CN115035712A - 城市交通信号控制方案推荐方法、系统、装置和介质 - Google Patents
城市交通信号控制方案推荐方法、系统、装置和介质 Download PDFInfo
- Publication number
- CN115035712A CN115035712A CN202210455400.6A CN202210455400A CN115035712A CN 115035712 A CN115035712 A CN 115035712A CN 202210455400 A CN202210455400 A CN 202210455400A CN 115035712 A CN115035712 A CN 115035712A
- Authority
- CN
- China
- Prior art keywords
- intersection
- coordination group
- signal control
- traffic state
- control scheme
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 4
- 241000282326 Felis catus Species 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
- G08G1/082—Controlling the time between beginning of the same phase of a cycle at adjacent intersections
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
本申请涉及一种城市交通信号控制方案推荐方法、系统、装置和介质,通过根据交叉口的相对交通状态、交通状态极值标识和动态系数,获取交叉口的交通状态指标,其中,交通状态指标用于评估交叉口的运行情况,在交通状态指标大于预设阈值的情况下,通过预训练的交叉口深度推荐模型为交叉口推荐交叉口信号控制方案,交叉口信号控制方案包括信号周期长度和相位绿信比的组合,解决了相关技术中通过信号配时师调整信号控制,所需人工成本高,效率低的问题,也有效的解决了交通拥堵的问题。
Description
技术领域
本申请涉及智能交通技术领域,特别是涉及城市交通信号控制方案推荐方法、系统、装置和介质。
背景技术
交通拥堵常发于道路交叉口处,通过调整信号控制方案,合理地为交叉口各股车流分配路权可以有效地降低车辆延误、减少车辆排队,从而有助于防治交通拥堵现象的发生。在相关技术中,为了应对交叉口的拥堵,当拥堵发生时,信号配时师们往往通过手动切换控制模式、调整控制参数来解决拥堵问题。但这项工作需要大量的信号配时师来完成,且当流量回落时,人工很难及时发现,同时无法将控制模式切换回正常模式,导致治理交通拥堵现象效率低。
目前针对相关技术中通过信号配时师调整信号控制,所需人工成本高,效率低的问题,尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种城市交通信号控制方案推荐方法、系统、装置和介质,以至少解决相关技术中通过信号配时师调整信号控制,所需人工成本高,效率低的问题。
第一方面,本申请实施例提供了一种城市交通信号控制方案推荐方法,所述方法包括:
根据交叉口的相对交通状态、交通状态极值标识和动态系数,获取交叉口的交通状态指标,其中,所述交通状态指标用于评估所述交叉口的运行情况;
在所述交通状态指标大于预设阈值的情况下,通过预训练的交叉口深度推荐模型为所述交叉口推荐交叉口信号控制方案,所述交叉口信号控制方案包括信号周期长度和相位绿信比的组合。
在其中一些实施例中,所述通过预训练的交叉口深度推荐模型为所述交叉口推荐交叉口信号控制方案之后,所述方法还包括:
在需推荐所述交叉口信号控制方案的交叉口属于任一协调组团的情况下,获取所述交叉口所属的目标协调组团,通过预训练的协调组团深度推荐模型为所述目标协调组团推荐协调组团信号控制方案,所述协调组团信号控制方案包括所述目标协调组团包含的交叉口的协调相位差。
在其中一些实施例中,训练协调组团深度推荐模型包括:
定义协调组团用户为协调组团包含的交叉口和所述包含的交叉口的交通状态的组合,协调组团项目为协调组团包含的交叉口的协调相位差;
根据历史数据获取协调组团项目对协调组团用户的接受率以及协调组团项目对协调组团用户的效率,根据所述协调组团项目对协调组团用户的接受率和所述协调组团项目对协调组团用户的效率,获取协调组团项目对应特定协调组团用户的评分;
通过所述协调组团用户、所述协调组团项目和所述协调组团项目对应特定协调组团用户的评分对协调组团深度推荐模型进行训练,获取预训练的协调组团深度推荐模型。
在其中一些实施例中,训练交叉口深度推荐模型包括:
