CN115547042A - 一种大规模城市道路交通灯智能控制系统及方法 - Google Patents
一种大规模城市道路交通灯智能控制系统及方法 Download PDFInfo
- Publication number
- CN115547042A CN115547042A CN202211141303.6A CN202211141303A CN115547042A CN 115547042 A CN115547042 A CN 115547042A CN 202211141303 A CN202211141303 A CN 202211141303A CN 115547042 A CN115547042 A CN 115547042A
- Authority
- CN
- China
- Prior art keywords
- traffic
- road
- load
- cell population
- module
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 210000004498 neuroglial cell Anatomy 0.000 claims abstract description 48
- 210000004556 brain Anatomy 0.000 claims abstract description 45
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 210000002569 neuron Anatomy 0.000 claims description 60
- 238000004458 analytical method Methods 0.000 claims description 25
- 230000008447 perception Effects 0.000 claims description 23
- 230000001537 neural effect Effects 0.000 claims description 15
- 210000003061 neural cell Anatomy 0.000 claims description 10
- 230000005284 excitation Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 5
- 230000005764 inhibitory process Effects 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 3
- 230000002518 glial effect Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 12
- 239000011159 matrix material Substances 0.000 description 12
- 230000008878 coupling Effects 0.000 description 9
- 238000010168 coupling process Methods 0.000 description 9
- 238000005859 coupling reaction Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000011664 nicotinic acid Substances 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 101150064138 MAP1 gene Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012421 spiking Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- G08G1/01—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
- G08G1/0137—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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/085—Controlling traffic signals using a free-running cyclic timer
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种大规模城市道路交通灯智能控制系统及方法。所述大规模城市道路交通灯智能控制系统，在采用交通感知端获取城市交通各道路的交通负载信息后，采用搭建有融合脑胶质细胞的脉冲神经网络模型的云脑端，基于交通负载信息生成交通控制信号，然后，采用交通控制端基于交通控制信号控制各道路的交通灯，以能够降低计算功耗，进而解决大规模交通路网交通灯的自适应控制问题。
