[发明专利]多模态深度交通信号控制的方法和系统

权利要求书

1.一种用于交通网络的交叉路口的交通信号控制的方法，所述交通网络包括一个或多个传感器，所述方法包括：

从所述一个或多个传感器接收传感器读数，该传感器读数包括与接近交叉路口的车辆相关的多个物理特性；

仅基于投射到接近交叉路口的一个或多个街道上的部分的单元网格离散化所述传感器读数，这些部分包括在所述一条或多个街道上的交通接近十字路口的区域；

对于所述多个物理特性中的每一个，针对所述单元网格中的每个单元，如果车辆至少部分地占据了该单元，则为单元网格中的该单元关联代表与所述车辆中的每一辆相关的物理特性的相应值，否则为该单元关联空值，并生成与该物理特性相关联的矩阵，该矩阵包括单元网格中每个单元的相应值；

对于所述多个物理特性中的每一个，生成与该物理特征相关联的矩阵，该矩阵包括投射到一个或多个街道上的单元网格与该单元网格中的每个单元的各自值的组合；

将与所述多个物理特性中的每一个相关联的每个矩阵作为单独的层组合在多层矩阵中；

使用受交通控制训练集训练的机器学习模型，以所述多层矩阵作为输入来确定一个或多个交通动作，所述交通控制训练集包括针对交叉路口处的多个交通场景的先前确定的多层矩阵；和

将所述一个或多个动作传达给交通网络。

2.根据权利要求1所述的方法，其中，所述物理特性之一是车辆的速度，而所述物理特性中的另一个是车辆的位置。

3.根据权利要求1所述的方法，其中，所述物理特性之一是车辆的乘客量。

4.根据权利要求3所述的方法，其中，表示车辆的乘客量的数据使用每种车辆的平均乘客量来近似。

5.根据权利要求3所述的方法，其中，所述车辆中的至少一辆是公共交通客运车辆，并且其中，与所述车辆的乘客量相关联的所述传感器包括与所述公共交通客运车辆相关联的自动乘客计数器。

6.根据权利要求1所述的方法，其中，所述机器学习模型包括卷积神经网络和强化学习。

7.根据权利要求6所述的方法，其中，所述机器学习模型包括通过迭代更新Q值函数来进行的Q学习，并且其中，所述一个或多个交通动作的确定被确定为具有最高Q值的交通动作。

8.根据权利要求6所述的方法，其中，所述机器学习模型用于通过使接近交叉路口的车辆的累积延迟最小化来优化奖励函数，所述奖励函数包括先前迭代的累积延迟减去当前迭代的累积延迟。

9.根据权利要求8所述的方法，其中，所述累积延迟被确定为在交叉路口的每个进入路径中车辆的每种可能移动上的延迟的总和。

10.根据权利要求9所述的方法，其中，如果车辆的速度低于预定速度阈值，则认为所述车辆处于延迟状态。