CN116071935A - 一种基于机器学习的交通信号自控制方法 - Google Patents

一种基于机器学习的交通信号自控制方法 Download PDF

Info

Publication number
CN116071935A
CN116071935A CN202211720459.XA CN202211720459A CN116071935A CN 116071935 A CN116071935 A CN 116071935A CN 202211720459 A CN202211720459 A CN 202211720459A CN 116071935 A CN116071935 A CN 116071935A
Authority
CN
China
Prior art keywords
traffic
data
control
vehicle
signal self
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
Application number
CN202211720459.XA
Other languages
English (en)
Inventor
田伟
金仲存
朱威
冯东
王沿甲
孙立伟
马博
姬淑娟
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.)
Xi'an Yinjiang Wisdom City Technology Co ltd
Original Assignee
Xi'an Yinjiang Wisdom City Technology Co ltd
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 Xi'an Yinjiang Wisdom City Technology Co ltd filed Critical Xi'an Yinjiang Wisdom City Technology Co ltd
Priority to CN202211720459.XA priority Critical patent/CN116071935A/zh
Publication of CN116071935A publication Critical patent/CN116071935A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
    • G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
    • G06K19/067—Record carriers with conductive marks, printed circuits or semiconductor circuit elements, e.g. credit or identity cards also with resonating or responding marks without active components
    • G06K19/07—Record carriers with conductive marks, printed circuits or semiconductor circuit elements, e.g. credit or identity cards also with resonating or responding marks without active components with integrated circuit chips
    • G06K19/077—Constructional details, e.g. mounting of circuits in the carrier
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • 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
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G08G1/054—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed photographing overspeeding vehicles
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Geometry (AREA)
  • Educational Administration (AREA)
  • Electromagnetism (AREA)
  • Traffic Control Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • General Business, Economics & Management (AREA)
  • Toxicology (AREA)

Abstract

本发明涉及交通信号自控制技术领域，尤其涉及一种基于机器学习的交通信号自控制方法，针对现有技术中交通信号配时不合理，绿灯利用率低，设备安装复杂，前期投入成本高，信号自控制效率低等问题，现提出如下方案，包括以下步骤S1：布置交通信号自控制设备，采集交通数据；本发明的目的是采用交通信号自控制方法，信号智配时，时间分配合理高效，设备安装简单，投入成本低，优化控制信号，提高绿灯利用率，降低交通事故发生几率，大大提高出行效率，采用动态补偿机制，合理利用绿灯时间，对交叉口人流量进行有效管理，多线程模拟城市级别的交通网络运行，提高了交通信号自控制科学性和控制效率。