Description
技术领域
本发明涉及交通控制技术领域，特别是涉及一种大规模城市道路交通灯智能控制系统及方法。
背景技术
在城市交通领域，拥堵问题一直是城市治理的痛点与难点，虽然已有很多智能交通灯的控制方案与系统面世，但大多数都是对单路口或有限个路口的局部交通控制，且路口之间都是分开调控，忽略了道路之间的时空协同或竞争关系，难以做到全局协同最优控制。以基于DRL(深度强化学习)的智能交通灯控制方案为例，采用数据依赖的深度神经网络与强化学习方案，依赖大量的数据去训练网络。对每个路口采用固定组合形式的动作空间，不能高效调度每条道路的车流。由于动作空间是固定的组合，因此随着路网节点的数量增加呈指数级增长，难以构建大规模路网。由于其方法的本质是将外部环境作为一个“黑箱子”，不考虑每条道路之间的耦合与协同关系，路网节点之间的信息交互非常有限，难以做到全局最优控制。
发明内容
为解决现有技术存在的上述问题，本发明提供了一种大规模城市道路交通灯智能控制系统及方法。
为实现上述目的，本发明提供了如下方案：
一种大规模城市道路交通灯智能控制系统，包括：
交通感知端，用于获取城市交通各道路的交通负载信息；
云脑端，与所述交通感知端连接，用于基于所述交通负载信息生成交通控制信号；所述云脑端中搭建有融合脑胶质细胞的脉冲神经网络模型；所述融合脑胶质细胞的脉冲神经网络模型是以交通负载信息为输入，以交通控制信号为输出；
交通控制端，与所述云脑端连接，用于基于所述交通控制信号控制各道路的交通灯。
优选地，所述交通感知端包括：多个交通感知子端；每一所述交通感知子端包括：
交通感知模块，用于感知各道路的交通负载模拟数据；
交通感知驱动模块，与所述交通感知模块连接，用于生成所述交通感知模块的驱动信号，并用于获取所述交通负载模拟数据；
交通数据预处理模块，与所述交通感知驱动模块连接，用于对所述交通负载模拟数据进行预处理得到所述交通负载信息。
优选地，所述云脑端包括：
云脑主机接口模块，用于采用无线通信方式分别与所述交通感知端和所述交通控制端连接；
云脑主机模块，与所述云脑主机接口模块连接，搭建有融合脑胶质细胞的脉冲神经网络模型，用于获取所述交通负载信息，并采用所述融合脑胶质细胞的脉冲神经网络模型基于所述交通负载信息生成所述交通控制信号。
优选地，所述交通控制端包括：多个交通控制子端；每一所述交通控制子端包括：
交通信号解析模块，与所述云脑端连接，用于解析所述交通控制信号得到交通控制驱动信号；
交通控制器驱动模块，与所述交通信号解析模块连接，用于基于所述交通控制驱动信息生成交通控制器信号；
交通控制器模块，与所述交通控制器驱动模块连接，用于基于所述交通控制器信号控制各道路的交通灯。
优选地，所述交通感知模块为摄像头或地磁传感器。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的大规模城市道路交通灯智能控制系统，在采用交通感知端获取城市交通各道路的交通负载信息后，采用搭建有融合脑胶质细胞的脉冲神经网络模型的云脑端，基于交通负载信息生成交通控制信号，然后，采用交通控制端基于交通控制信号控制各道路的交通灯，以能够降低计算功耗，进而解决大规模交通路网交通灯的自适应控制问题。
此外，本发明还提供了一种大规模城市道路交通灯智能控制方法，以应用于上述提供的大规模城市道路交通灯智能控制系统中；所述大规模城市道路交通灯智能控制方法包括：
获取城市交通各道路当前时刻的交通负载信息和融合脑胶质细胞的脉冲神经网络模型；所述融合脑胶质细胞的脉冲神经网络模型为采用历史交通负载信息和历史交通信号训练好的神经网络模型；
将城市交通各道路当前时刻的交通负载信息输入所述融合脑胶质细胞的脉冲神经网络模型得到交通控制信号；
基于所述交通控制信号控制各道路的交通灯。
优选地，所述融合脑胶质细胞的脉冲神经网络模型包括：道路负载编码神经细胞种群、正误差编码神经细胞种群、负误差编码神经细胞种群、路网时空负载表达神经元种群、路网时空负载分析与调度胶质细胞种群和交通控制器时空切换逻辑神经种群；
所述道路负载编码神经细胞种群与所述正误差编码神经细胞种群和所述负误差编码神经细胞种群均形成一对一兴奋连接；
所述路网时空负载表达神经元种群分别与所述正误差编码神经细胞种群和所述负误差编码神经细胞种群均形成一对一抑制连接；
所述路网时空负载分析与调度胶质细胞种群和所述路网时空负载表达神经元种群一对一兴奋连接；
所述交通控制器时空切换逻辑神经种群和所述路网时空负载分析与调度胶质细胞种群一一兴奋连接；
所述道路负载编码神经细胞种群用于将所述交通负载信息转换为平均脉冲发放率；所述正误差编码神经细胞种群和所述负误差编码神经细胞种群用于基于所述平均脉冲发放率生成道路负载的变化量；
所述路网时空负载表达神经元种群用于基于所述道路负载的变化量生成道路的负载信息；
所述路网时空负载分析与调度胶质细胞种群用于基于所述道路的负载信息生成决策输出结果；
所述交通控制器时空切换逻辑神经种群用于将所述决策输出结果转换为所述交通控制信号。
