本發(fā)明屬于智能交通燈調(diào)度算法技術(shù)領(lǐng)域，尤其涉及到一種融合自回歸預(yù)測(cè)模型的智能交通調(diào)度方法。

背景技術(shù)：

城市交通問題，諸如道路交通阻塞、尾氣污染和交通事故等，已經(jīng)成為世界性的難題之一，各國(guó)政府以及交通領(lǐng)域?qū)W者專家們正在積極努力地尋找解決該問題的方案，而我國(guó)早在2006年就提出并制定了交通科技發(fā)展戰(zhàn)略目標(biāo)。在交通系統(tǒng)研究領(lǐng)域中，其中一個(gè)重要的研究領(lǐng)域就是智能交通系統(tǒng)(Intelligent Traffic System,ITS)，ITS系統(tǒng)被認(rèn)為是解決城市道路交通問題的有效方法之一。我國(guó)的交通需求增長(zhǎng)迅速，交通對(duì)于人們生活也來(lái)越重要。同時(shí)，便利的交通也是一個(gè)國(guó)家或者區(qū)域經(jīng)濟(jì)繁榮和科學(xué)技術(shù)發(fā)達(dá)的標(biāo)志。然而，越來(lái)越便利的交通條件在帶動(dòng)經(jīng)濟(jì)的同時(shí)，城市道路交通阻塞現(xiàn)象越來(lái)越常見，給環(huán)境、個(gè)人出行安全以及社會(huì)經(jīng)濟(jì)發(fā)展帶來(lái)不良的影響。因此，城市交通系統(tǒng)的改革和優(yōu)化勢(shì)在必行。

城市交通信號(hào)燈的本質(zhì)就是保障交通秩序，確保車輛通行安全。城市交通燈的使用可以追溯到1868年，它通過交通信號(hào)的循環(huán)轉(zhuǎn)換來(lái)控制和調(diào)度各個(gè)路口的交通流量。然而，原有的城市交通燈系統(tǒng)已無(wú)法解決日益常見的城市交通道路擁堵問題。傳統(tǒng)交通信號(hào)燈狀態(tài)轉(zhuǎn)換時(shí)間無(wú)法動(dòng)態(tài)改變，交通燈的顯示時(shí)間不能根據(jù)各個(gè)路口的實(shí)時(shí)車流量來(lái)動(dòng)態(tài)調(diào)整。因此通常會(huì)發(fā)生這樣的情形：在一個(gè)交通路口，水平車道已發(fā)生車流擁堵，垂直車道車流卻十分稀少，然而交通信號(hào)燈只是機(jī)械的變換，不能優(yōu)先考慮擁堵車道實(shí)時(shí)調(diào)度交通燈。另外，一些大客運(yùn)量的公共交通(如：有軌電車)是解決城市交通擁堵的重要手段，是未來(lái)城市交通的發(fā)展趨勢(shì)，由于該類交通載客數(shù)量巨大，應(yīng)優(yōu)先確保其等待時(shí)間盡可能短。

目前已有一些關(guān)于智能調(diào)度算法的研究工作，可以用來(lái)使交通燈有更加靈活的調(diào)度區(qū)間，這些算法旨在提高整個(gè)路網(wǎng)的交通效率。目前最常用的方法之一就是根據(jù)實(shí)時(shí)交通流來(lái)設(shè)置交通燈狀態(tài)。最佳調(diào)度方案可以明顯減少路網(wǎng)各個(gè)路口的交通阻塞情況，各個(gè)路口的平均滯留車輛數(shù)越少，表明該調(diào)度算法越有效。將智能調(diào)度算法融入交通燈調(diào)度場(chǎng)景中形成智能交通燈調(diào)度算法，對(duì)明顯改善我國(guó)日益嚴(yán)重的交通問題有著重大意義。

