CN109584564B - 一种适用多设备的信控方案实施优化方法及其***和装置 - Google Patents

Abstract

本发明涉及一种适用多设备的信控方案实施优化***，包括：用于检测车辆通过信号的终端检测设备；解析信控方案数据及车头时距分布与占比数据的数据处理模块；对各车道的车头时距形态模型进行判断和车道特征标记的逻辑处理模块；对信控方案数据优化和测试的优化和测试模块；接收优化后的信控方案数据并控制信号控制机的控制中心；信号控制机，接收并执行优化后的信控方案数据；用于各组成部分之间的数据接收和发送的通信模块。本发明能适用多种终端检测设备，算法涉及参数简单，运算速度快，信号控制方案调整及时，调整方法更加科学，融合先进的数据挖掘算法，深度挖掘车头时距的分布含义指导信控方案优化，科学性强，优化结果可靠。

Description

一种适用多设备的信控方案实施优化方法及其***和装置

技术领域

本发明涉及控制技术领域，尤其涉及一种适用多设备的信控方案实施优化方法及其***和装置。

背景技术

目前我国大多数的信控交叉口治理采用的是全天分段定方案控制方式，基于历史数据根据全天各时段的交通流特征制定若干个固定配时方案，在不同时段使用。这种信控方法的缺点如下：

1.信控交叉口治理方案是基于历史数据的固定方案，适应性差，不能够对实时交通状况变化的反馈，导致信控方案效率不高或无效；

2.信控方案的调整需要依赖人工经验，缺乏科学性，由于缺乏智能化手段，多地智能交通建设水平不高，信号控制方案优化依赖于交通管理部门人工微调，不仅需要大量人力，而且缺乏科学性，效果较差；

3.对检测设施的选型有约束，信号控制方案的优化依赖于对交通流情况的检测，现有的方法多限于特定的检测设备，如检测线圈、视频设备等，而不能广泛应用于多种设备，由于各地智能交通建设水平不一、设施供应能力有差异，这些方法的应用十分受限。目前常见的检测方法是通过信号控制机配套地感线圈工作，而地感线圈容易因过往车流频繁易损坏、更换需要破路封路，不仅影响交通流而且影响道路美观，而且可靠性不佳；

4.算法涉及指标复杂，难以理解，目前的多数算法因为可靠性有限，对交通流的本质把握不足，引入大量参考指标相互校正，形成的算法非常复杂，甚至有时指标之间有矛盾的情况出现，导致算法可靠性下降；

5.对于数据挖掘相关算法考虑不足，近几年来随着大数据分析挖掘技术不断发展，原有的交通数据处理方式面临扩展，这一优势在信号控制优化方面仍未完全发挥，现有的方法仍然多采用简单的统计分析方式和交通工程算法，效率和分析维度有待提升；

6.人工与智能化协同不足，目前城市交通控制工作越来越依赖于智能化手段，但智能化设备或算法可能因为数据采集设备故障或学习深度不足等产生结果误差问题，需要与实际数据进行核对和人工辅助训练模型，但目前多数方法忽视了这一前提，过早完全依赖于未成熟的智能算法，缺乏检验过程。

发明内容

本发明所要解决的技术问题是提供一种适用多种检测设备、控制指标简单且可靠性强的适用多设备的信控方案实施优化方法及其***和装置。

为解决上述技术问题，本发明的技术方案是：一种适用多设备的信控方案实施优化方法，包括以下步骤：

通过终端检测设备获取各车道的车辆通过信号；

根据所述车辆通过信号解析出各分车道的车头时距数据得到原始的信控方案数据，所述信控方案数据具体包括：通过对所述车头时距数据进行时间序列分析，得到的信控方案的多个相位、各相位所包括的通行车道组、各相位的相序和时长、信控方案的周期时长；

将各车道的车头时距进行集计分析，得到各车道的车头时距分布情况和车头时距占比数据，根据信控方案数据排除因等红灯造成车头时距占比数据，得出绿灯期间各个车道实际的车头时距分布与占比数据；

