CN114627648A - 一种基于联邦学习的城市交通流诱导方法及系统 - Google Patents

一种基于联邦学习的城市交通流诱导方法及系统 Download PDF

Info

Publication number
CN114627648A
CN114627648A CN202210258858.2A CN202210258858A CN114627648A CN 114627648 A CN114627648 A CN 114627648A CN 202210258858 A CN202210258858 A CN 202210258858A CN 114627648 A CN114627648 A CN 114627648A
Authority
CN
China
Prior art keywords
information
road
current
vehicle
state information
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
CN202210258858.2A
Other languages
English (en)
Other versions
CN114627648B (zh
Inventor
李聪端
苏中卿
金晨皓
朱甜甜
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.)
Sun Yat Sen University
Sun Yat Sen University Shenzhen Campus
Original Assignee
Sun Yat Sen University
Sun Yat Sen University Shenzhen Campus
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 Sun Yat Sen University, Sun Yat Sen University Shenzhen Campus filed Critical Sun Yat Sen University
Priority to CN202210258858.2A priority Critical patent/CN114627648B/zh
Publication of CN114627648A publication Critical patent/CN114627648A/zh
Application granted granted Critical
Publication of CN114627648B publication Critical patent/CN114627648B/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
    • G08G1/01—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
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于联邦学习的城市交通流诱导方法及系统，该方法包括：获取当前车辆状态信息和当前道路状态信息；基于联邦强化学习方法对当前车辆状态信息与当前道路状态信息进行融合处理，得到道路未来拥堵情况预测信息；根据道路未来拥堵情况预测信息，结合当前车辆状态信息和当前道路状态信息进行协同规划，生成最优道路通行方案。该系统包括：车载传感器模块、道路检测传感器模块、多智能体联邦强化学习终端模块和车载智能计算终端模块。本发明结合车联网通信技术、多智能体联邦强化学习和协同规划方法，加强对行驶车辆的控制和诱导作用，从而提高城市的交通出行效率与路面利用率。本发明可广泛应用于智能交通领域。

