基于交通流预测的最大化关键道路通行能力的方法与制作流程

图片简介:

本技术涉及一种采用基于物联网、大数据信息技术尤其是深度神经网络的解决方案，通过采集路网交通流短时与长时段历史数据，运用Node2vec与图多注意力神经网络(GMAN)融合机制的深度学习，训练出预测模型并预测出当前时间点之后30分钟路网目标路段和节点交通流状态，并根据预测结果对信号灯的绿信比作实时智能反馈，从而达到精准限流、最大化挖掘路网通行能力、减少事故造成的拥堵和交通瘫痪的目的。本技术从交通数据采集和转换到交通信号灯的调整控制，形成了一套完整的最大化关键道路通行能力的方法，并在实际工程上进行了应用验证，达到了精准限流、最大化挖掘路网通行能力、减少事故造成的拥堵和交通瘫痪的效果。

技术要求

1.一种基于交通流预测的最大化关键道路通行能力的方法，包括以下步骤:

A、数据采集与存储

通过路网安放的交通流传感器，采集分钟时间段内的路网交通流数据，每条基于时间序列的数据包括时间(分钟)、地点(传感器编号)、交通流量(在该分钟内车辆累计通过数量)；同时采集路网主数据和天气、节假日、重大事件信息，并将采集到的信息进行存储；

B、深度学习模型训练

(1)利用路网图邻接矩阵来描述交通流采样传感器的相对位置和关系,邻接矩阵的每一行表示每条边的起点、终点和权重，其中权重表示两个顶点之间的连接道路的距离；

(2)利用Node2vec来产生网络中节点向量，通过深度优先随机游走方式对图中节点进行采样，对于每个点都会生成对应的序列，再将这些序列视为文本导入word2vec中的skip-gram模型进行训练，得到每个节点的向量；

(3)对采样时间、天气、节假日、重大事件信息等类别分别进行独热(One-Hot)编码，最后拼接所有的独热向量和连续向量成为一个高维度的向量Ut；

(4)对于通过传感器得到的时间序列的数据，进行转化并构建出训练数据；

(5)结合以上数据，使用图多注意力神经网络(GMAN)训练一个深度图神经网络的交通流量预测模型；

(6)使用当前时间前30分钟采集的数据，输出经过步骤(5)训练的路网中当前时间后30分钟的交通流；

(7)通过步骤(6)得到的关键道路的预测交通流与该关键道路最大通行能力进行对比，来确定是否需要启动信号灯控制来限制连接道路对关键道路的交通流压力；

(8)信号灯调整

信号灯控制系统包含微控制单元(MCU)、4G数据透传模块、若干继电器组成；

4G数据透传模块通过串口连接到微控制单元，用于接收来自交通指挥中心的信号灯时长调整数据；

继电器和微控制单元的输出口连接，用于接收微控制单元的控制信号；

各个继电器分别和相应的信号灯电路连接，当某一继电器接收到来自微控制单元的输出数据后，可以点亮或者熄灭相应的与该继电器连接的信号灯；

具体的规则是：在一个工作周期里，微控制单元通过继电器点亮东西向绿灯，同时点亮南北向红灯；然后，微控制单元内置的计时器开始计时，等待东西向绿灯时长秒数到达后，通过继电器信号熄灭东西绿灯，并点亮东西向黄灯，此时，南北向红灯的时长尚未到达；

东西向黄灯点亮并等待相应的时长后，微控制单元熄灭东西向黄灯，并点亮东西向红灯；此时，南北向红灯的计时器的时长秒数刚好到达，微控制同时熄灭了南北向的红灯，点亮南北向的绿灯；

同理，南北向的绿灯在点亮后达一定的绿灯时长后，微控制器熄灭南北绿灯，并点亮南北向黄灯，此时东西向红灯等待时长尚未到达；南北向黄灯点亮后达一定时长后，刚好东西向红灯的等待时长秒数也刚好到达。

2.根据权利要求1所述的基于交通流预测的最大化关键道路通行能力的方法，其特征在于，在步骤A 中,需要采集的路网主数据包括车流监测传感器位置、连接道路信息(包括车道及宽度、可变车道、备用车道、信号灯设置、设计速度、路面保养状况等)。

3.根据权利要求1所述的基于交通流预测的最大化关键道路通行能力的方法，其特征在于，采集天气、节假日、重大事件信息具体为：通过本地气象部门的天气接口收集温度(热/冷/适宜)、天气状况(晴/雨/阴/雪/雾/冰)等；节假日信息可通过政府网站提前获取；从政府网站获取重大事件(体育赛事、会展、文艺活动等)的起始时间和地点(距离本关键路段公里数)。

4.根据权利要求1-3任一项所述的基于交通流预测的最大化关键道路通行能力的方法，其特征在于，步骤A采集的数据被存储到部署在公有云或者本地交通数据中心的大数据系统Hadoop分布式文件存储系统中。

5.根据权利要求4所述的基于交通流预测的最大化关键道路通行能力的方法，其特征在于，步骤B(3)的具体方法为：对采样的时间进行编码，分成0到23小时24个不同类别；对天气编码，按照晴、雨、阴、雪、雾、冰分别表示不同的类别；对温度编码，分成热、冷、适宜等不同的类别；对节假日信息编码，分成是、否节假日两个类别；对附近的重大事件编码，分成有和没有两个类别，同时加上一个维度表示活动地点离路网的公里数；对以上类别分别进行独热(One-Hot)编码，最后拼接所有的独热向量和连续向量成为一个高维度的向量(Ut)，包含所有的信息。

6.根据权利要求5所述的基于交通流预测的最大化关键道路通行能力的方法，其特征在于，步骤B(4)的具体方法为：

从传感器采样到的原始的数据每一条格式如下:

时间t、传感器编号sensorN、交通流量(*)

根据相同的时间戳进行分组，使得每一条数据融合了所有传感器在该时间的数据，然后，把这些时间序列的数据转化为监督学习所需要的数据格式，比如需要30分钟的数据作为输入，下一个30分钟的数据作为输出，此处的30分钟只是示例性的说明本技术的方法，实际使用时，可以调整为其他的时间，比如28、29、31、32分钟；

设Xt0为t0时刻的传感器数据向量,其值为(Xsensor1,Xsensor2,…XsensorN),那么，可以构造如下格式的输入/输出数据:

输入:[Xt0,Xt1,…,Xt29]

输出:[Xt30,Xt31,…,Xt59]