CN113378486B - 一种区域交通信号优化方法、装置、计算设备及存储介质 - Google Patents

一种区域交通信号优化方法、装置、计算设备及存储介质 Download PDF

Info

Publication number
CN113378486B
CN113378486B CN202110928004.6A CN202110928004A CN113378486B CN 113378486 B CN113378486 B CN 113378486B CN 202110928004 A CN202110928004 A CN 202110928004A CN 113378486 B CN113378486 B CN 113378486B
Authority
CN
China
Prior art keywords
time
intersection
timing scheme
slice
signal timing
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
CN202110928004.6A
Other languages
English (en)
Other versions
CN113378486A (zh
Inventor
陈振武
邹莉
罗佳晨
周勇
邢锦江
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 Xinshida Video Engineering Co ltd
Original Assignee
Shenzhen Urban Transport Planning Center 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 Urban Transport Planning Center Co Ltd filed Critical Shenzhen Urban Transport Planning Center Co Ltd
Priority to CN202110928004.6A priority Critical patent/CN113378486B/zh
Publication of CN113378486A publication Critical patent/CN113378486A/zh
Application granted granted Critical
Publication of CN113378486B publication Critical patent/CN113378486B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physiology (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)

Abstract

本发明提供了一种区域交通信号优化方法、计算设备及存储介质，该方法包括步骤：获取各个路口的时段划分情况，其中，每个路口均包括有多个在时间上连续的时段；根据时段划分情况将路口的需优化时长划分为多个在时间上连续的时间片，其中，各个路口的时段均包括至少一个时间片；基于遗传算法对时间片的信号配时方案进行滚动优化，得到各个路口的时段的信号配时方案，其中，时段的信号配时方案与时段内的时间片的信号配时方案对应，根据交通模拟仿真得到的道路交通指标确定遗传算法的个体适应度。本发明的有益效果：能够快速便捷地实现各个路口中各个时段的信号配时方案优化，减少其中的计算量，降低成本，并且使得信号配时方案更加精准有效。