定义交叉口用户为交叉口编号与交叉口的交通状态的组合,交叉口项目为信号周期长度和相位绿信比的组合;
根据历史数据获取交叉口项目对交叉口用户的接受率以及交叉口项目对交叉口用户的效率,根据所述交叉口项目对交叉口用户的接受率和所述交叉口项目对交叉口用户的效率,获取交叉口项目对应特定交叉口用户的评分;
通过所述交叉口用户、所述交叉口项目和所述交叉口项目对应特定交叉口用户的评分对交叉口深度推荐模型进行训练,获取预训练的交叉口深度推荐模型。
在其中一些实施例中,所述根据交叉口的相对交通状态、交通状态极值标识和动态系数,获取交叉口的交通状态指标包括:
由所述交叉口的相对交通状态、交通状态极值标识和动态系数组成第一向量,通过层次分析法获得所述交叉口的相对交通状态、交通状态极值标识和动态系数的三个相关系数,由所述三个相关系数组成第二向量,所述交通状态指标为所述第一向量和所述第二向量的点积结果。
在其中一些实施例中,所述获取交叉口的交通状态指标之后,所述方法还包括:
通过所述交通状态指标定位路网中运行不良的交叉口,和/或,获得每个交叉口运行不良的时段。
第二方面,本申请实施例提供了一种城市交通信号控制方案推荐系统,所述系统包括获取模块和交叉口推荐模块,
所述获取模块,用于根据交叉口的相对交通状态、交通状态极值标识和动态系数,获取交叉口的交通状态指标,其中,所述交通状态指标用于评估所述交叉口的运行情况;
所述交叉口推荐模块,用于在所述交通状态指标大于预设阈值的情况下,通过预训练的交叉口深度推荐模型为所述交叉口推荐交叉口信号控制方案,所述交叉口信号控制方案包括信号周期长度和相位绿信比的组合。
在其中一些实施例中,所述交叉口推荐模块通过预训练的交叉口深度推荐模型为所述交叉口推荐交叉口信号控制方案之后,所述系统还包括协调组团推荐模块,
所述协调组团推荐模块,用于在需推荐所述交叉口信号控制方案的交叉口属于任一协调组团的情况下,获取所述交叉口所属的目标协调组团,通过预训练的协调组团深度推荐模型为所述目标协调组团推荐协调组团信号控制方案,所述协调组团信号控制方案包括所述目标协调组团包含的交叉口的协调相位差。
第三方面,本申请实施例提供了一种电子装置,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的城市交通信号控制方案推荐方法。
第四方面,本申请实施例提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的城市交通信号控制方案推荐方法。
相比于相关技术,本申请实施例提供的城市交通信号控制方案推荐方法,通过根据交叉口的相对交通状态、交通状态极值标识和动态系数,获取交叉口的交通状态指标,其中,交通状态指标用于评估交叉口的运行情况,在交通状态指标大于预设阈值的情况下,通过预训练的交叉口深度推荐模型为交叉口推荐交叉口信号控制方案,交叉口信号控制方案包括信号周期长度和相位绿信比的组合,解决了相关技术中通过信号配时师调整信号控制,所需人工成本高,效率低的问题,也有效的解决了交通拥堵的问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的城市交通信号控制方案推荐方法的应用环境示意图;
图2是根据本申请实施例的城市交通信号控制方案推荐方法的流程图;
图3是根据本申请实施例的深度推荐模型的总体神经结构示意图;
图4是根据本申请实施例的城市交通信号控制方案推荐系统的结构框图;
图5是根据本申请实施例的另一种城市交通信号控制方案推荐系统的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本申请提供的城市交通信号控制方案推荐方法,可以应用于如图1所示的应用环境中,图1是根据本申请实施例的城市交通信号控制方案推荐方法的应用环境示意图,如图1所示,大数据分析与评估模块实时接收雷达、视频、网约车轨迹和信号灯等多源数据,结合静态路网数据,处理得到路网中各路段速度、流量、交叉口的信号周期长度和绿灯时长等交通数据,并不断评估交通路网的状态,控制模式转换处理器根据区域中交通路网的状态,获得运行不良的交叉口和时段,智能仲裁程序根据控制模式转换处理器获得的结果决定由哪个交叉口代理参与决策,例如,若交叉口1运行不良,则由交叉口1代理参与决策,战略智能体1中的深度推荐模型为交叉口1推荐评分最高的交叉口信号控制方案,可向信号配时师推送切换控制方案的提醒,在信号配时师接受该操作时,交叉口1执行该交叉口信号控制方案,由信号配时师对该交叉口信号控制方案进行把控,保证没有错误,交叉口1也可以自动执行该交叉口信号控制方案,节省人力,并提高切换效率,智能仲裁程序还用于决定是否应该根据累积的历史评价数据对深度推荐模型进行再训练,其中,用户-项目-评分数据处理器用于对交通数据进行处理,获得深度推荐模型的训练数据以及预训练的深度推荐模型的输入数据。
本实施例提供了一种城市交通信号控制方案推荐方法,图2是根据本申请实施例的城市交通信号控制方案推荐方法的流程图,如图2所示,该方法包括如下步骤:
