一种红绿灯配时控制方法及系统

1.本发明涉及公共交通技术领域，特别涉及一种红绿灯配时控制方法及系统。


背景技术：

2.生活中的红绿灯时长均采用固定时长进行调节，这便导致市民在低峰时段出行，因红灯时间过长而漫长等待；而在高峰时段出行，因绿灯时间过短而浪费时间，甚至造成交通拥堵和交通事故。


技术实现要素：

3.鉴于上述现有技术的不足之处，本发明的目的在于提供一种红绿灯配时控制方法及系统，其可以动态调整不同时期、不同拥堵情况的绿灯配时时长，同时针对真实路况调整数据采集时间段时长，使得最终获得的绿灯配时控制方案更能满足真实的交通管控需求。
4.一方面，本技术提供了一种红绿灯配时控制方法，其包括如下步骤：
5.s1、完成某一路段车流量的监控，并记录n个数据采集时间段中、每一数据采集时间段内的车流量数据并存储，以获得包含n个车流量数据样本的历史数据集；每一数据采集时间段内的车流量数据包括：记录起始时间、该时间段内的车流量以及是否拥堵；
6.s2、根据是否拥堵将历史数据集划分为含m个拥堵数据的样本pa以及含(n-m)个不拥堵数据的样本pb；并对样本pa以及样本pb中的每一个车流量数据进行拥挤程度赋值；
7.s3、分别获取样本pa以及样本pb中每一车流量数据的绿灯配时时长；
8.s4、根据绿灯配时时长生成初步分类模型ai；
9.s5、获取当前时刻下的车流量数据，并根据所述初步分类模型ai或初步分类模型ai的优化分类模型a
i+1
对车流量进行绿灯配时时长预测，以及根据预测得到的绿灯配时时长对该绿灯所在交通灯上的红灯进行红灯配时时长预测；
10.以及s6、根据预测获得的绿灯配时时长、红灯配时时长对同一交通灯上的红绿灯进行绿灯、红灯配时控制。
11.另一方面，还提供了一种红绿灯配时控制系统，其包括：数据存储单元，其用于记录某一路段在n个数据采集时间段中、每一数据采集时间段内的车流量数据并存储；
12.赋值单元，其用于对含m个拥堵数据的样本pa以及含(n-m)个不拥堵数据的样本pb中的每一个车流量数据进行拥挤程度赋值；
13.配时单元，其用于分别获取样本pa以及样本pb中每一车流量数据的绿灯配时时长；
14.模型生成单元，其用于根据绿灯配时时长生成初步分类模型ai；
15.模型优化单元，其用于对初步分类模型ai进行优化，以获得优化分类模型a
i+1
；
16.配时预测单元，其用于根据当前时刻下的车流量数据以及初步分类模型ai或初步分类模型ai的优化分类模型a
i+1
对车流量进行绿灯配时时长预测；
17.配时控制单元，其用于根据预测获得的绿灯配时时长对红绿灯进行绿灯配时控
制。
18.本技术至少具有如下技术效果或优点：
19.本发明为可结合历史拥堵情况动态调整不同时期、不同拥堵情况的绿灯配时时长，并在此基础上得出预测模型，保证绿灯配时结果更加符合实际情况；同时针对真实路况调整数据采集时间段时长，由此进一步优化绿灯配时时长的调控节奏，使得最终获得的绿灯配时控制方案更能满足真实的交通管控需求。
附图说明
20.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
21.图1为本发明实施例提供的红绿灯配时控制方法的步骤流程示意图；
22.图2为本发明实施例提供的初步分类模型ai示意图；
23.图3为本发明实施例提供的红绿灯配时控制方法系统的结构示意图。
具体实施方式
24.以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
25.实施例1：
26.如图1所示，本实施例提供了一种红绿灯配时控制方法，其包括如下步骤：
27.s1、通过摄像头等设备完成某一路段车流量的监控，并记录n个数据采集时间段(gap)中、每一数据采集时间段内的车流量数据并存储，以获得包含n个车流量数据样本的历史数据集p{(time1,flow1,crowd1),(time2,flow2,crowd2),...,(timen,flown,crowdn)}；
28.本实施例中，n个时间段中，每一数据采集时间段的时长可以相同或不同，如n个时间段中，每个时间段均为5分钟，进一步的，每一数据采集时间段内的车流量数据包括：记录起始时间(time)、该时间段内的车流量(flow)以及是否拥堵(crowd)；
