CN111882878A - 一种基于交通流预测的最大化关键道路通行能力的方法 - Google Patents

Abstract

本发明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。本发明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。

Description

一种基于交通流预测的最大化关键道路通行能力的方法

技术领域

本发明涉及智慧交通系统运营与安全管理控制技术领域，特别涉及一种基于交通流预测的最大化关键道路通行能力的方法。

背景技术

随着汽车保有量的飞速增长和出行需求的多样化和丰富化，道路交通流呈现出向时空多维动态发展方向迁移，在道路交通出行需求激增、恶劣气候负面影响与交通设施服务功能局限的多因素耦合作用下，道路的通行能力与安全运行受到极大的挑战，如：节假日、上下班高峰时段、以及雨、雾、冰雪、大风等恶劣气候条件造成道路高效、安全运行的需求与交通设施的服务水平之间的矛盾迅速显现并激化，关键控制路段如城市主干道、隧道、桥梁等会引发更多的交通事故从而导致交通堵塞，甚至道路路网的严重瘫痪。因而，在此背景下仅依靠传统的交通流理论来支撑交通设施与道路运行、管理与控制已经难以适应现代道路交通的发展态势。在道路网交通组织与运营管理控制过程中，采取科学合理的方法实时评价各种特殊状态与灾变事件，如雨、雾、或冰雪等灾害性天气或交通事件，对路网运营造成的影响及其安全风险，对及时进行路网安全管理决策并采取适当的措施降低风险或干预交通流的运行，以防范交通事故，有着重要作用。

交通流大数据的研究与挖掘旨在对道路和信号灯等各种交通设施的使用效果进行科学评估并提出改善措施，并科学指导交通管理部门提出提升交通系统运行效率与交通安全的解决方案。

目前道路网系统中关键道路的限流控制采取固定的信号灯或者手动人为地设置限流装置，控制手段单一且无法提前预知和实时主动调控，从而导致道路网通行能力未充分发挥，甚至导致关键道路拥堵而形成交通“瓶颈”，而关键道路往往是不可替代的交通要道，比如桥梁、隧道、高架桥、大型交叉口等，从而造成道路网大面积瘫痪。现有的路网交通组织管理对策或措施在系统性与完备性方面尚整合不够，部分交通组织管理对策的决策准则不够明确，甚至缺乏相应的理论依据，如路网入口限流对策缺乏明确的依据和方法。对于传统的常态条件下的路网交通组织管理，一般以路网的畅通及效率为主要目标，相应的交通组织管理决策依据也以此为基础。对于灾变事件下高速公路网的交通组织管理，由于环境条件给路网的正常运营造成了巨大的安全威胁，路网在运营过程中极容易发生交通事故或其它不良交通事件，不仅影响路网畅通及高效率的目标的实现，同时会由于交通事故或其它不良交通事件的发生而造成重大人员伤亡或财产损失，因此，灾变事件下高速公路网的交通组织管理应兼顾安全、畅通及效率的需要，在它们之间进行合理的平衡。

现有的解决方案是开放可变车道，但是基本上只是缓解一部分压力；然后在入口用信号灯进行限流，比如高峰时段或者雨雪天气开启信号灯。但是这种管理方案比较粗放，一方面，太早限流或者太晚取消限流，会限制最大通行率；另一方面,太晚限流或者太早取消限流，关键道路的拥堵和瘫痪问题根本得不到解决，同时，信号的时长设置也没有考虑关键道路的交通流变化,大数据、人工智能与物联网、互联网、5G等信息技术已成为“新基建”背景下重要的资源和解决手段。

发明内容

针对现有技术中存在的问题，本发明提供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(瞬时)之后30分钟路网目标路段和节点(如：桥梁、隧道等)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。

具体的，本发明的技术方案如下：

1.数据采集和存储

(1)路网主数据

采集的数据包括车流监测传感器位置、连接道路信息(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)。

(2)路网交通流数据

路网交通流数据通过采集分钟时间内连续通过断面的车辆数量来体现。

(3)天气、节假日、重大事件信息

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。通过政府网站提前获取是否节假日信息。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(距离本关键路段多少公里)。上述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，为下一步的处理作准备。

