CN109087517A - 基于大数据的智能信号灯控制方法和系统 - Google Patents

Abstract

本发明公开了基于大数据的智能信号灯控制方法和系统，基于YOLO算法的图像识别技术及自适应模糊控制算法，根据当前路口车流量进行实时精确控制，实现了车流量信息采集与智能化红绿灯控制，并进行大数据实时共享，基于大数据的信息共享能使当前红绿灯和对未来车流量变化做出及时判断，并调整相应的控制策略，能够实时协同调控红绿灯，有效解决因红绿灯而引起的交通拥堵问题。同时基于上述智能信号灯控制系统实现的大数据实时共享，通过大数据分析进行公交速度配置，提高公交通行能力，有利于减少燃油消耗及汽车尾气排放，实现节能减排。

Description

基于大数据的智能信号灯控制方法和系统

技术领域

本发明涉及交通控制领域，具体的说，是涉及基于大数据的智能信号灯控制方法和系统。

背景技术

近年来，随着我国经济的蓬勃增长和城市化进程的加快，人民生活水平显著提高，机动车持有量急剧上升，城市车辆数不断增加。交通拥堵所带来的多余油耗造成了极大的能源浪费，同时也对环境产生了极大的污染。

目前我国的城市交通红绿灯主要有2种控制方式：一、采用固定时长定时控制；二、采用分时段控制。

其中采用分时段的方法相比最传统的固定时长控制具有一定的先进性，并能在一定程度上稍微缓解城市拥堵问题。但其分时段控制存在如下问题：1、控制不精确；2、不能应对某一时段内的车流量的较大波动。

国外研究现状：英国的SCOOT系统和澳大利亚的SCAT系统是国内外公认目前最好的城市交通控制系统。但由于我国的城市交通系统,尤其是大中型城市交通系统,存在车辆类型种类繁多、随机性大等多种因素,很难对此建立精确的数学模型进行控制,用上述两种控制系统都不能实现较为理想的控制状态。

国内研究现状：据不完全统计，当前国内大多数均采用“自动”红绿交通灯,即按照一定的时间间隔自动切换红、绿、黄三灯，该控制方式如今已经出现了极大弊端。少数城市在少数路口运用了根据时间段进行控制的红绿灯系统，即不同时间段红绿灯时间不同，该控制方式的实时性较差，不能应对车流量突然跳变的情况。国内科技公司如阿里等在极个别城市的某些路口实验性的安装了智能控制红绿灯，但其技术实现复杂且难度较高，目前还难以实现大规模普及。

综上所述，国内外对红绿灯控制的研究现状为：一、不能应对车型种类繁多、随机性大等因素；二、控制方案的实时性较差；三、技术复杂，无法适用于当前设备设施。

现在交通拥堵不仅跟红绿灯控制有关，还和城市车辆的急剧增多有着莫大的关系，因此，鼓励市民乘坐公共交通出行也是各个城市为减轻交通拥堵而积极推行的政策。因此为市民提供安全、快捷、舒适、整洁的乘坐环境势在必行。近几年，许多城市公交为乘客提供免费Wi-Fi，燃油动力车换成电气混合动力车，开辟公交专用车道，手机app实时查看车辆到站情况等服务均大大改善了公交乘坐环境。但是，由于公交车本身车体较大，质量大且惯性大，频繁启动和停止给乘客带来的感受一直不是很好，并且相对普通车辆，其启动、刹车等操作更加浪费燃油，产生更多污染物。

因此，如何设计一种信号灯控制方法，能够实现多路口的协同控制，缓解交通拥堵，并实现公交的车速配置，在实现红绿灯控制优化的同时提高公交的运行效率，是本领域技术人员亟需解决的问题。