Description

一种基于联邦学习的城市交通流诱导方法及系统
技术领域
本发明涉及智能交通领域，尤其涉及一种基于联邦学习的城市交通流诱导方法及系统。
背景技术
由于城市道路交通流具有不确定性、随机性和非线性等特性，城市交通系统是一个多变的复杂系统，这些特性也增加了城市交通管理的难度，并导致交通拥堵、交通安全事故等一系列交通问题；为了可以改善城市交通管理的有效性与安全性并提升道路交通的利用程度与预测能力，再基于全球定位系统、无线通信、先进传感器和自动控制等技术的成熟，促进自动驾驶车的快速发展，使得现有的交通流预测技术不足以解决如今交通的拥堵情况。
发明内容
为了解决上述技术问题，本发明的目的是一种提供基于联邦学习的城市交通流诱导方法及系统，结合车联网通信技术、多智能体联邦强化学习技术和协同规划方法，加强对行驶车辆的控制和诱导作用，从而提高路网的利用率以及城市车辆整体的出行效率。
本发明所采用的第一技术方案是：一种基于联邦学习的城市交通流诱导方法，包括以下步骤：
获取当前车辆状态信息和当前道路状态信息；
基于联邦强化学习方法对当前车辆状态信息与当前道路状态信息进行融合处理，得到道路未来拥堵情况预测信息；
根据道路未来拥堵情况预测信息，结合当前车辆状态信息和当前道路状态信息进行协同规划，生成最优道路通行方案。
进一步，所述当前车辆状态信息包括车辆的目的地信息、车辆行驶路径的更新请求信息、当前车辆的位置信息、当前车辆速度和跟车情况信息，所述当前道路状态信息包括道路上行驶的车辆数、道路上行驶车辆的平均速度和道路的长度。
进一步，所述基于联邦强化学习方法对当前车辆状态信息与当前道路状态信息进行融合处理，得到道路未来拥堵情况预测信息这一步骤，其具体包括：
对当前车辆状态信息进行融合处理和特征提取，得到车辆状态融合信息；
将车辆状态融合信息与当前道路状态信息进行特征融合，得到特征融合信息；
将特征融合信息输入至多智能体联邦强化学习终端，基于多智能体联邦强化学习终端学习并更新策略，预测得到在预设时间内道路未来拥堵情况预测信息。
进一步，所述将车辆状态融合信息与当前道路状态信息进行特征融合，得到特征融合信息这一步骤，其具体包括：
根据车辆行驶路径的更新请求信息对车辆状态融合信息进行分类，分为需要更新路径的车辆与不需要更新路径的车辆；
基于上一次车辆选择更新的路径规划信息提取各个道路上一次被选中的频率；
计算本次不需要更新路径的车辆对各个道路的选中频率，得到本次道路的选中频率；
将道路上一次被选中的频率与本次道路的选中频率进行加权计算，得到最终频率；
对最终频率进行编码处理，得到特征融合信息。
进一步，所述将特征融合信息输入至多智能体联邦强化学习终端，基于多智能体联邦强化学习终端学习并更新策略，预测得到在预设时间内道路未来拥堵情况预测信息这一步骤，其具体包括：
将特征融合信息输入至多智能体联邦强化学习终端，基于多智能体联邦强化学习终端学习并得到各个静态特征相似的道路的Q值网络参数；
将各个静态特征相似的道路的Q值网络参数进行联邦聚合处理，得到全局的Q值网络参数；
以∈的概率随机选取动作，以(1-∈)的概率选取Q值最大的动作并计算得到不同道路的不同等级拥堵信息，所述动作为多智能体联邦强化学习终端准备向车辆发送的道路未来拥堵情况预测信息；
根据不同道路的不同等级拥堵信息，多智能体联邦强化学习终端输出道路未来拥堵情况预测信息。
进一步，所述根据道路未来拥堵情况预测信息，结合当前车辆状态信息和当前道路状态信息进行协同规划，生成最优道路通行方案这一步骤，其具体包括：
更新当前道路状态信息与道路未来拥堵情况预测信息；
将当前道路状态信息与道路未来拥堵情况预测信息进行融合打包处理，得到当前预测信息；
根据当前预测信息重新估计各备选路径的出行时间，所述各备选路径为根据当前车辆的位置信息和车辆的目的地信息得出的可通行路径；
根据当前车辆的位置信息与车辆的目的地信息输出各备选路径的历史延迟指数及历史出行时间最小的路径，得到历史数据信息；
根据历史数据信息与当前预测信息输出备选路径中估算出行时间最小的路径，得到最优道路通行方案。
进一步，还包括：
将当前预测信息进行存储，得到储存信息；
根据储存信息对多智能体联邦强化学习终端进行迭代式训练。
本发明所采用的第二技术方案是：一种基于联邦学习的城市交通流诱导系统，包括：
车载传感器模块，用于获取当前车辆状态信息；
道路检测传感器模块，用于获取当前道路状态信息；
多智能体联邦强化学习终端模块，用于对当前车辆状态信息与当前道路状态信息进行融合并预测出在预设时间内道路未来拥堵情况；
车载智能计算终端模块，用于根据道路未来拥堵情况预测信息，结合当前车辆状态信息和当前道路状态信息进行协同规划，生成最优道路通行方案。
