[發明專利]一種自適應的全鏈條城市區域網絡信號控制優化方法

有效

• 申請號: 202110792525.3
• 申請日: 2021-07-14
• 公開（公告）號: CN113538910B
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 李丹丹;龔云海;肖峰
• 申請（專利權）人: 李丹丹
• 主分類號: G08G1/01
• 分類號: G08G1/01;G08G1/08;G08G1/081;G06N3/04;G06N3/08
• 代理公司: 遼寧鴻文知識產權代理有限公司 21102
• 代理人: 楊植

1.一種自適應的全鏈條城市區域網絡信號控制優化方法，其特征在于，步驟如下：

步驟1.交通數據采集

(1.1)基于機器視覺技術進行交通流參數的獲取

假設城市區域網絡信號控制交叉口數量為k，第i個信號交叉口的進口道數量為m_i，通過機器視覺技術對目標區域內所有交叉口視頻流數據進行自動批量處理，獲得第i個信號控制交叉口的第j個進口道的交通流相關參數為：檢測目標車輛數num_veh_ij，檢測到不同類型車輛比例type_rate_ij，轉向比turn_rate_ij；將車輛分為小型車、中型車、大型車和拖掛車四類，即不同類型車輛比例type_rate表示的是四類車的比例；轉向比turn_rate是指某交叉口進口道左轉、直行和右轉的車輛比例；其中，i∈[1，k]，j∈[1，mi]，i和j為整數；機器視覺技術主要是利用計算機來模擬人的視覺功能，從客觀事物的圖像或視頻流中提取目標信息，并進行處理和加以理解，最終實現目標識別、目標檢測和目標跟蹤；

(1.2)交叉口標準車交通流量計算

步驟(1.1)中獲取的檢測目標車輛數、檢測到不同類型車輛比例和轉向比，需要將其換算成分流向的標準車交通流量；先計算不同轉向的車輛數，再根據國際通用城市道路交叉口規劃規范確定相應類型車輛的折算系數Convert_coefficient，換算成標準車輛的交通流量，從而計算得到交叉口不同進口道不同轉向的標準車流量；第i個信號控制交叉口的第j個進口道不同方向的標準車流量sum_vehi_j由檢測目標車輛數num_veh_ij、檢測到不同類型車輛比例type_ratei_j、轉向比turn_ratei_j和相應類型車輛的折算系數Convert_coefficient計算得來，從而得到目標區域內所有信號控制交叉口所有進口道的不同轉向的標準車流量；

步驟2.交通流預測

交通流預測是在步驟1交通數據采集的基礎上實現的，進行交通流預測需要使用當前以及歷史的標準車流量數據；

(2.1)設計交通流預測算法

交通流預測算法用于學習得到一個函數f，函數f能夠從以往道路上傳感器獲得的當前段時間T的交通流量觀測數據V來預測下一段時間T′的交通流量V′，以作為步驟3的微觀交通仿真模型的輸入；其中函數f的學習如下所示：

交通流預測算法從結構上分為三部分：第一部分，數據預處理，主要是對錯誤數據的糾正和部分路段缺失數據的還原，處理后的數據直接作為第二部分的輸入；第二部分，耦合層級圖卷積模塊，給定圖信號集合，每個圖卷積層的自學習鄰接矩陣，利用門控循環單元集合空間動態信息，后接全連接層將低維特征向量空間映射至高維向量空間；第三部分，長短時記憶神經網絡模塊，利用第二部分獲得的較高維向量空間基于長短時記憶神經網絡對交通需求的親近性和周期性的深度信息進行挖掘和聚合，同時實現空間動態信息和時間相關性信息的深度融合，后接全連接層將第三部分獲得的特征向量空間映射回目標空間，目標空間結果即為預測的交通流量；此外，采用均方誤差法來定義損失函數，描述預測值與真值之間的誤差；其中，親近性是指最近時段的交通狀況比舊時段的交通狀況更相關；周期性是指交通狀況在一定的時間間隔內呈現出周期性的變化模式；耦合層級圖卷積網絡是一種圖卷積架構，圖卷積架構在不同的層具有不同的鄰接矩陣，并且所有的鄰接矩陣在訓練過程中是可以自學習的；圖卷積架構采用一種分層耦合機制，能夠將上層鄰接矩陣與下層鄰接矩陣關聯起來；圖卷積架構是一個端到端的網絡，通過將隱藏的空間狀態與門控循環單元集成在一起，從而實現特征空間的輸出；門控循環單元是用門控機制控制輸入、記憶信息而在當前時間步做出預測；

