本發(fā)明涉及城市交通控制優(yōu)化方法，尤其是一種基于深度學(xué)習(xí)的交通控制優(yōu)化方法，屬于交通控制優(yōu)化領(lǐng)域。

背景技術(shù)：

隨著汽車化進(jìn)程的不斷推進(jìn)，汽車數(shù)量飛速增長。然而，城市道路交通的增長速度和城市發(fā)展用地規(guī)模有著不可調(diào)和的矛盾，帶來了交通擁堵、交通事故頻發(fā)等問題，對(duì)一個(gè)城市的社會(huì)、經(jīng)濟(jì)發(fā)展都是極大的限制性因素。

近幾年，隨著城市化進(jìn)程的不斷加快，智能交通系統(tǒng)（ITS）得到了蓬勃發(fā)展，已經(jīng)成為當(dāng)今緩解城市道路交通問題的重要解決方案。在ITS的研究中，智能交通控制與誘導(dǎo)系統(tǒng)是一個(gè)熱門課題，人們希望利用智能交通控制與誘導(dǎo)系統(tǒng)來實(shí)現(xiàn)城市交通信號(hào)控制的優(yōu)化，提高城市的交通組織效率。

交通的運(yùn)行是復(fù)雜多變的，隨著時(shí)間和空間的變化道路交通系統(tǒng)也在不斷變化。因此道路交通系統(tǒng)具有開放性，隨機(jī)性和動(dòng)態(tài)性，如上下班高峰期或者出現(xiàn)交通事故、暴雨暴雪時(shí)，可能會(huì)出現(xiàn)道路嚴(yán)重堵塞甚至導(dǎo)致整個(gè)城市的交通系統(tǒng)癱瘓。影響道路交通系統(tǒng)的一系列因素是不確定和具有突發(fā)性的，因此在交通優(yōu)化控制過程中需要綜合多方的復(fù)雜因素。然而，面對(duì)過于復(fù)雜的數(shù)據(jù)，傳統(tǒng)的交通數(shù)據(jù)處理方法已經(jīng)無法匹配當(dāng)今交通控制優(yōu)化的需求。因此如何建立合理的指標(biāo)體系來尋求交通優(yōu)化控制最優(yōu)解決方案是當(dāng)前著手解決的關(guān)鍵，從而真正實(shí)現(xiàn)實(shí)際路況的全面展現(xiàn)。

近年來，深度學(xué)習(xí)走進(jìn)了人們的視野，是通過構(gòu)建多隱層的模型和海量訓(xùn)練數(shù)據(jù)來提高處理圖像、文本、語言等非結(jié)構(gòu)化數(shù)據(jù)的性能，這對(duì)處理交通基礎(chǔ)數(shù)據(jù)具有重要意義。因此，如何將深度學(xué)習(xí)算法體系中的大數(shù)據(jù)學(xué)習(xí)特征與智能交通管理系統(tǒng)相結(jié)合，是研究交通控制優(yōu)化的重要一個(gè)方向。

然而，并未有一種有效的基于深度學(xué)習(xí)的交通控制優(yōu)化方法，可以真正實(shí)現(xiàn)城市自學(xué)習(xí)的交通控制優(yōu)化。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述現(xiàn)有技術(shù)存在的缺陷，本發(fā)明提供一種基于深度學(xué)習(xí)的交通控制優(yōu)化方法，該方法包括以下步驟：1）交叉口交通運(yùn)行參數(shù)的提取，實(shí)時(shí)的獲取城市每個(gè)交叉口的交通運(yùn)行參數(shù)，包括交叉口通行能力、延誤、停車次數(shù)、排隊(duì)長度；2）綜合交通運(yùn)行評(píng)價(jià)指標(biāo)的定義，利用能夠得到的交叉口通行能力、延誤、停車次數(shù)、排隊(duì)長度參數(shù)，建立一個(gè)綜合評(píng)價(jià)指標(biāo)體系；3）當(dāng)前交通狀態(tài)下的交通控制優(yōu)化，利用遺傳算法，獲取達(dá)到最優(yōu)綜合評(píng)價(jià)指標(biāo)的交通控制策略；4）自學(xué)習(xí)的交通控制優(yōu)化，利用深度學(xué)習(xí)算法，對(duì)不同交通狀態(tài)下的交通控制優(yōu)化策略進(jìn)行不斷學(xué)習(xí)調(diào)整，實(shí)現(xiàn)最終的城市交通自適應(yīng)控制。

本發(fā)明的具體技術(shù)方案如下：

步驟1，交叉口交通運(yùn)行參數(shù)的提取

本發(fā)明所采用的交叉口交通運(yùn)行參數(shù)包括交叉口通行能力、延誤、停車次數(shù)、排隊(duì)長度，具體提取方式如下：

步驟1.1，利用城市浮動(dòng)車GPS數(shù)據(jù)、視頻監(jiān)控?cái)?shù)據(jù)以及手機(jī)信令數(shù)據(jù)等大量數(shù)據(jù)源，經(jīng)過數(shù)據(jù)融合算法，提取城市道路的交通流量、行程車速和通行時(shí)間等交通基本參數(shù)；

步驟1.2，利用城市路網(wǎng)數(shù)據(jù)、道路基礎(chǔ)設(shè)施數(shù)據(jù)、信號(hào)燈配時(shí)數(shù)據(jù)等，實(shí)現(xiàn)微觀交通基礎(chǔ)道路數(shù)字化；

步驟1.3，基于步驟1.2獲取的數(shù)字化微觀交通基礎(chǔ)道路，利用步驟1.1獲取的真實(shí)城市道路交通基本參數(shù)，模擬出真實(shí)的城市微觀交通運(yùn)行狀態(tài)；

步驟1.4，基于步驟1.3模擬出的城市微觀交通運(yùn)行狀態(tài)，從運(yùn)行結(jié)果中輸出每個(gè)交路口在當(dāng)前信號(hào)燈配時(shí)下的交叉口通行能力（C）、延誤（D）、停車次數(shù)（N）、排隊(duì)長度（L）數(shù)據(jù)。

步驟2，綜合交通運(yùn)行評(píng)價(jià)指標(biāo)的定義

本發(fā)明所定義的綜合交通運(yùn)行評(píng)價(jià)指標(biāo)（E）是綜合了步驟1獲取的每個(gè)交叉口通行能力（C）、延誤（D）、停車次數(shù)（S）、排隊(duì)長度（L）四個(gè)指標(biāo)，具體計(jì)算方式如下：

步驟2.1，某一交叉口i的綜合評(píng)價(jià)指標(biāo)，其中，f（）表示總體評(píng)價(jià)指標(biāo)與通行能力、延誤、停車次數(shù)、排隊(duì)長度的關(guān)系函數(shù)；

步驟2.2，綜合全部交叉口的總體評(píng)價(jià)指標(biāo)后得到城市交通運(yùn)行評(píng)價(jià)指標(biāo)，即：

其中，n表示交叉口總數(shù)量。

步驟3，當(dāng)前交通狀態(tài)下的交通控制優(yōu)化

本發(fā)明利用遺傳算法，獲取達(dá)到最優(yōu)綜合評(píng)價(jià)指標(biāo)的交通控制策略，具體做法如下：

步驟3.1，針對(duì)當(dāng)前交通狀態(tài)下，隨機(jī)生成N種交叉口控制參數(shù)組合策略；

步驟3.2，將N種組合策略利用步驟2的方法獲取N種綜合交通運(yùn)行評(píng)價(jià)指標(biāo)，同時(shí)計(jì)算每一個(gè)策略的權(quán)重（α），其中，

步驟3.3，根據(jù)N種策略的權(quán)重大小對(duì)步驟3.1的N種策略進(jìn)行重新選擇，每種策略被選擇的概率為步驟3.2的權(quán)重（α），生成最新的N種策略；

步驟3.4，將步驟3.3的N種策略按照一定幾率進(jìn)行重新組合，完成部分策略的變異，生成另一份的N種策略；

步驟3.5，將步驟3.4的結(jié)果帶入步驟3.2，進(jìn)行多次迭代；

步驟3.6，當(dāng)?shù)螖?shù)達(dá)到預(yù)定值或N種策略中的相似性達(dá)到一定程度，完成計(jì)算，此時(shí)的交叉口控制參數(shù)組合為最優(yōu)的交通控制結(jié)果。

步驟4：自學(xué)習(xí)的交通控制優(yōu)化

本發(fā)明利用深度學(xué)習(xí)算法，對(duì)不同交通狀態(tài)下的交通控制優(yōu)化策略進(jìn)行不斷學(xué)習(xí)調(diào)整，實(shí)現(xiàn)最終的城市交通自適應(yīng)控制，具體做法如下：

步驟4.1，利用大量歷史數(shù)據(jù)進(jìn)行訓(xùn)練，即將歷史不同交通狀態(tài)數(shù)據(jù)帶入步驟3，得到不同交通狀態(tài)下的最優(yōu)交通控制結(jié)果，并打上相對(duì)應(yīng)的標(biāo)簽；

步驟4.2，實(shí)際出行中，將實(shí)際的交通狀態(tài)參數(shù)數(shù)據(jù)和步驟4.1訓(xùn)練的標(biāo)簽數(shù)據(jù)進(jìn)行概率匹配，獲取實(shí)際觀測(cè)數(shù)據(jù)與標(biāo)簽數(shù)據(jù)的聯(lián)合概率分布函數(shù)f（p）；

步驟4.3，利用步驟4.2獲取的聯(lián)合概率分布，完成先驗(yàn)概率和后驗(yàn)概率的估計(jì)，概率估計(jì)較高的交通控制策略為最優(yōu)策略；

步驟4.4，今后的交通控制優(yōu)化中，將步驟4.3得到的結(jié)果當(dāng)成歷史數(shù)據(jù)，擴(kuò)大步驟4.1中的樣本量，并重復(fù)上述操作，完成自學(xué)習(xí)的交通控制優(yōu)化。

本發(fā)明的有益效果是：該基于深度學(xué)習(xí)的交通控制優(yōu)化方法，利用大量多源數(shù)據(jù)獲取城市的交通運(yùn)行狀態(tài)，并通過城市微觀交通模擬的方式得到城市交叉口的多個(gè)參數(shù)指標(biāo)，綜合多個(gè)指標(biāo)得到城市總體運(yùn)行評(píng)價(jià)指標(biāo)，利用該指標(biāo)，通過遺傳算法和深度學(xué)習(xí)算法實(shí)現(xiàn)城市交通控制優(yōu)化。該方法考慮了多種交通參數(shù)，能夠保證評(píng)價(jià)指標(biāo)的合理性，同時(shí)遺傳算法和深度學(xué)習(xí)的使用解決了標(biāo)簽訓(xùn)練樣本數(shù)量不夠、算法收斂速度較慢以及出現(xiàn)局部最優(yōu)現(xiàn)象等問題，確保交通控制優(yōu)化的準(zhǔn)確性和合理性。

附圖說明

圖1 為本發(fā)明基于深度學(xué)習(xí)的交通控制優(yōu)化方法總流程圖。

圖2 為本發(fā)明交叉口交通運(yùn)行參數(shù)提取流程圖。

圖3 為本發(fā)明綜合交通運(yùn)行評(píng)價(jià)指標(biāo)計(jì)算流程圖。

圖4 為本發(fā)明當(dāng)前交通狀態(tài)下交通控制優(yōu)化策略制定流程圖。

圖5 為本發(fā)明自學(xué)習(xí)交通控制優(yōu)化流程圖。

具體實(shí)施方式

以下結(jié)合附圖對(duì)本發(fā)明的特征及其它相關(guān)特征作進(jìn)一步詳細(xì)說明：

如圖1所示，本發(fā)明提供一種基于深度學(xué)習(xí)的交通控制優(yōu)化方法，該方法包括以下步驟：1）交叉口交通運(yùn)行參數(shù)的提取，實(shí)時(shí)的獲取城市每個(gè)交叉口的交通運(yùn)行參數(shù)，包括交叉口通行能力、延誤、停車次數(shù)、排隊(duì)長度；2）交通運(yùn)行評(píng)價(jià)指標(biāo)的定義，利用能夠得到的交叉口通行能力、延誤、停車次數(shù)、排隊(duì)長度參數(shù)，建立一個(gè)總體的評(píng)價(jià)指標(biāo)體系；3）當(dāng)前交通狀態(tài)下的交通控制優(yōu)化，利用遺傳算法，獲取達(dá)到最優(yōu)綜合評(píng)價(jià)指標(biāo)的交通控制策略；4）自學(xué)習(xí)的交通控制優(yōu)化，利用深度學(xué)習(xí)算法，對(duì)不同交通狀態(tài)下的交通控制優(yōu)化策略進(jìn)行不斷學(xué)習(xí)調(diào)整，實(shí)現(xiàn)最終的城市交通自適應(yīng)控制。

如圖2所示，交叉口交通運(yùn)行參數(shù)提取的具體步驟如下：

步驟1.1，利用城市浮動(dòng)車GPS數(shù)據(jù)、視頻監(jiān)控?cái)?shù)據(jù)以及手機(jī)信令數(shù)據(jù)等大量數(shù)據(jù)源，經(jīng)過數(shù)據(jù)融合算法，提取城市道路的交通流量、行程車速和通行時(shí)間等交通基本參數(shù)；

步驟1.2，利用城市路網(wǎng)數(shù)據(jù)、道路基礎(chǔ)設(shè)施數(shù)據(jù)、信號(hào)燈配時(shí)數(shù)據(jù)等，實(shí)現(xiàn)微觀交通基礎(chǔ)道路數(shù)字化；

步驟1.3，基于步驟1.2獲取的數(shù)字化微觀交通基礎(chǔ)道路，利用步驟1.1獲取的真實(shí)城市道路交通基本參數(shù)，模擬出真實(shí)的城市微觀交通運(yùn)行狀態(tài)；

步驟1.4，基于步驟1.3模擬出的城市微觀交通運(yùn)行狀態(tài)，從運(yùn)行結(jié)果中輸出每個(gè)交路口在當(dāng)前信號(hào)燈配時(shí)下的交叉口通行能力（C）、延誤（D）、停車次數(shù)（N）、排隊(duì)長度（L）數(shù)據(jù)。

如圖3所示，城市綜合交通運(yùn)行評(píng)價(jià)指標(biāo)的計(jì)算流程如下：

步驟2.1，某一交叉口i的總體評(píng)價(jià)指標(biāo)，其中，f（）表示總體評(píng)價(jià)指標(biāo)與通行能力、延誤、停車次數(shù)、排隊(duì)長度的關(guān)系函數(shù)；

步驟2.2，綜合全部交叉口的總體評(píng)價(jià)指標(biāo)后得到城市交通運(yùn)行評(píng)價(jià)指標(biāo)，即：

其中，n表示交叉口總數(shù)量。

如圖4所示，當(dāng)前交通狀態(tài)下的交通控制優(yōu)化策略的制定流程如下：

步驟3.1，針對(duì)當(dāng)前交通狀態(tài)下，隨機(jī)生成N種交叉口控制參數(shù)組合策略；

步驟3.2，將N種組合策略利用步驟2的方法獲取N種交通運(yùn)行評(píng)價(jià)指標(biāo)，同時(shí)計(jì)算每一個(gè)策略的權(quán)重（α），其中，

步驟3.3，根據(jù)N種策略的權(quán)重大小對(duì)步驟3.1的N種策略進(jìn)行重新選擇，每種策略被選擇的概率為步驟3.2的權(quán)重（α），生成最新的N種策略；

步驟3.4，將步驟3.3的N種策略按照一定幾率進(jìn)行重新組合，完成部分策略的變異，生成另一份的N種策略；

步驟3.5，將步驟3.4的結(jié)果帶入步驟3.2，進(jìn)行多次迭代；

步驟3.6，當(dāng)?shù)螖?shù)達(dá)到預(yù)定值或N種策略中的相似性達(dá)到一定程度，完成計(jì)算，此時(shí)的交叉口控制參數(shù)組合為最優(yōu)的交通控制結(jié)果。

如圖5所示，城市自學(xué)習(xí)的交通控制優(yōu)化流程如下：

步驟4.1，利用大量歷史數(shù)據(jù)進(jìn)行訓(xùn)練，即將歷史不同交通狀態(tài)數(shù)據(jù)帶入步驟3，得到不同交通狀態(tài)下的最優(yōu)交通控制結(jié)果，并打上相對(duì)應(yīng)的標(biāo)簽；

步驟4.2，實(shí)際出行中，將實(shí)際的交通狀態(tài)參數(shù)數(shù)據(jù)和步驟4.1訓(xùn)練的標(biāo)簽數(shù)據(jù)進(jìn)行概率匹配，獲取實(shí)際觀測(cè)數(shù)據(jù)與標(biāo)簽數(shù)據(jù)的聯(lián)合概率分布f（p）；

步驟4.3，利用步驟4.2獲取的聯(lián)合概率分布，完成先驗(yàn)概率和后驗(yàn)概率的估計(jì)，概率估計(jì)較高的交通控制策略為最優(yōu)策略；

步驟4.4，今后的交通控制優(yōu)化中，將步驟4.3得到的結(jié)果當(dāng)成歷史數(shù)據(jù)，擴(kuò)大步驟4.1中的樣本量，并重復(fù)上述操作，完成自學(xué)習(xí)的交通控制優(yōu)化。