基于车流量监测的道路交通多向动态管控方法与流程

：
1.本发明涉及交通动态管控技术领域，具体的说是一种能够根据道路交通运行状态，动态调整道路交通管控措施，进而提升通行效率、降低交通能耗的基于车流量监测的道路交通多向动态管控方法。


背景技术：

2.随着机动车数量的增长，交通拥堵、车辆通行效率低等问题日渐增多，而由于交通数据处理技术较为落后，车辆停车等待红灯时间长、大车流难以顺畅通行、高耗能、高污染等问题又日益突出，交管工作承受巨大压力。
3.现有缓解交管压力的方法主要包括道路交通扩建、控减交通总量(限号通行等)、鼓励公交和自行车出行、潮汐车道、错峰通行等，但成效并不明显。目前也有通过分析历史交通数据来提升管控经验和策略的技术，较为典型的有“绿波通行”技术，但经过技术分析以及实践证明，“绿波通行”仅能适用于特定的通行方向、通行速度，实用性较差。
4.目前也有少量采用人工智能算法技术，通过实时采集分析交通流量数据并优化红绿灯配时来提升交通管控能力，但实践证明，这些方法一是数据特征挖掘不全面、数据利用效率低、技术方法较为笼统，二是过于依赖人工智能的“黑盒子”操作，无法量化解释数据分析、运算的内容，无法避免“ai不确定性”问题，若将此类技术广泛应用于交通管控等公共安全领域，难免存在安全隐患。


技术实现要素：

5.本发明针对现有技术中存在的缺点和不足，提出了一种能够对道路交通实时状态进行监测，并据此给出精确通行管控指令，从而有效提高通行效率、降低拥堵的基于车流量监测的道路交通多向动态管控方法。
6.本发明通过以下措施达到：
7.一种基于车流量监测的道路交通多向动态管控方法，其特征在于，包括以下步骤：
8.步骤1：构建交通路口区域模型：以路口停车线和停车线的延伸线为界，将交通路口中心交叉区域设定为管控区，将多个方向的道路延伸区域设定为监控区；在各个监控区内将由监控区向管控区流出数据的区域设定为out区，将由管控区向监控区流入数据的区域设定为in区；
9.步骤2：对步骤1中建立的交通路口区域模型进行通行路径规划：以上一路口监控区的各个out区为起点，按左行、直行、右行三个方向与本路口out区做联通，构建本路口out区与上一路口out区的联通关系图；当本路口存在特殊车辆时，可重新构建其他联通关系图联合使用；
10.步骤3：数据获取及指标提取：对本交通路口out区及上一个或下n个，交通路管控区和多个方向的out区按k个区域实时采集车况的视频、图片、雷达信号信息，获取原始数据进行存储及使用，n≥1，k≥1，k的取值取决于out区总长度及区域切片长度；然后，对车辆特
征、车辆位置、车辆运动状况进行检测、追踪并提取特征信息指标，将提取的特征信息指标按mi*ni矩阵进行数据特征存储及使用，0＜i≤k；，随后，对存储的数据特征进一步进行数据分析指标提取，具体包括k个区域内各个行进方向上的车辆数量及位置、k个区域内的车辆密度、车辆流入累计量、车辆流出累计量，所述k个区域内各个行进方向上的车辆包括在途车辆和待行车辆；
11.步骤4：对本路口交通状态进行大车流判断，其中包括上路口多方向流出大车流的判断以及本路口已有大车流的判断；
12.步骤5：预测本路口已有大车流的通行时间：
13.步骤5-1：预测本路口待行车辆通行时间：通过数据集训练获取待放行车流放行时间曲线，首先，获取车辆数量及通过时间数据集，设车辆数量为x，车辆通过时间为y，获取的样本组数为q，则第i组样本记为(xi，yi)；其次，设车辆通过时间为g(x)，对g(x)进行求取，有以下两种实现方式：
14.1)计算每个车辆数量x下样本的平均通过时间或加权平均通过时间，作为车辆通过时间的预测值，或利用梯度下降的方法确定预测值，达到减小预测误差的目的，最终获得计算误差为r，然后，进行误差的修正，设置误差阈值为rth，当r＜rth时，计算结束，当r＜rth时，计算xi单点的误差，设为ri＝g(xi)-yi，设置单点误差阈值为rth，当ri＜rth时，此点作为有效数据，当r＞rth时，此点作为异常值剔除，不参与计算过程；
15.2)对车辆通过时间进行公式化求取，获得车辆通过时间预测函数g(x)，g(x)既可为分段函数，也可为不分段函数，每段内g(x)的多项式拟合公式为：
16.g(x；α0，α2，
…
，αn)＝α0xn+α1x
n-1
+α2x
n-2
+
…
+αn17.将k组样本的xi带入公式，设拟合误差为通过计算预测函数与真实yi间的误差，使得误差达到最小，来确定参数集α0，α1，
…
，αn；
18.然后，进行拟合误差修正，设置误差阈值为rth，当r＜rth时，拟合结束，当r＜rth时，计算xi单点的误差，设为ri＝g(xi；α0，α1，
…
，αn)-yi，设置单点误差阈值为rth，当ri＜rth时，此点作为有效数据继续下一轮拟合，当r＞rth时，此点作为异常值剔除，不参与下一轮拟合过程；
19.步骤5-2：计算大车流放行时刻对应的位置：通过步骤4得到的待行车辆记为n
await
，在途车辆记为n
onwayl
，对当前待放行车流放行时间进行预测，预测结果为g(n
await
)，然后在已知在途车流速度v
onway
的前提下，根据放行时间进行大车流距离阈值(即为大车流放行时刻的位置)的求取。根据通过时间，设立时间恒等式：
[0020][0021]
其中，δ为允许的时间误差项，t
await
为待放行车流通过监控区所需时间，
[0022]
t
onway
为在途车流到达监控区与管控区边界的时间；
[0023]
得到在途车流的距离阈值l
onway
：
[0024][0025]
步骤5-3：求取大车流放行时间及放行时刻：
[0026]
