CN114758497A - 一种自适应停车场可变出入口控制方法、装置及存储介质 - Google Patents
一种自适应停车场可变出入口控制方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114758497A CN114758497A CN202210328922.XA CN202210328922A CN114758497A CN 114758497 A CN114758497 A CN 114758497A CN 202210328922 A CN202210328922 A CN 202210328922A CN 114758497 A CN114758497 A CN 114758497A
- Authority
- CN
- China
- Prior art keywords
- parking lot
- entrance
- exit
- road sections
- setting
- 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
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
- 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
- G06N3/02—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
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
- G08G1/141—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces
- G08G1/142—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces external to the vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
- G08G1/141—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces
- G08G1/143—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces inside the vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
- G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
- G08G1/146—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas where the parking area is a limited parking space, e.g. parking garage, restricted space
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
- G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
- G08G1/148—Management of a network of parking areas
-
- 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)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种自适应停车场可变出入口控制方法,包括:接收停车场出入口上下游路段和停车场内部路段的排队信息;预测停车场各时段的单位时间离场、进场车辆数;计算出口和入口的最少数量;以停车场出入口上下游路段排队信息、停车场内部路段排队信息、停车场的单位时间离场、进场车辆数作为输入,出口和入口的最少数量作为约束条件,构建基于多智能体深度强化学习的停车场出入口设置模型,利用交互数据训练所述模型;输入停车场出入口上下游路段和停车场内道路实时排队信息、停车场实际单位时间离场、进场车辆数,利用停车场出入口设置模型输出停车场各出入口设置。与现有技术相比,本发明具有同时考虑动静态信息,自适应完成设置等优点。
Description
技术领域
本发明涉及停车场设施控制技术领域,尤其是涉及一种基于交通状态感知和智能管控的自适应停车场可变出入口控制方法。
背景技术
随着汽车行业的发展,日益增加的机动车出行需求在给道路交通造成压力的同时,也造成了停车系统管控困难。城市大型停车场,往往存在多个出入口,如何合理地设置出入口成为一大难题。其中,停车场出入口的个数决定了交通需求能否被满足,停车场出入口的分布决定车辆能否高效进入或离开停车场。不当的出入口设置不仅会导致用户体验下降,还会给停车场外的动态交通造成极大的压力。虽然现有停车场出入口设置方法能够综合交通量、停车场规模、停车场出入口道衔接道路等级等信息确定,但是交通系统是动态变化的,往往存在明显的潮汐现象,若停车场出入口的设置只依据有限的、固定的交通信息确定,难以满足车辆离场、进场需求,导致通行效率低下,甚至导致交通瘫痪。同时,停车场出入口作为动态和静态交通的连接点,以往固定的停车场出入口设置方法缺乏自适应能力,在交通系统受到冲击后,难以快速恢复到正常水平,即可供系统弹性调节的空间受限。