发明内容

本发明为了解决上述问题，提出了一种基于大数据的智能信号灯控制方法和系统，基于YOLO算法的图像识别技术及自适应模糊控制算法，根据当前路口车流量进行实时精确控制，实现了车流量信息采集与智能化红绿灯控制，并进行大数据实时共享，基于大数据的信息共享能使当前红绿灯对未来车流量变化做出及时判断并调整相应的控制策略，能够实时协同调控红绿灯，有效解决因红绿灯而引起的交通拥堵问题。同时基于上述智能信号灯控制系统实现的大数据实时共享，本发明通过大数据分析进行公交速度配置，提高公交通行能力，有利于减少燃油消耗及汽车尾气排放，实现节能减排。

为了实现上述目的，本发明采用如下技术方案：

基于大数据的智能信号灯控制方法，包括如下步骤：

步骤一、采集路口车流视频数据，并将数据传送到云服务器；

步骤二、采用YOLO图像识别方法识别采集的车流视频数据，获得路口的交通需求；

步骤三、根据路口的交通需求，采用自适应模糊控制方法，控制信号灯点亮的时长。

进一步的，所述步骤三控制信号灯点亮的时长具体为控制绿灯点亮的时长。

进一步的，所述步骤三根据路口的交通需求，采用自适应模糊控制方法，控制信号灯点亮的时长的具体方法为：

步骤1、从路口i开始,分别指定各路口的最大绿灯时间G_imax；

步骤2、设定各个路口的最短绿灯时间G_min和交通需求设定值r_set；

步骤3、根据路口i的采集信息及周围路口共享的信息计算出交通需求r_i；

步骤4、若r_i<r_set或累积绿灯时间G_i＝G_imax,则将绿灯转到下一路口,i＝i+1，执行步骤3；否则,执行下一步；

步骤5、建立模糊控制规则，根据r_i值的大小来确定该路口i的绿灯延长时间ΔG，设延长的绿灯时间为ΔG,若G_i+ΔG≥G_imax,则ΔG＝G_imax-G_i；否则该相位的绿灯时间为G_i+ΔG,执行步骤3。

进一步的，所述步骤5建立模糊控制规则，根据r_i值的大小来确定该路口i的绿灯延长时间ΔG的方法具体为：

所述交通需求r_i具体为路口的排队车辆数l；

将测得的排队车辆数l可看做模糊变量将当前路口的车辆排队数和对当前路口产生影响的周围路口的排队车辆数进行模糊化处理，得到模糊变量对应的论域，取5个语言值:l₁(长),l₂(较长),l₃(中等),l₄(短),l₅(较短)；

绿灯追加时间ΔG看做模糊变量在模糊变量对应的论域取5个语言值:g₁(多),g₂(较多),g₃(适中),g₄(少),g₅(较少)；

若则对应当前路口的就输出当前路口的所述路口的绿灯追加时间

进一步的，所述采用YOLO图像识别方法识别采集的车辆图像数据，获得路口的交通需求的具体方法为：

所述交通需求具体为路口的排队车辆数l；

由路口车流视频数据获得路口车辆图像，输入卷积网络进行特征提取；

在卷积网络的全连接层对目标类别和目标位置进行回归预测；

计算目标的个数得到该路口的排队车辆数。

基于大数据的智能信号灯控制系统，包括：

设置在路口的信号灯；

摄像头：用于采集路口车流视频数据；

基于YOLO算法的智能识别控制器：用于采用YOLO图像识别方法识别采集的车流视频数据，获得路口的交通需求；

自适应模糊控制器：用于根据路口的交通需求，采用自适应模糊控制方法，控制信号灯点亮的时长；

云服务器：用于存储车流视频数据、路口的交通需求和信号灯的状态信息。

所述云服务器与摄像头、基于YOLO算法的智能识别控制器和自适应模糊控制器分别连接；所述摄像头与基于YOLO算法的智能识别控制器、自适应模糊控制器和信号灯依次连接。

基于大数据的智能信号灯控制系统的公交车速优化配置系统，包括用于获取上述的基于大数据的智能信号灯控制系统的信号灯的状态信息的无线通信模块，还包括设置在公交车上的定位装置、第一处理器和车速控制提醒装置，所述第一处理器与定位装置、无线通信模块和车速控制提醒装置分别连接。

