CN114202935A - 一种基于云端网络的路口信号灯的时间分配方法及装置 - Google Patents

一种基于云端网络的路口信号灯的时间分配方法及装置 Download PDF

Info

Publication number
CN114202935A
CN114202935A CN202111357017.9A CN202111357017A CN114202935A CN 114202935 A CN114202935 A CN 114202935A CN 202111357017 A CN202111357017 A CN 202111357017A CN 114202935 A CN114202935 A CN 114202935A
Authority
CN
China
Prior art keywords
time
intersection
parameter
traffic
expected
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.)
Granted
Application number
CN202111357017.9A
Other languages
English (en)
Other versions
CN114202935B (zh
Inventor
钟祯德
蒙康正
梁安宁
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.)
Guangxi Zhongke Shuguang Cloud Computing Co ltd
Original Assignee
Guangxi Zhongke Shuguang Cloud Computing 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 Guangxi Zhongke Shuguang Cloud Computing Co ltd filed Critical Guangxi Zhongke Shuguang Cloud Computing Co ltd
Priority to CN202111357017.9A priority Critical patent/CN114202935B/zh
Publication of CN114202935A publication Critical patent/CN114202935A/zh
Application granted granted Critical
Publication of CN114202935B publication Critical patent/CN114202935B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • 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
    • 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
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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

Abstract

本发明公开了一种基于云端网络的路口信号灯的时间分配方法、装置、电子设备及计算机可读存储介质，所述方法适用于云端网络，所述云端网络分别与多个采集组件连接，每个所述采集组件设置在道路的一个路口上，所述方法包括：通过所述采集组件实时采集每个道路路口的交通参数；利用预设的神经网络计算所述交通参数对应路口的期望时间值；结合所述期望时间值与所述交通参数计算对应路口的期望分配时间参数；采用所述期望分配时间参数分配路口信号灯的输出时间。本发明可以根据实时交通状况分配相适配的信号灯控制时间，实现有效疏导交通状况，降低道路拥堵的概率的技术效果。

