融合自回歸預測模型的智能交通調度方法與流程

本發明屬于智能交通燈調度算法技術領域，尤其涉及到一種融合自回歸預測模型的智能交通調度方法。

背景技術：

城市交通問題，諸如道路交通阻塞、尾氣污染和交通事故等，已經成為世界性的難題之一，各國政府以及交通領域學者專家們正在積極努力地尋找解決該問題的方案，而我國早在2006年就提出并制定了交通科技發展戰略目標。在交通系統研究領域中，其中一個重要的研究領域就是智能交通系統(Intelligent Traffic System,ITS)，ITS系統被認為是解決城市道路交通問題的有效方法之一。我國的交通需求增長迅速，交通對于人們生活也來越重要。同時，便利的交通也是一個國家或者區域經濟繁榮和科學技術發達的標志。然而，越來越便利的交通條件在帶動經濟的同時，城市道路交通阻塞現象越來越常見，給環境、個人出行安全以及社會經濟發展帶來不良的影響。因此，城市交通系統的改革和優化勢在必行。

城市交通信號燈的本質就是保障交通秩序，確保車輛通行安全。城市交通燈的使用可以追溯到1868年，它通過交通信號的循環轉換來控制和調度各個路口的交通流量。然而，原有的城市交通燈系統已無法解決日益常見的城市交通道路擁堵問題。傳統交通信號燈狀態轉換時間無法動態改變，交通燈的顯示時間不能根據各個路口的實時車流量來動態調整。因此通常會發生這樣的情形：在一個交通路口，水平車道已發生車流擁堵，垂直車道車流卻十分稀少，然而交通信號燈只是機械的變換，不能優先考慮擁堵車道實時調度交通燈。另外，一些大客運量的公共交通(如：有軌電車)是解決城市交通擁堵的重要手段，是未來城市交通的發展趨勢，由于該類交通載客數量巨大，應優先確保其等待時間盡可能短。

目前已有一些關于智能調度算法的研究工作，可以用來使交通燈有更加靈活的調度區間，這些算法旨在提高整個路網的交通效率。目前最常用的方法之一就是根據實時交通流來設置交通燈狀態。最佳調度方案可以明顯減少路網各個路口的交通阻塞情況，各個路口的平均滯留車輛數越少，表明該調度算法越有效。將智能調度算法融入交通燈調度場景中形成智能交通燈調度算法，對明顯改善我國日益嚴重的交通問題有著重大意義。

為了更好地調度交通燈，優化路網交通流，交通流預測十分重要。交通流預測一直被視為ITS系統的一大難點。為了尋求最佳的預測效果，許多機器學習算法被拿來研究作為預測模型。機器學習是一種通過利用數據，訓練出模型，然后使用模型預測的方法。機器學習是利用數據價值的關鍵技術，通過使用機器學習算法對交通流歷史數據進行建模，可以很好的實現交通流的預測。

技術實現要素：

本發明的目的是針對現有技術存在的不足而提供的一種融合自回歸預測模型的智能交通調度方法，該方法根據各個路口實時交通流來智能靈活地調度各個路口交通燈狀態，從而緩解交通壓力，提高城市路網各路口通行能力。

本發明的目的是這樣實現的：

一種融合自回歸預測模型的智能交通調度方法，該方法包括以下步驟：

步驟1：進行基因編碼，用二進制代碼中的‘0’代表水平車流，用‘1’代表垂直車流，然后初始化，定義包含數個個體的初始種群；

步驟2：進行適應度評價，用變量P代表適應度，定義P為路口等待車輛的數量，其中大客運量公交的權重大于其他車輛；定義適應度函數，使得各個路口的P之和最小；適應度函數如下：

min{Σmax(VP(t_i+1),HP(t_i+1))}

其中，t_i+1表示當前單位時間的下一個單位時間，VP和HP分別代表垂直和水平的等待車輛數量，通過自回歸模型進行預測得到；

步驟3：操作遺傳算子，包括選擇、交叉和變異；

步驟4：判斷是否滿足迭代終止條件，若不滿足，則繼續迭代，若滿足則退出迭代，并進行解碼，將每個字符轉換成該路口的交通燈調度方案。

本發明步驟2所述的自回歸模型，如下所示：

其中，y_t表示t單位時間的車流量，θ_i表示第i個參數，y_t-i表示t-i單位時間的車流量，ε_t是具備均值為0、方差為δ的高斯白噪音；

本發明步驟3所述的選擇：指確保最好的基因被選擇出來并傳給下一代的種群，每一代都是一個交通調度方案，根據適應度對每一代進行排序，淘汰那些適應度低的；所述的交叉：指通過結合和破壞個體的基因，來進行個體間基因信息的交換；所述的變異：是小概率事件，如果發生，會在個體基因串上的某個基因值上作變動。

