一种智慧交通与柔性车道调控方法及设备
技术领域
本发明涉及交通车流量预测以及智能控制技术领域,具体涉及一种智慧交通与柔性车道调控方法及设备。
背景技术
近年来,我国城镇化、机动化、现代化进入快速发展阶段,但随着社会经济的迅速发展,城市规模不断扩大,小汽车快速进入家庭,城市交通机动化趋势明显,行车难、停车难现象突出,公共交通发展相对滞后,交通问题越来越成为制约城市发展的主要问题之一,不仅影响居民出行效率和体验,当前大多数城市交通供给难以满足城市快速增长的交通需求,城市交通基础设施建设、交通管理水平无法适应城市发展的需要,交通拥堵问题显著,所以打造高质量交通系统,提高居民出行效率和品质,增强人民生活幸福感、获得感和满足感的重要途径之一,是当下亟须解决的城市发展难题。
交通指示灯时间都是提前设置的,无法通过实际情况进行灵活调整,不可避免的造成的时间的浪费,再有就是目前的车道也是固定的,时长会出现某个方向的车道十分拥堵,而另一个方向十分稀疏,这也就造成了道路资源的浪费。
面对以上提到的交通拥堵的问题,就需要一种智能交通调节设备,对未来一段时间的车流量进行预测,并通过预测结果,对路口的交通指示灯的时长进行智能调节,在保证交通秩序的同时,提高单位时间内路口的通行车辆数目,设置柔性车道,充分利用交通道路资源。
发明内容
发明目的:针对背景技术中指出的问题,本发明公开了一种智慧交通与柔性车道调控方法及设备,对交通信号指示灯时长进行智能调控,并对柔性车道两侧的车道控制灯进行控制,有效减少了交通拥堵的状况,有效减少了路段平均通过时间,充分利用道路资源,有效解决交通拥堵的问题。
技术方案:本发明提供了一种智慧交通与柔性车道调控方法,该调控方法基于预设的柔性车道进行,定义中间两车道为柔性车道,终端控制器根据实时车流量数据,智能控制柔性车流开启的时间,包括如下步骤:
步骤1:采集包括日期因素、天气情况、各车道承载量、各路段的平均车速、各车道占用率以及前一段时间内每小时的车流量数据的数据并对其进行预处理;
步骤2:构建GJO-IWNN车流量预测模型,所述GJO-IWNN车流量预测模型采用金豺优化算法对改进小波神经网络初始参数进行优化,利用步骤1采集的预处理数据作为GJO-IWNN车流量预测模型输入层的节点数据,对未来短期内的车流量进行训练预测,并采用误差二次提取方法降低预测误差;
步骤3:根据步骤2预测的短期内的车流量数据,智能调控交通指示灯时长以及柔性车道路段不同方向的车道数。
进一步地,所述步骤1中采集的数据通过多个定点安装的交通测速仪,获取各路段某个时间段内的平均车速;通过多个定点安装的车流相机,获取当前车流量情况并计算当前各车道占用率。
进一步地,所述步骤2中改进小波神经网络具体为:
21)选取小波基函数,小波基函数公式如下所示:
22)构建小波神经网络的输入层、隐含层和输出层,隐含层的输出公式如下所示:
其中,wij为输入层与隐含层之间的权重系数,aj为小波基函数的伸缩因子,bj为平移因子,hj为隐含层神经元输出;x11,x12…x1j为各路段平均速度;x21,x22…x2j为车道承载量;x31,x32…x3j为前一段时间内每小时的车流量数据;x41,x42…x4j为各车道占用率;x51,x52…x5j和x61,x62…x6j分别为日期因素和天气因素,且数值为0或1,数值为0表示:非节假日、天气非晴,数值为1表示:节假日、天气晴;
23)输出层构建公式如下所示:
其中,wjk为隐含层与输出层之间的权重系数,该系数会在网络训练过程中不断更新,yk为小波神经网络第k个神经元的输出值;
24)计算网络误差指标函数,计算函数如下所示:
其中,y′k表示真实值,yk表示小波神经网络预测值,E表示误差指标函数,用来衡量真实值与误差值之间的偏差程度;
25)计算第d+1次训练后参数需要调整的变化量以及计算公式如下所示:
其中,η表示设定的学习速率,E为误差指标函数;
26)采用误差反向传播算法更新权值以及小波因子,更新公式如下所示:
其中,d代表参数更新当的代数,以及/>表示第d+1次训练后参数需要调整的变化量。