设置理想车头时距形态模型和理想车道特征，对各车道的车头时距形态模型进行判断，以及对各车道进行特征标记；

对所述信控方案数据进行优化和测试，使优化后的信控方案数据实施后，各车道的车头时距形态模型和各车道的特征标记与所述理想车头时距形态模型和理想车道特征相符。

作为优选的技术方案，所述车辆通过信号是带有时间戳的车辆通过记录数据。

作为优选的技术方案，还包括将非结构化的车辆通过信号转换为带有时间戳的车辆通过记录数据。

作为优选的技术方案，所述车头时距形态模型包括理想型、无排队过车稀疏型、有排队后期浪费型、有排队饱和型和干扰型，所述车道特征标记包括理想车道、干扰车道、过饱和车道和低效车道，所述方法还包括：判断所述过饱和车道是否聚集在同一相位，得出所述过饱和车道聚集的过饱和相位；判断所述低效车道是否聚集在同一相位，得出所述低效车道聚集的低效相位。

作为优选的技术方案，判断车头时距形态模型和进行车道特征标记的具体步骤包括：

生成各车道的车头时距随时间变化的车头时距曲线；

当所述通行车道组包括多个车道时，在信控方案的一个周期内，若车辆的车头时距等于或略大于设定的安全车头时距，且车头时距曲线无明显波动，则所述车道的车头时距形态模型是理想型；

若车辆的车头时距明显大于设定的安全车头时距，车头时距曲线有波动且全周期维持在高值，则所述车道的车头时距形态模型是无排队过车稀疏型；

若前期车辆的车头时距接近安全车头时距，车头时距曲线稳定无显著波动，后期车头时距明显大于安全车头时距，则所述车道的车头时距形态模型是有排队后期浪费型；

若整个周期内车头时距均接近或小于安全车头时距，且偶尔小于安全车头时距的水平，车头时距曲线波动小，则所述车道的车头时距形态模型是有排队饱和型；

若初期车头时距明显大于安全车头时距，且车头时距曲线有较大波动，后期车头时距逐渐接近安全车头时距，车头时距曲线逐渐稳定，则所述车道的车头时距形态模型是干扰型；

若所述车道的车头时距形态模型是理想型，则所述车道是理想车道；

若所述车道的车头时距形态模型是干扰型，则所述车道是干扰车道；

若所述车道的车头时距形态模型是无排队过车稀疏型或有排队后期浪费型，则所述车道是低效车道；

若所述车道的车头时距形态模型是有排队饱和型，则所述车道是过饱和车道。

作为优选的技术方案，进行车道特征标记的的具体步骤还包括：

当所述通行车道组是单车道时，若车头时距小于5s的车头时距个数占同周期内车头时距个数的比例小于第一设定阈值，或车头时距大于15s的车头时距个数占同周期内车头时距个数的比例大于第二设定阈值，则所述车道是低效车道；

若车头时距小于3s的车头时距加和占同周期该车道分配绿灯时间总比例大于第三设定阈值，则所述车道是过饱和车道。

作为优选的技术方案，还包括将优化后的信控方案数据发送至控制中心或信号控制机，以及所述控制中心对优化后的信控方案数据进行测试后发送信号控制机的步骤。

一种适用多设备的信控方案实施优化***，包括：

用于检测车辆通过信号的终端检测设备；

接收所述车辆通过信号，并通过解析出的各分车道的车头时距数据得到原始的信控方案数据，以及绿灯期间各个车道实际的车头时距分布与占比数据的数据处理模块；

对各车道的车头时距形态模型进行判断，以及对各车道进行特征标记，得到过饱和车道聚集的过饱和相位和低效车道聚集的低效相位的逻辑处理模块；

对原始的信控方案数据进行优化和测试的优化和测试模块；

接收优化后的信控方案数据，对优化后的信控方案数据进行测试后发送信号控制机的控制中心；

信号控制机，接收并执行优化后的信控方案数据；

用于各组成部分之间的数据接收和发送的通信模块。

作为优选的技术方案，所述终端检测设备是地感线圈、无线地磁、能同时检测多个车道的微波设备或有虚拟线圈功能的视频检测设备。

一种适用多设备的信控方案实施优化装置，包括：接收所述车辆通过信号，并通过解析出的各分车道的车头时距数据得到原始的信控方案数据，以及绿灯期间各个车道实际的车头时距分布与占比数据的数据处理模块；

