一种交通控制方法、装置及服务器与流程

1.本发明涉及通信
技术领域：
：，尤其涉及一种交通控制方法、装置及服务器。
背景技术：
：：2.二氧化碳是导致全球变暖和海平面上升等情形的主要因素之一。而汽车尾气中的二氧化碳则是全球二氧化碳的主要贡献者之一。随着近年来的汽车保有量的突增，车辆尾气中的二氧化碳总量越来越大。因此，减少车辆尾气中的二氧化碳排放是减缓全球变暖等气候现象速度的重要手段之一。3.现有的各类交通信号优化策略往往采用交通流的感知与未来交通态势预测结合的方式，制定相对优化的信号控制策略，未考虑交通信号控制策略对道路交通碳排放量的影响。技术实现要素：4.本发明提供一种交通控制方法、装置及服务器，解决了现有的交通信号控制方式可能造成道路交通碳排放量较大的问题。5.第一方面，本发明的实施例提供一种交通控制方法，应用于云端服务平台，包括：6.根据目标道路区域的实时交通数据，确定所述目标道路区域的第一实时碳排放量；7.根据所述第一实时碳排放量，确定所述目标道路区域内的交通信号控制策略；其中，所述目标道路区域在所述交通信号控制策略下的碳排放量小于所述第一实时碳排放量。8.可选地，所述根据目标道路区域的实时交通数据，确定所述目标道路区域的第一实时碳排放量，包括：9.根据区域道路下的机动车工况数据库，确定不同类型的车辆在各个车速区间下的碳排放速率的函数关系；10.根据目标道路区域的实时交通数据和所述函数关系，确定所述目标道路区域的第一实时碳排放量。11.可选地，所述根据目标道路区域的实时交通数据和所述函数关系，确定所述目标道路区域的第一实时碳排放量，包括：12.根据所述函数关系和单个路段内的实时交通数据，确定单个路段内的碳排放总量；13.根据所述单个路段内的碳排放总量，确定所述目标道路区域内所有路段的碳排放总量；14.将所述目标道路区域内所有路段的碳排放总量，确定为所述第一实时碳排放量。15.可选地，所述根据第一实时碳排放量，确定所述目标道路区域内的交通信号控制策略，包括：16.调整所述目标道路区域内的k个信号控制节点的相位配时策略，通过神经网络输出m种相位配时策略下的所述目标道路区域的m个碳排放总量；其中，每个相位配时策略对应一个碳排放总量；m和k属于正整数；17.在所述m个碳排放总量中的最小值大于或等于所述第一实时碳排放量的情况下，重复执行调整所述目标道路区域内的k个信号控制节点的相位配时策略的步骤，直至神经网络输出的所述m个碳排放总量中的最小值小于所述第一实时碳排放量；18.在所述m个碳排放总量中的最小值小于所述第一实时碳排放量的情况下，将所述最小值对应的相位配时策略作为所述交通信号控制策略。19.可选地，上述交通控制方法还包括：20.根据所述交通信号控制策略，确定目标驾驶策略；21.向所述目标道路区域内的至少一个所述车辆发送所述目标驾驶策略。22.可选地，根据所述交通信号控制策略，确定目标驾驶策略，包括：23.根据所述交通信号控制策略，确定前方信号灯的相位变化信息；24.根据车辆的当前车速、所述相位变化信息和所述车辆与前方信号灯的距离，确定n种驾驶策略；n属于正整数；25.从所述n种驾驶策略中确定所述目标驾驶策略。26.可选地，所述从所述n种驾驶策略中确定所述目标驾驶策略，包括：27.确定每种所述驾驶策略对应的碳排放量；28.根据所述碳排放量，从所述n种驾驶策略中确定所述目标驾驶策略。29.第二方面，本发明的实施例提供一种服务器，包括：收发机、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述交通控制方法的步骤。30.第三方面，本发明的实施例提供一种交通控制装置，应用于云端服务平台，包括：31.第一确定模块，用于根据目标道路区域的实时交通数据，确定所述目标道路区域的第一实时碳排放量；32.第二确定模块，用于根据所述第一实时碳排放量，确定所述目标道路区域内的交通信号控制策略；其中，所述目标道路区域在所述交通信号控制策略下的碳排放量小于所述第一实时碳排放量。33.