一种交通信号灯协调控制方法、装置、存储介质及设备与流程

1.本发明涉及数据处理领域，尤其涉及一种交通信号灯协调控制方法、装置、存储介质及设备。


背景技术：

2.随着日益增长的汽车数量，路口冲突矛盾日益激化，为了安全有效地管理路口，使用信号灯管理交通道路是最有效的方法之一，常规的交通信号灯控制方法，主要分为两种类型，一种是人为按经验设定不同时段的方案，然后到时段就自动切换，另一种是依赖硬件进行路口监控，然后进行实时的边缘计算；再通知路口信号灯切换方案；前者依赖个人经验，而且并不实时，后者虽然可以自动协调，但可调整方式也是人手预先设好的，并且路口之间通讯需要依赖上一级计算结果判断，并不能真正做到自动适应，只能事后反应；现有的交通信号控制方法交通信号灯的控制无法实现实时预测，方案的通行效率低下。


技术实现要素：

3.为解决上述技术问题，本发明提供一种交通信号灯协调控制方法、装置、存储介质及设备，能够实现交通信号灯管理方案的实时预测，提高通行效率。
4.本发明实施例提供一种交通信号灯协调控制方法，所述方法包括：根据决策树算法对预先对待预测路段进行分时段统计得到的通行数据集，以及预先根据所述通行数据集计算出每一时段的最优信号灯设置数据组成的协调数据集进行机器学习，生成以所述通行数据集中不同数据类型作为属性的三个结构模型；所述通行数据集包括车辆数据集、天气数据集和路段数据集；获取待预测时段的实时数据，采用属性数量最多的第一结构模型根据所述实时数据中与所述第一结构模型的属性对应的数据进行决策分析；当所述第一结构模型无法输出分析结果时，采用属性数量次之的第二结构模型根据所述实时数据中与所述第二结构模型的属性对应的数据进行决策分析；当所述第二结构模型无法输出分析结果时，采用属性数量最少的第三结构模型根据所述实时数据中与所述第三结构模型的属性对应的数据进行决策分析；当所述第一结构模型、所述第二结构模型或第三结构模型输出分析结果时，以分析结果作为所述待预测时段的信号灯设置数据对信号灯进行调控。
5.优选地，所述协调数据集的计算方法包括：根据每一时段的通行数据集对预设的信号灯时长设置区间中存在的所有信号灯的设置时间进行遍历计算，确定该时段车辆通行时间最短的最优信号灯设置数据；将所有时段车辆通行时间最短的最优信号灯设置数据作为所述协调数据集。
6.作为上述方案的改进，所述方法还包括：获取信号灯调控后的验证数据，所述验证数据包含所述待预测时段的车辆通行时间；
计算所述车辆通行时间与分析结果中信号灯设置数据对应的最短通行时间之间的误差；当所述误差不小于预设的误差阈值时，判定预测异常，根据所述第三结构模型对所述待预测时段的上一时段采集的实时数据重新进行决策分析，以重新分析结果修订当天所述待预测时段的信号灯设置数据。
7.优选地，所述方法还包括：将当天所有时段统计的通行数据集，重新计算每个时段对应的协调数据集；将每个时段的通行数据集和对应的协调数据集输入到根据决策树算法中进行机器学习，对三个结构模型进行优化。
8.作为一种优选方案，所述第一结构模型的属性包括日期、时段、温度、风向、风速和降雨量；所述第二结构模型的属性包括时段、温度、风向、风速和降雨量；所述第三结构模型的属性包括温度、风向、风速和降雨量。
9.优选地，所述车辆数据集包括车辆唯一码、通行时间段、通行时间和路段唯一码；所述天气数据集包括：数据唯一码、日期、时间段、天气状况、温度、降雨量、风向和风速；所述路段数据集包括：路段唯一码、路段名称和路段长度。