2.深度学习模型训练

(1)路网图邻接矩阵

路网图邻接矩阵是描述交通流采样传感器的相对位置和关系的图数据结构，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)空间数据向量化

Node2vec是用来产生网络中节点向量的算法，输入是上一步得到的网络结构图邻接矩阵，输出是每个节点的向量表示。通过深度优先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，即可得到每个节点的向量(对应word2vec中每个词的向量)。

(3)时序数据向量化

对采样的时间进行编码，分成0到23小时的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、否节假日等不同的类别；对附近的重大事件编码，分成有和没有等不同的类别，同时加上一个维度表示活动地点离路网的公里数。对上述类别分别进行独热(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。

(4)训练数据构建

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；

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:[X_t0,X_t1,…,X_t29]

输出:[X_t30,X_t31,…,X_t59]

然后下一条数据是:

输入:[X_t1,X_t2,…,X_t30]

输出:[X_t31,X_t32,…,X_t59]

以此类推，可以构建出时间序列的监督学习训练集。其输入就是上30分钟的各个传感器数据，输出则是下30分钟的各个传感器数据；

对于每一分钟时间，都有一个对应的高维度向量(U_t)来表示当前时刻的时间、天气、节假日、重大事件等信息，把这些数据转换为时间序列监督学习数据:

输入:[U_t0,U_t1,…,U_t29]

输出:[U_t30,U_t31,…,U_t59]

图神经网络深度学习所需的训练数据已经按照需要的格式准备好了。

(5)图多注意力神经网络(GMAN)训练模型

GMAN是一个编码器-解码器(Encoder-decoder)的架构，编码器用来提取特征，解码器来预测，这个中间有一个转换注意力(transform attention)模块来把编码器的历史特征转化为特征表示。这里的编码器跟解码器都是由时空注意力块(ST-attention block)组成的。然后使用一个时空嵌入(STE)模块，把空间与时间的信息结合在一起，然后输入进时空注意力块，来解决时间空间复杂相关性的问题。

模型的输入是(4)中构建的训练数据(包括传感器数据和时间信息数据)以及(2)中的空间数据，采用平均绝对误差(RME)作为损失函数，使用Adam optimizer作为优化器，初始的学习率为0.001。具体的方法使用GMAN:A Graph Multi-Attention Network forTraffic Prediction(https://arxiv.org/pdf/1911.08415v2.pdf)中的方法。

(6)交通流预测和计算

当前时间前N分钟(N在本发明中取30)的传感器采集的交通流数据，经过(4)中的输入格式转换，得到交通流输入数据序列。

当前时间前N分钟的时间、天气、重大活动相关的数据，经过(3)的向量化，然后经过(4)中的输入格式转换，得到时间相关输入数据序列。

以上虽然使用(4)中的格式转换，但是并没有输出数据。运行GMAN预测模型，输出当前时间后N分钟的交通流。

(7)交通控制

按照《道路通行能力手册：2000版》(HCM2000)，单向车行道的最大通行能力计算为:C_D＝M_SVi·N·f_w·f_HV·f_P

其中:N—单向车道数；

f_w—车道宽度和侧向净宽修正系数；

f_HV—大型车修正系数；

f_p—驾驶员条件修正系数；

M_svi—第i级服务水平的最大服务交通量(pcu/(h*ln))；

按照计算模型，如对于某跨江大桥的雨天的最大通行能力可计算为:

C＝1000×2×1×0.8×0.8＝1208(pcu/h)

当考虑最大通行能力时，需计算得到路段极大流量，若目标路段交通流量继续增长，则会导致交通密度的增大而通行能力同时下降，此时车速处于临界速度，道路上车的密度对应为最佳密度。

此时，从(6)中提取预测的30分钟后内的交通流数据，尤其是关键道路的预测交通流，与关键道路最大通行能力实时比对。若30分钟内，预测交通流基本未达到最大通行能力，无需对信号灯进行调整；若前10分钟内，预测交通流已接近最大通行能力(可设置为达到90％最大通行能力值)，此时需立即启动信号灯控制系统。

