一种基于神经网络的交通信号自动控制方法及系统技术方案

本发明专利技术公开了一种基于神经网络的交通信号自动控制方法和系统，方法包括：步骤一，选取交通状态参数，按照信号周期调取对应的历史交通状态数据；步骤二，将历史交通状态数据进行归一化处理，组成若干组多维特征序列；步骤三，对多维特征序列进行聚类分析得到交通拥堵状态等级；步骤四，根据实时交通数据与交通拥堵状态等级的对应关系判断当前周期交通拥堵状态；步骤五，基于所述当前周期交通拥堵状态和神经网络预测模型预测的下一周期车流量，对下一周期的交通信号采取对应的信号控制策略进行优化调整

【技术实现步骤摘要】
一种基于神经网络的交通信号自动控制方法及系统


[0001]本专利技术涉及交通信号控制领域，尤其是涉及一种基于神经网络的交通信号自动控制方法及系统
。

技术介绍

[0002]随着国民经济的发展和生活水平的不断提高，交通流量大幅度上升，如何缓解城市交通运行的压力
、
提高通行能力成为当下急需攻克的一大难题
。
[0003]当前城市路网结构还不够完善，机动车保有量的快速增长导致交通需求与现有的道路基础设施严重不匹配，交通拥堵问题日益严重
。
当交叉口交通需求大于实际通行能力会发生拥堵排队，不仅拥堵交叉口本身拥堵等级增加，严重时累积车辆溢出到上游交叉口造成更大范围的拥堵
。
因此为了避免拥堵范围增大和程度加重，如何在拥堵初期就能判定拥堵程度并通过信号自动控制缓解压力越来越重要
。
[0004]交通信号控制作为调节交通运行的直接途径，信号灯的合理配时是智能交通系统的核心
。
交通信号的自动控制能够根据实际的交通数据制定对应的信号灯配时方案，提高绿信比和减少车辆延误
。
但是当前交通交叉口使用的信号自动控制主要通过对各配时参数建立模型，计算量大，多适用于欠饱和路口的交通疏导
。
同时对于拥堵等级的判定，通常直接应用饱和度来确定，但是由于通行能力和饱和流量的不确定性和变化的复杂性，用饱和度来定义拥堵程度准确性较低，量化拥堵的持续时间和程度也十分困难
。
[0005]因此根据实时的交通数据准确
、
合理地对交通拥堵状态等级进行判别，掌握交通流演变的趋势，可以为信号配时控制系统提供有效的信息
。
车流量的预测和交通拥堵状态判定的准确性研究和实践，以及根据不同的拥堵程度如何使用对应的策略进行优化调整，都对交通流的控制和疏导起着至关重要的作用，而这些正是现有技术的缺陷
。