对各车道的车头时距形态模型进行判断，以及对各车道进行特征标记，得到过饱和车道聚集的过饱和相位和低效车道聚集的低效相位的逻辑处理模块；

对原始的信控方案数据进行优化和测试的优化和测试模块；

用于与其他设备进行数据接收和发送的通信模块。

由于采用了上述技术方案，本发明的有益效果是：

(1)适用多种终端检测设备，不局限于传统易受损的感应线圈或价格高昂的视频设备，可应用于交通智能化水平不一的各个场景；

(2)算法涉及参数简单，集中利用车头时距进行分析，算法容易理解，可以方便根据实际情况进行优化，运算速度快，信号控制方案调整及时；

(3)信控方案的数据基础为实时数据而非历史数据，调整方法更加科学，能够循环持续优化，全天候提供适应交通流变化的信控方案；

(4)融合先进的数据挖掘算法，替代传统的统计算法对数据进行分析，不依赖于人工经验，深度挖掘车头时距的分布含义指导信控方案优化，科学性强。全程各阶段可产生各类分析图像供解释参考使用；

(5)充分考虑人工智能和自适应算法的发展阶段，允许在模型训练过程中或特殊情况下将判别与优化结果发送至控制中心进行进一步决策，模型训练成熟后可自动发送优化结果至信号控制机直接执行，综合了各类工作算法的优势，保证结果的可靠性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一种适用多设备的信控方案实施优化方案的工作流程图；

图2是本发明实施例一种适用多设备的信控方案实施优化***的拓扑图。

具体实施方式

一种适用多设备的信控方案实施优化方法，包括以下步骤：

通过终端检测设备获取各车道的车辆通过信号；

根据车辆通过信号解析出各分车道的车头时距数据得到原始的信控方案数据，信控方案数据具体包括：通过对车头时距数据进行时间序列分析，得到的信控方案的多个相位、各相位所包括的通行车道组、各相位的相序和时长、信控方案的周期时长；

将各车道的车头时距进行集计分析，得到各车道的车头时距分布情况和车头时距占比数据，根据信控方案数据排除因等红灯造成车头时距占比数据，得出绿灯期间各个车道实际的车头时距分布与占比数据；

设置理想车头时距形态模型和理想车道特征，对各车道的车头时距形态模型进行判断，以及对各车道进行特征标记；

对信控方案数据进行优化和测试，使优化后的信控方案数据实施后，各车道的车头时距形态模型和各车道的特征标记与理想车头时距形态模型和理想车道特征相符。

优选的，车辆通过信号是带有时间戳的车辆通过记录数据。

优选的，本方法还包括将非结构化的车辆通过信号转换为带有时间戳的车辆通过记录数据。

本实施例中，车头时距形态模型包括理想型、无排队过车稀疏型、有排队后期浪费型、有排队饱和型和干扰型，车道特征标记包括理想车道、干扰车道、过饱和车道和低效车道。

判断车头时距形态模型和进行车道特征标记的具体步骤包括：

生成各车道的车头时距随时间变化的车头时距曲线；

当通行车道组包括多个车道时，在信控方案的一个周期内，若车辆的车头时距等于或略大于设定的安全车头时距，且车头时距曲线无明显波动，则车道的车头时距形态模型是理想型；

若车辆的车头时距明显大于设定的安全车头时距，车头时距曲线有波动且全周期维持在高值，则车道的车头时距形态模型是无排队过车稀疏型；

若前期车辆的车头时距接近安全车头时距，车头时距曲线稳定无显著波动，后期车头时距明显大于安全车头时距，则车道的车头时距形态模型是有排队后期浪费型；

若整个周期内车头时距均接近或小于安全车头时距，且偶尔小于安全车头时距的水平，车头时距曲线波动小，则车道的车头时距形态模型是有排队饱和型；

若初期车头时距明显大于安全车头时距，且车头时距曲线有较大波动，后期车头时距逐渐接近安全车头时距，车头时距曲线逐渐稳定，则车道的车头时距形态模型是干扰型；

若车道的车头时距形态模型是理想型，则车道是理想车道；

若车道的车头时距形态模型是干扰型，则车道是干扰车道；

若车道的车头时距形态模型是无排队过车稀疏型或有排队后期浪费型，则车道是低效车道；

若车道的车头时距形态模型是有排队饱和型，则车道是过饱和车道。

当通行车道组是单车道时，若车头时距小于5s的车头时距个数占同周期内车头时距个数的比例小于第一设定阈值，或车头时距大于15s的车头时距个数占同周期内车头时距个数的比例大于第二设定阈值，则车道是低效车道；