在本区域达到优先放行的条件下，根据在在途大车流、其它在途车辆和待放行车辆的情况，确定最优通行时间及放行时刻，此时间与时刻允许有一定误差，可根据实际进行时间的调整，当大车流前方无其他在途车辆和待放行车辆时，放行时刻为大车流到达停车线的时刻；当大车流前方存在在途车辆或待放行车辆时，放行时刻为大车流到达距离阈值l
onway
的时刻，放行时间t计算如下：
[0027]
t＝(g(n
await
+n
onwayl
)+δ)+(h(n
onway
|v
onway
)+γ)，
[0028]
其中，h(n
onway
|v
onway
)为在速度v
onway
下n
onway
车辆的通行时间预测结果，δ、γ为时间预留项；
[0029]
步骤6：上路口多方向流出大车流预测：
[0030]
步骤6-1：判断车辆流出累计量是否构成大车流，通过上个路口多方向车辆特征矩阵，计算out区的车辆流出累计量数据，通过管控区车辆位置矩阵，计算管控区车辆密度，设置密度阈值为n6，车辆流出累计量阈值为n7，当密度超过阈值且out区车辆流出累计量也超过阈值时，根据本路口out区长度及车流速度，求取此大车流预计到达本路口停车线的时间，输出可能存在大车流的信号及时间，否则，继续下一步骤；
[0031]
步骤6-2：判断待放行车辆是否构成大车流，通过上个路口多方向out区的车辆特征矩阵及步骤2的联通关系图，获取监控区内行驶方向及各个方向上的待行车辆数，设置阈值n8，判断各方向上的待行车辆及不同方向上累计的待行车辆是否构成大车流，当待行数量大于设定阈值时，根据本路口out区长度及车流速度，求取当绿灯放行时，此大车流预计到达本路口停车线的时间，输出可能存在大车流的信号及时间，否则，继续下一步骤；
[0032]
步骤6-3：判断在途车辆与待放行车辆总计是否构成大车流，通过上个路口多方向out区的车辆特征矩阵，获取监控区内的待行车辆数及指定区域内的在途车辆数量，设置阈值n9，判断总数是否构成大车流，当大于设定阈值时，根据本路口out区长度及车流速度，求取当绿灯放行时，此大车流预计到达本路口停车线的时间，输出可能存在大车流的信号及时间，否则，继续下一步骤；
[0033]
步骤6-4：判断是否存在在途大车流，通过上个路口多方向out区的车辆特征矩阵，利用步骤4-3中方法，输出每个方向上可能存在大车流的信号及所在位置，并根据本路口out区长度及车流速度，输出此大车流预计到达本路口停车线的时间，否则，则放弃大车流的跟踪，认为上个路口未存在多方向流出的大车流；
[0034]
步骤7：输出对大车流的精准管控：
[0035]
步骤7-1：根据本路口汇入大车流预测和本路口现有车辆数检测结果，实施精准管控，若通过步骤4预测到本路口汇入大车流或检测到本路口现有大车流，则通过步骤5中方法，确定大车流的放行时刻即开绿灯的时刻及放行时间，步骤7-2：根据上路口多方向流出大车流预测结果，实施精准管控，当本路口未预测到大车流时，若通过步骤6预测到上路口多方向流出车辆可形成大车流，则结合上路口信号灯放行时刻及本路段out区长度、速度，预测大车流到达本路口停车线的时间，实施本路口管控，大车流到达停车线后的放行时间需根据本路口检测的大车流最终车辆数确定；当上路口多方向流出大车流，本路口也同时检测出有大车流时，优先考虑本路口大车流的通行，以确定大车流的放行时刻，即开绿灯的时刻，及放行时间。
[0036]
本发明步骤3中对车辆特征、车辆位置、车辆运动状况进行检测、追踪并提取特征
信息指标，具体可以利用图像识别、信号识别人工智能算法实现，并对提取的特征信息指标按mi*ni矩阵进行数据特征存储及使用，0＜i≤k；或通过直接与车辆获取交互信息，来获取数据特征指标进行存储及使用。
[0037]
本发明步骤4具体包括以下步骤：
[0038]
步骤4-1：判断本路口是否有汇入大车流，通过方式一或方式二进行判断：方式一，通过本路口监控区汇入口区域的车辆特征矩阵，获取本路口一段历史时间t内的车辆密度或车辆数量数据，设置密度阈值或车辆数量为n1，通过本路口车辆密度或车辆数量，进行大车流是否存在的预测。在时间区间t内，当密度或车辆数量上涨幅度超过阈值时，则可能存在大车流；方式二，建立二维卷积时间序列深度学习网络模型，判断本路口是否存在将汇入的大车流，获取时间区间t内的车辆位置矩阵或视频图像，作为神经网络模型的输入端，将获取的多维信息矩阵作为样本，是否为大车流作为样本的标签，构建训练数据集，搭建卷积神经网络结构，将不同时刻下的车辆密集度矩阵送入网络，进行大车流是否存在的预测；
[0039]
步骤4-2：若判定本路口将汇入大车流，则通过上一路口的车辆数量、放行时间及车辆平均流出量，进行大车流数量的预测，若车辆数量大于设定阈值，则输出可能存在大车流的信号、位置及大车流内车辆数量；
[0040]
步骤4-3：判定本路口是否已有大车流，通过本路口out区的车辆特征矩阵，计算k个区域内的车辆密度及车辆数量数据，获取历史时间t内的车辆流入累计量数据，设置车辆流入累计量阈值n2，车辆密度阈值n3，车辆数阈值n4，在途大车流区域长度阈值n5，当车辆流入累计量大于设定阈值时，则输出可能存在大车流的信号及所在位置；通过将k个小区域不断扩大的方式，迭代计算区域内的车辆密度或平均车辆数量，输出车辆密度大于阈值或平均车辆数量大于阈值的最大检测区域，若检测区域长度大于在途大车流区域长度阈值，则输出可能存在大车流的信号及所在位置，并获取在途大车流的车辆数量及其他在途车辆数量，在途大车流车辆数记为n
onway
，其他在途车辆数记为n
onwayl
；否则，则放弃大车流的跟踪，认为本路口未存在在途大车流；
[0041]
步骤4-4：利用本路口out区的车辆特征矩阵，获取监控区内行驶方向及各个方向上的待行车辆数，车道待放行车流数量记为n
await
。
[0042]
本发明还包括步骤8，对特殊车辆的位置获取及多路口通行管控，具体包括以下步骤：
[0043]
