CN113538910B - 一种自适应的全链条城市区域网络信号控制优化方法 - Google Patents
一种自适应的全链条城市区域网络信号控制优化方法 Download PDFInfo
- Publication number
- CN113538910B CN113538910B CN202110792525.3A CN202110792525A CN113538910B CN 113538910 B CN113538910 B CN 113538910B CN 202110792525 A CN202110792525 A CN 202110792525A CN 113538910 B CN113538910 B CN 113538910B
- Authority
- CN
- China
- Prior art keywords
- traffic
- optimization
- traffic flow
- network
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- 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
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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
本发明属于ITS智能交通***的技术领域,具体为一种自适应的全链条城市区域网络信号控制优化方法。本发明利用机器视觉技术采集交通流参数,并使用获取的数据基于预先训练的交通流预测算法进行交通流预测,根据预测得到的交通流数据、原始信号配时方案和交通网络基础数据构建微观交通仿真模型,构建网络级信号优化模型,采用贝叶斯优化算法对网络级信号优化模型进行主动优化,从而获得目标区域网络最优的信号配时方案。本发明具有很好的集成性,并且形成内外循环反馈闭环,内外循环反馈机制既能实现网络信号优化模型与微观交通仿真模型的交互,又能保证优化结果方案适应外界环境的动态变化,进而实现瞬时的动态最优和长期的稳态最优。
Description
技术领域
本发明属于ITS智能交通***的技术领域,涉及交通大数据、交通流预测、贝叶斯优化算法的领域以及计算机视觉和交通网络优化技术,特别涉及到是自适应交通控制的技术,具体为一种自适应的全链条城市区域网络信号控制优化方法。
背景技术
城市道路交叉口作为城市道路的重要组成部分,是交通管理与控制的关键节点,同时也成为治理城市交通拥堵的关键突破口。因此,对交叉口的研究和治理一直在持续,其中对网络交通交叉口信号配时进行优化,不需要对交叉口的空间资源进行大规模的改扩建,是一种成本低、见效快的有效方式。如Chen等在《Simulation-Based Travel TimeReliable Signal Control》中构建基于仿真的大型网络信号优化模型,并利用信赖域算法进行优化求解,结果显著降低了网络平均出行时间;Liang等在《A heuristic method tooptimize generic signal phasing and timing plans at signalized intersectionsusing Connected Vehicle technology》中利用智能树搜索算法和多种类型的遗传算法对四个左转冲突的引道交叉口的相位持续时间和相位序列进行优化,以最大程度减少所有车辆的平均延迟。Gao等在《Meta-heuristics for bi-objective urban traffic lightscheduling problems》中使用元启发式算法(如和声搜索和人工蜂群)解决双目标城市交通信号灯优化问题,结果显示该方法优于经典的非支配排序遗传算法。Kim and Sohn在《Area-wide traffic signal control based on a deep graph Q-Network(DGQN)trained in an asynchronous manner》中设计了一种深度图Q网络以有效地适应大规模网络的时空依赖性和一种异步更新方法以提升计算效率,成功解决了大型交通网络中的交通信号优化问题。Chu等在《Multi-agent deep reinforcement learning for large-scaletraffic signal control》中使用多智能体强化学***均延误和平均排队长度。