(2.2)交通流預測算法訓練和測試

對步驟(2.1)中的交通流預測算法進行訓練，獲得一套適用的超參數集，具體如下：采用復雜交通場景下的歷史交通流數據，將交通流數據集劃分訓練集和測試集；利用訓練集數據進行交通流預測算法訓練，獲得儲存損失函數最小時的算法模型參數集；利用測試集對訓練好的交通流預測算法進行測試，以數據平均處理速度、平均絕對誤差和均方根誤差作為測試評價指標對設計算法的實時性和準確性進行評價；評價主要是查看訓練獲得參數的效果，如果評價指標好則采用該套超參數集；如果評價指標不好，則需要重新訓練，直至找到一套良好的超參數集；

通過算法訓練和測試，獲得一套良好的超參數集，即完整的交通流預測算法，后續即可輸入當前及歷史標準車流量直接獲得未來標準車流量；

步驟3.微觀交通仿真模型構建

收集整理建微觀交通仿真所需要的交通基礎數據，包括網絡道路基礎數據、交通信號配時初始方案數據和路網交通流量數據；利用步驟2預測獲得的各個信號控制交叉口分流向的標準車流量數據進行路段交通流量分配；將收集整理的網絡道路基礎數據導入至微觀交通仿真軟件中，并在仿真軟件當中使用獲得的路段交通流量分配數據進行路段交通流量的輸入和使用整理的交通信號配時初始方案數據進行初始信號配時的設置；運行所建立的微觀交通仿真模型，獲得交通評價指標；

步驟4.網絡信號優化

針對步驟3所構建的微觀交通仿真模型，構建與之相對應的網絡信號控制多目標優化模型；

(4.1)構建網絡信號控制多目標優化模型

在網絡中要實現交通效率的提升和交通資源的充分利用，將步驟3中的交通評價指標作為優化目標；使用交叉口各個相位的綠信比作為決策變量，變量限制條件參考信號控制通用標準，而各交叉口信號周期時間和相位結構及相位顯示順序預先設定；針對目標區域，建立網絡交通信號控制優化模型，網絡信號優化模型具體如下所示：

x_low≤x≤x_up

其中x為交叉口綠信比；p為交叉口信號周期、相位結構和相位顯示順序，預先設定；g表示優化目標函數，g₁，…g_z表示所有需要優化的交通評價指標，z為優化目標的個數；m為交叉口編號，且m為整數；n為相位序號；x_low和x_up分別表示綠信比的上界和下界；

(4.2)網絡信號控制多目標優化模型求解

(4.2.1)使用拉丁超立方采樣方法進行隨機取樣選取初始集X＝{x₁，x₂，…，x_d}，d為樣本數量；

(4.2.2)采用代理模型對初始集進行非線性回歸擬合優化目標函數g(x)；

(4.2.3)利用代理模型獲得的均值h(x)和方差通過優化器尋找下一采樣點x′，將下一采樣點代入仿真器獲得目標函數值g(x′)；

(4.2.4)如果是單目標優化函數，即步驟(4.1)中參數z＝1，則直接更新初始集為X′，再更新代理模型h；如果是多目標優化函數，即步驟(4.1)中參數z≥2，則是更新帕累托前沿，再更新初始集為X′，之后更新代理模型h；

(4.2.5)依次重復步驟(4.2.1)～(4.2.4)，直至達到終止要求獲得最優解；如果是單目標優化函數，則獲得一套最佳的網絡信號優化方案；如果是多目標優化函數，則得到帕累托最優前沿，獲得一系列最佳的網絡信號優化方案；

其中，優化器采用貝葉斯優化，代理模型采用高斯過程回歸模型，仿真器采用城市交通微觀仿真軟件，終止條件由使用者按照實際需求自行設定；

步驟5.內外循環雙反饋全鏈條優化

實施步驟4中得到的網絡信號優化方案后，網絡中交通流狀態會發生改變，通過步驟1再次實現交通數據采集，依次重復步驟2、步驟3和步驟4；在重復循環的過程中，數據動態更新和積累，步驟2中交通流預測更加準確，進而使步驟4中的優化結果更加準確，最終實現瞬時動態最優或長期穩態最優，獲得最佳的網絡信號配時方案。