CN110969871B - 一种智能交通灯控制系统和控制方法 - Google Patents

Abstract

本发明公开了一种智能交通灯控制系统和控制方法。包括云服务器端、交通控制模块和交通信号灯模块，云服务器端和交通控制模块无线通信连接，交通控制模块安装于交通路口的交通信号灯模块附近并和交通信号灯模块有线电连接；交通控制模块接收云服务器端指令采集交通条件数据和车流量数据并发送到云服务器端，由云服务器端分析处理生成交通状况类型判断标准，生成网络模型和交通灯控制模式并发回到交通控制模块，再由交通控制模块处理产生交通信号灯控制信号，进而控制交通信号灯模块进行工作。本发明利用神经网络和FPGA动态配置，能够使用计算能力有限的低成本硬件系统灵活高效地对某区域多个路口交通灯进行控制，从而提升城市交通运行效率。

Description

一种智能交通灯控制系统和控制方法

技术领域

本发明涉及交通信号控制领域的一种交通控制系统和方法，具体涉及一种基于云服务器和FPGA的智能交通灯控制系统和控制方法。

背景技术

交通灯是维护城市交通秩序必不可少的工具之一，随着路面上运行的交通工具越来越多，如何制定合理的交通信号灯的控制成为重要课题。传统交通灯控制需要事先采集路口的车流量，并根据车流量情况制定出几种固定配时方案，这种方法虽然简单便捷，但无法应对多变的环境条件，缺乏灵活性。为克服传统交通灯控制模式的不足，人们提出智慧交通相关方案，如使用摄像头等设备采集当前路口的车流量，并根据实时交通拥堵情况改变交通灯配时方案，这种方法需要人工参与，处理的信息量较大，用时较长，且无法应对复杂场景；其他方案，如利用传感器等设备采集交通条件，使用大数据等技术对交通情况进行分析及预测，需要在每个路口部署高成本硬件方案，且车辆需要装载智能终端，代价较高，同时对网络通信质量要求高而导致实际使用中稳定性下降，无法大规模推广。因而需要找到一种能应对复杂交通环境的低成本控制方案。

发明内容

为了解决背景技术中提出的问题，本发明的目的在于提出一种智能交通灯控制系统和控制方法。

本发明采取的技术方案为：

一、一种智能交通灯控制系统：

系统包括云服务器端、交通控制模块和交通信号灯模块，云服务器端和交通控制模块无线通信连接，交通控制模块安装于交通路口的交通信号灯模块附近并和交通信号灯模块有线电连接；交通控制模块接收云服务器端指令采集交通条件数据和车流量数据并发送到云服务器端，由云服务器端分析处理生成交通状况类型判断标准，生成网络模型和交通灯控制模式并发回到交通控制模块，再由交通控制模块处理产生交通信号灯控制信号，进而控制交通信号灯模块进行工作。

所述的交通控制模块包括无线通信模块、条件检测模块、车流量采集模块、处理模块和FPGA控制模块；无线通信模块、条件检测模块、车流量采集模块和FPGA控制模块均和处理模块连接，无线通信模块和云服务器端通过无线连接通信，FPGA控制模块和交通信号灯模块通过有线电连接；

进行交通灯控制前，处理模块经由无线通信模块接收到来自云服务器端的采集指令，控制条件检测模块、车流量采集模块分别采集交通条件原始模拟信号数据和车流量原始模拟信号数据发送到处理模块，由处理模块整合统计处理成各种交通条件数字数据和车流量数字数据，经由无线通信模块发送到云服务器端。

云服务器端中已经预先搭建由各个交通条件的子网络模型组成的网络模型，用每种交通条件数字数据结合车流量数字数据对由各个子网络模型融合组成的网络模型进行训练处理，获得交通条件影响系数和网络模型参数，网络模型参数是由各个子网络模型的参数组成，云服务器端将交通状况划分为多个交通状况类型，生成交通状况类型判断标准，云服务器端针对每一类型产生交通灯控制模式，分别生成多种配置文件，配置文件包括网络模型、交通条件影响系数、网络模型参数和交通灯控制配置；每一类型下各自有不同的交通灯控制配置，每一交通灯控制配置又包含有多个“子文件”，比如100-200对应的控制“子文件1”,200-300对应的控制“子文件2”。

