CN115497294A - 融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及系统 - Google Patents
融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及系统 Download PDFInfo
- Publication number
- CN115497294A CN115497294A CN202211155135.6A CN202211155135A CN115497294A CN 115497294 A CN115497294 A CN 115497294A CN 202211155135 A CN202211155135 A CN 202211155135A CN 115497294 A CN115497294 A CN 115497294A
- Authority
- CN
- China
- Prior art keywords
- traffic
- light control
- traffic flow
- traffic light
- control period
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000015654 memory Effects 0.000 claims abstract description 21
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000004927 fusion Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000007787 long-term memory Effects 0.000 claims description 9
- 230000006403 short-term memory Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 239000002699 waste material Substances 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000002787 reinforcement Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000819 phase cycle Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000010200 validation analysis Methods 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
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- 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
- G08G1/083—Controlling the allocation of time between phases of a cycle
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/095—Traffic lights
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及系统，采用经验模态分解算法对历史控制车流量数据进行预处理，确定最优的历史信息窗口长度，得到控制周期内个方向的车流信息，再分别用长短期记忆网络和卡尔曼滤波算法预测下一个交通灯控制周期的车流量，将两个预测值基于卡尔曼滤波算法进行信息融合后，根据预测值为下一交通灯控制周期分配相位。本方法融合传统滤波算法和深度预测网络的优势，提高预测精度，从而大幅降低车辆排队时间，提高车辆通行效率，减少交通资源浪费。
Description
技术领域
本发明属于智能交通控制技术领域，主要涉及了一种融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及系统。
背景技术
随着我国城市化进程的不断加深，居民日益增长的出行需求和有限的交通资源之间的矛盾越来越突出，城市交通拥堵问题愈演愈烈。交通拥堵不仅降低个人出行效率，还会造成交通事故率增长、能源浪费、碳排放增加等多方面的社会问题。
缓解拥堵的直接方式是利用交通信号调控来疏导车流。传统的交通信号灯多采用固定相位顺序时长的模式，虽然其模式简单，易于实现，但灵活性较差，难以有效解决拥堵问题。当拥堵严重时，仍然需要依赖交警或交通信号工程师代为指挥交通，这种方案的人力成本和经验成本较高。不同方向的车流可能随着时间的变化而变化，它们之间的比值并不是固定的，当车流峰值不固定在同一通行方向时，传统的固定相位控制模式浪费了一定的通行资源。面对这一困境，如何充分利用车流信息，做出最佳的交通信号管理决策，以减少交通拥堵、优化城市交通管理，已然成为了亟待解决的问题。
