一种基于实时交通状态驱动的信号控制优化系统及方法技术方案

本发明专利技术涉及一种基于实时交通状态驱动的信号控制优化系统及方法，本发明专利技术能够评估实时交通指标、识别异常事件、并筛选出具有调控意义的异常事件，进一步推送实时调控方案并自动下发至信控系统，最后验证调控效果，并最终积累调控经验用于下一步方案的推荐；本发明专利技术大大缓解城市道路的拥堵问题。

A signal control optimization system and method based on real-time traffic state driving

【技术实现步骤摘要】
一种基于实时交通状态驱动的信号控制优化系统及方法
本专利技术涉及城市交通领域，尤其涉及一种基于实时交通状态驱动的信号控制优化系统及方法。
技术介绍
当前，交通拥堵在世界各国大中城市普遍存在。城市交通拥堵具有严重的危害性，其直接后果主要表现在两方面：一是时间延误和能源浪费，给社会带来极大的经济损失；二是车速过低，排放大量的废弃物和产生大量的噪声，使城市环境的质量大大下降，进而对城市居民的健康造成严重危害。如果能够对交通拥堵进行及时、准确的识别，并制定信号配时策略，必将能够最大程度降低交通拥堵所带来的负面影响，大幅度提高整个城市道路交通系统的运行水平。传统交通拥堵以路面警力为主体，人工后台查看监控为补充，存在警力紧张、监控人工查看速度慢等问题。实时交通状态识别就是利用摄像监控和各类数据实时感知交通拥堵点，并利用可视化手段展示出来。相对于传统手段，实时交通状态识别能加及时、有效地识别拥堵。然而，传统的自适应交通信号控制方法无法满足针对路口的实时信号优化的需求；人工实时调整信控方案也具有效率低、不可复制等缺点，面临着实时识别出的异常点与信控工程师数严重不匹配的现状。传统的信控手段与现代化的拥堵识别方式不匹配的问题日益突出，亟需新技术手段解决。
技术实现思路
本专利技术为克服上述的不足之处，目的在于提供一种基于实时交通状态驱动的信号控制优化系统及方法，本专利技术能够评估实时交通指标、识别异常事件、并筛选出具有调控意义的异常事件，进一步推送实时调控方案并自动下发至信控系统，最后验证调控效果，并最终积累调控经验用于下一步方案的推荐；本专利技术大大缓解城市道路的拥堵问题。本专利技术是通过以下技术方案达到上述目的：一种基于实时交通状态驱动的信号控制优化方法，包括如下步骤：(1)异常交通事件识别模块基于路口实时交通状况数据进行评估，识别判断异常事件信息；(2)异常事件筛选模块筛选异常事件信息，并按重要程度对其排序；(3)调控方案推荐模块对比历史经验库信息和异常路口信息，判断是否有匹配的历史经验：若为是，则推荐历史经验库中相应的信号控制方案；否则，推荐基于离散信号优化原理的信号控制方案。作为优选，所述步骤(1)识别判断异常信息具体如下：(1.1)对路口实时交通状况数据进行处理，其中，数据处理包括基础数据获取和数据整合；获取的基础数据包括路口监测器得到的流量、饱和度数据、路口速度数据，交通管理部门的路口地理数据、信号系统的运行记录；数据整合包括补全，修复，匹配操作；(1.2)进行状态评估：根据经过处理后的路口基础数据，计算路口各进口道的交通指标，估计路口的交通现状，并与历史值进行比较，判断路口各进口道是否处于正常承载范围内，如不处于正常承载范围，则判断该路口处于异常，即发生异常事件。作为优选，所述的异常事件包括常态异常和非常态异常两种类型，常态异常指在相对应时间内规律性产生的异常事件；非常态异常指偶然发生、不具备很强的规律性的异常事件；其中，当交通指标变化值在允许的限域内，则说明为常态异常；当交通指标的变化值超过了允许的限域，则说明交通呈现不连续的变化，则说明为非常态异常。