本发明涉及道路交通优化，具体涉及一种基于多智能体的交通流优化方法及装置。
背景技术：
1、随着城市化进程的加快，城市交通拥堵问题日益严重。传统的交通管理方法主要依赖于人工控制和固定时序的交通信号灯。这些方法在交通流量较小、交通状况相对简单的情况下可能效果尚可，但随着城市化的快速发展，交通需求急剧增加，这些方法的局限性逐渐显现。
2、首先，传统方法缺乏实时性。固定时序的信号灯无法根据实时交通状况进行调整，导致在交通高峰期时信号灯配时可能不合理，无法有效应对交通流量的波动，容易导致交叉口拥堵。
3、其次，传统方法缺乏系统性。城市交通系统是一个复杂的网络，各个路段和交叉口之间相互影响。传统方法往往只关注单个交叉口或路段，缺乏对整个交通网络的全局优化，不能充分利用道路资源，导致一些路段拥堵而另一些路段却相对空闲。
4、为了解决传统的交通管理方法缺乏实时性以及系统性的问题，现提供一种基于多智能体的交通流优化技术。
技术实现思路
1、针对现有技术中存在的缺陷，本发明的目的在于提供一种基于多智能体的交通流优化方法及装置，基于道路地理信息以及交通流量信息进行建模，对获得的交通网络图进行模型构建，实现动态且智能的交通信号灯控制。
2、为达到以上目的，本发明采取的技术方案是：
3、第一方面，本技术提供了一种基于多智能体的交通流优化方法，所述方法包括以下步骤：
4、基于目标路径图对应的交通网络图，选取各节点的embedding向量间距离最小的多个相邻节点，进而获得各所述节点以及对应的相邻节点的embedding向量；
5、将各所述节点的状态向量以及embedding向量进行拼接，并通过attention网络进行信息融合，获得各所述节点的信息融合后向量；
6、基于所述节点的所述信息融合后向量以及状态向量，进行状态设计、动作设计以及奖励设计，获得对应的智能体模型；
7、基于设计获得的智能体模型进行交通信号灯控制；其中，
8、所述交通网络图中包括多个节点以及节点间路径，一个节点对应一个所述目标路径图中的路口，一个节点间路径对应所述目标路径图中两个路口间道路。
9、在上述技术方案的基础上，基于所述节点的所述信息融合后向量以及状态向量，进行状态设计、动作设计以及奖励设计，获得对应的智能体模型中，包括以下步骤：
10、基于所述节点的所述信息融合后向量以及状态向量，对各所述节点进行状态设计；
11、针对所述交通网络图中为交通信号灯的节点，根据相位设计工作动作，所述工作动作包括相位选择或相位切换；
12、选取交通网络图中所有为交通信号灯的节点共同连接的道路，设计对应道路上所有车辆的总体等待时间作为负奖励。
13、在上述技术方案的基础上，所述基于目标路径图对应的交通网络图，选取各节点的embedding向量间距离最小的多个相邻节点，进而获得各所述节点以及对应的相邻节点的embedding向量之前，所述方法还包括以下步骤：
14、基于所述目标路径图对应的路口位置信息以及交通流量信息，构建交通网络图；
15、针对所述交通网络图中各节点，设置窗口大小、游走长度、返回参数以及进出参数。
16、在上述技术方案的基础上，所述方法还包括embedding向量获取流程，所述embedding向量获取流程包括以下步骤：
17、利用随机游走算法，计算获得所述交通网络图中各节点对应的节点序列；
18、基于交通网络图以及各所述节点的所述节点序列，获得各节点的embedding向量；其中，
19、所述节点序列包括按照数值大小排列的节点与各相邻节点的游走者移动概率。
20、在上述技术方案的基础上，所述方法还配置有针对所述交通网络图的移动概率计算公式，所述移动概率计算公式为：
21、；其中，
22、当前节点记作v，上一节点记作t，下一节点记作x，上一节点与下一节点的距离为，p为返回参数，用于决定返回上一个节点的倾向，q为进出参数，用于决定探索远离前一个节点的新节点的倾向。
23、在上述技术方案的基础上，所述方法还配置有针对所述交通网络图的路口交通流强度计算公式，所述路口交通流强度计算公式为：
24、；其中，
25、为路口i的路口交通流强度，为对应的时间窗口，为在时间窗口内通过路口的总车辆数。
26、在上述技术方案的基础上，所述方法还包括返回参数计算流程，所述返回参数计算流程包括以下步骤：
27、基于各路口的所述路口交通流强度、路口交通流强度最小值以及路口交通流强度最大值，获得各路口的归一化路口交通流强度；
28、基于各路口的所述归一化路口交通流强度，获得各路口对应的返回参数。
29、在上述技术方案的基础上，所述方法还配置有针对所述交通网络图的路口间交通流强度计算公式，所述路口间交通流强度计算公式为：
30、；其中，
31、为路口到路口j之间的路口间交通流强度，为对应的时间窗口，为在时间窗口内通过路口到路口j的总车辆数。
32、在上述技术方案的基础上，所述方法还包括进出参数计算流程，所述进出参数计算流程包括以下步骤：
33、基于各路口之间的所述路口间交通流强度、路口间交通流强度最小值以及路口间交通流强度最大值，获得各路口之间的归一化路口间交通流强度；
34、基于各路口之间的归一化路口间交通流强度，获得各路口之间对应的进出参数。
35、第二方面，本技术提供了一种基于多智能体的交通流优化装置，所述装置包括：
36、第一处理模块，其用于基于目标路径图对应的交通网络图，选取各节点的embedding向量间距离最小的多个相邻节点，进而获得各所述节点以及对应的相邻节点的embedding向量；
