CN113299059B - 一种数据驱动的道路交通管控决策支持方法 - Google Patents
一种数据驱动的道路交通管控决策支持方法 Download PDFInfo
- Publication number
- CN113299059B CN113299059B CN202110379641.2A CN202110379641A CN113299059B CN 113299059 B CN113299059 B CN 113299059B CN 202110379641 A CN202110379641 A CN 202110379641A CN 113299059 B CN113299059 B CN 113299059B
- Authority
- CN
- China
- Prior art keywords
- traffic
- decision
- flow data
- traffic flow
- data
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及交通管制技术领域,目的是提供一种数据驱动的道路交通管控决策支持方法,包括下列步骤:步骤1:客户端执行通信模块,离线向服务器请求待研究区域的历史交通流数据;步骤2:客户端执行通信模块,实时传输待研究区域交通流数据,请求优化决策方案;步骤3:服务器执行决策方案生成模块,确定优化决策方案,并传输至待研究区域的客户端实施。
Description
技术领域
本发明涉及交通管控技术领域,具体涉及一种数据驱动的道路交通管控决策支持方法。
背景技术
随着城市化快速发展,机动车保有量不断上升,现有道路设施难以满足日益增长的交通需求,交通拥堵问题日趋严重。然而,单纯新增、扩建道路以提升路网通行能力不仅成本较高,而且难以匹配交通需求的增长速度。因此,为缓解拥堵及其一系列衍生的交通问题,需要更加高效的交通管理与控制方法,以最大化利用路网通行能力,提升路网性能。
为提升城市路网交通管控方法的效率,优化路网信号控制交叉口的信号配时方案,国内外学者开发建立了多种区域交通信号控制方法,按控制方式可划分为定时控制方法与自适应控制方法两类。定时控制方法基于历史一段时间内的交通数据离线优化信号配时方案,并将优化后确定的固定信号配时方案予以实施,目前已经得到广泛应用的区域交通信号定时控制方法有Little提出的MAXBAND和Robertson提出的TRANSYT。该类信号控制方法的主要优势为将复杂且耗时较长的配时方案优化计算离线进行,在实际控制过程中没有优化计算任务,控制方法简单易实施,缺点则是定时控制方法难以针对实时变化的路网交通状态进行响应,且当发生交通事故等极端事件时,控制效果较差。自适应控制方法针对实时变化的路网交通状态进行响应,在线优化信号配时方案以最大化当前路网性能。由于该类控制方法能适应不同条件的交通状态,相对定时控制方法控制效益更高,以SCOOT和SCATS为代表的自适应区域交通信号控制系统也在上海、广州、香港等地得到了广泛应用。然而,随着控制区域路网范围的增大,路网复杂度的增加,为保证信号配时优化的实时性,需要牺牲一定的优化性能以降低优化计算复杂度,缩短在线优化的计算时间。
综上,目前广泛应用的区域交通信号控制方法主要存在以下问题。一方面,当前应用的定时控制方法虽然利用历史交通信息计算得到最优的信号配时方案,但该方案主要面向一段时间内的平均交通状态特征,既难以解决真实交通状态动态变化的情况,也无法针对各种不同的交通状态进行响应;另一方面,当前应用的自适应控制方法虽然能实时响应变化的交通状态,但由于在线优化计算时间和计算效率的限制,优化所得信号配时方案的控制效益难以得到保障,同时由于主要依赖实时数据进行在线优化,难以应对不同时段、不同事件下路网交通状态的随机性与不确定性。
随着数据采集、存储技术的不断完善,以丰富的大数据作为支撑的数据驱动决策方式为解决上述问题提供了新的思路,数据驱动决策方法建立由数据直接到决策方案的映射关系,不仅能极大提升决策方案优化的计算效率,实现针对交通状态变化的实时响应;同时有了丰富的历史数据作为支撑,决策方案的生成考虑到交通状态的不确定性,具有很好的鲁棒性。
发明内容
本发明的目的在于克服现有技术的不足,提供一种数据驱动的道路交通管控决策支持方法。
通过以下技术方案来实现的:一种数据驱动的道路交通管控决策支持方法,包括下列步骤:
步骤1:客户端执行通信模块,离线向服务器请求待研究区域的历史交通流数据;
步骤2:客户端执行通信模块,实时传输待研究区域交通流数据,请求优化决策方案;
