城市道路交叉口时段划分方法及存储介质与流程

1.本发明涉及交通信息技术领域，具体涉及一种城市道路交叉口时段划分方法及存储介质。


背景技术：

2.现有的交通信号控制领域的城市道路路口时段划分技术，更多的是交通信号工程师或者信号专家的专家经验，根据历史专家对城市路口或城市道路的熟悉情况，按照不同是时期来划分信号控制时段，或通过对路口视频的长期观察得出路口车流的大致时间分布规律来人工给出时段划分结果；在另一些信号自动控制领域的技术也有使用有序聚类算法，如k-means、fisher最优分割等算法来给出时段划分的解决方案。
3.已有专利：
4.申请号为cn202110944066.6的专利文献公开了交通信号调度计划和时段优化方法及装置，该方法先对车道历史流量数据进行主成分分析，使用样本的日期的主成分系数聚类分组，然后再指定日期时间段使用fisher最优分割法进行时段划分，并保留路口现有时段表对比划分结果，设定时段的变化阈值调整是否需要替换原时段。该方法在考虑路口原时段表的基础上集合时段划分结果给出适应性更强的划分结果，但也无法避免fisher算法会出现的划分时段过小的问题。
5.申请号为cn202010341744.5的专利文献公开了考虑路口流量失衡状况的交通信号控制方案时段划分方法，该方法用以研究路口交通流量失衡问题，分析路口相同相位阶段的在流量变化上的失衡，在传统fisher时段划分的基础上配置搭接相位，对比各时段交通信号配时方案，基于方案的通行能力调整优化时段划分的结果。即只是在传统算法划分的时段结构得到优化方案后再来合并或者拆分效果不好时段，并不能在时段划分步骤时直接给出最优划分结果，不好的划分结果可能还会影响优化方案的生成步骤。
6.申请号为cn202011605150.7的专利文献公开了基于时空状态的交叉口通行时段的深度划分方法及系统方法，该方法在时段划分步骤中首先对流量数据序列进行一次分段，然后再对分段最长的时段进行二次深度分段，两次分段采用fisher最优分割算法，再使用k-means算法对相邻流量状态相同的时段进行合并完成分段。从整个步骤来看，不能克服fisher算法导致的划分时间段宽度不可控，数据波动影响较大等问题，步骤过于麻烦不便于实现。
7.总得来说，现有技术的缺点在2中的几个现有专利案中已经提到，综合主要是以下两点
8.1.应用场景单一。传统的时段信号优化多采用交叉口总过车量用来做时段划分的标准流量统计结构过于单一，会忽略路口关键分支路段或者关键车道对路口起到的作用；另一方面，如果针对线路或绿波做时段划分参考，则主协调方向或者关键路口的数据也能对时段划分的结果起到重要作用。
9.2.传统划分算法存在缺陷。传统fisher最优分割算法在有序序列的划分上存在不
足，应用场景无法完全满足信号时段划分的需求。传统信号机无法使用太过于精细的时段控制，需要限制最小时段粒度和最大划分数量等参数来保证信号机方案的正常切换与运行；
10.针对波动较大的数据，划分算法也存在这划分结果不佳等情况，对流量数据序列进行平滑聚合能缓解这种问题的发生。
11.术语解释：
12.信号时段划分：分时段固定信号控制是目前常用的信号控制方式，对一天24小时进行精细化的时段划分，针对每个时段单独进行优化配饰方案，进行精细化控制。时段划分是根据统计时段(全天、长时段)内路口的交通分布特征将统计时段划分成多个子时段，子时段是方案设计和配时优化的基本单位。作为划分依据的交通分布特征被称为时段划分原则。一般人工划分或其他时段划分方法对于城市主干路口的时段会划分为夜间、早高峰、午间平峰、晚高峰等几种常用时段。
13.滑动平均法：滑动平均法(moving average)又称移动平均法。在简单平均数法基础上，通过顺序逐期增减新旧数据求算移动平均值，借以消除偶然变动因素，找出事物发展趋势，并据此进行预测的方法。滑动平均法是趋势外推技术的一种。实际上是对具有明显的负荷变化趋势的数据序列进行曲线拟合，再用新曲线预报未来的某点处的值。在对于数据做统计的时，数据抖动是一个很常见的现象，滑动平均就其本质是借助历史记录来创造可以替代原始数据的数据，减少数据抖动，使得统计数据更加平滑可控。