优选地，所述道路负载编码神经细胞种群、所述正误差编码神经细胞种群和所述负误差编码神经细胞种群均由脑胶质细胞构成；所述脑胶质细胞的个数与城市交通中的道路数相同。
因本发明提供的大规模城市道路交通灯智能控制方法实现的技术效果与上述提供的大规模城市道路交通灯智能控制系统实现的技术效果相同，故在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的大规模城市道路交通灯智能控制系统的结构示意图；
图2为本发明实施例提供的交通系统信号传递图；
图3为本发明实施例提供的大规模交通预测及控制BGSNN模型的结构图；
图4为本发明实施例提供的系统整体运行流程图；
图5为本发明实施例提供的大规模城市道路交通灯智能控制方法的流程图。
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做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。
本发明的目的是提供一种大规模城市道路交通灯智能控制系统及方法，能够降低计算功耗，解决大规模交通路网交通灯的自适应控制问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的大规模城市道路交通灯智能控制系统，包括：云脑端、交通控制端和交通感知端。其中，云脑端和交通控制端采用无线通信方式连接。云脑端和交通感知端采用无线通信方式连接。
交通感知端由若干个交通感知子端构成，每个交通感知子端感知一个路口的交通状态。每个交通感知子端均包括：交通感知模块、交通感知驱动模块和交通数据预处理模块。交通感知驱动模块负责驱动交通感知模块(包括但不限于摄像头，地磁传感器)，接收并转发来自交通感知模块的交通状态数据，交通数据预处理模块根据收到的交通状态数据类型，选择对应的处理方式，以提取并向云脑端发送该路口各条道路的交通负载。
云脑端包括云脑主机模块和云脑主机接口模块。其中，云脑主机为神经拟态计算机，且已预先搭建符合实际交通场景的大规模交通预测及控制的融合脑胶质细胞的脉冲神经网络模型，以负责对各个交通路口道路的负载数据进行分析然后做出每条道路的交通灯控制策略，并预测未来时段各条道路的负载。云脑主机接口模块是云脑主机和交通感知端及交通控制端进行数据交互的接口。
交通控制端由若干个交通控制子端构成，每个交通控制子端控制一个路口。每个交通控制子端均包括交通信号解析模块、交通控制器驱动模块和交通控制器模块。交通信号解析模块用于解析来自于云脑端发送来的交通控制信号，并将解析后的交通控制信号传递给交通控制器驱动模块，交通控制器驱动模块将控制信号转换成交通控制器模块的驱动信号以驱动交通控制器(包括但不限于交通灯)执行正确的动作直到下个控制信号到来。
基于如图4所示的实施流程，对上述提供的大规模城市道路交通灯智能控制系统的具体工作流程进行说明。
如图4所示，所提供的大规模城市道路交通灯智能控制系统的工作流程包括以下步骤：
步骤1、数据采集。交通感知器驱动模块驱动交通感知器模块采集路口的交通负载模拟数据，并将该数据发送给交通数据预处理模块。
步骤2、数据预处理。交通数据预处理模块将交通负载模拟数据转换成交通负载数字数据，并将当前时刻该路口每条道路的交通负载数字数据存储在本地存储卡，然后采用滑动滤波法，对一段时间内的交通负载数字数据做滤波处理，将滤波后的数据发送给云脑主机端。特别的，如果交通感知器模块出现异常，那么将发送一个“异常”信号给云脑主机端，以告知云脑主机端该路口暂无交通负载模拟数据。
步骤3、数据输入。云脑主机接口模块将来自各个交通感知子端的交通负载信息下载到云脑主机模块，云脑主机模块对各条道路的负载信息做脉冲编码，作为大规模交通预测及控制的融合脑胶质细胞的脉冲神经网络模型的输入。特别的，对于无交通负载信息的道路，将对该条道路使用预测的数据作为输入。
步骤4、交通控制决策。大规模交通预测及控制的融合脑胶质细胞的脉冲神经网络模型将给出当前时刻每条道路的道路控制器的全局最优控制策略，即每条道路交通灯在最新的控制周期内该是红、黄、绿哪种颜色，并将控制策略数据发送给云脑主机接口模块。一个大规模交通网络系统可以看成一个复杂的r个输入m个输出的线性时变系统，其状态空间表达式的矢量矩阵形式如式(1)所示，其信号传递形式如图2所示：
其中，x为n维状态矢量。A为系统内部状态的联系，称为系统矩阵。b为输入对状态的作用，称为输入矩阵或控制矩阵。u为r维输入(或控制)矢量。y为m维输出矢量。c为输出矩阵。d为直接传递矩阵。在该实施例中，本发明定义：x表示道路的负载量，
表示上一时刻的道路负载量：u表示道路的流入流量。y表示道路的流出流量。m对应交通灯的数量。n对应路网所有道路的数量。r对应路网中可采集流量的道路的数量，t为时刻。
人工神经网络在理论上，除了能够以任意精度逼近上述线性时变连续矢量矩阵表达式外，还具备动态自适应结构拓展功能(结构可塑性)。结构可塑性使得系统可以在网络运行过程中实时改变网络的连接结构，即改变系统表达式，这与实际场景中的道路临时管制(封闭、改道、限行等)情况是完美契合的。而传统的计算方法和计算架构难以在保证数据连续性不受影响的情况下，实现大规模实时修改计算表达式。