现阶段信号控制优化研究存在以下问题:第一是,无法同时满足动态交通的发展需求;第二是,现有研究方法无法高效处理大型网络级交通信号控制优化问题;第三是,现有研究多是关注交通数据采集、交通流预测和网络信号优化中的一点或者两点,集成性较差,无法形成反馈闭环。
发明内容
为解决上述问题,本发明提出一套自适应的全链条城市区域网络信号控制优化方法,利用机器视觉技术采集交通流参数,并使用获取的数据基于预先训练的交通流预测算法进行交通流预测,根据预测得到的交通流数据、原始信号配时方案和交通网络基础数据构建微观交通仿真模型,构建网络级信号优化模型,采用贝叶斯优化算法对网络级信号优化模型进行主动优化,从而获得目标区域网络最优的信号配时方案。该方法能将交通数据采集-交通流预测-微观交通仿真-网络信号优化整合为一体形成优化闭环,实现微观交通仿真与网络信号优化之间的内循环反馈优化以及网络信号优化与交通数据采集之间的外循环反馈优化,使网络信号配时方案既能主动地适应交通需求的动态变化,又能保证交叉口通行效率的提升。
本发明的技术方案:
一种自适应的全链条城市区域网络信号控制优化方法,步骤如下:
步骤1.交通数据采集
(1.1)基于机器视觉技术进行交通流参数的获取
假设城市区域网络信号控制交叉口数量为k,第i个信号交叉口的进口道数量为mi,通过机器视觉技术对目标区域内所有交叉口视频流数据进行自动批量处理,获得第i个信号控制交叉口的第j个进口道的交通流相关参数为:检测目标车辆数num_vehij,检测到不同类型车辆比例type_rateij,转向比turn_rateij;将车辆分为小型车、中型车、大型车和拖挂车四类,即不同类型车辆比例type_rate表示的是四类车的比例;转向比turn_rate是指某交叉口进口道左转、直行和右转的车辆比例;其中,i∈[1,k],j∈[1,mi],i和j为整数。机器视觉技术主要是利用计算机来模拟人的视觉功能,从客观事物的图像或视频流中提取目标信息,并进行处理和加以理解,最终实现目标识别、目标检测和目标跟踪。
(1.2)交叉口标准车交通流量计算
步骤(1.1)中获取的检测目标车辆数、检测到不同类型车辆比例和转向比,需要将其换算成分流向的标准车交通流量。先计算不同转向的车辆数,再根据国际通用城市道路交叉口规划规范确定相应类型车辆的折算系数Convert_coefficient,换算成标准车辆的交通流量,从而计算得到交叉口不同进口道不同转向的标准车流量;第i个信号控制交叉口的第j个进口道不同方向的标准车流量sum_vehij由检测目标车辆数num_vehij、检测到不同类型车辆比例type_rateij、转向比turn_rateij和相应类型车辆的折算系数Convert_coefficient计算得来,
从而得到目标区域内所有信号控制交叉口所有进口道的不同转向的标准车流量。
步骤2.交通流预测
交通流预测是在步骤1交通数据采集的基础上实现的,进行交通流预测需要使用当前以及历史的标准车流量数据。
(2.1)设计交通流预测算法
交通流预测算法用于学习得到一个函数f,函数f能够从以往道路上传感器(视频、雷达等)获得的当前段时间T的交通流量观测数据V来预测下一段时间T′的交通流量V′,以作为步骤3的微观交通仿真模型的输入。其中函数f的学习如下所示:
交通流预测算法从结构上分为三部分:第一部分,数据预处理,主要是对错误数据的纠正和部分路段缺失数据的还原,处理后的数据直接作为第二部分的输入;第二部分,耦合层级图卷积模块,给定图信号集合,每个图卷积层的自学习邻接矩阵,利用门控循环单元集合空间动态信息,后接全连接层将低维特征向量空间映射至高维向量空间,该高维向量空间维度要低于输入空间维度;第三部分,长短时记忆神经网络模块,利用第二部分获得的较高维向量空间基于长短时记忆神经网络对交通需求的亲近性和周期性的深度信息进行挖掘和聚合,同时实现空间动态信息和时间相关性信息的深度融合,后接全连接层将第三部分获得的特征向量空间映射回目标空间,该目标空间结果即为预测的交通流量。具体的交通流预测算法结构框架如图1所示。此外,采用均方误差法来定义损失函数,描述预测值与真值之间的误差。其中,亲近性是指最近时段的交通状况比旧时段的交通状况更相关;周期性是指交通状况在一定的时间间隔内呈现出周期性的变化模式。耦合层级图卷积网络是一种图卷积架构,该图卷积架构在不同的层具有不同的邻接矩阵,并且所有的邻接矩阵在训练过程中是可以自学习的;该架构采用一种分层耦合机制,能够将上层邻接矩阵与下层邻接矩阵关联起来;该卷积架构是一个端到端的网络,通过将隐藏的空间状态与门控循环单元集成在一起,从而实现特征空间的输出。门控循环单元是用门控机制控制输入、记忆等信息而在当前时间步做出预测。