进一步的，所述定位装置为GPS定位装置或北斗卫星定位装置。

进一步的，所述车速控制提醒装置为显示器或/和报站器。

基于上述公交车速优化配置系统的公交车速优化配置方法，包括如下步骤：

①采集当前公交车的位置信息，计算公交车以当前速度运行到下一路口的时间t；

②获取对应公交车位置的下一路口的信号灯状态信息；

③判断所述下一路口的当前信号灯的颜色和当前信号灯亮的剩余时长；

④若所述下一路口的当前信号灯为绿灯执行步骤⑤，否则，所述下一路口的当前信号灯为红灯或黄灯，发提醒信息，提示保持当前车速行驶或根据路况控制在合理车速范围内行驶，行驶时间为红灯或黄灯亮的剩余时长，然后执行步骤①；

⑤判断车辆以当前速度运行到下一路口的时间t是否小于下一路口绿灯亮的剩余时长，如果是，发提醒信息，提示保持当前车速通过下一路口，然后执行步骤①；否则，执行步骤⑥；

⑥判断以公交限速规定的最大速度是否能通过下一路口，如果是，发提醒信息，提示加速通过路口，然后执行步骤①；否则，发提醒信息，提示减速，通过对应公交车位置的下一路口后执行步骤①。

与现有技术相比，本发明的有益效果为：

(1)本发明采用基于YOLO算法的图像识别及自适应红绿灯模糊控制，能实时监测路口车流量信息并实现数据共享，进行红绿灯配置实现了多路口信号灯协同控制，有效解决因红绿灯而引起的交通拥堵问题。并且根据车流量进行红绿灯实时控制，能有效节约燃油，减少污染物排放。

(2)本发明采用YOLO算法的图像识别实现了车流信息的精确采集。

(3)本发明实现了路口信息实时共享，通过大数据分析进行公交车速度优化配置，提高公交车通行能力，既能优化公交服务又能节能减排。

(4)本发明能充分利用现有设备，技术相对国内科技公司研发的大型智能交通体系比较简单，运用方便，能直接在现有的路口设备上使用。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的限定。

图1是本发明的基于大数据的智能信号灯控制系统及公交速度配置结构示意图；

图2是本发明的自适应模糊控制流程图；

图3是本发明公交车速优化配置方法流程图；

图4时采用本发明的信号灯智能控制和传统固定比控制的平均车流量对比折线图；

图5是采用本发明的信号灯智能控制和传统固定比控制的车辆平均速度对比折线图；

图6是本发明Yolo检测系统示意图。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

下述实施例为本申请的一种典型的实施方式，基于大数据的智能信号灯控制方法，包括如下步骤：

步骤一、采集路口车流视频数据，并将数据传送到云服务器；

步骤二、采用YOLO图像识别方法识别采集的车流视频数据，获得路口的交通需求；

步骤三、根据路口的交通需求，采用自适应模糊控制方法，控制信号灯点亮的时长。

交通需求是指出于各种目的的人和物在社会公共空间中以各种方式进行移动的要求，它具有需求时间和空间的不均匀性、需求目的的差异性、实现需求方式的可变性等特征。本申请路口的交通需求是指车辆通过路口的等待时间、或者是一定时间内通过路口的车辆数、或者是路口的排队车辆数，通过路口的摄像头进行视频数据的采集，通过图像识别可得到路口的交通信息，本实施例以图像识别处理后得到路口的排队车辆数作为路口的交通需求为例进行说明。

通过设置在各个路口摄像头实时采集车流视频数据，优选的，摄像头采用全景摄像头，见采集的车流视频数据进行处理，得到各个路口的交通需求。优选的，所述对车流视频进行处理的方法采用现有的YOLO图像识别方法识别采集的车流视频数据。