若车头时距小于3s的车头时距加和占同周期该车道分配绿灯时间总比例大于第三设定阈值，则车道是过饱和车道。

判断过饱和车道是否聚集在同一相位，得出过饱和车道聚集的过饱和相位；判断低效车道是否聚集在同一相位，得出低效车道聚集的低效相位。

本方法还包括将优化后的信控方案数据发送至控制中心或信号控制机，以及控制中心对优化后的信控方案数据进行测试后发送信号控制机的步骤。

一种适用多设备的信控方案实施优化***，包括：

用于检测车辆通过信号的终端检测设备，优选的终端检测设备是地感线圈、无线地磁、能同时检测多个车道的微波设备或有虚拟线圈功能的视频检测设备；

接收车辆通过信号，并通过解析出的各分车道的车头时距数据得到原始的信控方案数据，以及绿灯期间各个车道实际的车头时距分布与占比数据的数据处理模块；

对各车道的车头时距形态模型进行判断，以及对各车道进行特征标记，得到过饱和车道聚集的过饱和相位和低效车道聚集的低效相位的逻辑处理模块；

对原始的信控方案数据进行优化和测试的优化和测试模块；

接收优化后的信控方案数据，对优化后的信控方案数据进行测试后发生信号控制机的控制中心；

信号控制机，接收并执行优化后的信控方案数据；

用于各组成部分之间的数据接收和发送的通信模块。

一种适用多设备的信控方案实施优化装置，包括：接收车辆通过信号，并通过解析出的各分车道的车头时距数据得到原始的信控方案数据，以及绿灯期间各个车道实际的车头时距分布与占比数据的数据处理模块；

对各车道的车头时距形态模型进行判断，以及对各车道进行特征标记，得到过饱和车道聚集的过饱和相位和低效车道聚集的低效相位的逻辑处理模块；

对原始的信控方案数据进行优化和测试的优化和测试模块；

用于与其他设备进行数据接收和发送的通信模块。

下面结合附图对本发明实施例的工作原理进行详细说明：

如图1至图2共同所示，终端检测设备实时上传多个车道的车辆通过信号，终端检测设备是地感线圈、无线地磁、能同时检测多个车道的微波设备以及有虚拟线圈功能的视频检测设备等其中一种；

数据处理模块接收由终端设备传输的车辆通过信号，车辆通过信号是有时间戳的车辆通过记录数据，但是，终端检测设备传入的数据可能是非结构化数据(如视频)，需经过结构化处理转化为结构化数据，即带时间戳的车辆通过记录数据。

数据处理模块将带时间戳的车辆通过记录数据处理为分车道统计的车头时距数据：

对带时间戳的车辆通过记录数据做差分处理，得到分车道的车头时距数据；

对车头时距进行时间序列分析，得到信控方案各相位包括的通行车道组，并获取各相位的相序以及时长；

对全部车头时距点进行聚类分析，得到信控方案的周期时长；

逻辑处理模块对各车道车头时距进行集计分析，得到分车道的车头时距分布情况和车头时距占比情况，分别以柱形分布图和饼图予以描述；

利用聚类和模式识别方法，对各个车道的车头时距随时间变化的车头时距曲线进行分类,然后，去除车头时距分布和车头时距占比分析结果中因红灯等待形成的车头时距，以避免干扰，得到绿灯期间各个车道实际的车头时距分布与占比数据，

