一种基于云边协同的参数自学习信号控制方法技术

本发明专利技术提供了一种基于云边协同的参数自学习信号控制方法，解决了交通信号算法控制严重依赖交通参数配置、过于依赖训练样本以及难以实现实时性全天候全场景应用等问题。本发明专利技术方法主要包括：采集交通全息轨迹数据，进行边缘感应信号控制；通过参数自学习方法，从全息数据中提取全息感应控制参数；建立云边协同控制架构，参数自学习数据交互，实时控制交通信号。通过全息数据判别各个相位的交通状态，采用参数自学习方法以及建立云边协同控制体系，实现交通控制全天候全场景应用，具有实时控制能力强、适配各种交通流条件和交通场景、避免参数学习所需的算力和试错成本等优点。参数学习所需的算力和试错成本等优点。参数学习所需的算力和试错成本等优点。

【技术实现步骤摘要】
一种基于云边协同的参数自学习信号控制方法


[0001]本专利技术涉及交通信号控制
，尤其涉及一种基于云边协同的参数自学习信号控制方法。

技术介绍

[0002]针对日益严重的城市交通拥堵和绿灯时间浪费问题，随着检测感知手段的不断迭代升级，智能化的信号控制方法越发重要。当前交通控制方法主要有两类：一类是基于运筹优化和控制理论的交通控制算法，比如全感应控制、半感应控制、自适应控制等，其基本原理为输入过车流量、排队长度等数据通过控制模型产出信号周期、绿信比等控制参数，这类方法在众多路口取得了一定效果，但其严重依赖各种交通参数配置，需要大量专业的交通从业人员的人工经验，且不同路口需要反复调参，难以泛化推广，当交通流没有按照历史发展，发生突变时，参数设置固定导致控制方案不合理。另一类是基于机器学习、深度学习的控制策略自生成算法。这类算法通过提取路口运行特征，设定优化目标，直接产生信号方案。过于依赖训练样本，在测试集上的取得的效果往往在真实环境下发难以达到。
[0003]在中国专利文献上公开的一种“基于联邦强化学习的多路口智能交通信号灯控制方法及系统”，其公开号为CN113643553A，通过对真实路口进行建模，使用交通模拟软件Cityflow模拟城市交通和交通流量，对每个强化学习智能体使用强化学习算法，根据路口车流情况对交通信号灯实时控制，且结合云边协同的联邦强化学习框架，引入类似联邦学习的梯度共享与参数传递过程，在车辆平均行驶时间方面取得了较好的控制效果，但是该专利实际路况相关信息的获取基本依赖于交通模拟软件，难以实现实时性全天候全场景应用，并且在强化学习智能体时主要通过观测计算各条定向道路上的压力，没有采用更为合适的路口观测方法和交通参数实现参数自学习过程，使其适配各种交通流条件以及交通饱和场景。