10.优选地，所述根据每一时段的通行数据集对预设的信号灯时长设置区间中存在的所有信号灯的设置时间进行遍历计算，确定该时段车辆通行时间最短的最优信号灯设置数据；将所有时段车辆通行时间最短的最优信号灯设置数据作为所述协调数据集，具体包括：对每一通行时段，获取所述通行数据集中每一车辆唯一码对应的路段长度、通行时间段、通行时间和计算得到的平均速度，得到所有车辆的通行记录集；随机设置一种包括所述待预测路段中所有交通信号灯，且符合所述信号灯时长设置区间中的红灯设置区间、绿灯设置区间和黄灯设置区间的信号灯设置数据；以预设的时间节点作为所述通行数据集中所有车辆进入所述待预测路段的时间，计算当前的信号灯设置数据下，所有车辆完整通过所述待预测路段的通行耗时，并以所有车辆中最长的通行耗时作为当前的信号灯设置数据对应的总耗时；对符合所述信号灯时长设置区间的所有信号灯设置数据进行遍历计算，保留所有信号灯设置数据计算得到的总耗时中时长最短的总耗时，作为当前时段的最优信号灯设置数据；对每一时段的最优信号设置数据进行遍历计算，得到所述协调数据集。
11.本发明实施例提供一种交通信号灯协调控制装置，所述装置包括：模型训练模块，用于根据决策树算法对预先对待预测路段进行分时段统计得到的通行数据集，以及预先根据所述通行数据集计算出每一时段的最优信号灯设置数据组成的协调数据集进行机器学习，生成以所述通行数据集中不同数据类型作为属性的三个结构模型；所述通行数据集包括车辆数据集、天气数据集和路段数据集；第一分析模块，用于获取待预测时段的实时数据，采用属性数量最多的第一结构模型根据所述实时数据中与所述第一结构模型的属性对应的数据进行决策分析；第二分析模块，用于当所述第一结构模型无法输出分析结果时，采用属性数量次
之的第二结构模型根据所述实时数据中与所述第二结构模型的属性对应的数据进行决策分析；第三分析模块，用于当所述第二结构模型无法输出分析结果时，采用属性数量最少的第三结构模型根据所述实时数据中与所述第三结构模型的属性对应的数据进行决策分析；输出模块，用于当所述第一结构模型、所述第二结构模型或第三结构模型输出分析结果时，以分析结果作为所述待预测时段的信号灯设置数据对信号灯进行调控。
12.进一步地，所述模型训练模块计算协调数据集的过程包括：根据每一时段的通行数据集对预设的信号灯时长设置区间中存在的所有信号灯的设置时间进行遍历计算，确定该时段车辆通行时间最短的最优信号灯设置数据；将所有时段车辆通行时间最短的最优信号灯设置数据作为所述协调数据集。
13.进一步地，所述装置还包括：异常分析模块，用于：获取信号灯调控后的验证数据，所述验证数据包含所述待预测时段的车辆通行时间；计算所述车辆通行时间与分析结果中信号灯设置数据对应的最短通行时间之间的误差；当所述误差不小于预设的误差阈值时，判定预测异常，根据所述第三结构模型对所述待预测时段的上一时段采集的实时数据重新进行决策分析，以重新分析结果修订当天所述待预测时段的信号灯设置数据。
14.优选地，所述装置还包括：优化模块，用于将当天所有时段统计的通行数据集，重新计算每个时段对应的协调数据集；将每个时段的通行数据集和对应的协调数据集输入到根据决策树算法中进行机器学习，对三个结构模型进行优化。
15.优选地，所述第一结构模型的属性包括日期、时段、温度、风向、风速和降雨量；所述第二结构模型的属性包括时段、温度、风向、风速和降雨量；所述第三结构模型的属性包括温度、风向、风速和降雨量。
16.优选地，所述车辆数据集包括车辆唯一码、通行时间段、通行时间和路段唯一码；所述天气数据集包括：数据唯一码、日期、时间段、天气状况、温度、降雨量、风向和风速；所述路段数据集包括：路段唯一码、路段名称和路段长度。
17.优选地，所述模型训练模块具体还用于：对每一通行时段，获取所述通行数据集中每一车辆唯一码对应的路段长度、通行时间段、通行时间和计算得到的平均速度，得到所有车辆的通行记录集；随机设置一种包括所述待预测路段中所有交通信号灯，且符合所述信号灯时长设置区间中的红灯设置区间、绿灯设置区间和黄灯设置区间的信号灯设置数据；以预设的时间节点作为所述通行数据集中所有车辆进入所述待预测路段的时间，计算当前的信号灯设置数据下，所有车辆完整通过所述待预测路段的通行耗时，并以所有车辆中最长的通行耗时作为当前的信号灯设置数据对应的总耗时；