基于车流量的交通灯控制技术是智能交通在实际中的一项重要应用，在交通灯控制的问题上，车流量的观测值总是存在着一个控制周期的时延，当设置下一个交通灯控制周期的相位时，其真正作用到的时间段的车流情况对于控制中心来说是不可获得的，因此需要对下一时刻的车流量进行短时的预测。
总的来说，目前的相关研究主要分为两个方向：1、基于深度强化学习的智能交通灯控制技术。考虑到强化学习的优化目标是最大化累计收益，如果以车流量为智能体的状态，以某个方向的通行时间分配情况为智能体的动作，那么，尽管在设计中并没有显式地突出对车流量的预测，但是在强化学习训练的过程中，对最大化累积奖励的追求已经隐式地包括了对未来几个时刻车流量的预测以及其对相位变化的指导。但是，深度强化学习依赖于智能体与环境的交互，需要获取足够多的环境信息，在实际应用中往往需要花大量的时间进行学习；另外，其算法的收敛性与奖励值的设置、网络的搭建和参数的选择等密切相关，目前仍未有较好的、通用的解决方案。2、基于预测的智能交通灯控制技术。这种技术显式地对下一控制周期各个方向的车流量进行了预测，并将其运用到下一周期交通灯的相位调整中。这个方案将预测与控制分开，显式地设计了预测的过程，算法相对可靠，收敛也比较容易。但是因为预测和控制的过程是分开的，所以预测和控制的效果并不直接相关，这种间接性造成了存在预测误差过大反而引起控制效果变差的可能性。
发明内容
本发明正是针对现有技术中存在的问题，提供一种融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及系统，采用经验模态分解算法对历史控制车流量数据进行预处理，确定最优的历史信息窗口长度，得到控制周期内个方向的车流信息，再分别用长短期记忆网络和卡尔曼滤波算法预测下一个交通灯控制周期的车流量，将两个预测值基于卡尔曼滤波算法进行信息融合后，根据预测值为下一交通灯控制周期分配相位。本方法融合传统滤波算法和深度预测网络的优势，提高预测精度，从而大幅降低车辆排队时间，提高车辆通行效率，减少交通资源浪费。
为了实现上述目的，本发明采取的技术方案是：融合深度预测网络和卡尔曼滤波算法的交通灯控制方法，采用经验模态分解算法对历史控制车流量数据进行预处理，确定最优的历史信息窗口长度，得到控制周期内个方向的车流信息，再分别用长短期记忆网络和卡尔曼滤波算法预测下一个交通灯控制周期的车流量，将两个预测值基于卡尔曼滤波算法进行信息融合后，根据预测值为下一交通灯控制周期分配相位。
作为本发明的一种改进，融合深度预测网络和卡尔曼滤波算法的交通灯控制方法，包括以下步骤：
S1，数据收集：收集历史控制车流量数据，对长短期记忆网络进行训练，固定网络的权重和偏置，同时基于历史控制车流量数据得到经验模态分解后噪声信号的能量阈值、卡尔曼滤波的参数以及最优历史数据窗口长度；
S2，数据预处理：根据步骤S1获得的最优历时数据窗口长度采集前n个控制周期各个方向的历史车流量，对历史车流量进行经验模态分解，将超过能量阈值的内涵模态和残差信号重新进行融合，得到滤波后的前n个控制周期各个方向的车流信息：
S3，车流量预测：利用滤波后的前n个控制周期各个方向的车流信息，分别用卡尔曼滤波算法和长短期记忆网络对下一交通灯控制周期各个方向的车流量进行预测；
S4，数据融合：将步骤S3获得的两个预测值，利用卡尔曼滤波算法进行信息融合，得到精确的对下一交通灯控制周期各个方向的车流量的预测值；
S5，分配相位：根据各个方向车流量的预测结果调整下一周期的交通灯控制相位；
S6,实施：重复步骤S2-S5，直至交通灯控制时间结束。
为了实现上述目的，本发明还采取的技术方案是：一种融合深度预测网络和卡尔曼滤波算法的交通灯控制系统，包括计算机程序，所述计算机程序被处理器执行时实现融合深度预测网络和卡尔曼滤波算法的交通灯控制方法的步骤。
与现有技术相比，本发明融合了传统的卡尔曼滤波算法和基于深度学习的长短期记忆网络的预测优势，得到了比两者均更好的对下一控制周期的车流量的预测效果，能够用于指导下一个控制周期的相位设置，与固定相位和基于当前车流量的交通灯控制相比，能够极大地减小车辆的平均等待时间，提高通行效率。
附图说明
图1是本发明融合深度预测网络和卡尔曼滤波算法的交通灯控制方法的步骤流程图；
图2是本发明实施例2中一天之内的车流量变化示意图；
图3是本发明实施例2智能交通灯控制的实验环境CityFlow示意图；
图4是本发明实施例2中车流量的预测值和真实值的对比图；
图5是本发明实施例2中有无预测车流量的平均排队时长对比图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
实施例1