第四方面，本发明的实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述交通控制方法的步骤34.本发明的上述技术方案的有益效果是：35.上述方案中，根据目标道路区域的实时交通数据，确定所述目标道路区域的第一实时碳排放量；根据所述第一实时碳排放量，确定所述目标道路区域内的交通信号控制策略；其中，所述目标道路区域在所述交通信号控制策略下的碳排放量小于所述第一实时碳排放量。如此，能够基于目标道路区域的第一实时碳排放量，实时调整目标道路区域内的交通信号控制策略，减少目标道路区域内的碳排放量，避免交通信号控制策略可能导致道路碳排放量较大的问题。附图说明36.图1表示本发明实施例的交通控制方法的流程图；37.图2表示本发明实施例的路侧感知系统的架构示意图；38.图3表示本发明实施例的系统架构示意图；39.图4表示本发明实施例的交通控制装置的结构框图；40.图5表示本发明实施例的云端服务平台的硬件结构示意图。具体实施方式41.为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。42.应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。43.在本发明的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。44.另外，本文中术语“系统”和“网络”在本文中常可互换使用。45.在本技术所提供的实施例中，应理解，“与a相应的b”表示b与a相关联，根据a可以确定b。但还应理解，根据a确定b并不意味着仅仅根据a确定b，还可以根据a和/或其它信息确定b。46.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技术一部分实施例，并不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。47.目前，现有的各类交通信号优化策略通过交通流的感知与未来交通态势预测结合的方式，制定相对优化的信号控制策略，尚无基于区域道路交通碳排放数据，优化交通信号的方案，无法避免交通信号控制策略可能导致道路碳排放量较大的问题。48.第一实施例49.如图1所示，本发明的实施例提供了一种交通控制方法，应用于云端服务平台，具体包括以下步骤：50.步骤101：根据目标道路区域的实时交通数据，确定所述目标道路区域的第一实时碳排放量；51.该步骤中，第一实时碳排放量为基于实时交通数据获取的目标道路区域内所有车辆的碳排总放量。52.可选地，具体实现时可通过路侧感知系统获取目标道路区域内的实时交通数据；其中，路侧感知系统包括但不限于：摄像头、毫米波、激光雷达、道路动态称重系统及温湿度感知系统。53.如图2所示，摄像头、毫米波雷达、激光雷达等感知设备通过路侧的边缘计算单元(mobileedgecomputing，mec)部署的感知融合算法，感知实时交通数据，包括但不限于：单车的行驶数据(如实时车速、车辆类型、车牌号、载重)、环境参数(温湿度)和路段断面的交通流数据。54.可选地，获取的基于单车的行驶数据如下表所示：[0055][0056]可选地，获取的环境参数如下表所示：[0057][0058]可选地，路段断面的交通流数据如下表：[0059][0060][0061]另外，具体实现时，道路动态称重系统可采用动态称重(wim)系统，不受车道数量和气候条件限制，精准测量速度为0.5-100km/h正常行驶甚至异常行驶货运车辆的车货总质量。[0062]步骤102：根据所述第一实时碳排放量，确定所述目标道路区域内的交通信号控制策略；其中，所述目标道路区域在所述交通信号控制策略下的碳排放量小于所述第一实时碳排放量。[0063]该步骤中，交通信号控制策略具体为交通信号控制节点对应的相位配时方案。假设目标道路区域内有k个交通信号控制节点，则在所述交通信号控制策略中，每个交通信号控制节点对应一个相控配时方案。