為了更好地調(diào)度交通燈，優(yōu)化路網(wǎng)交通流，交通流預(yù)測(cè)十分重要。交通流預(yù)測(cè)一直被視為ITS系統(tǒng)的一大難點(diǎn)。為了尋求最佳的預(yù)測(cè)效果，許多機(jī)器學(xué)習(xí)算法被拿來(lái)研究作為預(yù)測(cè)模型。機(jī)器學(xué)習(xí)是一種通過利用數(shù)據(jù)，訓(xùn)練出模型，然后使用模型預(yù)測(cè)的方法。機(jī)器學(xué)習(xí)是利用數(shù)據(jù)價(jià)值的關(guān)鍵技術(shù)，通過使用機(jī)器學(xué)習(xí)算法對(duì)交通流歷史數(shù)據(jù)進(jìn)行建模，可以很好的實(shí)現(xiàn)交通流的預(yù)測(cè)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)存在的不足而提供的一種融合自回歸預(yù)測(cè)模型的智能交通調(diào)度方法，該方法根據(jù)各個(gè)路口實(shí)時(shí)交通流來(lái)智能靈活地調(diào)度各個(gè)路口交通燈狀態(tài)，從而緩解交通壓力，提高城市路網(wǎng)各路口通行能力。

本發(fā)明的目的是這樣實(shí)現(xiàn)的：

一種融合自回歸預(yù)測(cè)模型的智能交通調(diào)度方法，該方法包括以下步驟：

步驟1：進(jìn)行基因編碼，用二進(jìn)制代碼中的‘0’代表水平車流，用‘1’代表垂直車流，然后初始化，定義包含數(shù)個(gè)個(gè)體的初始種群；

步驟2：進(jìn)行適應(yīng)度評(píng)價(jià)，用變量P代表適應(yīng)度，定義P為路口等待車輛的數(shù)量，其中大客運(yùn)量公交的權(quán)重大于其他車輛；定義適應(yīng)度函數(shù)，使得各個(gè)路口的P之和最??；適應(yīng)度函數(shù)如下：

min{Σmax(VP(t_i+1),HP(t_i+1))}

其中，t_i+1表示當(dāng)前單位時(shí)間的下一個(gè)單位時(shí)間，VP和HP分別代表垂直和水平的等待車輛數(shù)量，通過自回歸模型進(jìn)行預(yù)測(cè)得到；

步驟3：操作遺傳算子，包括選擇、交叉和變異；

步驟4：判斷是否滿足迭代終止條件，若不滿足，則繼續(xù)迭代，若滿足則退出迭代，并進(jìn)行解碼，將每個(gè)字符轉(zhuǎn)換成該路口的交通燈調(diào)度方案。

本發(fā)明步驟2所述的自回歸模型，如下所示：

其中，y_t表示t單位時(shí)間的車流量，θ_i表示第i個(gè)參數(shù)，y_t-i表示t-i單位時(shí)間的車流量，ε_t是具備均值為0、方差為δ的高斯白噪音；

本發(fā)明步驟3所述的選擇：指確保最好的基因被選擇出來(lái)并傳給下一代的種群，每一代都是一個(gè)交通調(diào)度方案，根據(jù)適應(yīng)度對(duì)每一代進(jìn)行排序，淘汰那些適應(yīng)度低的；所述的交叉：指通過結(jié)合和破壞個(gè)體的基因，來(lái)進(jìn)行個(gè)體間基因信息的交換；所述的變異：是小概率事件，如果發(fā)生，會(huì)在個(gè)體基因串上的某個(gè)基因值上作變動(dòng)。

若發(fā)生變異，隨機(jī)選取一點(diǎn)：‘1’變‘0’，‘0’變‘1’；變異操作后，產(chǎn)生一個(gè)新的個(gè)體。

所述的種群指要解決問題可能潛在的解集，也即初始代，如“010101010001111100000111000010111100001111000”便是一個(gè)種群，而其中的每個(gè)0或1便是一個(gè)個(gè)體，一個(gè)種群經(jīng)過一次遺傳算子操作后就得到一代。