Description

一种基于云端网络的路口信号灯的时间分配方法及装置
技术领域
本发明涉及交通管理的技术领域，尤其涉及一种基于云端网络的路口信号灯的时间分配方法及装置。
背景技术
随着城市化进程的不断推进，机动车保有量迅速上升，城市道路拥堵情况日益严重，城市道路叉路口交通面临越来越多的挑战，各大城市都面临不同程度的道路拥挤和出行困难的情况，现有的城市道路叉路信号灯难以满足现在的道路交通状况。为保障车辆在城市道路间的正常运行，道路路口的交通信号控制尤其重要。
目前常见的路口交通信号控制主要通过交通信号控制器来实现。其控制方式通常是按照预设的时间进行控制，即每个路口设置一定的停车或通行时长，基于时长控制灯亮灯灭，并且路口的每一个方向的通行时间一经设定在运行中是不改变的，以避免出现混乱的情况。
但目前常用的控制方式有如下技术问题：由于车辆的数量逐渐增加，使得每个路口的通行车辆的数量也在时刻发生变化，导致道路路口出现的交通状况千变万化，若按照特定时间进行控制，一旦当某一个方向拥堵或者多个方向拥堵时，容易出现单一方向拥堵严重，其余方向道路空旷无车辆使用，进一步增加拥挤的概率。
发明内容
本发明提出一种基于云端网络的路口信号灯的时间分配方法及装置，所述方法可以基于实时交通状态进行信号的时间分配，从而为各个路口提供适配的信号指挥，有效疏导交通状况，降低道路拥堵的概率。
本发明实施例的第一方面提供了一种基于云端网络的路口信号灯的时间分配方法，所述方法适用于云端网络，所述云端网络分别与多个采集组件连接，每个所述采集组件设置在道路的一个路口上，所述方法包括：
通过所述采集组件实时采集每个道路路口的交通参数；
利用预设的神经网络计算所述交通参数对应路口的期望时间值；
结合所述期望时间值与所述交通参数计算对应路口的期望分配时间参数；
采用所述期望分配时间参数分配路口信号灯的输出时间。
在第一方面的一种可能的实现方式中，所述交通参数包括：车辆行驶速度、车流数量和车辆通过率；所述预设的神经网络为三层BP的神经网络模型；
所述利用预设的神经网络计算所述交通参数对应路口的期望时间值，具体为：
将所述交通参数输入至第一层BP的神经网络模型并进行规划化处理，得到输入层向量；
将所述输入层向量映射至第二层BP的神经网络模型得到中间层向量，所述中间层向量包含直行向量、左转向量和右转向量；
利用第三层BP的神经网络模型分别对所述直行向量、所述左转向量和所述右转向量分配对应的时间占比值并集合输出，得到路口对应的期望时间值。
在第一方面的一种可能的实现方式中，所述交通参数还包括：直行概率、左转概率和右转概率；
所述结合所述期望时间值与所述交通参数计算对应路口的期望分配时间参数，包括：
将所述直行概率与所述直行向量对应的时间占比值相乘得到直行时间参数，将所述左转概率与所述左转向量对应的时间占比值相乘得到左转时间参数，以及将所述右转概率与所述右转向量对应的时间占比值相乘得到右转时间参数；
将所述直行时间参数、所述左转时间参数和所述右转时间参数的时长相加得到路口对应的期望分配时间参数。
在第一方面的一种可能的实现方式中，在所述结合所述期望时间值与所述交通参数计算对应路口的期望分配时间参数的步骤后，所述方法还包括：
确定当前时间节点，并按照当前时间节点从预设的云端数据库中提取历史分配时间参数；
加权平均所述期望分配时间参数与所述历史分配时间参数得到优化分配时间参数。
在第一方面的一种可能的实现方式中，所述采用所述期望分配时间参数分配路口信号灯的输出时间，包括：
预测路口信号灯在下一个触发使用的触发时间节点；
当到达所述触发时间节点时，将所述期望分配时间参数发送至路口信号灯对应的驱动设备中，以控制路口信号灯的启动并输出时间。
在第一方面的一种可能的实现方式中，所述规划化处理，具体为：
将所述交通参数与预设的指标值相乘得到交通指标值；
将所述交通指标值转换成第一层BP的神经网络模型对应格式的向量。
