[發明專利]一種基于神經網絡的交通信號智能調節方法有效
| 申請號： | 202011296678.0 | 申請日： | 2020-11-18 |
| 公開（公告）號： | CN112489453B | 公開（公告）日： | 2022-03-29 |
| 發明（設計）人： | 謝偉;張躍;胡興;宋冕冕;武永濤;何焜;許鵬;劉云龍;高軍;聞號;李航;洪汛;孫雪永 | 申請（專利權）人： | 安徽四創電子股份有限公司 |
| 主分類號： | G08G1/07 | 分類號： | G08G1/07;G06N3/08;G06N3/04 |
| 代理公司： | 北京和信華成知識產權代理事務所(普通合伙) 11390 | 代理人： | 胡闊雷 |
| 地址： | 230088 安徽省合肥*** | 國省代碼： | 安徽;34 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 神經網絡 交通信號 智能 調節 方法 | ||
本發明公開了一種基于神經網絡的交通信號智能調節方法，該方法具體包括下述步驟：步驟一：訓練機器學習模型，具體包括：S1：以路口的四個卡口點位為基礎，分別再選取四條支路距離路口最近的非路口卡口；S2：設置時間窗口大小為10秒，滑動間隔時間Δt＝10秒聚合選取點位的過車數據；S3：選取多層神經網絡為訓練模型；本發明通過根據實際的過車數量動態調整滑動窗口的時間間隔；兩套預測模型同時運行，主模型參數保持不變，輔助預測模型每次參數動態調整，使用評價網絡對主輔預測模型進行預測結果評價，選取最優解更新主模型，根據實際擁堵的情況，動態調整框架的參數，使得算法模型適應多種場景。
技術領域
本發明涉及交通信號技術領域，具體為一種基于神經網絡的交通信號智能調節方法。
背景技術
隨著城市的不斷發展，私家車數量的不斷增加，城市日益變得擁堵起來。但是在一些較為擁堵的路段，交通信號燈的時間間隔嚴重不合理，只能依靠交警通過目測的方式手動調節。這種方式增加了交警的工作負擔，同時也存在著一定量的誤差。
發明內容
本發明的目的在于提供一種基于神經網絡的交通信號智能調節方法。
本發明的目的可以通過以下技術方案實現：一種基于神經網絡的交通信號智能調節方法，該方法具體包括下述步驟：
訓練機器學習模型
S1：以路口的四個卡口點位為基礎，分別再選取四條支路距離路口最近的非路口卡口；
S2：設置時間窗口大小為10秒，滑動間隔時間Δt＝10秒聚合選取點位的過車數據；
S3：選取多層神經網絡為訓練模型；
S4：選取Adam為隨機梯度下降優化算法，選取Mse為損失函數編譯網絡；
S5：使用Xavier初始化權值，ReLU函數作為激活函數訓練網絡；
S6：調整中間層層數和中間層網絡節點的數量，使用評價網絡評價預測結果，選擇效果最佳的層數和節點數量為最終模型的參數；
動態調整
K1：根據實際的過車數量動態調整滑動窗口的時間間隔；
K2：兩套預測模型同時運行，主模型參數保持不變，輔助預測模型每次參數動態調整，使用評價網絡對主輔預測模型進行預測結果評價，選取最優解更新主模型。
所述以路口的四個方向的實地卡口點位為基礎，分別再選取四條支路距離路口最近的非路口實地卡口，如果沒有非路口的實地卡口，也可以使用虛擬卡口，或者路邊普通攝像頭接入視頻結構化算法代替。
統計過車數據采用的是流處理框架的滑動窗口，因為每天有上億級別的過車數據，傳統的框架無法做到實時性，只有使用流處理框架才能夠實現低延遲，滿足實際的業務場景需要。
選取多層神經網絡為訓練模型，在此選擇五層神經網絡為初始化訓練模型，第一層輸入12個節點，第二層10個節點，第三層8個節點，第四層10個節點，第五層輸出4個節點(考慮一對信號燈左轉和直行的情況)。
為防止網絡激活的梯度消失或爆炸，在初始化權重時保證激活的平均值為零和激活的方差在每一層保持不變，在此使用Xavier初始化權值。
首先節點數不變，調整中間層數(增加1-2個節點)，記錄運行效率和準確性。然后層數不變，調整中間層節點個數，每一層的節點上下浮動五個，記錄運行效率和準確性。
根據實際的過車數量動態調整滑動窗口時間間隔，例如早晚高峰車輛比較密集，交通信號燈需要及時調整，因此適當縮小時間間隔。
根據實際擁堵的情況，動態修正參數，適合雨雪天等復雜場景。
本發明的有益效果：
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于安徽四創電子股份有限公司，未經安徽四創電子股份有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202011296678.0/2.html，轉載請聲明來源鉆瓜專利網。
