基于人工智能双向绿波的交通信号控制方法和系统与流程

本公开涉及自动控制领域，尤其涉及一种基于人工智能双向绿波的最优交通信号控制系统、方法及计算机可读存储介质。

背景技术：

城市道路交通信号控制是城市交通管理和控制必需面对的问题，不正确或设置不合适的信号灯控制是阻碍交通流畅通的关键因素。长期以来各个国家在最优道路交通信号控制领域做了大量工作。其中信号灯的最优控制，即，对所有交叉口交通流的延误时间达到最小为目的的控制方法，首先由英国博士f.v.webster在他1958年的论文中提出。他的论点基础是在对交叉口所有交通流(左、直、右)的量化值“已知”情况下的状态方程“矩阵”最优“求解”，求得信号灯控制的三个参数：周期、绿信比和相位差。这个“确定性”数学模型的最优求解在数学角度上具有完备正确性。因此，长期以来webster的公式已经被广泛使用。

美国弗洛利达州立大学的mctran中心在80年代和90年代基于webster的公式开发了transyt-7f，其最新版本的transyt-15.5是全世界交通信号控制领域的一个最重要的最优信号灯参数求解程序。它的求解最优值的原理是用“爬山法”，这种方法存在一些缺陷：1)如果不是用迭代多次寻优，可能得到仅仅是局部“local”最优值，而不是全局“global”最优值；2)transyt算法的计算前提是准确的交通流量化数值已知，才能计算得到正确的参数，而现实的交通流量化数值并不已知，其具有离散性、和随机性，需要预测。

现有技术对包括多个交叉口的交通信号系统的控制，无法满足交通流的离散性与随机性，无法精准进行所有交叉口的交通信号的控制，导致交通的拥堵。

技术实现要素：

针对上述技术问题，本公开提出了一种基于人工智能双向绿波的最优交通信号控制方法、系统、电子设备及计算机可读存储介质。

第一方面，本公开实施例提供一种基于人工智能双向绿波的最优交通信号控制方法，包括：

根据已有的交通流数据，采用模糊数学计算方式，构建一个或多个确定性模型，所述确定性模型体现给定时间段的被控n个道路交叉口的交通流的交通特性，n为正整数；

根据决策函数来确定符合所述被控n个道路交叉口当前交通特性的所述确定性模型，所述决策函数是根据采集的交通流数据，利用神经网络计算确定；

基于被确定的所述确定性模型，选择所述确定性模型对应的信号控制参数，进行交通信号控制。

进一步，所述采用模糊数学计算方式，构建一个或多个确定性模型，包括采用模糊数学寻找模糊集中心计算方式，完成对所述交通流数据的最佳分段和确定性数值的计算，进而构建所述一个或多个确定性模型，所述模糊数学寻找模糊集中心计算方式以模糊c-均值算法fcm为基础。

进一步，所述神经网络实现基于梯度搜寻“快速”后推繁衍扩展方法(bp)。

进一步，所述决策函数是将神经网络算法嵌入模糊集(clustering)寻优的计算方法而确定。

进一步，建立数学模型数据库，存储所述确定性模型；建立控制指令参数数据库，用于存储每一个确定性模型对应的交通控制模型矩阵，所述交通控制模型矩阵对应于预设的控制参数。

进一步，其中所述采用模糊数学计算方式，构建一个或多个确定性模型，包括：基于交通流数据，根据交通流的变化划分时间分段，确定模糊集数量，确定每个模糊集的交通密度值，每一个模糊集确定一个确定性模型。

进一步，所述根据决策函数来确定符合所述被控n个道路交叉口当前交通特性的所述确定性模型，包括利用神经网络，夜间自动对当天的交通流数据进行学习训练，对已存储的确定性模型进行计算更新。

进一步，所述根据决策函数来确定符合所述被控n个道路交叉口当前交通特性的所述确定性模型，包括：根据实时采集的被控n个道路交叉口的交通流数据，利用神经网络，确定符合所述被控n个道路交叉口当前交通特性的所述确定性模型，其中，所述神经网络将神经网络算法与模糊集搜寻算法相融合，实现模糊-神经网络计算方式；并根据实时获取的所述交通路数据，利用模糊数学计算方式更新已有的所述确定性模型。

进一步，所述基于被确定的所述确定性模型，进行交通信号控制，包括根据被确定的所述确定性模型，选择交通信号控制的最优控制参数；按照所述最优控制参数进行交通信号控制；所述最优控制参数包括周期、绿信比和相位差；所述最优控制参数是根据所述确定性模型，利用transyt-7f算法计算获得。