本发明实施例的第二方面提供了一种基于云端网络的路口信号灯的时间分配装置，所述装置适用于云端网络，所述云端网络分别与多个采集组件连接，每个所述采集组件设置在道路的一个路口上，所述装置包括：
采集模块，用于通过所述采集组件实时采集每个道路路口的交通参数；
期望计算模块，用于利用预设的神经网络计算所述交通参数对应路口的期望时间值；
时间计算模块，用于结合所述期望时间值与所述交通参数计算对应路口的期望分配时间参数；
控制模块，用于采用所述期望分配时间参数分配路口信号灯的输出时间。
在第二方面的一种可能的实现方式中，所述交通参数包括：车辆行驶速度、车流数量和车辆通过率；所述预设的神经网络为三层BP的神经网络模型；
所述期望计算模块还用于：
将所述交通参数输入至第一层BP的神经网络模型并进行规划化处理，得到输入层向量；
将所述输入层向量映射至第二层BP的神经网络模型得到中间层向量，所述中间层向量包含直行向量、左转向量和右转向量；
利用第三层BP的神经网络模型分别对所述直行向量、所述左转向量和所述右转向量分配对应的时间占比值并集合输出，得到路口对应的期望时间值。
相比于现有技术，本发明实施例提供的一种基于云端网络的路口信号灯的时间分配方法及装置，其有益效果在于：本发明可以通过采集组件实时采集每个道路路口的交通参数，以确定实时交通状况，接着根据实时交通状态计算所需的期望时间，以及利用期望时间至分配相适配的时间，进而可以根据适配的时间路口信号灯操作，实现有效疏导交通状况，降低道路拥堵的概率。
附图说明
图1是本发明一实施例提供的一种基于云端网络的路口信号灯的时间分配方法的流程示意图；
图2是本发明一实施例提供的一种基于云端网络的路口信号灯的时间分配装置的结构示意图。
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。
目前常用的控制方式有如下技术问题：由于车辆的数量逐渐增加，使得每个路口的通行车辆的数量也在时刻发生变化，导致道路路口出现的交通状况千变万化，若按照特定时间进行控制，一旦当某一个方向拥堵或者多个方向拥堵时，容易出现单一方向拥堵严重，其余方向道路空旷无车辆使用，进一步增加拥挤的概率。
为了解决上述问题，下面将通过以下具体的实施例对本申请实施例提供的一种基于云端网络的路口信号灯的时间分配方法进行详细介绍和说明。
参照图1，示出了本发明一实施例提供的一种基于云端网络的路口信号灯的时间分配方法的流程示意图。
在一实施例中，所述方法适用于云端网络，所述云端网络分别与多个采集组件连接，每个所述采集组件设置在道路的一个路口上。
在应用时，采集组件可以包括感应器、红外数据采集器、摄像头等设备。具体可以设置在每个路口的信号灯处(安装红绿灯的栏杆上)，以检测每个路口的交通状况，从而可以根据其交通状态进行信号灯的分配。
其中，作为示例的，所述基于云端网络的路口信号灯的时间分配方法，可以包括：
S11、通过所述采集组件实时采集每个道路路口的交通参数。
在一实施例中，所述交通参数可以包括路口处各个车辆的行驶状况，例如车流量或车速等等，也可以包括信号灯的各种状态，例如，信号灯的分配时间、其分配时间的使用时长等。
需要说明的是，信号灯可以包括红灯、绿灯和黄灯，可选地，也可以是其它不同的交通指挥信号灯。
S12、利用预设的神经网络计算所述交通参数对应路口的期望时间值。
在确定路口的交通参数后，可以根据其交通参数确定路口的实际交通状况，可能是堵塞、畅顺或空闲等，从而可以根据其实际交通状态计算该路口将要适配的时间值。以匹配路口的实际交通状况。
需要说明的是，该期望时间值可以是与路口的当前交通状况相适配的信号灯闪亮的时间值。例如，红灯闪亮50秒、绿灯25秒和黄灯5秒。
在一可选的实施例中，所述交通参数包括：车辆行驶速度、车流数量和车辆通过率；所述预设的神经网络为三层BP的神经网络模型；
在一可选的实施例中，步骤S12可以包括以下子步骤：
子步骤S121、将所述交通参数输入至第一层BP的神经网络模型并进行规划化处理，得到输入层向量。