发明内容
本发明的目的就是为了提供一种自适应停车场可变出入口控制方法,综合考虑动态交通信息和静态交通信息,减少车流量空间分布不均引起的交通拥堵。
本发明的目的可以通过以下技术方案来实现:
一种自适应停车场可变出入口控制方法,包括:
接收停车场出入口上下游路段和停车场内部路段的排队信息;
预测停车场各时段的单位时间离场、进场车辆数;
根据预测单位时间离场、进场车辆数计算停车场出口和入口的最少数量;
以停车场出入口上下游路段排队信息、停车场内部路段排队信息、停车场的单位时间离场、进场车辆数作为输入参数,停车场出口和入口的最少数量作为约束条件,构建停车场出入口设置模型,并利用交互数据训练所述模型;
输入停车场出入口上下游路段实时排队信息、停车场内部路段实时排队信息、停车场实际单位时间离场、进场车辆数,利用停车场出入口设置模型进行计算,输出停车场各出入口设置。
所述排队信息包含路段车辆行驶平均速度、排队长度。
若所述停车场为拥有足够历史数据的停车场,停车场单位时间离场、进场车辆数采用机器学习算法确定;若所述停车场为缺乏历史数据的停车场,停车场单位时间离场、进场车辆数在四阶段法预测的基础上,参考周边类似建成停车场的历史数据,乘以经验系数确定。
所述停车场出入口设置模型约束条件的反馈过程为:当得到所述模型输出的停车场出入口设置方案后,对所有停车场出入口的出口和入口数量进行统计,若不满足最少的数量要求则随机开启相应数量的出口和入口,否则按照模型输出的设置方式执行。
所述停车场出入口设置模型的奖励函数用一定时间内道路平均排队长度表示。
所述停车场出入口设置模型的构建方法如下:基于多智能体深度确定性策略梯度网络,建立相应的评论家网络和表演者网络,利用交通仿真平台实时传回的交互数据,迭代训练网络至收敛,得到停车场出入口设置模型,其中,以停车场出入口上下游路段排队信息、停车场内部路段排队信息、实际的单位时间离场、进场车辆数为状态,输入表演者网络,得到停车场出入口设置为动作,再将所有状态和动作一起输入评论家网络,利用所有道路的排队信息进行评价,输出智能体选择该动作的期望效益。
所述停车场出入口为双车道,每一车道根据模型设置为出口或入口。
所述停车场出入口设置信息在停车场内电子显示牌、路侧的可变情报板、车端导航应用实时更新。
一种自适应停车场可变出入口控制装置,包括存储器、处理器,以及存储于所述存储器中的程序,所述处理器执行所述程序时实现如上述的方法。
一种存储介质,其上存储有程序,所述程序被执行时实现如上述的方法。
与现有技术相比,本发明具有以下有益效果:
(1)本发明的停车场出入口设置综合考虑停车场出入口上下游道路拥堵情况和停车场内部道路拥堵情况,实时控制停车场出入口设置,合理分配出入流量,防止停车场内部和停车场出入口上下游产生过大排队,改善离场、进场流量在空间上分布不均衡的问题,加快车辆离场、进场速度,提高区域交通通行效率。
(2)本发明能够根据实时道路情况进行自适应调节,当交通系统受到冲击后,能够快速恢复到正常水平,即扩大了可供系统弹性调节的空间。
(3)本发明完成停车场出入口设置后,所述出入口信息能实时更新在停车场内电子显示牌、路侧的可变情报板、车端导航应用,实现精准导航。
(4)本发明区分拥有足够历史数据的停车场和缺乏历史数据的停车场进行单位时间离场、进场车辆数预测,对拥有足够历史数据的停车场来说,采用机器学习算法提高预测精度,对缺乏历史数据的停车场来说,能够简单估计单位时间离场、进场车辆数,保证系统运行效率。
(5)本发明基于多智能体深度确定性策略梯度网络,采用表演者网络基于当前状态选择合适地动作,评论家网络估计该动作的期望收益,表演者网络和评论家网络的组合降低了深度强化学习模型的训练难度,大量的历史数据可以帮助智能体找到具有良好泛化能力的控制策略。此外,“集中训练,分布执行”的思路,让每个出入口既能根据其停车场内部和上下游的排队信息(局部信息)设置出入口,还能够实现不同停车场出入口之间的协同,提升整个停车系统及周边道路的运行效率。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本实施例提供一种停车场可变出入口控制方法,包括以下步骤:
在所控制的停车场出入口的影响范围内,合理布设路侧视频摄像机、毫米波雷达等传感器,获取重点监测路段的车辆速度信息,进而与各车辆上传车路信息物理系统的数据进行融合,使得影响范围内所有道路的信息能够在系统中完整呈现。通过系统提供的各路段速度为零的车辆数量,获取路段排队长度信息。
对于拥有足够历史数据的停车场,利用该停车场机动车离场和进场的历史数据,将其分成早高峰、晚高峰、平峰三个时段,并加上星期、天气、停车收费等信息,利用机器学习算法预测各时段单位时间离场、进场车辆数。为了支持不同时段的单位时间离场、进场车辆数预测,所述足够历史数据为累计停车场机动车离场和进场数据至少涵盖一星期。