步骤8-1：判断本路口是否存在特殊车辆，将路口监控区划分为k个区域后，通过直接读取车辆标记信息或通过车辆特征矩阵获取特殊车辆信息，若某车辆被标记(或被特征识别)为特殊车辆，则获取该特殊车辆的位置信息、车速信息、行驶路线及出发时刻信息，设当前时刻距离出发时刻的时间总计为t，步骤8-2：前方n个路口的绿灯放行条件计算，设置前方将有n个路口参与绿灯放行的管控(由行驶路线所决定)，获取特殊车辆的位置及前方n个路口监控区的车辆特征矩阵后，若特殊车辆未有出发时刻信息(即已经在路上)，则通过特殊车辆的车速与位置信息，计算特殊车辆到达前方第i个路口停车线的时间，设为sti，0≤i≤n，第0个路口即为本路口，若特殊车辆有出发时刻信息，则车速利用设定的固定车速参与计算；然后，计算前方第i个路口监控区内特殊车辆的前方车辆总数量，利用步骤5中预测通行时间的方法，计算前方第i个路口监控区前方车辆的总通行时间，设为ati；最后，设置时间预留项为γ，若特殊车辆未有出发时刻信息时，当sti≤ati+γ，第i个路口立刻进行
绿灯放行，若特殊车辆有出发时刻信息时，绿灯放行需向后推迟t，
[0044]
步骤8-3：进行多个路口通行管控，在本路口中存在特殊车辆时，通过同时计算前方n个路口的放行条件是否满足的方式，进行多个路口的管控。
[0045]
本发明针对现有技术中存在的缺点和不足，提出一种能够对交通流量数据实时进行监测、预测，然后将交通流量数据多维度转换为矩阵、坐标数据模型，并由人工智能算法进行分析处理，进而高效、精准输出红绿灯管控策略，从而有效提升交通管控能力的基于车流量监测的对大车流进行多方向动态管控的方法；与现有技术相比，(1)通过对视频、图片、雷达信号等实时交通数据进行降维重构，一是大幅度缩减了交通数据的存储容量、存储成本，提升了数据的处理效率，二是通过降维重构获取了一系列可量化的技术指标，交通数据处理变得更加精准、规范，三是将一系列可量化的技术指标与数字孪生、虚拟引擎等技术相结合，可以虚拟还原真实的历史交通数据；(2)通过使用坐标曲线、矩阵数据模型对技术指标数据进行多维度特征分析，可以更加精准地获取数据规律、发现数据异常值、实现交通数据处理可视化，从而可以解决人工智能的“黑盒子”操作、“ai不确定”等问题，为人工智能技术广泛应用于交通管控等公共安全领域拓宽了道路；(3)本发明所创新推出的坐标曲线、矩阵数据模型以及算法，可以与人工智能技术、产品深度融合，经过不断地积累、优化，可以为智能交通管控、车路协同、自动驾驶提供可靠的技术支撑。
附图说明：
[0046]
附图1是本发明的流程图。
[0047]
附图2是本发明中对本路口交通状态进行大车流判断的流程图。
[0048]
附图3是本发明中本路口大车流通行时间判断流程图。
[0049]
附图4是本发明中特殊车辆管控流程图。
[0050]
附图5是本发明实施例1中交通路口区域模型构建示意图。
[0051]
附图6是本发明实施例3中二维卷积时间序列深度学习网络模型结构示意图。
[0052]
附图7是本发明实施例4中多个路口的联通关系图。
具体实施方式：
[0053]
下面结合附图和实施例，对本发明做进一步的说明。
[0054]
实施例1：
[0055]
本例通过对交通路况设置分区、构建两路口通行联通图，通过对路况等交通信息进行获取，实时预测上一路口的大车流，并对本路口通行情况进行调整。具体过程如下：
[0056]
步骤1：区域构建：构建交通路口区域模型，以停车线和停车线的延伸线为界，将交通路口中心交叉区域设定为管控区，将多个方向的道路延伸区域设定为监控区；在各个监控区内将由监控区向管控区流出数据的区域设定为out区，将由管控区向监控区流入数据的区域设定为in区；
[0057]
步骤2：规划区域模型的通行路径：以上一路口监控区的各个out区为起点，按左行、直行、右行三个方向与本路口out区做联通，构建本路口out区与上一路口out区的联通关系图如附图7所示；
[0058]
步骤3：数据获取及指标提取：设前一个路口多方向上的out区等长为1250米，共三
条车道，以50米划分一个区域，将前一个交通路各个方向的out区按25个区域实时采集车况的视频、图片、雷达信号信息，获取原始数据进行存储及使用；然后，利用图像识别、信号识别人工智能算法，对车辆特征、车辆位置、车辆运动状况进行检测、追踪并提取特征信息指标，然后按mi*ni矩阵进行数据特征存储及使用，0＜i≤25；最后，对存储的数据特征进一步进行数据分析指标提取计算，具体包括25个区域内各个行进方向上的车辆数量及位置(包括在途车辆和待行车辆)、25个区域内的车辆密度、车辆流入累计量、车辆流出累计量，如附图所示。
[0059]
某一时刻下车辆数量特征提取矩阵：
[0060][0061]
某一时刻下车辆密度特征提取矩阵：
[0062][0063]
车辆流出累计量：(分4个小时间段计算累计量，后进行加和计算此时刻向前一段时间内的流出量)
[0064]
outt1t2t3t4alloute00000outs00000outn32218
[0065]
车辆流入累计量：(分4个小时间段计算累计量，后进行加和计算此时刻向前一段时间内的流入量)
[0066]
outt1t2t3t4alloute1666240outs125210outn13026
[0067]
步骤4：上路口多方向流出大车流预测：
[0068]
步骤4-1：判断车辆流出累计量是否构成大车流。通过步骤3计算的各个out区的车辆流出累计量数据，设置车辆流出累计量阈值为30，oute、outs、outn区的车辆流出累计量均为超过阈值，因此，此步骤不能判断是否存在大车流，继续下一步骤；
[0069]
步骤4-2：判断待放行车辆是否构成大车流。通过上个路口多方向out区的车辆特征矩阵及步骤2的联通关系图，获取监控区内各个方向上的待行车辆数，设置阈值为60，判