37、信息融合模块，其用于将各所述节点的状态向量以及embedding向量进行拼接，并通过attention网络进行信息融合，获得各所述节点的信息融合后向量；
38、模型设计模块，其用于基于所述节点的所述信息融合后向量以及状态向量，进行状态设计、动作设计以及奖励设计，获得对应的智能体模型；
39、交通流预测模块，其用于基于设计获得的智能体模型进行交通信号灯控制；其中，
40、所述交通网络图中包括多个节点以及节点间路径，一个节点对应一个所述目标路径图中的路口，一个节点间路径对应所述目标路径图中两个路口间道路。
41、在上述技术方案的基础上，所述模型设计模块还用于基于所述节点的所述信息融合后向量以及状态向量，对各所述节点进行状态设计；
42、所述模型设计模块还用于针对所述交通网络图中为交通信号灯的节点，根据相位设计工作动作，所述工作动作包括相位选择或相位切换；
43、所述模型设计模块还用于选取交通网络图中所有为交通信号灯的节点共同连接的道路，设计对应道路上所有车辆的总体等待时间作为负奖励。
44、在上述技术方案的基础上，所述装置还包括交通网络图构建模块，其用于基于所述目标路径图对应的路口位置信息以及交通流量信息，构建交通网络图；
45、所述交通网络图构建模块还用于针对所述交通网络图中各节点，设置窗口大小、游走长度、返回参数以及进出参数。
46、在上述技术方案的基础上，所述装置还包括embedding向量获取模块，其用于利用随机游走算法，计算获得所述交通网络图中各节点对应的节点序列；
47、embedding向量获取模块还用于基于交通网络图以及各所述节点的所述节点序列，获得各节点的embedding向量；其中，
48、所述节点序列包括按照数值大小排列的节点与各相邻节点的游走者移动概率。
49、在上述技术方案的基础上，所述装置还配置有针对所述交通网络图的移动概率计算公式，所述移动概率计算公式为：
50、；其中，
51、当前节点记作v，上一节点记作t，下一节点记作x，上一节点与下一节点的距离为，p为返回参数，用于决定返回上一个节点的倾向，q为进出参数，用于决定探索远离前一个节点的新节点的倾向。
52、在上述技术方案的基础上，所述装置还配置有针对所述交通网络图的路口交通流强度计算公式，所述路口交通流强度计算公式为：
53、；其中，
54、为路口i的路口交通流强度，为对应的时间窗口，为在时间窗口内通过路口的总车辆数。
55、在上述技术方案的基础上，所述装置还包括返回参数计算模块，其用于基于各路口的所述路口交通流强度、路口交通流强度最小值以及路口交通流强度最大值，获得各路口的归一化路口交通流强度；
56、所述返回参数计算模块还用于基于各路口的所述归一化路口交通流强度，获得各路口对应的返回参数。
57、在上述技术方案的基础上，所述装置还配置有针对所述交通网络图的路口间交通流强度计算公式，所述路口间交通流强度计算公式为：
58、；其中，
59、为路口到路口j之间的路口间交通流强度，为对应的时间窗口，为在时间窗口内通过路口到路口j的总车辆数。
60、在上述技术方案的基础上，所述装置还包括进出参数计算模块，其用于基于各路口之间的所述路口间交通流强度、路口间交通流强度最小值以及路口间交通流强度最大值，获得各路口之间的归一化路口间交通流强度；
61、所述进出参数计算模块还用于基于各路口之间的归一化路口间交通流强度，获得各路口之间对应的进出参数。
62、与现有技术相比，本发明的优点在于：
63、本技术基于道路地理信息以及交通流量信息进行建模，对获得的交通网络图进行模型构建，实现动态且智能的交通信号灯控制。
1.一种基于多智能体的交通流优化方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于多智能体的交通流优化方法，其特征在于，基于所述节点的所述信息融合后向量以及状态向量，进行状态设计、动作设计以及奖励设计，获得对应的智能体模型中，包括以下步骤：
3.如权利要求1所述的基于多智能体的交通流优化方法，其特征在于，所述基于目标路径图对应的交通网络图，选取各节点的embedding向量间距离最小的多个相邻节点，进而获得各所述节点以及对应的相邻节点的embedding向量之前，所述方法还包括以下步骤：
4.如权利要求1所述的基于多智能体的交通流优化方法，其特征在于，所述方法还包括embedding向量获取流程，所述embedding向量获取流程包括以下步骤：
5.如权利要求1所述的基于多智能体的交通流优化方法，其特征在于，所述方法还配置有针对所述交通网络图的移动概率计算公式，所述移动概率计算公式为：
6.如权利要求3所述的基于多智能体的交通流优化方法，其特征在于，所述方法还配置有针对所述交通网络图的路口交通流强度计算公式，所述路口交通流强度计算公式为：
7.如权利要求6所述的基于多智能体的交通流优化方法，其特征在于，所述方法还包括返回参数计算流程，所述返回参数计算流程包括以下步骤：
8.如权利要求3所述的基于多智能体的交通流优化方法，其特征在于，所述方法还配置有针对所述交通网络图的路口间交通流强度计算公式，所述路口间交通流强度计算公式为：
9.如权利要求8所述的基于多智能体的交通流优化方法，其特征在于，所述方法还包括进出参数计算流程，所述进出参数计算流程包括以下步骤：
10.一种基于多智能体的交通流优化装置，其特征在于，所述装置包括：
