基于时空数据补偿的交通控制方法及系统

本发明涉及交通控制，具体涉及基于时空数据补偿的交通控制方法及系统。

背景技术：

1、随着城市化的快速发展和机动车辆数量的不断增加，城市交通系统面临着越来越复杂的挑战，智能设备的广泛部署虽然提高了数据采集的效率和准确性，但也带来了新的挑战。

2、目前的交通流量预测方法包括长短期记忆网络(lstm)、生成对抗网络(gan)和图神经网络(gnn)，在单一维度上处理数据均取得了良好的成绩，在交通系统中，实时的数据采集、处理和信号配时下发都至关重要，任何设备性能的不足或数据传输问题都可能影响交通系统的高效运行；但实际的交通环境较为复杂，从单一维度上出发无法保证预测的准确性和可靠性，例如：在干线路网上有多个交叉路口，个别路口的检测设备存在故障和缺失是常见问题，此时该路口不能及时采集到交通流量数据，若利用以上预测方法预测该干线路网上各路口的信号配时不准确，则该交通系统不能下发较为准确的信号配时，易造成交通拥堵和安全风险。

技术实现思路

1、本发明的目的在于提供基于时空数据补偿的交通控制方法及系统，所要解决的技术问题是提高预测的准确性。

2、本发明通过下述技术方案实现：

3、第一方面提供基于时空数据补偿的交通控制方法，包括以下步骤：

4、获取交通路线，通过上述交通路线构建干线路网；

5、当接收到初始信号后，获取干线路网上各路口检测设备的检测值；

6、判定与该检测值对应的检测设备是否发生故障；

7、若上述检测设备发生故障，则该检测设备的检测值为故障数据，补全上述故障数据，得到补全数据；

8、若上述检测设备未发生故障，则该检测设备的检测值为正常数据；

9、上述补全数据和正常数据组成数据集，通过上述数据集预测干线路网上各路口的信号配时，生成信号配时指令，并将上述信号配时指令下发至执行设备。

10、当某个路口的检测设备发生故障或数据缺失时，该方法能够迅速识别并处理这些异常情况；具体来说，当接收到初始信号后，系统会获取干线路网上各路口检测设备的检测值，并立即判断这些设备是否发生故障；如果某个设备出现故障，系统会将其检测值标记为故障数据，并通过时空数据补偿机制来补全这些数据；即使某个路口的检测设备出现故障或数据缺失，系统仍然能够基于补全后的数据集来预测干线路网上各路口的信号配时，这些预测结果将作为生成信号配时指令的依据，确保指令的准确性和有效性。

11、综上，这种基于时空数据补偿的交通控制方法在个别路口检测设备存在故障和缺失时，能够准确预测各路口的信号配时，从而提高预测准确性。这不仅有助于优化交通流畅度，减少拥堵现象，还能提高道路安全性，降低交通事故的风险；同时，这种方法还展示了强大的适应性和鲁棒性，能够在复杂多变的交通环境中保持稳定的性能。

12、进一步的，为上述干线路网上各路口的检测设备配置检测阈值，通过上述检测阈值和检测值判定检测设备是否发生故障。

13、为了进一步提高故障检测的准确性和效率，可以为检测设备配置检测阈值，检测阈值是一个预设的参考值，用于与检测设备的实时检测值进行比较，从而判断设备是否发生故障。

14、通过设定合理的检测阈值，系统能够更准确地判断检测设备是否发生故障，这避免了因误判或漏判而导致的信号配时错误，提高了交通控制的精度和可靠性；

15、检测阈值机制使得系统能够迅速识别并响应设备故障，一旦检测值超出阈值范围，系统就会立即启动故障处理流程，包括数据补全和信号配时调整等，从而快速恢复交通控制的稳定性；

16、引入检测阈值后，系统对于个别设备的故障或异常具有更强的容错能力，即使部分设备出现故障，系统也能够通过时空数据补偿等方法来弥补数据缺失，保持对整个干线路网的有效控制；

17、通过检测阈值机制，系统能够及时发现并处理设备故障，避免了故障扩大或引发更严重的后果；这有助于减少设备的维护成本和更换频率，延长设备的使用寿命。

18、综上，通过在检测设备中配置检测阈值，并结合时空数据补偿机制，可以进一步提高交通控制系统的准确性和鲁棒性，降低维护成本，为城市交通的顺畅和安全提供有力保障。

19、进一步的，判定上述检测设备是否发生故障的具体步骤如下：

20、上述检测阈值包括阈值下限μ1和阈值上限μ2，

21、当上述检测值大于阈值上限μ2，则与该检测值对应的检测设备发生故障；

22、当上述检测值小于阈值下限μ1，则与该检测值对应的检测设备发生故障；

23、当上述检测值不小于阈值下限μ1且不大于阈值上限μ2，则与该检测值对应的检测设备正常。

24、当检测设备正常工作时，其检测值通常会在一个合理的范围内波动，这个范围可以根据设备的规格、历史数据、以及实际交通状况等因素来确定，并作为检测阈值的依据；当检测值超过或低于检测阈值时，系统就会认为该设备可能发生了故障或异常。