Description

一种区域交通信号优化方法、装置、计算设备及存储介质
技术领域
本发明涉及道路交通管理技术领域，具体而言，涉及一种区域交通信号优化方法、装置、计算设备及存储介质。
背景技术
交通拥堵已经成为城市的常态现象，而作为指挥和规范道路交通的重要手段，道路交通信号规划的合理性与交通拥堵情况存在直接的关联。
在城市路网中，路网区域内各个路口的信号配时方案对应的时段并非完全一致，因此难以对所有路口逐时段地统一进行优化，而且，由于路口繁多，将各个路口一整天中各个时段的信号配时方案同时进行优化时，优化的变量数大大增加，变量数的增加会导致解的数量几何增长，以此导致计算量过大，无法确保优化效率。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题，为达上述目的，本发明提供了一种区域交通信号优化方法，包括步骤：
获取各个路口的时段划分情况，其中，每个所述路口均包括有多个在时间上连续的时段；
根据所述时段划分情况将所述路口的需优化时长划分为多个在时间上连续的时间片，其中，各个所述路口的所述时段均包括至少一个所述时间片；
基于遗传算法对所述时间片的信号配时方案进行滚动优化，得到各个所述路口的所述时段的信号配时方案，其中，所述时段的信号配时方案与所述时段内的时间片的信号配时方案对应，根据交通模拟仿真得到的道路交通指标确定所述遗传算法的个体适应度。
进一步地，所述时段划分情况包括时段开始时间点和时段结束时间点；所述根据所述时段划分情况将所述路口的需优化时长划分为多个在时间上连续的时间片包括：
根据时间点集合将所述需优化时长划分为多个在时间上连续的所述时间片，其中，所述时间点集合中的时间点包括各个所述路口的所述时段开始时间点和所述时段结束时间点，所述时间点集合中在时序上相邻的两个所述时间点构成所述时间片的起始时刻和结束时刻；
所述对所述时间片的信号配时方案进行滚动优化，得到各个所述路口的所述时段的信号配时方案包括：
当所述时段的起始时刻与所述时段中所述时间片的起始时刻相同时，确定所述时段的信号配时方案为所述时间片的信号配时方案。
进一步地，所述道路交通指标包括延误数据、停车数据、路网总服务出行数据和溢流数据；所述道路交通指标的确定方法包括：
获取道路交通状态数据，其中，所述道路交通状态数据包括配时方案、流量和饱和流率；
对所述道路交通状态数据进行交通模拟仿真得到所述道路交通指标。
进一步地，所述遗传算法的个体适应度的计算方法还包括：
在预设时长内获取多个所述道路交通指标，所述个体适应度为多个所述道路交通指标对应的个体适应度的平均值。
进一步地，根据第一计算公式确定所述个体适应度，其中，所述第一计算公式包括：
Minf=K1×Delay+K2×Stops-K3×Throughput+K4×Overflow；
其中，Minf表示所述个体适应度，K1至K4均表示权重，Delay表示所述延误数据，Stops表示所述停车数据，Throughput表示所述路网总服务出行数据，Overflow表示溢流数据。
本发明中的区域交通信号优化方法，综合各个路口的时段划分情况，将所有路口所需优化时长划分为多个在时间上连续的时间片，由此对于所有路口均具有统一的时间片划分，基于此，在对各个路口进行信号配时方案的优化时，统一对时间片进行优化，并具体基于滚动优化方法对连续的时间片依次进行优化，而其中，将各个路口的路段的信号配时方案与时间片的信号配时方案进行对应，从而能够快速便捷地实现优化，减少其中的计算量，降低成本；基于遗传算法的演化迭代（选择、变异、交叉）等实现各个时间片中信号配时方案的优化，在遗传算法中，一组决策变量的解编码为一个染色体，通过不断的种群演化，能够快速找到较优解，以此能够输出合理的信号配时方案优化结果；根据交通模拟仿真得到更加准确的道路交通指标，进而对遗传算法的个体适应度进行更加准确地确定，以使得信号配时方案的优化更加精准有效。。
本发明还提出了一种区域交通信号优化装置，包括：
获取模块，用于获取各个路口的时段划分情况，其中，每个所述路口均包括有多个在时间上连续的时段；
计算模块，用于根据所述时段划分情况将所述路口的需优化时长划分为多个在时间上连续的时间片，其中，各个所述路口的所述时段均包括至少一个所述时间片；
优化模块，基于遗传算法用于对所述时间片的信号配时方案进行滚动优化，得到各个所述路口的所述时段的信号配时方案，其中，所述时段的信号配时方案与所述时段内的时间片的信号配时方案对应，根据交通模拟仿真得到的道路交通指标确定所述遗传算法的个体适应度。
本发明所述的区域交通信号优化装置与上述区域交通信号优化方法的有益效果相近似，在此不再进行赘述。
