一种有助于交通信号灯控制的方法和装置与流程

本发明涉及交通领域，尤其涉及一种有助于交通信号灯控制的方法和装置。

背景技术：

随着快速的经济发展，车辆越来越多，交通路网也越来越密集。为了确保交通通畅，通常在交通路网的路口处设置交通信号灯来引导车辆有序行驶。

目前，对交通信号灯的控制通常采用静态交通控制策略。按照静态交通控制策略，交通信号灯的红绿灯时长通常在每天的各个时间段都是相同的且固定不变的。

然而，交通路网的交通状况并不时固定不变的，而是随时间而变化的，因此，采用静态交通控制策略来控制交通信号灯并不总是能确保交通通畅，尤其在每个工作日的上班时段和下班时段更是如此。

技术实现要素：

考虑到现有技术的缺陷，本发明的实施例提供一种有助于交通信号灯控制的方法和装置，其能够改善交通信号灯控制以提高交通的通畅性。

按照本发明实施例的一种有助于交通信号灯控制的方法，包括：获取至少两个训练样本，每一个训练样本用于表示一种已发生的路口交通相关状况和用于处理该已发生的路口交通相关状况的一种交通信号灯控制指令；以及，基于所述至少两个训练样本，训练得到一个分类器，其中，所述分类器用于针对出现的任一种路口交通相关状况，生成用于处理该出现的任一种路口交通相关状况的一种交通信号灯控制指令。这里，利用训练样本来训练得到用于针对出现的任一种路口交通相关状况来生成用于处理该出现的任一种路口交通相关状况的交通信号灯控制指令的分类器，从而可以利用所训练得到的分类器来针对出现的任一种路口交通相关状况而生成用于处理该出现的任一种路口交通相关状况的交通信号灯控制指令，因而能够改善交通信号灯控制以提高交通的通畅性。

其中，所述获取至少两个训练样本，包括：获取至少两个历史训练样本；以及，在所述基于所述至少两个训练样本，训练得到一个分类器之后，还包括：获取至少两个实时训练样本；以及，基于获取的所述至少两个实时训练样本对训练得到的所述分类器进行修正。这里，利用实时训练样本来修正分类器，可以提高分类器的分类准确度。

其中，所述获取至少两个实时训练样本包括：在一个路口基于训练得到的所述分类器生成的交通信号灯控制指令与该路口的出现的交通相关状况不匹配时，获取所述至少两个实时训练样本。这里，提供了一种触发修正分类器的条件，当交通信号灯控制指令与该路口的出现的交通相关状况不匹配时，说明交通信号灯控制指令已无法针对交通相关状况进行正确处理，此时利用实时的训练样本来修正分类器，可以提高分类器的分类准确度，进而能够获得更准确的交通信号灯控制指令。

其中，所述获取至少两个训练样本包括：获取至少一个由有经验的交通警察所设置的交通信号灯控制指令所对应的训练样本。这里，获取由有经验的交通警察所设置的交通信号等控制指令对应的样本，获取的样本的交通信号灯控制指令更能准确匹配实际的路口交通相关状况。基于这样的样本得到的分类器所产生的交通信号等控制指令也更能够匹配实际路口交通相关状况。

其中，所述路口交通相关状况利用下列信息中的至少一项来表示：路口交通量、路口处车辆排队长度、路口处平均车速、路口处天气状况、是否工作日和时间段，其中，所述是否工作日是指在所述路口交通相关状况被获取时的日期是否是工作日，所述时间段是指在所述路口交通相关状况被获取时的时间属于一天中的哪个时间段。这里，利用以上信息中的至少一项来表示路口交通相关状况，可以比较准确地表征路口交通相关状况。

其中，所述分类器是随机森林、决策树、支持向量机、神经网络或贝叶斯分类器。这里，当分类器是随机森林、决策树、支持向量机、神经网络或贝叶斯分类器时，分类器的分类准确度比较高。

按照本发明实施例的一种有助于交通信号灯控制的方法，包括：获取一个路口的当前实际路口交通相关状况；以及，基于所获取的当前实际路口交通相关状况，利用已获得的一个分类器来确定用于所述路口的一种交通信号灯控制指令，其中，所述分类器用于针对出现的任一种路口交通相关状况，生成用于处理该出现的任一种路口交通相关状况的一种交通信号灯控制指令。这里，利用用于针对出现的任一种路口交通相关状况来生成用于处理该出现的任一种路口交通相关状况的交通信号灯控制指令的分类器，生成用于路口的与该路口的当前实际路口交通相关状况匹配的交通信号灯控制指令，从而能够改善交通信号灯控制以提高交通的通畅性。

其中，所述分类器是基于至少两个训练样本训练得到的，其中，每一个训练样本用于表示一种已发生的路口交通相关状况和用于处理该已发生的路口交通相关状况的一种交通信号灯控制指令。这里，分类器是利用用于表示已发生的路口交通相关状况和用于处理该已发生的路口交通相关状况的交通信号灯控制指令的训练样本训练得到的，从而训练得到的分类器的分类准确度较高。