14.fisher最优分割法：最优分割法是对有序样本的一种聚类方法，当样品是按顺序排列，在分类中不允许打破样品的顺序。fisher最优分割算法是用离差平方和来表示同类样本之间的差异程度，通过简便的计算步骤和作图，确定最优分类数，使同类样本间的差异最小，各类别样本间的差异最大，并用f检验法检验最优分类数的合理性。


技术实现要素：

15.本发明提出的一种城市道路交叉口时段划分方法，可至少解决上述技术问题之一。
16.为实现上述目的，本发明采用了以下技术方案：
17.一种城市道路交叉口时段划分方法，包括以下步骤，
18.s1：定点交叉口多维数据采集；通过路口车道数据采集单元在交叉口的每个方向的每条车道的进口道设置车流量数据采集设备,精准采集每个车道的驶入路口的过车数量，实时将采集到的过车数据存储到统计平台进行历史数据存储；
19.s2：历史数据聚合；选取设定历史时间段内的流量数据，按每日的最小统计时间粒度进行历史相同时间粒度聚合平均值，工作日与非工作日、节假日分开计算；对缺失数据或异常数据进行剔除与弥补；分别聚合每个时间粒度路口流量、路口各分支方向流量、路口各分支方向下各转向流量，用于时段划分参照；
20.s3：计算小时交通量；小时交通量采用滑动平均方法计算真实小时流量，计算后替代滑动中心时间粒度的数据；分别转换每个时间粒度路口小时流量、路口各分支方向小时流量、路口各分支方向下各转向小时流量；
21.s4：交叉口多粒度时段划分；根据信号优化实际需求，选择对路口数据、路口分支
数据、转向数据进行划分；多粒度时段划分设定好最小时段宽度、最大划分时段个数参数，使用改进的fisher最优分割算法划分得到最优划分结果。
22.由上述技术方案可知，本发明公开了一种城市道路交叉口多粒度时段划分方法，致力于改善传统交通信号控制优化过程中时段划分的缺点，如划分不精细、人工划分太过主观、不同路口的适应性不强等问题，导致城市路口信号控制优化方案的精细化时段控制无法达到预期效果，不同时段的交通需求不能得到满足，不能通过信号控制缓解城市道路规划问题导致的交通通行的压力。通过本发明提供的交叉口多粒度时段划分方法，依托城市交通流量监测设备采集到的流量数据，更加快速便捷的计算出城市路口信号控制方案的精细化时段划分结果，对路口连续的交通通行需求接近的时段汇聚分组划类，后续对此时段内更为稳定的数据进行信号控制优化配时，使用同一套配时方案进行信号控制，充分利用交叉口信号机的时空资源。
23.具体的说，本发明的优点如下：
24.(1)此方法的适用多场景的信号时段划分。信号优化多采用交叉口总过车量用来做时段划分的标准，试用范围小。本方法适用多种数据范围，可以选择交叉口关键分支流量做时段划分用于优化单分支流量过大的交叉口；可选择关键分支转向流量时段划分用于优化单转向流量过大路口；干线绿波优化的时段划分，协调时段可使用干线协调流量做协调时段划分，干线非协调时段对单个路口进行时段划分即可。
25.(2)数据聚合方法使用滑动平均法使得数据更易划分。滑动窗口法是在简单求和法基础上，通过顺序逐期增减新旧数据求算移动求和，借以消除偶然变动因素，找出事物发展趋势，并据此进行预测的方法。为保证流量数据最小粒度的数据波动(每个粒度时段包含的信号周期数不同造成统计流量数据的波动)，采用滑动平均法更能保证小时流量统计的真实可靠性。
26.(3)改进的fisher最优分割算法，能适用于可控粒度时段划分。改进最优分割算法，保证算法能应用在交通信号时段划分的场景中。按时段划分的应用场景，配置算法参数：选择数据范围，最小时段宽度，最大最小分段个数，保证算法在设定的范围内保证结果的可用性和最优效果。
附图说明
27.图1是本发明的方法的流程图；
28.图2是本发明改进的fisher时段划分算法流程图；
29.图3是本发明实施例算法结果输出结果展示示意图。
具体实施方式
30.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
31.如图1所示，本实施例所述的城市道路交叉口时段划分方法，包括以下步骤，
32.step 1：定点交叉口多维数据采集。路口车道数据采集单元：在交叉口的每个方向的每条车道的进口道设置车流量数据采集设备(现有设备如电子警察、流量检测器等),精
准采集每个车道的驶入路口的过车数量，实时将采集到的过车数据存储到统计平台进行历史数据存储。