首先，所示，计算关键路段的直接邻接入口道路的红绿灯控制(绿信比)对关键节点路段的流量的影响。各直接邻接路段入口道路的通行能力大小构成关键路段的交通流：C_all＝∑Ci

对于每一条入口道路C_i，在信号灯控制下的通行能力计算模型为:

其中：

T—信号灯周期时间(s)；

t_g—信号灯每周期内，该通行方向的绿灯时间(s)；

t_o—绿灯亮起，第一辆车通过停止线的时间(s)；

t_i—车辆通过停止线的平均时间(s)；

—折减系数,可用0.9。

调整各个入口道路的绿信比，使其通行能力之和等于关键道路的最大通行能力。可以采取等比调节各个入口道路的绿信比以达到通行能力的等比调节，当然，也可以对不同的入口保留不同的权重，比如对于更加重要的入口设定比价大的权重。

这样对各个入口的绿灯都作类似调整，达到总和接近关键道路通行能力就可停止调整。

(8)模型更新和预测及信号灯调整

由于交通流的数据采集是一个持续的过程，一直会有新的数据加入数据集，模型也应该更新以反映最新的路网交通流状况。这里可以设置每隔24小时，把最新采集的数据加入原有数据集，并重复(3)、(4)、(5)训练出新的模型。

为了对最新的路况作出及时快速的反应，每隔10分钟加载训练好的模型，运行一次预测和信号灯调整，即执行上面(6)和(7)。

(9)信号灯调整

本发明信号灯控制部分由微控制单元(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，如东西向绿灯电路、东西向黄灯电路、东西向红灯电路、南北向绿灯电路、南北向黄灯电路、南北向红灯电路，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。

具体地，微控制单元使用的是STM32F103ZET6，4G数据透传模块使用的是TAS-IT-168，继电器使用的是CHNT JZX-22F 2Z.

(10)信号灯周期流程

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。

于是，一个周期完成，微控制单元检查是否从4G数据透传模块收到了时长调整的数据，若有调整数据，则读取调整的时长，用作下一周期相应的计时器等待时间。然后，通过继电器点亮东西向绿灯和南北向红灯，并开启计时器计时等待。

优选的，当微控制单元收到4G数据透传模块的信号时长调整数据时，并不立即调整，而是要等待当前信号灯周期结束作统一调整，以免造成路口的信号灯混乱。

与现有技术相比，本发明的优点在于:

本发明采用基于深度图神经网络进行交通流预测，并根据预测结果，对信号灯的绿信比作相应调整，达到精准限流、最大化关键道路的通行能力的目的，从而动态预测路网关键路段的时空(未来30分钟，路网监测范围内)交通运行态势，最大程度挖掘路网承载交通的潜力。本发明充分考虑到影响交通拥堵的因素，在数据采集时同时采集路网主数据、交通流数据和天气、节假日、重大事件等影响交通的数据信息，将采集到的信息进行向量化并构建出训练数据，通过图多注意力神经网络(GMAN)训练模型进行训练后输出预测的交通流数据，通过输出的预测的交通流数据，对道路路口的绿信比进行自动优化调整；本发明的方法是一个持续采集数据、持续训练、持续更新调整的方法，因此能够通过最新的路网交通流状况作出及时快速的反应，从而达到最好的调流效果；在具体的调整方法中，本发明使用一个微控制单元同时控制单个路口的不同方向的红、黄、绿灯，当接收到调整数据时，并不立即调整，而是要等待当前信号灯周期结束作统一调整，从而有效避免造成路口的信号灯混乱。本发明的技术方案可有效减少交通事故造成的拥堵和瘫痪，并能帮助减少由于拥堵带来的能源消耗和环境污染问题。

本发明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。

附图说明

图1为该发明的总体流程图；

图2为数据采集与集成图；

图3为路网图向量化流程图；

图4为天气状态、时间、节假日和重大活动编码示意图；

图5为时间序列数据转化为监督学习训练数据流程图；

图6为多注意力图神经网络模型组件图；

图7为交通流预测流程图；

图8为信号灯控制判断图；

图9为关键道路与路段交通流构成图；

图10为自控制信号灯总体构成图；

图11为自控制信号灯控制流程图。

具体实施方式:

下面结合附图1-11，进一步阐述本发明的技术方案。

A.数据采集和存储

如图2所示:

(1)路网主数据

路网主数据在一定时间内相对客观和固定，除非当路网结构发生调整如扩建等。需要采集的数据包括车流监测传感器位置、连接道路信息(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)。

(2)路网交通流数据

路网交通流数据通过采集分钟时间内连续通过断面的车辆数量来体现。通常使用埋入式线圈或者红外线、雷达等检测系统来采集，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)。

(3)天气、节假日、重大事件信息

天气对交通流的状态的影响是显著的，需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。时间信息已经通过交通流数据得到反映，那么是否节假日同等重要，节假日信息可通过政府网站提前获取。重大事件(体育赛事、会展、文艺活动等)的发生会对区域交通流有明显影响，可以从政府网站获取重大事件的起始时间和地点(距离本关键路段的公里数)。

上述数据为车流量预测模型提供更加丰富的特征支持，所以将会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，为下一步的处理作准备。

B.深度学习模型训练

(1)路网图邻接矩阵

如图3所示，路网图邻接矩阵是描述交通流采样传感器的相对位置和关系的图数据结构。图G表示当前研究的包含关键道路的路网，其7个定点表示7个数据采样器，那么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)空间数据向量化

Node2vec是用来产生网络中节点向量的算法，输入是上一步得到的网络结构图邻接矩阵，输出是每个节点的向量表示。如图3所示，通过深度优先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，即可得到每个节点的向量(对应word2vec中每个词的向量)。

(3)时序数据向量化

如图4所示，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、否节假日等不同的类别；对附近的重大事件编码，分成有和没有等不同的类别，同时加上一个维度表示活动地点离路网的公里数。有了这么多的类别数据，就可以对类别分别进行独热(One-Hot)编码，其实就是用N位状态寄存器编码N个状态，每个状态都有独立的寄存器位，且这些寄存器位中只有一位有效。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。

(4)训练数据构建

从传感器采样到的原始的数据每一条格式如下:

时间(20：05)、传感器编号(Sensor1)、交通流量(13)

如图5所示，首先，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，格式如下：

时间(20：05)、Sensor1数据(13)、Sensor2数据(24)、Sensor3数据(23)………SensorN数据(*)

然后，我们需要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(输入输出格式)，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。

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:[X_t0,X_t1,…,X_t29]

输出:[X_t30,X_t31,…,X_t59]

然后下一条数据是:

输入:[X_t1,X_t2,…,X_t30]

输出:[X_t31,X_t32,…,X_t59]

以此类推，可以构建出时间序列的监督学习训练集。其输入就是上30分钟的各个传感器数据，输出则是下30分钟的各个传感器数据。

从上面(3)，对于每一分钟时间，都有一个对应的高纬度向量(Ut)来表示当前时刻的时间、天气、节假日、重大活动等信息。所以，类似地，也可以把这些数据转换为时间序列监督学习数据:

输入:[U_t0,U_t1,…,U_t29]

输出:[U_t30,U_t31,…,U_t59]

至此，图神经网络深度学习所需的训练数据已经按照需要的格式准备好了。

(5)图多注意力神经网络(GMAN)训练模型

如图6所示，GMAN是一个编码器-解码器(Encoder-decoder)的架构，编码器用来提取特征，解码器来预测，这个中间有一个转换注意力(transform attention)模块来把编码器的历史特征转化为特征表示。这里的编码器跟解码器都是由时空注意力块(ST-attention block)组成的。然后使用一个时空嵌入(STE)模块，把空间与时间的信息结合在一起，然后输入进时空注意力块，从而解决时间空间复杂相关性的问题。

时空嵌入(Spatial-Temporal Embedding):这个时空嵌入分为空间跟时间两个部分，空间部分就是拿图向量去嵌入,时间部分是上述时间高维向量。

时空注意力块(ST-attention block):包括三个部分：空间注意力机制(spatialattention)，时间注意力机制(temporal attention)，以及一个融合机制(gate fusion)。通过注意力机制，既提取了空间维度下，对图上的其他节点的注意力特征，又提取了时间维度下，当前节点对历史时间步长下的注意力特征。