本發(fā)明的有益效果：本發(fā)明在綜合考慮所有車輛等待時(shí)間的情況下，優(yōu)先考慮大客運(yùn)量公交的等待時(shí)間，同時(shí)通過模型預(yù)測(cè)，可以得到使下一個(gè)單位時(shí)間交通流達(dá)到最優(yōu)的當(dāng)前交通燈調(diào)度方案，從而提高了路口通行效率，降低了車輛尤其是大客運(yùn)量車輛的平均等待時(shí)間，壓縮了車流通過交通燈路口的時(shí)間，優(yōu)化了交通流。本發(fā)明提高完善了智能交通系統(tǒng)技術(shù)框架體系，改善市民出行質(zhì)量以及緩解交通堵塞等諸多問題。

附圖說明

圖1為實(shí)施本發(fā)明的架構(gòu)示意圖；

圖2為本發(fā)明流程圖；

圖3為本發(fā)明具體實(shí)施流程圖；

圖4為本發(fā)明中某地區(qū)部分區(qū)域街道路口簡(jiǎn)化示意圖；

圖5為本發(fā)明中交通流主體方向示意圖；

圖6為本發(fā)明中交通路口類型圖；

圖7為本發(fā)明中自回歸模型FPE準(zhǔn)則函數(shù)曲線示意圖；

圖8為本發(fā)明中s->k路徑下一單位時(shí)間車流量示意圖；

圖9為本發(fā)明路口滯留交通流示意圖。

具體實(shí)施方式

結(jié)合以下具體實(shí)施例和附圖，對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說明。實(shí)施本發(fā)明的過程、條件、實(shí)驗(yàn)方法等，除以下專門提及的內(nèi)容之外，均為本領(lǐng)域的普遍知識(shí)和公知常識(shí)，本發(fā)明沒有特別限制內(nèi)容。

參閱圖1和圖2，實(shí)施本發(fā)明架構(gòu)的實(shí)例圖，包含三大模塊：交通燈網(wǎng)絡(luò)、交通流數(shù)據(jù)云和調(diào)度器。交通燈網(wǎng)絡(luò)中各個(gè)路口的傳感器會(huì)實(shí)時(shí)采集各個(gè)路口的交通流情況，并實(shí)時(shí)傳給交通流數(shù)據(jù)云存儲(chǔ)下來(lái)。接收器則接收來(lái)自調(diào)度器的交通燈調(diào)度策略，同時(shí)設(shè)置各個(gè)路口的交通燈狀態(tài)。交通流數(shù)據(jù)云中存儲(chǔ)三個(gè)數(shù)據(jù)集合：實(shí)時(shí)交通流數(shù)據(jù)集、訓(xùn)練集和預(yù)測(cè)集。實(shí)時(shí)交通流數(shù)據(jù)集顧名思義，存儲(chǔ)來(lái)自傳感器的實(shí)時(shí)數(shù)據(jù)，并向調(diào)度器實(shí)時(shí)提供算法所需要的實(shí)時(shí)交通流數(shù)據(jù)。已過期的歷史數(shù)據(jù)則作為訓(xùn)練數(shù)據(jù)存儲(chǔ)在訓(xùn)練集中。訓(xùn)練集可以向預(yù)測(cè)模型提供歷史數(shù)據(jù)來(lái)訓(xùn)練預(yù)測(cè)模型參數(shù)。預(yù)測(cè)集則存儲(chǔ)來(lái)自預(yù)測(cè)算法所預(yù)測(cè)的下一個(gè)單位時(shí)間的交通流數(shù)據(jù)，并提供給調(diào)度器中的適應(yīng)度函數(shù)。調(diào)度器是整個(gè)調(diào)度架構(gòu)的核心。它通過控制算法來(lái)處理來(lái)自交通流數(shù)據(jù)云中的實(shí)時(shí)交通流數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)，同時(shí)產(chǎn)生調(diào)度方案并將之傳送給交通燈網(wǎng)絡(luò)的接收器。本發(fā)明流程如下：1)進(jìn)行基因編碼，用二進(jìn)制代碼中的‘0’代表水平車流，用‘1’代表垂直車流，然后初始化，定義包含數(shù)個(gè)個(gè)體的初始種群；2.進(jìn)行適應(yīng)度評(píng)價(jià),其中適應(yīng)度函數(shù)中的參數(shù)由預(yù)測(cè)模型計(jì)算得到；3)操作遺傳算子，包括選擇、交叉和變異；4)判斷是否滿足迭代終止條件，若不滿足，則繼續(xù)迭代，若滿足則退出迭代，并進(jìn)行解碼，將每個(gè)字符轉(zhuǎn)換成該路口的交通燈調(diào)度方案。對(duì)應(yīng)的數(shù)據(jù)流程如下：傳感器傳送實(shí)時(shí)交通流數(shù)據(jù)，存儲(chǔ)在交通流數(shù)據(jù)云中。云中實(shí)時(shí)交通流數(shù)據(jù)集一方面向本發(fā)明提供數(shù)據(jù)，一方面將歷史數(shù)據(jù)放入訓(xùn)練集中。調(diào)度器中的預(yù)測(cè)算法利用數(shù)據(jù)云中訓(xùn)練集的歷史數(shù)據(jù)來(lái)訓(xùn)練預(yù)測(cè)模型參數(shù)，并將預(yù)測(cè)數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)云中的預(yù)測(cè)集。預(yù)測(cè)集向調(diào)度算法提供預(yù)測(cè)數(shù)據(jù)。調(diào)度器產(chǎn)生最優(yōu)調(diào)度方案，并傳送給交通燈網(wǎng)絡(luò)的接收器，從而轉(zhuǎn)換交通燈狀態(tài)。

