CN113256472B - 智能交通管控方法、系统以及类脑计算可读存储介质 - Google Patents

智能交通管控方法、系统以及类脑计算可读存储介质 Download PDF

Info

Publication number
CN113256472B
CN113256472B CN202110782839.5A CN202110782839A CN113256472B CN 113256472 B CN113256472 B CN 113256472B CN 202110782839 A CN202110782839 A CN 202110782839A CN 113256472 B CN113256472 B CN 113256472B
Authority
CN
China
Prior art keywords
matrix
attributes
driver
brain
neural network
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
Application number
CN202110782839.5A
Other languages
English (en)
Other versions
CN113256472A (zh
Inventor
戚建淮
崔宸
唐娟
刘建辉
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.)
Shenzhen Y&D Electronics Information Co Ltd
Original Assignee
Shenzhen Y&D Electronics Information 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 Shenzhen Y&D Electronics Information Co Ltd filed Critical Shenzhen Y&D Electronics Information Co Ltd
Priority to CN202110782839.5A priority Critical patent/CN113256472B/zh
Publication of CN113256472A publication Critical patent/CN113256472A/zh
Application granted granted Critical
Publication of CN113256472B publication Critical patent/CN113256472B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals

Abstract

本发明公开了一种智能交通管控方法、系统以及类脑计算可读存储介质，方法包括：利用驾驶员基本属性、环境属性以及路径选择的历史数据训练类脑神经网络，将训练好的类脑神经网络中的用于代表不同属性驾驶员对不同环境属性的敏感程度的权重存储到表空间；收集驾驶员基本属性以及环境属性的具体数据，送入训练好的类脑神经网络，所述类脑神经网络进行表空间的搜索计算，找到当前输入的基本属性和环境属性的所对应的权重，根据找到的权重计算得到驾驶员的路径选择的预测结果；结合驾驶员路径选择的预测结果，提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控。本发明克服了既有的预测机械化的缺陷，有效缓解道路拥堵情况，提升智能管控效果。