(2.2)交通流预测算法训练和测试
对步骤(2.1)中的交通流预测算法进行训练,获得一套适用的超参数集,具体如下:采用复杂交通场景(高峰、工作日和非工作日、恶劣天气)下的历史交通流数据,将交通流数据集划分训练集和测试集;利用训练集数据进行交通流预测算法训练,获得储存损失函数最小时的算法模型参数集;利用测试集对训练好的交通流预测算法进行测试,以数据平均处理速度、平均绝对误差和均方根误差作为测试评价指标对设计算法的实时性和准确性进行评价。评价主要是查看训练获得参数的效果,如果评价指标好则采用该套超参数集;如果评价指标不好,则需要重新训练,直至找到一套良好的超参数集。
通过算法训练和测试,获得一套良好的超参数集,即完整的交通流预测算法,后续即可输入当前及历史标准车流量直接获得未来标准车流量。
步骤3.微观交通仿真模型构建
收集整理建微观交通仿真所需要的交通基础数据,包括网络道路基础数据、交通信号配时初始方案数据和路网交通流量数据。利用步骤2预测获得的各个信号控制交叉口分流向的标准车流量数据进行路段交通流量分配。将收集整理的网络道路基础数据导入至微观交通仿真软件中(如SUMO、VISSIM),并在仿真软件当中使用获得的路段交通流量分配数据进行路段交通流量的输入和使用整理的交通信号配时初始方案数据进行初始信号配时的设置。运行所建立的微观交通仿真模型,获得交通评价指标(延误、排队、平均出行时间等)。
步骤4.网络信号优化
针对步骤3所构建的微观交通仿真模型,构建与之相对应的网络信号控制多目标优化模型。
(4.1)构建网络信号控制多目标优化模型
在网络中要实现交通效率的提升和交通资源的充分利用,将步骤3中的交通评价指标作为优化目标。使用交叉口各个相位的绿信比作为决策变量,变量限制条件参考信号控制通用标准,而各交叉口信号周期时间和相位结构及相位显示顺序预先设定。针对目标区域,综合利用交通流理论、交通信号控制原理、交通网络分析技术、最优化理论和***工程学建立网络交通信号控制优化模型,网络信号优化模型具体如下所示:
xlow≤x≤xup
其中x为交叉口绿信比;p为交叉口信号周期、相位结构和相位显示顺序,预先设定;g表示优化目标函数,g1,…gz表示所有需要优化的交通评价指标,z为优化目标的个数;m为交叉口编号,且m为整数;n为相位序号;xlow和xup分别表示绿信比的上界和下界。
(4.2)网络信号控制多目标优化模型求解
采用基于仿真的优化算法来处理步骤(4.1)构建的网络信号控制优化模型,步骤如下:
(4.2.1)使用拉丁超立方采样方法进行随机取样选取初始集X={x1,x2,…,xd},d为样本数量;
(4.2.2)采用代理模型对初始集进行非线性回归拟合优化目标函数g(x);
(4.2.4)如果是单目标优化函数(即步骤(4.1)中参数z=1),则直接更新初始集为X′,再更新代理模型h;如果是多目标优化函数(即步骤(4.1)中参数z≥2),则是更新帕累托前沿,再更新初始集为X′,之后更新代理模型h;
(4.2.5)依次重复步骤(4.2.1)~(4.2.4),直至达到终止要求获得最优解。如果是单目标优化函数,则获得一套最佳的网络信号优化方案;如果是多目标优化函数,则得到帕累托最优前沿,获得一系列最佳的网络信号优化方案。
其中,优化器采用贝叶斯优化,代理模型采用高斯过程回归模型,仿真器采用城市交通微观仿真软件,终止条件由使用者按照实际需求自行设定,可以是迭代次数也可以是迭代时间。贝叶斯优化是一种高效的全局优化的机器学习算法,利用之前已探索点的信息确定下一搜索点,用于求解黑盒优化问题。帕累托最优前沿是所有的帕累托最优解构成帕累托最优解集,这些解经目标函数映射构成了研究问题的帕累托最优前沿或帕累托前沿面;对于两个目标的问题,其帕累托最优前沿通常是条线,而对于多个目标,其帕累托最优前沿通常是一个超曲面。网络交通信号控制多目标优化模型框架如下图2所示。
步骤5.内外循环双反馈全链条优化
