CN116110237A - 一种基于灰色马尔科夫链的信号灯控制方法及装置及介质 - Google Patents

Abstract

本发明提供了一种基于灰色马尔科夫链的信号灯控制方法及装置及介质，应用于十字路口的信号灯上，涉及交通技术领域，包括：S1：在第n个信号灯周期内，获取前n个信号灯周期内的数据，并对获取到的数据进行数据预处理，n≥4；S2：将预处理后的历史流量数据代入并构建灰色预测模型进行预测，得到预测结果；S3：将预测结果与第n个信号灯周期内的实际历史流量数据进行残差检验，若残差检验通过，则利用马尔科夫链模型对预测结果进行修正，若残差检验不通过，则更换灰色预测模型并转到步骤S2；S4：上传修正后的预测结果，根据修正后的预测结果对第n+1个信号灯周期内的行人通行信号灯和车辆通行信号灯的红绿灯时长数据进行调整。

Description

一种基于灰色马尔科夫链的信号灯控制方法及装置及介质

技术领域

本发明涉及交通技术领域，具体涉及一种基于灰色马尔科夫链的信号灯控制方法及装置及介质。

背景技术

目前，对于城市中的十字路口，尤其是某些低流量路口中，路口的信号灯控制系统一般选择采用定时控制。这种定时控制技术会导致司机和行人在路口的平均等待时间过长或出现空等情况，造成司机和行人时间的浪费，降低了路口的通行能力以及司机和行人的出行效率。同时，长时间的空等也会促使人们做出如闯红灯等危险行为，从而极大提升了交通事故的发生率。如何解决路口的信号灯的控制系统与车流量以及人流量进行匹配的问题，使路口的通行效率最大化是一个问题。

发明内容

本发明的目的是提供一种基于灰色马尔科夫链的信号灯控制方法及装置及介质，在第n个信号灯周期内，通过获取前n个信号灯周期内的历史流量数据、行人通行信号灯的红绿灯时长数据、车辆通行信号灯的红绿灯时长数据进行预处理，将处理后的历史流量数据代入到灰色马尔科夫链中进行预测，得到第n+1个信号灯周期内的行人通行信号灯的红绿灯时长数据、车辆通行信号灯的红绿灯时长数据并进行调整，相较于固定信号灯周期的路口，本发明可以根据预测结果动态控制信号灯周期内的灯序和相位顺序，来达到大幅提高低流量路口的通行效率。

为解决上述技术问题，本发明采用了以下方案：

一种基于灰色马尔科夫链的信号灯控制方法，应用于十字路口的信号灯上，所述控制方法包括：

S1：在第n个信号灯周期内，分别获取前n个信号灯周期内的历史流量数据、行人通行信号灯的红绿灯时长数据、车辆通行信号灯的红绿灯时长数据，并对获取到的数据进行数据预处理，所述信号灯周期为信号灯灯序按设定的相位顺序显示一周所需的时间，n≥4；

S2：将预处理后的历史流量数据代入并构建灰色预测模型进行预测，得到预测结果；

S3：将预测结果与第n个信号灯周期内的实际历史流量数据进行残差检验，若残差检验通过，则利用马尔科夫链模型对预测结果进行修正，若残差检验不通过，则更换灰色预测模型并转到步骤S2；

S4：上传修正后的预测结果，根据修正后的预测结果对第n+1个信号灯周期内的行人通行信号灯的红绿灯时长数据、车辆通行信号灯的红绿灯时长数据进行调整。

进一步的，所述历史流量数据包括车流量数据、人流量数据、车辆等待平均时长数据、行人等待平均时长数据。

进一步的，所述对获取到的数据进行数据预处理的过程为：将获取到的前n个信号灯周期内的历史流量数据、行人通行信号灯的红绿灯时长数据、车辆通行信号灯的红绿灯时长，按照一个信号灯周期作为一组数据，将每组数据中的每个数据分别进行级比检验，若级比检验通过，则将该组数据直接生成一组待预测数据1，若级比检验不通过，则将每个数据都加上任意常数C使其通过级比检验并生成一组待预测数据2。

