一种单通道隧道的交通调度方法、装置、设备及存储介质与流程

本技术涉及电数字数据处理，尤其涉及一种单通道隧道的交通调度方法、装置、设备及存储介质。

背景技术：

1、随着我国交通建设的快速发展，通行便利性得到了较大提高，但仍有不少四级公路、乡镇公路，以及以下等级的公路，前述的公路以地点偏僻、交通量较小为主要特点。

2、当前述道路位于非平地地区时，则主要通过单通道隧道实现通行，若设置双车道隧道，由于交通量较小，双车道隧道工程投资较大，且建成后的交通量小，容易造成不必要的浪费。

3、单通道隧道由于隧道内无法错车导致通行效率低下及行车安全隐患大等问题。为尽量降低上述不良影响，通常做法是单通道隧道以中、短隧道为主，且保证行车道宽度不小于3.5m，在长度大于250m的隧道内设置避车洞，在隧道两端设置错车道。以上通过控制隧道长度及设置错车道的工程措施来尽量减轻单通道隧道通行效率低下及行车安全隐患大的问题。

4、但在实际生活中，因为隧道是埋置于山体下的工程构筑物，其存在光线不足，视距不足、信号不好等不利影响，所以一般的工程措施采用后其运营效果并不理想，常常发生单通道隧道错车困难甚至发生交通事故等。

技术实现思路

1、本技术的主要目的在于提供一种单通道隧道的交通调度方法、装置、设备及存储介质，以解决现有技术中单通道隧道安全性得不到保障的问题。

2、为了实现上述目的，本技术提供了如下技术方案：

3、一种单通道隧道的交通调度方法，所述单通道隧道应用于四级公路及其以下等级道路，所述单通道隧道具有对向的、相互冲突的第一交通流量和第二交通流量，所述单通道隧道的两端分别装设有交通信号灯和警示灯，所述交通调度方法包括：

