[发明专利]启发式随机搜索交通信号灯配时优化方法、系统

说明书

本发明属于智能交通系统领域，特别涉及一种启发式随机搜索交通信号灯配时优化方法，旨在为了解决现有交通信号灯配时优化方法复杂度高、优化时长较长的问题，本发明在待优化路段配时方案构成的相位时长向量的基础上分别叠加2N个探索噪声并得到2N个性能指标，通过最优的性能指标的选取及其对应的探索噪声的取反操作，得到N个性能指标，并基于此通过使用预设的调整算法调整相位时长向量，基于调整后的相位时长向量重复执行上述步骤直至达到预设的迭代终止条件，将最后一次迭代得到的相位时长向量作为优化输出。本发明能够在有限的计算资源的情况下，在可接受的时间范围内对交通路口信号灯配时方案进行优化，鲁棒性好，可实施性强。

技术领域

本发明属于智能交通系统领域，特别涉及一种启发式随机搜索交通信号灯配时优化方法、系统。

背景技术

在智能交通(Intelligent Transportation Systems,ITS)系统中，交通路口的信号灯的配时方案对交通效率的影响显著。许多研究者和工程师都认识到，良好的配时方案是当前智能交通系统中最重要的因素，能够有效缓解交通拥堵，提升出行效率。

在交通场景中，信号控制方案d与拥堵情况w之间不存在一个明确的可以计算梯度的映射关系因而如何通过优化控制方案来缓解交通拥堵一直没有很好的办法。现有的信号灯配时方案主要分为以下三类，分别是基于数学模型的方案，基于启发式方法的模型和基于人工智能方法的模型。

基于数学模型的方案不需要任何训练和测试，通过对路口流量历史数据的统计，结合经验值，直接找到一个理论上的最优解或者次优解，韦伯斯特方法便是其中的典型代表。这种方法依赖于数学模型建立和经验参数的选取，每一次方案的更新都需要重新对路口流量重新进行统计，无法满足当前多变的交通需求模式。模型的精度也会随着交通场景复杂度的提升而迅速降低，以致于无法使用。

基于启发式方法的方案主要是通过运用现有的启发式方法，结合仿真模型，迭代更新配时方案，如遗传算法等。这类方案的性能取决于启发式函数的设计，需要专门的专家针对特定的环境特定的场景进行设计，无法对所有场景适应，无法大规模推广。

基于人工智能方法的方案近年来获得了大量的关注。由于信号配时不是一个典型的分类/回归问题，深度学习的方法无法直接应用到信号配时领域。强化学习方法在决策问题领域具有重要的优势，结合了强化学习和深度学习二者优势的深度强化学习在信号控制领域得到了研究。但强化学习本身面临着众多的问题。首先是深度强化学习面临着可复现性、可重用性和鲁棒性的挑战。深度强化学习对网络参数的配置，甚至是一个随机数种子，都异常敏感，难以稳定的训练和复现现有的方法，饱受诟病；其次，深度强化学习也需要人工设定奖励函数，同样需要专家来进行设计；最后，以深度强化学习为代表的方法都需要巨大的算力以完成神经网络大量参数的更新，而在实际交通场景中，这个条件可能是难以满足的。此类方法展现出良好的前景，但仍然需要进一步完善。

发明内容

为了解决现有技术中的上述问题，即为了解决现有交通信号灯配时优化方法复杂度高、优化时长较长的问题，本发明的第一方面，提出了一种启发式随机搜索交通信号灯配时优化方法，该方法包括以下步骤：

步骤S1，获取由待优化路段各路口交通信号相位时长构成的第一相位时长向量；

步骤S2，获取N个探索噪声，并分别对N个探索噪声的各个元素取其相反数，获取N个反方向的探索噪声；所述探索噪声为与第一相位时长向量同维的噪声向量；

步骤S3，依据所述N个探索噪声、所述N个反方向的探索噪声，获取第一相位时长向量的2N个添加噪声的向量表示，作为2N个第二相位时长向量；并基于待优化路段的交通场景仿真模型获取各第二相位时长向量对应的性能指标；

步骤S4，获取前N/2个最优的性能指标对应第二相位时长向量及其中所添加的探索噪声，并基于该N/2个探索噪声分别获取其反方向的探索噪声对应的第二相位时长向量及性能指标；