对符合所述信号灯时长设置区间的所有信号灯设置数据进行遍历计算，保留所有信号灯设置数据计算得到的总耗时中时长最短的总耗时，作为当前时段的最优信号灯设置数据；对每一时段的最优信号设置数据进行遍历计算，得到所述协调数据集。
18.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述实施例中任意一项所述的交通信号灯协调控制方法。
19.本发明实施例还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述实施例中任意一项所述的交通信号灯协调控制方法。
20.本发明提供的一种交通信号灯协调控制方法、装置、存储介质及设备，根据决策树算法对预先对待预测路段进行分时段统计得到的通行数据集，以及预先根据所述通行数据集计算出每一时段的最优信号灯设置数据组成的协调数据集进行机器学习，生成以所述通行数据集中不同数据类型作为属性的三个结构模型；所述通行数据集包括车辆数据集、天气数据集和路段数据集；获取待预测时段的实时数据，采用属性数量最多的第一结构模型根据所述实时数据中与所述第一结构模型的属性对应的数据进行决策分析；当所述第一结构模型无法输出分析结果时，采用属性数量次之的第二结构模型根据所述实时数据中与所述第二结构模型的属性对应的数据进行决策分析；当所述第二结构模型无法输出分析结果时，采用属性数量最少的第三结构模型根据所述实时数据中与所述第三结构模型的属性对应的数据进行决策分析；当所述第一结构模型、所述第二结构模型或第三结构模型输出分析结果时，以分析结果作为所述待预测时段的信号灯设置数据对信号灯进行调控。能够实现交通信号灯管理方案的实时预测，提高通行效率。
附图说明
21.图1是本发明实施例提供的一种交通信号灯协调控制方法的流程示意图；图2是本发明另一实施例提供的一种交通信号灯协调控制方法的流程示意图；图3是本发明实施例提供的第一结构模型的结构示意图；图4是本发明实施例提供的第二结构模型的结构示意图；图5是本发明实施例提供的第三结构模型的结构示意图；图6是本发明实施例提供的一种交通信号灯协调控制装置的结构示意图；图7是本发明实施例提供的一种终端设备的结构示意图。
具体实施方式
22.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
23.本发明实施例提供一种交通信号灯协调控制方法，参见图1，是本发明实施例提供的一种交通信号灯协调控制方法的流程示意图，所述方法步骤s1~s5：
s1，根据决策树算法对预先对待预测路段进行分时段统计得到的通行数据集，以及预先根据所述通行数据集计算出每一时段的最优信号灯设置数据组成的协调数据集进行机器学习，生成以所述通行数据集中不同数据类型作为属性的三个结构模型；所述通行数据集包括车辆数据集、天气数据集和路段数据集；s2，获取当前时段的实时数据，采用属性数量最多的第一结构模型根据所述实时数据中与所述第一结构模型的属性对应的数据进行决策分析；s3，当所述第一结构模型无法输出分析结果时，采用属性数量次之的第二结构模型根据所述实时数据中与所述第二结构模型的属性对应的数据进行决策分析；s4，当所述第二结构模型无法输出分析结果时，采用属性数量最少的第三结构模型根据所述实时数据中与所述第三结构模型的属性对应的数据进行决策分析；s5，当所述第一结构模型、所述第二结构模型或第三结构模型输出分析结果时，以分析结果作为对应时段的信号灯设置数据对信号灯进行调控。