进行交通灯控制时，云服务器端发送交通灯控制指令，处理模块经由无线通信模块接收来自云服务器端的交通灯控制指令以及交通状况类型判断标准，根据判断所得的当前交通状况类型向云服务器端请求对应类型的配置文件，处理模块接收到配置文件后，将配置文件烧录给FPGA控制模块，进行FPGA控制模块的配置，FPGA控制模块根据网络模型、交通条件影响系数搭建网络模型，配置完成后，FPGA控制模块根据处理模块传来的各种交通条件数字数据，预测获得车流量结果，根据车流量结果下车流量等级对应的某一交通灯控制配置控制交通信号灯模块进行工作。

在烧录之前，FPGA内没有配置文件。FPGA内只能放置一个类型的文件，结合上述处理过程，降低了硬件开销(比如内存单元)，实现了低成本硬件方案的硬件控制，进而大大降低成本。

所述的处理模块保存有当前FPGA控制模块中所使用的配置文件所对应的交通状况类型，将该交通状况类型作为当前的交通状况类型和之前的交通状况类型进行比较。

所述的FPGA控制模块控制交通路口的交通信号灯的亮灭和倒计时的显示。

所述条件检测模块包括但不限于温度传感器、湿度传感器、PM2.5传感器，所述车流量采集模块由红外传感器、地磁传感器、高清摄像头中的一种或几种组成。

所述的交通条件包括有温度条件、湿度条件、PM2.5条件、时段条件等多种，其中时段条件在处理模块处获得，在采集车流信息阶段由云服务器端通过无线通信模块与处理模块进行时间同步。

二、一种智能交通灯控制方法，包括以下步骤：

1)云服务器端经由无线通信模块发送车流信息采集信号到处理模块，处理模块控制条件检测模块和车流量采集模块工作，条件检测模块、车流量采集模块分别采集交通条件原始模拟信号数据和车流量原始模拟信号数据，传回到处理模块进行处理形成各种交通条件数字数据和车流量数字数据并存放于存储卡中；

2)云服务器端通过无线通信模块接收每种交通条件数字数据结合车流量数字数据后，对已预先搭建的由各个子网络模型融合组成的网络模型进行训练处理获得网络模型参数，并分析处理获得每种交通条件对车流量的交通条件影响系数，网络模型参数是由各个子网络模型的参数组成，云服务器端将交通状况划分为多个交通状况类型，生成交通状况类型判断标准，并针对每一类型分别有交通灯控制模式，云服务器端针对每一类型分别生成多种配置文件；

3)云服务器端经由无线通信模块发送交通灯控制指令和交通状况类型判断标准，系统最开始运行时根据类型发送文件，处理模块根据判断所得的当前交通状况类型，向云服务器端请求对应类型的配置文件；

4)云服务器端将对应交通状况类型的配置文件经由无线通信模块发送到处理模块，处理模块将接收到的配置文件烧录进FPGA控制模块中，FPGA控制模块根据网络模型、交通条件影响系数搭建网络模型；

5)FPGA控制模块配置完成后，处理模块根据交通状况类型判断标准，判断当前的交通状况类型是否与之前的交通状况类型相同，

若相同，处理模块控制条件检测模块工作，将当前采集到的交通条件原始模拟信号处理为交通条件数字数据并传给FPGA控制模块，进行后续步骤；

若不同，将当前的交通状况类型通过无线通信模块传给云服务器端，回到步骤4)；

6)FPGA控制模块根据接收到的各种交通条件数据处理预测获得车流量结果，根据车流量结果判断更新车流量等级，选择车流量等级对应的某一交通灯控制配置控制交通信号灯模块进行工作；

7)由于交通情况复杂，为使交通灯控制方案更加合理，处理模块定期控制条件检测模块和车流量采集模块采集一定时间间隔内的交通条件模拟数据和车流量模拟数据，处理生成交通条件数字数据和车流量数字数据，FPGA控制模块根据处理模块传来的交通条件数字数据预测该交通条件下的车流量，传回处理模块与实际检测的车流量数字数据进行对比，若二者偏差大于一定数值，处理模块经由无线通信模块向云服务器端发送请求，重新进行1)-6)步骤以更新交通灯控制方案。

所述的网络模型是由不同交通条件对应的子网络模型组成，针对不同交通条件的交通条件数据采用不同的子网络模型分开处理，所述的子网络模型采用BP神经网络或者卷积神经网络。