步骤S201,根据交叉口的相对交通状态、交通状态极值标识和动态系数,获取交叉口的交通状态指标,其中,交通状态指标用于评估交叉口的运行情况;本实施例中,交通状态指标是描述宏观交通流模式的基本参数,因此通过实时计算交通状态指标,可以实时定位路网中运行不良的交叉口。
可选的,通过获取交叉口的交通状态指标,还可以揭示每个交叉口运行不良的时段,通过发现交叉口运行不良时段的规律,还可以有针对性的预先安排工作人员进行现场指挥,或者,依据交叉口运行不良时段的规律作出合理的决策,更进一步的解决交通拥堵的问题。
步骤S202,在交通状态指标大于预设阈值的情况下,通过预训练的交叉口深度推荐模型为交叉口推荐交叉口信号控制方案,交叉口信号控制方案包括信号周期长度和相位绿信比的组合。具体的,当某个交叉口的交通状态指标大于预设阈值,说明该交叉口的运行状态不好,需为该交叉口调整合适的信号控制方案,当计算出交通状态指标低于预设阈值的情况下,还可以将调整后的信号控制方案切换回正常模式下的信号控制方案。
通过步骤S201至步骤S202,相对于相关技术中通过信号配时师调整信号控制,所需人工成本高,效率低的问题,本实施例通过根据交叉口的相对交通状态、交通状态极值标识和动态系数,获取交叉口的交通状态指标,其中,交通状态指标用于评估交叉口的运行情况,在交通状态指标大于预设阈值的情况下,通过预训练的交叉口深度推荐模型为交叉口推荐交叉口信号控制方案,交叉口信号控制方案包括信号周期长度和相位绿信比的组合,解决了相关技术中通过信号配时师调整信号控制,所需人工成本高,效率低的问题,也有效的解决了交通拥堵的问题。
在其中一些实施例中,通过预训练的交叉口深度推荐模型为交叉口推荐交叉口信号控制方案之后,在需推荐交叉口信号控制方案的交叉口属于任一协调组团的情况下,获取交叉口所属的目标协调组团,通过预训练的协调组团深度推荐模型为目标协调组团推荐协调组团信号控制方案,协调组团信号控制方案包括目标协调组团包含的交叉口的协调相位差。协调组团是指多个交叉口及交叉口相连路段的集合,交叉口和交叉口之间的时空关联性强,存在较强的拥堵蔓延关系,可以基于拥堵交叉口连接关系划分,也可以基于商圈、住宅圈等地理位置划分,还可以通过机器学习算法对拥堵时空关联性较高的交叉口进行识别集合等。本实施例中,将有关联的交叉口组成协调组团,协调组团可以包括2个以上的交叉口。
示例性的,交叉口1的下个路口是交叉口2,则交叉口1和交叉口2组成协调组团1,当判断出交叉口1的运行状态不良,对应的交叉口深度推荐模型1为交叉口1推荐交叉口信号控制方案后,判断出交叉口1属于协调组团1,则通过预训练的协调组团深度推荐模型1为协调组团1推荐协调组团信号控制方案,即为协调组团1推荐交叉口1和交叉口2的协调相位差,通过本实施例,在判断出交叉口1运行状态不良后,调整交叉口1和交叉口2的协调相位差,能更进一步的解决交叉口1所在区域内的交通拥堵的问题。
在其中一些实施例中,根据交叉口的相对交通状态、交通状态极值标识和动态系数,获取交叉口的交通状态指标包括:
由交叉口的相对交通状态、交通状态极值标识和动态系数组成第一向量,通过层次分析法获得交叉口的相对交通状态、交通状态极值标识和动态系数的三个相关系数,由三个相关系数组成第二向量,交通状态指标为第一向量和第二向量的点积结果。具体的,第一向量和第二向量的点积为下述公式1所示:
其中,gt为t时刻某交叉口的交通状态指标,为第一向量,[wrelative,wextreme,wmom]为第二向量,T表示转置, 和分别为相对交通状态、交通状态极值标识和动态系数,具体为,为t时刻的交通状态在历史交通状态中的百分位值,表示在t时刻的交通状态是否为过去1小时内的极值,t时刻为极值则取1,否则取0,为移动平均收敛散度(MACD)与时间窗较小的MACD的指数移动平均值的差,为下述公式2-3所示:
其中,表示交叉口在t时刻的交通状态,表示MACD值,n1,n2和n3分别表示计算指数移动平均值(EMA)的时间窗,n1,n2和n3可以理解为预先定义的超参,分别为3种不同类型的时间窗口的长度,且n1<n2<n3。
时间窗口的长度指的是其中包含的时间序列数据的长度,例如,取n1=3,n2=6,n3=9,其中,n1=3表示“包括t时刻在内的最近3个时刻的数据”进行计算,包括t时刻,t-1时刻以及t-2时刻的数据。指数移动平均值为下述公式4所示:
接着,对于构造完的判断矩阵计算权向量,其中,可以通过特征根法、和法和幂法计算权向量。然后对判断矩阵进行一致性检验,检验通过则归一化后的特征向量为权向量,若不通过,需要重新构造对比校正,即可得到wrelative、wextreme和wmom的取值。
在其中一些实施例中,训练交叉口深度推荐模型包括:
定义交叉口用户为交叉口编号与交叉口的交通状态的组合,具体的,交叉口用户表示为:
其中,nodeid为交叉口编号,和与前文一致,为交通状态(如速度)与上一时刻相比的变化率。同一个交叉口,在不同的交通状态组合下,为不同的用户。例如,同一个交叉口,在不同时刻的两组交通状态,定义为两个用户。
交叉口项目为信号周期长度和相位绿信比的组合,假设用到7个相位,则交叉口项目表示为:
{lc,rA,rB,rC,rD,rE,rF,rG}
其中,lc为信号周期长度类别值,rA到rG分别表示相位A到相位G的绿信比的类别值。
根据历史数据获取交叉口项目对交叉口用户的接受率以及交叉口项目对交叉口用户的效率,根据所述交叉口项目对交叉口用户的接受率和所述交叉口项目对交叉口用户的效率,获取交叉口项目对应特定交叉口用户的评分;具体的,将交叉口项目i对应特定交叉口用户u的评分yu,i定义为:
yu,i=au,i+eu,i
其中,au,i表示交叉口项目i对交叉口用户u的接受率,eu,i表示交叉口项目i对交叉口用户u的效率,可以分别用交叉口的运行和时间序列历史数据来计算接受率和效率,需先将历史数据按照交叉口用户和交叉口项目进行分类。具体为,au,i是交叉口用户u历史运行交叉口项目i对应方案的数量Numu(i)与交叉口用户u对应的所有运行方案的数量Numu(total)的比值,类似地,eu,i为当历史上交叉口用户u使用交叉口项目i对应方案时的平均值,则
通过交叉口用户、交叉口项目和交叉口项目对应特定交叉口用户的评分对交叉口深度推荐模型进行训练,获取预训练的交叉口深度推荐模型。具体的,在训练时,根据交叉口用户、交叉口项目和交叉口项目对应特定交叉口用户的评分对交叉口深度推荐模型进行训练,获取预训练的交叉口深度推荐模型,在推理时,输入交叉口用户和交叉口项目到预训练的交叉口深度推荐模型,输出交叉口用户对应交叉口项目的评分,从中选出评分最高的交叉口项目,即可得到推荐的交叉口信号控制方案。
可选的,由于在训练模型时,训练数据为连续变量会导致训练效率低,因此,可以通过对特征进行离散化,转化为相应的类别值,提高训练效率。即交叉口用户中的每一个交通状态均为用户特征,都对应有类别值,对于给定特征,假设其原始值为vori、类别数为ncat,定义:
交叉口项目中的信号周期长度lc和各相位(rA到rG)的绿信比均为项目特征,均对应有类别值,为了对信号周期长度进行分类,定义信号周期长度lc为40秒到240秒之间的5秒的倍数值(如:40、45、50…235、240),则原始信号周期长度lori按照以下方式离散化为lc:
类似的,定义绿信比值为0到100之间5的倍数值(如:0、5…95、100),则原始绿信比rori按照以下方式离散化为rc:
当原始绿信比rori落在区间[rc-2.5,rc+2.5,转化为rc。通过本实施例,解决了训练数据为连续变量会导致训练效率低的问题,提高了训练效率。
在其中一些实施例中,训练协调组团深度推荐模型包括:
定义协调组团用户为协调组团包含的交叉口和包含的交叉口的交通状态的组合,具体的,当协调组团包含交叉口1和交叉口2两个交叉口,并以“1-2”的方式串成一个组团时,对应的协调组团用户表示为:
即该协调组团用户包含了交叉口1和交叉口2的交叉口编号、这两个交叉口对应的交通状态和这两个交叉口之间的距离length1→2,同时,协调组团项目表示为:
{DIFF1→2}
DIFF1→2表示交叉口1与交叉口2的协调相位差,其中,协调相位差可以为绿灯相位差,例如,绿灯相位差为20s,交叉口1直行的绿灯为第10s结束,则交叉口2直行的绿灯为第30s开始,通过调整两个交叉口的协调相位差,使车辆在通过交叉口1,到达交叉口2,无需在交叉口2等待,直接通行,提高车辆通行效率,解决交通拥堵的问题。
当协调组团包含交叉口3、交叉口4和交叉口5三个交叉口,并以“3-4-5”的方式串成一个组团时,对应的协调组团用户表示为:
即该协调组团用户包含了交叉口3、交叉口4和交叉口5的交叉口编号、这三个交叉口对应的交通状态、交叉口3到交叉口4的距离length3→4和交叉口4到交叉口5的距离length4→5,同时,协调组团项目表示为:
{DIFF3→4,DIFF4→5}
DIFF3→4表示交叉口3与交叉口4的协调相位差,DIFF4→5表示交叉口4与交叉口5的协调相位差。
根据历史数据获取协调组团项目对协调组团用户的接受率以及协调组团项目对协调组团用户的效率,根据所述协调组团项目对协调组团用户的接受率和所述协调组团项目对协调组团用户的效率,获取协调组团项目对应特定协调组团用户的评分;具体的,协调组团项目对应特定协调组团用户的评分与单一交叉口情况相同,其中,协调组团项目对协调组团用户的效率eu,i′的计算方式调整为当历史上协调组团用户u′使用协调组团项目i′对应方案时和的平均值,表示为:
通过协调组团用户、协调组团项目和协调组团项目对应特定协调组团用户的评分对协调组团深度推荐模型进行训练,获取预训练的协调组团深度推荐模型。