本发明还提出了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的区域交通信号优化方法。
本发明所述的计算设备与上述区域交通信号优化方法的有益效果相近似，在此不再进行赘述。
本发明另一实施例的一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的区域交通信号优化方法。
本发明还提出了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的区域交通信号优化方法。
本发明所述的计算机可读存储介质与上述区域交通信号优化方法的有益效果相近似，在此不再进行赘述。
附图说明
图1为本发明实施例中的区域交通信号优化方法的流程图；
图2为本发明实施例中的区域交通信号优化方法中针对路口A和路口B进行滚动优化的示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中，参考术语“实施例”、“一个实施例”和“一个实施方式”等的描述意指结合该实施例或实施方式描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示实施方式中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实施方式。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或实施方式以合适的方式结合。
参照图1所示，本发明实施例提出了一种区域交通信号优化方法，包括步骤：
S1、获取各个路口的时段划分情况，其中，每个所述路口均包括有多个在时间上连续的时段；
S2、根据所述时段划分情况将所述路口的需优化时长划分为多个在时间上连续的时间片，其中，各个所述路口的所述时段均包括至少一个所述时间片；
S3、基于遗传算法对所述时间片的信号配时方案进行滚动优化，得到各个所述路口的所述时段的信号配时方案，其中，所述时段的信号配时方案与所述时段内的时间片的信号配时方案对应，根据交通模拟仿真得到的道路交通指标确定所述遗传算法的个体适应度。
信号配时方案可包括各个时段对应的绿信比（一个信号相位的有效绿灯时长与周期时长之比）、周期（信号控制路口每股交通流轮流放行一遍的时间）和相位差（周期开始时间相对协调时段开始时间的差值，再取周期的余数，单位是秒，范围为0到周期时长）等。参照图2所示，对于路口A和路口B，以其需优化时长为一天为例，不同的路口A和路口B，其交通信号的信号配时方案不同，对于同一个信号配时方案，其执行的时间可能不同，如路口A和路口B均具有在时间上连续的时段1、时段2-时段n，其在时段1-时段n的时长为一天，当时段1的信号配时方案执行完毕后，切换为时段2的信号配时方案，而不同的路口A和路口B，其时段1的起始时刻相同，但总时长不同，由此，在城市路网中，存在大量需要优化的时段，且这些时段并非完全对应一致，因此难以通过统一的优化规则同时进行优化，并且由于路口数量众多，单独进行技优化处理耗时长，计算工作量大。
本发明实施例中的区域交通信号优化方法，其用于对路口的信号配时方案进行优化，其能够快速对路网区域的全部路口的时段的信号配时方案进行优化处理。其中，考虑到每个路口的时段划分情况不同，因此综合各个路口的时段划分情况，将所有路口所需优化时长划分为多个在时间上连续的时间片，如图2所示中t1-t2、t2-t3…等时间片，由此对于所有路口均具有统一的时间片划分，基于此，在对各个路口进行信号配时方案的优化时，统一对时间片进行优化，并具体基于滚动优化方法对连续的时间片依次进行优化，而其中，将各个路口的路段的信号配时方案与时间片的信号配时方案进行对应，从而能够快速便捷地实现优化，减少其中的计算量，降低成本。其中，对于一个路口的时段，其可能包括一个至多个时间片，当确定将一个时间片优化完成时，则包含该时间片的整个时段的信号配时方案也就确定了，由此即对应于同时对多个路口的路段进行优化。
可以理解，对于包括有多个时间片的时段，其具体的信号配合方案可基于时段与多个时间片的对应情况确定，如一个时间片的起始时刻与时段的起始时刻相同时，将该时段的信号配时方案确定为该时间片的信号配时方案。在相关实施例中，也可基于时间片的时长占时段时长的占比等，确定时段的配时方案与时间片的配时方案的对应情况。