Description

一种基于机器学习的交通信号自控制方法
技术领域
本发明涉及交通信号自控制技术领域，尤其涉及一种基于机器学习的交通信号自控制方法。
背景技术
随着现代科学与汽车技术的发展，汽车数量增长，人们为了安全、迅速地通过路口，将最新的科技成果用于解决路口的交通阻塞问题，推动了自动控制技术在交通领域的迅速发展。世界各国交通管理的经验表明，道路交叉口交通管理的最有效的方法之一就是交通信号控制。因此，信号灯控制也是道路交叉口最普遍的交通管理形式。
近年来，城市车辆的数目正在大量增加，城市交通拥挤问题成为一个急需解决的问题。智能交通控制系统的研究与开发正是解决这一难题的主要途径之一，然而，智能交通控制系统的研究与开发需要大量的真实信号机来搭建调试环境，虚拟交通信号机的开发正是为解决问题而提出的。其可以减小对智能交通控制系统研究和开发成本，并且可以在展示智能交通控制系统功能时发挥。因此，我们提出一种基于机器学习的交通信号自控制方法。
发明内容
本发明的目的是解决现有技术中交通信号配时不合理，绿灯利用率低，设备安装复杂，前期投入成本高，信号自控制效率低等问题，而提出的一种基于机器学习的交通信号自控制方法。
为了实现上述目的，本发明采用了如下技术方案：
一种基于机器学习的交通信号自控制方法，包括以下步骤：
S1：布置交通信号自控制设备，采集交通数据；
S2：对数据进行异常数据的识别与修复、数据融合预处理；
S3：根据所融合的数据对控制信号进行优化；
S4：多线程模拟城市级别的交通网络运行仿真；
S5：与历史数据比对，优化交通信号自控制方法。
优选的，所述S1中，布置交通信号自控制设备，包括电子警察、卡口自动监测系统、RFID和监测器，每隔300m安装一个电子警察，每隔500-550m架设两台摄像机，对超速超速车辆进行实时录像；采用卡口自动监测系统，包括两台牌照特写摄像机和一台全景摄像机，摄像机24小时开机拍摄，图片保留时间为一周；RFID由车载电子标签、桌面读写机具和路侧天线设备组成，车载电子标签由微处理器、存储单元、射频模块、天线单元、高能电池、IC卡构成，桌面读写机具由微处理器、射频模块、天线单元、IC卡读写模块、IC卡读写天线、上位机通信模块、电源组成，路侧天线设备由微处理器、射频模块、功率放大器、天线单元、远程控制模块、电源模块组成；采集交通数据，每隔200m设置一个监测器，固定安装在道路两侧。
优选的，所述S1中，采集交通数据，交通数据采集采用控制策略和控制算法提供基础数据，数据采集方法采用固定式获取技术，使用线圈检测和红外检测，获取交通量、行程车速、占有率、车队长度、车队信息数据；卡口自动监测系统自动识别通过该卡口的车辆号牌、颜色、车内人员信息特征，验证出车辆的合法身份，对路口情况进行监控与管理，包括出入口车辆管理、采集、存储数据和系统工作状态，RFID通过车载电子标签、桌面读写机具和路侧天线设备记录车辆在每个阶段的详细路径信息，读卡器发出的射频信号感应到车载标签同时产生感应电流，车载标签将标签记录的信息通过标签内置的天线发送出去，读卡器接受到该信息并将信息传输到计算机处理中心进行处理，计算机系统根据信息的动态捕捉，针对不同车辆的运动状态进行分别处理，并把处理结果发送到数据云平台。
优选的，所述S2中，数据云平台对数据进行处理，包括数据的预处理、数据异常数据的识别与修复、数据融合，对于检测器出现故障、通信失真、天气异常造成的数据异常和缺失，需要识别交通异常数据，通过基于时间序列的交通数据修复方法，基于历史数据的交通数据修复方法和基于时空相关性的交通数据修复方法对交通缺失数据进行修复不同来源的交通数据，采集周期为4-6d，根据时空性特性进行匹配，在完成交通异常数据的识别、交通缺失数据的修复、交通数据的匹配之后，对数据进行整理，剔除多余的字段，保留有用的交通数据信息，对预处理后的交通数据通过改进BP神经网络法、深度学习法、遗传算法进行数据融合，扩大交通数据采集的范围，充分利用有效的交通流信息，提高交通数据的质量。
优选的，所述S3中，通过交通技术监控、检测线圈、电子警察设备，自动记录分析控制效益指标，全面感知和自适应控制路口交通流量，指导路口信号优化参数，依托信息化系统，每周对流量进行分析研判，对比外来交通流、客货交通流、公路交通流，分析同比、环比数据，预算流量变化趋势，指导路口信号控制方案的调整，待自适应控制设备安装投入使用后，可根据各交叉口流量信息对绿波信号控制参数进行实时自动调整。
优选的，所述S4中，根据所融合的数据对控制信号进行优化，单点路口感应控制，在信号灯配时运行到设定最小绿灯时间后，结合路口实时感应检测到的机动车的请求，决定是否延长绿灯时间，控制信号主要参数为初始绿灯时间、最小绿灯时间、单位绿灯延长时间、绿灯极限延长时间，低流量状态下，采用全感应方式，通过路口车辆检测器实时检测流量变化，检测到有车通过就转换灯色，延长绿灯时间，低流量情况下，采用动态补偿机制，保持协调控制周期不变，信号灯自动将多余的绿灯时间补充给下一个方向的车流。
