CN113628435A - 一种信息处理方法及装置 - Google Patents
一种信息处理方法及装置 Download PDFInfo
- Publication number
- CN113628435A CN113628435A CN202010381371.4A CN202010381371A CN113628435A CN 113628435 A CN113628435 A CN 113628435A CN 202010381371 A CN202010381371 A CN 202010381371A CN 113628435 A CN113628435 A CN 113628435A
- Authority
- CN
- China
- Prior art keywords
- intersection
- traffic
- information
- traffic control
- model
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种信息处理方法及装置,涉及信号控制技术领域,以提高对多路口交通灯控制的效率。该方法包括:获取待控制区域内的至少一个路口的交通状况信息和所述至少一个路口的交通控制信息;获取所述待控制区域内的全局交通状态信息;根据所述至少一个路口的交通状况信息、所述至少一个路口的交通控制信息以及所述全局交通状态信息,确定对目标路口的交通控制信息的调整信息;所述目标路口为所述至少一个路口的一个路口或者多个路口;根据所述调整信息,对所述目标路口的交通控制信号进行调整。本发明实施例可提高对多路口交通灯控制的效率。
Description
技术领域
本发明涉及信号控制技术领域,尤其涉及一种信息处理方法及装置。
背景技术
现有技术中的多路口交通灯控制方案主要有以下几种方式:
多个路口各自独立控制的方案(如CN110114806A):即各个路口各自为政,不做显式的协作和通信,假设各个路口单独做好自己的交通灯调控,整体的效果就同样会变好;
考虑邻近路口关联的协同控制方案(CN102110371A):即在邻近路口的层面上分享各自的交通状态,来实现简单的协作控制,具体的表现形式包括层次化区域调控和邻近共享信息两种样式。
在实现本发明的过程中,发明人发现现有技术存在以下技术问题:
每个路口的控灯模型各自单独训练,效率低效,无法实现全局层次的直接调度。
发明内容
本发明实施例提供一种信息处理方法及装置,以提高对多路口交通灯控制的效率。
第一方面,本发明实施例提供了一种信息处理方法,包括:
获取待控制区域内的至少一个路口的交通状况信息和所述至少一个路口的交通控制信息;
获取所述待控制区域内的全局交通状态信息;
根据所述至少一个路口的交通状况信息、所述至少一个路口的交通控制信息以及所述全局交通状态信息,确定对目标路口的交通控制信息的调整信息;所述目标路口为所述至少一个路口的一个路口或者多个路口;
根据所述调整信息,对所述目标路口的交通控制信号进行调整。
其中,在所述获取待控制区域内的至少一个路口的交通状况信息和所述至少一个路口的交通控制信息之前,所述方法还包括:
生成单路口交通控制模型;
所述至少一个路口的交通控制信息是基于所述单路口交通控制模型获得的。
其中,所述生成单路口交通控制模型,包括:
采集至少一个路口的交通状况信息;
将获得的至少一个路口的交通状况信息进行状态转换,其中,状态转换后的交通状况信息具有统一格式的交通状态表达;
将状态转换后的所述交通状况划分成至少一个子任务;
利用深度学习模型,对所述至少一个子任务进行联合训练,得到所述单路口交通控制模型。
其中,在所述得到所述单路口交通控制模型之后,所述方法还包括:
对所述单路口交通控制模型进行迭代优化,得到优化后的单路口交通控制模型。
其中,所述对所述单路口交通控制模型进行迭代优化,得到优化后的单路口交通控制模型,包括:
从所述至少一个子任务中选取目标子任务;
构建所述单路口交通控制模型的模型副本并进入内循环;
利用所述目标子任务运行所述模型副本,得到运行结果;
基于所述运行结果更新所述单路口交通控制模型的模型权重,得到内循环的结果;
基于所述内循环的结果计算二次梯度更新模型,得到优化后的单路口交通控制模型。
其中,所述根据所述至少一个路口的交通状况信息、所述至少一个路口的交通控制信息以及所述全局交通状态信息,确定对目标路口的交通控制信息的调整信息,包括:
分别利用全连接线性网络和卷积网络对所述至少一个路口的交通状况信息、所述至少一个路口的交通控制信息以及所述全局交通状态信息进行处理,得到处理结果;