dm,n=fm,n(T,W,w,F)
式中,dm,n为停车场出入口预测的单位时间离场或进场车辆数,m为停车场出口,n为停车场入口,特别地,m和n取具体数值时可以代表所在出入口,fm,n为采用机器学习算法,如神经网络、随机森林等拟合的预测函数,T为预测时期的编码,即1为早高峰、2为晚高峰、3为平峰,W为天气的编码,w为星期的编码,即星期一至星期天按照1至7编码,F为预测时段内的停车收费。
对于缺乏历史数据的停车场,采用四阶段法预测,在此基础上,根据附近土地利用类型,参考周边类似建成停车场的历史数据,乘以经验系数,得到相应时段预测的停车场单位时间离场、进场车辆数。所述缺乏历史数据指的是累计停车场机动车离场和进场数据少于一星期。对于新投入使用停车场来说,在数据连续积累一星期后,可以转换为机器学习算法预测单位时间离场、进场车辆数提高预测精度。
根据预测的停车场单位时间离场、进场车辆数,计算停车场需要开放出口和入口的最少数量为:
式中,Nm,n为停车场出入口的数量,[*]表示向上取整,Cm,n为停车出口或入口一条车道的通行能力。
在交通仿真平台中,基于所述的车路信息物理系统提供的停车场出入口上下游路段、停车场内排队长度信息、停车场的单位时间离场、进场车辆数,基于出口和入口的最少数量建立约束条件,采用多智能体深度强化学习算法构建模型,利用交互数据训练停车场出入口设置模型。其中,将车路信息物理系统提供的停车场出入口上下游路段、停车场内排队长度信息、停车场的单位时间离场、进场车辆数称为状态,车路信息物理系统在获取一次状态信息后,系统根据出入口设置模型输出的结果,修改出入口设置,进而根据出入口设置的时间间隔,在该时间间隔后再次获取状态信息,以此类推。基于上述流程,所述交互数据为:状态和出入口设置序列。
其中,为了保证停车场出入口设置满足实际应用需求,停车场出入口通常预留两个车道,在自适应的出入口设置中认为所有车道的设置是灵活的,即可以关闭或开放,开放时可以自由选择车道为出口道或入口道,以下简述为出口和入口。每一个停车场出入口都是一个可以单独根据状态进行出口、入口设置的智能体。每个智能体的状态和设置方式可分别表示为:
oi=[qip,qir,pio,pie]
ai(t)={0,1,2,3}
式中,oi为观测到的停车场出入口i的状态,qip为停车场内排队长度,qir为出入口上下游排队长度,pio为实际的单位时间离场车辆数,pie为实际的单位时间进场车辆数,ai为停车场出入口i的出入口设置,0为关闭出入口,1为开放出入口且两个车道均为入口,2为开放出入口且两个车道均为出口,3为开放出入口且两个车道分别为入口和出口。对于所有停车场出入口的出口和入口数量进行统计,若不满足最少的数量要求则随机开启相应数量的出口和入口,否则按照模型输出的设置方式执行。
对于一个停车场,需要协同多个出入口的设置方式,才能有效解决在空间上车流量分布不均衡导致的拥堵问题。停车场出入口总体的状态为x=[o1,...,oN],总体的控制方式为a=[a1,...,aN]。对于该状态下所选择的出入口设置方式,在后续评价时间段即出入口设置时间间隔Δt内,并采用系统内置的车辆跟驰模型、换道模型、实时路径规划模型不断演化。在经过Δt后,多智能体深度强化学习通过奖励函数评价出入口设置的效果。
其中,奖励函数用来评价采用该出入口设置方式对动静交通的影响,考虑到停车场的各出入口间是协同关系,停车场出入口设置的目标是在满足车辆离场和进场需求的基础上,实现整个停车场所有出入口间的协调,以降低停车场内和周边道路排队长度,并提高车辆离场、进场效率,则总体的奖励函数可利用时间Δt内的道路平均排队长度表示:
式中,w1、w2、w3、w4为权重,为该出入口在时间Δt内的停车场内平均排队长度,为该出入口上下游在时间Δt内的平均排队长度,为该出入口在时间Δt内的停车场内平均离场车辆数,为该出入口在时间Δt内的停车场内平均进场车辆数。
考虑到停车场的入口通常设置在流量不大且由较大的空间用于排队的道路上,因此惩罚违反常规设置的入口设置方式即re=-100,若满足常规设置则re=0。
综上,奖励函数r为:
r=rq+re
以多智能体深度确定性策略梯度网络(Multi-Agent Deep DeterministicPolicy Gradient,MADDPG)为例,随着仿真的不断进行,收集交通仿真平台实时传回的大量交互数据<x,a,r,x'>,并将其储存在经验池中,基于“集中训练”的思路,同时利用当前智能体和其他智能体的动作和状态,优化全局出入口设置策略。根据停车场出入口的数量,建立相应的评论家网络(Critic)和表演者网络(Actor),每个评论家网络和表演者网络都由Evaluate网络和Target网络构成,评论家网络用于学习如何评价协同控制策略,表演者网络用于确定停车场各个出入口的设置。特别的是,每个停车场出入口的设置方式都由一组表演者网络控制和一组评论家网络评价。具体地,每个表演者网络输入当前出入口状态并输出动作,而评论家网络基于整个停车场的状态和所有动作输出当前出入口的协同控制效果的评价Q值。当奖励函数随着仿真的进行呈现出收敛趋势时,模型已完成训练。训练过程中,评论家网络的损失函数为:
式中,μi为停车场出入口i的表演者网络中的Evaluate网络代表的策略函数,S为从经验池中抽取的用于模型训练的总样本量,<xj,aj,rj,x'j>为从经验池抽取的样本,为与停车场出入口i和策略函数μ对应的评论家网络,为第j个样本中由停车场出入口k的表演者网络中的Evaluate网络输出的出入口设置,N为该停车场出入口的总数,γ为折减率,oj为仿真平台观测到的智能体状态,μ'k为停车场出入口k的表演者网络中的Target网络代表的策略函数,为第j个抽样数据中由停车场出入口k的表演者网络中的Target网络输出的控制策略。
表演者网络更新时采用的策略梯度函数为:
式中,θi为停车场出入口i的评论家网络中Evaluate网络的参数。特别的是,停车场出入口的编号是唯一的,这里采用i和k区别Evaluate网络和Target网络。
对于停车场出入口i,其Target网络的更新方式为:
θ'i←τθi+(1-τ)θ'i
μ'i←τμi+(1-τ)μ'i
对于一个停车场,出入口总数有限,因此为了降低网络训练的难度,不同智能体的表演者和评论家网络可采用相同的结构。例如,对于一个停车场共有4个出入口,其表演者网络各层的神经元数量为2-10-1,评论家网络各层的神经元数量为12-30-1,神经网络中间层的激活采用relu。网络参数的设置如下表所示:
参数名称 | 数值 | 参数名称 | 数值 |
Actor学习率 | 0.0001 | 贝尔曼参数 | 0.9 |
Critic学习率 | 0.001 | 记忆库容量 | 2048 |
每批次学习的数据量 | 512 | 每回合训练步长 | 100 |
将停车场出入口上下游路段排队长度、停车场内部路段排队长度、停车场的单位时间离场、进场车辆数输入停车场出入口设置模型,在车路信息物理系统中输出停车场各出入口的设置方式,完成停车场出入口设置。特别地,在模型实际应用时,以“分布执行”的方式,每个出入口只使用自己的表演者网络,利用局部状态信息,决策出入口设置,实现停车系统的快速响应。车路信息物理系统获取改变后停车场出入口设置即刻向车辆和道路可变信息设施发送,提醒驾驶员停车场出入口的变化。道路的可变信息设施包括停车场内电子显示牌和路侧的可变情报板。除了停车场出入口设置的总体情况,停车场内电子显示牌显示还引导车辆行驶方向。
在行驶过程中,驾驶员可使用车端导航应用实时规划行程时间最短的驾驶路线。车辆在停车场内部需要离开停车场时,可利用WLAN、RFID、UWB、蓝牙等室内定位、通讯技术,与停车场内设施实时通讯。在停车场内的关键节点处,利用电子显示牌实时提示车辆行驶方向,实现停车场内实时导航。同时,地图应用载入停车场室内全景和局部地图,在地图上表面路线和前进方向,帮助驾驶员找到停车场出口。车辆在停车场外部需要进入停车场时,驾驶员可以从路侧的可变情报板获取当前出入口设置的总体情况,也可以利用通讯技术与路侧智慧设施通讯,获取该信息并载入高精度地图应用,车辆根据地图应用上的导航信息,前往相应的停车场入口。
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,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或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种自适应停车场可变出入口控制方法,其特征在于,包括:
接收停车场出入口上下游路段和停车场内部路段的排队信息;
预测停车场各时段的单位时间离场、进场车辆数;
根据预测单位时间离场、进场车辆数计算得到停车场出口和入口的最少数量;
以停车场出入口上下游路段排队信息、停车场内部路段排队信息、停车场的单位时间离场、进场车辆数作为输入参数,停车场出口和入口的最少数量作为约束条件,构建停车场出入口设置模型,并利用交互数据训练所述模型;
输入停车场出入口上下游路段实时排队信息、停车场内部路段实时排队信息、停车场实际单位时间离场、进场车辆数,利用停车场出入口设置模型进行计算,输出停车场各出入口设置。
2.根据权利要求1所述的一种自适应停车场可变出入口控制方法,其特征在于,所述排队信息包含路段车辆行驶平均速度、排队长度。
3.根据权利要求1所述的一种自适应停车场可变出入口控制方法,其特征在于,若所述停车场为拥有足够历史数据的停车场,停车场单位时间离场、进场车辆数采用机器学习算法确定;若所述停车场为缺乏历史数据的停车场,停车场单位时间离场、进场车辆数在四阶段法预测的基础上,参考周边类似建成停车场的历史数据,乘以经验系数确定。
4.根据权利要求1所述的一种自适应停车场可变出入口控制方法,其特征在于,所述停车场出入口设置模型约束条件的反馈过程为:当得到所述模型输出的停车场出入口设置方案后,对所有停车场出入口的出口和入口数量进行统计,若不满足最少的数量要求则随机开启相应数量的出口和入口,否则按照模型输出的设置方式执行。
5.根据权利要求1所述的一种自适应停车场可变出入口控制方法,其特征在于,所述停车场出入口设置模型的奖励函数用一定时间内道路平均排队长度表示。