29.进一步的，记录起始时间(time)为datetime数据类型，例如，若每一时间段均为5分钟，则一周(7天)可以收集到2016条记录(一小时12条，一周共收集12*24*7条记录)，则记录起始时间(time)标记为1-2016的整数值，“1”代表周一0:00-0:05，“2”代表周一0:06-0:10...，以此类推，同时，是否拥堵(crowd)可通过摄像头等设备，通过统计车流量判定获得，如预定时间段车流量大于预定值，则为拥堵，否则为不拥堵，是否拥堵(crowd)可为bool类型数据(即1代表是，0代表否)；
30.s2、根据是否拥堵将历史数据集p划分为含m个拥堵数据的样本pa{(time1,flow1,crowd1),(time2,flow2,crowd2),...,(timem,flowm,crowdm)}以及含(n-m)个不拥堵数据的样本pb{(time1,flow1,crowd1),(time2,flow2,crowd2),...,(time
n-m
,flow
n-m
,crowd
n-m
)}；
31.并对样本pa以及样本pb中的每一个车流量数据进行拥挤程度(level)赋值；
32.具体的，对样本pa中的每一个车流量数据进行拥挤程度(level)赋值包括如下步骤：
33.根据公式(1)获取样本pa中的每一个车流量数据在单位时间内的平均车辆延误时间
[0034][0035]
其中，l为单位时间(如5分钟)，i的取值范围为[1,m]；
[0036]
根据平均车辆延误时间对与之对应的车流量数据进行拥挤程度(level)赋值，包括：
[0037]
若则对应车流量数据的拥挤程度(level)被赋值为“缓行”；
[0038]
若则对应车流量数据的拥挤程度(level)被赋值为“拥堵”；
[0039]
若则对应车流量数据的拥挤程度(level)被赋值为“严重拥堵”；
[0040]
本实施例中，第一阈值＜第二阈值＜第三阈值，例如第一阈值为0.8，第二阈值为1.5，第三阈值为2.1，其可以根据相应路段的过往车流量数据而定；
[0041]
同时，样本pb中的每一车流量数据的拥堵程度(level)均被赋值为“畅通”；
[0042]
s3、分别获取样本pa以及样本pb中每一车流量数据的绿灯配时时长；
[0043]
具体的，所述步骤s3包括如下步骤：
[0044]
s31、通过k-means算法分别获取样本pa的最优聚类簇数量a
kpoint
以及样本pb的最优聚类簇数量b
kpoint
；
[0045]
s32、通过k-means算法分别获取样本pa的簇集以及样本pb的簇集
[0046]
s33、按照公式(2-1)获取簇集中各簇对应的车流量(flow)平均值，并对车流量平均值进行排序，以及按照公式(2-2)获取簇集中各簇对应的车流量(flow)平均值，并对车流量平均值进行排序，车流量平均值越高则说明该簇中的车流量越大；
[0047][0048][0049]
其中，pi为所属簇中(即中的某一簇或中的某一簇)第i个车流量数据中车流量(flow)的值，n为所属簇中车流量数据的总数；
[0050]
s34、根据车流量平均值排序结果对车流量赋予不同的绿灯配时时长，其具体包括
如下步骤：
[0051]
在工作日期间，根据车流量平均值排序结果对簇集中各簇对应的车流量赋予如公式(3-1)所示的不同的绿灯配时时长(dr)，以及根据车流量平均值排序结果对簇集中各簇对应的车流量平均值赋予如公式(3-2)所示的不同的绿灯配时时长(dr)；
[0052][0053][0054]
其中，代表簇集中簇i对应的车流量的绿灯配时时长，代表中簇i对应的车流量的绿灯配时时长；t1＞t3，t2≥t4，单位均为秒或分；i的取值范围为[1，a
kpoint
]、[1，b
kpoint
]；
[0055]
例如，本实施例中，t1为30s，t2为15s，t3为20s，t4为10s，其可以根据相应路段的过往车流量数据而灵活调整；
[0056]
在节假日期间，根据车流量平均值排序结果对簇集中各簇对应的车流量赋予如公式(3-3)所示的不同的绿灯配时时长，以及根据车流量平均值排序结果对簇集中各簇对应的车流量平均值赋予如公式(3-4)所示的不同的绿灯配时时长；
