CN112037539A - 一种用于饱和城市交通网络的信控方案推荐方法及系统 - Google Patents

一种用于饱和城市交通网络的信控方案推荐方法及系统 Download PDF

Info

Publication number
CN112037539A
CN112037539A CN202010755857.XA CN202010755857A CN112037539A CN 112037539 A CN112037539 A CN 112037539A CN 202010755857 A CN202010755857 A CN 202010755857A CN 112037539 A CN112037539 A CN 112037539A
Authority
CN
China
Prior art keywords
traffic
mode
intersection
signal control
historical
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
CN202010755857.XA
Other languages
English (en)
Other versions
CN112037539B (zh
Inventor
戎丁丁
金峻臣
吴越
陈乾
何尚秋
袁鑫良
郭海锋
秦俊峰
王辉
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.)
Enjoyor 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 CN202010755857.XA priority Critical patent/CN112037539B/zh
Publication of CN112037539A publication Critical patent/CN112037539A/zh
Application granted granted Critical
Publication of CN112037539B publication Critical patent/CN112037539B/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
    • G08G1/07—Controlling traffic signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G06F16/2433—Query languages
    • G06F16/244—Grouping and aggregation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24553—Query execution of query operations
    • G06F16/24554—Unary operations; Data partitioning operations
    • G06F16/24556—Aggregation; Duplicate elimination
    • 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
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种用于饱和城市交通网络的信控方案推荐方法及系统，涉及智慧交通技术领域，该方法包括以下步骤：实时识别拥堵交叉路口；将拥堵交叉路口的实时交通数据输入信控方案评价模型进行计算得到各信控方案的当前评分，其中，信控方案评价模型根据与拥堵交叉路口的交通属性特征相似的若干个相似交叉路口的历史交通数据以及历史使用各信控方案的真实历史评分训练得到；将各信控方案按照当前评分大小进行排序，选取评分排名靠前的若干个信控方案得到信控方案推荐列表；将信控方案推荐列表推送至调控信号终端。该方法适用于具有大量拥堵交叉路口状态下的饱和城市交通网络，高效准确，适应性强。

