CN112905912B - 配时方案确定方法及装置 - Google Patents
配时方案确定方法及装置 Download PDFInfo
- Publication number
- CN112905912B CN112905912B CN202110341997.7A CN202110341997A CN112905912B CN 112905912 B CN112905912 B CN 112905912B CN 202110341997 A CN202110341997 A CN 202110341997A CN 112905912 B CN112905912 B CN 112905912B
- Authority
- CN
- China
- Prior art keywords
- timing scheme
- current
- dimension feature
- feature vector
- time
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 239000013598 vector Substances 0.000 claims abstract description 188
- 230000008569 process Effects 0.000 claims description 29
- 238000003066 decision tree Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 230000006870 function Effects 0.000 description 50
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000002922 simulated annealing Methods 0.000 description 3
- 238000000137 annealing Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Abstract
本公开提供了一种配时方案确定方法及装置。该方法包括：获取当前客流量数据对应的当前时间维度特征向量、当前空间维度特征向量，其中，当前时间维度特征向量包括采集当前客流量数据时的时间信息、配时方案信息中至少一个，当前空间维度特征信息包括采集当前客流量数据时的地理信息、交通路网信息、兴趣点信息、交通流信息和路口信息中的至少一个；将当前配时方案、当前时间维度特征向量、当前空间维度特征向量输入到预定模型中，获取预定旅行时间，其中，预定模型为表示配时方案、时间维度特征向量、空间维度特征向量和旅行时间的关系的函数；调整当前配时方案直至预定旅行时间最小；将最小的预定旅行时间对应的当前配时方案确定为目标配时方案。
Description
技术领域
本申请涉及智能交通领域，以下描述涉及一种配时方案确定方法及装置。
背景技术
随着机动车保有量与日俱增，城市道路建设速度远远滞后机动车的增长速度，道路建设和机动车增长产生供需矛盾，造成了通勤时间延长，交通拥堵等一系列问题。但是单纯地通过道路建设，加密路网等缓慢的硬件措施不能快速释放社会原有生产力。而传统的固定配时方案也早已不能应对当前瞬息万变的交通流，新的智慧控制方案成为未来交通规划的迫切需求，因此，信号灯的配时优化成为目前行之有效并且性价最高的措施。而且，据报道，2019年北京的每日平均通勤时间为56分钟，按照每天八小时的工作时间来算，通勤时间占到了将近1/8的时间。而北京2019年的GDP总值为35371亿元人民币。则可认为通勤时间所占用的社会生产力约为35371/8，即约为4421亿。如果根据全国的总GDP值来算，则是一个更大的通勤代价。因此，通过优化信号灯的配时方案，来提高交通的效率以及释放原有的社会生产力，也具有非常重要的社会意义和实际价值。
目前，韦伯斯特(Webster)配时法是交通信号控制中较为常见的计算方法，其是以车辆延误时间最小为目标来计算信号配时的方法。韦伯斯特(Webster)配时法的核心内容是根据车辆延误时间和最佳周期时长来计算的，而其中的周期时长需要建立在车辆延误时间的基础之上。因此，该配时法对交通流量大小比较敏感，当交通量过小容易造成信号周期过短，不利于交通安全，而当交通流量过大的时候，则会造成信号周期较大，车辆延误时间会骤然增大。而且交通流量这一参数往往是通过人为固定设置的，而现实场景中，交通流量(也就客流量)是具有多样性和变化性的，故现在配时方法无法应对。
发明内容
本公开的示例性实施例可至少解决上述问题，也可不解决上述问题。
根据本公开的第一方面，提供了一种配时方案确定方法，该方法包括：获取当前客流量数据对应的当前时间维度特征向量、当前空间维度特征向量，其中，当前时间维度特征向量包括采集当前客流量数据时的时间信息、配时方案信息中至少一个，当前空间维度特征向量包括采集当前客流量数据时的地理信息、交通路网信息、兴趣点信息、交通流信息和路口信息中的至少一个；将当前配时方案、当前时间维度特征向量、当前空间维度特征向量输入到预定模型中，获取预定旅行时间，其中，预定模型为表示配时方案、时间维度特征向量、空间维度特征向量和旅行时间的关系的函数；调整当前配时方案直至预定旅行时间最小；将最小的预定旅行时间对应的当前配时方案确定为目标配时方案。
可选地，将当前配时方案、当前时间维度特征向量、当前空间维度特征向量输入到预定模型中，获取预定旅行时间包括：获取预定时间内不同场景的客流量数据对应的时间维度特征向量、空间维度特征向量，其中，时间维度特征向量包括采集客流量数据时的时间信息、配时方案信息，空间维度特征信息包括采集客流量数据时的地理信息、交通路网信息、兴趣点信息、交通流信息和路口信息；将不同场景的客流量数据、不同配时方案以及采集客流量数据时的地图信息数据输入交通仿真软件中，获取旅行时间集，其中，旅行时间集包括不同场景的客流量数据、不同配时方案任意组合对应的旅行时间；根据不同配时方案、时间维度特征向量、空间维度特征向量、旅行时间集对预定模型进行训练；将当前配时方案、当前时间维度特征向量、当前空间维度特征向量输入到训练后的预定模型中，获取预定旅行时间。
可选地，获取预定时间内不同场景的客流量数据对应的时间维度特征向量、空间维度特征向量包括：获取输入数据，其中，输入数据包括预定时间内不同场景的客流量数据、采集客流量数据时的地图信息数据、采集客流量数据时的天气信息数据、采集客流量数据时的兴趣点数据；从输入数据中提取时间维度特征向量和空间维度特征向量。
可选地，根据不同配时方案、时间维度特征向量、空间维度特征向量、旅行时间集对预定模型进行训练包括：将不同配时方案、时间维度特征向量、空间维度特征向量输入到预定模型中，获取预估旅行时间集；调整预定模型的参数，对预估旅行时间集和旅行时间集的损失函数进行最小化处理；将最小化处理后的参数确定为预定模型的参数。