[0064]具体实现时，上述实施例可应用于如图3所示的交通系统架构中，系统包括：云端服务平台(即图2中的云端)、交警视频专网路侧设施、路侧感知系统和安装有obu的车辆。其中，视频专网路侧设施包括：mec与交换机、信号机；云端服务平台包括：互相连接的信控utc平台和车路协同云控平台；路侧感知系统包括：mec与交换机、摄像头、毫米波雷达、激光雷达、温湿度感知系统、道路动态称重系统、路侧设备rsu、信号机学习器；车路协同云控平台通过移动网络与车辆和路侧感知系统分别通信连接，路侧感知系统与视频专网路侧设施通信连接，视频专网路侧设施与信控utc平台通信连接，车辆通与路侧感知系统通信连接。[0065]其中，可通过云端服务平台将交通信号控制策略发送至信号灯，以达到调控交通信号的目的。[0066]上述实施例中，能够基于目标道路区域的第一实时碳排放量，实时调整目标道路区域内的交通信号控制策略，减少目标道路区域内的碳排放量，避免交通信号控制策略影响道路碳排放量的问题。。[0067]在一实施例中，上述步骤101中，根据目标道路区域的实时交通数据，确定所述目标道路区域的第一实时碳排放量，包括：[0068]根据区域道路下的机动车工况数据库，确定不同类型的车辆在各个车速区间下的碳排放速率的函数关系；[0069]根据目标道路区域的实时交通数据和所述函数关系，确定所述目标道路区域的第一实时碳排放量。[0070]具体实现时，通过不同类型车辆在测算道路上的工况采集和计算，构建目标道路区域内的机动车工况数据库。基于机动车工况数据，解析各类型量车辆在不同平均速度下的机动车比功率(vehiclespecificpower，vsp)分布，以moves模型规定的vsp-bin划分方法为基础，构成速度-vsp-bin的二级映射关系。速度-vsp-bin的二级映射也即不同类型车辆在各个速度区间下对应的碳排放速率；根据同类型车辆在各个速度区间下对应的碳排放速率，即可构建不同类型的车辆在不同速度区间下的排放速率的函数关系。[0071]进一步地，基于该函数关系和单个车辆的实时速度和车辆类型，即可确定目标道路区间内的单个车辆的碳排放因子。[0072]示例性地，不同类型的车辆在不同速度区间下的排放速率的函数关系可以表示为：为：[0073]其中，erhotrunning为车辆碳排放因子，单位为g/km；eri为第i个速度区间内的车辆碳排放率；ti为车辆在第i个速度区间的时间；vt为车辆在速度区间t内的行驶速度(km/h)；cspeed为速度修正参数；cweight为车辆载重修正参数；cfuel为燃料修正参数；chighemiiter为排放等级修正参数；ctemperature为温度修正参数；ca/c为车载温控系统修正参数；caltitude为海拔修正参数；cgradient为坡度修正参数；n指划分的速度区间的数量。[0074]通过路侧感知系统确定车速参数、车载重参数、排放类型修正参数、燃料类型修正参数、温度修正参数、车载温控系统修正参数(通过温湿度与车型比例进行调整)、海拔修正参数、坡度修正参数，进一步结合第i个速度区间内的车辆碳排放率eri，基于上述函数关系即可得到每个车辆的碳排放因子。该示例中，为了保障最终排放系数清单的准确性与合理性，还对基准排放因子进行温度、湿度以及海拔(高精地图)等因素的参数修正。[0075]具体实现时，可通过基于实验室台架、实际驾驶的排放量(realdriveemission，rde)/便携式排放测试系统(portableemissionsmeasurementsystem，pems)、远程车载监测系统(onboarddiagnostics，obd)/车辆燃油消耗量实时监示(on-boardfueland/orenergyconsumptionmonitoring，obfcm)等多元测试技术的实测逐秒数据，对获得的车辆碳排放因子进行对比调优。[0076]在一具体实施例中，所述根据目标道路区域的实时交通数据和所述函数关系，确定所述目标道路区域的第一实时碳排放量，包括：[0077]根据所述函数关系和单个路段内的实时交通数据，确定单个路段内的碳排放总量；[0078]根据所述单个路段内的碳排放总量，确定所述目标道路区域内所有路段的碳排放总量；[0079]将所述目标道路区域内所有路段的碳排放总量，确定为所述第一实时碳排放量。