用于车辆交通信号优化的设备和方法与流程

本发明涉及车辆交通控制，具体而言，涉及根据当前交通状况，利用先前场景中的决策来优化交通控制决策和信号。

背景技术：

1、交通拥堵给城市基础设施带来严峻挑战，也因等待交通浪费时间而影响居民的社会经济生活。

2、交通响应信号控制系统是一种调整位于道路交通基础设施中的交通信号设置(例如，调整周期、绿色分割和偏移)的方法。这些设置根据对交通状况的估计实时优化给定的目标函数，例如最大限度地减少行驶时间或停车，以改善车辆流量，如图1所示。控制信号(例如，交通灯的绿灯时间/红灯时间)与测得的结果(例如，在任意固定时间内通过某个点的车辆数量，称为交通流)之间的联想描述了道路、交叉口或区域交通的时间和空间动力学。为了优化流量和最大限度地减少延迟时间，系统需要找到最佳的交通信号配时。

3、在图2中，描述了一个典型的道路交通场景。对于单个交叉口，交通动力学(即红灯(r)、绿灯(g)和黄灯(y)中的每一个的交通灯配时)决定了流量控制，并且车辆的瞬态(例如，启动损失、有效流量)按其顺序和到交通灯的距离(例如，队列疏散率)排序，直到可以达到饱和流量的连续绿灯时间。在图2中，yi是在交通信号相位之间出现的黄灯加全红灯间隔，以在冲突的运动被释放之前提供交叉口的间隙；i2是信号相位之间的时间，在此期间交叉口不被任何车辆使用；di是当控制信号导致车道组降低速度或停止时产生的延迟分量，它是通过与非受控条件比较来测量的；ci是信号完成一个周期长度的总时间；ri是信号周期中，对于给定的相位或车道组，信号为红灯的周期；gi是信号交叉口给定移动的绿灯指示持续时间；i1是由于需要对绿灯相位的启动做出反应并加速，在大于饱和车头时距的信号交叉口排队的前几辆车所消耗的额外时间。

4、为了最大限度地减少等待时间，已经考虑了优化相邻交叉口交通灯信号顺序的方法。这些方法需要评估通过的车辆数量，并相应调整交通灯的配时，以最大限度地提高流量。

5、许多以前的模型在大规模场景实践中表现不佳的原因之一是，它们在控制交通信号时未能充分利用交通流的因果耦合或联想和内在动力学。此外，典型的(静态)系统在描述系统及其连续变化(方差)时，不会随着计算工作量的增加而扩展。

6、因此，我们希望开发一种克服这些问题的交通控制设备和方法。

技术实现思路

1、根据第一方面，提供了一种车辆交通控制设备，其用于通过以下方式控制交通信号：存储多个数据集，对于相应的过去时间段，每个数据集包括以下内容的表示：(i)在过去一段时间内交通信号的状况，(ii)在过去一段时间之前的第一交通状况和(iii)在过去一段时间之后的第二交通状况；检测当前交通状况；将当前交通状况与第一交通状况进行比较；并根据该比较，选择其中一个数据集，并使交通信号采用该数据集中所表示的状况。

2、通过这种设备，可以根据当前交通状况，利用先前场景中的决策来优化交通信号。

3、第一和第二交通状况的表示可以包括指示交通流的数据。交通信号的状况的表示可以包括指示交通信号的绿灯时间(或另一流许可模式)的数据。

4、该设备可以用于进一步根据预定目标来选择数据集之一。该设备可用于根据当前交通状况选择数据集之一，以优化目标。目标可以是最大限度地提高交通流。因此，该设备可以允许车流量最大化，从而减少交通拥堵和等待时间。

5、检测到的当前交通状况可以包括交通数据的时间序列。利用该序列，可以评估一段时间内的交通状况。

6、可以利用一个或多个传感器收集的传感数据推导检测到的当前交通状况，每个传感器包括摄像机和感应回路之一。这样的传感器可以设置在具体环境中，并可以捕获当前交通状况。例如，摄像机可以记录一系列图像，然后利用这些图像确定交通流(即每任意固定时间单位通过一个点的汽车数量)。

7、该设备可用于根据输入数据的部分时间序列来检测当前交通状况。因此，使用不连续或间歇性操作的传感器仍能检测当前的交通状况。

8、该设备可用于根据多个交通上下文之一来检测当前交通状况。所述多个交通上下文可以包括交通车道的绿灯时间和交通车道的交通流。当仅根据该数据(即，根据不连续的交通传感器或间歇性操作的交通灯)呈现部分信息时，设备可以检索完整的上下文(例如，所有流和绿灯时序)。或者，设备可以学习记忆，以便在根据另一个类别(即车道上的交通流)呈现数据上下文时，从一个类别(即车道的绿灯时间)回忆联想的数据上下文。