进一步，采用全局最优计算方法来确定所述最优控制参数的数值；获得双向绿波控制的最宽绿波带。

第二方面，本公开实施例提供一种基于人工智能双向绿波的最优交通信号控制系统，其特征在于，包括：

模型构建模块，根据已有的交通流数据，采用模糊数学计算方式，构建一个或多个确定性模型，其中所述确定性模型体现给定时间段的被控n个道路交叉口的交通流的交通特性，n为正整数；

交通决策模块，根据最近的交通流数据，利用神经网络计算方法，自动学习训练获得决策函数，确定符合所述被控n个道路交叉口当前交通特性的所述确定性模型；

交通控制模块，基于被确定的所述确定性模型，进行交通信号控制。

第三方面，本公开实施例提供一种电子设备，包括：至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述第一方面中的任一所述基于人工智能双向绿波的最优交通信号控制方法。

第四方面，本公开实施例提供一种非暂态计算机可读存储介质，其特征在于，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行前述第一方面中的任一所述基于人工智能双向绿波的最优交通信号控制方法。

本公开公开了一种基于人工智能双向绿波的最优交通信号控制的方法、系统、电子设备和计算机可读存储介质。其中该基于人工智能双向绿波的最优交通信号控制方法包括：根据已有的交通流数据，采用模糊数学计算方式，构建一个或多个确定性模型，所述确定性模型体现给定时间段的被控n个道路交叉口的交通流的交通特性，n为正整数；根据决策函数来确定符合所述被控n个道路交叉口当前交通特性的所述确定性模型，所述决策函数是根据采集的交通流数据，利用神经网络计算确定；基于被确定的所述确定性模型，选择所述确定性模型对应的信号控制参数，进行交通信号控制。通过采取该基于人工智能双向绿波的最优交通信号控制方案，解决了现有技术中交通信号灯控制不精准，导致交通拥堵的技术问题。

上述说明仅是本公开技术方案的概述，为了能更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为让本公开的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。

附图说明

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1：本公开一个实施例的基于人工智能双向绿波的最优交通信号控制的方法流程图；

图2：本公开一个实施例的基于人工智能双向绿波的最优交通信号控制的系统结构图；

图3：本公开一个实施例的基于人工智能双向绿波的最优交通信号控制的电子设备结构图；

图4：本公开一个实施例的基于人工智能双向绿波的最优交通信号控制的计算机可读存储介质结构图。

具体实施方式

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。

图1为本公开实施例提供的基于人工智能双向绿波的最优交通信号控制方法流程图，本实施例提供的该基于模板快速生成业务页面的方法可以由一基于人工智能双向绿波的最优交通信号控制方法的系统来执行，该基于模板快速生成业务页面的系统可以实现为软件，或者实现为软件和硬件的组合，该基于人工智能双向绿波的最优交通信号控制方法的系统可以集成设置在图像处理系统中的某设备中，比如服务器或者终端设备中。如图1所示，该基于人工智能双向绿波的最优交通信号控制方法包括如下步骤：

步骤s101，根据已有的交通流数据，采用模糊数学计算方式，构建一个或多个确定性模型，所述确定性模型体现给定时间段的被控n个道路交叉口的交通流的交通特性，n为正整数；

道路交通信号灯控制是一个十分复杂的数学寻优问题，特别是被控制的交通道路交叉口为多个时，所控制的交通信号灯众多，对这些信号灯进行精准控制，以满足被控制交通道路的交通流的需求，更具有复杂性。通常情况下，一个信号灯在交叉口需要控制(左+直+右)x4＝12个交通流(特殊情况下，需要控制的交通流会有增有减，例如某一交叉口无左转)，“最优”信号灯控制是指信号控制对12个交通流在交叉口等待延误时间全部最短。当主干道交通流量大于横向支路交通流时，主干道的信号“配时”“权重”最大。道路交通畅通最重要的是主干道交通流畅通，因此，被控制的所有信号灯控制需要做到对主干道交通流一路畅通无阻，也就是需要对主干道多个交叉口进行串联控制，使得主干道交通流基本上不在交叉口停顿，形成“一路”“绿灯”控制，即“绿波控制”。需要强调的是这种“绿波控制”必需是主干道“双向交通流”都形成绿波，即“双向绿波”控制。与现在的“单向绿波”控制存在本质区别。

信号灯对一个交叉口交通流的最优控制是指对该交叉口的12个交通流都形成延误“最小”的控制，所以，当要串联n个交叉口联控的所有交通流都要延误最小，就要控制12*n个交通流“全部延误时间最小”。这是一个“12*n维矩阵”的“最优求解”的数学问题。所述双向绿波控制就是在全面最优控制条件下完成。

