一种信号灯配时方法及装置与流程

1.本发明涉及数据处理技术领域，尤其涉及一种信号灯配时方法及装置。


背景技术：

2.随着国民经济的高速发展和城市化进程的加快，城市交通问题成为制约城市经济和社会可持续发展的瓶颈。城市交通控制技术是有效解决城市交通问题和提高城市交通运行效率的重要方式。
3.在城市交通控制技术中，信号灯配时是一个重要的工作。其中，信号灯配时可以包括确定路口处的红灯配时时长和绿灯配时时长等。
4.当前，信号灯配时是由工作人员通过肉眼观察路口的交通情况，基于个人经验和知识进行的。
5.但是，城市中的路口较多且存在交通情况变化快等情况，人工进行信号灯配时的方式需要消耗较多的人力资源，效率较低。


技术实现要素：

6.鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的信号灯配时方法及装置，技术方案如下：一种信号灯配时方法，包括：分别获得目标路网中的多个路口在与目标预测时段对应的历史时段内的交通流量数据；将各所述路口在所述历史时段内的交通流量数据，输入到训练好的用于预测交通流量数据的图卷积网络模型中，获得所述图卷积网络模型输出的各所述路口在目标预测时段内的交通流量数据；从各所述路口在所述目标预测时段内的交通流量数据中，获得目标路口在所述目标预测时段内的交通流量数据；基于目标路口在所述目标预测时段内的交通流量数据，构建信号灯配时模型；利用所述信号灯配时模型，确定与所述目标路口在所述目标预测时段内的交通流量数据相匹配的最佳信号灯配时信息；所述最佳信号灯配时信息至少包括：最佳绿灯配置时长和/或最佳信号灯周期。
7.可选的，所述图卷积网络模型在获得各所述路口在所述历史时段内的交通流量数据之后，对各所述路口在所述历史时段内的交通流量数据、已训练迭代好的权重参数以及所述目标路网的路网信息对应的图矩阵和邻接矩阵进行计算，获得并输出各所述路口在所述目标预测时段内的交通流量数据。
8.可选的，所述图卷积网络模型中设置有激活函数；所述对各所述路口在所述历史时段内的交通流量数据、已训练迭代好的权重参数以及所述目标路网的路网信息对应的图矩阵和邻接矩阵进行计算，包括：
所述图卷积网络模型将各所述路口在所述历史时段内的交通流量数据、已训练迭代好的权重参数以及所述目标路网的路网信息对应的图矩阵和邻接矩阵输入到所述激活函数中进行计算。
9.可选的，各所述路口均设置有用于监测所述路口的交通流量数据的流量传感器；所述分别获得目标路网中的多个路口在与目标预测时段对应的历史时段内的交通流量数据，包括：分别获得由各所述流量传感器发送的各所述路口在所述历史时段内的交通流量数据。
10.可选的，所述目标路口中的允许行驶方向包括第一数量的相位方向；所述目标路口在所述目标预测时段内的交通流量数据包括：各所述相位方向上的在所述目标预测时段内的交通流量数据。
11.可选的，所述基于目标路口在所述目标预测时段内的交通流量数据，构建信号灯配时模型，包括：构建所述第一数量的单相拥堵模型，各所述单相拥堵模型相同；基于各所述相位方向在所述目标预测时段内的交通流量数据在所述目标路口上的流量占比，相应的对各所述单相拥堵模型进行赋权；将赋权后的各所述单相拥堵模型整合为所述信号灯配时模型。
12.可选的，所述利用所述信号灯配时模型，确定与所述目标路口在所述目标预测时段内的交通流量数据相匹配的最佳信号灯配时信息，包括：将所述信号灯配时模型确定为目标函数；基于预设的绿灯显示时长范围和信号灯周期范围，确定为所述目标函数寻找最优解的变量空间；采用自衰减变异率的遗传算法在所述变量空间中进行空间搜索，确定所述目标函数取得最优解时的所述最佳信号灯配时信息。
13.可选的，在所述分别获得目标路网中的多个路口在与目标预测时段对应的历史时段内的交通流量数据之后，所述方法还包括：对各所述路口在所述历史时段内的交通流量数据进行归一化处理，获得归一化处理后数据；所述将各所述路口在所述历史时段内的交通流量数据，输入到训练好的用于预测交通流量数据的图卷积网络模型中，包括：将所述归一化处理后数据输入到所述图卷积网络模型中。
14.可选的，在所述获得所述图卷积网络模型输出的各所述路口在目标预测时段内的交通流量数据之后，所述方法还包括：对各所述路口在所述目标预测时段内的交通流量数据进行反归一化处理，获得各所述路口的反归一化处理后数据；所述从各所述路口在所述目标预测时段内的交通流量数据中，获得目标路口在所述目标预测时段内的交通流量数据，包括：从各所述路口的反归一化处理后数据中获得所述目标路口的反归一化处理后数据；
所述基于目标路口在所述目标预测时段内的交通流量数据，构建信号灯配时模型，包括：基于所述目标路口的反归一化处理后数据，构建信号灯配时模型。