可选地，调整当前配时方案直至预定旅行时间最小包括：根据当前配时方案以及预定函数获取中间配时方案，其中，当前配时方案中包括N个交通灯，中间配时方案为调整N个交通灯中一个交通灯的亮灯时长的配时方案；将中间配时方案及中间配时方案对应的时间维度特征向量、空间维度特征向量输入训练后的预定模型，获取中间旅行时间；当中间旅行时间小于当前配时方案对应的当前旅行时间，将当前配时方案替换为中间配时方案；根据中间配时方案以及预定函数循环获取其他N-1个配时方案，直至预定旅行时间最小或循环过程满足预定条件，则将获取到的最新配时方案作为当前配时方案，其中，其他N-1个配时方案分别为调整N-1个不同交通灯的亮灯时长对应的配时方案，N-1个不同交通灯为N个交通灯中除中间配时方案调整的交通灯以外的交通灯。
可选地，根据当前配时方案以及预定函数获取中间配时方案包括：根据当前配时方案以及采用第i个系数对应的预定函数获取第i个中间配时方案，其中，i个系数包含在预先设定的系数集合中，i大于1；将i个中间配时方案及对应的时间维度特征向量、空间维度特征向量分别输入训练后的预定模型，获取i个中间旅行时间；将i个中间旅行时间最小的中间旅行时间对应的配时方案作为最终的中间配时方案。
可选地，根据中间配时方案以及预定函数循环获取其他N-1个配时方案，直至循环过程满足预定条件，则将获取到的最新配时方案作为当前配时方案包括：根据中间配时方案以及预定函数获取其他N-1个配时方案；分别获取N个配时方案对应的旅行时间与各自上一配时方案对应的旅行时间的N个差值的绝对值；根据排序最前的绝对值对应的配时方案以及预定函数循环获取下一配时方案，直至循环过程满足预定条件，则将获取到的最新配时方案作为当前配时方案。
可选地，预定条件包括：循环次数达到预定循环次数，循环总时间达到预定循环总时间，或，循环过程中的旅行时间达到旅行时间阈值。
可选地，预定模型包括：梯度提升树模型、梯度提升决策树模型、基于决策树算法的梯度提升模型或神经网络模型。
根据本公开的第二方面，还提供了一种配时方案确定装置，包括：第一获取单元，用于获取当前客流量数据对应的当前时间维度特征向量、当前空间维度特征向量，其中，当前时间维度特征向量包括采集当前客流量数据时的时间信息、配时方案信息，当前空间维度特征信息包括采集当前客流量数据时的地理信息、交通路网信息、兴趣点信息、交通流信息和路口信息；第二获取单元，用于将当前配时方案、当前时间维度特征向量、当前空间维度特征向量输入到预定模型中，获取预定旅行时间，其中，预定模型为表示配时方案、时间维度特征向量、空间维度特征向量和旅行时间的关系的函数；调整单元，用于调整当前配时方案对预定旅行时间进行最小化处理；确定单元，用于将最小化处理后的当前配时方案确定为目标配时方案。
可选地，第二获取单元，还用于获取预定时间内不同场景的客流量数据对应的时间维度特征向量、空间维度特征向量，其中，时间维度特征向量包括采集客流量数据时的时间信息、配时方案信息，空间维度特征信息包括采集客流量数据时的地理信息、交通路网信息、兴趣点信息、交通流信息和路口信息；将不同场景的客流量数据、不同配时方案以及采集客流量数据时的地图信息数据输入交通仿真软件中，获取旅行时间集，其中，旅行时间集包括不同场景的客流量数据、不同配时方案任意组合对应的旅行时间；根据不同配时方案、时间维度特征向量、空间维度特征向量、旅行时间集对预定模型进行训练；将当前配时方案、当前时间维度特征向量、当前空间维度特征向量输入到训练后的预定模型中，获取预定旅行时间。
可选地，第二获取单元，还用于获取输入数据，其中，输入数据包括预定时间内不同场景的客流量数据、采集客流量数据时的地图信息数据、采集客流量数据时的天气信息数据、采集客流量数据时的兴趣点数据；从输入数据中提取时间维度特征向量和空间维度特征向量。
可选地，第二获取单元，还用于将不同配时方案、时间维度特征向量、空间维度特征向量输入到预定模型中，获取预估旅行时间集；调整预定模型的参数，对预估旅行时间集和旅行时间集的损失函数进行最小化处理；将最小化处理后的参数确定为预定模型的参数。
可选地，调整单元，还用于根据当前配时方案以及预定函数获取中间配时方案，其中，当前配时方案中包括N个交通灯，中间配时方案为调整N个交通灯中一个交通灯的亮灯时长的配时方案；将中间配时方案及中间配时方案对应的时间维度特征向量、空间维度特征向量输入训练后的预定模型，获取中间旅行时间；当中间旅行时间小于当前配时方案对应的当前旅行时间，将当前配时方案替换为中间配时方案；根据中间配时方案以及预定函数循环获取其他N-1个配时方案，直至预定旅行时间最小或循环过程满足预定条件，则将获取到的最新配时方案作为当前配时方案，其中，其他N-1个配时方案分别为调整N-1个不同交通灯的亮灯时长对应的配时方案，N-1个不同交通灯为N个交通灯中除中间配时方案调整的交通灯以外的交通灯。
可选地，调整单元，还用于根据当前配时方案以及采用第i个系数对应的预定函数获取第i个中间配时方案，其中，i个系数包含在预先设定的系数集合中，i大于1；将i个中间配时方案及对应的时间维度特征向量、空间维度特征向量分别输入训练后的预定模型，获取i个中间旅行时间；将i个中间旅行时间最小的中间旅行时间对应的配时方案作为最终的中间配时方案。
可选地，调整单元，还用于根据中间配时方案以及预定函数获取其他N-1个配时方案；分别获取N个配时方案对应的旅行时间与各自上一配时方案对应的旅行时间的N个差值的绝对值；根据排序最前的绝对值对应的配时方案以及预定函数循环获取下一配时方案，直至循环过程满足预定条件，则将获取到的最新配时方案作为当前配时方案。
可选地，预定条件包括：循环次数达到预定循环次数，循环总时间达到预定循环总时间，或，循环过程中的旅行时间达到旅行时间阈值。
可选地，预定模型包括：梯度提升树模型、梯度提升决策树模型、基于决策树算法的梯度提升模型或神经网络模型。
根据本公开的第三方面，提供一种存储指令的计算机可读存储介质，其中，当指令被至少一个计算装置运行时，促使至少一个计算装置执行如上的配时方案确定方法。
根据本公开的第四方面，提供一种包括至少一个计算装置和至少一个存储指令的存储装置的系统，其中，指令在被至少一个计算装置运行时，促使至少一个计算装置执行如上的配时方案确定方法。
根据本示例性实施例的配时方案确定方法及装置，基于实际场景客流量数据及相关信息，获取最小旅行时间，从而将最小旅行时间对应的配时方案确定为目标配时方案，使得获取的目标配时方案可以基于实际数据动态调整，有助于提高交通的效率，相较于相关技术中通过车辆延误时间最小为目标确定交通信号灯的配时方案，可以更灵活的确定交通信号灯的配时方案。
附图说明
通过结合附图，从实施例的下面描述中，本发明这些和/或其它方面及优点将会变得清楚，并且更易于理解，其中：
图1示出根据本公开示例性实施例的配时方案确定方法的流程图；
图2示出根据本公开示例性实施例的仿真路网图；
图3示出根据本公开示例性实施例的配时方案确定方法的整体流程图；
图4示出根据本公开示例性实施例的真实路网图；
图5示出根据本公开示例性实施例的配时方案确定装置的结构框图。
具体实施方式
