【技术实现步骤摘要】
一种自适应的全链条城市区域网络信号控制优化方法
[0001]本专利技术属于ITS智能交通系统的
,涉及交通大数据、交通流预测、贝叶斯优化算法的领域以及计算机视觉和交通网络优化技术,特别涉及到是自适应交通控制的技术,具体为一种自适应的全链条城市区域网络信号控制优化方法。
技术介绍
[0002]城市道路交叉口作为城市道路的重要组成部分,是交通管理与控制的关键节点,同时也成为治理城市交通拥堵的关键突破口。因此,对交叉口的研究和治理一直在持续,其中对网络交通交叉口信号配时进行优化,不需要对交叉口的空间资源进行大规模的改扩建,是一种成本低、见效快的有效方式。如Chen等在《Simulation
‑
Based Travel Time Reliable Signal Control》中构建基于仿真的大型网络信号优化模型,并利用信赖域算法进行优化求解,结果显著降低了网络平均出行时间;Liang等在《A heuristic method to optimize generic signal phasing and timing plans at signalized intersections using Connected Vehicle technology》中利用智能树搜索算法和多种类型的遗传算法对四个左转冲突的引道交叉口的相位持续时间和相位序列进行优化,以最大程度减少所有车辆的平均延迟。Gao等在《Meta
‑
heuristics for bi
‑
objective ...
【技术保护点】
【技术特征摘要】
1.一种自适应的全链条城市区域网络信号控制优化方法,其特征在于,步骤如下:步骤1.交通数据采集(1.1)基于机器视觉技术进行交通流参数的获取假设城市区域网络信号控制交叉口数量为k,第i个信号交叉口的进口道数量为m
i
,通过机器视觉技术对目标区域内所有交叉口视频流数据进行自动批量处理,获得第i个信号控制交叉口的第j个进口道的交通流相关参数为:检测目标车辆数num_veh
ij
,检测到不同类型车辆比例type_rate
ij
,转向比turn_rate
ij
;将车辆分为小型车、中型车、大型车和拖挂车四类,即不同类型车辆比例type_rate表示的是四类车的比例;转向比turn_rate是指某交叉口进口道左转、直行和右转的车辆比例;其中,i∈[1,k],j∈[1,m
i
],i和j为整数;机器视觉技术主要是利用计算机来模拟人的视觉功能,从客观事物的图像或视频流中提取目标信息,并进行处理和加以理解,最终实现目标识别、目标检测和目标跟踪;(1.2)交叉口标准车交通流量计算步骤(1.1)中获取的检测目标车辆数、检测到不同类型车辆比例和转向比,需要将其换算成分流向的标准车交通流量;先计算不同转向的车辆数,再根据国际通用城市道路交叉口规划规范确定相应类型车辆的折算系数Convert_coefficient,换算成标准车辆的交通流量,从而计算得到交叉口不同进口道不同转向的标准车流量;第i个信号控制交叉口的第j个进口道不同方向的标准车流量sum_veh
ij
具体的计算方法如下:sum_veh
ij
=num_veh
ij
×
turn_rate
ij
×
type_rate
ij
×
Convert_coefficient
ꢀꢀꢀꢀ
(1)根据公式(1)即可得到目标区域内所有信号控制交叉口所有进口道的不同转向的标准车流量;步骤2.交通流预测交通流预测是在步骤1交通数据采集的基础上实现的,进行交通流预测需要使用当前以及历史的标准车流量数据;(2.1)设计交通流预测算法交通流预测算法用于学习得到一个函数f,函数f能够从以往道路上传感器获得的当前段时间T的交通流量观测数据V来预测下一段时间T
′
的交通流量V
′
,以作为步骤3的微观交通仿真模型的输入;其中函数f的学习如下所示:交通流预测算法从结构上分为三部分:第一部分,数据预处理,主要是对错误数据的纠正和部分路段缺失数据的还原,处理后的数据直接作为第二部分的输入;第二部分,耦合层级图卷积模块,给定图信号集合,每个图卷积层的自学习邻接矩阵,利用门控循环单元集合空间动态信息,后接全连接层将低维特征向量空间映射至高维向量空间;第三部分,长短时记忆神经网络模块,利用第二部分获得的较高维向量空间基于长短时记忆神经网络对交通需求的亲近性和周期性的深度信息进行挖掘和聚合,同时实现空间动态信息和时间相关性信息的深度融合,后接全连接层将第三部分获得的特征向量空间映射回目标空间,目标空间结果即为预测的交通流量;此外,采用均方误差法来定义损失函数,描述预测值与真值之间的误差;其中,亲近性是指最近时段的交通状况比旧时段的交通状况更相关;周期性是指交通状况在一定的时间间隔内呈现出周期性的变化模式;耦合层级图卷积网络是一种图卷
积架构,图卷积架构在不同的层具有不同的邻接矩阵,并且所有的邻接矩阵在训练过程中是可以自学习的;图卷积架构采用一种分层耦合机制,能够将上层邻接矩阵与下层邻接矩阵关联起来;图卷积架构是一个端到端的网络,通过将隐藏的空间状态与门控循环单元集成在一起,从而实现特征空间的输出;门控循环单元是用门控机制控制输入、记忆信息而在当前时间步做出预测;(2.2)交通流预测算法训练和测试对步骤(2...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。