结合各车道车头时距形态情况以及已有的车头时距形态模型，利用特征比对、模式识别、聚类分析等方式对各车道所属车头时距形态模型进行判断：

当通行车道组是多车道时，车头时距形态模型的判断标准如下：

(1)理想型：车辆以等于或略大于安全车头时距T0的水平连续通过，时距曲线稳定无显著波动；

(2)无排队过车稀疏型：车辆以明显大于安全车头时距T0的水平通过，时距曲线存在波动，且全程维持在大值；

(3)有排队后期浪费型：车辆后期以明显大于安全车头时距T0的水平通过，时距曲线前期较为稳定无显著波动，但数值较小，接近安全车头时距；

(4)有排队饱和型：整个周期内该车道车头时距均以接近安全车头时距T0的水平紧密连续通过，且偶尔显示为小于安全车头时距的水平，相对理想型明显有不稳定情况；

(5)干扰型：曲线初期车头时距明显大于安全车头时距T0，且有较大波动，后期逐渐稳定，车头时距水平逐渐回落，显示为车辆连续通过。

车道特征标记设置标准如下：车头时距形态模型是理想型的车道为理想车道，无排队过车稀疏型和有排队后期浪费型的车道为低效车道，干扰型的车道为干扰车道，有排队饱和型的车道为过饱和车道。

当通行车道组是单车道时，车道特征标记设置标准如下：

(1)对比各车道车头时距小于5s的车头时距个数占同周期内车头时距个数的比例PS5与设定阈值P5；

(2)对比各车道车头时距大于15s的车头时距个数占同周期内车头时距个数的比例PS15与设定阈值P15；

(3)对比各车道车头时距小于3s的车头时距加和占同周期该车道分配绿灯时间总比例T3s与设定阈值T3；

当PS5<P5，或PS15>P15时,该车道是低效车道；

当T3s>T3时,该车道是过饱和车道。

优化和测试模块将分析结果进行配时优化，确认过饱和车道和低效车道是否聚集在同一个相位，如果有多数聚集的情况，说明相位时长设置不合理，以设定步长从低效相位向过饱和相位转移绿灯时间资源；

如发现相位聚集情况不明显，低效车道和过饱和车道分布不集中，或发现干扰车道，则存在相位设计不合理问题，需通知控制中心进行相位调整。

将调整后的信控方案数据，结合对应交叉***通工程渠化方案进行分析，产生优化后的信控方案，

优化后信控方案，根据实际需求选择优化方案的接收方并发送，包括：

(1)通过控制中心进行方案检验，通过后由控制中心发送给信号控制机执行，利用从信号控制机获取的实际信控方案数据同步核对观察得到的信控方案数据，以确保优化后信控方案数据可靠准确，否则应进一步对模型加以训练；结合相位和配时优化策略生成优化方案，发送给信号控制机执行，并不断测试循环流程，持续优化。

(2)经过训练成熟后的算法模块，得到的优化方案可不通过控制中心直接上传至信号控制机执行。

客户可根据实际需求，选择优化方案直接发送给信号控制机执行或优化方案传输至控制中心，接受审核干预再发送至信号控制机端。

以上显示和描述了本发明的基本原理、主要特征及本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种适用多设备的信控方案实施优化方法，其特征在于，包括以下步骤：

通过终端检测设备获取各车道的车辆通过信号；

根据所述车辆通过信号解析出各分车道的车头时距数据得到原始的信控方案数据，所述信控方案数据具体包括，通过对所述车头时距数据进行时间序列分析，得到的信控方案的多个相位、各相位所包括的通行车道组、各相位的相序和时长、信控方案的周期时长；

将各车道的车头时距进行集计分析，得到各车道的车头时距分布情况和车头时距占比数据，根据信控方案数据排除因等红灯造成车头时距占比数据，得出绿灯期间各个车道实际的车头时距分布与占比数据；

设置理想车头时距形态模型和理想车道特征，对各车道的车头时距形态模型进行判断，以及对各车道进行特征标记；所述车头时距形态模型包括理想型、无排队过车稀疏型、有排队后期浪费型、有排队饱和型和干扰型，所述车道特征标记包括理想车道、干扰车道、过饱和车道和低效车道，所述方法还包括判断所述过饱和车道是否聚集在同一相位，得出所述过饱和车道聚集的过饱和相位；判断所述低效车道是否聚集在同一相位，得出所述低效车道聚集的低效相位；判断车头时距形态模型和进行车道特征标记的具体步骤包括

生成各车道的车头时距随时间变化的车头时距曲线；

当所述通行车道组包括多个车道时，在信控方案的一个周期内，若车辆的车头时距等于或略大于设定的安全车头时距，且车头时距曲线无明显波动，则所述车道的车头时距形态模型是理想型；