33.step 2：历史数据聚合。选取一定历史时间段内的流量数据，按每日的最小统计时间粒度(5分钟)进行历史相同时间粒度聚合平均值，工作日与非工作日、节假日分开计算。对缺失数据或异常数据进行剔除与弥补。分别聚合每个时间粒度路口流量、路口各分支方向流量、路口各分支方向下各转向流量，用于时段划分参照。
34.step 3：计算小时交通量。小时交通量采用滑动平均方法计算真实小时流量，计算后替代滑动中心时间粒度的数据。分别转换每个时间粒度路口小时流量、路口各分支方向小时流量、路口各分支方向下各转向小时流量，
35.step 4：交叉口多粒度时段划分。根据信号优化实际需求，选择对路口数据、路口分支数据、转向数据进行划分。多粒度时段划分设定好最小时段宽度、最大划分时段个数等参数，使用改进的fisher最优分割算法划分得到最优划分结果。
36.以下具体说明：
37.(1)前端设备数据采集积累数据
38.步骤如下：
39.s01：前端设备交叉口车道数据采集。
40.在信号控制交叉口设置相应的过车流量检测设备(如电子警察、流量检测器等)，实时监测路口的每个分支的每条车道的过车数据并上传到相应的数据管理平台。
41.s02：固定时段历史数据存储。
42.从前端接收到的实时数据，按照最小颗粒度5分钟进行数据计算，统计路口每个分支每条车道的流量数据，并存如数据库，做历史数据存储。存储结构如下：
[0043][0044]
s03：历史数据平均聚合。
[0045]
选择优化需要使用的历史时间段，一般时段大于7天，选择历史流量数据7天，每5分钟一个时间点数据，7天24小时共288*7条数据，相同时间点聚合取7天数据的平均值。得到288个时间点的历史聚合值。异常或者缺失数据采用前后两天和前后一小时内多个时间点的数据进行平均值弥补。按实际场景需要决定是否要将历史数据按照工作日、非工作日分别聚合，异常缺失数据弥补方法等非本文重点，不做过多赘述。
[0046]
(2)数据聚合与算法数据准备
[0047]
s04：滑动窗口计算小时交通量
[0048]
将s03中得到的所有5分钟时间点流量数据转换成小时流量数据，转换方法采用滑
动窗口求和方法进行计算，将每个时间点的数据都转换成小时流量。
[0049]
288个点24小时数据先将前半小时(1-6)和最后半小时(283-288)数据分别补到数据列的最后和最前面，将24小时扩充成25小时300个数据点用于计算。然后设定滑动窗口的时间长度为1小时(12个时间点)进行滑动计算求和。如第一个点为(1到12)时间点求和，第二个点为(2-13)时间点求和
…
第i时间点为(i到i+11)时间点求和。
[0050]
每个时间点都使用其前后共12个时间点求和，即转换为小时流量数据，共计得到288个时间点的数据。达到了平滑数据的效果也转换成了需要使用到的小时交通量，用于后续算法时段划分的数据准备。
[0051]
s05：时段划分场景及数据选择：
[0052]
这里给出几种不同场景的时段划分数据选择策略推荐：
[0053]
a、路口场景时段划分：
[0054]
普通路口(各方向流量均衡)：使用路口总流量；
[0055]
失衡路口(某个方向流量严重偏大)：使用关键分支路段流量；
[0056]
潮汐路口(某几个车道随时间占路口流量比例较大)：使用关键车道总流量。
[0057]
b、线路场景时段划分
[0058]
含重点路口的线路：使用重点路口的流量；
[0059]
绿波线路：使用绿波协调转向的总流量。
[0060]
根据不同场景推荐的策略选择对应的流量数据，取得s04计算的对应流量用来时段划分算法计算。
[0061]
(3)改进的fisher时段划分算法，如图2所示；
[0062]
详细算法步骤如下：
[0063]
s06：时段划分算法参数设定：
[0064]
人工输入设置算法参数：
[0065]
a.最小时段宽度w＝12(默认12，即1小时，最小时段长度必须大于1小时)；
[0066]
b.最大划分时段个数n＝10(默认10，最大时段数不超过10，输出最优个数)；
[0067]
s07：时段划分算法步骤：
[0068]
step 1：输入s05中取到的288个时间点的小时流量数据，排成有序数据序列l:{xi},1≤i≤288，其中xi为第i时间点流量数据；