[0057][0058][0059]
其中，代表簇集中簇i对应的车流量的绿灯配时时长，代表中簇i对应的车流量的绿灯配时时长；t5＞t7≥t1＞t3，t6≥t8≥t2≥t4，单位均为秒或分；i的取值范围为[1，a
kpoint
]、[1，b
kpoint
]；
[0060]
例如，本实施例中，t5为50s，t6为15s，t7为30s，t8为15s，其可以根据节假日期间相应路段的过往车流量数据而灵活调整；
[0061]
s35、将拥挤程度(level)、绿灯配时时长(dr)添加至历史数据集中，使得历史数据集p更新为
[0062]
p{(time1，flow1，crowd1，level1，dr1)，(time2，flow2，crowd2，level2，dr2)，...，p{(timen，flown，crowdn，leveln，drn)}}
[0063]
上述步骤中，因节假日相对工作日而言，车流量偏大，因此对于节假日期间的绿灯配时时长整体大于工作日期间，同时，由于样本pa中包含拥堵数据，因此其相对于样本pb而言，同样需要延长绿灯配时时长，由此，通过延长绿灯配时时长，可使得节假日期间的车流保持通畅，以及降低产生拥堵的可能(即对样本pa延长绿灯配时时长)，使其更加符合实际的车流管控需求，以达到最佳的管控效果；
[0064]
s4、根据绿灯配时时长生成初步分类模型ai，具体的，所述步骤s4包括：
[0065]
s41、将更新后的历史数据集p中的车流量(flow)，是否拥堵(crowd)，拥挤程度(level)作为训练特征；
[0066]
s42、根据公式(4)分别计算每一训练特征在不同划分标准下的gini值，并从中选取最小gini值及其对应的划分标准，由此获得与该时间段内的车流量(flow)，是否拥堵(crowd)，拥挤程度(level)分别对应的最小gini值a1、a2、a3；
[0067][0068]
其中，m为某一训练特征a的类别集合，|m|为该集合的元素个数，mn为该集合的第n个元素，|di|为训练特征a中某一类别i的数量，|d
m-i
|为训练特征a中除类别i以外的剩余类别的总数，|d|为该训练特征a的类别数量总数；
[0069]
例如，若选定离散属性拥挤程度(level)为训练特征a，且其类别数量为4，分别为畅通、缓行、拥堵、严重拥堵，数量分别为10个、30个、40个、20个，则a＝level，m＝{畅通，缓行，拥堵，严重拥堵}，|m|＝4,|d|＝100，进一步的，令n＝1，i＝{畅通}，m-i＝{缓行∪拥堵∪严重拥堵}，则划分标准可分为split1＝{畅通，缓行∪拥堵∪严重拥堵}
[0070]
(|di|＝10，|d
m-i
|＝90|)，类似有split2＝{缓行，畅通∪拥堵∪严重拥堵}(|di|＝30，
[0071]
|d
m-i
|＝70|)、split3＝{拥堵，畅通∪缓行∪严重拥堵}(|di|＝40，|d
m-i
|＝60|)、split4＝{严重拥堵，畅通∪缓行∪拥堵}(|di|＝20，|d
m-i
|＝80|)，计算每种划分标准下的gini值，假定在四种划分标准下的gini值分别为gini
split1
＝0.3，gini
split2
＝0.4，gini
split3
＝0.45，gini
split4
＝0.36，则拥挤程度(level)的最小gini值为gini
split1
＝0.3，定为a1；
[0072]
再如，若选定连续属性车流量(flow)为训练特征a，现共有10条车流量数据数据，取值为集合b＝{80，80，60，120，60，80，60，120，80，80}，数值范围[0，70]、[71，100]、[101，+∞]中包含的车流量数量分别为3个、5个、2个，将集合b剔除重复值并排序后存在3个唯一值，分别为{60，80，120}，两两计算求中值有{70，100}，即70＝(60+80)/2，100＝(80+120)/2，则a＝flow，m＝{70，100}，|m|＝2，|d|＝10，进一步的，令n＝1，i＝{70}，m-i＝{100}，则划分标准可为split1＝{≤70，＞70}(|di|＝3，|d