提供参照附图的以下描述以帮助对由权利要求及其等同物限定的本发明的实施例的全面理解。包括各种特定细节以帮助理解，但这些细节仅被视为是示例性的。因此，本领域的普通技术人员将认识到在不脱离本发明的范围和精神的情况下，可对描述于此的实施例进行各种改变和修改。此外，为了清楚和简洁，省略对公知的功能和结构的描述。
在此需要说明的是，在本公开中出现的“若干项之中的至少一项”均表示包含“该若干项中的任意一项”、“该若干项中的任意多项的组合”、“该若干项的全体”这三类并列的情况。例如“包括A和B之中的至少一个”即包括如下三种并列的情况：(1)包括A；(2)包括B；(3)包括A和B。又例如“执行步骤一和步骤二之中的至少一个”，即表示如下三种并列的情况：(1)执行步骤一；(2)执行步骤二；(3)执行步骤一和步骤二。
以下将通过参照附图1-5来说明本公开的实施例，以便解释本公开。
图1示出根据本公开示例性实施例的配时方案确定方法的流程图。
参照图1，在步骤S101中，获取当前客流量数据对应的当前时间维度特征向量、当前空间维度特征向量，其中，当前时间维度特征向量包括采集当前客流量数据时的时间信息、配时方案信息中至少一个，当前空间维度特征向量包括采集当前客流量数据时的地理信息、交通路网信息、兴趣点信息、交通流信息和路口信息中的至少一个。
根据本公开的示例性实施例，在获取当前客流量数据对应的当前时间维度特征向量、当前空间维度特征向量之前，可以先获取当前客流量数据、采集当前客流量数据时的地图信息数据、采集当前客流量数据时的天气信息数据、采集当前客流量数据时的兴趣点数据等数据，然后从上述数据中提取当前客流量数据对应的时间维度特征向量和空间维度特征向量。例如，时间维度特征向量可以包括实际时间、对应路口实际配时方案等，其中，实际时间可以包括年、月、日、时、分、是否周末、是否节假日等；对应路口实际配时方案可以包括周期、相位、红灯时长、绿灯时长、黄灯时长等。空间维度特征向量可以包括地理纬度、路网信息、POI信息、交通流信息、路口信息等，其中，地理特征可以包括经纬度、明文地址等；路网信息可以包括路网拓扑信息，其可以通过矩阵形式表达；POI信息可以包括周边是否有医院、学校、商场等；交通流信息可以包括流量、速度、密度、车辆类型比例、左右转比例、自行车流量、行人流量等；路口信息可以包括车道数、车道类型、路口距离、道路类型等。
在步骤S102中，将当前配时方案、当前时间维度特征向量、当前空间维度特征向量输入到预定模型中，获取预定旅行时间，其中，预定模型为表示配时方案、时间维度特征向量、空间维度特征向量和旅行时间的关系的函数。上述预定模型可以包括但不限于如下模型：梯度提升树模型、梯度提升决策树模型Xgboost、基于决策树算法的梯度提升模型或神经网络模型。
根据本公开的示例性实施例，将当前配时方案、当前时间维度特征向量、当前空间维度特征向量输入到预定模型中，获取预定旅行时间可以通过如下方式实现：获取预定时间内不同场景的客流量数据对应的时间维度特征向量、空间维度特征向量，其中，时间维度特征向量包括采集客流量数据时的时间信息、配时方案信息，空间维度特征信息包括采集客流量数据时的地理信息、交通路网信息、兴趣点信息、交通流信息和路口信息；将不同场景的客流量数据、不同配时方案以及采集客流量数据时的地图信息数据输入交通仿真软件中，获取旅行时间集，其中，旅行时间集包括不同场景的客流量数据、不同配时方案任意组合对应的旅行时间；根据不同配时方案、时间维度特征向量、空间维度特征向量、旅行时间集对预定模型进行训练；将当前配时方案、当前时间维度特征向量、当前空间维度特征向量输入到训练后的预定模型中，获取预定旅行时间。通过本实施例，基于实际数据对模型进行训练，使得训练出的模型，可以输出更准确的预定旅行时间。
例如，预定模型可以形式化的表达如下：
ar gminf L(f(X，S，T)，Y) (1)
其中，X为输入到专业仿真软件的各种配时方案；S为提取的空间维度特征向量；T为提取的时间维度特征向量；Y为总旅行时间(相当于上述实施例的旅行时间)，其中，总旅行时间可以通过如下方式得到：将地图信息数据、多种场景(早高峰、晚高峰和平峰等)、多种场景下的客流量和配时方案，输入到专业仿真软件里，可以得到各种场景、各种流量下、不同配时的总旅行时间；L为损失函数，例如均方误差；f为待学习的解释器(即预定模型)，通过最小化损失函数得到。
需要说明的是，上述专业仿真软件可以采用交通仿真软件Dynameq，例如，选取一个实际的路网数据，其经过Dynameq进行仿真后的仿真路网图可以如图2所示。再有，上述公式训练的逻辑如下：寻找一个解释器f的参数，使得总的损失函数L最小，从而将最小损失函数对应的参数作为解释器f的参数，其中，L为预估值f(X,S,T)与专业仿真软件得到的总旅行时间Y的均方误差，预估值f(X,S,T)是将输入配时方案X、配时方案X对应的场景的空间维度特征S和时间维度特征T到解释器f后得到的。
又如，梯度提升树模型(Gradient Boosting Decision Tree，简称为GBDT)可以较好降低迭代的拟合预测值和真实值的误差，在性能上有非常好的表现。可以将梯度提升树模型(Gradient Boosting Decision Tree，简称为GBDT)作为预定模型，在经过真实的数据进行训练后，早高峰、晚高峰和平峰的场景下平均误差(损失函数最小值)仅为3％，也就是说，经过上述训练后可以得到一个解释器，用以解释配时方案、时间维度特征、空间维度特征和对应总旅行时间的关系。
根据本公开的示例性实施例，可以通过如下方式获取预定时间内不同场景的客流量数据对应的时间维度特征向量、空间维度特征向量：获取输入数据，其中，输入数据包括预定时间内不同场景的客流量数据、采集客流量数据时的地图信息数据、采集客流量数据时的天气信息数据、采集客流量数据时的兴趣点数据；从输入数据中提取时间维度特征向量和空间维度特征向量。
例如，上述输入数据可以从云端服务器获取历史数据，也可以实时获取预定时间内的数据。获取的输入数据可以包括但不限于真实的客流量数据、地图信息数据、天气信息数据、兴趣点(Point of Interest，简称为POI)等数据。其中，部分数据格式可以如下：
客流量数据可以是以交通小区作为单位，以二维矩阵OD的形式存储，其中，OD矩阵中第i行第j列的数据表示该时段从第i个交通小区到第j个交通小区的总客流量，且每个时段对应一个OD矩阵。需要说明的是，交通小区是具有一定交通关联度和交通相似度的节点或连线的集合，反映城市路网交通特征的时空变化特征。
地图信息数据可以包括路网等拓扑结构，车道数，车道类型，路口距离，道路类型等。
天气数据可以包括时段，区域，天气类型，降雨量，风速等。
POI数据可以包括经纬度，POI名称，POI类型等，其中，POI类型可以包括商场、学校、医院、住宅、写字楼、政府等。
需要说明的是，从输入数据中提取时间维度特征向量和空间维度特征向量的过程与获取当前时间维度特征向量、当前空间维度特征向量的过程相类似，上面已经详细论述，此处不再展开论述。