Description

一种用于饱和城市交通网络的信控方案推荐方法及系统
技术领域
本发明涉及智慧交通技术领域，尤其涉及一种用于饱和城市交通网络的信控方案推荐方法及系统。
背景技术
交通信号控制是解决城市交通问题的最有效的方式之一，目前SCOOTS和SCATS等自适应信号控制系统已在各大城市广泛应用，可以在城市交通网络不饱和的状态下有效控制交通信号以维持交通正常。然而，当交通流量在高峰时间急剧增加或者由交通事故、交通施工、恶劣天气和人群聚集活动等事件引发交通中断时城市交通网络处于饱和状态，现有的这些自适应信号控制系统却无法适用于饱和状态下的交通信号控制。
在实际应用中，当城市交通网络出现饱和状态时仍然需要专业的信号控制工程师手动调控信号设置，信号控制工程师通过交通视频监控系统观察交通状况并分析拥堵原因，再根据以往经验调整交通信号控制方案以弥补自适应信号控制系统的不足。然而，人工调控过程繁琐耗时且具有一定的主观性，效率低下，也无法保证调控方案的准确性。因此，亟需一种高效的信控方案推荐方法来给饱和城市交通网络提供准确的信号控制方案。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供一种用于饱和城市交通网络的信控方案推荐方法，其根据当前评分自动选取在拥堵交叉路口预测使用效果好的信控方案形成信控方案推荐列表，高效准确，适应性强，适用于具有大量拥堵交叉路口状态下的饱和城市交通网络。
本发明的目的之一采用以下技术方案实现：
实时识别拥堵交叉路口；
将所述拥堵交叉路口的实时交通数据输入信控方案评价模型进行计算得到各信控方案的当前评分，其中，所述信控方案评价模型根据与所述拥堵交叉路口的交通属性特征相似的若干个相似交叉路口的历史交通数据以及历史使用各信控方案的真实历史评分训练得到；
将各所述信控方案按照所述当前评分大小进行排序，选取评分排名靠前的若干个信控方案得到信控方案推荐列表；
将所述信控方案推荐列表推送至调控信号终端用于所述调控信号终端从所述信控方案推荐列表中选定推荐信控方案并执行应用。
进一步地，所述拥堵交叉路口通过下述方式得到：
将实时交通数据库中各交通模式的出现次数输入预存的交通异常模型进行计算以得到与所述交通模式对应的交叉路口的异常度，其中，所述交通模式与交叉路口重要等级、交通流量等级和交通占有率等级中的一项或多项组合具有对应关系；
识别出异常度大于预设异常阈值的交叉路口记为拥堵交叉路口。
进一步地，将实时交通数据库中各交通模式的出现次数输入预存的交通异常模型进行计算以得到具有所述交通模式的交叉路口的异常度之前，还包括：
获取城市交通网络中各个交叉路口的位置信息、预设采集时间段内各所述交叉路口的交通流量和交通占有率；
将所述位置信息、所述交通流量和所述交通占有率分别按照预设的位置分级规则、交通流量分级规则和交通占有率分级规则进行分级得到交叉路口重要等级、交通流量等级和交通占有率等级；
由所述交叉路口的交叉路口重要等级、交通流量等级和交通占有率等级构成所述交叉路口的状态模式，并由各所述交叉路口的状态模式组成实时交通数据库；
根据最优交通模式表中交叉路口重要等级、交通流量等级和交通占有率等级中的一项或多项组合与各交通模式之间的对应关系，将所述交叉路口的状态模式转换为至少一种交通模式，并统计各交通模式在所述实时交通数据库中的出现次数。
进一步地，将实时交通数据库中各交通模式的出现次数输入预存的交通异常模型进行计算以得到具有所述交通模式的交叉路口的异常度，包括：
将各交通模式的出现次数输入交通异常模型中的下述交通模式函数进行计算得到各所述交通模式的第一模式长度：
Figure BDA0002611539110000021
其中，PT表示所述最优交通模式表中各交通模式的集合，PFq表示各交通模式的集合中第q种交通模式，usage(PFq)表示第q种交通模式在所述实时交通数据库中的出现次数，L(usage(PFq)|PT)表示第q种交通模式的第一模式长度，a1表示log函数的底数；
将各所述交通模式的第一模式长度输入交通异常模型中的下述状态模式函数进行计算得到各状态模式的第二模式长度：
Figure BDA0002611539110000031
其中，DFi表示所述实时交通数据库包含的第i种状态模式，L(DFi|PT)表示第i种状态模式的第二模式长度；
对所述第二模式长度进行归一化处理得到归一化模式长度并记为所述异常度，其中，所述归一化模式长度表示拥堵交叉路口的交通数据接近交叉路口承载上限的程度。
进一步地，所述最优交通模式表通过下述方式得到：
选取所述交叉路口重要等级、交通流量等级和交通占有率等级中的一项或多项等级构成等级组合，统计所述等级组合在所述实时交通数据库中的出现次数并记为组合出现次数，将组合出现次数大于预设候选次数的等级组合作为候选等级组合，并由多个所述候选等级组合构成候选等级组合集；
从所述候选等级组合集中选取组合出现次数最大的候选等级组合作为当前候选等级组合，建立与所述当前候选等级组合对应的交通模式并记为待处理交通模式，将所述当前候选等级组合与所述待处理交通模式之间的对应关系加入交通模式表并更新所述交通模式表；
根据更新后的交通模式表将所述交叉路口的状态模式转换为多种交通模式；
统计各交通模式在所述实时交通数据库中的出现次数并输入预存的数据库压缩评价模型进行计算以得到当前描述长度，若所述当前描述长度小于原有描述长度，则将所述更新后的交通模式表作为候选交通模式表，其中，所述当前描述长度表示所述实时交通数据库基于所述更新后的交通模式表实现模式转换后的数据总量，所述原有描述长度表示所述实时交通数据库基于更新前的交通模式表实现模式转换后的数据总量；
从所述候选等级组合集中删除所述当前候选等级组合，继续从所述候选等级组合集中选取组合出现次数最大的候选等级组合作为当前候选等级组合进行删除以得到更新后的候选交通模式表，直到所述候选等级组合集为空集时得到最新的候选交通模式表并记为所述最优交通模式表。
进一步地，统计各交通模式在所述实时交通数据库中的出现次数并输入预存的数据库压缩评价模型进行计算以得到当前描述长度，包括：
将各交通模式在所述实时交通数据库中的出现次数输入数据库压缩评价模型中的下述交通模式函数进行计算得到各交通模式的当前第一模式长度：
Figure BDA0002611539110000032
其中，
Figure BDA0002611539110000041
表示所述更新后的交通模式表中各交通模式的集合，
Figure BDA0002611539110000042
表示各交通模式的集合中第k种交通模式，
Figure BDA0002611539110000043
表示第k种交通模式在所述实时交通数据库中的出现次数，
Figure BDA0002611539110000044
表示第k种交通模式的当前第一模式长度，a2表示log函数的底数；
将各交通模式的当前第一模式长度输入数据库压缩评价模型中的下述状态模式函数进行计算得到各状态模式的当前第二模式长度：
Figure BDA0002611539110000045
其中，DFi表示所述实时交通数据库包含的第i种状态模式，
Figure BDA0002611539110000046
表示第i种状态模式的当前第二模式长度；
将各状态模式的当前第二模式长度输入数据库压缩评价模型中的下述数据库大小计算函数进行计算得到数据库长度：
Figure BDA0002611539110000047
其中，DB表示所述实时交通数据库中各状态模式的集合，
Figure BDA0002611539110000048
表示所述实时交通数据库基于所述更新后的交通模式表实现模式转换后的数据库长度；
将各交通模式的当前第一模式长度输入数据库压缩评价模型中的下述模式表函数进行计算得到所述更新后的交通模式表的表长度：
Figure BDA0002611539110000049
其中，I表示由交叉路口重要等级、交通流量等级和交通占有率等级构成的等级集合，rx表示所述等级集合中的第x项等级，usage(rx)表示第x项等级在所述实时交通数据库中的出现次数，
Figure BDA00026115391100000410
表示所述更新后的交通模式表的表长度，b表示log函数的底数；
将所述表长度与所述数据库长度进行加法计算得到所述当前描述长度。
进一步地，所述相似交叉路口通过下述方式得到：
建立包含城市交通网络中各路段之间连接关系的链接图，并将各所述路段作为所述链接图中的节点；
将各所述路段的交通属性特征向量作为所述节点的初始向量并输入归纳节点嵌入算法迭代聚合邻域特征信息，得到各所述路段的嵌入向量，其中，所述交通属性特征向量包括路段长度特征、车道特征和每日交通流平均速度特征；
将与各交叉路口连接的多条关联路段的嵌入向量进行拼接得到各交叉路口的特征向量；
对所述拥堵交叉路口与其他交叉路口的特征向量进行相似度计算得到特征相似度，选取特征相似度靠前或者特征相似度大于预设阈值的若干个其他交叉路口作为所述拥堵交叉路口的相似交叉路口。
进一步地，所述信控方案评价模型根据与所述拥堵交叉路口的交通属性特征相似的若干个相似交叉路口的历史交通数据以及历史使用各信控方案的真实历史评分训练得到，包括：
获取各所述相似交叉路口在历史时间段的历史交通数据、各所述相似交叉路口在所述历史时间段历史使用的信控方案以及各所述相似交叉路口在所述历史时间段历史使用所述信控方案的真实历史评分，其中，所述历史交通数据包括绿灯周期时长等级、关联路段的交通流平均速度等级和速度振幅等级，所述关联路段与所述相似交叉路口连接，所述真实历史评分为所述相似交叉路口分别在所述第一历史时间段和第二历史时间段历史使用所述信控方案得到的两个交通流速度变化率之间的差值，所述交通流速度变化率为所述相似交叉路口在使用所述信控制方案前后的交通流平均速度之差，所述第一历史时间段、所述第二历史时间段与当前时间段分别为第一历史日期、第二历史日期和当前日期中的同一个时间段；
将各所述相似交叉路口的历史交通数据以及与各所述相似交叉路口历史使用所述信控方案对应的绿灯时长变化等级作为协同过滤推荐模型的输入值，并将各所述相似交叉路口历史使用所述信控方案的真实历史评分作为所述协同过滤推荐模型的输出值以训练所述协同过滤推荐模型进而得到训练好的协同过滤推荐模型，并将所述训练好的协同过滤推荐模型记为信控方案评价模型。
进一步地，所述协同过滤推荐模型训练时还包括推荐模型自动选择和超参数自动配置，具体包括：