Description

智能交通管控方法、系统以及类脑计算可读存储介质
技术领域
本发明涉及交通管控领域，尤其涉及一种智能交通管控方法、系统以及类脑计算可读存储介质。
背景技术
现阶段智能交通管控系统大多基于已有数据，通过路径选择模型或神经网络模型对已有数据进行评估，不能做到路径流量的实时管控。常见的决策模型如期望效用理论、随机效用理论等，无法对个体决策行为进行预测。而交通流量的产生是个体车辆的集合，个体车辆的决策直接影响着各道路交通流量，而现阶段统一的流量管控系统不能满足道路实时性变化的需求。现有技术大多基于神经网络预测模型缺乏选择决策过程的研究,决策模型无法根据不同场景、出行目的和不同驾驶员属性进行调整和更改，造成预测机械化，无法反应路径选择真实情况，难以实现交通管控系统的智能化。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种智能交通管控方法、系统以及类脑计算可读存储介质。
本发明解决其技术问题所采用的技术方案是：构造一种交通管控方法，所述方法包括：
权重预存步骤：利用驾驶员基本属性、环境属性以及路径选择的历史数据训练类脑神经网络，将训练好的类脑神经网络中的用于代表不同属性驾驶员对不同环境属性的敏感程度的权重存储到表空间；
路径预测步骤：收集驾驶员基本属性以及环境属性的具体数据，将收集的数据送入训练好的类脑神经网络，所述类脑神经网络进行表空间的搜索计算，找到当前输入的基本属性和环境属性的所对应的权重，根据找到的权重计算得到驾驶员的路径选择的预测结果；
交通管控步骤：结合驾驶员路径选择的预测结果，提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控。
进一步地，所述的提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控，包括：根据驾驶员路径选择的预测结果，预测各路口车辆排队长度，根据排队长度调整交通信号灯的红绿灯亮灯时长。
进一步地，所述方法还包括：每间隔一段时间，利用新的历史数据重新执行所述权重预存步骤，以更新所述表空间。
进一步地，所述的根据找到的权重计算得到驾驶员的路径选择的预测结果，包括：
类脑神经网络根据找到的权重计算效价矩阵以及反馈矩阵；
根据计算得到的效价矩阵、偏好矩阵，基于计算式
Figure 247748DEST_PATH_IMAGE001
计算反应驾驶员对路径的选择偏好强度的偏好矩阵，其中，
Figure 403923DEST_PATH_IMAGE002
为当前时刻的偏好矩阵，
Figure DEST_PATH_IMAGE003
为上一时刻的偏好矩阵，
Figure 263295DEST_PATH_IMAGE004
为反馈矩阵，
Figure DEST_PATH_IMAGE005
为效价矩阵，
Figure 872130DEST_PATH_IMAGE006
为其他未考虑的路径对偏好产生的随机误差。
进一步地，所述反馈矩阵
Figure 107940DEST_PATH_IMAGE004
的计算式为
Figure DEST_PATH_IMAGE007
，其中，
Figure 118621DEST_PATH_IMAGE008
为单位矩阵，
Figure DEST_PATH_IMAGE009
为衰减参数，
Figure 148894DEST_PATH_IMAGE010
为敏感性参数，
Figure DEST_PATH_IMAGE011
为基于权重计算得到的属性之间的空间距离矩阵。
进一步地，所述效价矩阵的计算式为
Figure 245026DEST_PATH_IMAGE012
，
Figure DEST_PATH_IMAGE013
为比较矩阵，
Figure 753368DEST_PATH_IMAGE014
为属性矩阵，
Figure DEST_PATH_IMAGE015
是各属性权重矩阵。
本发明另一方面还构造了一种智能交通管控系统，包括：
权重预存模块，用于利用驾驶员基本属性、环境属性以及路径选择的历史数据训练类脑神经网络，将训练好的类脑神经网络中的用于代表不同属性驾驶员对不同环境属性的敏感程度的权重存储到表空间；
路径预测模块，用于收集驾驶员基本属性以及环境属性的具体数据，将收集的数据送入训练好的类脑神经网络，所述类脑神经网络进行表空间的搜索计算，找到当前输入的基本属性和环境属性的所对应的权重，根据找到的权重计算得到驾驶员的路径选择的预测结果；
交通管控模块，用于结合驾驶员路径选择的预测结果，提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控。
进一步地，所述的根据找到的权重计算得到驾驶员的路径选择的预测结果，包括：
类脑神经网络根据找到的权重计算效价矩阵以及反馈矩阵；
根据计算得到的效价矩阵、偏好矩阵，基于计算式
Figure 884135DEST_PATH_IMAGE001
