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！

龙图腾网获悉西安理工大学申请的专利基于加速迭代学习控制的城市交通信号控制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：CN117058876B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202311097090.6，技术领域涉及：G08G1/01；该发明授权基于加速迭代学习控制的城市交通信号控制方法是由闫飞;张晓涵设计研发完成，并于2023-08-29向国家知识产权局提交的专利申请。

本基于加速迭代学习控制的城市交通信号控制方法在说明书摘要公布了：本发明公开了基于加速迭代学习控制的城市交通信号控制方法，其特征在于，包括以下步骤：步骤1、建立基于迭代学习控制的交通流模型；步骤2、创建历史迭代信息数据库，用来建立并训练随机森林回归模型；步骤3、在基于迭代学习控制的交通流模型进行迭代的过程中，使用粒子群算法对迭代学习控制的学习增益在线寻优；步骤4、将满足条件的基于迭代学习控制交通流模型的迭代数据保存至历史迭代信息数据集中，继续完善历史迭代信息数据集。该方法解决了目前应用在城市交通信号控制中迭代学习控制算法收敛速度慢以及历史数据利用率低的问题。

本发明授权基于加速迭代学习控制的城市交通信号控制方法在权利要求书中公布了：1.基于加速迭代学习控制的城市交通信号控制方法，其特征在于，包括以下步骤： 步骤1、建立基于迭代学习控制的交通流模型； 步骤2、创建历史迭代信息数据库，用来建立并训练随机森林回归模型； 步骤2具体为： 步骤2.1、收集历史迭代中每个时间间隔内误差值最低的数据保存下来，并建立历史迭代信息数据集，其中收集的数据包括每个交叉口各个进口道的状态向量及输出误差和对应的控制向量； 步骤2.2、使用历史迭代信息数据集训练随机森林回归模型，将路网中每个交叉口各个进口道的控制向量作为随机森林回归模型的输出，将路网中每个交叉口各个进口道的状态向量及其输出误差作为随机森林回归模型的输入； 步骤2.3、产生自助采样训练子集及回归树：采用Bootstrap重采样方法对训练数据集随机抽取，产生N个训练数据集的子集和N棵回归树； 步骤2.4、结点分裂生长：回归树的每个结点在分裂生长时，随机从步骤2.2中设置的随机森林回归模型输入参数抽取M个作为当前结点的分裂子集；在各子集中使用CART方法，根据“平方误差最小”准则，选择最优方式进行结点分裂，分裂过程中不剪枝，且M值保持不变； 步骤2.5、生成随机森林回归模型：每棵回归树由上而下递归分枝生长，过程中通过不断调节随机森林建模过程参数，满足分割终止条件后回归树停止生长，最后将所有单棵回归树组合在一起，构成随机森林回归模型； 步骤2.6、测试随机森林回归模型：将生成的所有回归树汇总形成随机森林回归模型，通过对其决定系数R2、测试集均方根误差的评估，确定模型预测效果，如果预测效果不佳，则调整随机森林建模过程参数继续建模，直至达到预期效果； 步骤2.7、预测初次迭代控制信号：在基于迭代学习控制的交通流模型进行初次迭代时，将初次迭代的状态向量、输出误差输入到经过训练的随机森林回归模型中，对每个单棵回归树的预测值使用“简单平均法”求算术平均值，最终得到迭代学习控制的初次迭代控制信号； 步骤2.8、将得到的初次迭代控制信号，应用到基于迭代学习控制的交通流模型的初次迭代中，并继续迭代； 步骤3、在基于迭代学习控制的交通流模型进行迭代的过程中，使用粒子群算法对迭代学习控制的学习增益在线寻优； 步骤3具体为： 步骤3.1、在基于迭代学习控制的交通流模型进行迭代时，将第k次迭代t时刻的输出误差作为粒子群算法的输入，将迭代学习控制的学习增益和作为粒子群算法的输出； 步骤3.2、设置适应度函数：将迭代误差的绝对值在控制周期T内求积分作为适应度函数，并以适应度函数最小为原则对学习增益进行寻优，如公式11所示： 11 其中：的表达式如下： 式中，状态矩阵A为单位矩阵；输入矩阵B反映了路网的拓扑结构、相位、周期、饱和流量及转向率；E为状态扰动系数矩阵； 步骤3.3、初始化粒子群规模C，以及每个粒子的位置和速度，如公式12所示： 12 其中：表示第个粒子的D维位置向量；表示第个粒子的D维速度向量；由于对迭代学习控制的两个增益寻优，因此； 步骤3.4、使用公式11，计算每个粒子的适应度值； 步骤3.5、对每个粒子，用它的适应度值和个体极值比较，如果，则用更新，即； 步骤3.6、对每个粒子，用它的适应度值和全局极值比较，如果，则用更新，即； 步骤3.7、迭代更新粒子的位置和速度，如公式13所示： 13 其中：和为加速常数，令；和为范围内的均匀随机数；；为粒子的位置，并且；为粒子的速度，并且；为粒子群迭代次数； 步骤3.8、对每个粒子的位置及速度，进行边界条件处理；如果超出设定的范围和，则将其设置为边界值； 步骤3.9、判断粒子群算法终止条件是否满足：若是，则结束粒子群算法，将全局最优位置信息分别作为迭代学习控制的学习增益和应用到基于迭代学习控制的交通流模型中，否则返回步骤3.4； 步骤3.10、判断迭代学习控制算法是否满足终止条件：若是，则结束本次迭代学习控制算法，否则返回步骤3.1，继续对基于迭代学习控制的交通流模型每次迭代的学习增益进行寻优； 步骤4、将满足条件的基于迭代学习控制交通流模型的迭代数据保存至历史迭代信息数据集中，继续完善历史迭代信息数据集。

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西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5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。