24.在本实施例具体实施时，预先需要采集待预测路段的数据，并根据采集的数据按照不同时段进行具体划分，设定时段，以半小时为时间片，例如将一天内的时间划分为0：00-0：30、0：30-1：00、1：00-1：30等48个半小时时段，每次进行预测时以半小时作为单位进行预测，确定所述待预测路段在不同时段的通行数据集；通行数据集包括该时段内通行的车辆信息、该时段内的天气信息和路段状况信息；不同时段内的车辆信息、天气信息和路段状况信息分别组成车辆数据集、天气数据集和路段数据集；通行数据集能够记录该路段随时间、天气各种因素同通行车辆之间的关系；而通行车辆的车辆数据集能够计算待预测路段的车辆通行情况，描述待预测路段交通状况。
25.通过采集的通行数据集能够计算在每一时段对应的天气数据情况下的最优信号灯设置数据，通过计算的最优信号灯设置组成协调数据集；信号灯设置数据包括红灯、黄灯和绿灯的设置时长。
26.根据决策树算法所述通行数据集中每一时段数据以及对应时段计算出的最优信号灯设置数据进行及其学习，生成以所述通行数据集中不同数据类型作为属性的三个结构模型；不同的数据类型的作为属性的结构模型其预测的精度、响应率和计算速度不同；属性越少，响应率和计算速度越高，但是预测精度较低；属性越多，响应率和计算速度越低，预测精度较高；因此本本技术中，获取待预测时段的实时数据，先采用属性数量最多的第一结构模型根据所述实时数据中与所述第一结构模型的属性对应的数据进行决策分析；当所述第一结构模型输出分析结果时，以分析结果作为待预测时段的信号灯设置数据对信号灯进行调控；当所述第一结构模型无法输出分析结果时，采用属性数量次之的第二结构模型根据所述实时数据中与所述第二结构模型的属性对应的数据进行决策分析；当所述第二结构模型输出分析结果时，以分析结果作为待预测时段的信号灯设置数据对信号灯进行调控；当所述第二结构模型无法输出分析结果时，采用属性数量最少的第三结构模型根据所述实时数据中与所述第三结构模型的属性对应的数据进行决策分析；当所述第三结构模型输出分析结果时，以分析结果作为待预测时段的信号灯设置
数据对信号灯进行调控；优先采用属性数量多的结构模型进行决策分析，提高输出结果的准确性，并通过最少属性的第三结构模型能够作为保底措施，保证预测结果输出；在实际应用场景中使用，能有效地减少人力和硬件的投入，过程形成自动化，并随着通行数据集的增加，对交通信号灯设置的方案准确性会不断提高。
27.在本发明提供的又一实施例中，所述协调数据集的计算方法包括：根据每一时段的通行数据集对预设的信号灯时长设置区间中存在的所有信号灯的设置时间进行遍历计算，确定该时段车辆通行时间最短的最优信号灯设置数据；将所有时段车辆通行时间最短的最优信号灯设置数据作为所述协调数据集。
28.在本实施例具体实施时，所述协调数据集具体为：根据每一时段的通行数据集对预设的信号灯时长设置区间中存在的所有信号灯的设置时间进行遍历计算，确定该时段车辆通行时间最短的最优信号灯设置数据；即根据所述通行数据集中通行车辆的车速信息，对预设的信号灯时长设置区间中所有可能存在的设置时间进行遍历，计算通行时间最短的最优信号灯设置数据，将所有时段车辆通行时间最短的最优信号灯设置数据作为所述协调数据集。遍历过程中，红灯、黄灯和绿灯时长设置的最小增长单位为秒，并设定规则，红灯和黄灯停止车辆运动。
29.因为每一时段中车辆通行时间还与对应的天气数据相关，因此计算每一时段下的最优信号灯设置数据，同时该数据也考虑了对应的天气数据，后续根据最优信号灯设置数据进行决策分析时，还能够综合对应的天气数据，提高信号灯预测的精度。
30.在本发明提供的又一实施例中，所述方法还包括：获取信号灯调控后的验证数据，所述验证数据包含所述待预测时段的车辆通行时间；计算所述车辆通行时间与分析结果中信号灯设置数据对应的最短通行时间之间的误差；当所述误差不小于预设的误差阈值时，判定预测异常，根据所述第三结构模型对所述待预测时段的上一时段采集的实时数据重新进行决策分析，以重新分析结果修订当天所述待预测时段的信号灯设置数据。