25、具体的是：如果某个检测设备的检测值超过了预设的阈值上限，这意味着该设备的读数异常高，可能是因为设备故障、数据错误或其他原因；在这种情况下，系统可以判断与该检测值对应的检测设备发生了故障；相反，如果检测值低于阈值下限，这也表示设备读数异常低，可能是设备出现故障或数据异常；因此，系统同样会判断该检测设备发生故障；只有当检测值不小于阈值下限且不大于阈值上限时，系统才会认为该检测设备处于正常工作状态，其采集的数据是有效的。

26、通过这种判定方法，交通控制系统能够在接收到检测值后迅速识别出哪些设备发生了故障，哪些数据是可靠的；对于发生故障的设备，系统可以启动相应的数据补偿机制，如时空数据补偿，来弥补数据缺失，确保后续的交通信号配时预测和生成指令的准确性；这种判定方法不仅提高了交通控制系统的故障处理能力，还增强了其对复杂交通环境的适应性。

27、进一步的，补全上述故障数据，得到补全数据，包括以下步骤：

28、在上述干线路网上将发生故障的检测设备的所在路口标记成故障路口，将未发生故障的检测设备的所在路口标记成正常路口；

29、从上述干线路网上获取故障路口与正常路口之间的关系，得到故障路口与正常路口的空间特征；

30、获取上述正常路口对应的正常数据，得到故障路口与正常路口的时间特征；

31、利用上述空间特征和时间特征进行深度学习，训练得到故障路口的补全数据。

32、在交通控制系统中，当某个路口的检测设备发生故障时，其采集的数据将不再可靠。为了确保交通信号的准确性和实时性，需要对这些故障数据进行补全；

33、在干线路网上标记“故障路口”和“正常路口”，有助于区分哪些路口的数据是可靠的，哪些路口的数据需要进行补全。

34、从干线路网上获取故障路口与正常路口之间的空间关系，这些空间特征可能包括路口之间的距离、相邻关系、交通流量模式等；这些信息有助于理解故障路口与正常路口之间的相互影响和关联性；上述正常数据反映了这些路口在不同时间段的交通流量情况。通过分析这些数据，可以提取出故障路口与正常路口之间的时间特征，如交通流量的变化趋势、周期性等；利用提取的空间特征和时间特征，通过深度学习的方法进行训练。这可以是一个复杂的神经网络模型，其输入是空间特征和时间特征，输出是故障路口的预测交通流量数据。

35、在训练过程中，模型会学习如何根据正常路口的数据来预测故障路口的数据，这种学习是基于大量历史数据和实时数据的，因此可以确保预测结果的准确性和实时性。

36、训练完成后，模型可以根据故障路口的空间特征和时间特征生成预测的交通流量数据，这些数据将作为故障数据的补全数据，用于后续的交通信号配时预测和生成指令。

37、通过这种补全方法，即使某个路口的检测设备发生故障，交通控制系统仍然能够获取到准确的路口交通流量数据，这有助于保持交通信号的准确性和实时性，提高整个交通系统的效率和安全性；同时，深度学习的方法使得系统能够自适应地处理各种复杂的交通情况，提高了系统的鲁棒性和适应性。

38、进一步的，获取上述正常路口对应的正常数据，得到故障路口与正常路口的时间特征，具体步骤包括：

39、将上述正常数据作为输入数据输入tranformer模型，在tranformer模型中利用以下公式确定上述干线路网上各路口在时间上的关联度，得到时间特征；

40、

41、

42、headi＝attention(qi,ki,vi),i＝1,...,h，

43、multi-head(q,k,v)＝concact(head1,...,headh)w0，

44、其中，q、k、v分别表示查询、键、值，softmax表示将一个数值向量归一化为一个概率分布向量，且各个概率之和为1；dmodel表示输入数据的维度；x表示输入矩阵；w0、wq、wk、wv表示可学习的权重矩阵；h表示注意力的头数，headi表示第i个头的注意力分数向量。

45、进一步的，从上述干线路网上获取故障路口与正常路口之间的关系，得到故障路口与正常路口的空间特征，具体步骤包括：

46、基于gnn模型，在gnn模型中利用以下公式确定上述干线路网上各路口在空间上的关联度，得到空间特征；

47、

48、

49、dii＝∑jaij，

50、

51、其中，a表示邻接矩阵；i表示自连接矩阵；l表示拉普拉斯矩阵；d表示对角矩阵；w表示可学习的权重矩阵；relu表示激活函数；x表示空间特征。

52、进一步的，在组成数据集之前，还需要选择处理后续步骤的控制器；

53、记录上述干线路网上发生故障的检测设备数量；

54、当上述干线路网上发生故障的检测设备数量等于0时，则选择正常控制器；

55、当上述干线路网上发生故障的检测设备数量不等于0时，则选择容错控制器。

56、这一步骤的目的是为了评估当前交通系统的状态，以便选择最合适的控制器来应对不同的情况。

57、具体而言，当干线路网上发生故障的检测设备数量等于0时，意味着所有检测设备都在正常工作，系统处于完全健康的状态，在这种情况下，可以选择正常控制器来处理后续步骤，正常控制器负责在正常情况下进行交通信号的配时预测和生成指令，确保交通流畅和安全；

