CN112365704A - 基于Petri网的道路交通建模方法、系统、介质及终端 - Google Patents

基于Petri网的道路交通建模方法、系统、介质及终端 Download PDF

Info

Publication number
CN112365704A
CN112365704A CN202010500372.6A CN202010500372A CN112365704A CN 112365704 A CN112365704 A CN 112365704A CN 202010500372 A CN202010500372 A CN 202010500372A CN 112365704 A CN112365704 A CN 112365704A
Authority
CN
China
Prior art keywords
road
intersection
traffic
traffic flow
signal control
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
Application number
CN202010500372.6A
Other languages
English (en)
Inventor
蒋昌俊
闫春钢
张亚英
丁志军
赵政
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202010500372.6A priority Critical patent/CN112365704A/zh
Publication of CN112365704A publication Critical patent/CN112365704A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/08—Controlling traffic signals according to detected number or speed of vehicles

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种基于Petri网的道路交通建模方法、系统、介质及终端，应用于道路交叉口中，包括以下步骤：定义所述道路交叉口；根据对所述道路交叉口的定义，确定所述道路交叉口的相位；根据对所述道路交叉口的定义，采用Petri网对所述道路交叉口的交通流进行建模，以建立交通流模型；根据预设信号控制策略和所述相位，采用Petri网对所述道路交叉口的交通控制信号进行建模，以建立信号控制模型；本发明采用具有可视化图形特性的Petri网对道路交通进行建模，描述相应的道路物理特征、交通流的行为以及信号控制的表示，可适应不同的道路交通场景。