步骤3:服务器执行决策方案生成模块,确定优化决策方案,并传输至待研究区域的客户端实施。
优选的,所述步骤1中,服务器从数据库调用的历史交通流数据,包括道路交通网络各交叉口、进口道以及出口道的交通状态数据。
优选的,所述所述步骤2中,客户端离线建立由交通流数据到优化决策方案的决策规则,并将该决策规则反馈给服务器。
优选的,所述步骤2中,决策规则为交通流数据与决策方案的映射关系,可根据实时传输的交通流数据计算得到优化决策方案,映射关系f(.,.)具体表达式如下,具体为
u=f(α,x)
式中,u表示生成的决策方案,α表示映射关系系数,x表示实时输入的交通流数据。
优选的,映射关系系数α的计算过程如下:
步骤51:客户端收集服务器传输的历史交通流数据,服务器从数据库调用的历史交通流数据后,将历史交通流数据传输至发出请求指令的客户端,历史交通流数据x总按路网交叉口各进口道,路网入口道、出口道进行编号,并按时间段排列,可由下式表示:
x总=(x1,x2,...,xn)
式中,x1,x2,...,xn表示路口1,2,...,n的历史交通状态数据,可按下式表示:
xi=(xi(1),xi(2),...,xi(T)),1≤i≤n
式中,xi(1),xi(2),...,xi(T)表示路口i在历史时间段1,2,...,T的交通状态;
步骤52:建立求解映射关系系数的优化问题,其中,从包含历史所有交通状况的交通流数据x总中,针对每个路口i采样N个不同的M时间段内的交通流数据x输={(xi(tj-M),...,xi(tj-1),xi(tj)):1≤i≤n,1≤j≤N},作为输入至所需求解映射关系的历史交通流数据集合,定义求解最优映射关系系数的优化目标为最小化所有路网交通状态中管控效果最差时的路网性能,
另一方面,还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有一个或多个计算机程序,所述一个或多个计算机程序被一个或多个处理器执行时实现如上所述的道路交通管控决策支持方法。
另一方面,还提供一种数据驱动的道路交通管控决策支持装置,包括:
一个或多个处理器;
计算机可读存储介质,其存储有一个或多个计算机程序;所述一个或多个所述计算机程序被所述一个或多个处理器执行时实现如上所述的道路交通管控决策支持方法。
另一方面,还提供一种数据驱动的道路交通管控决策支持系统,采用主从式网络架构,所述主从式网络架构由多台客户端和一台服务器组成,所述系统包括通信模块、数据管理模块、决策计算模块和决策生成模块,
所述通信模块,用于客户端向服务器实时发出指令,传输交通流数据,请求决策方案;
所述数据管理模块,用于存储和管理交通流数据及决策规则相关系数;
所述决策计算模块,用于利用历史交通流数据,通过离线交通仿真和模型训练,建立交通流数据与优化决策方案的映射关系;
所述决策生成模块,用于利用实时交通流数据,根据交通流数据与优化决策方案的映射关系,实时生成优化决策方案;
其中,所述通信模块采用数据通信技术,实现客户端及服务器之间的数据传输;
其中,所述数据管理模块采用数据库技术,存储、管理及调用历史和实时交通流数据;
所述服务器中存储有一个或多个决策计算模块,所述一个或多个所述决策计算模块被其具有的一个或多个决策生成模块执行时实现如上所述的道路交通管控决策支持方法;
另一方面还包括一种道路交通管控决策支持方法用于各个交通路口实时管控、城市交通规划的用途。
本发明的有益效果是:
(1)由于交通状态的不确定性,求解的最优系数α需要考虑所有可能存在的路网交通状态,通过映射关系所得到的优化决策方案针对任意路网交通状态都具有很好的鲁棒性;
(2)解决了传统道路交通管控决策支持方法静态、控制效益较低、鲁棒性较差等在路网交通管控中的局限性。
附图说明
图1本发明中的工作原理图;
图2本发明中一个实施例的实际道路的管控图。
具体实施方式
下面结合本发明的附图1~2,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施。
在本发明的描述中,需要理解的是,术语“逆时针”、“顺时针”“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
1.实时性:传统区域交通信号控制方法通常采用预设好的静态定时信号配时方案予以实施或基于交通模型对信号配时方案进行优化,前者难以适应时空动态变化的交通状态,后者的计算复杂度随着交通网络的扩大,均无法做到根据当前交通状态针对信号配时进行实时优化。本发明利用离线建立的交通流量与信号配时的最优映射关系,基于实时收集的当前交通流量数据优化信号控制方案,在保证控制效益最大化的情况下,可以快速针对变化的交通状态进行实时响应,实现区域信号控制配时方案的实时优化。