31.在本实施例具体实施时，参见图2，是本发明另一实施例提供的一种交通信号灯协调控制方法的流程示意图；在进行信号灯协调控制时，具体执行以下步骤：获取信息，即获取待预测时段的实时数据，所述实时数据包括对应的天气信息和对应的时段信息；smod1分析，即采用属性数量最多的第一结构模型smod1根据所述实时数据中与第一结构模型smod1的属性对应的数据进行决策分析；当第一结构模型smod1存在分析结果时，返回结果，并以分析结果作为待预测时段的信号灯设置数据对信号灯进行调控；当第一结构模型smod1不存在分析结果时，采用属性数量次之的第二结构模型smod2根据所述实时数据中与第二结构模型smod2的属性对应的数据进行决策分析；当第二结构模型smod2存在分析结果时，返回结果，以分析结果作为待预测时段的
信号灯设置数据对信号灯进行调控；当第二结构模型smod2不存在分析结果时，采用属性数量最少的第三结构模型smod3根据所述实时数据中与第三结构模型smod3的属性对应的数据进行决策分析；当第三结构模型smod3输出分析结果时，以分析结果作为待预测时段的信号灯设置数据对信号灯进行调控；获取信号灯调控后的验证数据，所述验证数据包含所述待预测时段的车辆通行时间；计算所述车辆通行时间与分析结果中信号灯设置数据对应的最短通行时间之间的误差；当所述误差不小于预设的2%时，判定预测异常，获取上一时段数据，即获取待预测时段的上一时段采集的实时数据重新采用第三结构模型进行决策分析，以重新分析结果修订当天所述待预测时段的信号灯设置数据。
32.需要说明的是，在本实施例中，所述误差阈值设定为2%，在其他实施例中，所述误差阈值可设置为其他值。
33.通过对预测结果调控信号灯，并对结构模型决策分析出的结果进行异常分析，提高信号灯设置时间预测时间的精度。
34.在本发明提供的又一实施例中，所述方法还包括：将当天所有时段统计的通行数据集，重新计算每个时段对应的协调数据集；将每个时段的通行数据集和对应的协调数据集输入到根据决策树算法中进行机器学习，对三个结构模型进行优化。
35.在本实施例具体实施时，参见图2，所述方法还包括：收集数据，进行模型优化，即统计当天所有时段的通行数据集，将当天所有时段统计的通行数据集，重新计算每个时段对应的协调数据集；将每个时段的通行数据集和对应的协调数据集输入到根据决策树算法中进行机器学习，对三个结构模型进行优化，重新修正今天的最优的信号灯设置时间方案。
36.通过实时获取的数据不断提高机器学习的数据量，提高对交通信号灯设置的方案的准确性。
37.在本发明提供的又一实施例中，所述第一结构模型的属性包括日期、时段、温度、风向、风速和降雨量；所述第二结构模型的属性包括时段、温度、风向、风速和降雨量；所述第三结构模型的属性包括温度、风向、风速和降雨量。
38.在本实施例具体实施时，参见图3，是本发明实施例提供的第一结构模型的结构示意图；第一结构模型使用日期（不考虑年份），时段，温度，风向，风速和降雨量这些数据作为属性进行训练，以信号灯设置数据作为分析结果；得到在1月1日和2月1日等不同日期、1：00-1：30和2：00-2：30等不同时段、不同天气数据下的逐步分析决策的结构模型，该结构模型中包括的天气数据包括晴或雨等天气状况、30度或20度等不同温度状态、南风或北风等不同的风向、三级或四级等不同的风力大小，以及0.5mm或2mm等不同的降雨量下的最优信号灯设置数据的分析结果；随着训练过程中天气的数据量的丰富度，该模型分析结果的输出响应率也不断提高，能够适配更加复杂的实时数据；
需要说明的是，本实施例中给出了一种第一结构模型的属性的实施例及对应的第一模型的结构示意图，在其他实施例中，第一结构模型的属性可采用不同的设置方法，对应结构也因属性不同发生改变，并不影响方案具体实施。