根据本公开的示例性实施例，上述根据不同配时方案、时间维度特征向量、空间维度特征向量、旅行时间集对预定模型进行训练可以通过如下方式实现：将不同配时方案、时间维度特征向量、空间维度特征向量输入到预定模型中，获取预估旅行时间集，调整预定模型的参数，对预估旅行时间集和旅行时间集的损失函数进行最小化处理；将最小化处理后的参数确定为预定模型的参数。具体地，预定模型的形式化的表达如上述公式(1)，训练过程在上面已经详细论述，此处不再展开论述。
在步骤S103中，调整当前配时方案直至预定旅行时间最小。在得到训练好的高性能的预定函数(解释器f)后，只要输入一组配时方案X，配时方案X对应的时间维度特征向量T和空间维度特征向量S，即可输出一个预估的旅行时间。基于该训练好的预定模型，可以利用基于模拟退火的启发式算法进行搜索得到最终的目标配时方案，也可以利用遗传算法、蚁群算法、神经网络等得到最终的目标配时方案。需要说明的是，启发式搜索算法就是在状态空间中的搜索对每一个搜索的位置进行评估，得到最好的位置，再从这个位置进行搜索直到目标。
根据本公开的示例性实施例，基于模拟退火的启发式算法进行搜索得到最终的目标配时方案时，上述调整当前配时方案直至预定旅行时间最小可以包括：根据当前配时方案以及预定函数获取中间配时方案，其中，当前配时方案中包括N个交通灯，中间配时方案为调整N个交通灯中一个交通灯的亮灯时长的配时方案；将中间配时方案及中间配时方案对应的时间维度特征向量、空间维度特征向量输入训练后的预定模型，获取中间旅行时间；当中间旅行时间小于当前配时方案对应的当前旅行时间，将当前配时方案替换为中间配时方案；根据中间配时方案以及预定函数循环获取其他N-1个配时方案，直至预定旅行时间最小或循环过程满足预定条件，则将获取到的最新配时方案作为当前配时方案，其中，其他N-1个配时方案分别为调整N-1个不同交通灯的亮灯时长对应的配时方案，N-1个不同交通灯为N个交通灯中除中间配时方案调整的交通灯以外的交通灯。
例如，基于模拟退火的启发式算法进行搜索得到最终的目标配时方案，其形式化的表达如下：
argminX′f(X′，S，T)
其中，X`为目标配时方案，S为空间维度特征向量，T为时间维度特征向量，f为训练得到的解释器。目前，模拟退火的算法主要包括四个步骤，第一步是由一个产生函数从当前解产生一个位于解空间的新解；第二步是计算与新解所对应的目标函数差；第三步是判断新解是否被接受；第四步是当新解被确定接受时，用新解代替当前解。本公开可以基于上述四个步骤获取最终的目标配时方案，其中，上述实施例中的预定函数即产生函数，上述实施例中的中间配时方案即新解，上述实施例中的中间旅行时间与当前旅行时间的差值即目标函数差，而当中间旅行时间小于当前配时方案对应的当前旅行时间时，代表新解被接受，此时将当前配时方案替换为中间配时方案，也即新解为中间配时方案。
根据本公开的示例性实施例，上述根据当前配时方案以及预定函数获取中间配时方案可以通过如下方式实现：根据当前配时方案以及采用第i个系数对应的预定函数获取第i个中间配时方案，其中，i个系数包含在预先设定的系数集合中，i大于1；将i个中间配时方案及对应的时间维度特征向量、空间维度特征向量分别输入训练后的预定模型，获取i个中间旅行时间；将i个中间旅行时间最小的中间旅行时间对应的配时方案作为最终的中间配时方案。通过本实施例，采用动态多粒度来确定新解，使得N个灯可以采用不同系数，即选择最适合自己的系数，避免采用同一个系数时N个灯中某个灯对应的配时方案不准确的问题。
例如，在从当前解产生一个位于解空间的新解时，可以采取动态多粒度的方式进行估计，例如，x[i]＝x[i]*(1+pi)，其中pi的取值可能为-0.001,-0.01,-0.05,0.05,0.01,0.001等。即，对于其中一个灯，在当前配时方案以及预定函数得到中间配时方案时，预定函数可以为x[i]＝x[i]*(1+pi)，其中，x[i]为当前配时方案，x[i]*(1+pi)为中间配时方案，pi为系数且取值可能为-0.001,-0.01,-0.05,0.05,0.01,0.001等，此时，可以得到不同系数对应的中间配时方案，将不同系数对应的中间配时方案及对应的时间维度特征向量、空间维度特征向量分别输入训练后的预定模型，的不同系数对应的中间旅行时间，可以将其中最小旅行时间对应的配时方案作为最终的中间配时方案。此处，由于pi可以采用不同的值，且每个灯都可以基于该不同的值得到自己的最小旅行时间对应的配时方案，因此，可以避免多参数(相当于中间配时方案)下，出现某个参数更新太慢或某个参数太大而发散的问题。
根据本公开的示例性实施例，根据中间配时方案以及预定函数循环获取其他N-1个配时方案，直至循环过程满足预定条件，则将获取到的最新配时方案作为当前配时方案可以通过如下方式实现：根据中间配时方案以及预定函数获取其他N-1个配时方案；分别获取N个配时方案对应的旅行时间与各自上一配时方案对应的旅行时间的N个差值的绝对值；根据排序最前的绝对值对应的配时方案以及预定函数循环获取下一配时方案，直至循环过程满足预定条件，则将获取到的最新配时方案作为当前配时方案。通过上述实施例，在N个灯都轮一遍后，开始计算N个灯对应的配时方案的累计收益，从而根据累计收益确定下一循环中先调节哪一个灯，以及后续调节的灯的顺序，使得在循环过程中可以参考每个配时方案的累计收益来获取下一个配时方案。上述预定条件包括但不限于：循环次数达到预定循环次数，循环总时间达到预定循环总时间，或，循环过程中的旅行时间达到旅行时间阈值。
例如，可以记录各个参数(相当于中间配时方案)带来的累计收益(相当于绝对值)，在一下轮估计各参数的变化方向即产生新解时，将使用该累计收益按权进行随机全排列来决定搜索的顺序。一般情况下，通过上述方式迭代搜索，平均10轮就可以产出一个配时方案。
在步骤S104中，将最小的预定旅行时间对应的当前配时方案确定为目标配时方案。在得到最小的预定旅行时间后，将输出为预定旅行时间的输入中当前配时方案作为目标配时方案。
下面对上述实施例进行系统说明，图3示出根据本公开示例性实施例的配时方案确定方法的整体流程图，如图3所示，首先获取输入数据，其中，输入数据包括真实的客流量数据，地图信息数据，天气信息数据，POI等数据，其次，从输入数据中提取时间维度特征向量和空间维度特征向量，二者可以简称为时空特征，再通过专业仿真软件获取各种场景、各种流量下、不同配时方案对应的总旅行时间，从而基于总旅行时间、配时方案、时间维度特征向量和空间维度特征向量等训练解释器，最后，基于训练好的解释器和模拟退火的启发式算法进行搜索得到当前客流量数据的配时方案。
综上，本公开的实施例考虑了场景的多样性和变化性，提取了丰富的时间维度特征向量和空间维度特征向量，且在专业的交通仿真软件中得到所对应的总旅行时间，利用该总旅行时间构建训练得到一个高性能的解释器，然后基于该训练好的解释器，结合启发式搜索算法进行搜索，最终获得区域性动态的配时方案。相较于相关技术中通过车辆延误时间最小为目标确定交通信号灯的配时方案，可以更灵活的确定交通信号灯的配时方案。
