融合自回归预测模型的智能交通调度方法技术领域
本发明属于智能交通灯调度算法技术领域，尤其涉及到一种融合自回归预测模型
的智能交通调度方法。
背景技术
城市交通问题，诸如道路交通阻塞、尾气污染和交通事故等，已经成为世界性的难
题之一，各国政府以及交通领域学者专家们正在积极努力地寻找解决该问题的方案，而我
国早在2006年就提出并制定了交通科技发展战略目标。在交通系统研究领域中，其中一个
重要的研究领域就是智能交通系统(Intelligent Traffic System,ITS)，ITS系统被认为
是解决城市道路交通问题的有效方法之一。我国的交通需求增长迅速，交通对于人们生活
也来越重要。同时，便利的交通也是一个国家或者区域经济繁荣和科学技术发达的标志。然
而，越来越便利的交通条件在带动经济的同时，城市道路交通阻塞现象越来越常见，给环
境、个人出行安全以及社会经济发展带来不良的影响。因此，城市交通系统的改革和优化势
在必行。
城市交通信号灯的本质就是保障交通秩序，确保车辆通行安全。城市交通灯的使
用可以追溯到1868年，它通过交通信号的循环转换来控制和调度各个路口的交通流量。然
而，原有的城市交通灯系统已无法解决日益常见的城市交通道路拥堵问题。传统交通信号
灯状态转换时间无法动态改变，交通灯的显示时间不能根据各个路口的实时车流量来动态
调整。因此通常会发生这样的情形：在一个交通路口，水平车道已发生车流拥堵，垂直车道
车流却十分稀少，然而交通信号灯只是机械的变换，不能优先考虑拥堵车道实时调度交通
灯。另外，一些大客运量的公共交通(如：有轨电车)是解决城市交通拥堵的重要手段，是未
来城市交通的发展趋势，由于该类交通载客数量巨大，应优先确保其等待时间尽可能短。
目前已有一些关于智能调度算法的研究工作，可以用来使交通灯有更加灵活的调
度区间，这些算法旨在提高整个路网的交通效率。目前最常用的方法之一就是根据实时交
通流来设置交通灯状态。最佳调度方案可以明显减少路网各个路口的交通阻塞情况，各个
路口的平均滞留车辆数越少，表明该调度算法越有效。将智能调度算法融入交通灯调度场
景中形成智能交通灯调度算法，对明显改善我国日益严重的交通问题有着重大意义。
为了更好地调度交通灯，优化路网交通流，交通流预测十分重要。交通流预测一直
被视为ITS系统的一大难点。为了寻求最佳的预测效果，许多机器学习算法被拿来研究作为
预测模型。机器学习是一种通过利用数据，训练出模型，然后使用模型预测的方法。机器学
习是利用数据价值的关键技术，通过使用机器学习算法对交通流历史数据进行建模，可以
很好的实现交通流的预测。
发明内容
本发明的目的是针对现有技术存在的不足而提供的一种融合自回归预测模型的
智能交通调度方法，该方法根据各个路口实时交通流来智能灵活地调度各个路口交通灯状
态，从而缓解交通压力，提高城市路网各路口通行能力。
本发明的目的是这样实现的：
一种融合自回归预测模型的智能交通调度方法，该方法包括以下步骤：
步骤1：进行基因编码，用二进制代码中的‘0’代表水平车流，用‘1’代表垂直车流，
然后初始化，定义包含数个个体的初始种群；
步骤2：进行适应度评价，用变量P代表适应度，定义P为路口等待车辆的数量，其中
大客运量公交的权重大于其他车辆；定义适应度函数，使得各个路口的P之和最小；适应度
函数如下：
min{Σmax(VP(ti+1),HP(ti+1))}
其中，ti+1表示当前单位时间的下一个单位时间，VP和HP分别代表垂直和水平的等
待车辆数量，通过自回归模型进行预测得到；
步骤3：操作遗传算子，包括选择、交叉和变异；
步骤4：判断是否满足迭代终止条件，若不满足，则继续迭代，若满足则退出迭代，
并进行解码，将每个字符转换成该路口的交通灯调度方案。
本发明步骤2所述的自回归模型，如下所示：
其中，yt表示t单位时间的车流量，θi表示第i个参数，yt-i表示t-i单位时间的车流
量，εt是具备均值为0、方差为δ的高斯白噪音；