6.根据权利要求1所述的一种自适应停车场可变出入口控制方法,其特征在于,所述停车场出入口设置模型的构建方法如下:基于多智能体深度确定性策略梯度网络,建立相应的评论家网络和表演者网络,利用交通仿真平台实时传回的交互数据,迭代训练网络至收敛,得到停车场出入口设置模型,其中,以停车场出入口上下游路段排队信息、停车场内部路段排队信息、实际的单位时间离场、进场车辆数为状态,输入表演者网络,得到停车场出入口设置为动作,再将所有状态和动作一起输入评论家网络,利用所有道路的排队信息进行评价,输出智能体选择该动作的期望效益。
7.根据权利要求1所述的一种自适应停车场可变出入口控制方法,其特征在于,所述停车场出入口为双车道,每一车道根据模型设置为出口或入口。
8.根据权利要求1所述的一种自适应停车场可变出入口控制方法,其特征在于,所述停车场出入口设置信息在停车场内电子显示牌、路侧的可变情报板、车端导航应用实时更新。
9.一种自适应停车场可变出入口控制装置,包括存储器、处理器,以及存储于所述存储器中的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-8中任一所述的方法。
10.一种存储介质,其上存储有程序,其特征在于,所述程序被执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210328922.XA CN114758497B (zh) | 2022-03-30 | 2022-03-30 | 一种自适应停车场可变出入口控制方法、装置及存储介质 |
PCT/CN2023/085149 WO2023186024A1 (zh) | 2022-03-30 | 2023-03-30 | 一种自适应停车场可变出入口控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210328922.XA CN114758497B (zh) | 2022-03-30 | 2022-03-30 | 一种自适应停车场可变出入口控制方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114758497A true CN114758497A (zh) | 2022-07-15 |
CN114758497B CN114758497B (zh) | 2023-08-29 |
Family
ID=82328818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210328922.XA Active CN114758497B (zh) | 2022-03-30 | 2022-03-30 | 一种自适应停车场可变出入口控制方法、装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114758497B (zh) |
WO (1) | WO2023186024A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913708A (zh) * | 2022-07-18 | 2022-08-16 | 深圳市华睿智兴信息科技有限公司 | 一种用于智能停车场的停车路径引导系统及方法 |
CN115331477A (zh) * | 2022-08-10 | 2022-11-11 | 上海金桥(集团)有限公司 | 一种停车场内部行车路径控制系统及方法 |
CN115565259A (zh) * | 2022-11-30 | 2023-01-03 | 无锡智谷锐拓技术服务有限公司 | 停车交通管理服务装置 |
WO2023186024A1 (zh) * | 2022-03-30 | 2023-10-05 | 杜豫川 | 一种自适应停车场可变出入口控制方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07200995A (ja) * | 1993-12-28 | 1995-08-04 | Hitachi Ltd | 駐車場出庫制御方法及び装置 |
CN106991829A (zh) * | 2017-05-22 | 2017-07-28 | 江苏智通交通科技有限公司 | 解决综合停车场出入拥堵问题的诱导系统及方法 |
CN107704979A (zh) * | 2016-11-11 | 2018-02-16 | 北京奥斯达兴业科技有限公司 | 停车场出入口的配置方法及出入口切换装置 |
CN107730901A (zh) * | 2017-04-05 | 2018-02-23 | 西安艾润物联网技术服务有限责任公司 | 停车场车辆控制方法、装置、系统及存储介质 |
CN109741626A (zh) * | 2019-02-24 | 2019-05-10 | 苏州科技大学 | 停车场停车情况预测方法、调度方法和系统 |
JP2020112909A (ja) * | 2019-01-09 | 2020-07-27 | トヨタ自動車株式会社 | 推定装置 |