2.鲁棒性:除了日常交通状态以外,本发明所设计的数据驱动区域交通信号控制方法也适用于交通事故等极端事件发生的情况。当历史数据充足,包含有这类极端事件的发生时,本发明考虑的控制效益最差情况下的路网性能将会自动包含该类极端事件发生时的情况;当历史数据中缺少这一类极端事件时,本发明可以通过调整包含所有可能路网性能值的候选概率分布集合予以考虑,这两种情况均不用改变本发明所建立的数据驱动控制方法的实施框架。
3.易实施:本发明所设计的数据驱动区域交通信号控制方法在实施过程中仅需要当前道路检测器所检测的交通路网各路口实时流量数据即可,无须新增复杂的检测装置。与此同时,通过映射关系由路口流量数据计算信号配时方案的复杂度低,因此交通管控中心可以根据反馈的流量数据集中计算路网所有交叉口的信号配时方案,再将之通讯传递给各交叉口的信号控制装置,无须在交叉口新增额外的控制计算单元。
4.应用广:本发明所设计的数据驱动区域交通信号控制方法可应用于不同时段、多个城市、多种模式(小汽车、公交、地铁)的交通网络;本发明所建立的数据驱动优化框架也可应用于车辆调度、空中交通管理等多个交通场景中。
综上,这种数据驱动的区域交通信号控制方法为城市路网性能的提升提供了一种很好的解决方案。
本实施例采用主从式网络架构搭建数据驱动路网交通信号控制的决策支持系统,请参照图1,所属主从式网络架构由N台客户端(1号~N号)和一台服务器组成,所属系统包括通信模块,数据管理模块、决策计算模块、决策生成模块,其中:
所述通信模块,采用数据通信技术(如SOCKET,HTTP等),用于客户端向服务器实时发出指令,传输交通流数据,请求路网交叉口信号配时方案。
所述数据传输模块,采用数据库管理技术(如PostgreSQL,Oracle等),用于存储和管理交通流数据及决策规则,包括历史交通流数据库、实时交通流数据库以及路网交叉口信号配时方案数据库。
所述决策计算模块,采用交通仿真技术(如VISSIM,SUMO等),根据历史交通流数据建立交通仿真环境,计算交通流数据与信号配时方案的映射关系系数。
所述决策生成模块,用于利用实时交通流数据,根据交通流数据与信号配时方案的映射关系,实时生成优化后各路网交叉口的信号方案。
基于上述实现的数据驱动路网交通信号控制的决策支持方法,包含以下步骤:
步骤A:客户端执行通信模块,离线向服务器请求路网各交叉口历史交通流量数据
步骤B:服务器执行数据管理模块,离线调用已存储的路网各交叉口历史交通流量数据;
步骤C:客户端执行决策计算模块,离线建立由交通流量数据到信号配时方案的决策规则,并将该决策规则反馈给服务器;
步骤D:客户端执行通信模块,实时传输路网各交叉口历史交通流量数据,请求信号配时优化方案;
步骤E:服务器执行决策方案生成模块,确定路网各交叉口信号配时优化方案;
其中,步骤A中所述的“路网各交叉口历史交通流量数据”,其具体含义为:客户端所建立的决策规则的输入为路网各交叉口交通流量数据,输出为信号配时优化方案,因此客户端需向服务器请求路网各交叉口包含所有可能存在交通情况的历史交通流量数据,以对决策规则进行训练,从而使得决策规则针对不同交通条件生成的信号配时方案具有良好的鲁棒性。
其中,步骤B所述的“离线调用已存储的路网各交叉口历史交通流量数据”,其具体含义为:服务器从数据库调用的路网各交叉口历史交通流量数据包括,路网各交叉口进口道交通流量数据、路网入口道及出口道的交通交通流量数据。
其中,步骤C所述的“由交通流量数据到信号配时方案的决策规则”,其具体含义为:一种交通流量数据与信号配时方案的映射关系,可根据实时输入的交通流量数据直接计算得到信号配时优化方案。该映射关系f(·,·)可用如下关系式表示:
u=PΘ[f(α,x)]
式中,u表示生成的信号配时方案,α表示映射关系系数,x表示实时输入的交通流量数据,Θ表示在该区域路网中可行信号配时方案集合,可行信号配时方案由最大、最小绿灯时长等参数确定,PΘ[·]表示由映射关系所计算的信号配时方案在可行信号配时方案集合上的投影,以确保计算所得信号配时优化方案的可行性。建立决策规则即求解映射关系系数α具体步骤如下:
步骤C1:客户端收集服务器传输的路网各交叉口历史交通流量数据。
步骤C2:建立求解映射关系系数的优化问题。
步骤C3:运用优化算法求解映射关系系数。