Description

基于Petri网的道路交通建模方法、系统、介质及终端
技术领域
本发明属于道路交通建模领域，特别是涉及一种基于Petri网的道路交通建模方法、系统、介质及终端。
背景技术
随着社会的发展和城市化进程的不断加快，我国的城市的车辆数大幅上升，同时，伴随着我国在基础建设上面的大力投入，发达的交通系统对经济的发展与社会的进步都产生了重要作用；在城市道路交通系统中，车辆通行能力的瓶颈大部分都是道路的交叉口，在绝大多数的时候，交通拥塞都发生在道路的交叉口，发生在交叉口的拥塞往往会造成道路通行能力下降、延误、环境污染，甚至是交通事故等问题；因此，对城市道路交叉口建立一个合适的交通流模型去建模和仿真，设计合适的算法去优化道路交叉口的运行效率，怎样对城市道路交叉口实施科学的管理与控制，充分发挥交叉口的通行能力是一个很重要的问题。
城市道路交叉口系统是一个非常复杂的混合系统，主要是由离散和连续状态组成的混合动态系统；连续性是进入和离开城市道路交通口的交通流以及其对应的相应行为等，离散性是指交叉口交通信号灯显示状态的变迁及随机事件等；交叉口中的车辆行驶行为主要受附近的车辆，尤其是前面的车辆以及信号的控制，从而形成了城市交通系统中连续系统和离散系统在同一层次的交互和约束。
对城市道路交叉口进行科学的建模、仿真，才可以有效的对城市道路交叉口进行相应的分析和进行控制，因此，能够合理地对城市道路交叉口进行建模，仿真并采取相应的优化控制方案成为很多学者研究的重点；在过去的十几年来，国内外学者先后开展城市道路交叉口交通流建模和控制的研究，并且已经提出很多交通流模型及各种控制策略，但大多数的道路模型主要是数学模型，不具有可视化的图形特性。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于Petri网的道路交通建模方法、系统、介质及终端，用于解决现有技术中道路模型不具有可视化的图形特性的问题。
为实现上述目的及其他相关目的，本发明提供一种基于Petri网的道路交通建模方法，应用于道路交叉口中，包括以下步骤：定义所述道路交叉口；根据对所述道路交叉口的定义，确定所述道路交叉口的相位；根据对所述道路交叉口的定义，采用Petri网对所述道路交叉口的交通流进行建模，以建立交通流模型；根据预设信号控制策略和所述相位，采用Petri网对所述道路交叉口的交通控制信号进行建模，以建立信号控制模型。
于本发明的一实施例中，定义所述道路交叉口包括：确定所述道路交叉口的车流方向及在每个所述车流方向上的行驶车道。
于本发明的一实施例中，采用混合Petri网建立所述交通流模型；在采用所述混合Petri 网建立所述交通流模型时：将车辆在所述道路交叉口的行驶行为作为托肯；车辆在所述道路交叉口的具体行为由连续变迁控制；在所述道路交叉口相应的等待队列中车辆的数量及在所述道路交叉口相应的等待队列中剩余的容量均通过库所表示；所述库所还用于表示车辆通过所述道路交叉口。
于本发明的一实施例中，采用颜色Petri网建立所述信号控制模型；在采用所述颜色Petri 网建立所述信号控制模型时：将所述相位作为托肯；库所用于表示车辆当前正在执行的相位；时延变迁用于表示切换信号灯损失时间；红灯的时长通过延时变迁表示；当执行完一个相位时，通过函数确定下一个要执行的相位。
于本发明的一实施例中，在采用所述Petri网建立所述信号控制模型时，考虑损失绿灯时间、有效绿灯时间及切换信号灯损失时间。
于本发明的一实施例中，还包括：基于交通流预测模型、所述交通流模型及所述信号控制模型，制定基于深度学习预测的交通流信号控制算法，以根据所述交通流信号控制算法优化所述道路交叉口的运行效率，降低车辆的延误时间。
于本发明的一实施例中，在制定所述交通流信号控制算法时，还包括：在所述信号控制模型中加入预设最小绿灯时间和预设最大绿灯时间，以确保所述相位被分配到的绿灯时长，处于所述预设最小绿灯时间与所述预设最大绿灯时间之间。
本发明提供一种基于Petri网的道路交通建模系统，应用于道路交叉口中，包括：定义模块、确定模块、第一建模模块及第二建模模块；所述定义模块用于定义所述道路交叉口；所述确定模块用于根据对所述道路交叉口的定义，确定所述道路交叉口的相位；所述第一建模模块用于根据对所述道路交叉口的定义，采用Petri网对所述道路交叉口的交通流进行建模，以建立交通流模型；所述第二建模模块用于根据预设信号控制策略和所述相位，采用Petri网对所述道路交叉口的交通控制信号进行建模，以建立信号控制模型。