分析处理获得每种交通条件对车流量的交通条件影响系数，具体方法如下：

1)等间隔不间断采集车流量X，将一段时间内的车流量X划分为N类A_i,i＝1,2,...,N，其中A_i表示第i类车流量的车流量数据集合，A_i＝[X_i,X_i+ΔX]，X_i表示第i类车流量数据集合的左端点值，区间长度

maxX表示一段时间内的车流量最大值，minX表示一段时间内的车流量最小值；

2)对于每一类A_i对应的每一种交通条件的交通条件数据，将该交通条件数据分别划分为多个条件区间，并使用公式

j＝1,2,...,n进行归一化，其中

为第j种交通条件值，

为第j种交通条件值的平均值，

为第j种交通条件值的标准差，

归一化后的第j种交通条件值，n表示交通条件种类总数；

3)对于每一类A_i对应的各种交通条件的交通条件数据，均构建以下多元线性回归模型，输入一类车流量的车流量数据及其对应的各种交通条件的交通条件数据进行求解获得各个交通条件的条件影响系数：

其中，X_ik为第i类车流量对应的第k车流量采样值，

为第i类车流量常数项，

为第j种交通条件值的交通条件影响系数，

为第k车流量的第j种交通条件值，ε_ik为第k车流量的误差项；

每种交通条件对车流量均有自己的影响系数。

根据条件影响系数对车流量进行综合预测：

1)假设当前检测到的交通条件为c^j，建立以下目标函数，求解找到满足

的车流量等级序数i的值，获得该第i类车流量的车流量数据集合A_i以及对应的各种交通条件的条件影响系数

其中，c^j表示当前的交通条件值，为处理模块向FPGA控制模块传递的当前路口的n种交通条件数字数据，j＝1,2,...,n；

2)使用以下预测公式求出当前车流量，综合预测公式如下：

其中，x^j为第j种交通条件值下的车流量预测值，s为车流量综合预测的结果。

本发明能实时根据当前的交通路口的状况更新控制交通信号灯的运行；在交通状况改变时，处理模块向云端发送反馈重新请求配置文件，进而控制交通信号灯工作。

本发明利用神经网络和FPGA动态配置，能够使用计算能力有限的低成本硬件系统灵活高效地对某区域多个路口交通灯进行控制，从而提升城市交通运行的效率。

本发明利用FPGA能够重复编程，动态配置，借助分时复用资源，能够在各个时段实现不同的电路功能。因此本发明借助FPGA动态可重构特性，当交通条件改变时，FPGA实时更新配置不同的控制方式，从而在短时间内采取最合理的交通灯控制工作，且能够降低成本的投入。

本发明通过采用上述技术方案，具有如下的有益效果：

1)与其他根据十字路口实时车流量控制交通灯的方案相比，本发明对不同交通条件下路口的车流量进行神经网络训练，对交通状况进行分级，制定相应交通灯控制模式，并根据预测所得车流量选择相应配置，该方式能够应对复杂多变的交通环境，且无需实时采集信息，因而更加灵活智能。

2)对不同类型交通条件下的车流量，使用多个神经网络分开训练，并根据条件影响系数得出综合预测结果，相较使用单一神经网络，能够在一定程度上降低网络复杂度，缩短训练时间。

3)利用FPGA的动态可重构特性，在云服务器端生成多种配置文件，并通过无线通信模块，根据需求动态配置FPGA，可在低成本硬件方案上实现高成本硬件方案接近的使用效果，并能够应对各种复杂情况进行工作。

附图说明

图1为系统总体架构。

图2为单一交通灯系统内部结构图。

图3为系统总体运行流程图。

图4为具体实施时条件检测模块、车流量采集模块和处理模块示意图。

图中，1为云服务器端，2为交通控制模块，3为交通灯模块，21为无线通信模块，22为条件检测模块，23为车流量采集模块，24为处理模块，25为FPGA控制模块。

具体实施方式

为使本发明的目的、技术方案和优点更容易被理解，下面将结合附图对本发明的具体实施方式进行进一步描述。

如图1所示，包括云服务器端1、交通控制模块2和交通信号灯模块3，云服务器端1和交通控制模块2无线通信连接，交通控制模块2安装于交通路口的交通信号灯模块3附近并和交通信号灯模块3有线电连接；交通控制模块2云服务器端1指令采集交通条件数据和车流量数据并发送到云服务器端1，由云服务器端1分析处理生成交通状况类型判断标准，生成网络模型和交通灯控制模式并发回到交通控制模块2，再由交通控制模块2处理产生交通信号灯控制信号，进而控制交通信号灯模块3进行工作。