为此，根据被控交通的交通流的离散性，随机性，利用“模糊数学”的数据集(clusteringcenter)理论，合理地将离散和随机的交通流用离散数据集的“密度中心”来“代表”一定范围内的交通流“量化值”。

在一个实施例中，采用离散数据集的“密度中心”，通过模糊数学建模，准确地获得被控交通道路的所有n个交叉口的所有时间段的分类和每一个时间段的数学模型，即确定性模型。被控交通的所有n个交叉口的每一天交通流的时间分段与交通流特性完全根据所有n个道路交叉口交通流实际情况计算获得。根据交通流的实际情况，根据模糊数学最优算法分析计算设置给定交通流数据下的时间分段与交通流特性，构建确定性模型。通常情况下，一个时间段对应一个确定性模型，该确定性模型体现给定时间段的被控n个道路交叉口的交通流的交通特性。上述n为正整数。

在一个实施例中，针对已采集的被控交通道路的所有n个交叉口的所有时间段的交通流数据，根据交通流特性的变化，例如车流量，即车辆/每分钟，这一交通流特性在一天中的数值的变化，根据设定的阈值分段，自动划分为多个时间分段，每个时间分段确定为一个交通流特性模糊集，例如车流量模糊集；以模糊集的密度中心数值为该模糊集的量化值，例如以该模糊集的平均值作为该模糊集的量化值，即采用模糊c-均值计算方式fcm。

在一个实施例中，所考虑的交通流特性包括多个，例如车流量，给定车型流量，给定类型车牌流量等。

在一个实施例中，确定性模型被定义为在某一个时间段被控交通道路的所有n个交叉口的所有交通流的交通特性的量化数值，例如，n＝5，协调联控5个交叉口”，因此在在给定时间段包括“12*5＝60”个交通流，确定性模型即为交通特性的“60维矩阵”。

在一个实施例中，根据模糊计算，根据交通流的交通特性的数值变化，例如某一天被自动计算为“5个区段”，每一个区段对应一个60维矩阵表示的确定性模型，该天包括5个确定性模型。同样，针对一周内的交通流特性，又可以分周1、周2-周4、周5、周末“四组”，即每一周，将有5x4＝20个的60维矩阵的确定性模型。

根据已有的交通流数据，采用模糊数学计算方式，自动分析确定时间段，时间段内的交通流特性的量化数值，构建一个或多个确定性模型。

步骤s102，根据决策函数来确定符合所述被控n个道路交叉口当前交通特性的所述确定性模型，所述决策函数是根据采集的交通流数据，利用神经网络计算确定；

在一个实施例中，利用神经网络算法，例如“后退扩展法”(backpropagationalgorithm)，根据最近交通流数据，由自动学习训练获得的决策函数(membershipfunction)，确定符合所述被控n个道路交叉口当前交通特性的确定性模型。例如，决策函数为最近相似函数，本周1的各个时间段的交通特性与上周1相似，本周2-4与上周2-4相似，同理，本周5，周末分别与上周5，周末的交通特性相似，因此，根据上周的交通流数据所确定的各个时间段的确定性模型，确定为本周当前进行交通控制时所选择的确定性模型。

在一个实施例中，利用模糊神经网络，根据最近交通流数据，由自动学习训练获得决策函数(membershipfunction)。所述模糊神经网络一般结构为第一层为输入层，缓存输入信号；第二层为模糊化层，对输入信号进行模糊化；第三层为模糊规则层；第四层为模糊决策层，主要针对满足一定条件的量进行分类并将模糊量去模糊化；第五层为输出层，输出运算结果。

在一个实施例中，通过神经网络自动训练学习得到“实时决策”，确定哪一个确定性模型为当前交通控制所采用的确定性模型。

在一个实施例中，每天根据累积的交通流数据，采用模糊数学计算方式，对已有确定性模型进行修正与更新，以适应不断变化的交通流。

在一个实施例中，实时采集被控交通的n个道路交叉口的交通流数据，实时计算确定所在时间段的确定性模型，并将该确定性模型作为当前进行交通控制时所选择的确定性模型。

在一个实施例中，实时采集被控交通的n个道路交叉口的交通流数据，实时计算确定所在时间段的确定性模型，并对已有确定性模型进行更新与修正。

在一个实施例中，根据实时采集被控交通的n个道路交叉口的交通流数据，基于已有确定性模型，预测下一时间段的进行交通控制时所选择的确定性模型。

在一个实施例中，当天交通控制所需的确定性模型采用预测算法，所述预报算法将实时采集的交通流数据与已有确定性模型相结合，获得更加精确的当前交通控制时所需的确定性模型。

