一种基于知识图谱推理的大规模路网相位差优化方法与流程

本发明涉及智能交通，具体而言，涉及一种基于知识图谱推理的大规模路网相位差优化方法。

背景技术：

1、绿波协调控制是保障交通路网通畅度的关键所在，目前绿波协调控制方式多以干线路线优化为主，主要采用逻辑计算或多频带（multiband）类优化的方式，这种对固定路线进行相位差协调的方式往往无法匹配交通路网大规模和动态波动的复杂交通需求，控制路线和方案多取决于主观经验和逻辑判断，使得路口出现空放和拥堵的概率增大，资源利用率降低，若要对路网路线进行精细化协调控制管理，则需要投入大量人力和物力资源。

技术实现思路

1、本发明的目的在于，针对上述现有技术中的不足，提供一种基于知识图谱推理的大规模路网相位差优化方法，以便通过各子路线的目标交通控制信号对各子路线进行精细化的信号协调控制，使得各子路线内各相位绿灯时间分配更加均衡，避免出现路口拥堵的情况。

2、为实现上述目的，本技术实施例采用的技术方案如下：

3、第一方面，本技术实施例提供了一种基于知识图谱推理的大规模路网相位差优化方法，包括：

4、获取预设交通路网的知识图谱，所述知识图谱中的每个头部实体对象用于表征一个路口，所述知识图谱中所述头部实体对象对应的尾部实体对象用于表征所述一个路口的流向所指向的其他路口，所述知识图谱中所述头部实体对象的关系用于表征所述一个路口和所述其他路口之间的流向拓扑关系；

5、根据所述知识图谱，对所述预设交通路网中路线进行拆分，得到多个子路线，每个子路线上路口间的关系相似度满足预设相似度条件；

6、根据所述每个子路线的交通控制约束条件，得到所述每个子路线在预设未来各时段的交通控制参数；

7、根据所述每个子路线在所述各时段的交通控制参数，生成所述每个子路线的交通控制信号；

8、根据相邻子路线的拆分路口的历史交通态势数据，以及所述每个子路线的交通控制信号，对所述相邻子路线的交通控制信号的相位差进行调整，得到各子路线的目标交通控制信号。

9、在可选的实施方式中，所述获取预设交通路网的知识图谱，包括：

10、获取所述预设交通路网中各路口的道路静态信息、所述各路口的交通流向信息以及所述各路口的历史交通态势数据；

11、根据所述各路口的道路静态信息、所述各路口的交通流向信息以及所述各路口的历史交通态势数据，构建所述知识图谱，使得所述知识图谱中各实体对象具有静态属性和时序属性，其中，所述静态属性用于表征对应路口的道路静态信息，所述时序属性用于表征所述对应路口的历史交通态势数据。

12、在可选的实施方式中，所述根据所述知识图谱，对所述预设交通路网中路线进行拆分，得到多个子路线，包括：

13、根据所述知识图谱，计算所述预设交通路网中具有流向拓扑关系的两个路口间的通行相似度；

14、根据所述知识图谱，以及所述两个路口间的通行相似度，计算所述两个路口间的关系相似度概率；

15、根据所述两个路口间的关系相似度概率，对所述预设交通路网中路线进行拆分，得到所述多个子路线。

16、在可选的实施方式中，所述根据所述知识图谱，计算所述预设交通路网中具有流向拓扑关系的两个路口间的通行相似度，包括：

17、对所述知识图谱中的各实体对象的静态属性进行嵌入学习，得到所述头部实体对象的静态特征以及所述头部实体对象的尾部实体对象的静态特征；

18、对所述知识图谱中实体对象之间的关系进行嵌入学习，得到所述头部实体对象的流向特征；

19、对所述知识图谱各实体对象的时序属性进行嵌入学习，得到所述头部实体对象的时序特征；

20、根据所述头部实体对象的静态特征、所述尾部实体对象的静态特征、所述流向特征以及所述时序特征，计算所述头部实体对象和所述尾部实体对象对应所述两个路口之间的通行相似度。