具体实施中，云服务器端1以无线通信方式通知交通控制模块2采集交通条件数据和车流量数据，然后将处理后的交通条件数据、车流量数据发送到云服务器端1，云服务器端1分析处理接收的数据获得交通条件影响系数和网络模型参数，将交通状况划分为多个交通状况类型，生成交通状况类型判断标准，针对每一类型分别制定交通灯控制模式，然后发送交通灯控制指令到交通控制模块2，交通控制模块2判断当前路口的交通状况类型，向云服务器端1请求对应交通状况类型的文件以进行配置，配置完成后根据当前交通状况类型对应的网络模型结合交通条件数据处理预测获得车流量结果，根据车流量结果下的车流量等级对应的某一交通灯控制配置控制交通信号灯模块3进行工作。

如图2所示，交通控制模块2包括无线通信模块21、条件检测模块22、车流量采集模块23、处理模块24和FPGA控制模块25；无线通信模块21、条件检测模块22、车流量采集模块23和FPGA控制模块25均和处理模块24连接，无线通信模块21和云服务器端1通过无线连接通信，FPGA控制模块25和交通信号灯模块3通过有线电连接。

进行交通灯控制前，云服务器端1经由无线通信模块21通知交通控制模块2进行车流信息采集，处理模块24控制条件检测模块22、车流量采集模块23分别采集交通条件原始模拟信号数据和车流量原始模拟信号数据发送到处理模块24，由处理模块24整合统计处理成各种交通条件数字数据和车流量数字数据，经由无线通信模块21发送到云服务器端1；

云服务器端1中已经预先搭建由各个交通条件的子网络模型组成的网络模型，用每种交通条件数字数据结合车流量数字数据对由各个子网络模型融合组成的网络模型进行训练处理，获得交通条件影响系数和网络模型参数，网络模型参数是由各个子网络模型的参数组成，交通条件影响系数是每项交通条件对车流量的影响系数，云服务器端1将交通状况划分为多个交通状况类型，生成交通状况类型判断标准，并针对每一类型分别制定交通灯控制模式，云服务器端1针对每一类型分别生成多种配置文件，配置文件包括网络模型、交通条件影响系数、网络模型参数和交通灯控制配置；

进行交通灯控制时，云服务器端1经由无线通信模块21发送交通灯控制指令，处理模块24接收来自云服务器端1的交通灯控制指令以及交通状况类型判断标准，根据判断所得的当前交通状况类型向云服务器端1请求对应类型的配置文件，处理模块24接收到配置文件后，将配置文件烧录给FPGA控制模块25，进行FPGA控制模块25的配置，FPGA控制模块25根据网络模型、交通条件影响系数搭建网络模型，配置完成后，FPGA控制模块25根据处理模块24传来的各种交通条件数字数据，在网络模型中输入各种交通条件数字数据预测获得车流量结果，并判断车流量等级根据车流量结果下车流量等级对应的某一交通灯控制方式控制交通信号灯模块3进行工作。

处理模块24保存有当前FPGA控制模块25中所使用的配置文件所对应的交通状况类型，将该交通状况类型作为之前的类型和当前的交通状况类型进行比较。具体实施中，一般根据车流信息将交通状况划分为A、B、C、D等多个类型，分别制定交通灯的不同控制配置，车流信息包括车流量数据和交通条件数据。

条件检测模块22包括但不限于温度传感器、湿度传感器、PM2.5传感器，车流量采集模块23由红外传感器、地磁传感器、高清摄像头中的一种或几种组成。

交通条件包括有温度条件、湿度条件、PM2.5条件、时段条件等多种，其中时段条件在处理模块24处获得，在采集车流信息阶段由云服务器端1通过无线通信模块21与处理模块24进行时间同步。