本发明方法及系统的有益效果是：本发明基于多智能体联邦强化学习终端预测道路未来预设时间内的车流量以及为车辆更新路径推荐策略，同时利用车联网进行协同规划计算路径，参考众多车辆的目的地以及历史路线信息，推荐部分车辆选择备选路段，可以实现分流从而规避此可能拥堵路段，通过让交通参与者在智能交通策略的辅助下都参与其中，提高疏导行为的有效性，降低以往交通疏导过程中的无规律性，大大提高城市全局的交通出行效率以及路面利用率，改善交通出行环境。
附图说明
图1是本发明一种基于联邦学习的城市交通流诱导方法的步骤流程图；
图2是本发明一种基于联邦学习的城市交通流诱导系统的模块流程图；
图3是本发明诱导系统结构框图；
图4是本发明诱导方法实施流程图；
图5是本发明诱导场景示意图；
附图说明：1、车辆子系统单元；2、道路子系统单元；3、导航卫星；4、城市交通流诱导服务中心系统。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
本发明依托于较为成熟的车联网技术，利用道路子系统单元2、车辆子系统单元1与城市交通流诱导服务中心系统4之间的通信，从而实现车路之间的协同规划，大大提高城市的交通出行效率与路面利用率。
参照图1、图3和图4，本发明提供了一种基于联邦学习的城市交通流诱导方法，该方法包括以下步骤：
获取当前车辆状态信息和当前道路状态信息；
基于联邦强化学习方法对当前车辆状态信息与当前道路状态信息进行融合处理，得到道路未来拥堵情况预测信息；
根据道路未来拥堵情况预测信息，结合当前车辆状态信息和当前道路状态信息进行协同规划，生成最优道路通行方案。
进一步作为本方法的优选实施例，所述当前车辆状态信息包括车辆的目的地信息、车辆行驶路径的更新请求信息、当前车辆的位置信息、当前车辆速度和跟车情况信息，所述当前道路状态信息包括道路上行驶的车辆数、道路上行驶车辆的平均速度和道路的长度。
具体地，参照图5，通过车载智能计算终端获取车辆的目的地信息与车辆行驶路径的更新请求信息，车载智能计算终端响应路径更新请求，利用导航卫星3得到车辆当前定位信息，通过车载传感器获取当前车辆速度与跟车情况信息，将车载传感器得到的车辆速度、跟车情况等状态信息与车辆当前位置信息、目的地位置信息进行处理打包发送至城市交通流诱导服务中心系统4，城市交通流诱导服务中心系统4再将所接收到的当前车辆状态信息进行融合、打包和分发至各道路子系统单元2，道路检测传感器获取道路上行驶的车辆数
Figure BDA0003549864410000041
道路上行驶车辆的平均速度
Figure BDA0003549864410000042
与道路的长度
Figure BDA0003549864410000043
ri表示道路，道路检测传感器将当前道路状态信息发送至各道路子系统单元2。
进一步作为本方法的优选实施例，所述基于联邦强化学习方法对当前车辆状态信息与当前道路状态信息进行融合处理，得到道路未来拥堵情况预测信息这一步骤，其具体包括：
对当前车辆状态信息进行融合处理和特征提取，得到车辆状态融合信息；
将车辆状态融合信息与当前道路状态信息进行特征融合，得到特征融合信息；
将特征融合信息输入至多智能体联邦强化学习终端，基于多智能体联邦强化学习终端学习并更新策略，预测得到在预设时间内道路未来拥堵情况预测信息。
具体地，道路子系统单元2对当前车辆状态信息进行融合处理和特征提取并将上述当前车辆状态信息与当前道路状态信息进行特征融合，作为多智能体联邦强化学习终端的当前状态信息，多智能体联邦强化学习终端对得到的道路特征融合信息联邦强化学习代理并对应于当前时刻t的观测状态为：
Figure BDA0003549864410000051
上式中，
Figure BDA0003549864410000052
代表道路上一次被选中的频率与本次道路的选中频率进行加权计算，得到最终频率；
进一步作为本方法的优选实施例，所述将车辆状态融合信息与当前道路状态信息进行特征融合，得到特征融合信息这一步骤，其具体包括：
根据车辆行驶路径的更新请求信息对车辆状态融合信息进行分类，分为需要更新路径的车辆与不需要更新路径的车辆；
基于上一次车辆选择更新的路径规划信息提取各个道路上一次被选中的频率；
计算本次不需要更新路径的车辆对各个道路的选中频率，得到本次道路的选中频率；
将道路上一次被选中的频率与本次道路的选中频率进行加权计算，得到最终频率；
对最终频率进行编码处理，得到特征融合信息。
具体地，道路上一次被选中的频率是指车联网上一次完成对所有车辆重新规划路径后所有车辆对不同道路的不同选中频率，本次道路的选中频率是指车联网接收到本次不需要更新路径规划信息的所有车辆对不同道路的选中频率，从而对需要更新路径的车辆和不需要更新路径的车辆进行分类，得到上一次更新的路径规划信息得到各个道路的被选中频率为：
Figure BDA0003549864410000053
定义计算不需要更新路径的车辆对各个道路选中频率为：
Figure BDA0003549864410000054
将上述被选中频率
Figure BDA0003549864410000055
以及选中频率
