一种路口流量的信号配时优化方法、系统、设备及介质与流程

本发明涉及城市智能交通，具体而言，涉及路口流量的信号配时优化方法、系统、设备及介质。

背景技术：

1、随着汽车工业的发展和城市化进程的加速，城市交通拥堵和交通事故等问题变得日益突出。交通信号控制作为一种常见的交通管理方式，已经成为解决城市交通拥堵和交通事故等问题的重要手段。城市交通拥堵往往突出表现在城市道路交叉口处，很多平面交叉口的通行能力不足相关路段平均通行能力的50％。因此，道路资源充分利用与否的关键是交叉口资源的利用。交通信号控制系统在现代智能交通领域，是极其重要的组成部分。利用先进的交通信号控制系统，可以有效管理交通流量，增进城市道路畅通水平。各种先进的道路交通管理方案，最终都要依靠交通信号控制系统来实现。目前在我国大、中城市交通管理中，已经普遍使用交通信号机对交叉路口进行管理。然而，现有交通控制技术主要是定时控制，感应控制方式。其中定时控制灵活性差、不适应于交通流迅速变化的缺点；感应控制主要靠硬件实现，成本较高。

技术实现思路

1、本发明的目的在于提供一种路口流量的信号配时优化方法、系统、设备及介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

2、第一方面，本技术提供了一种路口流量的信号配时优化方法，包括：

3、通过路口传感器和检测设备获取实时流量数据，将实时流量数据进行预处理，其中预处理过程包括数据清洗、去除异常值、数据平滑以及归一化处理，得到第一流量数据，对第一流量数据进行特征提取，得到有关路口交通情况的第一特征信息，其中第一特征信息包括交通流量、车速、拥堵程度、时间段和天气条件；

4、获取历史数据信息，其中历史数据信息包括信号配时数据和相应的交通流量数据，建立深度学习神经网络架构，将历史数据信息输入到神经网络中进行训练，通过反向传播算法来调整网络权重和偏置，得到以最小化信号灯配时的第一方案，其中，深度学习神经网络架构包括输入层、多个隐藏层和输出层，输入层用于接收特征数据，输出层用于生成优化后的信号灯配时方案，其中，历史流量数据和相应的交通流量数据为用于监督学习训练深度学习神经网络的数据集；

5、基于第一方案，将第一特征信息输入至训练完成后的神经网络中计算并生成计算结果，针对计算结果对路口流量的信号配时进行优化。

6、优选地，所述将实时流量数据进行预处理，其中包括：

7、对实时流量数据进行一致性进行检查、修正错误数据与无效数据，并识别剔除异常值，得到第一数据；

8、将剔除异常值后的第一数据的数据序列和/或原始数据中缺失的数据序列进行缺失值插补，得到插补后的第二数据；

9、对第二数据进行平滑处理，并将平滑处理后的第二数据进行归一化处理，得到第一流量数据。

10、优选地，所述建立深度学习神经网络架构，将历史数据信息输入到神经网络中进行训练，其中包括：

11、获取至少两个时段片段的历史路口流量数据经过处理后生成的车辆密度矩阵，其中利用3d卷积神经网络层提取车辆密度矩阵，其中时段片段的个数以及每个时间片段之间的间隔时间为可调节的；

12、利用线性整流函数，配合选择正态分布随机数法设定初始权重取值，并对网络权重进行初始化，设定卷积核尺寸和数量，完成深度学习神经网络架构的建立；

13、利用损失函数，将历史数据信息输入到神经网络中进行迭代计算，得到损失函数的最小值，将最小值相对应的深度学习神经网络架构记作最终模型；将历史数据信息输入至最终模型，并完成训练。

14、优选地，所述针对计算结果对路口流量的信号配时进行优化，其中包括：

15、随机搜索初始化量子加权长短时记忆神经网络中的信号配时参数，获取信号配时参数分布情况；

16、针对信号配时参数分布情况，获取信号配时参数所对应的优化值，并将优化值分为两组，其中包括优化值高于预设的优化值的信号配时参数所对应的概率密度函数和优化值低于预设的优化值的信号配时参数所对应的概率密度函数，计算最优改进值；

17、将最优改进值进行迭代更新计算，得到期望改进最大值，并将最大值记作优化后的路口流量的信号配时，并判断当前迭代次数是否达到最大迭代次数，否则继续迭代。

18、第二方面，本技术还提供了一种路口流量的信号配时优化系统，包括：

19、预处理模块：用于通过路口传感器和检测设备获取实时流量数据，将实时流量数据进行预处理，其中预处理过程包括数据清洗、去除异常值、数据平滑以及归一化处理，得到第一流量数据，对第一流量数据进行特征提取，得到有关路口交通情况的第一特征信息，其中第一特征信息包括交通流量、车速、拥堵程度、时间段和天气条件；

20、训练模块：用于获取历史数据信息，其中历史数据信息包括信号配时数据和相应的交通流量数据，建立深度学习神经网络架构，将历史数据信息输入到神经网络中进行训练，通过反向传播算法来调整网络权重和偏置，得到以最小化信号灯配时的第一方案，其中，深度学习神经网络架构包括输入层、多个隐藏层和输出层，输入层用于接收特征数据，输出层用于生成优化后的信号灯配时方案，其中，历史流量数据和相应的交通流量数据为用于监督学习训练深度学习神经网络的数据集；

21、优化模块：用于基于第一方案，将第一特征信息输入至训练完成后的神经网络中计算并生成计算结果，针对计算结果对路口流量的信号配时进行优化。

22、第三方面，本技术还提供了一种路口流量的信号配时优化设备，包括：

23、存储器，用于存储计算机程序；

24、处理器，用于执行所述计算机程序时实现所述路口流量的信号配时优化方法的步骤。

25、第四方面，本技术还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于路口流量的信号配时优化方法的步骤。

26、本发明的有益效果为：

27、本发明通过神经网络算法，综合考虑了交通流量、车速、拥堵程度、时间段、天气条件等多种维度，使神经网络能够更全面地了解路口交通情况，提高信号配时方案优化的准确性，使交通控制技术灵活性好，适应与交通流迅速变化，且成本低，最终达到充分利用道路的目的。

28、本发明对数据清洗、去除异常值、数据平滑和归一化步骤，以确保输入数据的质量和一致性，提高信号优化处理数据的效率。

29、本发明采用历史流量数据和相应的交通流量数据，用于监督学习训练深度学习神经网络，以便神经网络能够学习信号灯配时与交通流量之间的关系。

30、本发明通过历史数据信息输入到神经网络中进行训练，通过反向传播算法来调整网络权重和偏置，得到以最小化信号灯配时的第一方案，训练过程需要大量的计算资源和时间，以确保网络能够准确地捕捉信号灯配时与流量之间的复杂关系。

31、本发明完成神经网络训练后，可以实时预测当前路口的交通流量情况，并生成相应的信号灯配时方案，可以实时预测和优化，可以在秒级时间内完成，使系统能够迅速适应交通变化。

32、本发明的优化算法具有自适应性，可以根据不同路口、不同时间和不同交通条件自动调整信号灯配时方案，届时系统还能够持续监测实际交通流量与预测之间的差异，以便在需要时进行调整，以确保信号灯配时的准确性和效率。

33、本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。