根据式(1)，本发明采用了融合脑胶质细胞的脉冲神经网络(简称BGSNN)来建立的大规模交通预测及控制BGSNN模型的结构，如图3所示，其计算过程如下：
由脑胶质细胞构成的道路负载编码神经细胞种群、正误差编码神经细胞种群和负误差编码神经细胞种群首先将道路负载信息编码成平均脉冲发放率，再将道路负载的变化量传递给路网时空负载表达神经元种群。上述种群的脑胶质细胞个数等于路网中的道路个数，道路负载编码神经细胞种群与正误差编码神经细胞种群和负误差编码神经细胞种群之间构建一对一兴奋连接，路网时空负载表达神经元种群与正误差编码神经细胞种群和负误差编码神经细胞种群之间构建一对一抑制连接，这样正误差编码神经细胞种群就能得到当前时刻实际的道路负载，即
接着道路的负载信息会传递给路网时空负载分析与调度胶质细胞种群，该种群具备与实际地图1:1的路网连接，使其可以综合全局路网负载做出局部最优决策(即在下一个流量控制周期，该条道路的流量值该是多少)。其中，路网时空负载表达神经元种群和路网时空负载分析与调度胶质细胞种群之间是一对一的兴奋连接，用于将当前道路负载作为道路决策模型的输入，此外本模型还引入了邻域耦合道路负载之间相互影响，其中道路前向耦合连接指的是那些空间上紧密连接的前向道路之间的连接关系，它们之间是兴奋连接，反向耦合连接指的是那些空间上紧密连接的反向道路之间的连接关系，但它们之间是抑制性连接。这样决策模型得到的综合输入为：
其中，xn指的是第n条道路的负载，xn_prei指的是第n条道路的第i条前向耦合道路的负载pn_prei指的是第n条道路的第i条前向耦合道路的负载的影响系数，xn_posti指的是第n条道路的第i条反向耦合道路的负载，pn_posti指的是第n条道路的第i条反向耦合道路的负载的影响系数。
路网时空负载分析与调度胶质细胞种群的决策输出为(采用线性的控制方式)：
其中k为控制系数。
然后决策信息传递给交通控制器时空切换逻辑神经种群，将决策信息转换成控制器所需的开关信息(即交通控制信号)。此外，交通控制器时空切换逻辑神经种群具备符合实际交通灯时空切换逻辑的分析功能(交通灯时间域与空间域冲突分析)，以保证最终的交通控制信号符合每个路口的交通灯时空切换逻辑，最后才能将控制信息传递给交通控制端。交通控制器时空切换逻辑神经种群所要实现的道路时空切换逻辑如表1与表2所示，R表示交通灯为红灯，Y表示交通灯为黄灯，G表示交通灯为绿灯。该逻辑表可以由“时空与逻辑连接”和“时空非逻辑连接”实现。
表1单道路时间域逻辑切换表
表2单道路空间域逻辑切换表
此外，该网络模型还具备路网负载实时预测功能，可以保证在长时间无道路负载输入或道路负载感知端存在异常的情况下，网络模型还能根据预测的路网负载正确地运行。同理，如果将控制网络的运行速度超过实时，就可以超前预测未来时段的路网负载。该网络模型会根据每次实际道路负载数据与预测数据的偏差不断修正预测网络，使其更加精准，符合当前交通状况，以适应复杂多变的交通场景。其中“路网控制策略表达”神经种群与路网时空负载表达神经元种群之间分别构建了“道路前向耦合连接”和“道路流量输出连接”用于模拟道路流量在控制信号的作用下有序流动并改变路网负载的这一动态过程，即预测路网负载，路网负载预测的动态过程数学表达式为：
其中F为前向耦合连接的权重矩阵。S为对角矩阵，表示的是道路流量输出连接的权重矩阵。其中“道路前向耦合连接”和“道路流量输出连接”的网络权重是实时在线学习的，即每次路网负载实时采集信号输入时，对其网络权重做适应性更新：F＝F+Lpre·u，S＝S+Lout·u，其中，Lpre指的是指向“道路前向耦合连接”的在线学习网络的权重矩阵，Lout指的是指向“道路流量输出连接”网络的在线学习网络的权重矩阵。
步骤3、交通控制决策信号下发。云脑主机接口模块将每个路口的交通灯控制数据及其路口ID组装成数据包，并通过多播的方式发送给各个交通控制子端。
步骤4、交通控制决策信号本地分析。交通控制信号解析模块在得到云脑主机模块发来的多播控制数据包后，将数据包中的路口ID号与本地路口编号对比，不匹配的数据包被丢弃，将匹配的数据包解码，得到本地路口各条道路的控制数据，并对控制数据做可靠性分析(包括但不限于交通灯时间域冲突与否，交通灯空间域冲突与否)，如果可靠性分析不通过，则采用本地预设的固定配时控制方案，同时记录本次异常的控制数据到本地存储卡，并向云脑端发送，如果可靠性分析通过，则采用云脑端的控制方案。
步骤5、交通控制决策执行。交通控制器驱动模块得到路口每条道路的道路控制器的控制信号后，驱动道路控制器模块执行相应的动作。
基于上述描述，本发明提供的相对于现有技术具有以下优点：
1、能够大规模实时控制。真实的物理世界是连续、并行、耦合式发展的，而仿生的脉冲神经网络具备时域连续、连接耦合、并行计算等三个特性，是最为契合交通场景的，利用脉冲神经网络的并行性与神经拟态计算机的实时性，可以实现大规模的交通路网实时控制，而传统的冯诺依曼计算架构，其数据处理耗时随着路网规模的增大而增大。
2、具有全局最优决策。基于连接耦合的脉冲神经网络可以很好的模拟道路之间的协同或竞争关系，使得路网的调控具备全局协同性，以达到全局最优决策。
