通信電纜 網絡設備 無線通信 云計算|大數據 顯示設備 存儲設備 網絡輔助設備 信號傳輸處理 多媒體設備 廣播系統 智慧城市管理系統 其它智慧基建產品
南京云創大數據科技股份有限公司
南京云創大數據科技股份有限公司
建設背景 城市擁堵是常態，如何解決道路擁堵是我們共同面臨的難題
建設背景
城市擁堵是常態，如何解決道路擁堵是我們共同面臨的難題。交通路網的物理結構可以抽象為一個巨大的棋盤，而紅綠燈的控制就好比在交叉點位的棋子，對信號燈的控制和優化，可以對應于AlphaGo算法對解決圍棋問題而計算的全局優化控制策略。借鑒AlphaGo的思想，通過建設城市交通大腦，以機器學習代替人工設置，將經驗模型轉化為科學數據，將整個城市紅綠燈銜接起來，實現大規模參數的綜合優化，對交通全局進行優化控制。
技術簡介
目前，“智能交通"和“智能信號燈控制"的研究大多集中在單點控制、線層聯動控制以及局部小范圍集中控制等方面，主要根據某一路口的交通狀態，通過關聯度計算，推測相鄰路口的影響，構建模型并向區域擴散。這在路口數量超過一定規模后，僅僅使用數學模型難以表達因素間的映射關系，模型求解的計算量也成幾何倍數增長，難以獲得上佳方案。
基于深度學習和強化學習算法，云創大數據開發的城市交通智能優化技術在現有交通運行規則以及信號控制規則的前提下，通過對海量交通信息的收集提取、指標分類、算法構建、模型訓練等過程，實現對交通信號燈配時策略的優化和控制，提升道路資源利用率，降低車輛排隊時間，增加路段平均流量，從而大幅降低城市道路擁堵，讓城市道路愈發智能化。
總體架構
邏輯架構主要包括基礎數據層、大數據平臺層、深度學習層、運維管控層和接口服務層。
基礎數據層：該層主要包含了整個系統所需的基礎數據，如GPS數據、速度數據、流量數據、擁堵數據、車流、車速數據，卡口監控數據、信號燈控制歷史數據以及全息檢測的車道速度、車距、相位差等交通數據。
大數據平臺層：該層是整個平臺的底層軟件，主要分為兩大部分——分布式云存儲和大數據庫，存儲與處理大量結構化數據與非結構化數據。
深度學習層：該層是整個平臺的核心，通過神經網絡構建“深度學習"機制，將以往的經驗模型轉化為科學數據，對于網格化的道路，以類似于AlphaGo的計算思維方式，通過仿真軟件進行大量的實驗模擬仿真進行全局優化和評估。
運維管控層：該層主要是針對上述軟硬件平臺的統一管理控制，實現諸如資源調度、在線控制、狀態監控、運維網管、自動容錯等相關功能，也為運維人員和監管人員提供相應的操作功能。
對外服務接口層：該層主要是為平臺提供應用服務，并支持標準化接口，以方便相關人員或第三方平臺對接及數據調用，主要服務包括：智能信號燈控制、交通流量預期分析、道路優化評估模型、人流/車流潮汐研判分析等。
優化流程
1.交通參數獲取
提取路網各交叉口交通運行參數，包括交通流參數、路網性能指標、交通信號控制參數等。
2.評價指標建立
結合路網參數，建立綜合評價指標體系。
3.算法構建，策略制定
利用神經網絡算法，建立滿足評價指標的控制優化策略。
4.自學習交通控制優化
利用強化學習算法，根據交通狀態變化自動學習調整交通控制優化策略。
技術設計
1.數據立方大數據庫
數據立方大數據庫是對MapReduce、并行數據庫以及兩者的混合技術研究而成的結果。該系統通過引入索引模塊、并行執行架構以及讀取本地磁盤的執行方式，使查詢達到了實時完成、簡單易用、高可靠安全的效能，使EB級的數據能夠秒級處理，大大提高了用戶執行查詢操作后的使用效率，不僅在查詢和檢索這部分數據的時候具有非常高的性能優勢，還可以支持數據倉庫存儲、數據深度挖掘和商業智能分析等業務。
2.深度學習技術
運用深度學習技術進行信號燈配時優化的建設，首先需用獲得的大量歷史數據進行深度學習算法模型的訓練，針對每一種曾經出現過的區域路況S和隨機一個信號燈調整方案a，利用仿真軟件得到變化之后的路況S1，從而訓練預測網絡和策略網絡，實現信號燈配時的實時優化。
同時，DeepRack深度學習一體機作為深度學習軟硬件平臺，可為模型訓練等提供硬件、軟件、數據以及技術等支持。
3.軟件仿真
信號燈配時優化的訓練過程主要依賴于仿真軟件。仿真軟件為交通研究組織提供一個實現和評估自己算法的工具，同時具備工作流(網絡和路徑導入、動態用戶分配、仿真)的特點。
在智能控制策略下，3×3的路網總體通行效率總體上不斷提高，在200s的時間內累計提高效率值為6.09%。結果顯示，基于深度強化學習的信號控制系統已對于路網的疏堵保暢起到正向積極作用。
預期目標
1.減少交通管控成本
2.優化配置交通資源
3.提升交通運行效率
4.減少燃油浪費和環境污染
您感興趣的產品PRODUCTS YOU ARE INTERESTED IN
智慧城市網 設計制作，未經允許翻錄必究 .? ? ?
請輸入賬號
請輸入密碼
請輸驗證碼
