CN112419726B - 一种基于交通流预测的城市交通信号控制*** - Google Patents
一种基于交通流预测的城市交通信号控制*** Download PDFInfo
- Publication number
- CN112419726B CN112419726B CN202011306672.7A CN202011306672A CN112419726B CN 112419726 B CN112419726 B CN 112419726B CN 202011306672 A CN202011306672 A CN 202011306672A CN 112419726 B CN112419726 B CN 112419726B
- Authority
- CN
- China
- Prior art keywords
- traffic
- traffic flow
- prediction
- time
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于交通流预测的城市交通信号控制***,包括:数据中心,用于存放在数据中心、预测模块的神经网络训练以及下一时间间隔交通数据的预测;数据中心在每一次实时交通数据传入前将原先的实时交通数据添加进历史交通数据中,然后更新实时交通数据;预测模块,用于做短期交通流量预测,对于一个多路口路段,待预测路段为i,假设当前时刻在时间间隔k中,则待预测量为下一时间间隔的车流量,预测依据为已知的路段i及所有与之相邻的上或下游路段在过去的车流量;优化模块,根据道路中的信号灯配时方案和预测模块输出的预测数据对城市的拥堵程度进行评估。本发明提前得到下一时段的交通拥堵状况获得下一时刻拥堵最小的信号灯配时方案。
Description
技术领域
本发明涉及交通信号控制交通流预测领域,主要涉及一种基于交通流预测的城市交通信号控制***。
技术背景
交通信号控制是城市智能交通***的重要组成部分。根据运行方式,交通信号控制器可分为两类:定时信号控制器和自适应信号控制器。由于前一种控制器的周期长度和绿信比是固定的,并且在后一种控制器中可以进行自适应调节,所以自适应信号控制器的控制效果通常更好。近年来,人工智能为解决这一问题提供了新的途径。例如,一些研究者提出用模糊理论来设计信号控制方案(X.Cheng and Z.Yang:Intelligent trafficsignal control approach based on fuzzy-genetic algorithm.2008FifthInternational Conference on Fuzzy Systems and Knowledge Discovery,Shandong,pp.221-225,2008.)。最优信号控制策略也可以通过强化学习来学习。进化算法如遗传算法、粒子群算法等,也可以用来解决静态时序优化问题。
尽管已经发展出各种各样的方法,但在设计有效和高效的城市交通信号控制***方面仍然存在一些挑战。首先,在大多数研究中,交通信号的控制仅仅基于实时交通数据,例如交叉口传感器检测到的排队长度。其次,有些研究只针对单一交叉口的信号控制,缺乏对整个区域的考虑。因此,这种方法的结果只是针对当前情况的贪婪解和单一的交互作用。要实现全局解决,不仅要考虑当前的交通状况,还要考虑未来的交通状况,不仅要考虑单一的相互作用,还要考虑整个区域的交通状况。
交通流具有复杂性、随机性和非线性等特点。到目前为止,已有很多模型和方法被用来预测交通流。早期的预测方法主要有自回归模型、移动平均模型(S.Hansun andM.B.Kristanda:Performance analysis of conventional moving average methods inforex forecasting.2017International Conference on Smart Cities,Automation&Intelligent Computing Systems(ICON-SONICS),Yogyakarta,pp.11-17,2017.)、自回归移动平均模型等,随着这一领域研究的深入,出现了一些较为复杂和准确的预测方法。一般来说,交通流预测模型可以分为三类。一种是基于传统数理统计技术的预测模型,如时间序列模型、卡尔曼滤波模型、参数回归模型(M.Z.Ali,N.S.K.Shabbir,M.S.A.Chowdhury,A.Ghosh and X.Liang:Regression Models of Critical Parameters Affecting PeakLoad Demand Forecasting.2018IEEE Canadian Conference on Electrical&ComputerEngineering(CCECE),Quebec City,QC,pp.1-4,2018.)等。非参数回归方法和基于小波的方法也被提出用于交通流预测。另一类预测模型基于物理方法和模拟。在这些模型中,开发了动态***来建模和模拟道路网络中交通流的演化。第三类预测模型是基于现代计算智能方法,如神经网络、模糊控制等,这些预测模型没有从严格意义上考虑潜在的动力***或明确的物理意义,而是更加注重实际交通流现象的拟合效果。