获取推荐模型集合；
将各所述相似交叉路口的历史交通数据以及与各所述相似交叉路口历史使用所述信控方案对应的绿灯时长变化等级作为输入数据，将各所述相似交叉路口历史使用所述信控方案的真实历史评分作为输出数据，并由所述输入数据和所述输出数据组成交通信控数据集；
针对所述交通信控数据集寻找使得下述模型选择公式的值最大的推荐模型R*及相应的超参数配置γ*，并将具有超参数配置γ*的推荐模型R*作为所述协同过滤推荐模型：
Figure BDA0002611539110000061
其中，R＝{R1,...,RN}表示所述推荐模型集合，N表示所述推荐模型集合中推荐模型的个数，Ri表示所述推荐模型集合中的第i个推荐模型，Γ＝{Γ1,...,ΓN}表示所述推荐模型集合中每个推荐模型对应的超参数空间的集合，Γi表示第i个推荐模型的超参数空间，γ表示第i个推荐模型的超参数空间中的超参数配置，
Figure BDA0002611539110000062
表示具有超参数配置γ的第i个推荐模型，Dtrain表示所述交通信控数据集，Dtrain在训练过程中被分割成均等大小的N个训练子集用于交叉验证，
Figure BDA0002611539110000063
表示第c个训练子集，从所述交通信控数据集删掉第c个训练子集得到第c个验证子集
Figure BDA0002611539110000064
Figure BDA0002611539110000065
表示具有超参数配置γ的推荐模型Ri通过在训练子集
Figure BDA0002611539110000066
上训练且在验证子集
Figure BDA0002611539110000067
上验证得到的损失函数。
进一步地，在所述选取评分排名靠前的若干个信控方案得到信控方案推荐列表之后，所述方法包括：将所述拥堵交叉路口在多个历史时间段历史使用推荐信控方案的历史评分输入预存的评价更新函数进行计算得到所述拥堵交叉路口在当前时间段使用所述推荐信控方案的综合评分，按照所述推荐信控方案的综合评分大小进行排序，得到更新重排后的信控方案推荐列表，基于所述更新重排后的信控方案推荐列表选定用于执行应用的推荐信控方案，其中，所述评价更新函数如下：
Figure BDA0002611539110000068
其中，
Figure BDA0002611539110000069
表示所述拥堵交叉路口在当前日期d中的时间段t使用所述信控方案推荐列表中的第i个推荐信控方案的综合评分，D表示多个所述历史日期的集合，
Figure BDA00026115391100000610
表示所述拥堵交叉路口在历史日期d’中的时间段t使用第i个推荐信控方案的历史评分，Ccan表示所述相似交叉路口集合，hu表示所述拥堵交叉路口的交通属性特征向量，hu’表示相似交叉路口u’的交通属性特征向量，fsim(hu,hu')表示所述拥堵交叉路口的交通属性特征向量与所述相似交叉路口u’的交通属性特征向量之间的相似度。
本发明的目的之二在于提供一种用于饱和城市交通网络的信控方案推荐系统，其根据当前评分自动选取在拥堵交叉路口预测使用效果好的信控方案形成信控方案推荐列表，高效准确，适应性强，适用于具有大量拥堵交叉路口状态下的饱和城市交通网络。
本发明的目的之二采用以下技术方案实现：
一种用于饱和城市交通网络的信控方案推荐系统，其包括：
数据模块，包括数据获取单元和数据库，所述数据获取单元用于获取交通状态数据、交通基础设施数据和信控方案数据并存入所述数据库中；
拥堵交叉路口识别模块，用于实时识别拥堵交叉路口；
方案排序模块，用于将所述拥堵交叉路口的实时交通数据输入信控方案评价模型进行计算得到各信控方案的当前评分，其中，所述信控方案评价模型根据与所述拥堵交叉路口的交通属性特征相似的若干个相似交叉路口的历史交通数据以及历史使用各信控方案的真实历史评分训练得到；将各所述信控方案按照所述当前评分大小进行排序，选取评分排名靠前的若干个信控方案得到信控方案推荐列表；
推荐模块，用于将所述信控方案推荐列表推送至调控信号终端用于所述调控信号终端从所述信控方案推荐列表中选定推荐信控方案并执行应用。
进一步地，所述信控方案推荐系统包括更新重排模块，用于将所述拥堵交叉路口在多个历史时间段历史使用所述推荐信控方案的历史评分输入预存的评价更新函数进行计算得到所述拥堵交叉路口在当前时间段使用所述推荐信控方案的综合评分，按照所述推荐信控方案的综合评分大小进行排序得到更新重排后的信控方案推荐列表，基于所述更新重排后的信控方案推荐列表选定用于执行应用的推荐信控方案，其中，所述历史时间段与所述当前时间段分别为历史日期和当前日期中的同一个时间段。
本发明的目的之三在于提供执行发明目的之一的电子设备，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，所述计算机程序被处理器执行时本发明目的之一的用于饱和城市交通网络的信控方案推荐方法。
本发明的目的之四在于提供存储发明目的之一的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明目的之一的用于饱和城市交通网络的信控方案推荐方法。
相比现有技术，本发明的有益效果在于：
本发明根据当前评分自动选取在拥堵交叉路口预测应用效果好的信控方案形成信控方案推荐列表，无需由信号控制工程师对拥堵交叉路口进行实时查看和分析并调整信控方案，适用于具有大量拥堵交叉路口状态下的饱和城市交通网络，规范化的推荐流程可以保证信控方案推荐列表以及最终选定的推荐信控方案的准确性。
附图说明
图1为本发明实施例一的信控方案推荐方法流程图；
图2为本发明实施例一的冲突矩阵示意图；
图3为本发明实施例一的信控方案推荐方法流程图；
图4为本发明实施例二的获得相似交叉路口的流程图；
图5为本发明实施例二的拥堵交叉路口的特征向量生成流程图；
图6为本发明实施例三的最优交通模式表生成流程图；
图7为本发明实施例四的信控方案评价模型生成流程图；
图8为本发明实施例五的信控方案推荐系统的结构框图；
图9为本发明实施例六的电子设备的结构框图。
具体实施方式
以下将结合附图，对本发明进行更为详细的描述，需要说明的是，以下参照附图对本发明进行的描述仅是示意性的，而非限制性的。各个不同实施例之间可以进行相互组合，以构成未在以下描述中示出的其他实施例。
实施例一
实施例一提供了一种用于饱和城市交通网络的信控方案推荐方法，请参照图1所示，包括以下步骤：
S110、实时识别拥堵交叉路口。
拥堵交叉路口可以是城市交通网络中各个交叉路口的实时交通状态数据通过异常程度计算得到的，也可以是通过训练好的识别器识别获得的。在此不做限定。
S120、将拥堵交叉路口的实时交通数据输入信控方案评价模型进行计算得到各信控方案的当前评分。
信控方案评价模型根据与拥堵交叉路口的交通属性特征相似的若干个相似交叉路口的历史交通数据以及历史使用各信控方案的真实历史评分训练得到，可以提高信控方案评价模型的训练数据的多样性，进而可以增强信控方案评价模型的泛化能力。真实历史评分为拥堵交叉路口分别在两个历史时间段使用信控方案得到的两个交通流速度变化率之间的差值。交通流平均速度是指观测时间段内通过道路某路段所有车辆的行程车速的平均值。
信控方案可以是由信号控制工程师根据经验制定的交通信号控制方案，也可以是根据预定义的冲突矩阵和绿灯时长变化等级对各灯组进行组合获得的。比如，参照如图2所示的12个灯组的冲突矩阵，序号0-2分别表示从南左转、直行、右转三个方向的灯组，序号3-5分别表示从西左转、直行、右转三个方向的灯组，序号6-8分别表示从北左转、直行、右转三个方向的灯组，序号9-11分别表示从东左转、直行、右转三个方向的灯组，冲突矩阵中1表示两个相应的灯组中绿灯同时亮起时运行车辆会有冲突，0表示不冲突。对12个灯组的进行组合得到包含多个相位组合的相位集，从相位集中删除包含冲突对(即冲突矩阵中值为1的灯组)的相位组合，就可以得到271个可用的相位组合，在实际应用中交叉路口通常使用8个相位组合(分别为南北直行相位、南北左转相位、东西直行相位、东西左转相位、南口全放相位、北口全放相位、东口全放相位、西口全放相位)，当存在三个绿灯时长变化等级时就可以得到6561个信控方案，每个信控方案包含的灯组绿灯同时亮起时不会发生冲突。
实时交通数据包括拥堵交叉路口在当前时间段的绿灯周期时长等级、与拥堵交叉路口连接的关联路段在当前时间段的交通流平均速度等级和速度振幅等级。实时交通数据还可以包括拥堵交叉路口的路口编号，比如实时交通数据为：
Figure BDA0002611539110000091
其中id表示拥堵交叉路口的路口编号，Nid表示拥堵交叉路口连接的路段数量，ηl表示第1个路段当前时间段内的平均速度等级，
Figure BDA0002611539110000092
表示第1个路段当前时间段内的速度振幅等级。例如，{#702，0，0，1，2，1，1，2，2，1}表示拥堵交叉路口#702连接四个路段，绿灯周期时长等级为0，四个路段当前时间段内的平均速度的等级分别为0、1、2和1，四个路段当前时间段的速度振幅的等级为1、2、2和1。绿灯周期时长等级、平均速度等级和速度振幅等级的划分原则均为找出历史数据中该项值的上限和下限，计算上下限之间的等分值并将等分值作为每个等级的临界值。
根据拥堵交叉路口的实时交通数据输入该信控方案评价模型，可以准确地预测出拥堵交叉路口使用各信控方案的当前评分，即可以准确地评价拥堵交叉路口使用各信控方案的效果。
S130、将各信控方案按照当前评分大小进行排序，选取评分排名靠前的若干个信控方案得到信控方案推荐列表。通过对当前评分进行排序，可以获得在拥堵交叉路口预测应用效果好的多个信控方案。
作为可选的技术方案，可以按照当前评分从大到小进行排序，并选取排在第1个至第M个的信控方案生成信控方案推荐列表，也可以选取当前评分大于预设分值的各信控方案生成信控方案推荐列表。
S140、将信控方案推荐列表推送至调控信号终端用于调控信号终端从信控方案推荐列表中选定推荐信控方案并执行应用。
优选地，从信控方案推荐列表中选择排名最高的信控方案作为用于执行应用于该拥堵交叉路口的推荐信控方案。
信控方案推荐列表在推送到调控信号设置终端后也可以由信号控制工程师进行人为选定，仍然可以减少现有人工调控所需的大量查询、分析和信控方案调整操作，效率更高。