Figure BDA0003549864410000056
进行加权计算得到一个最终频率
Figure BDA0003549864410000057
并编码传输给各个相应的道路{r1,r2,...,rn}。
进一步作为本方法的优选实施例，所述将特征融合信息输入至多智能体联邦强化学习终端，基于多智能体联邦强化学习终端学习并更新策略，预测得到在预设时间内道路未来拥堵情况预测信息这一步骤，其具体包括：
将特征融合信息输入至多智能体联邦强化学习终端，基于多智能体联邦强化学习终端学习并得到各个静态特征相似的道路的Q值网络参数；
将各个静态特征相似的道路的Q值网络参数进行联邦聚合处理，得到全局的Q值网络参数；
以∈的概率随机选取动作，以(1-∈)的概率选取Q值最大的动作并计算得到不同道路的不同等级拥堵信息，所述动作为多智能体联邦强化学习终端准备向车辆发送的道路未来拥堵情况预测信息；
根据不同道路的不同等级拥堵信息，多智能体联邦强化学习终端输出道路未来拥堵情况预测信息。
具体地，各个静态特征相似的道路将学习到的Q值网络参数θ上传至城市交通流诱导服务中心系统4，城市交通流诱导服务中心系统4通过联邦聚合的方式得到个全局的Q值网络参数θglobal并下发给对应的道路，以∈的概率选取随机动作，以(1-∈)的概率选取Q值最大的动作，计算公式如下：
Figure BDA0003549864410000061
其中at∈{a1,a2,...,aM}，代表道路向车辆发布各种不同等级的拥堵信息。
进一步作为本方法的优选实施例，所述根据道路未来拥堵情况预测信息，结合当前车辆状态信息和当前道路状态信息进行协同规划，生成最优道路通行方案这一步骤，其具体包括：
更新当前道路状态信息与道路未来拥堵情况预测信息；
将当前道路状态信息与道路未来拥堵情况预测信息进行融合打包处理，得到当前预测信息；
根据当前预测信息重新估计各备选路径的出行时间，所述各备选路径为根据当前车辆的位置信息和车辆的目的地信息得出的可通行路径；
根据当前车辆的位置信息与车辆的目的地信息输出各备选路径的历史延迟指数及历史出行时间最小的路径，得到历史数据信息；
根据历史数据信息与当前预测信息输出备选路径中估算出行时间最小的路径，得到最优道路通行方案。
具体地，在步骤所述城市交通流诱导服务中心系统4将接收到的当前道路状态信息与预测信息进行融合打包发送至车辆子系统单元1的信息表示为:
Figure BDA0003549864410000062
其中，
Figure BDA0003549864410000063
是t时刻道路ri的融合状态预测信息；
将得到各个备选路径i对应的道路序列定义为：
Figure BDA0003549864410000071
车载智能计算终端利用接收到的信息Yt结合地图信息计算车辆通过各个备选路径所需要的出行时间Ti，其计算公式为：
Figure BDA0003549864410000072
其中
Figure BDA0003549864410000073
表示车辆经过道路
Figure BDA0003549864410000074
预计需要的时间，利用信息Yt进行估算：
Figure BDA0003549864410000075
利用信息Yt对备选路径的出行时间重新进行估算，所述Yt中既包含有道路的状态信息，也包含有其他车辆的路径规划信息，为车路协同、车车协同提供条件，可以更精确的预测未来一段时间该道路的拥堵状况，为车辆更新路径提供指引。综合计算得到的出行时间Ti最小的路径作为输出路径，并更新至人机交互模块，且同步至城市交通流诱导服务中心系统4，通过驾驶模块判断车辆是否处于自动驾驶辅助模式中，若是，则将路径信息进行处理更新至自动驾驶辅助模块，否则将路径信息进行处理更新至人机交互模块中的车载导航显示屏。
进一步作为本方法的优选实施例，还包括：
将当前预测信息进行存储，得到储存信息；
根据储存信息对多智能体联邦强化学习终端进行迭代式训练。
具体地，将状态-动作-奖励-状态转移条目
Figure BDA0003549864410000076
存入信息存储装置中，进一步从信息存储装置随机选取一个小批量的状态-动作-奖励-状态作为转移条目样本，计算样本j的Q(sj,aj,θ)关于网络参数θ的梯度，然后利用优化算法更新网络参数θ，以此通过经验回放方法，提高训练Q值网络参数θ的收敛速度。
参照图2，一种基于联邦学习的城市交通流诱导系统，包括：
车载传感器模块，用于获取当前车辆状态信息；
道路检测传感器模块，用于获取当前道路状态信息；
多智能体联邦强化学习终端模块，用于对当前车辆状态信息与当前道路状态信息进行融合并预测出在预设时间内道路未来拥堵情况；
车载智能计算终端模块，用于根据道路未来拥堵情况预测信息，结合当前车辆状态信息和当前道路状态信息进行协同规划，生成最优道路通行方案。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (8)