进一步地,对所述步骤26)中的更新公式进行改进,改进公式如下所示:
其中,α是在[0,1]之间的常数。
进一步地,所述步骤2中采用金豺优化算法对改进小波神经网络初始参数进行优化,具体为:
51)确定初始解,初始解是随机均匀分布在搜索空间上的,初始解公式如下所示:
Y0=Ymin+rand(Ymax-Ymin)
其中,Ymin和Ymax是变量的上界和下界,rand是范围在[0,1]之间的随机数;
52)创建初始化矩阵猎物,初始化矩阵公式如下所示:
其中,Yi,j表示第i个猎物的第j维值,n为猎物的数量,d为变量的数量;
53)应用适应度目标函数估计每个猎物的适应度值,适应度值矩阵如下所示:
其中,FOA是保存每个猎物适应度的矩阵,f是目标函数,适应度最优的为雄豺,适应度次优的为雌豺;
54)更新雄性豺与雌性豺的位置,更新公式如下所示:
Y1(t)=YM(t)-E·|YM(t)-rl·Prey(t)|
Y2(t)=YFM(t)-E·|YFM(t)-rl·Prey(t)|
rl=0.05*LF(y)
LF(y)=0.01×(μ×σ)/(|v|1/β)
其中,t表示当前迭代次数,Prey(t)是猎物位置向量,YM(t)和YFM(t)表示雄豺和雌豺的位置,Y1(t)和Y2(t)是对应于猎物的雄豺和雌豺的更新位置,rl是基于表示莱维运动的莱维分布的随机向量,LF为莱维飞行函数,μ和v是范围在(0,1)之间的随机数,β是值为1.5的常数;
55)计算躲避猎物的能力E
E0=2*r-1
E1=c1*(1-t/T)
E=E1*E0
其中,E1表示猎物的能力下降,E0表示其能力的初始状态,r是范围在[0,1]之间的随机数,T表示最大迭代次数,c1是等于1.5的常数值,t表示当前迭代次数;
56)更新豺的位置,更新公式如下所示:
57)对雄豺和雌豺一起狩猎的行为在数学上进行建模,建模公式如下所示:
Y1(t)=YM(t)-E·|rl·YM(t)-Prey(t)|
Y2(t)=YFM(t)-E·|rl·YFM(t)-Prey(t)|。
进一步地,所述步骤2中利用误差二次提取方法降低预测误差具体为:
61)将步骤1采集的相关数据作为GJO-IWNN车流量预测模型输入端的节点数据,对未来短期内的车流量进行训练预测得到车流量预测结果并得到误差序列,将得到的误差序列作为输入,再次用GJO-IWNN车流量预测模型进行预测,得到误差预测值;
62)将车流量预测结果与误差预测结果叠加,得到经过误差二次提取后的最终预测结果。
本发明还公开一种智慧交通与柔性车道调控设备,包括:
数据采集单元,用于采集包括日期因素、天气情况、各车道承载量、各路段的平均车速、各车道占用率以及前一段时间内每小时的车流量信数据的数据
车流预测模块,用于基于上述智慧交通与柔性车道调控方法进行预测未来短期内的车流量;
智能控制模块,用于根据预测的短期内的车流量数据,智能调控交通指示灯时长以及柔性车道路段不同方向的车道数。
优选地,所述数据采集单元通过多个定点安装的交通测速仪,获取各路段某个时间段内的平均车速;通过多个定点安装的车流相机,获取当前车流情况并计算当前各车道占用率。
优选地,该调控设备基于预设的柔性车道进行,柔性车道路段为双向N车道,定义中间两车道为柔性车道,柔性车道两侧安装多个车道控制灯,车道控制灯显示绿色时,表示正向通行,车道控制灯显示红色时,表示反向通行,车道控制灯由智能控制模块控制,智能控制模块根据车流相机提高的实时车流时间,智能控制柔性车流开启的时间,当柔性车道开启时间即将结束时,智能控制模块会对车道控制灯发出指令,使其闪烁,提醒行车及时更换车道。
有益效果:
1、本发明采用金豺优化算法对改进小波神经网络的初始参数进行调节,能够提高模型的效率和预测能力,将预测误差通过预测模型进行误差二次提取,可以挖掘误差中所隐含的特征信息,进一步提高了预测的准确性。
2、本发明通过准确的车流量预测,对交通信号指示灯时长进行智能调控,合理分配红灯与绿灯时长,在保障了交通秩序的同时,有效提高了单位时间路口车辆的通行数目。