15.一种信号灯配时装置，包括：第一获得单元、第一输入单元、第二获得单元、第三获得单元、第一构建单元和第一确定单元；其中：所述第一获得单元，用于分别获得目标路网中的多个路口在与目标预测时段对应的历史时段内的交通流量数据；所述第一输入单元，用于将各所述路口在所述历史时段内的交通流量数据，输入到训练好的用于预测交通流量数据的图卷积网络模型中；所述第二获得单元，用于获得所述图卷积网络模型输出的各所述路口在目标预测时段内的交通流量数据；所述第三获得单元，用于从各所述路口在所述目标预测时段内的交通流量数据中，获得目标路口在所述目标预测时段内的交通流量数据；所述第一构建单元，用于基于目标路口在所述目标预测时段内的交通流量数据，构建信号灯配时模型；所述第一确定单元，用于利用所述信号灯配时模型，确定与所述目标路口在所述目标预测时段内的交通流量数据相匹配的最佳信号灯配时信息；所述最佳信号灯配时信息至少包括：最佳绿灯配置时长和/或最佳信号灯周期。
16.可选的，所述图卷积网络模型在获得各所述路口在所述历史时段内的交通流量数据之后，对各所述路口在所述历史时段内的交通流量数据、已训练迭代好的权重参数以及所述目标路网的路网信息对应的图矩阵和邻接矩阵进行计算，获得并输出各所述路口在所述目标预测时段内的交通流量数据。
17.可选的，所述图卷积网络模型中设置有激活函数；所述对各所述路口在所述历史时段内的交通流量数据、已训练迭代好的权重参数以及所述目标路网的路网信息对应的图矩阵和邻接矩阵进行计算，设置为：所述图卷积网络模型将各所述路口在所述历史时段内的交通流量数据、已训练迭代好的权重参数以及所述目标路网的路网信息对应的图矩阵和邻接矩阵输入到所述激活函数中进行计算。
18.可选的，各所述路口均设置有用于监测所述路口的交通流量数据的流量传感器；所述第一获得单元，用于分别获得由各所述流量传感器发送的各所述路口在所述历史时段内的交通流量数据。
19.可选的，所述目标路口中的允许行驶方向包括第一数量的相位方向；所述目标路口在所述目标预测时段内的交通流量数据包括：各所述相位方向上的在所述目标预测时段内的交通流量数据。
20.可选的，所述第一构建单元包括：模型构建单元、赋权单元和整合单元；其中：所述模型构建单元，用于构建所述第一数量的单相拥堵模型，各所述单相拥堵模型相同；所述赋权单元，用于基于各所述相位方向在所述目标预测时段内的交通流量数据在所述目标路口上的流量占比，相应的对各所述单相拥堵模型进行赋权；
所述整合单元，用于将赋权后的各所述单相拥堵模型整合为所述信号灯配时模型。
21.可选的，所述第一确定单元包括：第二确定单元、第三确定单元和第四确定单元；其中：所述第二确定单元，用于将所述信号灯配时模型确定为目标函数；所述第三确定单元，用于基于预设的绿灯显示时长范围和信号灯周期范围，确定为所述目标函数寻找最优解的变量空间；所述第四确定单元，用于采用自衰减变异率的遗传算法在所述变量空间中进行空间搜索，确定所述目标函数取得最优解时的所述最佳信号灯配时信息。
22.可选的，所述装置还包括：第四获得单元；所述第四获得单元，用于在所述分别获得目标路网中的多个路口在与目标预测时段对应的历史时段内的交通流量数据之后，对各所述路口在所述历史时段内的交通流量数据进行归一化处理，获得归一化处理后数据；所述第一输入单元，用于将所述归一化处理后数据输入到所述图卷积网络模型中。
23.可选的，所述装置还包括：第五获得单元；所述第五获得单元，用于在所述获得所述图卷积网络模型输出的各所述路口在目标预测时段内的交通流量数据之后，对各所述路口在所述目标预测时段内的交通流量数据进行反归一化处理，获得各所述路口的反归一化处理后数据；所述第三获得单元，用于从各所述路口的反归一化处理后数据中获得所述目标路口的反归一化处理后数据；所述第一构建单元，用于基于所述目标路口的反归一化处理后数据，构建信号灯配时模型。
24.本发明提出的信号灯配时方法及装置，分别获得目标路网中的多个路口在与目标预测时段对应的历史时段内的交通流量数据；将各路口在历史时段内的交通流量数据，输入到训练好的用于预测交通流量数据的图卷积网络模型中，获得图卷积网络模型输出的各路口在目标预测时段内的交通流量数据；从各路口在目标预测时段内的交通流量数据中，获得目标路口在目标预测时段内的交通流量数据；基于目标路口在目标预测时段内的交通流量数据，构建信号灯配时模型；利用信号灯配时模型，确定与目标路口在目标预测时段内的交通流量数据相匹配的最佳信号灯配时信息；最佳信号灯配时信息至少包括：最佳绿灯配置时长和/或最佳信号灯周期。本发明可以预测目标路口的交通流量数据，基于目标路口的交通流量数据构建信号灯配时模型，利用信号灯配时模型确定相应的最佳信号灯配时信息，自动的根据交通流量数据进行信号灯配时的确定和调整，提高信号灯的配时效率和配时准确率，而无需通过人力来观察路口交通情况来进行人工的信号灯配时，避免人力资源的消耗，降低信号灯配时成本。
25.上述说明仅是本发明技术方案的概述，为了能够更清楚地了解本发明的技术手段，可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