本发明提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的基于Petri网的道路交通建模方法。
本发明提供一种终端，包括：处理器及存储器；所述存储器用于存储计算机程序；所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行上述的基于Petri网的道路交通建模方法。
如上所述，本发明所述的基于Petri网的道路交通建模方法、系统、介质及终端，具有以下有益效果：
(1)针对道路交叉口特点，将道路交通模型划分为交通流模型和信号控制模型，并采用混合Petri网对道路交叉口的交通流进行建模和仿真，以建立交通流模型；采用颜色Petri网对道路交叉口的交通控制信号进行建模和仿真，以建立信号控制模型，实现了可视化的图形描述道路物理特征、展示交通流的行为以及表示信号控制，且具有可适应不同的道路交通场景的特点。
(2)在建立信号控制模型时，使用不同颜色的托肯对不同行为的车辆进行标识，便于描述和分析车辆在交叉口的不同行为。
(3)提出一种基于深度学习预测的交通流信号控制算法，从而通过该算法优化道路交叉口的运行效率，降低车辆的延误时间，进而提高了道路交叉口的通行能力。
附图说明
图1显示为本发明的基于Petri网的道路交通建模方法于一实施例中的流程图。
图2显示为本发明的道路交叉口于一实施例中的结构示意图。
图3显示为本发明的相位于一实施例中的结构示意图。
图4显示为本发明的交通流模型于一实施例中的结构示意图。
图5显示为本发明的相位损失时间于一实施例中的结构示意图。
图6显示为本发明的信号控制模型于一实施例中的结构示意图。
图7显示为本发明的交通流信号控制算法于一实施例中的流程图。
图8显示为本发明的基于Petri网的道路交通建模系统于一实施例中的结构示意图。
图9显示为本发明的终端于一实施例中的结构示意图。
标号说明
81 定义模块
82 确定模块
83 第一建模模块
84 第二建模模块
91 处理器
92 存储器
S1～S4 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，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发明的其他优点与功效。本发明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，在没有背离本发明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发明的基本构想，遂图式中仅显示与本发明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。
本发明的基于Petri网的道路交通建模方法、系统、介质及终端，针对道路交叉口特点，将道路交通模型划分为交通流模型和信号控制模型，并采用混合Petri网对道路交叉口的交通流进行建模和仿真，以建立交通流模型；采用颜色Petri网对道路交叉口的交通控制信号进行建模和仿真，以建立信号控制模型，实现了可视化的图形描述道路物理特征、展示交通流的行为以及表示信号控制，且具有可适应不同的道路交通场景的特点；在建立信号控制模型时，使用不同颜色的托肯对不同行为的车辆进行标识，便于描述和分析车辆在交叉口的不同行为；提出一种基于深度学习预测的交通流信号控制算法，从而通过该算法优化道路交叉口的运行效率，降低车辆的延误时间，进而提高了道路交叉口的通行能力。
如图1所示，于一实施例中，本发明的基于Petri网的道路交通建模方法应用于道路交叉口中，包括以下步骤：
步骤S1、定义所述道路交叉口。
具体地，按照通常所说的道路行驶规则对道路交叉口进行定义。
需要说明的是，通常所说的道路行驶规则包括道路的方向(诸如东、南、西、北)及每个方向包含的车道(诸如左转、直行、右转)。
如图2所示，于一实施例中，定义所述道路交叉口包括：确定所述道路交叉口的车流方向及在每个所述车流方向上的行驶车道。
具体地，以一个双向六车道的道路交叉口为例进行解释说明。