在其中一种实施例中，所述规划化处理，具体可以为：
将所述交通参数与预设的指标值相乘得到交通指标值。
将所述交通指标值转换成第一层BP的神经网络模型对应格式的向量。
例如，交通参数包括：车辆行驶速度(v)、车流数量(w)、车辆通过率(n)，将上述三个参数分别与对应的指标值相乘。如，车辆行驶速度(v)对应的是单车延误时间系数，车流数量(w)对应的是整个路段期望值指标系数，车辆通过率(n)对应的是道路期望值指标系数。其中，单车延误时间系数为1，整个路段期望值指标系数为2，道路期望值指标系数为3。
将参数与预设指标值相乘后可以得到三个交通指标值，然后将三个交通指标值转换成第一层BP的神经网络模型对应格式的向量，得到输入层向量X＝{x1,x2,x3}；其中，x1为单车延误时间系数对应的交通指标值，x2为整个路段期望值指标系数对应的交通指标值，x3为道路期望值指标系数对应的交通指标值。
子步骤S122、将所述输入层向量映射至第二层BP的神经网络模型得到中间层向量，所述中间层向量包含直行向量、左转向量和右转向量。
然后将所述输入层向量映射到第二层BP的神经网络模型得到中间层向量，所述中间层向量可以为Y＝{y1，y2，y3，y4…ym}，m为节点个数。
结合上述实施例，输入层向量包括三个，映射得到的中间层向量为Y＝{y1，y2，y3}。其中，y1，y2和y3分别表示为直行向量、左转向量和右转向量。
子步骤S123、利用第三层BP的神经网络模型分别对所述直行向量、所述左转向量和所述右转向量分配对应的时间占比值并集合输出，得到路口对应的期望时间值。
在一实施例中，利用第三层BP的神经网络模型分别对直行向量、左转向量和右转向量分配对应的时间占比值，得到三个向量分别对应的一个时间占比值，最后将三个时间占比值构成以集合输出，从而得到该路口对应的期望时间值。
在一实施例中，其分配方式可以按照三个向量的权重进行分配，三个向量的权重可以是用户预先设定，也可以由第三层BP的神经网络模型分根据三个交通指标值进行计算后确定。接着，按照权重的大小分配对应通信时间。在分配时间的过程中，可以按照权重划分预设的总时间，从而得到每个向量对应的时间占比值，其中，预设的总时间可以根据不同路口预先设施，每个路口可以分配30秒、60秒或90秒。
例如，可以是车辆通过率(n)*0.5+车流数量(w)*0.3+车辆行驶速度(v)*0.2＝直行向量的权重；车辆通过率(n)*0.2+车流数量(w)*0.5+车辆行驶速度(v)*0.3＝左转向量的权重；车辆通过率(n)*0.3+车流数量(w)*0.2+车辆行驶速度(v)*0.5＝右转向量的权重。假设计算的直行向量的权重、左转向量的权重和右转向量的权重分别为10、4、6，总时间为60秒，则直行向量的权重、左转向量的权重和右转向量的权重分配的时间占比值分别为30秒、12秒和18秒。
最后，可以将三个时间占比值集合输出，得到输出层向量D＝{d1,d2,d3}。其中，d1为直行向量的时间占比值，d2为左转向量的时间占比值，d3为右转向量的时间占比值。
S13、结合所述期望时间值与所述交通参数计算对应路口的期望分配时间参数。
在确定路口对应的期望时间值后，再结合路口的实时交通状况，对其进行相应的时间分配，以满足实时的调度需求。
可选地，所述交通参数还包括：直行概率、左转概率和右转概率；
可选地，可以通过采集组件在预设的时间间隔内分别采集直行、左转和右转分别对应的车流量，基于三个车流量确定其对应概率。
例如，直行、左转和右转分别对应的车流量为100、40和60，对应地直行、左转和右转分别对应的概率为50％、20％、30％。
需要说明的是，若在计算中出现小数点，采用四舍五入原则，若两者数值均进1，则采用多退小补原则。假如，分别计算的概率为50％、17.5％和32.5％，调整后得到50％、18％和32％。
在其中一种的实施例中，步骤S13可以包括以下子步骤：