其中,步骤C1所述的“收集服务器传输的路网各交叉口历史交通流量数据”,其具体做法如下:服务器从数据库中调用路网各交叉口历史交通流量数据后,需要将数据传输至发出请求指令的客户端,路网各交叉口历史交通流量数据x总按路网交叉口各进口道、路网入口道、出口道进行编号,并按时间段排列,可由下式表示:
x总=(x1,x2,...,xn)
式中,x1,x2,...,xn表示路口1,2,...,n的历史交通流量数据,可按下式表示:
xi=(xi(1),xi(2),...,xi(T)),1≤i≤n
式中,xi(1),xi(2),...,xi(T)表示路口i在历史时间段1,2,...,T的交通流量。按上式构建的道路网络历史交通数据包含路网各个路口在各时间段的交通流量信息,丰富的历史交通数据用于后续建立由实时交通流量数据到信号配时方案的映射关系,可以最大程度上考虑到路网所有可能出现的交通状态,以增强决策方案的鲁棒性。
其中,步骤C2所述的“建立求解映射关系系数的优化问题”,其中具体做法如下:从包含所有可能交通状态信息的历史交通流量数据x总采样N个一定时间段内的交通流量{xi:1≤i≤N},作为所需求解映射关系的输入交通流量数据,所需求解的映射关系f(α,x)是系数为α=(A,b),自变量为x的线性函数,其具体表达式如下:
f(α,x)=A·x+b
该映射关系通过以上线性函数可根据实时交通流量数据x直接计算得到信号配时方案,信号配时方案以绿信比作为变量。计算所得优化决策方案效果的好坏取决于映射关系系数,为保证所得优化决策方案的最优管控效果,需要针对不同函数形式的映射关系求解最优映射关系系数α=(A,b)。为求解最优映射关系系数,首先定义评价优化决策方案对于路网管控效果的性能指标J(u,x)=J(f(α,x),x),该式表示在交通状态为x,决策方案为u=f(α,x)时的路网交通性能,可用于评价路网交通性能的指标包括路网总通行时间、路网总排放、总燃油消耗等。
由于交通状态的不确定性,求解的最优系数α需要考虑所有可能存在的路网交通状态,以至于通过映射关系所得到的优化决策方案针对任意路网交通状态都具有很好的鲁棒性。假设路网性能指标越低,如路网总通行时间越小表示管控效果越佳,指标越高,如路网总通行时间越长则表示控制效果越差,为保证优化决策方案的鲁棒性,定义求解最优映射关系系数的优化目标为最小化所有路网交通状态中管控效果最差时的路网性能,运用该优化目标可以保证任意交通状态下根据映射关系计算得到的管控方案都具有良好的管控效果,其具体表达式如下:
式中,表示交通流量数据x所遵循的一项未知概率分布,在实际应用中所收集的交通流量数据往往存在数据量不足、噪音大等问题,交通状态数据所遵循的真实概率分布难以直接估计,因此构建包含真实概率分布的候选概率分布集合基于概率分布集合求解在交通状态所遵循的所有候选概率分布中,控制效益最差情况下的路网性能期望值,最小化该期望值得到最优映射关系系数α。
其中,步骤C3所述的“采用优化算法求解最优关系系数”,其具体做法如下:求解步骤C3所建立的优化问题时,计算期望值需要在空间上进行积分运算,该问题为一无限维度优化问题,难以通过数值计算方法进行求解。为保证优化算法的计算可行性,给定历史交通流数据x,将路网性能J(f(α,x),x)视作以系数α为参数的单一变量J(α)。为评估路网性能,利用客户端基于VISSIM或SUMO建立的离线交通仿真环境,根据历史交通流数据x及系数α预测实施决策方案后的交通状态演化,从而评估不同交通状态实施决策方案的路网性能。根据不同交通流数据{xi:1≤i≤N}评估得到的路网性能值集合{J1(α),J2(α),...,JN(α)}建立离散化的概率密度函数,针对路网性能建立概率分布集合从而在给定系数α时,得到内层优化问题的目标函数值
得到评估优化目标函数值的计算方法后,步骤C3所建立的最小化-最大化问题可采用元启发式算法求解,如遗传算法、粒子群优化算法、模拟退火算法等。本例采用粒子云算法求解,该算法只需要零阶信息即可进行求解,即在求解优化问题的过程中,只需在针对给定系数α的情况下,不断评估目标函数值最后选取使该目标函数值最小化的映射关系系数α,从而建立从实时输入的交通流数据x直接输出决策方案u的决策规则u=f(α,x)。客户端执行决策计算模块,生成该决策规则后,将决策规则的相关系数传输至服务器进行存储,以供后续步骤的实时决策使用。
其中,步骤D所述的“实时传输交通流数据,请求优化决策方案”,其具体含义如下:客户端通过预先布置的收集器,实时收集道路交通网络中各路口的交通流量数据,同时执行通讯模块,将实时收集的交通流量数据传输至服务器,收集交通流量数据可按下式表示:
xi=(xi(T-M),...,xi(T-1),xi(T)),1≤i≤n