本发明步骤3所述的选择：指确保最好的基因被选择出来并传给下一代的种群，每
一代都是一个交通调度方案，根据适应度对每一代进行排序，淘汰那些适应度低的；所述的
交叉：指通过结合和破坏个体的基因，来进行个体间基因信息的交换；所述的变异：是小概
率事件，如果发生，会在个体基因串上的某个基因值上作变动。
若发生变异，随机选取一点：‘1’变‘0’，‘0’变‘1’；变异操作后，产生一个新的个
体。
所述的种群指要解决问题可能潜在的解集，也即初始代，如
“010101010001111100000111000010111100001111000”便是一个种群，而其中的每个0或1
便是一个个体，一个种群经过一次遗传算子操作后就得到一代。
本发明的有益效果：本发明在综合考虑所有车辆等待时间的情况下，优先考虑大
客运量公交的等待时间，同时通过模型预测，可以得到使下一个单位时间交通流达到最优
的当前交通灯调度方案，从而提高了路口通行效率，降低了车辆尤其是大客运量车辆的平
均等待时间，压缩了车流通过交通灯路口的时间，优化了交通流。本发明提高完善了智能交
通系统技术框架体系，改善市民出行质量以及缓解交通堵塞等诸多问题。
附图说明
图1为实施本发明的架构示意图；
图2为本发明流程图；
图3为本发明具体实施流程图；
图4为本发明中某地区部分区域街道路口简化示意图；
图5为本发明中交通流主体方向示意图；
图6为本发明中交通路口类型图；
图7为本发明中自回归模型FPE准则函数曲线示意图；
图8为本发明中s->k路径下一单位时间车流量示意图；
图9为本发明路口滞留交通流示意图。
具体实施方式
结合以下具体实施例和附图，对本发明作进一步的详细说明。实施本发明的过程、
条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发
明没有特别限制内容。
参阅图1和图2，实施本发明架构的实例图，包含三大模块：交通灯网络、交通流数
据云和调度器。交通灯网络中各个路口的传感器会实时采集各个路口的交通流情况，并实
时传给交通流数据云存储下来。接收器则接收来自调度器的交通灯调度策略，同时设置各
个路口的交通灯状态。交通流数据云中存储三个数据集合：实时交通流数据集、训练集和预
测集。实时交通流数据集顾名思义，存储来自传感器的实时数据，并向调度器实时提供算法
所需要的实时交通流数据。已过期的历史数据则作为训练数据存储在训练集中。训练集可
以向预测模型提供历史数据来训练预测模型参数。预测集则存储来自预测算法所预测的下
一个单位时间的交通流数据，并提供给调度器中的适应度函数。调度器是整个调度架构的
核心。它通过控制算法来处理来自交通流数据云中的实时交通流数据和预测数据，同时产
生调度方案并将之传送给交通灯网络的接收器。本发明流程如下：1)进行基因编码，用二进
制代码中的‘0’代表水平车流，用‘1’代表垂直车流，然后初始化，定义包含数个个体的初始
种群；2.进行适应度评价,其中适应度函数中的参数由预测模型计算得到；3)操作遗传算
子，包括选择、交叉和变异；4)判断是否满足迭代终止条件，若不满足，则继续迭代，若满足
则退出迭代，并进行解码，将每个字符转换成该路口的交通灯调度方案。对应的数据流程如
下：传感器传送实时交通流数据，存储在交通流数据云中。云中实时交通流数据集一方面向
本发明提供数据，一方面将历史数据放入训练集中。调度器中的预测算法利用数据云中训
练集的历史数据来训练预测模型参数，并将预测数据存储在数据云中的预测集。预测集向
调度算法提供预测数据。调度器产生最优调度方案，并传送给交通灯网络的接收器，从而转
换交通灯状态。
参阅图3，本发明实验时段从早上六点到晚上八点，一共十四个小时，每三十秒为
一个单位时间T，共1680T。在每个单位时间T中，调度器都会利用本发明来计算得到最优的
交通灯调度方案。本发明在每个单位时间中都会产生最优的交通调度方案，这可以看作是
实时调度控制各个路口的交通灯状态。
