智能交通管控方法、系统以及类脑计算可读存储介质

技术领域

本发明涉及交通管控领域，尤其涉及一种智能交通管控方法、系统以及类脑计算可读存储介质。

背景技术

现阶段智能交通管控系统大多基于已有数据，通过路径选择模型或神经网络模型对已有数据进行评估，不能做到路径流量的实时管控。常见的决策模型如期望效用理论、随机效用理论等，无法对个体决策行为进行预测。而交通流量的产生是个体车辆的集合，个体车辆的决策直接影响着各道路交通流量，而现阶段统一的流量管控系统不能满足道路实时性变化的需求。现有技术大多基于神经网络预测模型缺乏选择决策过程的研究,决策模型无法根据不同场景、出行目的和不同驾驶员属性进行调整和更改，造成预测机械化，无法反应路径选择真实情况，难以实现交通管控系统的智能化。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种智能交通管控方法、系统以及类脑计算可读存储介质。

本发明解决其技术问题所采用的技术方案是：构造一种交通管控方法，所述方法包括：

权重预存步骤：利用驾驶员基本属性、环境属性以及路径选择的历史数据训练类脑神经网络，将训练好的类脑神经网络中的用于代表不同属性驾驶员对不同环境属性的敏感程度的权重存储到表空间；

路径预测步骤：收集驾驶员基本属性以及环境属性的具体数据，将收集的数据送入训练好的类脑神经网络，所述类脑神经网络进行表空间的搜索计算，找到当前输入的基本属性和环境属性的所对应的权重，根据找到的权重计算得到驾驶员的路径选择的预测结果；

交通管控步骤：结合驾驶员路径选择的预测结果，提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控。

进一步地，所述的提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控，包括：根据驾驶员路径选择的预测结果，预测各路口车辆排队长度，根据排队长度调整交通信号灯的红绿灯亮灯时长。

进一步地，所述方法还包括：每间隔一段时间，利用新的历史数据重新执行所述权重预存步骤，以更新所述表空间。

进一步地，所述的根据找到的权重计算得到驾驶员的路径选择的预测结果，包括：

类脑神经网络根据找到的权重计算效价矩阵以及反馈矩阵；

根据计算得到的效价矩阵、偏好矩阵，基于计算式

进一步地，所述反馈矩阵

进一步地，所述效价矩阵的计算式为

本发明另一方面还构造了一种智能交通管控系统，包括：

权重预存模块，用于利用驾驶员基本属性、环境属性以及路径选择的历史数据训练类脑神经网络，将训练好的类脑神经网络中的用于代表不同属性驾驶员对不同环境属性的敏感程度的权重存储到表空间；

路径预测模块，用于收集驾驶员基本属性以及环境属性的具体数据，将收集的数据送入训练好的类脑神经网络，所述类脑神经网络进行表空间的搜索计算，找到当前输入的基本属性和环境属性的所对应的权重，根据找到的权重计算得到驾驶员的路径选择的预测结果；

交通管控模块，用于结合驾驶员路径选择的预测结果，提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控。

进一步地，所述的根据找到的权重计算得到驾驶员的路径选择的预测结果，包括：

类脑神经网络根据找到的权重计算效价矩阵以及反馈矩阵；

根据计算得到的效价矩阵、偏好矩阵，基于计算式

本发明还构造了一种交通管控系统，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现如前所述的方法的步骤。

本发明还构造了一种类脑计算可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如前所述的方法的步骤。

本发明的智能交通管控方法、系统以及类脑计算可读存储介质，具有以下有益效果：本发明根据收集的所有驾驶员基本属性、环境属性预测路径选择，进而提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控，如此，考虑个体决策行为对最终交通管控的影响，且克服了既有的预测机械化的缺陷，可以实现交通管控系统的智能化管控，有效缓解道路拥堵情况，提升智能管控效果；而且，本发明中为了提高效率，类脑神经网络训练好之后，会将用于代表不同属性驾驶员对不同环境属性的敏感程度的权重存储到表空间，因此在实时应用时，可以进行表空间的搜索计算快速找到权重从而计算预测结果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图：

图1是本发明智能交通管控方法的流程示意图；

图2是表空间搜索示意图。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的典型实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

本发明的总的思路是：先利用驾驶员基本属性、环境属性以及路径选择的历史数据训练类脑神经网络，将训练好的类脑神经网络中的用于代表不同属性驾驶员对不同环境属性的敏感程度的权重存储到表空间；在之后进行交通管控的过程中，收集驾驶员基本属性以及环境属性的具体数据，将收集的数据送入训练好的类脑神经网络，所述类脑神经网络进行表空间的搜索计算，找到当前输入的基本属性和环境属性的所对应的权重，根据找到的权重计算得到驾驶员的路径选择的预测结果，结合驾驶员路径选择的预测结果，提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。

实施例一

参考图1，本实施例的智能交通管控方法包括：

S101：权重预存步骤，该步骤包括：利用驾驶员基本属性、环境属性以及路径选择的历史数据训练类脑神经网络，将训练好的类脑神经网络中的用于代表不同属性驾驶员对不同环境属性的敏感程度的权重存储到表空间。

其中，驾驶员基本属性包括但不限于年龄、性别、职业等等，环境参数包括但不限于天气（比如晴、雨天）、出行时间（平时、高峰）、道路属性（红绿灯个数、行驶距离、行驶时间、高速费用）等。

本实施例中的类脑神经网络的输入是驾驶员基本属性、环境属性，输出是路径选择的具体结果，类脑神经网络在利用输入计算输出的过程中，会考虑不同属性驾驶员对不同环境属性的敏感程度，我们以权重来表示不同属性驾驶员对不同环境属性的敏感程度，不同基本属性、环境属性可以组合形成不同的场景，我们可将其称之为标签事件。比如说，假设基本属性只有年龄、性别，环境参数只有天气和出行时间，其中，性别有男、女两个选项，年龄划分为20-30、40-50、50-70三个区间选项，天气划分为晴天、雨天两个选项，出行时间划分为平时、高峰两个选项，则他们可以组合得到

