[发明专利]一种基于神经网络的信号灯配时方案推荐方法

摘要

一种基于神经网络的信号灯配时方案推荐方法，包括：通过SCATS检测器采集路口交通流数据；采用均方根误差对数据进行筛选；构建交通流状态数组，作为神经网络的输入；定义模型损失函数，利用反向传播算法不断优化模型，输出对应交通流的信号配时方案。本方法根据交通流状态直接推荐出相适应的信号灯配时方案，能提高人工调整信号配时方案的效率，更快地应对交通拥堵，提高路口通行效率。

主权项

1.一种基于神经网络的信号灯配时方案推荐方法，包括以下步骤：1)通过地磁检测器采集路口交通流数据及其对应流量信号配时方案；2)在步骤1)的基础上，利用均方根误差RMSE对得到的交通流数据进行筛选，均方根误差RMSE描述如式(1)所示：其中X_i是当前周期路口i相位的绿灯时长，Y_i是相邻上一周期路口i相位的绿灯时长，n是该路口所拥有的相位数；3)在步骤2)的基础上，获取路口连续周期内的交通流状态数据，构建交通流状态数组，作为神经网络的训练数据集；所述的交通流状态数组为以下形式：A＝[X₁,X₂,...,X_n,Y₁,Y₂,...,Y_n,Z₁,Z₂,...,Z_n,]    (2)其中X₁...X_n表示路口的n个相位的绿灯时长，Y₁...Y_n表示该路口n个检测器的流量数据，Z₁...Z_n表示n个检测器的饱和度数据。4)在步骤3)的基础上，将下一周期信号配时方案作为神经网络的期望输出值；定义模型损失函数，根据损失函数值利用BP反向传播算法不断优化模型参数；获取实时交通流数据，输出对应交通流的信号配时方案。所述神经网络算法的训练数据集为步骤3)所挑选的数据中，各路口所有周期及其后续多个连续周期的交通流状态数组，期望输出为每个周期下一周期的信号灯绿灯时长的修正量，形式如下：B＝[X₁,X₂,...X_i]  (3)其中X₁...X_n表示路口的n个相位的绿灯时长修正量；所述模型损失函数为如下形式：其中P为预测的交通流状态数组，T为实际交通流数组，i为样本数量。