CN117198071A - 基于pso-lstm神经网络的交通信号相位自适应调整方法、系统 - Google Patents
基于pso-lstm神经网络的交通信号相位自适应调整方法、系统 Download PDFInfo
- Publication number
- CN117198071A CN117198071A CN202311451892.2A CN202311451892A CN117198071A CN 117198071 A CN117198071 A CN 117198071A CN 202311451892 A CN202311451892 A CN 202311451892A CN 117198071 A CN117198071 A CN 117198071A
- Authority
- CN
- China
- Prior art keywords
- traffic
- phase
- neural network
- lstm neural
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 66
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000000875 corresponding effect Effects 0.000 claims description 46
- 239000002245 particle Substances 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 25
- 230000003044 adaptive effect Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 14
- 210000004027 cell Anatomy 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000007423 decrease Effects 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明属于交通控制领域，具体涉及一种基于PSO‑LSTM神经网络的交通信号相位自适应调整方法、系统及其设备。该方法包括如下步骤：S1：在灯控路口处安装数据采集设备，采集路口不同相位各个车道上的等待车辆数；S2：记录灯控路口每个交通信号的相位对应的工作日期、天气和时段的信息；S3：利用采集到的特征数据生成交通特征时间序列；S4：构建一个利用PSO算法优化超参数的LSTM神经网络，将其作为交通预测网络；S5：利用交通特征时间序列的历史数据训练交通预测网络；S6：利用交通预测网络预测未来车流量；并根据预测结果调整路口各向的红绿灯时长。本发明解决了大流量交叉路口的车辆通行效率较低，通行状况易受到自然和社会因素影响的问题。
Description
技术领域
本发明属于交通控制领域，具体涉及一种基于PSO-LSTM神经网络的交通信号相位自适应调整方法、系统及其设备。
背景技术
随着经济水平的提高和车辆成本的降低，居民汽车保有量也在不断增加，这也带来了交通拥堵问题。交通拥堵现象已经对人们的工作生活产生了很大的负面影响。在城市道路中，大多数的平交道口采用交通信号灯对不同相位上的车辆通行秩序进行管理；这可以避免交通事故的发生。交通信号灯的使用提高了道路安全性，但是不合理的交通信号时长也可能造成道路通行效率的降低，并加剧道路拥堵。
建立符合多相位十字路口实际情况的交通信号配时方案，是解决道路高峰时段拥堵问题的一种有效方式。这对提高交叉口的运行效率、减少路上的等待时间，以及节能减排都有着积极的作用。当前，大多数城市的多相位十字路口的交通信号配时方案都是固定的，部分发达城市十字路口的交通信号配时方案可以由交管人员根据道路车流量进行灵活调整，以便适当延长繁忙车道的绿灯时长，缓解拥堵。然而，这种调节方法考虑因素过于单一，且依赖人工；在遇到因特殊环境因素和社会因素导致的交通状况时，往往无法发挥有效的纾解效果。此外，传统方案大多仅适用于交通流量较小的场景，无法适用于整体车流量大的多相位十字路口，存在局限性。
发明内容
为了解决大流量交叉路口的车辆通行效率较低，通行状况易受到自然和社会因素影响的问题，本发明提供一种基于PSO-LSTM神经网络的交通信号相位自适应调整方法、系统和设备。
本发明采用以下技术方案实现：
一种基于PSO-LSTM神经网络的交通信号相位自适应调整方法，其包括如下步骤：
S1：在灯控路口处安装数据采集设备，用于采集路口各个交通信号的不同相位t对应的各个车道上的等待车辆数；将其作为第一特征数据。
其中，表示t相位行驶方向/>所处车道/>对应的等待车辆数，且满足：
， />。
S2：记录灯控路口每个交通信号的相位t对应的工作日期day、天气weather和时段time的信息；将其作为第二特征数据。
S3：利用同步采集到的相互关联的第一特征数据和第二特征数据生成对应的交通特征时间序列X：
，
其中，表示t相位的交通特征向量。
，
上式中，表示序列或向量的长度。
S4：构建一个利用PSO算法优化超参数的LSTM神经网络，将其作为交通预测网络；所述交通预测网络用于根据历史周期内的交通特征时间序列预测下一相位对应的各个车道等待车辆数。
S5：将采集到交通特征时间序列X的历史数据作为样本数据，用于训练所述交通预测网络；保存满足训练目标的网络模型的参数。
S6：利用经过训练的交通预测网络对实时采集到的交通特征时间序列进行分析和预测，并根据预测结果做出如下决策：
S61：预测得到下一相位t+1行驶方向所处车道/>的等待车辆数/>。
S62：结合多相位交叉路口中各个车道的设计通行能力，通过下式计算各个车道的交通流量比/>：
。
S63：根据当前路口完整通行周期内各个相位上的交通流量比，计算总交通流量比Q t+1 。