虽然各种交通流预测技术已经得到发展,并取得了良好的预测性能,但是这些研究与交通信号控制的研究是分离的。也就是说,现有的研究要么侧重于交通单次优化,要么侧重于交通流预测,但是很少有工作将这两种技术结合起来。为了考虑一段时间内交通信号控制的影响,还应考虑预测的交通状况
发明内容
为了解决上述问题,本发明提出了一种基于交通流预测的城市交通信号控制***,将交通流量预测运用到城市道路交通控制***中
本发明至少通过如下技术方案之一实现。
一种基于交通流预测的城市交通信号控制***,其特征在于,包括:
数据中心,用于存放城市道路的历史交通数据和实时监测的交通数据、预测模块的神经网络训练以及下一时间间隔交通数据的预测;数据中心在每一次实时交通数据传入前将原先的实时交通数据添加进历史交通数据中,并更新实时交通数据;
预测模块,用于神经网络训练以及预测交通流量;
优化模块,根据道路中的信号灯配时方案和预测模块输出的预测数据对城市的拥堵程度进行评估。
优选的,预测模块的预测方法包括BP神经网络。
优选的,对于一个多路口路段,待预测路段为i,假设当前时刻在时间间隔k中,则待预测量为下一时间间隔的车流量,记为Ci(k+1),预测依据为已知的路段i及所有与之相邻的上或下游路段j在过去p个时间间隔的车流量,记为Ci(k-2)、Ci(k-1)、Ci(k)和Cj(k-2)、Cj(k-1)、Cj(k)。
优选的,所述BP神经网络包括输入层、隐藏层和输出层,隐藏层为一层或多层神经元节点,神经元节点之间的连接都对应一个权重w,相邻的两层神经元之间是全连接的。
优选的,所述BP网络包括信号的前向传播和误差的反向传播两个过程。
优选的,所述前向传播时,输入信号通过隐藏层作用于输出节点,经过非线性变换,产生输出信号;若实际输出与期望输出不相符,则转入误差的反向传播过程;
误差反传是将输出误差通过隐藏层向输入层逐层反传,并将误差分摊给各层所有节点,以从各层获得的误差信号作为调整各节点权重的依据,通过调整输入节点与隐层节点的连接权重和隐层节点与输出节点的连接权重,使误差沿梯度方向下降。
优选的,预测模块中的预测数据包括路段ID、相邻信号灯ID、车流方向以及一个时间间隔内驶入的累计车辆数。
优选的,优化模块的评估过程分为两步:首先遍历交通网络中所有信号灯路口,计算在当前配时方案下所有交通流在路口处的停车排队总数Bx,再执行判断Bx<Bx-1,若判断结果为真,则对信号灯执行控制优化策略,获得新的信号灯配时方案重新评估,首次评估时B0=0;否则输出当前信号灯配时方案。
优选的,信号灯控制优化策略包括以下步骤:
(3)遍历交通网络中所有信号灯路口,分析通过当前路口每一条车流的停车排队原因,根据信号灯路口处的车辆通过量受限于车流行驶方向上游流量、信号灯通行能力以及车流行驶方向下游剩余容量这三者中的最小值,对应标记引起停车排队的原因的车流为1、2或3。
(4)若当前路口存在标记为2的车流,则将所有1和3方向车流的信号灯绿灯持续时间减小一个单位时间。
优选的,步骤(1)采用基于元胞传输模型的交通流离散时间模型进行分析。
与现有的技术相比,本发明的有益效果为:充分利用了交通流预测的研究成果,提前掌握了下一时刻的交通拥塞状况,以获得下一时刻拥堵最小的信号灯配时方案,因此有充足的时间进行信号灯配时的设计或其他措施,使得调控更准确,交通拥塞缓解程度更高。在具体的信号灯配时优化方案上,本发明提出的控制***没有严格限定,因此可以根据实际情况选取最合适的策略,如小型的城市道路网络可以采用遍历的方式精细调解信号灯配时,大型的城市道路网络则可以利用进化算法加速优化速度等。
附图说明
图1为本实施例一种基于交通流预测的城市交通信号控制***框架图。
具体实施方式
以下结合附图,进一步对发明的***进行描述。
如图1所示,一种基于交通流预测的城市交通信号控制***,包括数据中心、预测模块和优化模块。
城市道路的历史交通数据和实时监测的交通数据分开存放在数据中心,用于预测模块的神经网络训练以及下一时间间隔交通数据的预测;数据中心在每一次实时交通数据传入前将原先的实时交通数据添加进历史交通数据中,然后更新实时交通数据。