断各方向上的待行车辆及不同方向上累计的待行车辆是否构成大车流。oute区待行车数量为20、outs待行车数量为10、outn区未有待行车，三个区域总待行数量为30，因待行数量小于设定阈值时，因此目前未存在大车流，继续进行下一步骤的判断；由于三个out区均未构成大车流，设置车辆总数阈值55，密度阈值为0.5，计算可得到outs区区域内的车辆总数为60，密度为0.038，outs区满足车辆总数大于阈值且密度小于密度阈值，因此，利用控制红灯的方式，对outs区的车流量进行压缩，获得大车流，oute区与outn区同理计算；
[0070]
步骤4-3：判断是否存在在途大车流。通过步骤3，计算除了25个区域(每个区域长50米)内的车辆密度及车辆数量数据和一定历史时间内的车辆流入累计量数据，设置车辆流入累计量阈值50，车辆密度阈值0.6，平均车辆数阈值20，在途大车流区域长度阈值为140米。计算得出oute、outs、outn区的车辆流出累计量均为超过阈值，因此，继续进行将25个小区域不断向左右两边扩大，迭代计算区域内的车辆密度和平均车辆数量，以oute区车辆密度计算为例，第一轮每个小区域均作为独立区域进行计算，计算结果如步骤3中所示，车辆密度大于0.6的有5个区域，密度分别为0.66，0.61，0.88，0.72，0.6，其中0.66为靠近停车线的第一个区域，为待行区域，因此予以剔除，第二轮迭代将剩余四个区域左右各扩大一个区域，计算区域的车辆密度值为0.54，0.74，0.73，0.48，其中有2个区域大于阈值，进行第三轮迭代，计算的车辆密度值为0.59，0.58，均小于阈值，则迭代结束，具体计算表格如附图所示。输出满足条件的第二轮迭代中密度为0.74的检测区域，区域内车流头部位置距离上路口停车线900米，长度为150米，因为检测区域长度大于在途大车流区域长度阈值，因此，根据本路口out区长度、上路口大车流距离上路口停车线的位置及车流速度，输出此大车流预计到达本路口停车线的时间；
[0071]
迭代计算结果表：
[0072][0073]
步骤5：输出对大车流的精准管控：
[0074]
根据对上路口多方向流出大车流预测结果，实施精准管控。通过步骤4预测到上路口oute区存在在途大车流，在途大车流位置距离上一路口管控区900米距离，因此，结合上路口信号灯放行时刻及本路段out区长度、车流速度，预测大车流到达本路口停车线的时间，实施本路口管控，大车流到达停车线后的放行时间需根据本路口检测的大车流最终车辆数确定；
[0075]
实施例2：
[0076]
本例通过对交通路况设置分区、构建通行路径联通图，通过对路况等交通信息进行获取，实时获取本路口内的大车流信息(包括数量及位置)，并结合本路口待放行车流信息，对本路口通行情况进行调整。具体过程如下：
[0077]
步骤1：区域构建：构建交通路口区域模型，以停车线和停车线的延伸线为界，将交通路口中心交叉区域设定为管控区，将多个方向的道路延伸区域设定为监控区；在各个监
控区内将由监控区向管控区流出数据的区域设定为out区，将由管控区向监控区流入数据的区域设定为in区；
[0078]
步骤2：规划区域模型的通行路径：以上一路口监控区的各个out区为起点，按左行、直行、右行三个方向与本路口out区做联通，构建本路口out区与上一路口out区的联通关系图；附图与实施例1中一样。
[0079]
步骤3：数据获取及指标提取：设本路口的oute区长为1250米，共三条车道均为直行车道，以50米划分一个区域，将oute区按25个区域实时采集车况的视频、图片、雷达信号信息，获取原始数据进行存储及使用；然后，利用图像识别、信号识别人工智能算法，对车辆特征、车辆位置、车辆运动状况进行检测、追踪并提取特征信息指标，然后按mi*ni矩阵进行数据特征存储及使用，0＜i≤25；最后，对存储的数据特征进一步进行数据分析指标提取计算，采用热力图的方式，按照车辆长度，指定每辆车的数值，如普通轿车为5，公共汽车为15，对25个区域内指定位置的车辆进行赋值，并设定该数值所覆盖的区域范围为车辆大小的3倍，然后计算25个区域内的车辆热力值总数，如附图所示；另外，对oute区的车辆流入累计量、车辆流出累计量进行统计，如附图所示。
[0080]
某一时刻下车辆数量特征提取矩阵：
[0081][0082]
某一时刻下车辆热力数值矩阵：
[0083][0084]
车辆流出累计量：(分4个小时间段计算累计量，后进行加和计算此时刻向前一段时间内的流出量)
[0085]
outt1t2t3t4alloute00000
[0086]
车辆流入累计量：(分4个小时间段计算累计量，后进行加和计算此时刻向前一段时间内的流入量)
[0087]
outt1t2t3t4alloute1666240
[0088]
步骤4：本路口已有大车流检测：
[0089]
步骤4-1：参照实施例1中步骤4-3的实现方法，通过本路口out区的车辆数量特征矩阵，计算25个区域内的车辆热力值数据，并计算历史时间t内的车辆流入累计量数据，设置车辆流入累计量阈值60，车辆平均热力值阈值220，在途大车流区域长度阈值150。经计算，车辆流入累计量为40，小于设定阈值，无法在此步输出可能存在大车流的信号及所在位置；然后，进行下一步计算，继续进行将25个小区域不断向左右两边扩大，迭代计算区域内的车辆平均热力值，输出车辆平均热力值大于阈值的最大检测区域，若检测区域长度大于在途大车流区域长度阈值，则输出可能存在大车流的信号及所在位置，计算结果如附图所示，经计算，输出满足条件的第三轮迭代中平均热力值为254的检测区域，区域内车流头部
位置距离上路口停车线450米，长度为250米，车辆数为82，因为检测区域长度大于在途大车流区域长度阈值，因此可以认定为在途大车流n