S64：预设启动损失时间L s ，黄灯时间A，绿灯间隔时间I t+1 ，并计算信号周期损失时间L t+1 ，最佳信号周期T t+1 和总有效绿灯时间。
S65：通过下式计算出当前路口各相位上的有效绿灯时间：
；
并根据有效绿灯时间对路口各向上的交通信号灯进行自适应调整。
作为本发明进一步的改进，步骤S1中，数据采集设备采用部署在灯控路口停止线到车流来向上的指定区间内的摄像头组；摄像头组拍摄下方道路的图像，并经AI识别算法识别出道路上停留的等待车辆。
作为本发明进一步的改进，步骤S2中，第二特征数据的数据格式如下：
当，则表示相位t属于第m个工作日，/>。
当，则表示相位t处于第j种天气状况下，/>；N表示天气状况的类型数量。
当，则表示相位t属于第o类时段，/>；O表示时段的类型数量。
作为本发明进一步的改进，步骤S4中，基于LSTM神经网络构建的交通预测网络包括：输入单元、输入门、遗忘门、输出门、记忆单元、隐藏单元和输出单元。
输入单元的原始输入即为t相位的交通特征向量；记忆单元用于更新输入门和遗忘门的连接权重；隐藏单元用于更新输出门和记忆单元连接权重；输出单元的输出y t 即对应相位t+1行驶方向/>所处车道/>等待车辆数/>的预测结果：
，
上式中，w yh 表示输出单元与隐藏单元连接的权重矩阵；h t 表示隐藏单元的输出；b y 表示记忆单元对应的偏置向量。
作为本发明进一步的改进，输入门、遗忘门和输出门的传递函数分别如下：
；
上式中，i t 、f t 、o t 分别为输入门、遗忘门和输出门的输出。h t-1 表示隐藏单元的输入。c t-1 表示记忆单元的输入。w ix 、w ih 和w ic 分别表示输入门与输入单元，输入门与记忆单元，以及输入门与输出单元连接的权重矩阵。b i 表示输入门对应的偏置向量。w fx 、w fh 和w fc 分别表示遗忘门与输入单元，遗忘门与记忆单元，以及遗忘门与输出单元连接的权重矩阵。b f 表示遗忘门对应的偏置向量。w ox 、w oh 和w oc 分别表示输出门与输入单元，输出门与记忆单元以及输出门与输出单元连接的权重矩阵。b o 表示遗忘门对应的偏置向量。
作为本发明进一步的改进，步骤S4中，PSO算法用于优化LSTM神经网络的超参数：
。
其中，h num 表示隐藏单元神经元数量。表示初始学习率。e max 表示最大周期。/>表示学习率下降因子。/>表示学习率下降周期。
PSO算法对LSTM神经网络的超参数的迭代寻优过程如下：
步骤一、初始化PSO参数，包括：粒子维度J，粒子群规模K，迭代次数L，学习因子和/>，惯性权值/>，以及粒子的速度/>与位置/>。
步骤二、通过如下的适应度函数计算粒子群中各粒子的适应度值，根据粒子的适应度计算个体历史最优适应值/>和群体历史最优适应值/>；/>；
上式中，此处T的取值为样本数据中交通特征时间序列的长度；表示等待车辆数的预测值，/>表示等待车辆数的真实值。
步骤三、采用下式更新粒子的速度与位置：
；
上式中，和/>分别表示第k轮更新前的粒子的速度和位置。/>和/>分别表示更新后第k+1轮的粒子的速度和位置。r 1 和 r 2 分别预设的用于增加搜索随机性的参数，且满足：/>。
步骤四、循环执行前述步骤一到步骤三，不断更新迭代直至达到最大迭代次数，完成LSTM神经网络的超参数优化，得到优化后的超参数：/>；并用于改善LSTM神经网络。
作为本发明进一步的改进，步骤S63中，在两道路相交的十字路口中，单一同行周期包括四个相位；总交通流量比的计算公式如下：
；
上式中，、/>、/>和/>分别表示第一相位、第二相位、第三相位和第四相位的交通流量比。
作为本发明进一步的改进，步骤S5中，交通预测网络训练阶段采用的损失函数loss为：
；
上式中，取值为训练阶段采用的交通特征时间序列的长度；/>表示等待车辆数的预测值，/>表示等待车辆数的真实值。
本发明还包括一种基于PSO-LSTM神经网络的交通信号相位自适应调整系统，其采用如前述的基于PSO-LSTM神经网络的交通信号相位自适应调整方法，根据实时采集到的交通特征时间序列的数据，预测当前路口各相位未来的等待车辆数，并对各相位的绿灯时长进行自适应调整。
该基于PSO-LSTM神经网络的交通信号相位自适应调整系统包括：滞留信息获取单元、关联因子获取单元、交通特征时间序列生成单元、交通预测网络、以及灯时调整模块。
其中，滞留信息获取单元用于获取交叉路口的各个相位中每条车道上的等待车辆数。
关联因子获取单元用于实时获取每个交通信号的相位t对应的工作日期、天气、时段的信息。
交通特征时间序列生成单元，其用于按照预设的数据格式，将关联的等待车辆数和工作日期、天气、时段的信息整合为一个对应的交通特征向量，并按照时间顺序生成对应的交通特征时间序列。
交通预测网络由利用PSO算法进行超参数优化的LSTM神经网络训练而成。LSTM神经网络采用收集到的交通特征时间序列的历史数据进行训练。交通预测网络用于根据历史周期内的交通特征时间序列预测下一相位对应的各个车道等待车辆数。
灯时调整模块用于根据多相位交叉路口中各个车道的设计通行能力和预测出的下一相位各个车道上的等待车辆数，先计算出各个车道上的交通流量比；再计算各个相位的交通流量比和总交通流量比。接着根据预设的启动损失时间，黄灯时间和绿灯间隔时间，计算信号周期损失时间、最佳信号周期和总有效绿灯时间。最后根据有效绿灯时间、总交通流量比，以及各相位和车道的等待车辆数，计算出当前路口各相位上的有效绿灯时间。并根据有效绿灯时间对交叉路口各方向上的信号灯时长进行自适应调整。
本发明还包括一种基于PSO-LSTM神经网络的交通信号相位自适应调整设备，其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。处理器执行计算机程序时，创建出如前述的基于PSO-LSTM神经网络的交通信号相位自适应调整系统。进而实现根据实时采集的交通特征时间序列对路口的等待车辆数进行预测，并根据等待车辆数的预测结果适应性调整路口各方向上的信号灯时长。