其中,M表示客户端向服务器传输的过去M时间段内的交通流量数据。客户端在传输数据的同时,向服务器发出请求优化决策方案的指令,传输至服务器的过去M时间段的交通流量数据将作为决策规则输入。
其中,步骤E所述的“服务器执行决策方案生成模块,确定路网各交叉口信号配时优化方案”,其具体做法如下:服务器接收客户端请求优化决策方案的指令,执行决策方案生成模块,调用步骤C所建立的决策规则f(α,x)=A·x+b,根据输入的交通流数据x,以及预先存储的可行信号配时方案集合Θ,计算优化决策方案u=PΘ[f(α,x)],并根据预先存储的最终,服务器执行通信模块,将计算得到的优化决策方案传输至客户端予以实施。
本发明的道路交通管控决策支持装置装置包括:处理器和计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现能够本发明的道路交通管控决策支持方法。其中,由于各个步骤的程序逻辑不同,可采用专用处理器或通用芯片来执行相应的步骤,以提高整个程序的处理效率,并合理地控制成本。因此,本领域技术人员可根据具体应用情况,对本发明的用于载波信息增强的装置中的处理器和计算机程序的数量进行适应性地设计与调整。
请参照图2,为本申请运用在四川省成都市的某处区域的交通管制,根据客户端显示屏上直观的了解道路交通情况,通过本申请中的决策方案,对智能信号灯进行调控,调控后得到交通数据较调控前,延误减少4.7%,停车次数也减少4.7%。
综上所述,基于数据驱动决策方法提出了一种新的解决方案。本方案结合离线与在线计算,基于交通历史大数据应用鲁棒优化方法离线建立交通流量数据到信号配时方案的最优映射关系,基于该映射关系根据实时收集的交通流量信息在线确定信号配时优化方案,实现了由交通大数据直接生成最优信号配时方案的全部过程。
Claims (5)
1.一种数据驱动的道路交通管控决策支持方法,其特征在于,包括下列步骤:
步骤1:客户端执行通信模块,离线向服务器请求待研究区域的历史交通流数据;
步骤2:客户端执行通信模块,实时传输待研究区域交通流数据,请求优化决策方案;
步骤 3:服务器执行决策方案生成模块,确定优化决策方案,并传输至待研究区域的客户端实施;
所述步骤1中,服务器从数据库调用的历史交通流数据,包括道路交通网络各交叉口、进口道以及出口道的交通状态数据;
所述步骤2中,客户端离线建立由交通流数据到优化决策方案的决策规则,并将该决策规则反馈给服务器;
所述步骤2中,决策规则为交通流数据与决策方案的映射关系,可根据实时传输的交通流数据计算得到优化决策方案,映射关系f(.,.)具体表达式如下,具体为
u = f(α, x)
式中,u表示生成的决策方案,α表示映射关系系数,x表示实时输入的交通流数据;
映射关系系数α的计算过程如下:
步骤51:客户端收集服务器传输的历史交通流数据,服务器从数据库调用的历史交通流数据后,将历史交通流数据传输至发出请求指令的客户端,历史交通流数据x总按路网交叉口各进口道,路网入口道、出口道进行编号,并按时间段排列,可由下式表示:
x总= (x1, x2, . . . , xn)
式中,x1, x2, . . . , xn表示路口1, 2, ..., n的历史交通状态数据,可按下式表示:
xi = (xi(1), xi(2), . . . , xi(T)), 1 ≤ i ≤ n
式中,xi(1), xi(2), . . . , xi(T)表示路口i在历史时间段1, 2, ..., T的交通状态;
步骤52:建立求解映射关系系数的优化问题,其中,从包含历史所有交通状况的交通流数据x总中,针对每个路口i采样 N 个不同的 M 时间段内的交通流数据x输= {(xi(tj − M),作为输入至所需求解映射关系的历史交通流数据集合, 定义求解最优映射关系系数的优化目标为最小化所有路网交通状态中管控效果最差时的路网性能,
式中,𝔻表示交通状态数据x所遵循的一项未知概率分布;
步骤53:计算期望值𝔼𝔻 J(f(α, x), x)需要在空间𝕆上进行积分运算,运用优化算法求解映射关系系数。
2.根据权利要求1所述的道路交通管控决策支持方法,其特征在于,用于各个交通路口实时管控、城市交通规划。
3.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有一个或多个计算机程序,所述一个或多个计算机程序被一个或多个处理器执行时实现如权利要求1所述的道路交通管控决策支持方法。
4.一种数据驱动的道路交通管控决策支持装置,其特征在于,包括:一个或多个处理器;