整个信控方案推荐过程无需由信号控制工程师对拥堵交叉路口进行实时查看和分析并实时调整信控方案，可以自动选取在拥堵交叉路口预测应用效果好的信控方案从而形成信控方案推荐列表，规范化的推荐流程可以保证信控方案推荐列表以及最终选定的推荐信控方案的准确性，适用于对具有大量拥堵交叉路口的饱和城市交通网络进行信控方案的推荐，效率高。
在其他的一些实施例中，将信控方案推荐列表推送至调控信号设置终端后，还包括：将拥堵交叉路口使用信控方案的实际评分进行存储并用作未来时间段信控方案推荐的历史真实评分，以更新信控方案评价模型。
在其他的一些实施例中，考虑到信控方案推荐列表中的推荐信控方案应用于拥堵交叉路口的历史应用效果对信控方案推荐列表进行更新重排，基于更新重排后的信控方案推荐列表选定用于执行应用的推荐信控方案，可以提高更新重排后的信控方案推荐列表的多样性和对不同日期的适应性。请参照图3，在步骤S130之后，该信控方案推荐方法包括：
S150、将拥堵交叉路口在多个历史时间段历史使用推荐信控方案的历史评分输入预存的评价更新函数进行计算得到拥堵交叉路口在当前时间段使用推荐信控方案的综合评分，按照推荐信控方案的综合评分大小进行排序，得到更新重排后的信控方案推荐列表，基于更新重排后的信控方案推荐列表选定用于执行应用的推荐信控方案。
历史时间段与当前时间段分别为历史日期和当前日期中的同一个时间段。评价更新函数用于降低在历史时间段使用过的推荐信控方案的综合评分。考虑到推荐信控方案在拥堵交叉路口的历史应用效果，如果拥堵交叉路口已经在历史时间段使用过推荐信控方案A，则通过评价更新函数降低推荐信控方案A的综合评分，使推荐信控方案A在信控方案推荐列表中的排序下降，以提高信控方案推荐列表的多样性，保证信控方案推荐列表可以适应对不同日期进行方案推荐。评价更新函数如下：
Figure BDA0002611539110000101
其中，
Figure BDA0002611539110000102
表示拥堵交叉路口在当前日期d中的时间段t使用信控方案推荐列表中的第i个推荐信控方案的综合评分，D表示多个历史日期的集合，
Figure BDA0002611539110000103
表示拥堵交叉路口在历史日期d’中的时间段t使用第i个推荐信控方案的历史评分，Ccan表示相似交叉路口集合，hu表示拥堵交叉路口的交通属性特征向量，hu’表示相似交叉路口u’的交通属性特征向量，fsim(hu,hu')表示拥堵交叉路口的交通属性特征向量与相似交叉路口u’的交通属性特征向量之间的相似度。
实施例二
实施例二是在实施例一基础上进行的改进，将城市交通网络中的状态模式转换为交通模式，并将交通模式异常的交叉路口记为拥堵交叉路口，再将与拥堵交叉路口的特征向量之间的特征相似度大于预设阈值的多个交叉路口作为拥堵交叉路口的相似交叉路口，可以有效压缩实时交通数据库，节省存储空间，加快数据处理，在多个相似交叉路口的基础上训练信控方案评价模型，可以提高信控方案评价模型的泛化能力，准确度高，也可以用来对具有相似拥堵路况的大量拥堵交叉路口进行批量推荐，效率更高。
请参照图4所示，获取拥堵交叉路口的相似交叉路口，包括以下步骤：
S210、获取城市交通网络中各个交叉路口的位置信息、预设采集时间段内各交叉路口的交通流量和交通占有率，并将实时交通数据中的位置信息、交通流量和交通占有率分别按照预设的位置分级规则、交通流量分级规则和交通占有率分级规则进行分级得到交叉路口重要等级、交通流量等级和交通占有率等级。
本实施例中，交通流量为采集时间段内通过交叉路口的交通实体数，交通占有率为单位采集时间段内车辆通过该交叉路口的累计时间占采集时间段的百分比。位置分级规则将交叉路口分为“主要”和“非主要”两个交叉路口重要等级：交叉路口位置在主干道上的重要等级为“主要”，交叉路口位置在非主干道上的重要等级为“非主要”。交通流量分级规则中，交通流量单位为车辆每小时(vph)，将[0,700]范围内的交通流量记为level A，将[700,1200)范围内的交通流量记为level B，将[1200,2000]范围内的交通流量记为LevelC。交通占有率级规则中，将交通占有率为[0,1/17)、[1/17,1/9)、[1/9,1/7)、[1/7,1/2)和[1/2,1]分别记为Level 1、Level 2、Level 3、Level 4和Level 5。
S220、由交叉路口的交叉路口重要等级、交通流量等级和交通占有率等级构成交叉路口的状态模式，并由各交叉路口的状态模式组成实时交通数据库。
假设实时交通数据库如表1所示：
Figure BDA0002611539110000111
将交通流量等级、交通占有率等级和交叉路口重要等级分别记为Flow、Occu和IS，交通流量等级、交通占有率等级和交叉路口重要等级在实时交通数据库中可能包含的值域分别为：Dom(Flow)＝{Flow1,…,Flow3}；Dom(Occu)＝{Occu1,…,Occu5}；Dom(IS)＝{IS1,IS2}。将实时交通数据库中各状态模式的集合记为DB，DB中的4种状态模式记为DFi(i＝1,2,3,4)，DFi＝{Flowl,Occum,ISn}。
S230、根据最优交通模式表中交叉路口重要等级、交通流量等级和交通占有率等级中的一项或多项组合与各交通模式之间的对应关系，将交叉路口的状态模式转换为至少一种交通模式，并统计各交通模式在实时交通数据库中的出现次数。假设最优交通模式表如表2所示：
PF<sub>1</sub> Level A,Level 2,Major
PF<sub>2</sub> Level A,Non-major
PF<sub>3</sub> Level 2
PF<sub>4</sub> Level B,Non-major
PF<sub>5</sub> Level 4
PF<sub>6</sub> Level 2
最优交通模式表中具有6种交通模式记为PFq(q＝1,...,6)，将如表1所示的实时交通数据库中各交叉路口的状态模式DFi转换为至少一种交通模式PFq，示意性地，如DF1＝{Level A，Level 2，Major}转换为PF1，DF2＝{Level A，Level 2，Non-major}转换为PF2和PF6，就可以统计得到各交通模式在实时交通数据库中的出现次数，PF1、PF2、PF3、PF4、PF5和PF6的出现次数分别为4、2、1、2、1和2。各交叉路口的交通模式以及各交通模式在实时交通数据库中的出现次数可以组成如表3所示的交通模式数据库，以实现对实时交通数据库进行压缩，节省数据存储空间。
表3、交通模式数据库
PF<sub>q</sub> 出现次数
PF<sub>1</sub> 4
PF<sub>2</sub> 2
PF<sub>3</sub> 1
PF<sub>4</sub> 2
PF<sub>5</sub> 1
PF<sub>6</sub>: 2
可以将最优交通模式表作为一个代码字典，将状态模式转换为交通模式，基于字典的压缩技术实现将较大的实时交通数据库压缩并编码为较小的交通模式数据库，有利于减少冗余信息，节省数据存储空间。
S240、将实时交通数据库中各交通模式的出现次数输入预存的交通异常模型进行计算以得到与交通模式对应的交叉路口的异常度。
具体地，将各交通模式的出现次数输入下述交通模式函数进行计算得到各交通模式的第一模式长度：
Figure BDA0002611539110000131
其中，PT表示最优交通模式表中各交通模式的集合，PFq表示各交通模式的集合中第q种交通模式，usage(PFq)表示第q种交通模式在实时交通数据库中的出现次数，L(usage(PFq)|PT)表示第q种交通模式的第一模式长度，a1表示log函数的底数，此处a1取2。
将各交通模式的第一模式长度输入下述状态模式函数进行计算得到各状态模式的第二模式长度：
Figure BDA0002611539110000132
其中，DFi表示实时交通数据库中包含的第i种状态模式，L(DFi|PT)表示第i种状态模式的第二模式长度。
L(DFi|PT)可以表示第i种状态模式的异常程度，当第i种状态模式的第二模式长度越长，与第i种状态模式对应拥堵交叉路口的交通数据就越接近交叉路口的承载上限，即第i种状态模式越不正常。交叉路口的承载上限U可以通过下述公式得到：
Figure BDA0002611539110000133
其中，dom(mi)(i＝1,2,3)分别表示交通流量等级Flow、交通占有率等级Occu和交叉路口重要等级IS在实时交通数据库中的取值，Nmi分别为各取值在实时交通数据库中的出现次数，β表示折现系数，β可设为0.85。
对第二模式长度进行归一化处理：D(DFi|PT)＝L(DFi|PT)/U，就可以得到第i种状态模式的归一化模式长度D(DFi|PT)并记为异常度，异常度的值越高，对应的交叉路口交通状况越不正常；值越低，交通状况越好。
S250、将异常度大于预设异常阈值的交叉路口记为拥堵交叉路口，并将多条关联路段的嵌入向量进行拼接得到拥堵交叉路口的特征向量。关联路段与拥堵交叉路口连接。将异常度大于异常阈值的状态模式记为异常模式，将实时交通数据库中与异常模式对应的交叉路口记为拥堵交叉路口。
请参照图5所示，将多条关联路段的嵌入向量进行拼接得到拥堵交叉路口的特征向量，包括如下步骤：
S2501、建立包含城市交通网络中各路段之间连接关系的链接图，并将各路段作为链接图中的节点。该链接图表示为G＝(V,E)，V表示节点的集合，是有限集，|V|＝Nv，表示城市交通网络中路段的个数；E为边的集合，表示城市交通网络中各路段之间的连接性。
每条路段均具有其交通属性特征向量：
Figure BDA0002611539110000141
其中，γn表示路段长度等级，
Figure BDA0002611539110000142
和
Figure BDA0002611539110000143
分别表示直行、左转和右转车道的个数等级，
Figure BDA0002611539110000144
Figure BDA0002611539110000145
和
Figure BDA0002611539110000146
分别表示预设历史时间段内该路段每日速度均值的均值、最小值、最大值的等级，n＝1,...,Nv。等级划分原则为：找出历史时间段内该项值的上限和下限，再将上下限之间的各等分值作为每个等级的临界值，然后得到各等级对应的区间。比如，假设该路段的每日速度均值的均值下限为25，上限为59，分成5个等级，则临界值分别为32,39,45,52，那么每日速度均值的均值区间分别为[0,32]、(32,39]、(39,45]、(45,52]、(52,+∞)，可以得到下表4所示的等级取值表，即可根据预设历史时间段内该路段每日速度均值的均值的等级，在此不一一列出其他等级取值表。