可选的,深度推荐模型包括交叉口深度推荐模型和协调组团深度推荐模型,深度推荐模型是基于深度学习的推荐模型,在推荐模型中融入深度学习技术使得模型具有更强的表征能力以及抗噪能力,并且更容易地学习用户和项目的特征,从而改善推荐性能。一些常见的深度推荐模型包括了DeepCross,DeepFM,PNN等模型。本申请实施例以Wide&DeepLearning深度推荐模型为例,图3是根据本申请实施例的深度推荐模型的总体神经结构示意图,如图3所示,深度推荐模型由深度组件和宽度组件两部分组成,通过读取输入数据,这两个组件共同推荐最终的信号控制方案。深度组件本质上是一个堆叠的深层神经网络模型,由一个输入层、一个嵌入层、一个交互层和一个附加层组成。
首先,输入层处理输入数据,输入数据由两个稀疏向量组成,分别表示用户特征和项目特征。每个稀疏向量X由包含的所有特征字段拼接而成,表示为:
X=[x1,x2,x3,…,xM]
其中,M为所有特征的个数。xj为第j个字段的特征表示。当第j个字段为类别值时,xj为独热编码;当第xj个字段为数值时,xj为标量。
接下来,将稀疏向量输入嵌入层,压缩成低维、密集的真实值向量。嵌入层的实现,有多种不同方法,如一个全连接层、多个全连接层加CNN层、LSTM层,或者它们排列组合。例如,在操作感知(operation-aware)的嵌入层中,每个特征可能有多个嵌入表示,假设对第j个特征执行了J个操作,其嵌入表示为
然后,交互层将特征从低维空间转换为高维空间。具体来说,将数值特征和类别特征转化为高阶组合特征。其基本目标是确定哪些元素应该组合起来形成有意义的高阶特征。这一层有不同的实现方法,可以为一个ReLU激活函数,或是一个多头自注意层。另一方面,深度组件的目标是训练深度神经网络,以泛化未出现过的稀疏特征的组合。
与深度组件相比,宽度组件的结构要简单地多,它试图通过非线性特征转换训练线性模型来记忆已经出现的特征。宽度组件为线性模型 其中,为宽度组件的预测值,x为输入的特征,wwide和bwide为可训练的参数。针对宽度组件的训练,会首先训练一个参数bwide,用来决定宽度组件是否激活,如果bwide大于预先给定的阈值,那么认为宽度组件是激活的状态,深度推荐模型的最终结果就会同时用到宽度组件和深度组件,否则,认为宽度组件是不激活的状态,认为宽度组件的参数全部为0,计算最终结果只会用到深度组件。
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种城市交通信号控制方案推荐系统,该系统用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图4是根据本申请实施例的城市交通信号控制方案推荐系统的结构框图,如图4所示,该系统包括获取模块41和交叉口推荐模块42,获取模块41用于根据交叉口的相对交通状态、交通状态极值标识和动态系数,获取交叉口的交通状态指标,其中,交通状态指标用于评估交叉口的运行情况,交叉口推荐模块42用于在交通状态指标大于预设阈值的情况下,通过预训练的交叉口深度推荐模型为交叉口推荐交叉口信号控制方案,交叉口信号控制方案包括信号周期长度和相位绿信比的组合,解决了相关技术中通过信号配时师调整信号控制,所需人工成本高,效率低的问题,也有效的解决了交通拥堵的问题。
在其中一些实施例中,图5是根据本申请实施例的另一种城市交通信号控制方案推荐系统的结构框图,如图5所示,该系统还包括协调组团推荐模块51,交叉口推荐模块42通过预训练的交叉口深度推荐模型为交叉口推荐交叉口信号控制方案之后,协调组团推荐模块51用于在需推荐交叉口信号控制方案的交叉口属于任一协调组团的情况下,获取交叉口所属的目标协调组团,通过预训练的协调组团深度推荐模型为目标协调组团推荐协调组团信号控制方案,协调组团信号控制方案包括目标协调组团包含的交叉口的协调相位差。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
本实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
需要说明的是,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
另外,结合上述实施例中的城市交通信号控制方案推荐方法,本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序;该计算机程序被处理器执行时实现上述实施例中的任意一种城市交通信号控制方案推荐方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种城市交通信号控制方案推荐方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域的技术人员应该明白,以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种城市交通信号控制方案推荐方法,其特征在于,所述方法包括:
根据交叉口的相对交通状态、交通状态极值标识和动态系数,获取交叉口的交通状态指标,其中,所述交通状态指标用于评估所述交叉口的运行情况;