1.一种基于联邦学习的城市交通流诱导方法，其特征在于，包括以下步骤：
获取当前车辆状态信息和当前道路状态信息；
基于联邦强化学习方法对当前车辆状态信息与当前道路状态信息进行融合处理，得到道路未来拥堵情况预测信息；
根据道路未来拥堵情况预测信息，结合当前车辆状态信息和当前道路状态信息进行协同规划，生成最优道路通行方案。
2.根据权利要求1所述一种基于联邦学习的城市交通流诱导方法，其特征在于，所述当前车辆状态信息包括车辆的目的地信息、车辆行驶路径的更新请求信息、当前车辆的位置信息、当前车辆速度和跟车情况信息，所述当前道路状态信息包括道路上行驶的车辆数、道路上行驶车辆的平均速度和道路的长度。
3.根据权利要求2所述一种基于联邦学习的城市交通流诱导方法，其特征在于，所述基于联邦强化学习方法对当前车辆状态信息与当前道路状态信息进行融合处理，得到道路未来拥堵情况预测信息这一步骤，其具体包括：
对当前车辆状态信息进行融合处理和特征提取，得到车辆状态融合信息；
将车辆状态融合信息与当前道路状态信息进行特征融合，得到特征融合信息；
将特征融合信息输入至多智能体联邦强化学习终端，基于多智能体联邦强化学习终端学习并更新策略，预测得到在预设时间内道路未来拥堵情况预测信息。
4.根据权利要求3所述一种基于联邦学习的城市交通流诱导方法，其特征在于，所述将车辆状态融合信息与当前道路状态信息进行特征融合，得到特征融合信息这一步骤，其具体包括：
根据车辆行驶路径的更新请求信息对车辆状态融合信息进行分类，分为需要更新路径的车辆与不需要更新路径的车辆；
基于上一次车辆选择更新的路径规划信息提取各个道路上一次被选中的频率；
计算本次不需要更新路径的车辆对各个道路的选中频率，得到本次道路的选中频率；
将道路上一次被选中的频率与本次道路的选中频率进行加权计算，得到最终频率；
对最终频率进行编码处理，得到特征融合信息。
5.根据权利要求4所述一种基于联邦学习的城市交通流诱导方法，其特征在于，所述将特征融合信息输入至多智能体联邦强化学习终端，基于多智能体联邦强化学习终端学习并更新策略，预测得到在预设时间内道路未来拥堵情况预测信息这一步骤，其具体包括：
将特征融合信息输入至多智能体联邦强化学习终端，基于多智能体联邦强化学习终端学习并得到各个静态特征相似的道路的Q值网络参数；
将各个静态特征相似的道路的Q值网络参数进行联邦聚合处理，得到全局的Q值网络参数；
以∈的概率随机选取动作，以(1-∈)的概率选取Q值最大的动作并计算得到不同道路的不同等级拥堵信息，所述动作为多智能体联邦强化学习终端准备向车辆发送的道路未来拥堵情况预测信息；
根据不同道路的不同等级拥堵信息，多智能体联邦强化学习终端输出道路未来拥堵情况预测信息。
6.根据权利要求5所述一种基于联邦学习的城市交通流诱导方法，其特征在于，所述根据道路未来拥堵情况预测信息，结合当前车辆状态信息和当前道路状态信息进行协同规划，生成最优道路通行方案这一步骤，其具体包括：
更新当前道路状态信息与道路未来拥堵情况预测信息；
将当前道路状态信息与道路未来拥堵情况预测信息进行融合打包处理，得到当前预测信息；
根据当前预测信息重新估计各备选路径的出行时间，所述各备选路径为根据当前车辆的位置信息和车辆的目的地信息得出的可通行路径；
根据当前车辆的位置信息与车辆的目的地信息输出各备选路径的历史延迟指数及历史出行时间最小的路径，得到历史数据信息；
根据历史数据信息与当前预测信息输出备选路径中估算出行时间最小的路径，得到最优道路通行方案。
7.根据权利要求6所述一种基于联邦学习的城市交通流诱导方法，其特征在于，还包括：
将当前预测信息进行存储，得到储存信息；
根据储存信息对多智能体联邦强化学习终端进行迭代式训练。
8.一种基于联邦学习的城市交通流诱导系统，其特征在于，包括以下模块：
车载传感器模块，用于获取当前车辆状态信息；
道路检测传感器模块，用于获取当前道路状态信息；
多智能体联邦强化学习终端模块，用于对当前车辆状态信息与当前道路状态信息进行融合并预测出在预设时间内道路未来拥堵情况；
车载智能计算终端模块，用于根据道路未来拥堵情况预测信息，结合当前车辆状态信息和当前道路状态信息进行协同规划，生成最优道路通行方案。
CN202210258858.2A 2022-03-16 2022-03-16 一种基于联邦学习的城市交通流诱导方法及系统 Active CN114627648B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210258858.2A CN114627648B (zh) 2022-03-16 2022-03-16 一种基于联邦学习的城市交通流诱导方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210258858.2A CN114627648B (zh) 2022-03-16 2022-03-16 一种基于联邦学习的城市交通流诱导方法及系统