采用YOLO图像识别方法在检测目标时，是将检测对象的类别和位置同时进行预测，是一种回归问题。主要步骤为：在卷积层进行图像特征提取；在全连接层对后续类别和目标的回归预测。

具体的预测方法为：不同的目标可能位于图像的不同局部区域，因此，首先将图像进行分割将输入图片划分为S×S个网格，如果图片中某个目标边界框的中心落在某个网格内部，那么这个网格就对检测该目标。同时，每个网格同时预测B个边界框的位置和一个置信度(confidence score)。这个置信度并不只是该边界框是待检测目标的概率，而是该边界框是待检测目标的概率乘上该边界框和真实位置的IOU(预测框与实际框的交并比)的积。通过乘上这个交并比，反映出该边界框的预测位置的精度。如下式所示：

每个边界框对应于5个输出，分别是(x,y,w,h)和置信度。其中，x,y代表目标边界框的中心离开其所在网格边界的偏移。w,h代表目标边界框真实宽高相对于整幅图像的比例。x,y,w,h这几个参数都已经被限制到了区间[0,1]内。除此以外，每个网格还产生C个条件概率P(Classi|Object)。不管目标边界框个数B为多大，每个网格只产生一组这样的概率，只输出一组预测结果。在网络训练的非极大值抑制阶段，对于每个目标边界框，按照下式衡量该边界框是否应该予以保留：

最终保留下的边框数就是检测的目标数，对于本申请来说就是目标车辆数。

假设有一个边界框，如图6中的右边的图像中有三个边界框，例如最右侧的边界框3，如果中心刚好落在了中心为(row,col)网格中，row指网格中心的横坐标，col指网格中心的纵坐标。则这个网格需要负责预测整个边界框3的目标(图示为狗)。假设图像的宽为width_image，高为height_image；边界框3中心在(x_c，y_c)，宽为width_box，高为height_box那么：

(1)对于边界框的宽和高做如下归一化处理，使得输出宽高介于0-1：

(2)使用(row,col)网格的补偿归一化边界框的中心坐标：

经过上述公式得到的归一化后的(x,y,w,h)，再加之前计算的confidence，就组成了一个真正在网络可用于回归预测计算，获得最终保留下的边框数就是检测的目标数，对于本申请来说就是目标车辆数。

损失函数即为最终预测产生的误差，该损失函数公式如下：

Loss＝λ_coord*坐标预测误差+(含目标的网格置信度预测误差+λ_noobj*不含目标的网格置信度预测误差)+分类误差，最终算出来作为预测是否准确的依据。

损失函数计算如下：

λ_coord为坐标预测权重，λ_noobj为分类预测权重S为图片划分的网格数，B代表有B个边界框需要预测，x_i，y_i表示边界框中心位置坐标，为边界框归一化之后的中心位置坐标，w_i，h_i为边界框的宽度和高度，分别为边界框归一化的宽度和高度。c_i为置信度为归一化的置信度。p_i(c)为分类预测的概率。

损失函数中第一项是边界框中心坐标的误差项，指的是第i个网格存在目标，且该网格中的第j个边界框负责预测该目标。第二项是边界框的高与宽的误差项。第三项是包含目标的边界框的置信度误差项。第四项是不包含目标的边界框的置信度误差项。而最后一项是包含目标的网格的分类误差项，指的是第i个网格存在目标。

本实施例所述采用YOLO图像识别方法识别采集的车辆图像数据，获得路口的交通需求的具体方法为：

所述交通需求具体为路口的排队车辆数l；

由路口车流视频数据获得路口车辆图像，输入卷积网络进行特征提取；

在卷积网络的全连接层对目标类别和目标位置进行回归预测；

计算目标的个数得到该路口的排队车辆数。

YOLO图像识别方法采用一个CNN网络来实现检测，是单管道策略，其训练与预测都end-to-end，所以Yolo算法比较简洁且速度快。YOLO图像识别方法是对整张图片做卷积，所以其在检测目标有更大的视野，不容易对背景误判，识别正确率比较高。