融合深度预测网络和卡尔曼滤波算法的交通灯控制方法，如图1所示，包括以下步骤：
S1：收集足够多的历史数据，对长短期记忆网络进行训练，固定网络的权重和偏置，同时基于历史数据得到经验模态分解后噪声信号的能量阈值、卡尔曼滤波的相关参数以及最优的历史数据窗口长度。
S2：根据最优窗口长度采集前n个控制周期各个方向的历史车流量，对历史车流量进行经验模态分解，将超过能量阈值的内涵模态和残差信号重新进行融合，得到滤波后的前n个控制周期各个方向的车流信息；所述步骤进一步包括：
S21：从原始信号中找到极值点，并运用插值算法连接极值点得到信号的上包络线和下包络线；
S22：用原始信号减去上下包络线的均值，得到中间信号；
S23：检查该信号是否满足成为内涵模态的条件，如果满足，则该中间信号是原始信号的一个内涵模态；如果不是，则重复步骤S21至S22,直到出现内涵模态；
S24：用原始信号减掉所有已经找到的内涵模态，得到残差信号；
S25：重复步骤S21至S24，直到找到全部的内涵模态，残差信号单调或只有一个极值点；
S26：通过历史数据训练得到的能量阈值，将能量大于噪声阈值的内涵模态和残差信号相加，恢复得到滤波之后的历史观测车流信息。
S3：利用滤波后的前n个控制周期各个方向的车流信息，分别用卡尔曼滤波算法和长短期记忆网络对下一交通灯控制周期各个方向的车流量进行预测；
假设该路口共有m个通行方向，用卡尔曼滤波算法对第i个通行方向的下一控制周期的车流量进行预测，考虑下一控制周期的车流量是过去控制周期的车流量的线性组合，而卡尔曼滤波算法是对线性组合系数的估计，其更新公式如下：
Pi(k∣k)＝(In-Ki(k)Hi(k))Pi(k∣k-1)，
其中，
是i通行方向车流量的线性组合系数在第k个交通灯控制周期的后验估计；Pi(k∣k-1)和Pi(k∣k)分别是i通行方向车流量的线性组合系数在第k个交通灯控制周期的先验估计和后验估计的协方差矩阵；In是n维单位矩阵；Fi是i通行方向上系数的状态转移矩阵，取为单位矩阵；Ri设为零矩阵；Hi(k)＝[vi(k-1),vi(k-2),…,vi(k-n)]是经过滤波之后的i通行方向上前n个交通灯控制周期的历史车流数据，n是最优历史数据窗口长度，通过在收集到的历史数据上以最小化预测误差为目标优化得到；vi(k)是最新得到的第k个交通灯控制周期i通行方向的车流数据值；Qi是i通行方向的过程噪声协方差矩阵，根据期望最大化算法求解最小化下述性能指标得到：
其中，Xi(k)＝Hi(k)Pi(k∣k-1)Hi T(k)+Ri，
C是给定的不影响求解结果的常数，N是训练集的数据量；
基于卡尔曼滤波算法对i通行方向第k+1交通灯控制周期车流量vi(k+1)的预测值为
采用长短期记忆网络对i通行方向下一控制周期的车流量进行预测，在网络训练完成之后估计模型和相关参数，基于长短期记忆网络对i通行方向第k+1交通灯控制周期车流量vi(k+1)的预测值为
S4：将步骤S3获得的两个预测值，利用卡尔曼滤波算法进行信息融合，得到精确的对下一交通灯控制周期各个方向的车流量的预测值；
运用卡尔曼滤波算法对预测数据
和
进行信息融合,得到更精确的k+1控制周期i方向的车流量预测值；
构造用于估计卡尔曼滤波算法和长短期记忆网络算法的预测误差的卡尔曼滤波器如下：
系统状态
表示两种预测算法在i通行方向上第k个交通灯控制周期的预测误差,
和
分别表示在第k个交通灯控制周期的i通行方向上两种预测算法预测误差的先验估计和后验估计；I2是两维单位矩阵，
是误差变化的系统矩阵，取为单位矩阵，
是观测矩阵，因此观测值
是可以得到的；
是融合的卡尔曼滤波增益，
和
分别是预测误差估计值的先验协方差矩阵和后验协方差矩阵；
是观测噪声协方差矩阵，取为零矩阵；
是过程噪声协方差矩阵，考虑到过程系统矩阵
是单位矩阵，因此
可以表示为
对第k个交通灯控制周期第i通行方向上车流量的融合预测结果为
S5：根据各个方向车流量的预测结果调整下一周期的交通灯控制相位，具体表达式为：
其中，Gi(k+1)表示下一个控制周期，i通行方向的通行时间，
表示对i通行方向k+1交通灯控制周期车流量的预测值，m是方向数，Tp是一个控制周期的长度。
S6,实施：重复步骤S2-S5，直至交通灯控制时间结束，至此，控制方法完成。本方法融合传统滤波算法和深度预测网络的优势，提高预测精度，从而大幅降低车辆排队时间，提高车辆通行效率，减少交通资源浪费。
实施例2
本实施例选择英国M4公路和y57公路的交叉路口在2019年10月1日到30日检测到的车流量作为验证本发明的数据集，监测点每15分钟收集一次数据，表示在过去的15分钟内，监测点所通过的车辆数。因此，监测点一天能得到96个数据点，以2019年10月27日为例，交叉路口两个方向的车流量日变化如图2所示。从图上可以看出，车流量的峰值在两个方向上出现的时间点不同。
本实施例的目标是基于前25天的训练数据进行训练，将训练好的预测-控制网络部署到以2019年10月27日11时至20时车流量为例的Cityflow环境中，得到更高的通行效率。