其中，利用已获得的分类器来确定用于所述路口的一种交通信号灯控制指令包括：当所述分类器是一个随机森林时，获取所述随机森林中的每一个决策树针对所述获取的当前实际路口交通相关状况而投票的候选交通信号灯控制指令；计算每一个所述候选交通信号灯控制指令的被投票次数；以及，确定被投票次数最多的所述候选交通信号灯控制指令，作为用于所述路口的交通信号灯控制指令。这里，利用随机森林类型的分类器来确定路口的交通信号灯控制指令，可以获得与路口的实际交通相关状况比较匹配的交通信号灯控制指令。

按照本发明实施例的一种有助于交通信号灯控制的装置，包括：一个获取模块，用于获取至少两个训练样本，每一个训练样本用于表示一种已发生的路口交通相关状况和用于处理该已发生的路口交通相关状况的一种交通信号灯控制指令；以及，一个训练模块，用于基于所述获取模块所获取的所述至少两个训练样本，训练得到一个分类器，其中，所述分类器用于针对出现的任一种路口交通相关状况，生成用于处理该出现的任一种路口交通相关状况的一种交通信号灯控制指令。这里，利用训练样本来训练得到用于针对出现的任一种路口交通相关状况来生成用于处理该出现的任一种路口交通相关状况的交通信号灯控制指令的分类器，从而可以利用所训练得到的分类器来针对出现的任一种路口交通相关状况而生成用于处理该出现的任一种路口交通相关状况的交通信号灯控制指令，因而能够改善交通信号灯控制以提高交通的通畅性。

其中，所述获取模块具体用于获取至少两个历史训练样本，以及，所述装置还包括：一个实时样本获取模块，用于在所述训练模块训练得到所述分类器之后，获取至少两个实时训练样本；以及，一个修正模块，用于基于所述实时样本获取模块获取的所述至少两个实时训练样本对所述训练模块训练得到的所述分类器进行修正。这里，利用实时训练样本来修正分类器，可以提高分类器的分类准确度。

其中，所述实时样本获取模块具体用于：在一个路口基于训练得到的所述分类器生成的交通信号灯控制指令与该路口的出现的交通相关状况不匹配时，获取所述至少两个实时训练样本。这里，提供了一种触发修正分类器的条件，当交通信号灯控制指令与该路口的出现的交通相关状况不匹配时，说明交通信号灯控制指令已无法针对交通相关状况进行正确处理，此时利用实时的训练样本来修正分类器，可以提高分类器的分类准确度，进而能够获得更准确的交通信号灯控制指令。

其中，所述获取模块具体用于：获取至少一个由有经验的交通警察所设置的交通信号灯控制指令所对应的训练样本。这里，获取由有经验的交通警察所设置的交通信号等控制指令对应的样本，获取的样本的交通信号灯控制指令更能准确匹配实际的路口交通相关状况。基于这样的样本得到的分类器所产生的交通信号等控制指令也更能够匹配实际路口交通相关状况。

其中，所述路口交通相关状况利用下列信息中的至少一项来表示：路口交通量、路口处车辆排队长度、路口处平均车速、路口处天气状况、是否工作日和时间段；其中，所述是否工作日是指在所述路口交通相关状况被获取时的日期是否是工作日，所述时间段是指在所述路口交通相关状况被获取时的时间属于一天中的哪个时间段。这里，利用以上信息中的至少一项来表示路口交通相关状况，可以比较准确地表征路口交通相关状况。

按照本发明实施例的一种有助于交通信号灯控制的装置，包括：一个交通状况获取模块，用于获取一个路口的当前实际路口交通相关状况；以及，一个分类模块，用于基于所述交通状况获取模块所获取的当前实际路口交通相关状况，利用已获得的一个分类器来确定用于所述路口的一种交通信号灯控制指令，其中，所述分类器用于针对出现的任一种路口交通相关状况，生成用于处理该出现的任一种路口交通相关状况的一种交通信号灯控制指令。这里，利用用于针对出现的任一种路口交通相关状况来生成用于处理该出现的任一种路口交通相关状况的交通信号灯控制指令的分类器，生成用于路口的与该路口的当前实际路口交通相关状况匹配的交通信号灯控制指令，从而能够改善交通信号灯控制以提高交通的通畅性。

其中，所述分类器是基于至少两个训练样本训练得到的，其中，每一个训练样本用于表示一种已发生的路口交通相关状况和用于处理该已发生的路口交通相关状况的一种交通信号灯控制指令。这里，分类器是利用用于表示已发生的路口交通相关状况和用于处理该已发生的路口交通相关状况的交通信号灯控制指令的训练样本训练得到的，从而训练得到的分类器的分类准确度较高。

其中，所述分类模块包括：一个指令获取模块，用于获得当所述分类器是一个随机森林时，获取所述随机森林中的每一个决策树针对所述交通获取模块所获取的当前实际路口交通相关状况而投票的候选交通信号灯控制指令；一个计算模块，用于计算每一个所述候选交通信号灯控制指令的被投票次数；以及，一个确定模块，用于确定被投票次数最多的所述候选交通信号灯控制指令，作为用于所述路口的交通信号灯控制指令。这里，利用随机森林类型的分类器来确定路口的交通信号灯控制指令，可以获得与路口的实际交通相关状况比较匹配的交通信号灯控制指令。

按照本发明实施例的一种有助于交通信号灯控制的设备，包括：处理器；以及，存储器，用于存储可执行指令，其中，所述可执行指令当被执行时使得所述处理器执行前述方法所包括的操作。

