[发明专利]一种自适应的全链条城市区域网络信号控制优化方法

权利要求书

1.一种自适应的全链条城市区域网络信号控制优化方法，其特征在于，步骤如下：

步骤1.交通数据采集

(1.1)基于机器视觉技术进行交通流参数的获取

假设城市区域网络信号控制交叉口数量为k，第i个信号交叉口的进口道数量为m_i，通过机器视觉技术对目标区域内所有交叉口视频流数据进行自动批量处理，获得第i个信号控制交叉口的第j个进口道的交通流相关参数为：检测目标车辆数num_veh_ij，检测到不同类型车辆比例type_rate_ij，转向比turn_rate_ij；将车辆分为小型车、中型车、大型车和拖挂车四类，即不同类型车辆比例type_rate表示的是四类车的比例；转向比turn_rate是指某交叉口进口道左转、直行和右转的车辆比例；其中，i∈[1，k]，j∈[1，mi]，i和j为整数；机器视觉技术主要是利用计算机来模拟人的视觉功能，从客观事物的图像或视频流中提取目标信息，并进行处理和加以理解，最终实现目标识别、目标检测和目标跟踪；

(1.2)交叉口标准车交通流量计算

步骤(1.1)中获取的检测目标车辆数、检测到不同类型车辆比例和转向比，需要将其换算成分流向的标准车交通流量；先计算不同转向的车辆数，再根据国际通用城市道路交叉口规划规范确定相应类型车辆的折算系数Convert_coefficient，换算成标准车辆的交通流量，从而计算得到交叉口不同进口道不同转向的标准车流量；第i个信号控制交叉口的第j个进口道不同方向的标准车流量sum_vehi_j由检测目标车辆数num_veh_ij、检测到不同类型车辆比例type_ratei_j、转向比turn_ratei_j和相应类型车辆的折算系数Convert_coefficient计算得来，从而得到目标区域内所有信号控制交叉口所有进口道的不同转向的标准车流量；

步骤2.交通流预测

交通流预测是在步骤1交通数据采集的基础上实现的，进行交通流预测需要使用当前以及历史的标准车流量数据；

(2.1)设计交通流预测算法

交通流预测算法用于学习得到一个函数f，函数f能够从以往道路上传感器获得的当前段时间T的交通流量观测数据V来预测下一段时间T′的交通流量V′，以作为步骤3的微观交通仿真模型的输入；其中函数f的学习如下所示：

交通流预测算法从结构上分为三部分：第一部分，数据预处理，主要是对错误数据的纠正和部分路段缺失数据的还原，处理后的数据直接作为第二部分的输入；第二部分，耦合层级图卷积模块，给定图信号集合，每个图卷积层的自学习邻接矩阵，利用门控循环单元集合空间动态信息，后接全连接层将低维特征向量空间映射至高维向量空间；第三部分，长短时记忆神经网络模块，利用第二部分获得的较高维向量空间基于长短时记忆神经网络对交通需求的亲近性和周期性的深度信息进行挖掘和聚合，同时实现空间动态信息和时间相关性信息的深度融合，后接全连接层将第三部分获得的特征向量空间映射回目标空间，目标空间结果即为预测的交通流量；此外，采用均方误差法来定义损失函数，描述预测值与真值之间的误差；其中，亲近性是指最近时段的交通状况比旧时段的交通状况更相关；周期性是指交通状况在一定的时间间隔内呈现出周期性的变化模式；耦合层级图卷积网络是一种图卷积架构，图卷积架构在不同的层具有不同的邻接矩阵，并且所有的邻接矩阵在训练过程中是可以自学习的；图卷积架构采用一种分层耦合机制，能够将上层邻接矩阵与下层邻接矩阵关联起来；图卷积架构是一个端到端的网络，通过将隐藏的空间状态与门控循环单元集成在一起，从而实现特征空间的输出；门控循环单元是用门控机制控制输入、记忆信息而在当前时间步做出预测；