路口信号灯的显示状态根据控制信号变化，信号灯的状态信息是指当前信号灯的颜色以及当前信号灯亮的剩余时间。信号灯主要有红、黄、绿三种颜色，绿色的信号灯代表通行，解决路口的拥堵主要是在其他灯点亮的时长固定时控制绿的点亮时间，优选的，所述步骤三控制信号灯点亮的时长具体为控制绿灯点亮的时长。

如图2所示，所述步骤三根据路口的交通需求，采用自适应模糊控制方法，控制信号灯点亮的时长的具体方法为：

步骤1、从路口i开始,分别指定各路口的最大绿灯时间G_imax；

步骤2、设定各个路口的最短绿灯时间G_min和交通需求设定值r_set；

步骤3、根据路口i的采集信息及周围路口共享的信息计算出交通需求r_i；

步骤4、若r_i<r_set或累积绿灯时间G_i＝G_imax,则将绿灯转到下一路口,i＝i+1，执行步骤3；否则,执行下一步；

所述累积绿灯时间为当前路口本次绿灯点亮的时长，并不是多次绿灯点亮的时长的累加，是指目前路口信号为绿灯，本次绿灯点亮的时长。

步骤5、建立模糊控制规则，根据r_i值的大小来确定该路口i的绿灯延长时间ΔG，设延长的绿灯时间为ΔG,若G_i+ΔG≥G_imax,则ΔG＝G_imax-G_i；否则该相位的绿灯时间为G_i+ΔG,执行步骤3。

该路口的车辆排队数经过检测识别后进行模糊化处理，同时周围路口会对此路口产生影响的方向的车辆数也进行模糊化处理，并将两者的模糊信息共同传输到计算终端，在计算终端经过我们的自适应模糊控制算法进行计算，最终得出ΔG，再对ΔG做出模糊化处理，最终作用于红绿灯，并上传云服务器实现联动智能控制。采集个路口的车辆数信息作为我们控制算法的输入，经过计算得出ΔG。

通过基于YOLO算法的图像采集识别能准确判断出当前排队车辆数，用排队车辆数来表示交通需求可用下述方法建立模糊控制规则。将测得的排队车辆数l可看做模糊变量其论域为l＝{1,3,5,7,9,11,13,15},取5个语言值:l₁(长),l₂(较长),l₃(中等),l₄(短),l₅(较短)。绿灯追加时间ΔG同样看做模糊变量其论域为Γ＝{3,7,11,15,19,23,27,31},取5个语言值:g₁(多),g₂(较多),g₃(适中),g₄(少),g₅(较少)。根据控制经验,一般可总结出5条控制规则,若则由5条语言控策略就可组成单输入单输出语言控制策略。

本实施例的模糊规则就是简单的模糊划分，本实施例划分时要根据路口历史情况进行划分，不同城市，不同路口划分方式不同。例如：长(30辆车以上)，较长(20-30辆车)，中等(15-20辆车)，短(8-15辆车)，较短(8辆以下)，上述划分中的车辆数就应该根据不同城市，不同路口进行实际情况划分。同理，绿灯追加时间ΔG也是如此。根据路口历史情况进行划分，例如：多(40-50秒)，较多(30-40秒)，适中(20-30秒)，少(10-20秒)，较少(10秒以下)。

模糊控制是以集合理论为基础的一种新兴的控制手段,但是,其存在对定量知识综合能力差、控制精度低、规则自适应能力弱等缺点。该自适应模糊控制算法运用多层前馈神经网络来实现模糊化规则推理和反模糊化过程,并与规则推理组成一个多层神经网络,借助神经网络的信息存储结构来实现模糊控制,以提高模糊控制的自适应能力。其中运用了一种基于BP学习算法的模糊神经网络控制器FNNC,通过离线学习,使其记忆得到经验知识,将训练好的FNN做为模糊控制器,实现控制系统对人为控制行为的模拟,同时该系统可以根据被控过程的运行状态自动调整修正(修改权值与阈值),给出适当的控制量,进一步改善控制效果,以达到模糊自适应的能力，该算法具有很强的鲁棒性。