在图2中，用A、B、C、D分别表示来自东、南、西、北四个方向的车流，每个方向包含三个车道，分别表示左转、直行、右转(图2中的箭头表示车辆行驶行为)。
步骤S2、根据对所述道路交叉口的定义，确定所述道路交叉口的相位。
具体地，相位表示采用控制信号控制车辆行驶行为，车辆不同的行驶行为，对应不同的相位；图2显示的双向六车道的道路交叉口是一采用四相位信号控制车辆的道路，具体相位如图3所示。
需要说明的是，道路交通建模包括两个部分，第一部分是对道路交叉口的交通流进行的交通流模型的构建，第二部分是对道路交叉口的交通控制信号进行的信号控制模型的构建；具体地，包括以下两个步骤：
步骤S3、根据对所述道路交叉口的定义，采用Petri网对所述道路交叉口的交通流进行建模，以建立交通流模型。
需要说明的是，Petri网是一种适用于对系统进行描述和分析的工具，它可以用图形化的方式表达出并行系统的状态和行为，根据Petri的这些优点以及道路交通系统的特征，Petri 网非常适合用于描述具有并行性、随机性、离散性以及连续性特点的道路交通系统的状态和行为；一个Petri网通常是由四元组组成，包括库所、变迁、输入函数和输出函数。
于一实施例中，采用混合Petri网建立所述交通流模型。
需要说明的是，混合Petri网能够描述、分析确定性离散事件以及离散事件或连续演变的并发问题，该网可以覆盖离散Petri网和赋时Petri网。
具体地，在采用所述混合Petri网建立所述交通流模型时：
将车辆在所述道路交叉口的行驶行为作为托肯；车辆在所述道路交叉口的具体行为由连续变迁控制；在所述道路交叉口相应的等待队列中车辆的数量及在所述道路交叉口相应的等待队列中剩余的容量均通过库所表示；所述库所还用于表示车辆通过所述道路交叉口。
如图4所示，显示为道路交叉口中自西向东方向的一部分；在建模中，使用符号○描述离散库所，符号◎描述连续库所，符号▌描述时延变迁，使用符号□描述连续变迁。
在混合Petri网中，托肯C＝{c0,c1,c2}分别表示车辆在道路交叉口的三种行为，分别对应的是直行通过以及左转和右转通过路口；在图4中，当有托肯在库所px1(x＝C)中(同理x还可为A或B或D)，表示车辆正在从方向C接近道路交叉口，车辆在道路交叉口的具体行为由三个连续变迁tC1s、tC1r、tC1l控制，它们分别表示车辆在道路交叉口的直行、右转和左转的三种行为，并且进入相应的道路交叉口的排队区域；库所pC2l、pC2s、pC2r表示的是道路交叉口相应的等待队列中车辆的数量，而库所pC2l′、pC2s′、pC2r′表示的是道路交叉口等待队列中剩余的容量。
需要说明的是，在道路交叉口中，右转的车辆是不受信号灯控制的，因此，在基于混合 Petri网建立的交通流模型中，库所pC2r并不受到控制信号的控制，库所pC2r中的托肯可以通过变迁tC2r的触发，进入到库所；最后，托肯进入库所pN，库所pN、pE、pW、pS分别表示车辆通过了道路交叉口，进入下游的路段。
进一步地，对于单个的道路交叉口，仅仅需要图4中交叉口其中的一条路段与另外的三条路段就可以组成一个完整的交通流模型；对于复杂的道路交通系统，可能包含多个交叉口，也可以通过这个方式，将多个交叉口结合起来，就可以得到一个由多个交叉口组成的较大规模的交通流模型。
步骤S4、根据预设信号控制策略和所述相位，采用Petri网对所述道路交叉口的交通控制信号进行建模，以建立信号控制模型。
需要说明的是，预设信号控制策略是预先设定好的，用于实现交通信号灯控制的策略。
需要说明的是，步骤S3和步骤S4没有一定的先后顺序，即交通流模型的建立和信号控制模型的建立没有固定的先后顺序，可以是先建立交通流模型，也可以是先建立信号控制模型。
进一步地，对上述步骤S1至步骤S4执行顺序的改变，均在本发明的保护范围内。
于一实施例中，采用颜色Petri网建立所述信号控制模型。
需要说明的是，颜色Petri网为采用不同的颜色代表Petri网中的不同事件。
具体地，在采用所述颜色Petri网建立所述信号控制模型时：
将所述相位作为托肯；库所用于表示车辆当前正在执行的相位；时延变迁用于表示切换信号灯损失时间；红灯的时长通过延时变迁表示；当执行完一个相位时，通过函数确定下一个要执行的相位。