作为实施例，云服务器端1选用阿里云GPU计算型gn6v，8核CPU，32G内存服务器，使用MySQL进行数据存储。

作为实施例，云服务器端1要求交通控制模块2每隔适当的时间间隔如半小时通过无线通信模块21传回一次车流信息，如共采集100次信息。

无线通信模块21选用ESP8266模块，

条件检测模块22包括但不限于温度传感器、湿度传感器、PM2.5传感器，其中，温湿度传感器选用DHT11，PM2.5传感器选用GP2Y1010AUOF。车流量采集模块23，由红外传感器、地磁传感器、高清摄像头中的一种或几种组成，其中，红外传感器选择GP2Y0A21YKOF，地磁传感器选择HMC5983、高清摄像头选用700万像素CCD高清摄像机。此外，对于路口所处时段的检测，由云服务器端1通过无线通信模块21与处理模块24进行时间同步，处理模块24在处理车流信息时将时间整合。条件检测模块22和车流量采集模块23由处理模块24控制，在规定时间内采集检测区域中路口的交通条件以及对应的车流量，并由处理模块24进行处理和传送。

如图4所示，处理模块24包括STM32F103系列单片机主控模块、ADC0832模数转换模块、复位电路模块、时钟电路模块、图像处理模块、存储模块等，处理模块24连接控制条件检测模块22和车流量采集模块23检测采集交通条件以及车流量，对采集的模拟信号数据进行模数转换、图像处理、计数整合等操作后，存放于存储模块中，每隔适当的时间间隔如半小时通过无线通信模块21传回云服务器端1。

FPGA控制模块25控制交通路口的交通信号灯的亮灭和倒计时的显示。FPGA控制模块25选用Xilinx公司的Spartan-6系列芯片。处理模块24以JTAG的方式将配置文件烧写到FPGA中，具体做法为：处理模块24中的STM32F103系列单片机与Spartan-6系列芯片以JTAG方式相连，通过编写程序改变FPGA中测试访问接口TAP状态，向指令寄存器写入边界扫描指令和向数据寄存器中写入配置文件，实现FPGA配置。

如图3所示，本发明控制系统的具体控制过程如下：

1)云服务器端1经由无线通信模块21发送车流信息采集信号到处理模块24，处理模块24控制条件检测模块22和车流量采集模块23工作，条件检测模块22、车流量采集模块23分别采集交通条件原始模拟信号数据和车流量原始模拟信号数据，由处理模块24整合统计处理成各种交通条件数字数据和车流量数字数据并存储。

2)云服务器端1通过无线通信模块21接收每种交通条件数字数据结合车流量数字数据后，对已预先存储的由各个子网络模型融合组成的网络模型进行训练处理获得网络模型参数，具体实施中，使用多个BP神经网络或卷积神经网络等对每项条件下的车流量进行分开训练，例如，使用BP2-3-2神经网络训练温度条件下的车流量，将温度作为神经网络的输入，车流量作为神经网络输出，设定网络初始权重和偏置为0到1之间的随机数，网络学习率为0.05，对100个样本数据进行2000次训练，训练结束后将所得神经网络参数暂存在MySQL数据库中；对于其他交通条件，同上操作；

云服务器端1分析处理获得每种交通条件对车流量的交通条件影响系数，具体方法如下：

a)等间隔不间断采集车流量X，将一段时间内的车流量X划分为N类A_i,i＝1,2,...,N；

例如半小时内车流量范围为[200,600]，将其划分为A₁,A₂,A₃,A₄四档，区间长度

b)对于每一类A_i同时采集对应的每一种交通条件的交通条件数据，将该交通条件数据分别划分为多个条件区间，并使用公式

j＝1,2,...,n进行归一化，其中

为第j种交通条件值，

为第j种交通条件值的平均值，

为第j种交通条件值的标准差，

归一化后的第j种交通条件值，n表示交通条件种类总数；

例如对于A₁档次，其车流量为[200,300]，对应的条件区间分别为温度

相对湿度

降水量

PM2.5

等，再对条件区间分别进行归一化。

c)对于每一类A_i同时采集对应的各种交通条件的交通条件数据，均构建以下多元线性回归模型，输入一类车流量的车流量数据及其对应的各种交通条件的交通条件数据进行求解获得各个交通条件的条件影响系数：