26.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
27.图1示出了本发明实施例提供的第一种信号灯配时方法的流程图；图2示出了本发明实施例提供的一种路网中各路口的有向连接示意图；图3示出了本发明实施例提供的一种十字路口的交通相位图；图4示出了本发明实施例提供的一种遗传算法的整体流程图；图5示出了本发明实施例提供的一种信号灯配时装置的结构示意图。
具体实施方式
28.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
29.如图1所示，本实施例提出了第一种信号灯配时方法。该方法可以包括以下步骤：s101、分别获得目标路网中的多个路口在与目标预测时段对应的历史时段内的交通流量数据；其中，目标路网可以包括有需要进行流量预测的目标路口以及与目标路口相关性较高的路口，比如相邻路口和周边路口。如图2所示的目标路网，一个圆圈即可以表征一个路口，圆圈内的数字可以为路口的标识，圆圈之间带有箭头的连线表示允许的行车方向。
30.可选的，路口可以为t型路口，也可以为十字型路口，也可以为直角型路口，本发明对此不作限定。
31.其中，交通流量数据可以是仅包括机动车的流量，可以是仅包括非机动车的流量，也可以是仅包括行人的流量。当然，交通流量数据也可以同时包括机动车、非机动车和/或行人的流量。
32.可以理解的是，本发明可以先行确定待预测的流量对象，之后再基于该流量对象，获得各路口在上述历史时段内的相应流量数据。比如，如果待预测的流量对象为机动车，则本发明可以获得各路口在上述历史时段内的机动车的流量数据。
33.具体的，一个路口可以包括一种或多种交通相位。比如，如图3所示，某个十字路口上针对机动车的交通相位可以包括有相位a、相位b、相位c和相位d。其中，各相位中标示的箭头标示在相应信号灯显示绿灯时，其允许通行的交通流向，比如，当相位a对应的信号灯显示绿灯时，相位a上的对向车均可以进行左转弯。
34.具体的，一个路口在某个时段内的交通流量数据，可以包括在该时段内，该路口的各个交通相位依次在各自的相位时段中的交通流量。其中，一个相位时段即可以为相应的某个交通相位的通行时段，该相位时段的时长即可以包括该交通相位上的信号灯的绿灯显示时长和黄灯显示时长。比如，如图3所示的十字路口，如果相位a、相位b、相位c和相位d分别对应的相位时段的时长均为30秒，该十字路口在5分钟内的机动车流量为：相位a在第1至
30秒内的机动车流量为a1，相位b在第31至60秒内的机动车流量为a2，相位c在第61秒至90秒内的机动车流量为a3，相位d在第91至120秒内的机动车流量为a4，相位a在第121至150秒内的机动车流量为a5，相位b在第151至180秒内的机动车流量为a6
……
，相位a在第241至270秒内的机动车流量为a9，相位b在第271至300秒内的机动车流量为a10，则该十字路口在该5分钟内的机动车的交通流量数据可以为{a1，a2，a3，a4，a5，a6，
……
，a9，a10}。
35.可以理解的是，在实际交通环境中，很多路口的交通流量数据是有一定相关性的，该相关性可以取决于路口间的距离等环境因素，因此，在对目标路口的交通流量数据进行预测时，单纯考虑目标路口的环境不够准确和严谨。因此，本发明可以在实际应用环境允许（比如目标路口与相邻路口和周边路口的距离未超过一定距离）的前提下，直接把目标路网内的流量一起纳入预测考虑范围，即对目标路网内的流量进行预测。之后，再从目标路网的预测流量中确定出目标路口的流量。
36.需要说明的是，目标路网可以是由技术人员根据实际情况，在目标路口的周边交通环境中进行划分确定，本发明对此不作限定。
37.其中，目标路口在目标预测时段内的交通流量数据即可以为本发明需要预测的目标路口的交通流量数据。
38.其中，历史时段可以为在目标预测时段之前的、与目标预测时段相邻的包含有相应时长的时段。比如，如果当前需要进行交通流量数据预测的时段为12时21分至30分内的时段，则历史时段可以为12时11分至20分内的时段；再比如，如果当前需要进行交通流量数据预测的时段为12时21分至30分内的时段，则历史时段可以为12时01分至20分内的时段。
39.需要说明的是，历史时段包含的时长与目标预测时段包含的时长可以是相等的，也可以是不相等的。
40.具体的，本发明可以分别获得目标路网中的各路口在上述历史时段内的交通流量数据。比如，当目标路网中包括有第一路口和第二路口时，本发明可以获得第一路口在上述历史时段内的交通流量数据，获得第二路口在上述历史时段内的交通流量数据。
41.可选的，在本实施例提出的其他信号灯配时方法中，各路口均设置有用于监测路口的交通流量数据的流量传感器；此时，步骤s101可以包括：分别获得由各流量传感器发送的各路口在上述历史时段内的交通流量数据。