Publications (2)

Publication Number Publication Date
CN114627648A true CN114627648A (zh) 2022-06-14
CN114627648B CN114627648B (zh) 2023-07-18

Family

ID=81901436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210258858.2A Active CN114627648B (zh) 2022-03-16 2022-03-16 一种基于联邦学习的城市交通流诱导方法及系统

Country Status (1)

Country Link
CN (1) CN114627648B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115271543A (zh) * 2022-09-09 2022-11-01 成都秦川物联网科技股份有限公司 一种智慧城市交通导流管理方法、系统、装置以及介质
CN115311860A (zh) * 2022-08-09 2022-11-08 中国科学院计算技术研究所 一种交通流量预测模型的在线联邦学习方法
CN116153079A (zh) * 2023-04-17 2023-05-23 湖南工商大学 基于车辆轨迹分析的道路车流量预测方法及装置

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000020494A (ja) * 1998-07-07 2000-01-21 Nippon Telegr & Teleph Corp <Ntt> マルチエージェントモデルを用いて経験強化型強化学習法と環境同定型強化学習法を統合する分散強化学習法
JP2000039331A (ja) * 1999-07-30 2000-02-08 Mitsubishi Electric Corp 車両用経路案内装置およびそれに用いることができる交通渋滞予測方法
JP2005031071A (ja) * 2003-06-18 2005-02-03 Matsushita Electric Ind Co Ltd 車載情報提示装置及び方法
CN104157139A (zh) * 2014-08-05 2014-11-19 中山大学 一种交通拥堵预测方法及可视化方法
CN104680820A (zh) * 2015-02-12 2015-06-03 浙江大学 一种基于梯度场的交通流车联网系统及交通流控制方法
US20150338226A1 (en) * 2014-05-22 2015-11-26 Telogis, Inc. Context-based routing and access path selection
CN106781592A (zh) * 2017-01-04 2017-05-31 成都四方伟业软件股份有限公司 一种基于大数据的交通导航系统及方法
US20170315551A1 (en) * 2016-04-28 2017-11-02 Honda Motor Co., Ltd. Vehicle control system, vehicle control method, and vehicle control program
CN108198413A (zh) * 2017-12-20 2018-06-22 河南中裕广恒科技股份有限公司 一种大数据及自主深度学习的智能交通缓堵方法
CN109000668A (zh) * 2018-05-25 2018-12-14 上海汽车集团股份有限公司 基于车联网的实时智能导航方法
CN109657843A (zh) * 2018-11-28 2019-04-19 深圳市综合交通设计研究院有限公司 一种城市接驳公交系统的一体化规划决策支持系统
CN110364008A (zh) * 2019-08-16 2019-10-22 腾讯科技（深圳）有限公司 路况确定方法、装置、计算机设备和存储介质
CN112129305A (zh) * 2020-09-22 2020-12-25 腾讯科技（深圳）有限公司 车辆导航方法、系统、装置和存储介质
CN112348201A (zh) * 2020-11-11 2021-02-09 扬州大学 一种基于联邦深度强化学习的自动驾驶群车的智能决策实现方法
JP2021063662A (ja) * 2019-10-10 2021-04-22 トヨタ自動車株式会社 情報処理装置
CN112767683A (zh) * 2020-12-22 2021-05-07 安徽百诚慧通科技有限公司 一种基于反馈机制的路径诱导方法
CN113012432A (zh) * 2021-03-15 2021-06-22 武强 云计算与雾计算协同强化学习的交通红绿灯控制系统
CN113053122A (zh) * 2021-03-23 2021-06-29 成都信息工程大学 基于wmgirl算法的可变交通管控方案中区域流量分布预测方法
CN113191484A (zh) * 2021-04-25 2021-07-30 清华大学 基于深度强化学习的联邦学习客户端智能选取方法及系统
CN113313264A (zh) * 2021-06-02 2021-08-27 河南大学 车联网场景下的高效联邦学习方法
WO2021204040A1 (zh) * 2020-10-29 2021-10-14 平安科技（深圳）有限公司 联邦学习数据处理方法、装置、设备及存储介质
CN113919577A (zh) * 2021-10-15 2022-01-11 交控科技股份有限公司 一种轨道交通短时客流预测方法及装置