onway
＝82，其他在途车辆记为n
onwayl
＝8；
[0090]
迭代计算结果表：
[0091][0092]
步骤4-2：利用本路口out区的车辆数量特征矩阵，获取监控区的待行车辆数，车道待放行车流数量记为n
await
＝20；
[0093]
步骤5：预测本路口大车流通行时间：
[0094]
步骤5-1：通过数据集训练获取待放行车流放行时间曲线。首先，获取车辆数量及通过时间数据集，设车辆数量为x，车辆通过时间为y，获取的样本组数为k，则第i组样本记为(xi，yi)；其次，设车辆通过时间为g(x)，对g(x)进行求取。对车辆通过时间进行公式化求取，获得车辆通过时间预测函数g(x)，g(x)既可为分段函数，也可为不分段函数，每段内g(x)的多项式拟合公式为：
[0095]
g(x；α0，α2，
…
，αn)＝α0xn+α1x
n-1
+α2x
n-2
+
…
+αn[0096]
将k组样本的xi带入公式，设拟合误差为通过计算预测函数与真实yi间的误差，使得误差达到最小，来确定参数集α0，α1，
…
，αn。
[0097]
然后，进行拟合误差修正，设置误差阈值为rth，当r＜rth时，拟合结束，当r＜rth时，计算xi单点的误差，设为ri＝g(xi；αo，α1，
…
，αn)-yi，设置单点误差阈值为rth，当ri＜rth时，此点作为有效数据继续下一轮拟合，当r＞rth时，此点作为异常值剔除，不参与下一轮拟合过程。
[0098]
步骤5-2：大车流放行时刻的位置求取：对当前待放行车流放行时间进行预测，经拟合计算，待放行车辆20辆时的通行时间预测为15秒，即g(n
await
)＝g(20)＝15，由于上一步骤中检测出大车流前方靠近待放行区域存在少量在途车辆，因此将在途车辆数量并入待放行数量中，进行放行时间的计算，待放行车辆28辆时的通行时间预测为18秒，即g(n
await
+n
onway1
)＝g(28)＝18，然后在已知在途车流速度v
onway
＝30km/h的前提下，根据放行时间进行大车流距离阈值(即为大车流放行时刻的位置)的求取。根据通过时间，设立时间恒等式：
[0099][0100]
其中，δ为允许的时间误差项，本实施例中设为0，
[0101]
t
await
为待放行车流通过监控区所需时间，
[0102]
t
onway
为在途车流到达监控区与管控区边界的时间。
[0103]
得到在途车流的距离阈值l
onway
：
[0104][0105]
经计算，l
onway
＝(g(28)+0)*40＝18*30＝540米。
[0106]
步骤5-3：大车流放行时间及放行时刻求取：
[0107]
在本区域达到优先放行的条件下，计算得到在途大车流有82辆，其它在途车辆8辆和待放行车辆20辆的情况。由于大车流前方有其他在途车辆和待放行车辆，放行时刻为大车流到达距离阈值l
onway
＝540米的时刻，也就是离本路口停车线540米的时候进行大车流的放行，由于大车流检测到的位置离本路口停车线已经小于540米，因此放行时刻为立刻放行。
[0108]
放行时间t计算如下：
[0109]
t＝(g(n
await
+n
onwayl
)+δ)+(h(n
onway
|v
onway
)+γ)，
[0110]
其中，h(n
onway
|v
onway
)为在速度v
onway
下n
onway
车辆的通行时间预测结果，δ、γ为时间预留项，本实施例中设定全部为0。
[0111]
大车流的放行时间计算为t＝(g(28)+0)+(h(82|30)+0)＝18+50＝68秒。
[0112]
步骤6：输出对大车流的精准管控：
[0113]
根据本路口现有车辆数检测结果，实施精准管控。通过步骤4检测到了本路口存在现有大车流，大车流车辆数为82辆，前方共有待放行车辆和在途车辆共28辆，通过步骤5中方法，确定大车流的放行时刻(即开绿灯的时刻)及放行时间，放行时刻为此刻立即放行，放行时间为68秒。
[0114]
实施例3：
[0115]
本例通过对交通路况设置分区、构建通行路径联通图，通过对路况等交通信息进行获取，实时预测本路口汇入的大车流信息(包括数量及位置)，并结合本路口待放行车流信息，对本路口通行情况进行调整。具体过程如下：
[0116]
步骤1：区域构建：构建交通路口区域模型，以停车线和停车线的延伸线为界，将交通路口中心交叉区域设定为管控区，将多个方向的道路延伸区域设定为监控区；在各个监控区内将由监控区向管控区流出数据的区域设定为out区，将由管控区向监控区流入数据的区域设定为in区；
[0117]
步骤2：规划区域模型的通行路径：以上一路口监控区的各个out区为起点，按左行、直行、右行三个方向与本路口out区做联通，构建本路口out区与上一路口out区的联通关系图；附图与实施例1中一样。
[0118]
步骤3：数据获取及指标提取：设本路口out区长为1250米，共三条车道，以50米划分一个区域，将out区按25个区域实时采集车况的视频、图片、雷达信号信息，获取原始数据进行存储及使用；然后，利用图像识别、信号识别人工智能算法，对车辆特征、车辆位置、车辆运动状况进行检测、追踪并提取特征信息指标，然后按mi*ni矩阵进行数据特征存储及使用，0＜i≤25；最后，对存储的数据特征进一步进行数据分析指标提取计算，具体包括25个区域内的车辆数量及位置、25个区域内的车辆密度。
[0119]
步骤4：本路口汇入大车流预测：
[0120]
步骤4-1：建立二维卷积时间序列深度学习网络模型，如附图6所示，预测是否存在大车流。
[0121]