39.参见图4，是本发明实施例提供的第二结构模型的结构示意图；第二结构模型使用时段，温度，风向，风速，降雨量等属性进行训练，以信号灯设置数据作为分析结果；得到在1：00-1：30和2：00-2：30等不同时段、不同天气数据下的逐步分析决策的结构模型，该结构模型中包括的天气数据包括晴或雨等天气状况、30度或20度等不同温度状态、南风或北风等不同的风向、三级或四级等不同的风力大小，以及0.5mm或2mm等不同的降雨量下的最优信号灯设置数据的分析结果；随着训练过程中天气的数据量的丰富度，该模型分析结果的输出响应率也不断提高，能够适配更加复杂的实时数据；需要说明的是，本实施例中给出了一种第二结构模型的属性的实施例及对应的第二结构模型的结构示意图，在其他实施例中，第二结构模型的属性可采用不同的设置方法，对应结构也因属性不同发生改变，并不影响方案具体实施。
40.参见图5，是本发明实施例提供的第三结构模型的结构示意图；第三结构模型使用温度，风向，风速，降雨量等属性进行训练，以信号灯设置数据作为分析结果；得到在不同天气数据下的逐步分析决策的结构模型，该结构模型中包括的天气数据包括晴或雨等天气状况、30度或20度等不同温度状态、南风或北风等不同的风向、三级或四级等不同的风力大小，以及0.5mm或2mm等不同的降雨量下的最优信号灯设置数据的分析结果；随着训练过程中天气的数据量的丰富度，该模型分析结果的输出响应率也不断提高，能够适配更加复杂的实时数据；需要说明的是，本实施例中给出了一种第三结构模型的属性的实施例及对应的第三结构模型的结构示意图，在其他实施例中，第三结构模型的属性可采用不同的设置方法，对应结构也因属性不同发生改变，并不影响方案具体实施。
41.通过不同属性数量的结构模型进行决策分析，能够适应不同的精度、计算速度和响应率的需求。
42.在本发明提供的又一实施例中，所述车辆数据集包括车辆唯一码、通行时间段、通行时间和路段唯一码；所述天气数据集包括：数据唯一码、日期、时间段、天气状况、温度、降雨量、风向和风速；所述路段数据集包括：路段唯一码、路段名称和路段长度。
43.在本实施例具体实施时，获取通行数据集的过程具体包括：每一路段本身预存有对应的路段数据集，表1给出了路段数据集的示例，路段数据集中包括路段唯一码、路段名称和路段长度等属性，并给出了对应的属性标识和对应的说明：表1路段数据集示例表
通过路口传感器和摄像设备等传感设备收集以时段区间为单位的数据，收集时段内以车牌为主的车辆经过路段的总时间，作为车辆数据集，表2给出了车辆数据集的示例，车辆数据集包括车辆唯一码、通行时间段、通行时间和路段唯一码；表2车辆数据集示例表收集时段内当前天气情况，表3给出了天气数据集的示例，天气数据集包含数据唯一码、日期、时间段、天气状况、温度、降雨量、风向和风速，每个时间段只记录一次天气情况；表3天气数据集示例表通过整理后形成天气数据集tdt、车辆数据集ctd、路段数据集rdt，按日期命名文件名存放到文件中，每天产生一份，例如20220102.tdt，进行保存，便于后续模型训练。
44.在本发明提供的又一实施例中，所述根据每一时段的通行数据集对预设的信号灯时长设置区间中存在的所有信号灯的设置时间进行遍历计算，确定该时段车辆通行时间最短的最优信号灯设置数据；将所有时段车辆通行时间最短的最优信号灯设置数据作为所述协调数据集，具体包括：
对每一通行时段，获取所述通行数据集中每一车辆唯一码对应的路段长度、通行时间段、通行时间和计算得到的平均速度，得到所有车辆的通行记录集；随机设置一种包括所述待预测路段中所有交通信号灯，且符合所述信号灯时长设置区间中的红灯设置区间、绿灯设置区间和黄灯设置区间的信号灯设置数据；以预设的时间节点作为所述通行数据集中所有车辆进入所述待预测路段的时间，计算当前的信号灯设置数据下，所有车辆完整通过所述待预测路段的通行耗时，并以所有车辆中最长的通行耗时作为当前的信号灯设置数据对应的总耗时；对符合所述信号灯时长设置区间的所有信号灯设置数据进行遍历计算，保留所有信号灯设置数据计算得到的总耗时中时长最短的总耗时，作为当前时段的最优信号灯设置数据；对每一时段的最优信号设置数据进行遍历计算，得到所述协调数据集。
