Solutions

人工智能信号灯控制优化

Artificial-Intelligence Signal Control

人工智能信号灯控制优化

Artificial-Intelligence
Signal Control

系统概述

随着中国城市化与机动化进程的深入,交通拥堵问题日益突出,已成为制约城市发展的主要瓶颈之一。交通信号灯是城市交通管理控制的重要手段,信号灯控制系统升级将有极大潜力缓解交通拥堵。同时,城市发展的日新月异以及居民生活水平的提高使得市政道路改建工程频繁、机动车保有量持续增加,这些变化都对城市交通分布特征带来了巨大的影响,对交通信号灯控制如何应对这些快速变化提出了挑战。

国内交叉口最普遍使用的信号灯控制方式为单点定时控制,即在固定时段内按照预设相位结构时长对各向车流依次放行,各路口间不支持协同控制。在该类控制方式下,配时方案设计依据往往为数年进行一次的人为交通调查。受制于资源限制,此类交通调查无法提供长期全面的交通数据,也无法及时跟踪交通变化,使得信号灯控制无法适应当下交通特征。另外,自适应信号灯系统在国内也有多处应用。自适应系统往往根据当前采集到的流量特征通过其内置的交通模型设计、选择优化配时方案,比较具有代表性的自适应控制系统有SCOOT,SCATS。然而目前此类系统在国内应用情况并非理想,原因其一在于该类系统对于数据实时性、准确性非常依赖,而其所采用的诸如线圈等数据采集硬件易坏损、维护难;其二在于国内交通参与者行为特征与国外不同,直接从国外引入的交通模型未必适用。同时此类系统的价格也十分高昂。

令人可喜的是,随着科学技术进步,用较低成本的前端设备实时、大量、多维度得采集交通数据已成为现实,与之相匹配的大数据传输、存储、计算技术也都日趋成熟。基于在交通大数据领域的长期积累,辉略大数据与iTSS实验室深度合作研发了适应于中国交通特点的大数据智能信号灯控制系统。该系统采用了世界前沿的数据采集技术实时采集交通信息,利用大数据平台实时展示交通动态、深度分析城市交通问题,通过机器学习算法使信号灯控制系统能自我学习适应不断变化的交通特征,提高通行效率,缓解交通拥堵。

系统特色

1.数据入口

行业普遍情况:目前国内通常采用人工调查或者地感线圈等方式对交通流量进行采集,作为信号灯配时方案设计的依据。然而,人工交通调查无法提供长期、全面的交通数据,也无法及时跟踪交通变化;地感线圈准确度不高,也易损坏、维护难。也有公司尝试采用视频分析来获取交通数据,但技术都尚处于起步阶段,在复杂路况下准确度很低。这些数据采集方式固有的缺陷使得交通数据缺乏实时性、准确性、可靠性,从而智能信号灯优化更无从谈起。

我们的特色:我们系统采用最前沿的计算机视觉技术(computer vision)从视频中获取实时交通数据,在复杂路况下也能产生准确、可靠的数据。同时也通过蓝牙、Wi-Fi信号检测设备以及LiDar激光雷达检测器采集交通数据,通过对多源数据的相互验证获取最全面、准确的实时交通信息,为智能信号灯控制提供了坚实的保障。

2.技术原理

行业普遍情况:国内交通信号灯交叉口配时方案普遍采用停车线法、冲突点法、Webster法设计,也有引入了SCOOT、SCATS等自适应系统进行控制。然而,这些方法、系统往往都基于传统的交通通行模型,而这类模型往往都是模拟了西方国家交通参与者的行为,与国内交通参与者行为并不符合,而国内各地交通特征也不尽相同。因此传统的信号灯控制方法在面对中国交通问题时往往并不能取得令人满意的效果。

我们的特色:我们将人工智能、大数据应用于信号灯控制,真正实现信号灯系统自我学习、不断优化,从而适应各类复杂交通情况。不同于人工智能、大数据在其他一些领域(如医疗)的应用,其在交通方面的应用见效快且效果直观,往往数月就能观察到显著的交通效率的提升以及城市拥堵的缓解。