4、获取所述第一交通流量在预设历史周期内的若干个第一流量数据，以及所述第二交通流量在所述预设历史周期内的若干个第二流量数据；

5、定义至少两种流量类型并将所有第一流量数据归类至各个流量类型中，得到第一数据分类表；

6、将所有第二流量数据归类至各个流量类型中，得到第二数据分类表；

7、分别对每种流量类型赋予一个权重等级，每个权重等级随着每个流量类型的最高时速的递增而递减；

8、通过机器学习算法训练并学习所述第一数据分类表，以得到第一预测数据表；

9、通过机器学习算法训练并学习所述第二数据分类表，以得到第二预测数据表；

10、分别加权平均所述第一预测数据表和所述第二预测数据表，得到第一总体权重值和第二总体权重值；

11、获取所述第一总体权重值与所述第二总体权重值的绝对值之和；

12、若所述绝对值之和小于等于预设阈值，则开启所述警示灯，若所述绝对值之和大于所述预设阈值，则开启所述交通信号灯。

13、作为本技术的进一步改进，获取所述第一交通流量在预设历史周期内的若干个第一流量数据，以及所述第二交通流量在所述预设历史周期内的若干个第二流量数据，包括：

14、获取所述第一交通流量的第一影像数据；

15、将所述第一影像数据按照所述预设历史周期的时间周期进行截取，得到若干个第一影像片段；

16、通过目标检测算法分别获取每个第一影像片段中向所述单通道隧道的其中一个方向运动的所有第一移动目标，并将每个第一移动目标标记为一个第一流量数据；

17、获取所述第二交通流量的第二影像数据；

18、将所述第二影像数据按照所述预设历史周期的时间周期进行截取，得到若干个第二影像片段；

19、通过所述目标检测算法分别获取每个第二影像片段中向所述单通道隧道的另一个方向运动的所有第二运动目标，并将每个第二移动目标标记为一个第二流量数据。

20、作为本技术的进一步改进，定义至少两种流量类型并将所有第一流量数据归类至各个流量类型中，得到第一数据分类表，包括：

21、根据所述第一流量数据定义第一待分类数据集合，其中，为所述第一待分类集合中的第个第一流量数据，为所述第一流量数据的个数；

22、根据所述流量类型定义类别集合，其中，为所述类别集合中的第个流量类型，为所述流量类型的个数；

23、根据式（1）计算每个第一流量数据分别在每个流量类型下的第一条件概率；

24、（1）；

25、其中，为在第个流量类型下所述第一待分类数据集合的第一条件概率；为第个流量类型的第一边缘概率；为在第个流量类型下第个第一流量数据的第一条件概率；

26、分别将每个第一流量数据分类至各自的第一条件概率最高的流量类型中，形成所述第一数据分类表。

27、作为本技术的进一步改进，将所有第二流量数据归类至各个流量类型中，得到第二数据分类表，包括：

28、根据所述第二流量数据定义第二待分类数据集合，其中，为所述第二待分类集合中的第个第二流量数据，为所述第二流量数据的个数；

29、根据式（2）计算每个第二流量数据分别在每个流量类型下的第二条件概率；

30、（2）；

31、其中，为在第个流量类型下所述第二待分类数据集合的第二条件概率；为在第个流量类型下第个第二流量数据的第二条件概率；

32、分别将每个第二流量数据分类至各自的条件概率最高的流量类型中，形成所述第二数据分类表。

33、作为本技术的进一步改进，通过机器学习算法训练并学习所述第一数据分类表，以得到第一预测数据表，包括：

34、对所述第一数据分类表进行归一化处理，得到第一归一化数据集；

35、将所述第一归一化数据集按照预设比例划分为第一训练集和第一验证集；

36、定义神经网络模型的拓扑关系，所述拓扑关系包括依次信号连接的输入层、隐含层、输出层；

37、将所述第一训练集输出至所述输入层，并通过所述神经网络模型进行预设次数的迭代，基于每次迭代分别获取一次所述第一验证集与当前次的训练结果的第一均方根误差；

38、获取所有第一均方根误差中的最小值，并获取与所有第一均方根误差中的最小值对应的训练结果作为第一预测模型；

39、获取所述第一交通流量在实时条件下的第一实时流量数据并将所述第一实时流量数据分类至各个流量类型中，得到第一实时流量分类表；

40、将所述第一实时流量分类表输入所述第一预测模型，得到所述第一预测数据表。

41、作为本技术的进一步改进，通过机器学习算法训练并学习所述第二数据分类表，以得到第二预测数据表，包括：

42、对所述第二数据分类表进行归一化处理，得到第二归一化数据集；

43、将所述第二归一化数据集按照所述预设比例划分为第二训练集和第二验证集；

44、将所述第二训练集输出至所述输入层，并通过所述神经网络模型进行预设次数的迭代，基于每次迭代分别获取一次所述第二验证集与当前次的训练结果的第二均方根误差；

45、获取所有第二均方根误差中的最小值，并获取与所有第二均方根误差中的最小值对应的训练结果作为第二预测模型；

46、获取所述第二交通流量在实时条件下的第二实时流量数据并将所述第二实时流量数据分类至各个流量类型中，得到第二实时流量分类表；

47、将所述第二实时流量分类表输入所述第二预测模型，得到所述第二预测数据表。

48、作为本技术的进一步改进，分别加权平均所述第一预测数据表和所述第二预测数据表，得到第一总体权重值和第二总体权重值，包括：

49、根据式（3）计算所述第一总体权重值：

50、（3）；

51、其中，为所述第一总体权重值；为第个流量类型中第一流量数据的数量；为第个流量类型所对应的第一权重值；

52、根据式（4）计算所述第二总体权重值：

53、（4）；

54、其中，为所述第二总体权重值；为第个流量类型中第二流量数据的数量；为第个流量类型所对应的第二权重值。

55、为了实现上述目的，本技术还提供了如下技术方案：

56、一种单通道隧道的交通调度装置，所述交通调度装置应用于如上述的单通道隧道的交通调度方法，所述交通调度装置包括：

57、历史流量数据获取模块，用于获取所述第一交通流量在预设历史周期内的若干个第一流量数据，以及所述第二交通流量在所述预设历史周期内的若干个第二流量数据；

58、流量类型定义与分类模块，用于定义至少两种流量类型并将所有第一流量数据归类至各个流量类型中，得到第一数据分类表；

59、流量数据分类模块，用于将所有第二流量数据归类至各个流量类型中，得到第二数据分类表；

60、权重等级赋予模块，用于分别对每种流量类型赋予一个权重等级，每个权重等级随着每个流量类型的最高时速的递增而递减；

61、第一预测数据表获取模块，用于通过机器学习算法训练并学习所述第一数据分类表，以得到第一预测数据表；

62、第二预测数据表获取模块，用于通过机器学习算法训练并学习所述第二数据分类表，以得到第二预测数据表；

63、总体权重值计算模块，用于分别加权平均所述第一预测数据表和所述第二预测数据表，得到第一总体权重值和第二总体权重值；

64、总体权重值绝对值之和获取模块，用于获取所述第一总体权重值与所述第二总体权重值的绝对值之和；

65、总体权重值绝对值之和判断模块，用于若所述绝对值之和小于等于预设阈值，则开启所述警示灯，若所述绝对值之和大于所述预设阈值，则开启所述交通信号灯。

66、为了实现上述目的，本技术还提供了如下技术方案：

67、一种电子设备，包括处理器、以及与所述处理器耦接的存储器，所述存储器存储有可被所述处理器执行的程序指令；所述处理器执行所述存储器存储的所述程序指令时实现如上述的单通道隧道的交通调度方法。

68、为了实现上述目的，本技术还提供了如下技术方案：

69、一种存储介质，所述存储介质内存储有程序指令，所述程序指令被处理器执行时实现能够实现如上述的单通道隧道的交通调度方法。

70、本技术通过获取第一交通流量在预设历史周期内的若干个第一流量数据，以及第二交通流量在预设历史周期内的若干个第二流量数据；定义至少两种流量类型并将所有第一流量数据归类至各个流量类型中，得到第一数据分类表；将所有第二流量数据归类至各个流量类型中，得到第二数据分类表；分别对每种流量类型赋予一个权重等级，每个权重等级随着每个流量类型的最高时速的递增而递减；通过机器学习算法训练并学习第一数据分类表，以得到第一预测数据表；通过机器学习算法训练并学习第二数据分类表，以得到第二预测数据表；分别加权平均第一预测数据表和第二预测数据表，得到第一总体权重值和第二总体权重值；获取第一总体权重值与第二总体权重值的绝对值之和；若绝对值之和小于等于预设阈值，则开启警示灯，若绝对值之和大于所述预设阈值，则开启交通信号灯。本技术通过历史流量数据分析该单通道隧道的机动车、非机动车、行人、动物的来往情况，通过分析单通道隧道两端的流量权重值之和来判断流量大小，在两个权重值之和超过预设阈值以后开启交通信号灯（红绿灯），优势在于，当一边的权重值较大但另一边的权重值很低或为零时，此时两者之和并没有超过预设阈值，则权重值较大的那边可以流畅通行，不会受到交通信号灯影响，只有在两端均有可观的通行流量且两端的权重值之和超过预设阈值后才会开始交通信号灯，否则为警示灯开启或者周期性闪烁提醒来往机动车、非机动车、行人注意安全即可，不需要全天开启红绿灯的同时也保证通行安全性和通行效率。