[0080]具体实现时，可基于车辆碳排放因子测算单个计算周期内单个路段内的单个车辆碳排放总量e为：e＝l×erhotrunning；其中，e为单个路段内的碳排放量(单位：g)；l为路段长度(单位：km)；erhotrunning为单个车辆的碳排放因子；[0081]进一步地，可计算单个周期内该路段的碳排放总量elink为：可计算单个周期内该路段的碳排放总量elink为：其中，elink为单个计周期内单个路段内的碳排放量(单位：g)；ei指第i辆车经过该路段的碳排放，n指经过该路段的车辆总数；c为系统参数，即系统误差。[0082]最后，可计算单个周期内目标计算区域内所有路段的碳排放总量之和，即为第一实时碳排放量其中，etotal为单个计算周期内的目标道路区域内所有道路路段的碳排放总量(单位：g)，ej指第j个路段的碳排放总量，j＝1，…，n。[0083]该实施例中，可根据目标道路区域的实时交通数据和所述函数关系，计算单个车辆的碳排放因子erhotrunning；基于单个车辆的碳排放因子和单个路段内的车流量，计算单个路段内的碳排放总量；进一步计算目标计算区域内所有路段的碳排放总量之和，即可得到第一实时碳排放量。如此，通过精细化的单车碳排放数据，即可得到目标道路区域内精确的碳排放总量，有利于确定精准的交通信号控制策略。[0084]在一实施例中，上述步骤102中，所述根据第一实时碳排放量，确定所述目标道路区域内的交通信号控制策略，包括：[0085]调整所述目标道路区域内的k个信号控制节点的相位配时策略，通过神经网络输出m种相位配时策略下的所述目标道路区域的m个碳排放总量；其中，每个相位配时策略对应一个碳排放总量；m和k属于正整数；[0086]在所述m个碳排放总量中的最小值大于或等于所述第一实时碳排放量的情况下，重复执行调整所述目标道路区域内的k个信号控制节点的相位配时策略的步骤，直至神经网络输出的所述m个碳排放总量中的最小值小于所述第一实时碳排放量；[0087]在所述m个碳排放总量中的最小值小于所述第一实时碳排放量的情况下，将所述最小值对应的相位配时策略作为所述交通信号控制策略。[0088]具体实现时，假设目标道路区域内的路段数量为n，共设有k个信号控制节点。预先为每个信号控制节点设置m个相位配时，则可得k个信号控制节点对应的相位配时矩阵a：[0089]其中，ak，m为第k个信号控制节点的第m个相位配时方案。[0090]进一步地，获取k个信号控制节点的交通流，得到k个信号控制节点的交通流矩阵s＝[s1s2…sk-1sk]；其中，sk为第k个信号控制节点的交通流。[0091]可以理解的是，由于交通信号影响道路的交通流，因此每种相位配时方案对应一个交通流矩阵s，m种相位配时方案对应m个交通流矩阵s；根据m个交通流矩阵，可得到目标道路区域的m种碳排放总量。这样，将相位配时矩阵a作为自变量，以交通流作为限制条件，调整相位配时矩阵a作为输入，通过神经网络，即可输出不同信控配时方案下的目标道路区域的碳排放总量etotal(为单个计算周期内，目标区域内所有道路路段的排放总量)。取不同矩阵输入条件下的碳排放总量中的最小值emin为最优目标，即：[0092]emin＝min[e1e2…em-1em]；[0093]其中，em指第m种信号控制方案下单个计算周期内单个路段的碳排放总量。[0094]在神经网络输出的emin小于第一实时碳排放量的情况下，将emin对应的相位配时方案，确定为目标道路区域内的交通信号控制策略。[0095]上述实施例中，能够基于目标道路区域内实时交通碳排放总量及道路实时交通流情况，同时考虑区域交通通行效率，并以交通流为限制条件，采用深度学习算法，输出交通信号控制策略的优化方案，使交通信号控制策略下的碳排放量最小。[0096]在一实施例中，上述方法还包括：[0097]根据所述交通信号控制策略，确定目标驾驶策略；[0098]向所述目标道路区域内的至少一个所述车辆发送所述目标驾驶策略。