预测模块采用BP神经网络进行预测。预测模块做短期交通流量预测,对于一个多路口路段,待预测路段为i,假设当前时刻在时间间隔k中,则待预测量为下一时间间隔的车流量,记为Ci(k+1),预测依据为已知的路段i及所有与之相邻的上或下游路段j在过去p个时间间隔的车流量,记为Ci(k-2)、Ci(k-1)、Ci(k)和Cj(k-2)、Cj(k-1)、Cj(k)。
预测模块在进行神经网络训练时从数据中心读取历史交通数据,利用大量的数据训练出一个较好的预测模型。这一过程所需的时间较长,因此更新预测模型的频率可以定为每月一次或几月一次。每隔一段时间,道路上收集的实时交通数据传输到数据中心,随后将其输入到预测模型中得到下一时间间隔的交通预测数据,包括路段ID、相邻信号灯ID、车流方向以及一个时间间隔内驶入的累计车辆数。预测数据输出到优化模块中。
BP神经网络是一种按误差反向传播训练的多层前馈网络,其算法称为BP算法,它的基本思想是梯度下降法,利用梯度搜索技术,使网络的实际输出值和期望输出值的误差均方差为最小。从结构上讲,BP网络具有输入层、隐藏层和输出层,隐藏层为一层或多层神经元节点。外界输入首先会通过连接传送给第一层神经元,每个连接都对应一个权重w,w会通过训练来得到;第一层神经元把它们的输出传送给第二层神经元,以此类推。同一层神经元之间没有通信;相邻的两层神经元之间是全连接的。基本BP算法包括信号的前向传播和误差的反向传播两个过程。前向传播时,输入信号通过隐藏层作用于输出节点,经过非线性变换,产生输出信号;若实际输出与期望输出不相符,则转入误差的反向传播过程。误差反传是将输出误差通过隐藏层向输入层逐层反传,并将误差分摊给各层所有节点,以从各层获得的误差信号作为调整各节点权重的依据。通过调整输入节点与隐层节点的连接权重和隐层节点与输出节点的连接权重,使误差沿梯度方向下降。经过反复学习训练,确定与最小误差相对应的网络参数(权重),训练即告停止,此时经过训练的神经网络即能对类似样本的输入信息自行处理,输出误差最小的经过非线性变换的信息。
优化模块首先根据道路中的信号灯配时方通流预测案和交数据对城市的拥堵程度进行评估。评估过程分为两步:首先遍历交通网络中所有信号灯路口,计算在当前配时方案下交通流在所有路口处的累计停车排队总数Bx。然后执行判断Bx<Bx-1,若判断结果为真,则对信号灯执行控制优化策略获得新的信号灯配时方案(首次评估时B0=0),重新评估;否则输出当前信号灯配时方案。其中使用的交通流数据为预测模块输出的预测数据。
信号灯控制优化策略的具体过程如下:
(1)遍历交通网络中所有信号灯路口,判定通过当前路口每一条车流的停车排队原因。根据本发明采用的基于元胞传输模型的交通流离散时间模型,信号灯路口处的车辆通过量受限于车流行驶方向上游流量、信号灯通行能力以及车流行驶方向下游剩余容量三者中最小值,标记引起停车排队的原因的车辆对应标记为1、2或3。
元胞传输模型是一种宏观交通流模型,利用元胞自动机的概念来研究网络交通流。它将路段空间离散成小格子,将时间离散成时间步,以模拟排队的形成和消散。
(2)若当前路口存在标记为2的车流,则将其他所有1和3方向车流的信号灯绿灯持续时间减小一个单位时间,例如将绿灯持续时长缩短5秒,再将截下的绿灯持续时间平均分配给2方向车流的信号灯。
用一个简化城市交通网络作为***实验环境,测试本发明的交通控制***在缓解交通拥挤上的性能。城市交通网络由25个交叉口、132条道路连接而成。对比实验基于自适应的信号灯控制优化策略,在有预测和无预测的情况下分别计算交通流在所有交叉口处的累计停车排队数Bx,这样设计的原因是,如果不经过预测模块,经过一段时间后,实时交通数据会输入到优化模块中,优化后的信号灯配时方案只能在下一个时间间隔内使用,这意味着优化是延时的。下表给出了连续30天不同交通量设置下有预测相对于无预测控制***减少的停车排队数,其中基础交通量为当天全部路段高峰时段(7:00-9:00,17:00-20:00)的交通量总和,λ为基础交通量缩放的比例。表中值始终为正,即拥堵程度在不同交通量设置下都有缓解,这证明了发明的***是有效的。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (1)
1.一种基于交通流预测的城市交通信号控制***,其特征在于,包括:
数据中心,用于存放城市道路的历史交通数据和实时监测的交通数据、预测模块的神经网络训练以及下一时间间隔交通数据的预测;数据中心在每一次实时交通数据传入前将原先的实时交通数据添加进历史交通数据中,并更新实时交通数据;
预测模块,用于神经网络训练以及预测交通流量;
优化模块,根据道路中的信号灯配时方案和预测模块输出的预测数据对城市的拥堵程度进行评估;