进一步的，所述S2中具体包括以下步骤：

S21：对前n组待预测数据中每个数据分别构造一次累加序列；

S22：对每个数据的一次累加序列建立灰色方程，再通过最小二乘法求解灰色方程中的未知参数；

S23：根据求解得到的灰色方程中的未知参数，经过累减还原求得每个数据的预测结果。

进一步的，所述S3中利用马尔科夫链模型对预测结果进行修正的具体过程为：

S31：根据每个数据的预测结果与第n个信号灯周期内的实际历史流量数据的相对误差的范围，进行状态区间的划分，将状态区间记为[L,H]，所述L为状态区间的下限，所述H为状态区间的上限；

S32：根据每个数据的状态区间来计算状态转移概率矩阵；

S33：根据每个数据的状态转移概率矩阵来计算每个数据修正后的预测结果。

进一步的，所述状态区间的划分包括均匀划分、基于状态转移概率的划分、根据实际要求的划分。

进一步的，所述S4中根据修正后的预测结果对第n+1个信号灯周期内的行人通行信号灯的红绿灯时长数据、车辆通行信号灯的红绿灯时长数据进行调整的具体过程为：

所述修正后的预测结果包括预测的车流量数据、人流量数据、车辆等待平均时长数据、行人等待平均时长数据，将车流量数据和车辆等待平均时长数据生成一个车辆的权重，将人流量数据和行人等待平均时长数据生成一个行人的权重，

再根据车辆的权重和行人的权重生成第n+1个信号灯周期内的信号灯的红绿灯时长，

若车辆的权重大于行人的权重，则生成的车辆通行信号灯的绿灯时长大于行人的绿灯时长，若车辆的权重小于行人的权重，则生成的行人通行信号灯的绿灯时长大于车辆通行信号灯的绿灯时长。

进一步的，所述信号灯周期为信号灯灯序按设定的相位顺序显示一周所需的时间。

一种基于灰色马尔科夫链的信号灯控制装置，包括：

一个或多个处理器；

存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现所述的一种基于灰色马尔科夫链的信号灯控制方法。

计算机可读存储的介质，其上存储有计算机程序，

所述计算机程序被处理器执行时能实现所述的一种基于灰色马尔科夫链的信号灯控制方法。

本发明的有益效果：

本发明提供了一种基于灰色马尔科夫链的信号灯控制方法及装置及介质，在第n个信号灯周期内，获取前n个信号灯周期内的历史流量数据、行人通行信号灯的红绿灯时长数据、车辆通行信号灯的红绿灯时长数据，其中，n≥4，可以使后续模型的预测结果更加准确。

再获取到的前n个信号灯周期内的历史流量数据、行人通行信号灯的红绿灯时长数据、车辆通行信号灯的红绿灯时长进行预处理，将预处理后的每个数据分别代入到灰色预测模型中进行预测。

然后将预测结果与第n个信号灯周期内的实际历史流量数据进行残差检验，若残差检验通过，则利用马尔科夫链对预测结果进行修正，若残差检验不通过，则更换灰色预测模型并重新进行预测，每一个预测结果都要与上一次真实结果进行残差检验，若残差检验不通过则代表该灰色预测模型不可靠，需要重新换个模型，将每一个预测结果都要与上一次真实结果进行残差检验可以很好地保证预测数据的真实性。

再将预测结果代入马尔科夫链进行修正，根据修正后的预测结果对第n+1个信号灯周期内的行人通行信号灯的红绿灯时长数据、车辆通行信号灯的红绿灯时长数据进行调整，使本发明相较于固定信号灯周期的路口，可以根据预测结果动态控制信号灯周期内的灯序和相位顺序，来达到大幅提高低流量路口的通行效率，并且预测结果较为准确。

附图说明

图1为本发明的交互示意图。

图2为本发明中实施例2的十字路口的示意图。

图3为本发明中实施例2的十字路口的信号灯控制示意图。

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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作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。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

另外，为了清楚和简洁起见，可能省略了对公知的结构、功能和配置的描述。本领域普通技术人员将认识到，在不脱离本公开的精神和范围的情况下，可以对本文描述的示例进行各种改变和修改。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。

在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

下面通过参考附图并结合实施例来详细说明本发明：

目前，对于城市中的十字路口，尤其是某些低流量路口中，路口的信号灯控制系统一般选择采用定时控制。这种定时控制技术会导致司机和行人在路口的平均等待时间过长或出现空等情况，造成司机和行人时间的浪费，降低了路口的通行能力以及司机和行人的出行效率。同时，长时间的空等也会促使人们做出如闯红灯等危险行为，从而极大提升了交通事故的发生率。如何解决路口的信号灯的控制系统与车流量以及人流量进行匹配的问题，使路口的通行效率最大化是一个问题。