[0099]具体实现时，云端服务平台可通过uu信号与pc5接口将目标驾驶策略发送至车辆。其中，由于每个车辆的行驶速度和位置不同，因此每个车辆对应的目标驾驶策略可能不同。[0100]在一具体实施例中，所述根据所述交通信号控制策略，确定目标驾驶策略，包括：[0101]根据所述交通信号控制策略，确定前方信号灯的相位变化信息；[0102]根据车辆的当前车速、所述相位变化信息和所述车辆与前方信号灯的距离，确定n种驾驶策略；n属于正整数；[0103]从所述n种驾驶策略中确定所述目标驾驶策略。[0104]具体实现时，可以结合碳排放量、驾驶环境、驾驶舒适度、驾驶员状态等因素，从n种驾驶策略中确定出目标驾驶策略。驾驶策略可能包括行驶速度、加速度等。[0105]在一具体实施例中，所述从所述n种驾驶策略中确定所述目标驾驶策略，包括：[0106]确定每种所述驾驶策略对应的碳排放量；[0107]根据所述碳排放量，从所述n种驾驶策略中确定所述目标驾驶策略。[0108]可以理解的是，n种驾驶策略对应n种行驶速度，车辆在不同的行驶速度下对应不同的碳排放因子，因此，n种驾驶策略对应的碳排放量不同。[0109]具体实现时，可将最小碳排放量对应的驾驶策略作为目标驾驶策略，或者，综合考虑碳排放量与其他因素(如驾驶环境、驾驶舒适度和驾驶员状态)，从n种驾驶策略中确定目标驾驶策略。[0110]可以理解的是，在优化交通信号控制策略后，可监测目标道路区域内的第二实时碳排放量，若第二实时碳排放量大于或等于第一实时碳排放量，则说明优化后的交通信号控制策略未产生效益，需要再次优化，直至第二实时碳排放量小于第一实时碳排放量；若第二实时碳排放量小于第一实时碳排放量，则说明交通信号控制策略有效。同时，在优化驾驶策略后，可监测目标道路区域内的第三实时碳排放量，若第三实时碳排放量大于或等于第二实时碳排放量，则说明优化后的驾驶策略未产生效益，需要再次优化，直至第三实时碳排放量小于第二实时碳排放量；第三实时碳排放量小于第二实时碳排放量，则说明优化后的驾驶策略有效。[0111]另外，可通过优化后实时交通碳排放计算，得到系统的碳减排量：[0112][0113]其中，ec指计算周期内系统级减排量(单位：g)；et,f指t时段(用于限定交通流)内该区域优化交通信号控制策略和驾驶策略之后的碳排放量(单位：g)；et,s指t时段(用于限定交通流)内该区域优化交通信号控制策略和驾驶策略之前的碳排放量(单位：g)。[0114]上述方案中，通过路侧感知系统获取实时交通数据，确定实时道路碳排放测算模型中的各个参数，从而获取道路区域内的实时碳排放总量，再基于实时碳排放总量对交通信号控制策略进行更新，同时基于优化后的交通信号控制策略为车辆提供基于碳排放模型的车辆驾驶策略建议；最后，通过道路区域内实时的碳排放总量，对交通信号控制策略和驾驶策略进行评估，支持交通信号控制策略和驾驶策略的持续迭代更新，实现交通信号控制策略和驾驶策略的“制定—优化—评价—再优化”的持续迭代过程，高效调节配置道路交通资源。[0115]此外，上述方案具有如下有益效果：[0116]一、在制定交通信号优化策略时加入道路交通碳排放模型作为限制条件，根据实时交通流，制定整体优化的信号控制策略和驾驶策略，实现基于道路交通碳排放情况，进行实时的交通资源的优化配置。[0117]二、通过路段级的实时单车的碳排放数据，实现道路区域的交通信号控制测量的优化及车辆驾驶策略的优化。[0118]三、能够实现持续迭代更新交通信号控制策略和驾驶策略，保证策略的精准性。[0119]第二实施例[0120]如图4所示，本发明实施例提供一种交通控制装置400，应用于云端服务平台，包括：[0121]第一确定模块401，用于根据目标道路区域的实时交通数据，确定所述目标道路区域的第一实时碳排放量；[0122]第二确定模块402，用于根据所述第一实时碳排放量，确定所述目标道路区域内的交通信号控制策略；其中，所述目标道路区域在所述交通信号控制策略下的碳排放量小于所述第一实时碳排放量。