首先，获取时间区间t内的车辆位置矩阵或视频图像，对采集到的图像或车辆位置矩阵进行预处理。通过摄像头对上一路口一定距离内(距离管控区最近的区域)的车道进行实时抓拍，并进行图像的拼接；时间从首辆车驶入开始算起，在t时间内连续获取多张同一位置的车道图像，将获取的多维信息矩阵作为神经网络模型的输入端；然后，搭建预测模型及进行参数的训练优化。将获取的多维信息矩阵作为样本(模型输入)，是否为在途车流作为样本的标签(模型输出)，构建训练数据集搭建cnn卷积神经网络结构。令时间区间t内获取的多个时刻数据分别进入二维卷积层，滤波器个数为32，步长为2，卷积核大小为7*7，后接一层最大池化层，步长为2，卷积核大小为3*3，然后，进入同样的卷积层两层，滤波器分别为64，128，其余参数与第一层相同，最后连接一层平均池化层，经过全连接层，输出线性特征层结果，再将不同时刻的线性特征按照时间顺序进行拼接，送入一维卷积网络，共3层，滤波器个数依次为32，64，128，步长为2，卷积核大小为7，后接一层最大池化层，步长为2，卷积核大小为3，最后，搭建dense密集层网络，进行在途车流是否存在的预测。网络模型框图如附图所示。运用交叉熵损失函数计算网络模型的损失，设预测结果为真实标签为y，交叉熵损失函数公式如下：直至模型损失小于既定阈值l，则模型训练结束，保存模型内的计算参数，用于进行实时预测；最后，进行大车流的预测。将多维信息矩阵输入模型，得到预测结果为是否存在在途车流，且通过摄像头的布设位置，会一并得到在途车流的位置信息。
[0122]
步骤4-2：经过预测，本路口存在汇入大车流，因此，设置数量阈值为50，获取上一路口一段时间内的待放行车辆数量为80及车辆累计流出量40，上一路口t时间前的待放行车辆数量大于设定阈值，因此，输出可能存在大车流的信号，大车流预计数量为80，大车流位置距离本路口停车线1200米，处于本路口out区刚汇入车流的位置；
[0123]
步骤5：预测本路口大车流通行时间：
[0124]
步骤5-1：通过数据集训练获取待放行车流放行时间曲线。首先，获取车辆数量及通过时间数据集，设车辆数量为x，车辆通过时间为y，获取的样本组数为k，则第i组样本记为(xi，yi)；其次，设车辆通过时间为g(x)，对g(x)进行求取。计算每个车辆数量x下样本的平均通过时间或加权平均通过时间，作为车辆通过时间的预测值，或利用梯度下降的方法确定预测值，达到减小预测误差的目的，最终获得计算误差为r。然后，进行误差的修正，设置误差阈值为rth，当r＜rth时，计算结束，当r＜rth时，计算xi单点的误差，设为ri＝g(xi)-yi，设置单点误差阈值为rth，当ri＜rth时，此点作为有效数据，当r＞rth时，此点作为异常值剔除，不参与计算过程。
[0125]
步骤5-2：大车流放行时刻的位置求取：本实施例设置当前本路口所探测到的大车流前方无在途车辆，待放行车辆为20辆，对当前待放行车流放行时间进行预测，预测结果为g(n
await
)＝15，然后在已知在途车流速度v
onway
＝30的前提下，根据放行时间进行大车流距离阈值(即为大车流放行时刻的位置)的求取。得到在途车流的距离阈值l
onway
：
[0126]
l
onway
＝(g(n
await
+0)+0)*v
onway
＝(15*30)＝450米。
[0127]
步骤5-3：大车流放行时间及放行时刻求取：
[0128]
在本区域达到优先放行的条件下，计算得到在途大车流有80辆，其它在途车辆0辆和待放行车辆20辆的情况。由于大车流前方有待放行车辆，因此，放行时刻为大车流到达距离阈值l
onway
＝450米的时刻，也就是离本路口停车线450米的时候进行大车流的放行。放行
＝15秒、at1＝31秒、at2＝43秒、at3＝37秒；最后，设置时间预留项为γ＝10秒，根据条件，当前时刻本路口、下路口和下下路口满足sti≤ati+γ，进行绿灯放行，下下下路口不满足条件，可以不放行，参考特殊车辆的出发时刻，所有路口的绿灯放行时间向后推迟10分钟。
[0143]
步骤4-3：进行多路口通行管控。为保证特殊车辆道路通行的通畅性，经过当前时刻多个路口的车辆通行能力计算，在特殊车辆出发时，本路口、下路口和下下路口均需绿灯放行。其中，车辆通行能力每隔一段时间就进行一次更新。
[0144]
本发明针对现有技术中存在的缺点和不足，提出一种能够对交通流量数据实时进行监测、预测，然后将交通流量数据多维度转换为矩阵、坐标数据模型，并由人工智能算法进行分析处理，进而高效、精准输出红绿灯管控策略，从而有效提升交通管控能力的基于车流量监测的对大车流进行多方向动态管控的方法；与现有技术相比，(1)通过对视频、图片、雷达信号等实时交通数据进行降维重构，一是大幅度缩减了交通数据的存储容量、存储成本，提升了数据的处理效率，二是通过降维重构获取了一系列可量化的技术指标，交通数据处理变得更加精准、规范，三是将一系列可量化的技术指标与数字孪生、虚拟引擎等技术相结合，可以虚拟还原真实的历史交通数据；(2)通过使用坐标曲线、矩阵数据模型对技术指标数据进行多维度特征分析，可以更加精准地获取数据规律、发现数据异常值、实现交通数据处理可视化，从而可以解决人工智能的“黑盒子”操作、“ai不确定”等问题，为人工智能技术广泛应用于交通管控等公共安全领域拓宽了道路；(3)本发明所创新推出的坐标曲线、矩阵数据模型以及算法，可以与人工智能技术、产品深度融合，经过不断地积累、优化，可以为智能交通管控、车路协同、自动驾驶提供可靠的技术支撑。

技术特征：