m-i
|＝7)、split2＝{≤100，＞100}(|di|＝8，|d
m-i
|＝2)，计算每种划分标准下的gini值，假定gini
split1
＝0.28，gini
split2
＝0.44，则车流量(flow)的最小gini值为gini
split1
＝0.28，定为a2；
[0073]
以此类推，以获得其他训练特征的最小gini值，需要说明的是，每种训练特征的划分标准可根据特征特点自行划定；
[0074]
s43、将该时间段内的车流量(flow)，是否拥堵(crowd)，拥挤程度(level)分别对应的最小gini值a1、a2、a3进行比较，以确定全局最小gini值min(即a1、a2、a3中的最小值)；
[0075]
s44、将与该全局最小gini值min对应的划分标准确定为当前决策树的分支结点；
[0076]
s45、重复上述步骤s42-s44，以构建如图2所示的多分类决策树，该多分类决策树即为获得初步分类模型ai；
[0077]
进一步的，图2中，方形框结点代表训练特征(即车流量(flow)，是否拥堵(crowd)，拥挤程度(level))，分支代表训练特征的类别(如畅通、缓行为拥挤程度(level)的类别，0、1为是否拥堵(crowd)的类别，≤70、＞70为车流量(flow)的类别)，椭圆框结点代表与不同类别对应的绿灯配时时长预测结果(即dr
cb2
、dr
ca2
)；
[0078]
s5、获取当前时刻下的车流量数据，并根据所述初步分类模型ai或初步分类模型ai的优化分类模型a
i+1
对车流量进行绿灯配时时长预测，以及根据预测得到的绿灯配时时长对该绿灯所在交通灯上的红灯进行红灯配时时长预测，本实施例中，预测得到的红灯配时时长＝预测得到的绿灯配时时长+tg，其中tg单位为秒，例如10-20s等；
[0079]
例如，如图2所示，若当前时刻下获得的车流量数据中level＝畅通，crowd＝1，flow＝80，则预测其绿灯配时时长为dr
ca2
；进一步的，与该绿灯设置于同一交通灯上的红灯的红灯配时时长的预测值即为与tg之和，其中令tg为20s；
[0080]
以及s6、根据预测获得的绿灯配时时长、红灯配时时长对同一交通灯上的红绿灯进行绿灯、红灯配时控制。
[0081]
现有技术中通常是利用已经完成训练的模型进行红绿灯配时方案的调整，但其只会将红绿灯配时设置为一个固定值，但该固定值无法根据当前或历史车流量数据的拥堵情况进行相应调整，因此，若此时拥堵程度并不严重时，该固定值会浪费通勤时间，若此时拥堵比较严重(例如处于国庆出行高峰期)，则该固定值会进一步加剧拥堵。
[0082]
而本发明则引入历史拥堵情况数据样本(即历史数据集)，结合历史拥堵情况动态调整不同时期(如工作日、节假日)、不同拥堵情况(即样本pa、样本pb)的绿灯配时时长，并在此基础上得出预测模型，保证绿灯配时结果更加符合实际情况，比如在拥堵以及节假日时延长绿灯配时时长，以优化交通管控方案和效率。
[0083]
实施例2：
[0084]
本实施例与实施例1的不同之处在于，步骤s31包括：
[0085]
s311、从样本pa/样本pb中随机选择k个车流量数据，将每一个车流量数据作为一个簇的中心点，由此形成k个初始簇，本实施例中k＝1；
[0086]
s312、分别计算剩余车流量数据中的每一个车流量数据与每个初始簇均值的距离，并将当前车流量数据划分到与之距离最近的初始簇中，以获得k个聚类发生变化的更新簇；
[0087]
s313、重新计算每个更新簇的均值，并将均值作为该更新簇的中心点；
[0088]
s314、重复s312-s313，直至各簇的中心点不再重新分布，即完成聚类；
[0089]
s315、根据公式(5)获取当前簇数k下的聚类结果：
[0090][0091]
其中，k为当前簇数；ssek为当前簇数为k时的误差平方和；ci为当前簇数为k时，聚类完成后的第i簇，p为簇ci的所有样本值；mi为当前簇ci的均值；
[0092]
s316、将当前簇数k加1，重复s311-s315，直至k＝11为止；
[0093]
s317、根据公式(6)获取样本pa的最优聚类簇数量a