计算反应驾驶员对路径的选择偏好强度的偏好矩阵，其中，
Figure 85309DEST_PATH_IMAGE002
为当前时刻的偏好矩阵，
Figure 668737DEST_PATH_IMAGE003
为上一时刻的偏好矩阵，
Figure 918453DEST_PATH_IMAGE004
为反馈矩阵，
Figure 903726DEST_PATH_IMAGE005
为效价矩阵，
Figure 213485DEST_PATH_IMAGE006
为其他未考虑的路径对偏好产生的随机误差。
本发明还构造了一种交通管控系统，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现如前所述的方法的步骤。
本发明还构造了一种类脑计算可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如前所述的方法的步骤。
本发明的智能交通管控方法、系统以及类脑计算可读存储介质，具有以下有益效果：本发明根据收集的所有驾驶员基本属性、环境属性预测路径选择，进而提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控，如此，考虑个体决策行为对最终交通管控的影响，且克服了既有的预测机械化的缺陷，可以实现交通管控系统的智能化管控，有效缓解道路拥堵情况，提升智能管控效果；而且，本发明中为了提高效率，类脑神经网络训练好之后，会将用于代表不同属性驾驶员对不同环境属性的敏感程度的权重存储到表空间，因此在实时应用时，可以进行表空间的搜索计算快速找到权重从而计算预测结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图：
图1是本发明智能交通管控方法的流程示意图；
图2是表空间搜索示意图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的典型实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
本发明的总的思路是：先利用驾驶员基本属性、环境属性以及路径选择的历史数据训练类脑神经网络，将训练好的类脑神经网络中的用于代表不同属性驾驶员对不同环境属性的敏感程度的权重存储到表空间；在之后进行交通管控的过程中，收集驾驶员基本属性以及环境属性的具体数据，将收集的数据送入训练好的类脑神经网络，所述类脑神经网络进行表空间的搜索计算，找到当前输入的基本属性和环境属性的所对应的权重，根据找到的权重计算得到驾驶员的路径选择的预测结果，结合驾驶员路径选择的预测结果，提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
实施例一
参考图1，本实施例的智能交通管控方法包括：
S101：权重预存步骤，该步骤包括：利用驾驶员基本属性、环境属性以及路径选择的历史数据训练类脑神经网络，将训练好的类脑神经网络中的用于代表不同属性驾驶员对不同环境属性的敏感程度的权重存储到表空间。
其中，驾驶员基本属性包括但不限于年龄、性别、职业等等，环境参数包括但不限于天气（比如晴、雨天）、出行时间（平时、高峰）、道路属性（红绿灯个数、行驶距离、行驶时间、高速费用）等。
本实施例中的类脑神经网络的输入是驾驶员基本属性、环境属性，输出是路径选择的具体结果，类脑神经网络在利用输入计算输出的过程中，会考虑不同属性驾驶员对不同环境属性的敏感程度，我们以权重来表示不同属性驾驶员对不同环境属性的敏感程度，不同基本属性、环境属性可以组合形成不同的场景，我们可将其称之为标签事件。比如说，假设基本属性只有年龄、性别，环境参数只有天气和出行时间，其中，性别有男、女两个选项，年龄划分为20-30、40-50、50-70三个区间选项，天气划分为晴天、雨天两个选项，出行时间划分为平时、高峰两个选项，则他们可以组合得到
Figure 346526DEST_PATH_IMAGE016
个标签事件，神经网络训练完毕后，会直接存储该24个标签事件对应的权重，此后在利用该神经网络时，可以直接根据输入的年龄、性别、天气和出行时间的具体数据，找到他们对应的标签事件，从而可以快速找到对应的权重。相比既有的神经网络模型来说，既有的模型参数都是固定的，因此预测结果是非常机械的，并不可靠，而本发明针对不同属性对应的标签事件匹配相应的权重，因此可以灵活匹配不同的场景，可靠性和准确性极大提高。
优选地，为了保证该神经网络的可靠性，需要定期或者不定期的对该神经网络进行修正，因此，所述方法还包括：每间隔一段时间，利用新的历史数据重新执行所述权重预存步骤，以更新所述表空间，即更新存储的权重。
S102：路径预测步骤，该步骤包括：收集驾驶员基本属性以及环境属性的具体数据，将收集的数据送入训练好的类脑神经网络，所述类脑神经网络进行表空间的搜索计算，找到当前输入的基本属性和环境属性的所对应的权重，根据找到的权重计算得到驾驶员的路径选择的预测结果。