为了验证上述实施例的可行性，以中山市兴中片区，由兴中路、东苑路、起湾道三条东西向道路和孙文东路、竹苑路/松苑路、中山路三条南北向道路形成的9个交叉口为采集区，其真实路网图如图4所示，获取早高峰、晚高峰、平峰的流量及对应的实际配时方案和相位规划等信息。针对早高峰，晚高峰，平峰三个具有代表性的时段，对本公开的上述实施例进行了验证。具体的实验结果如下表1：
表1 实验结果
| 时段 | 实际旅行时间(秒) | 优化配时后旅行时间(秒) | 提升百分比(％) |
| 早高峰 | 664.10 | 600.37 | 9.60 |
| 晚高峰 | 738.80 | 609.87 | 17.45 |
| 平峰 | 287.62 | 259.71 | 9.70 |
| 平均 | 563.50 | 489.98 | 13.04 |
根据上表1中的实验结果，可以看出经过本公开上述实施例的优化后，各时段的旅行时间均降低了。
图5示出根据本公开示例性实施例的配时方案确定装置的结构框图。如图5所示，该处理装置包括：第一获取单元50、第二获取单元52、调整单元54和确定单元56。
第一获取单元50，用于获取当前客流量数据对应的当前时间维度特征向量、当前空间维度特征向量，其中，当前时间维度特征向量包括采集当前客流量数据时的时间信息、配时方案信息，当前空间维度特征向量包括采集当前客流量数据时的地理信息、交通路网信息、兴趣点信息、交通流信息和路口信息；第二获取单元52，用于将当前配时方案、当前时间维度特征向量、当前空间维度特征向量输入到预定模型中，获取预定旅行时间，其中，预定模型为表示配时方案、时间维度特征向量、空间维度特征向量和旅行时间的关系的函数；调整单元54，用于调整当前配时方案对预定旅行时间进行最小化处理；确定单元56，用于将最小化处理后的当前配时方案确定为目标配时方案。
可选地，第二获取单元52，还用于获取预定时间内不同场景的客流量数据对应的时间维度特征向量、空间维度特征向量，其中，时间维度特征向量包括采集客流量数据时的时间信息、配时方案信息，空间维度特征信息包括采集客流量数据时的地理信息、交通路网信息、兴趣点信息、交通流信息和路口信息；将不同场景的客流量数据、不同配时方案以及采集客流量数据时的地图信息数据输入交通仿真软件中，获取旅行时间集，其中，旅行时间集包括不同场景的客流量数据、不同配时方案任意组合对应的旅行时间；根据不同配时方案、时间维度特征向量、空间维度特征向量、旅行时间集对预定模型进行训练；将当前配时方案、当前时间维度特征向量、当前空间维度特征向量输入到训练后的预定模型中，获取预定旅行时间。
可选地，第二获取单元52，还用于获取输入数据，其中，输入数据包括预定时间内不同场景的客流量数据、采集客流量数据时的地图信息数据、采集客流量数据时的天气信息数据、采集客流量数据时的兴趣点数据；从输入数据中提取时间维度特征向量和空间维度特征向量。
可选地，第二获取单元52，还用于将不同配时方案、时间维度特征向量、空间维度特征向量输入到预定模型中，获取预估旅行时间集；调整预定模型的参数，对预估旅行时间集和旅行时间集的损失函数进行最小化处理；将最小化处理后的参数确定为预定模型的参数。
可选地，调整单元54，还用于根据当前配时方案以及预定函数获取中间配时方案，其中，当前配时方案中包括N个交通灯，中间配时方案为调整N个交通灯中一个交通灯的亮灯时长的配时方案；将中间配时方案及中间配时方案对应的时间维度特征向量、空间维度特征向量输入训练后的预定模型，获取中间旅行时间；当中间旅行时间小于当前配时方案对应的当前旅行时间，将当前配时方案替换为中间配时方案；根据中间配时方案以及预定函数循环获取其他N-1个配时方案，直至预定旅行时间最小或循环过程满足预定条件，则将获取到的最新配时方案作为当前配时方案，其中，其他N-1个配时方案分别为调整N-1个不同交通灯的亮灯时长对应的配时方案，N-1个不同交通灯为N个交通灯中除中间配时方案调整的交通灯以外的交通灯。
可选地，调整单元54，还用于根据当前配时方案以及采用第i个系数对应的预定函数获取第i个中间配时方案，其中，i个系数包含在预先设定的系数集合中，i大于1；将i个中间配时方案及对应的时间维度特征向量、空间维度特征向量分别输入训练后的预定模型，获取i个中间旅行时间；将i个中间旅行时间最小的中间旅行时间对应的配时方案作为最终的中间配时方案。
可选地，调整单元54，还用于根据中间配时方案以及预定函数获取其他N-1个配时方案；分别获取N个配时方案对应的旅行时间与各自上一配时方案对应的旅行时间的N个差值的绝对值；根据排序最前的绝对值对应的配时方案以及预定函数循环获取下一配时方案，直至循环过程满足预定条件，则将获取到的最新配时方案作为当前配时方案。
可选地，预定条件包括：循环次数达到预定循环次数，循环总时间达到预定循环总时间，或，循环过程中的旅行时间达到旅行时间阈值。
可选地，预定模型包括：梯度提升树模型、梯度提升决策树模型、基于决策树算法的梯度提升模型或神经网络模型。
以上已参照图1至图5描述了根据本公开示例性实施例的配时方案确定方法。
图5所示出的配时方案确定装置中的各个单元可被配置为执行特定功能的软件、硬件、固件或上述项的任意组合。例如，各个单元可对应于专用的集成电路，也可对应于纯粹的软件代码，还可对应于软件与硬件相结合的模块。此外，各个单元所实现的一个或多个功能也可由物理实体设备(例如，处理器、客户端或服务器等)中的组件来统一执行。
此外，参照图1所描述的辅助配时方案确定方法可通过记录在计算机可读存储介质上的程序(或指令)来实现。例如，根据本公开的示例性实施例，可提供存储指令的计算机可读存储介质，其中，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行根据本公开的配时方案确定方法。
上述计算机可读存储介质中的计算机程序可在诸如客户端、主机、代理装置、服务器等计算机设备中部署的环境中运行，应注意，计算机程序还可用于执行除了上述步骤以外的附加步骤或者在执行上述步骤时执行更为具体的处理，这些附加步骤和进一步处理的内容已经在参照图1进行相关方法的描述过程中提及，因此这里为了避免重复将不再进行赘述。
应注意，根据本公开示例性实施例的配时方案确定装置中的各个单元可完全依赖计算机程序的运行来实现相应的功能，即，各个单元在计算机程序的功能架构中与各步骤相应，使得整个系统通过专门的软件包(例如，lib库)而被调用，以实现相应的功能。
另一方面，图5所示的各个单元也可以通过硬件、软件、固件、中间件、微代码或其任意组合来实现。当以软件、固件、中间件或微代码实现时，用于执行相应操作的程序代码或者代码段可以存储在诸如存储介质的计算机可读介质中，使得处理器可通过读取并运行相应的程序代码或者代码段来执行相应的操作。
例如，本公开的示例性实施例还可以实现为计算装置，该计算装置包括存储部件和处理器，存储部件中存储有计算机可执行指令集合，当计算机可执行指令集合被处理器执行时，执行根据本公开的示例性实施例的配时方案确定方法。
具体说来，计算装置可以部署在服务器或客户端中，也可以部署在分布式网络环境中的节点装置上。此外，计算装置可以是PC计算机、平板装置、个人数字助理、智能手机、web应用或其他能够执行上述指令集合的装置。