21、在可选的实施方式中，所述根据所述知识图谱，以及所述两个路口间的通行相似度，计算所述两个路口间的关系相似度概率，包括：

22、对所述知识图谱进行关系抽取，得到所述两个路口间的时空关联特征；

23、根据所述时空关联特征，以及所述两个路口间的通行相似度，计算所述两个路口间的关系相似度概率。

24、在可选的实施方式中，所述根据所述两个路口间的关系相似度概率，对所述预设交通路网中路线进行拆分，得到所述多个子路线，包括：

25、根据所述两个路口间的关系相似度概率，从所述预设交通路网中路线中确定多个拆分路口；

26、根据所述多个拆分路口进行路线拆分，得到相同数量的所述多个子路线。

27、在可选的实施方式中，所述根据所述两个路口间的关系相似度概率，从所述预设交通路网中路线中确定多个拆分路口，包括：

28、对所述两个路口间的关系相似度概率进行排序，根据排序结果从所述预设交通路网中路线中确定多个拆分路口。

29、在可选的实施方式中，所述根据所述每个子路线的交通控制约束条件，得到所述每个子路线在预设未来各时段的交通控制参数，包括：

30、根据所述每个子路线的交通控制约束条件，构建所述每个子路线的协调优化模型；

31、对所述每个子路线的协调优化模型的目标函数进行求解，得到所述每个子路线在预设未来各时段内的交通控制参数。

32、在可选的实施方式中，所述每个子路线的交通控制约束条件包括如下至少一个约束条件：所述每个子路线上所有路口的协调周期在预设周期范围内、所述每个子路线的上下行路线的信号绿波带宽满足预设偏移条件、所述每个子路线上信号绿波带的中心线满足预设连续条件。

33、在可选的实施方式中，所述对所述每个子路线的协调优化模型的目标函数进行求解，得到所述每个子路线在预设未来各时段的交通控制参数，包括：

34、对所述每个子路线的协调优化模型的目标函数进行求解，得到所述每个子路线的信号绿波带的带宽参数、中心线偏移参数以及协调周期参数；

35、根据所述信号绿波带的带宽参数、所述中心线偏移参数以及所述协调周期参数，计算所述每个子路线的相位差参数；

36、根据所述信号绿波带的带宽参数、所述中心线偏移参数、所述协调周期参数，以及所述相位差参数，确定所述每个子路线在预设未来各时段的交通控制参数。

37、第二方面，本技术实施例还提供了一种基于知识图谱推理的大规模路网相位差优化装置，包括：

38、获取模块，用于获取预设交通路网的知识图谱，所述知识图谱中的每个头部实体对象用于表征一个路口，所述知识图谱中所述头部实体对象对应的尾部实体对象用于表征所述一个路口的流向所指向的其他路口，所述知识图谱中所述头部实体对象的关系用于表征所述一个路口和所述其他路口之间的流向拓扑关系；

39、拆分模块，用于根据所述知识图谱，对所述预设交通路网中路线进行拆分，得到多个子路线，每个子路线上路口间的关系相似度满足预设相似度条件；

40、确定模块，用于根据所述每个子路线的交通控制约束条件，得到所述每个子路线在预设未来各时段的交通控制参数；

41、生成模块，用于根据所述每个子路线在所述各时段的交通控制参数，生成所述每个子路线的交通控制信号；

42、调整模块，用于根据相邻子路线的拆分路口的历史交通态势数据，以及所述每个子路线的交通控制信号，对所述相邻子路线的交通控制信号的相位差进行调整，得到各子路线的目标交通控制信号。

43、第三方面，本技术实施例还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行如第一方面任一所述的基于知识图谱推理的大规模路网相位差优化方法的步骤。

44、第四方面，本技术实施例还提供了计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面任一所述的基于知识图谱推理的大规模路网相位差优化方法的步骤。

45、本技术的有益效果是：

46、本技术实施例提供一种基于知识图谱推理的大规模路网相位差优化方法，该方法包括：获取预设交通路网的知识图谱，知识图谱中的每个头部实体对象用于表征一个路口，知识图谱中头部实体对象对应的尾部实体对象用于表征一个路口的流向所指向的其他路口，知识图谱中头部实体对象的关系用于表征一个路口和其他路口之间的流向拓扑关系，根据知识图谱，对预设交通路网中路线进行拆分，得到多个子路线，每个子路线上路口间的关系相似度满足预设相似度条件，根据每个子路线的交通控制约束条件，得到每个子路线在预设未来各时段的交通控制参数；根据每个子路线在各时段的交通控制参数，生成每个子路线的交通控制信号，根据相邻子路线的拆分路口的历史交通态势数据，以及每个子路线的交通控制信号，对相邻子路线的交通控制信号的相位差进行调整，得到各子路线的目标交通控制信号。

47、本技术的方法，通过知识图谱推理的方式，对预设交通路网中的路线进行拆分，可准确确定多个子路线，然后针对每个子路线进行对应交通控制信号的生成，最后在对相邻子路线的交通控制信号的相位差进行调整，得到各子路线的目标交通控制信号，通过各子路线的目标交通控制信号对各子路线进行精细化的信号协调控制，使得各子路线内各相位绿灯时间分配更加均衡，避免出现路口拥堵的情况。