一种交叉口交通信号灯配时优化方法和装置制造方法及图纸

本发明专利技术实施例提供一种交叉口交通信号灯配时优化方法和装置，方法包括：获取目标交叉口的多源交通数据，建立交通运行状态模型；基于所述交通运行状态模型和预设的初始信号灯配时方案，采用强化学习方法，优化所述初始信号灯配时方案。本发明专利技术实施例提供的交叉口交通信号灯配时优化方法和装置，采集交叉口的多源交通数据以建立交通运行状态模型，将交叉口交通通行的车流分为常规情况下的稳定车流态和受到天气或交通事故影响导致的动态车流态，基于交通运行状态模型，使用强化学习方法对单个交叉路口的交通信号灯控制进行优化，能够有效解决城市交通拥堵问题，提高交叉口机动车通行效率。

【技术实现步骤摘要】
一种交叉口交通信号灯配时优化方法和装置
本专利技术实施例涉及智能交通
，尤其涉及一种交叉口交通信号灯配时优化方法和装置。
技术介绍
人民生活水平的日益提高、城市的快速发展，城市交通系统也随着城市现代化的进步面临着越来越严峻的考验，车辆保有量逐年增长，车辆拥堵愈演愈烈，交通事故频发，社会资源浪费，环境污染加剧，严重影响人们的出行效率、生活质量和身心健康，因而缓解城市内交通拥堵有重大的经济意义和生态意义。目前我国大多数城市，交通路口信号控制建立时间前后相差较远，交叉路口信号控制机类型并不统一。信号控制系统普遍采用多时段定时信号机、感应式信号机和集中协调式信号机。信号控制方案多采用固定配时法和自适应配时法。然而，当路口规模扩大时，集中式的控制系统不能满足大量交通数据流的通信传输和交通控制策略的实时优化，且系统需要建立复杂的交通模型，维护难度大，面对过于复杂的数据，传统的交通信号灯控制方案和交通数据处理方法已经无法匹配当今交通控制优化的需求。
技术实现思路
本专利技术实施例提供一种交叉口交通信号灯配时优化方法和装置，用以解决传统的交通信号灯配时系统不能满足大量交通数据流的通信传输和交通控制策略的实时优化，且需要建立复杂的交通模型，维护难度大的缺陷。第一方面，本专利技术实施例提供一种交叉口交通信号灯配时优化方法，包括：S1，获取目标交叉口的多源交通数据，建立交通运行状态模型；其中，所述多源交通数据包括地磁线圈数据、道路视频监控数据、雷达微波数据和浮动车轨迹数据。具体地，目标交叉口为本实施例选取的单个交叉口。本实施例通过地磁线圈设备、视频监控设备和雷达微波设备来采集目标交叉口的地磁线圈数据、道路视频监控数据、雷达微波数据。其中，雷达微波数据至少包括路段、时间戳、平均速度、车道编号和车辆编号，所述地磁线圈数据至少包括检测器编号、检测器位置和占有时间，所述道路视频监控数据至少包括方向、车道数、平均速度和平均占有率，所述浮动车轨迹数据至少包括车辆编号、经纬度、车行方向和车辆状态。S2，基于所述交通运行状态模型和预设的初始信号灯配时方案，采用强化学习方法，优化所述初始信号灯配时方案。进一步，步骤S1中，所述获取目标交叉口的多源交通数据，建立交通运行状态模型，具体包括：边缘节点获取多源交通数据采集设备采集的多源交通数据；分别提取地磁线圈数据、雷达微波数据和道路视频监控数据中的交通流特征；其中，所述交通流特征为包含时间序列位置信息及移动特征的大规模车辆轨迹数据；采用多模态数据融合技术，整合提取三类交通数据源的交通流特征，获得目标交叉口的道路交通状态；对浮动车轨迹数据进行处理，获得机动车轨迹信息的时序特征和状态特征，从而获得目标交叉口的车辆通行状态。进一步，步骤S2中，基于所述交通运行状态模型和预设的初始信号灯配时方案，采用强化学习方法，优化所述初始信号灯配时方案，具体包括：S21，判断目标交叉口的车流通行状况为常规车流态或动态车流态；S22，若目标交叉口的车流通行状况为常规车流态，则基于强化学习算法，将S1获得的交通运行状态模型作为智能体的状态空间，将初始信号灯配时方案作为智能体的动作空间；通过评估交通运行状态作为奖励机制，构建以所述边缘节点为智能体的强化学习模型。进一步，步骤S22中，所述强化学习模型为：式中，s表示智能体的状态空间；a为预设交通信号灯配时方案，Q为函数模型更新公式，γ是折扣因子，α是学习率，R是奖励计算方法，π是模型策略；表示在t时刻、模型策略π、状态空间s和动作空间a下的Q函数值；表示在t+1时刻、模型策略π、状态空间s和动作空间a下的Q函数值；f为交通车辆跟车模式。强化学习模型包含下一时间t+1下的动作奖励和最大化可能未来奖励，此处，f(Q)为常规态车流下的车辆跟车模型。进一步，在步骤S22之后，所述方法还包括：S23，若目标交叉口的车流通行状况为动态车流态，则在所述强化学习模型的基础上，修改Q函数中的车辆跟车模式g(Q)，获得动态车流态下的Q函数值，以获得动态车流态下的强化学习模型。第二方面，本专利技术实施例提供一种交叉口交通信号灯配时优化装置，包括：多源交通数据获取模块，用于获取目标交叉口的多源交通数据，建立交通运行状态模型；其中，所述多源交通数据包括地磁线圈数据、道路视频监控数据、雷达微波数据和浮动车轨迹数据；信号灯配时优化模块，用于基于所述交通运行状态模型和预设的初始信号灯配时方案，采用强化学习方法，优化所述初始信号灯配时方案。进一步，所述多源交通数据获取模块具体包括：获取单元，用于获取多源交通数据采集设备采集的多源交通数据；提取单元，用于分别提取地磁线圈数据、雷达微波数据和道路视频监控数据中的交通流特征；其中，所述交通流特征为包含时间序列位置信息及移动特征的大规模车辆轨迹数据；数据融合单元，用于采用多模态数据融合技术，整合提取三类交通数据源的交通流特征，获得目标交叉口的道路交通状态；浮动车轨迹处理单元，用于对浮动车轨迹数据进行处理，获得机动车轨迹信息的时序特征和状态特征，从而获得目标交叉口的车辆通行状态。第三方面，本专利技术实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本专利技术第一方面实施例所述交叉口交通信号灯配时优化方法的步骤。第四方面，本专利技术实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本专利技术第一方面实施例所述交叉口交通信号灯配时优化方法的步骤。本专利技术实施例提供的交叉口交通信号灯配时优化方法和装置，采集交叉口的多源交通数据以建立交通运行状态模型，将交叉口交通通行的车流分为常规情况下的稳定车流态和受到天气或交通事故影响导致的动态车流态，基于交通运行状态模型，使用强化学习方法对单个交叉路口的交通信号灯控制进行优化，能够有效解决城市交通拥堵问题，提高交叉口机动车通行效率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的交叉口交通信号灯配时优化方法流程示意图；图2为本专利技术实施例提供的交通运行状态模型示意图；图3为本专利技术实施例提供的边缘节点的数据处理示意图；图4为本专利技术实施例提供的交叉口交通信号灯配时优化装置的结构示意图；图5为本专利技术实施例提供的电子设备的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术本文档来自技高网...

