融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及系统技术方案

本发明专利技术公开了一种融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及系统，采用经验模态分解算法对历史控制车流量数据进行预处理，确定最优的历史信息窗口长度，得到控制周期内个方向的车流信息，再分别用长短期记忆网络和卡尔曼滤波算法预测下一个交通灯控制周期的车流量，将两个预测值基于卡尔曼滤波算法进行信息融合后，根据预测值为下一交通灯控制周期分配相位。本方法融合传统滤波算法和深度预测网络的优势，提高预测精度，从而大幅降低车辆排队时间，提高车辆通行效率，减少交通资源浪费。资源浪费。资源浪费。

【技术实现步骤摘要】
融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及系统


[0001]本专利技术属于智能交通控制
，主要涉及了一种融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及系统。

技术介绍

[0002]随着我国城市化进程的不断加深，居民日益增长的出行需求和有限的交通资源之间的矛盾越来越突出，城市交通拥堵问题愈演愈烈。交通拥堵不仅降低个人出行效率，还会造成交通事故率增长、能源浪费、碳排放增加等多方面的社会问题。
[0003]缓解拥堵的直接方式是利用交通信号调控来疏导车流。传统的交通信号灯多采用固定相位顺序时长的模式，虽然其模式简单，易于实现，但灵活性较差，难以有效解决拥堵问题。当拥堵严重时，仍然需要依赖交警或交通信号工程师代为指挥交通，这种方案的人力成本和经验成本较高。不同方向的车流可能随着时间的变化而变化，它们之间的比值并不是固定的，当车流峰值不固定在同一通行方向时，传统的固定相位控制模式浪费了一定的通行资源。面对这一困境，如何充分利用车流信息，做出最佳的交通信号管理决策，以减少交通拥堵、优化城市交通管理，已然成为了亟待解决的问题。
...

【技术保护点】

【技术特征摘要】
1.融合深度预测网络和卡尔曼滤波算法的交通灯控制方法，其特征在于：采用经验模态分解算法对历史控制车流量数据进行预处理，确定最优的历史信息窗口长度，得到控制周期内个方向的车流信息，再分别用长短期记忆网络和卡尔曼滤波算法预测下一个交通灯控制周期的车流量，将两个预测值基于卡尔曼滤波算法进行信息融合后，根据预测值为下一交通灯控制周期分配相位。2.如权利要求1所述的融合深度预测网络和卡尔曼滤波算法的交通灯控制方法，其特征在于，包括以下步骤：S1，数据收集：收集历史控制车流量数据，对长短期记忆网络进行训练，固定网络的权重和偏置，同时基于历史控制车流量数据得到经验模态分解后噪声信号的能量阈值、卡尔曼滤波的参数以及最优历史数据窗口长度；S2，数据预处理：根据步骤S1获得的最优历时数据窗口长度采集前n个控制周期各个方向的历史车流量，对历史车流量进行经验模态分解，将超过能量阈值的内涵模态和残差信号重新进行融合，得到滤波后的前n个控制周期各个方向的车流信息；S3，车流量预测：利用滤波后的前n个控制周期各个方向的车流信息，分别用卡尔曼滤波算法和长短期记忆网络对下一交通灯控制周期各个方向的车流量进行预测；S4，数据融合：将步骤S3获得的两个预测值，利用卡尔曼滤波算法进行信息融合，得到精确的对下一交通灯控制周期各个方向的车流量的预测值；S5，分配相位：根据各个方向车流量的预测结果调整下一周期的交通灯控制相位；S6,实施：重复步骤S2
‑
S5，直至交通灯控制时间结束。3.如权利要求2所述的融合深度预测网络和卡尔曼滤波算法的交通灯控制方法，其特征在于：所述步骤S2中，对历史车流量进行经验模态分解具体包含以下步骤：S21：从原始信号中找到极值点，并运用插值算法连接极值点得到信号的上包络线和下包络线；S22：用原始信号减去上下包络线的均值，得到中间信号；S23：检查该信号是否满足成为内涵模态的条件，如果满足，则该中间信号是原始信号的一个内涵模态；如果不是，则重复步骤S21至S22,直到出现内涵模态；S24：用原始信号减掉所有已经找到的内涵模态，得到残差信号；S25：重复步骤S21至S24，直到找到全部的内涵模态，残差信号单调或只有一个极值点；S26：通过历史数据训练得到的能量阈值，将能量大于噪声阈值的内涵模态和残差信号相加，恢复得到滤波之后的历史观测车流信息。4.如权利要求2所述的融合深度预测网络和卡尔曼滤波算法的交通灯控制方法，其特征在于：所述步骤S3中，卡尔曼滤波算法的预测更新公式如下：征在于：所述步骤S3中，卡尔曼滤波算法的预测更新公式如下：征在于：所述步骤S3中，卡尔曼滤波算法的预测更新公式如下：征在于：所述步骤S3中，卡尔曼滤波算法的预测更新公式如下：
P
i
(k∣k)＝(I
n
‑
K
i
(k)H
i<...

【专利技术属性】
技术研发人员：陈国浠，张亚，李伊莎，
申请(专利权)人：东南大学，
类型：发明
国别省市：