kpoint
/样本pb的最优聚类簇数量b
kpoint
，即若s311-s315中是针对样本pa进行聚类，则最终获得的kpoint为样本pa的最优聚类簇数量a
kpoint
，即若s311-s315中是针对样本pb进行聚类，则最终获得的kpoint为样本pb的最优聚类簇数量b
kpoint
；
[0094][0095]
其中，i为步骤s311-s316中循环取得的簇数k，取值范围是[2,10)，sse
i-1
为簇数为i-1时的误差平方和，sse
i+1
为簇数为i+1时的误差平方和，ssei为簇数为i时的误差平方和；
[0096]
借助肘部法(elbowmethod)思想，寻找拐点kpoint(即簇数)，即sse值突然变小，但随着簇数i不断增加，其值下降速度又趋于平缓。肘部法主要通过图像观察寻找拐点，而该方法既不自动又不足够准确，为此考虑不同簇数下的前后下降趋势，根据公式(6)计算不同簇数i下的下降比例，选取其中最大的比例。
[0097]
此时，对应取得样本pa、pb的最优簇数kpoint，记作a
kpoint
、b
kpoint
。
[0098]
实施例3：
[0099]
本实施例与实施例1或2的不同之处仅在于，步骤s5中的初步分类模型ai是根据固定时间段(gap)内采集的车流量数据来完成绿灯配时时长预测，其不能更好地符合某时刻的真实路况，例如，若路段处在车流量较大的拥堵情况下时，理应更加频繁地采集车流量数据，更快速的完成绿灯配时时长的调控，由此来缓解道路交通压力；而在畅通情况下，则可以延长绿灯配时时长的调控时间，无需频繁调节绿灯配时时长方案。
[0100]
因此，需要对初步分类模型ai进行优化，以获得优化分类模型a
i+1
，其包括如下步骤：
[0101]
获取在当前时刻t下的车流量数据p(time，flow，crowd，level)；
[0102]
根据初步分类模型ai完成对与该车流量数据对应的绿灯配时时长预测，且若下一时刻t+1出现拥堵，则将当前时刻t下获取的车流量数据p(time，flow，crowd，level)添加至初步分类模型ai对应的车流量数据样本中，同时增加下一时刻t+1下获取的车流量数据对应的绿灯配时时长，例如，t时刻预测绿灯配时时长为t+1时刻产生拥堵，此时增加t+1时刻下获取车流量数据的绿灯配时时长，使其绿灯配时时长为
[0103]
同时按照公式(7-1)缩短车流量数据采集时间段(gap)，以更有效率地针对拥堵情况做出调整；
[0104]
gap
next
＝gap
pre-t9，gap∈[t10，t11]
ꢀꢀꢀ
(7-1)
[0105]
其中，gap
pre
为当前时刻t所处数据采集时间段的时长，gap
next
为下一时刻t+1所处数据采集时间段的时长，t11≥t10，单位均为秒或分；例如，本实施例中，t9为10s，t10为10s，t11为300s；
[0106]
若下一时刻t+1未出现拥堵，则依据当前时刻t下的车流量数据p(time，flow，crowd，level)中的“拥堵程度(level)”对应选择簇集或且按照公式(7-2)获取当前时刻t下的车流量数据p(time，flow，crowd，level)与簇集或中各簇的相似度，并将当前时刻t下的车流量数据p(time，flow，crowd，level)添加至相似度最大的簇中，并对与该相似度最大的簇对应的车流量赋予绿灯配时时长；
[0107]
[0108]
其中，c
p
为与当前时刻t下的车流量数据p(time，flow，crowd，level)最相近的簇；center
ci
为第i个簇内所有车流量(flow)的均值，a为当前时刻t下的车流量数据p(time，flow，crowd，level)，distance为欧氏距离，kpoint为a
kpoint
或b
kpoint
；例如，当前时刻t下的车流量数据p(time，flow，crowd，level)中的拥堵程度(level)为“畅通”，其选择与样本pb对应的簇集按照公式(7-2)分别计算车流量数据p(time，flow，crowd，level)与的相似度，若计算得出与簇相似度最高(距离最短)，则将车流量数据p(time，flow，crowd，level)添加至簇中，而簇的绿灯配时时长为故将车流量数据p赋予绿灯配时时长
