[发明专利]一种基于历史误差反向传播的自适应交通信号控制方法

权利要求书

1.一种基于历史误差反向传播的自适应交通信号控制方法，其特征在于，包括以下步骤：

收集数据；

数据预处理，包括数据清理、数据简化以及数据归一化；

数据清理具体为剔除收集的数据集中的噪声数据和无关数据，处理遗留数据，去除空白数据域的白噪声；

数据简化用于剔除不相关的随机变量，具体步骤为：

先求数据总集D中各个数据集X的数据因素的算数平均值：

其中，n表示某个数据集X中每个数据因素中的数据种类，x_i,1≤i≤n表示对应的数据因素中第i种类型的数据量；若n表示历史数据集X²中的种类数量，则x_n表示行人人流量；

根据贝塞尔公式求标准偏差：

若某一随机变量x_i满足|x_i-M|＞3σ，则认为该随机变量含有粗大的坏值，将其剔除；

数据规则化用于将数据无损压缩，以防止数据过大所导致训练速率减慢，使得数据不再杂乱，具体步骤为：

通过遍历经数据简化后的数据总集D中的每一个数据，记录各个数据因素中的最大值Max和最小值Min，并将Max-Min作为基数代入归一化标准公式将原数据的数值范围无损压缩到(0,1)的范围内，最后将数据进行排序并装箱，归一化标准公式如下：

其中，x为原数据值，x_{normalization}为归一化后的数据值；

构建自适应的误差反向学习模型，添加CNN神经网络用于捕获未注意到的特征，并进行分类处理；

模型训练，将预处理后的数据集作为自适应的误差反向学习模型的输入进行误差方向学习；

对自适应的误差反向学习模型进行评价，若达到期望误差则停止训练并用于实际交通信号控制，否则继续训练。

2.根据权利要求1所述的一种基于历史误差反向传播的自适应交通信号控制方法，其特征在于，收集数据具体为采集环境数据、历史数据以及实时数据并作为神经网络模型训练的数据集，用集合D＝{X|X⁰,X¹,X²}表示；

其中，X⁰表示环境数据集，X¹表示实时数据集，X²表示历史数据集。

3.根据权利要求2所述的一种基于历史误差反向传播的自适应交通信号控制方法，其特征在于，环境数据集具体包括以下数据因素：

某时间段内天气情况；相邻红绿灯间隔距离；机动车道数量；非机动车流动方向；行人流动方向；

实时数据集具体包括以下数据因素：

机动车车型及两车之间的距离；机动车车流量机器平均行驶速度；非机动车车流量；行人人流量；

历史数据集具体包括以下数据因素：

路口事故发生率；某时间段内道路路况峰值变化，包括车辆平均行驶速度、车流量以及行人人流量；某月内道路路况总峰值变化；某季度内道路路况总峰值变化；某年内道路路况总峰值变化。

4.根据权利要求1所述的一种基于历史误差反向传播的自适应交通信号控制方法，其特征在于，自适应的误差反向学习模型采用BP神经网络，包括输入层、隐含层以及输出层，构建过程如下：

采用X²＝[x₁,x₂,x₃]组成输入层，输入层神经元个数为3，x₁为总车流量，x₂为车速，x₃为人流量；采用组成输出层，输出层神经元个数为1，Y”为预测绿灯时长集；

隐含层神经元个数的确定公式为：

其中，n为输入层神经元个数，m为输出层神经元个数，a为[1，10]之间的常数。