在所述交通状态指标大于预设阈值的情况下,通过预训练的交叉口深度推荐模型为所述交叉口推荐交叉口信号控制方案,所述交叉口信号控制方案包括信号周期长度和相位绿信比的组合。
2.根据权利要求1所述的方法,其特征在于,所述通过预训练的交叉口深度推荐模型为所述交叉口推荐交叉口信号控制方案之后,所述方法还包括:
在需推荐所述交叉口信号控制方案的交叉口属于任一协调组团的情况下,获取所述交叉口所属的目标协调组团,通过预训练的协调组团深度推荐模型为所述目标协调组团推荐协调组团信号控制方案,所述协调组团信号控制方案包括所述目标协调组团包含的交叉口的协调相位差。
3.根据权利要求2所述的方法,其特征在于,训练协调组团深度推荐模型包括:
定义协调组团用户为协调组团包含的交叉口和所述包含的交叉口的交通状态的组合,协调组团项目为协调组团包含的交叉口的协调相位差;
根据历史数据获取协调组团项目对协调组团用户的接受率以及协调组团项目对协调组团用户的效率,根据所述协调组团项目对协调组团用户的接受率和所述协调组团项目对协调组团用户的效率,获取协调组团项目对应特定协调组团用户的评分;
通过所述协调组团用户、所述协调组团项目和所述协调组团项目对应特定协调组团用户的评分对协调组团深度推荐模型进行训练,获取预训练的协调组团深度推荐模型。
4.根据权利要求1所述的方法,其特征在于,训练交叉口深度推荐模型包括:
定义交叉口用户为交叉口编号与交叉口的交通状态的组合,交叉口项目为信号周期长度和相位绿信比的组合;
根据历史数据获取交叉口项目对交叉口用户的接受率以及交叉口项目对交叉口用户的效率,根据所述交叉口项目对交叉口用户的接受率和所述交叉口项目对交叉口用户的效率,获取交叉口项目对应特定交叉口用户的评分;
通过所述交叉口用户、所述交叉口项目和所述交叉口项目对应特定交叉口用户的评分对交叉口深度推荐模型进行训练,获取预训练的交叉口深度推荐模型。
5.根据权利要求1所述的方法,其特征在于,所述根据交叉口的相对交通状态、交通状态极值标识和动态系数,获取交叉口的交通状态指标包括:
由所述交叉口的相对交通状态、交通状态极值标识和动态系数组成第一向量,通过层次分析法获得所述交叉口的相对交通状态、交通状态极值标识和动态系数的三个相关系数,由所述三个相关系数组成第二向量,所述交通状态指标为所述第一向量和所述第二向量的点积结果。
6.根据权利要求1所述的方法,其特征在于,所述获取交叉口的交通状态指标之后,所述方法还包括:
通过所述交通状态指标定位路网中运行不良的交叉口,和/或,获得每个交叉口运行不良的时段。
7.一种城市交通信号控制方案推荐系统,其特征在于,所述系统包括获取模块和交叉口推荐模块,
所述获取模块,用于根据交叉口的相对交通状态、交通状态极值标识和动态系数,获取交叉口的交通状态指标,其中,所述交通状态指标用于评估所述交叉口的运行情况;
所述交叉口推荐模块,用于在所述交通状态指标大于预设阈值的情况下,通过预训练的交叉口深度推荐模型为所述交叉口推荐交叉口信号控制方案,所述交叉口信号控制方案包括信号周期长度和相位绿信比的组合。
8.根据权利要求7所述的系统,其特征在于,所述交叉口推荐模块通过预训练的交叉口深度推荐模型为所述交叉口推荐交叉口信号控制方案之后,所述系统还包括协调组团推荐模块,
所述协调组团推荐模块,用于在需推荐所述交叉口信号控制方案的交叉口属于任一协调组团的情况下,获取所述交叉口所属的目标协调组团,通过预训练的协调组团深度推荐模型为所述目标协调组团推荐协调组团信号控制方案,所述协调组团信号控制方案包括所述目标协调组团包含的交叉口的协调相位差。
9.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至6中任一项所述的城市交通信号控制方案推荐方法。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行权利要求1至6中任一项所述的城市交通信号控制方案推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210455400.6A CN115035712B (zh) | 2022-04-27 | 2022-04-27 | 城市交通信号控制方案推荐方法、系统、装置和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210455400.6A CN115035712B (zh) | 2022-04-27 | 2022-04-27 | 城市交通信号控制方案推荐方法、系统、装置和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115035712A true CN115035712A (zh) | 2022-09-09 |
CN115035712B CN115035712B (zh) | 2023-11-14 |