若發生變異，隨機選取一點：‘1’變‘0’，‘0’變‘1’；變異操作后，產生一個新的個體。

所述的種群指要解決問題可能潛在的解集，也即初始代，如“010101010001111100000111000010111100001111000”便是一個種群，而其中的每個0或1便是一個個體，一個種群經過一次遺傳算子操作后就得到一代。

本發明的有益效果：本發明在綜合考慮所有車輛等待時間的情況下，優先考慮大客運量公交的等待時間，同時通過模型預測，可以得到使下一個單位時間交通流達到最優的當前交通燈調度方案，從而提高了路口通行效率，降低了車輛尤其是大客運量車輛的平均等待時間，壓縮了車流通過交通燈路口的時間，優化了交通流。本發明提高完善了智能交通系統技術框架體系，改善市民出行質量以及緩解交通堵塞等諸多問題。

附圖說明

圖1為實施本發明的架構示意圖；

圖2為本發明流程圖；

圖3為本發明具體實施流程圖；

圖4為本發明中某地區部分區域街道路口簡化示意圖；

圖5為本發明中交通流主體方向示意圖；

圖6為本發明中交通路口類型圖；

圖7為本發明中自回歸模型FPE準則函數曲線示意圖；

圖8為本發明中s->k路徑下一單位時間車流量示意圖；

圖9為本發明路口滯留交通流示意圖。

具體實施方式

結合以下具體實施例和附圖，對本發明作進一步的詳細說明。實施本發明的過程、條件、實驗方法等，除以下專門提及的內容之外，均為本領域的普遍知識和公知常識，本發明沒有特別限制內容。

參閱圖1和圖2，實施本發明架構的實例圖，包含三大模塊：交通燈網絡、交通流數據云和調度器。交通燈網絡中各個路口的傳感器會實時采集各個路口的交通流情況，并實時傳給交通流數據云存儲下來。接收器則接收來自調度器的交通燈調度策略，同時設置各個路口的交通燈狀態。交通流數據云中存儲三個數據集合：實時交通流數據集、訓練集和預測集。實時交通流數據集顧名思義，存儲來自傳感器的實時數據，并向調度器實時提供算法所需要的實時交通流數據。已過期的歷史數據則作為訓練數據存儲在訓練集中。訓練集可以向預測模型提供歷史數據來訓練預測模型參數。預測集則存儲來自預測算法所預測的下一個單位時間的交通流數據，并提供給調度器中的適應度函數。調度器是整個調度架構的核心。它通過控制算法來處理來自交通流數據云中的實時交通流數據和預測數據，同時產生調度方案并將之傳送給交通燈網絡的接收器。本發明流程如下：1)進行基因編碼，用二進制代碼中的‘0’代表水平車流，用‘1’代表垂直車流，然后初始化，定義包含數個個體的初始種群；2.進行適應度評價,其中適應度函數中的參數由預測模型計算得到；3)操作遺傳算子，包括選擇、交叉和變異；4)判斷是否滿足迭代終止條件，若不滿足，則繼續迭代，若滿足則退出迭代，并進行解碼，將每個字符轉換成該路口的交通燈調度方案。對應的數據流程如下：傳感器傳送實時交通流數據，存儲在交通流數據云中。云中實時交通流數據集一方面向本發明提供數據，一方面將歷史數據放入訓練集中。調度器中的預測算法利用數據云中訓練集的歷史數據來訓練預測模型參數，并將預測數據存儲在數據云中的預測集。預測集向調度算法提供預測數據。調度器產生最優調度方案，并傳送給交通燈網絡的接收器，從而轉換交通燈狀態。

參閱圖3，本發明實驗時段從早上六點到晚上八點，一共十四個小時，每三十秒為一個單位時間T，共1680T。在每個單位時間T中，調度器都會利用本發明來計算得到最優的交通燈調度方案。本發明在每個單位時間中都會產生最優的交通調度方案，這可以看作是實時調度控制各個路口的交通燈狀態。