58、然而，当干线路网上发生故障的检测设备数量不等于0时，说明系统存在故障或异常情况。为了应对这种情况，需要选择容错控制器。容错控制器设计用于在设备故障或数据缺失的情况下，仍能保持交通控制系统的稳定性和可靠性，它能够根据故障检测设备的数量和位置，以及补全后的数据集，进行智能决策和信号配时调整，以最大程度地减少故障对交通系统的影响。

59、通过发生故障的检测设备数量选择适当的控制器，交通控制系统能够在不同情况下灵活应对，确保交通信号的准确性和实时性，提高整个交通系统的效率和安全性。这种机制不仅提高了系统的容错能力和鲁棒性，还有助于降低因设备故障或数据缺失而导致的交通拥堵和事故风险。

60、进一步的，在得到上述补全数据后，设计容错控制器，设计方法如下：

61、对于n个子系统组成的互联系统，第t个子系统函数表达式为公式(2)，

62、

63、其中，都为正整数；ft(...)表示非线性函数；gt(k)与lt(k)分别表示第t个子系统即第t个路口在k周期各相位的输入和输出；z(t-1)t与z(t+1)t表示第t-1个路口对第t个路口的影响因子；

64、根据无模型自适应控制理论，确定第t个子系统的全格式动态线性化模型，为公式(3)，

65、

66、其中，是第t个路口的伪分块jacobian矩阵(ppjm)；表示输入相关的滑动时间窗口内的所有控制输入信号以及输出相关的滑动时间窗口内的所有系统输出信号组成的向量；

67、第t个路口的控制输入为公式(4)，

68、

69、其中，表示第t个路口的第i个相位的绿灯时间；z(t-1)t与z(t+1)t表示第t-1个路口对第t个路口的影响因子；

70、公式(4)结合排队反馈控制算法得到公式(5)，

71、

72、其中，at与bt为权重系数，at+bt＝1；mt表示第t个路口的相位数；yr表示黄灯时间；c表示周期时间；

73、将公式(3)代入公式(5)得到公式(6)和(7)，

74、

75、

76、其中，表示第t个路口第i个相位的绿灯时间；μt与ηt表示可学习参数；表示输入相关的滑动时间窗口内的所有控制输入信号以及输出相关的滑动时间窗口内的所有系统输出信号组成的向量；是ft(…)关于控制输入的pjm；

77、第t个路口的ppjm(伪分块jacobian矩阵)的估计算法为公式(8)，

78、

79、其中，是第t个路口的伪分块jacobian矩阵(ppjm)；μt与ηt表示可学习参数；表示输入相关的滑动时间窗口内的所有控制输入信号以及输出相关的滑动时间窗口内的所有系统输出信号组成的向量。

80、第二方面提供基于时空数据补偿的交通控制系统，该交通控制系统用于实现上述的交通控制方法；

81、该交通控制系统包括：

82、采集模块，用于获取交通路线、获取干线路网上各路口检测设备的检测值和接收初始信号；

83、处理模块，与上述采集模块连接，通过上述交通路线构建干线路网，

84、判定与检测设备是否发生故障，

85、若上述检测设备发生故障，则该检测设备的检测值为故障数据，补全上述故障数据，得到补全数据，

86、若上述检测设备未发生故障，则该检测设备的检测值为正常数据，

87、上述补全数据和正常数据组成数据集，通过上述数据集预测干线路网上各路口的信号配时，生成信号配时指令，并将上述信号配时指令下发至执行设备；

88、执行设备，用于执行信号配时指令。

89、进一步的，上述处理模块包括正常控制器和容错控制器，上述正常控制器用于在干线路网上发生故障的检测设备数量等于0时使用；

90、上述容错控制器在干线路网上发生故障的检测设备数量不等于0时使用。

91、本发明与现有技术相比，具有如下的优点和有益效果：

92、当某个路口的检测设备发生故障或数据缺失时，该方法能够迅速识别并处理这些异常情况；具体来说，当接收到初始信号后，系统会获取干线路网上各路口检测设备的检测值，并立即判断这些设备是否发生故障；如果某个设备出现故障，系统会将其检测值标记为故障数据，并通过时空数据补偿机制来补全这些数据；即使某个路口的检测设备出现故障或数据缺失，系统仍然能够基于补全后的数据集来预测干线路网上各路口的信号配时，这些预测结果将作为生成信号配时指令的依据，确保指令的准确性和有效性。

93、综上，这种基于时空数据补偿的交通控制方法在个别路口检测设备存在故障和缺失时，能够准确预测各路口的信号配时，从而提高预测准确性。这不仅有助于优化交通流畅度，减少拥堵现象，还能提高道路安全性，降低交通事故的风险；同时，这种方法还展示了强大的适应性和鲁棒性，能够在复杂多变的交通环境中保持稳定的性能。