[0069]
step 2：计算l序列中所有子序列l
ij
:{xi,x
i+1
,...,xj}(j》i)的平均值并计算每个子序列内间距d(i,j)，得到距离矩阵d。距离的直径采用离差平方和计算，公式如下：
[0070][0071][0072]
step 3：计算最优二元分割
[0073]
k元分割：做k-1次分割，得到k个子序列称为k元；
[0074]
b(n,k),kw≤n：前n个数构成的子序列分割成最小宽度为w的k个子序列，第k个子序列的分割位置为记为b(n,k)；
[0075]
l(n,k)＝l[b(n,k)]，损失的计算公式如下：
[0076][0077]
其中i
t
为k次分割后第t分割开始位置。
[0078]
从序列的第2w个数开始构成的子序列依次往后扩大子序列，计算每个子序列的做最小粒度为w的二元分割的损失，并取之前子序列中最小损失时的那次子序列的分割位置和损失记为当前子序列的最优二元分割结果；直到到第288个数子序列成为原序列计算后结束，得到所有子序列的分割为最小时段宽度w的最优二元分割损失值。计算公式如下：
[0079][0080]
得到整个序列最小宽度为w最优二元分割为：
[0081][0082]
step 4：计算所有最优k元分割(3≤k≤n)
[0083]
通过递推在最优二元分割的基础上，分别计算最小宽度为w的k元分割，k从3到最大时段个数n，计算最优k元分割的损失值。
[0084]
与二元分割类似，从序列的第kw个数开始构成的子序列依次往后扩大子序列，计算每个子序列的最小粒度为w的k元分割的损失，通过利用计算过的最优k-1元分割损失与最小宽度为w第k分割后得到的子序列的距离之和作为k元分割的损失；直到第288个数子序列成为原序列计算后结束，得到所有子序列的分割为最小时段宽度w的最优k元分割损失值。通过递推计算完所有的n元最优分割计算。计算公式如下：
[0085][0086]
得到所有k(3≤k≤n)的最优k元分割为：
[0087][0088]
step 5：计算时段的最优划分数量m：
[0089][0090]
step 6：递推最优时段划分结果：
[0091]
划分结果序列为：{b1,b2,...,bm}
[0092]
其中，通过逆递推计算得到第i划分位置bi为：
[0093]bm
＝m
[0094]bi
＝b(b
i+1
,i+1),i＝1,2,...,m-1
[0095]
s08：算法结果输出结果展示展示
[0096]
如图3所示，曲线上的每个点为原始数据，不同颜色的背景为划分的不同时段的结果。
[0097]
综上所述，本发明实施例通过改进fisher最优分割算法，保证算法能应用在交通信号时段划分的场景中。在不同的时段划分应用场景中，配置可控算法参数和可选择的多种对象，保证改进后的算法能更好的适应信号控制的实际需求，增强算法的适用领域，还能
人工干预提升效果。
[0098]
又一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述任一方法的步骤。
[0099]
再一方面，本发明还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述任一方法的步骤。
[0100]
在本技术提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一方法的步骤。
[0101]
可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
[0102]
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非易失性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。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0103]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0104]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。