这里，计算装置并非必须是单个的计算装置，还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。计算装置还可以是集成控制系统或系统管理器的一部分，或者可被配置为与本地或远程(例如，经由无线传输)以接口互联的便携式电子装置。
在计算装置中，处理器可包括中央处理器(CPU)、图形处理器(GPU)、可编程逻辑装置、专用处理器系统、微控制器或微处理器。作为示例而非限制，处理器还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。
根据本公开示例性实施例的配时方案确定方法中所描述的某些操作可通过软件方式来实现，某些操作可通过硬件方式来实现，此外，还可通过软硬件结合的方式来实现这些操作。
处理器可运行存储在存储部件之一中的指令或代码，其中，存储部件还可以存储数据。指令和数据还可经由网络接口装置而通过网络被发送和接收，其中，网络接口装置可采用任何已知的传输协议。
存储部件可与处理器集成为一体，例如，将RAM或闪存布置在集成电路微处理器等之内。此外，存储部件可包括独立的装置，诸如，外部盘驱动、存储阵列或任何数据库系统可使用的其他存储装置。存储部件和处理器可在操作上进行耦合，或者可例如通过I/O端口、网络连接等互相通信，使得处理器能够读取存储在存储部件中的文件。
此外，计算装置还可包括视频显示器(诸如，液晶显示器)和用户交互接口(诸如，键盘、鼠标、触摸输入装置等)。计算装置的所有组件可经由总线和/或网络而彼此连接。
根据本公开示例性实施例的配时方案确定方法可被描述为各种互联或耦合的功能块或功能示图。然而，这些功能块或功能示图可被均等地集成为单个的逻辑装置或按照非确切的边界进行操作。
因此，参照图1所描述的配时方案确定方法可通过包括至少一个计算装置和至少一个存储指令的存储装置的系统来实现。
根据本公开的示例性实施例，至少一个计算装置是根据本公开示例性实施例的用于执行辅助人工文本标注的方法的计算装置，存储装置中存储有计算机可执行指令集合，当计算机可执行指令集合被至少一个计算装置执行时，执行参照图1所描述的配时方案确定方法。
以上描述了本公开的各示例性实施例，应理解，上述描述仅是示例性的，并非穷尽性的，本公开不限于所披露的各示例性实施例。在不偏离本公开的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。因此，本公开的保护范围应该以权利要求的范围为准。
Claims (18)
1.一种配时方案确定方法，其特征在于，包括：
获取当前客流量数据对应的当前时间维度特征向量、当前空间维度特征向量，其中，所述当前时间维度特征向量包括采集所述当前客流量数据时的时间信息、配时方案信息中至少一个，所述当前空间维度特征向量包括采集所述当前客流量数据时的地理信息、交通路网信息、兴趣点信息、交通流信息和路口信息中的至少一个；
将当前配时方案、所述当前时间维度特征向量、所述当前空间维度特征向量输入到预定模型中，获取预定旅行时间，其中，所述预定模型为表示配时方案、时间维度特征向量、空间维度特征向量和旅行时间的关系的函数；
调整所述当前配时方案直至所述预定旅行时间最小；
将最小的预定旅行时间对应的当前配时方案确定为目标配时方案；
其中，所述调整所述当前配时方案直至所述预定旅行时间最小包括：
根据所述当前配时方案以及预定函数获取中间配时方案，其中，所述当前配时方案中包括N个交通灯，所述中间配时方案为调整N个交通灯中一个交通灯的亮灯时长的配时方案；
将所述中间配时方案及所述中间配时方案对应的时间维度特征向量、空间维度特征向量输入训练后的预定模型，获取中间旅行时间；
当所述中间旅行时间小于所述当前配时方案对应的当前旅行时间，将所述当前配时方案替换为中间配时方案；
根据所述中间配时方案以及所述预定函数循环获取其他N-1个配时方案，直至所述预定旅行时间最小或循环过程满足预定条件，则将获取到的最新配时方案作为当前配时方案，其中，所述其他N-1个配时方案分别为调整N-1个不同交通灯的亮灯时长对应的配时方案，所述N-1个不同交通灯为N个交通灯中除所述中间配时方案调整的交通灯以外的交通灯。
2.根据权利要求1中所述的方法，其中，所述将当前配时方案、所述当前时间维度特征向量、所述当前空间维度特征向量输入到预定模型中，获取预定旅行时间包括：
获取预定时间内不同场景的客流量数据对应的时间维度特征向量、空间维度特征向量，其中，所述时间维度特征向量包括采集所述客流量数据时的时间信息、配时方案信息，所述空间维度特征向量包括采集所述客流量数据时的地理信息、交通路网信息、兴趣点信息、交通流信息和路口信息；
将不同场景的客流量数据、不同配时方案以及采集所述客流量数据时的地图信息数据输入交通仿真软件中，获取旅行时间集，其中，所述旅行时间集包括不同场景的客流量数据、不同配时方案任意组合对应的旅行时间；
根据所述不同配时方案、所述时间维度特征向量、所述空间维度特征向量、所述旅行时间集对预定模型进行训练；
将所述当前配时方案、所述当前时间维度特征向量、所述当前空间维度特征向量输入到训练后的预定模型中，获取预定旅行时间。
3.根据权利要求2中所述的方法，其中，所述获取预定时间内不同场景的客流量数据对应的时间维度特征向量、空间维度特征向量包括：
获取输入数据，其中，所述输入数据包括预定时间内不同场景的客流量数据、采集所述客流量数据时的地图信息数据、采集所述客流量数据时的天气信息数据、采集所述客流量数据时的兴趣点数据；
从所述输入数据中提取所述时间维度特征向量和所述空间维度特征向量。
4.根据权利要求2中所述的方法，其中，所述根据所述不同配时方案、所述时间维度特征向量、所述空间维度特征向量、所述旅行时间集对预定模型进行训练包括：
将所述不同配时方案、所述时间维度特征向量、所述空间维度特征向量输入到所述预定模型中，获取预估旅行时间集；
调整所述预定模型的参数，对所述预估旅行时间集和所述旅行时间集的损失函数进行最小化处理；
将最小化处理后的参数确定为所述预定模型的参数。
5.根据权利要求1中所述的方法，其中，所述根据所述当前配时方案以及预定函数获取中间配时方案包括：
根据所述当前配时方案以及采用第i个系数对应的预定函数获取第i个中间配时方案，其中，i个系数包含在预先设定的系数集合中，i大于1；
将i个中间配时方案及对应的时间维度特征向量、空间维度特征向量分别输入训练后的预定模型，获取i个中间旅行时间；
将i个中间旅行时间最小的中间旅行时间对应的配时方案作为最终的中间配时方案。
6.根据权利要求1中所述的方法，其中，所述根据所述中间配时方案以及所述预定函数循环获取其他N-1个配时方案，直至循环过程满足预定条件，则将获取到的最新配时方案作为当前配时方案包括：
根据所述中间配时方案以及所述预定函数获取其他N-1个配时方案；
分别获取N个配时方案对应的旅行时间与各自上一配时方案对应的旅行时间的N个差值的绝对值；
根据排序最前的绝对值对应的配时方案以及所述预定函数循环获取下一配时方案，直至循环过程满足预定条件，则将获取到的最新配时方案作为当前配时方案。