本发明提供的技术方案，具有如下有益效果：
本发明通过在道路实时获取各个车道的车辆滞留状况，并综合日期、天气和时段等因素，并将其作为评估道路交通状况的特征参数，进而构建并训练了一个采用PSO优化LSTM神经网络的超参数的交通预测网络，再利用交通预测网络对未来各车道的流量进行预测，针对预期的车辆滞留情况动态调整路口各向的绿灯时长。该方案可以实现交通流量预测，自适应调节最优相位信号方案，有效减少十字路口车辆等待时间，缓解城市交通拥堵压力，提高道路通行效率。
本发明提供的方案可以将采集特征数据的传感器和多相位十字路口后台的交通管理终端设备联系起来。自动实现对信号灯时长进行调整，降低交管部门的工作负荷。同时该方案相对现有方案而言，考虑的因素更加全面，交通预测网络的鲁棒性更强，可以有效缓解周期性的社会因素和偶发性的自然元素导致到道路拥堵现象。
附图说明
图1为本发明实施例1提供的一种基于PSO-LSTM神经网络的交通信号相位自适应调整方法的步骤流程图。
图2为一个典型的十字路口的不同相位的车流情况。
图3为本发明实施例1中构建的基于PSO-LSTM的交通预测网络的模型架构图。
图4为交通预测网络中的超参数寻优过程的流程图。
图5为本发明实施例2中提供的基于PSO-LSTM神经网络的交通信号相位自适应调整系统的模块框图。
图6为本发明实施例3中提供的基于PSO-LSTM神经网络的交通信号相位自适应调整设备的原理示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步地详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
本实施例提供了一种基于PSO-LSTM神经网络的交通信号相位自适应调整方法，本实施例的方案的主要思路是：首先实时采集路口的车辆通行状况，并记录各种通行状态对应的工作日期、天气状况和时段等信息，将采集到的一系列关联信息编码为交通特征时间序列，并利用交通特征时间序列训练出一个基于机器学习算法的交通预测网络，最后利用交通预测网络预测未来车流，并根据预测结果对路口各向的红绿灯时长进行自适应调整。
为了便于说明，以下以东西方向和南北方向两条十字相交道路的路口信号灯管理为例，对本实施例方案进行介绍。
如图1所示，本实施例提供的基于PSO-LSTM神经网络的交通信号相位自适应调整方法包括如下步骤：
S1：在灯控路口处安装数据采集设备，用于采集路口各个交通信号的不同相位t对应的各个车道上的等待车辆数；将其作为第一特征数据。
为了实现对灯控路口的道路通行状况进行分析，本实施例首先将路口不同相位上滞留的车辆数作为评估的一个关键参数，即第一特征数据。在现有技术中，可以通过多种技术手段获取该数据。例如，可以在在灯控路口的停止线到车流来向上的指定区间上部署摄像头组作为数据采集设备；部署摄像头的区间长度可根据道路历史拥堵状况合理设置，部署的摄像头的密度则根据模组的取景效果调整，以获取的影像质量足以变成车牌号为准。这些摄像头既可以采用新增的摄像头，也可以采用现有道路中既有的社会安全监控摄像头或交通摄像头。摄像头组拍摄下方道路的图像，并经AI识别算法识别出道路上停留的等待车辆。
在其他方案中，也可以采用其他数据采集设备获取道路生等待车辆数的信息，例如，利用智能车辆或导航设备上传的定位信息识别道路上的等待车辆数，利用道路两侧的霍尔传感器统计停留车辆，等等。
在路口的不同相位，如图2所示，通常可能包含不同方向的多个车流。为了区分楼口各相位中不同方向和车道上的车留，本实施例设计一个特殊的参数来表示t相位行驶方向/>所处车道/>对应的等待车辆数。其中，在十字路口中，行驶方向/>包括四种，分别为东西南北。即满足：
。
而车辆所处车道则包括三种情形，分别为左转车道、直行车道和右转车道。因此满足：
。
需要说明的是：本实施例中的“车道”并非是物理意义上的车辆，实际上是指车辆的在路口的转向状态。本实施例的方案中对左转车道、直行车道和右转车道的车道数并不做区分。例如某个方向上的道路仅包括两条车道，左侧为左转和执行车道，右侧为直行或右转车道时，本实施方案将左侧车道视为对应相位下的左转车道，两条道路均视为对应相位下的执行车道，右侧车道也视为对应相位下的右转车道。同样地的，当左转、直行或右转车道包括多条时，也将相同类型车道上的等待车辆的总和作为对应的“/>”的值。
S2：记录灯控路口每个交通信号的相位t对应的工作日期day、天气weather和时段time的信息；将其作为第二特征数据。
本实施例的方案将工作日、天气和时段等参数引入到道路交通状态分析中，这可以涵盖影像道路交通状态的主要的社会因素（工作日高峰和上下班高峰）和自然因素。相应地，本实施例方案对上述参数进行了特殊编码。例如：本实施例中，第二特征数据的数据格式如下：
本实施例方案对工作日和休息日的车流状况进行区分，因而对进行赋值时共存在7种情况，分别对应星期一、星期二、星期三、星期四、星期五、星期六和星期日。当，则表示相位t属于第m个工作日，/>。
在本实施例中，分别为每种对车辆通行具有影响的天气状况赋予一个特殊的编码，例如，将晴朗天气编码为1，将大雾天气编码为2，将大风天气编码为3，……，其它冰雹、道路结冰、团雾或其他特殊天气状况也可以根据需要进行编码。即：当，则表示相位t处于第j种天气状况下，/>；N表示天气状况的类型数量。
本实施例为了区分工作日的高峰时段和常态时段，还对一天的不同时段进行编码。例如将24h按照指定的时间间隔划分为多个不同时段。例如，将早高峰之前的时段编码为1，早高峰时段编码为2，早高峰至晚高温的时段编码为3，晚高峰之后时段编码为4。当然，针对不同地区的区域性差异，也可以采取有针对性的时段划分方式。即：当，则表示相位t属于第o类时段，/>；O表示划分出的时段的类型数量。