预测模块采用BP神经网络进行预测,预测模块中的预测数据包括路段ID、相邻信号灯ID、车流方向以及一个时间间隔内驶入的累计车辆数,对于一个多路口路段,待预测路段为i,假设当前时刻在时间间隔k中,则待预测量为下一时间间隔的车流量,记为Ci(k+1),预测依据为已知的路段i及所有与之相邻的上或下游路段j在过去p个时间间隔的车流量,记为Ci(k-2)、Ci(k-1)、Ci(k)和Cj(k-2)、Cj(k-1)、Cj(k);
所述BP神经网络包括输入层、隐藏层和输出层,隐藏层为一层或多层神经元节点,神经元节点之间的连接都对应一个权重w,相邻的两层神经元之间是全连接的;所述BP神经网络包括信号的前向传播和误差的反向传播两个过程;所述前向传播时,输入信号通过隐藏层作用于输出节点,经过非线性变换,产生输出信号;若实际输出与期望输出不相符,则转入误差的反向传播过程;
误差反传是将输出误差通过隐藏层向输入层逐层反传,并将误差分摊给各层所有节点,以从各层获得的误差信号作为调整各节点权重的依据,通过调整输入节点与隐层节点的连接权重和隐层节点与输出节点的连接权重,使误差沿梯度方向下降;
所述优化模块的评估过程分为两步:首先遍历交通网络中所有信号灯路口,计算在当前配时方案下所有交通流在路口处的停车排队总数Bx,再执行判断Bx<Bx-1,若判断结果为真,则对信号灯执行控制优化策略,获得新的信号灯配时方案重新评估,首次评估时B0=0;否则输出当前信号灯配时方案;
信号灯控制优化策略包括以下步骤:
(1)遍历交通网络中所有信号灯路口,分析通过当前路口每一条车流的停车排队原因,采用基于元胞传输模型的交通流离散时间模型进行分析,根据信号灯路口处的车辆通过量受限于车流行驶方向上游流量、信号灯通行能力以及车流行驶方向下游剩余容量这三者中的最小值,对应标记引起停车排队的原因的车流为1、2或3;
(2)若当前路口存在标记为2的车流,则将所有1和3方向车流的信号灯绿灯持续时间减小一个单位时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011306672.7A CN112419726B (zh) | 2020-11-20 | 2020-11-20 | 一种基于交通流预测的城市交通信号控制*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011306672.7A CN112419726B (zh) | 2020-11-20 | 2020-11-20 | 一种基于交通流预测的城市交通信号控制*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419726A CN112419726A (zh) | 2021-02-26 |
CN112419726B true CN112419726B (zh) | 2022-09-20 |
Family
ID=74773912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011306672.7A Active CN112419726B (zh) | 2020-11-20 | 2020-11-20 | 一种基于交通流预测的城市交通信号控制*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419726B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113099408A (zh) * | 2021-03-15 | 2021-07-09 | 西安交通大学 | 基于仿真的数据机理双驱动的传感器节点部署方法和*** |
GB2605130B (en) * | 2021-03-17 | 2023-08-16 | Xan Labs Int Ltd | Method and system of predictive traffic flow and of traffic light control |
CN113240902B (zh) * | 2021-03-25 | 2022-06-07 | 同济大学 | 一种基于抽样车辆轨迹数据的信控路网路径流量估计方法 |
CN113299069B (zh) * | 2021-05-28 | 2022-05-13 | 广东工业大学华立学院 | 一种基于历史误差反向传播的自适应交通信号控制方法 |
CN113256472B (zh) * | 2021-07-12 | 2021-11-26 | 深圳市永达电子信息股份有限公司 | 智能交通管控方法、***以及类脑计算可读存储介质 |
CN113781784B (zh) * | 2021-11-09 | 2022-02-11 | 深圳市奥新科技有限公司 | 一种智能交通灯及其控制方法 |