优选的，所述S4中，使用仿真软件，Python与环境进行交互，构造交通仿真模型的基本框架包括输入、处理、输出三个组成部分，输入数据包括交通设施设计参数、交通需求方式、运行规则、控制类型、环境条件，对所收集的数据进行处理，包括计算均值和方差、确定分布形式和相互关系、进行回归分析和单位转换，输出数据则依赖于所讨论问题的类型，建立数学模型，估计参数，进行数学模型评价，导入真实的道路网络，建立交通仿真并校正确认，在网络的任意位置设置驶入驶离模块，多线程模拟城市级别的交通网络运行。
优选的，所述S5中，与历史数据比对，优化交通信号自控制方法，在感应式动态绿波协调信号控制策略实施后，通过仿真软件对路段车辆进行仿真，待自适应控制设备安装投入使用后，根据各交叉口流量信息对绿波信号控制参数进行实时自动调整。
本发明的有益效果为：
1、采用交通信号自控制方法，融合的数据对控制信号进行优化，信号智配时，叠加绿灯损失时间，设备安装简单，投入成本低，准确率高，可得到最短信号灯周期，提高绿灯利用率，使用交通信号灯控制的交叉路口，其路权分配比使用其他控制手段更公平、合理、高效，减少交通事故，对大交通流量的交叉口进行有效控制和管理，大大提高出行效率，降低时间成本。
2、仿真软件多线程模拟城市级别的交通网络运行，大大提高了交通信号自控制科学性，支持高精度的三维场景仿真和基于环境光的模拟，提高了交通信号自控制效率。
本发明的目的是采用交通信号自控制方法，信号智配时，时间分配合理高效，设备安装简单，投入成本低，优化控制信号，提高绿灯利用率，降低交通事故发生几率，大大提高出行效率，采用动态补偿机制，合理利用绿灯时间，对交叉口人流量进行有效管理，多线程模拟城市级别的交通网络运行，高精度的三维场景仿真和基于环境光的模拟，提高了交通信号自控制科学性和控制效率。
附图说明
图1是本发明提出的一种基于机器学习的交通信号自控制方法的流程示意图。
具体实施方式
下面将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。
实施例一
参照图1，一种基于机器学习的交通信号自控制方法，包括如下步骤：
S1：布置交通信号自控制设备，采集交通数据；
S2：对数据进行异常数据的识别与修复、数据融合预处理；
S3：根据所融合的数据对控制信号进行优化；
S4：多线程模拟城市级别的交通网络运行仿真；
S5：与历史数据比对，优化交通信号自控制方法。
本实施例中，布置交通信号自控制设备，包括电子警察、卡口自动监测系统、RFID和监测器，每隔300m安装一个电子警察，每隔500m架设两台摄像机，对超速超速车辆进行实时录像；采用卡口自动监测系统，包括两台牌照特写摄像机和一台全景摄像机，摄像机24小时开机拍摄，图片保留时间为一周；RFID由车载电子标签、桌面读写机具和路侧天线设备组成，车载电子标签由微处理器、存储单元、射频模块、天线单元、高能电池、IC卡构成，桌面读写机具由微处理器、射频模块、天线单元、IC卡读写模块、IC卡读写天线、上位机通信模块、电源组成，路侧天线设备由微处理器、射频模块、功率放大器、天线单元、远程控制模块、电源模块组成；采集交通数据，每隔200m设置一个监测器，固定安装在道路两侧。
本实施例中，采集交通数据，交通数据采集采用控制策略和控制算法提供基础数据，数据采集方法采用固定式获取技术，使用线圈检测和红外检测，获取交通量、行程车速、占有率、车队长度、车队信息数据；卡口自动监测系统自动识别通过该卡口的车辆号牌、颜色、车内人员信息特征，验证出车辆的合法身份，对路口情况进行监控与管理，包括出入口车辆管理、采集、存储数据和系统工作状态，RFID通过车载电子标签、桌面读写机具和路侧天线设备记录车辆在每个阶段的详细路径信息，读卡器发出的射频信号感应到车载标签同时产生感应电流，车载标签将标签记录的信息通过标签内置的天线发送出去，读卡器接受到该信息并将信息传输到计算机处理中心进行处理，计算机系统根据信息的动态捕捉，针对不同车辆的运动状态进行分别处理，并把处理结果发送到数据云平台。
本实施例中，数据云平台对数据进行处理，包括数据的预处理、数据异常数据的识别与修复、数据融合，对于检测器出现故障、通信失真、天气异常造成的数据异常和缺失，需要识别交通异常数据，通过基于时间序列的交通数据修复方法，基于历史数据的交通数据修复方法和基于时空相关性的交通数据修复方法对交通缺失数据进行修复不同来源的交通数据，采集周期为4d，根据时空性特性进行匹配，在完成交通异常数据的识别、交通缺失数据的修复、交通数据的匹配之后，对数据进行整理，剔除多余的字段，保留有用的交通数据信息，对预处理后的交通数据通过改进BP神经网络法、深度学习法、遗传算法进行数据融合，扩大交通数据采集的范围，充分利用有效的交通流信息，提高交通数据的质量。