所以本发明提供了一种基于灰色马尔科夫链的信号灯控制方法及装置及介质，本方法可以解决在车流量较少的路口中信号灯控制策略与车流量、人流量不匹配的问题。通过灰色预测模型使路口的通行效率最大化。同时，该方法不需要在原有信号灯的基础上添加过于复杂的控制系统和信号采集系统，且无需使用大量数据进行前期训练，成本低，省时省力。

实施例1

如图1所示，一种基于灰色马尔科夫链的信号灯控制方法，应用于十字路口的信号灯上，所述控制方法包括：

S1：在第n个信号灯周期内，分别获取前n个信号灯周期内的历史流量数据、行人通行信号灯的红绿灯时长数据、车辆通行信号灯的红绿灯时长数据，并对获取到的数据进行数据预处理，所述信号灯周期为信号灯灯序按设定的相位顺序显示一周所需的时间，n≥4；

S2：将预处理后的历史流量数据代入并构建灰色预测模型进行预测，得到预测结果；

S3：将预测结果与第n个信号灯周期内的实际历史流量数据进行残差检验，若残差检验通过，则利用马尔科夫链模型对预测结果进行修正，若残差检验不通过，则更换灰色预测模型并转到步骤S2；

S4：上传修正后的预测结果，根据修正后的预测结果对第n+1个信号灯周期内的行人通行信号灯的红绿灯时长数据、车辆通行信号灯的红绿灯时长数据进行调整。

优选的，所述历史流量数据包括车流量数据、人流量数据、车辆等待平均时长数据、行人等待平均时长数据。

具体的，在S2中，将预处理后的历史流量数据代入并构建灰色预测模型进行预测，得到预测结果。此时，可以同时选用多种灰色预测模型进行预测，例如GM(1,1)模型的改进型或ARIMA-GM(1,1)，从而降低预测时产生的误差，再在模型的选取上选用误差最低的模型即可。

优选的，所述对获取到的数据进行数据预处理的过程为：

将获取到的前n个信号灯周期内的历史流量数据、行人通行信号灯的红绿灯时长数据、车辆通行信号灯的红绿灯时长，按照一个信号灯周期作为一组数据，将每组数据中的每个数据分别进行级比检验，若级比检验通过，则将该组数据直接生成一组待预测数据1，若级比检验不通过，则将每个数据都加上任意常数C使其通过级比检验并生成一组待预测数据2。

具体的数据预处理方法为：

计算， k=1,2,……,n，判断 是否在区间内，若在，则级比检验通过，若不在，则级比检验不通过。

优选的，所述S2中具体包括以下步骤：

S21：对前n组待预测数据中每个数据分别构造一次累加序列：

设原始序列为：，其中，，k=1,2,……,n，则的一次累加序列为：，其中，，k=1,2,……,n；

S22：对每个数据的一次累加序列建立灰色方程，再通过最小二乘法求解灰色方程中的未知参数：

建立灰色方程：，记为GM(1,1)，参数为，由最小二乘法解得参数为，

其中，由此得出时间相应序列为：，k=1,2,……,n；

S23：根据求解得到的灰色方程中的未知参数，经过累减还原求得每个数据的预测结果：，k=1,2,……,n。

优选的，所述残差检验就是看按照求得的拟合值与实际值相差大不大。具体的，计算：，k=1,2,……,n，其中，，如果对所有的，则认为其达到较高的要求；，则认为达到一般的要求；，则更换灰色预测模型并转到步骤S2。

优选的，所述S3中利用马尔科夫链模型对预测结果进行修正的具体过程为：

S31：根据每个数据的预测结果与第n个信号灯周期内的实际历史流量数据的相对误差的范围，进行状态区间的划分，将状态区间记为[L,H]，所述L为状态区间的下限，所述H为状态区间的上限；

S32：根据每个数据的状态区间来计算状态转移概率矩阵：

设序列在区间t的状态为的概率为，若序列从状态转移到下一个时间状态的概率为，则为从时刻t处于i状态到下一个时t+1转移到j状态的概率，满足此条件的时间序列为马尔科夫链。 其中，为在t时刻的一步转移条件概率，由概率组成的矩阵称为概率矩阵。