实施步骤4中得到的网络信号优化方案后,网络中交通流状态会发生改变,通过步骤1再次实现交通数据采集,依次重复步骤2、步骤3和步骤4。在重复循环的过程中,数据动态更新和积累,步骤2中交通流预测更加准确,进而使步骤4中的优化结果更加准确,最终实现瞬时动态最优或长期稳态最优,获得最佳的网络信号配时方案。该部分是将交通数据采集、交通流预测、微观交通仿真模型和网络交通信号控制模型整合为一体,采用内外循环双反馈优化的机制完成全链条城市区域网络信号优化方案的设计。内循环反馈优化是指微观交通仿真模块与网络信号优化模块之间的***内部的反馈优化,外循环反馈优化是指交通数据采集模块与网络信号优化模块之间的反馈优化,进而实现瞬时动态最优和长期稳态最优,最终获得基于外部环境反馈的城市交通网络最优的信号配时方案。
本发明的有益效果:
将交通数据采集、交通流预测、微观交通仿真和网络信号优化整合为一体,形成内外反馈闭环,能够获得效果更好的区域网络信号配时方案。目前国内的相关研究主要是集中于上述一点或两点开展的,并且很难形成反馈机制,导致其实际应用的局限性。本发明一是具有很好的集成性,并且形成内外循环反馈闭环,内外循环反馈机制既能实现网络信号优化模型与微观交通仿真模型的交互,又能保证优化结果方案适应外界环境的动态变化,进而实现瞬时的动态最优和长期的稳态最优。此外,采用贝叶斯优化方法能够进一步提升优化结果和优化效率。
附图说明
图1是交通流预测算法结构框架图;
图2是网络信号控制多目标优化模型框架图;
图3是本发明实施例中研究区域示意图;
图4是第一次实验区域总延误时间随迭代次数的变化图;
图5是第二次实验区域总延误时间随迭代次数的变化图;
图6是第三次实验区域总延误时间随迭代次数的变化图;
图7是三次实验的最小延误时间值随迭代次数的变化图。
具体实施方式
以下结合附图和技术方案,进一步说明本发明的具体实施方式。
本实施例通过以牡丹江市中心城区为案例进行验证,并对案例进行优化,最终可以得到最优的网络信号配时方案,该方案能够大幅度降低区域总延误时间。具体如下:
1.基础数据获取
选取牡丹江市中心城区道路网络作为研究区域(如图3所示),该区域长1600米,宽531米,包含122节点,232条边。共计53个交叉口,从中选取20个主干道信号控制交叉口和8个次干路信号控制交叉口。
通过牡丹江研究区域的流量视频获得各个信号控制交叉口进口道流量,主干道和次干路交叉口的车流量取早高峰7:00-8:00时间段。利用训练好的交通流预测算法,得到未来短时间的标准车流量。
通过与牡丹江市交通局协调获得研究区域早高峰7:00-8:00时间段运行的信号配时方案,具体信号配时方案如下表:
表1网络原始信号配时方案
2.微观交通仿真搭建
通过Openstreetmap获得研究区域道路网路基础数据,并结合原始信号配时方案和预测的各交叉口分流向的标准车流量,使用城市微观交通仿真软件SUMO构建网络仿真模型。本实施例设置的仿真运行时间长度为2050秒,其中前800秒为仿真模型不稳定期,后1250秒为模型稳定期(即有效仿真时间)。运行仿真模型,通过记录统计有效仿真时间期间结果,获得区域总延误时间。
3.网络信号优化模型建立
本实施例使用区域车辆总延误作为目标函数,预先设定各交叉口信号周期时间、相位结构和相位显示顺序,将绿信比作为决策变量。总计28个信号控制交叉口,有90个决策变量。参考中国信号控制通用标准,确定得到决策变量的限制条件。本实施例采用单目标优化函数,主要是为了简化模型更便于所提方法的验证,当然,本专利所提方法同样适用于网络信号控制的多目标优化问题。本实施例所使用的网络信号优化模型公式如下:
xlow≤x≤xup
其中x为交叉口绿信比;p为交叉口信号周期、相位结构和相位显示顺序,预先设定;Delay表示区域总延误时间;m为交叉口编号,m∈[1,28]且m为整数;n为相位序号;xlow和xup分别表示绿信比的上界和下界。
4.内外循环双反馈优化求解
通过内外循环双反馈全链条优化区域车辆总延误得到最优的信号配时方案,实验结果如图4,5,6,7所示。为了验证本方法的适用性并保证实验的可靠性,本实施例进行了3次重复实验,最终都能找到最优解且最优解相近。以第三次实验为例进行说明,通过优化使区域车辆总延误从最初的2988976秒降低至2575134秒,得到最优的信号配时方案如下表2所示。
表2最优的信号控制配时方案
Claims (1)
1.一种自适应的全链条城市区域网络信号控制优化方法,其特征在于,步骤如下:
步骤1.交通数据采集
(1.1)基于机器视觉技术进行交通流参数的获取