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000020494A (ja) * 1998-07-07 2000-01-21 Nippon Telegr & Teleph Corp <Ntt> マルチエージェントモデルを用いて経験強化型強化学習法と環境同定型強化学習法を統合する分散強化学習法
JP2000039331A (ja) * 1999-07-30 2000-02-08 Mitsubishi Electric Corp 車両用経路案内装置およびそれに用いることができる交通渋滞予測方法
JP2005031071A (ja) * 2003-06-18 2005-02-03 Matsushita Electric Ind Co Ltd 車載情報提示装置及び方法
US20150338226A1 (en) * 2014-05-22 2015-11-26 Telogis, Inc. Context-based routing and access path selection
CN104157139A (zh) * 2014-08-05 2014-11-19 中山大学 一种交通拥堵预测方法及可视化方法
CN104680820A (zh) * 2015-02-12 2015-06-03 浙江大学 一种基于梯度场的交通流车联网系统及交通流控制方法
US20170315551A1 (en) * 2016-04-28 2017-11-02 Honda Motor Co., Ltd. Vehicle control system, vehicle control method, and vehicle control program
CN106781592A (zh) * 2017-01-04 2017-05-31 成都四方伟业软件股份有限公司 一种基于大数据的交通导航系统及方法
CN108198413A (zh) * 2017-12-20 2018-06-22 河南中裕广恒科技股份有限公司 一种大数据及自主深度学习的智能交通缓堵方法
CN109000668A (zh) * 2018-05-25 2018-12-14 上海汽车集团股份有限公司 基于车联网的实时智能导航方法
CN109657843A (zh) * 2018-11-28 2019-04-19 深圳市综合交通设计研究院有限公司 一种城市接驳公交系统的一体化规划决策支持系统
CN110364008A (zh) * 2019-08-16 2019-10-22 腾讯科技（深圳）有限公司 路况确定方法、装置、计算机设备和存储介质
JP2021063662A (ja) * 2019-10-10 2021-04-22 トヨタ自動車株式会社 情報処理装置
CN112129305A (zh) * 2020-09-22 2020-12-25 腾讯科技（深圳）有限公司 车辆导航方法、系统、装置和存储介质
WO2021204040A1 (zh) * 2020-10-29 2021-10-14 平安科技（深圳）有限公司 联邦学习数据处理方法、装置、设备及存储介质
CN112348201A (zh) * 2020-11-11 2021-02-09 扬州大学 一种基于联邦深度强化学习的自动驾驶群车的智能决策实现方法
CN112767683A (zh) * 2020-12-22 2021-05-07 安徽百诚慧通科技有限公司 一种基于反馈机制的路径诱导方法
CN113012432A (zh) * 2021-03-15 2021-06-22 武强 云计算与雾计算协同强化学习的交通红绿灯控制系统
CN113053122A (zh) * 2021-03-23 2021-06-29 成都信息工程大学 基于wmgirl算法的可变交通管控方案中区域流量分布预测方法
CN113191484A (zh) * 2021-04-25 2021-07-30 清华大学 基于深度强化学习的联邦学习客户端智能选取方法及系统
CN113313264A (zh) * 2021-06-02 2021-08-27 河南大学 车联网场景下的高效联邦学习方法
CN113919577A (zh) * 2021-10-15 2022-01-11 交控科技股份有限公司 一种轨道交通短时客流预测方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
吴胜超等: "基于增强学习的城市车辆出行线路规划研究", 《青岛大学学报(自然科学版)》 *
杨思明: "基于多agent融合学习Q-learn算法的道路智能管理方案及仿真", 《福建电脑》 *
白静;陈业华;刘一健;: "考虑用户紧急程度的在途路径诱导策略研究", 公路交通科技 *
陈涛等: "面向大数据隐私保护的联邦学习算法航空应用模型研究", 《信息安全与通信保密》 *
马建等: "中国交通工程学术研究综述？2016", 《中国公路学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311860A (zh) * 2022-08-09 2022-11-08 中国科学院计算技术研究所 一种交通流量预测模型的在线联邦学习方法
CN115271543A (zh) * 2022-09-09 2022-11-01 成都秦川物联网科技股份有限公司 一种智慧城市交通导流管理方法、系统、装置以及介质
US11837086B2 (en) 2022-09-09 2023-12-05 Chengdu Qinchuan Iot Technology Co., Ltd. Methods and Internet of Things systems for traffic diversion management in smart city
CN116153079A (zh) * 2023-04-17 2023-05-23 湖南工商大学 基于车辆轨迹分析的道路车流量预测方法及装置
CN116153079B (zh) * 2023-04-17 2023-06-23 湖南工商大学 基于车辆轨迹分析的道路车流量预测方法及装置