技术实现思路

[0006]针对上述现有技术存在的问题，本专利技术提供了基于神经网络的交通信号自动控制方法及系统，目的是通过分析准确判定当前周期交叉口的交通拥堵状态，并对下一时间段的车流量进行预测，掌握短时交通流变化趋势，基于当前时刻和未来时刻的需求根据实际排队长度进行调整以缓解交通拥堵情况，分析和量化拥堵程度提高了交通信号配时的准确性
、
合理性，完成了动态协调的交通信号自动控制，改善了拥堵状态下的交通情况
。
[0007]为实现上述目的，本专利技术提供了如下技术方案：
[0008]第一方面，本申请提供一种基于神经网络的交通信号自动控制方法，包括如下步骤：
[0009]步骤一，选取交通状态参数，基于所述交通状态参数根据信号周期调取所述交通状态参数对应的交叉口历史交通状态数据；
[0010]步骤二，将所述历史交通状态数据分别进行归一化处理，组成若干组多维特征序列，所述多维特征序列用于表征该交叉口对应时间段内的交通拥堵状态划分信息；
[0011]步骤三，对所述多维特征序列进行聚类分析得到交通拥堵状态等级；
[0012]步骤四，获取实时交通数据，根据所述实时交通数据与所述交通拥堵状态等级的对应关系判断交叉口当前周期交通拥堵状态；所述实时交通数据为所述交通状态参数对应的实时交通状态数据；
[0013]步骤五，基于所述当前周期交通拥堵状态和下一周期车流量，对下一周期的交通信号采取对应的信号控制策略进行优化调整；所述下一周期车流量是根据交叉口历史车流量数据，对神经网络预测模型训练后预测获取的
。
[0014]优选的，所述交通状态参数包括车流量，进道口排队长度，平均行车速度，每车平均延误
。
[0015]优选的，步骤二中将所述历史交通状态数据分别进行归一化处理包括：
[0016]车流量取该周期交叉口车流量数据与交叉口饱和流量的比值；
[0017]进道口排队长度取该周期进道口车辆排队长度与交叉口进道口路段长度的比值；
[0018]平均行车速度取该周期交叉口车辆的平均行车速度与交叉口最高限速的比值；
[0019]每车平均延误取该周期交叉口车辆的平均延误与交叉口最大信号周期时间的比值
。
优选的，步骤三对所述多维特征序列进行聚类分析得到交通拥堵状态等级包括：
[0020](1)
基于交叉口实际交通状态从所述历史交通状态数据中提取四个预设时间段的交通状态数据，分别求取这四组数据的平均值作为初始的四个聚类中心；
[0021](2)
根据所述多维特征序列与所述聚类中心的距离，将距离最小的聚类中心点对应的聚类作为所述多维特征序列所属的聚类，对所有所述多维特征序列进行聚类划分；
[0022](3)
根据划分的聚类结果，计算每个聚类中所述多维特征序列到所属聚类中心的距离均值对聚类中心进行更新；
[0023](4)
根据所述多维特征序列与聚类中心的距离特征得到所述多维特征序列的边缘度，基于所述边缘度对所述多维特征序列与聚类中心的距离加权调整；
[0024]所述边缘度包括类内边缘度和类间边缘度；所述根据所述多维特征序列与聚类中心的距离特征得到所述多维特征序列的边缘度包括：
[0025]根据所述多维特征序列与最近聚类中心的欧式距离得到所述多维特征序列的类内边缘度；计算所述多维特征序列与最近两个聚类中心的欧式距离之和得到所述多维特征序列的类间边缘度；
[0026](5)
重复步骤
(2)
‑
(4)
对所有所述多维特征序列聚类划分进行迭代更新，当所有所述多维特征序列与对应所属聚类中心的距离之和小于预设第一阈值时停止迭代，得到最终的四个聚类中心；
[0027](6)
将最终得到的四个聚类中心对应的多维特征序列分别对应为畅通
、
缓行
、
拥挤和堵塞四种交通拥堵状态的标准特征序列
。
[0028]优选的，步骤
(4)
基于所述边缘度对所述多维特征序列与聚类中心的距离加权调整包括：
[0029]若所述多维特征序列的类内边缘度大于所属聚类的多维特征序列类内边缘度的均值，且所述多维特征序列的类间边缘度小于预设第二阈值时，根据所述类内边缘度和所述类间边缘度的负相关映射确定距离调整系数，根据所述多维特征序列的时间旁邻点与聚类中心的欧氏距离和所述距离调整系数对所述多维特征序列与聚类中心的距离加权调整；
[0030]否则不调整所述多维特征序列与所述聚类中心的距离；
[0031]所述距离调整系数为所述类内边缘度和所述类间边缘度的负相关映射的乘积加一；
[0032]所述根据所述多维特征序列的时间旁邻点与聚类中心的欧氏距离和所述距离调整系数对所述多维特征序列与所述聚类中心的距离加权调整具体包括：
