System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于交通控制领域,涉及一种基于黑塞矩阵协助梯度优化的城市交叉口交通信号实时控制方法。
技术介绍
1、目前一线城市的交通深受“早(晚)高峰”影响,部分路口拥堵现象十分扬中。该部分路口往往是城市的核心路段,扩建道路的可能性较低。而传统的配时方案无法处理城市交通随机性强的特点,对于拥堵的缓解较为有限。目前自适应的交通管理系统正在成为应用热点,该系统利用来自摄像头,地磁线圈等实时交通数据,可以根据拥堵情况动态的控制路口的信号灯时长,从而优化城市路网的通行情况,是一种比较有效的信号灯控制方法,但是信号控制方法的设计是一个难点。
技术实现思路
1、为了克服现有技术中存在的不足,本专利技术提供一种黑塞矩阵协助梯度优化的城市交叉口交通信号实时控制方法,通过精准仿真交叉口地理及过车数据,搭建智能体训练仿真平台,并以此基础训练神经网络,从而获得一种交叉口信号灯实时配时方案,有效缓解交叉口的拥堵情况。
2、本专利技术解决其技术问题所采用的技术方案是:
3、一种黑塞矩阵协助梯度优化的城市交叉口交通信号实时控制方法,包括以下步骤:
4、s1、对于城市中拥堵较为严重的交叉口实地调研,采用测绘方法,结合卫星地图数据,获取得到交叉口的物理特征信息,包括车道分布、车道的精确长度和信号灯位置;
5、s2、对于城市中拥堵较为严重的交叉口,通过交叉口监控摄像头,统计每天的各个时间段各个车道的车流量信息;
6、s3、根据交叉口物理特征信息,在微观仿真平台
7、s4、搭建深度神经网络模型,基于黑塞矩阵协助梯度优化算法,在搭建的仿真模型中训练交通信号灯相位切换策略πθ,同时更新神经网络的参数θ;
8、s5、最终得到的训练模型,首先应用于实际路网当中,并根据路网的实际信息,继续强化训练交通信号灯相位切换策略的πθ,同时更新神经网络的参数θ;
9、s6、最终得到的信号灯相位切换策略即为所需的信号灯控制策略。
10、进一步,所述步骤s4的过程如下:
11、s41,基于交叉口车道数搭建神经网络框架,初始化深度神经网络参数θ=θ1,从仿真平台中采样得到第一条车流辆状态和信号灯动作集合τ1,设置状态动作对对应的奖励函数并计算u1=g(τ1|θ1),其中
12、
13、h表示状态和信号灯动作集合τ1包含的状态动作对的个数,h,j表示累加参数,γ表示算法的折扣因子,表示梯度算子,设定超参数l=1.5,m=2,n=0.5,计算gt=||g(τ|θt)||,更新θt+1=θt+ηtut,时刻t设置为1;
14、s42,随机选取一个α∈[0,1]并计算θt(α)=αθt+(1-α)θt-1,其中α是一个随机数,θt表示在时刻t下的神经网络参数;
15、s43,根据θt继续采样并得到车辆状态动作集合轨迹τt,并计算ut=βtw(τt|θt,θt(α))g(τt|θt)+(1-βt)(ut-1+δt),其中w(τt|θt-1,θt(α))通过下式计算:
16、
17、δt为黑塞矩阵协助项,θ′,θ为两个不同的输入神经网络参数,h表示状态和信号灯动作集合包含的状态动作对的个数,h表示累积参数,δt由下式计算:
18、
19、其中
20、
21、折扣因子γ=0.9,ρ(s0)表示交叉口初始状态的状态分布概率,指的是执行动作ah后,状态从sh转移到sh+1的状态转移概率,vt=θt-θt-1表示网络参数差值;
22、s44,计算gt=||g(τ|θt)||,更新θt+1=θt+ηtut,
23、s45,设置t=t+1,重复执行步骤s43、s44、s45直到迭代次数t达到最大迭代次数t为止;
24、s46,输出最新的神经网络参数θt+1。
25、更进一步,所述步骤s1中,车道的分布转向的采集信息与实际完全一致,当前较拥堵路口的如果具有可变车道,可变车道的信息与相对应的时间挂钩,也保持与实际情况一致。
26、再进一步,所述步骤s3中,路网仿真模型采用微观路网仿真模型进行模拟,交叉口的车流量入口距离信号灯距离长度超过100米,同时车辆速度以及车辆类型的分布与实际交叉口下相同。
27、所述步骤s5中,强化训练方式与步骤s4相同,状态由路网状态实时实地测量得到并输入神经网络用于训练,步骤s4中状态则通过仿真系统模拟得到。
28、本专利技术的有益效果主要表现在:对于拥堵严重的城市交叉口,设计的基于黑塞矩阵协助梯度优化的城市交叉口交通信号实时控制方法可以有效地缓解拥堵过程。
本文档来自技高网...【技术保护点】
1.一种黑塞矩阵协助梯度优化的城市交叉口交通信号实时控制方法,其特征在于,所述方法包括以下步骤:
2.如权利要求1所述的黑塞矩阵协助梯度优化的城市交叉口交通信号实时控制方法,其特征在于,所述步骤S4的过程如下:
3.如权利要求1或2所述的黑塞矩阵协助梯度优化的城市交叉口交通信号实时控制方法,其特征在于,所述步骤S1中,车道的分布转向的采集信息与实际完全一致,当前较拥堵路口的如果具有可变车道,可变车道的信息与相对应的时间挂钩,也保持与实际情况一致。
4.如权利要求1或2所述的黑塞矩阵协助梯度优化的城市交叉口交通信号实时控制方法,其特征在于,所述步骤S3中,路网仿真模型采用微观路网仿真模型进行模拟,交叉口的车流量入口距离信号灯距离长度超过100米,同时车辆速度以及车辆类型的分布与实际交叉口下相同。
5.如权利要求1或2所述的黑塞矩阵协助梯度优化的城市交叉口交通信号实时控制方法,其特征在于,所述步骤S5中,强化训练方式与步骤S4相同,状态由路网状态实时实地测量得到并输入神经网络用于训练,步骤S4中状态则通过仿真系统模拟得到。
【技术特征摘要】
1.一种黑塞矩阵协助梯度优化的城市交叉口交通信号实时控制方法,其特征在于,所述方法包括以下步骤:
2.如权利要求1所述的黑塞矩阵协助梯度优化的城市交叉口交通信号实时控制方法,其特征在于,所述步骤s4的过程如下:
3.如权利要求1或2所述的黑塞矩阵协助梯度优化的城市交叉口交通信号实时控制方法,其特征在于,所述步骤s1中,车道的分布转向的采集信息与实际完全一致,当前较拥堵路口的如果具有可变车道,可变车道的信息与相对应的时间挂钩,也保持与实际情况一致。
4...
【专利技术属性】
技术研发人员:陈明,魏平,林甲核,余洋,徐琛,冯远静,李永强,
申请(专利权)人:航天科工广信智能技术有限公司,
类型:发明
国别省市:
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。