另外，在对时间片的优化中基于遗传算法进行优化。基于遗传算法的演化迭代（选择、变异、交叉）等实现各个时间片中信号配时方案的优化，在遗传算法中，一组决策变量的解编码为一个染色体，通过不断的种群演化，能够快速找到较优解，以此能够输出合理的信号配时方案优化结果。其中，遗传算法的个体适应度由道路交通指标确定，道路交通指标根据交通模拟仿真得到，本实施例中，所述道路交通指标包括延误数据、停车数据、路网总服务出行数据和溢流数据。通常情况下，对道路交通指标中的延误数据、停车数据、路网总服务出行数据和溢流数据等数据采用数学解析表达式计算或者采用宏观中观模型模拟和真实的道路交通存在一定差距，道路交通中车辆的驾驶行为、个体车辆之间的相互干扰等难以进行体现，本实施例中，基于微观的交通模拟仿真，以能够得到更加准确的道路交通指标，微观仿真能够更加贴近真实的道路交通状态，优化计算的延误数据、停车数据等指标的可信度更好。其次，类似于安全、油耗、排放这一类指标，在微观仿真模型的框架下，能够较好地被计算或者统计得到。同时，实际的道路交通流状态，具有很大的随机性，通过数学解析表达式计算的延误、停车等指标，或者用宏观中观模型模拟，是要在一个确定性的目标函数表达式里面寻优，很难考虑到这个随机性。而通过微观交通模拟仿真，对一个信号方案的模拟和计算，由一次模拟替换为多次随机模拟，以能够较好地考虑到随机性。由此，通过交通模拟仿真得到的道路交通指标确定个体适应度，能够更准确地进行信号配时方案的优化。
具体地，所述道路交通指标的确定方法包括：
获取道路交通状态数据，其中，所述道路交通状态数据包括配时方案、流量和饱和流率；
对所述道路交通状态数据进行交通模拟仿真得到所述道路交通指标。
以此，本实施例中，根据道路交通状态数据，例如配时方案、流量和饱和流率等数据以与道路交通指标进行关联，考虑到数据交通流之间的相互影响，进而基于交通模拟仿真生成道路交通指标时，能够便于更准确地得到适应度，进而更准确地进行信号配时方案的优化。
其中，可基于Spark搭建并行计算框架，同时启用多个仿真运行程序，进而对种群个体适应度实现并行计算评估，以确保种群个体数增加而计算时间相对恒定，加快演化速度。
在本发明的一个可选的实施例中，所述遗传算法的初代种群包括初始解及所述初始解的衍生个体，其中，所述初始解包括对每个所述路口做单点优化得到的方案和对区域路网做全路径绿波协调得到的方案。
本实施例中，将每个所述路口做单点优化得到的方案和对区域路网做全路径绿波协调得到的方案作为初始解，并可将初始解进行合理地衍生处衍生个体，以作为遗传算法的初代种群，作为信号配时方案优化中的初始输入，初始种群在遗传算法的演化过程中通过选择、交叉和变异，直至达到收敛条件或最大遗传代数，以能够得到路网内，全部路口中各个时段合理的信号配时方案。其中，初始解也可包括从数据库读取得到的方案，同时对于初始解的方案，可以进行协调优化，以此通过合理地设置初始解，以能够加快遗传算法的寻优速度。
本实施例中，基于获取的延误数据、停车数据、路网总服务出行数据和溢流数据确定遗传算法的个体适应度，以确保遗传算法的收敛速度，以及确保能够合理得到最优解（信号配时方案）。其中，个体适应度可根据第一计算公式进行确定，所述第一计算公式包括：
Minf=K1×Delay+K2×Stops-K3×Throughput+K4×Overflow；
其中，Minf表示所述个体适应度，K1至K4均表示权重，Delay表示所述延误数据，Stops表示所述停车数据，Throughput表示所述路网总服务出行数据，Overflow表示溢流数据。
在一可选的实施例中，所述遗传算法的个体适应度的计算方法还包括：
在预设时长内获取多个所述道路交通指标；
根据多个所述道路交通指标和第一计算公式确定所述个体适应度，多个所述道路交通指标对应的公式解的平均值为所述个体适应度。
预设时长可以与路口所需优化时长（一天）对应，本实施例中在一天内获取多个道路交通指标，继而经过第一计算公式得到的函数值的平均值作为个体适应度，以确保随机性和合理性，以及提高信号配时方案优化的准确性。
在本发明的一个可选的实施例中，所述时段划分情况包括时段开始时间点和时段结束时间点；所述根据所述时段划分情况将所述路口的需优化时长划分为多个在时间上连续的时间片包括：
根据时间点集合将所述需优化时长划分为多个在时间上连续的所述时间片，其中，所述时间点集合中的时间点包括各个所述路口的所述时段开始时间点和所述时段结束时间点，所述时间点集合中在时序上相邻的两个所述时间点构成所述时间片的起始时刻和结束时刻；
所述对所述时间片的信号配时方案进行滚动优化，得到各个所述路口的所述时段的信号配时方案包括：
当所述时段的起始时刻与所述时段中所述时间片的起始时刻相同时，确定所述时段的信号配时方案为所述时间片的信号配时方案。