[0033]在所述历史交通状态数据中，选取距离所述多维特征序列的预设数量个信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于神经网络的交通信号自动控制方法，其特征在于，包括如下步骤：步骤一，选取交通状态参数，基于所述交通状态参数根据信号周期调取所述交通状态参数对应的交叉口历史交通状态数据；步骤二，将所述历史交通状态数据分别进行归一化处理，组成若干组多维特征序列，所述多维特征序列用于表征该交叉口对应时间段内的交通拥堵状态划分信息；步骤三，对所述多维特征序列进行聚类分析得到交通拥堵状态等级；步骤四，获取实时交通数据，根据所述实时交通数据与所述交通拥堵状态等级的对应关系判断交叉口当前周期交通拥堵状态；所述实时交通数据为所述交通状态参数对应的实时交通状态数据；步骤五，基于所述当前周期交通拥堵状态和下一周期车流量，对下一周期的交通信号采取对应的信号控制策略进行优化调整；所述下一周期车流量是根据交叉口历史车流量数据，对神经网络预测模型训练后预测获取的
。2.
根据权利要求1所述的基于神经网络的交通信号自动控制方法，其特征在于，所述交通状态参数包括车流量，进道口排队长度，平均行车速度，每车平均延误
。3.
根据权利要求1所述的基于神经网络的交通信号自动控制方法，其特征在于，步骤二中将所述历史交通状态数据分别进行归一化处理包括：车流量取该周期交叉口车流量数据与交叉口饱和流量的比值；进道口排队长度取该周期进道口车辆排队长度与交叉口进道口路段长度的比值；平均行车速度取该周期交叉口车辆的平均行车速度与交叉口最高限速的比值；每车平均延误取该周期交叉口车辆的平均延误与交叉口最大信号周期时间的比值
。4.
根据权利要求1所述的基于神经网络的交通信号自动控制方法，其特征在于，步骤三对所述多维特征序列进行聚类分析得到交通拥堵状态等级包括：
(1)
基于交叉口实际交通状态从所述历史交通状态数据中提取四个预设时间段的交通状态数据，分别求取这四组数据的平均值作为初始的四个聚类中心；
(2)
根据所述多维特征序列与所述聚类中心的距离，将距离最小的聚类中心点对应的聚类作为所述多维特征序列所属的聚类，对所有所述多维特征序列进行聚类划分；
(3)
根据划分的聚类结果，计算每个聚类中所述多维特征序列到所属聚类中心的距离均值对聚类中心进行更新；
(4)
根据所述多维特征序列与聚类中心的距离特征得到所述多维特征序列的边缘度，基于所述边缘度对所述多维特征序列与聚类中心的距离加权调整；所述边缘度包括类内边缘度和类间边缘度；所述根据所述多维特征序列与聚类中心的距离特征得到所述多维特征序列的边缘度包括：根据所述多维特征序列与最近聚类中心的欧式距离得到所述多维特征序列的类内边缘度；计算所述多维特征序列与最近两个聚类中心的欧式距离之和得到所述多维特征序列的类间边缘度；
(5)
重复步骤
(2)
‑
(4)
对所有所述多维特征序列聚类划分进行迭代更新，当所有所述多维特征序列与对应所属聚类中心的距离之和小于预设第一阈值时停止迭代，得到最终的四个聚类中心；
(6)
将最终得到的四个聚类中心对应的多维特征序列分别对应为畅通
、
缓行
、
拥挤和堵
塞四种交通拥堵状态的标准特征序列
。5.
根据权利要求4所述的基于神经网络的交通信号自动控制方法，其特征在于，步骤
(4)
基于所述边缘度对所述多维特征序列与聚类中心的距离加权调整包括：若所述多维特征序列的类内边缘度大于所属聚类的多维特征序列类内边缘度的均值，且所述多维特征序列的类间边缘度小于预设第二阈值时，根据所述类内边缘度和所述类间边缘度的负相关映射确定距离调整系数，根据所述多维特征序列的时间旁邻点与聚类中心的欧氏距离和所述距离调整系数对所述多维特征序列与聚类中心的距离加权调整；否则不调整所述多维特征序列与所述聚类中心的距离；所述距离调整系数为所述类内边缘度和所述类间边缘度的负相关映射的乘积加一；所述根据所述多维特征序列的时间旁邻点与聚类中心的欧氏距离和所述距离调整系数对所述多维特征序列与所述聚类中心的距离加权调整具体包括：在所述历史交通状态数据中，选取距离所述多维特征序列的预设数量个信号周期的其他多维特征序列，作为所述多维特征序列的时间旁邻点；计算所有所述时间旁邻点的多维特征序列与聚类中心的欧氏距离的均值，取所述均值与所述距离调整系数的乘积为所述多维特征序列与聚类中心的距离
。6.
根据权利要求1所述的基于神经网络的交通信号自动控制方法，其特征在于，步骤五所述神经网络预测模型为改进优化的
BP
神经网络，所述对神经网络预测模型训练预测获取下一周期车流量包括：获取所述历史交通状态数据中各相位的历史车流量数据，将单一相位的历史车流量数据作为输入，对应下一周期的历史车流量数据为输出，训练神经网络预测模型；基于所述实时交通数据和所述神经网络预测模型预测下一周期车流量；所述训练神经网络预测模型包括：
(1)
确定
BP
神经网络的拓扑结构，包含一个输入层和一个输出层，以及位于所述输入层和输出层之间的一个隐藏层，预设隐藏层初始节点数；
(2)
初始化
BP
神经网络模型参数，得到需要优化的初始输入权值
、
阈值共
m
个；将
[0,1]
区间均匀地分成
n
‑1个子区域，取每个子区域边界上的点为一个备选的权阈值，每个权值或阈值的
n
个备选值组成一个集合
H
i
(1≤i≤m)
；
(3)
初始化集合
H
i
中每个元素的贡献值为预设常数，贡献值衰减系数为0到1之间的...

【专利技术属性】
技术研发人员：孙西超，高慧，
申请(专利权)人：蚌埠学院，
类型：发明
国别省市：