其中，X_ik为第i类车流量对应的第k车流量采样值，

为第i类车流量常数项，

为第j种交通条件值的交通条件影响系数，

为第k车流量的第j种交通条件值，ε_ik为第k车流量的误差项；

云服务器端1将交通状况划分为多个交通状况类型，并针对每一类型分别制定交通灯控制模式；

具体实施中，云服务器端1将交通状况划分为A、B、C、D等多个类型：

对于A类型，将出现交通管制、重大交通事故、存在救援车辆、出现恶劣天气等划分为A类型，由云服务器端1直接接收其他交通系统指令，向处理模块24发送A类型控制配置文件，对状况发生路口内的车流进行管制，并及时改变附近路口交通灯控制，防止更多的车辆进入该路口，必要时云服务器端1通知交警部门协助；

对于B类型，将特殊时段，例如早高峰、晚高峰、深夜等划分为B类型，云服务器端1在车流信息采集阶段与处理模块24进行时间同步，由处理模块判断是否处于特殊时段，并决定是否向云服务器端1请求发送B类型控制配置文件，改变交通灯的闪烁持续时间，对高峰期易拥堵区域内的车流量进行分流，缓解通行压力；

对于C类型，将特殊日期，例如节假日等划分为C类型，云服务器端1在车流信息采集阶段与处理模块24进行时间同步，由处理模块检测是否处于特殊日期时，并决定是否向云服务器端1请求发送C类型控制配置文件，改变在特殊日期易拥堵路段的交通灯闪烁持续时间，对车流量进行分流，使路口畅通。

对于D类型，将其他类型外的情况划分为D类型，云服务器端1将一定时间间隔如半小时内车流量进行档次划分，如分为200-300辆、300-400辆、400-500辆、500-600辆四档，并制定每一档次下交通灯闪烁持续时间，例如，车流量为400-500辆时，设置红灯时间为35s，黄灯时间为5s，绿灯时间为30s；当处理模块未判断出其他类型或者云服务器端1未发送A类型控制配置文件时，处理模块24接收D类型控制配置文件。

以上的类型划分及相应的控制配置仅为举例，实际使用中还可以指定多种类型以及相应的控制配置。

3)云服务器端1经由无线通信模块21发送交通灯控制指令和交通状况类型判断标准，处理模块24根据判断所得的当前交通状况类型，向云服务器端1请求对应类型的配置文件；

4)云服务器端1将对应交通状况类型的配置文件经由无线通信模块21发送到处理模块24，处理模块24将接收到的配置文件烧录进FPGA控制模块25中，FPGA控制模块25根据网络模型、交通条件影响系数搭建网络模型；

5)FPGA控制模块25配置完成后，处理模块24根据交通状况类型判断标准，判断当前的交通状况类型是否与之前的交通状况类型相同，

若相同，处理模块24控制条件检测模块22工作，将当前采集到的交通条件原始模拟信号处理为交通条件数字数据并传给FPGA控制模块25，进行后续步骤；

若不同，将当前的交通状况类型通过无线通信模块21传给云服务器端1，回到步骤4)；

6)FPGA控制模块25在网络模型中输入各种交通条件数据处理预测获得每项交通条件下的车流量，并使用综合预测公式预测获得车流量结果，具体方法如下，

a)假设当前检测到的交通条件为c^j，建立以下目标函数，求解找到满足

的车流量等级序数i的值，获得该第i类车流量的车流量数据集合A_i以及对应的各种交通条件的条件影响系数

b)使用以下预测公式求出当前车流量，综合预测公式如下：

其中，x^j为第j种交通条件值下的车流量预测值，s为车流量综合预测的结果。

第j种交通条件值下的车流量预测值x^j通过网络模型处理预测获得。

FPGA控制模块25根据车流量结果判断更新车流量等级，选择车流量等级对应的交通灯控制配置控制交通信号灯模块3进行工作；

7)由于交通情况复杂，影响因素较多，交通灯控制方案可能不适用，需要处理模块24定期(如每三天)控制条件检测模块22和车流量采集模块23采集一定时间间隔内(如半小时)的交通条件模拟数据和车流量模拟数据，并由处理模块24转为交通条件数字数据和车流量数字数据，处理模块24将交通条件数字数据传给FPGA控制模块25计算得到该交通条件下的预期车流量，并传回处理模块24与实际检测到的车流量数字数据进行对比，若二者偏差大于一定数值(如大于50)，处理模块24经由无线通信模块21向云服务器端1发送请求，重新进行1)-6)步骤以更新交通灯控制方案。

Claims (7)