3、本发明通过车流相机以及车流连预测结果,通过终端控制器对柔性车道两侧的车道控制灯进行控制,给处于拥堵状态下或者车流量较多的行车方向,分配较多的车道数;给车流量较少的行车方向,适当减少车道数,有效减少了交通拥堵的状况,有效减少了路段平均通过时间。
附图说明
图1为本发明的结构框架图;
图2为本发明采用的金豺优化算法流程图;
图3为本发明采用的GJO-IWNN车流量预测模型流程图;
图4为柔性车道路段示意图;
图5为设备使用前后各时间段路口通过车辆数对比图;
图6为预测GJO-IWNN车流量预测模型预测准确率图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
通过附图1所示,本发明提供了一种智慧交通与柔性车道调控方法及设备,包括数据采集单元、车流预测模块、智能控制模块。数据采集单元所采集的数据包括日期因素、天气情况、各车道承载量、各路段的平均车速、各车道占用率以及前一段时间内每小时的车流量信数据。数据采集单元收集影响车流量的主要因素,通过多个定点安装的交通测速仪,获取各路段某个时间段内的平均车速;通过多个定点安装的车流相机,获取当前车流情况并计算当前各车道占用率。每个车道都有一个固定的承载量,且根据数据采集单元提供的数据即可得到日期因素,天气因素可根据气象对接得到。数据采集单元将采集到的各路段平均车速,各车道承载量、前一段时间内每小时的车流量信数据、各车道占用率、日期因素以及天气情况输入车流预测模块,对未来短期(2-3小时)的车流量进行预测。数据采集单元收集影响车流量的主要因素,通过多个定点安装的交通测速仪,获取各路段某个时间段内的平均车速。通过多个定点安装的车流相机,获取当前车流情况并计算当前各车道占用率。
车流预测模块采用金豺优化算法对改进小波神经网络初始参数进行优化,并采用误差二次提取方法来降低预测误差。智能控制模块通过车流预测模块提供的数据,对交通指示灯时长以及柔性车道路段不同方向的车道数进行智能调控。
智能控制模块根据车流流量预测结果,对交通指示灯时长以及柔性车道路段不同方向的车道数进行智能调控。
本实施例柔性车道路段以双向四车道为例,参见图4,定义中间两车道为柔性车道,柔性车道可沿线两侧安装多个车道控制灯,每个车道控制灯背对背对应设置一对灯,分别用于两个方向的车辆查看通行情况。车道控制灯显示绿色时,表示正向通行,车道控制灯显示红色时,表示反向通行,车道控制灯由智能控制模块控制。如当前南北方向行驶的车辆,当前为双向四车道,每个方向为两个车道,其中向北行驶的两个车道的中间那个车道为柔性车道,那么当前柔性车道的车道控制灯向北的车辆看到的控制灯为红色,向南行驶的车辆看到的该柔性车道的车道控制灯为绿色,当前柔性车道是不能由南向北行驶的,只能由北向南行驶。智能控制模块根据车流相机提供的实时车流时间,智能控制柔性车流开启的时间,当柔性车道开启时间即将结束时,智能控制模块会对车道控制灯发出指令,使其闪烁,提醒行车及时更换车道。在实施时可以设置闪烁的时间,便于车辆及时更换车道。
通过附图3所示,本发明还公开了一种基于GJO-IWNN的智慧交通与柔性车道调控方法,构建GJO-IWNN车流量预测模型,GJO-IWNN车流量预测模型采用金豺优化算法对改进小波神经网络初始参数进行优化,利用采集的预处理数据作为GJO-IWNN车流量预测模型输入层的节点数据,对未来短期内的车流量进行训练预测,并采用误差二次提取方法降低预测误差。根据预测的短期内的车流量数据,智能调控交通指示灯时长以及柔性车道路段不同方向的车道数。
对于GJO-IWNN车流量预测模型的构建,主要包括以下步骤:
1)选取小波基函数,小波基函数公式如下所示:
2)构建小波神经网络的输入层、隐含层和输出层,隐含层的输出公式如下所示:
其中,wij为输入层与隐含层之间的权重系数,aj为小波基函数的伸缩因子,bj为平移因子,hj为隐含层神经元输出。本专利中,x11,x12…x1j为各路段平均速度;x21,x22…x2j为车道承载量;x31,x32…x3j为前一段时间内每小时的车流量数据;x41,x42…x4j为各车道占用率;x51,x52…x5j和x61,x62…x6j分别为日期因素和天气因素,且数值为0或1,数值为0表示:非节假日、天气非晴,数值为1表示:节假日、天气晴。
