买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学申请的专利一种适用多模式交通的多目标信号控制优化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116758765B 。

龙图腾网通过国家知识产权局官网在2025-10-31发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310680098.9，技术领域涉及：G08G1/07；该发明授权一种适用多模式交通的多目标信号控制优化方法是由钟绍鹏;龚云海;洪思雨;翟君诺设计研发完成，并于2023-06-09向国家知识产权局提交的专利申请。

本一种适用多模式交通的多目标信号控制优化方法在说明书摘要公布了：本发明属于智能交通信号控制的技术领域，具体为一种适用多模式交通的多目标信号控制优化方法，包括模型准备、带约束的多目标全概率贝叶斯优化和终止迭代。其中，模型准备部分构建多模式交通整合模型，获取先验训练集；带约束的多目标全概率贝叶斯优化部分是基于模型准备部分的先验训练集优化得到下一采样点一组信号配时方案，并将结果输入至多模式交通整合模型中运行获得所有目标函数值；之后通过终止迭代部分判断是否终止优化过程。可以利用本发明对多模式交通信号控制多目标优化问题进行求解，当达到终止迭代中设置的条件，就可获得满意的信号配时方案。本发明同样适用于无模型的场景即完全脱离微观交通仿真平台和交通安全评估软件。

本发明授权一种适用多模式交通的多目标信号控制优化方法在权利要求书中公布了：1.一种适用多模式交通的多目标信号控制优化方法，其特征在于，包括模型准备、带约束的多目标全概率贝叶斯优化和终止迭代；其中，模型准备部分构建多模式交通整合模型，获取先验训练集；带约束的多目标全概率贝叶斯优化部分是基于模型准备部分的先验训练集优化得到下一采样点，即一组信号配时方案，并将结果输入至多模式交通整合模型中运行获得所有目标函数值；之后通过终止迭代部分判断是否终止优化过程；具体步骤如下： 步骤1.模型准备 1.1搭建多模式交通整合模型 多模式交通整合模型是由微观交通仿真软件和交通安全评估软件搭建而成；首先，基于可靠的道路网络基础数据、网络交通流中不同类型车辆属性及车辆比例数据、原始的信号配时方案数据、网络各路段流量数据和转向比数据输入至微观交通仿真软件中构建微观交通仿真模型；其次，通过运行微观交通仿真模型可以获取所有车辆的运行状态数据和轨迹数据；最后，将车辆轨迹数据输入至交通安全评估软件中进行交通安全评估计算交通总冲突数； 基于多模式交通整合模型，获得多类目标函数值；这些目标函数分为三类，分别为交通效率评估函数、交通公平性评估函数和交通安全性评估函数；其中，交通效率评估函数和交通公平性评估函数的值都是通过所有车辆的运行状态数据计算而得；交通安全性评估函数的值是通过交通总冲突数计算而得； 因此，多模式交通整合模型输入是一组信号配时方案，输出是相对应的多类目标函数值； 1.2获得带约束的多目标全概率贝叶斯优化所需要的先验训练集并设置相关参数 通过拉丁超立方体取样方法选取组信号配时方案，，其中表示第组信号配时方案；将这些方案输入逐一至步骤1.1构建的多模式交通整合模型获得相应的多类目标函数值，初始目标函数集为，，其中表示第组的第个目标函数值，为目标函数的个数；最后，基于信号配时方案和目标函数值构建先验训练集； 将迭代次数记为，令，预先设置最大迭代次数；预先设置多类目标函数最大值和最小值，基于计算初始帕累托前沿超体积值记为，计数器，并预先设置计数器最大值； 步骤2.带约束的多目标全概率贝叶斯优化 2.1使用步骤1.2获得的先验训练集基于全贝叶斯高斯过程回归模型拟合潜在函数与决策变量即信号控制参数之间的关系；而是潜在函数与高斯噪音的观测值，即，，； 将进行高斯过程回归训练的数据集记为，令，则多元高斯分布表示为： ； 其中，；，是协方差核函数，表示核函数是用超参数进行参数化； 2.2使用全贝叶斯估计步骤2.1模型的超参数； 在超参数上放置先验信息并近似模型完整的后验分布，即： ； 则使用马尔科夫链蒙特卡洛MCMC取样方法选取个样本通过最大化后验分布来确定最佳的超参数，即： ； 其中，； 2.3基于步骤2.2取样结果确定下一采样点的均值和方差； 每次MCMC取样都获得一个，，从而得到相应的均值和方差，即： ； ； 其中是与训练集输入之间的协方差矩阵，是和之间的协方差矩阵； 基于MCMC取样的每一个预测都能看成为一个高斯混合模型，则分层的预测后验实际上就是个高斯过程的混合；下一采样点后验分布的均值和方差分为： ； ； 2.4基于步骤2.3的均值和方差构建获取函数，并最大化获取函数确定下一采样点； 通过最大化获取函数确定下一采样点，即： ； 其中是满足周期时长约束的决策变量空间，，是基于超体积的改进概率函数，是权重参数，是由后验得出的均值函数的方差给出的，即； 的计算过程具体如下： ； ； ； 其中表示帕累托前沿超体积的提升值，，是第个目标的均值函数；是当前帕累托前沿点集合；是超体积指示函数；表示提升的概率；表示目标函数空间的非支配区域；是第个目标函数的概率密度函数；是第个目标的潜在函数； 2.5评估下一采样点 将步骤2.4获得的输入至步骤1.1的多模式交通整合模型中，输出下一采样点所对应的目标值； 2.6计算帕累托前沿超体积值 基于步骤2.5的结果更新确定当前的帕累托前沿点集，再根据和计算当前帕累托前沿非支配区域的面积值；如果，令计数器；如果，则； 步骤3.终止迭代 判断当前迭代是否满足终止条件；终止条件有2个，第一个条件是迭代次数要超过最大迭代次数，第二个条件是计数器超过最大值；如果或者，则直接返回帕累托前沿集合点所对应的信号配时方案；反之，则更新训练集，，返回至步骤2继续迭代优化。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。