9、可以使用人工智能模型学习多个数据集。因此，可以学习数据之间的联想。

10、人工智能模型可以是神经网络。一种方便的实现。例如，神经网络可以是循环神经网络，如hopfield网络，其使用相关学习来收敛到其中权重最小化交通测量中约束的能量函数(例如，测得的流量和分配的绿灯时间之间的约束)的方案。

11、该设备可以用于学习过去一段时间的交通信号的状况与过去一段时间之后的第二交通状况之间的映射。这样就可以学习随后可以由设备使用的联想。

12、该设备可用于根据检测到的当前交通状况，随时间迭代更新模型的参数。因此，设备可以实时适应变化，这是交通控制的一个重要特征。这样可以提高性能。

13、此外，该设备还可以用于根据所选择的数据集生成交通信号的时间计划。时间计划可以针对未来的一段时间。该未来的一段时间可以在检测到当前交通状况的时间段之后。因此，该设备的输出可以应用于交通控制单元，后者又会更新交通信号，以便根据存储的数据集和当前状况最大化交通流。

14、该设备可以由一个或多个计算机处理器实现。因此可以将设备部署在专用硬件或云中。

15、根据第二方面，提供了一种控制车辆交通信号的方法，该方法包括：存储多个数据集，对于相应的过去时间段，每个数据集包括以下内容的表示：(i)在过去一段时间内交通信号的状况，(ii)在过去一段时间之前的第一交通状况和(iii)在过去一段时间之后的第二交通状况；检测当前交通状况；将当前交通状况与第一交通状况进行比较；并根据该比较，选择其中一个数据集，并使交通信号采用该数据集中所表示的状况。

16、通过这种设备，可以根据当前交通状况，利用先前场景中的决策来优化交通信号。

17、第一和第二交通状况的表示可以包括指示交通流的数据。交通信号的状况的表示可以包括指示交通信号的绿灯时间(或另一流许可模式)的数据。

18、该方法可以包括进一步根据预定目标来选择数据集之一。该方法可以包括根据当前交通状况选择数据集之一，以优化目标。目标可以是最大限度地提高交通流。因此，该方法可以允许车流量最大化，从而减少交通拥堵和等待时间。

19、检测到的当前交通状况可以包括交通数据的时间序列。利用该序列，可以评估一段时间内的交通状况。

20、可以利用一个或多个传感器收集的传感数据推导检测到的当前交通状况，每个传感器包括摄像机和感应回路之一。从每个传感器接收的数据可以包括值的时间序列。因此，传感器连续生成的数据可以随着时间的推移测量交通指标。

21、该方法可以包括根据输入数据的部分时间序列来检测当前交通状况。因此，使用不连续或间歇性操作的传感器能检测当前的交通状况。

22、该方法可以包括根据多个交通上下文之一来检测当前交通状况。所述多个交通上下文可以包括交通车道的绿灯时间和交通车道的交通流。该方法可以包括在仅根据该数据(即，根据不连续的交通传感器或间歇性操作的交通灯)呈现部分信息时，检索具有完整的上下文(例如，流和绿灯时序)的数据集。或者，可以学习记忆，以便在根据另一个类别(即车道上的交通流)呈现数据上下文时，从一个类别(即车道的绿灯时间)回忆联想的数据上下文。

23、可以使用人工智能模型学习多个数据集。因此，可以学习数据之间的联想。

24、人工智能模型可以是神经网络。一种方便的实现。例如，神经网络可以是循环神经网络，如hopfield网络，其使用相关学习来收敛到其中权重最小化交通测量中约束的能量函数(例如，测得的流量和分配的绿灯时间之间的约束)的方案。

25、该方法可以包括学习过去一段时间的交通信号的状况与过去一段时间之后的第二交通状况之间的映射。

26、该方法可以包括根据检测到的当前交通状况，随时间迭代更新模型的参数。因此，该方法可以实时适应变化，这是交通控制的一个重要特征。这样可以提高性能。

27、此外，该方法可以包括根据所选择的数据集生成交通信号的时间计划。时间计划可以针对未来的一段时间。该未来的一段时间可以在检测到当前交通状况的时间段之后。因此，该设备的输出可以应用于交通控制单元，后者又会更新交通信号，以便根据存储的数据集和当前状况最大化交通流。

28、车辆交通信号优选为交通灯，但是，也可以使用其他交通信号。