按照本发明实施例的一种计算机程序产品，包括：机器可读介质，其上存储有可执行指令，其中，所述可执行指令当被执行时使得机器执行前述方法所包括的操作。

附图说明

本发明的其它特征、特点、优点和益处通过以下结合附图的详细描述将变得更加显而易见。其中：

图1a示出了按照本发明的一个实施例的有助于交通信号灯控制的方法的总体流程图；

图1b示出了按照本发明的一个实施例的用于修正分类器的方法的流程图；

图1c示出了修正前的分类器的示例；

图1d示出了修正后的分类器的示例；

图2示出了按照本发明的一个实施例的有助于交通信号灯控制的方法的流程图；

图3示出了按照本发明的一个实施例的有助于交通信号灯控制的方法的流程图；

图4示出了按照本发明的一个实施例的有助于交通信号灯控制的装置的示意图；

图5示出了按照本发明的一个实施例的有助于交通信号灯控制的装置的示意图；以及

图6示出了按照本发明的一个实施例的有助于交通信号灯控制的设备的示意图。

附图标记列表：

100：有助于交通信号灯控制的方法；102：获取样本；

104：执行训练；106：获取状况；108：获得候选指令；

110：计算次数；112：确定指令；114：控制信号灯；

150：用于修正分类器的方法；154：收集样本；

158：进行分类；162：计算样本数量；

166：尝试找出第一特定叶节点；170：计算gini系数；

174：尝试找出第二特定叶节点；178：计算增量；

182：确定分裂属性；186：创建子节点；20：决策树；

22：叶节点；200：有助于交通信号灯控制的方法；

202：获取样本；204：训练；

300：有助于交通信号灯控制的方法；302：获取状况；

304：确定控制指令；3042：获取候选指令；

3044：计算次数；3046：确定指令；

400：有助于交通信号灯控制的装置；402：获取模块；

404：训练模块；406：实时样本获取模块；

408：修正模块；500：有助于交通信号灯控制的装置；

502：交通状况获取模块；504：分类模块；

5042：指令获取模块；5044：计算模块；5046：确定模块；

600：有助于交通信号灯控制的设备610：处理器；

620：存储器

具体实施方式

如前所述，目前的交通控制策略控制交通信号灯并不总是能确保交通通畅，那么如何确保交通通畅就变得极为重要。能确保交通通畅的一个可行的方法就是根据路口交通相关状况而提供相匹配的交通信号灯控制指令来控制路口的交通信号灯。

基于上述思路，本发明的实施例提供一种有助于交通信号灯控制的方案，其提供与路口交通相关状况相匹配的交通信号灯控制指令来控制路口的交通信号灯。该方案利用训练样本来训练得到用于针对出现的任一种路口交通相关状况而生成用于处理该出现的任一种路口交通相关状况的交通信号灯控制指令的分类器，然后利用训练得到的分类器来获取与路口的实际路口交通相关状况相匹配的交通信号灯控制指令，最后利用所获取的交通信号灯控制指令来控制路口的交通信号灯。由于在本发明的实施例的方案中基于训练样本训练得到的分类器来获取与路口的实际路口交通相关状况相匹配的交通信号灯控制指令以控制路口的的交通信号灯，因此，本发明的实施例的方案能够改善交通信号灯控制以提高交通的通畅性。

下面，将参照附图详细描述本发明的各个实施例。

现在参见图1a，其示出了按照本发明的一个实施例的有助于交通信号灯控制的方法的总体流程图。图1a所示的方法100可以由具有计算能力的任何设备(例如但不局限于，台式计算机、笔记本电脑、服务器等)来实现。

如图1a所示，在方框102，从数据库中获取至少两个训练样本。当然，训练样本也可以以除了数据库之外的其他形式来组织，比如以文件的形式存储等。每一个训练样本用于表示一种已发生的路口交通相关状况和用于处理该已发生的路口交通相关状况的交通信号灯控制指令。训练样本可以存储在硬盘或存储阵列中，或者也可以存储在分布式存储系统中。

在一个方面，每一个训练样本所表示的交通信号灯控制指令可以是由有经验的交通警察设置的。这些训练样本可以是在有经验的交通警察在路口针对不同的路口交通相关状况而设置用于路口的相应交通信号灯控制指令时收集得到并存储在数据库的。有经验的交通警察通常对何种路口交通相关状况应该使用何种交通信号灯控制指令有深刻的认识，因此，其设置用于路口的交通信号灯控制指令通常能够匹配路口的实际路口交通相关状况，从而能够改善交通信号灯控制以提高交通的通畅性。

在具体实现时，可在存储训练样本时，存储发出交通信号等控制指令的警察的标识信息(比如：警察编号等)。此外，预先存储警察的标识信息与警察经验信息的对应关系。比如：一个交通警察的警察编号为020631，该警察具有十年交通指挥经验，那么可预先存储(020631,1)，其中该对应关系中，前面部分为警察编号，后面部分中的“1”代表有10年及10年以上交通指挥经验。可选地，还可预先设置“2”代表有5年至9年交通指挥经验；以此类推。可选地，可预先设定有经验的交通警察为有5年以上交通指挥经验的警察，当然，也可设定有经验的交通警察为有10年以上交通指挥经验的警察。