[0123]可选地，第一确定模块401，包括：[0124]第一确定子模块，用于根据区域道路下的机动车工况数据库，确定不同类型的车辆在各个车速区间下的碳排放速率的函数关系；[0125]第二确定子模块，用于根据目标道路区域的实时交通数据和所述函数关系，确定所述目标道路区域的第一实时碳排放量。[0126]可选地，第二确定子模块，包括：[0127]第一确定单元，用于根据所述函数关系和单个路段内的实时交通数据，确定单个路段内的碳排放总量；[0128]第二确定单元，用于根据所述单个路段内的碳排放总量，确定所述目标道路区域内所有路段的碳排放总量；[0129]第三确定单元，用于将所述目标道路区域内所有路段的碳排放总量，确定为所述第一实时碳排放量。[0130]可选地，第二确定模块402，包括：[0131]神经网络单元，用于调整所述目标道路区域内的k个信号控制节点的相位配时策略，通过神经网络输出m种相位配时策略下的所述目标道路区域的m个碳排放总量；其中，每个相位配时策略对应一个碳排放总量；m和k属于正整数；[0132]第一处理单元，用于在所述m个碳排放总量中的最小值大于或等于所述第一实时碳排放量的情况下，重复执行调整所述目标道路区域内的k个信号控制节点的相位配时策略的步骤，直至神经网络输出的所述m个碳排放总量中的最小值小于所述第一实时碳排放量；[0133]第二处理单元，用于在所述m个碳排放总量中的最小值小于所述第一实时碳排放量的情况下，将所述最小值对应的相位配时策略作为所述交通信号控制策略。[0134]可选地，上述装置400还包括：[0135]第三确定模块，用于根据所述交通信号控制策略，确定目标驾驶策略；[0136]发送模块，用于向所述目标道路区域内的至少一个所述车辆发送所述目标驾驶策略。[0137]可选地，第三确定模块包括：[0138]第三确定子模块，用于根据所述交通信号控制策略，确定前方信号灯的相位变化信息；[0139]第四确定子模块，用于根据车辆的当前车速、所述相位变化信息和所述车辆与前方信号灯的距离，确定n种驾驶策略；n属于正整数；[0140]第五确定子模块，用于从所述n种驾驶策略中确定所述目标驾驶策略。[0141]可选的，第五确定子模块，包括：[0142]第四确定单元，用于确定每种所述驾驶策略对应的碳排放量；[0143]第五确定单元，用于根据所述碳排放量，从所述n种驾驶策略中确定所述目标驾驶策略。[0144]本发明的第二实施例是与上述第一实施例的方法对应的，上述第一实施例中的所有实现手段均适用于该交通控制装置的实施例中，也能达到相同的技术效果。[0145]第三实施例[0146]为了更好的实现上述目的，如图5所示，本发明的第三实施例还提供了一种服务器，包括：[0147]处理器500；以及通过总线接口与所述处理器500相连接的存储器520，所述存储器520用于存储所述处理器500在执行操作时所使用的程序和数据，处理器500调用并执行所述存储器520中所存储的程序和数据。[0148]其中，收发机510与总线接口连接，用于在处理器500的控制下接收和发送数据；处理器500用于读取存储器520中的程序实现如下步骤：[0149]根据目标道路区域的实时交通数据，确定所述目标道路区域的第一实时碳排放量；[0150]根据所述第一实时碳排放量，确定所述目标道路区域内的交通信号控制策略；其中，所述目标道路区域在所述交通信号控制策略下的碳排放量小于所述第一实时碳排放量。[0151]其中，在图5中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器500代表的一个或多个处理器和存储器520代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机510可以是多个元件，即包括发送机和收发机，提供用于在传输介质上与各种其他装置通信的单元。针对不同的终端，用户接口530还可以是能够外接内接需要设备的接口，连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。