本发明涉及智慧交通,特别是涉及一种基于短时交通量预测的动态信号配时优化方法以及系统。
背景技术:
1、交通信号配时对于城市交通信号控制有很多益处,可以提高交通效率、降低交通事故、节能减排、提高交通安全、提高用户满意度等。通过实时交通流量预测,交通信号控制系统可以根据预测结果调整交通信号灯的时序,以最大程度地减少交通拥堵和延误,提高交通效率。通过实时交通流量预测,交通信号控制系统可以根据道路情况和交通状况调整交通信号灯的时序,减少交通事故的发生。通过实时交通流量预测,交通信号控制系统可以优化车辆行驶路线和减少交通堵塞时间,从而降低车辆的燃油消耗和尾气排放量,达到节能减排的目的。通过实时交通流量预测,交通信号控制系统可以根据道路情况和交通状况,及时采取相应的措施,如设置合适的速限、开启紧急车道等,从而提高交通安全。通过实时交通流量预测,交通信号控制系统可以优化路网布局和交通信号灯的时序,提高交通流畅度和减少等待时间,从而提高用户出行体验和满意度。
2、然而,传统信号配时方法基于统一的数学模型对交通流进行描述,但是由于路口几何渠化、区域特性等交通流的随机性很难用统一确定的模型来进行描述。对于随机性强且不断变化的交通流来说,统一的数学模型无法准确地进行信号配时,进而导致无法准确地对城市交通进行管理。
技术实现思路
1、本发明的目的是解决传统信号配时方法基于统一的数学模型对交通流进行描述导致的无法准确地进行信号配时的技术问题。为实现上述目的,本发明提供一种基于短时交通量预测的动态信号配时优化方法以及系统。
2、本发明提供一种基于短时交通量预测的动态信号配时优化方法,包括:
3、实时获取当前时刻短时交通序列;
4、对所述短时交通序列进行小波分解,获得稳定序列信号与随机序列信号;
5、根据马尔可夫链模型对所述随机序列信号进行预测,获得下一时刻的预测随机序列;
6、根据径向基函数神经网络对所述稳定序列信号进行预测,获得下一时刻的预测稳定序列;
7、根据所述预测稳定序列与所述预测随机序列进行线性组合,获得预测交通序列;
8、根据模糊聚类算法对所述预测交通序列进行交通流聚类分析,获得预测交通流模式;
9、在信控策略库中查找所述预测交通流模式,获得对应的控制策略的配时参数;
10、将下一时刻的所述配时参数发送至信号机。
11、在一个实施例中,所述在信控策略库中查找所述预测交通流模式,获得对应的控制策略的配时参数之后,所述方法还包括:
12、根据所述配时参数,计算最小信号周期与最佳信号周期,所述配时参数包括相位总数、各个相位的总损失时间、每个相位的临界交通量以及每个相位的饱和交通量;
13、其中,所述最小信号周期为:
14、
15、所述最佳信号周期为:
16、
17、其中,l为所述总损失时间,n为所述相位总数,qi为所述临界交通量,si为所述饱和交通量。
18、在一个实施例中,所述在信控策略库中查找所述预测交通流模式,获得对应的控制策略的配时参数之后,所述方法还包括:
19、根据所述配时参数,计算相位等饱和度绿灯分配时间,所述配时参数还包括周期时长、每个相位的多个交通流向的流量比;
20、其中,所述相位等饱和度绿灯分配时间为:
21、
22、其中,gei表示第i相位的有效绿灯时间,ge表示所述周期时长与所述总损失时间的差值,yi1表示所述多个交通流向的流量比中第一个交通流向的流量比,yi2表示第二个交通流向的流量比,y表示所有交通流向的最大流量比之和。
23、在一个实施例中,所述在信控策略库中查找所述预测交通流模式,获得对应的控制策略的配时参数之后,所述方法还包括:
24、根据所述配时参数,计算非等饱和度绿灯分配时间,所述配时参数包括主干道关键车道流量、饱和度以及周期绿信比;
25、其中,所述非等饱和度绿灯分配时间包括主干道绿信比与次干道绿信比,所述主干道绿信比为:
26、
27、所述次干道绿信比为:λminor=λc-λmain;
28、其中,ymain表示所述主干道关键车道流量,xmain表示所述饱和度,λminor表示所述次干道绿信比,λc表示所述周期绿信比;
29、将下一时刻的所述最小信号周期、所述最佳信号周期、所述相位等饱和度绿灯分配时间以及所述非等饱和度绿灯分配时间,发送至所述信号机。
30、在一个实施例中,所述将下一时刻的所述配时参数发送至信号机之后,所述方法还包括:
31、获取所述信号机根据所述配时参数进行信号控制之后的车辆平均延误时间、车辆平均停车次数以及交叉口进口路段的平均速度;
32、根据所述车辆平均延误时间、所述车辆平均停车次数以及所述交叉口进口路段的平均速度对所述配时参数进行验证;