具体的，类脑神经网络找到当前输入的基本属性和环境属性的所对应的权重后，执行计算进行预测。本实施例中，主要是利用决策场理论进行预测。决策场理论中最核心的思想是，每个备选方案都有一个偏好值，决策者每一时刻对于备选方案的偏好被计入到矩阵
Figure DEST_PATH_IMAGE017
中，记为偏好矩阵，该值会随时间的推移而更新。偏好矩阵中包括决策者上一时刻的偏好值
Figure 399933DEST_PATH_IMAGE018
，该值在反馈矩阵
Figure 302030DEST_PATH_IMAGE004
的作用下计入
Figure DEST_PATH_IMAGE019
中。
Figure 782689DEST_PATH_IMAGE020
为初始偏好值，通常情况下，初始偏好值假定为
Figure DEST_PATH_IMAGE021
，决策场理论模型的基本公式为：
Figure 75131DEST_PATH_IMAGE022
；
其中，
Figure DEST_PATH_IMAGE023
为当前时刻的偏好矩阵，
Figure 997475DEST_PATH_IMAGE024
为上一时刻的偏好矩阵，
Figure 691761DEST_PATH_IMAGE004
为反馈矩阵，
Figure 343322DEST_PATH_IMAGE025
为效价矩阵，
Figure 450956DEST_PATH_IMAGE026
为其他未考虑的路径对偏好产生的随机误差。
因此，为了计算得到
Figure 846165DEST_PATH_IMAGE027
，我们首先要根据找到的权重计算效价矩阵以及反馈矩阵，然后根据计算得到的效价矩阵、偏好矩阵，基于算式（1）计算反应驾驶员对路径的选择偏好强度的偏好矩阵。
1）下面介绍效价矩阵。
效价表示决策者每一时刻对某一属性的偏好在选择过程中的影响，效价矩阵的计算式如下：
Figure 394958DEST_PATH_IMAGE028
其中，
Figure 483000DEST_PATH_IMAGE029
为比较矩阵，
Figure 750033DEST_PATH_IMAGE030
为属性矩阵，
Figure 745671DEST_PATH_IMAGE015
是各属性权重矩阵。
11）比较矩阵
Figure 414550DEST_PATH_IMAGE031
是获得
Figure 673493DEST_PATH_IMAGE032
加权比较过程的对比矩阵，在道路决策过程中根据所提供的道路方案个数n而确定，其确保在判断时的每一时刻，决策者对各方案属性的加权平均值都要进行一次比较，从而选取这一时刻所关注状态下的最优值，
Figure 162243DEST_PATH_IMAGE033
。
12）属性矩阵
Figure 227151DEST_PATH_IMAGE034
表示各类影响因素的实际价值，方案属性间存在的不可公度性，使得决策者难以对多目标决策方案进行评估。以路径选择问题为例，在决策过程中，决策者希望部分属性值越大越好，例如，道路平稳指标、驾驶舒适度等，此类属性称为效益型属性。而成本型属性，决策者则希望其越小越好，例如，出行费用、出行时间等。由于各属性量纲不同，无法进行比较，在仿真时需要先对各属性进行无量纲化处理。在部分基于决策场理论问题的研究中，常用的处理方式有标准0-1变换，向量规范化等方法。
A）标准0-1变换法，是将转换后的属性值大小控制在0-1之间。其中，最优的选项值为1，最差的选项值为0。
对于效益型属性
Figure 750536DEST_PATH_IMAGE034
，矩阵中的各个元素是：
Figure 914801DEST_PATH_IMAGE035
；
对于成本型属性
Figure 156426DEST_PATH_IMAGE036
，矩阵中的各个元素是：
Figure 697129DEST_PATH_IMAGE037
；
B）向量规范化的方法对于成本型属性和效益型属性都适用。
Figure 137338DEST_PATH_IMAGE038
；
其中，n为神经网络输出的道路方案个数，此方法通常适用于计算各个方案与理想方案间的欧式距离。
在计算过程中，各方案中属性值会出现相差过大的现象，从而导致某个属性会被过分夸大，造成决策的失真。为了使无量纲化后的属性值能够合理的反映决策行为，可采用统计平均的方法对属性值进行集中化处理。
Figure 738083DEST_PATH_IMAGE039
；
其中
Figure 201426DEST_PATH_IMAGE040
的取值在0.5-0.75之间，本文取
Figure 545820DEST_PATH_IMAGE041
。
以上计算式中，
Figure 106114DEST_PATH_IMAGE042