[0109]
同时按照公式(7-3)延长车流量数据采集时间段(gap)；
[0110]
gap
next
＝gap
pre
+t9，gap∈[t10，t11]
ꢀꢀꢀ
(7-3)
[0111]
其中，gap
pre
为当前时刻t所处数据采集时间段的时长，gap
next
为下一时刻t+1所处数据采集时间段的时长，t11≥t10，单位均为秒或分；例如，本实施例中，t9为10s，t10为10s，t11为300s；
[0112]
根据gap
next
重复步骤s1-s4，以获得优化分类模型a
i+1
。
[0113]
实施例4：
[0114]
本实施例提供了一种红绿灯配时控制系统，其用于实现实施例1或2所述的红绿灯配时控制方法，具体的，如图3所示，所述红绿灯配时控制系统包括：
[0115]
数据存储单元1，其用于记录某一路段在n个数据采集时间段中、每一数据采集时间段内的车流量数据并存储；
[0116]
赋值单元2，其用于对含m个拥堵数据的样本pa以及含(n-m)个不拥堵数据的样本pb中的每一个车流量数据进行拥挤程度赋值，其步骤与s2相同；
[0117]
配时单元3，其用于分别获取样本pa以及样本pb中每一车流量数据的绿灯配时时长，其步骤与s3相同；
[0118]
模型生成单元4，其用于根据绿灯配时时长生成初步分类模型ai，其步骤与s4相同；
[0119]
模型优化单元5，其用于对初步分类模型ai进行优化，以获得优化分类模型a
i+1
，其步骤与实施例3相同；
[0120]
配时预测单元6，其用于根据当前时刻下的车流量数据以及初步分类模型ai或初步分类模型ai的优化分类模型a
i+1
对车流量进行绿灯配时时长预测；
[0121]
配时控制单元7，其用于根据预测获得的绿灯配时时长对红绿灯进行绿灯配时控制。
[0122]
综上所述，本发明可结合历史拥堵情况动态调整不同时期(如工作日、节假日)、不同拥堵情况(即样本pa、样本pb)的绿灯配时时长，并在此基础上得出预测模型，保证绿灯配时结果更加符合实际情况；同时针对真实路况调整数据采集时间段时长，由此进一步优化绿灯配时时长的调控节奏，使得最终获得的绿灯配时控制方案更能满足真实的交通管控需求。
[0123]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围
之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.一种红绿灯配时控制方法，其特征在于，包括如下步骤：s1、完成某一路段车流量的监控，并记录n个数据采集时间段中、每一数据采集时间段内的车流量数据并存储，以获得包含n个车流量数据样本的历史数据集；每一数据采集时间段内的车流量数据包括：记录起始时间、该时间段内的车流量以及是否拥堵；s2、根据是否拥堵将历史数据集划分为含m个拥堵数据的样本pa以及含(n-m)个不拥堵数据的样本pb；并对样本pa以及样本pb中的每一个车流量数据进行拥挤程度赋值；s3、分别获取样本pa以及样本pb中每一车流量数据的绿灯配时时长；s4、根据绿灯配时时长生成初步分类模型a
i
；s5、获取当前时刻下的车流量数据，并根据所述初步分类模型a
i
或初步分类模型a
i
的优化分类模型a
i+1
对车流量进行绿灯配时时长预测，以及根据预测得到的绿灯配时时长对该绿灯所在交通灯上的红灯进行红灯配时时长预测；以及s6、根据预测获得的绿灯配时时长、红灯配时时长对同一交通灯上的红绿灯进行绿灯、红灯配时控制。2.如权利要求1所述的红绿灯配时控制方法，其特征在于，步骤s2中，对样本pa中的每一个车流量数据进行拥挤程度赋值包括如下步骤：根据公式(1)获取样本pa中的每一个车流量数据在单位时间内的平均车辆延误时间根据公式(1)获取样本pa中的每一个车流量数据在单位时间内的平均车辆延误时间其中，l为单位时间，i的取值范围为[1,m]；根据平均车辆延误时间对与之对应的车流量数据进行拥挤程度赋值。3.如权利要求2所述的红绿灯配时控制方法，其特征在于，根据平均车辆延误时间对与之对应的车流量数据进行拥挤程度赋值包括：若则对应车流量数据的拥挤程度被赋值为“缓行”；若则对应车流量数据的拥挤程度被赋值为“拥堵”；若则对应车流量数据的拥挤程度被赋值为“严重拥堵”；且第一阈值＜第二阈值＜第三阈值。4.如权利要求1所述的红绿灯配时控制方法，其特征在于，步骤s2中，样本pb中的每一车流量数据的拥堵程度均被赋值为“畅通”。5.如权利要求1所述的红绿灯配时控制方法，其特征在于，所述步骤s3包括：s31、分别获取样本pa的最优聚类簇数量a