处理器500负责管理总线架构和通常的处理，存储器520可以存储处理器500在执行操作时所使用的数据。[0152]可选的，处理器500还用于读取存储器520中的程序实现如下步骤：[0153]根据区域道路下的机动车工况数据库，确定不同类型的车辆在各个车速区间下的碳排放速率的函数关系；[0154]根据目标道路区域的实时交通数据和所述函数关系，确定所述目标道路区域的第一实时碳排放量。[0155]可选的，处理器500还用于读取存储器520中的程序实现如下步骤：[0156]根据所述函数关系和单个路段内的实时交通数据，确定单个路段内的碳排放总量；[0157]根据所述单个路段内的碳排放总量，确定所述目标道路区域内所有路段的碳排放总量；[0158]将所述目标道路区域内所有路段的碳排放总量，确定为所述第一实时碳排放量。[0159]可选的，处理器500还用于读取存储器520中的程序实现如下步骤：[0160]调整所述目标道路区域内的k个信号控制节点的相位配时策略，通过神经网络输出m种相位配时策略下的所述目标道路区域的m个碳排放总量；其中，每个相位配时策略对应一个碳排放总量；m和k属于正整数；[0161]在所述m个碳排放总量中的最小值大于或等于所述第一实时碳排放量的情况下，重复执行调整所述目标道路区域内的k个信号控制节点的相位配时策略的步骤，直至神经网络输出的所述m个碳排放总量中的最小值小于所述第一实时碳排放量；[0162]在所述m个碳排放总量中的最小值小于所述第一实时碳排放量的情况下，将所述最小值对应的相位配时策略作为所述交通信号控制策略。[0163]可选的，处理器500还用于读取存储器520中的程序实现如下步骤：[0164]根据所述交通信号控制策略，确定目标驾驶策略；[0165]向所述目标道路区域内的至少一个所述车辆发送所述目标驾驶策略。[0166]可选的，处理器500还用于读取存储器520中的程序实现如下步骤：[0167]根据所述交通信号控制策略，确定前方信号灯的相位变化信息；[0168]根据车辆的当前车速、所述相位变化信息和所述车辆与前方信号灯的距离，确定n种驾驶策略；n属于正整数；[0169]从所述n种驾驶策略中确定所述目标驾驶策略。[0170]可选的，处理器500还用于读取存储器520中的程序实现如下步骤：[0171]确定每种所述驾驶策略对应的碳排放量；[0172]根据所述碳排放量，从所述n种驾驶策略中确定所述目标驾驶策略。[0173]本发明提供的服务器，根据目标道路区域的实时交通数据，确定所述目标道路区域的第一实时碳排放量；根据所述第一实时碳排放量，确定所述目标道路区域内的交通信号控制策略；其中，所述目标道路区域在所述交通信号控制策略下的碳排放量小于所述第一实时碳排放量。如此，能够基于目标道路区域的第一实时碳排放量，实时调整目标道路区域内的交通信号控制策略，减少目标道路区域内的碳排放量。[0174]本领域技术人员可以理解，实现上述实施例的全部或者部分步骤可以通过硬件来完成，也可以通过计算机程序来指示相关的硬件来完成，所述计算机程序包括执行上述方法的部分或者全部步骤的指令；且该计算机程序可以存储于一可读存储介质中，存储介质可以是任何形式的存储介质。[0175]另外，本发明具体实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的第一实施例中的方法的步骤。且能达到相同的技术效果，为避免重复，这里不再赘述。[0176]此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。[0177]因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。[0178]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，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。当前第1页12当前第1页12
技术特征：