子步骤S131、将所述直行概率与所述直行向量对应的时间占比值相乘得到直行时间参数，将所述左转概率与所述左转向量对应的时间占比值相乘得到左转时间参数，以及将所述右转概率与所述右转向量对应的时间占比值相乘得到右转时间参数。
子步骤S132、将所述直行时间参数、所述左转时间参数和所述右转时间参数的时长相加得到路口对应的期望分配时间参数。
结合上述例子，作进一步说明，假设，直行、左转和右转分别对应的概率为50％、20％、30％，直行、左转和右转分别对应的时间占比值分别30秒、12秒和18秒，计算后得到直行时间参数、左转时间参数和右转时间参数分别为15秒、2.4秒、4.8秒。若有小数点，则采用进一原则，调整后分别得到的时间为15秒、3秒、5秒，最后再将这三个时间相加，得到23秒。23秒则为这个路口的期望分配时间参数。
可选地，可以采用上述期望分配时间参数作为该路口的绿灯闪亮时间，以作为该路口的通行的时长。
由于在不同的节假日或者不同的时间段，所要分配的时间可能不同，例如在上下班高峰期分配的时间和深夜凌晨所要分配的时间不同，为了进一步优化所要分配的时间，在一实施例中，在步骤S13后，所述方法还可以包括：
S21、确定当前时间节点，并按照当前时间节点从预设的云端数据库中提取历史分配时间参数。
可选地，当前时间节点可以是日，可以是小时，也可以是时段。
在确定当前时间节点后，可以根据当前时间节点从预设的云端数据库中提取历史分配时间参数。所述历史分配时间参数可以是关于当前时间节点的在先计算得到的期望分配时间参数。
在一实施例中，历史分配时间参数可以是一个或多个。
在一实施例中，每次计算得到期望分配时间参数后，可以将该期望分配时间参数存储在预设的云端数据库中，以作后续的参考或计算。
S22、加权平均所述期望分配时间参数与所述历史分配时间参数得到优化分配时间参数。
在获取期望分配时间参数和历史分配时间参数后，可以将期望分配时间参数与一个或多个历史分配时间参数作加权平均计算，从而得到优化的优化分配时间参数。
S14、采用所述期望分配时间参数分配路口信号灯的输出时间。
在一实施例中，若计算得到期望分配时间参数，可以以期望分配时间参数作为该路口的绿灯闪亮时间，从而可以根据该时间控制绿灯闪亮，而红灯时间可以为其余路口的绿灯闪亮时间与黄灯闪亮时间的综合。
例如，一个丁字路口，三个路口分别的绿灯闪亮时间为15秒、20秒、25秒，每个路口的黄灯闪亮时间均为5秒，则三个路口的红灯闪亮时间分别为20+25+5+5＝55秒、15+25+5+5＝50秒、15+20+5+5＝45秒。
可选地，若是得到优化分配时间参数，可以利用优化分配时间参数控制绿灯闪亮。
在确定其具体的控制时间后，为了准确分别时间，使得该路口可以立即使用重新计算后的期望分配时间参数，在一实施例中，步骤S14可以包括以下子步骤：
子步骤S141、预测路口信号灯在下一个触发使用的触发时间节点。
子步骤S142、当到达所述触发时间节点时，将所述期望分配时间参数发送至路口信号灯对应的驱动设备中，以控制路口信号灯的启动并输出时间。
触发时间节点为在下一个触发绿灯闪亮的时间节点。
在应用时，当到达触发时间节点时，可以将期望分配时间参数发送至路口信号灯对应的驱动设备中，从而通过驱动设备控制路口的绿灯的启动，并按照期望分配时间参数进行闪亮。
在本实施例中，本发明实施例提供了一种基于云端网络的路口信号灯的时间分配方法，其有益效果在于：本发明可以通过采集组件实时采集每个道路路口的交通参数，以确定实时交通状况，接着根据实时交通状态计算所需的期望时间，以及利用期望时间至分配相适配的时间，进而可以根据适配的时间路口信号灯操作，实现有效疏导交通状况，降低道路拥堵的概率。
本发明实施例还提供了一种基于云端网络的路口信号灯的时间分配装置，参见图2，示出了本发明一实施例提供的一种基于云端网络的路口信号灯的时间分配装置的结构示意图。
所述装置适用于云端网络，所述云端网络分别与多个采集组件连接，每个所述采集组件设置在道路的一个路口上。
其中，作为示例的，所述基于云端网络的路口信号灯的时间分配装置可以包括：