kpoint
以及样本pb的最优聚类簇数量b
kpoint
；s32、分别获取样本pa的簇集以及样本pb的簇集s33、按照公式(2-1)获取簇集中各簇对应的车流量平均值，并对车流量平均值进行排序，以及按照公式(2-2)获取簇集中各簇对应的车流量平均值，并对车流量平均值进行排序；
其中，p
i
为所属簇中第i个车流量数据中车流量的值，n为所属簇中车流量数据的总数；s34、根据车流量平均值排序结果对车流量赋予不同的绿灯配时时长；以及s35、将拥挤程度、绿灯配时时长添加至历史数据集中，已完成对历史数据集的更新。6.如权利要求5所述的红绿灯配时控制方法，其特征在于，所述步骤s34包括：在工作日期间，根据车流量平均值排序结果对簇集中各簇对应的车流量赋予如公式(3-1)所示的不同的绿灯配时时长，以及根据车流量平均值排序结果对簇集中各簇对应的车流量平均值赋予如公式(3-2)所示的不同的绿灯配时时长；长；其中，代表簇集中簇i对应的车流量的绿灯配时时长,代表中簇i对应的车流量的绿灯配时时长；t1＞t3，t2≥t4，单位均为秒或分；i的取值范围为[1,a
kpoint
]、[1,b
kpoint
]。7.如权利要求5所述的红绿灯配时控制方法，其特征在于，所述步骤s34包括：在节假日期间，根据车流量平均值排序结果对簇集中各簇对应的车流量赋予如公式(3-3)所示的不同的绿灯配时时长，以及根据车流量平均值排序结果对簇集中各簇对应的车流量平均值赋予如公式(3-4)所示的不同的绿灯配时时长；长；其中，代表簇集中簇i对应的车流量的绿灯配时时长,代表中簇i对应的车流量的绿灯配时时长；t5＞t7≥t1＞t3，t6≥t8≥t2≥t4，单位均为秒或分；i的取值范围为[1,a
kpoint
]、[1,b
kpoint
]。
8.如权利要求5所述的红绿灯配时控制方法，其特征在于，所述步骤s4包括：s41、将更新后的历史数据集中的车流量，是否拥堵，拥挤程度作为训练特征；s42、根据公式(4)分别计算每一训练特征在不同划分标准下的gini值，并从中选取最小gini值及其对应的划分标准，由此获得与该时间段内的车流量、是否拥堵、拥挤程度分别对应的最小gini值a1、a2、a3；其中，m为某一训练特征a的类别集合，|m|为该集合的元素个数，m
n
为该集合的第n个元素，|d
i
|为训练特征a中某一类别i的数量，|d
m-i
|为训练特征a中除类别i以外的剩余类别的总数，|d|为该训练特征a的类别数量总数；s43、将该时间段内的车流量、是否拥堵、拥挤程度分别对应的最小gini值a1、a2、a3进行比较，以确定全局最小gini值min；s44、将与该全局最小gini值min对应的划分标准确定为当前决策树的分支结点；s45、重复上述步骤s42-s44，以构建多分类决策树，该多分类决策树即为获得初步分类模型a
i
。9.如权利要求5所述的红绿灯配时控制方法，其特征在于，步骤s31包括：s311、从样本pa/样本pb中随机选择k个车流量数据，将每一个车流量数据作为一个簇的中心点，由此形成k个初始簇，其中k＝1；s312、分别计算剩余车流量数据中的每一个车流量数据与每个初始簇均值的距离，并将当前车流量数据划分到与之距离最近的初始簇中，以获得k个聚类发生变化的更新簇；s313、重新计算每个更新簇的均值，并将均值作为该更新簇的中心点；s314、重复s312-s313，直至各簇的中心点不再重新分布，即完成聚类；s315、根据公式(5)获取当前簇数k下的聚类结果：其中，k为当前簇数；sse
k
为当前簇数为k时的误差平方和；c
i
为当前簇数为k时，聚类完成后的第i簇，p为簇c
i
的所有样本值；m
i
为当前簇c
i