如图5所示，于一实施例中，在采用所述Petri网建立所述信号控制模型时，考虑损失绿灯时间、有效绿灯时间及切换信号灯损失时间。
需要说明的是，道路交通系统的信号控制系统是复杂的动态离散系统，包括控制信号的产生和相位的切换以及对交通流模型的控制和交互等行为；除此之外，如图6所示，当道路交叉口的交通控制信号产生绿灯信号时，相应使能的交通流并不能完全利用全部的绿灯时间，会有一段损失的绿灯时间，而只有真正的有效绿灯时间才可以被对应使能的相位利用，同样，在信号灯进行切换的时候，也会损失一段相应的时间，这样时间同样也无法被利用；因此，在对交通控制信号进行建模的时候，需要考虑损失掉的绿灯时间和有效的绿灯时间以及切换信号灯损失掉的时间。
如图6所示，Petri网的颜色托肯Co＝{c1,c2,c3,c4}，不同颜色的托肯在道路交叉口的信号控制模型中表示不同的信号相位，库所pG表示的信号控制状态时是当前正在执行的相位，比如，当一个颜色是c1的托肯存在于库所pG时，表示相位1即将执行绿灯；当时延变迁tx1被触发的时候，托肯从pG进入pE1，这个过程表示相位1正在处于有效的绿灯状态；时延变迁tx1的延时在信号控制模型中表示的是切换交通信号过程中的损失时间；当托肯处于库所pY时，这个过程表示相位1正在处于黄灯的状态，时延变迁ty1表示的是信号灯从绿灯切换到黄灯的损失时间；当托肯处于库所pY时，瞬时变迁tz1被触发，这时依然允许车辆通过路口；当变迁tu被触发的时候，托肯从pY进入pT，此时不再允许车辆进入路口；当托肯进入pR时，表示相位1 的信号灯进入红灯的状态；延时变迁tw的延时表示红灯的时长；当相位1执行完毕之后，需要确定下一个要执行的相位；对于下一个要执行的相位，由函数Cf确定。如果函数Cf确定下一个要执行的相位是相位4，那么就会产生一个颜色托肯c4进入库所pG重新开始一个新的相位的执行。
对于道路交叉口的信号控制算法或策略的有效性，很重要的一点就是依赖能否有效的估计每个时间段进入从各个路段进入道路交叉口的车流量，如果可以比较准确的预测出即将进入道路交叉口的车流量，那么就可以通过一个信号控制算法，制定出一个比较高效的信号控制策略，从而来提高道路的通行效率，降低车辆的等待延误时间。
于一实施例中，还包括：基于交通流预测模型、所述交通流模型及所述信号控制模型，制定基于深度学习预测的交通流信号控制算法，以根据所述交通流信号控制算法优化所述道路交叉口的运行效率，降低车辆的延误时间。
具体地，根据当前道路交叉口的等待队列的长度和交通流预测模型预测出来的即将到达的车流量的大小进行分析，并依次产生相应的配时方案和信号控制策略来降低车辆在道路交叉口的延误时间和提高道路系统的运行效能。
如图7所示，于一实施例中，在制定所述交通流信号控制算法时，还包括在所述信号控制模型中加入预设最小绿灯时间和预设最大绿灯时间，以确保所述相位被分配到的绿灯时长，处于所述预设最小绿灯时间与所述预设最大绿灯时间之间。
需要说明的是，切换相位和决定每个相位的绿灯的时长，依赖于每个相位对于绿灯的绿灯需求度；绿灯需求度指的是每个相位对获得道路的通行权的需要程度；比如说，如果一个相位通过的车流量非常大，另外一个相位的车流量很小，那么这个车流量很高的相位显然它的绿灯的需求度要高于车流量小的相位；于本实施例中，使用绿灯需求度，作为一个切换相位的依据。
假如对于相位i来说，在未来的T时间内进入路口j的车流量用符号Lij(T)表示，符号Pij表示在当前相位i在路口j的等待队列里面的车辆的数量；假设进入路口的车辆是一个强度为λij的泊松分布，那么强度
Figure RE-GDA0002620274260000081
λij表示绿灯需求度；根据λij具体值的大小来作为决定绿灯信号的长度和切换相位的依据。
进一步地，为了确定模型的公平性和效率，在信号控制模型中加入了预设的最小绿灯时间和最大绿灯时间，以确保每个相位都可以分配到的绿灯时长，处于最小绿灯时间和最大绿灯时间之内。
需要说明的是，最小绿灯时间和最大绿灯时间均是预先设定好的。
需要说明的是，本发明所述的基于Petri网的道路交通建模方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
如图8所示，于一实施例中，本发明的基于Petri网的道路交通建模系统应用于道路交叉口中，包括定义模块81、确定模块82、第一建模模块83及第二建模模块84。