42.其中，流量传感器可以为用于监测和记录其所在路口车流量的传感器。可选的，流量传感器可以为雷达传感器。具体的，每个路口均可以设置有一个或多个流量传感器，本发明可以从各路口所设置的流量传感器处，获得其发送的路口的交通流量数据。
43.具体的，本发明可以获得由各流量传感器按照相同周期返回的各路口的交通流量数据。比如，各路口上设置的流量传感器，均可以每5分钟返回一次其监测到的交通流量数据。
44.s102、将各路口在上述历史时段内的交通流量数据，输入到训练好的用于预测交通流量数据的图卷积网络模型中；可以理解的是，图卷积网络模型的网络架构可以为图卷积神经网络。
45.具体的，图卷积网络模型可以用于对目标路网内各路口在目标预测时段内的交通流量数据进行预测。图卷积网络模型的输入可以为目标路网中各路口在上述历史时段内的交通流量数据，输出可以为目标路网中各路口在目标预测时段内的交通流量数据。
46.需要说明的是，图卷积网络模型可以是本发明以图卷积神经网络为模型架构，使用训练集、验证集和测试集和的机器学习模型训练方式训练好的机器学习模型。
47.s103、获得图卷积网络模型输出的各路口在目标预测时段内的交通流量数据；具体的，本发明可以在将目标路网中各路口在上述历史时段内的交通流量数据输入图卷积网络模型中后，获得图卷积网络模型输出的目标路网中各路口在目标预测时段内的交通流量数据。
48.s104、从各路口在目标预测时段内的交通流量数据中，获得目标路口在目标预测时段内的交通流量数据；具体的，本发明可以在要输入图卷积网络模型的各路口在上述历史时段内的交通流量数据中，确定并记录目标路口的交通流量数据所处的位置。之后，本发明在获得图卷积网络模型输出的各路口在目标预测时段内的交通流量数据时，可以根据已记录的上述位置，从各路口在目标预测时段内的交通流量数据中查找和确定出目标路口在目标预测时段内的交通流量数据。
49.s105、基于目标路口在目标预测时段内的交通流量数据，构建信号灯配时模型；具体的，本发明在获得目标路口在目标预测时段内的交通流量数据后，确定目标路口的各个交通相位在目标预测时段内的流量数据，基于各个交通相位在目标预测时段内的流量数据，来构建信号灯配时模型。
50.其中，信号灯配时模型中待求解的参数可以包括绿灯显示时长和信号灯周期时长等。
51.s106、利用信号灯配时模型，确定与目标路口在目标预测时段内的交通流量数据相匹配的最佳信号灯配时信息；最佳信号灯配时信息至少包括：最佳绿灯配置时长和/或最佳信号灯周期。
52.具体的，本发明可以在获得信号灯配时模型后，利用信号灯配时模型来确定相应的最佳信号灯配时信息。
53.具体的，最佳信号灯配时信息还可以包括红灯配时时长和黄灯配时时长等配时信息。
54.可选的，在本实施例提出的第二种信号灯配时方法中，目标路口中的允许行驶方向包括第一数量的相位方向；目标路口在目标预测时段内的交通流量数据包括：各相位方向上的在目标预测时段内的交通流量数据。此时，上述步骤s105可以包括：构建第一数量的单相拥堵模型，各单相拥堵模型相同；基于各相位方向在目标预测时段内的交通流量数据在目标路口上的流量占比，相应的对各单相拥堵模型进行赋权；将赋权后的各单相拥堵模型整合为信号灯配时模型。
55.其中，第一数量可以为目标路口中允许通行的交通相位的数量，比如，图3中的第一数量为4。
56.其中，单相拥堵模型可以为与目标路口的单个交通相位对应的交通拥堵指数模型。需要说明的是，单相拥堵模型可以是本发明基于webster延误模型获得的。可选的，单相拥堵模型的构建过程可以考虑正常相位延迟，也可以考虑随机延迟与过饱和延迟。其中，本发明可以使用过饱和时滞留车辆与饱和度乘积，来表示随机延迟与过饱和延迟。
57.其中，单相拥堵模型中的待求解参数可以包括绿灯显示时长和信号灯周期时长。需要说明的是，当各交通相位对应的单相拥堵模型相同时，目标路口的各交通相位上绿灯显示时长和信号灯周期时长可以是相同的，而在信号灯配时模型中求解出的绿灯显示时长和信号灯周期时长即可以作为目标路口的各交通相位上的绿灯显示时长和信号灯周期时长。此时，本发明可以简单化各交通相位上绿灯显示时长和信号灯周期时长的运算过程，减少运算量，提高计算效率。
58.可选的，单相拥堵模型可以为：；其中，congestion为最终要计算的拥堵指数指标；delay为停车延误；cap为道路通行能力，单位为辆；h为停车率，单位为辆；其中：；；；；其中，q为车流量，单位车/min；g为绿灯显示时长；c为信号灯周期时长；s为基于先验知识的一般道路饱和流量，如果追求数据精度且工程条件允许的情况下也可以进行实地测量；q/s用以代表道路的饱和程度，结果大于1为过饱和状态，小于1为欠饱和状态；lag为驾驶员神经反射延迟，包含绿灯起步延迟和黄灯停车延迟，可以根据一般先验知识设定为5秒。