转换注意力(Transform attention):为了解决长时间内预测任务下，每一个步长误差被放大的问题，处于编码层和解码层之间的转换注意力层用来对每一个将来的时间步长和历史步长进行直接关系建模，把编码后的交通流特征转化为产生将来解码输入的一种表示。

模型的输入是(4)中构建的训练数据(包括传感器数据和时间信息数据)以及(2)中的空间数据，采用平均绝对误差(RME)作为损失函数，使用Adam optimizer作为优化器，初始的学习率为0.001。

(6)交通流预测和计算

如图7所示，当前时间前30分钟的传感器采集的交通流数据，经过(4)中的输入格式转换，得到交通流输入数据序列。

当前时间前30分钟的时间、天气、重大活动相关的数据，经过(3)的向量化，然后经过(4)中的输入格式转换，得到时间相关输入数据序列。

以上虽然使用(4)中的格式转换，但是并没有输出数据。运行GMAN预测模型，输出当前时间后30分钟的交通流。

通过在某城市跨江大桥交通流预测试验，提取某30分钟的交通流数据，预测的后30分钟交通流，从1分钟到30分钟不同的步长下，平均绝对误差(RME)从10到30不等，并且随着时间推移准确度越低(如前10分钟最准确)。

(7)交通控制

首先，计算关键道路的最大通行能力，考虑可变车道或者备用车道，同时也考虑天气对通行能力的影响。

按照《道路通行能力手册：2000版》(HCM2000)，单向车行道的最大通行能力计算为:

C_D＝M_SVi·N·f_w·f_HV·f_P

其中:N—单向车道数；

f_w—车道宽度和侧向净宽修正系数；

f_HV—大型车修正系数；

f_p—驾驶员条件修正系数；

M_sv—第i级服务水平的最大服务交通量(pcu/(h*ln))；

按照计算模型，如对于某跨江大桥的雨天的最大通行能力可计算为:

C＝1000×2×1×0.8×0.8＝1208(pcu/h)

当考虑最大通行能力时，需计算得到路段极大流量，若目标路段交通流量继续增长，则会导致交通密度的增大而通行能力同时下降，此时车速处于临界速度，道路上车的密度对应为最佳密度。

此时，如图8所示，从(6)中提取预测的30分钟后内的交通流数据，尤其是关键道路的预测交通流，与关键道路最大通行能力实时比对。若30分钟内，预测交通流基本未达到最大通行能力，无需对信号灯进行调整；若前10分钟内，预测交通流已接近最大通行能力(可设置为达到80％最大通行能力值)，此时向平台反馈并需立即启动信号灯控制系统。

首先，如图9所示，计算关键路段的直接邻接入口道路的红绿灯控制(绿信比)对关键节点路段的流量的影响。各直接邻接路段入口道路的通行能力大小构成关键路段的交通流：

C_all＝∑Ci

对于每一条入口道路C_i，在信号灯控制下的通行能力计算模型为:

其中：

T—信号灯周期时间(s)；

t_g—信号灯每周期内，该通行方向的绿灯时间(s)；

t_o—绿灯亮起，第一辆车通过停止线的时间(s)；

t_i—车辆通过停止线的平均时间(s)；

—折减系数,可用0.9。

调整各个入口道路的绿信比，使其通行能力之和等于关键道路的最大通行能力。可以采取等比调节各个入口道路的绿信比以达到通行能力的等比调节，当然，也可以对不同的入口保留不同的权重，比如对于更加重要的入口设定比价大的权重。

如某连接跨江大桥的交叉口处，信号灯控制下的通行能力:

C＝3600/60×[(40-2)/5+1]×0.9＝464(pcu/h)

如果将绿灯时间调整为30s,那么通行能力为：

C＝3600/60×[(30-2)/5+1]×0.9＝356(pcu/h)

这样对各个入口的绿灯都作类似调整，达到总和接近关键道路通行能力就可停止调整。

(8)模型更新和预测

由于交通流的数据采集是一个持续的过程，一直会有新的数据加入数据集，模型也应该更新以反映最新的路网交通流状况。这里可以设置每隔24小时，把最新采集的数据加入原有数据集，并重复(3)、(4)、(5)训练出新的模型。