所述定义模块81用于定义所述道路交叉口。
所述确定模块82用于根据对所述道路交叉口的定义，确定所述道路交叉口的相位。
所述第一建模模块83用于根据对所述道路交叉口的定义，采用Petri网对所述道路交叉口的交通流进行建模，以建立交通流模型。
所述第二建模模块84用于根据预设信号控制策略和所述相位，采用Petri网对所述道路交叉口的交通控制信号进行建模，以建立信号控制模型。
需要说明的是，所述定义模块81、所述确定模块82、所述第一建模模块83及所述第二建模模块84的结构及原理与上述基于Petri网的道路交通建模方法中的步骤一一对应，故在此不再赘述。
需要说明的是，应理解以上系统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。且这些模块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，x模块可以为单独设立的处理元件，也可以集成在上述系统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系统的存储器中，由上述系统的某一个处理元件调用并执行以上x模块的功能。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，一个或多个数字信号处理器(Digital Singnal 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。
本发明的存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述的基于 Petri网的道路交通建模方法。所述存储介质包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
如图9所示，本发明的终端包括处理器91及存储器92。
所述存储器92用于存储计算机程序。优选地，所述存储器92包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
所述处理器91与所述存储器92相连，用于执行所述存储器92存储的计算机程序，以使所述终端执行上述的基于Petri网的道路交通建模方法。
优选地，所述处理器91可以是通用处理器，包括中央处理器(Central ProcessingUnit，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 Processor，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。
需要说明的是，本发明的基于Petri网的道路交通建模系统可以实现本发明的基于Petri 网的道路交通建模方法，但本发明的基于Petri网的道路交通建模方法的实现装置包括但不限于本实施例列举的基于Petri网的道路交通建模系统的结构，凡是根据本发明的原理所做的现有技术的结构变形和替换，都包括在本发明的保护范围内。
综上所述，本发明的基于Petri网的道路交通建模方法、系统、介质及终端，针对道路交叉口特点，将道路交通模型划分为交通流模型和信号控制模型，并采用混合Petri网对道路交叉口的交通流进行建模和仿真，以建立交通流模型；采用颜色Petri网对道路交叉口的交通控制信号进行建模和仿真，以建立信号控制模型，实现了可视化的图形描述道路物理特征、展示交通流的行为以及表示信号控制，且具有可适应不同的道路交通场景的特点；在建立信号控制模型时，使用不同颜色的托肯对不同行为的车辆进行标识，便于描述和分析车辆在交叉口的不同行为；提出一种基于深度学习预测的交通流信号控制算法，从而通过该算法优化道路交叉口的运行效率，降低车辆的延误时间，进而提高了道路交叉口的通行能力；所以，本发明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发明的原理及其功效，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发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有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，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种基于Petri网的道路交通建模方法，应用于道路交叉口中，其特征在于，包括以下步骤：