步骤s103，基于被确定的所述确定性模型，选择所述确定性模型对应的信号控制参数，进行交通信号控制。

针对每一个确定性模型，应用transyt-7f算法，获得交通控制时最优控制参数，例如周期、绿信比、相位差等；根据transyt-7f算法的“globaloptimization-全域最优”来获得所述最优控制参数，避免现有技术中transyt-7f算法的“localoptimalpoint-局部最优点”形成的“偏差”；应用passer-ii～iii算法获得双向绿波控制的“最宽绿波带”。

实现上述基于人工智能双向绿波的最优交通信号控制方法，在数据存储方面可以设置数据库进行数据存储，例如，采用确定性模型数据库，用于存储所计算出的所有确定性模型；采用控制指令参数数据库，用于存储每个确定性模型所对应的控制指令参数。

在一个实施例中，控制指令参数同样采用12*n维矩阵进行组织与存储。

通过采取该基于人工智能双向绿波的最优交通信号控制方案，解决了现有技术中交通信号灯控制不精准，导致交通拥堵的技术问题。

图2为本公开实施例提供的一种基于人工智能双向绿波的最优交通信号控制的系统，包括：

模型构建模块201，根据已有的交通流数据，采用模糊数学计算方式，构建一个或多个确定性模型，所述确定性模型体现给定时间段的被控n个道路交叉口的交通流的交通特性，n为正整数；

交通决策模块202，根据决策函数来确定符合所述被控n个道路交叉口当前交通特性的所述确定性模型，所述决策函数是根据采集的交通流数据，利用神经网络计算确定；

交通控制模块203，基于被确定的所述确定性模型，选择所述确定性模型对应的信号控制参数，进行交通信号控制。

根据已有的交通流数据，采用模糊数学计算方式，构建一个或多个确定性模型，其中所述确定性模型体现给定时间段的被控n个道路交叉口的交通流的交通特性，n为正整数；

在一个实施例中，采用离散数据集的“密度中心”，通过模糊数学建模，准确地获得被控交通道路的所有n个交叉口的所有时间段的分类和每一个时间段的数学模型，即确定性模型。被控交通的所有n个交叉口的每一天交通流的时间分段与交通流特性完全根据所有n个道路交叉口交通流实际情况计算获得。根据交通流的实际情况，根据模糊数学最优算法分析计算设置给定交通流数据下的时间分段与交通流特性，构建确定性模型。通常情况下，一个时间段对应一个确定性模型，该确定性模型体现给定时间段的被控n个道路交叉口的交通流的交通特性。上述n为正整数。

在一个实施例中，针对已采集的被控交通道路的所有n个交叉口的所有时间段的交通流数据，根据交通流特性的变化，例如车流量，即车辆/每分钟，这一交通流特性在一天中的数值的变化，根据设定的阈值分段，自动划分为多个时间分段，每个时间分段确定为一个交通流特性模糊集，例如车流量模糊集；以模糊集的密度中心数值为该模糊集的量化值，例如以该模糊集的平均值作为该模糊集的量化值，即采用模糊c-均值计算方式fcm。

在一个实施例中，所考虑的交通流特性包括多个，例如车流量，给定车型流量，给定类型车牌流量等。

在一个实施例中，确定性模型被定义为在某一个时间段被控交通道路的所有n个交叉口的所有交通流的交通特性的量化数值，例如，n＝5，协调联控5个交叉口”，因此在在给定时间段包括“12*5＝60”个交通流，确定性模型即为交通特性的“60维矩阵”。

在一个实施例中，根据模糊计算，根据交通流的交通特性的数值变化，例如某一天被自动计算为“5个区段”，每一个区段对应一个60维矩阵表示的确定性模型，该天包括5个确定性模型。同样，针对一周内的交通流特性，又可以分周1、周2-周4、周5、周末“四组”，即每一周，将有5x4＝20个的60维矩阵的确定性模型。

根据已有的交通流数据，采用模糊数学计算方式，自动分析确定时间段，时间段内的交通流特性的量化数值，构建一个或多个确定性模型。

根据最近的交通流数据，利用神经网络计算方法，自动学习训练获得决策函数，确定符合所述被控n个道路交叉口当前交通特性的所述确定性模型；

在一个实施例中，利用神经网络，例如“后退扩展法”(backpropagationalgorithm)，根据最近交通流数据，由自动学习训练获得的决策函数(membershipfunction)，确定符合所述被控n个道路交叉口当前交通特性的确定性模型。例如，决策函数为最近相似函数，本周1的各个时间段的交通特性与上周1相似，本周2-4与上周2-4相似，同理，本周5，周末分别与上周5，周末的交通特性相似，因此，根据上周的交通流数据所确定的各个时间段的确定性模型，确定为本周当前进行交通控制时所选择的确定性模型。