S3：利用同步采集到的相互关联的第一特征数据和第二特征数据生成对应的交通特征时间序列X：
，
其中，表示t相位的交通特征向量；
，
上式中，表示序列或向量的长度。
S4：构建一个利用PSO算法优化超参数的LSTM神经网络，将其作为交通预测网络；交通预测网络用于根据历史周期内的交通特征时间序列预测下一相位对应的各个车道等待车辆数。
如图3所示，本实施例基于LSTM神经网络构建的交通预测网络包括：输入单元、输入门、遗忘门、输出门、记忆单元、隐藏单元和输出单元。其中，输入门、遗忘门和输出门的传递函数分别如下：
；
上式中，i t 、f t 、o t 分别为输入门、遗忘门和输出门的输出。h t-1 表示隐藏单元的输入。c t-1 表示记忆单元的输入。w ix 、w ih 和w ic 分别表示输入门与输入单元，输入门与记忆单元，以及输入门与输出单元连接的权重矩阵。b i 表示输入门对应的偏置向量。w fx 、w fh 和w fc 分别表示遗忘门与输入单元，遗忘门与记忆单元，以及遗忘门与输出单元连接的权重矩阵。b f 表示遗忘门对应的偏置向量。w ox 、w oh 和w oc 分别表示输出门与输入单元，输出门与记忆单元以及输出门与输出单元连接的权重矩阵。b o 表示遗忘门对应的偏置向量。
在构建的LSTM神经网络中，输入单元的原始输入即为t相位的交通特征向量。记忆单元用于更新输入门和遗忘门的连接权重。更新公式分别如下：
；
其中w cx 表示记忆单元与输入门连接的权重矩阵；w ch 表示记忆单元与遗忘门连接的权重矩阵；b c 表示记忆单元对应的偏置向量；是双曲正切激活函数；/>表示更新后的记忆单元。
隐藏单元用于更新输出门和记忆单元连接权重，其输出为：/>。
输出单元的输出y t 即对应相位t+1行驶方向所处车道/>等待车辆数/>的预测结果：
；
上式中，w yh 表示输出单元与隐藏单元连接的权重矩阵；h t 表示隐藏单元的输出；b y 表示记忆单元对应的偏置向量。
此外，本实施例为了改善训练出的交通预测网络的性能，还采用PSO算法来优化LSTM神经网络的超参数：/>。
其中，h num 表示隐藏单元神经元数量。表示初始学习率。e max 表示最大周期。/>表示学习率下降因子。/>表示学习率下降周期。
如图4所示， PSO算法对LSTM神经网络的超参数的迭代寻优过程如下：
步骤一、初始化PSO参数，包括：粒子维度J，粒子群规模K，迭代次数L，学习因子和/>，惯性权值/>，以及粒子的速度/>与位置/>。
其中，第i个粒子的速度为；第i个粒子的位置为。
步骤二、通过适应度函数计算粒子群中各粒子的适应度值，根据粒子的适应度计算个体历史最优适应值/>和群体历史最优适应值/>。
其中，第i个粒子第k次迭代中第j维的历史最优解为；粒子群体第k次迭代中第j维的历史最优解为/>。
本实施例迭代过程中采用的适应度函数如下：
；
上式中，此时的T取值为训练阶段采用的交通特征时间序列的长度；表示等待车辆数的预测值，/>表示等待车辆数的真实值。
步骤三、采用下式更新粒子的速度与位置：
；
上式中，和/>分别表示第k轮更新前的粒子的速度和位置。/>和/>分别表示更新后第k+1轮的粒子的速度和位置。r 1 和 r 2 分别预设的用于增加搜索随机性的参数，且满足：/>。
步骤四、循环执行前述步骤一到步骤三，不断更新迭代直至达到最大迭代次数，完成LSTM神经网络的超参数优化，得到优化后的超参数：/>，并用于改善LSTM神经网络。
S5：将采集到交通特征时间序列X的历史数据作为样本数据，用于训练所述交通预测网络；保存满足训练目标的网络模型的参数。交通预测网络训练阶段采用的损失函数loss为：
；
上式中，的取值为训练阶段采用的交通通信时间序列的长度；/>表示等待车辆数的预测值，/>表示等待车辆数的真实值。
S6：利用经过训练的交通预测网络对实时采集到的交通特征时间序列进行分析和预测，并根据预测结果做出如下决策：
S61：预测得到下一相位t+1行驶方向所处车道/>的等待车辆数/>。
S62：结合多相位交叉路口中各个车道的设计通行能力，通过下式计算各个车道的交通流量比/>：
。
S63：根据当前路口完整通行周期内各个相位上的交通流量比，计算总交通流量比Q t+1 。
其中，在十字路口中包括四种相位，第一相位交通流量比为：
；
第二相位交通流量比为：
；
第三相位交通流量比为：
；
第四相位交通流量比为：
；
则总交通流量比为：
。
S64：预设启动损失时间L s ，黄灯时间A，绿灯间隔时间I t+1 ，分别计算：
信号周期损失时间L t+1 ：
；
最佳信号周期T t+1：
；
总有效绿灯时间：
。
S65：通过下式计算出当前路口各相位上的有效绿灯时间：
；
其中，第一相位有效绿灯时间 为：
；
第二相位有效绿灯时间 为：
；
第三相位有效绿灯时间 为：/>
；
第四相位有效绿灯时间 为：
。
最后，根据每个相位的有效绿灯时间可以对路口各向上的交通信号灯进行自适应调整。实现道路通行时间与车流量相适配。
实施例2
在实施例1方案的基础上，本实施例进一步提供了一种基于PSO-LSTM神经网络的交通信号相位自适应调整系统，其采用如实施例1的基于PSO-LSTM神经网络的交通信号相位自适应调整方法，根据实时采集到的交通特征时间序列的数据，预测当前路口各相位未来的等待车辆数，并对各相位的绿灯时长进行自适应调整。
如图5所示，该基于PSO-LSTM神经网络的交通信号相位自适应调整系统包括：滞留信息获取单元、关联因子获取单元、交通特征时间序列生成单元、交通预测网络、以及灯时调整模块。
其中，滞留信息获取单元用于获取交叉路口的各个相位中每条车道上的等待车辆数。
关联因子获取单元用于实时获取每个交通信号的相位t对应的工作日期、天气、时段的信息。
交通特征时间序列生成单元，其用于按照预设的数据格式，将关联的等待车辆数和工作日期、天气、时段的信息整合为一个对应的交通特征向量，并按照时间顺序生成对应的交通特征时间序列。