1.一种交通控制方法，其特征在于，应用于云端服务平台，包括：根据目标道路区域的实时交通数据，确定所述目标道路区域的第一实时碳排放量；根据所述第一实时碳排放量，确定所述目标道路区域内的交通信号控制策略；其中，所述目标道路区域在所述交通信号控制策略下的碳排放量小于所述第一实时碳排放量。2.根据权利要求1所述的交通控制方法，其特征在于，所述根据目标道路区域的实时交通数据，确定所述目标道路区域的第一实时碳排放量，包括：根据区域道路下的机动车工况数据库，确定不同类型的车辆在各个车速区间下的碳排放速率的函数关系；根据目标道路区域的实时交通数据和所述函数关系，确定所述目标道路区域的第一实时碳排放量。3.根据权利要求2所述的交通控制方法，其特征在于，所述根据目标道路区域的实时交通数据和所述函数关系，确定所述目标道路区域的第一实时碳排放量，包括：根据所述函数关系和单个路段内的实时交通数据，确定单个路段内的碳排放总量；根据所述单个路段内的碳排放总量，确定所述目标道路区域内所有路段的碳排放总量；将所述目标道路区域内所有路段的碳排放总量，确定为所述第一实时碳排放量。4.根据权利要求1所述的交通控制方法，其特征在于，所述根据第一实时碳排放量，确定所述目标道路区域内的交通信号控制策略，包括：调整所述目标道路区域内的k个信号控制节点的相位配时策略，通过神经网络输出m种相位配时策略下的所述目标道路区域的m个碳排放总量；其中，每个相位配时策略对应一个碳排放总量；m和k属于正整数；在所述m个碳排放总量中的最小值大于或等于所述第一实时碳排放量的情况下，重复执行调整所述目标道路区域内的k个信号控制节点的相位配时策略的步骤，直至神经网络输出的所述m个碳排放总量中的最小值小于所述第一实时碳排放量；在所述m个碳排放总量中的最小值小于所述第一实时碳排放量的情况下，将所述最小值对应的相位配时策略作为所述交通信号控制策略。5.根据权利要求4所述的交通控制方法，其特征在于，所述方法还包括：根据所述交通信号控制策略，确定目标驾驶策略；向所述目标道路区域内的至少一个车辆发送所述目标驾驶策略。6.根据权利要求5所述的交通控制方法，其特征在于，所述根据所述交通信号控制策略，确定目标驾驶策略，包括：根据所述交通信号控制策略，确定前方信号灯的相位变化信息；根据车辆的当前车速、所述相位变化信息和所述车辆与前方信号灯的距离，确定n种驾驶策略；n属于正整数；从所述n种驾驶策略中确定所述目标驾驶策略。7.根据权利要求6所述的交通控制方法，其特征在于，所述从所述n种驾驶策略中确定所述目标驾驶策略，包括：确定每种所述驾驶策略对应的碳排放量；根据所述碳排放量，从所述n种驾驶策略中确定所述目标驾驶策略。
8.一种服务器，包括：收发机、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述交通控制方法的步骤。9.一种交通控制装置，其特征在于，应用于云端服务平台，包括：第一确定模块，用于根据目标道路区域的实时交通数据，确定所述目标道路区域的第一实时碳排放量；第二确定模块，用于根据所述第一实时碳排放量，确定所述目标道路区域内的交通信号控制策略；其中，所述目标道路区域在所述交通信号控制策略下的碳排放量小于所述第一实时碳排放量。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7中任一项所述交通控制方法的步骤。

技术总结
本发明提供了一种交通控制方法、装置及服务器。应用于云端服务平台，包括：根据目标道路区域的实时交通数据，确定所述目标道路区域的第一实时碳排放量；根据所述第一实时碳排放量，确定所述目标道路区域内的交通信号控制策略。本发明的方案能够实现基于目标道路区域内的碳排放量，调整目标道路区域内交通信号控制策略，减少目标道路区域内的交通碳排放量。减少目标道路区域内的交通碳排放量。减少目标道路区域内的交通碳排放量。


技术研发人员：崔士弘 毕海洲 孙嘉远 张杰 贾佳 于中腾
受保护的技术使用者：中信科智联科技有限公司
技术研发日：2023.03.07
技术公布日：2023/5/31