(2.2)交通流预测算法训练和测试

对步骤(2.1)中的交通流预测算法进行训练，获得一套适用的超参数集，具体如下：采用复杂交通场景下的历史交通流数据，将交通流数据集划分训练集和测试集；利用训练集数据进行交通流预测算法训练，获得储存损失函数最小时的算法模型参数集；利用测试集对训练好的交通流预测算法进行测试，以数据平均处理速度、平均绝对误差和均方根误差作为测试评价指标对设计算法的实时性和准确性进行评价；评价主要是查看训练获得参数的效果，如果评价指标好则采用该套超参数集；如果评价指标不好，则需要重新训练，直至找到一套良好的超参数集；

通过算法训练和测试，获得一套良好的超参数集，即完整的交通流预测算法，后续即可输入当前及历史标准车流量直接获得未来标准车流量；

步骤3.微观交通仿真模型构建

收集整理建微观交通仿真所需要的交通基础数据，包括网络道路基础数据、交通信号配时初始方案数据和路网交通流量数据；利用步骤2预测获得的各个信号控制交叉口分流向的标准车流量数据进行路段交通流量分配；将收集整理的网络道路基础数据导入至微观交通仿真软件中，并在仿真软件当中使用获得的路段交通流量分配数据进行路段交通流量的输入和使用整理的交通信号配时初始方案数据进行初始信号配时的设置；运行所建立的微观交通仿真模型，获得交通评价指标；

步骤4.网络信号优化

针对步骤3所构建的微观交通仿真模型，构建与之相对应的网络信号控制多目标优化模型；

(4.1)构建网络信号控制多目标优化模型

在网络中要实现交通效率的提升和交通资源的充分利用，将步骤3中的交通评价指标作为优化目标；使用交叉口各个相位的绿信比作为决策变量，变量限制条件参考信号控制通用标准，而各交叉口信号周期时间和相位结构及相位显示顺序预先设定；针对目标区域，建立网络交通信号控制优化模型，网络信号优化模型具体如下所示：

x_low≤x≤x_up

其中x为交叉口绿信比；p为交叉口信号周期、相位结构和相位显示顺序，预先设定；g表示优化目标函数，g₁，…g_z表示所有需要优化的交通评价指标，z为优化目标的个数；m为交叉口编号，且m为整数；n为相位序号；x_low和x_up分别表示绿信比的上界和下界；

(4.2)网络信号控制多目标优化模型求解

(4.2.1)使用拉丁超立方采样方法进行随机取样选取初始集X＝{x₁，x₂，…，x_d}，d为样本数量；

(4.2.2)采用代理模型对初始集进行非线性回归拟合优化目标函数g(x)；

(4.2.3)利用代理模型获得的均值h(x)和方差通过优化器寻找下一采样点x′，将下一采样点代入仿真器获得目标函数值g(x′)；

(4.2.4)如果是单目标优化函数，即步骤(4.1)中参数z＝1，则直接更新初始集为X′，再更新代理模型h；如果是多目标优化函数，即步骤(4.1)中参数z≥2，则是更新帕累托前沿，再更新初始集为X′，之后更新代理模型h；

(4.2.5)依次重复步骤(4.2.1)～(4.2.4)，直至达到终止要求获得最优解；如果是单目标优化函数，则获得一套最佳的网络信号优化方案；如果是多目标优化函数，则得到帕累托最优前沿，获得一系列最佳的网络信号优化方案；

其中，优化器采用贝叶斯优化，代理模型采用高斯过程回归模型，仿真器采用城市交通微观仿真软件，终止条件由使用者按照实际需求自行设定；

步骤5.内外循环双反馈全链条优化

实施步骤4中得到的网络信号优化方案后，网络中交通流状态会发生改变，通过步骤1再次实现交通数据采集，依次重复步骤2、步骤3和步骤4；在重复循环的过程中，数据动态更新和积累，步骤2中交通流预测更加准确，进而使步骤4中的优化结果更加准确，最终实现瞬时动态最优或长期稳态最优，获得最佳的网络信号配时方案。