3)输出层构建公式如下所示:
其中,wjk为隐含层与输出层之间的权重系数,该系数会在网络训练过程中不断更新,yk为小波神经网络第k个神经元的输出值。
4)计算网络误差指标函数,计算函数如下所示:
其中,y′k表示真实值,yk表示小波神经网络预测值,E表示误差指标函数,用来衡量真实值与误差值之间的偏差程度。
5)计算第d+1次训练后参数需要调整的变化量以及计算公式如下所示:
其中,η表示设定的学习速率,E为误差指标函数。
6)采用误差反向传播算法更新权值以及小波因子,更新公式如下所示:
其中,d代表参数更新当的代数,以及/>表示第d+1次训练后参数需要调整的变化量。
7)为了加快小波升级网络的收敛速度,对步骤6)中的更新公式进行改进,改进公式如下所示:
其中,α是在[0,1]之间的常数。
8)采用金豺优化算法对改进小波神经网络的初始参数进行调节,以提高模型的效率和预测能力,具体步骤如下所示:
81)确定初始解,初始解是随机均匀分布在搜索空间上的,初始解公式如下所示:
Y0=Ymin+rand(Ymax-Ymin)
其中,Ymin和Ymax是变量的上界和下界,rand是范围在[0,1]之间的随机数。
82)创建初始化矩阵猎物,初始化矩阵公式如下所示:
其中,Yi,j表示第i个猎物的第j维值,n为猎物的数量,d为变量的数量。
83)应用适应度目标函数估计每个猎物的适应度值,适应度值矩阵如下所示:
其中,FOA是保存每个猎物适应度的矩阵,f是目标函数,适应度最优的为雄豺,适应度次优的为雌豺。
84)更新雄性豺与雌性豺的位置,更新公式如下所示:
Y1(t)=YM(t)-E·|YM(t)-rl·Prey(t)|
Y2(t)=YFM(t)-E·|YFM(t)-rl·Prey(t)|
rl=0.05*LF(y)
LF(y)=0.01×(μ×σ)/(|v|1/β)
其中,t表示当前迭代次数,Prey(t)是猎物位置向量,YM(t)和YFM(t)表示雄豺和雌豺的位置,Y1(t)和Y2(t)是对应于猎物的雄豺和雌豺的更新位置,rl是基于表示莱维运动的莱维分布的随机向量,LF为莱维飞行函数,μ和v是范围在(0,1)之间的随机数,β是值为1.5的常数.
85)计算躲避猎物的能力E
E0=2*r-1
E1=c1*(1-t/T)
E=E1*E0
其中,E1表示猎物的能力下降,E0表示其能力的初始状态,r是范围在[0,1]之间的随机数,T表示最大迭代次数,c1是等于1.5的常数值,t表示当前迭代次数。
86)更新豺的位置,更新公式如下所示:
87)对雄豺和雌豺一起狩猎的行为在数学上进行建模,建模公式如下所示:
Y1(t)=YM(t)-E·|rl·YM(t)-Prey(t)|
Y2(t)=YFM(t)-E·|rl·YFM(t)-Prey(t)|。
9)将采集的预处理数据作为GJO-IWNN车流量预测模型输入端的节点数据,对未来短期内的车流量进行训练预测得到车流量预测结果并得到误差序列,将得到的误差序列作为输入数据,再次用GJO-IWNN车流量预测模型进行预测,得到误差预测值。
10)将车流量预测结果与误差预测结果叠加,得到经过误差二次提取后的最终预测结果,即为本发明实施例需要的未来2-3小时内的车流量预测结果。
通过附图5所示,在上下班高峰期,8:00-10:00以及16:00-18:00这两个时间段,单位时间内路口通过的车辆数相对于历史数据有显著的提升,在其他时间段,使用本发明后,单位时间路口通过的车辆数也都多于历史数据,有效解决了交通拥挤的问题。
通过附图6所示,采用GJO-IWNN预测模型,再进行二次误差提取后,在各时间段的预测准确率都能到达90%以上,在上下班时间段的车流量高峰期,预测效果可以达到95%以上,平均预测准确率达到94.49%,故预测值可以作为交通调控的主要依据。