参照图2所示，本实施例中，对应于各个路口的各个时段，其均包括时段的开始时间点和时段结束时间点，开始时间点和时段结束时间点构成的集合为本实施例中的时间点集合，时间点集合中，相同的时间点进行合并，至此，时间点集合中的时间点构成在时间上连续的各个时刻，并且，整个时间点集合中按需时间点的起始时间点和结束时间点之间的时长对应所述需优化时长，由此，本实施例中，通过将时间点集合中在时序上相邻的两个时间点构成时间片的起始时刻和结束时刻，以生成时间片，那么基于多个连续的时间片，其必然会构成多个路口中的某一个时段，如t1-t4的多个时间片构成路口A的时段1，t1-t3的多个时间片构成路口B的时段1，基于此，以便于将时间片对应的信号配时方案与时段的信号配时方案进行对应，其中，具体地，本实施例中，在滚动优化中，当确定时间片的起始时刻与路口中时间片所属的时段的起始时刻相同，则令该时段整体的信号配时方案与该时间片进行对应，以此快速地实现各个路段的信号配时方案优化，如图2中，时间片t1-t2的起始时刻为t1，在滚动优化中，第一次的优化包括了对时间片t1-t2的优化，对于路口A，其时段1的起始时刻也为t1，路口A的时段1的信号配时方案即能够进行确定，路口A的时段2的起始时刻以t4开始，当滚动优化至t4时刻时，确定的t4-t5时间片的信号配时方案即对应为路口B的时段2的信号配时方案。
可以理解，在滚动优化中，每次优化的优化时长需要大于或等于多个时间片中时长最长的时间片，以确保滚动优化中的每次优化均能够覆盖一个时间片，参照图2所示，对于优化时长T，从需优化时长的起始时刻t1进行优化，其一次优化确定各个路口时段1的信号配时方案，滚动至t2时刻进行优化时，优化的t2-t3时间片能够确定各个路口中某一以t2时刻开始的时段的信号配时方案，以此即能够完整地对各个路口各个时段的信号配时方案进行优化。
在本发明的一个可选的实施例中，所述对所述时间片的信号配时方案进行滚动优化还包括：
在所述滚动优化中，对已经完成优化的所述时段进行约束，其中，所述约束包括约束所述时段对应路口的周期时长、相位结构、绿灯/红灯时长和周期开始时间。
由于在滚动优化中是基于时间片进行滚动，在滚动时，可能某一时间片仍在进行优化，但其所述的时段的信号配时方案已经由前一时间片所确定，因此，在滚动优化中还可包括确定每个路口已经优化完成的时段，而将这些时段进行约束，而在后续的优化中不进行改变。如路口A中，确定时段1的信号配时方案后，虽路口A的时间片t2-t3以及t3-t4仍属于时段1，但当路口较多时，可能仍存在其它路口的时段1仅为t1-t2，因此基于滚动优化，仍对t2-t3的时间片进行优化，以能够确定其它路口以t2时刻开始的时段2，而对于路口A，其时段1的信号配时方案被约束。
其中，约束的内容包括对时段对应的路口进行约束，其中，周期时长约束可包括各路口周期时长满足最大最小周期时长约束；相位结构约束可包括保持路口现状的信号相位结构不变；绿灯/红灯时长约束可包括各路口各相位绿灯时长满足最小绿灯时长要求，各路口各相位红灯时长满足最大红灯时长要求；周期开始时间约束可包括：周期开始时间约束在一小段时间内（0到周期时长）。
本发明另一实施例的一种区域交通信号优化装置，包括：
获取模块，用于获取各个路口的时段划分情况，其中，每个所述路口均包括有多个在时间上连续的时段；
计算模块，用于根据所述时段划分情况将所述路口的需优化时长划分为多个在时间上连续的时间片，其中，各个所述路口的所述时段均包括至少一个所述时间片；
优化模块，基于遗传算法用于对所述时间片的信号配时方案进行滚动优化，得到各个所述路口的所述时段的信号配时方案，其中，所述时段的信号配时方案与所述时段内的时间片的信号配时方案对应，根据交通模拟仿真得到的道路交通指标确定所述遗传算法的个体适应度。
本发明所述的区域交通信号优化装置与上述区域交通信号优化方法的有益效果相近似，在此不再进行赘述。
本发明所述的区域交通信号优化装置与上述区域交通信号优化方法的有益效果相近似，在此不再进行赘述。
本发明另一实施例的一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的区域交通信号优化方法。
本发明所述的计算设备与上述区域交通信号优化方法的有益效果相近似，在此不再进行赘述。
本发明另一实施例的一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的区域交通信号优化方法。
本发明所述的计算机可读存储介质与上述区域交通信号优化方法的有益效果相近似，在此不再进行赘述。
一般来说，用于实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质，除了临时性地传播中的信号本身。
计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言，特别是可以使用适于神经网络计算的Python语言和基于TensorFlow、PyTorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (9)