为了对最新的路况作出及时快速的反应，每隔10分钟加载训练好的模型，运行一次预测和信号灯调整，即执行上面(6)和(7)。

(9)信号灯调整

如图10所示，本发明提供了一种信号灯调整的方案，具体的，信号灯控制部分由微控制单元(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，如东西向绿灯电路、东西向黄灯电路、东西向红灯电路、南北向绿灯电路、南北向黄灯电路、南北向红灯电路(如图所示，图中省略了南北向电路)，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。

具体地，微控制单元使用的是STM32F103ZET6，4G数据透传模块使用的是TAS-IT-168，继电器使用的是CHNT JZX-22F 2Z.

(10)信号灯周期流程

在一个工作周期里，如图11所示，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。

于是，一个周期完成，微控制单元检查是否从4G数据透传模块收到了时长调整的数据，若有调整数据，则读取调整的时长，用作下一周期相应的计时器等待时间。然后，通过继电器点亮东西向绿灯和南北向红灯，并开启计时器计时等待。

特别地，当微控制单元收到4G数据透传模块的信号时长调整数据时，并不立即调整，而是要等待当前信号灯周期结束作统一调整，以免造成路口的信号灯混乱。

方案经过如下测试运行:

构建基于PyTorch的图多注意力神经网络模型，使用某市跨江大桥附近5公里的路网的120个传感器收集的2019上半年的交通流作为训练集，其绝对值误差(MAE)大约为15，在训练集上取得准确的预测效果。预测30分钟后的交通流，在达到跨江大桥的80％最大通行能力的时候利用VISSIM交通仿真软件来模拟控制交通信号灯，可以得到，通行能力比简单手动的控制增加20％，跨江大桥的拥堵概率减少30％；如果不加控制，跨江大桥堵塞造成路网瘫痪的可能性达95％。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

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(U_t)，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发明的方法，实际使用时，可以调整为其他的时间，比如28、29、31、32分钟；

设X_t0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:[X_t0,X_t1,…,X_t29]

输出:[X_t30,X_t31,…,X_t59]

然后下一条数据是:

输入:[X_t1,X_t2,…,X_t30]

输出:[X_t31,X_t32,…,X_t59]

以此类推，可以构建出时间序列的监督学习训练集；其输入就是上30分钟的各个传感器数据，输出则是下30分钟的各个传感器数据；

对于每一分钟时间，都有一个对应的高维度向量(U_t)来表示当前时刻的时间、天气、节假日、重大事件等信息，把这些数据转换为时间序列监督学习数据:

输入:[U_t0,U_t1,…,U_t29]

输出:[U_t30,U_t31,…,U_t59]

以此准备好图神经网络深度学习所需的训练数据。

7.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(7)的具体方法为：

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，若30分钟内，预测交通流基本未达到最大通行能力，无需对信号灯进行调整；若前10分钟内，预测交通流已接近最大通行能力的80％，则需立即启动信号灯控制系统；

首先，计算关键路段的直接邻接入口道路的红绿灯控制(绿信比)对关键节点路段的流量的影响；各直接邻接路段入口道路的通行能力大小构成关键路段的交通流：

C_all＝∑Ci

对于每一条入口道路C_i，在信号灯控制下的通行能力计算模型为:

其中：

T—信号灯周期时间(s)；

t_g—信号灯每周期内，该通行方向的绿灯时间(s)；

t_o—绿灯亮起，第一辆车通过停止线的时间(s)；

t_i—车辆通过停止线的平均时间(s)；

—折减系数,可用0.9。

调整各个入口道路的绿信比，使其通行能力之和接近关键道路最大通行能力80％就停止调整。

8.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，每隔24小时，添加最新采集的交通流量数据，重复步骤3)至5),对系统使用更新的数据所训练的模型，每隔10分钟加载训练好的模型，执行一次步骤6)和7)。

9.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，步骤B(8)中：一个周期完成，微控制单元检查是否从4G数据透传模块收到了时长调整的数据，若有调整数据，则读取调整的时长，用作下一周期相应的计时器等待时间。

Images