CN111445693A - 智能交通控制的方法、装置、存储介质以及计算机设备 - Google Patents

Abstract

本发明揭示了智能交通控制的方法、装置、存储介质以及计算机设备，其中，一种智能交通控制的方法，所述方法具有对应的智能交通控制系统，智能交通控制系统包括至少两个控制单元体，包括：第一控制单元体采集对应的本地路口的车流情况信息，根据第一本地路口的车流情况信息，应用神经网络建立第一控制单元体对应的动态数据模型；综合第一控制单元体及与其相邻的预设数量的控制单元体对应的动态数据模型，建立控制数据模型；根据控制数据模型，控制第一控制单元体及其相邻的预设数量的控制单元体的红绿灯的工作状态，优先疏通拥堵路段车流，以缓解交通拥堵。通过本方案，控制单元体采集实时路况信息，提前选择红绿灯的最佳配时方案，减缓车流拥堵。

Description

智能交通控制的方法、装置、存储介质以及计算机设备

技术领域

本发明涉及到智能交通领域，特别是涉及到一种智能交通控制的方法、装置、存储介质以及计算机设备。

背景技术

现有公路上的红绿灯只能按照固定程序运行，不能对周围交通拥堵现象作出判断。出现拥堵后依赖人工指挥以疏导交通拥堵。现有技术中，交通网络无法根据实际道路车流情况指挥交通，缓解交通拥堵。

发明内容

本发明的主要目的为提供一种智能交通控制的方法，旨在解决现有交通网络无法根据实际道路车流情况指挥交通，缓解交通拥堵的技术问题。

本发明提出本发明提供一种智能交通控制的方法，所述方法具有对应的智能交通控制系统，智能交通控制系统包括至少两个控制单元体，包括：

第一控制单元体采集对应的本地路口的车流情况信息，其中，控制单元体用于控制本地路口的红绿灯的工作状态，且第一控制单元体包含于智能交通系统中所有的控制单元体；

根据第一本地路口的车流情况信息，应用神经网络建立第一控制单元体对应的动态数据模型，其中，第一本地路口为第一控制单元体对应的本地路口，动态数据模型用于反映本地路口的车流拥堵情况；

综合第一控制单元体及与其相邻的预设数量的控制单元体对应的动态数据模型，建立控制数据模型；

根据控制数据模型，控制第一控制单元体及其相邻的预设数量的控制单元体的红绿灯的工作状态，优先疏通拥堵路段车流，以缓解交通拥堵。

优选的，控制单元体具有视频图像采集设备和超声波测距设备，第一控制单元体采集对应的本地路口的车流情况信息的步骤，包括：

视频图像采集设备采集第一本地路口上车流图像信息；

超声波测距设备采集各第一本地路口上车流的拥堵长度信息；

根据车流图像信息和拥堵长度信息，生成第一本地路口的车流情况信息。

优选的，根据第一本地路口的车流情况信息，应用神经网络建立第一控制单元体对应的动态数据模型的步骤，包括：

根据第一控制单元体获取的第一本地路口的各方向的车流情况信息，获取第一本地路口各方向的车流拥堵长度测量值；

根据第一本地路口各方向的车流情况信息，计算并生成第一本地路口各方向的车流拥堵长度计算值；

根据车流拥堵长度测量值和车流拥堵长度计算值，生成第一本地路口各方向的车流拥堵长度值；

根据第一本地路口各方向的车流情况信息，计算并生成第一本地路口各方向的车流移动速度；

分别判断第一本地路口各方向的车流移动速度是否均小于速度参考值，其中，速度参考值为法律规定的最高行驶速度；

若是，则判定第一本地路口各方向的车流移动速度均有效；

根据第一本地路口各方向的车流拥堵长度值和第一本地路口各方向的车流移动速度，计算第一本地路口各方向所需疏通时间；

根据第一本地路口各方向所需的疏通时间，生成第一本地路口的对应的第一优先疏通方向信息，以及第一疏通时间信息；

根据第一本地路口的各方向的车流图像信息和车流拥堵长度信息，以及第一优先疏通方向信息和第一疏通时间信息，生成第一控制单元体对应的动态数据模型。

优选的，综合第一控制单元体及与其相邻的预设数量的控制单元体对应的动态数据模型，建立控制数据模型的步骤，包括：

根据第一控制单元体对应的第一优先疏通方向信息，获取各第二控制单元体分别对应的第二优先疏通方向信息和第二疏通时间信息，其中，第二优先疏通方向与第一优先疏通方向相同，第二控制单元体包含于第一控制单元体相邻的预设数量的控制单元体；