1.一种基于车流量监测的道路交通多向动态管控方法，其特征在于，包括以下步骤：步骤1：构建交通路口区域模型：以路口停车线和停车线的延伸线为界，将交通路口中心交叉区域设定为管控区，将多个方向的道路延伸区域设定为监控区；在各个监控区内将由监控区向管控区流出数据的区域设定为out区，将由管控区向监控区流入数据的区域设定为in区；步骤2：对步骤1中建立的交通路口区域模型进行通行路径规划：以上一路口监控区的各个out区为起点，按左行、直行、右行三个方向与本路口out区做联通，构建本路口out区与上一路口out区的联通关系图；当本路口存在特殊车辆时，可重新构建其他联通关系图联合使用；步骤3：数据获取及指标提取：对本交通路口out区及上一个或下n个，交通路管控区和多个方向的out区按k个区域实时采集车况的视频、图片、雷达信号信息，获取原始数据进行存储及使用，n≥1，k≥1，k的取值取决于out区总长度及区域切片长度；然后，对车辆特征、车辆位置、车辆运动状况进行检测、追踪并提取特征信息指标，将提取的特征信息指标按m
i
*n
i
矩阵进行数据特征存储及使用，0＜i≤k；，随后，对存储的数据特征进一步进行数据分析指标提取，具体包括k个区域内各个行进方向上的车辆数量及位置、k个区域内的车辆密度、车辆流入累计量、车辆流出累计量，所述k个区域内各个行进方向上的车辆包括在途车辆和待行车辆；步骤4：对本路口交通状态进行大车流判断，其中包括上路口多方向流出大车流的判断以及本路口已有大车流的判断；步骤5：预测本路口已有大车流的通行时间：步骤5-1：预测本路口待行车辆通行时间：通过数据集训练获取待放行车流放行时间曲线，首先，获取车辆数量及通过时间数据集，设车辆数量为x，车辆通过时间为y，获取的样本组数为q，则第i组样本记为(x
i
,y
i
)；其次，设车辆通过时间为g(x)，对g(x)进行求取，有以下两种实现方式：1)计算每个车辆数量x下样本的平均通过时间或加权平均通过时间，作为车辆通过时间的预测值，或利用梯度下降的方法确定预测值，达到减小预测误差的目的，最终获得计算误差为r，然后，进行误差的修正，设置误差阈值为rth，当r＜rth时，计算结束，当r＜rth时，计算x
i
单点的误差，设为r
i
＝g(x
i
)-y
i
，设置单点误差阈值为rth，，当r
i
＜rth时，此点作为有效数据，当r＞rth时，此点作为异常值剔除，不参与计算过程；2)对车辆通过时间进行公式化求取，获得车辆通过时间预测函数g(x)，g(x)既可为分段函数，也可为不分段函数，每段内g(x)的多项式拟合公式为：g(x；α0,α2,...,α
n
)＝α0x
n
+α1x
n-1
+α2x
n-2
+
…
+α
n
将k组样本的x
i
带入公式，设拟合误差为通过计算预测函数与真实y
i
间的误差，使得误差达到最小，来确定参数集α0,α1,
…
,α
n
；然后，进行拟合误差修正，设置误差阈值为rth，当r＜rth时，拟合结束，当r＜rth时，计算x
i
单点的误差，设为r
i
＝h(x
i
；α0,α1,
…
,α
n
)-y
i
，设置单点误差阈值为rth，，当r
i
＜rth时，此点作为有效数据继续下一轮拟合，当r＞rth时，此点作为异常值剔除，不参与下一轮拟合过程；
步骤5-2：计算大车流放行时刻对应的位置：通过步骤4得到的待行车辆记为n
await
，在途车辆记为n
onwayl
，对当前待放行车流放行时间进行预测，预测结果为g(n
await
)，然后在已知在途车流速度v
onway
的前提下，根据放行时间进行大车流距离阈值(即为大车流放行时刻的位置)的求取。根据通过时间，设立时间恒等式：其中，δ为允许的时间误差项，t
await
为待放行车流通过监控区所需时间，t
onway
为在途车流到达监控区与管控区边界的时间；得到在途车流的距离阈值l
onway
：步骤5-3：求取大车流放行时间及放行时刻：在本区域达到优先放行的条件下，根据在在途大车流、其它在途车辆和待放行车辆的情况，确定最优通行时间及放行时刻，此时间与时刻允许有一定误差，可根据实际进行时间的调整，当大车流前方无其他在途车辆和待放行车辆时，放行时刻为大车流到达停车线的时刻；当大车流前方存在在途车辆或待放行车辆时，放行时刻为大车流到达距离阈值l
onway
的时刻，放行时间t计算如下：t＝(g(n
await
+n
onwayl
)+δ)+(h(n
onway
|v
onway
)+γ),其中，h(n
onway
|v
onway
)为在速度v
onway
下n
onway
车辆的通行时间预测结果，δ、γ为时间预留项；步骤6：上路口多方向流出大车流预测：步骤6-1：判断车辆流出累计量是否构成大车流，通过上个路口多方向车辆特征矩阵，计算out区的车辆流出累计量数据，通过管控区车辆位置矩阵，计算管控区车辆密度，设置密度阈值为n6，车辆流出累计量阈值为n7，当密度超过阈值且out区车辆流出累计量也超过阈值时，根据本路口out区长度及车流速度，求取此大车流预计到达本路口停车线的时间，输出可能存在大车流的信号及时间，否则，继续下一步骤；步骤6-2：判断待放行车辆是否构成大车流，通过上个路口多方向out区的车辆特征矩阵及步骤2的联通关系图，获取监控区内行驶方向及各个方向上的待行车辆数，设置阈值n8，判断各方向上的待行车辆及不同方向上累计的待行车辆是否构成大车流，当待行数量大于设定阈值时，根据本路口out区长度及车流速度，求取当绿灯放行时，此大车流预计到达本路口停车线的时间，输出可能存在大车流的信号及时间，否则，继续下一步骤；步骤6-3：判断在途车辆与待放行车辆总计是否构成大车流，通过上个路口多方向out区的车辆特征矩阵，获取监控区内的待行车辆数及指定区域内的在途车辆数量，设置阈值n9，判断总数是否构成大车流，当大于设定阈值时，根据本路口out区长度及车流速度，求取当绿灯放行时，此大车流预计到达本路口停车线的时间，输出可能存在大车流的信号及时间，否则，继续下一步骤；步骤6-4：判断是否存在在途大车流，通过上个路口多方向out区的车辆特征矩阵，利用步骤4-3中方法，输出每个方向上可能存在大车流的信号及所在位置，并根据本路口out区