Figure BDA0002611539110000147
S2502、将各路段的交通属性特征向量作为节点的初始向量并输入归纳节点嵌入算法迭代聚合邻域特征信息，得到各路段的嵌入向量。
将各路段的交通属性特征向量Xn作为节点的初始向量并输入归纳节点嵌入算法(即Graph Sample and aggregate算法，简称为GraphSAGE算法)进行迭代计算。归纳节点嵌入算法是一种高效的归纳式无监督学习算法，它能够快速生成不可见或全新(子)图的节点嵌入，而不是对图中每个可能的节点进行详尽的打分。归纳节点嵌入算法不仅学习每个节点的邻域拓扑结构，而且学习所有图中存在的结构特征。通过使用K个聚合函数进行深度搜索，从节点的局部邻域迭代地聚合节点的特征信息。通过使用特定的聚合函数，将节点n的邻近节点的嵌入向量聚合为单个嵌入向量，用
Figure BDA0002611539110000148
表示，即
Figure BDA0002611539110000149
其中，fnei(·)表示邻域方程，fnei(n,no)表示顶点n及步长no的确定的邻近节点集和
Figure BDA0002611539110000151
表示第k个聚合函数，
Figure BDA0002611539110000152
为邻近节点e在上一次迭代的嵌入向量。所有节点的初始向量为输入的节点特征
Figure BDA0002611539110000153
N是节点的集合。然后，节点的当前嵌入向量
Figure BDA0002611539110000154
由一个全连接层更新，该层的输入为邻居节点的嵌入向量
Figure BDA0002611539110000155
和该节点在上一次迭代的嵌入向量
Figure BDA0002611539110000156
Figure BDA0002611539110000157
其中，ffull(·)指全连接层，σ指非线性激活函数。Wk为第k个聚合模型对应的需要训练的矩阵。在处理完所有节点之后，通过下式对其标准化：
Figure BDA0002611539110000158
在k层迭代结束时得到最终的节点嵌入向量hn，即各路段的嵌入向量hn，其优化的损失函数是基于负采样和基于图的。
本实施例中，聚合函数采用池聚合器，其聚合过程如下：
Figure BDA0002611539110000159
其中，pool为最大池化操作(element-wise max-pooling)，σ为非线性激活函数，Wpool和b为该聚合器需要训练的参数，N(i)这里指fnei(n,no)。
损失函数设计的目的是区分目标节点n，目标节点的负采样分布P(·)中的其他样本，每个数据集取Q个负样本，使相近节点的嵌入向量更相似，距离远的节点的嵌入向量更不同。本实施例中，采用下述损失函数：
Figure BDA00026115391100001510
其中，e为节点n的邻居(这里邻居是广义的，比如说如果n和e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。Q表示负采样分布P(·)中负样本的数量，负采样指一批不是邻居的节点en作为负样本。E指期望，T是转置。Log底数a这里取2。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。
S2503、将多条关联路段的嵌入向量进行拼接得到拥堵交叉路口的特征向量。
Figure BDA00026115391100001511
其中，hu表示拥堵交叉路口u的特征向量，||表示拼接运算符，Vu表示与拥堵交叉路口u连接的关联道路的集合，|Vu|表示关联道路的数量，hn表示通过归纳节点嵌入算法得到的节点n的嵌入向量。
S260、对拥堵交叉路口与其他交叉路口的特征向量进行相似度计算得到特征相似度，选取特征相似度大于预设阈值的若干个交叉路口作为拥堵交叉路口的相似交叉路口。
遍历城市交通网络中除了拥堵交叉路口外的其他任意一个交叉路口，将该交叉路口与拥堵交叉路口的特征向量输入下述余弦相似度函数进行计算得到特征相似度：
Figure BDA0002611539110000161
其中，hu表示拥堵交叉路口的特征向量，hu’表示城市交通网络中的交叉路口u’的特征向量。
作为可选的技术方案，也可以将多个交叉路口按照特征相似度从大到小进行排序，选取排序第1个至第N个的交叉路口作为拥堵交叉路口的相似交叉路口。
实施例三
实施例三是在实施例二基础上的改进，请参照图6所示，最优交通模式表可以通过下述方式得到：
S310、选取交叉路口重要等级、交通流量等级和交通占有率等级中的一项或多项等级构成等级组合，统计等级组合在实时交通数据库中的出现次数并记为组合出现次数，将组合出现次数大于预设候选次数的等级组合作为候选等级组合，并由多个候选等级组合构成候选等级组合集。
比如从表1中选取交叉路口重要等级、交通流量等级和交通占有率等级中的至少两项等级构成等级组合，比如“Level A,Level 2”、“Level A,Major”、“Level A,Level 2,Major”等，在此不一一列举。“Level A,Level 2”的组合出现次数为6，“Level A,Major”的组合出现次数为4，“Level A,Level 2,Major”的组合出现次数为4，假设候选次数预设为2，将组合出现次数大于2的等级组合作为候选等级组合。
优选地，可以应用Apriori算法来查找所有的等级组合。
S320、从候选等级组合集中选取组合出现次数最大的候选等级组合作为当前候选等级组合，建立与当前候选等级组合对应的交通模式并记为待处理交通模式，将当前候选等级组合与待处理交通模式之间的对应关系加入交通模式表并更新交通模式表。
本实施例中，初始的交通模式表中的各交通模式分别与交叉路口重要等级值、交通流量等级值和交通占有率等级值中的一项具有对应关系。比如，初始的交通模式表中，各交通模式PFk(k＝1,...,7)分别对应表1中的“Level A”、“Level B”、“Level 2”、“Level3”、“Level 4”、“Major”和“Non-major”中的一项。“Level A,Level 2”的组合出现次数最大，将“Level A,Level 2”作为当前候选等级组合，建立与“Level A,Level 2”对应的交通模式PFk(k＝8)并记为待处理交通模式，并将“Level A,Level 2”与PFk(k＝8)之间的对应关系加入交通模式表并更新交通模式表。
S330、根据更新后的交通模式表将交叉路口的状态模式转换为多种交通模式。
S340、统计各交通模式在实时交通数据库中的出现次数并输入预存的数据库压缩评价模型进行计算以得到当前描述长度，若当前描述长度小于原有描述长度，则将更新后的交通模式表作为候选交通模式表。
当前描述长度表示了实时交通数据库基于更新后的交通模式表实现模式转换后的数据总量，原有描述长度表示了实时交通数据库基于更新前的交通模式表实现模式转换后的数据总量，原有描述长度与当前描述长度的计算方式相同。当前描述长度的计算包括以下步骤：
将各交通模式在实时交通数据库中的出现次数输入下述交通模式函数进行计算得到各交通模式的当前第一模式长度：
Figure BDA0002611539110000171
其中，
Figure BDA0002611539110000172
表示更新后的交通模式表中各交通模式的集合，
Figure BDA0002611539110000173
表示各交通模式的集合中第k种交通模式，
Figure BDA0002611539110000174
表示第k种交通模式在实时交通数据库中的出现次数，
Figure BDA0002611539110000175
表示第k种交通模式的当前第一模式长度，a2表示log函数的底数，此处a2取2。
将各交通模式的当前第一模式长度输入下述状态模式函数进行计算得到各状态模式的当前第二模式长度：
Figure BDA0002611539110000176
其中，DFi表示实时交通数据库包含的第i种状态模式，
Figure BDA0002611539110000177
表示第i种状态模式的当前第二模式长度。
将各状态模式的当前第二模式长度输入下述数据库大小计算函数进行计算得到数据库长度：
Figure BDA0002611539110000178
其中，DB表示实时交通数据库中各状态模式的集合，
Figure BDA0002611539110000179
表示实时交通数据库基于更新后的交通模式表实现模式转换后的数据库长度。
将各交通模式的当前第一模式长度输入下述模式表函数进行计算得到更新后的交通模式表的表长度：
Figure BDA0002611539110000181
其中，I表示由交叉路口重要等级、交通流量等级和交通占有率等级构成的等级集合，rx表示等级集合中的第x项等级，usage(rx)表示第x项等级在实时交通数据库中的出现次数，
Figure BDA0002611539110000182
表示更新后的交通模式表的表长度，b表示log函数的底数，此处b取2。
将更新后的交通模式表的表长度与数据库长度进行加法计算得到当前描述长度。
Figure BDA0002611539110000183
如果使用该更新后的交通模式表可以压缩实时交通数据库，使得
Figure BDA0002611539110000184
变小，但会使得
Figure BDA0002611539110000185
变大而产生较大冗余。因此，需要平衡交通模式表的复杂性以及交通模式表对实时交通数据库的适用性以获得最佳交通模式表。
若当前描述长度小于原有描述长度，则将更新后的交通模式表作为候选交通模式表。例如，添加了“Level A,Level 2”后得到的当前描述长度小于原有描述长度，就将该更新后的交通模式表作为候选交通模式表。若当前描述长度大于等于原有描述长度，说明实时交通数据库基于更新后的交通模式表实现模式转换后的数据总量反而增多了，则保留添加了新交通模式前的交通模式表，即不更新候选交通模式表，将初始的交通模式表作为初始的候选交通模式表。