Family
ID=83119560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210455400.6A Active CN115035712B (zh) | 2022-04-27 | 2022-04-27 | 城市交通信号控制方案推荐方法、系统、装置和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115035712B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06348769A (ja) * | 1993-06-14 | 1994-12-22 | Omron Corp | 機械構成/機械配置決定装置またはその方法 |
CN102867409A (zh) * | 2012-09-17 | 2013-01-09 | 李伟 | 一种可用于城市中心区域的道路交通协同控制方法 |
CN104200680A (zh) * | 2014-08-18 | 2014-12-10 | 浙江大学 | 过饱和交通状态下城市干道的交通信号协调控制方法 |
CN106683440A (zh) * | 2016-12-28 | 2017-05-17 | 安徽科力信息产业有限责任公司 | 非饱和状态下单点交叉口信号配时方案评价方法 |
WO2017166474A1 (zh) * | 2016-03-29 | 2017-10-05 | 中国科学院深圳先进技术研究院 | 一种基于交叉口群的交通控制方法及系统 |
CN109754597A (zh) * | 2018-08-02 | 2019-05-14 | 银江股份有限公司 | 一种城市道路区域拥堵调控策略推荐系统及方法 |
CN109754598A (zh) * | 2018-08-02 | 2019-05-14 | 银江股份有限公司 | 一种拥堵组团识别方法及系统 |
CN112037539A (zh) * | 2020-07-31 | 2020-12-04 | 银江股份有限公司 | 一种用于饱和城市交通网络的信控方案推荐方法及系统 |
CN114298489A (zh) * | 2021-12-07 | 2022-04-08 | 国久大数据股份有限公司 | 一种针对不同餐饮后厨的智能监控方法、系统及存储介质 |
-
2022
- 2022-04-27 CN CN202210455400.6A patent/CN115035712B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06348769A (ja) * | 1993-06-14 | 1994-12-22 | Omron Corp | 機械構成/機械配置決定装置またはその方法 |
CN102867409A (zh) * | 2012-09-17 | 2013-01-09 | 李伟 | 一种可用于城市中心区域的道路交通协同控制方法 |
CN104200680A (zh) * | 2014-08-18 | 2014-12-10 | 浙江大学 | 过饱和交通状态下城市干道的交通信号协调控制方法 |
WO2017166474A1 (zh) * | 2016-03-29 | 2017-10-05 | 中国科学院深圳先进技术研究院 | 一种基于交叉口群的交通控制方法及系统 |
CN106683440A (zh) * | 2016-12-28 | 2017-05-17 | 安徽科力信息产业有限责任公司 | 非饱和状态下单点交叉口信号配时方案评价方法 |
CN109754597A (zh) * | 2018-08-02 | 2019-05-14 | 银江股份有限公司 | 一种城市道路区域拥堵调控策略推荐系统及方法 |
CN109754598A (zh) * | 2018-08-02 | 2019-05-14 | 银江股份有限公司 | 一种拥堵组团识别方法及系统 |
CN112037539A (zh) * | 2020-07-31 | 2020-12-04 | 银江股份有限公司 | 一种用于饱和城市交通网络的信控方案推荐方法及系统 |
CN114298489A (zh) * | 2021-12-07 | 2022-04-08 | 国久大数据股份有限公司 | 一种针对不同餐饮后厨的智能监控方法、系统及存储介质 |
Non-Patent Citations (3)
Title |
---|
常在斌;代雪珍;卫军超;: "城市道路交叉口信号配时模型", 信息通信, no. 05 * |
朱和;常玉林;: "城市交通干线双向绿波带控制技术研究", 交通信息与安全, no. 02 * |
罗慧敏;郑亮;: "基于效率-安全评价的近距离错位交叉口信控优化", 交通信息与安全, no. 01 * |