状态转移到状态的次数为，状态的总次数为，状态到状态的概率为，并且，，，，

所以，k步转移概率为：，

因此，k步转移概率矩阵为：，

根据当前时刻所处的转态，利用一步转移概率矩阵对下一时刻进行预测，，

当前时刻t的状态为，则t+1时刻转移到状态，状态j出现概率最大，则为下一时刻的预测结果。

优选的，所述状态区间的划分包括均匀划分、基于状态转移概率的划分、根据实际要求的划分。

具体的，所述均匀划分为：将状态区间均匀地划分为若干个区间，例如相对误差取值范围是[0.1,0.5]，我们就可以将状态区间等分为4个部分，每个部分均为0.1。

基于状态转移概率的划分：将状态空间划分为若干个区间，使得每个区间内的状态之间的状态转移概率较大，而不同区间之间的状态转移概率较小。例如，可以使用聚类算法将状态空间划分为几个聚类，每个聚类内的状态具有相似的状态转移概率。

根据具体问题和应用需求，将状态划分为有意义的区间：例如，可以将预测的准确度作为状态，然后将其划分为多个区间。如相对误差在[0,0.05]为很准确，[0.05,0.1]为较准确，[0.1,0.25]为一般，0.25以上为不准确。

以上方法仅是几种常见的状态区间划分方法，实际应用中可能需要根据具体情况进行选择。

S33：根据每个数据的状态转移概率矩阵来计算每个数据修正后的预测结果：

计算修正后的预测结果为：。

具体的，在每经过一次或几次信号灯周期时，都需要根据前期的实际相关数据对接下来的信号灯周期进行预测，以得到更加准确的预测值。同时，在预测过程中使用多种灰色预测模型相结合的方法，在经过多次预测和验证后可以选用更加精准的灰色预测模型进行接下来几轮的预测。

优选的，所述S4中根据修正后的预测结果对第n+1个信号灯周期内的行人通行信号灯的红绿灯时长数据、车辆通行信号灯的红绿灯时长数据进行调整的具体过程为：

所述修正后的预测结果包括预测的车流量数据、人流量数据、车辆等待平均时长数据、行人等待平均时长数据，将车流量数据和车辆等待平均时长数据生成一个车辆的权重，将人流量数据和行人等待平均时长数据生成一个行人的权重，

再根据车辆的权重和行人的权重生成第n+1个信号灯周期内的信号灯的红绿灯时长，

若车辆的权重大于行人的权重，则生成的车辆通行信号灯的绿灯时长大于行人的绿灯时长，若车辆的权重小于行人的权重，则生成的行人通行信号灯的绿灯时长大于车辆通行信号灯的绿灯时长。

具体的，在经过灰色预测系统预测后，系统还可以将预测结果与上一次的预测结果进行比较，若本次预测结果与上一次的预测结果一致，则不对控制系统作出相应指示，仅将上一次的预测结果中未预测到的部分输入控制系统中。若本次预测结果与上一次的预测结果不一致，则将清楚上一次的预测结果，再将本次的预测结果输入控制系统中，或者取两者的平均值，将平均值输入控制系统中。

实施例2

如图2所示，一种十字交叉路口的示意图。在该十字路口上应用一种基于灰色马尔科夫链的信号灯控制装置，如图2、图3所示，在行人和车辆处，设置有采集数据模块、灰色马尔科夫预测模块、生成预测红绿灯时长模块。

具体的，采集数据模块通过传感器可以获得历史流量数据、行人通行信号灯的红绿灯时长数据、车辆通行信号灯的红绿灯时长数据，然后将采集到的数据传输给灰色马尔科夫预测模块，通过该模块得到一个预测结果，再将预测结果转换生成红绿灯时长，将红绿灯时长发送给对应的行人通行信号灯和车辆通行信号灯。

一种基于灰色马尔科夫链的信号灯控制装置，包括：

一个或多个处理器；

存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现所述的一种基于灰色马尔科夫链的信号灯控制方法。

计算机可读存储的介质，其上存储有计算机程序，

所述计算机程序被处理器执行时能实现所述的一种基于灰色马尔科夫链的信号灯控制方法。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。

Claims (10)

1.一种基于灰色马尔科夫链的信号灯控制方法，其特征在于，应用于十字路口的信号灯上，所述控制方法包括：

S1：在第n个信号灯周期内，分别获取前n个信号灯周期内的历史流量数据、行人通行信号灯的红绿灯时长数据、车辆通行信号灯的红绿灯时长数据，并对获取到的数据进行数据预处理，n≥4；