Also Published As

Publication number Publication date
CN114627648B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN114627648B (zh) 一种基于联邦学习的城市交通流诱导方法及系统
US9919715B2 (en) Vehicle mode scheduling with learned user preferences
KR101231515B1 (ko) 주행경로의 연료량 계산 시스템 및 그 방법
US10120381B2 (en) Identifying significant locations based on vehicle probe data
CN109300325A (zh) 一种基于v2x的车道预测方法及系统
CN104280039B (zh) 用于提供电动车的驾驶信息的系统和方法
CN108603763A (zh) 行驶计划生成装置、行驶计划生成方法和行驶计划生成程序
Kamal et al. Road-speed profile for enhanced perception of traffic conditions in a partially connected vehicle environment
Coppola et al. An Integrated Simulation Environment to test the effectiveness of GLOSA services under different working conditions
CN106023629A (zh) 一种路径推荐方法和装置
CN107591013A (zh) 一种同行路线上不同车辆位置信息实时共享方法和系统
CN103017781A (zh) 用于计算机动车至少一条行驶路线的方法以及机动车导航系统
Zhao et al. Dynamic eco-driving on signalized arterial corridors during the green phase for the connected vehicles
JP5513360B2 (ja) 渋滞情報生成装置、渋滞情報生成方法、及びプログラム
Oda et al. Distributed fleet control with maximum entropy deep reinforcement learning
Ali et al. Future connected vehicles: challenges and opportunities for spatio-temporal computing
Kamiński et al. Multiagent routing simulation with partial smart vehicles penetration
CN107205046B (zh) 面向智能网联车辆的未来运行工况信息获取系统
CN114413923B (zh) 一种行驶路线推荐方法、装置、存储介质及系统
Jasim et al. Identified of collision alert in vehicle ad hoc based on machine learning
CN114915940A (zh) 一种基于边云计算的车路通信链路匹配方法及系统
US20220163339A1 (en) Device and method for controlling travel of vehicle
CN114692015A (zh) 一种基于密度聚类的乘车点推荐方法
CN113611116A (zh) 一种基于用户位置的伴随式服务提供方法及系统
CN113838285A (zh) 一种车路协同环境下实现车辆群体决策的方法及装置

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