3、低功耗。神经拟态计算机采用仿生的事件驱动的计算方式，相比于传统的冯诺依曼计算架构，能耗要低2～3个数量级。
4、灵活性强(路网结构自适应)。神经网络结构可塑性使得系统可以在网络运行过程中实时改变网络的连接结构，即改变系统表达式，这与实际场景中的道路临时管制(封闭、改道、限行等)情况是完美契合的，而传统的计算方法和计算架构难以在保证数据连续性不受影响的情况下，实现大规模实时修改计算表达式。
5、高鲁棒性。1)神经拟态计算方式本身具备的高鲁棒性(对带噪声的输入具有抗干扰性)。2)本发明提供的系统即使在交通感知端出现异常，导致没有采集数据输入系统时，系统也能根据交通预测数据做出正确的调控。3)本发明提供的系统即使在云脑端通信异常或控制数据出错的情况下，本地的交通控制端也能切换到本地备选控制方案做出正确的调控。
此外，本发明还提供了一种大规模城市道路交通灯智能控制方法，以应用于上述提供的大规模城市道路交通灯智能控制系统中。如图5所示，大规模城市道路交通灯智能控制方法包括：
步骤100：获取城市交通各道路当前时刻的交通负载信息和融合脑胶质细胞的脉冲神经网络模型。融合脑胶质细胞的脉冲神经网络模型为采用历史交通负载信息和历史交通信号训练好的神经网络模型。
步骤101：将城市交通各道路当前时刻的交通负载信息输入融合脑胶质细胞的脉冲神经网络模型得到交通控制信号。
步骤102：基于交通控制信号控制各道路的交通灯。
其中，上述采用的融合脑胶质细胞的脉冲神经网络模型包括：道路负载编码神经细胞种群、正误差编码神经细胞种群、负误差编码神经细胞种群、路网时空负载表达神经元种群、路网时空负载分析与调度胶质细胞种群和交通控制器时空切换逻辑神经种群。道路负载编码神经细胞种群、正误差编码神经细胞种群和负误差编码神经细胞种群均由脑胶质细胞构成。脑胶质细胞的个数与城市交通中的道路数相同。
道路负载编码神经细胞种群与正误差编码神经细胞种群和负误差编码神经细胞种群均形成一对一兴奋连接。
路网时空负载表达神经元种群分别与正误差编码神经细胞种群和负误差编码神经细胞种群均形成一对一抑制连接。
路网时空负载分析与调度胶质细胞种群和路网时空负载表达神经元种群一对一兴奋连接。
交通控制器时空切换逻辑神经种群和路网时空负载分析与调度胶质细胞种群一一兴奋连接。
道路负载编码神经细胞种群用于将交通负载信息转换为平均脉冲发放率。正误差编码神经细胞种群和负误差编码神经细胞种群用于基于平均脉冲发放率生成道路负载的变化量。
路网时空负载表达神经元种群用于基于道路负载的变化量生成道路的负载信息。
路网时空负载分析与调度胶质细胞种群用于基于道路的负载信息生成决策输出结果。
交通控制器时空切换逻辑神经种群用于将决策输出结果转换为交通控制信号。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种大规模城市道路交通灯智能控制系统，其特征在于，包括：
交通感知端，用于获取城市交通各道路的交通负载信息；
云脑端，与所述交通感知端连接，用于基于所述交通负载信息生成交通控制信号；所述云脑端中搭建有融合脑胶质细胞的脉冲神经网络模型；所述融合脑胶质细胞的脉冲神经网络模型是以交通负载信息为输入，以交通控制信号为输出；
交通控制端，与所述云脑端连接，用于基于所述交通控制信号控制各道路的交通灯。
2.根据权利要求1所述的大规模城市道路交通灯智能控制系统，其特征在于，所述交通感知端包括：多个交通感知子端；每一所述交通感知子端包括：
交通感知模块，用于感知各道路的交通负载模拟数据；
交通感知驱动模块，与所述交通感知模块连接，用于生成所述交通感知模块的驱动信号，并用于获取所述交通负载模拟数据；
交通数据预处理模块，与所述交通感知驱动模块连接，用于对所述交通负载模拟数据进行预处理得到所述交通负载信息。
3.根据权利要求1所述的大规模城市道路交通灯智能控制系统，其特征在于，所述云脑端包括：
云脑主机接口模块，用于采用无线通信方式分别与所述交通感知端和所述交通控制端连接；
云脑主机模块，与所述云脑主机接口模块连接，搭建有融合脑胶质细胞的脉冲神经网络模型，用于获取所述交通负载信息，并采用所述融合脑胶质细胞的脉冲神经网络模型基于所述交通负载信息生成所述交通控制信号。
4.根据权利要求1所述的大规模城市道路交通灯智能控制系统，其特征在于，所述交通控制端包括：多个交通控制子端；每一所述交通控制子端包括：
交通信号解析模块，与所述云脑端连接，用于解析所述交通控制信号得到交通控制驱动信号；
交通控制器驱动模块，与所述交通信号解析模块连接，用于基于所述交通控制驱动信息生成交通控制器信号；
交通控制器模块，与所述交通控制器驱动模块连接，用于基于所述交通控制器信号控制各道路的交通灯。
5.根据权利要求2所述的大规模城市道路交通灯智能控制系统，其特征在于，所述交通感知模块为摄像头或地磁传感器。
6.一种大规模城市道路交通灯智能控制方法，其特征在于，应用于如权利要求1-5任意一项所述的大规模城市道路交通灯智能控制系统中；所述大规模城市道路交通灯智能控制方法包括：
获取城市交通各道路当前时刻的交通负载信息和融合脑胶质细胞的脉冲神经网络模型；所述融合脑胶质细胞的脉冲神经网络模型为采用历史交通负载信息和历史交通信号训练好的神经网络模型；