根据第一疏通时间信息，判断第一优先疏通方向对应的所需疏通时间是否处于正常数值范围；

若是，则综合第一优先疏通方向信息、第一疏通时间信息、第二优先疏通方向信息和各第二疏通时间，生成智能交通网络中的优先疏通路段信息和路段通行时间信息，其中，智能交通网络为第一控制单元体和各第二控制单元体覆盖的交通区域；

根据优先疏通路段信息和路段通行时间信息，建立控制数据模型。

优选的，智能交通控制系统具有对应的后台中心，根据第一本地路口的车流情况信息，应用神经网络建立第一控制单元体对应的动态数据模型的步骤之后，包括：

判断第一控制单元体与相邻控制单元体的通信连接是否正常；

若否，则第一控制单元体独立运行，控制第一控制单元体对应的红绿灯的工作状态。

优选的，根据第一本地路口的车流情况信息，应用神经网络建立第一控制单元体对应的动态数据模型的步骤之后，包括：

判断是否接收到查看路况指令信息，其中，查看路况指令信息为后台中心向第一控制单元体发出的指令信息；

若是，则将第一控制单元体对应的本地路口的车流情况信息发送至后台中心。

本发明还提供一种智能交通控制的装置，包括：

采集模块，用于第一控制单元体采集对应的本地路口的车流情况信息，其中，控制单元体用于控制本地路口的红绿灯的工作状态，且第一控制单元体包含于智能交通系统中所有的控制单元体；

第一执行模块，用于根据第一本地路口的车流情况信息，应用神经网络建立第一控制单元体对应的动态数据模型，其中，第一本地路口为第一控制单元体对应的本地路口，动态数据模型用于反映本地路口的车流拥堵情况；

第二执行模块，用于综合第一控制单元体及与其相邻的预设数量的控制单元体对应的动态数据模型，建立控制数据模型；

控制模块，用于根据控制数据模型，控制第一控制单元体及其相邻的预设数量的控制单元体的红绿灯的工作状态，优先疏通拥堵路段车流，以缓解交通拥堵。

优选的，采集模块包括：

第一采集子模块，用于视频图像采集设备采集第一本地路口上车流图像信息；

第二采集子模块，用于超声波测距设备采集各第一本地路口上车流的拥堵长度信息；

数据生成子模块，用于根据车流图像信息和拥堵长度信息，生成第一本地路口的车流情况信息。

本发明还提供一种存储介质，其为计算机可读的存储介质，其上存储有计算机程序，计算机程序被执行时实现如上述的智能交通控制的方法。

本发明还提供一种计算机设备，其包括处理器、存储器及存储于存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述的智能交通控制的方法。

本发明的有益效果：通过本方案，控制单元体采集实时路况信息，预测未来交通态势，提前选择红绿灯的最佳配时方案，减少或避免交通网络中的车流拥堵现象。此外，各控制单元体通过分散化采集、处理与整合数据，通过去中心化的方式控制智能交通网络中的红绿灯的工作状态，此种方式大大提高了系统的运行效率，更加方便系统设备的维护，还节省资金投入。

附图说明

图1为本发明一种智能交通控制的方法的第一实施例的流程示意图；

图2为本发明一种智能交通控制的方法的智能交通网络的工作布局图；

图3为本发明一种智能交通控制的装置的第一实施例的结构示意图；

图4为本申请提供的存储介质一实施例的结构框图；

图5为本申请提供的计算机设备一实施例的结构框图。

标号说明：

1、采集模块；2、第一执行模块；3、第二执行模块；4、控制模块；

100、存储介质；200、计算机程序；300、计算机设备；400、处理器。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1和图2，本发明提供一种智能交通控制的方法，所述方法具有对应的智能交通控制系统，智能交通控制系统包括至少两个控制单元体，包括：

S1：第一控制单元体采集对应的本地路口的车流情况信息，其中，控制单元体用于控制本地路口的红绿灯的工作状态，且第一控制单元体包含于智能交通系统中所有的控制单元体；

S2：根据第一本地路口的车流情况信息，应用神经网络建立第一控制单元体对应的动态数据模型，其中，第一本地路口为第一控制单元体对应的本地路口，动态数据模型用于反映本地路口的车流拥堵情况；