參閱圖3，本發(fā)明實(shí)驗(yàn)時(shí)段從早上六點(diǎn)到晚上八點(diǎn)，一共十四個(gè)小時(shí)，每三十秒為一個(gè)單位時(shí)間T，共1680T。在每個(gè)單位時(shí)間T中，調(diào)度器都會(huì)利用本發(fā)明來(lái)計(jì)算得到最優(yōu)的交通燈調(diào)度方案。本發(fā)明在每個(gè)單位時(shí)間中都會(huì)產(chǎn)生最優(yōu)的交通調(diào)度方案，這可以看作是實(shí)時(shí)調(diào)度控制各個(gè)路口的交通燈狀態(tài)。

參閱圖4，交通場(chǎng)景一共包含45個(gè)路口，路口類型分為十字路口和T字路口。為了在該交通場(chǎng)景中使用本發(fā)明，對(duì)45個(gè)路口采用二進(jìn)制進(jìn)行初始化編碼，‘0’表示該路口車流主體方向是水平的，‘1’表示該路口車流主體方向是垂直的。首先，實(shí)驗(yàn)中的45個(gè)路口都已經(jīng)有了各自標(biāo)識(shí)名，為了方便編碼，需對(duì)這45個(gè)路口分別賦予一個(gè)順序ID，通過順序ID可以得知路口對(duì)應(yīng)的字符在編碼字符串中的位置。舉例說明：tl4順序ID為3，則表明編碼字符串中第4個(gè)字符(編碼字符串第一個(gè)字符下標(biāo)從0開始)解碼后所對(duì)應(yīng)的是路口tl4的表現(xiàn)型。其次，采用二進(jìn)制編碼，實(shí)現(xiàn)從表現(xiàn)型到基因型的映射?！?10101010001111100000111000010111100001111000”是種群中一個(gè)隨機(jī)初始化個(gè)體所對(duì)應(yīng)的二進(jìn)制編碼，包含45個(gè)字符，分別對(duì)應(yīng)實(shí)驗(yàn)場(chǎng)景中45個(gè)路口。字符串中每個(gè)字符解碼后的表現(xiàn)型對(duì)應(yīng)的就是路網(wǎng)中各個(gè)路口的車流量方向狀態(tài)，然后根據(jù)每個(gè)路口的車流量方向就可以設(shè)置該路口的交通燈狀態(tài)。

