[发明专利]智慧交通信号灯组网协同优化控制系统及控制方法

说明书

本发明公开了一种智慧交通信号灯组网协同优化控制系统，包括数据采集与设备控制模块、信息提取模块、决策模块、指挥中心模块。本发明是一套完整的智慧交通信号灯控制技术解决方案，实现成本较低，具备完整性、可扩展性与可移植性的特征。在实现成本方面，本系统在交通路口未添加新的设备或传感器，目前交通路口普遍安置多个监控摄像机，用以监控是否出现交通违章现象。这些摄像机采集的数据可以用于本系统，大大节省本系统的部署成本。本系统采用了自底向上的设计，兼顾了数据采集、数据处理、智能决策与指挥中心干预，这些涵盖了交通信号灯控制的完整流程。

技术领域

本发明涉及智慧城市(Smart City)、智慧交通(Intelligent Transport)技术领域，实现一种网络化、模块化、智能化、公平化的智慧交通信号灯组网协同优化与控制系统。

背景技术

随着城市化水平的提高，城市规模城市数量急剧增长，城市问题也逐渐凸显，在交通领域，上下班高峰期的道路拥堵问题成为城市发展中最棘手的问题之一。近年来，为了减轻城市交通压力，人们将目光投向大数据技术与人工智能领域，希望借助大数据分析与智能计算技术优化城市交通问题，减轻交通负担。

在智慧城市建设中，智慧交通是不可或缺的一环，智慧交通完善了智慧城市建设，智慧城市又是智慧交通建设中的基石，为智慧交通提供软硬件支撑。在智慧交通领域，车辆识别、车辆跟踪等技术是本系统的必要技术。智慧城市建设过程中将会为智慧交通系统提供更多的硬件支持如监控摄像机、传感器等。

车辆识别技术可以分辨图片或视频流中是否存在车辆以及车辆的类别、车辆的数量。车辆识别技术通常使用机器学习中的深度卷积神经网络来实现，常用的算法有FasterR-CNN方法、YOLO算法、SSD(Single Shot MultiBox Detector)算法。

车辆跟踪技术可以通过多个监控摄像机中不同的视频流进行车辆的识别与再识别。通过车辆跟踪技术可以在多个监控摄像机的视频流中识别车辆，并且获取车辆在几个监控摄像机之间路程的通行时间，评价路段的通行能力。

在智能交通信号灯控制领域，传统的方法有Webster方法，GreenWave方法，Maxband方法，Actuated Control方法，自组织的控制方法，Max-pressure方法，SCATS(Sydney Coordinated Adaptive Traffic System)方法。这些方法一般通过简单的规则优化交通信号灯每个周期的时间。交通流量在时间跨度上有较大变化，并且存在着特殊情景，简单的规则设计无法起到良好的优化效果。目前人工智能方法在交通信号灯控制领域受到越来越多的关注，尤其是强化学习技术。

强化学习主要包括状态表示集合，动作集合，概率状态转换函数，激励函数和学习率等五个元素。状态表示集合是环境状态信息的记录。动作集合是智能体执行的动作的记录。通过概率状态转换函数，可以根据当前状态和智能体的动作得到下一状态。激励函数根据环境和智能体的动作计算激励值。学习率决定当前的动作与激励值对将来动作的影响能力。强化学习过程是智能体在当前状态与环境交互，从环境中得到下一状态和激励值，优化策略根据激励值对该动作进行评估，影响下一步动作的选择。通过重复上述过程提升智能体与环境的交互能力。

发明内容