【技术保护点】
1.一种交叉口交通信号灯配时优化方法，其特征在于，包括：/nS1，获取目标交叉口的多源交通数据，建立交通运行状态模型；其中，所述多源交通数据包括地磁线圈数据、道路视频监控数据、雷达微波数据和浮动车轨迹数据；/nS2，基于所述交通运行状态模型和预设的初始信号灯配时方案，采用强化学习方法，优化所述初始信号灯配时方案。/n

【技术特征摘要】
1.一种交叉口交通信号灯配时优化方法，其特征在于，包括：
S1，获取目标交叉口的多源交通数据，建立交通运行状态模型；其中，所述多源交通数据包括地磁线圈数据、道路视频监控数据、雷达微波数据和浮动车轨迹数据；
S2，基于所述交通运行状态模型和预设的初始信号灯配时方案，采用强化学习方法，优化所述初始信号灯配时方案。


2.根据权利要求1所述的交叉口交通信号灯配时优化方法，其特征在于，步骤S1中，所述获取目标交叉口的多源交通数据，建立交通运行状态模型，具体包括：
边缘节点获取多源交通数据采集设备采集的多源交通数据；
分别提取地磁线圈数据、雷达微波数据和道路视频监控数据中的交通流特征；其中，所述交通流特征为包含时间序列位置信息及移动特征的大规模车辆轨迹数据；
采用多模态数据融合技术，整合提取三类交通数据源的交通流特征，获得目标交叉口的道路交通状态；对浮动车轨迹数据进行处理，获得机动车轨迹信息的时序特征和状态特征，从而获得目标交叉口的车辆通行状态。


3.根据权利要求2所述的交叉口交通信号灯配时优化方法，其特征在于，步骤S2中，基于所述交通运行状态模型和预设的初始信号灯配时方案，采用强化学习方法，优化所述初始信号灯配时方案，具体包括：
S21，判断目标交叉口的车流通行状况为常规车流态或动态车流态；
S22，若目标交叉口的车流通行状况为常规车流态，则基于强化学习算法，将S1获得的交通运行状态模型作为智能体的状态空间，将初始信号灯配时方案作为智能体的动作空间；通过评估交通运行状态作为奖励机制，构建以所述边缘节点为智能体的强化学习模型。


4.根据权利要求3所述的交叉口交通信号灯配时优化方法，其特征在于，S22中，所述强化学习模型为：



式中，s表示智能体的状态空间；a为预设交通信号灯配时方案，Q为函数模型更新公式，γ是折扣因子，α是学习率，R是奖励计算方法，π是模型策略；表示在t时刻、模型策略π、状态空间s和动作空间a下的Q函数值；表示在t+1时刻、模型策略π、状态空间s和动作空间a下...

【专利技术属性】
技术研发人员：黄传明，李琳，彭玉泉，黄天擎，王方华，吴钢，刘辉能，
申请(专利权)人：黄传明，
类型：发明
国别省市：湖北;42