S2：将预处理后的历史流量数据代入并构建灰色预测模型进行预测，得到预测结果；

S3：将预测结果与第n个信号灯周期内的实际历史流量数据进行残差检验，若残差检验通过，则利用马尔科夫链模型对预测结果进行修正，若残差检验不通过，则更换灰色预测模型并转到步骤S2；

S4：上传修正后的预测结果，根据修正后的预测结果对第n+1个信号灯周期内的行人通行信号灯的红绿灯时长数据、车辆通行信号灯的红绿灯时长数据进行调整。

2.根据权利要求1所述的一种基于灰色马尔科夫链的信号灯控制方法，其特征在于，所述历史流量数据包括车流量数据、人流量数据、车辆等待平均时长数据、行人等待平均时长数据。

3.根据权利要求2所述的一种基于灰色马尔科夫链的信号灯控制方法，其特征在于，所述对获取到的数据进行数据预处理的过程为：

将获取到的前n个信号灯周期内的历史流量数据、行人通行信号灯的红绿灯时长数据、车辆通行信号灯的红绿灯时长，按照一个信号灯周期作为一组数据，将每组数据中的每个数据分别进行级比检验，若级比检验通过，则将该组数据直接生成一组待预测数据1，若级比检验不通过，则将每个数据都加上任意常数C使其通过级比检验并生成一组待预测数据2。

4.根据权利要求3所述的一种基于灰色马尔科夫链的信号灯控制方法，其特征在于，所述S2中具体包括以下步骤：

S21：对前n组待预测数据中每个数据分别构造一次累加序列；

S22：对每个数据的一次累加序列建立灰色方程，再通过最小二乘法求解灰色方程中的未知参数；

S23：根据求解得到的灰色方程中的未知参数，经过累减还原求得每个数据的预测结果。

5.根据权利要求4所述的一种基于灰色马尔科夫链的信号灯控制方法，其特征在于，所述S3中利用马尔科夫链模型对预测结果进行修正的具体过程为：

S31：根据每个数据的预测结果与第n个信号灯周期内的实际历史流量数据的相对误差的范围，进行状态区间的划分，将状态区间记为[L,H]，所述L为状态区间的下限，所述H为状态区间的上限；

S32：根据每个数据的状态区间来计算状态转移概率矩阵；

S33：根据每个数据的状态转移概率矩阵来计算每个数据修正后的预测结果。

6.根据权利要求5所述的一种基于灰色马尔科夫链的信号灯控制方法，其特征在于，所述状态区间的划分包括均匀划分、基于状态转移概率的划分、根据实际要求的划分。

7.根据权利要求5所述的一种基于灰色马尔科夫链的信号灯控制方法，其特征在于，所述S4中根据修正后的预测结果对第n+1个信号灯周期内的行人通行信号灯的红绿灯时长数据、车辆通行信号灯的红绿灯时长数据进行调整的具体过程为：

所述修正后的预测结果包括预测的车流量数据、人流量数据、车辆等待平均时长数据、行人等待平均时长数据，将车流量数据和车辆等待平均时长数据生成一个车辆的权重，将人流量数据和行人等待平均时长数据生成一个行人的权重，

再根据车辆的权重和行人的权重生成第n+1个信号灯周期内的信号灯的红绿灯时长，

若车辆的权重大于行人的权重，则生成的车辆通行信号灯的绿灯时长大于行人的绿灯时长，若车辆的权重小于行人的权重，则生成的行人通行信号灯的绿灯时长大于车辆通行信号灯的绿灯时长。

8.根据权利要求1所述的一种基于灰色马尔科夫链的信号灯控制方法，其特征在于，所述信号灯周期为信号灯灯序按设定的相位顺序显示一周所需的时间。

9.一种基于灰色马尔科夫链的信号灯控制装置，其特征在于，包括：

一个或多个处理器；

存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据权利要求1至8中任意一项所述的一种基于灰色马尔科夫链的信号灯控制方法。

10.计算机可读存储的介质，其上存储有计算机程序，其特征在于，

所述计算机程序被处理器执行时能实现根据权利要求1至8中任意一项所述的一种基于灰色马尔科夫链的信号灯控制方法。

Images