1.一种智能交通灯控制系统，其特征在于：

包括云服务器端(1)、交通控制模块(2)和交通信号灯模块(3)，云服务器端(1)和交通控制模块(2)无线通信连接，交通控制模块(2)安装于交通路口的交通信号灯模块(3)附近并和交通信号灯模块(3)有线电连接；交通控制模块(2)接收云服务器端(1)指令采集交通条件数据和车流量数据并发送到云服务器端(1)，由云服务器端(1)分析处理生成交通状况类型判断标准，生成网络模型和交通灯控制模式并发回到交通控制模块(2)，再由交通控制模块(2)处理产生交通信号灯控制信号，进而控制交通信号灯模块(3)进行工作；

所述的交通控制模块(2)包括无线通信模块(21)、条件检测模块(22)、车流量采集模块(23)、处理模块(24)和FPGA控制模块(25)；无线通信模块(21)、条件检测模块(22)、车流量采集模块(23)和FPGA控制模块(25)均和处理模块(24)连接，无线通信模块(21)和云服务器端(1)通过无线连接通信，FPGA控制模块(25)和交通信号灯模块(3)通过有线电连接；

进行交通灯控制前，处理模块(24)经由无线通信模块(21)接收到来自云服务器端(1)的采集指令，控制条件检测模块(22)、车流量采集模块(23)分别采集交通条件原始模拟信号数据和车流量原始模拟信号数据发送到处理模块(24)，由处理模块(24)整合统计处理成各种交通条件数字数据和车流量数字数据，经由无线通信模块(21)发送到云服务器端(1)；

云服务器端(1)中已经预先搭建由各个交通条件的子网络模型组成的网络模型，用每种交通条件数字数据结合车流量数字数据对由各个子网络模型融合组成的网络模型进行训练处理，获得交通条件影响系数和网络模型参数，网络模型参数是由各个子网络模型的参数组成，云服务器端(1)将交通状况划分为多个交通状况类型，生成交通状况类型判断标准，云服务器端(1)针对每一类型产生交通灯控制模式，分别生成多种配置文件，配置文件包括网络模型、交通条件影响系数、网络模型参数和交通灯控制配置；

进行交通灯控制时，云服务器端(1)发送交通灯控制指令，处理模块(24)经由无线通信模块(21)接收来自云服务器端(1)的交通灯控制指令以及交通状况类型判断标准，根据判断所得的当前交通状况类型向云服务器端(1)请求对应类型的配置文件，处理模块(24)接收到配置文件后，将配置文件烧录给FPGA控制模块(25)，进行FPGA控制模块(25)的配置，FPGA控制模块(25)根据网络模型、交通条件影响系数搭建网络模型，配置完成后，FPGA控制模块(25)根据处理模块(24)传来的各种交通条件数字数据，预测获得车流量结果，根据车流量结果下车流量等级对应的某一交通灯控制配置控制交通信号灯模块(3)进行工作。

2.根据权利要求1所述的一种智能交通灯控制系统，其特征在于：

所述的处理模块(24)保存有当前FPGA控制模块(25)中所使用的配置文件所对应的交通状况类型，将该交通状况类型作为当前的交通状况类型和之前的交通状况类型进行比较。

3.根据权利要求1所述的一种智能交通灯控制系统，其特征在于：

所述的FPGA控制模块(25)控制交通路口的交通信号灯的亮灭和倒计时的显示。

4.根据权利要求1所述的一种智能交通灯控制系统，其特征在于：

所述条件检测模块(22)包括但不限于温度传感器、湿度传感器、PM2.5传感器，所述车流量采集模块(23)由红外传感器、地磁传感器、高清摄像头中的一种或几种组成。

5.应用于权利要求1所述系统的一种智能交通灯控制方法，其特征在于包括以下步骤：

1)云服务器端(1)经由无线通信模块(21)发送车流信息采集信号到处理模块(24)，处理模块(24)控制条件检测模块(22)和车流量采集模块(23)工作，条件检测模块(22)、车流量采集模块(23)分别采集交通条件原始模拟信号数据和车流量原始模拟信号数据，传回到处理模块(24)进行处理形成各种交通条件数字数据和车流量数字数据并存放于存储卡中；

