[发明专利]基于人工智能双向绿波的交通信号控制方法和系统

权利要求书

1.一种基于人工智能双向绿波的最优交通信号控制方法，其特征在于，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。

2.如权利要求1所述的方法，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。

3.如权利要求1所述的方法，其中，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)。

4.如权利要求1所述的方法，其中，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。

5.如权利要求1所述的方法，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。

6.如权利要求1所述的方法，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。

7.如权利要求1所述的方法，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。

8.如权利要求1所述的方法，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。

9.如权利要求1所述的方法，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。

10.如权利要求9所述的方法，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。

11.一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，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，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。