若车辆的车头时距明显大于设定的安全车头时距，车头时距曲线有波动且全周期维持在高值，则所述车道的车头时距形态模型是无排队过车稀疏型；

若前期车辆的车头时距接近安全车头时距，车头时距曲线稳定无显著波动，后期车头时距明显大于安全车头时距，则所述车道的车头时距形态模型是有排队后期浪费型；

若整个周期内车头时距均接近或小于安全车头时距，且偶尔小于安全车头时距的水平，车头时距曲线波动小，则所述车道的车头时距形态模型是有排队饱和型；

若初期车头时距明显大于安全车头时距，且车头时距曲线有较大波动，后期车头时距逐渐接近安全车头时距，车头时距曲线逐渐稳定，则所述车道的车头时距形态模型是干扰型；

若所述车道的车头时距形态模型是理想型，则所述车道是理想车道；

若所述车道的车头时距形态模型是干扰型，则所述车道是干扰车道；

若所述车道的车头时距形态模型是无排队过车稀疏型或有排队后期浪费型，则所述车道是低效车道；

若所述车道的车头时距形态模型是有排队饱和型，则所述车道是过饱和车道；

对所述信控方案数据进行优化和训练测试，使优化后的信控方案数据实施后，各车道的车头时距形态模型和各车道的特征标记与所述理想车头时距形态模型和理想车道特征相符。

2.如权利要求1所述的一种适用多设备的信控方案实施优化方法，其特征在于：所述车辆通过信号是带有时间戳的车辆通过记录数据。

3.如权利要求2所述的一种适用多设备的信控方案实施优化方法，其特征在于：还包括将非结构化的车辆通过信号转换为带有时间戳的车辆通过记录数据。

4.如权利要求1所述的一种适用多设备的信控方案实施优化方法，其特征在于：进行车道特征标记的的具体步骤还包括：

当所述通行车道组是单车道时，若车头时距小于5s的车头时距个数占同周期内车头时距个数的比例小于第一设定阈值，或车头时距大于15s的车头时距个数占同周期内车头时距个数的比例大于第二设定阈值，则所述车道是低效车道；

若车头时距小于3s的车头时距加和占同周期该车道分配绿灯时间总比例大于第三设定阈值，则所述车道是过饱和车道。

5.如权利要求1所述的一种适用多设备的信控方案实施优化方法，其特征在于：还包括将优化后的信控方案数据发送至控制中心或信号控制机，以及所述控制中心对优化后的信控方案数据进行测试后发送信号控制机的步骤。

6.一种适用多设备的信控方案实施优化***，其特征在于，包括：

用于检测车辆通过信号的终端检测设备；

接收所述车辆通过信号，并通过解析出的各分车道的车头时距数据得到原始的信控方案数据，以及绿灯期间各个车道实际的车头时距分布与占比数据的数据处理模块；

根据所述车辆通过信号解析出各分车道的车头时距数据得到原始的信控方案数据，所述信控方案数据具体包括，通过对所述车头时距数据进行时间序列分析，得到的信控方案的多个相位、各相位所包括的通行车道组、各相位的相序和时长、信控方案的周期时长；

对各车道的车头时距形态模型进行判断，以及对各车道进行特征标记，得到过饱和车道聚集的过饱和相位和低效车道聚集的低效相位的逻辑处理模块；所述车头时距形态模型包括理想型、无排队过车稀疏型、有排队后期浪费型、有排队饱和型和干扰型，所述车道特征标记包括理想车道、干扰车道、过饱和车道和低效车道，判断所述过饱和车道是否聚集在同一相位，得出所述过饱和车道聚集的过饱和相位；判断所述低效车道是否聚集在同一相位，得出所述低效车道聚集的低效相位；

判断车头时距形态模型和进行车道特征标记的具体步骤包括：

生成各车道的车头时距随时间变化的车头时距曲线；

当所述通行车道组包括多个车道时，在信控方案的一个周期内，若车辆的车头时距等于或略大于设定的安全车头时距，且车头时距曲线无明显波动，则所述车道的车头时距形态模型是理想型；