2)云服务器端(1)通过无线通信模块(21)接收每种交通条件数字数据结合车流量数字数据后，对已预先搭建的由各个子网络模型融合组成的网络模型进行训练处理获得网络模型参数，并分析处理获得每种交通条件对车流量的交通条件影响系数，网络模型参数是由各个子网络模型的参数组成，云服务器端(1)将交通状况划分为多个交通状况类型，生成交通状况类型判断标准，并针对每一类型分别有交通灯控制模式，云服务器端(1)针对每一类型分别生成多种配置文件；

3)云服务器端(1)经由无线通信模块(21)发送交通灯控制指令和交通状况类型判断标准，处理模块(24)根据判断所得的当前交通状况类型，向云服务器端(1)请求对应类型的配置文件；

4)云服务器端(1)将对应交通状况类型的配置文件经由无线通信模块(21)发送到处理模块(24)，处理模块(24)将接收到的配置文件烧录进FPGA控制模块(25)中，FPGA控制模块(25)根据网络模型、交通条件影响系数搭建网络模型；

5)FPGA控制模块(25)配置完成后，处理模块(24)根据交通状况类型判断标准，判断当前的交通状况类型是否与之前的交通状况类型相同，

若相同，处理模块(24)控制条件检测模块(22)工作，将当前采集到的交通条件原始模拟信号处理为交通条件数字数据并传给FPGA控制模块(25)，进行后续步骤；

若不同，将当前的交通状况类型通过无线通信模块(21)传给云服务器端(1)，回到步骤4)；

6)FPGA控制模块(25)根据接收到的各种交通条件数据处理预测获得车流量结果，根据车流量结果判断更新车流量等级，选择车流量等级对应的某一交通灯控制模式控制交通信号灯模块(3)进行工作；

7)由于交通情况复杂，为使交通灯控制方案更加合理，处理模块(24)定期控制条件检测模块(22)和车流量采集模块(23)采集一定时间间隔内的交通条件模拟数据和车流量模拟数据，处理生成交通条件数字数据和车流量数字数据，FPGA控制模块(25)根据处理模块(24)传来的交通条件数字数据预测该交通条件下的车流量，传回处理模块(24)与实际检测的车流量数字数据进行对比，若二者偏差大于一定数值，处理模块(24)经由无线通信模块(21)向云服务器端(1)发送请求，重新进行1)-6)步骤以更新交通灯控制方案。

6.根据权利要求5所述的一种智能交通灯控制方法，其特征在于：

所述的网络模型是由不同交通条件对应的子网络模型组成，针对不同交通条件的交通条件数据采用不同的子网络模型分开处理，所述的子网络模型采用BP神经网络或者卷积神经网络。

7.根据权利要求5所述的一种智能交通灯控制方法，其特征在于：

A)分析处理获得每种交通条件对车流量的交通条件影响系数，具体方法如下：

1)等间隔不间断采集车流量X，将一段时间内的车流量X划分为N类A_i,i＝1,2,...,N，其中A_i表示第i类车流量的车流量数据集合，A_i＝[X_i,X_i+ΔX]，X_i表示第i类车流量数据集合的左端点值，区间长度

maxX表示一段时间内的车流量最大值，minX表示一段时间内的车流量最小值；

2)对于每一类A_i对应的每一种交通条件的交通条件数据，将该交通条件数据分别划分为多个条件区间，并使用公式

进行归一化，其中

为第j种交通条件值，

为第j种交通条件值的平均值，

为第j种交通条件值的标准差，

归一化后的第j种交通条件值，n表示交通条件种类总数；

3)对于每一类A_i对应的各种交通条件的交通条件数据，均构建以下多元线性回归模型，输入一类车流量的车流量数据及其对应的各种交通条件的交通条件数据进行求解获得各个交通条件的条件影响系数：

其中，X_ik为第i类车流量对应的第k车流量采样值，

为第i类车流量常数项，

为第j种交通条件值的交通条件影响系数，

为第k车流量的第j种交通条件值，ε_ik为第k车流量的误差项；

B)根据条件影响系数对车流量进行综合预测：

1)假设当前检测到的交通条件为c^j，建立以下目标函数，求解找到满足

的车流量等级序数i的值，获得该第i类车流量的车流量数据集合A_i以及对应的各种交通条件的条件影响系数

其中，c^j表示当前的交通条件值；

2)使用以下预测公式求出当前车流量，综合预测公式如下：

其中，x^j为第j种交通条件值下的车流量预测值，s为车流量综合预测的结果。

Images