1.一种区域交通信号优化方法，其特征在于，包括：
获取各个路口的时段划分情况，其中，每个所述路口均包括有多个在时间上连续的时段；
根据所述时段划分情况将所述路口的需优化时长划分为多个在时间上连续的时间片，其中，各个所述路口的所述时段均包括至少一个所述时间片，所述时段划分情况包括时段开始时间点和时段结束时间点，根据时间点集合将所述需优化时长划分为多个在时间上连续的所述时间片，其中，所述时间点集合中的时间点包括各个所述路口的所述时段开始时间点和所述时段结束时间点，所述时间点集合中在时序上相邻的两个所述时间点构成所述时间片的起始时刻和结束时刻；
基于遗传算法对所述时间片的信号配时方案进行滚动优化，得到各个所述路口的所述时段的信号配时方案，其中，所述时段的信号配时方案与所述时段内的时间片的信号配时方案对应，根据交通模拟仿真得到的道路交通指标确定所述遗传算法的个体适应度，当所述时段的起始时刻与所述时段中所述时间片的起始时刻相同时，确定所述时段的信号配时方案为所述时间片的信号配时方案。
2.根据权利要求1所述的区域交通信号优化方法，其特征在于，所述对所述时间片的信号配时方案进行滚动优化还包括：
在所述滚动优化中，对已经完成优化的所述时段进行约束，其中，所述约束包括约束所述时段对应路口的周期时长、相位结构、绿灯/红灯时长和周期开始时间。
3.根据权利要求1所述的区域交通信号优化方法，其特征在于，所述遗传算法的初代种群包括初始解及所述初始解的衍生个体，其中，所述初始解包括对每个所述路口做单点优化得到的方案和对区域路网做全路径绿波协调得到的方案。
4.根据权利要求1所述的区域交通信号优化方法，其特征在于，所述道路交通指标包括延误数据、停车数据、路网总服务出行数据和溢流数据；所述道路交通指标的确定方法包括：
获取道路交通状态数据，其中，所述道路交通状态数据包括配时方案、流量和饱和流率；
对所述道路交通状态数据进行交通模拟仿真得到所述道路交通指标。
5.根据权利要求4所述的区域交通信号优化方法，其特征在于，所述遗传算法的个体适应度的计算方法还包括：
在预设时长内获取多个所述道路交通指标，所述个体适应度为多个所述道路交通指标对应的个体适应度的平均值。
6.根据权利要求4所述的区域交通信号优化方法，其特征在于，根据第一计算公式确定所述个体适应度，其中，所述第一计算公式包括：
Minf=K1×Delay+K2×Stops-K3×Throughput+K4×Overflow；
其中，Minf表示所述个体适应度，K1至K4均表示权重，Delay表示所述延误数据，Stops表示所述停车数据，Throughput表示所述路网总服务出行数据，Overflow表示溢流数据。
7.一种区域交通信号优化装置，其特征在于，包括：
获取模块，用于获取各个路口的时段划分情况，其中，每个所述路口均包括有多个在时间上连续的时段；
计算模块，用于根据所述时段划分情况将所述路口的需优化时长划分为多个在时间上连续的时间片，其中，各个所述路口的所述时段均包括至少一个所述时间片，所述时段划分情况包括时段开始时间点和时段结束时间点，根据时间点集合将所述需优化时长划分为多个在时间上连续的所述时间片，其中，所述时间点集合中的时间点包括各个所述路口的所述时段开始时间点和所述时段结束时间点，所述时间点集合中在时序上相邻的两个所述时间点构成所述时间片的起始时刻和结束时刻；
优化模块，基于遗传算法用于对所述时间片的信号配时方案进行滚动优化，得到各个所述路口的所述时段的信号配时方案，其中，所述时段的信号配时方案与所述时段内的时间片的信号配时方案对应，根据交通模拟仿真得到的道路交通指标确定所述遗传算法的个体适应度，当所述时段的起始时刻与所述时段中所述时间片的起始时刻相同时，确定所述时段的信号配时方案为所述时间片的信号配时方案。
8.一种计算设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如权利要求1-6中任一项所述的区域交通信号优化方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1-6中任一项所述的区域交通信号优化方法。
CN202110928004.6A 2021-08-13 2021-08-13 一种区域交通信号优化方法、装置、计算设备及存储介质 Active CN113378486B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110928004.6A CN113378486B (zh) 2021-08-13 2021-08-13 一种区域交通信号优化方法、装置、计算设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110928004.6A CN113378486B (zh) 2021-08-13 2021-08-13 一种区域交通信号优化方法、装置、计算设备及存储介质