59.具体的，本发明可以基于目标路口的各交通相位上的交通流量数据，确定各交通相位在目标路口中的交通流量占比，分别以各自的流量占比对各交通相位的单相拥堵模型进行赋权，之后将赋权后的各单相拥堵模型整合为信号灯配时模型。比如，如果目标路口包含四个交通相位的十字路口，四个交通相位对应的单相拥堵模型分别为f(q1)、f(q2)、f(q3)和f(q4)，四个交通相位上的交通流量分别为q1、q2、q3和q4，则目标路口的交通流量之和为s=q
1 q
2 q
3 q4，则目标路口的信号灯配时模型可以为：f(q)=(q1/s)*f(q1) (q2/s)*f(q2) (q3/s)*f(q3) (q4/s)*f(q4)；需要说明的是，本发明也可以在基于流量占比对各单相拥堵模型进行赋权后，基于工作人员对于目标路口的交通观察经验对权重进行相应修正，之后再基于权重修正后的各单相拥堵模型获得信号灯配时模型。
60.可以理解的是，由赋权后的各单相拥堵模型整合得到的信号灯配时模型中，待求解的参数同样可以为绿灯显示时长和信号灯周期时长。
61.可选的，在本实施例提出的其他信号灯配时方法中，目标路口中各交通相位对应
的单相拥堵模型也可以是不同的。
62.可选的，在上述第二种信号灯配时方法中，步骤s106可以包括：将信号灯配时模型确定为目标函数；基于预设的绿灯显示时长范围和信号灯周期范围，确定为目标函数寻找最优解的变量空间；采用自衰减变异率的遗传算法在变量空间中进行空间搜索，确定目标函数取得最优解时的最佳信号灯配时信息。
63.具体的，本发明可以通过利用遗传算法，将信号灯配时模型作为目标函数，在规定空间内搜索最优解。
64.需要说明的是，按照交通控制领域的先验知识，可知绿灯显示时长可以是不低于某时长a而不高于某时长b，信号灯周期时长（绿灯、黄灯和红灯的显示时长之和）可以不低于某时间c而不高于某时长d，即绿灯显示时长和信号灯周期时长的数值范围可以在规定的区间[a,b]和[c,d]内。需要说明的是，a、b、c和d的值均可以由工作人员根据先验知识和实际情况进行设置，本发明对此不作限定。具体的，本发明可以将[a,b]和[c,d]作为信号灯配时模型的求解空间来寻找最优解。
[0065]
具体的，本发明使用遗传算法的整体流程可以如图4所示，即进行基因编码，初始化种群，计算种群中个体适应度，选择淘汰，交叉遗传，添加变异新个体，之后再返回至计算种群中个体适应度的步骤进行循环演化。
[0066]
需要说明的是，一般智能算法的目标函数为一元函数，而本发明的信号灯配时模型为二元目标函数。因此，本发明可以在编码步骤中，对两个变量都进行二进制编码参与进化流程；在淘汰步骤中，本发明可以采用轮盘赌模式，使用个体适应度对种群累计适应度的比值作为淘汰选中的概率，此时，适应度越不符合期望的越容易被选中淘汰。因此，本发明所使用的遗传算法可以在迭代中逐渐淘汰不相关的个体，使种群整体向期望空间进化，有效降低算法因随机特性对结果造成的不稳定影响。另，对于遗传算法的两个重要参数交叉率和变异率，交叉率可以决定算法的求解速度，变异率决定求解精度和结果的稳定性。在环境允许的情况下交叉率可以设为固定值，只要算法的运行时间被接受即可，在实现时可以根据结果进行微调。变异率在很大程度上影响算法的结果，变异率过大会增大算法的随机性，使结果不稳定；变异率过小会降低算法的搜索精度，算法容易陷入局部最优的陷阱。而变化的变异率则可以达到一定程度的自适应效果。本发明可以将算法的起始变异率设定为较大值，增大搜索步长，加速算法收敛，随着算法的迭代，变异率会逐步缩小，提高搜索精度，使得算法可以在接近最优解的区间更精确的寻找最优解。本发明可以采用指数衰减的方式控制变异率的变化，衰减公式为：；其中，crossvar 可以为变异率；dec_rate可以为变异率的衰减率；step可以为迭代次数；crossvar_s可以为起始变异率，可设置为0.09；crossvar_e可以为结束变异率，可设置为0.001，以保证变异率不会衰减到低于常规范围，防止因变异率过小导致的无意义遗传。
[0067]
需要说明的是，本发明的发明人利用实际交通数据对上述方法进行了实验测试，测试结果显示交通流量的预测效果较精准，计算出的绿灯显示时长和信号灯周期时长可以跟随预测出的交通流量进行有效的自动变化，提高信号灯的配时效率和配时准确率，而无
需通过人力来观察路口交通情况来进行人工的信号灯配时，避免人力资源的消耗，降低信号灯配时成本。
[0068]
本实施例提出的信号灯配时方法，分别获得目标路网中的多个路口在与目标预测时段对应的历史时段内的交通流量数据；将各路口在历史时段内的交通流量数据，输入到训练好的用于预测交通流量数据的图卷积网络模型中，获得图卷积网络模型输出的各路口在目标预测时段内的交通流量数据；从各路口在目标预测时段内的交通流量数据中，获得目标路口在目标预测时段内的交通流量数据；基于目标路口在目标预测时段内的交通流量数据，构建信号灯配时模型；利用信号灯配时模型，确定与目标路口在目标预测时段内的交通流量数据相匹配的最佳信号灯配时信息；最佳信号灯配时信息至少包括：最佳绿灯配置时长和/或最佳信号灯周期。本发明可以预测目标路口的交通流量数据，基于目标路口的交通流量数据构建信号灯配时模型，利用信号灯配时模型确定相应的最佳信号灯配时信息，自动的根据交通流量数据进行信号灯配时的确定和调整，提高信号灯的配时效率和配时准确率，而无需通过人力来观察路口交通情况来进行人工的信号灯配时，避免人力资源的消耗，降低信号灯配时成本。