交通预测网络由利用PSO算法进行超参数优化的LSTM神经网络训练而成。LSTM神经网络采用收集到的交通特征时间序列的历史数据进行训练。交通预测网络用于根据历史周期内的交通特征时间序列预测下一相位对应的各个车道等待车辆数。
灯时调整模块用于根据多相位交叉路口中各个车道的设计通行能力和预测出的下一相位各个车道上的等待车辆数，先计算出各个车道上的交通流量比；再计算各个相位的交通流量比和总交通流量比。接着根据预设的启动损失时间，黄灯时间和绿灯间隔时间，计算信号周期损失时间、最佳信号周期和总有效绿灯时间。最后根据有效绿灯时间、总交通流量比，以及各相位和车道的等待车辆数，计算出当前路口各相位上的有效绿灯时间。并根据有效绿灯时间对交叉路口各方向上的信号灯时长进行自适应调整。
实施例3
本实施例提供一种基于PSO-LSTM神经网络的交通信号相位自适应调整设备，其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。处理器执行计算机程序时，创建出如实施例2中的基于PSO-LSTM神经网络的交通信号相位自适应调整系统。在实际应用过程中，本实施例提供的基于PSO-LSTM神经网络的交通信号相位自适应调整设备本质上是一种计算机设备。如图6所示，其运行在交管单位的后台终端中，并根据前端的传感器获取的信息，实现根据实时采集的交通特征时间序列对路口的等待车辆数进行预测，并根据等待车辆数的预测结果适应性调整路口各方向上的信号灯时长。
该计算机设备可以是安装在跟随平台上的嵌入式模块。也可以是独立于单个跟随平台的后端设备，例如各种能执行程序的智能终端、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。
本实施例中指出的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器和处理器。其中，存储器(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，存储器也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card ，SMC)，安全数字(Secure Digital ，SD)卡，闪存卡(Flash Card)等。当然，存储器还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，存储器通常用于存储安装于计算机设备的操作系统和各类应用软件等。此外，存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、图像处理器GPU(Graphics Processing Unit)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本实施例中，处理器用于运行存储器中存储的程序代码或者处理数据。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于PSO-LSTM神经网络的交通信号相位自适应调整方法，其特征在于，其包括如下步骤：
S1：在灯控路口处安装数据采集设备，用于采集路口各个交通信号的不同相位t对应的各个车道上的等待车辆数；将其作为第一特征数据；
其中，表示t相位行驶方向/>所处车道/>对应的等待车辆数，且满足：
，/> ；
S2：记录灯控路口每个交通信号的相位t对应的工作日期day、天气weather和时段time的信息；将其作为第二特征数据；
S3：利用同步采集到的相互关联的第一特征数据和第二特征数据生成对应的交通特征时间序列X：
，
其中，表示t相位的交通特征向量；
，
上式中，表示序列或向量的长度；
S4：构建一个利用PSO算法优化超参数的LSTM神经网络，将其作为交通预测网络；所述交通预测网络用于根据历史周期内的交通特征时间序列预测下一相位对应的各个车道等待车辆数；
S5：将采集到交通特征时间序列X的历史数据作为样本数据，用于训练所述交通预测网络；保存满足训练目标的网络模型的参数；
S6：利用经过训练的所述交通预测网络对实时采集到的交通特征时间序列进行分析和预测，并根据预测结果做出如下决策：
S61：预测得到下一相位t+1行驶方向所处车道/>的等待车辆数/>；
S62：结合多相位交叉路口中各个车道的设计通行能力，通过下式计算各个车道的交通流量比/>：
；
S63：根据当前路口完整通行周期内各个相位上的交通流量比，计算总交通流量比Q t+1 ；
S64：预设启动损失时间L s ，黄灯时间A，绿灯间隔时间I t+1 ，并计算信号周期损失时间L t+1 ，最佳信号周期T t+1 和总有效绿灯时间；
S65：通过下式计算出当前路口各相位上的有效绿灯时间：
；
并根据有效绿灯时间对路口各向上的交通信号灯时长进行自适应调整。
2.如权利要求1所述的基于PSO-LSTM神经网络的交通信号相位自适应调整方法，其特征在于：步骤S1中，所述数据采集设备采用部署在灯控路口停止线到车流来向上的指定区间内的摄像头组；所述摄像头组拍摄下方道路的图像，并经AI识别算法识别出道路上停留的等待车辆。
3.如权利要求2所述的基于PSO-LSTM神经网络的交通信号相位自适应调整方法，其特征在于：步骤S2中，所述第二特征数据的数据格式如下：
当，则表示相位t属于第m个工作日，/>；
当，则表示相位t处于第j种天气状况下，/>；N表示天气状况的类型数量；
当，则表示相位t属于第o类时段，/>；O表示时段的类型数量。
4.如权利要求1所述的基于PSO-LSTM神经网络的交通信号相位自适应调整方法，其特征在于：步骤S4中，基于LSTM神经网络构建的所述交通预测网络包括：输入单元、输入门、遗忘门、输出门、记忆单元、隐藏单元和输出单元；