假设城市区域网络信号控制交叉口数量为k,第i个信号交叉口的进口道数量为mi,通过机器视觉技术对目标区域内所有交叉口视频流数据进行自动批量处理,获得第i个信号控制交叉口的第j个进口道的交通流相关参数为:检测目标车辆数num_vehij,检测到不同类型车辆比例type_rateij,转向比turn_rateij;将车辆分为小型车、中型车、大型车和拖挂车四类,即不同类型车辆比例type_rate表示的是四类车的比例;转向比turn_rate是指某交叉口进口道左转、直行和右转的车辆比例;其中,i∈[1,k],j∈[1,mi],i和j为整数;机器视觉技术主要是利用计算机来模拟人的视觉功能,从客观事物的图像或视频流中提取目标信息,并进行处理和加以理解,最终实现目标识别、目标检测和目标跟踪;
(1.2)交叉口标准车交通流量计算
步骤(1.1)中获取的检测目标车辆数、检测到不同类型车辆比例和转向比,需要将其换算成分流向的标准车交通流量;先计算不同转向的车辆数,再根据国际通用城市道路交叉口规划规范确定相应类型车辆的折算系数Convert_coefficient,换算成标准车辆的交通流量,从而计算得到交叉口不同进口道不同转向的标准车流量;第i个信号控制交叉口的第j个进口道不同方向的标准车流量sum_vehij由检测目标车辆数num_vehij、检测到不同类型车辆比例type_rateij、转向比turn_rateij和相应类型车辆的折算系数Convert_coefficient计算得来,从而得到目标区域内所有信号控制交叉口所有进口道的不同转向的标准车流量;
步骤2.交通流预测
交通流预测是在步骤1交通数据采集的基础上实现的,进行交通流预测需要使用当前以及历史的标准车流量数据;
(2.1)设计交通流预测算法
交通流预测算法用于学习得到一个函数f,函数f能够从以往道路上传感器获得的当前段时间T的交通流量观测数据V来预测下一段时间T′的交通流量V′,以作为步骤3的微观交通仿真模型的输入;其中函数f的学习如下所示:
交通流预测算法从结构上分为三部分:第一部分,数据预处理,主要是对错误数据的纠正和部分路段缺失数据的还原,处理后的数据直接作为第二部分的输入;第二部分,耦合层级图卷积模块,给定图信号集合,每个图卷积层的自学习邻接矩阵,利用门控循环单元集合空间动态信息,后接全连接层将低维特征向量空间映射至高维向量空间;第三部分,长短时记忆神经网络模块,利用第二部分获得的较高维向量空间基于长短时记忆神经网络对交通需求的亲近性和周期性的深度信息进行挖掘和聚合,同时实现空间动态信息和时间相关性信息的深度融合,后接全连接层将第三部分获得的特征向量空间映射回目标空间,目标空间结果即为预测的交通流量;此外,采用均方误差法来定义损失函数,描述预测值与真值之间的误差;其中,亲近性是指最近时段的交通状况比旧时段的交通状况更相关;周期性是指交通状况在一定的时间间隔内呈现出周期性的变化模式;耦合层级图卷积网络是一种图卷积架构,图卷积架构在不同的层具有不同的邻接矩阵,并且所有的邻接矩阵在训练过程中是可以自学习的;图卷积架构采用一种分层耦合机制,能够将上层邻接矩阵与下层邻接矩阵关联起来;图卷积架构是一个端到端的网络,通过将隐藏的空间状态与门控循环单元集成在一起,从而实现特征空间的输出;门控循环单元是用门控机制控制输入、记忆信息而在当前时间步做出预测;
(2.2)交通流预测算法训练和测试
对步骤(2.1)中的交通流预测算法进行训练,获得一套适用的超参数集,具体如下:采用复杂交通场景下的历史交通流数据,将交通流数据集划分训练集和测试集;利用训练集数据进行交通流预测算法训练,获得储存损失函数最小时的算法模型参数集;利用测试集对训练好的交通流预测算法进行测试,以数据平均处理速度、平均绝对误差和均方根误差作为测试评价指标对设计算法的实时性和准确性进行评价;评价主要是查看训练获得参数的效果,如果评价指标好则采用该套超参数集;如果评价指标不好,则需要重新训练,直至找到一套良好的超参数集;
通过算法训练和测试,获得一套良好的超参数集,即完整的交通流预测算法,后续即可输入当前及历史标准车流量直接获得未来标准车流量;
步骤3.微观交通仿真模型构建
收集整理建微观交通仿真所需要的交通基础数据,包括网络道路基础数据、交通信号配时初始方案数据和路网交通流量数据;利用步骤2预测获得的各个信号控制交叉口分流向的标准车流量数据进行路段交通流量分配;将收集整理的网络道路基础数据导入至微观交通仿真软件中,并在仿真软件当中使用获得的路段交通流量分配数据进行路段交通流量的输入和使用整理的交通信号配时初始方案数据进行初始信号配时的设置;运行所建立的微观交通仿真模型,获得交通评价指标;