[0069]
基于图1，本实施例提出第三种信号灯配时方法。在该方法中，图卷积网络模型在获得各路口在历史时段内的交通流量数据之后，对各路口在历史时段内的交通流量数据、已训练迭代好的权重参数以及目标路网的路网信息对应的图矩阵和邻接矩阵进行计算，获得并输出各路口在目标预测时段内的交通流量数据。
[0070]
其中，图卷积网络模型的输入可以为目标路网中各路口在上述历史时段内的交通流量数据，输出可以为目标路网中各路口在目标预测时段内的交通流量数据。
[0071]
其中，与目标路网的路网信息对应的图矩阵和邻接矩阵，可以是预先基于目标路网的路网信息设置好的。
[0072]
可选的，本发明可以先行利用由设置在目标路网中的各流量传感器所发送的交通流量数据，生成用于训练图卷积网络的训练集、验证集和测试集，使用训练集、验证集和测试集对图卷积网络进行训练，获得训练好的图卷积网络模型，之后再利用训练好的图卷积网络模型来对目标预测时段内的交通流量数据进行预测。
[0073]
具体的，本发明可以将目标路网中设置的各流量传感器在近段时间（如前几个月）内返回的历史交通流量数据放置在同一数据表中，利用该数据表对各流量传感器返回的历史交通流量数据进行统计，并基于该数据表中获得用于训练图卷积网络模型的训练集、验证集和测试集。具体的，数据表中的每列数据均可以为一个流量传感器在不同时刻返回的交通流量数据，数据表中的每行数据均可以为各流量传感器在相同时刻返回的交通流量数据。其中，各流量传感器可以每隔x分钟即同时返回一次数据，数据表中的连续x/60行数据即为一个小时内采集到的交通流量数据。此时，数据表中各行数据即可以是时序数据按照时间排序而成的。可选的，本发明可以在数据表中，按照行范围来划分训练集、验证集和测试集。
[0074]
可选的，本发明在对图卷积网络模型进行训练的过程中，利用层间信息前向传播方式和反向传播loss，对图卷积网络模型中各层的权重参数进行迭代更新，直至获得训练好的图卷积网络模型。
[0075]
可选的，图卷积网络模型中设置有激活函数；上述对各路口在历史时段内的交通
流量数据、已训练迭代好的权重参数以及目标路网的路网信息对应的图矩阵和邻接矩阵进行计算，可以包括：图卷积网络模型将各路口在历史时段内的交通流量数据、已训练迭代好的权重参数以及目标路网的路网信息对应的图矩阵和邻接矩阵输入到激活函数中进行计算。
[0076]
其中，激活函数可以是层间信息前向传播方式中使用到的激活函数。而层间信息前向传播方式可以为图卷积网络模型训练过程中所采用的核心训练方式。该方式可以遵循公式：；其中，可以是上一层的输入数据；可以是上一层的权重参数；为激活函数，一般可以为relu等常用的激活函数，可由技术人员根据实际使用需要的框架而设置。
[0077]
具体的，在对图卷积网络模型进行训练过程中，权重参数在训练的初始时刻，可以根据输入数据的维度随机初始化，在训练迭代中根据预测结果计算mae即预测值与真实值误差绝对值的平均值作为网络的loss损失值，通过反向传播loss更新每一层的权重参数，更新公式可以为：；其中，可以取任意一个极小的数1e-6，用于防止公式中的分母为0；learning_rate可以为学习率；梯度可以由反向传播的loss值通过框架内部机制自动算出。m
(t)
为梯度动量，v
(t)
为梯度变化量，m
(t)
和v
(t)
的更新可以由下列公式所得：；；其中，和可以为框架内部定义的衰减参数，用以控制梯度动量和梯度变化的权重。
[0078]
可选的，本发明在训练中，可以针对学习率添加衰减公式控制学习率变化。由于固定的学习率调整对训练效果并没有很好的改善，所以变化的学习率可以在训练一开始设定较大，加速模型收敛，然后再逐步减小学习率以提高搜索最优解区间的精度，防止模型陷入局部最优陷阱。具体的，本发明可以设定衰减率和衰减步数（即按迭代步数每隔一定步数按衰减率衰减一次），设定当前迭代步数，此时每次迭代的学习率可以为：；需要说明的是，本发明利用图卷积网络对目标路网的全局路口均进行了交通流量的预测，而在应用目标路网的路网信息对应的图矩阵和邻接矩阵的过程中，有效考虑了各
路口之间的相关性，且无需进行现有技术中的子区域划分等较繁琐的过程，可以有效提高交通流量数据预测的准确性和效率。
[0079]
可以理解的是，图卷积网络结构的层数少，算法复杂度简单，对实施环境要求较低，因此，本发明利用图卷积网络结构对交通流量数据进行预测，可以有效节约信号灯配时成本，提高预测准确率，从而保障信号灯配时的准确率。
[0080]