參閱圖5，在仿真交通路口場(chǎng)景中，根據(jù)街道簡(jiǎn)化示意圖(圖4)，交通流主體方向可以分為兩種：水平車流和垂直車流，該圖顯示的是十字路口交通車流主體方向示意圖。根據(jù)路口車流主體方向就可以來(lái)設(shè)置各個(gè)路口的交通燈狀態(tài)，可以使用車流主體方向來(lái)作為表現(xiàn)型。使用二進(jìn)制編碼表示基因型，用‘0’代表水平車流，‘1’代表垂直車流。所以，從表現(xiàn)型到基因型的映射就是水平車流對(duì)應(yīng)‘0’，垂直車流對(duì)應(yīng)‘1’。

參閱圖6，路口的類型分為五種，每一個(gè)路口類型不是十字路口就是T字路口。十字路口包含4條路徑，T字路口包含3條路徑。

參閱圖7，實(shí)驗(yàn)采用FPE準(zhǔn)則函數(shù)來(lái)確定自回歸模型階數(shù)，具體操作如下：按照從低階到高階的方式建立AR模型，并計(jì)算出相應(yīng)的FPE值，從中選擇最小的FPE值所應(yīng)對(duì)的階數(shù)作為模型的階數(shù)。隨著模型階數(shù)的升高，F(xiàn)PE值總體趨勢(shì)是下降的。

參閱圖8，本發(fā)明的目的就是通過當(dāng)前單位時(shí)間的交通燈調(diào)度誘使下一個(gè)單位時(shí)間路網(wǎng)中全局交通流依然可以達(dá)到最優(yōu)。為了提前了解下一個(gè)時(shí)刻各個(gè)路口交通流狀態(tài)，需要預(yù)測(cè)出下一個(gè)單位時(shí)間進(jìn)入各個(gè)路口每條路徑的車流量。從路口s到路口k這條路徑上，其中：

(a)等待車流(SF)表示在該單位時(shí)間停留下來(lái)的車流量；

(b)直線車流(SIF)、左車流(LF)和右車流(RF)表示在該單位時(shí)間在s路口從其它路徑上流到s->k這條路徑上的車流量；

(c)預(yù)測(cè)流(PF)表示通過預(yù)測(cè)模型所預(yù)測(cè)的下一個(gè)單位時(shí)間此路徑上可能流進(jìn)來(lái)的車流量；

此路徑在當(dāng)前時(shí)間單位調(diào)度后的剩余車流量是SF、SIF、LF和RF的和，而下一個(gè)單位時(shí)間此路徑上可能流進(jìn)來(lái)的車流量是PF。所以綜上，此路徑在下一個(gè)單位時(shí)間的交通車流量是當(dāng)前時(shí)間單位調(diào)度后的剩余車流量與下一個(gè)單位時(shí)間此路徑上可能流進(jìn)來(lái)的車流量的總和。

路口s到路口k這條路徑在下一個(gè)單位時(shí)間的交通車流量計(jì)算公式如下：

Flow(s->k)(t_i+1)＝SF(t_i)+RF(t_i)

+SIF(t_i)+LF(t_i)

+PF(s->k)(t_i+1)。

參閱圖9，顯示了5個(gè)路口，s、k、l、m、n。對(duì)于路口k來(lái)說，其垂直方向滯留交通車流量的大小是路口m到路口k和路口n到路口k這兩條路徑滯留車輛數(shù)之和，其水平方向滯留交通車流量的大小是路口l到路口k和路口s到路口k這兩條路徑滯留車輛數(shù)之和，其中本發(fā)明定義一輛大客運(yùn)量車滯留等于五輛非大客運(yùn)輛車滯留。垂直和水平方向滯留交通車流量計(jì)算公式如下：

(1)VP(t_i+1)＝Flow(m->k)(t_i+1)+Flow(n->k)(t_i+1)

(2)HP(t_i+1)＝Flow(s->k)(t_i+1)+Flow(l->k)(t_i+1)

本發(fā)明的保護(hù)內(nèi)容不局限于以上實(shí)施例。在不背離發(fā)明構(gòu)思的精神和范圍下，本領(lǐng)域技術(shù)人員能夠想到的變化和優(yōu)點(diǎn)都被包括在本發(fā)明中，并且以所附的權(quán)利要求書為保護(hù)范圍。