作为优选，所述的异常事件包括常态异常和非常态异常两种类型，常态异常指在相对应时间内规律性产生的异常事件；非常态异常指偶然发生、不具备很强的规律性的异常事件；其中，当交通指标变化值在允许的限域内，则说明为常态异常；当交通指标的变化值超过了允许的限域，则说明交通呈现不连续的变化，则说明为非常态异常。作为优选，所述异常事件信息包括：路口A1、A2、…、Ak、…、AN、路口等级Sk、t时刻路口Ak进口道异常事件Yk,i,t、路口Ak进口道异常事件类型Tk,i,t、路口调控信息Ck,t；计算路口异常事件Yk,t＝101*Yk,1,t+102*Yk,2,t+…+10i*Yk,i,t+…+10I*Yk,I,t路口异常事件类型Tk,t＝Tk,1,t*Tk,2,t*…*Tk,i,t*…*Tk,I,t；Yk,i,t取值1,0,其中1表示发生异常事件，0表示未发生异常事件，Tk,i,t取值1,0,其中1表示常态异常，0表示非常态异常；所述筛选异常事件信息，采用的方法为：根据路口异常事件类型和路口调控信息，提取推荐异常事件信息{Zk,1、Zk,2、…、Zk,t}，当Tk,t.＝0时，Zk,t＝Yk,t；当Tk,t.＝1时，识别路口调控信息是否实施调控，若是，则在调控时间窗TTk范围内，Zk,t＝0，其他情况下，Zk,t＝Yk,t，调控时间窗根据路口等级设置。作为优选，所述按重要程度对其排序，具体如下：(A)采集路口历史异常信息，提取推荐异常事件特征，所述推荐异常事件特征包括连续异常次数Ht、异常事件强度SSt、异常方向数Dt、路口等级Sk；其中，连续异常次数Ht为t时刻往前计数，路口连续包含同一进口道异常的次数；异常事件强度SSt为t时刻向前时间窗TT内异常次数与历史同时段变化的比例；异常方向数Dt为t时刻路口包括异常进口道的数量；(B)对历史异常事件进行推荐重要性标记；(C)对同一时刻的历史异常事件进行推荐重要性排序归一化；(D)基于平衡分割回归树，采用某个时间跨度的数据构建的数据集对平衡分割回归树进行优化训练；其中特征为推荐异常事件特征，预测值为路口推荐重要性排序；(E)当实时监测到路口异常后，通过计算得到当前路口的连续异常次数、异常事件强度、异常方向数和路口等级，基于优化训练后的平衡分割回归树预测出路口推荐重要性排序，最后得到的顺序即为推荐顺序。作为优选，所述平衡分割回归树的原理为：平衡分割回归树方法的目标是将数据分割成叶节点上的许多子集使平均值能够很好地代表每个数据的预测值子集；树构造算法的关键是将数据划分为子集的分割标准；分割标准是让两个节点内部的差异尽量小,节点间的差异尽量大；如果从父节点到子节点的节点残值没有改善，则分列没有意义；相反，如果一个分割结果是纯子节点，那么这个分割是有意义的；残值可以通过残值平方和的变化量来衡量，具体为：设i(X)为父节点(i(P))上、左子节点(i(L))和右子节点(i(R))节点内残值的度量值；最佳分割变量和阈值为当树生长时，节点中残值最小的节点；对于传统回归树残值可以表示为：残值平方和来衡量表示为：其中，NL和NR为左分支和右分支的观察值，即训练数据的排名得分，和为左分支和右分支的样本方差；由此改进，平衡分割回归树的残值方程为：此方程满足最小化样本方差要求；该方程会倾向于选择平衡左右分支的观测次数，最终生成平衡分割回归树，因为概率阈值接近0.5时会使方程总值更低；假设有一个变量，不管分割阈值是多少，左分支样本方差和右分支的样本方差和为1；则传统的残值方程为：则平衡分割回归树的残值方程为：传统的杂质函数没有连接到任何特定的阈值，但杂质函数值的平衡分割回归树在当概率接近0.5时达到最小值；因此，在树的生长过程中，平衡分割回归树倾向于本文档来自技高网...