可选的，本发明可以将目标路网的路网信息对应的邻接矩阵，和各路口的交通数据作为图卷积网络的输入。其中，交通数据可以包括流量、速度和占有率等。具体的，各路口的交通数据所包含的数据类型的数量即代图卷积网络学习到的输入特征的维数，图卷积网络可以基于拉普拉斯矩阵进行特征提取并与交通数据进行全连接，融合得到一维的预测流量数据。
[0081]
可选的，本发明在对图卷积网络训练过程中，均可以使用数据表中的连续三行数据作为一次输入，对图卷积网络进行训练。当然，本发明也可以由技术人员根据实际使用的数据特点、网络模型的特性和实际训练的效果来调整输入所需的数据量，比如也可以将数据表中的连续五行数据作为一次图卷积网络模型的输入。
[0082]
需要说明的是，当流量传感器返回交通流量数据的周期为5分钟时，则将数据表中连续三行数据作为一次输入，相当于每15分钟进行一次交通流量数据的预测，属于短时预测。对于不同的预测需求，如长时预测，本发明可以对图卷积网络的模型参数进行修改。且，交通流量数据本身具有周期性特征，在较短时间内，除非路段出现车祸等突发时间，否则较难发生即时的改变，因此过短时间如低于5-10分钟的预测没有实际应用价值，而10-15分钟可以是相对适合的短时预测范围。
[0083]
具体的，本实施例所采用的上述拉普拉斯矩阵可以为：；其中，为上述拉普拉斯矩阵；为普通拉普拉斯矩阵，可以定义为：；其中，为与目标路网的路网信息对应的图的度矩阵，为与目标路网的路网信息对应的邻接矩阵。需要注意的是，在无向图中有多少边连接到路口节点，该路口节点就有多少度；在有向图中，以路口节点为终点的边的数目为路口节点的入度，以路口节点为起点的边的数目为路口节点的出度。因此在实际实现过程中如果路口节点间存在方向上的强相关性，可以使用入度矩阵或者出度矩阵加入计算，也可以同时使用，增强路口节点对邻居路口节点特征的聚合度。此外，对于邻接矩阵，由于不管是无向图还是有向图，邻接矩阵的对角线都为0，但对角线元素都代表节点自己，这样计算的聚合结果无法包含节点自身的特征。因此对邻接矩阵做自环计算，用邻接矩阵和一个单位矩阵（只有对角线元素非0且全为1）求和。
[0084]
本实施例提出的信号灯配时方法，可以利用图卷积网络对目标路网的全局路口均进行了交通流量的预测，且在应用目标路网的路网信息对应的图矩阵和邻接矩阵的过程中，有效考虑了各路口之间的相关性，且无需进行现有技术中的子区域划分等较繁琐的过程，可以进一步提高交通流量数据预测的准确性和效率。
[0085]
可选的，在本实施例提出的其他信号灯配时方法中，在步骤s101之后，还可以包
括：对各路口在历史时段内的交通流量数据进行归一化处理，获得归一化处理后数据；此时，步骤s102可以包括：将归一化处理后数据输入到图卷积网络模型中。
[0086]
需要说明的是，各流量传感器返回的交通流量数据，可能存在大小不一的差异性，以及存在小部分为异常值和极端值（由于测量误差所产生的合理现象）的情况。为避免异常值和极端值的不良影响，本发明可以在获得各流量传感器返回的交通流量数据后，先行对交通流量数据进行归一化处理。
[0087]
具体的，本发明可以采用如（0，1）标准化、z-score标准化、sigmoid等归一化处理方式。其中，本发明在采用（0，1）标准化进行归一化处理时，可以遍历所有交通流量数据，将其中的最大值max和最小值min做差max-min，作为归一化基数，对每个交通流量数据进行归一化处理。可选的，本发明在进行归一化处理后，可以调用框架提供的数据载入方式，将所有数据切分为神经网络输入所需要的tensor流数据。
[0088]
此时，第三种信号灯配时方法在步骤s103之后，还可以包括：对各路口在目标预测时段内的交通流量数据进行反归一化处理，获得各路口的反归一化处理后数据；此时，步骤s104可以包括：从各路口的反归一化处理后数据中获得目标路口的反归一化处理后数据；此时，步骤s105可以包括：基于目标路口的反归一化处理后数据，构建信号灯配时模型。
[0089]
具体的，本发明可以在获得目标路网中各路口在目标预测时段内的交通流量数据后，对交通流量数据进行相应的反归一化处理，获得目标路网的返归一化处理后数据。之后，再从目标路网的返归一化处理后数据中查找出目标路口的反归一化处理后数据，利用返归一化处理后数据构建信号灯配时模型，获得最佳信号灯配时信息。
[0090]
本实施例提出的信号灯配时方法，可以避免异常值和极端值的不良影响，进一步提高交通流量数据的预测准确性和信号灯配时信息的可靠性。
[0091]
与图1所示方法相对应，如图5所示，本实施例提出一种信号灯配时装置。该装置可以包括：第一获得单元101、第一输入单元102、第二获得单元103、第三获得单元104、第一构建单元105和第一确定单元106；其中：第一获得单元101，用于分别获得目标路网中的多个路口在与目标预测时段对应的历史时段内的交通流量数据；第一输入单元102，用于将各路口在历史时段内的交通流量数据，输入到训练好的用于预测交通流量数据的图卷积网络模型中；第二获得单元103，用于获得图卷积网络模型输出的各路口在目标预测时段内的交通流量数据；第三获得单元104，用于从各路口在目标预测时段内的交通流量数据中，获得目标路口在目标预测时段内的交通流量数据；第一构建单元105，用于基于目标路口在目标预测时段内的交通流量数据，构建信