CN114023074B (zh) * | 2022-01-10 | 2022-04-15 | 佛山市达衍数据科技有限公司 | 基于多信号源的交通拥堵预测方法、设备及介质 |
CN114333361B (zh) * | 2022-02-22 | 2022-06-28 | 南京慧尔视智能科技有限公司 | 一种信号灯配时方法及装置 |
CN114708746A (zh) * | 2022-04-01 | 2022-07-05 | 河北金锁安防工程股份有限公司 | 智慧城市的交通信号提示方法及*** |
CN114677844B (zh) * | 2022-04-29 | 2022-11-22 | 立昂技术股份有限公司 | 智能交通资源调配服务***及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901547A (zh) * | 2010-07-21 | 2010-12-01 | 浙江工业大学 | 一种可变车道自适应控制方法 |
KR20140028801A (ko) * | 2012-08-30 | 2014-03-10 | 경희대학교 산학협력단 | Its 데이터를 활용한 도심 구간의 정체도 예측 방법 |
KR101821494B1 (ko) * | 2016-08-10 | 2018-01-24 | 중앙대학교 산학협력단 | 감응식 교통 신호 제어 방법 및 그 장치 |
CN111243299A (zh) * | 2020-01-20 | 2020-06-05 | 浙江工业大学 | 一种基于3dqn_pser算法的单交叉口信号控制方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8825350B1 (en) * | 2011-11-22 | 2014-09-02 | Kurt B. Robinson | Systems and methods involving features of adaptive and/or autonomous traffic control |
CN103927890B (zh) * | 2014-04-29 | 2016-01-13 | 北京建筑大学 | 一种基于动态o-d矩阵估计的干线协调信号控制方法 |
CN103927891B (zh) * | 2014-04-29 | 2015-11-25 | 北京建筑大学 | 一种基于双贝叶斯的路口动态转向比例两步预测方法 |
CN106355885A (zh) * | 2016-11-24 | 2017-01-25 | 深圳市永达电子信息股份有限公司 | 基于大数据分析平台的交通信号动态控制方法及*** |
CN108922204B (zh) * | 2018-05-10 | 2021-07-20 | 华南理工大学 | 一种考虑交叉口信号控制的元胞传输模型改进方法 |
CN108877253B (zh) * | 2018-07-27 | 2020-09-08 | 济南市市政工程设计研究院(集团)有限责任公司 | 一种基于物联网的公交专用道资源动态共享方法及*** |
CN110047278B (zh) * | 2019-03-30 | 2021-06-08 | 北京交通大学 | 一种基于深度强化学习的自适应交通信号控制***及方法 |
-
2020
- 2020-11-20 CN CN202011306672.7A patent/CN112419726B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901547A (zh) * | 2010-07-21 | 2010-12-01 | 浙江工业大学 | 一种可变车道自适应控制方法 |
KR20140028801A (ko) * | 2012-08-30 | 2014-03-10 | 경희대학교 산학협력단 | Its 데이터를 활용한 도심 구간의 정체도 예측 방법 |
KR101821494B1 (ko) * | 2016-08-10 | 2018-01-24 | 중앙대학교 산학협력단 | 감응식 교통 신호 제어 방법 및 그 장치 |
CN111243299A (zh) * | 2020-01-20 | 2020-06-05 | 浙江工业大学 | 一种基于3dqn_pser算法的单交叉口信号控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112419726A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112419726B (zh) | 一种基于交通流预测的城市交通信号控制*** | |
