[发明专利]一种基于多源数据的城市高架快速路匝道智能自动控制的方法、设备及存储介质

权利要求书

1.一种基于多源数据的城市高架快速路匝道智能自动控制的方法，其特征在于，包括：

(1)数据收集，包括：路网数据、路况速度、OD数据、日期时间、管控措施；

路网数据是指基础路网的拓扑数据，包括各个高架路段之间的上下游关系、高架出口、高架入口、高架出入口与高架路段的关系、高架与辅路的关系，并计入属性数据库；

路况速度是指每条路段的历史路况速度、实时路况速度；

OD数据是指：卡口设备实时监控高架及各个高架出入口的汽车流量，并识别汽车车牌，把这些数据进行记录并进行分析，得到各个高架路之间、高架路各个出入口之间的OD交通量；

(2)构建决策树模型

A、获取决策树模型数据，包括属性数据和目标数据；

属性数据包括：道路名称、道路类型、道路等级、车道数量、上游道路、下游道路、最近入口匝道、最近出口匝道、道路速度、上游速度、下游速度、入口速度、出口速度、流量、出入口OD数据、年、月、日、星期、小时；

目标数据是指管控措施，具体包括：是否拥堵、拥堵原因、是否采取措施、采取何种管控措施：包括关闭入口匝道、延长出口匝道绿灯、延长时间；

B、构建决策树模型；

C、决策树模型更新

根据不断获得更新的属性数据、目标数据，定期将更新的属性数据、目标数据输入到决策树模型，重新训练，得到新的决策树模型参数；

(3)通过决策树模型进行实时监控

对于每一条高架路，得到道路的静态特征，包括：道路名称、道路类型、道路等级、车道数量、上游道路、下游道路、最近入口匝道、最近出口匝道；

然后实时获取动态信息，包括：道路速度、上游速度、下游速度、入口速度、出口速度、流量、出入口OD数据、年、月、日、星期、小时；

将道路的静态特征和动态信息输入训练好的决策树模型中，计算出结果方案，结果方案包括：是否拥堵、拥堵原因、是否采取措施、采取何种管控措施；

步骤B中，决策树模型f₀(x)如式(Ⅰ)所示：

式(Ⅰ)中，L(y_i,c)是指损失函数，c是指整棵决策树；

把收集到的属性数据、目标数据即训练数据集(x1,y1),(x2,y2),...(xi,yi),...(xN,yN)输入到决策树模型f₀(x)，xi是指属性数据，yi目标数据；

决策树模型f₀(x)根据输入的属性数据、目标数据进行参数优化，得到最小值的决策树模型f₀(x)的参数，即为训练好的决策树模型f₀(x)；

步骤(3)之后，进行车流预测并优化控制方案，具体是指：

D、车流短时预测；

E、决策树模型结果优化

根据步骤(3)得到的结果方案，将得到的预测车流输入到当前结果方案中，计算总停车次数与总延误时间的加权和，作为PI；

通过爬山法不断微调结果方案，对决策树模型进行优化，以求得最低的PI，那么对应的控制方案即为最优方案；

步骤D中，采用自回归模型，如式(Ⅱ)所示：

式(Ⅱ)中，m是指自回归阶数，a_i是指时段i的自回归系数，w_n是指白色噪声，q_n是指车流量；

通过历史数据的回归系数，通过式(Ⅱ)对下个时段的车流量进行预测，得到下个时段车流量：q；

根据步骤(3)得到的结果方案，将得到的预测车流q输入到当前结果方案中，计算总停车次数与总延误时间的加权和，作为PI；具体是指：根据步骤(3)得到的结果方案及得到的预测车流输入仿真系统进行仿真计算，结果方案包括是否采取措施、采取何种管控措施及管控时间，将已知的管控措施类型、管控时间及交通流信息输入仿真系统，模拟车流运行状况，根据车流运行状况计算车辆延误时间及停车次数，其权值各为0.5，计算总停车次数与总延误时间的线性加权和，作为PI；

通过爬山法不断微调结果方案，对决策树模型进行优化，以求得最低的PI，那么对应的控制方案即为最优方案；具体是指：

结果方案中包括采取何种管控措施及管控时间两个参数，这两个参数的初始值是将实时数据输入决策树模型之后得到的结果；

从这两个参数的初始值开始，将任意参数增加或减少一个单位，得到新的参数解集，进而得到新的PI值集合，从新的PI值集合中找到能使PI值最小的最优解，迭代执行该步骤直至直到前一次的最优解与后一次的最优解相同，结束，得到的最优解即为对应的预测车流q情况下匝道应该采取的措施及管控时间。