一种基于深度学习的交通控制方法及系统技术方案

本发明专利技术涉及人工智能与交通控制领域，公开了一种基于深度学习的交通控制方法及系统，所述方法包括：局部处理器获取交通路口的视频数据，采用深度神经网络进行分析计算得到交通数据，各模式下的所述局部处理器依据交通数据，选择自行控制信号灯或者结合城市中央服务器优化信号灯设置。通过上述方式，本发明专利技术实施例能够解决目前无法精确监测交通路况的技术问题，实现对信号灯的均衡调度，提高交通应变能力。

【技术实现步骤摘要】
一种基于深度学习的交通控制方法及系统
本专利技术实施方式涉及人工智能与交通控制领域，特别是涉及一种基于深度学习的交通控制方法及系统。
技术介绍
随着社会的高速城镇化以及人民生活水平的提高，车辆的数量越来越多，交通拥堵的现象愈发严重。传统的视频监控技术无法给出准确的车辆密度，平均速度，车流量，人流量等数据。由于缺乏准确的数据，因此就很难给出准确的实时的交通控制策略。就算花费大量人力也无法均衡多个路口的信号灯调度，也没办法做到24小时的管理。在交通路况预测上，由于没有准确的数据，也没法准确判断出高峰期何时来临。无法给出整个城市交通状况的宏观判断。目前，一般采用视频监控的方式，通过设置在道路上的摄像头获取道路交通情况，并反馈到后台服务器，但是缺乏对交通情况的实时数据分析，也无法预测交通路况。基于此，本专利技术提供一种基于深度学习的交通控制方法及系统，解决目前无法精确监测交通路况的技术问题，实现对信号灯的均衡调度，提高交通应变能力。
技术实现思路
为了解决上述技术问题，本专利技术实施例提供一种基于深度学习的交通控制方法及系统，解决目前无法精确监测交通路况的技术问题，实现对信号灯的均衡调度，提高交通应变能力。为了解决上述技术问题，本专利技术实施例提供以下技术方案：第一方面，本专利技术实施例提供一种基于深度学习的交通控制方法，应用于基于深度学习的交通控制系统，所述交通控制系统包括：高清摄像头、信号灯、局部处理器以及城市交通中央服务器，所述高清摄像头和信号灯分别连接所述局部处理器，所述局部处理器连接所述城市交通中央服务器，所述方法包括：所述局部处理器获取交通路口的视频数据，通过深度神经网络处理所述视频数据，确定交通数据，所述交通数据包括：各相位的车流量、滞留量、堵车指数以及通行能力；确定所述局部处理器的工作模式，所述工作模式包括：自主控制模式和多路口联合控制模式；若所述局部处理器处于多路口联合控制模式，则所述局部处理器根据所述交通数据，分析所述信号灯的当前设置值是否合理；若否，所述局部处理器向所述城市交通中央服务器发送信号灯调整请求；所述城市交通中央服务器接收所述信号灯调整请求，并判断所述信号灯调整请求是否合理，若是，则控制所述局部处理器基于所述信号灯调整请求，调整所述信号灯的当前设置值。在一些实施例中，所述方法还包括：若所述局部处理器处于自主控制模式，则根据各交通路口的实时滞留量以及实时停留量实时调整所述信号灯。在一些实施例中，所述通过深度神经网络处理所述视频数据，确定交通数据，包括：根据所述交通路口的视频数据，将所述交通路口的各条道路上等红灯的车辆数记作实时停留量；将所述交通路口的各条道路上处于绿灯但是未通过停车线的车辆数记作实时滞留量；将某个车流方向的全部车辆通过所述交通路口所需的大概时间记作通行时间；将某相位多组通行时间与相应的绿灯时间的比值的平均值表示此相位的堵车指数；将单位时间内通过某相位对应的路段的车辆数确定为该相位的车流量；将在一次连续的绿灯时间内，连续通过某相位对应的停车线的最多车辆数确定为该相位的通行能力；将某相位单位时间内通过的车辆数与该相位的通行能力的比值作为该相位的通行指数。