技术实现思路

[0004]本专利技术旨在解决交通信号算法控制严重依赖交通参数配置、过于依赖训练样本以及难以实现实时性全天候全场景应用等问题。
[0005]以上技术问题是通过以下技术方案解决的：一种基于云边协同的参数自学习信号控制方法，包括：S1、采集交通全息轨迹数据，判别各个相位的交通状态，根据选定的交通参数之间关系控制信号灯持续时间；S2、从交通全息轨迹数据中提取全息感应控制参数定义参数自学习动作空间，并采用路口元胞结构构建方法构建状态矩阵定义参数自学习状态空间，训练参数自学习模型；S3、建立云边协同控制架构，进行数据交互，实时控制交通信号。
[0006]通过雷达、雷视一体机等检测设备可以采集路口车辆全方位的运行轨迹，包含车
辆轨迹位置、车辆速度、通过检测区时间等数据，并从车辆轨迹位置中提取出过车流量、车辆速度、排队长度、交通密度等交通相关参数。传统感应控制根据过车的时间间隔进行相位延长，本方法增加对各个相位的交通状态进行判别，使得获取数据实时性更强，数据分析计算结果更为精准。基于运筹优化的控制算法能够提升其需要的全量数据准确性，因此可选用基于全息数据的边缘感应信号控制方法来实现交通实时控制。参数自学习方法在训练完成所有数据后得到一系列训练参数，然后根据训练参数来预测新样本的值，这时不再依赖之前的训练数据了，参数值也是确定的。通过参数自学习方法在采集的全息数据中提取全息感应控制所需参数，以从路口全息数据中提取状态空间，以全息感应控制参数为行动空间，排队均衡度为行动评价指标，建立全息感应控制的参数自学习模型，摆脱对交通模拟软件的依赖、减免大量专业人员根据人工经验进行参数配置、反复调参。由于应用所述基于全息数据的边缘感应控制算法需要获取实时数据和即时响应控制，对消息传输延迟有极大要求；采用所述参数自学习方法，也需要大量的样本数据和较高的算力，并且自学习过程中会存在“试错”动作产生，直接于实际路口进行学习容易造成交通隐患，因此可以通过搭建云边协同控制架构，与所述方法适配进行交通信号控制，云边协同控制体系包括云端到边缘计算节点的消息传输机制及数据交互机制、控制驱动同步机制、云边链路管理及异常降级机制，从而形成云端策略生成、参数学习，边缘数据交互，实时控制的云边协同交通信号控制体系。
[0007]作为优选，在步骤S1中，交通全息轨迹数据包括各个相位的交通状态信息，交通状态信息包括交通密度和车头时距，根据选定的交通参数之间关系控制信号灯持续时间包括：S101、基于交通流理论，根据各个相位的交通密度判断路口交通状态；S102、设定车头时距阈值，计算当前相位的车头时距；S103、根据车头时距与车头时距阈值的关系、交通密度，结合全息感应算法判断是否需要延长绿灯时间。
[0008]交通密度是判别车道状态的关键参数之一，通过采集设备捕捉各个相位的交通状态后，基于2002年09月人民交通出版社出版的《交通流理论》，可计算各个相位对应的交通密度，交通密度相关知识包括理论阻塞密度和最佳密度。车头时距是运行全息感应算法进行条件判定的核心要素，车头时距表示从当前时刻至上一辆车到达的时刻之间的时间间隔，若本相位还没有车到达，则其初始值为从当前时刻至相位开始时刻之间的时间间隔。预先设定用于比较的车头时距阈值，若车头时距越小，说明车辆到达的频率越高，此时需要相应的延长相位绿灯时间；若车头时距大于预设阈值，说明到达车辆排布稀疏，就没有必要延长相位绿灯时间，可在最小绿灯时间结束后就切换到下一个相位。计算获取的各个相位交通密度与当前相位的车头时距代入全息感应算法流程进行信号灯时长控制。
[0009]作为优选，结合全息感应算法判断是当其他相位的交通密度小于理论阻塞密度时，若当前相位的车头时距超过车头时距阈值，则不延长绿灯时间，若当前相位的车头时距不超过车头时距阈值，则延长绿灯时间；当其他相位的交通密度等于理论阻塞密度时，若当前相位的交通密度不超过最佳密度时，则进行相位切换，若当前相位的交通密度超过最佳密度时，则逐一延长各个相位的绿灯时间。当其他相位交通密度未达到理论阻塞密度时，说明此时实际路况较为顺畅，仅需依据当前相位的车头时距与车头时距阈值之间的关系判断是否延长绿灯时间；一般情况下，当其他相位接近理论阻塞密度，且当前相位交通密度较小
时，需要及时切换相位以放行拥堵相位，此时暂不考虑当前相位车头时距；当前相位交通密度超过最佳密度时，说明路口多相位拥堵，需逐一放行相位以消散车辆。边缘感应控制采取全息感应算法的方式科学灵活地对路口不同的交通情况施以控制，及时缓解各条定向道路上可能存在的压力。
[0010]作为优选，在步骤S2中，定义参数自学习动作空间和状态空间，包括：S201、根据路口交通全息轨迹数据，采用路口元胞结构构建方法构建车辆状态矩阵；S202、根据当前路口交通信号灯实际情况，构建路口信号状态矩阵；S203、采用卷积神经网络算法对叠加两矩阵的结果进行当前时刻特征向量的提取，将每个时刻的特征向量序列化作为信号周期特征，再通过Transformer算法，将信号周期特征整合为一个特征向量，定义为状态空间；S204、学习交通饱和情景下保证各个相位排队均衡的绿灯极限延长时间，将各个相位的绿灯极限延长时间组成的序列定义为动作空间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于云边协同的参数自学习信号控制方法，其特征在于，包括：S1、采集交通全息轨迹数据，判别各个相位的交通状态，根据选定的交通参数之间关系控制信号灯持续时间；S2、从交通全息轨迹数据中提取全息感应控制参数定义参数自学习动作空间，并采用路口元胞结构构建方法构建状态矩阵定义参数自学习状态空间，训练参数自学习模型；S3、建立云边协同控制架构，进行数据交互，实时控制交通信号。2.根据权利要求1所述的一种基于云边协同的参数自学习信号控制方法，其特征在于，在步骤S1中，所述交通全息轨迹数据包括各个相位的交通状态信息，交通状态信息包括交通密度和车头时距，所述根据选定的交通参数之间关系控制信号灯持续时间包括：S101、基于交通流理论，根据各个相位的交通密度判断路口交通状态；S102、设定车头时距阈值，计算当前相位的车头时距；S103、根据车头时距与车头时距阈值的关系、交通密度，结合全息感应算法判断是否需要延长绿灯时间。3.根据权利要求2所述的一种基于云边协同的参数自学习信号控制方法，其特征在于，在步骤S1中，所述结合全息感应算法判断是当其他相位的交通密度小于理论阻塞密度时，若当前相位的车头时距超过车头时距阈值，则不延长绿灯时间，若当前相位的车头时距不超过车头时距阈值，则延长绿灯时间；当其他相位的交通密度等于理论阻塞密度时，若当前相位的交通密度不超过最佳密度时，则进行相位切换，若当前相位的交通密度超过最佳密度时，则逐一延长各个相位的绿灯时间。4.根据权利要求1所述的一种基于云边协同的参数自学习信号控制方法，其特征在于，在步骤S2中，所述定义参数自学习动作空间和状态空间，包括：S201、根据路口交通全息轨迹数据，采用路口元胞结构构建方法构建车辆状态矩阵；S202、根据当前路口交通信号灯实际情况，构建路口信号状态矩阵；S203、采用卷积神经网络算法对叠加两矩阵的结果进行当前时刻特征向量的提取，将每个时刻的特征向量序列化作为信号周期特征，再通过Transformer算法，将信号周期特征整合为一个特征向量，定义为状态空间；S204、学习交通饱和情景下保证各个相位排队均衡的绿灯...

【专利技术属性】
技术研发人员：周俊杰，崔夏，胡灵龙，徐梦，吴昊，
申请(专利权)人：浙江中控信息产业股份有限公司，
类型：发明
国别省市：