本实施例中，通过交通技术监控、检测线圈、电子警察设备，自动记录分析控制效益指标，全面感知和自适应控制路口交通流量，指导路口信号优化参数，依托信息化系统，每周对流量进行分析研判，对比外来交通流、客货交通流、公路交通流，分析同比、环比数据，预算流量变化趋势，指导路口信号控制方案的调整，待自适应控制设备安装投入使用后，可根据各交叉口流量信息对绿波信号控制参数进行实时自动调整。
本实施例中，根据所融合的数据对控制信号进行优化，单点路口感应控制，在信号灯配时运行到设定最小绿灯时间后，结合路口实时感应检测到的机动车的请求，决定是否延长绿灯时间，控制信号主要参数为初始绿灯时间、最小绿灯时间、单位绿灯延长时间、绿灯极限延长时间，低流量状态下，采用全感应方式，通过路口车辆检测器实时检测流量变化，检测到有车通过就转换灯色，延长绿灯时间，低流量情况下，采用动态补偿机制，保持协调控制周期不变，信号灯自动将多余的绿灯时间补充给下一个方向的车流。
本实施例中，使用仿真软件，Python与环境进行交互，构造交通仿真模型的基本框架包括输入、处理、输出三个组成部分，输入数据包括交通设施设计参数、交通需求方式、运行规则、控制类型、环境条件，对所收集的数据进行处理，包括计算均值和方差、确定分布形式和相互关系、进行回归分析和单位转换，输出数据则依赖于所讨论问题的类型，建立数学模型，估计参数，进行数学模型评价，导入真实的道路网络，建立交通仿真并校正确认，在网络的任意位置设置驶入驶离模块，多线程模拟城市级别的交通网络运行。
本实施例中，与历史数据比对，优化交通信号自控制方法，在感应式动态绿波协调信号控制策略实施后，通过仿真软件对路段车辆进行仿真，待自适应控制设备安装投入使用后，根据各交叉口流量信息对绿波信号控制参数进行实时自动调整。
实施例二
参照图1，一种基于机器学习的交通信号自控制方法，包括如下步骤：
S1：布置交通信号自控制设备，采集交通数据；
S2：对数据进行异常数据的识别与修复、数据融合预处理；
S3：根据所融合的数据对控制信号进行优化；
S4：多线程模拟城市级别的交通网络运行仿真；
S5：与历史数据比对，优化交通信号自控制方法。
本实施例中，布置交通信号自控制设备，包括电子警察、卡口自动监测系统、RFID和监测器，每隔300m安装一个电子警察，每隔520m架设两台摄像机，对超速超速车辆进行实时录像；采用卡口自动监测系统，包括两台牌照特写摄像机和一台全景摄像机，摄像机24小时开机拍摄，图片保留时间为一周；RFID由车载电子标签、桌面读写机具和路侧天线设备组成，车载电子标签由微处理器、存储单元、射频模块、天线单元、高能电池、IC卡构成，桌面读写机具由微处理器、射频模块、天线单元、IC卡读写模块、IC卡读写天线、上位机通信模块、电源组成，采集交通数据，每隔200m设置一个监测器，固定安装在道路两侧。
本实施例中，采集交通数据，交通数据采集采用控制策略和控制算法提供基础数据，数据采集方法采用固定式获取技术，使用线圈检测和红外检测，获取交通量、行程车速、占有率、车队长度、车队信息数据；卡口自动监测系统自动识别通过该卡口的车辆号牌、颜色、车内人员信息特征，读卡器发出的射频信号感应到车载标签同时产生感应电流，车载标签将标签记录的信息通过标签内置的天线发送出去，读卡器接受到该信息并将信息传输到计算机处理中心进行处理，计算机系统根据信息的动态捕捉，针对不同车辆的运动状态进行分别处理，并把处理结果发送到数据云平台。
本实施例中，数据云平台对数据进行处理，包括数据的预处理、数据异常数据的识别与修复、数据融合，对于检测器出现故障、通信失真、天气异常造成的数据异常和缺失，剔除多余的字段，保留有用的交通数据信息，对预处理后的交通数据通过改进BP神经网络法、深度学习法、遗传算法进行数据融合，扩大交通数据采集的范围，充分利用有效的交通流信息，提高交通数据的质量。
本实施例中，通过交通技术监控、检测线圈、电子警察设备，自动记录分析控制效益指标，每周对流量进行分析研判，对比外来交通流、客货交通流、公路交通流，分析同比、环比数据，预算流量变化趋势，指导路口信号控制方案的调整，待自适应控制设备安装投入使用后，可根据各交叉口流量信息对绿波信号控制参数进行实时自动调整。
本实施例中，根据所融合的数据对控制信号进行优化，单点路口感应控制，在信号灯配时运行到设定最小绿灯时间后，结合路口实时感应检测到的机动车的请求，低流量状态下，采用全感应方式，通过路口车辆检测器实时检测流量变化，检测到有车通过就转换灯色，延长绿灯时间，低流量情况下，采用动态补偿机制，保持协调控制周期不变，信号灯自动将多余的绿灯时间补充给下一个方向的车流。