【技术保护点】
1.一种基于实时交通状态驱动的信号控制优化方法，其特征在于，包括如下步骤：/n(1)异常交通事件识别模块基于路口实时交通状况数据进行评估，识别判断异常事件信息；/n(2)异常事件筛选模块筛选异常事件信息，并按重要程度对其排序；/n(3)调控方案推荐模块对比历史经验库信息和异常路口信息，判断是否有匹配的历史经验：若为是，则推荐历史经验库中相应的信号控制方案；否则，推荐基于离散信号优化原理的信号控制方案。/n

【技术特征摘要】
1.一种基于实时交通状态驱动的信号控制优化方法，其特征在于，包括如下步骤：
(1)异常交通事件识别模块基于路口实时交通状况数据进行评估，识别判断异常事件信息；
(2)异常事件筛选模块筛选异常事件信息，并按重要程度对其排序；
(3)调控方案推荐模块对比历史经验库信息和异常路口信息，判断是否有匹配的历史经验：若为是，则推荐历史经验库中相应的信号控制方案；否则，推荐基于离散信号优化原理的信号控制方案。


2.根据权利要求1所述的一种基于实时交通状态驱动的信号控制优化方法，其特征在于：所述步骤(1)识别判断异常信息具体如下：
(1.1)对路口实时交通状况数据进行处理，其中，数据处理包括基础数据获取和数据整合；获取的基础数据包括路口监测器得到的流量、饱和度数据、路口速度数据，交通管理部门的路口地理数据、信号系统的运行记录；数据整合包括补全，修复，匹配操作；
(1.2)进行状态评估：根据经过处理后的路口基础数据，计算路口各进口道的交通指标，估计路口的交通现状，并与历史值进行比较，判断路口各进口道是否处于正常承载范围内，如不处于正常承载范围，则判断该路口处于异常，即发生异常事件。


3.根据权利要求2所述的一种基于实时交通状态驱动的信号控制优化方法，其特征在于：所述的异常事件包括常态异常和非常态异常两种类型，常态异常指在相对应时间内规律性产生的异常事件；非常态异常指偶然发生、不具备很强的规律性的异常事件；其中，当交通指标变化值在允许的限域内，则说明为常态异常；当交通指标的变化值超过了允许的限域，则说明交通呈现不连续的变化，则说明为非常态异常。


4.根据权利要求1所述的一种基于实时交通状态驱动的信号控制优化方法，其特征在于：所述异常事件信息包括：路口A1、A2、…、Ak、…、AN、路口等级Sk、t时刻路口Ak进口道异常事件Yk,i,t、路口Ak进口道异常事件类型Tk,i,t、路口调控信息Ck,t；计算路口异常事件Yk,t＝101*Yk,1,t+102*Yk,2,t+…+10i*Yk,i,t+…+10I*Yk,I,t路口异常事件类型Tk,t＝Tk,1,t*Tk,2,t*…*Tk,i,t*…*Tk,I,t；Yk,i,t取值1,0,其中1表示发生异常事件，0表示未发生异常事件，Tk,i,t取值1,0,其中1表示常态异常，0表示非常态异常；
所述筛选异常事件信息，采用的方法为：根据路口异常事件类型和路口调控信息，提取推荐异常事件信息{Zk,1、Zk,2、…、Zk,t}，
当Tk,t.＝0时，Zk,t＝Yk,t；当Tk,t.＝1时，识别路口调控信息是否实施调控，若是，则在调控时间窗TTk范围内，Zk,t＝0，其他情况下，Zk,t＝Yk,t，调控时间窗根据路口等级设置。


5.根据权利要求1所述的一种基于实时交通状态驱动的信号控制优化方法，其特征在于：所述按重要程度对其排序，具体如下：
(A)采集路口历史异常信息，提取推荐异常事件特征，所述推荐异常事件特征包括连续异常次数Ht、异常事件强度SSt、异常方向数Dt、路口等级Sk；其中，连续异常次数Ht为t时刻往前计数，路口连续包含同一进口道异常的次数；异常事件强度SSt为t时刻向前时间窗TT内异常次数与历史同时段变化的比例；异常方向数Dt为t时刻路口包括异常进口道的数量；
(B)对历史异常事件进行推荐重要性标记；
(C)对同一时刻的历史异常事件的排序因素的数值进行排序归一化；
(D)基于平衡分割回归树，采用某个时间跨度的数据构建的数据集对平衡分割回归树进行优化训练；其中特征为推荐异常事件特征，预测值为路口推荐重要性排序；
(E)当实时监测到路口异常后，通过计算得到当前路口的连续异常次数、异常事件强度、异常方向数和路口等级，基于优化训练后的平衡分割回归树预测出路口推荐重要性排序，最后得到的顺序即为推荐顺序。


6.根据权利要求5所述的一种基于实时交通状态驱动的信号控制优化方法，其特征在于：所述平衡分割回归树的原理为：平衡分割回归树方法的目标是将数据分割成叶节点上的许多子集使平均值能够很好地代表每个数据的预测值子集；树构造算法的关键是将数据划分为子集的分割标准；分割标准是让两个节点内部的差异尽量小,节点间的差异尽量大；如果从父节点到子节点的节点残值没有改善，...

【专利技术属性】
技术研发人员：金峻臣，戎丁丁，陈乾，庞钰琪，周浩敏，费亚英，刘多，王辉，郭海锋，
申请(专利权)人：银江股份有限公司，
类型：发明
国别省市：浙江;33