表示原始收集各种属性数据，经过上面的计算式（3）或（4）或（5）或（6）进行量化后得到小于1的特征值，这些特征值排列成矩阵即可构建得到属性矩阵。
13）权重矩阵
Figure 612182DEST_PATH_IMAGE043
，也称注意力转移矩阵。权重矩阵是决策者对属性的注意力转移概率值的集合，在同一个决策中各属性注意力转移概率和为1，属性权重的大小反应了决策者对属性的关注度，权重值越大关注度越大。在决策场模型中，属性权重以一种平稳随机过程的方式呈现，解释了决策者对属性的关注度是随时间而不断变化的，用以表示决策者的动态选择行为。在路径选择过程中，每一个时刻t，决策者会对某一属性进行比较并赋予一个偏好值，并在时间的累积下完成对方案的选择。
我们可以结合层次分析法所得的属性间的重要程度，得到相应的属性重要度排序，确定其权重系数，通过归一化处理得到评价因素的权向量
Figure 828399DEST_PATH_IMAGE044
，并最终得到评价结果
Figure 710905DEST_PATH_IMAGE045
。然后基于
Figure 63389DEST_PATH_IMAGE046
得到权重矩阵，其中，矩阵
Figure 802674DEST_PATH_IMAGE047
是属性重要程度的排序，其中的每一个元素代表一个具体的属性。
2）下面介绍反馈矩阵
Figure 240609DEST_PATH_IMAGE004
。
反馈矩阵
Figure 926805DEST_PATH_IMAGE004
的计算式为：
Figure 133796DEST_PATH_IMAGE048
；
其中，
Figure 247245DEST_PATH_IMAGE049
为单位矩阵，
Figure 234793DEST_PATH_IMAGE050
为衰减参数，
Figure 459101DEST_PATH_IMAGE051
也是反馈矩阵
Figure 786177DEST_PATH_IMAGE004
的主对角线元素
Figure 70528DEST_PATH_IMAGE052
，为了使各方案记忆效果相同，设定反馈矩阵
Figure 276862DEST_PATH_IMAGE004
的主对角线元素相同且为对称矩阵。
Figure 304861DEST_PATH_IMAGE053
为敏感性参数，
Figure 486444DEST_PATH_IMAGE054
为空间距离矩阵。
反馈矩阵
Figure 941696DEST_PATH_IMAGE004
中，
Figure 841519DEST_PATH_IMAGE055
表示决策不受决策者初始偏好影响，
Figure 469946DEST_PATH_IMAGE056
表示决策完全受到决策者初始偏好影响。
Figure 506036DEST_PATH_IMAGE057
表示记忆效果在不断增加，
Figure 132189DEST_PATH_IMAGE058
表示记忆效果在逐渐减小。在决策者对属性选择过程中，对于一些属性是持有负面态度的，如成本型属性，人们对于这类属性往往期盼越小越好。因此，在对于含有较多成本型属性的小汽车出行路径选择模型中，
Figure 253729DEST_PATH_IMAGE059
的取值在
Figure 685847DEST_PATH_IMAGE060
之间。对于非对角线元素
Figure 842022DEST_PATH_IMAGE061
，可通过参数标定后代入公式进行计算，也可利用几种常用公式进行计算。
下面介绍空间距离矩阵
Figure 639077DEST_PATH_IMAGE011
的两种计算方法。
1）以欧式距离为距离计算公式:
Figure 247912DEST_PATH_IMAGE062
；
其中，
Figure 155826DEST_PATH_IMAGE063
表示任意两种不同的属性数据的差值，将所有的差值进行平方和的累加开根号，再取反，即可得到矩阵
Figure 228824DEST_PATH_IMAGE064
。
2）以广义距离函数为距离计算公式:
在权重矩阵
Figure 196780DEST_PATH_IMAGE065
中，在各选项的n个属性中，每个属性的权重表示为
Figure 292912DEST_PATH_IMAGE066
。对于每个无优先级属性项，可记为
Figure 4516DEST_PATH_IMAGE067
：
Figure 135283DEST_PATH_IMAGE068
；
其中1所在的位置为第
Figure 336457DEST_PATH_IMAGE069
，令
Figure 654306DEST_PATH_IMAGE070
，得到
Figure 169601DEST_PATH_IMAGE071
；
将每项结果除以各项结果的模，并放入一个新的矩阵
Figure 154875DEST_PATH_IMAGE072
，得到一个
Figure 526950DEST_PATH_IMAGE073