本实施例中，使用仿真软件，Python与环境进行交互，构造交通仿真模型的基本框架包括输入、处理、输出三个组成部分，输入数据包括交通设施设计参数、交通需求方式、运行规则、控制类型、环境条件，对所收集的数据进行处理，包括计算均值和方差、确定分布形式和相互关系、进行回归分析和单位转换，输出数据则依赖于所讨论问题的类型，建立数学模型，估计参数，进行数学模型评价，导入真实的道路网络，建立交通仿真并校正确认，在网络的任意位置设置驶入驶离模块，多线程模拟城市级别的交通网络运行。
本实施例中，与历史数据比对，优化交通信号自控制方法，在感应式动态绿波协调信号控制策略实施后，通过仿真软件对路段车辆进行仿真，待自适应控制设备安装投入使用后，根据各交叉口流量信息对绿波信号控制参数进行实时自动调整。
实施例三
参照图1，一种基于机器学习的交通信号自控制方法，包括如下步骤：
S1：布置交通信号自控制设备，采集交通数据；
S2：对数据进行异常数据的识别与修复、数据融合预处理；
S3：根据所融合的数据对控制信号进行优化；
S4：多线程模拟城市级别的交通网络运行仿真；
S5：与历史数据比对，优化交通信号自控制方法。
本实施例中，布置交通信号自控制设备，包括电子警察、卡口自动监测系统、RFID和监测器，每隔300m安装一个电子警察，每隔550m架设两台摄像机，对超速超速车辆进行实时录像；采用卡口自动监测系统，包括两台牌照特写摄像机和一台全景摄像机，车载电子标签由微处理器、存储单元、射频模块、天线单元、高能电池、IC卡构成，桌面读写机具由微处理器、射频模块、天线单元、IC卡读写模块、IC卡读写天线、上位机通信模块、电源组成，路侧天线设备由微处理器、射频模块、功率放大器、天线单元、远程控制模块、电源模块组成；采集交通数据，每隔200m设置一个监测器，固定安装在道路两侧。
本实施例中，采集交通数据，交通数据采集采用控制策略和控制算法提供基础数据，数据采集方法采用固定式获取技术，使用线圈检测和红外检测，获取交通量、行程车速、占有率、车队长度、车队信息数据；卡口自动监测系统自动识别通过该卡口的车辆号牌、颜色、车内人员信息特征，验证出车辆的合法身份，对路口情况进行监控与管理，包括出入口车辆管理、采集、存储数据和系统工作状态，读卡器发出的射频信号感应到车载标签同时产生感应电流，车载标签将标签记录的信息通过标签内置的天线发送出去，读卡器接受到该信息并将信息传输到计算机处理中心进行处理，计算机系统根据信息的动态捕捉，针对不同车辆的运动状态进行分别处理，并把处理结果发送到数据云平台。
本实施例中，数据云平台对数据进行处理，包括数据的预处理、数据异常数据的识别与修复、数据融合，对于检测器出现故障、通信失真、天气异常造成的数据异常和缺失，采集周期为6d，根据时空性特性进行匹配，在完成交通异常数据的识别、交通缺失数据的修复、交通数据的匹配之后，对数据进行整理，剔除多余的字段，提高交通数据的质量。
本实施例中，通过交通技术监控、检测线圈、电子警察设备，自动记录分析控制效益指标，每周对流量进行分析研判，对比外来交通流、客货交通流、公路交通流，分析同比、环比数据，预算流量变化趋势，指导路口信号控制方案的调整，待自适应控制设备安装投入使用后，可根据各交叉口流量信息对绿波信号控制参数进行实时自动调整。
本实施例中，根据所融合的数据对控制信号进行优化，单点路口感应控制，在信号灯配时运行到设定最小绿灯时间后，结合路口实时感应检测到的机动车的请求，低流量情况下，采用动态补偿机制，保持协调控制周期不变，信号灯自动将多余的绿灯时间补充给下一个方向的车流。
本实施例中，使用仿真软件，Python与环境进行交互，构造交通仿真模型的基本框架包括输入、处理、输出三个组成部分，输入数据包括交通设施设计参数、交通需求方式、运行规则、控制类型、环境条件，对所收集的数据进行处理，包括计算均值和方差、确定分布形式和相互关系、进行回归分析和单位转换，输出数据则依赖于所讨论问题的类型，建立数学模型，估计参数，进行数学模型评价，导入真实的道路网络，建立交通仿真并校正确认，在网络的任意位置设置驶入驶离模块，多线程模拟城市级别的交通网络运行。
本实施例中，与历史数据比对，优化交通信号自控制方法，在感应式动态绿波协调信号控制策略实施后，通过仿真软件对路段车辆进行仿真，待自适应控制设备安装投入使用后，根据各交叉口流量信息对绿波信号控制参数进行实时自动调整。
对比例一