在一个实施例中，利用模糊神经网络，根据最近交通流数据，由自动学习训练获得决策函数(membershipfunction)。所述模糊神经网络一般结构为第一层为输入层，缓存输入信号；第二层为模糊化层，对输入信号进行模糊化；第三层为模糊规则层；第四层为模糊决策层，主要针对满足一定条件的量进行分类并将模糊量去模糊化；第五层为输出层，输出运算结果。

在一个实施例中，通过神经网络自动训练学习得到“实时决策”，确定哪一个确定性模型为当前交通控制所采用的确定性模型。

在一个实施例中，每天根据累积的交通流数据，采用模糊数学计算方式，对已有确定性模型进行修正与更新，以适应不断变化的交通流。

在一个实施例中，实时采集被控交通的n个道路交叉口的交通流数据，实时计算确定所在时间段的确定性模型，并将该确定性模型作为当前进行交通控制时所选择的确定性模型。

在一个实施例中，实时采集被控交通的n个道路交叉口的交通流数据，实时计算确定所在时间段的确定性模型，并对已有确定性模型进行更新与修正。

在一个实施例中，根据实时采集被控交通的n个道路交叉口的交通流数据，基于已有确定性模型，预测下一时间段的进行交通控制时所选择的确定性模型。

在一个实施例中，当天交通控制所需的确定性模型采用预测算法，所述预报算法将实时采集的交通流数据与已有确定性模型相结合，获得更加精确的当前交通控制时所需的确定性模型。

基于被确定的所述确定性模型，进行交通信号控制；

针对每一个确定性模型，应用transyt-7f算法，获得交通控制时最优控制参数，例如周期、绿信比、相位差等；根据transyt-7f算法的“globaloptimization-全域最优”来获得所述最优控制参数，避免现有技术中transyt-7f算法的“localoptimalpoint-局部最优点”形成的“偏差”；应用passer-ii～iii算法获得双向绿波控制的“最宽绿波带”。

实现上述基于人工智能双向绿波的最优交通信号控制方法，在数据存储方面可以设置数据库进行数据存储，例如，采用确定性模型数据库，用于存储所计算出的所有确定性模型；采用控制指令参数数据库，用于存储每个确定性模型所对应的控制指令参数。

在一个实施例中，控制指令参数同样采用12*n维矩阵进行组织与存储。

下面参考图3，其示出了适于用来实现本公开实施例的基于人工智能双向绿波的最优交通信号控制方法的电子设备300的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(rom)302中的程序或者从存储装置308加载到随机访问存储器(ram)303中的程序而执行各种适当的动作和处理。在ram303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、rom302以及ram303通过总线304彼此相连。输入/输出(i/o)接口305也连接至总线304。

通常，以下装置可以连接至i/o接口305：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从rom302被安装。在该计算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。

图4是根据本公开的实施例的计算机可读存储介质的示意图。如图4所示，根据本公开实施例的计算机可读存储介质40，其上存储有非暂时性计算机可读指令41。当该非暂时性计算机可读指令41由处理器运行时，执行前述的本公开各实施例的基于人工智能双向绿波的最优交通信号控制方法的全部或部分步骤。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：构建基础页面，所述基础页面的页面代码用于搭建所述业务页面运行所需的环境和/或实现同类业务场景中抽象出的相同的工作流程；构建一个或多个页面模板，所述页面模板用于提供业务场景中实现业务功能的代码模板；基于相应的所述页面模板，通过业务场景的每一个页面的具体功能的代码转换，生成业务场景的每一个页面的最终页面代码；将生成的所述每一个页面的最终页面代码合并入所述基础页面的页面代码，生成所述业务页面的代码。

或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：构建基础页面，所述基础页面的页面代码用于搭建所述业务页面运行所需的环境和/或实现同类业务场景中抽象出的相同的工作流程；构建一个或多个页面模板，所述页面模板用于提供业务场景中实现业务功能的代码模板；基于相应的所述页面模板，通过业务场景的每一个页面的具体功能的代码转换，生成业务场景的每一个页面的最终页面代码；将生成的所述每一个页面的最终页面代码合并入所述基础页面的页面代码，生成所述业务页面的代码。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。