1)参数设置
考虑到能用于训练的数据包括了前25天的车流信息，为了判断长短期记忆网络训练的停止时间，将在训练时能够得到的前25天数据按分成训练集和验证集，其中，训练集占23天共2208条数据，测试集占2天共192条数据。另外，用整个25天的训练数据估算两个卡尔曼滤波算法的过程噪声协方差矩阵Qi和
长短期记忆网络由三层长短期记忆单元组成，每个单元包含50个隐含层神经元，采用单向长短期记忆网络；训练数据得到的最优窗口长度是5，因此选择n＝5，即用前五个控制周期的车流数据对下一周期的车流数据进行预测，从而长短期记忆网络的输入序列特征维数是1，长度为5，输出序列特征维数是1，长度是1；所有的激活函数均采用sigmoid函数；损失函数选择均方误差函数，优化器选择Adam算法，学习率设置为0.001，批大小为50；训练次数为300，早停条件是在验证集上，损失函数在20回合之内下降小于0.001。
交通灯控制效果的测试环境选择CityFlow平台，如图3所示。在该环境中，假设车流仅包括南北走向和东西走向，其车流数据用实际的测量数据给出，南北走向和东西走向的车流分为直行和左转两种情况，假设直行和左转的车流量是一样的，这样该路口一共有4个通行方向，设置一个控制周期内总的通行时间是120秒。
2)初始化
在网络中，神经元权重的初始化采用Xavier方法，每层偏置的初始化均为0.01。在卡尔曼滤波中，两个卡尔曼滤波的后验估计误差协方差矩阵的初值均设置为单位矩阵，后验估计的初值均为0。在Cityflow环境中，初始相位为固定平均分配的相位，即每个通行方向在一个控制周期内的通行时间均为30秒。
3)数据预处理
首先对能得到的前25天共2400条数据进行经验模态分解，然后再进行划分，其中23天共2208条数据作为训练集，剩下的2天共192条数据作为验证集，不断降低能量阈值，直到在验证集上取得最小的均方预测误差，并将该阈值固定，用于后面的经验模态分解对噪声进行滤波。
用y57公路的前25天数据通过本案方法步骤S3中的卡尔曼滤波算法公式
可计算其对应的卡尔曼滤波中两个通行方向的过程噪声协方差矩阵
和
如下：
用M4公路的前25天数据同理可计算其对应的卡尔曼滤波中两个通行方向的过程噪声协方差矩阵
和
如下：
y57公路两个通行方向利用卡尔曼滤波进行融合的过程噪声协方差矩阵
和
用训练数据估计结果为：
M4公路两个通行方向利用卡尔曼滤波进行融合的过程噪声协方差矩阵
和
用训练数据估计结果为：
4)长短期记忆网络的训练
用训练数据在对长短期记忆网络进行训练之前，需要用最小-最大标准化方法对数据进行标准化，具体的公式为：
对于y57公路的训练数据，xmax＝362,xmin＝0；对于M4公路的训练数据，xmax＝485,xmin＝3。训练结束的标志包括达到预设的训练轮数或者触发早停条件，在训练结束之后，保持并固定长短期记忆网络模型，用于下一周期的车流量预测。
5)基于卡尔曼滤波器和长短期记忆网络的车流量预测
在第k个交通灯控制周期(k>5)，首先对前五个周期的车流观测数据进行经验模态分解，用在训练集上得到的噪声能量阈值采用经验模态分解对原始观测数据进行滤波处理，按照步骤S3中卡尔曼滤波算法的预测更新公式更新线性组合系数的估计，根据公式
得到卡尔曼滤波器对下一周期车流量的预测结果。
根据公式
和已经训练好的长短期记忆网络模型得到长短期记忆网络对下一周期车流量的预测结果。
6)基于卡尔曼滤波器的预测数据融合
构造用于估计卡尔曼滤波算法和长短期记忆网络算法的预测误差的卡尔曼滤波器如下：
根据上式和在训练集上得到的相关参数对卡尔曼滤波器和长短期记忆网络的预测误差估计进行更新。
根据公式
对两个预测数据进入融合。
7)基于车流量预测的智能交通灯控制
在预测下一个控制周期的车流量之后，按照公式
调整下一个控制周期不同方向的通行时间设置。
8)重复上述步骤5)—7)。
图4是位于测试集上的2019年10月27日M4和y57公路的车流量的预测值和真实值的对比，其中，横轴表示时刻纵轴表示车流量，图4中可看出，本案预测的车流量值与实际车流量通过值保持很高的统一性，本案预测方法精确度比较高；同时，对不同方法进行通行效率的对比，图5对比了固定相位、基于当前车流量、基于预测车流量和基于真实车流量的控制在该路口的通行效率，用车辆的平均等待时间表示，纵轴表示车辆的平均通行时间，横轴表示时刻，图5中可看出本方案有效提高了通行效率，减少了平均通行时间，在通行效率上接近用真实的车流量进行控制的效果。
综上，本发明融合了传统的卡尔曼滤波算法和基于深度学习的长短期记忆网络的预测优势，得到了比两者均更好的对下一控制周期的车流量的预测效果，能够用于指导下一个控制周期的相位设置，与固定相位和基于当前车流量的交通灯控制相比，能够极大地减小车辆的平均等待时间，提高通行效率，适合实际需求。