与实施例一不同之处在于，S1：布置交通信号自控制设备，采集交通数据；布置交通信号自控制设备，包括电子警察、卡口自动监测系统、RFID和监测器，每隔300m安装一个电子警察，每隔500m架设两台摄像机，对超速超速车辆进行实时录像；采用卡口自动监测系统，包括两台牌照特写摄像机和一台全景摄像机，摄像机24小时开机拍摄，图片保留时间为一周；RFID由车载电子标签、桌面读写机具和路侧天线设备组成，车载电子标签由微处理器、存储单元、射频模块、天线单元、高能电池、IC卡构成，桌面读写机具由微处理器、射频模块、天线单元、IC卡读写模块、IC卡读写天线、上位机通信模块、电源组成，路侧天线设备由微处理器、射频模块、功率放大器、天线单元、远程控制模块、电源模块组成；采集交通数据，每隔200m设置一个监测器，固定安装在道路两侧，采集交通数据，交通数据采集采用控制策略和控制算法提供基础数据，数据采集方法采用固定式获取技术，使用线圈检测和红外检测，获取交通量、行程车速、占有率、车队长度、车队信息数据；卡口自动监测系统自动识别通过该卡口的车辆号牌、颜色、车内人员信息特征，验证出车辆的合法身份，对路口情况进行监控与管理，包括出入口车辆管理、采集、存储数据和系统工作状态，RFID通过车载电子标签、桌面读写机具和路侧天线设备记录车辆在每个阶段的详细路径信息，读卡器发出的射频信号感应到车载标签同时产生感应电流，车载标签将标签记录的信息通过标签内置的天线发送出去，读卡器接受到该信息并将信息传输到计算机处理中心进行处理，计算机系统根据信息的动态捕捉，针对不同车辆的运动状态进行分别处理，并把处理结果发送到数据云平台。
对比例二
与实施例二不同之处在于，S2：对数据进行异常数据的识别与修复、数据融合预处理；数据云平台对数据进行处理，包括数据的预处理、数据异常数据的识别与修复、数据融合，对于检测器出现故障、通信失真、天气异常造成的数据异常和缺失，剔除多余的字段，保留有用的交通数据信息，对预处理后的交通数据通过改进BP神经网络法、深度学习法、遗传算法进行数据融合，扩大交通数据采集的范围，充分利用有效的交通流信息，提高交通数据的质量。
对比例三
与实施例三不同之处在于，S3：根据所融合的数据对控制信号进行优化，通过交通技术监控、检测线圈、电子警察设备，自动记录分析控制效益指标，每周对流量进行分析研判，对比外来交通流、客货交通流、公路交通流，分析同比、环比数据，预算流量变化趋势，指导路口信号控制方案的调整，待自适应控制设备安装投入使用后，可根据各交叉口流量信息对绿波信号控制参数进行实时自动调整。
实验例
将实施例一、实施例二和实施例三的一种基于机器学习的交通信号自控制方法进行试验，得出结果如下：
实施例一 实施例二 实施例三 现有方法
投入成本(万元) 18.5 29.4 36.5 33.8
绿灯利用率 76％ 21％ 38％ 39％
实施例一、实施例二和实施例三的基于机器学习的交通信号自控制方法对比现有的基于机器学习的交通信号自控制方法，投入成本显著降低，绿灯利用率显著提升，且实施例一为最佳实施例。
检测报告
本发明的目的是针对现有技术中交通信号配时不合理，绿灯利用率低，设备安装复杂，前期投入成本高，信号自控制效率低等问题，提出一种基于机器学习的交通信号自控制方法，采用交通信号自控制方法，信号智配时，时间分配合理高效，设备安装简单，投入成本低，优化控制信号，提高绿灯利用率，降低交通事故发生几率，大大提高出行效率，采用动态补偿机制，合理利用绿灯时间，对交叉口人流量进行有效管理，多线程模拟城市级别的交通网络运行，提高了交通信号自控制科学性和控制效率。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，但这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于机器学习的交通信号自控制方法，其特征在于，包括以下步骤：
S1：布置交通信号自控制设备，采集交通数据；
S2：对数据进行异常数据的识别与修复、数据融合预处理；
S3：根据所融合的数据对控制信号进行优化；
S4：多线程模拟城市级别的交通网络运行仿真；
S5：与历史数据比对，优化交通信号自控制方法。
2.根据权利要求1所述的一种基于机器学习的交通信号自控制方法，其特征在于，所述S1中，布置交通信号自控制设备，包括电子警察、卡口自动监测系统、RFID和监测器，每隔300m安装一个电子警察，每隔500-550m架设两台摄像机，对超速超速车辆进行实时录像；采用卡口自动监测系统，包括两台牌照特写摄像机和一台全景摄像机，摄像机24小时开机拍摄，图片保留时间为一周；RFID由车载电子标签、桌面读写机具和路侧天线设备组成，车载电子标签由微处理器、存储单元、射频模块、天线单元、高能电池、IC卡构成，桌面读写机具由微处理器、射频模块、天线单元、IC卡读写模块、IC卡读写天线、上位机通信模块、电源组成，路侧天线设备由微处理器、射频模块、功率放大器、天线单元、远程控制模块、电源模块组成；采集交通数据，每隔200m设置一个监测器，固定安装在道路两侧。