计算机可读存储介质,其存储有一个或多个计算机程序;所述一个或多个计算机程序被所述一个或多个处理器执行时实现如权利要求1所述的道路交通管控决策支持方法。
5.一种数据驱动的道路交通管控决策支持系统,采用主从式网络架构,所述主从式网络架构由多台客户端和一台服务器组成,其特征在于,所述系统包括通信模块、数据管理模块、决策计算模块和决策生成模块,
所述通信模块,用于客户端向服务器实时发出指令,传输交通流数据,请求决策方案;所述数据管理模块,用于存储和管理交通流数据及决策规则相关系数;
所述决策计算模块,用于利用历史交通流数据,通过离线交通仿真和模型训练,建立交通流数据与优化决策方案的映射关系;
所述决策生成模块,用于利用实时交通流数据,根据交通流数据与优化决策方案的映射关系,实时生成优化决策方案;
其中,所述通信模块采用数据通信技术,实现客户端及服务器之间的数据传输;
其中,所述数据管理模块采用数据库技术,存储、管理及调用历史和实时交通流数据;所述服务器中存储有一个或多个决策计算模块,所述一个或多个决策计算模块被其具有的一个或多个决策生成模块执行时实现如权利要求1所述的道路交通管控决策支持方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110379641.2A CN113299059B (zh) | 2021-04-08 | 2021-04-08 | 一种数据驱动的道路交通管控决策支持方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110379641.2A CN113299059B (zh) | 2021-04-08 | 2021-04-08 | 一种数据驱动的道路交通管控决策支持方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113299059A CN113299059A (zh) | 2021-08-24 |
CN113299059B true CN113299059B (zh) | 2023-03-17 |
Family
ID=77319343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110379641.2A Active CN113299059B (zh) | 2021-04-08 | 2021-04-08 | 一种数据驱动的道路交通管控决策支持方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113299059B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724508B (zh) * | 2021-09-08 | 2022-08-23 | 四川国蓝中天环境科技集团有限公司 | 一种考虑交通排放不确定性的交通信号鲁棒控制方法 |
CN113506440B (zh) * | 2021-09-08 | 2021-11-30 | 四川国蓝中天环境科技集团有限公司 | 一种拉格朗日坐标系下多源数据融合的交通状态估计方法 |
CN113506445B (zh) * | 2021-09-13 | 2021-11-30 | 四川国蓝中天环境科技集团有限公司 | 考虑出行者长期遵从行为变化的实时交通诱导系统及方法 |
CN114333332B (zh) * | 2022-03-04 | 2022-09-06 | 阿里云计算有限公司 | 一种交通管控方法、装置及电子设备 |
CN115662176B (zh) * | 2022-12-13 | 2023-05-26 | 天津市政工程设计研究总院有限公司 | 一种基于鲁棒优化的灵活公交调度优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846842A (zh) * | 2017-03-24 | 2017-06-13 | 上海理工大学 | 基于多时段控制方案的城市干道协调控制优化方法 |
CN108470444A (zh) * | 2018-03-21 | 2018-08-31 | 特斯联(北京)科技有限公司 | 一种基于遗传算法优化的城市区域交通大数据分析系统与方法 |