因此，方框102的步骤中，在获取训练样本时，可先根据存储的训练样本中的警察编号获取对应的警察经验信息，再按照预先设定的“有经验的交通警察”的要求从存储的训练样本中筛选出有训练样本。

在一个方面，交通信号灯控制指令可以表示例如路口中的各个行驶方向的绿灯时长。

在一个方面，路口交通相关状况可以利用路口交通量、路口处车辆排队长度、路口处平均车速、路口处天气状况、是否工作日和时间段这些属性来表示。其中，是否工作日是指在路口交通相关状况被获取时的日期是否是工作日，而时间段是指在路口交通相关状况被获取时的时间属于一天中的哪个时间段。在一个方面，路口交通量、路口处车辆排队长度和路口处平均车速例如可以利用安装在路口处的各个方向的道路中的各种交通用传感器测量得到。在一个方面，路口处天气状况例如可以从互联网上获取。

在方框104，利用所获取的训练样本来执行训练，以得到作为分类器的随机森林(randomforest)。本领域技术人员将理解，虽然本实施例训练得到的分类器是随机森林，然而，本发明并不局限于此。在本发明的其它实施例中，分类器也可以是除了随机森林之外的其它类型的分类器，例如但不局限于，决策树、神经网络、支持向量机或贝叶斯分类器等。

本领域技术人员都理解，随机森林包括多个决策树(decisiontree)，其中，每一个决策树是一个树形结构，该树形结构的每一个内部节点表示对输入的某一个属性进行测试，该内部节点的每一个分支表示一种测试输出，以及，该树形结构的每一个叶节点表示对输入的某种分类。本领域技术人员也都理解，随机森林所包括的每一个决策树基于对输入的部分属性的测试而将输入投票到某种分类，即将输入划分到某种分类。在采用随机森林时，决策树是随机森林的组成部分，当然，决策树也可独立地作为分类器实现本发明实施例提供的方案。

具体的，本实施例训练得到的随机森林用于针对出现的任一种路口交通相关状况，生成用于处理该出现的任一种路口交通相关状况的交通信号灯控制指令。本实施例训练得到的随机森林所包括的每一个决策树的每一个内部节点表示对作为输入的路口交通相关状况中的某一个属性进行测试，以及，每一个叶节点表示某一交通信号灯控制指令。本实施例训练得到的随机森林所包括的每一个决策树将路口交通相关状况投票到某个交通信号灯控制指令。

由于在给定训练样本的情况如何训练随机森林对本领域技术人员而言是公知的，因此，在此省略对如何训练随机森林的描述。在训练得到作为分类器的随机森林之后，就可以利用随机森林根据路口的不同路口交通相关状况来获得用于路口的相应交通信号灯控制指令。

在方框106，获取路口的当前实际路口交通相关状况。

在一个方面，在路口交通相关状况利用路口处交通量、路口处车辆排队长度、路口处平均车速、路口处天气状况、是否工作日和时间段来表示的情况下，可以通过以下方式来获取路口的当前实际路口交通相关状况：例如可以从安装在路口处的各个方向的道路中的各种交通用传感器获取路口处交通量、路口处车辆排队长度和路口处平均车速；例如可以从互联网上获取路口处天气状况；例如可以从执行方法100的设备上获取当前的日期并基于所获取的日期来确定是否工作日这个属性的取值；以及，例如可以从执行方法100的设备上获取当前的时间并基于所获取的时间来确定时间段这个属性的取值。

在方框108，获得训练得到的随机森林中的每一个决策树针对所获取的当前实际路口交通相关状况而投票的交通信号灯控制指令。下面，将每一个决策树投票的交通信号灯控制指令称为候选交通信号灯控制指令。

在方框110，计算每一个候选交通信号灯控制指令的被投票次数。例如，假设候选交通信号灯控制指令a被训练得到的随机森林中的n个决策树投票，以及，候选交通信号灯控制指令b被训练得到的随机森林中的m个决策树投票，那么候选交通信号灯控制指令a的被投票次数为n，以及，候选交通信号灯控制指令b的被投票次数为m。

在方框112，确定被投票次数最多的候选交通信号灯控制指令，作为用于路口的交通信号灯控制指令。

在方框114，基于所确定的用于路口的交通信号灯控制指令，控制路口的交通信号灯。

其中，方框102-104的操作通常称为分类器的离线训练，通常可以离线执行，对实时性要求并不高。而方框106-114的操作通常称为在线分类，通常是针对一个路口来实时执行的。

从以上的描述可以看出，本实施例的方案利用训练样本训练得到用于针对出现的任一种路口交通相关状况来生成用于处理该出现的任一种路口交通相关状况的交通信号灯控制指令的分类器，以及，使用训练得到的分类器来获得与路口的实际交通路口相关状况相匹配的交通信号灯控制指令作为用于路口的交通信号灯控制指令，从而，本实施例的方案能够使得用于路口的交通信号灯控制指令与路口的实际交通路口相关状况相匹配，因此，本实施例的方案能够改善交通信号灯控制以提高交通的通畅性。

在一个方面，在训练得到作为分类器的随机森林之后，还可以继续收集训练样本来修正随机森林以提高随机森林的分类准确度。这里，为了区别起见，用于训练得到随机森林的训练样本被称为历史训练样本，而用于修正随机森林的训练样本被称为实时训练样本。