步骤4.网络信号优化
针对步骤3所构建的微观交通仿真模型,构建与之相对应的网络信号控制多目标优化模型;
(4.1)构建网络信号控制多目标优化模型
在网络中要实现交通效率的提升和交通资源的充分利用,将步骤3中的交通评价指标作为优化目标;使用交叉口各个相位的绿信比作为决策变量,变量限制条件参考信号控制通用标准,而各交叉口信号周期时间和相位结构及相位显示顺序预先设定;针对目标区域,建立网络交通信号控制优化模型,网络信号优化模型具体如下所示:
xlow≤x≤xup
其中x为交叉口绿信比;p为交叉口信号周期、相位结构和相位显示顺序,预先设定;g表示优化目标函数,g1,…gz表示所有需要优化的交通评价指标,z为优化目标的个数;m为交叉口编号,且m为整数;n为相位序号;xlow和xup分别表示绿信比的上界和下界;
(4.2)网络信号控制多目标优化模型求解
(4.2.1)使用拉丁超立方采样方法进行随机取样选取初始集X={x1,x2,…,xd},d为样本数量;
(4.2.2)采用代理模型对初始集进行非线性回归拟合优化目标函数g(x);
(4.2.4)如果是单目标优化函数,即步骤(4.1)中参数z=1,则直接更新初始集为X′,再更新代理模型h;如果是多目标优化函数,即步骤(4.1)中参数z≥2,则是更新帕累托前沿,再更新初始集为X′,之后更新代理模型h;
(4.2.5)依次重复步骤(4.2.1)~(4.2.4),直至达到终止要求获得最优解;如果是单目标优化函数,则获得一套最佳的网络信号优化方案;如果是多目标优化函数,则得到帕累托最优前沿,获得一系列最佳的网络信号优化方案;
其中,优化器采用贝叶斯优化,代理模型采用高斯过程回归模型,仿真器采用城市交通微观仿真软件,终止条件由使用者按照实际需求自行设定;
步骤5.内外循环双反馈全链条优化
实施步骤4中得到的网络信号优化方案后,网络中交通流状态会发生改变,通过步骤1再次实现交通数据采集,依次重复步骤2、步骤3和步骤4;在重复循环的过程中,数据动态更新和积累,步骤2中交通流预测更加准确,进而使步骤4中的优化结果更加准确,最终实现瞬时动态最优或长期稳态最优,获得最佳的网络信号配时方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110792525.3A CN113538910B (zh) | 2021-07-14 | 2021-07-14 | 一种自适应的全链条城市区域网络信号控制优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110792525.3A CN113538910B (zh) | 2021-07-14 | 2021-07-14 | 一种自适应的全链条城市区域网络信号控制优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113538910A CN113538910A (zh) | 2021-10-22 |
CN113538910B true CN113538910B (zh) | 2022-08-30 |
Family
ID=78098952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110792525.3A Active CN113538910B (zh) | 2021-07-14 | 2021-07-14 | 一种自适应的全链条城市区域网络信号控制优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113538910B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113087030B (zh) * | 2021-03-02 | 2022-08-02 | 天津大学 | 一种水资源双循环反馈控制***及方法 |
US20230185881A1 (en) * | 2021-12-15 | 2023-06-15 | International Business Machines Corporation | Stepwise uncertainty-aware offline reinforcement learning under constraints |
CN114419878B (zh) * | 2021-12-22 | 2023-04-07 | 银江技术股份有限公司 | 城市路网全域交通状态预测的方法、电子装置和存储介质 |
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 |
CN114495506B (zh) * | 2022-02-23 | 2023-07-28 | 复旦大学 | 基于车流预测和强化学习的多路口信号灯控制***及方法 |
CN115083173B (zh) * | 2022-04-27 | 2023-08-29 | 同济大学 | 一种基于电警数据的单点定时信号控制时段划分方法 |
CN114973699A (zh) * | 2022-05-10 | 2022-08-30 | 阿波罗智联(北京)科技有限公司 | 交通控制信号的生成方法、边缘计算单元和路侧单元 |
CN114970058B (zh) * | 2022-05-12 | 2024-06-14 | 大连理工大学 | 一种基于信赖域贝叶斯的大规模网络信号控制优化方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113112823A (zh) * | 2021-04-14 | 2021-07-13 | 吉林大学 | 一种基于mpc的城市路网交通信号控制方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9076332B2 (en) * | 2006-10-19 | 2015-07-07 | Makor Issues And Rights Ltd. | Multi-objective optimization for real time traffic light control and navigation systems for urban saturated networks |
CN102360532B (zh) * | 2011-10-19 | 2014-02-19 | 太仓市同维电子有限公司 | 路***通信号控制***及其控制方法 |
CN104575036B (zh) * | 2015-01-28 | 2017-01-04 | 重庆云途交通科技有限公司 | 基于动态od流量预测与仿真优化的区域信号控制方法 |
CN105809958A (zh) * | 2016-03-29 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 一种基于交叉口群的交通控制方法及*** |
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*** |
CN110414747B (zh) * | 2019-08-08 | 2022-02-01 | 东北大学秦皇岛分校 | 一种基于深度学习的时空长短期城市人流量预测方法 |
CN110580814B (zh) * | 2019-10-22 | 2020-11-24 | 北京航空航天大学 | 一种交通信号灯的配时方法和装置 |
CN110751834B (zh) * | 2019-10-23 | 2020-10-27 | 长安大学 | 一种城市饱和交叉口信号配时的优化方法 |
CN112633500A (zh) * | 2021-01-18 | 2021-04-09 | 天津大学 | 一种基于分解思想的卷积神经网络代理模型的多目标优化进化计算方法 |
CN113053120B (zh) * | 2021-03-19 | 2022-03-22 | 宁波亮控信息科技有限公司 | 基于迭代学习模型预测控制的交通信号灯调度方法与*** |
CN113112791A (zh) * | 2021-03-26 | 2021-07-13 | 华南理工大学 | 一种基于滑动窗口长短时记忆网络的交通流量预测方法 |
-
2021
