确定为第二优化交通参数。
9.根据权利要求1-8任一所述的方法,其特征在于,还包括:
根据所述交通信号配时优化结果控制交通设施。
10.一种交通信号配时优化装置,其特征在于,包括:
获取模块,被配置为获取历史交通参数和历史交通信号配时信息,其中,所述历史交通参数包括第一历史交通参数和第二历史交通参数;
训练模块,被配置为根据所述历史交通参数和历史交通信号配时信息训练得到交通信号配时函数;
优化模块,被配置为使用所述交通信号配时函数,获得交通信号配时优化结果。
11.根据权利要求10所述的装置,其特征在于,所述获取模块包括:
第一获取子模块,被配置为获取历史路径数据和历史交通信号配时信息;
计算子模块,被配置为根据所述历史路径数据计算得到所述第一历史交通参数和第二历史交通参数。
12.根据权利要求11所述的装置,其特征在于,所述第一获取子模块包括:
第二获取子模块,被配置为获取历史轨迹数据和历史交通信号配时信息;
匹配子模块,被配置为将所述历史轨迹数据与道路路段网络进行匹配,得到与路段标识对应的历史路径数据。
13.根据权利要求10-12任一所述的装置,其特征在于,所述第一历史交通参数包括以下参数中的一种或多种:车行速度、车行时间、拥堵指数;所述第二历史交通参数包括车流量。
14.根据权利要求10-13任一所述的装置,其特征在于,所述训练模块包括:
第一确定子模块,被配置为确定初始交通信号配时函数;
训练子模块,被配置为将所述历史交通参数作为输入,将所述历史交通信号配时信息作为输出,对于所述初始交通信号配时函数进行训练,得到所述交通信号配时函数。
15.根据权利要求10-14任一所述的装置,其特征在于,所述优化模块包括:
第三获取子模块,被配置为获取优化交通参数;
第一优化子模块,被配置为将所述优化交通参数输入至所述交通信号配时函数中,得到交通信号配时优化结果。
16.根据权利要求15所述的装置,其特征在于,所述第三获取子模块包括:
第四获取子模块,被配置为获取第一实测交通参数,其中,所述第一实测交通参数包括以下参数中的一种或多种:车行速度、车行时间、拥堵指数;
第二优化子模块,被配置为根据所述第一实测交通参数和第二历史交通参数进行优化计算,得到第二优化交通参数,其中,所述第二优化交通参数包括车流量;
第二确定子模块,被配置为将所述第一实测交通参数和第二优化交通参数确定为所述优化交通参数。
17.根据权利要求16所述的装置,其特征在于,所述第二优化子模块包括:
建立子模块,被配置为根据所述第一历史交通参数和第二历史交通参数建立第二优化交通参数计算函数,其中,所述第二优化交通参数计算函数的输入为所述第一历史交通参数,输出为所述第二历史交通参数;
第三确定子模块,被配置为将所述第一实测交通参数输入至所述第二优化交通参数计算函数中,将所述第二优化交通参数计算函数的输出确定为第二优化交通参数。
18.根据权利要求10-17所述的装置,其特征在于,还包括:
控制模块,被配置为根据所述交通信号配时优化结果控制交通设施。
19.一种电子设备,其特征在于,包括存储器和处理器;其中,
所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现权利要求1-9任一项所述的方法步骤。
20.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该计算机指令被处理器执行时实现权利要求1-9任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910181830.1A CN111696342B (zh) | 2019-03-11 | 2019-03-11 | 交通信号配时优化方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910181830.1A CN111696342B (zh) | 2019-03-11 | 2019-03-11 | 交通信号配时优化方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111696342A true CN111696342A (zh) | 2020-09-22 |
CN111696342B CN111696342B (zh) | 2022-05-27 |
Family
ID=72474657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910181830.1A Active CN111696342B (zh) | 2019-03-11 | 2019-03-11 | 交通信号配时优化方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111696342B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113345231A (zh) * | 2021-06-02 | 2021-09-03 | 兆边(上海)科技有限公司 | 一种面向混合流的基于管控边缘计算设备的交通管控系统 |
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 |
CN114926980A (zh) * | 2022-04-22 | 2022-08-19 | 阿里巴巴(中国)有限公司 | 交通数据挖掘方法、装置、电子设备及计算机程序产品 |
CN115277592A (zh) * | 2022-07-20 | 2022-11-01 | 哈尔滨市科佳通用机电股份有限公司 | 一种机车信号设备在信号切换时的解码方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1053696A (zh) * | 1991-02-12 | 1991-08-07 | 天津大学系统工程研究所 | 自学习智能式城市交通流协调控制方法 |
US20030014180A1 (en) * | 2001-07-10 | 2003-01-16 | David Myr | Method for regional system wide optimal signal timing for traffic control based on wireless phone networks |
CN103337161A (zh) * | 2013-07-11 | 2013-10-02 | 上海济安交通工程咨询有限公司 | 基于实时仿真模型的交叉口动态综合评价及信控系统优化方法 |
CN104575036A (zh) * | 2015-01-28 | 2015-04-29 | 重庆云途交通科技有限公司 | 基于动态od流量预测与仿真优化的区域信号控制方法 |
CN106297296A (zh) * | 2016-10-12 | 2017-01-04 | 北京理工大学 | 一种基于稀疏轨迹点数据的细粒度旅行时间分配方法 |
US9972199B1 (en) * | 2017-03-08 | 2018-05-15 | Fujitsu Limited | Traffic signal control that incorporates non-motorized traffic information |
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 |