的标准化矩阵：
Figure 332095DEST_PATH_IMAGE074
；
将主观权重参数
Figure 385502DEST_PATH_IMAGE075
以矩阵
Figure 225282DEST_PATH_IMAGE076
表示，
Figure 705942DEST_PATH_IMAGE077
；
由矩阵
Figure 326279DEST_PATH_IMAGE078
可以看出，前n-1项为小优势属性，或称无差别属性，最后一项为优势属性，因而，为了保证优势方向上的距离比无差异方向上的距离权重更大，在优势属性方向上乘权重
Figure 917797DEST_PATH_IMAGE079
，最终得到距离矩阵
Figure 877663DEST_PATH_IMAGE080
为：
Figure 529224DEST_PATH_IMAGE081
；
可见，在计算距离矩阵
Figure 371278DEST_PATH_IMAGE082
时，第二种方法是考虑了权重的影响的，相比于第一种方法，可以保证最终的路径选择结果更加精确、可靠。
S103：交通管控步骤，该步骤包括：结合驾驶员路径选择的预测结果，提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控。
具体的，所述的提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控，包括：根据驾驶员路径选择的预测结果，预测各路口车辆排队长度，根据排队长度调整交通信号灯的红绿灯亮灯时长，比如排队长度增加，则在原来的绿灯的亮灯时间的基础上增加绿灯时长，排队长度减小，则在原来的绿灯的亮灯时间的基础上减小绿灯时长。
本实施例的有益效果是：根据收集的所有驾驶员基本属性、环境属性预测路径选择，进而提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控，如此，考虑个体决策行为对最终交通管控的影响，且克服了既有的预测机械化的缺陷，可以实现交通管控系统的智能化管控，有效缓解道路拥堵情况，提升智能管控效果；而且，本发明中为了提高效率，类脑神经网络训练好之后，会将用于代表不同属性驾驶员对不同环境属性的敏感程度的权重存储到表空间，因此在实时应用时，可以进行表空间的搜索计算快速找到权重从而计算预测结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。
实施例二
本实施例公开了一种智能交通管控系统，包括：
权重预存模块，用于利用驾驶员基本属性、环境属性以及路径选择的历史数据训练类脑神经网络，将训练好的类脑神经网络中的用于代表不同属性驾驶员对不同环境属性的敏感程度的权重存储到表空间；
路径预测模块，用于收集驾驶员基本属性以及环境属性的具体数据，将收集的数据送入训练好的类脑神经网络，所述类脑神经网络进行表空间的搜索计算，找到当前输入的基本属性和环境属性的所对应的权重，根据找到的权重计算得到驾驶员的路径选择的预测结果；
交通管控模块，用于结合驾驶员路径选择的预测结果，提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控。
以上三个模块，具体对应方法实施例中的三个步骤，因此，更多内容可以参考方法实施例部分，此处不再赘述。
上述描述涉及各种模块。这些模块通常包括硬件和/或硬件与软件的组合。这些模块还可以包括包含指令的计算机可读介质，当处理器执行这些指令时，就可以执行本发明的各种功能性特点。相应地，除非明确要求，本发明的范围不受实施例中明确提到的模块中的特定硬件和/或软件特性的限制。作为非限制性例子，本发明在实施例中可以由一种或多种处理器执行软件指令。需要指出的是，上文对各种模块的描述中，分割成这些模块，是为了说明清楚。然而，在实际实施中，各种模块的界限可以是模糊的。例如，本文中的任意或所有功能性模块可以共享各种硬件和/或软件元件。又例如，本文中的任何和/或所有功能模块可以由共有的处理器执行软件指令来全部或部分实施。另外，由一个或多个处理器执行的各种软件子模块可以在各种软件模块间共享。相应地，除非明确要求，本发明的范围不受各种硬件和/或软件元件间强制性界限的限制。
实施例三
本实施例公开了一种智能交通管控系统，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现如实施例一所述方法的步骤，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
实施例四
本实施例公开了一种类脑计算可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时实现如实施例一所述方法的步骤，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (8)

