CN115691165A - 一种交通信号灯调度方法、装置、设备及可读存储介质 - Google Patents
一种交通信号灯调度方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN115691165A CN115691165A CN202211194018.0A CN202211194018A CN115691165A CN 115691165 A CN115691165 A CN 115691165A CN 202211194018 A CN202211194018 A CN 202211194018A CN 115691165 A CN115691165 A CN 115691165A
- Authority
- CN
- China
- Prior art keywords
- traffic
- flow
- data
- traffic signal
- signal lamp
- 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.)
- Pending
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请涉及交通流量预测技术领域,具体涉及交通信号灯调度技术领域。本申请公开一种交通信号灯调度方法、装置、设备及可读存储介质,其中交通信号灯调度方法包括:获取目标路口的交通数据;其中,所述交通数据包括车辆流量以及时段、路口类型、相位、天气信息、前一个时间段车流量、节假日信息、季节、行人流量中的至少一项;将所述交通数据输入流量预测模型,得到预测交通流量;根据所述预测交通流量以及所述交通数据,得到交通信号灯调度策略;基于所述交通信号灯调度策略对所述交通信号灯进行调度。本发明的提供的方案,能够***车流量,动态对交通信号灯进行调度,实现自适应调节,生成智能调度策略,提高通行效率。
Description
技术领域
本发明涉及交通流量预测技术领域,尤其涉及一种交通信号灯调度方法、装置、设备及可读存储介质。
背景技术
城市交通网络中,路段和路口总是遇到交通流量大的问题,交通灯调度是缓解交通拥堵的有效方法之一。目前,大多数信号交叉口都采用预定周期或固定时间区间控制信号灯的方法,该方法是根据以往观测到的交通需求,预先设定配时方案进行控制。然而,在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
上述方法依赖于车辆交通具有的周期性,因此在长周期情况下比较容易进行总结和预测。在短时期内存在许多不确定性,现有方法在交通事故和特殊事件等突发性情况下,很难快速应对这种交通流的快速变化,无法做到车流量***,尤其是采用固定配时策略增大了车辆在路口的延误程度,道路拥堵问题给市民工作生活带来了极大不便,交通的有序发展受到较为严重的影响。
发明内容
鉴于现有技术的以上问题,本申请提供一种交通信号灯调度方法、装置、设备及可读存储介质,其能够***车流量,给出更加准确高效的信号灯调度策略。
为达到上述目的,本申请第一方面提供一种交通信号灯调度方法,包括:
获取第一数据;所述第一数据与目标路口的交通流量相关;
将所述第一数据输入流量预测模型,得到预测交通流量;
根据所述预测交通流量以及所述目标路口的工况参数,得到交通信号灯调度策略;
基于所述交通信号灯调度策略对所述交通信号灯进行调度。
作为第一方面的一种可能的实现方式,所述第一数据包括至少以下之一参数:
时段、路口类型、信号灯相位、至少前一时段的车流量、日期类型、天气类型。
作为第一方面的一种可能的实现方式,流量预测模型为分类模型,包括:
依次级联的卷积神经网络层、长短期记忆网络层及自注意力层。
作为第一方面的一种可能的实现方式,流量预测模型为分类模型,其被训练时,包括:
获取样本数据,所述样本数据的输入标签包括所述第一数据,所述样本数据的输出标签包括所述第一数据对应的交通流量;
将所述样本数据的输入标签作为所述流量预测模型的输入、所述输出标签作为所述流量预测模型的期望输出入,训练所述流量预测模型。
作为第一方面的一种可能的实现方式,第一数据包括至少两个所述参数,所述训练所述流量预测模型时还包括:
计算所述第一数据的各参数的重要性系数;
将所述各参数的重要性系数耦合各参数作为所述流量预测模型的输入、所述输出标签作为所述流量预测模型的期望输出入,训练所述流量预测模型。
作为第一方面的一种可能的实现方式,经过预设时间间隔,获取新的样本数据;
基于所述新的样本数据对所述流量预测模型进行训练并更新。
作为第一方面的一种可能的实现方式,得到预测交通流量还包括:根据数据规约策略对所述预测交通流量进行规则约束。
作为第一方面的一种可能的实现方式,根据所述预测交通流量以及所述目标路口的工况参数,得到交通信号灯调度策略,包括:
根据路口长度、路口宽度,以及车辆在不同车流量情况下的通过时长、等待时长,调整交通信号灯的组合顺序以及信号灯时长。
本申请第二方面提供一种交通信号灯调度装置,包括:
数据获取模块,用于获取第一数据;所述第一数据与目标路口的交通流量相关;
边缘计算模块,用于将所述第一数据输入流量预测模型,得到预测交通流量;
所述边缘计算模块还用于,根据所述预测交通流量以及所述目标路口的工况参数,得到交通信号灯调度策略;
交通信号调度模块,用于基于所述交通信号灯调度策略对所述交通信号灯进行调度。
本申请第三方面提供一种计算设备,包括:
处理器,以及接口电路,其中,所述处理器通过所述接口电路访问存储器,所述存储器存储有程序指令,所述程序指令当被所述处理器执行时使得所述处理器执行如上所述的交通信号灯调度方法。
本申请提供的交通信号灯调度方案,能够根据流量预测模型对目标时间段的车辆流量进行预测,同时结合其他影响交通流量影响因素进行综合考虑,生成智能调度策略并依据该调度策略对交通信号灯进行调度控制,能够准确有效地对交通信号灯进行动态调度,有效解决路口拥堵问题,提高通行效率。
本发明的这些和其它方面在以下(多个)实施例的描述中会更加简明易懂。
附图说明
以下参照附图来进一步说明本发明的各个特征和各个特征之间的联系。附图均为示例性的,一些特征并不以实际比例示出,并且一些附图中可能省略了本申请所涉及领域的惯常的且对于本申请非必要的特征,或是额外示出了对于本申请非必要的特征,附图所示的各个特征的组合并不用以限制本申请。另外,在本说明书全文中,相同的附图标记所指代的内容也是相同的。具体的附图说明如下:
图1是本申请实施例提供的交通信号灯调度方法流程图;
图2是本申请实施例提供的路口车辆流量统计示例图;
图3是本申请实施例提供的特征数据重要性示例图;
图4是本申请实施例提供的交通信号灯调度示意图;
图5是本申请实施例提供的交通信号灯调度装置的结构示意图;
图6是本申请实施例提供的一种计算设备300的结构性示意性图。
具体实施方式
下面结合附图并举实施例,对本申请提供的技术方案作进一步说明。应理解,本申请实施例中提供的***结构和业务场景主要是为了说明本申请的技术方案的可能的实施方式,不应被解读为对本申请的技术方案的唯一限定。本领域普通技术人员可知,随着***结构的演进和新业务场景的出现,本申请提供的技术方案对类似技术问题同样适用。
应理解,本申请实施例提供的交通信号灯调度方法、装置、设备及可读存储介质等。由于这些技术方案解决问题的原理相同或相似,在如下具体实施例的介绍中,某些重复之处可能不再赘述,但应视为这些具体实施例之间已有相互引用,可以相互结合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。如有不一致,以本说明书中所说明的含义或者根据本说明书中记载的内容得出的含义为准。另外,本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
目前的红绿灯调度主要有三种:(1)固定时间调度法,根据对路口各方向车辆数量的统计,设置一个固定时间;(2)分时段固定时间调度法,就是在第一种方法的基础上,针对每天不同时间段(如上下班高峰、白天、夜间),分别设置固定的时间;(3)动态调整红绿灯调度法,根据不同季节或者过去若干天的交通状况,由人工或***调整,在未来一段时间相对固定。上述现有的交通信号控制基本都是通过计算和检测即时车流量,进行静态策略来调整交通信号灯,无法做到车流量提前预判,以更加准确高效的进行信号配时,尤其是采用固定配时策略可能会增大车辆在路口的延误程度。
本发明提供的实施例,主要应用于交通流量的预测以及交通信号灯的调度与控制,将交通流量数据以及(影响流量的)影响因素的特征数据输入到流量预测模型中,可从流量预测模型的输入层开始引入影响因素的特征数据,从而在流量预测模型的整个过程中引入影响因素的特征数据,并将包含历史流量等多个特征和特征数据进行融合,并根据流量预测的结果给出交通信号灯调度策略,能够实现车流量***,给出准确有效的交通信号灯调度策略,还能够有效应对突发状况。
请参开图1和图4,图1是本申请实施例提供的交通信号灯调度方法流程图,基于现有技术所存在的缺陷,图4是本申请实施例提供的交通信号灯调度示意图。
如图1所示,本申请的实施例提供了一种交通信号灯调度方法,包括:
S101:获取第一数据;所述第一数据与目标路口的交通流量相关。
在一些实例中,与路***通流量相关的第一数据包括目标路口的交通流量监测数据,记录预设时间段、预设时间间隔的交通流量数据,如一天中每小时的车流量数据、人流量数据;一天中不同时段的车流量数据,如早高峰晚高峰的车流量数据;以及在各时间段不同天气状况下的车流量数据,如早晚高峰晴天天气的车流量数据、早晚高峰雨雪天气的车流量数据等。
其中,第一数据的监测记录可以采用在路口架设的摄像头、道路周边或地下设置的雷达等设备或单元,对路口的交通数据、信息进行拍摄和采集。以便将经过一些必要的数据经过预处理等操作后输入到图像识别设备(流量预测模型),对摄像头拍摄视频或雷达设备采集的交通流量信息进行识别。还可以辅以网络设备、移动设备等采集交通流量数据,如车载联网设备和手机等。
此外,还可以获取每个单位时段或预设时间间隔影响车辆流量的其他交通数据,包括路口类型、相位、天气信息、前一个时间段车流量、节假日信息、季节、行人流量等。其中,路口类型可以包括:按照交叉口形式分类有十字形、X字形、T字形、Y字形、错位交叉、复合交叉等,按照渠化交通的程度分类有简单交叉口、拓宽路口式交叉口、渠化交叉口等,按照交通控制分类有无信号控制交叉口、有信号控制交叉口(点控制、线控制、面控制)(定周期和不定周期、手工控制和自动控制)等。
相位为某路口基于车辆运动方式所需要的不同的信号灯控制种类,针对不同方向的交通流,给予相应的放行的时间,不同的相位批次独立,互不干扰。如一个标准的十字路口有十二种车辆运动方式,分别是直行(东-西,西-东,南-北,北-南),小转(东-北,西-南,北-西,南-东),大转(东-南,西-北,北-东,南-西)。这十二种运动可以分为四组:
1)东西直行:东-西,西-东,东-北,西-南;
2)南北直行:南-北,北-南,南-东,北-西;
3)东南西北:东-南,西-北;
4)北东南西:北-东,南-西;
上述的4组信号灯需要不同的信号控制,也就是四个不同的相位。
同时,不同季节不同天气对道路车辆流量的影响是不同的,同一路口不同相位的车流量,以及不同时段的车流量有可能存在较大区别,如早高峰和晚高峰;如周六日等节假日,同一路口同一时段的车流量,亦可能存在较大区别。还比如,在雨雪天气下工作日的早高峰车流量与雨雪天气下休息日早高峰的车流量也可能存在较大差异。
本实施方式中,第一数据包括了上述多方面的交通流量数据及多个影响交通流量的因素,在对交通流量进行分析、预测等处理时,能够获得更准确的结果。
S102:将所述第一数据输入流量预测模型,得到预测交通流量。
对交通数据中的车辆流量,以及包含的多个影响因素(数据),输入至流量预测模型进行处理,可以得到需要预测的目标路口目标时段的预测交通流量。
本实施例中,将交通流量数据以及多方面影响交通流量的影响因素的特征数据输入到流量预测模型中,可从流量预测模型的输入层开始引入影响因素的特征数据,从而在流量预测模型的整个过程中引入影响因素的特征数据,并将包含历史流量等多个特征和特征数据进行融合,能够有效解决相关技术中影响因素的特征数据与历史流量特征的融合较为滞后的问题,能够准确反映影响因素的特征数据对预测流量的影响,有利于提高流量预测模型的性能。
S103:根据所述预测交通流量以及所述目标路口的工况参数,得到交通信号灯调度策略。其中,目标路口的工况参数包括:所在道路等级、所在道路的线性特征(如道路长度、行车道宽度、行车道数量、曲折性等)、路口的施设水平(如横断面、平纵断面、曲线等)、路口环境(如城市道路路口、平原道路路口、山区道路路口等)及其他道路交通设施(如人行横道、斑马线、地下通道)等。
在获得交通流量后,可以进行动态的交通信号灯调控,得到交通信号灯调度策略,包括但不限于对交通信号灯组合顺序优化和信号灯时长优化等,经过预测车流量以及多个交通数据边缘计算单元的融合,在此基础上,基于不同时段、天气等因素,进行交通灯调控。例如,根据对某一路口前一天的历史车流量,以及对目标时段车流量预测的结果,该路口中大部分时间东西向来车都比南北向来车多,理想的交通灯控制策略应该为东西方向提供更长的绿灯时间,则在如早上班高峰以及晚下班高峰等时间段,绿灯时间所占的比例也应更高。
在交通信号灯调控优化中,按照优化内容,可分为信号灯相位及相序优化、信号灯各相位绿信比(有效绿灯时间/信号灯周期)优化、信号灯周期优化、相位差优化,可以全面考虑可能决定获得红绿灯信号组合的影响因素,包括车流量、等待时长以及空闲区间时长等多个交通数据。
在步骤S101-步骤S103中,还可以将主要由信号控制导致的车辆加减速、停车造成的旅行时间延误等造成的控制延误进行考虑。在确定控制延误时,可以采用如基于近似延误模型-稳态模型的韦伯斯特定时交叉口延误模型:
其中C为周期时间(s),λ为绿信比(有效绿灯时间/信号灯周期),为机动车道流量比,q为进口机动车道实际流量(veh/h);s为进口道饱和流量。其中,第一项为均衡相位延误,在将长时间到达率视为恒定值的假设下进行计算;第二项为随机相位延误,在将短时间内的到达视为服从泊松分布的假设下进行计算;第三项为随机修正项,通过车流模拟实验得出。
此外,还可以定数延误模型-瞬态模型:利用积分描述特定时段内的车辆到达数目,同时利用积分描述特定时段内的车辆离开数目,对排队过程进行建模,进而得到延误时间。
基于上述控制延误,可以对交通灯控制进行优化,例如针对于单点信号灯优化:
(1)设置各相位最短绿灯时间,以保证行人可以正常通过(行人过街预估速度为1.2/s),进一步通过叠加绿灯损失时间,可得到最短信号灯周期;
(2)根据冲突点计算最短绿灯间隔或路口清空时间,以避免两方向车辆存在碰撞可能;
(3)根据实际情况设立最长信号灯周期,以避免等待过长等问题。
上述实施方式根据预测的交通流量与目标路口的工况参数进行结合计算,对信号灯调控优化中的条件和影响因素进行充分的考虑,得到准确有效的信号灯调度策略,提高了路口信号灯调度效率,有效解决拥堵问题。
S104:基于所述交通信号灯调度策略对所述交通信号灯进行调度。
本实施例根据流量预测模型对目标时间段的车辆流量进行预测,再将该目标时间段的车辆流量结合其他的影响因素(如时段、天气、节假日等),得到交通信号灯调度策略,并依据该调度策略对交通信号灯进行调度控制,可以实现准确有效地对交通信号灯进行动态调度。
在本实施方式中,可以采集设置在所述目标路口的录像设备拍摄的视频图像;还可以利用并采集路口现有监控摄像头的视频(图像)信息,能够节约升级改造成本和资源。
如图2所示,图2是本申请实施例提供的路口车辆流量统计示意图。本实施方式中,基于对摄像头采集的视频图像进行识别,以识别出车辆流量等信息。
其中,对视频图像进行识别时,可以采用yolov系列算法对所述视频图像进行图像识别处理,例如yolov5算法,其具有检测识别精度高和计算速度快的优点。需要说明的是,本实施方式中例出的算法只是本申请的优选实施方式,实际应用时也可根据实际情况采用其他能够实现相同目的的算法或设备等,本申请对此不做限定。
在其他一些实施方式中,可以基于卷积神经网络和长短期记忆网络以及注意力机制相结合构建所述流量预测模型,该模型可以是依次级联的卷积神经网络层、长短期记忆网络层及自注意力层。
在构建流量预测模型时,数据源可以为每隔一定时间粒度采集到的路口的交通数据,例如,时间粒度为15分钟车辆流量数据,以及路口的工参数据、天气数据天气信息等。可以筛选出数据源中可用的特征(数据),通过相关系数法选取有效特征,如XgBoost算法等,对特征重要性进行排序,选取主要特征进行训练。其中,主要特征可以包括:1.时段2.是否节假日3.天气4.路口类型5.相位6.前一个时间段车流量等,请参考如图3所示的特征数据重要性示例图。
此外,本申请实施方式在构建模型时,对几种主要的数据网络算法进行了尝试和统计,如下表:
模型名称 | 训练样本 | 平均流量偏差百分比 | 流量偏差均值 |
DNN | 100000 | 18% | 19 |
LSTM | 100000 | 18.5% | 19 |
CNN | 100000 | 16.2% | 18 |
可以得出CNN网络效果好于LSTM网络和DNN网络,因此本申请的实施方式在构建模型时,均优选CNN卷积神经网络进行训练。
基于上述数据源,通过卷积神经网络,提取源数据对应的第一数据特征;将第一数据特征输入长短期记忆网络中进行处理,得到第二数据特征;通过注意力机制对第二数据特征进行处理,得到对路口流量影响较大的特征数据。通过上一步得到的对路口流量影响较大的特征数据,可以根据精度需求等条件设置预设种类数量的特征数据,而注意力机制可以很好的根据前一步的输出来判断当前步骤的注意需求,从而学习强调重要的特征数据或抑制(相对)不重要的特征数据。
此外,第一数据特征可以通过多层卷积网络进行提取,将该卷积结构堆叠多层能够增加模型的卷积神经网络特征所能看到输入图像的区域(感受野),将底层特征映射到高层特征的过程能够实现关键信息以及对路口流量影响较大的特征的识别与提取;上述步骤中根据需求将预设种类、数量的重要特征信息作为输入相比于输入原输入源极大的减少了模型的参数,提高了模型的效率。
上述实施例中,由于卷积网络可以较好的归纳路口的平面信息,如路口工参等信息;长短期记忆网络可以记忆路口车流量随时间变化的规律;结合注意力机制,可以更好地归纳出对路口流量影响较大的特征数据。降低了不同类型事件之间的干扰,减少了后续卷积神经网络的计算量,能够提升流量预测的速度。通过卷积神经网络、长短期记忆网络不仅提取了路***通数据的特征,还提取了各个影响因素之间的时间特征,由于考虑到了事件之间的时间特性,再借助注意力机制使提取到的特征表示更准确。因此模型设计构建时,可以采用卷积神经网络和长短期记忆网络及注意力机制相结合的方式,能够准确有效地对车辆流量进行预测。
在其他一些实施方式中,经过预设时间间隔,基于所述交通数据对所述流量预测模型进行训练并更新。
在本实施例中,流量预测模型构建好之后,将流量预测模型进行部署,如部署在交通信号机临近的边缘计算机上,可以通过设定定时任务或者定时框架等,每隔预设时间的间隔,获取最新路口流量数据(交通数据)对流量预测模型进行训练,同时将训练好的最新模型进行热部署,可以保持模型能学习到路口流量的最新变化趋势,防止模型固化导致预测不准。
例如,每七天为一个周期,将获取的最新的交通流量数据输入流量预测模型,对模型中各个级联的网络的权重进行优化更新,相应的得到最新的流量预测模型,同时,将该最新的流量预测模型实时部署到边缘计算机上。其中,该边缘计算机可以与交通信号灯控制机进行集成,也可以是通过有线或无线方式连接的电脑、云计算服务器等。
还可以根据数据规约策略对所述预测交通流量进行规则约束,防止预测的值偏离基线太多。
本实施例中,数据规约策略可以采用例如回归(线性回归和多元回归)模型和对数线性模型等参数方法,也可以采用例如直方图、聚类、抽样等(采样)等无参数方法。在进行预测后,还可以对该预测交通流量对应时间段或时间节点的实际数据进行采集,通过与实际交通流量的数据进行比较后,对模型的权重等参数进行调整,可以防止预测的流量数据结果偏离实际太多,此外还可以通过在上述的流量预测模型上结合外推模型,来降低无效、错误数据对建模的影响,提高建模的准确性。
本申请的上述实施方式,可以根据摄像头、雷达等传感器的数据信息以及路口工参等信息,得到流量预测模型并进行流量预测,同时模型还能够不断进行训练完善实现无人值守自主学习,实现自适应调节,生成智能调度策略,根据策略控制现场交通信号机,能够取得较好的调度效果。
基于一个发明构思,本申请还提供了一种交通信号灯调度装置200,如图5所示,图5是本申请实施例提供的交通信号灯调度装置的结构示意图,该交通信号灯调度装置200,具体用于执行上述步骤S101-步骤S104及其中任一可选的示例。
交通信号灯调度装置200包括:
数据获取模块210,用于获取第一数据;所述第一数据与目标路口的交通流量相关;第一数据包括至少以下之一参数:时段、路口类型、信号灯相位、至少前一时段的车流量、日期类型、天气类型。
数据获取模块210对路口的交通数据、信息进行拍摄和采集。以便将经过一些必要的预处理后的数据输入到图像识别设备(流量预测模型),对视频中的车辆流量进行识别,同时还可以辅以网络等获取每个单位时段影响车辆流量的其他交通数据。
边缘计算模块220,用于将所述第一数据输入流量预测模型,得到预测交通流量;边缘计算模块220对交通数据中的车辆流量,以及包含的多个数据,输入至流量预测模型进行处理,得到需要预测的目标时段的预测交通流量。
边缘计算模块220还用于根据所述预测交通流量以及所述目标路口的工况参数,得到交通信号灯调度策略。其中,得到预测交通流量后,再根据其他影响车辆流量的因素(交通流量数据)生成交通信号灯调度策略。
交通信号调度模块230,用于基于所述交通信号灯调度策略对所述交通信号灯进行调度。交通信号调度模块230可以是路口的交通信号机,边缘计算模块220可以将调度策略发送至交通信号机,由交通信号对红绿灯等交通信号进行调度控制。
在其他一些实施方式中,数据获取模块210还包括视频采集单元211,用于采集设置所述目标路口的视频图像,视频采集单元211包括但不限于摄像头、雷达等设备。
边缘计算模块220还包括图像识别单元221,用于对视频图像进行图像识别处理,得到所述车辆流量。
在其他一些实施方式中,边缘计算模块220还包括:
模型训练单元222,用于基于卷积神经网络和长短期记忆网络以及注意力机制相结合构建所述流量预测模型。
在一些实施方式中,模型训练单元222所构建的流量预测模型,包括依次级联的卷积神经网络层、长短期记忆网络层及自注意力层。并且,模型训练单元222所构建的流量预测模型为分类模型,其被训练时,包括:
获取样本数据,所述样本数据的输入标签包括所述第一数据,所述样本数据的输出标签包括所述第一数据对应的交通流量;
将所述样本数据的输入标签作为所述流量预测模型的输入、所述输出标签作为所述流量预测模型的期望输出入,训练所述流量预测模型。
其中,第一数据包括至少两个所述参数,所述训练所述流量预测模型时还包括:
计算所述第一数据的各参数的重要性系数;
将所述各参数的重要性系数耦合各参数作为所述流量预测模型的输入、所述输出标签作为所述流量预测模型的期望输出入,训练所述流量预测模型。
在本申请的一些实施方式中,模型训练单元222还用于经过预设时间间隔,,获取新的样本数据,对流量预测模型进行训练并更新。
在本申请的一些实施方式中,边缘计算模块220根据所述预测交通流量以及所述目标路口的工况参数,得到交通信号灯调度策略,包括:
根据路口长度、路口宽度,以及车辆在不同车流量情况下的通过时长、等待时长,调整交通信号灯的组合顺序以及信号灯时长。
关于上述实施例中的交通信号灯调度***200,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本实施例提供的交通信号灯调度***200能够***车流量,动态对交通信号灯进行调度,同时还能够实现自适应调节,生成智能调度策略,提高通行效率。
图5是本申请实施例提供的一种计算设备300的结构性示意性图。该设备可以作为交通信号灯控制装置,执行上述交通信号灯调度方法中的各可选实施例,该计算设备可以是终端,也可以是终端内部的芯片或芯片***。如图5所示,该计算设备300包括:处理器310、存储器320、通信接口330。
应理解,图6所示的计算设备300中的通信接口330可以用于与其他设备之间进行通信,具体可以包括一个或多个收发电路或接口电路。
其中,该处理器310可以与存储器320连接。该存储器320可以用于存储该程序代码和数据。因此,该存储器320可以是处理器310内部的存储单元,也可以是与处理器310独立的外部存储单元,还可以是包括处理器310内部的存储单元和与处理器310独立的外部存储单元的部件。
可选的,计算设备300还可以包括总线。其中,存储器320、通信接口330可以通过总线与处理器310连接。总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图3中采用了一条无箭头的线表示,但并不表示仅有一根总线或一种类型的总线。
应理解,在本申请实施例中,该处理器310可以采用中央处理单元(centralprocessing unit,CPU)。该处理器还可以是其它通用处理器、数字信号处理器(digitalsignal processor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field programmable gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。或者该处理器310采用一个或多个集成电路,用于执行相关程序,以实现本申请实施例所提供的技术方案。
该存储器320可以包括只读存储器和随机存取存储器,并向处理器310提供指令和数据。处理器310的一部分还可以包括非易失性随机存取存储器。例如,处理器310还可以存储设备类型的信息。
在计算设备300运行时,所述处理器310执行所述存储器320中的计算机执行指令执行上述方法的任一操作步骤以及其中任一可选的实施例。
应理解,根据本申请实施例的计算设备300可以对应于执行根据本申请各实施例的方法中的相应主体,并且计算设备300中的各个模块的上述和其它操作和/或功能分别为了实现本实施例各方法的相应流程,为了简洁,在此不再赘述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时用于执行上述方法,该方法包括上述各个实施例所描述的方案中的至少之一。
本申请实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是,但不限于,电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括、但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。另外,说明书和权利要求书中的词语“第一、第二、第三等”或模块A、模块B、模块C等类似用语,仅用于区别类似的对象,不代表针对对象的特定排序,可以理解地,在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
在上述的描述中,所涉及的表示步骤的标号,如S110、S120……等,并不表示一定会按此步骤执行,在允许的情况下可以互换前后步骤的顺序,或同时执行。
说明书和权利要求书中使用的术语“包括”不应解释为限制于其后列出的内容;它不排除其它的元件或步骤。因此,其应当诠释为指定所提到的所述特征、整体、步骤或部件的存在,但并不排除存在或添加一个或更多其它特征、整体、步骤或部件及其组群。因此,表述“包括装置A和B的设备”不应局限为仅由部件A和B组成的设备。
本说明书中提到的“一个实施例”或“实施例”意味着与该实施例结合描述的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在本说明书各处出现的用语“在一个实施例中”或“在实施例中”并不一定都指同一实施例,但可以指同一实施例。此外,在一个或多个实施例中,能够以任何适当的方式组合各特定特征、结构或特性,如从本公开对本领域的普通技术人员显而易见的那样。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,均属于本申请保护范畴。
Claims (10)
1.一种交通信号灯调度方法,其特征在于,包括:
获取第一数据;所述第一数据与目标路口的交通流量相关;
将所述第一数据输入流量预测模型,得到预测交通流量;
根据所述预测交通流量以及所述目标路口的工况参数,得到交通信号灯调度策略;
基于所述交通信号灯调度策略对所述交通信号灯进行调度。
2.根据权利要求1所述的方法,其特征在于,所述第一数据包括至少以下之一参数:
时段、路口类型、信号灯相位、至少前一时段的车流量、日期类型、天气类型。
3.根据权利要求2所述的方法,其特征在于,所述流量预测模型为分类模型,包括:
依次级联的卷积神经网络层、长短期记忆网络层及自注意力层。
4.根据权利要求2或3所述的方法,其特征在于,所述流量预测模型为分类模型,其被训练时,包括:
获取样本数据,所述样本数据的输入标签包括所述第一数据,所述样本数据的输出标签包括所述第一数据对应的交通流量;
将所述样本数据的输入标签作为所述流量预测模型的输入、所述输出标签作为所述流量预测模型的期望输出入,训练所述流量预测模型。
5.根据权利要求4所述的方法,其特征在于,所述第一数据包括至少两个所述参数,所述训练所述流量预测模型时还包括:
计算所述第一数据的各参数的重要性系数;
将所述各参数的重要性系数耦合各参数作为所述流量预测模型的输入、所述输出标签作为所述流量预测模型的期望输出入,训练所述流量预测模型。
6.根据权利要求4或5所述的方法,其特征在于,包括:
经过预设时间间隔,获取新的样本数据;
基于所述新的样本数据对所述流量预测模型进行训练并更新。
7.根据权利要求1所述的方法,其特征在于,所述得到预测交通流量还包括:根据数据规约策略对所述预测交通流量进行规则约束。
8.根据权利要求1所述的方法,其特征在于,所述根据所述预测交通流量以及所述目标路口的工况参数,得到交通信号灯调度策略,包括:
根据路口长度、路口宽度,以及车辆在不同车流量情况下的通过时长、等待时长,调整交通信号灯的组合顺序以及信号灯时长。
9.一种交通信号灯调度装置,其特征在于,包括:
数据获取模块,用于获取第一数据;所述第一数据与目标路口的交通流量相关;
边缘计算模块,用于将所述第一数据输入流量预测模型,得到预测交通流量;
所述边缘计算模块还用于,根据所述预测交通流量以及所述目标路口的工况参数,得到交通信号灯调度策略;
交通信号调度模块,用于基于所述交通信号灯调度策略对所述交通信号灯进行调度。
10.一种计算设备,其特征在于,包括:
处理器,以及接口电路,其中,所述处理器通过所述接口电路访问存储器,所述存储器存储有程序指令,所述程序指令当被所述处理器执行时使得所述处理器执行权利要求1至8任一项所述的交通信号灯调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211194018.0A CN115691165A (zh) | 2022-09-28 | 2022-09-28 | 一种交通信号灯调度方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211194018.0A CN115691165A (zh) | 2022-09-28 | 2022-09-28 | 一种交通信号灯调度方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115691165A true CN115691165A (zh) | 2023-02-03 |
Family
ID=85064969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211194018.0A Pending CN115691165A (zh) | 2022-09-28 | 2022-09-28 | 一种交通信号灯调度方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115691165A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058880A (zh) * | 2023-08-30 | 2023-11-14 | 黑龙江八一农垦大学 | 一种基于交通大数据的车流量预测*** |
CN117612386A (zh) * | 2023-11-27 | 2024-02-27 | 中路科云(北京)技术有限公司 | 高速公路交通流预测方法、装置、计算机设备和存储介质 |
-
2022
- 2022-09-28 CN CN202211194018.0A patent/CN115691165A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058880A (zh) * | 2023-08-30 | 2023-11-14 | 黑龙江八一农垦大学 | 一种基于交通大数据的车流量预测*** |
CN117612386A (zh) * | 2023-11-27 | 2024-02-27 | 中路科云(北京)技术有限公司 | 高速公路交通流预测方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115691165A (zh) | 一种交通信号灯调度方法、装置、设备及可读存储介质 | |
Christofa et al. | Person-based traffic responsive signal control optimization | |
US20200134325A1 (en) | Method and system for determining whether there is target road facility at intersection | |
CN110570678B (zh) | 一种公交车辆从起点到终点总行驶时间预测方法及装置 | |
CN110956807B (zh) | 基于多源数据与滑动窗口组合的高速公路流量预测方法 | |
CN105185115A (zh) | 一种交通预测方法和预测*** | |
US20240054321A1 (en) | Traffic prediction | |
CN112400192A (zh) | 多模态深度交通信号控制的方法和*** | |
CN108281033B (zh) | 一种停车诱导***及方法 | |
WO2021115320A1 (zh) | 交通评估方法和*** | |
Wang et al. | An effective dynamic spatiotemporal framework with external features information for traffic prediction | |
CN115830848A (zh) | 一种基于lstm模型的共享停车位智能分配***及方法 | |
JP2024521538A (ja) | 交通予測のための分散マルチタスク機械学習 | |
CN116453343A (zh) | 智能网联环境下基于流量预测的智能交通信号控制优化算法、软件与*** | |
CN113838303B (zh) | 停车场推荐方法、装置、电子设备及存储介质 | |
CN114418606B (zh) | 基于时空卷积网络的网约车订单需求预测方法 | |
CN110633853A (zh) | 时空数据预测模型的训练方法、装置及电子设备 | |
CN114036411A (zh) | 一种路线规划方法、装置、设备及介质 | |
CN117456732A (zh) | 一种基于大数据的智慧城市交通的信号灯监控管理方法及装置、计算设备 | |
CN110503822A (zh) | 确定交通方案的方法和装置 | |
CN111340068A (zh) | 道路通行状态预测方法及装置 | |
CN115660156A (zh) | 一种用于交通站点客流拥堵延误预测的方法及*** | |
GB2584862A (en) | System and method for populating a database with occupancy data of parking facilities | |
Alsheikhy et al. | An Intelligent Adaptive Dynamic Algorithm for a Smart Traffic System. | |
Liu | Bi-level optimization algorithm for dynamic reversible lane control based on short-term traffic flow prediction |
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 |