需要说明的是，以上内容仅仅说明了本发明的技术思想，不能以此限定本发明的保护范围，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，这些改进和润饰均落入本发明权利要求书的保护范围之内。
Claims (8)
1.融合深度预测网络和卡尔曼滤波算法的交通灯控制方法，其特征在于：采用经验模态分解算法对历史控制车流量数据进行预处理，确定最优的历史信息窗口长度，得到控制周期内个方向的车流信息，再分别用长短期记忆网络和卡尔曼滤波算法预测下一个交通灯控制周期的车流量，将两个预测值基于卡尔曼滤波算法进行信息融合后，根据预测值为下一交通灯控制周期分配相位。
2.如权利要求1所述的融合深度预测网络和卡尔曼滤波算法的交通灯控制方法，其特征在于，包括以下步骤：
S1，数据收集：收集历史控制车流量数据，对长短期记忆网络进行训练，固定网络的权重和偏置，同时基于历史控制车流量数据得到经验模态分解后噪声信号的能量阈值、卡尔曼滤波的参数以及最优历史数据窗口长度；
S2，数据预处理：根据步骤S1获得的最优历时数据窗口长度采集前n个控制周期各个方向的历史车流量，对历史车流量进行经验模态分解，将超过能量阈值的内涵模态和残差信号重新进行融合，得到滤波后的前n个控制周期各个方向的车流信息；
S3，车流量预测：利用滤波后的前n个控制周期各个方向的车流信息，分别用卡尔曼滤波算法和长短期记忆网络对下一交通灯控制周期各个方向的车流量进行预测；
S4，数据融合：将步骤S3获得的两个预测值，利用卡尔曼滤波算法进行信息融合，得到精确的对下一交通灯控制周期各个方向的车流量的预测值；
S5，分配相位：根据各个方向车流量的预测结果调整下一周期的交通灯控制相位；
S6,实施：重复步骤S2-S5，直至交通灯控制时间结束。
3.如权利要求2所述的融合深度预测网络和卡尔曼滤波算法的交通灯控制方法，其特征在于：所述步骤S2中，对历史车流量进行经验模态分解具体包含以下步骤：
S21：从原始信号中找到极值点，并运用插值算法连接极值点得到信号的上包络线和下包络线；
S22：用原始信号减去上下包络线的均值，得到中间信号；
S23：检查该信号是否满足成为内涵模态的条件，如果满足，则该中间信号是原始信号的一个内涵模态；如果不是，则重复步骤S21至S22,直到出现内涵模态；
S24：用原始信号减掉所有已经找到的内涵模态，得到残差信号；
S25：重复步骤S21至S24，直到找到全部的内涵模态，残差信号单调或只有一个极值点；
S26：通过历史数据训练得到的能量阈值，将能量大于噪声阈值的内涵模态和残差信号相加，恢复得到滤波之后的历史观测车流信息。
4.如权利要求2所述的融合深度预测网络和卡尔曼滤波算法的交通灯控制方法，其特征在于：所述步骤S3中，卡尔曼滤波算法的预测更新公式如下：
Pi(k∣k)＝(In-Ki(k)Hi(k))Pi(k∣k-1)，
其中，
是i通行方向车流量的线性组合系数在第k个交通灯控制周期的后验估计；Pi(k∣k-1)和Pi(k∣k)分别是i通行方向车流量的线性组合系数在第k个交通灯控制周期的先验估计和后验估计的协方差矩阵；In是n维单位矩阵；Fi是i通行方向上系数的状态转移矩阵，取为单位矩阵；Ri设为零矩阵；Hi(k)＝[vi(k-1),vi(k-2),…,vi(k-n)]是经过滤波之后的i通行方向上前n个交通灯控制周期的历史车流数据；n是最优历史数据窗口长度；vi(k)是最新得到的第k个交通灯控制周期i通行方向的车流数据值；Qi是i通行方向的过程噪声协方差矩阵，根据期望最大化算法求解最小化下述性能指标得到：
其中，
C是给定的不影响求解结果的常数，N是训练集的数据量；
基于卡尔曼滤波算法对i通行方向第k+1交通灯控制周期车流量vi(k+1)的预测值为
5.如权利要求4所述的融合深度预测网络和卡尔曼滤波算法的交通灯控制方法，其特征在于：所述步骤S3中，基于长短期记忆网络对i通行方向第k+1交通灯控制周期车流量vi(k+1)的预测值为
6.如权利要求4所述的融合深度预测网络和卡尔曼滤波算法的交通灯控制方法，其特征在于：所述步骤S4中，对第k个交通灯控制周期第i通行方向上车流量的融合预测结果为
其中，
是对i通行方向第k个交通灯控制周期车流量基于长短期记忆网络的预测结果，
是对i通行方向第k个交通灯控制周期车流量基于卡尔曼滤波的预测结果，
表示两种预测算法在i通行方向上第k个交通灯控制周期的预测误差的后验估计。
7.如权利要求6所述的融合深度预测网络和卡尔曼滤波算法的交通灯控制方法，其特征在于：所述步骤S5中，基于下一控制周期各个方向车流量的预测值调整下一控制周期交通灯的相位设置，具体表达式为：
其中，Gi(k+1)表示下一个控制周期，i通行方向的通行时间，
表示对i通行方向k+1交通灯控制周期车流量的预测值，m是方向数，Tp是一个控制周期的长度。