7.根据权利要求6中所述的方法，其中，所述预定条件包括：循环次数达到预定循环次数，循环总时间达到预定循环总时间，或，循环过程中的旅行时间达到旅行时间阈值。
8.根据权利要求1至7中任一项所述的方法，其中，所述预定模型包括：梯度提升树模型、梯度提升决策树模型、基于决策树算法的梯度提升模型或神经网络模型。
9.一种配时方案确定装置，其特征在于，包括：
第一获取单元，用于获取当前客流量数据对应的当前时间维度特征向量、当前空间维度特征向量，其中，所述当前时间维度特征向量包括采集所述当前客流量数据时的时间信息、配时方案信息，所述当前空间维度特征向量包括采集所述当前客流量数据时的地理信息、交通路网信息、兴趣点信息、交通流信息和路口信息；
第二获取单元，用于将当前配时方案、所述当前时间维度特征向量、所述当前空间维度特征向量输入到预定模型中，获取预定旅行时间，其中，所述预定模型为表示配时方案、时间维度特征向量、空间维度特征向量和旅行时间的关系的函数；
调整单元，用于调整所述当前配时方案对所述预定旅行时间进行最小化处理；
确定单元，用于将最小化处理后的当前配时方案确定为目标配时方案；
其中，所述调整单元，还用于根据所述当前配时方案以及预定函数获取中间配时方案，其中，所述当前配时方案中包括N个交通灯，所述中间配时方案为调整N个交通灯中一个交通灯的亮灯时长的配时方案；将所述中间配时方案及所述中间配时方案对应的时间维度特征向量、空间维度特征向量输入训练后的预定模型，获取中间旅行时间；当所述中间旅行时间小于所述当前配时方案对应的当前旅行时间，将所述当前配时方案替换为中间配时方案；根据所述中间配时方案以及所述预定函数循环获取其他N-1个配时方案，直至所述预定旅行时间最小或循环过程满足预定条件，则将获取到的最新配时方案作为当前配时方案，其中，所述其他N-1个配时方案分别为调整N-1个不同交通灯的亮灯时长对应的配时方案，所述N-1个不同交通灯为N个交通灯中除所述中间配时方案调整的交通灯以外的交通灯。
10.根据权利要求9中所述的装置，其中，所述第二获取单元，还用于获取预定时间内不同场景的客流量数据对应的时间维度特征向量、空间维度特征向量，其中，所述时间维度特征向量包括采集所述客流量数据时的时间信息、配时方案信息，所述空间维度特征向量包括采集所述客流量数据时的地理信息、交通路网信息、兴趣点信息、交通流信息和路口信息；将不同场景的客流量数据、不同配时方案以及采集所述客流量数据时的地图信息数据输入交通仿真软件中，获取旅行时间集，其中，所述旅行时间集包括不同场景的客流量数据、不同配时方案任意组合对应的旅行时间；根据所述不同配时方案、所述时间维度特征向量、所述空间维度特征向量、所述旅行时间集对预定模型进行训练；将所述当前配时方案、所述当前时间维度特征向量、所述当前空间维度特征向量输入到训练后的预定模型中，获取预定旅行时间。
11.根据权利要求10中所述的装置，其中，所述第二获取单元，还用于获取输入数据，其中，所述输入数据包括预定时间内不同场景的客流量数据、采集所述客流量数据时的地图信息数据、采集所述客流量数据时的天气信息数据、采集所述客流量数据时的兴趣点数据；从所述输入数据中提取所述时间维度特征向量和所述空间维度特征向量。
12.根据权利要求10中所述的装置，其中，所述第二获取单元，还用于将所述不同配时方案、所述时间维度特征向量、所述空间维度特征向量输入到所述预定模型中，获取预估旅行时间集；调整所述预定模型的参数，对所述预估旅行时间集和所述旅行时间集的损失函数进行最小化处理；将最小化处理后的参数确定为所述预定模型的参数。
13.根据权利要求9中所述的装置，其中，所述调整单元，还用于根据所述当前配时方案以及采用第i个系数对应的预定函数获取第i个中间配时方案，其中，i个系数包含在预先设定的系数集合中，i大于1；将i个中间配时方案及对应的时间维度特征向量、空间维度特征向量分别输入训练后的预定模型，获取i个中间旅行时间；将i个中间旅行时间最小的中间旅行时间对应的配时方案作为最终的中间配时方案。
14.根据权利要求9中所述的装置，其中，所述调整单元，还用于根据所述中间配时方案以及所述预定函数获取其他N-1个配时方案；分别获取N个配时方案对应的旅行时间与各自上一配时方案对应的旅行时间的N个差值的绝对值；根据排序最前的绝对值对应的配时方案以及所述预定函数循环获取下一配时方案，直至循环过程满足预定条件，则将获取到的最新配时方案作为当前配时方案。
15.根据权利要求14中所述的装置，其中，所述预定条件包括：循环次数达到预定循环次数，循环总时间达到预定循环总时间，或，循环过程中的旅行时间达到旅行时间阈值。
16.根据权利要求9至15中任一项所述的装置，其中，所述预定模型包括：梯度提升树模型、梯度提升决策树模型、基于决策树算法的梯度提升模型或神经网络模型。
17.一种存储指令的计算机可读存储介质，其中，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行如权利要求1至8中的任一权利要求所述的配时方案确定方法。
18.一种包括至少一个计算装置和至少一个存储指令的存储装置的系统，其中，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行如权利要求1至8中的任一权利要求所述的配时方案确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110341997.7A CN112905912B (zh) | 2021-03-30 | 2021-03-30 | 配时方案确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110341997.7A CN112905912B (zh) | 2021-03-30 | 2021-03-30 | 配时方案确定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112905912A CN112905912A (zh) | 2021-06-04 |
| CN112905912B true CN112905912B (zh) | 2024-02-02 |
Family
ID=76109494
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110341997.7A Active CN112905912B (zh) | 2021-03-30 | 2021-03-30 | 配时方案确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112905912B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116434576B (zh) * | 2022-12-12 | 2024-03-12 | 中电信数字城市科技有限公司 | 一种交通灯配时方案确定方法、装置、系统及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109670277A (zh) * | 2019-02-19 | 2019-04-23 | 南京邮电大学 | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 |