定义所述道路交叉口；
根据对所述道路交叉口的定义，确定所述道路交叉口的相位；
根据对所述道路交叉口的定义，采用Petri网对所述道路交叉口的交通流进行建模，以建立交通流模型；
根据预设信号控制策略和所述相位，采用Petri网对所述道路交叉口的交通控制信号进行建模，以建立信号控制模型。
2.根据权利要求1所述的基于Petri网的道路交通建模方法，其特征在于，定义所述道路交叉口包括：确定所述道路交叉口的车流方向及在每个所述车流方向上的行驶车道。
3.根据权利要求1所述的基于Petri网的道路交通建模方法，其特征在于，采用混合Petri网建立所述交通流模型；
在采用所述混合Petri网建立所述交通流模型时：将车辆在所述道路交叉口的行驶行为作为托肯；车辆在所述道路交叉口的具体行为由连续变迁控制；在所述道路交叉口相应的等待队列中车辆的数量及在所述道路交叉口相应的等待队列中剩余的容量均通过库所表示；所述库所还用于表示车辆通过所述道路交叉口。
4.根据权利要求1所述的基于Petri网的道路交通建模方法，其特征在于，采用颜色Petri网建立所述信号控制模型；
在采用所述颜色Petri网建立所述信号控制模型时：将所述相位作为托肯；库所用于表示车辆当前正在执行的相位；时延变迁用于表示切换信号灯损失时间；红灯的时长通过延时变迁表示；当执行完一个相位时，通过函数确定下一个要执行的相位。
5.根据权利要求1所述的基于Petri网的道路交通建模方法，其特征在于，在采用所述Petri网建立所述信号控制模型时，考虑损失绿灯时间、有效绿灯时间及切换信号灯损失时间。
6.根据权利要求1所述的基于Petri网的道路交通建模方法，其特征在于，还包括：基于交通流预测模型、所述交通流模型及所述信号控制模型，制定基于深度学习预测的交通流信号控制算法，以根据所述交通流信号控制算法优化所述道路交叉口的运行效率，降低车辆的延误时间。
7.根据权利要求6所述的基于Petri网的道路交通建模方法，其特征在于，在制定所述交通流信号控制算法时，还包括：在所述信号控制模型中加入预设最小绿灯时间和预设最大绿灯时间，以确保所述相位被分配到的绿灯时长，处于所述预设最小绿灯时间与所述预设最大绿灯时间之间。
8.一种基于Petri网的道路交通建模系统，应用于道路交叉口中，其特征在于，包括：定义模块、确定模块、第一建模模块及第二建模模块；
所述定义模块用于定义所述道路交叉口；
所述确定模块用于根据对所述道路交叉口的定义，确定所述道路交叉口的相位；
所述第一建模模块用于根据对所述道路交叉口的定义，采用Petri网对所述道路交叉口的交通流进行建模，以建立交通流模型；
所述第二建模模块用于根据预设信号控制策略和所述相位，采用Petri网对所述道路交叉口的交通控制信号进行建模，以建立信号控制模型。
9.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于Petri网的道路交通建模方法。
10.一种终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行权利要求1至7中任一项所述的基于Petri网的道路交通建模方法。
CN202010500372.6A 2020-06-04 2020-06-04 基于Petri网的道路交通建模方法、系统、介质及终端 Pending CN112365704A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010500372.6A CN112365704A (zh) 2020-06-04 2020-06-04 基于Petri网的道路交通建模方法、系统、介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010500372.6A CN112365704A (zh) 2020-06-04 2020-06-04 基于Petri网的道路交通建模方法、系统、介质及终端

