[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

说明书

本发明公开了一种智能交通管控方法、系统以及类脑计算可读存储介质，方法包括：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；收集驾驶员基本属性以及环境属性的具体数据，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；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。本发明克服了既有的预测机械化的缺陷，有效缓解道路拥堵情况，提升智能管控效果。

技术领域

本发明涉及交通管控领域，尤其涉及一种智能交通管控方法、系统以及类脑计算可读存储介质。

背景技术

现阶段智能交通管控系统大多基于已有数据，通过路径选择模型或神经网络模型对已有数据进行评估，不能做到路径流量的实时管控。常见的决策模型如期望效用理论、随机效用理论等，无法对个体决策行为进行预测。而交通流量的产生是个体车辆的集合，个体车辆的决策直接影响着各道路交通流量，而现阶段统一的流量管控系统不能满足道路实时性变化的需求。现有技术大多基于神经网络预测模型缺乏选择决策过程的研究,决策模型无法根据不同场景、出行目的和不同驾驶员属性进行调整和更改，造成预测机械化，无法反应路径选择真实情况，难以实现交通管控系统的智能化。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种智能交通管控方法、系统以及类脑计算可读存储介质。

本发明解决其技术问题所采用的技术方案是：构造一种交通管控方法，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

本发明另一方面还构造了一种智能交通管控系统，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；