S3：综合第一控制单元体相邻的预设数量的控制单元体对应的动态数据模型，建立控制数据模型；

S4：根据控制数据模型，控制第一控制单元体及其相邻的预设数量的控制单元体的红绿灯的工作状态，优先疏通拥堵路段车流，以缓解交通拥堵。

在本发明实施例中，智能交通控制系统包括红绿灯和控制单元体。控制单元体包括用于处理数据和控制红绿灯工作状态的微电脑。控制单元体通过采集设备如摄像头分别采集对应的本地路口的车流情况信息，如图2中控制单元体A采集其东南西北方向的车流情况信息，其中，车流情况信息包括车流拥堵长度和车流移动速度。控制单元体的微电脑上具有基于TensorFlow的数据处理平台，其中，TensorFlow是一个基于数据流编程的符号数学系统，被广泛应用于各类机器学习算法的编程实现。控制单元体将采集到的车流图像信息发送至TensorFlow，在TensorFlow建立的神经网络中，神经网络包括输入层、中间层和输出层。车流图像信息从数据输入层输入，中间层的数据处理方式如下：运用K-邻近算法，对车流图像信息中移动数据样本，按照物体像素大小进行分类，分成机动车、非机动车和行人；运用决策树、朴素贝叶斯，Logistic回归等综合优选提取出以机动车为主体的数据样本，输出层输出以机动车为主体的数据样本。控制单元体根据以机动车为主体的数据样本，计算并获得控制单元体对应本地路口各方向疏通的所需时间，并综合控制单元体采集的数据信息和计算生成的数据信息建立动态数据模型，其中，动态数据模型用于反映本地路口的车流拥堵情况。控制单元体综合相邻预设数量的控制单元体对应的动态数据模型，建立控制数据模型。例如，控制单元体A接收并综合相邻的控制单元体B和D的动态数据模型，并根据各控制单元体对应的动态数据模型，生成控制数据模型。各控制单元体的微电脑根据控制数据模型，控制对应的本地路口的红绿灯的工作状态，即控制红绿灯在预设时间亮预设颜色的灯，持续亮持续预设时长。以优先通行控制单元体A、B和D形成道路的东西方向的拥堵车流为例，控制单元体A接收并综合相邻的控制单元体B和控制单元体D的动态数据模型，生成控制数据模型。控制单元体A、控制单元体B和控制单元体C根据控制数据模型，同时亮起各控制单元体控制的东西方向红绿灯的绿灯，绿灯持续时间为60秒，使得控制单元体A、B和D形成道路的东西方向的车流快速通过，极大地减缓控制单元体A、B和D形成道路的东西方向的车流拥堵压力。通过上述设置，控制单元体采集实时路况信息，预测未来交通态势，提前选择红绿灯的最佳配时方案，减少或避免交通网络中的车流拥堵现象。此外，各控制单元体通过分散化采集、处理与整合数据，通过去中心化的方式控制智能交通网络中的红绿灯的工作状态，此种方式大大提高了系统的运行效率，更加方便系统设备的维护，还节省资金投入。

参照图2，控制单元体具有视频图像采集设备和超声波测距设备，第一控制单元体采集对应的本地路口的车流情况信息的步骤S1，包括：

S11：视频图像采集设备采集各控制单元体对应的第一本地路口上车流图像信息；

S12：超声波测距设备采集各控制单元体对应的第一本地路口上车流的拥堵长度信息；

S13：根据车流图像信息和拥堵长度信息，生成第一本地路口的车流情况信息。

在本发明实施例中，控制单元体采集数据的设备包括视频图像采集设备和超声波测距设备。控制单元体能根据本地路口上车流图像信息，获得本地路口各方向车流拥堵长度以及车流移动速度。控制单元体所在的本地道路上间隔固定距离设置一个超声波测距设备，由于各超声波测距设备间的距离已知，根据车流通过各超声波测距设备的时间差(即通过固定距离的行驶时间)，即可得到车流移动速度。控制单元体通过超声波测距设备，获得本地路口上车流的拥堵长度信息。比如，控制单元体B和控制单元体A之间的距离为100米，以控制单元体A所在位置为起点，每隔20米设置一个超声波测距设备，超声波测距设备的序号从东往西数，分别是一二三四五。当车流长度到达第一超声波测距设备所在位置时，车流拥堵长度为20米，当车流长度到达第二超声波测距所在位置时，车流拥堵长度为40米，依此类推。通过视频图像设备和超声波测距设备分别采集本地路口各方向的车流拥堵长度及车流移动速度，增加了控制单元体的采集数据，从而提升了控制单元体对应的本地路口车流情况信息的可靠性。