3.根据权利要求1所述的一种基于机器学习的交通信号自控制方法，其特征在于，所述S1中，采集交通数据，交通数据采集采用控制策略和控制算法提供基础数据，数据采集方法采用固定式获取技术，使用线圈检测和红外检测，获取交通量、行程车速、占有率、车队长度、车队信息数据；卡口自动监测系统自动识别通过该卡口的车辆号牌、颜色、车内人员信息特征，验证出车辆的合法身份，对路口情况进行监控与管理，包括出入口车辆管理、采集、存储数据和系统工作状态，RFID通过车载电子标签、桌面读写机具和路侧天线设备记录车辆在每个阶段的详细路径信息，读卡器发出的射频信号感应到车载标签同时产生感应电流，车载标签将标签记录的信息通过标签内置的天线发送出去，读卡器接受到该信息并将信息传输到计算机处理中心进行处理，计算机系统根据信息的动态捕捉，针对不同车辆的运动状态进行分别处理，并把处理结果发送到数据云平台。
4.根据权利要求1所述的一种基于机器学习的交通信号自控制方法，其特征在于，所述S2中，数据云平台对数据进行处理，包括数据的预处理、数据异常数据的识别与修复、数据融合，对于检测器出现故障、通信失真、天气异常造成的数据异常和缺失，需要识别交通异常数据，通过基于时间序列的交通数据修复方法，基于历史数据的交通数据修复方法和基于时空相关性的交通数据修复方法对交通缺失数据进行修复不同来源的交通数据，采集周期为4-6d，根据时空性特性进行匹配，在完成交通异常数据的识别、交通缺失数据的修复、交通数据的匹配之后，对数据进行整理，剔除多余的字段，保留有用的交通数据信息，对预处理后的交通数据通过改进BP神经网络法、深度学习法、遗传算法进行数据融合，扩大交通数据采集的范围，充分利用有效的交通流信息，提高交通数据的质量。
5.根据权利要求1所述的一种基于机器学习的交通信号自控制方法，其特征在于，所述S3中，通过交通技术监控、检测线圈、电子警察设备，自动记录分析控制效益指标，全面感知和自适应控制路口交通流量，指导路口信号优化参数，依托信息化系统，每周对流量进行分析研判，对比外来交通流、客货交通流、公路交通流，分析同比、环比数据，预算流量变化趋势，指导路口信号控制方案的调整，待自适应控制设备安装投入使用后，根据各交叉口流量信息对绿波信号控制参数进行实时自动调整。
6.根据权利要求1所述的一种基于机器学习的交通信号自控制方法，其特征在于，所述S4中，根据所融合的数据对控制信号进行优化，单点路口感应控制，在信号灯配时运行到设定最小绿灯时间后，结合路口实时感应检测到的机动车的请求，决定是否延长绿灯时间，控制信号主要参数为初始绿灯时间、最小绿灯时间、单位绿灯延长时间、绿灯极限延长时间，低流量状态下，采用全感应方式，通过路口车辆检测器实时检测流量变化，检测到有车通过就转换灯色，延长绿灯时间，采用动态补偿机制，保持协调控制周期不变，信号灯自动将多余的绿灯时间补充给下一个方向的车流。
7.根据权利要求1所述的一种基于机器学习的交通信号自控制方法，其特征在于，所述S4中，使用仿真软件，Python与环境进行交互，构造交通仿真模型的基本框架包括输入、处理、输出三个组成部分，输入数据包括交通设施设计参数、交通需求方式、运行规则、控制类型、环境条件，对所收集的数据进行处理，包括计算均值和方差、确定分布形式和相互关系、进行回归分析和单位转换，建立数学模型，估计参数，进行数学模型评价，导入真实的道路网络，建立交通仿真并校正确认，在网络的任意位置设置驶入驶离模块，多线程模拟城市级别的交通网络运行。
8.根据权利要求1所述的一种基于机器学习的交通信号自控制方法，其特征在于，所述S5中，与历史数据比对，优化交通信号自控制方法，在感应式动态绿波协调信号控制策略实施后，通过仿真软件对路段车辆进行仿真，待自适应控制设备安装投入使用后，根据各交叉口流量信息对绿波信号控制参数进行实时自动调整。
CN202211720459.XA 2022-12-30 2022-12-30 一种基于机器学习的交通信号自控制方法 Pending CN116071935A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211720459.XA CN116071935A (zh) 2022-12-30 2022-12-30 一种基于机器学习的交通信号自控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211720459.XA CN116071935A (zh) 2022-12-30 2022-12-30 一种基于机器学习的交通信号自控制方法