长度及车流速度，输出此大车流预计到达本路口停车线的时间，否则，则放弃大车流的跟踪，认为上个路口未存在多方向流出的大车流；步骤7：输出对大车流的精准管控：步骤7-1：根据本路口汇入大车流预测和本路口现有车辆数检测结果，实施精准管控，若通过步骤4预测到本路口汇入大车流或检测到本路口现有大车流，则通过步骤5中方法，确定大车流的放行时刻即开绿灯的时刻及放行时间，步骤7-2：根据上路口多方向流出大车流预测结果，实施精准管控，当本路口未预测到大车流时，若通过步骤6预测到上路口多方向流出车辆可形成大车流，则结合上路口信号灯放行时刻及本路段out区长度、速度，预测大车流到达本路口停车线的时间，实施本路口管控，大车流到达停车线后的放行时间需根据本路口检测的大车流最终车辆数确定；当上路口多方向流出大车流，本路口也同时检测出有大车流时，优先考虑本路口大车流的通行，以确定大车流的放行时刻，即开绿灯的时刻，及放行时间。2.根据权利要求1所述的一种基于车流量监测的道路交通多向动态管控方法，其特征在于，步骤3中对车辆特征、车辆位置、车辆运动状况进行检测、追踪并提取特征信息指标，利用图像识别、信号识别人工智能算法实现，并对提取的特征信息指标按m
i
*n
i
矩阵进行数据特征存储及使用，0＜i≤k；或通过直接与车辆获取交互信息，来获取数据特征指标进行存储及使用。3.根据权利要求1所述的一种基于车流量监测的道路交通多向动态管控方法，其特征在于，步骤4具体包括以下步骤：步骤4-1：判断本路口是否有汇入大车流，通过方式一或方式二进行判断：方式一，通过本路口监控区汇入口区域的车辆特征矩阵，获取本路口一段历史时间t内的车辆密度或车辆数量数据，设置密度阈值或车辆数量为n1，通过本路口车辆密度或车辆数量，进行大车流是否存在的预测。在时间区间t内，当密度或车辆数量上涨幅度超过阈值时，则可能存在大车流；方式二，建立二维卷积时间序列深度学习网络模型，判断本路口是否存在将汇入的大车流，获取时间区间t内的车辆位置矩阵或视频图像，作为神经网络模型的输入端，将获取的多维信息矩阵作为样本，是否为大车流作为样本的标签，构建训练数据集，搭建卷积神经网络结构，将不同时刻下的车辆密集度矩阵送入网络，进行大车流是否存在的预测；步骤4-2：若判定本路口将汇入大车流，则通过上一路口的车辆数量、放行时间及车辆平均流出量，进行大车流数量的预测，若车辆数量大于设定阈值，则输出可能存在大车流的信号、位置及大车流内车辆数量；步骤4-3：判定本路口是否已有大车流，通过本路口out区的车辆特征矩阵，计算k个区域内的车辆密度及车辆数量数据，获取历史时间t内的车辆流入累计量数据，设置车辆流入累计量阈值n2，车辆密度阈值n3，车辆数阈值n4，在途大车流区域长度阈值n5，当车辆流入累计量大于设定阈值时，则输出可能存在大车流的信号及所在位置；通过将k个小区域不断扩大的方式，迭代计算区域内的车辆密度或平均车辆数量，输出车辆密度大于阈值或平均车辆数量大于阈值的最大检测区域，若检测区域长度大于在途大车流区域长度阈值，则输出可能存在大车流的信号及所在位置，并获取在途大车流的车辆数量及其他在途车辆数量，在途大车流车辆数记为n
onway
，其他在途车辆数记为n
onwayl
；否则，则放弃大车流的跟踪，认为
本路口未存在在途大车流；步骤4-4：利用本路口out区的车辆特征矩阵，获取监控区内行驶方向及各个方向上的待行车辆数，车道待放行车流数量记为n
await
。4.根据权利要求1所述的一种基于车流量监测的道路交通多向动态管控方法，其特征在于，还包括步骤8，对特殊车辆的位置获取及多路口通行管控，具体包括以下步骤：步骤8-1：判断本路口是否存在特殊车辆，将路口监控区划分为k个区域后，通过直接读取车辆标记信息或通过车辆特征矩阵获取特殊车辆信息，若某车辆被标记(或被特征识别)为特殊车辆，则获取该特殊车辆的位置信息、车速信息、行驶路线及出发时刻信息，设当前时刻距离出发时刻的时间总计为t，步骤8-2：前方n个路口的绿灯放行条件计算，设置前方将有n个路口参与绿灯放行的管控(由行驶路线所决定)，获取特殊车辆的位置及前方n个路口监控区的车辆特征矩阵后，若特殊车辆未有出发时刻信息(即已经在路上)，则通过特殊车辆的车速与位置信息，计算特殊车辆到达前方第i个路口停车线的时间，设为st
i
，0≤i≤n，第0个路口即为本路口，若特殊车辆有出发时刻信息，则车速利用设定的固定车速参与计算；然后，计算前方第i个路口监控区内特殊车辆的前方车辆总数量，利用步骤5中预测通行时间的方法，计算前方第i个路口监控区前方车辆的总通行时间，设为at
i
；最后，设置时间预留项为θ，若特殊车辆未有出发时刻信息时，当st
i
≤at
i
+γ，第i个路口立刻进行绿灯放行，若特殊车辆有出发时刻信息时，绿灯放行需向后推迟t，步骤8-3：进行多个路口通行管控，在本路口中存在特殊车辆时，通过同时计算前方n个路口的放行条件是否满足的方式，进行多个路口的管控。

技术总结
本发明涉及交通动态管控技术领域，具体的说是一种能够根据道路交通运行状态，动态调整道路交通管控措施，进而提升通行效率、降低交通能耗的基于车流量监测的道路交通多向动态管控方法，针对现有技术中存在的缺点和不足，提出一种能够对交通流量数据实时进行监测、预测，然后将交通流量数据多维度转换为矩阵、坐标数据模型，并由人工智能算法进行分析处理，进而高效、精准输出红绿灯管控策略，从而有效提升交通管控能力的基于车流量监测的对大车流进行多方向动态管控的方法；与现有技术相比，通过对视频、图片、雷达信号等实时交通数据进行降维重构，大幅度缩减了交通数据的存储容量、存储成本，提升了数据的处理效率。提升了数据的处理效率。提升了数据的处理效率。


技术研发人员：曲媛媛 韩朝晖 秦宇 刘丙庆 陶鹏 秦志亮 张中凯 李莹莹
受保护的技术使用者：山东新北洋信息技术股份有限公司
技术研发日：2023.04.10
技术公布日：2023/8/14