本發(fā)明涉及智能交通管理技術(shù)，尤其涉及一種基于深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的交通流量預(yù)測(cè)與信號(hào)優(yōu)化方法，可用于智慧城市中的交通流量控制和優(yōu)化。

背景技術(shù)：

1、隨著城市化進(jìn)程的加速，交通擁堵已經(jīng)成為現(xiàn)代城市面臨的主要問(wèn)題之一。傳統(tǒng)的交通管理系統(tǒng)通常依賴于固定時(shí)間控制或基于規(guī)則的適應(yīng)性信號(hào)控制方案，這些方法在應(yīng)對(duì)不斷變化的交通條件方面表現(xiàn)出較大的局限性，尤其在交通流量高度動(dòng)態(tài)和復(fù)雜的環(huán)境中容易導(dǎo)致嚴(yán)重的交通擁堵和資源浪費(fèi)。

2、近年來(lái)，基于深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的智能交通管理系統(tǒng)顯示出巨大的應(yīng)用潛力。深度學(xué)習(xí)模型，如長(zhǎng)短期記憶網(wǎng)絡(luò)(lstm)和時(shí)空?qǐng)D卷積網(wǎng)絡(luò)(stgcn)，能夠有效捕捉交通流的時(shí)空特性，提高流量預(yù)測(cè)的準(zhǔn)確性。而強(qiáng)化學(xué)習(xí)，尤其是近端策略優(yōu)化(proximal?policyoptimization，ppo)算法，則能通過(guò)不斷學(xué)習(xí)和適應(yīng)來(lái)優(yōu)化交通信號(hào)控制，從而動(dòng)態(tài)調(diào)整信號(hào)配時(shí)，降低交通延遲。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提出了一種結(jié)合深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)的交通流量預(yù)測(cè)與信號(hào)優(yōu)化方法，通過(guò)時(shí)空?qǐng)D卷積網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)結(jié)合來(lái)進(jìn)行交通流預(yù)測(cè)，并采用近端策略優(yōu)化算法對(duì)交通信號(hào)進(jìn)行動(dòng)態(tài)控制，以實(shí)現(xiàn)實(shí)時(shí)交通優(yōu)化。本發(fā)明的方法能夠有效減少交通擁堵、提高道路利用率，并且降低碳排放量。

2、具體而言，本發(fā)明的創(chuàng)新點(diǎn)包括：

3、1.時(shí)空依賴性捕捉：利用stgcn和lstm結(jié)合的混合模型，對(duì)城市交通流量進(jìn)行精確預(yù)測(cè)，捕捉交通網(wǎng)絡(luò)中的時(shí)空依賴性。

4、2.信號(hào)控制優(yōu)化：采用ppo算法，對(duì)交通信號(hào)燈的配時(shí)進(jìn)行動(dòng)態(tài)優(yōu)化，減少車輛等待時(shí)間，提高整體交通流效率。

5、3.外部因素整合：在模型中引入天氣、節(jié)假日等外部因素，增強(qiáng)系統(tǒng)對(duì)真實(shí)復(fù)雜環(huán)境的適應(yīng)能力。

技術(shù)特征：

1.一種基于深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的交通流量預(yù)測(cè)與信號(hào)優(yōu)化方法，其特征在于：

2.如權(quán)利要求1所述的方法，其中，交通流量預(yù)測(cè)模塊通過(guò)構(gòu)建交通網(wǎng)絡(luò)的圖結(jié)構(gòu)來(lái)捕捉不同道路之間的空間依賴性，并通過(guò)lstm網(wǎng)絡(luò)捕捉時(shí)間上的動(dòng)態(tài)變化，以提供準(zhǔn)確的交通流量預(yù)測(cè)。

3.如權(quán)利要求1或2所述的方法，其中，所述交通流量預(yù)測(cè)模型進(jìn)一步結(jié)合外部因素，包括天氣條件、節(jié)假日和緊急事件，以提高模型對(duì)復(fù)雜交通環(huán)境的適應(yīng)性。