我们系统的核心技术来源于滑铁卢大学iTSS实验室(加拿大国家级智能交通大数据实验室,网址: itsslab.com)傅立平教授及其团队成员。傅教授为滑铁卢大学土木与环境工程学院终身教授,曾为加拿大国家交通部等多个国家级交通部门提供大数据解决方案,并获得加拿大交通协会终身成就奖。

3.应用范围

行业普遍情况:目前全国各地也有许多智能信号灯改建项目,例如阿里、滴滴等互联网企业以及海信等传统信号灯控制机生产厂商都在推广其智能信号灯系统。然而,他们往往仅选取小范围的数个独立交叉口或是一条干道进行系统部署。例如,近期在南京实验的“全智能信号灯”仅在河西区域2处路口进行了部署上线。解决城市交通拥堵问题是个系统工作,需要统筹路网全局,小规模地“小打小闹”并不能解决根本问题。

我们的特色:我们系统对于信号灯控制的优化是基于路网层面的,它能够提供面向全局路网的最优控制方案,以“大视野”解决交通拥堵问题。因此我们系统的部署往往是针对大范围的区域性路网。

系统组成

1.交通大数据采集系统

为实现大数据智能信号灯控制,系统通过在路网中架设多种数据采集设备实时采集路网交通数据。采集的数据包括交叉口流向流量,交叉口排队长度,交叉口延误时间和路段通行时间。具体数据采集方式介绍如下。

采集数据种类 数据采集方法
交叉口流向流量 视频分析
LiDar检测器
交叉口延误时间 蓝牙/Wi-Fi智能
交通检测器
路段通行时间

实时视频分析:系统采用自主研发的基于深度学习算法(Deep Learning Algorithm)的计算机视觉技术(computer vision),对路口摄像机拍摄的视频进行实时分析,获取视频内所有移动物体(包括机动车、非机动车、行人)的轨迹信息以及物体特征(如车辆颜色、车牌号码,行人特征等)。通过对所有物体轨迹信息的进一步数据处理,可以获取各类流量信息(重型车,小客车,非机动车,行人等)以及各进口道排队长度信息。

• 通过视频进行实时分析,识别其中所有交通参与者并获取交通数据

蓝牙/Wi-Fi智能交通检测器:该设备工作原理为:该检测器可检测手机、平板、穿戴式设备以及车载嵌入式设备所发送的蓝牙/Wi-Fi信号及设备的MAC地址。一个设备(同一MAC地址)若在路网中被多个检测器检测到,则其在路网中的通行轨迹即可被获知,同时,通过算法可以将该设备分类,例如确定该设备为车载设备或是行人手机。通过对大样本量的轨迹信息的分析挖掘,可以获取交叉口延误时间以及路段通行时间等数据。

• 通过蓝牙/Wi-Fi智能交通检测器获取车辆通行时间、车速数据

LiDar激光雷达检测器:LiDar激光雷达检测器是目前公认的高精度检测手段,对物体探测的精度可达厘米级。它由激光器发射出的脉冲激光,投射至检测物品,并反射到激光雷达的接收器上,根据激光测距原理计算得到从激光雷达到目标点的距离。基于LiDar技术的交通检测器往往设置于高处,以垂直或者设定角度,在道路上形成一道“检测门”,即虚拟截面,扫描各类来往道路使用者。道路使用者通过该截面时,检测器可计算其轮廓特征(长、宽、高),从而获取交通参与者流量信息。该数据采集方式精度高、准确度高且可靠性强。

• 通过LiDar激光雷达检测器获取车辆流量数据

2.大数据智能信号灯控制系统

通过对实时以及历史交通数据的深度挖掘,系统能够探寻交通变化特征规律(时规律、日规律、周规律、月规律等),并且最大限度得对未来交通分布特征做出短期以及长期预测。在此基础之上,第一步,系统对基础定时配时方案进行优化,改变配时方案时段划分,相位时长或相位结构,使配时方案更适应当前交通特征;第二步,实行基于机器学习算法的控制方法,系统通过接入实时交通数据获知当前外部交通情况以及不同配时策略下的反馈信息,在不断根据当前情况调整配时策略获取反馈的过程中,系统持续自我学习,改善配时策略、适应交通特征、优化配时方案。

• 机器学习信号灯控制算法仿真实验结果展示