45.在本实施例具体实施时，应用公式s=v*t；其中s路程为路段数据集中的路段总长度，t为车辆数据集中记录的通行时间，计算速度v=s/t；例如4公里的路段，40秒内走完，平均速度为4000/40=100m/s；对某一时段内的车辆数据集中每一车辆进行计算，把计算的结果写入当前记录中保存，得到所有车辆的通行记录集，表4是一种通行数据集的示例；表4通行数据集示例表根据确定的通行记录集计算协调数据集中的最优信号设置数据；假设通行记录集中包含时间段1:00-1:30内包含5辆车数据，分别为车1平均速度40m/s、车2平均速度35m/s、车3平均速度80m/s、车4平均速度120m/s和车5平均速度75m/s。假设中包含路段长度为4000m。
46.随机设置一种包括所述待预测路段中所有交通信号灯，且符合所述信号灯时长设置区间中的红灯设置区间、绿灯设置区间和黄灯设置区间的信号灯设置数据，其中信号灯时长设置区间中绿灯设置区间为[5,60]，红灯设置区间为[5,45]，黄灯设置为3，单位为s，最小增长单位为秒；并设定规则，红灯和黄灯停止车辆运动；设定一个方案，如绿灯为10s，红灯为10s，黄灯为3s；单路口路段的路口设置在路段末端，以预设的时间节点作为所述通行数据集中所有车辆进入所述待预测路段的时间；在本实施例中以绿灯开始时间作为进入待预测路段的时间，4000米路段，40米/秒的平均车速，理论上100秒走完，如果红灯和绿灯都设置10秒，当车辆开始到结束走完全程，绿黄红灯经历了100/23各循环，约等于4.35个循环；对由绿灯开始进入刚好回到所有灯的设置时间进行取模运算，得到0.35的取模值，对取模值进行循环时间计算，即23*0.35=
8.05，循环计算后的时间小于第一个绿灯时间10s，所以车辆不需要停车，可以直接通过，因此可以直接计算出该车辆完整通过所述待预测路段的通行耗时为100s；具体公式计算为：计算循环周期x=s/(t1 t2 t3)；计算余数y=x-[x]；计算区间值z=(t1 t2 t3)*y，其中，绿灯时间t1，红灯时间t2，黄灯时间t3；根据区间值来判定最终是否经过路口时，信号灯状态，判断是否需要等待信号灯，进而计算出最终通行耗时；计算当前的信号灯设置数据下，所有车辆完整通过所述待预测路段的通行耗时，并以所有车辆中最长的通行耗时作为当前的信号灯设置数据对应的总耗时；修改红绿灯设置方案，如绿灯加1秒（绿灯：31s 红灯：20s 黄灯：3s）或者减1秒（绿灯：29s 红灯：20s 黄灯：3s），然后重新计算通行耗时，直到穷尽遍历信号灯时长设置区间中所有方案内情况；执行结束后得出所有信号灯设置方案下的通行耗时，进行升序排序算法，保留所有信号灯设置数据计算得到的总耗时中时长最短的总耗时，作为当前时段的最优信号灯设置数据；对每一时段的最优信号设置数据进行遍历计算，得到所述协调数据集。
[0047]
多路口情况计算与单路口类似，计算过程和生成最后的数据过程也类似，但计算数据上区别有以下两点：（1）多路口路段会出现多台信号灯，例如：信号灯一随机设置方案（绿灯：30s 红灯：20s 黄灯：3s）、信号灯二随机设置方案（绿灯：35s 红灯：23s 黄灯：3s）；进行穷尽遍历步骤时必须同时穷尽两台信号灯的所有信号灯时长设置区间内的方案组合，最终得出最优时间，多台信号灯也一样，越多路口计算量越大；（2）多路口路段计算用的总路程必须最所有路口加起来的总长度；例如路段一4000m，路口一30m，路段二3000m，路口二30m，最后总长度为4000 30 3000 30=7060m。
[0048]
通过对预设的信号灯时长设置区间中存在的所有信号灯的设置时间进行遍历计算，确定最优的信号灯设置数据，确定协调数据集。
[0049]
