[发明专利]智能交通管控方法、系统以及类脑计算可读存储介质

权利要求书

1.一种智能交通管控方法，其特征在于，所述方法包括：

权重预存步骤：利用驾驶员基本属性、环境属性以及路径选择的历史数据训练类脑神经网络，将训练好的类脑神经网络中的用于代表不同属性驾驶员对不同环境属性的敏感程度的权重存储到表空间；

路径预测步骤：收集驾驶员基本属性以及环境属性的具体数据，将收集的数据送入训练好的类脑神经网络，所述类脑神经网络进行表空间的搜索计算，找到当前输入的基本属性和环境属性的所对应的权重，根据找到的权重计算得到驾驶员的路径选择的预测结果；

交通管控步骤：结合驾驶员路径选择的预测结果，提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控；

所述的提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控，包括：根据驾驶员路径选择的预测结果，预测各路口车辆排队长度，根据排队长度调整交通信号灯的红绿灯亮灯时长；

所述方法还包括：每间隔一段时间，利用新的历史数据重新执行所述权重预存步骤，以更新所述表空间。

2.根据权利要求1所述的方法，其特征在于，所述的根据找到的权重计算得到驾驶员的路径选择的预测结果，包括：

类脑神经网络根据找到的权重计算效价矩阵以及反馈矩阵；

根据计算得到的效价矩阵、偏好矩阵，基于计算式计算反应驾驶员对路径的选择偏好强度的偏好矩阵，其中，为当前时刻的偏好矩阵，为上一时刻的偏好矩阵，为反馈矩阵，为效价矩阵，为其他未考虑的路径对偏好产生的随机误差。

3.根据权利要求2所述的方法，其特征在于，所述反馈矩阵的计算式为，其中，为单位矩阵，为衰减参数，为敏感性参数，为基于权重计算得到的属性之间的空间距离矩阵。

4.根据权利要求3所述的方法，其特征在于，所述效价矩阵的计算式为，为比较矩阵，为属性矩阵，是各属性权重矩阵。

5.一种智能交通管控系统，其特征在于，包括：

权重预存模块，用于利用驾驶员基本属性、环境属性以及路径选择的历史数据训练类脑神经网络，将训练好的类脑神经网络中的用于代表不同属性驾驶员对不同环境属性的敏感程度的权重存储到表空间；

路径预测模块，用于收集驾驶员基本属性以及环境属性的具体数据，将收集的数据送入训练好的类脑神经网络，所述类脑神经网络进行表空间的搜索计算，找到当前输入的基本属性和环境属性的所对应的权重，根据找到的权重计算得到驾驶员的路径选择的预测结果；

交通管控模块，用于结合驾驶员路径选择的预测结果，提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控，包括：根据驾驶员路径选择的预测结果，预测各路口车辆排队长度，根据排队长度调整交通信号灯的红绿灯亮灯时长；

表空间更新模块，用于每间隔一段时间，利用新的历史数据重新启用所述权重预存模块，以更新所述表空间。

6.根据权利要求5所述的系统，其特征在于，所述的根据找到的权重计算得到驾驶员的路径选择的预测结果，包括：

类脑神经网络根据找到的权重计算效价矩阵以及反馈矩阵；

根据计算得到的效价矩阵、偏好矩阵，基于计算式计算反应驾驶员对路径的选择偏好强度的偏好矩阵，其中，为当前时刻的偏好矩阵，为上一时刻的偏好矩阵，为反馈矩阵，为效价矩阵，为其他未考虑的路径对偏好产生的随机误差。

7.一种交通管控系统，其特征在于，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-4任一项所述的方法的步骤。

8.一种类脑计算可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-4任一项所述的方法的步骤。