1.一种智能交通管控方法，其特征在于，所述方法包括：
权重预存步骤：利用驾驶员基本属性、环境属性以及路径选择的历史数据训练类脑神经网络，将训练好的类脑神经网络中的用于代表不同属性驾驶员对不同环境属性的敏感程度的权重存储到表空间；
路径预测步骤：收集驾驶员基本属性以及环境属性的具体数据，将收集的数据送入训练好的类脑神经网络，所述类脑神经网络进行表空间的搜索计算，找到当前输入的基本属性和环境属性的所对应的权重，根据找到的权重计算得到驾驶员的路径选择的预测结果；
交通管控步骤：结合驾驶员路径选择的预测结果，提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控；
所述的提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控，包括：根据驾驶员路径选择的预测结果，预测各路口车辆排队长度，根据排队长度调整交通信号灯的红绿灯亮灯时长；
所述方法还包括：每间隔一段时间，利用新的历史数据重新执行所述权重预存步骤，以更新所述表空间。
2.根据权利要求1所述的方法，其特征在于，所述的根据找到的权重计算得到驾驶员的路径选择的预测结果，包括：
类脑神经网络根据找到的权重计算效价矩阵以及反馈矩阵；
根据计算得到的效价矩阵、偏好矩阵，基于计算式
Figure 289965DEST_PATH_IMAGE001
计算反应驾驶员对路径的选择偏好强度的偏好矩阵，其中，
Figure 368779DEST_PATH_IMAGE002
为当前时刻的偏好矩阵，
Figure 866757DEST_PATH_IMAGE003
为上一时刻的偏好矩阵，
Figure 638404DEST_PATH_IMAGE004
为反馈矩阵，
Figure 589042DEST_PATH_IMAGE005
为效价矩阵，
Figure 612493DEST_PATH_IMAGE006
为其他未考虑的路径对偏好产生的随机误差。
3.根据权利要求2所述的方法，其特征在于，所述反馈矩阵
Figure 964977DEST_PATH_IMAGE004
的计算式为
Figure 907525DEST_PATH_IMAGE007
，其中，
Figure 345460DEST_PATH_IMAGE008
为单位矩阵，
Figure 375864DEST_PATH_IMAGE009
为衰减参数，
Figure 848433DEST_PATH_IMAGE010
为敏感性参数，
Figure 961883DEST_PATH_IMAGE011
为基于权重计算得到的属性之间的空间距离矩阵。
4.根据权利要求3所述的方法，其特征在于，所述效价矩阵的计算式为
Figure 887114DEST_PATH_IMAGE012
，
Figure 111422DEST_PATH_IMAGE013
为比较矩阵，
Figure 48285DEST_PATH_IMAGE014
为属性矩阵，
Figure 332636DEST_PATH_IMAGE015
是各属性权重矩阵。
5.一种智能交通管控系统，其特征在于，包括：
权重预存模块，用于利用驾驶员基本属性、环境属性以及路径选择的历史数据训练类脑神经网络，将训练好的类脑神经网络中的用于代表不同属性驾驶员对不同环境属性的敏感程度的权重存储到表空间；
路径预测模块，用于收集驾驶员基本属性以及环境属性的具体数据，将收集的数据送入训练好的类脑神经网络，所述类脑神经网络进行表空间的搜索计算，找到当前输入的基本属性和环境属性的所对应的权重，根据找到的权重计算得到驾驶员的路径选择的预测结果；
交通管控模块，用于结合驾驶员路径选择的预测结果，提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控，包括：根据驾驶员路径选择的预测结果，预测各路口车辆排队长度，根据排队长度调整交通信号灯的红绿灯亮灯时长；
表空间更新模块，用于每间隔一段时间，利用新的历史数据重新启用所述权重预存模块，以更新所述表空间。
6.根据权利要求5所述的系统，其特征在于，所述的根据找到的权重计算得到驾驶员的路径选择的预测结果，包括：
类脑神经网络根据找到的权重计算效价矩阵以及反馈矩阵；
根据计算得到的效价矩阵、偏好矩阵，基于计算式
Figure 745162DEST_PATH_IMAGE001
计算反应驾驶员对路径的选择偏好强度的偏好矩阵，其中，
Figure 773161DEST_PATH_IMAGE002
为当前时刻的偏好矩阵，
Figure 954744DEST_PATH_IMAGE003
为上一时刻的偏好矩阵，
Figure 19783DEST_PATH_IMAGE004
为反馈矩阵，
Figure 919606DEST_PATH_IMAGE005
为效价矩阵，
Figure 485716DEST_PATH_IMAGE006
为其他未考虑的路径对偏好产生的随机误差。
7.一种交通管控系统，其特征在于，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-4任一项所述的方法的步骤。
8.一种类脑计算可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-4任一项所述的方法的步骤。
CN202110782839.5A 2021-07-12 2021-07-12 智能交通管控方法、系统以及类脑计算可读存储介质 Active CN113256472B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110782839.5A CN113256472B (zh) 2021-07-12 2021-07-12 智能交通管控方法、系统以及类脑计算可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110782839.5A CN113256472B (zh) 2021-07-12 2021-07-12 智能交通管控方法、系统以及类脑计算可读存储介质