将城市交通各道路当前时刻的交通负载信息输入所述融合脑胶质细胞的脉冲神经网络模型得到交通控制信号；
基于所述交通控制信号控制各道路的交通灯。
7.根据权利要求6所述的大规模城市道路交通灯智能控制方法，其特征在于，所述融合脑胶质细胞的脉冲神经网络模型包括：道路负载编码神经细胞种群、正误差编码神经细胞种群、负误差编码神经细胞种群、路网时空负载表达神经元种群、路网时空负载分析与调度胶质细胞种群和交通控制器时空切换逻辑神经种群；
所述道路负载编码神经细胞种群与所述正误差编码神经细胞种群和所述负误差编码神经细胞种群均形成一对一兴奋连接；
所述路网时空负载表达神经元种群分别与所述正误差编码神经细胞种群和所述负误差编码神经细胞种群均形成一对一抑制连接；
所述路网时空负载分析与调度胶质细胞种群和所述路网时空负载表达神经元种群一对一兴奋连接；
所述交通控制器时空切换逻辑神经种群和所述路网时空负载分析与调度胶质细胞种群一一兴奋连接；
所述道路负载编码神经细胞种群用于将所述交通负载信息转换为平均脉冲发放率；所述正误差编码神经细胞种群和所述负误差编码神经细胞种群用于基于所述平均脉冲发放率生成道路负载的变化量；
所述路网时空负载表达神经元种群用于基于所述道路负载的变化量生成道路的负载信息；
所述路网时空负载分析与调度胶质细胞种群用于基于所述道路的负载信息生成决策输出结果；
所述交通控制器时空切换逻辑神经种群用于将所述决策输出结果转换为所述交通控制信号。
8.根据权利要求7所述的大规模城市道路交通灯智能控制方法，其特征在于，所述道路负载编码神经细胞种群、所述正误差编码神经细胞种群和所述负误差编码神经细胞种群均由脑胶质细胞构成；所述脑胶质细胞的个数与城市交通中的道路数相同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211141303.6A CN115547042A (zh) | 2022-09-20 | 2022-09-20 | 一种大规模城市道路交通灯智能控制系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211141303.6A CN115547042A (zh) | 2022-09-20 | 2022-09-20 | 一种大规模城市道路交通灯智能控制系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115547042A true CN115547042A (zh) | 2022-12-30 |
Family
ID=84727531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211141303.6A Pending CN115547042A (zh) | 2022-09-20 | 2022-09-20 | 一种大规模城市道路交通灯智能控制系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115547042A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116056285A (zh) * | 2023-03-23 | 2023-05-02 | 浙江芯源交通电子有限公司 | 一种基于神经元电路的信号灯控制系统及电子设备 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1514395A (zh) * | 2002-12-31 | 2004-07-21 | 西北工业大学 | 基于图像信号实现交通控制的信号机 |
| RU2013157181A (ru) * | 2013-12-23 | 2015-06-27 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Тихоокеанский государственный университет" | Способ управления транспортными потоками в районе регулирования с использованием искусственной нейронной сети и анализа дорожной обстановки в реальном времени |
| CN105632198A (zh) * | 2016-01-26 | 2016-06-01 | 新誉集团有限公司 | 基于模糊控制的城市区域道路交通协调控制方法及系统 |
| CN107134156A (zh) * | 2017-06-16 | 2017-09-05 | 上海集成电路研发中心有限公司 | 一种基于深度学习的智能交通灯系统及其控制交通灯的方法 |
| 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 |
| CN108831168A (zh) * | 2018-06-01 | 2018-11-16 | 江苏数翰信息科技有限公司 | 一种基于关联路口视觉识别的交通信号灯控制方法与系统 |