现在参见图1b，其示出了按照本发明的一个实施例的用于修正分类器的方法的流程图。图1b所示的方法150可以由具有计算能力的任何设备(例如但不局限于，台式计算机、笔记本电脑、服务器等)来实现。

如图1b所示，在方框154，在训练得到作为分类器的随机森林f之后，收集用于修正随机森林f的至少两个实时训练样本，其中，每一个实时训练样本用于表示一种已发生的路口交通相关状况和用于处理该已发生的路口交通相关状况的交通信号灯控制指令。在一个方面，每一个实时训练样本所表示的交通信号灯控制指令可以是由有经验的交通警察设置的。所收集的实时训练样本也可以存储在前面步骤102所提及的各种存储介质中，其可以与历史训练样本存储于同一存储介质中，用于修正分类器。在一个方面，不管训练得到的随机森林f所提供的交通信号灯控制指令是否与路口的实际路口交通相关状况相匹配，在训练得到作为分类器的随机森林f之后，就开始收集实时训练样本。在另一个方面，当发现训练得到的随机森林f所提供的交通信号灯控制指令与路口的实际路口交通相关状况不匹配时，才开始收集实时训练样本。

在方框158，使用随机森林f所包括的每一个决策树对所收集的实时训练样本逐一进行分类，其中，每一个实时训练样本将会到达随机森林f所包括的每一个决策树中的某一个叶节点。

在方框162，在分类完成之后，计算分类器f的所有叶节点中的每一个叶节点所到达的样本数量。

在方框166，尝试从随机森林f的所有叶节点中找出第一特定叶节点，其中，第一特定叶结点所到达的样本数量大于最小样本数量α。所找到的第一特定叶节点的数量可能是零、一个或多个。

在方框170，如果找到至少一个第一特定叶节点，则计算每一个第一特定叶节点的gini系数。每一个第一特定叶节点的gini系数是利用到达该第一特定叶节点的实时训练样本来计算的。例如，假设到达第一特定叶节点pi的样本是n1、n2、n3、n5、n7、n9这六个样本，那么第一特定叶节点pi的gini系数是利用样本n1、n2、n3、n5、n7、n9来计算的。由于如何计算决策树的节点的gini系数对于本领域技术人员而言是公知，因此，在此省略对其的详细描述。

在方框174，尝试从所找到的第一特定叶节点中找出第二特定叶节点，其中，第二特地叶节点的gini系数大于阈值β。这里，第二特定叶节点就是需要分裂的叶节点。其中，所找到的第二特定叶节点的数量可能是零、一个或多个。

在方框178，如果找到至少一个第二特定叶节点，则对于每一个第二特定叶节点qi，利用到达第二特定叶节点qi的实时训练样本来计算可在第二特定叶节点qi处用作分裂属性的至少一个候选属性中每一个候选属性的gini系数的增量。所述至少一个候选属性是第二特定叶节点qi所在的决策树的节点已经使用过的属性之外的其它属性。例如，以属性集“路口交通量、路口处车辆排队长度、路口处平均车速、路口处天气状况、是否工作日、时间段”为例，假设第二特定叶节点qi所在的决策树已经使用过属性“路口处天气状况”和“是否工作日”，那么所述至少一个候选属性是“路口交通量”、“路口处车辆排队长度”、“路口处平均车速”和“时间段”。由于如何计算属性的gini系数的增量对于本领域技术人员而言是公知的，因此，在此省略对其的详细描述。

在方框182，确定所述至少一个候选属性中具有最大的gini系数的增量的候选属性，作为第二特定叶节点qi的分裂属性。例如，假设与其它候选属性“路口处车辆排队长度”、“路口处平均车速”和“时间段”相比，候选属性“路口交通量”的gini系数的增量最大，则候选属性“路口交通量”被确定为第二特定叶节点qi的分裂属性。

在方框186，在确定第二特定叶节点qi的分裂属性之后，利用到达第二特定叶节点q的实时训练样本来创建第二特定叶节点qi的子节点。在这种情况下，第二特定叶节点qi变成了其所在的决策树的内部节点，而第二特定叶节点qi的子节点就成为了相应决策树的叶节点。

在每一个第二特定叶节点qi的分裂属性被确定并且其子节点被创建之后，完成了随机森林f的修正。

下面，基于图1c-1d说明分类器的修正过程的示例。

例如，假设经过方框154-174计算发现，作为分类器的随机森林f所包括的决策树20中的叶节点22的到达的实时训练样本数量大于最小样本数量α和gini系数大于阈值β，那么叶节点22属于需要分裂的叶节点。

从图1c可以看出，在属性集“路口交通量、路口处车辆排队长度、路口处平均车速、路口处天气状况、是否工作日、时间段”中，决策树20已经使用过“路口处天气状况”和“是否工作日”这两个属性，因此，剩下的属性“路口交通量”、“路口处车辆排队长度”、“路口处平均车速”和“时间段”是可在叶节点22处用作分裂属性的候选属性。