所述输入单元的原始输入即为t相位的交通特征向量；所述记忆单元用于更新输入门和遗忘门的连接权重；所述隐藏单元用于更新输出门和记忆单元连接权重；所述输出单元的输出y t 即对应相位t+1行驶方向/>所处车道/>等待车辆数/>的预测结果：
，
上式中，w yh 表示输出单元与隐藏单元连接的权重矩阵；h t 表示隐藏单元的输出；b y 表示记忆单元对应的偏置向量。
5.如权利要求4所述的基于PSO-LSTM神经网络的交通信号相位自适应调整方法，其特征在于：所述输入门、遗忘门和输出门的传递函数分别如下：
；
上式中，i t 、f t 、o t 分别为输入门、遗忘门和输出门的输出；h t-1 表示隐藏单元的输入；c t-1 表示记忆单元的输入；w ix 、w ih 和w ic 分别表示输入门与输入单元，输入门与记忆单元，以及输入门与输出单元连接的权重矩阵；b i 表示输入门对应的偏置向量；w fx 、w fh 和w fc 分别表示遗忘门与输入单元，遗忘门与记忆单元，以及遗忘门与输出单元连接的权重矩阵；b f 表示遗忘门对应的偏置向量；w ox 、w oh 和w oc 分别表示输出门与输入单元，输出门与记忆单元以及输出门与输出单元连接的权重矩阵；b o 表示遗忘门对应的偏置向量。
6.如权利要求5所述的基于PSO-LSTM神经网络的交通信号相位自适应调整方法，其特征在于：步骤S4中，PSO算法用于优化LSTM神经网络的超参数：/>；
其中，h num 表示隐藏单元神经元数量；表示初始学习率；e max 表示最大周期；/>表示学习率下降因子；/>表示学习率下降周期；
PSO算法对所述LSTM神经网络的超参数的迭代寻优过程如下：
步骤一、初始化PSO参数，包括：粒子维度J，粒子群规模K，迭代次数L，学习因子和/>，惯性权值/>，以及粒子的速度/>与位置/>；
步骤二、通过如下的适应度函数计算粒子群中各粒子的适应度值，根据粒子的适应度计算个体历史最优适应值/>和群体历史最优适应值/>；/>；
上式中，T取值为样本数据中交通特征时间序列的长度；表示等待车辆数的预测值，表示等待车辆数的真实值；
步骤三、采用下式更新粒子的速度与位置：
；
上式中，和/>分别表示第k轮更新前的粒子的速度和位置；/>和分别表示更新后第k+1轮的粒子的速度和位置；其中，下标i对应粒子序号，j表示解的维度；r 1 和 r 2 分别预设的用于增加搜索随机性的参数，且满足：/>；
步骤四、循环执行前述步骤一到步骤三，不断更新迭代直至达到最大迭代次数，完成LSTM神经网络的超参数优化，得到优化后的超参数：/>；并用于改善所述LSTM神经网络。
7.如权利要求1所述的基于PSO-LSTM神经网络的交通信号相位自适应调整方法，其特征在于：步骤S63中，在两道路相交的十字路口中，单一同行周期包括四个相位；总交通流量比的计算公式如下：
；
上式中，、/>、/>和/>分别表示第一相位、第二相位、第三相位和第四相位的交通流量比。
8.如权利要求1所述的基于PSO-LSTM神经网络的交通信号相位自适应调整方法，其特征在于：步骤S5中，所述交通预测网络训练阶段采用的损失函数loss为：；
上式中，取值为训练阶段采用的交通特征时间序列的长度；/>表示等待车辆数的预测值，/>表示等待车辆数的真实值。
9.一种基于PSO-LSTM神经网络的交通信号相位自适应调整系统，其特征在于：其采用如权利要求1-8中任意一项所述的基于PSO-LSTM神经网络的交通信号相位自适应调整方法，根据实时采集到的交通特征时间序列的数据，预测当前路口各相位未来的等待车辆数，并对各相位的绿灯时长进行自适应调整；
基于PSO-LSTM神经网络的交通信号相位自适应调整系统包括：
滞留信息获取单元，其用于获取交叉路口的各个相位中每条车道上的等待车辆数；
关联因子获取单元，其用于实时获取每个交通信号的相位t对应的工作日期、天气、时段的信息；
交通特征时间序列生成单元，其用于按照预设的数据格式，将关联的等待车辆数和工作日期、天气、时段的信息整合为一个对应的交通特征向量，并按照时间顺序生成对应的交通特征时间序列；
交通预测网络，其由利用PSO算法进行超参数优化的LSTM神经网络训练而成，所述LSTM神经网络采用所述交通特征时间序列的历史数据进行训练；所述交通预测网络用于根据历史周期内的交通特征时间序列预测下一相位对应的各个车道等待车辆数；以及
灯时调整模块，其用于根据多相位交叉路口中各个车道的设计通行能力和预测出的下一相位各个车道上的等待车辆数，先计算出各个车道上的交通流量比，再计算各个相位的交通流量比和总交通流量比；接着根据预设的启动损失时间，黄灯时间和绿灯间隔时间，计算信号周期损失时间、最佳信号周期和总有效绿灯时间；最后根据有效绿灯时间、总交通流量比，以及各相位和车道的等待车辆数，计算出当前路口各相位上的有效绿灯时间；并根据有效绿灯时间对交叉路口各方向上的信号灯时长进行自适应调整。
10.一种基于PSO-LSTM神经网络的交通信号相位自适应调整设备，其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时，创建出如权利要求9所述的基于PSO-LSTM神经网络的交通信号相位自适应调整系统；进而实现根据实时采集的交通特征时间序列对路口的等待车辆数进行预测，并根据等待车辆数的预测结果适应性调整路口各方向上的信号灯时长。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311451892.2A CN117198071B (zh) | 2023-11-03 | 2023-11-03 | 一种交通信号相位自适应调整方法、系统、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311451892.2A CN117198071B (zh) | 2023-11-03 | 2023-11-03 | 一种交通信号相位自适应调整方法、系统、设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117198071A true CN117198071A (zh) | 2023-12-08 |