采集模块201，用于通过所述采集组件实时采集每个道路路口的交通参数；
期望计算模块202，用于利用预设的神经网络计算所述交通参数对应路口的期望时间值；
时间计算模块203，用于结合所述期望时间值与所述交通参数计算对应路口的期望分配时间参数；
控制模块204，用于采用所述期望分配时间参数分配路口信号灯的输出时间。
可选地，所述交通参数包括：车辆行驶速度、车流数量和车辆通过率；所述预设的神经网络为三层BP的神经网络模型；
所述期望计算模块还用于：
将所述交通参数输入至第一层BP的神经网络模型并进行规划化处理，得到输入层向量；
将所述输入层向量映射至第二层BP的神经网络模型得到中间层向量，所述中间层向量包含直行向量、左转向量和右转向量；
利用第三层BP的神经网络模型分别对所述直行向量、所述左转向量和所述右转向量分配对应的时间占比值并集合输出，得到路口对应的期望时间值。
可选地，所述交通参数还包括：直行概率、左转概率和右转概率；
所述时间计算模块还用于：
将所述直行概率与所述直行向量对应的时间占比值相乘得到直行时间参数，将所述左转概率与所述左转向量对应的时间占比值相乘得到左转时间参数，以及将所述右转概率与所述右转向量对应的时间占比值相乘得到右转时间参数；
将所述直行时间参数、所述左转时间参数和所述右转时间参数的时长相加得到路口对应的期望分配时间参数。
可选地，所述装置还包括：
确定时间模块，用于确定当前时间节点，并按照当前时间节点从预设的云端数据库中提取历史分配时间参数；
加权平均模块，用于加权平均所述期望分配时间参数与所述历史分配时间参数得到优化分配时间参数。
可选地，所述控制模块还用于：
预测路口信号灯在下一个触发使用的触发时间节点；
当到达所述触发时间节点时，将所述期望分配时间参数发送至路口信号灯对应的驱动设备中，以控制路口信号灯的启动并输出时间。
可选地，所述规划化处理，具体为：
将所述交通参数与预设的指标值相乘得到交通指标值；
将所述交通指标值转换成第一层BP的神经网络模型对应格式的向量。
进一步的，本申请实施例还提供了一种电子设备，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，所述处理器执行所述程序时实现如上述实施例所述的基于云端网络的路口信号灯的时间分配方法。
进一步的，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述实施例所述的基于云端网络的路口信号灯的时间分配方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种基于云端网络的路口信号灯的时间分配方法，其特征在于，所述方法适用于云端网络，所述云端网络分别与多个采集组件连接，每个所述采集组件设置在道路的一个路口上，所述方法包括：
通过所述采集组件实时采集每个道路路口的交通参数；
利用预设的神经网络计算所述交通参数对应路口的期望时间值；
结合所述期望时间值与所述交通参数计算对应路口的期望分配时间参数；
采用所述期望分配时间参数分配路口信号灯的输出时间。
2.根据权利要求1所述的基于云端网络的路口信号灯的时间分配方法，其特征在于，所述交通参数包括：车辆行驶速度、车流数量和车辆通过率；所述预设的神经网络为三层BP的神经网络模型；
所述利用预设的神经网络计算所述交通参数对应路口的期望时间值，具体为：
将所述交通参数输入至第一层BP的神经网络模型并进行规划化处理，得到输入层向量；
将所述输入层向量映射至第二层BP的神经网络模型得到中间层向量，所述中间层向量包含直行向量、左转向量和右转向量；
利用第三层BP的神经网络模型分别对所述直行向量、所述左转向量和所述右转向量分配对应的时间占比值并集合输出，得到路口对应的期望时间值。
3.根据权利要求2所述的基于云端网络的路口信号灯的时间分配方法，其特征在于，所述交通参数还包括：直行概率、左转概率和右转概率；