实施例2

本实施例是提供一种基于大数据的智能信号灯控制系统，本实施例的系统采用实施例1所述的基于大数据的智能信号灯控制方法。如图1所示，该系统包括设置在路口的信号灯；用于采集路口车流视频数据的摄像头；用于采用YOLO图像识别方法识别采集的车流视频数据，获得路口的交通需求的基于YOLO算法的智能识别控制器；用于根据路口的交通需求，采用自适应模糊控制方法，控制信号灯点亮的时长的自适应模糊控制器；用于存储车流视频数据、路口的交通需求和信号灯的状态信息的云服务器所述云服务器与摄像头、基于YOLO算法的智能识别控制器和自适应模糊控制器分别连接；所述摄像头与基于YOLO算法的智能识别控制器、自适应模糊控制器、信号灯依次连接。

云服务器接收车流视频数据、路口的交通需求和信号灯的状态信息进行存储实现大数据的实时共享。

自适应模糊控制器的自适应过程就是网络参数不断调整寻优的过程,它利用神经网络的学习能力逐步调整控制器各节点的参数,最终实现具有良好控制性能的控制器。性能测量是在测量系统输出的实际特性与预期特性之间差异的基础上,根据语言变化偏差E,EC,给出输出特性所需的校正量P。校正量的产生可以通过对受控系统动力学特性及时域响应的分析得到。例如,当E＝NS(负小),EC＝NM(负大),则输出特性朝偏离理想特性的方向发展,说明控制量不够大,应迅速增大,给定校正量P＝0.6。与此类似,研究人员总结出一套校正规则见表1。为了完成上述任务,通过FNNC(模糊神经网络控制)在线学习,调整网络权值,使FNNC的输出控制量随外界环境的变化,自动地调整到期望输出量V_i＝U_i+P_i。

定义误差函数为

式中,V_i为期望输出的控制量,U_i为FNNC网络的实际输出。采用BP算法对网络参数进行修正,参数修正公式如式(7)。通过此方法每次可以得到一个训练样本{E,EC,T}。用该样本对神经网络进行训练,训练后的网络随即用于下一步控制。在下一步控制中,又产生下一步的样本。如此重复直到结束,即完成一次学习过程。当进行训练后将实施例中的通过基于YOLO算法的智能识别控制器输出当前排队的车辆数输入到自适应模糊控制器就可以获得绿灯追加时间ΔG的数值。

表1校正规则

实施例3

本实施例提供一种公交车速优化配置系统，本系统基于实施例2的信号灯控制系统设置，通过与实施例2的云服务器连接获得路口的交通需求和信号灯的状态信息，本实施例的公交车速优化配置系统包括设置在公交车上的定位装置、无线通信模块、第一处理器和车速控制提醒装置，所述第一处理器与定位装置、无线通信模块和车速控制提醒装置分别连接。

所述无线通信模块与云服务器建立无线连接，将从服务器获取的数据传输到第一处理器。公交车上设置定位装置，用于定位检测当前公交车所处的位置，优选的，定位装置为GPS定位装置或北斗卫星定位装置，或者使用公交车上的定位装置。

当第一处理器获取路口的交通需求和信号灯的状态信息，接收到公交车的定位信息，进行处理，处理后生成控制信号，将相应的提醒信息发送到所述车速控制提醒装置，优选的，车速控制提醒装置为显示器或/和报站器。所述提醒信息包括前方路口的信号灯状态信息，是否可以提速通过，或者需要减速，使得公交车减少怠速的时间和次数。