CN111696348A (zh) * | 2020-06-05 | 2020-09-22 | 南京云创大数据科技股份有限公司 | 一种多功能的智能信号控制系统和方法 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8341110B2 (en) * | 2005-04-04 | 2012-12-25 | Geoeye Analytics Inc. | Temporal-influenced geospatial modeling system and method |
US9076332B2 (en) * | 2006-10-19 | 2015-07-07 | Makor Issues And Rights Ltd. | Multi-objective optimization for real time traffic light control and navigation systems for urban saturated networks |
CN105390000A (zh) * | 2015-12-18 | 2016-03-09 | 天津通翔智能交通系统有限公司 | 一种基于路况交通大数据的交通信号控制系统及方法 |
CN110114806A (zh) * | 2018-02-28 | 2019-08-09 | 华为技术有限公司 | 信号灯控制方法、相关设备及系统 |
CN109410607B (zh) * | 2018-03-22 | 2021-05-04 | 合肥革绿信息科技有限公司 | 一种基于视频的十字路口信号机控制方法 |
CN109215355A (zh) * | 2018-08-09 | 2019-01-15 | 北京航空航天大学 | 一种基于深度强化学习的单点交叉口信号配时优化方法 |
CN109493617A (zh) * | 2018-10-29 | 2019-03-19 | 沈阳天久信息技术工程有限公司 | 一种交通信号优化控制方法及装置 |
CN109637160B (zh) * | 2018-11-29 | 2021-02-02 | 浙江海康智联科技有限公司 | 一种动态交通条件下的单点控制方法 |
CN109360429B (zh) * | 2018-12-13 | 2021-03-23 | 武汉泰坦智慧科技有限公司 | 一种基于模拟优化的城市道路交通调度方法及系统 |
CN113316808B (zh) * | 2019-01-14 | 2023-06-27 | 华为云计算技术有限公司 | 通过交通状态的时空扩展搜索空间控制交通信号 |
CN109785619B (zh) * | 2019-01-21 | 2021-06-22 | 南京邮电大学 | 区域交通信号协调优化控制系统及其控制方法 |
CN110021177B (zh) * | 2019-05-06 | 2020-08-11 | 中国科学院自动化研究所 | 启发式随机搜索交通信号灯配时优化方法、系统 |
CN112242069B (zh) * | 2019-07-17 | 2021-10-01 | 华为技术有限公司 | 一种确定车速的方法和装置 |
CN110491154B (zh) * | 2019-07-23 | 2021-04-30 | 同济大学 | 基于安全风险和距离的建议车速制定方法 |
CN111461423B (zh) * | 2020-03-30 | 2020-12-18 | 四川国蓝中天环境科技集团有限公司 | 一种高精度网格化空气质量推断方法、系统、终端设备及存储介质 |
CN111710167A (zh) * | 2020-08-24 | 2020-09-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于在线交通仿真的单点优化控制方法及装置 |
CN112216124B (zh) * | 2020-09-17 | 2021-07-27 | 浙江工业大学 | 一种基于深度强化学习的交通信号控制方法 |
CN112562363B (zh) * | 2020-11-09 | 2022-04-01 | 江苏大学 | 一种基于v2i的交叉口交通信号优化方法 |
CN112330054B (zh) * | 2020-11-23 | 2024-03-19 | 大连海事大学 | 基于决策树的动态旅行商问题求解方法、系统及存储介质 |
-
2021
- 2021-04-08 CN CN202110379641.2A patent/CN113299059B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846842A (zh) * | 2017-03-24 | 2017-06-13 | 上海理工大学 | 基于多时段控制方案的城市干道协调控制优化方法 |