参照图2，根据各本地路口的车流情况信息，根据第一本地路口的车流情况信息，应用神经网络建立第一控制单元体对应的动态数据模型的步骤S2，包括：

S21：根据第一控制单元体获取的第一本地路口的各方向的车流情况信息，获取第一本地路口各方向的车流拥堵长度测量值，其中，第一控制单元体包含于智能交通网络中所有控制单元体，第一本地路口为第一控制单元体对应的本地路口；

S22：根据第一本地路口各方向的车流情况信息，计算并生成第一本地路口各方向的车流拥堵长度计算值；

S23：根据车流拥堵长度测量值和车流拥堵长度计算值，生成第一本地路口各方向的车流拥堵长度值；

S24：根据第一本地路口各方向的车流情况信息，计算并生成第一本地路口各方向的车流移动速度；

S25：分别判断第一本地路口各方向的车流移动速度是否均小于速度参考值，其中，速度参考值为法律规定的最高行驶速度；

S26：若是，则判定第一本地路口各方向的车流移动速度均有效；

S27：根据第一本地路口各方向的车流拥堵长度值和第一本地路口各方向的车流移动速度，计算所述第一本地路口各方向所需疏通时间；

S28：根据第一本地路口各方向所需的疏通时间，生成第一本地路口对应的第一优先疏通方向信息，以及第一疏通时间信息；

S29：根据第一本地路口的各方向的车流图像信息和车流拥堵长度信息，以及第一优先疏通方向信息和疏通时间信息，生成第一控制单元体对应的动态数据模型。

在本发明实施例中，以图2中的控制单元体A为例。控制单元体A通过视频图像采集设备和超声波测距设备获得本地路口A各方向的车流拥堵长度测量值。控制单元体A分析车流图像信息，获得本地路口A各方向的机动车数量、机动车长度以及机动车间距等信息。车流拥堵长度计算值＝机动车数量x(机动车长度+机动车间距)/车道数量。控制单元体A根据本地路口A各方向的车流拥堵长度测量值和车流拥堵长度计算值，取两者的平均数，得到本地路口A各方向的车流拥堵长度值。控制单元体A根据本地路口A各方向的车流情况信息，计算并生成第一本地路口各方向的车流移动速度。控制单元体A分别判断本地路口A各方向的车流移动速度是否小于法律规定的最高行驶速度，如判断控制单元体A东南西北方向上的车流移动速度是否均小于30KM/小时。若是，则判定控制单元体A东南西北方向上的车流移动速度均有效。根据控制单元体A东南西北方向的车流拥堵长度值和车流移动速度，得到本地路口A各方向所需疏通时间t_东、t_南、t_西和t_北，如t_东为5秒，t_西为15秒，t_南为10秒，t_北为20秒。控制单元体取相对方向的所需疏通时间，并取平均值。如东西方向所需疏通时间为t_东和t_西的平均值，即10秒，南北方向所需疏通时间为t_南和t_北的平均值即15秒。于是，控制单元体A比较东西方向所需疏通时间和南北方向所需疏通时间，优先疏通所需时间较长的方向，即优先疏通南北方向，疏通时间为15秒。控制单元体A根据本地路口A的各方向的车流图像信息和车流拥堵长度信息，以及优先疏通方向信息和疏通时间信息，生成控制单元体A对应的动态数据模型。

参照图2，综合第一控制单元体相邻的预设数量的控制单元体对应的动态数据模型，建立控制数据模型的步骤S3，包括：

S31：根据第一控制单元体对应的第一优先疏通方向信息，获取各第二控制单元体分别对应的第二优先疏通方向信息和第二疏通时间信息，其中，第二优先疏通方向与第一优先疏通方向相同，第二控制单元体包含于第一控制单元体相邻的预设数量的控制单元体；

S32：根据第一疏通时间信息，判断第一优先疏通方向对应的所需疏通时间是否处于正常数值范围；

S33：若是，则综合第一优先疏通方向信息、第一疏通时间信息、第二优先疏通方向信息和各第二疏通时间，生成智能交通网络中的优先疏通路段信息和路段通行时间信息，其中，智能交通网络为第一控制单元体和各第二控制单元体覆盖的交通区域；