8.一种融合深度预测网络和卡尔曼滤波算法的交通灯控制系统，包括计算机程序，其特征在于：所述计算机程序被处理器执行时实现如上述任一种所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211155135.6A CN115497294B (zh) | 2022-09-22 | 2022-09-22 | 融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211155135.6A CN115497294B (zh) | 2022-09-22 | 2022-09-22 | 融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115497294A true CN115497294A (zh) | 2022-12-20 |
| CN115497294B CN115497294B (zh) | 2023-09-19 |
Family
ID=84470125
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211155135.6A Active CN115497294B (zh) | 2022-09-22 | 2022-09-22 | 融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115497294B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101783075A (zh) * | 2010-02-05 | 2010-07-21 | 北京科技大学 | 一种城市环形道路交通流预测系统 |
| CN102629418A (zh) * | 2012-04-09 | 2012-08-08 | 浙江工业大学 | 基于模糊卡尔曼滤波的交通流参数预测方法 |
| CN102708305A (zh) * | 2012-06-20 | 2012-10-03 | 天津工业大学 | 一种基于卡尔曼滤波融合的风速序列预测方法 |
| CN103021191A (zh) * | 2012-11-22 | 2013-04-03 | 浙江理工大学 | 智能交通控制装置及控制方法 |
| CN111862632A (zh) * | 2020-04-29 | 2020-10-30 | 南阳师范学院 | 一种智能交通信号灯防拥堵的方法及装置 |
| CN111882869A (zh) * | 2020-07-13 | 2020-11-03 | 大连理工大学 | 一种考虑不良天气的深度学习交通流预测方法 |
| CN112561146A (zh) * | 2020-12-08 | 2021-03-26 | 哈尔滨工程大学 | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 |
| CN113487855A (zh) * | 2021-05-25 | 2021-10-08 | 浙江工业大学 | 一种基于emd-gan神经网络结构的交通流预测方法 |
| CN113963555A (zh) * | 2021-10-12 | 2022-01-21 | 南京航空航天大学 | 一种结合状态预测的深度强化学习交通信号控制方法 |
| CN114758495A (zh) * | 2022-03-29 | 2022-07-15 | 北京百度网讯科技有限公司 | 交通信号灯调整方法、装置及电子设备 |
-
2022
- 2022-09-22 CN CN202211155135.6A patent/CN115497294B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101783075A (zh) * | 2010-02-05 | 2010-07-21 | 北京科技大学 | 一种城市环形道路交通流预测系统 |
| CN102629418A (zh) * | 2012-04-09 | 2012-08-08 | 浙江工业大学 | 基于模糊卡尔曼滤波的交通流参数预测方法 |
| CN102708305A (zh) * | 2012-06-20 | 2012-10-03 | 天津工业大学 | 一种基于卡尔曼滤波融合的风速序列预测方法 |
| CN103021191A (zh) * | 2012-11-22 | 2013-04-03 | 浙江理工大学 | 智能交通控制装置及控制方法 |
| CN111862632A (zh) * | 2020-04-29 | 2020-10-30 | 南阳师范学院 | 一种智能交通信号灯防拥堵的方法及装置 |
| CN111882869A (zh) * | 2020-07-13 | 2020-11-03 | 大连理工大学 | 一种考虑不良天气的深度学习交通流预测方法 |