33、获取所述信号机根据所述配时参数进行信号控制之后的真实交通序列;
34、计算所述真实交通序列与所述预测交通序列的平均绝对误差、均方根误差以及平均绝对百分比误差;
35、根据所述平均绝对误差、所述均方根误差以及所述平均绝对百分比误差对所述马尔可夫链模型与所述径向基函数神经网络的参数进行优化更新。
36、本发明提供一种基于短时交通量预测的动态信号配时优化系统,包括:
37、实时数据获取模块,用于实时获取当前时刻短时交通序列;
38、分解模块,用于对所述短时交通序列进行小波分解,获得稳定序列信号与随机序列信号;
39、随机序列处理模块,用于根据马尔可夫链模型对所述随机序列信号进行预测,获得下一时刻的预测随机序列;
40、稳定序列处理模块,用于根据径向基函数神经网络对所述稳定序列信号进行预测,获得下一时刻的预测稳定序列;
41、组合模块,用于根据所述预测稳定序列与所述预测随机序列进行线性组合,获得预测交通序列;
42、交通流聚类模块,用于根据模糊聚类算法对所述预测交通序列进行交通流聚类分析,获得预测交通流模式;
43、配时参数获取模块,用于在信控策略库中查找所述预测交通流模式,获得对应的控制策略的配时参数;
44、发送模块,用于将下一时刻的所述配时参数发送至信号机。
45、在一个实施例中,所述系统还包括:
46、第一配时优化模块,用于根据所述配时参数,计算最小信号周期与最佳信号周期,所述配时参数包括相位总数、各个相位的总损失时间、每个相位的临界交通量以及每个相位的饱和交通量;
47、其中,所述最小信号周期为:
48、
49、所述最佳信号周期为:
50、
51、其中,l为所述总损失时间,n为所述相位总数,qi为所述临界交通量,si为所述饱和交通量。
52、在一个实施例中,所述系统还包括:
53、第二配时优化模块,用于根据所述配时参数,计算相位等饱和度绿灯分配时间,所述配时参数还包括周期时长、每个相位的多个交通流向的流量比;
54、其中,所述相位等饱和度绿灯分配时间为:
55、
56、其中,gei表示第i相位的有效绿灯时间,ge表示所述周期时长与所述总损失时间的差值,yi1表示所述多个交通流向的流量比中第一个交通流向的流量比,yi2表示第二个交通流向的流量比,y表示所有交通流向的最大流量比之和。
57、在一个实施例中,所述系统还包括:
58、第三配时优化模块,用于根据所述配时参数,计算非等饱和度绿灯分配时间,所述配时参数包括主干道关键车道流量、饱和度以及周期绿信比;
59、其中,所述非等饱和度绿灯分配时间包括主干道绿信比与次干道绿信比,所述主干道绿信比为:
60、
61、所述次干道绿信比为:λminor=λc-λmain;
62、其中,ymain表示所述主干道关键车道流量,xmain表示所述饱和度,λminor表示所述次干道绿信比,λc表示所述周期绿信比;
63、所述发送模块用于将下一时刻的所述最小信号周期、所述最佳信号周期、所述相位等饱和度绿灯分配时间以及所述非等饱和度绿灯分配时间,发送至所述信号机。
64、在一个实施例中,所述系统还包括:
65、车辆参数获取模块,用于获取所述信号机根据所述配时参数进行信号控制之后的车辆平均延误时间、车辆平均停车次数以及交叉口进口路段的平均速度;
66、验证模块,用于根据所述车辆平均延误时间、所述车辆平均停车次数以及所述交叉口进口路段的平均速度对所述配时参数进行验证;
67、真实交通序列获取模块,用于获取所述信号机根据所述配时参数进行信号控制之后的真实交通序列;
68、误差计算模块,用于计算所述真实交通序列与所述预测交通序列的平均绝对误差、均方根误差以及平均绝对百分比误差;
69、优化模块,用于根据所述平均绝对误差、所述均方根误差以及所述平均绝对百分比误差对所述马尔可夫链模型与所述径向基函数神经网络的参数进行优化更新。
70、上述基于短时交通量预测的动态信号配时优化方法以及系统中,充分实时利用当前时刻的数据与历史时刻的数据。利用小波分析技术分离交通流序列中的稳定部分和随机部分。通过马尔可夫链模型与径向基函数神经网络对交通流序列进行分离,并分别对稳定序列与随机序列进行预测,避免了稳定序列与随机序列的相互干扰导致误差增大的问题。从而,将获得的预测稳定序列与预测随机序列进行线性组合,获得预测交通序列,实现了由当前交通序列对未来短时间内的交通序列的预测,并对预测交通序列进行交通流聚类分析,实现对未来短时间内的交通流模式的预测。从而,在信控策略库中查找对应的配时参数,获得下一时刻的信号配时,并发送至信号机,进行相应的信号配时。