如图3所示，基于上述公交车速优化配置系统的公交车速优化配置方法，公交车速优化配置系统的第一处理器执行以下步骤：

①采集当前公交车的位置信息，计算公交车以当前速度运行到下一路口的时间t；

②获取对应公交车位置的下一路口的信号灯状态信息；

③判断所述下一路口的当前信号灯的颜色和当前信号灯亮的剩余时长；

④若所述下一路口的当前信号灯为绿灯执行步骤⑤，否则，所述下一路口的当前信号灯为红灯或黄灯，发提醒信息，提示保持当前车速行驶或根据路况控制在合理车速范围内行驶，行驶时间为红灯或黄灯亮的剩余时长，然后执行步骤①；

⑤判断车辆以当前速度运行到下一路口的时间t是否小于下一路口绿灯亮的剩余时长，如果是，发提醒信息，提示保持当前车速通过下一路口，然后执行步骤①；否则，执行步骤⑥；

⑥判断以公交限速规定的最大速度是否能通过下一路口，如果是，发提醒信息，提示加速通过路口，然后执行步骤①；否则，发提醒信息，提示减速，通过对应公交车位置的下一路口后执行步骤①。

通过上述方法得出公交的车速的最优控制，将相应的提醒信息发送到所述运行中的公交使道路交通的效率最大化，公交通行能力最大化，减少城市拥堵，并优化公交服务，实现节能减排。

为了验证基于大数据的智能信号灯控制系统的红绿灯控制效果，运用交通仿真系统flowsim模拟平台，进行采用固定比的红绿灯系统(信号控制时间平均分配)以及本发明的基于大数据的智能红绿灯控制系统进行了交通分析，模拟时间为一个小时，模拟结果平均车流量如图4所示，采用本发明智能红绿灯的平均车流量为1370辆/小时,而固定时常的则为1149辆/小时。模拟结果的车辆平均速度如图5所示，采用本发明智能红绿灯的平均速度5.61m/s,而固定时常的则为4.64m/s。

运用该系统后，按预期估计，每辆车通过红绿灯等待时间平均可减少20秒。假设我国一个大中型城市平均拥有车辆200万量，每量车每年通过十字路口的次数为600次，假设一年300天经过，每天早晚各一次,则结果如下。表2为本发明的智能信号灯控制和传统定时信号灯控制方式的车流量、车速、油耗、碳氧化合物的排放、氮氧化合物的排放、碳氢化合物的排放和二氧化碳的排放比较；表3为以全国36大中型城市平均200万辆车计算使用本发明的智能信号灯控制方法和不使用本发明的控制方法(采用传统信号灯控制方法)每年节能减排对比数据。

表2

表3

上述结果表明，此自动信号灯系统能很好的实现节能减排效果。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.基于大数据的智能信号灯控制方法，其特征是，包括如下步骤：

步骤一、采集路口车流视频数据，并将数据传送到云服务器；

步骤二、采用YOLO图像识别方法识别采集的车流视频数据，获得路口的交通需求；

步骤三、根据路口的交通需求，采用自适应模糊控制方法，控制信号灯点亮的时长。

2.如权利要求1所述的基于大数据的智能信号灯控制方法，其特征是：所述步骤三控制信号灯点亮的时长具体为控制绿灯点亮的时长。

3.如权利要求2所述的基于大数据的智能信号灯控制方法，其特征是：所述步骤三根据路口的交通需求，采用自适应模糊控制方法，控制绿灯点亮的时长的具体方法为：

步骤1、从路口i开始,分别指定各路口的最大绿灯时间G_imax；

步骤2、设定各个路口的最短绿灯时间G_min和交通需求设定值r_set；

步骤3、根据路口i的采集信息及周围路口共享的信息计算出交通需求r_i；

步骤4、若r_i<r_set或累积绿灯时间G_i＝G_imax,则将绿灯转到下一路口,i＝i+1，执行步骤3；否则,执行下一步；

步骤5、建立模糊控制规则，根据r_i值的大小来确定该路口i的绿灯延长时间ΔG，设延长的绿灯时间为ΔG,若G_i+ΔG≥G_imax,则ΔG＝G_imax-G_i；否则该相位的绿灯时间为G_i+ΔG,执行步骤3。