CN108470444A (zh) * | 2018-03-21 | 2018-08-31 | 特斯联(北京)科技有限公司 | 一种基于遗传算法优化的城市区域交通大数据分析系统与方法 |
CN111696348A (zh) * | 2020-06-05 | 2020-09-22 | 南京云创大数据科技股份有限公司 | 一种多功能的智能信号控制系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113299059A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113299059B (zh) | 一种数据驱动的道路交通管控决策支持方法 | |
CN109862086B (zh) | 一种车载边缘计算中基于匹配算法的任务分配策略 | |
CN111124647B (zh) | 一种车联网中的智能边缘计算方法 | |
CN111951549B (zh) | 在网联车辆环境下的自适应交通信号灯控制方法及系统 | |
CN111311959B (zh) | 多路口协同控制方法、装置、电子设备及存储介质 | |
CN112163720A (zh) | 基于车联网的多智能体无人驾驶电动汽车换电调度方法 | |
CN112330013B (zh) | 一种基于动态路-电耦合网络的电动汽车充电引导和定价方法 | |
CN114360266B (zh) | 一种网联车探测状态感知的交叉口强化学习信号控制方法 | |
CN109816978B (zh) | 考虑驾驶员动态响应行为的区域群体交通诱导系统及方法 | |
CN113506445B (zh) | 考虑出行者长期遵从行为变化的实时交通诱导系统及方法 | |
CN113487860A (zh) | 一种智能交通信号控制方法 | |
Zheng et al. | Learning based task offloading in digital twin empowered internet of vehicles | |
CN110930696A (zh) | 一种基于ai导航的智慧城市交通管理运行方法及其系统 | |
Chen et al. | Traffic signal optimization control method based on adaptive weighted averaged double deep Q network | |
CN112750298A (zh) | 一种基于smdp和drl的货车编队动态资源分配方法 | |
CN117062025A (zh) | 一种车联网节能联合计算卸载与资源分配方法 | |
CN116959244A (zh) | 基于区域危险度的车载网信道拥塞控制方法及系统 | |
CN115665859A (zh) | 一种多智能体任务卸载和资源调度联合优化方法 | |
CN114786129B (zh) | 基于深度学习的车联网计算资源分配与优化方法 | |
Mittal et al. | Analysis of dynamic road traffic congestion control (DRTCC) techniques | |
CN116456558B (zh) | 一种地铁站内照明设备自适应控制方法及系统 | |
Xu et al. | Offloading elastic transfers to opportunistic vehicular networks based on imperfect trajectory prediction | |
Doe et al. | DSORL: Data Source Optimization With Reinforcement Learning Scheme for Vehicular Named Data Networks | |
CN111078792B (zh) | 一种分布式架构的城市超脑并行计算方法和系统 | |
Xu et al. | Intelligent Transportation Vehicle Road Collaboration and Task Scheduling Based on Deep Learning in Augmented Internet of Things |
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 |