| CN112561146A (zh) * | 2020-12-08 | 2021-03-26 | 哈尔滨工程大学 | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 |
| US20210209939A1 (en) * | 2020-12-08 | 2021-07-08 | Harbin Engineering University | Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM |
| CN113487855A (zh) * | 2021-05-25 | 2021-10-08 | 浙江工业大学 | 一种基于emd-gan神经网络结构的交通流预测方法 |
| CN113963555A (zh) * | 2021-10-12 | 2022-01-21 | 南京航空航天大学 | 一种结合状态预测的深度强化学习交通信号控制方法 |
| CN114758495A (zh) * | 2022-03-29 | 2022-07-15 | 北京百度网讯科技有限公司 | 交通信号灯调整方法、装置及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 李磊: "基于深度学习的车辆检测跟踪及预测算法研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, pages 31 - 50 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115497294B (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112265546B (zh) | 基于时空序列信息的网联汽车车速预测方法 | |
| CN113128793A (zh) | 一种基于多源数据融合的光伏功率组合预测方法及系统 | |
| CN112319461B (zh) | 一种基于多源信息融合的混合动力汽车能量管理方法 | |
| CN111864759B (zh) | 一种充电桩的智能配电系统及方法 | |
| CN111009134A (zh) | 一种基于前车与自车互动的短期车速工况实时预测方法 | |
| 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 | |
| CN101188002A (zh) | 一种具有实时和连续特性的城市交通状态预测系统及方法 | |
| CN105118308A (zh) | 基于聚类强化学习的城市道路交叉口交通信号优化方法 | |
| CN115291116B (zh) | 储能电池健康状态预测方法、装置及智能终端 | |
| CN115675098B (zh) | 基于用户特征差异的智能网联汽车动能回收系统、方法、设备及存储介质 | |
| CN110543978A (zh) | 基于小波神经网络的交通流数据预测方法和装置 | |
| CN115578870B (zh) | 一种基于近端策略优化的交通信号控制方法 | |
| CN109559510B (zh) | 基于随机分布控制算法的多个mfd子区边界协调控制方法 | |
| CN113487860A (zh) | 一种智能交通信号控制方法 | |
| CN114694382B (zh) | 一种基于车联网环境的动态单向交通控制系统 | |
| CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
| CN112149888A (zh) | 一种面向露天矿的无人驾驶矿卡实时行程时间预测方法 | |
| 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 | |
| CN115497294A (zh) | 融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及系统 | |
| CN117291304A (zh) | 电动汽车充放电可调节能力预测方法、装置、设备及介质 | |
| CN116631203A (zh) | 结合交通流预测与强化学习的自适应交通信号控制方法 | |
| CN114444737B (zh) | 基于迁移学习的路面养护智能规划方法 | |
| Zaki et al. | Framework for traffic congestion prediction | |
| CN114399107A (zh) | 一种交通状态感知信息的预测方法及系统 | |
| CN114545928A (zh) | 一种基于自触发分布式预测控制的异构车辆队列控制方法 |
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 |