在一些实施例中，所述方法还包括：所述城市交通中央服务器接收所述局部处理器发送的交通数据；所述城市交通中央服务器根据所述交通数据，建立并初始化多个交通路口的多张性能表，每一所述交通路口与每一所述性能表一一对应，所述性能表用于对应保存所述交通路口的数据，所述数据包括星期数、时间段、节假日、红绿灯设置、堵车指数以及通行能力。在一些实施例中，所述方法还包括：所述城市交通中央服务器根据所述局部处理器实时发送的交通数据，实时更新所述性能表。在一些实施例中，所述信号灯调整请求包括：信号灯的调整值，所述判断所述信号灯调整请求是否合理，包括：根据所述性能表，确定与所述信号灯的当前设置值接近的N条数据的堵车指数，N为正整数且N≥2；根据所述信号灯调整请求对应的星期数、时间段以及节假日类型，确定与所述信号灯的调整值接近的N条数据的堵车指数，N为正整数且N≥2；分别从所述当前设置值接近的N条数据和所述调整值接近的N条数据中筛选出K条数据，K为正整数且K≥2；根据所述当前设置值对应的K条数据以及所述调整值对应的K条数据，分别计算与当前设置值对应的第一拥挤指数以及与调整值对应的第二拥挤指数；判断所述第一拥挤指数是否大于所述第二拥挤指数，若是，则确定所述信号灯调整请求为合理，若否，则确定所述信号灯调整请求不合理。在一些实施例中，所述方法还包括：所述局部处理器向所述城市交通中央服务器发送调整后的交通路口的信号灯的当前设置值；所述城市交通中央服务器根据所述局部服务器发送的调整后的当前设置值，更新所述性能表。在一些实施例中，所述方法还包括：预设数据阈值，若所述性能表的数据量大于所述数据阈值，则删除与当前交通数据差异较大的数据，以使所述性能表的数据量不超过所述数据阈值。在一些实施例中，所述方法还包括：根据K-Means聚类算法，确定与当前交通数据差异较大的数据。第二方面，本专利技术实施例提供一种基于深度学习的交通控制系统，应用上述的基于深度学习的交通控制方法，包括：高清摄像头、信号灯、局部处理器以及城市交通中央服务器；高清摄像头，连接所述局部处理器，用于获取交通路口的视频数据，并将所述视频数据发送到所述局部处理器；信号灯，设置于交通路口，连接所述局部处理器，用于接收所述局部处理器发送的指令；局部处理器，连接所述高清摄像头、信号灯以及城市交通中央服务器，用于接收所述高清摄像头获取的视频数据，并控制所述信号灯的当前设置值；所述城市交通中央服务器，连接所述局部处理器，用于接收所述局部处理器发送的交通数据。本专利技术实施方式的有益效果是：区别于现有技术的情况，本专利技术实施方式提供一种基于深度学习的交通控制方法，应用于基于深度学习的交通控制系统，所述交通控制系统包括：高清摄像头、信号灯、局部处理器以及城市交通中央服务器，所述高清摄像头和信号灯分别连接所述局部处理器，所述局部处理器连接所述城市交通中央服务器，所述方法包括：所述局部处理器获取交通路口的视频数据，通过深度神经网络处理所述视频数据，确定交通数据，所述交通数据包括：各相位的车流量、滞留量、堵车指数以及通行能力；确定所述局部处理器的工作模式，所述工作模式包括：自主控制模式和多路口联合控制模式；若所述局部处理器处于多路口联合控制模式，则所述局部处理器根据所述交通数据，分析所述信号灯的当前设置值是否合理；若否，所述局部处理器向所述城市交通中央服务器发送信号灯调整请求；所述城市交通中央服务器接收所述信号灯调整请求，并判断所述信号灯调整请求是否合理，若是，则控制所述局部处理器基于所述信号灯调整请求，调整所述信号灯的当前设置值。通过上述方式，本专利技术实施方式能够解决目前无法精确监测交通路况的技术问题，实现对信号灯的均衡调度，提高交通应变能力。附图说明一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。图1是本专利技术实施例提供的一种交通路口的路况的车辆识别示意图；图2是本专利技术实施例提供的一种车辆轨迹识别的示意图；图3是本本文档来自技高网...