| CN117198071B CN117198071B (zh) | 2024-01-09 |
Family
ID=88987237
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311451892.2A Active CN117198071B (zh) | 2023-11-03 | 2023-11-03 | 一种交通信号相位自适应调整方法、系统、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117198071B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009146138A (ja) * | 2007-12-13 | 2009-07-02 | Sumitomo Electric Ind Ltd | 交通信号制御装置、プログラム及び方法 |
| KR20100127074A (ko) * | 2009-05-25 | 2010-12-03 | 한국산업기술대학교산학협력단 | 주야 통합 영상 검지기를 이용해 교차로에서의 교통신호를 제어하는 시스템 |
| WO2013026265A1 (zh) * | 2011-08-21 | 2013-02-28 | Su Yijie | 平面交叉路口通行控制系统和方法 |
| CN103280114A (zh) * | 2013-06-24 | 2013-09-04 | 电子科技大学 | 一种基于bp-pso模糊神经网络的信号灯智能控制方法 |
| CN107730886A (zh) * | 2017-10-16 | 2018-02-23 | 北方工业大学 | 一种车联网环境下城市交叉口交通信号动态优化方法 |
| CN109035786A (zh) * | 2018-10-10 | 2018-12-18 | 南京宁昱通交通科技有限公司 | 一种提高主干路相邻交叉口通行效率的交通时段控制方法 |
| CN110136455A (zh) * | 2019-05-08 | 2019-08-16 | 济南大学 | 一种交通信号灯配时方法 |
| CN111709549A (zh) * | 2020-04-30 | 2020-09-25 | 东华大学 | 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法 |
| CN111915073A (zh) * | 2020-04-28 | 2020-11-10 | 同济大学 | 一种考虑日期属性和天气因素的铁路城际客流短期预测方法 |
| CN112669628A (zh) * | 2020-12-17 | 2021-04-16 | 安徽百诚慧通科技有限公司 | 一种基于需求-供给双波动的交叉口信号设计方法 |
| US20210375129A1 (en) * | 2017-09-28 | 2021-12-02 | Weiping Meng | Traffic Signal Pan-String Control Method and Its System |
| CN115578870A (zh) * | 2022-09-30 | 2023-01-06 | 合肥工业大学 | 一种基于近端策略优化的交通信号控制方法 |
-
2023
- 2023-11-03 CN CN202311451892.2A patent/CN117198071B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009146138A (ja) * | 2007-12-13 | 2009-07-02 | Sumitomo Electric Ind Ltd | 交通信号制御装置、プログラム及び方法 |
| KR20100127074A (ko) * | 2009-05-25 | 2010-12-03 | 한국산업기술대학교산학협력단 | 주야 통합 영상 검지기를 이용해 교차로에서의 교통신호를 제어하는 시스템 |
| WO2013026265A1 (zh) * | 2011-08-21 | 2013-02-28 | Su Yijie | 平面交叉路口通行控制系统和方法 |
| CN103280114A (zh) * | 2013-06-24 | 2013-09-04 | 电子科技大学 | 一种基于bp-pso模糊神经网络的信号灯智能控制方法 |
| US20210375129A1 (en) * | 2017-09-28 | 2021-12-02 | Weiping Meng | Traffic Signal Pan-String Control Method and Its System |
| CN107730886A (zh) * | 2017-10-16 | 2018-02-23 | 北方工业大学 | 一种车联网环境下城市交叉口交通信号动态优化方法 |
| CN109035786A (zh) * | 2018-10-10 | 2018-12-18 | 南京宁昱通交通科技有限公司 | 一种提高主干路相邻交叉口通行效率的交通时段控制方法 |
| CN110136455A (zh) * | 2019-05-08 | 2019-08-16 | 济南大学 | 一种交通信号灯配时方法 |
| CN111915073A (zh) * | 2020-04-28 | 2020-11-10 | 同济大学 | 一种考虑日期属性和天气因素的铁路城际客流短期预测方法 |
| CN111709549A (zh) * | 2020-04-30 | 2020-09-25 | 东华大学 | 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法 |