假设到达叶节点22的实时训练样本是n11、n12、n13、n15，其中，实时训练样本是n11、n12所指示的交通信号灯控制指令为“短”和实时训练样本是n13、n15所指示的交通信号灯控制指令为“长”，则利用到达叶节点22的实时训练样本n11、n12、n13、n15来计算候选属性“路口交通量”、“路口处车辆排队长度”、“路口处平均车速”和“时间段”各自的gini系数的增量。假设，候选属性“路口交通量”的gini系数的增量最大，则如图2所示，候选属性“路口交通量”被确定为叶节点qi的分裂属性，以及，利用到达叶节点22的实时训练样本n11、n12、n13、n15来创建叶节点qi的两个子节点，这两个子节点分别指示交通信号灯控制指令为“短”和“长”。

其他变型

本领域技术人员应当理解，虽然方框102-104的操作和方框106-114的操作可以在同一设备中实现，但是，通常情况下，方框102-104的操作和方框106-114的操作分别在不同的设备中实现。例如但不局限于，方框106-114的操作在位于路口的用于控制交通信号灯的计算机上实现。

本领域技术人员应当理解，虽然在上面的实施例中，方法100包括方框114以基于所确定的用于路口的交通信号灯控制指令来控制路口的交通信号灯，然而，本发明并不局限于此。在本发明的其它一些实施例中，方法100也可以不包括方框114的操作。在这种情况下，方法100只是确定出用于路口的交通信号灯控制指令，然后交通警察根据所确定的用于路口的交通信号灯控制指令来控制路口的交通信号灯，这特别适用于需要交通警察手动控制路口的交通信号灯但交通警察对如何控制路口的交通信号灯的经验不足的情形。

本领域技术人员应当理解，虽然在上面的实施例中，方框104训练得到的分类器是随机森林，然而，本发明并不局限于此。在本发明的其它一些实施例中，方框104训练得到的分类器也可以是其它类型的分类器，例如但不局限于，决策树、神经网络、支持向量机或贝叶斯分类器等。这里，当分类器是随机森林、决策树、支持向量机、神经网络或贝叶斯分类器时，分类器的分类准确度比较高。

本领域技术人员应当理解，虽然在上面的实施例中，路口交通相关状况利用路口处交通量、路口处车辆排队长度、路口处平均车速、路口处天气状况、是否工作日和时间段这些属性来表示，然而，本发明并不局限于此。在本发明的其它一些实施例中，路口交通相关状况也可以仅利用路口处交通量、路口处车辆排队长度、路口处平均车速、路口处天气状况、是否工作日和时间段中的部分属性来表示，或者，路口交通相关状况可以利用路口处交通量、路口处车辆排队长度、路口处平均车速、路口处天气状况、是否工作日和时间段中的至少一部分属性和其它类型的合适的属性来表示，或者，路口交通相关状况可以利用除了路口处交通量、路口处车辆排队长度、路口处平均车速、路口处天气状况、是否工作日和时间段之外的其它类型的合适的属性来表示。这里，利用以上信息中的至少一项来表示路口交通相关状况，可以比较准确地表征路口交通相关状况。

现在参见图2，其示出了按照本发明的一个实施例的有助于交通信号灯控制的方法的流程图。图2所示的方法200可以由具有计算能力的任何设备来实现。

如图2所示，方法200可以包括，在方框202，获取至少两个训练样本，每一个训练样本用于表示一种已发生的路口交通相关状况和用于处理该已发生的路口交通相关状况的一种交通信号灯控制指令。方框202例如可以利用方框102来实现。

方法200还可以包括，在方框204，基于所述至少两个训练样本，训练得到一个分类器，其中，所述分类器用于针对出现的任一种路口交通相关状况，生成用于处理该出现的任一种路口交通相关状况的一种交通信号灯控制指令。方框204例如可以利用方框104来实现。

这里，利用训练样本来训练得到用于针对出现的任一种路口交通相关状况来生成用于处理该出现的任一种路口交通相关状况的交通信号灯控制指令的分类器，从而可以利用所训练得到的分类器来针对出现的任一种路口交通相关状况而生成用于处理该出现的任一种路口交通相关状况的交通信号灯控制指令，因而能够改善交通信号灯控制以提高交通的通畅性。

在一个方面，方框202可以包括，获取至少两个历史训练样本，以及，在方框204之后，方法200还可以包括：获取至少两个实时训练样本，以及，基于获取的所述至少两个实时训练样本对训练得到的所述分类器进行修正。这里，利用实时训练样本来修正分类器，可以提高分类器的分类准确度。

在另一个方面，所述获取至少两个实时训练样本可以包括：在一个路口基于训练得到的所述分类器生成的交通信号灯控制指令与该路口的出现的交通相关状况不匹配时，获取所述至少两个实时训练样本。这里，提供了一种触发修正分类器的条件，当交通信号灯控制指令与该路口的出现的交通相关状况不匹配时，说明交通信号灯控制指令已无法针对交通相关状况进行正确处理，此时利用实时的训练样本来修正分类器，可以提高分类器的分类准确度，进而能够获得更准确的交通信号灯控制指令。

在又一个方面，所述获取至少两个训练样本可以包括：获取至少一个由有经验的交通警察所设置的交通信号灯控制指令所对应的训练样本。这里，获取由有经验的交通警察所设置的交通信号等控制指令对应的样本，获取的样本的交通信号灯控制指令更能准确匹配实际的路口交通相关状况。基于这样的样本得到的分类器所产生的交通信号等控制指令也更能够匹配实际路口交通相关状况。