所述结合所述期望时间值与所述交通参数计算对应路口的期望分配时间参数，包括：
将所述直行概率与所述直行向量对应的时间占比值相乘得到直行时间参数，将所述左转概率与所述左转向量对应的时间占比值相乘得到左转时间参数，以及将所述右转概率与所述右转向量对应的时间占比值相乘得到右转时间参数；
将所述直行时间参数、所述左转时间参数和所述右转时间参数的时长相加得到路口对应的期望分配时间参数。
4.根据权利要求1-3任意一项所述的基于云端网络的路口信号灯的时间分配方法，其特征在于，在所述结合所述期望时间值与所述交通参数计算对应路口的期望分配时间参数的步骤后，所述方法还包括：
确定当前时间节点，并按照当前时间节点从预设的云端数据库中提取历史分配时间参数；
加权平均所述期望分配时间参数与所述历史分配时间参数得到优化分配时间参数。
5.根据权利要求1所述的基于云端网络的路口信号灯的时间分配方法，其特征在于，所述采用所述期望分配时间参数分配路口信号灯的输出时间，包括：
预测路口信号灯在下一个触发使用的触发时间节点；
当到达所述触发时间节点时，将所述期望分配时间参数发送至路口信号灯对应的驱动设备中，以控制路口信号灯的启动并输出时间。
6.根据权利要求2所述的基于云端网络的路口信号灯的时间分配方法，其特征在于，所述规划化处理，具体为：
将所述交通参数与预设的指标值相乘得到交通指标值；
将所述交通指标值转换成第一层BP的神经网络模型对应格式的向量。
7.一种基于云端网络的路口信号灯的时间分配装置，其特征在于，所述装置适用于云端网络，所述云端网络分别与多个采集组件连接，每个所述采集组件设置在道路的一个路口上，所述装置包括：
采集模块，用于通过所述采集组件实时采集每个道路路口的交通参数；
期望计算模块，用于利用预设的神经网络计算所述交通参数对应路口的期望时间值；
时间计算模块，用于结合所述期望时间值与所述交通参数计算对应路口的期望分配时间参数；
控制模块，用于采用所述期望分配时间参数分配路口信号灯的输出时间。
8.根据权利要求7所述的基于云端网络的路口信号灯的时间分配装置，其特征在于，所述交通参数包括：车辆行驶速度、车流数量和车辆通过率；所述预设的神经网络为三层BP的神经网络模型；
所述期望计算模块还用于：
将所述交通参数输入至第一层BP的神经网络模型并进行规划化处理，得到输入层向量；
将所述输入层向量映射至第二层BP的神经网络模型得到中间层向量，所述中间层向量包含直行向量、左转向量和右转向量；
利用第三层BP的神经网络模型分别对所述直行向量、所述左转向量和所述右转向量分配对应的时间占比值并集合输出，得到路口对应的期望时间值。
9.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任意一项所述的基于云端网络的路口信号灯的时间分配方法。
10.一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存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-6任意一项所述的基于云端网络的路口信号灯的时间分配方法。
CN202111357017.9A 2021-11-16 2021-11-16 一种基于云端网络的路口信号灯的时间分配方法及装置 Active CN114202935B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111357017.9A CN114202935B (zh) 2021-11-16 2021-11-16 一种基于云端网络的路口信号灯的时间分配方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111357017.9A CN114202935B (zh) 2021-11-16 2021-11-16 一种基于云端网络的路口信号灯的时间分配方法及装置

