[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

说明书

本发明属于ITS智能交通系统的技术领域，具体为一种自适应的全链条城市区域网络信号控制优化方法。本发明利用机器视觉技术采集交通流参数，并使用获取的数据基于预先训练的交通流预测算法进行交通流预测，根据预测得到的交通流数据、原始信号配时方案和交通网络基础数据构建微观交通仿真模型，构建网络级信号优化模型，采用贝叶斯优化算法对网络级信号优化模型进行主动优化，从而获得目标区域网络最优的信号配时方案。本发明具有很好的集成性，并且形成内外循环反馈闭环，内外循环反馈机制既能实现网络信号优化模型与微观交通仿真模型的交互，又能保证优化结果方案适应外界环境的动态变化，进而实现瞬时的动态最优和长期的稳态最优。

技术领域

本发明属于ITS智能交通系统的技术领域，涉及交通大数据、交通流预测、贝叶斯优化算法的领域以及计算机视觉和交通网络优化技术，特别涉及到是自适应交通控制的技术，具体为一种自适应的全链条城市区域网络信号控制优化方法。

背景技术

城市道路交叉口作为城市道路的重要组成部分，是交通管理与控制的关键节点，同时也成为治理城市交通拥堵的关键突破口。因此，对交叉口的研究和治理一直在持续，其中对网络交通交叉口信号配时进行优化，不需要对交叉口的空间资源进行大规模的改扩建，是一种成本低、见效快的有效方式。如Chen等在《Simulation-Based Travel TimeReliable Signal Control》中构建基于仿真的大型网络信号优化模型，并利用信赖域算法进行优化求解，结果显著降低了网络平均出行时间；Liang等在《A heuristic method tooptimize generic signal phasing and timing plans at signalized intersectionsusing Connected Vehicle technology》中利用智能树搜索算法和多种类型的遗传算法对四个左转冲突的引道交叉口的相位持续时间和相位序列进行优化，以最大程度减少所有车辆的平均延迟。Gao等在《Meta-heuristics for bi-objective urban traffic lightscheduling problems》中使用元启发式算法(如和声搜索和人工蜂群)解决双目标城市交通信号灯优化问题，结果显示该方法优于经典的非支配排序遗传算法。Kim and Sohn在《Area-wide traffic signal control based on a deep graph Q-Network(DGQN)trained in an asynchronous manner》中设计了一种深度图Q网络以有效地适应大规模网络的时空依赖性和一种异步更新方法以提升计算效率，成功解决了大型交通网络中的交通信号优化问题。Chu等在《Multi-agent deep reinforcement learning for large-scaletraffic signal control》中使用多智能体强化学习方法解决复杂城市交通网络自适应交通信号控制问题，有效降低了交叉口平均延误和平均排队长度。

现阶段信号控制优化研究存在以下问题：第一是，无法同时满足动态交通的发展需求；第二是，现有研究方法无法高效处理大型网络级交通信号控制优化问题；第三是，现有研究多是关注交通数据采集、交通流预测和网络信号优化中的一点或者两点，集成性较差，无法形成反馈闭环。

发明内容

为解决上述问题，本发明提出一套自适应的全链条城市区域网络信号控制优化方法，利用机器视觉技术采集交通流参数，并使用获取的数据基于预先训练的交通流预测算法进行交通流预测，根据预测得到的交通流数据、原始信号配时方案和交通网络基础数据构建微观交通仿真模型，构建网络级信号优化模型，采用贝叶斯优化算法对网络级信号优化模型进行主动优化，从而获得目标区域网络最优的信号配时方案。该方法能将交通数据采集-交通流预测-微观交通仿真-网络信号优化整合为一体形成优化闭环，实现微观交通仿真与网络信号优化之间的内循环反馈优化以及网络信号优化与交通数据采集之间的外循环反馈优化，使网络信号配时方案既能主动地适应交通需求的动态变化，又能保证交叉口通行效率的提升。

本发明的技术方案：