在再一个方面，所述路口交通相关状况利用下列信息中的至少一项来表示：路口交通量、路口处车辆排队长度、路口处平均车速、路口处天气状况、是否工作日和时间段，其中，所述是否工作日是指在所述路口交通相关状况被获取时的日期是否是工作日，所述时间段是指在所述路口交通相关状况被获取时的时间属于一天中的哪个时间段。这里，利用以上信息中的至少一项来表示路口交通相关状况，可以比较准确地表征路口交通相关状况。

在又再一个方面，所述分类器是随机森林、决策树、支持向量机、神经网络或贝叶斯分类器。这里，当分类器是随机森林、决策树、支持向量机、神经网络或贝叶斯分类器时，分类器的分类准确度比较高。

现在参见图3，其示出了按照本发明的一个实施例的有助于交通信号灯控制的方法的流程图。图3所示的方法300可以由具有计算能力的任何设备来实现。

如图3所示，方法300可以包括，在方框302，获取一个路口的当前实际路口交通相关状况。方框302例如可以利用方框106来实现。

方法300还可以包括，在方框304，基于所获取的当前实际路口交通相关状况，利用已获得的一个分类器来确定用于所述路口的一种交通信号灯控制指令，其中，所述分类器用于针对出现的任一种路口交通相关状况，生成用于处理该出现的任一种路口交通相关状况的一种交通信号灯控制指令。方框304例如可以利用方框108-112来实现。

这里，利用用于针对出现的任一种路口交通相关状况来生成用于处理该出现的任一种路口交通相关状况的交通信号灯控制指令的分类器，生成用于路口的与该路口的当前实际路口交通相关状况匹配的交通信号灯控制指令，从而能够改善交通信号灯控制以提高交通的通畅性。

在一个方面，所述分类器是基于至少两个训练样本训练得到的，其中，每一个训练样本用于表示一种已发生的路口交通相关状况和用于处理该已发生的路口交通相关状况的一种交通信号灯控制指令。这里，分类器是利用用于表示已发生的路口交通相关状况和用于处理该已发生的路口交通相关状况的交通信号灯控制指令的训练样本训练得到的，从而训练得到的分类器的分类准确度较高。

在另一个方面，方框304包括：在方框3042，当所述分类器是一个随机森林时，获取所述随机森林中的每一个决策树针对所述获取的当前实际路口交通相关状况而投票的候选交通信号灯控制指令；在方框3044，计算每一个所述候选交通信号灯控制指令的被投票次数；以及，在方框3046，确定被投票次数最多的所述候选交通信号灯控制指令，作为用于所述路口的交通信号灯控制指令。这里，利用随机森林类型的分类器来确定路口的交通信号灯控制指令，可以获得与路口的实际交通相关状况比较匹配的交通信号灯控制指令。

在又一个方面，所述路口交通相关状况利用下列信息中的至少一项来表示：路口交通量、路口处车辆排队长度、路口处平均车速、路口处天气状况、是否工作日和时间段，其中，所述是否工作日是指在所述路口交通相关状况被获取时的日期是否是工作日，所述时间段是指在所述路口交通相关状况被获取时的时间属于一天中的哪个时间段。这里，利用以上信息中的至少一项来表示路口交通相关状况，可以比较准确地表征路口交通相关状况。

在再一个方面，所述分类器是随机森林、决策树、支持向量机、神经网络或贝叶斯分类器。这里，当分类器是随机森林、决策树、支持向量机、神经网络或贝叶斯分类器时，分类器的分类准确度比较高。

现在参见图4，其示出了按照本发明的一个实施例的有助于交通信号灯控制的装置的示意图。图4所示的装置400可以利用软件、硬件(例如集成电路或dsp等)或软硬件结合的方式来实现。

图4所示，装置400可以包括一个获取模块402和一个训练模块404。获取模块402用于获取至少两个训练样本，每一个训练样本用于表示一种已发生的路口交通相关状况和用于处理该已发生的路口交通相关状况的一种交通信号灯控制指令。训练模块404用于基于获取模块402所获取的所述至少两个训练样本，训练得到一个分类器，其中，所述分类器用于针对出现的任一种路口交通相关状况，生成用于处理该出现的任一种路口交通相关状况的一种交通信号灯控制指令。获取模块402例如可以利用方框102来实现，训练模块404例如可以利用方框104来实现。这里，利用训练样本来训练得到用于针对出现的任一种路口交通相关状况来生成用于处理该出现的任一种路口交通相关状况的交通信号灯控制指令的分类器，从而可以利用所训练得到的分类器来针对出现的任一种路口交通相关状况而生成用于处理该出现的任一种路口交通相关状况的交通信号灯控制指令，因而能够改善交通信号灯控制以提高交通的通畅性。

在一个方面，获取模块402具体用于获取至少两个历史训练样本，以及，装置400还可以包括：一个实时样本获得模块406，用于在训练模块404训练得到所述分类器之后，获取至少两个实时训练样本；以及，一个修正模块408，用于基于实时样本获得模块406获取的所述至少两个实时训练样本对训练模块404训练得到的所述分类器进行修正。这里，利用实时训练样本来修正分类器，可以提高分类器的分类准确度。