| CN109697867A (zh) * | 2019-01-28 | 2019-04-30 | 深圳市欧德克科技有限公司 | 一种基于深度学习的交通控制方法及系统 |
| CN110164152A (zh) * | 2019-07-03 | 2019-08-23 | 西安工业大学 | 一种用于单交叉路口交通信号灯控制系统 |
| US20190360446A1 (en) * | 2019-03-11 | 2019-11-28 | Lg Electronics Inc. | Artificial intelligence apparatus for controlling auto stop system based on traffic information and method for the same |
| CN110796580A (zh) * | 2020-01-03 | 2020-02-14 | 中科寒武纪科技股份有限公司 | 智能交通系统管理方法及相关产品 |
| CN110969871A (zh) * | 2019-12-18 | 2020-04-07 | 浙江大学 | 一种智能交通灯控制系统和控制方法 |
| CN113396426A (zh) * | 2019-03-05 | 2021-09-14 | 赫尔实验室有限公司 | 用于贝叶斯神经形态编译器的网络构成模块 |
| CN113869505A (zh) * | 2021-12-06 | 2021-12-31 | 中科南京智能技术研究院 | 一种基于脑胶质细胞的脉冲神经网络优化方法及系统 |
-
2022
- 2022-09-20 CN CN202211141303.6A patent/CN115547042A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1514395A (zh) * | 2002-12-31 | 2004-07-21 | 西北工业大学 | 基于图像信号实现交通控制的信号机 |
| RU2013157181A (ru) * | 2013-12-23 | 2015-06-27 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Тихоокеанский государственный университет" | Способ управления транспортными потоками в районе регулирования с использованием искусственной нейронной сети и анализа дорожной обстановки в реальном времени |
| CN105632198A (zh) * | 2016-01-26 | 2016-06-01 | 新誉集团有限公司 | 基于模糊控制的城市区域道路交通协调控制方法及系统 |
| CN107134156A (zh) * | 2017-06-16 | 2017-09-05 | 上海集成电路研发中心有限公司 | 一种基于深度学习的智能交通灯系统及其控制交通灯的方法 |
| CN108831168A (zh) * | 2018-06-01 | 2018-11-16 | 江苏数翰信息科技有限公司 | 一种基于关联路口视觉识别的交通信号灯控制方法与系统 |
| 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 |
| CN109697867A (zh) * | 2019-01-28 | 2019-04-30 | 深圳市欧德克科技有限公司 | 一种基于深度学习的交通控制方法及系统 |
| CN113396426A (zh) * | 2019-03-05 | 2021-09-14 | 赫尔实验室有限公司 | 用于贝叶斯神经形态编译器的网络构成模块 |
| US20190360446A1 (en) * | 2019-03-11 | 2019-11-28 | Lg Electronics Inc. | Artificial intelligence apparatus for controlling auto stop system based on traffic information and method for the same |
| CN110164152A (zh) * | 2019-07-03 | 2019-08-23 | 西安工业大学 | 一种用于单交叉路口交通信号灯控制系统 |
| CN110969871A (zh) * | 2019-12-18 | 2020-04-07 | 浙江大学 | 一种智能交通灯控制系统和控制方法 |
| CN110796580A (zh) * | 2020-01-03 | 2020-02-14 | 中科寒武纪科技股份有限公司 | 智能交通系统管理方法及相关产品 |