【技术保护点】
1.一种基于深度学习的交通控制方法，其特征在于，应用于基于深度学习的交通控制系统，所述交通控制系统包括：高清摄像头、信号灯、局部处理器以及城市交通中央服务器，所述高清摄像头和信号灯分别连接所述局部处理器，所述局部处理器连接所述城市交通中央服务器，所述方法包括：所述局部处理器获取交通路口的视频数据，通过深度神经网络处理所述视频数据，确定交通数据，所述交通数据包括：各相位的车流量、滞留量、堵车指数以及通行能力；确定所述局部处理器的工作模式，所述工作模式包括：自主控制模式和多路口联合控制模式；若所述局部处理器处于多路口联合控制模式，则所述局部处理器根据所述交通数据，分析所述信号灯的当前设置值是否合理；若否，所述局部处理器向所述城市交通中央服务器发送信号灯调整请求；所述城市交通中央服务器接收所述信号灯调整请求，并判断所述信号灯调整请求是否合理，若是，则控制所述局部处理器基于所述信号灯调整请求，调整所述信号灯的当前设置值。

【技术特征摘要】
1.一种基于深度学习的交通控制方法，其特征在于，应用于基于深度学习的交通控制系统，所述交通控制系统包括：高清摄像头、信号灯、局部处理器以及城市交通中央服务器，所述高清摄像头和信号灯分别连接所述局部处理器，所述局部处理器连接所述城市交通中央服务器，所述方法包括：所述局部处理器获取交通路口的视频数据，通过深度神经网络处理所述视频数据，确定交通数据，所述交通数据包括：各相位的车流量、滞留量、堵车指数以及通行能力；确定所述局部处理器的工作模式，所述工作模式包括：自主控制模式和多路口联合控制模式；若所述局部处理器处于多路口联合控制模式，则所述局部处理器根据所述交通数据，分析所述信号灯的当前设置值是否合理；若否，所述局部处理器向所述城市交通中央服务器发送信号灯调整请求；所述城市交通中央服务器接收所述信号灯调整请求，并判断所述信号灯调整请求是否合理，若是，则控制所述局部处理器基于所述信号灯调整请求，调整所述信号灯的当前设置值。2.根据权利要求1所述的交通控制方法，其特征在于，所述方法还包括：若所述局部处理器处于自主控制模式，则根据各交通路口的实时滞留量以及实时停留量实时调整信号灯。3.根据权利要求1或2所述的交通控制方法，其特征在于，所述通过深度神经网络处理所述视频数据，确定交通数据，包括：根据所述交通路口的视频数据，将所述交通路口的各条道路上等红灯的车辆数记作实时停留量；将所述交通路口的各条道路上处于绿灯但是未通过停车线的车辆数记作实时滞留量；将某个车流方向的全部车辆通过所述交通路口所需的大概时间记作通行时间；将某相位多组通行时间与相应的绿灯时间的比值的平均值表示此相位的堵车指数；将单位时间内通过某相位对应的路段的车辆数确定为该相位的车流量；将在一次连续的绿灯时间内，连续通过某相位对应的停车线的最多车辆数确定为该相位的通行能力；将某相位单位时间内通过的车辆数与该相位的通行能力的比值作为该相位的通行指数。4.根据权利要求1所述的交通控制方法，其特征在于，所述方法还包括：所述城市交通中央服务器接收所述局部处理器发送的交通数据；所述城市交通中央服务器根据所述交通数据，建立并初始化多个交通路口的多张性能表，每一所述交通路口与每一所述性能表一一对应，所述性能表用于对应保存所述交通路口的数据，所述数据包括星期数、时间段、节假日、红绿灯设置、堵车指数以及通...

【专利技术属性】
技术研发人员：常宇飞，李兰芳，
申请(专利权)人：深圳市欧德克科技有限公司，
类型：发明
国别省市：广东,44