Publications (1)

Publication Number Publication Date
CN116071935A true CN116071935A (zh) 2023-05-05

Family

ID=86172660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211720459.XA Pending CN116071935A (zh) 2022-12-30 2022-12-30 一种基于机器学习的交通信号自控制方法

Country Status (1)

Country Link
CN (1) CN116071935A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117218870A (zh) * 2023-11-09 2023-12-12 天津易华录信息技术有限公司 一种智慧城市交通信号管理系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117218870A (zh) * 2023-11-09 2023-12-12 天津易华录信息技术有限公司 一种智慧城市交通信号管理系统
CN117218870B (zh) * 2023-11-09 2024-01-16 天津易华录信息技术有限公司 一种智慧城市交通信号管理系统

Similar Documents

Publication Publication Date Title
CN105744232B (zh) 一种基于行为分析技术的输电线路视频防外破的方法
CN109191830A (zh) 一种基于视频图像处理的道路拥堵检测方法
CN109670673A (zh) 露天矿生产管控系统
CN113160575A (zh) 一种非机动车辆及驾驶人的交通违法行为检测方法及系统
CN111292432A (zh) 基于车型识别和轮轴检测的车辆收费类型判别方法与装置
CN116071935A (zh) 一种基于机器学习的交通信号自控制方法
CN112528759A (zh) 一种基于计算机视觉的交通违章行为检测方法
CN113487877A (zh) 一种道路车辆违规停车监控方法
CN117610971B (zh) 一种高速公路机电系统健康指数评估方法
CN113378646A (zh) 一种货运列车信息识别系统及识别方法
CN114494998B (zh) 一种车辆数据智能分析方法及系统
CN117935561A (zh) 一种基于北斗数据的智能交通流分析方法
CN117409584B (zh) 基于碳中和的新型智慧城市交通管理方法和系统
CN116935659B (zh) 一种高速服务区卡口车辆稽核系统及其方法
KR102562757B1 (ko) 노면표시 정보의 예측 및 인식방법 및 도로 유지관리 방법
CN104269061B (zh) 基于网络的黄标车检管系统及检管方法
CN113392817A (zh) 一种基于多列卷积神经网络的车辆密度估计的方法及装置
CN113408319B (zh) 一种城市道路异常感知处理方法、装置、系统及存储介质
CN117011956A (zh) 一种etc门架的运维管理系统
CN114693722B (zh) 一种车辆行驶行为检测方法、检测装置及检测设备
CN115440071A (zh) 一种自动驾驶违规停车检测方法
CN114333331A (zh) 一种多车道桥梁车辆通行信息与车重识别方法及系统
CN218907253U (zh) 一种铁路接发列车智能监控预警系统
CN118430216B (zh) 一种用于充电桩的多种通信协议烟雾预警系统
CN112883943B (zh) 一种轴型识别方法及系统

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