S350、从候选等级组合集中删除当前候选等级组合，继续从候选等级组合集中选取组合出现次数最大的候选等级组合作为当前候选等级组合进行删除以得到更新后的候选交通模式表，直到候选等级组合集为空集时得到最新的候选交通模式表并记为最优交通模式表。即重复S320至S340步骤，直到候选等级组合集为空集时，将最新得到的候选交通模式表记为最优交通模式表。
该最佳交通模式表可以最大程度地平衡其复杂性以及对实时交通数据库的适用性，使用该最佳交通模式表能够最为有效地压缩实时交通数据库，减少冗余信息，节省存储空间。
实施例四
实施例四是在实施例一基础上进行的改进，通过训练精度和复杂度更高的协同过滤推荐模型得到训练好的协同过滤推荐模型并记为信控方案评价模型，预测拥堵交叉路口使用信控方案的当前评分，进而提高信控方案的评分精度，请参照图7所示，获得信控方案评价模型包括以下步骤：
S410、获取各相似交叉路口历史时间段的历史交通数据、各相似交叉路口在历史时间段历史使用的信控方案以及各相似交叉路口在历史时间段历史使用信控方案的真实历史评分。
历史交通数据包括绿灯周期时长等级、与相似交叉路口连接的关联路段的交通流平均速度等级和速度振幅等级。真实历史评分为相似交叉路口分别在第一历史时间段和第二历史时间段历史使用信控方案得到的两个交通流速度变化率之间的差值，第一历史时间段、第二历史时间段与当前时间段分别为第一历史日期、第二历史日期和当前日期中的同一个时间段，即真实历史评分为：
Figure BDA0002611539110000191
其中，
Figure BDA0002611539110000192
表示相似交叉口u在第一历史时间段hist1使用信控方案i前的平均速度，
Figure BDA0002611539110000193
表示相似交叉口u在第一历史时间段hist1使用信控方案i后的平均速度，
Figure BDA0002611539110000194
表示相似交叉口u在第二历史时间段hist2使用信控方案i前的平均速度，
Figure BDA0002611539110000195
表示相似交叉口u在第二历史时间段hist2使用信控方案i后的平均速度。
S420、将各相似交叉路口的历史交通数据以及与各相似交叉路口的历史使用信控方案对应的绿灯时长变化等级作为协同过滤推荐模型的输入值，将各相似交叉路口历史使用信控方案的真实历史评分作为协同过滤推荐模型的输出值以训练协同过滤推荐模型进而得到训练好的协同过滤推荐模型，并将训练好的协同过滤推荐模型记为信控方案评价模型。
协同过滤推荐模型为最近邻推荐模型、奇异值分解模型、双聚类模型和隐因子模型中的一种。由于目前不存在在所有的场景中均表现最优的推荐模型，而且一些推荐模型又严重依赖于超参数配置以使模型在合理的时间范围内对某一数据集的拟合达到最佳性能，因此采用下述组合算法选择器获得饱和城市交通网络下的最优推荐模型作为协同过滤推荐模型，同时可以解决超参数优化问题。协同过滤推荐模型训练时还包括推荐模型自动选择和超参数自动配置，具体包括以下步骤：
获取推荐模型集合，推荐模型集合包括最近邻推荐模型、奇异值分解模型、双聚类模型和隐因子模型等推荐模型。将各相似交叉路口的历史交通数据以及与各相似交叉路口历史使用信控方案对应的绿灯时长变化等级作为输入数据，将各相似交叉路口历史使用信控方案的真实历史评分作为输出数据，并由输入数据和输出数据组成交通信控数据集。
针对交通信控数据集寻找使得下述模型选择公式的值最大的推荐模型R*及相应的超参数配置γ*，并将具有超参数配置γ*的推荐模型R*作为协同过滤推荐模型：
Figure BDA0002611539110000196
其中，R＝{R1,...,RN}表示推荐模型集合，N表示推荐模型集合中推荐模型的个数，Ri表示推荐模型集合中的第i个推荐模型，Γ＝{Γ1,...,ΓN}表示推荐模型集合中每个推荐模型对应的超参数空间的集合，Γi表示第i个推荐模型的超参数空间，γ表示第i个推荐模型的超参数空间中的超参数配置，
Figure BDA0002611539110000197
表示具有超参数配置γ的第i个推荐模型，Dtrain表示交通信控数据集，Dtrain在训练过程中被分割成均等大小的N个训练子集用于交叉验证，
Figure BDA0002611539110000201
表示第c个训练子集，从交通信控数据集删掉第c个训练子集得到第c个验证子集
Figure BDA0002611539110000202
即
Figure BDA0002611539110000203
Figure BDA0002611539110000204
表示具有超参数配置γ的推荐模型Ri通过在训练子集
Figure BDA0002611539110000205
上训练且在验证子集
Figure BDA0002611539110000206
上验证得到的损失函数。损失函数包括但不限于MSE、MAE和RMSE函数中的任一种。
实施例五
实施例五公开了一种对应上述实施例的一种用于饱和城市交通网络的信控方案推荐系统，请参照图8所示，包括：
数据模块510，包括数据获取单元和数据库，所述数据获取单元用于获取交通状态数据、交通基础设施数据和信控方案数据并存入所述数据库中；
拥堵交叉路口识别模块520，用于实时识别拥堵交叉路口；
方案排序模块530，用于将所述拥堵交叉路口的实时交通数据输入信控方案评价模型进行计算得到各信控方案的当前评分，其中，所述信控方案评价模型根据与所述拥堵交叉路口的交通属性特征相似的若干个相似交叉路口的历史交通数据以及历史使用各信控方案的真实历史评分训练得到；将各所述信控方案按照所述当前评分大小进行排序，选取评分排名靠前的若干个信控方案得到信控方案推荐列表；
推荐模块540，用于将所述信控方案推荐列表推送至调控信号终端用于所述调控信号终端从所述信控方案推荐列表中选定推荐信控方案并执行应用。
在其他的一些实施例中，信控方案推荐系统包括：更新重排模块，用于将所述拥堵交叉路口在多个历史时间段历史使用所述推荐信控方案的历史评分输入预存的评价更新函数进行计算得到所述拥堵交叉路口在当前时间段使用所述推荐信控方案的综合评分，按照所述推荐信控方案的综合评分大小进行排序得到更新重排后的信控方案推荐列表，基于所述更新重排后的信控方案推荐列表选定用于执行应用的推荐信控方案，其中，所述历史时间段与所述当前时间段分别为历史日期和当前日期中的同一个时间段。
优选地，该系统还包括：拥堵交叉路口识别模块，用于将实时交通数据库中各交通模式的出现次数输入预存的交通异常模型进行计算以得到与所述交通模式对应的交叉路口的异常度，其中，所述交通模式与交叉路口重要等级、交通流量等级和交通占有率等级中的一项或多项组合具有对应关系；识别出异常度大于预设异常阈值的交叉路口记为拥堵交叉路口；
相似度计算模块，用于将与所述拥堵交叉路口连接的多条关联路段的嵌入向量进行拼接得到所述拥堵交叉路口的特征向量；对拥堵交叉路口与城市交通网络中的其他交叉路口的特征向量进行相似度计算得到特征相似度，选取特征相似度靠前或者特征相似度大于预设阈值的若干个其他交叉路口作为所述拥堵交叉路口的相似交叉路口。
实施例六
图9为本发明实施例七提供的一种电子设备的结构示意图，如图9所示，该电子设备包括处理器610、存储器620、输入装置630和输出装置640；计算机设备中处理器610的数量可以是一个或多个，图9中以一个处理器610为例；电子设备中的处理器610、存储器620、输入装置630和输出装置640可以通过总线或其他方式连接，图9中以通过总线连接为例。
存储器620作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的用于饱和城市交通网络的信控方案推荐方法对应的程序指令/模块(例如，用于饱和城市交通网络的信控方案推荐系统中的数据获取模块510、方案排序模块520、评分更新模块530和推荐模块540)。处理器610通过运行存储在存储器620中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述实施例一至实施例五的用于饱和城市交通网络的信控方案推荐方法。
存储器620可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器620可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器620可进一步包括相对于处理器610远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置630可用于接收信控方案集合和拥堵交叉路口集合等。输出装置640可包括显示屏等显示设备。
实施例七
本发明实施例七还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行用于饱和城市交通网络的信控方案推荐方法，该方法包括：
实时识别拥堵交叉路口；
将拥堵交叉路口的实时交通数据输入信控方案评价模型进行计算得到各信控方案的当前评分，其中，信控方案评价模型根据拥堵交叉路口的交通属性特征相似的若干个相似交叉路口的历史交通数据以及历史使用各信控方案的真实历史评分训练得到；
将各信控方案按照当前评分大小进行排序，并选取评分排名靠前的若干个信控方案得到信控方案推荐列表；
将拥堵交叉路口在多个历史时间段历史使用信控方案推荐列表中的推荐信控方案的历史评分输入预存的评价更新函数进行计算得到拥堵交叉路口在当前时间段使用推荐信控方案的综合评分，按照推荐信控方案的综合评分大小进行排序，得到更新重排后的信控方案推荐列表，其中，历史时间段与当前时间段分别为历史日期和当前日期中的同一个时间段；
将更新重排后的信控方案推荐列表推送至调控信号终端用于调控信号终端从更新重排后的信控方案推荐列表中选定推荐信控方案并执行应用。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的用于饱和城市交通网络的信控方案推荐方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台电子设备(可以是手机，个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述用于饱和城市交通网络的信控方案推荐系统实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。