参阅图4，交通场景一共包含45个路口，路口类型分为十字路口和T字路口。为了在
该交通场景中使用本发明，对45个路口采用二进制进行初始化编码，‘0’表示该路口车流主
体方向是水平的，‘1’表示该路口车流主体方向是垂直的。首先，实验中的45个路口都已经
有了各自标识名，为了方便编码，需对这45个路口分别赋予一个顺序ID，通过顺序ID可以得
知路口对应的字符在编码字符串中的位置。举例说明：tl4顺序ID为3，则表明编码字符串中
第4个字符(编码字符串第一个字符下标从0开始)解码后所对应的是路口tl4的表现型。其
次，采用二进制编码，实现从表现型到基因型的映射。
“010101010001111100000111000010111100001111000”是种群中一个随机初始化个体所对
应的二进制编码，包含45个字符，分别对应实验场景中45个路口。字符串中每个字符解码后
的表现型对应的就是路网中各个路口的车流量方向状态，然后根据每个路口的车流量方向
就可以设置该路口的交通灯状态。
参阅图5，在仿真交通路口场景中，根据街道简化示意图(图4)，交通流主体方向可
以分为两种：水平车流和垂直车流，该图显示的是十字路口交通车流主体方向示意图。根据
路口车流主体方向就可以来设置各个路口的交通灯状态，可以使用车流主体方向来作为表
现型。使用二进制编码表示基因型，用‘0’代表水平车流，‘1’代表垂直车流。所以，从表现型
到基因型的映射就是水平车流对应‘0’，垂直车流对应‘1’。
参阅图6，路口的类型分为五种，每一个路口类型不是十字路口就是T字路口。十字
路口包含4条路径，T字路口包含3条路径。
参阅图7，实验采用FPE准则函数来确定自回归模型阶数，具体操作如下：按照从低
阶到高阶的方式建立AR模型，并计算出相应的FPE值，从中选择最小的FPE值所应对的阶数
作为模型的阶数。随着模型阶数的升高，FPE值总体趋势是下降的。
参阅图8，本发明的目的就是通过当前单位时间的交通灯调度诱使下一个单位时
间路网中全局交通流依然可以达到最优。为了提前了解下一个时刻各个路口交通流状态，
需要预测出下一个单位时间进入各个路口每条路径的车流量。从路口s到路口k这条路径
上，其中：
(a)等待车流(SF)表示在该单位时间停留下来的车流量；
(b)直线车流(SIF)、左车流(LF)和右车流(RF)表示在该单位时间在s路口从其它
路径上流到s->k这条路径上的车流量；
(c)预测流(PF)表示通过预测模型所预测的下一个单位时间此路径上可能流进来
的车流量；
此路径在当前时间单位调度后的剩余车流量是SF、SIF、LF和RF的和，而下一个单
位时间此路径上可能流进来的车流量是PF。所以综上，此路径在下一个单位时间的交通车
流量是当前时间单位调度后的剩余车流量与下一个单位时间此路径上可能流进来的车流
量的总和。
路口s到路口k这条路径在下一个单位时间的交通车流量计算公式如下：
Flow(s->k)(ti+1)＝SF(ti)+RF(ti)
+SIF(ti)+LF(ti)
+PF(s->k)(ti+1)。
参阅图9，显示了5个路口，s、k、l、m、n。对于路口k来说，其垂直方向滞留交通车流
量的大小是路口m到路口k和路口n到路口k这两条路径滞留车辆数之和，其水平方向滞留交
通车流量的大小是路口l到路口k和路口s到路口k这两条路径滞留车辆数之和，其中本发明
定义一辆大客运量车滞留等于五辆非大客运辆车滞留。垂直和水平方向滞留交通车流量计
算公式如下：
(1)VP(ti+1)＝Flow(m->k)(ti+1)+Flow(n->k)(ti+1)
(2)HP(ti+1)＝Flow(s->k)(ti+1)+Flow(l->k)(ti+1)
本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下，本
领域技术人员能够想到的变化和优点都被包括在本发明中，并且以所附的权利要求书为保
护范围。