Publications (2)

Publication Number Publication Date
CN113378486A CN113378486A (zh) 2021-09-10
CN113378486B true CN113378486B (zh) 2022-02-01

Family

ID=77577153

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110928004.6A Active CN113378486B (zh) 2021-08-13 2021-08-13 一种区域交通信号优化方法、装置、计算设备及存储介质

Country Status (1)

Country Link
CN (1) CN113378486B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114120648B (zh) * 2021-12-03 2023-06-27 东软集团股份有限公司 交通信号灯配时方法、装置、存储介质及电子设备
CN114926997B (zh) * 2022-04-29 2023-09-19 东南大学 一种基于性能加权的启发式在线路网信号优化方法
CN115050198B (zh) * 2022-08-12 2023-01-31 深圳市城市交通规划设计研究中心股份有限公司 交通子区协调控制方案过渡方法、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610487A (zh) * 2017-08-23 2018-01-19 南京邮电大学 基于动态随机车流相位差协调机制的区域交通控制系统和方法
CN110533932A (zh) * 2019-08-06 2019-12-03 银江股份有限公司 一种基于滚动优化的城市级全域交通信号推荐方法及系统
CN110782667A (zh) * 2019-10-30 2020-02-11 北京百度网讯科技有限公司 信号灯分时段配时方法、装置、电子设备及存储介质
CN110910663A (zh) * 2019-10-16 2020-03-24 清华大学 一种车路协同环境下多智能车交叉口通行协调控制方法
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610487A (zh) * 2017-08-23 2018-01-19 南京邮电大学 基于动态随机车流相位差协调机制的区域交通控制系统和方法
CN110533932A (zh) * 2019-08-06 2019-12-03 银江股份有限公司 一种基于滚动优化的城市级全域交通信号推荐方法及系统
CN110910663A (zh) * 2019-10-16 2020-03-24 清华大学 一种车路协同环境下多智能车交叉口通行协调控制方法
CN110782667A (zh) * 2019-10-30 2020-02-11 北京百度网讯科技有限公司 信号灯分时段配时方法、装置、电子设备及存储介质
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

Also Published As

Publication number Publication date
CN113378486A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN113378486B (zh) 一种区域交通信号优化方法、装置、计算设备及存储介质
WO2022247677A1 (zh) 基于混合深度学习模型的城市区域路网过车流量预测方法及其系统
CN109887288B (zh) 一种基于出行结构的城市路网诱导方案发布方法和系统
Chen et al. Design of limited-stop bus service with capacity constraint and stochastic travel time
CN110782070A (zh) 一种城市轨道交通突发事件客流时空分布预测方法
CN111241168B (zh) 一种实时在线微观交通仿真方法及系统
CN110334732A (zh) 一种基于机器学习的空气质量预报方法和装置
CN110222873A (zh) 一种基于大数据的地铁站客流量预测方法
CN112466117A (zh) 基于深度时空残差网络的路网短时交通流预测方法
CN110060489B (zh) 一种基于神经网络的信号灯配时方案推荐方法
CN111489013A (zh) 一种基于时空多图卷积网络的交通站点流量预测方法
CN109583491A (zh) 一种共享单车智能调度方法
CN106887141B (zh) 基于排队论的连续交通节点拥塞程度预测模型、系统及方法
CN106529734A (zh) 一种基于knn和svr的航班滑出时间预测方法
CN103853106A (zh) 一种建筑能源供应设备的能耗预测参数优化方法
CN112907970B (zh) 一种基于车辆排队长度变化率的可变车道转向控制方法
CN109272169A (zh) 交通流量预测方法、装置、计算机设备及存储介质
CN112733354B (zh) 一种气象要素时间序列模拟方法、系统、介质及电子设备
CN110986975A (zh) 基于时空路网模型的最优路径规划的处理方法及系统
CN116681176B (zh) 一种基于聚类和异构图神经网络的交通流预测方法
CN104993966B (zh) 一种电力综合业务网流量预测方法
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
CN115966107A (zh) 一种基于图神经网络的机场交通流预测方法
CN113821547A (zh) 快速高效的停车场占有率短时预测方法、系统及存储介质
Maleki et al. Developing a supervised learning-based simulation method as a decision support tool for rebalancing problems in bike-sharing systems

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
TR01 Transfer of patent right

Effective date of registration: 20230724

Address after: 518110 ABC Unit, Block A, 11th Floor, Building 7, Baoneng Science and Technology Park, Qinghu Community, Longhua Street, Longhua District, Shenzhen City, Guangdong Province

Patentee after: Shenzhen xinshida Video Engineering Co.,Ltd.

Address before: Room 1210, block C, building 1, Xinghe legend Garden Phase III, Longtang community, Minzhi street, Longhua District, Shenzhen City, Guangdong Province

Patentee before: Shenzhen Urban Traffic Planning and Design Research Center Co.,Ltd.

TR01 Transfer of patent right