JP2021026681A (ja) * | 2019-08-08 | 2021-02-22 | Ihi運搬機械株式会社 | 駐車場管理システム、駐車場管理装置、および駐車場管理方法 |
CN114239371A (zh) * | 2021-11-30 | 2022-03-25 | 东南大学 | 基于仿真的大型停车场出入口车辆延误模型参数标定方法 |
CN114241751A (zh) * | 2021-11-30 | 2022-03-25 | 东南大学 | 一种面向大型停车场的多出入口动静态交通协调优化方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05324654A (ja) * | 1992-05-18 | 1993-12-07 | Hitachi Ltd | 駐車場管理方法 |
CN110164128B (zh) * | 2019-04-23 | 2020-10-27 | 银江股份有限公司 | 一种城市级智能交通仿真系统 |
CN114758497B (zh) * | 2022-03-30 | 2023-08-29 | 同济大学 | 一种自适应停车场可变出入口控制方法、装置及存储介质 |
-
2022
- 2022-03-30 CN CN202210328922.XA patent/CN114758497B/zh active Active
-
2023
- 2023-03-30 WO PCT/CN2023/085149 patent/WO2023186024A1/zh unknown
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07200995A (ja) * | 1993-12-28 | 1995-08-04 | Hitachi Ltd | 駐車場出庫制御方法及び装置 |
CN107704979A (zh) * | 2016-11-11 | 2018-02-16 | 北京奥斯达兴业科技有限公司 | 停车场出入口的配置方法及出入口切换装置 |
CN107730901A (zh) * | 2017-04-05 | 2018-02-23 | 西安艾润物联网技术服务有限责任公司 | 停车场车辆控制方法、装置、系统及存储介质 |
CN106991829A (zh) * | 2017-05-22 | 2017-07-28 | 江苏智通交通科技有限公司 | 解决综合停车场出入拥堵问题的诱导系统及方法 |
JP2020112909A (ja) * | 2019-01-09 | 2020-07-27 | トヨタ自動車株式会社 | 推定装置 |
CN109741626A (zh) * | 2019-02-24 | 2019-05-10 | 苏州科技大学 | 停车场停车情况预测方法、调度方法和系统 |
JP2021026681A (ja) * | 2019-08-08 | 2021-02-22 | Ihi運搬機械株式会社 | 駐車場管理システム、駐車場管理装置、および駐車場管理方法 |
CN114239371A (zh) * | 2021-11-30 | 2022-03-25 | 东南大学 | 基于仿真的大型停车场出入口车辆延误模型参数标定方法 |
CN114241751A (zh) * | 2021-11-30 | 2022-03-25 | 东南大学 | 一种面向大型停车场的多出入口动静态交通协调优化方法 |
Non-Patent Citations (4)
Title |
---|
ALEXEY SKRYNNIK ETAL.: "Hybrid Policy Learning for Multi-Agent Pathfinding", IEEE ACCESS * |
孙峰;: "基于排队论的停车库出入口设置与服务水平分析", 城市道桥与防洪, no. 09 * |
梁晶晶;张小宁;: "考虑实时停车场信息的出行方式选择仿真模型", 交通运输系统工程与信息, no. 02 * |
甘家华等: "考虑动态交通流的停车场车辆最优疏散模型", 西南交通大学学报 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023186024A1 (zh) * | 2022-03-30 | 2023-10-05 | 杜豫川 | 一种自适应停车场可变出入口控制方法 |
CN114913708A (zh) * | 2022-07-18 | 2022-08-16 | 深圳市华睿智兴信息科技有限公司 | 一种用于智能停车场的停车路径引导系统及方法 |
CN114913708B (zh) * | 2022-07-18 | 2022-10-28 | 深圳市华睿智兴信息科技有限公司 | 一种用于智能停车场的停车路径引导系统及方法 |
CN115331477A (zh) * | 2022-08-10 | 2022-11-11 | 上海金桥(集团)有限公司 | 一种停车场内部行车路径控制系统及方法 |