CN109215355A (zh) * | 2018-08-09 | 2019-01-15 | 北京航空航天大学 | 一种基于深度强化学习的单点交叉口信号配时优化方法 |
-
2019
- 2019-03-11 CN CN201910181830.1A patent/CN111696342B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1053696A (zh) * | 1991-02-12 | 1991-08-07 | 天津大学系统工程研究所 | 自学习智能式城市交通流协调控制方法 |
US20030014180A1 (en) * | 2001-07-10 | 2003-01-16 | David Myr | Method for regional system wide optimal signal timing for traffic control based on wireless phone networks |
CN103337161A (zh) * | 2013-07-11 | 2013-10-02 | 上海济安交通工程咨询有限公司 | 基于实时仿真模型的交叉口动态综合评价及信控系统优化方法 |
CN104575036A (zh) * | 2015-01-28 | 2015-04-29 | 重庆云途交通科技有限公司 | 基于动态od流量预测与仿真优化的区域信号控制方法 |
CN106297296A (zh) * | 2016-10-12 | 2017-01-04 | 北京理工大学 | 一种基于稀疏轨迹点数据的细粒度旅行时间分配方法 |
US9972199B1 (en) * | 2017-03-08 | 2018-05-15 | Fujitsu Limited | Traffic signal control that incorporates non-motorized traffic information |
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 |
CN109215355A (zh) * | 2018-08-09 | 2019-01-15 | 北京航空航天大学 | 一种基于深度强化学习的单点交叉口信号配时优化方法 |
Non-Patent Citations (2)
Title |
---|
诸云: "基于交通流模式的交叉口动态信号控制研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
诸云: "基于交通流模式的交叉口动态信号控制研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 15 January 2010 (2010-01-15) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113345231A (zh) * | 2021-06-02 | 2021-09-03 | 兆边(上海)科技有限公司 | 一种面向混合流的基于管控边缘计算设备的交通管控系统 |
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 |
CN114926980A (zh) * | 2022-04-22 | 2022-08-19 | 阿里巴巴(中国)有限公司 | 交通数据挖掘方法、装置、电子设备及计算机程序产品 |
CN115277592A (zh) * | 2022-07-20 | 2022-11-01 | 哈尔滨市科佳通用机电股份有限公司 | 一种机车信号设备在信号切换时的解码方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111696342B (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111696342B (zh) | 交通信号配时优化方法、装置、电子设备及可读存储介质 | |
CN110544376B (zh) | 一种自动驾驶辅助方法和装置 | |
US10642268B2 (en) | Method and apparatus for generating automatic driving strategy | |
US10809723B2 (en) | Method and apparatus for generating information | |
US20230077347A1 (en) | Vehicle behavior prediction method and apparatus, electronic device, and storage medium | |
WO2019085807A1 (zh) | 一种路况信息获取方法及其设备、存储介质 | |
CN106415676B (zh) | 交通灯周期时间估计装置 | |
CN114758502B (zh) | 双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆 | |
CN110544389A (zh) | 一种自动驾驶管控方法、装置及系统 | |
CN110377041B (zh) | 参考线生成方法、装置、终端设备及存储介质 | |
CN111815940A (zh) | 交通仿真方法、装置、电子设备及计算机可读存储介质 | |
CN111768644A (zh) | 基于大数据的停车路线推荐方法 | |
CN116071399A (zh) | 轨迹预测方法及装置、模型训练方法及装置、电子设备 | |
CN107092253B (zh) | 用于控制无人车的方法、装置及服务器 | |
CN115876216A (zh) | 变道导航路径规划方法、装置、电子设备及存储介质 | |
CN114781243A (zh) | Eta预测及模型训练方法、设备、介质及产品 | |
CN115372020A (zh) | 自动驾驶车辆测试方法、装置、电子设备和介质 | |
CN116148890A (zh) | 高精度地图车道规划方法、系统、电子设备及存储介质 | |
CN111815944B (zh) | 数据有效性检测方法、装置、电子设备及计算机存储介质 | |
CN114056337B (zh) | 车辆行驶行为预测方法、装置及计算机程序产品 | |
CN113888875B (zh) | 路口通行信息的确定方法、装置、终端设备及存储介质 | |
Lewerenz et al. | Increasing Energy-Efficient Driving Using Uncertain Online Data of Local Traffic Management Centers | |
CN114926980B (zh) | 交通数据挖掘方法、装置、电子设备及计算机程序产品 | |
CN115294764B (zh) | 人行横道区域确定方法、装置、设备及自动驾驶车辆 | |
CN117698751A (zh) | 一种行驶行为分析方法、装置、电子设备及存储介质 |
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 |