Also Published As
Publication number | Publication date |
---|---|
CN115035712B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singh et al. | A hybrid fuzzy time series forecasting model based on granular computing and bio-inspired optimization approaches | |
CN109376615A (zh) | 用于提升深度学习网络预测性能的方法、装置及存储介质 | |
Zhang et al. | A method to determine basic probability assignment in the open world and its application in data fusion and classification | |
Chen et al. | Case-based reasoning system and artificial neural networks: A review | |
CN108053052B (zh) | 一种油罐车油气泄漏速度智能监测系统 | |
CN113361680A (zh) | 一种神经网络架构搜索方法、装置、设备及介质 | |
CN106529818A (zh) | 基于模糊小波神经网络的水质评价预测方法 | |
CN112990485A (zh) | 基于强化学习的知识策略选择方法与装置 | |
CN104598984A (zh) | 一种基于模糊神经网络的故障预测方法 | |
EP3502978A1 (en) | Meta-learning system | |
Yuan et al. | Conflict evidence management in fault diagnosis | |
CN114925836A (zh) | 基于动态多视图图神经网络的城市交通车流量推理方法 | |
Choo et al. | Adaptive multi-scale prognostics and health management for smart manufacturing systems | |
Palacios et al. | Swarm lexicographic goal programming for fuzzy open shop scheduling | |
Tembusai et al. | K-nearest neighbor with K-fold cross validation and analytic hierarchy process on data classification | |
Park et al. | Learning user preferences of route choice behaviour for adaptive route guidance | |
Sommer et al. | Learning a dynamic re-combination strategy of forecast techniques at runtime | |
CN109255389B (zh) | 一种装备评价方法、装置、设备及可读存储介质 | |
Fard et al. | Machine Learning algorithms for prediction of energy consumption and IoT modeling in complex networks | |
CN104217296A (zh) | 一种上市公司绩效综合评价方法 | |
Chen et al. | An auto-weighting FWI fuzzy collaborative intelligence approach for forecasting DRAM yield | |
Zhao et al. | Enhancing traffic signal control with composite deep intelligence | |
Neagu et al. | Neural and neuro-fuzzy integration in a knowledge-based system for air quality prediction | |
CN115035712A (zh) | 城市交通信号控制方案推荐方法、系统、装置和介质 | |
Zhang et al. | Granular neural web agents for stock prediction |
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 |