优选地，为了保证该神经网络的可靠性，需要定期或者不定期的对该神经网络进行修正，因此，所述方法还包括：每间隔一段时间，利用新的历史数据重新执行所述权重预存步骤，以更新所述表空间，即更新存储的权重。

S102：路径预测步骤，该步骤包括：收集驾驶员基本属性以及环境属性的具体数据，将收集的数据送入训练好的类脑神经网络，所述类脑神经网络进行表空间的搜索计算，找到当前输入的基本属性和环境属性的所对应的权重，根据找到的权重计算得到驾驶员的路径选择的预测结果。

具体的，类脑神经网络找到当前输入的基本属性和环境属性的所对应的权重后，执行计算进行预测。本实施例中，主要是利用决策场理论进行预测。决策场理论中最核心的思想是，每个备选方案都有一个偏好值，决策者每一时刻对于备选方案的偏好被计入到矩阵

其中，

因此，为了计算得到

1）下面介绍效价矩阵。

效价表示决策者每一时刻对某一属性的偏好在选择过程中的影响，效价矩阵的计算式如下：

其中，

11）比较矩阵

12）属性矩阵

A）标准0-1变换法，是将转换后的属性值大小控制在0-1之间。其中，最优的选项值为1，最差的选项值为0。

对于效益型属性

对于成本型属性

B）向量规范化的方法对于成本型属性和效益型属性都适用。

其中，n为神经网络输出的道路方案个数，此方法通常适用于计算各个方案与理想方案间的欧式距离。

在计算过程中，各方案中属性值会出现相差过大的现象，从而导致某个属性会被过分夸大，造成决策的失真。为了使无量纲化后的属性值能够合理的反映决策行为，可采用统计平均的方法对属性值进行集中化处理。

其中

以上计算式中，

13）权重矩阵

我们可以结合层次分析法所得的属性间的重要程度，得到相应的属性重要度排序，确定其权重系数，通过归一化处理得到评价因素的权向量

2）下面介绍反馈矩阵

反馈矩阵

其中，

反馈矩阵

下面介绍空间距离矩阵

1）以欧式距离为距离计算公式:

其中，

2）以广义距离函数为距离计算公式:

在权重矩阵

其中1所在的位置为第

将每项结果除以各项结果的模，并放入一个新的矩阵

将主观权重参数

由矩阵

可见，在计算距离矩阵

S103：交通管控步骤，该步骤包括：结合驾驶员路径选择的预测结果，提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控。

具体的，所述的提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控，包括：根据驾驶员路径选择的预测结果，预测各路口车辆排队长度，根据排队长度调整交通信号灯的红绿灯亮灯时长，比如排队长度增加，则在原来的绿灯的亮灯时间的基础上增加绿灯时长，排队长度减小，则在原来的绿灯的亮灯时间的基础上减小绿灯时长。

本实施例的有益效果是：根据收集的所有驾驶员基本属性、环境属性预测路径选择，进而提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控，如此，考虑个体决策行为对最终交通管控的影响，且克服了既有的预测机械化的缺陷，可以实现交通管控系统的智能化管控，有效缓解道路拥堵情况，提升智能管控效果；而且，本发明中为了提高效率，类脑神经网络训练好之后，会将用于代表不同属性驾驶员对不同环境属性的敏感程度的权重存储到表空间，因此在实时应用时，可以进行表空间的搜索计算快速找到权重从而计算预测结果。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。

实施例二

本实施例公开了一种智能交通管控系统，包括：

权重预存模块，用于利用驾驶员基本属性、环境属性以及路径选择的历史数据训练类脑神经网络，将训练好的类脑神经网络中的用于代表不同属性驾驶员对不同环境属性的敏感程度的权重存储到表空间；

路径预测模块，用于收集驾驶员基本属性以及环境属性的具体数据，将收集的数据送入训练好的类脑神经网络，所述类脑神经网络进行表空间的搜索计算，找到当前输入的基本属性和环境属性的所对应的权重，根据找到的权重计算得到驾驶员的路径选择的预测结果；

交通管控模块，用于结合驾驶员路径选择的预测结果，提前对拥堵进行预测，并根据预测结果进行交通信号灯的管控。

以上三个模块，具体对应方法实施例中的三个步骤，因此，更多内容可以参考方法实施例部分，此处不再赘述。

上述描述涉及各种模块。这些模块通常包括硬件和/或硬件与软件的组合。这些模块还可以包括包含指令的计算机可读介质，当处理器执行这些指令时，就可以执行本发明的各种功能性特点。相应地，除非明确要求，本发明的范围不受实施例中明确提到的模块中的特定硬件和/或软件特性的限制。作为非限制性例子，本发明在实施例中可以由一种或多种处理器执行软件指令。需要指出的是，上文对各种模块的描述中，分割成这些模块，是为了说明清楚。然而，在实际实施中，各种模块的界限可以是模糊的。例如，本文中的任意或所有功能性模块可以共享各种硬件和/或软件元件。又例如，本文中的任何和/或所有功能模块可以由共有的处理器执行软件指令来全部或部分实施。另外，由一个或多个处理器执行的各种软件子模块可以在各种软件模块间共享。相应地，除非明确要求，本发明的范围不受各种硬件和/或软件元件间强制性界限的限制。

实施例三

本实施例公开了一种智能交通管控系统，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现如实施例一所述方法的步骤，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

实施例四

本实施例公开了一种类脑计算可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时实现如实施例一所述方法的步骤，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。