Publications (2)

Publication Number Publication Date
CN113256472A CN113256472A (zh) 2021-08-13
CN113256472B true CN113256472B (zh) 2021-11-26

Family

ID=77191114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110782839.5A Active CN113256472B (zh) 2021-07-12 2021-07-12 智能交通管控方法、系统以及类脑计算可读存储介质

Country Status (1)

Country Link
CN (1) CN113256472B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115366957A (zh) * 2022-05-07 2022-11-22 深圳市永达电子信息股份有限公司 一种基于机车行驶经过的信息孤岛信息数据快速获取方法和系统
CN115862338B (zh) * 2023-03-01 2023-05-16 天津大学 一种机场交通流量预测方法、系统、电子设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101556625A (zh) * 2009-05-19 2009-10-14 上海理工大学 驾驶员对路径信息板动态响应行为的动态模拟方法
CN103021191A (zh) * 2012-11-22 2013-04-03 浙江理工大学 智能交通控制装置及控制方法
CN108615389A (zh) * 2018-06-15 2018-10-02 邵文远 一种城市交通拥堵预测预防系统
CN111653085A (zh) * 2019-11-18 2020-09-11 摩登汽车有限公司 交通管控系统和方法
CN111862632A (zh) * 2020-04-29 2020-10-30 南阳师范学院 一种智能交通信号灯防拥堵的方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101763735B (zh) * 2010-02-01 2015-02-25 王茜 可具有负系统损失时间的动态信号控制系统的控制方法
CN112419726B (zh) * 2020-11-20 2022-09-20 华南理工大学 一种基于交通流预测的城市交通信号控制系统
CN112967493A (zh) * 2021-01-16 2021-06-15 北京工业大学 一种基于神经网络的车辆通过交叉口行程时间的预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101556625A (zh) * 2009-05-19 2009-10-14 上海理工大学 驾驶员对路径信息板动态响应行为的动态模拟方法
CN103021191A (zh) * 2012-11-22 2013-04-03 浙江理工大学 智能交通控制装置及控制方法
CN108615389A (zh) * 2018-06-15 2018-10-02 邵文远 一种城市交通拥堵预测预防系统
CN111653085A (zh) * 2019-11-18 2020-09-11 摩登汽车有限公司 交通管控系统和方法
CN111862632A (zh) * 2020-04-29 2020-10-30 南阳师范学院 一种智能交通信号灯防拥堵的方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ATIS 条件下驾驶员出行途中路径选择行为研究;李春燕等;《深圳大学学报理工版》;20160331;第16卷(第1期);第164-171页 *
基于决策场理论的出行者动态决策行为研究;龙雪琴等;《交通运输系统工程与信息》;20160229;第33卷(第2期);第12-25页 *

Also Published As

Publication number Publication date
CN113256472A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN113256472B (zh) 智能交通管控方法、系统以及类脑计算可读存储介质
CN113316808B (zh) 通过交通状态的时空扩展搜索空间控制交通信号
CN104408106B (zh) 一种用于分布式文件系统中大数据查询的调度方法
CN109214756B (zh) 整车物流调度方法及装置、存储介质、终端
CN108509501A (zh) 一种查询处理方法、服务器及计算机可读存储介质
CN105302858B (zh) 一种分布式数据库系统的跨节点查询优化方法及系统
KR20220059531A (ko) 콜드 체인 배송 노선 확정 방법, 장치, 서버 및 저장매체
Qiu et al. Dynamic pricing in shared mobility on demand service
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
US20200379417A1 (en) Techniques for using machine learning for control and predictive maintenance of buildings
CN110675029A (zh) 商户的动态管控方法、装置、服务器及可读存储介质
Hildebrandt et al. Supervised learning for arrival time estimations in restaurant meal delivery
CN108681849A (zh) 一种货物运输自动定价的方法及装置
US9031891B2 (en) Computing system and method for controlling the execution of a decision process to maintain the data access efficiency upon receipt of an availability information inquiry
CN110490365B (zh) 一种基于多源数据融合预测网约车订单量的方法
CN109783545A (zh) 一种机票实时推荐方法
CN110119399B (zh) 基于机器学习的业务流程优化方法
CN115905687A (zh) 基于元学习图神经网络面向冷启动的推荐系统及方法
US11157000B2 (en) Central control system and method
US11055655B1 (en) Method and system for generating an alimentary combination help update
CN116739840B (zh) 基于多目标群优化的旅游套餐推荐方法、装置及存储介质
CN105956816A (zh) 物资运输信息智能处理方法
CN109635069A (zh) 一种基于信息熵的地理空间数据自组织方法
CN113570106A (zh) 基于高速公路神经网络的电力负荷预测方法及设备
CN115293366B (zh) 模型训练方法、信息预测方法、装置、设备及介质

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