在本发明提供的又一实施例中，参见图6，是本发明实施例提供的一种交通信号灯协调控制装置的结构示意图，所述装置包括：模型训练模块，用于根据决策树算法对预先对待预测路段进行分时段统计得到的通行数据集，以及预先根据所述通行数据集计算出每一时段的最优信号灯设置数据组成的协调数据集进行机器学习，生成以所述通行数据集中不同数据类型作为属性的三个结构模型；所述通行数据集包括车辆数据集、天气数据集和路段数据集；第一分析模块，用于获取待预测时段的实时数据，采用属性数量最多的第一结构模型根据所述实时数据中与所述第一结构模型的属性对应的数据进行决策分析；第二分析模块，用于当所述第一结构模型无法输出分析结果时，采用属性数量次之的第二结构模型根据所述实时数据中与所述第二结构模型的属性对应的数据进行决策分析；第三分析模块，用于当所述第二结构模型无法输出分析结果时，采用属性数量最少的第三结构模型根据所述实时数据中与所述第三结构模型的属性对应的数据进行决策分析；
输出模块，用于当所述第一结构模型、所述第二结构模型或第三结构模型输出分析结果时，以分析结果作为所述待预测时段的信号灯设置数据对信号灯进行调控。
[0050]
需要说明的是，本发明实施例提供的所述交通信号灯协调控制装置能够执行上述实施例中任意实施例所述的交通信号灯协调控制方法，对交通信号灯协调控制装置的具体功能在此不作赘述。
[0051]
参见图7，是本发明实施例提供的一种终端设备的结构示意图。该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如交通信号灯协调控制程序。所述处理器执行所述计算机程序时实现上述各个交通信号灯协调控制方法实施例中的步骤，例如图1所示的步骤s1~s5。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能。
[0052]
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。例如，所述计算机程序可以被分割成各个模块，各模块具体功能再次不作赘述。
[0053]
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
[0054]
所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器 (digital signal processor，dsp)、专用集成电路 (application specific integrated circuit，asic)、现场可编程门阵列 (field-programmable gate array，fpga) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
[0055]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（smart media card, smc），安全数字（secure digital, sd）卡，闪存卡（flash card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0056]
其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执
行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、电载波信号、电信信号以及软件分发介质等。
[0057]
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0058]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。