4.如权利要求3所述的基于大数据的智能信号灯控制方法，其特征是：所述步骤5建立模糊控制规则，根据r_i值的大小来确定该路口i的绿灯延长时间ΔG的方法具体为：

所述交通需求r_i具体为路口的排队车辆数l；

将测得的排队车辆数l可看做模糊变量将当前路口的车辆排队数和对当前路口产生影响的周围路口的排队车辆数进行模糊化处理，得到模糊变量对应的论域，取5个语言值:l₁(长),l₂(较长),l₃(中等),l₄(短),l₅(较短)；

绿灯追加时间ΔG看做模糊变量在模糊变量对应的论域取5个语言值:g₁(多),g₂(较多),g₃(适中),g₄(少),g₅(较少)；

若则对应当前路口的就输出当前路口的所述路口的绿灯追加时间

5.如权利要求1所述的基于大数据的智能信号灯控制方法，其特征是：所述采用YOLO图像识别方法识别采集的车辆图像数据，获得路口的交通需求的具体方法为：

所述交通需求具体为路口的排队车辆数l；

由路口车流视频数据获得路口车辆图像，输入卷积网络进行特征提取；

在卷积网络的全连接层对目标类别和目标位置进行回归预测；

计算目标的个数得到该路口的排队车辆数。

6.基于大数据的智能信号灯控制系统，其特征是，包括：

设置在路口的信号灯；

摄像头：用于采集路口车流视频数据；

基于YOLO算法的智能识别控制器：用于采用YOLO图像识别方法识别采集的车流视频数据，获得路口的交通需求；

自适应模糊控制器：用于根据路口的交通需求，采用自适应模糊控制方法，控制信号灯点亮的时长；

云服务器：用于存储车流视频数据、路口的交通需求和信号灯的状态信息；

所述云服务器与摄像头、基于YOLO算法的智能识别控制器和自适应模糊控制器分别连接；所述摄像头与基于YOLO算法的智能识别控制器、自适应模糊控制器和信号灯依次连接。

7.基于权利要求6所述的基于大数据的智能信号灯控制系统的公交车速优化配置系统，其特征是：包括用于获取权利要求6所述的基于大数据的智能信号灯控制系统的信号灯的状态信息的无线通信模块，还包括设置在公交车上的定位装置、第一处理器和车速控制提醒装置，所述第一处理器与定位装置、无线通信模块和车速控制提醒装置分别连接。

8.如权利要求7所述的公交优化配置系统，其特征是：所述定位装置为GPS定位装置或北斗卫星定位装置。

9.如权利要求7所述的公交优化配置系统，其特征是：所述车速控制提醒装置为显示器或/和报站器。

10.基于权利要求7-9任一项所述的公交车速优化配置系统的公交车速优化配置方法，其特征是，包括如下步骤：

①采集当前公交车的位置信息，计算公交车以当前速度运行到下一路口的时间t；

②获取对应公交车位置的下一路口的信号灯状态信息；

③判断所述下一路口的当前信号灯的颜色和当前信号灯亮的剩余时长；

④若所述下一路口的当前信号灯为绿灯执行步骤⑤，否则，所述下一路口的当前信号灯为红灯或黄灯，发提醒信息，提示保持当前车速行驶或根据路况控制在合理车速范围内行驶，行驶时间为红灯或黄灯亮的剩余时长，然后执行步骤①；

⑤判断车辆以当前速度运行到下一路口的时间t是否小于下一路口绿灯亮的剩余时长，如果是，发提醒信息，提示保持当前车速通过下一路口，然后执行步骤①；否则，执行步骤⑥；

⑥判断以公交限速规定的最大速度是否能通过下一路口，如果是，发提醒信息，提示加速通过路口，然后执行步骤①；否则，发提醒信息，提示减速，通过对应公交车位置的下一路口后执行步骤①。