Claims (14)

1.一种用于饱和城市交通网络的信控方案推荐方法，其特征在于：包括以下步骤：
实时识别拥堵交叉路口；
将所述拥堵交叉路口的实时交通数据输入信控方案评价模型进行计算得到各信控方案的当前评分，其中，所述信控方案评价模型根据与所述拥堵交叉路口的交通属性特征相似的若干个相似交叉路口的历史交通数据以及历史使用各信控方案的真实历史评分训练得到；
将各所述信控方案按照所述当前评分大小进行排序，选取评分排名靠前的若干个信控方案得到信控方案推荐列表；
将所述信控方案推荐列表推送至调控信号终端用于所述调控信号终端从所述信控方案推荐列表中选定推荐信控方案并执行应用。
2.如权利要求1所述的一种用于饱和城市交通网络的信控方案推荐方法，其特征在于：所述拥堵交叉路口通过下述方式得到：
将实时交通数据库中各交通模式的出现次数输入预存的交通异常模型进行计算以得到与所述交通模式对应的交叉路口的异常度，其中，所述交通模式与交叉路口重要等级、交通流量等级和交通占有率等级中的一项或多项组合具有对应关系；
识别出异常度大于预设异常阈值的交叉路口记为拥堵交叉路口。
3.如权利要求2所述的一种用于饱和城市交通网络的信控方案推荐方法，其特征在于：将实时交通数据库中各交通模式的出现次数输入预存的交通异常模型进行计算以得到具有所述交通模式的交叉路口的异常度之前，还包括：
获取城市交通网络中各个交叉路口的位置信息、预设采集时间段内各所述交叉路口的交通流量和交通占有率；
将所述位置信息、所述交通流量和所述交通占有率分别按照预设的位置分级规则、交通流量分级规则和交通占有率分级规则进行分级得到交叉路口重要等级、交通流量等级和交通占有率等级；
由所述交叉路口的交叉路口重要等级、交通流量等级和交通占有率等级构成所述交叉路口的状态模式，并由各所述交叉路口的状态模式组成实时交通数据库；
根据最优交通模式表中交叉路口重要等级、交通流量等级和交通占有率等级中的一项或多项组合与各交通模式之间的对应关系，将所述交叉路口的状态模式转换为至少一种交通模式，并统计各交通模式在所述实时交通数据库中的出现次数。
4.如权利要求3所述的一种用于饱和城市交通网络的信控方案推荐方法，其特征在于：将实时交通数据库中各交通模式的出现次数输入预存的交通异常模型进行计算以得到具有所述交通模式的交叉路口的异常度，包括：
将各交通模式的出现次数输入交通异常模型中的下述交通模式函数进行计算得到各所述交通模式的第一模式长度：
Figure FDA0002611539100000021
其中，PT表示所述最优交通模式表中各交通模式的集合，PFq表示各交通模式的集合中第q种交通模式，usage(PFq)表示第q种交通模式在所述实时交通数据库中的出现次数，L(usage(PFq)|PT)表示第q种交通模式的第一模式长度，a1表示log函数的底数；
将各所述交通模式的第一模式长度输入交通异常模型中的下述状态模式函数进行计算得到各状态模式的第二模式长度：
Figure FDA0002611539100000022
其中，DFi表示所述实时交通数据库包含的第i种状态模式，L(DFi|PT)表示第i种状态模式的第二模式长度；
对所述第二模式长度进行归一化处理得到归一化模式长度并记为所述异常度，其中，所述归一化模式长度表示拥堵交叉路口的交通数据接近交叉路口承载上限的程度。
5.如权利要求3所述的一种用于饱和城市交通网络的信控方案推荐方法，其特征在于：所述最优交通模式表通过下述方式得到：
选取所述交叉路口重要等级、交通流量等级和交通占有率等级中的一项或多项等级构成等级组合，统计所述等级组合在所述实时交通数据库中的出现次数并记为组合出现次数，将组合出现次数大于预设候选次数的等级组合作为候选等级组合，并由多个所述候选等级组合构成候选等级组合集；
从所述候选等级组合集中选取组合出现次数最大的候选等级组合作为当前候选等级组合，建立与所述当前候选等级组合对应的交通模式并记为待处理交通模式，将所述当前候选等级组合与所述待处理交通模式之间的对应关系加入交通模式表并更新所述交通模式表；
根据更新后的交通模式表将所述交叉路口的状态模式转换为多种交通模式；
统计各交通模式在所述实时交通数据库中的出现次数并输入预存的数据库压缩评价模型进行计算以得到当前描述长度，若所述当前描述长度小于原有描述长度，则将所述更新后的交通模式表作为候选交通模式表，其中，所述当前描述长度表示所述实时交通数据库基于所述更新后的交通模式表实现模式转换后的数据总量，所述原有描述长度表示所述实时交通数据库基于更新前的交通模式表实现模式转换后的数据总量；
从所述候选等级组合集中删除所述当前候选等级组合，继续从所述候选等级组合集中选取组合出现次数最大的候选等级组合作为当前候选等级组合进行删除以得到更新后的候选交通模式表，直到所述候选等级组合集为空集时得到最新的候选交通模式表并记为所述最优交通模式表。
6.如权利要求5所述的一种用于饱和城市交通网络的信控方案推荐方法，其特征在于：统计各交通模式在所述实时交通数据库中的出现次数并输入预存的数据库压缩评价模型进行计算以得到当前描述长度，包括：
将各交通模式在所述实时交通数据库中的出现次数输入数据库压缩评价模型中的下述交通模式函数进行计算得到各交通模式的当前第一模式长度：
Figure FDA0002611539100000031
其中，
Figure FDA0002611539100000032
表示所述更新后的交通模式表中各交通模式的集合，
Figure FDA0002611539100000033
表示各交通模式的集合中第k种交通模式，
Figure FDA0002611539100000034
表示第k种交通模式在所述实时交通数据库中的出现次数，
Figure FDA0002611539100000035
表示第k种交通模式的当前第一模式长度，a2表示log函数的底数；
将各交通模式的当前第一模式长度输入数据库压缩评价模型中的下述状态模式函数进行计算得到各状态模式的当前第二模式长度：
Figure FDA0002611539100000036
其中，DFi表示所述实时交通数据库包含的第i种状态模式，
Figure FDA0002611539100000037
表示第i种状态模式的当前第二模式长度；
将各状态模式的当前第二模式长度输入数据库压缩评价模型中的下述数据库大小计算函数进行计算得到数据库长度：
Figure FDA0002611539100000038
其中，DB表示所述实时交通数据库中各状态模式的集合，
Figure FDA0002611539100000041
表示所述实时交通数据库基于所述更新后的交通模式表实现模式转换后的数据库长度；
将各交通模式的当前第一模式长度输入数据库压缩评价模型中的下述模式表函数进行计算得到所述更新后的交通模式表的表长度：
Figure FDA0002611539100000042
其中，I表示由交叉路口重要等级、交通流量等级和交通占有率等级构成的等级集合，rx表示所述等级集合中的第x项等级，usage(rx)表示第x项等级在所述实时交通数据库中的出现次数，
Figure FDA0002611539100000043
表示所述更新后的交通模式表的表长度，b表示log函数的底数；
将所述表长度与所述数据库长度进行加法计算得到所述当前描述长度。
7.如权利要求1所述的一种用于饱和城市交通网络的信控方案推荐方法，其特征在于：所述相似交叉路口通过下述方式得到：
建立包含城市交通网络中各路段之间连接关系的链接图，并将各所述路段作为所述链接图中的节点；
将各所述路段的交通属性特征向量作为所述节点的初始向量并输入归纳节点嵌入算法迭代聚合邻域特征信息，得到各所述路段的嵌入向量，其中，所述交通属性特征向量包括路段长度特征、车道特征和每日交通流平均速度特征；
将与各交叉路口连接的多条关联路段的嵌入向量进行拼接得到各交叉路口的特征向量；
对所述拥堵交叉路口与其他交叉路口的特征向量进行相似度计算得到特征相似度，选取特征相似度靠前或者特征相似度大于预设阈值的若干个其他交叉路口作为所述拥堵交叉路口的相似交叉路口。
8.如权利要求1所述的一种用于饱和城市交通网络的信控方案推荐方法，其特征在于：所述信控方案评价模型根据与所述拥堵交叉路口的交通属性特征相似的若干个相似交叉路口的历史交通数据以及历史使用各信控方案的真实历史评分训练得到，包括：
获取各所述相似交叉路口在历史时间段的历史交通数据、各所述相似交叉路口在所述历史时间段历史使用的信控方案以及各所述相似交叉路口在所述历史时间段历史使用所述信控方案的真实历史评分，其中，所述历史交通数据包括绿灯周期时长等级、关联路段的交通流平均速度等级和速度振幅等级，所述关联路段与所述相似交叉路口连接，所述真实历史评分为所述相似交叉路口分别在所述第一历史时间段和第二历史时间段历史使用所述信控方案得到的两个交通流速度变化率之间的差值，所述交通流速度变化率为所述相似交叉路口在使用所述信控制方案前后的交通流平均速度之差，所述第一历史时间段、所述第二历史时间段与当前时间段分别为第一历史日期、第二历史日期和当前日期中的同一个时间段；
将各所述相似交叉路口的历史交通数据以及与各所述相似交叉路口历史使用所述信控方案对应的绿灯时长变化等级作为协同过滤推荐模型的输入值，并将各所述相似交叉路口历史使用所述信控方案的真实历史评分作为所述协同过滤推荐模型的输出值以训练所述协同过滤推荐模型进而得到训练好的协同过滤推荐模型，并将所述训练好的协同过滤推荐模型记为信控方案评价模型。
9.如权利要求8所述的一种用于饱和城市交通网络的信控方案推荐方法，其特征在于：所述协同过滤推荐模型训练时还包括推荐模型自动选择和超参数自动配置，具体包括：
获取推荐模型集合；
将各所述相似交叉路口的历史交通数据以及与各所述相似交叉路口历史使用所述信控方案对应的绿灯时长变化等级作为输入数据，将各所述相似交叉路口历史使用所述信控方案的真实历史评分作为输出数据，并由所述输入数据和所述输出数据组成交通信控数据集；
针对所述交通信控数据集寻找使得下述模型选择公式的值最大的推荐模型R*及相应的超参数配置γ*，并将具有超参数配置γ*的推荐模型R*作为所述协同过滤推荐模型：
Figure FDA0002611539100000051
其中，R＝{R1,...,RN}表示所述推荐模型集合，N表示所述推荐模型集合中推荐模型的个数，Ri表示所述推荐模型集合中的第i个推荐模型，Γ＝{Γ1,...,ΓN}表示所述推荐模型集合中每个推荐模型对应的超参数空间的集合，Γi表示第i个推荐模型的超参数空间，γ表示第i个推荐模型的超参数空间中的超参数配置，
Figure FDA0002611539100000052
表示具有超参数配置γ的第i个推荐模型，Dtrain表示所述交通信控数据集，Dtrain在训练过程中被分割成均等大小的N个训练子集用于交叉验证，
Figure FDA0002611539100000053
表示第c个训练子集，从所述交通信控数据集删掉第c个训练子集得到第c个验证子集
Figure FDA0002611539100000054
Figure FDA0002611539100000061
表示具有超参数配置γ的推荐模型Ri通过在训练子集
Figure FDA0002611539100000062
上训练且在验证子集
Figure FDA0002611539100000063
上验证得到的损失函数。
10.如权利要求8所述的一种用于饱和城市交通网络的信控方案推荐方法，其特征在于：在所述选取评分排名靠前的若干个信控方案得到信控方案推荐列表之后，所述方法包括：将所述拥堵交叉路口在多个历史时间段历史使用所述推荐信控方案的历史评分输入预存的评价更新函数进行计算得到所述拥堵交叉路口在当前时间段使用所述推荐信控方案的综合评分，按照所述推荐信控方案的综合评分大小进行排序，得到更新重排后的信控方案推荐列表，基于所述更新重排后的信控方案推荐列表选定用于执行应用的推荐信控方案，其中，所述评价更新函数如下：
Figure FDA0002611539100000064
其中，
Figure FDA0002611539100000065
表示所述拥堵交叉路口在当前日期d中的时间段t使用所述信控方案推荐列表中的第i个推荐信控方案的综合评分，D表示多个所述历史日期的集合，
Figure FDA0002611539100000066
表示所述拥堵交叉路口在历史日期d’中的时间段t使用第i个推荐信控方案的历史评分，Ccan表示所述相似交叉路口集合，hu表示所述拥堵交叉路口的交通属性特征向量，hu’表示相似交叉路口u’的交通属性特征向量，fsim(hu,hu')表示所述拥堵交叉路口的交通属性特征向量与所述相似交叉路口u’的交通属性特征向量之间的相似度。
11.一种用于饱和城市交通网络的信控方案推荐系统，其特征在于，其包括：
数据模块，包括数据获取单元和数据库，所述数据获取单元用于获取交通状态数据、交通基础设施数据和信控方案数据并存入所述数据库中；
拥堵交叉路口识别模块，用于实时识别拥堵交叉路口；
方案排序模块，用于将所述拥堵交叉路口的实时交通数据输入信控方案评价模型进行计算得到各信控方案的当前评分，其中，所述信控方案评价模型根据与所述拥堵交叉路口的交通属性特征相似的若干个相似交叉路口的历史交通数据以及历史使用各信控方案的真实历史评分训练得到；将各所述信控方案按照所述当前评分大小进行排序，选取评分排名靠前的若干个信控方案得到信控方案推荐列表；
推荐模块，用于将所述信控方案推荐列表推送至调控信号终端用于所述调控信号终端从所述信控方案推荐列表中选定推荐信控方案并执行应用。
12.如权利要求11所述的一种用于饱和城市交通网络的信控方案推荐系统，其特征在于：所述信控方案推荐系统包括更新重排模块，用于将所述拥堵交叉路口在多个历史时间段历史使用所述推荐信控方案的历史评分输入预存的评价更新函数进行计算得到所述拥堵交叉路口在当前时间段使用所述推荐信控方案的综合评分，按照所述推荐信控方案的综合评分大小进行排序得到更新重排后的信控方案推荐列表，基于所述更新重排后的信控方案推荐列表选定用于执行应用的推荐信控方案，其中，所述历史时间段与所述当前时间段分别为历史日期和当前日期中的同一个时间段。
13.一种电子设备，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，其特征在于，所述计算机程序被处理器执行时执行权利要求1至10任一项所述的一种用于饱和城市交通网络的信控方案推荐方法。
14.一种计算机存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至10任一项所述的一种用于饱和城市交通网络的信控方案推荐方法。
CN202010755857.XA 2020-07-31 2020-07-31 一种用于饱和城市交通网络的信控方案推荐方法及系统 Active CN112037539B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010755857.XA CN112037539B (zh) 2020-07-31 2020-07-31 一种用于饱和城市交通网络的信控方案推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010755857.XA CN112037539B (zh) 2020-07-31 2020-07-31 一种用于饱和城市交通网络的信控方案推荐方法及系统

