详情

原文传递基于大数据平台的实时拥堵路段预测与控制研究

论文题名：	基于大数据平台的实时拥堵路段预测与控制研究
关键词：	交通拥堵;大数据;分布式深度学习;交通流预测;信号配时
摘要：	随着科技和经济不断发达，人们的生活水平和消费水平不断提高，随之而来就是越来越多的汽车出现在道路上，众所周知，春节假期伴随的是春运，这是我国甚至全球独一无二的人口大迁徙，而且2023年作为三年疫情第一个回家过年的春节，只会有更多的人选择小汽车从城市出发涌入县城，潮汐式交通拥堵现象在春节里数见不鲜。交通道路一时半会是无法支撑高增长的车流量，加上落后地区的交通设施相对比较简陋，行车缺乏管理，居民的交通意识一旦缺乏，种种因素便会加剧交通拥堵的状况。　　缓解交通拥堵的方式有很多种，让人们提高交通意识或者增加交通设施需要的时间和物力都比较大，最节省资源的缓解方式是交通灯配时决策，通过控制红绿灯的时间，给予车流多的路段更多的时间，反之则分配较少的时间，理想情况下，如果能够实时地获知路面的情况，预测出每条路的交通流特征，用平均车速或者密度去定义车辆多与少，交通灯智能体根据路口情况去学习和训练，便可以实现实时调整交通灯时间以减少汽车的等待时间，从而减缓拥堵。　　获取路口的情况可以通过传感器或者是计算机视觉的方式，而通过计算机视觉，即图像和视频的方式所需的目标检测模型或者是车道线检测模型需要消耗的算力和时间的成本比较大，传感器的数据通常是结构化数据格式，所以传输的代价相较于图像数据是非常小的，这就给实时性带来了可能性。交通流预测模型一般需要以一小时的数据作为输入，城市交通一小时所产生的传感器的采集数据就已经非常庞大，所以需要引入大数据技术以及流计算的相关技术以保证实时性和准确性。　　如果保持一定精度的情况下，能够快速地预测后五分钟的交通流特征，包括车速和流量，便可以大致地模拟出与之相邻的有交通灯的路口情况，供给让交通灯智能体去学习，就可以提前调整红绿灯的相位决策，从而做到实时地降低每辆车的等待时间，减缓拥堵的可能性。基于此，本论文的研究内容与创新点概括如下：　　（1）针对减缓交通拥堵的实时性问题，调研国内外的研究现状，介绍大数据分布式计算、深度学习、多智能体强化学习的相关算法与理论。　　（2）把分布式深度学习概念落实到大数据平台和交通流数据中，充分利用了大数据平台处理数据规模大，扩展性强的特点，提出基于Hadoop深度学习模型并行训练的方法，对于一个或多个交通路段额道路传感器产生的数据对模型训练，本方法与GPU并行进行对比实验分析，在能保持一定精度情况下，速度上更快，并且在基于大数据的并行之下，在探索不同并行度和资源分配数量对模型训练速度方面的提升展开实验。同时用TTI指数作为拥堵路段识别指标并用聚类方法划分等级。　　（3）依据交通流预测结果，从单路口到多路口逐步往实际的复杂路口用Sumo进行逐一仿真，结合多种强化学习方法，以车辆的等待时间作为回报值计算的指标，不断训练红绿灯智能体调整配时策略，把强化学习方法和Sumo固定配时方法进行对比，并且综合考虑训练所需时间和最少车辆等待时间以及模型收敛性展开对比实验。　　（4）搭建多服务器分布式大数据平台，集成整个交通预测与交通控制系统，并且给出交通流预测结果与实时拥堵路段的展示，选取数据集其中的一小时数据作为Sumo智能体信号灯配时，并对路况的仿真进行可视化，从而验证整个系统的实时性，有效性和科学性。
作者：	李星辉
专业：	计算机技术
导师：	曾碧
授予学位：	硕士
授予学位单位：	广东工业大学
学位年度：	2023