号灯配时模型；第一确定单元106，用于利用信号灯配时模型，确定与目标路口在目标预测时段内的交通流量数据相匹配的最佳信号灯配时信息；最佳信号灯配时信息至少包括：最佳绿灯配置时长和/或最佳信号灯周期。
[0092]
需要说明的是，第一获得单元101、第一输入单元102、第二获得单元103、第三获得单元104、第一构建单元105和第一确定单元106的具体处理过程及其带来的技术效果，可以分别参照本实施例在图1对应方法中步骤s101、s102、s103、s104、s105和s106的相关说明，在此不再赘述。
[0093]
可选的，图卷积网络模型在获得各路口在历史时段内的交通流量数据之后，对各路口在历史时段内的交通流量数据、已训练迭代好的权重参数以及目标路网的路网信息对应的图矩阵和邻接矩阵进行计算，获得并输出各路口在目标预测时段内的交通流量数据。
[0094]
可选的，图卷积网络模型中设置有激活函数；对各路口在历史时段内的交通流量数据、已训练迭代好的权重参数以及目标路网的路网信息对应的图矩阵和邻接矩阵进行计算，设置为：图卷积网络模型将各路口在历史时段内的交通流量数据、已训练迭代好的权重参数以及目标路网的路网信息对应的图矩阵和邻接矩阵输入到激活函数中进行计算。
[0095]
可选的，各路口均设置有用于监测路口的交通流量数据的流量传感器；第一获得单元101，用于分别获得由各流量传感器发送的各路口在历史时段内的交通流量数据。
[0096]
可选的，目标路口中的允许行驶方向包括第一数量的相位方向；目标路口在目标预测时段内的交通流量数据包括：各相位方向上的在目标预测时段内的交通流量数据。
[0097]
可选的，第一构建单元105包括：模型构建单元、赋权单元和整合单元；其中：模型构建单元，用于构建第一数量的单相拥堵模型，各单相拥堵模型相同；赋权单元，用于基于各相位方向在目标预测时段内的交通流量数据在目标路口上的流量占比，相应的对各单相拥堵模型进行赋权；整合单元，用于将赋权后的各单相拥堵模型整合为信号灯配时模型。
[0098]
可选的，第一确定单元106包括：第二确定单元、第三确定单元和第四确定单元；其中：第二确定单元，用于将信号灯配时模型确定为目标函数；第三确定单元，用于基于预设的绿灯显示时长范围和信号灯周期范围，确定为目标函数寻找最优解的变量空间；第四确定单元，用于采用自衰减变异率的遗传算法在变量空间中进行空间搜索，确定目标函数取得最优解时的最佳信号灯配时信息。
[0099]
可选的，装置还包括：第四获得单元；第四获得单元，用于在分别获得目标路网中的多个路口在与目标预测时段对应的历史时段内的交通流量数据之后，对各路口在历史时段内的交通流量数据进行归一化处理，获得归一化处理后数据；第一输入单元102，用于将归一化处理后数据输入到图卷积网络模型中。
[0100]
可选的，装置还包括：第五获得单元；
第五获得单元，用于在获得图卷积网络模型输出的各路口在目标预测时段内的交通流量数据之后，对各路口在目标预测时段内的交通流量数据进行反归一化处理，获得各路口的反归一化处理后数据；第三获得单元104，用于从各路口的反归一化处理后数据中获得目标路口的反归一化处理后数据；第一构建单元105，用于基于目标路口的反归一化处理后数据，构建信号灯配时模型。
[0101]
本实施例提出的信号灯配时装置，分别获得目标路网中的多个路口在与目标预测时段对应的历史时段内的交通流量数据；将各路口在历史时段内的交通流量数据，输入到训练好的用于预测交通流量数据的图卷积网络模型中，获得图卷积网络模型输出的各路口在目标预测时段内的交通流量数据；从各路口在目标预测时段内的交通流量数据中，获得目标路口在目标预测时段内的交通流量数据；基于目标路口在目标预测时段内的交通流量数据，构建信号灯配时模型；利用信号灯配时模型，确定与目标路口在目标预测时段内的交通流量数据相匹配的最佳信号灯配时信息；最佳信号灯配时信息至少包括：最佳绿灯配置时长和/或最佳信号灯周期。本发明可以预测目标路口的交通流量数据，基于目标路口的交通流量数据构建信号灯配时模型，利用信号灯配时模型确定相应的最佳信号灯配时信息，自动的根据交通流量数据进行信号灯配时的确定和调整，提高信号灯的配时效率和配时准确率，而无需通过人力来观察路口交通情况来进行人工的信号灯配时，避免人力资源的消耗，降低信号灯配时成本。
[0102]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0103]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。