CN115565259A (zh) * | 2022-11-30 | 2023-01-03 | 无锡智谷锐拓技术服务有限公司 | 停车交通管理服务装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114758497B (zh) | 2023-08-29 |
WO2023186024A1 (zh) | 2023-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114758497B (zh) | 一种自适应停车场可变出入口控制方法、装置及存储介质 | |
Zhou et al. | Development of an efficient driving strategy for connected and automated vehicles at signalized intersections: A reinforcement learning approach | |
CN111696370B (zh) | 基于启发式深度q网络的交通灯控制方法 | |
Zhao et al. | Computational intelligence in urban traffic signal control: A survey | |
CN112614343B (zh) | 基于随机策略梯度的交通信号控制方法、系统及电子设备 | |
Araghi et al. | A review on computational intelligence methods for controlling traffic signal timing | |
Chalaki et al. | Optimal control of connected and automated vehicles at multiple adjacent intersections | |
Wiering et al. | Intelligent traffic light control | |
Wang et al. | Cooperative lane changing via deep reinforcement learning | |
Lin et al. | Traffic signal optimization based on fuzzy control and differential evolution algorithm | |
Odeh et al. | A hybrid fuzzy genetic algorithm for an adaptive traffic signal system | |
CN112735126A (zh) | 一种基于模型预测控制的混合交通流协同优化控制方法 | |
Lu et al. | A multi-vehicle cooperative routing method based on evolutionary game theory | |
Ahmad et al. | Applications of evolutionary game theory in urban road transport network: A state of the art review | |
CN114254567A (zh) | 一种基于Muti-Agent与强化学习的机场融合仿真方法 | |
Zhang et al. | Addressing mandatory lane change problem with game theoretic model predictive control and fuzzy Markov chain | |
CN115019523B (zh) | 基于最小化压力差的深度强化学习交通信号协调优化控制方法 | |
Roncoli et al. | Model predictive control for multi-lane motorways in presence of VACS | |
Kamal et al. | Control of traffic signals in a model predictive control framework | |
Li et al. | Enhancing cooperation of vehicle merging control in heavy traffic using communication-based soft actor-critic algorithm | |
CN113140108A (zh) | 一种网联智能交通系统中的云端交通态势预测方法 | |
CN117075473A (zh) | 一种人机混驾环境下的多车协同决策方法 | |
CN112750298B (zh) | 一种基于smdp和drl的货车编队动态资源分配方法 | |
De Schutter et al. | • Advances traffic control on highways | |
CN114783178B (zh) | 一种自适应停车场出口道闸控制方法、装置和存储介质 |
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 |