| CN113869505A (zh) * | 2021-12-06 | 2021-12-31 | 中科南京智能技术研究院 | 一种基于脑胶质细胞的脉冲神经网络优化方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 金尚泰;丁莹;殷辰堃;侯忠生;: "城市交通区域的迭代学习边界控制", 控制与决策, no. 04, 10 September 2017 (2017-09-10) * |
| 陈玉思;蔡坚勇;王良鸿;石慧玲;童飞扬;陈锦旗;: "基于区域密度的交通拥堵判别方法", 计算机系统应用, no. 06, 15 June 2016 (2016-06-15) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116056285A (zh) * | 2023-03-23 | 2023-05-02 | 浙江芯源交通电子有限公司 | 一种基于神经元电路的信号灯控制系统及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108205889B (zh) | 基于卷积神经网络的高速公路交通流预测方法 | |
| CN108897222B (zh) | 多无人机策略攻击下输出反馈安全协同控制器及控制方法 | |
| CN115547042A (zh) | 一种大规模城市道路交通灯智能控制系统及方法 | |
| Dai et al. | Neural network based online traffic signal controller design with reinforcement training | |
| CN113053120B (zh) | 基于迭代学习模型预测控制的交通信号灯调度方法与系统 | |
| WO2022078334A1 (zh) | 利用神经元模型及网络处理信号的处理方法、介质、设备 | |
| CN110232476A (zh) | 一种基于深度学习的微电网负荷预测方法 | |
| CN112863179B (zh) | 一种基于神经网络模型预测控制的路口信号灯控制方法 | |
| CN114007228A (zh) | 基于异构图神经网络流量预测的基站智能控制方法 | |
| Xie et al. | Iedqn: Information exchange dqn with a centralized coordinator for traffic signal control | |
| Jaleel et al. | Reducing congestion in an intelligent traffic system with collaborative and adaptive signaling on the edge | |
| CN116760536A (zh) | 一种多智能体协同感知方法、系统、电子设备及存储介质 | |
| Lu et al. | Applications of digital twin system in a smart city system with multi-energy | |
| CN114444811A (zh) | 一种基于注意力机制的铝电解混频数据过热度预测方法 | |
| CN110232443A (zh) | 实现液体状态机的脉冲神经网络数模混合电路系统 | |
| Wu et al. | Deep Reinforcement Learning Based Traffic Signal Control: A Comparative Analysis | |
| CN110021168B (zh) | 一种车联网下实现实时智能交通管理的分级决策方法 | |
| CN115331460B (zh) | 一种基于深度强化学习的大规模交通信号控制方法及装置 | |
| CN102156408B (zh) | 一种动态自适应演化最大功率点跟踪控制系统及方法 | |
| Arora et al. | Intelligent traffic light control system using morphological edge detection and fuzzy logic | |
| CN115545503B (zh) | 一种基于并联时序卷积神经网络的电力负荷中短期预测方法及系统 | |
| Yang et al. | Deep reinforcement learning based strategy for optimizing phase splits in traffic signal control | |
| CN115600669A (zh) | 基于局部分类器的高效深层脉冲神经网络学习方法 | |
| CN106897768B (zh) | 神经网络信息发送方法和系统 | |
| CN114612493A (zh) | 基于fpga的脉冲神经网路图像分割方法 |
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 |