Publications (2)

Publication Number Publication Date
CN112037539A true CN112037539A (zh) 2020-12-04
CN112037539B CN112037539B (zh) 2021-11-16

Family

ID=73581977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010755857.XA Active CN112037539B (zh) 2020-07-31 2020-07-31 一种用于饱和城市交通网络的信控方案推荐方法及系统

Country Status (1)

Country Link
CN (1) CN112037539B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112883170A (zh) * 2021-01-20 2021-06-01 中国人民大学 一种用户反馈引导的自适应对话推荐方法和系统
CN113159374A (zh) * 2021-03-05 2021-07-23 北京化工大学 一种数据驱动的城市交通流速模式识别与实时预测预警方法
CN115035712A (zh) * 2022-04-27 2022-09-09 银江技术股份有限公司 城市交通信号控制方案推荐方法、系统、装置和介质
CN115083168A (zh) * 2022-08-23 2022-09-20 河北博士林科技开发有限公司 一种基于多源数据的多层次交通仿真网络搭建方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8339454B1 (en) * 2008-09-20 2012-12-25 PureTech Systems Inc. Vision-based car counting for multi-story carparks
CN103050016A (zh) * 2012-12-24 2013-04-17 中国科学院自动化研究所 一种基于混合推荐的交通信号控制方案实时选取方法
CN104123847A (zh) * 2014-07-31 2014-10-29 中国科学院自动化研究所 基于acp方法的交通信号推荐系统及相应方法
CN104240499A (zh) * 2014-06-23 2014-12-24 银江股份有限公司 一种基于微波数据的异常拥堵点判别方法
CN104504901A (zh) * 2014-12-29 2015-04-08 浙江银江研究院有限公司 一种基于多维数据的交通异常点检测方法
CN105809958A (zh) * 2016-03-29 2016-07-27 中国科学院深圳先进技术研究院 一种基于交叉口群的交通控制方法及系统
CN104112366B (zh) * 2014-07-25 2017-02-22 中国科学院自动化研究所 基于隐语义模型的交通信号优化方法
CN108629979A (zh) * 2018-06-12 2018-10-09 浙江工业大学 一种基于历史和周边路口数据的拥堵预测算法
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
CN109920251A (zh) * 2019-04-23 2019-06-21 公安部交通管理科学研究所 一种城市道路交叉口交通组织合理性诊断分析方法及系统
CN110021176A (zh) * 2018-12-21 2019-07-16 文远知行有限公司 交通灯决策方法、装置、计算机设备和存储介质
CN111341109A (zh) * 2020-05-19 2020-06-26 银江股份有限公司 一种基于时空相似性的城市级信号推荐系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8339454B1 (en) * 2008-09-20 2012-12-25 PureTech Systems Inc. Vision-based car counting for multi-story carparks
CN103050016A (zh) * 2012-12-24 2013-04-17 中国科学院自动化研究所 一种基于混合推荐的交通信号控制方案实时选取方法
CN104240499A (zh) * 2014-06-23 2014-12-24 银江股份有限公司 一种基于微波数据的异常拥堵点判别方法
CN104112366B (zh) * 2014-07-25 2017-02-22 中国科学院自动化研究所 基于隐语义模型的交通信号优化方法
CN104123847A (zh) * 2014-07-31 2014-10-29 中国科学院自动化研究所 基于acp方法的交通信号推荐系统及相应方法
CN104504901A (zh) * 2014-12-29 2015-04-08 浙江银江研究院有限公司 一种基于多维数据的交通异常点检测方法
CN105809958A (zh) * 2016-03-29 2016-07-27 中国科学院深圳先进技术研究院 一种基于交叉口群的交通控制方法及系统
CN108629979A (zh) * 2018-06-12 2018-10-09 浙江工业大学 一种基于历史和周边路口数据的拥堵预测算法
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
CN110021176A (zh) * 2018-12-21 2019-07-16 文远知行有限公司 交通灯决策方法、装置、计算机设备和存储介质
CN109920251A (zh) * 2019-04-23 2019-06-21 公安部交通管理科学研究所 一种城市道路交叉口交通组织合理性诊断分析方法及系统
CN111341109A (zh) * 2020-05-19 2020-06-26 银江股份有限公司 一种基于时空相似性的城市级信号推荐系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112883170A (zh) * 2021-01-20 2021-06-01 中国人民大学 一种用户反馈引导的自适应对话推荐方法和系统
CN112883170B (zh) * 2021-01-20 2023-08-18 中国人民大学 一种用户反馈引导的自适应对话推荐方法和系统
CN113159374A (zh) * 2021-03-05 2021-07-23 北京化工大学 一种数据驱动的城市交通流速模式识别与实时预测预警方法
CN113159374B (zh) * 2021-03-05 2022-04-22 北京化工大学 一种数据驱动的城市交通流速模式识别与实时预测预警方法
CN115035712A (zh) * 2022-04-27 2022-09-09 银江技术股份有限公司 城市交通信号控制方案推荐方法、系统、装置和介质
CN115035712B (zh) * 2022-04-27 2023-11-14 银江技术股份有限公司 城市交通信号控制方案推荐方法、系统、装置和介质
CN115083168A (zh) * 2022-08-23 2022-09-20 河北博士林科技开发有限公司 一种基于多源数据的多层次交通仿真网络搭建方法

Also Published As

Publication number Publication date
CN112037539B (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
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
CN108364467B (zh) 一种基于改进型决策树算法的路况信息预测方法
CN112820108B (zh) 一种自学习的路网交通状态分析及预测方法
CN110836675B (zh) 一种基于决策树的自动驾驶搜索决策方法
CN108986453A (zh) 一种基于情境信息的交通状况预测方法、系统及装置
CN110164129B (zh) 基于gernn的单交叉口多车道交通流量预测方法
CN113298319B (zh) 一种基于跳跃图注意力门控循环网络的交通速度预测方法
CN113591380A (zh) 基于图高斯过程的交通流预测方法、介质及设备
CN111797768B (zh) 一种城市道路交通拥堵多原因自动实时识别方法及系统
CN106845703B (zh) 一种考虑转向延误的城市路网时变k最短路径搜索方法
CN113469425B (zh) 深度交通拥堵预测方法
CN111210621A (zh) 基于实时路况的信号绿波协调路线优化控制方法及系统
CN112687106B (zh) 一种基于交通路网动静态综合模型的路径优化方法
CN109489679B (zh) 一种导航路径中的到达时间计算方法
CN111260927B (zh) 一种公路路网流量预测方法
CN110287995B (zh) 全天高架交通拥堵情况分级的多特征学习网络模型方法
CN111341109B (zh) 一种基于时空相似性的城市级信号推荐系统
CN111599219A (zh) 一种基于排序学习的多数据源航班起飞时间预测方法
CN111899511A (zh) 一种共线线路avl数据的公交车到站时间预测方法
CN110490365B (zh) 一种基于多源数据融合预测网约车订单量的方法
CN107092988B (zh) 一种专用道公交车辆驻站时间预测方法
CN112101132A (zh) 一种基于图嵌入模型和度量学习的交通状况预测方法
CN114694382A (zh) 一种基于车联网环境的动态单向交通控制系统
KR102359902B1 (ko) 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체
CN114596030A (zh) 基于数据挖掘的快递网点运营预测模型

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province

Applicant after: Yinjiang Technology Co.,Ltd.

Address before: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province

Applicant before: ENJOYOR Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20201204

Assignee: ZHEJIANG YINJIANG TRAFFIC TECHNOLOGY Co.,Ltd.

Assignor: Yinjiang Technology Co.,Ltd.

Contract record no.: X2023980042517

Denomination of invention: A Method and System for Recommendation of Signal Control Schemes for Saturated Urban Traffic Networks

Granted publication date: 20211116

License type: Common License

Record date: 20230925