一种城市交通管控方法及终端设备与流程

本技术属于交通管控，尤其涉及一种城市交通管控方法及终端设备。

背景技术：

1、在当今城市智慧交通管理中，交通拥堵、交通事故、资源浪费等问题已成为痛点问题。为了解决这些问题，需要更有效的交通管控方法和决策支持工具。然而，传统的交通建模和管控方法存在一些难点和挑战。

2、首先，交通数据分布在多个边缘路基设备上，数据高度不均衡且隐私敏感，传统集中式数据集无法满足实际需求。

3、其次，交通系统的复杂性导致传统建模方法难以准确描述交通流动和交互关系。

4、此外，城市交通的动态性和不确定性使得传统交通管控策略难以适应物理时延、计算时延、通信时延等实时变化的交通条件。

5、综上所述，这些因素严重影响了各方行为者之间的信息更新和策略反馈，导致传统的交通管控方法效果不佳。

技术实现思路

1、本技术提供了一种城市交通管控方法及终端设备，可以解决传统的交通管控方法效果不佳的问题。

2、第一方面，本技术提供了一种城市交通管控方法，包括：

3、采集研究城市在历史时段内多个车载节点的历史路径数据，根据预先设置的适应度函数和历史路径数据的偏好因子，确定多个车载节点的历史偏好路径，并根据历史偏好路径计算各车载节点之间的偏好相似度；历史偏好路径为车载节点的历史路径数据的表征，偏好相似度表示两个车载节点之间路径偏好相似性的度量；

4、计算每个车载节点的转移概率，根据转移概率确定多个区域簇，并根据偏好相似性将多个车载节点分别划分到多个区域簇中；

5、根据每个区域簇中的历史路径数据构建交通网络拓扑图，基于交通网络拓扑图构建交通孪生模型，利用改进的随机梯度下降方法对交通孪生模型进行训练，并对所有训练后的交通管控模型进行聚合，得到全局交通孪生模型；其中，交通网络拓扑图与区域簇一一对应，交通网络拓扑图用于描述车载节点之间的连接关系，交通孪生模型用于生成交通状态预测值；

6、将全局交通孪生模型参数分发给每个区域簇，根据全局交通孪生模型参数初始化区域簇中的交通管控模型参数；

7、分别针对每个区域簇，根据区域簇的模型性能和训练进度，对自身交通孪生模型的参数进行更新，计算更新后的交通孪生模型的评估分，并从所有区域簇中将最高评估分对应的交通孪生模型作为各区域簇的最终交通孪生模型；

8、采集研究城市中多个车载节点的当前路径数据，根据当前路径数据和历史路径数据，对最终交通孪生模型进行模型迁移，并基于边缘协同对每个区域簇中模型迁移后的交通孪生模型进行重构，得到重构后的交通孪生模型；

9、基于重构后的交通孪生模型，计算不同管控策略对应的误差分数，并利用最低误差分数对应的管控策略对研究城市进行交通管控。

10、可选的，根据预先设置的适应度函数和历史路径数据的偏好因子，确定多个车载节点的历史偏好路径，包括：

11、步骤1a，通过计算公式，得到第个车载节点在时刻的位置；其中，表示第个车载节点对应的偏好因子，，表示指示函数，用于指示第个车载节点在第个时刻的位置是否为，，，是车载节点的总数，用于表示具体的车载节点，，是时间点的总数，用于在公式中迭代或求和，指代不同的时间点，是一个正整数，代表时间点的总数或序列中的元素总数；

12、步骤1b，分别针对每个车载节点，获取车载节点在每个时刻的位置，得到车载节点的候选路径；

13、步骤1c，通过计算公式，得到第个车载节点的候选路径的适应度；其中，表示研究城市中路径的长度，表示研究城市中路径的拥堵程度，拥堵程度通过历史路径数据估计得到，表示权重系数；

14、步骤1d，若适应度大于预设适应度阈值，则将候选路径作为第个车载节点的偏好路径；否则，返回执行步骤步骤1a。

15、可选的，偏好相似度的计算表达式如下：

16、

17、其中，表示第个车载节点与第个车载节点之间的偏好相似度，表示第个车载节点的偏好向量，表示第个车载节点的偏好向量，偏好向量用于描述车载节点的偏好模式，，表示偏好的数量，表示第个车载节点对第个车载节点的偏好倾向，代表第个计算网格，表示向量内积，表示l2范数。

18、可选的，转移概率的计算表达式为，其中，表示第个车载节点的转移概率，表示指示函数，用于指示与是否相等，，表示观察车载节点位置的总时间点的数量；

19、根据转移概率确定多个区域簇包括：

20、对偏好相似度矩阵进行核化，得到核矩阵；

21、对核矩阵进行谱聚类，得到多个区域簇。

22、可选的，利用改进的随机梯度下降方法对交通孪生模型进行训练，包括：

23、通过计算公式，得到交通孪生模型的新模型参数，表示学习率，表示损失函数，表示损失函数关于模型参数的梯度。

24、可选的，根据区域簇的模型性能和训练进度，对自身交通孪生模型的参数进行更新，包括：

25、通过计算公式，得到交通孪生模型更新后的参数；其中，表示元学习率，表示元目标函数，表示元目标函数关于模型参数的梯度，表示第个区域簇的模型性能和训练进度，，其中为其他性能指标，包括准确度、召回率、f1分数。

26、可选的，评估分的计算公式为；其中，表示交通孪生模型的准确性，表示交通孪生模型的鲁棒性，表示交通孪生模型的解释性评估指标，表示权重，。

27、可选的，模型迁移的迁移量为，其中，表示时刻的交通孪生模型的模型参数，表示时刻的交通孪生模型的模型参数，表示学习率，用于控制模型参数迁移的速度，表示高斯函数，用于增加模型迁移的非线性；

28、重构后的交通孪生模型的模型参数可表示为，，其中，表示模型参数的协调量，，表示协同系数，用于控制模型参数协调的强度。

29、可选的，误差分数的计算表达式为；其中，表示误差分数，误差分数越低，表示其对应的交通管控策略越优异，表示kl散度，用于衡量概率分布之间的差异，表示管控策略经过转换函数输出的交通状态，管控策略由预先设置的策略函数获取，其中，l是一个损失函数，用于衡量管控策略和预测的任务状态以及当前的任务状态s之间的差距。

30、第二方面，本技术提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的城市交通管控方法。

31、本技术的上述方案有如下的有益效果：

32、本技术提供的城市交通管控方法，根据适应度函数和偏好因子考虑了交通流动和各车载节点之间的交互关系，提高了偏好相似度的准确性，从而有利于提高城市交通管控的效果；利用改进的随机梯度下降方法对交通孪生模型进行训练，根据区域簇的模型性能和训练进度，对模型参数进行更新，并从所有区域簇中将最高评估分对应的交通孪生模型作为各区域簇的最终交通孪生模型，能够进一步提高交通孪生模型的准确性，更加准确预测交通管控策略的有效性，从而有利于提高城市交通管控的效果；根据当前路径数据和历史路径数据，对最终交通孪生模型进行模型迁移，并基于边缘协同对每个区域簇中模型迁移后的交通孪生模型进行重构能够降低时延，从而提高城市交通管控的效果。

33、本技术的其它有益效果将在随后的具体实施方式部分予以详细说明。