Publications (2)

Publication Number Publication Date
CN114202935A true CN114202935A (zh) 2022-03-18
CN114202935B CN114202935B (zh) 2023-04-28

Family

ID=80647732

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111357017.9A Active CN114202935B (zh) 2021-11-16 2021-11-16 一种基于云端网络的路口信号灯的时间分配方法及装置

Country Status (1)

Country Link
CN (1) CN114202935B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103646556A (zh) * 2013-12-16 2014-03-19 江苏大学 一种动态调整红绿灯时间的控制系统及控制方法
CN107358802A (zh) * 2017-06-14 2017-11-17 青岛破浪舟车船装备科技有限公司 一种交通信号区域联网智能通行系统
CN107945544A (zh) * 2017-12-12 2018-04-20 常州大学 一种基于动态车流量分配红绿灯的人工智能系统
CN108198441A (zh) * 2018-01-26 2018-06-22 杨立群 一种快速智能交通系统及方法
CN108335497A (zh) * 2018-02-08 2018-07-27 南京邮电大学 一种交通信号自适应控制系统及方法
CN108399763A (zh) * 2018-03-07 2018-08-14 辽宁工业大学 一种基于神经网络的交叉路口交通信号灯控制算法
CN108805348A (zh) * 2018-06-05 2018-11-13 北京京东金融科技控股有限公司 一种交叉口信号配时控制优化的方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103646556A (zh) * 2013-12-16 2014-03-19 江苏大学 一种动态调整红绿灯时间的控制系统及控制方法
CN107358802A (zh) * 2017-06-14 2017-11-17 青岛破浪舟车船装备科技有限公司 一种交通信号区域联网智能通行系统
CN107945544A (zh) * 2017-12-12 2018-04-20 常州大学 一种基于动态车流量分配红绿灯的人工智能系统
CN108198441A (zh) * 2018-01-26 2018-06-22 杨立群 一种快速智能交通系统及方法
CN108335497A (zh) * 2018-02-08 2018-07-27 南京邮电大学 一种交通信号自适应控制系统及方法
CN108399763A (zh) * 2018-03-07 2018-08-14 辽宁工业大学 一种基于神经网络的交叉路口交通信号灯控制算法
CN108805348A (zh) * 2018-06-05 2018-11-13 北京京东金融科技控股有限公司 一种交叉口信号配时控制优化的方法和装置

Also Published As

Publication number Publication date
CN114202935B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN108806283B (zh) 一种交通信号灯的控制方法及车联网平台
Zhang et al. Optimizing minimum and maximum green time settings for traffic actuated control at isolated intersections
CN105046987B (zh) 一种基于强化学习的路面交通信号灯协调控制方法
CN111915885B (zh) 一种城市道路交通仿真实验方法及系统
CN103996289B (zh) 一种流量-速度匹配模型及行程时间预测方法及系统
CN111371904A (zh) 云边端协同的高速公路云控系统及控制方法
CN111968370B (zh) 一种微波雷达智能可变车道感知系统及方法
Chang et al. Modelling and evaluation of adaptive bus-preemption control with and without automatic vehicle location systems
CN113066285B (zh) 一种路况信息确定方法、装置、电子设备及存储介质
CN104851280A (zh) 一种车辆行驶控制方法、装置、系统及相关设备
CN107747948B (zh) 一种电动汽车车载复合电源控制系统及方法
CN111341093A (zh) 车队的控制方法、装置、设备及存储介质
CN109859475B (zh) 一种基于dbscan密度聚类的交叉口信号控制方法、装置及系统
CN111899537B (zh) 一种基于边缘计算的交叉口信号控制移动调优装置和方法
Shingate et al. Adaptive traffic control system using reinforcement learning
CN114202935A (zh) 一种基于云端网络的路口信号灯的时间分配方法及装置
CN112286197A (zh) 一种基于离散时空的车辆纵向运动速度优化方法
CN116913109A (zh) 一种智慧城市交通信号灯控制系统
Li et al. Biobjective optimization and evaluation for transit signal priority strategies at bus stop-to-stop segment
Van et al. A fuzzy traffic signal control method for a single intersection under mixed traffic conditions
Li et al. State-space equations and the first-phase algorithm for signal control of single intersections
CN111667700A (zh) 基于短时交通状态预测的交叉口可变车道控制方法
CN113276863B (zh) 车辆控制方法、装置、设备、介质及程序产品
CN114419896B (zh) 基于数字孪生的交通信号灯控制方法、装置、设备及介质
Flötteröd et al. Improving SUMO's Signal Control Programs by Introducing Route Information

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