參閱圖4，交通場景一共包含45個路口，路口類型分為十字路口和T字路口。為了在該交通場景中使用本發明，對45個路口采用二進制進行初始化編碼，‘0’表示該路口車流主體方向是水平的，‘1’表示該路口車流主體方向是垂直的。首先，實驗中的45個路口都已經有了各自標識名，為了方便編碼，需對這45個路口分別賦予一個順序ID，通過順序ID可以得知路口對應的字符在編碼字符串中的位置。舉例說明：tl4順序ID為3，則表明編碼字符串中第4個字符(編碼字符串第一個字符下標從0開始)解碼后所對應的是路口tl4的表現型。其次，采用二進制編碼，實現從表現型到基因型的映射。“010101010001111100000111000010111100001111000”是種群中一個隨機初始化個體所對應的二進制編碼，包含45個字符，分別對應實驗場景中45個路口。字符串中每個字符解碼后的表現型對應的就是路網中各個路口的車流量方向狀態，然后根據每個路口的車流量方向就可以設置該路口的交通燈狀態。

參閱圖5，在仿真交通路口場景中，根據街道簡化示意圖(圖4)，交通流主體方向可以分為兩種：水平車流和垂直車流，該圖顯示的是十字路口交通車流主體方向示意圖。根據路口車流主體方向就可以來設置各個路口的交通燈狀態，可以使用車流主體方向來作為表現型。使用二進制編碼表示基因型，用‘0’代表水平車流，‘1’代表垂直車流。所以，從表現型到基因型的映射就是水平車流對應‘0’，垂直車流對應‘1’。

參閱圖6，路口的類型分為五種，每一個路口類型不是十字路口就是T字路口。十字路口包含4條路徑，T字路口包含3條路徑。

參閱圖7，實驗采用FPE準則函數來確定自回歸模型階數，具體操作如下：按照從低階到高階的方式建立AR模型，并計算出相應的FPE值，從中選擇最小的FPE值所應對的階數作為模型的階數。隨著模型階數的升高，FPE值總體趨勢是下降的。

參閱圖8，本發明的目的就是通過當前單位時間的交通燈調度誘使下一個單位時間路網中全局交通流依然可以達到最優。為了提前了解下一個時刻各個路口交通流狀態，需要預測出下一個單位時間進入各個路口每條路徑的車流量。從路口s到路口k這條路徑上，其中：

(a)等待車流(SF)表示在該單位時間停留下來的車流量；

(b)直線車流(SIF)、左車流(LF)和右車流(RF)表示在該單位時間在s路口從其它路徑上流到s->k這條路徑上的車流量；

(c)預測流(PF)表示通過預測模型所預測的下一個單位時間此路徑上可能流進來的車流量；

此路徑在當前時間單位調度后的剩余車流量是SF、SIF、LF和RF的和，而下一個單位時間此路徑上可能流進來的車流量是PF。所以綜上，此路徑在下一個單位時間的交通車流量是當前時間單位調度后的剩余車流量與下一個單位時間此路徑上可能流進來的車流量的總和。

路口s到路口k這條路徑在下一個單位時間的交通車流量計算公式如下：

Flow(s->k)(t_i+1)＝SF(t_i)+RF(t_i)

+SIF(t_i)+LF(t_i)

+PF(s->k)(t_i+1)。

參閱圖9，顯示了5個路口，s、k、l、m、n。對于路口k來說，其垂直方向滯留交通車流量的大小是路口m到路口k和路口n到路口k這兩條路徑滯留車輛數之和，其水平方向滯留交通車流量的大小是路口l到路口k和路口s到路口k這兩條路徑滯留車輛數之和，其中本發明定義一輛大客運量車滯留等于五輛非大客運輛車滯留。垂直和水平方向滯留交通車流量計算公式如下：

(1)VP(t_i+1)＝Flow(m->k)(t_i+1)+Flow(n->k)(t_i+1)

(2)HP(t_i+1)＝Flow(s->k)(t_i+1)+Flow(l->k)(t_i+1)

本發明的保護內容不局限于以上實施例。在不背離發明構思的精神和范圍下，本領域技術人員能夠想到的變化和優點都被包括在本發明中，并且以所附的權利要求書為保護范圍。