Araghi et al. | A review on computational intelligence methods for controlling traffic signal timing | |
CN112216124B (zh) | 一种基于深度强化学习的交通信号控制方法 | |
CN112365724B (zh) | 一种基于深度强化学习的连续交叉口信号协同控制方法 | |
Heung et al. | Coordinated road-junction traffic control by dynamic programming | |
CN106971566B (zh) | 基于遗传算法的自适应控制方法 | |
CN110570672B (zh) | 一种基于图神经网络的区域交通信号灯控制方法 | |
CN114360266B (zh) | 一种网联车探测状态感知的交叉口强化学习信号控制方法 | |
Nagare et al. | Traffic flow control using neural network | |
Jiang et al. | An urban traffic signal control system based on traffic flow prediction | |
Dai et al. | Neural network based online traffic signal controller design with reinforcement training | |
CN112863179B (zh) | 一种基于神经网络模型预测控制的路口信号灯控制方法 | |
Kong et al. | Urban arterial traffic two-direction green wave intelligent coordination control technique and its application | |
Chen et al. | Dynamic traffic light optimization and Control System using model-predictive control method | |
Lin et al. | Scheduling eight-phase urban traffic light problems via ensemble meta-heuristics and Q-learning based local search | |
CN114694382B (zh) | 一种基于车联网环境的动态单向交通控制*** | |
Kao et al. | A self-organizing map-based adaptive traffic light control system with reinforcement learning | |
Srinivasan et al. | Computational intelligence-based congestion prediction for a dynamic urban street network | |
Balaji et al. | Multi-agent system based urban traffic management | |
De Oliveira et al. | Optimization of traffic lights timing based on multiple neural networks | |
CN114120670A (zh) | 用于交通信号控制的方法和*** | |
CN110021168B (zh) | 一种车联网下实现实时智能交通管理的分级决策方法 | |
Cheng et al. | The adaptive road routing recommendation for traffic congestion avoidance in smart city | |
Reza et al. | Artificial Intelligence-Based Protocol for Macroscopic Traffic Simulation Model Development | |
Joo et al. | Reinforcement learning for traffic signal timing optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |