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。