的均值；s316、将当前簇数k加1，重复s311-s315，直至k＝11为止；s317、根据公式(6)获取样本pa的最优聚类簇数量a
kpoint
/样本pb的最优聚类簇数量b
kpoint
；kpoint＝i，其中，i为步骤s311-s316中循环取得的簇数k，取值范围是[2,10)，sse
i-1
为簇数为i-1时的误差平方和，sse
i+1
为簇数为i+1时的误差平方和，sse
i
为簇数为i时的误差平方和。10.如权利要求5所述的红绿灯配时控制方法，其特征在于，获得优化分类模型a
i+1
包括如下步骤：
获取在当前时刻t下的车流量数据；根据初步分类模型a
i
完成对与该车流量数据对应的绿灯配时时长预测，且若下一时刻t+1出现拥堵，则将当前时刻t下获取的车流量数据添加至初步分类模型a
i
对应的车流量数据样本中，同时增加下一时刻t+1下获取的车流量数据对应的绿灯配时时长；同时按照公式(7-1)缩短车流量数据采集时间段；gap
next
＝gap
pre-t9，gap∈[t10，t11]
ꢀꢀꢀꢀꢀ
(7-1)其中，gap
pre
为当前时刻t所处数据采集时间段的时长，gap
next
为下一时刻t+1所处数据采集时间段的时长，t11≥t10，单位均为秒或分；若下一时刻t+1未出现拥堵，则依据当前时刻t下的车流量数据中的“拥堵程度”对应选择簇集或且按照公式(7-2)获取当前时刻t下的车流量数据与簇集或中各簇的相似度，并将当前时刻t下的车流量数据添加至相似度最大的簇中，并对与该相似度最大的簇对应的车流量赋予绿灯配时时长；其中，c
p
为与当前时刻t下的车流量数据最相近的簇；center
ci
为第i个簇内所有车流量的均值，a为当前时刻t下的车流量数据p，distance为欧氏距离，kpoint为a
kpoint
或b
kpoint
；同时按照公式(7-3)延长车流量数据采集时间段；gap
next
＝gap
pre
+t9，gap∈[t10，t11]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7-3)其中，gap
pre
为当前时刻t所处数据采集时间段的时长，gap
next
为下一时刻t+1所处数据采集时间段的时长，t11≥t10，单位均为秒或分；根据gap
next
重复步骤s1-s4，以获得优化分类模型a
i+1
。11.一种红绿灯配时控制系统，其特征在于，包括：数据存储单元，其用于记录某一路段在n个数据采集时间段中、每一数据采集时间段内的车流量数据并存储；赋值单元，其用于对含m个拥堵数据的样本pa以及含(n-m)个不拥堵数据的样本pb中的每一个车流量数据进行拥挤程度赋值；配时单元，其用于分别获取样本pa以及样本pb中每一车流量数据的绿灯配时时长；模型生成单元，其用于根据绿灯配时时长生成初步分类模型a
i
；模型优化单元，其用于对初步分类模型a
i
进行优化，以获得优化分类模型a
i+1
；配时预测单元，其用于根据当前时刻下的车流量数据以及初步分类模型a
i
或初步分类模型a
i
的优化分类模型a
i+1
对车流量进行绿灯配时时长预测；配时控制单元，其用于根据预测获得的绿灯配时时长对红绿灯进行绿灯配时控制。

技术总结
本发明公开了一种红绿灯配时控制方法及系统，其包括如下步骤：S1、完成车流量监控，并记录每一数据采集时间段内的车流量数据并存储；S2、将历史数据集划分为样本PA以及样本PB，并进行拥挤程度赋值；S3、分别获取每一车流量数据的绿灯配时时长；S4、根据绿灯配时时长生成初步分类模型；S5、对车流量进行绿灯配时时长预测，以及根据预测得到的绿灯配时时长对该绿灯所在交通灯上的红灯进行红灯配时时长预测；S6、根据预测获得的绿灯配时时长、红灯配时时长对同一交通灯上的红绿灯进行绿灯、红灯配时控制。本发明可以动态调整不同时期、不同拥堵情况的绿灯配时时长，同时针对真实路况调整数据采集时间段时长，使得最终获得的绿灯配时控制方案更能满足真实的交通管控需求。控制方案更能满足真实的交通管控需求。控制方案更能满足真实的交通管控需求。


技术研发人员：马传香 陈维 张
受保护的技术使用者：湖北大学
技术研发日：2023.05.10
技术公布日：2023/6/7