4.如權(quán)利要求1所述的方法，其中，交通信號(hào)控制優(yōu)化模塊通過(guò)ppo算法對(duì)交通信號(hào)配時(shí)進(jìn)行優(yōu)化，其中，狀態(tài)空間包括車道占有率、車輛等待時(shí)間、進(jìn)入車道的車輛數(shù)量等信息，動(dòng)作空間包括紅燈、綠燈和黃燈的時(shí)間調(diào)整，獎(jiǎng)勵(lì)函數(shù)設(shè)定為最小化車輛的平均等待時(shí)間和最大化車輛通過(guò)量。

5.如權(quán)利要求4所述的方法，其中，獎(jiǎng)勵(lì)函數(shù)進(jìn)一步包含用于提高車輛速度和減少燃油消耗的參數(shù)調(diào)整，以優(yōu)化交通系統(tǒng)的環(huán)境友好性。

6.如權(quán)利要求1所述的方法，其中，交通信號(hào)控制優(yōu)化模塊通過(guò)構(gòu)建模擬交通環(huán)境來(lái)訓(xùn)練ppo算法，模擬環(huán)境包括多個(gè)交叉口、車輛流動(dòng)、車道占用率及交通信號(hào)，ppo算法通過(guò)與該環(huán)境交互學(xué)習(xí)最優(yōu)的交通信號(hào)控制策略。

7.如權(quán)利要求6所述的方法，其中，ppo算法在學(xué)習(xí)過(guò)程中使用多代理強(qiáng)化學(xué)習(xí)(multi-agent?reinforcement?learning,marl)以實(shí)現(xiàn)多個(gè)交叉口之間的信號(hào)協(xié)調(diào)，從而提升大規(guī)模城市網(wǎng)絡(luò)的交通流通行能力。

8.如權(quán)利要求1所述的方法，其中，所述交通信號(hào)控制優(yōu)化模塊的算法可通過(guò)邊緣計(jì)算和云計(jì)算相結(jié)合的方式實(shí)現(xiàn)，以確保大規(guī)模部署中的實(shí)時(shí)響應(yīng)能力。

9.一種用于實(shí)施如權(quán)利要求1至8中任一項(xiàng)的方法的智能交通管理系統(tǒng)，其特征在于：

10.如權(quán)利要求9所述的系統(tǒng)，其中，所述執(zhí)行模塊連接至交通信號(hào)燈，能夠?qū)崟r(shí)執(zhí)行優(yōu)化后的信號(hào)燈配時(shí)，以減少交通擁堵、提高通行效率并降低碳排放量。

技術(shù)總結(jié)
本發(fā)明提出了一種基于時(shí)空?qǐng)D卷積網(wǎng)絡(luò)(STGCN)、長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)與近端策略優(yōu)化(PPO)算法的交通流量預(yù)測(cè)與信號(hào)控制優(yōu)化方法，適用于智慧城市中的智能交通管理。該方法通過(guò)深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)相結(jié)合，準(zhǔn)確預(yù)測(cè)城市交通流量并優(yōu)化交通信號(hào)燈配時(shí)，旨在減少城市交通擁堵，提高道路利用效率。首先，本發(fā)明通過(guò)STGCN模型捕捉不同路段之間的空間依賴性，使用LSTM模型處理交通流量的時(shí)間動(dòng)態(tài)變化。然后，基于PPO算法對(duì)信號(hào)燈配時(shí)進(jìn)行優(yōu)化，動(dòng)態(tài)調(diào)整信號(hào)時(shí)序，從而最大限度地減少車輛等待時(shí)間，提升整體交通流的通行效率。此外，系統(tǒng)還整合了天氣、節(jié)假日等外部因素，增強(qiáng)了模型在復(fù)雜交通環(huán)境中的適應(yīng)能力。實(shí)驗(yàn)表明，使用本發(fā)明的方法，交通流量預(yù)測(cè)的準(zhǔn)確性顯著提高，同時(shí)車輛平均等待時(shí)間減少，通行量提升，交通系統(tǒng)的效率得以有效改善。該系統(tǒng)適用于大規(guī)模城市交通網(wǎng)絡(luò)，具有良好的擴(kuò)展性和實(shí)時(shí)性，為智慧城市交通管理提供了強(qiáng)大的技術(shù)支持。

技術(shù)研發(fā)人員：林榮亮,林土翔
受保護(hù)的技術(shù)使用者：林榮亮
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2