- 2021-07-14 CN CN202110792525.3A patent/CN113538910B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113112823A (zh) * | 2021-04-14 | 2021-07-13 | 吉林大学 | 一种基于mpc的城市路网交通信号控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113538910A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113538910B (zh) | 一种自适应的全链条城市区域网络信号控制优化方法 | |
CN112216108A (zh) | 一种基于属性增强的时空图卷积模型的交通预测方法 | |
CN111860951A (zh) | 一种基于动态超图卷积网络的轨道交通客流预测方法 | |
CN112767682A (zh) | 一种基于图卷积神经网络的多尺度交通流量预测方法 | |
CN107274030B (zh) | 基于水文变量年际和月变化特性的径流预报方法和*** | |
CN112613225B (zh) | 一种基于神经网络元胞传输模型的交叉***通状态预测方法 | |
Ou et al. | Learn, assign, and search: real-time estimation of dynamic origin-destination flows using machine learning algorithms | |
Bao et al. | Spatial–temporal complex graph convolution network for traffic flow prediction | |
CN107862877A (zh) | 一种城市交通信号模糊控制方法 | |
CN114944053A (zh) | 一种基于时空超图神经网络的交通流预测方法 | |
Huang et al. | Network-scale traffic signal control via multiagent reinforcement learning with deep spatiotemporal attentive network | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
Wu et al. | Traffic prediction based on GCN-LSTM model | |
Lu et al. | Leveraging graph neural network with lstm for traffic speed prediction | |
CN111899511A (zh) | 一种共线线路avl数据的公交车到站时间预测方法 | |
Zhang et al. | Urban traffic flow prediction model based on BP artificial neural network in Beijing area | |
CN114694382A (zh) | 一种基于车联网环境的动态单向交通控制*** | |
Chen et al. | Traffic signal optimization control method based on adaptive weighted averaged double deep Q network | |
Zhang et al. | Short-term Traffic Flow Prediction With Residual Graph Attention Network. | |
Liu et al. | A multi-grouped ls-svm method for short-term urban traffic flow prediction | |
CN115034478B (zh) | 一种基于领域自适应与知识迁移的交通流量预测方法 | |
CN116612633A (zh) | 一种基于车路协同感知下的自适应动态路径规划方法 | |
CN116665448A (zh) | 一种基于图卷积网络的交通速度实时预测方法及*** | |
CN116486624A (zh) | 基于时空图卷积神经网络的交通流预测方法及*** | |
CN114912169B (zh) | 基于多源信息融合的工业建筑供热自主优化调控方法 |
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 |