根据所述处理结果,使用循环神经网络建模序列关系;
基于所述循环神经网络建模序列关系得到的隐性状态映射,确定所述目标路口以及对所述目标路口的交通控制信息的调整信息。
第二方面,本发明实施例提供了一种信息处理装置,包括:
第一获取模块,用于获取待控制区域内的至少一个路口的交通状况信息和所述至少一个路口的交通控制信息;
第二获取模块,用于获取所述待控制区域内的全局交通状态信息;
第一确定模块,用于根据所述至少一个路口的交通状况信息、所述至少一个路口的交通控制信息以及所述全局交通状态信息,确定对目标路口的交通控制信息的调整信息;所述目标路口为所述至少一个路口的一个路口或者多个路口;
第一调整模块,用于根据所述调整信息,对所述目标路口的交通控制信号进行调整。
其中,所述装置还包括:
生成模块,用于生成单路口交通控制模型;
所述至少一个路口的交通控制信息是基于所述单路口交通控制模型获得的。
其中,所述生成模块包括:
采集子模块,用于采集至少一个路口的交通状况信息;
转换子模块,用于将获得的至少一个路口的交通状况信息进行状态转换,其中,状态转换后的交通状况信息具有统一格式的交通状态表达;
划分子模块,用于将状态转换后的所述交通状况划分成至少一个子任务;
训练子模块,用于利用深度学习模型,对所述至少一个子任务进行联合训练,得到所述单路口交通控制模型。
其中,所述生成模块还包括:
处理子模块,用于对所述单路口交通控制模型进行迭代优化,得到优化后的单路口交通控制模型。
其中,所述处理子模块包括:
选取单元,用于从所述至少一个子任务中选取目标子任务;
构建单元,用于构建所述单路口交通控制模型的模型副本并进入内循环;
第一获取单元,用于利用所述目标子任务运行所述模型副本,得到运行结果;
第二获取单元,用于基于所述运行结果更新所述单路口交通控制模型的模型权重,得到内循环的结果;
第三获取单元,用于基于所述内循环的结果计算二次梯度更新模型,得到优化后的单路口交通控制模型。
其中,所述第一确定模块包括:
第一处理子模块,用于分别利用全连接线性网络和卷积网络对所述至少一个路口的交通状况信息、所述至少一个路口的交通控制信息以及所述全局交通状态信息进行处理,得到处理结果;
第二处理子模块,用于根据所述处理结果,使用循环神经网络建模序列关系;
第一确定子模块,用于基于所述循环神经网络建模序列关系得到的隐性状态映射,确定所述目标路口以及对所述目标路口的交通控制信息的调整信息。
在本发明实施例中,通过待控制区域内的至少一个路口的交通状况信息、至少一个路口的交通控制信息以及获取的全局交通状态信息确定对目标路口的交通控制信息的调整信息,并根据该调整信息对目标路口的交通控制信号进行调整。由于考虑了全局交通状态信息,因此,利用本发明实施例的方案可提高对多路口交通灯控制的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的信息处理方法的流程图之一;
图2是本发明实施例提供的生成单路口交通控制模型的流程图;
图3是本发明实施例提供的信息处理方法的流程图之二;
图4是本发明实施例提供的系统框图;
图5是本发明实施例提供的单路口交通控制模型的示意图;
图6是本发明实施例提供的信息处理装置的结构图之一;
图7是本发明实施例提供的信息处理装置的结构图之二;
图8是本发明实施例提供的生成模块的结构图之一;
图9是本发明实施例提供的生成模块的结构图之二;
图10是本发明实施例提供的处理子模块的结构图;
图11是本发明实施例提供的第一确定模块的结构图;
图12是本发明实施例提供的信息处理设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,图1是本发明实施例提供的信息处理方法的流程图,如图1所示,包括以下步骤:
步骤101、获取待控制区域内的至少一个路口的交通状况信息和所述至少一个路口的交通控制信息。
其中,所述待控制区域可以指的是任意区域,该区域中包括至少一个路口。不同的路口具有不同的交通状况信息和交通控制信息,其中,交通状况信包括:路口等待车辆数量,路口车辆平均通行时间,路口平均通过车辆数,路口车辆分布密度;交通状态信息可包括交通信号灯的实时状态等。
其中,所述至少一个路口的交通控制信息是基于本发明实施例中的单路口交通控制模型获得的。因此,本发明实施例还可包括生成单路口交通控制模型。在各个路口,通过运行该单路口交通控制模型可获得该路口的交通控制信息。
在实际应用中,可收集多个路口的多样的交通数据,通过交通状态转换方法将收集到的数据转化为一致的交通状态表达。基于交通路口形态(比如三岔口,十字路口以及其他形式的路口)及其交通状况(不同方向不同车流量大小的在不同时间上的组合)划分成不同的单路口交通调控子任务,通过在多个不同的单路口交通调控子任务上的联合学习和迭代优化,训练得到一个可以应对多种交通状况的具备快速适应能力的单路口交通控制模型。基于此单路口交通控制模型,在不同路口的使用过程中,使用其特定的交通状况,快速优化得到对应路口的单路口交通控制模型。
如图2所示,生成单路口交通控制模型的步骤包括:
步骤201、采集至少一个路口的交通状况信息。
其中,所述至少一个路口可以具有不同的路口形态,比如十字路口,丁字路口等。所述交通状况信息可包括:路口等待车辆数量,路口车辆平均通行时间,路口平均通过车辆数,路口车辆分布密度,交通灯的实时状态等。
步骤202、将获得的至少一个路口的交通状况信息进行状态转换,其中,状态转换后的交通状况信息具有统一格式的交通状态表达。
在本发明实施例中,具有统一格式的交通状态表达是指:针对不同物理形态的路口(比如三岔口,十字路口等),原本不一致无法直接共享的交通状态(比如不同个数的车流矩阵,以及不同方向之间的位置关系变化等),将其转换为互相存在竞争关系的方向之间的两两组合表征。通过在两两之间进行竞争和选择来实现,从而使得由此训练的模型存在较强的泛化推广能力。或者,还可基于不同的路口形态将交通状况信息进行归类,然后在各个类路口之间直接共享数据和特征。
步骤203、将状态转换后的所述交通状况划分成至少一个子任务。
在本发明实施例中,将每个路口的数据集上看做是一个独立的子任务,也可通过将具备相似物理形态和车流状态的路口数据进行融合,从而得到多个具有代表性的路口数据集,并将该路口数据集作为单路口调控的子任务。
步骤204、利用深度学习模型,对所述至少一个子任务进行联合训练,得到所述单路口交通控制模型。
在本发明实施例中,并不对采用的深度学习模型进行限定。在形成了多个子任务的基础上,在本发明实施例中构建统一的单路口深度学习模型即单路口交通控制模型,来完成单路口交通状态调控。在设计该模型时,将网络结构设计为多层线性网络和卷积网络的组合。首先通过多层线性网络接受和处理底层的交通流特征(每个方向不同车道的车流数量,当前的信号灯状态),然后通过两两组合,构建特征矩阵,通过卷积网络进一步提取特征,并输出最终调控信号,即当前时间周期内,应当选择哪个方向(车道)通行。
为了进一步提高模型的准确性,在上述过程的基础上,还可包括:
步骤205、对所述单路口交通控制模型进行迭代优化,得到优化后的单路口交通控制模型。
具体的,从所述至少一个子任务中选取目标子任务,其中,该目标子任务可以是随机选取的子任务。然后,构建所述单路口交通控制模型的模型副本并进入内循环,并利用所述目标子任务运行所述模型副本,得到运行结果。之后,基于所述运行结果更新所述单路口交通控制模型的模型权重,得到内循环的结果。最后,基于所述内循环的结果计算二次梯度更新模型,得到优化后的单路口交通控制模型。
在实际应用中,多任务联合训练的核心目的是通过让模型在多个子任务的学习从而掌握快速学习的能力,从而实现在任意给定的路口数据集下快速的迭代出在针对性的表现优异的模型。具体而言,在初始化模型后,从多个子任务中随机采样子任务,构建模型副本进入内循环,基于子任务执行正常优化更新模型权重,完成子任务后,退出内循环,基于内循环更新结果计算二次梯度更新模型,然后不断重新采样子任务,迭代循环,直至性能不再提升即可。得到该优化模型后,在推理阶段,即可在各个路口基于自己的数据集进行微调实现快速迭代,达到其上的最优结果,从而实现泛化推广。
步骤102、获取所述待控制区域内的全局交通状态信息。
所述全局交通状态信息指的是用于反应整个待控制区域的交通状态信息,比如,交通网络平均吞吐率,交通网络空间车辆密度分布,交通网络各路段的平均通行速度等。
步骤103、根据所述至少一个路口的交通状况信息、所述至少一个路口的交通控制信息以及所述全局交通状态信息,确定对目标路口的交通控制信息的调整信息;所述目标路口为所述至少一个路口的一个路口或者多个路口。
具体的,在此步骤中,分别利用全连接线性网络和卷积网络对所述至少一个路口的交通状况信息、所述至少一个路口的交通控制信息以及所述全局交通状态信息进行处理,得到处理结果,然后,根据所述处理结果,使用循环神经网络建模序列关系。最后,基于所述循环神经网络建模序列关系得到的隐性状态映射,确定所述目标路口以及对所述目标路口的交通控制信息的调整信息。
步骤104、根据所述调整信息,对所述目标路口的交通控制信号进行调整。
在本发明实施例中,所述调整例如可以包括改变交通控制信号的控制时长,状态等等。
在本发明实施例中,通过待控制区域内的至少一个路口的交通状况信息、至少一个路口的交通控制信息以及获取的全局交通状态信息确定对目标路口的交通控制信息的调整信息,并根据该调整信息对目标路口的交通控制信号进行调整。由于考虑了全局交通状态信息,因此,利用本发明实施例的方案可提高对多路口交通灯控制的效率。
参见图3,图3是本发明实施例提供的信息处理方法的流程图。在本发明实施例中,整个的处理流程可包括:单路口调控模型迭代优化以及全局交通控制与感知两部分。
如图3所示,单路口调控模型迭代优化包括以下步骤:
步骤301、采集至少一个路口的交通状况信息。
其中,所述至少一个路口可以具有不同的路口形态,比如十字路口,丁字路口等。所述交通状况信息可包括:路口等待车辆数量,路口车辆平均通行时间,路口平均通过车辆数,路口车辆分布密度,交通灯的实时状态等。
步骤302、将获得的至少一个路口的交通状况信息进行状态转换。
在本发明实施例中,针对不同物理形态的路口(比如三岔口,十字路口等),原本不一致无法直接共享的交通状态(比如不同个数的车流矩阵,以及不同方向之间的位置关系变化等),将其转换为互相存在竞争关系的方向之间的两两组合表征。通过在两两之间进行竞争和选择来实现,从而使得由此训练的模型存在较强的泛化推广能力。或者,还可基于不同的路口形态将交通状况信息进行归类,然后在各个类路口之间直接共享数据和特征。
步骤303、将状态转换后的所述交通状况划分成至少一个子任务。
在本发明实施例中,将每个路口的数据集上看做是一个独立的子任务,也可通过将具备相似物理形态和车流状态的路口数据进行融合,从而得到多个具有代表性的路口数据集,并将该路口数据集作为单路口调控的子任务。
步骤304、多任务联合训练,得到单路口交通控制模型。
在形成了多个子任务的基础上,在本发明实施例中构建统一的单路口深度学习模型即单路口交通控制模型,来完成单路口交通状态调控。
在设计该模型时,将网络结构设计为多层线性网络和卷积网络的组合。首先通过多层线性网络接受和处理底层的交通流特征(每个方向不同车道的车流数量,当前的信号灯状态),然后通过两两组合,构建特征矩阵,通过卷积网络进一步提取特征,并输出最终调控信号,即当前时间周期内,应当选择哪个方向(车道)通行。
步骤305、根据各个路口交通状况调整获得的单路口交通控制模型模型。
基于步骤304中获得的模型,在不同路口的使用过程中,使用其特定的交通状况,快速优化得到对应路口的单路口交通控制模型。
再如图3所示,全局交通控制与感知包括以下步骤:
步骤306、采集全局交通状态信息。
所述全局交通状态信息例如可以包括交通网络平均吞吐率,交通网络空间车辆密度分布,交通网络各路段的平均通行速度等。
步骤307、从多个路口获得交通状况信息以及交通控制信息。
步骤308、确定待调整的路口以及调整方式。
在此,根据步骤306和步骤307获得的信息,确定待调整的路口以及对其的调整方式。例如,确定需要对路口A进行调整,将其红灯的控制时长增加。
在实际应用中,可重复执行步骤306-308,以实现较好的交通状态。
如图4所示,为本发明实施例的系统框图。单路口的采集的交通信息包括:路口等待车辆数量,路口车辆平均通行时间,路口平均通过车辆数,路口车辆分布密度,交通灯的实时状态等,全局采集的交通信息包括交通网络平均吞吐率,交通网络空间车辆密度分布,交通网络各路段的平均通行速度等。其中,单路口agent(代理)输入为路口不同方向的等待车辆数及车辆分布密度等,输出交通信号状态(红/绿);全局agent(代理)的输入为交通网络的全局状态信息,输出为需要进行上层干预的路口编号。
如图5所示,为本发明实施例中的单路口交通控制模型的示意图。其中,图中示出了底层agent与上层agent的信息交互图,以及基于多层神经网络的底层agent网络模型示意,上层全局交通感知与调控单元的网络模型示意。
在单个路口根据自己的路口状况完成模型训练之后,进行全局的多路口协同调控。首先各个单路口agent将自身的交通状况和信号灯方案(A)报告给顶层控制器,同时顶层控制器还将采集反映全局状态信息(G),如网络内车辆平均通行时间,网络平均通过车辆数,网络车辆分布密度等。
顶层控制器接收以上两类信息,分别用全连接线性网络和卷积网络处理并抽取特征,随后使用循环神经网络建模序列关系,从而将网络中的历史信息考虑进去,最后基于得到的隐状态映射得到需要干预的路口位置,对其调控信号进行调整,从而优化全局的交通状态。
本发明实施例还提供了一种信息处理装置。参见图6,图6是本发明实施例提供的信息处理装置的结构图。由于信息处理装置解决问题的原理与本发明实施例中信息处理方法相似,因此该信息处理装置的实施可以参见方法的实施,重复之处不再赘述。
如图6所示,信息处理装置600包括:
第一获取模块601,用于获取待控制区域内的至少一个路口的交通状况信息和所述至少一个路口的交通控制信息;第二获取模块602,用于获取所述待控制区域内的全局交通状态信息;第一确定模块603,用于根据所述至少一个路口的交通状况信息、所述至少一个路口的交通控制信息以及所述全局交通状态信息,确定对目标路口的交通控制信息的调整信息;所述目标路口为所述至少一个路口的一个路口或者多个路口;第一调整模块604,用于根据所述调整信息,对所述目标路口的交通控制信号进行调整。
可选的,如图7所示,所述装置还可包括:生成模块605,用于生成单路口交通控制模型;所述至少一个路口的交通控制信息是基于所述单路口交通控制模型获得的。
可选的,如图8所示,所述生成模块605包括:
采集子模块6051,用于采集至少一个路口的交通状况信息;转换子模块6052,用于将获得的至少一个路口的交通状况信息进行状态转换,其中,状态转换后的交通状况信息具有统一格式的交通状态表达;划分子模块6053,用于将状态转换后的所述交通状况划分成至少一个子任务;训练子模块6054,用于利用深度学习模型,对所述至少一个子任务进行联合训练,得到所述单路口交通控制模型。
可选的,如图9所示,所述生成模块605还可包括:处理子模块6055,用于对所述单路口交通控制模型进行迭代优化,得到优化后的单路口交通控制模型。
可选的,如图10所示,所述处理子模块6055包括:
选取单元60551,用于从所述至少一个子任务中选取目标子任务;构建单元60552,用于构建所述单路口交通控制模型的模型副本并进入内循环;第一获取单元60553,用于利用所述目标子任务运行所述模型副本,得到运行结果;第二获取单元60554,用于基于所述运行结果更新所述单路口交通控制模型的模型权重,得到内循环的结果;第三获取单元60555,用于基于所述内循环的结果计算二次梯度更新模型,得到优化后的单路口交通控制模型。
可选的,如图11所示,所述第一确定模块603包括:
第一处理子模块6031,用于分别利用全连接线性网络和卷积网络对所述至少一个路口的交通状况信息、所述至少一个路口的交通控制信息以及所述全局交通状态信息进行处理,得到处理结果;第二处理子模块6032,用于根据所述处理结果,使用循环神经网络建模序列关系;第一确定子模块6033,用于基于所述循环神经网络建模序列关系得到的隐性状态映射,确定所述目标路口以及对所述目标路口的交通控制信息的调整信息。
本发明实施例提供的装置,可以执行上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
如图12所示,本发明实施例的信息处理设备,包括:处理器1200,用于读取存储器1220中的程序,执行下列过程:
获取待控制区域内的至少一个路口的交通状况信息和所述至少一个路口的交通控制信息;
获取所述待控制区域内的全局交通状态信息;
根据所述至少一个路口的交通状况信息、所述至少一个路口的交通控制信息以及所述全局交通状态信息,确定对目标路口的交通控制信息的调整信息;所述目标路口为所述至少一个路口的一个路口或者多个路口;
根据所述调整信息,对所述目标路口的交通控制信号进行调整。
收发机1210,用于在处理器1200的控制下接收和发送数据。
其中,在图12中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器1200代表的一个或多个处理器和存储器1220代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。收发机1210可以是多个元件,即包括发送机和接收机,提供用于在传输介质上与各种其他装置通信的单元。处理器1200负责管理总线架构和通常的处理,存储器1220可以存储处理器1200在执行操作时所使用的数据。
处理器1200负责管理总线架构和通常的处理,存储器1220可以存储处理器1200在执行操作时所使用的数据。
处理器1200还用于读取所述程序,执行如下步骤:
生成单路口交通控制模型;
所述至少一个路口的交通控制信息是基于所述单路口交通控制模型获得的。
处理器1200还用于读取所述程序,执行如下步骤:
采集至少一个路口的交通状况信息;
将获得的至少一个路口的交通状况信息进行状态转换,其中,状态转换后的交通状况信息具有统一格式的交通状态表达;
将状态转换后的所述交通状况划分成至少一个子任务;
利用深度学习模型,对所述至少一个子任务进行联合训练,得到所述单路口交通控制模型。
处理器1200还用于读取所述程序,执行如下步骤:
对所述单路口交通控制模型进行迭代优化,得到优化后的单路口交通控制模型。
处理器1200还用于读取所述程序,执行如下步骤:
从所述至少一个子任务中选取目标子任务;
构建所述单路口交通控制模型的模型副本并进入内循环;
利用所述目标子任务运行所述模型副本,得到运行结果;
基于所述运行结果更新所述单路口交通控制模型的模型权重,得到内循环的结果;
基于所述内循环的结果计算二次梯度更新模型,得到优化后的单路口交通控制模型。
处理器1200还用于读取所述程序,执行如下步骤:
分别利用全连接线性网络和卷积网络对所述至少一个路口的交通状况信息、所述至少一个路口的交通控制信息以及所述全局交通状态信息进行处理,得到处理结果;
根据所述处理结果,使用循环神经网络建模序列关系;
基于所述循环神经网络建模序列关系得到的隐性状态映射,确定所述目标路口以及对所述目标路口的交通控制信息的调整信息。
本发明实施例提供的设备,可以执行上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
本发明实施例还提供一种可读存储介质,可读存储介质上存储有程序,该程序被处理器执行时实现上述信息处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。根据这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
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,均属于本发明的保护之内。
Claims (12)
1.一种信息处理方法,其特征在于,包括:
获取待控制区域内的至少一个路口的交通状况信息和所述至少一个路口的交通控制信息;
获取所述待控制区域内的全局交通状态信息;
根据所述至少一个路口的交通状况信息、所述至少一个路口的交通控制信息以及所述全局交通状态信息,确定对目标路口的交通控制信息的调整信息;所述目标路口为所述至少一个路口的一个路口或者多个路口;
根据所述调整信息,对所述目标路口的交通控制信号进行调整。
2.根据权利要求1所述的方法,其特征在于,在所述获取待控制区域内的至少一个路口的交通状况信息和所述至少一个路口的交通控制信息之前,所述方法还包括:
生成单路口交通控制模型;
所述至少一个路口的交通控制信息是基于所述单路口交通控制模型获得的。
3.根据权利要求2所述的方法,其特征在于,所述生成单路口交通控制模型,包括:
采集至少一个路口的交通状况信息;
将获得的至少一个路口的交通状况信息进行状态转换,其中,状态转换后的交通状况信息具有统一格式的交通状态表达;
将状态转换后的所述交通状况划分成至少一个子任务;
利用深度学习模型,对所述至少一个子任务进行联合训练,得到所述单路口交通控制模型。
4.根据权利要求3所述的方法,其特征在于,在所述得到所述单路口交通控制模型之后,所述方法还包括:
对所述单路口交通控制模型进行迭代优化,得到优化后的单路口交通控制模型。
5.根据权利要求4所述的方法,其特征在于,所述对所述单路口交通控制模型进行迭代优化,得到优化后的单路口交通控制模型,包括:
从所述至少一个子任务中选取目标子任务;
构建所述单路口交通控制模型的模型副本并进入内循环;
利用所述目标子任务运行所述模型副本,得到运行结果;
基于所述运行结果更新所述单路口交通控制模型的模型权重,得到内循环的结果;
基于所述内循环的结果计算二次梯度更新模型,得到优化后的单路口交通控制模型。
6.根据权利要求1所述的方法,其特征在于,所述根据所述至少一个路口的交通状况信息、所述至少一个路口的交通控制信息以及所述全局交通状态信息,确定对目标路口的交通控制信息的调整信息,包括:
分别利用全连接线性网络和卷积网络对所述至少一个路口的交通状况信息、所述至少一个路口的交通控制信息以及所述全局交通状态信息进行处理,得到处理结果;
根据所述处理结果,使用循环神经网络建模序列关系;
基于所述循环神经网络建模序列关系得到的隐性状态映射,确定所述目标路口以及对所述目标路口的交通控制信息的调整信息。
7.一种信息处理装置,其特征在于,包括:
第一获取模块,用于获取待控制区域内的至少一个路口的交通状况信息和所述至少一个路口的交通控制信息;
第二获取模块,用于获取所述待控制区域内的全局交通状态信息;
第一确定模块,用于根据所述至少一个路口的交通状况信息、所述至少一个路口的交通控制信息以及所述全局交通状态信息,确定对目标路口的交通控制信息的调整信息;所述目标路口为所述至少一个路口的一个路口或者多个路口;
第一调整模块,用于根据所述调整信息,对所述目标路口的交通控制信号进行调整。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
生成模块,用于生成单路口交通控制模型;
所述至少一个路口的交通控制信息是基于所述单路口交通控制模型获得的。
9.根据权利要求8所述的装置,其特征在于,所述生成模块包括:
采集子模块,用于采集至少一个路口的交通状况信息;
转换子模块,用于将获得的至少一个路口的交通状况信息进行状态转换,其中,状态转换后的交通状况信息具有统一格式的交通状态表达;
划分子模块,用于将状态转换后的所述交通状况划分成至少一个子任务;
训练子模块,用于利用深度学习模型,对所述至少一个子任务进行联合训练,得到所述单路口交通控制模型。
10.根据权利要求9所述的装置,其特征在于,所述生成模块还包括:
处理子模块,用于对所述单路口交通控制模型进行迭代优化,得到优化后的单路口交通控制模型。
11.根据权利要求10所述的装置,其特征在于,所述处理子模块包括:
选取单元,用于从所述至少一个子任务中选取目标子任务;
构建单元,用于构建所述单路口交通控制模型的模型副本并进入内循环;
第一获取单元,用于利用所述目标子任务运行所述模型副本,得到运行结果;
第二获取单元,用于基于所述运行结果更新所述单路口交通控制模型的模型权重,得到内循环的结果;
第三获取单元,用于基于所述内循环的结果计算二次梯度更新模型,得到优化后的单路口交通控制模型。
12.根据权利要求7所述的装置,其特征在于,所述第一确定模块包括:
第一处理子模块,用于分别利用全连接线性网络和卷积网络对所述至少一个路口的交通状况信息、所述至少一个路口的交通控制信息以及所述全局交通状态信息进行处理,得到处理结果;
第二处理子模块,用于根据所述处理结果,使用循环神经网络建模序列关系;
第一确定子模块,用于基于所述循环神经网络建模序列关系得到的隐性状态映射,确定所述目标路口以及对所述目标路口的交通控制信息的调整信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010381371.4A CN113628435A (zh) | 2020-05-07 | 2020-05-07 | 一种信息处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010381371.4A CN113628435A (zh) | 2020-05-07 | 2020-05-07 | 一种信息处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113628435A true CN113628435A (zh) | 2021-11-09 |
Family
ID=78377322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010381371.4A Pending CN113628435A (zh) | 2020-05-07 | 2020-05-07 | 一种信息处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113628435A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114446066A (zh) * | 2021-12-30 | 2022-05-06 | 银江技术股份有限公司 | 一种道路信号控制方法以及装置 |
CN115512554A (zh) * | 2022-09-02 | 2022-12-23 | 北京百度网讯科技有限公司 | 参数模型训练及交通信号控制方法、装置、设备和介质 |
-
2020
- 2020-05-07 CN CN202010381371.4A patent/CN113628435A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114446066A (zh) * | 2021-12-30 | 2022-05-06 | 银江技术股份有限公司 | 一种道路信号控制方法以及装置 |
CN115512554A (zh) * | 2022-09-02 | 2022-12-23 | 北京百度网讯科技有限公司 | 参数模型训练及交通信号控制方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110032782B (zh) | 一种城市级智能交通信号控制系统及方法 | |
CN113316808B (zh) | 通过交通状态的时空扩展搜索空间控制交通信号 | |
CN109215355A (zh) | 一种基于深度强化学习的单点交叉口信号配时优化方法 | |
CN113538910B (zh) | 一种自适应的全链条城市区域网络信号控制优化方法 | |
Hu et al. | A swarm intelligent method for traffic light scheduling: application to real urban traffic networks | |
CN111708641B (zh) | 一种内存管理方法、装置、设备及计算机可读存储介质 | |
CN113257016B (zh) | 一种交通信号控制方法、装置以及可读存储介质 | |
CN113643528A (zh) | 信号灯控制方法、模型训练方法、系统、装置及存储介质 | |
CN114141028B (zh) | 智能红绿灯车流调控系统 | |
CN113628435A (zh) | 一种信息处理方法及装置 | |
Lin et al. | Scheduling eight-phase urban traffic light problems via ensemble meta-heuristics and Q-learning based local search | |
CN115951587A (zh) | 自动驾驶控制方法、装置、设备、介质及自动驾驶车辆 | |
Shamsi et al. | Reinforcement learning for traffic light control with emphasis on emergency vehicles | |
CN116453343A (zh) | 智能网联环境下基于流量预测的智能交通信号控制优化算法、软件与系统 | |
Guzmán et al. | A reinforcement learning-based distributed control scheme for cooperative intersection traffic control | |
Wang et al. | Transworldng: Traffic simulation via foundation model | |
Jiang et al. | A general scenario-agnostic reinforcement learning for traffic signal control | |
KR20220128051A (ko) | 도시부 도로의 도로망 셀 단위 교통량 변화 시뮬레이션 방법 및 컴퓨터 프로그램 | |
CN114613159B (zh) | 基于深度强化学习的交通信号灯控制方法、装置及设备 | |
Guo et al. | Network multiscale urban traffic control with mixed traffic flow | |
Zhao et al. | Enhancing traffic signal control with composite deep intelligence | |
Chen et al. | Traffic signal optimization control method based on adaptive weighted averaged double deep Q network | |
CN113628442A (zh) | 一种基于多信号灯强化学习的交通组织方案优化方法 | |
Bao et al. | Spatial Influence-aware Reinforcement Learning for Intelligent Transportation System | |
Friesen et al. | Multi-Agent Deep Reinforcement Learning For Real-World Traffic Signal Controls-A Case Study |
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 |