在另一个方面，实时样本获取模块406具体用于：在一个路口基于训练得到的所述分类器生成的交通信号灯控制指令与该路口的出现的交通相关状况不匹配时，获取所述至少两个实时训练样本。这里，提供了一种触发修正分类器的条件，当交通信号灯控制指令与该路口的出现的交通相关状况不匹配时，说明交通信号灯控制指令已无法针对交通相关状况进行正确处理，此时利用实时的训练样本来修正分类器，可以提高分类器的分类准确度，进而能够获得更准确的交通信号灯控制指令。

在又一个方面，获取模块402具体用于：获取至少一个由有经验的交通警察所设置的交通信号灯控制指令所对应的训练样本。这里，获取由有经验的交通警察所设置的交通信号等控制指令对应的样本，获取的样本的交通信号灯控制指令更能准确匹配实际的路口交通相关状况。基于这样的样本得到的分类器所产生的交通信号等控制指令也更能够匹配实际路口交通相关状况。

在另一个方面，所述路口交通相关状况利用下列信息中的至少一项来表示：路口交通量、路口处车辆排队长度、路口处平均车速、路口处天气状况、是否工作日和时间段；其中，所述是否工作日是指在所述路口交通相关状况被获取时的日期是否是工作日，所述时间段是指在所述路口交通相关状况被获取时的时间属于一天中的哪个时间段。这里，利用以上信息中的至少一项来表示路口交通相关状况，可以比较准确地表征路口交通相关状况。

在又一个方面，所述分类器是随机森林、决策树、支持向量机、神经网络或贝叶斯分类器。这里，当分类器是随机森林、决策树、支持向量机、神经网络或贝叶斯分类器时，分类器的分类准确度比较高。

现在参见图5，其示出了按照本发明的一个实施例的有助于交通信号灯控制的装置的示意图。图5所示的装置500可以利用软件、硬件(例如集成电路或dsp等)或软硬件结合的方式来实现。

图5所示，装置500可以包括一个交通状况获取模块502和一个分类模块504。交通状况获取模块502用于获取一个路口的当前实际路口交通相关状况。分类模块504用于基于交通状况获取模块502所获取的当前实际路口交通相关状况，利用已获得的一个分类器来确定用于所述路口的一种交通信号灯控制指令，其中，所述分类器用于针对出现的任一种路口交通相关状况，生成用于处理该出现的任一种路口交通相关状况的一种交通信号灯控制指令。交通状况获取模块502例如可以利用方框106来实现，分类模块504例如可以利用方框108-112来实现。这里，利用用于针对出现的任一种路口交通相关状况来生成用于处理该出现的任一种路口交通相关状况的交通信号灯控制指令的分类器，生成用于路口的与该路口的当前实际路口交通相关状况匹配的交通信号灯控制指令，从而能够改善交通信号灯控制以提高交通的通畅性。

在一个方面，所述分类器是基于至少两个训练样本训练得到的，其中，每一个训练样本用于表示一种已发生的路口交通相关状况和用于处理该已发生的路口交通相关状况的一种交通信号灯控制指令。这里，分类器是利用用于表示已发生的路口交通相关状况和用于处理该已发生的路口交通相关状况的交通信号灯控制指令的训练样本训练得到的，从而训练得到的分类器的分类准确度较高。

在另一个方面，分类模块504可以包括一个指令获取模块5042、一个计算模块5044和一个确定模块5046。指令获得模块5042用于当所述分类器是一个随机森林时，获取所述随机森林中的每一个决策树针对交通状况获取模块502所获取的当前实际路口交通相关状况而投票的候选交通信号灯控制指令。计算模块5044用于计算每一个所述候选交通信号灯控制指令的被投票次数。确定模块5046用于确定被投票次数最多的所述候选交通信号灯控制指令，作为用于所述路口的交通信号灯控制指令。这里，利用随机森林类型的分类器来确定路口的交通信号灯控制指令，可以获得与路口的实际交通相关状况比较匹配的交通信号灯控制指令。

在又一个方面，所述路口交通相关状况利用下列信息中的至少一项来表示：路口交通量、路口处车辆排队长度、路口处平均车速、路口处天气状况、是否工作日和时间段，其中，所述是否工作日是指在所述路口交通相关状况被获取时的日期是否是工作日，所述时间段是指在所述路口交通相关状况被获取时的时间属于一天中的哪个时间段。这里，利用以上信息中的至少一项来表示路口交通相关状况，可以比较准确地表征路口交通相关状况。

在再一个方面，所述分类器是随机森林、决策树、支持向量机、神经网络或贝叶斯分类器。这里，当分类器是随机森林、决策树、支持向量机、神经网络或贝叶斯分类器时，分类器的分类准确度比较高。

现在参见图6，其示出了按照本发明一个实施例的有助于交通信号灯控制的设备的示意图。如图6所示，有助于交通信号灯控制的设备600可以包括处理器610和存储器620。存储器620用于存储可执行指令，该可执行指令当被执行时使得处理器610执行方法200和/或方法300所包括的各个操作。

本发明的实施例还提供一种种计算机程序产品，包括机器可读介质，其上存储有可执行指令，当该可执行指令被执行时，使得机器执行方法200和/或方法300所包括的各个操作。

本领域技术人员应当理解，上面公开的各个实施例可以在不偏离发明实质的情况下做出各种变形和修改。因此，本发明的保护范围应当由所附的权利要求书来限定。