| CN110517510A (zh) * | 2019-08-27 | 2019-11-29 | 华侨大学 | 基于改进Webster函数和遗传算法的交叉口信号灯配时优化方法 |
| CN111681433A (zh) * | 2020-05-14 | 2020-09-18 | 黄传明 | 一种交叉口交通信号灯配时优化方法和装置 |
| CN112070288A (zh) * | 2020-08-26 | 2020-12-11 | 北京百度网讯科技有限公司 | 出发时间预估方法、装置、设备以及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102013212235A1 (de) * | 2013-06-26 | 2014-12-31 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Verarbeiten von Messdaten eines Fahrzeugs zur Bestimmung des Beginns einer Parkplatzsuche |
-
2021
- 2021-03-30 CN CN202110341997.7A patent/CN112905912B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109670277A (zh) * | 2019-02-19 | 2019-04-23 | 南京邮电大学 | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 |
| CN110517510A (zh) * | 2019-08-27 | 2019-11-29 | 华侨大学 | 基于改进Webster函数和遗传算法的交叉口信号灯配时优化方法 |
| CN111681433A (zh) * | 2020-05-14 | 2020-09-18 | 黄传明 | 一种交叉口交通信号灯配时优化方法和装置 |
| CN112070288A (zh) * | 2020-08-26 | 2020-12-11 | 北京百度网讯科技有限公司 | 出发时间预估方法、装置、设备以及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于改进深度强化学习方法的单交叉口信号控制;刘志;曹诗鹏;沈阳;杨曦;《计算机科学》;第47卷(第12期);第226-232页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112905912A (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tekouabou et al. | Improving parking availability prediction in smart cities with IoT and ensemble-based model | |
| CN109658695B (zh) | 一种多因素的短时交通流预测方法 | |
| CN110910659B (zh) | 一种交通流量预测方法、装置、设备以及存储介质 | |
| CN108648457B (zh) | 一种速度预测的方法、装置和计算机可读存储介质 | |
| CN108629979B (zh) | 一种基于历史和周边路口数据的拥堵预测算法 | |
| CN113792929B (zh) | 交通流量预测方法、电子设备及存储介质 | |
| CN108091166B (zh) | 可用停车位数目变化的预测方法、装置、设备及存储介质 | |
| WO2014194480A1 (en) | Air quality inference using multiple data sources | |
| US20210239486A1 (en) | Method and apparatus for predicting destination, electronic device and storage medium | |
| CN108491971B (zh) | 基于出行计划的三维地图的最优路径规划方法 | |
| CN111310828B (zh) | 用于adas场景的目标检测模型微调方法及装置 | |
| CN110570035A (zh) | 同时建模时空依赖性和每日流量相关性的人流量预测系统 | |
| CN112905912B (zh) | 配时方案确定方法及装置 | |
| CN112418518A (zh) | 基于时间特征权重和线网拓扑的客流预测方法及装置 | |
| US20230057564A1 (en) | Methods for managing cleaning routes in smart cities, internet of things systems, and storage mediums | |
| CN113887704A (zh) | 交通信息预测方法、装置、设备及存储介质 | |
| CN110889530A (zh) | 基于递归神经网络的目的地预测方法及服务器 | |
| CN115966083A (zh) | 一种基于时空解耦的分布式交通流预测方法与系统 | |
| CN107291963B (zh) | 一种路网移动环境下的knn查询方法及系统 | |
| CN116206453B (zh) | 一种基于迁移学习的交通流预测方法、装置及相关设备 | |
| CN116861262B (zh) | 一种感知模型训练方法、装置及电子设备和存储介质 | |
| CN115600744A (zh) | 一种基于手机数据的共享时空注意力卷积网络人口数量预测方法 | |
| CN116258253A (zh) | 一种基于贝叶斯神经网络的车辆od预测方法 | |
| CN113409576B (zh) | 一种基于贝叶斯网络的交通路网动态预测方法及系统 | |
| Ju et al. | On the application of a concentric zone model (CZM) for classifying and extracting urban boundaries using night-time stable light data in Urumqi of Xinjiang, China |
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 |