若车辆的车头时距明显大于设定的安全车头时距，车头时距曲线有波动且全周期维持在高值，则所述车道的车头时距形态模型是无排队过车稀疏型；

若前期车辆的车头时距接近安全车头时距，车头时距曲线稳定无显著波动，后期车头时距明显大于安全车头时距，则所述车道的车头时距形态模型是有排队后期浪费型；

若整个周期内车头时距均接近或小于安全车头时距，且偶尔小于安全车头时距的水平，车头时距曲线波动小，则所述车道的车头时距形态模型是有排队饱和型；

若初期车头时距明显大于安全车头时距，且车头时距曲线有较大波动，后期车头时距逐渐接近安全车头时距，车头时距曲线逐渐稳定，则所述车道的车头时距形态模型是干扰型；

若所述车道的车头时距形态模型是理想型，则所述车道是理想车道；

若所述车道的车头时距形态模型是干扰型，则所述车道是干扰车道；

若所述车道的车头时距形态模型是无排队过车稀疏型或有排队后期浪费型，则所述车道是低效车道；

若所述车道的车头时距形态模型是有排队饱和型，则所述车道是过饱和车道；

对原始的信控方案数据进行优化和训练测试的优化和测试模块；

接收优化后的信控方案数据，对优化后的信控方案数据进行测试后发送信号控制机的控制中心；

信号控制机，接收并执行优化后的信控方案数据；

用于各组成部分之间的数据接收和发送的通信模块。

7.如权利要求6所述的一种适用多设备的信控方案实施优化***，其特征在于：所述终端检测设备是地感线圈、无线地磁、能同时检测多个车道的微波设备或有虚拟线圈功能的视频检测设备。

8.一种适用多设备的信控方案实施优化装置，其特征在于，包括：

接收车辆通过信号，并通过解析出的各分车道的车头时距数据得到原始的信控方案数据，以及绿灯期间各个车道实际的车头时距分布与占比数据的数据处理模块；

根据所述车辆通过信号解析出各分车道的车头时距数据得到原始的信控方案数据，所述信控方案数据具体包括，通过对所述车头时距数据进行时间序列分析，得到的信控方案的多个相位、各相位所包括的通行车道组、各相位的相序和时长、信控方案的周期时长；

对各车道的车头时距形态模型进行判断，以及对各车道进行特征标记，得到过饱和车道聚集的过饱和相位和低效车道聚集的低效相位的逻辑处理模块；所述车头时距形态模型包括理想型、无排队过车稀疏型、有排队后期浪费型、有排队饱和型和干扰型，所述车道特征标记包括理想车道、干扰车道、过饱和车道和低效车道，判断所述过饱和车道是否聚集在同一相位，得出所述过饱和车道聚集的过饱和相位；判断所述低效车道是否聚集在同一相位，得出所述低效车道聚集的低效相位；

判断车头时距形态模型和进行车道特征标记的具体步骤包括：

生成各车道的车头时距随时间变化的车头时距曲线；

当所述通行车道组包括多个车道时，在信控方案的一个周期内，若车辆的车头时距等于或略大于设定的安全车头时距，且车头时距曲线无明显波动，则所述车道的车头时距形态模型是理想型；

若车辆的车头时距明显大于设定的安全车头时距，车头时距曲线有波动且全周期维持在高值，则所述车道的车头时距形态模型是无排队过车稀疏型；

若前期车辆的车头时距接近安全车头时距，车头时距曲线稳定无显著波动，后期车头时距明显大于安全车头时距，则所述车道的车头时距形态模型是有排队后期浪费型；

若整个周期内车头时距均接近或小于安全车头时距，且偶尔小于安全车头时距的水平，车头时距曲线波动小，则所述车道的车头时距形态模型是有排队饱和型；

若初期车头时距明显大于安全车头时距，且车头时距曲线有较大波动，后期车头时距逐渐接近安全车头时距，车头时距曲线逐渐稳定，则所述车道的车头时距形态模型是干扰型；

若所述车道的车头时距形态模型是理想型，则所述车道是理想车道；

若所述车道的车头时距形态模型是干扰型，则所述车道是干扰车道；

若所述车道的车头时距形态模型是无排队过车稀疏型或有排队后期浪费型，则所述车道是低效车道；

若所述车道的车头时距形态模型是有排队饱和型，则所述车道是过饱和车道；

对原始的信控方案数据进行优化和测试的优化和测试模块；

用于与其他设备进行数据接收和发送的通信模块。

Images