| CN112669628A (zh) * | 2020-12-17 | 2021-04-16 | 安徽百诚慧通科技有限公司 | 一种基于需求-供给双波动的交叉口信号设计方法 |
| CN115578870A (zh) * | 2022-09-30 | 2023-01-06 | 合肥工业大学 | 一种基于近端策略优化的交通信号控制方法 |
Non-Patent Citations (4)
| Title |
|---|
| CHENRONG ZHOU 等: "Urban road checkpoints traffic flow prediction model of hyper-parameter based on PSO optimization LSTM", 《2021 2ND INTERNATIONAL CONFERENCE ON ELECTRONICS，COMMUNICATION AND INFORMATION TECHNOLOGY（CECIT)》, pages 1262 - 1268 * |
| PAN SHANG 等: "A new ensemble deep graph reinforcement learning network for spatio-temporal traffic volume forecasting in a freeway network", 《DIGITAL SIGNAL PROCESSING》, pages 1 - 13 * |
| 戚先锋: "基于改进PSO的交通灯动态配时算法研究", 《中国优秀硕士学位论文全文数据库 工程科技二辑》, pages 034 - 1917 * |
| 郑志杰: "基于计算机视觉的智慧红绿灯研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 138 - 343 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117198071B (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112330215B (zh) | 一种城市用车需求量预测方法、设备及存储介质 | |
| CN103325259B (zh) | 一种基于多核并行的违章停车检测方法 | |
| CN110991713A (zh) | 基于多图卷积和gru的不规则区域流量预测方法 | |
| US20240054321A1 (en) | Traffic prediction | |
| CN110956807B (zh) | 基于多源数据与滑动窗口组合的高速公路流量预测方法 | |
| CN114360266B (zh) | 一种网联车探测状态感知的交叉口强化学习信号控制方法 | |
| CN111275971A (zh) | 一种高速公路交通流量预测方法 | |
| CN114692984B (zh) | 基于多步耦合图卷积网络的交通预测方法 | |
| CN112488185B (zh) | 包含时空特性的车辆运行参数预测方法和系统 | |
| CN116895157A (zh) | 一种基于趋势时空图卷积的交通流量预测方法、系统及介质 | |
| CN114692762A (zh) | 一种基于图注意力交互机制的车辆轨迹预测方法 | |
| CN112906945A (zh) | 一种交通流量预测方法、系统及计算机可读存储介质 | |
| CN113689721B (zh) | 一种自动驾驶车速控制方法、系统、终端以及存储介质 | |
| Dai et al. | Attention based simplified deep residual network for citywide crowd flows prediction | |
| Wang et al. | Real-time Traffic Pattern Analysis and Inference with Sparse Video Surveillance Information. | |
| CN114781768A (zh) | 基于城市资源数据的停车场设施规划方法、装置及设备 | |
| CN117198071B (zh) | 一种交通信号相位自适应调整方法、系统、设备 | |
| Zhang et al. | Mlpst: Mlp is all you need for spatio-temporal prediction | |
| Kofod-Petersen et al. | Case-based reasoning for improving traffic flow in urban intersections | |
| US20230369857A1 (en) | Methods and systems for power-supply management in smart urban based on internet of things | |
| CN116030654A (zh) | 交通拥堵调节方法、装置、电子设备及介质 | |
| CN114566048B (zh) | 一种基于多视角自适应时空图网络的交通控制方法 | |
| CN115691165A (zh) | 一种交通信号灯调度方法、装置、设备及可读存储介质 | |
| CN114757094A (zh) | 智慧路灯寿命预测方法、系统、装置及介质 | |
| CN114418606A (zh) | 基于时空卷积网络的网约车订单需求预测方法 |
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 |