Publications (1)

Publication Number Publication Date
CN112365704A true CN112365704A (zh) 2021-02-12

Family

ID=74516413

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010500372.6A Pending CN112365704A (zh) 2020-06-04 2020-06-04 基于Petri网的道路交通建模方法、系统、介质及终端

Country Status (1)

Country Link
CN (1) CN112365704A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116756992A (zh) * 2023-07-07 2023-09-15 北京海澍科技有限公司 具有语义层的车路协同系统建模方法及设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0944986A2 (en) * 1996-12-10 1999-09-29 TELEFONAKTIEBOLAGET L M ERICSSON (publ) An operational test device and method of performing an operational test for a system under test
CN104134356A (zh) * 2014-06-30 2014-11-05 南京航空航天大学 城市交叉口模型参考自适应信号的控制方法
CN105427635A (zh) * 2015-11-03 2016-03-23 浙江工商大学 一种基于时间同步Petri网的急救车优先通行建模方法
CN105957343A (zh) * 2016-06-07 2016-09-21 同济大学 一种基于有色Petri网的城市交通系统建模方法及系统
CN106934513A (zh) * 2015-12-29 2017-07-07 天津科技大学 基于随机着色Petri网的虚拟企业BPM建模方法
CN107978161A (zh) * 2016-10-25 2018-05-01 浙江工商大学 一种基于Petri网的急救车优先行驶建模方法
CN109598949A (zh) * 2018-11-29 2019-04-09 南京理工大学 基于赋时Petri网的T形路口紧急车辆抢占控制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0944986A2 (en) * 1996-12-10 1999-09-29 TELEFONAKTIEBOLAGET L M ERICSSON (publ) An operational test device and method of performing an operational test for a system under test
CN104134356A (zh) * 2014-06-30 2014-11-05 南京航空航天大学 城市交叉口模型参考自适应信号的控制方法
CN105427635A (zh) * 2015-11-03 2016-03-23 浙江工商大学 一种基于时间同步Petri网的急救车优先通行建模方法
CN106934513A (zh) * 2015-12-29 2017-07-07 天津科技大学 基于随机着色Petri网的虚拟企业BPM建模方法
CN105957343A (zh) * 2016-06-07 2016-09-21 同济大学 一种基于有色Petri网的城市交通系统建模方法及系统
CN107978161A (zh) * 2016-10-25 2018-05-01 浙江工商大学 一种基于Petri网的急救车优先行驶建模方法
CN109598949A (zh) * 2018-11-29 2019-04-09 南京理工大学 基于赋时Petri网的T形路口紧急车辆抢占控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王列伟: "基于Petri网的道路交叉口建模方法及比较研究", 《计算机工程与应用》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116756992A (zh) * 2023-07-07 2023-09-15 北京海澍科技有限公司 具有语义层的车路协同系统建模方法及设备
CN116756992B (zh) * 2023-07-07 2024-02-23 北京海澍科技有限公司 具有语义层的车路协同系统建模方法及设备

Similar Documents

Publication Publication Date Title
Chang et al. Modeling and optimization of an oversaturated signalized network
Jayakrishnan et al. An evaluation tool for advanced traffic information and management systems in urban networks
Xu et al. Integrating public transit signal priority into max-pressure signal control: Methodology and simulation study on a downtown network
Hu et al. A swarm intelligent method for traffic light scheduling: application to real urban traffic networks
Turek Erlang-based desynchronized urban traffic simulation for high-performance computing systems
Muresan et al. Adaptive traffic signal control with deep reinforcement learning an exploratory investigation
Tzes et al. Applications of Petri networks to transportation network modeling
CN106547627A (zh) 一种Spark MLlib数据处理加速的方法及系统
CN111754769B (zh) 基于含长程连边的曼哈顿城市网络的路网交通流特性仿真方法
Garcia-Nieto et al. Optimising traffic lights with metaheuristics: Reduction of car emissions and consumption
CN106875320A (zh) 云环境下船舶航行数据的高效可视分析方法
CN106709503A (zh) 一种基于密度的大型空间数据聚类算法k‑dbscan
CN112365704A (zh) 基于Petri网的道路交通建模方法、系统、介质及终端
Li et al. Cellular automata model for unsignalized T-shaped intersection
Boroumand et al. An enhanced cost-aware mapping algorithm based on improved shuffled frog leaping in network on chips
Turek et al. Leveraging rapid simulation and analysis of large urban road systems on HPC
CN104809890A (zh) 基于主成分分析和局部搜索改进正交遗传算法的交通信号配时优化方法
Du et al. Single intersection traffic light control by multi-agent reinforcement learning
Souravlias et al. Smart traffic lights: A first parallel computing approach
Zeng et al. Real-time traffic signal control with dynamic evolutionary computation
Wang et al. GPU based ordinal optimization for traffic signal coordination
Barzegar Fuzzy logic controller for traffic signal controller unit system and modeling with colored petri net
Hu et al. A Hybrid Cellular Swarm Optimization Method for Traffic‐Light Scheduling
Zhang et al. A GPU-accelerated Large-scale Simulator for Transportation System Optimization Benchmarking
Li et al. Evacuation simulation and evaluation of different scenarios based on traffic grid model and high performance computing

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: 20210212