S34：根据优先疏通路段信息和路段通行时间信息，建立控制数据模型。

在本发明实施例中，每个控制单元体可综合智能交通网络中两个、四个、八个等数量的相邻的控制单元体的动态数据模型，以控制单元体的实际需求决定联动的相邻控制单元体的数量。以图2中控制单元体A、控制单元体B和控制单元体D为例，控制单元体B和控制单元体D为控制单元体A的相邻控制单元体，其中，控制单元体A对应的路口为本地路口，控制单元体B对应的路口为上行路口，控制单元体D对应的路口为下行路口。控制单元体A对应的优先疏通方向为东西方向(即第一优先疏通方向信息)，东西方向疏通时间(即第一疏通时间信息)为40秒。根据控制单元体A的优先通行方向，获取控制单元体B和控制单元体D东西方向的疏通时间，如控制单元体B东西方向疏通时间为20秒，控制单元体D东西方向疏通时间为30秒。控制单元体A判断其东西方向疏通时间是否处于正常数值范围，如正常数值范围为0-60秒。若是，则控制单元体A综合控制单元体B和控制单元体D东西方向的路段，生成优先通行路段。控制单元体A综合控制单元体B东西方向疏通时间和控制单元体D东西方向疏通时间，具体的，为上行路口优先方向疏通时间加本地路口优先方向通行时间减去下行优先方向路口时间，即20秒加40秒减去30秒，得到路段通行时间为30秒。控制单元体A根据优先疏通路段信息和路段通行时间信息，建立控制数据模型。根据控制数据模型，控制单元体A、控制单元体B和控制单元体D控制的东西方向的红绿灯同时亮起绿灯，并持续30秒。在本发明其它实施例中，控制单元体B的南北方向的疏通时间为20秒。控制单元体A判断其东西方向疏通时间不处于正常数值范围，如控制单元体A判断其东西方向疏通时间为80秒，则上行路口的疏通方向与本体路口的疏通方向相反，如控制单元体A控制东西方向的红绿灯亮起绿灯并亮80秒时，控制单元体B控制其南北方向的红绿灯亮绿灯，并亮20秒，并以此建立数据控制模型，使得本地路口优先疏通方向过分拥堵时，优先疏通拥堵路段，并与此同时，避免上行路口有车流行驶至本地路口，加剧拥堵，而且疏通上行路口与本地路口优先疏通方向相反的路段，避免造成新的拥堵。通过上述设置，每一控制单元体能综合相邻控制单元体的动态数据模型，预测未来交通态势，提前选择红绿灯的最佳配时方案，减少或避免交通网络中的车流拥堵现象。

参照图2，智能交通控制系统具有对应的后台中心，根据第一本地路口的车流情况信息，应用神经网络建立所述第一控制单元体对应的动态数据模型的步骤S2之后，包括：

S3A：判断第一控制单元体与相邻控制单元体的通信连接是否正常；

S3B：若否，则第一控制单元体独立运行，控制第一控制单元体对应的红绿灯的工作状态。

在本发明实施例中，以图2中控制单元体A为例。控制单元体A判断与相邻控制单元体的通信连接是否正常，如控制单元体A判断与控制单元体B通信连接是否正常。若否，则说明控制单元体A无法接收并综合控制单元体B的动态数据模型，则控制单元体A独立工作，仅采集本地路口的车流情况信息，并控制本地路口的红绿灯的工作状态。

参照图2，根据第一本地路口的车流情况信息，应用神经网络建立所述第一控制单元体对应的动态数据模型的步骤S2之后，包括：

S3C：判断是否接收到查看路况指令信息，其中，查看路况指令信息为后台中心向第一控制单元体发出的指令信息；

S3D：若是，则将第一控制单元体对应的本地路口的车流情况信息发送至后台中心。

在本发明实施例中，控制单元体A判断是否接收到查看路况指令信息，其中，查看路况指令信息为后台中心向第一控制单元体发出的指令信息。若是，则将控制单元体A采集到的本地路口的车流情况信息发送至后台中心。后台中心具有电子地图，电子地图上可实时显示每个路口的动态数据模型，点击任意路口图标动态数据模型，可反向查询控制单元体所在路口的实时视频情况信息。同样的，后台中心同样可将控制指令信息以无线传输形式传输至任意控制单元体，实现后台人员对控制单元体的指挥。通过上述设置，各控制单元体无需实时将采集信息发送至后台中心，通过后台中心反向查询，获取后台人员想要查看的数据，从而解决同时传输庞大的视频图片数据的网络流量和大流量对网络的拥堵、延迟。

参照图3，本发明提供一种智能交通控制的装置，包括：

采集模块，用于第一控制单元体采集对应的本地路口的车流情况信息，其中，控制单元体用于控制本地路口的红绿灯的工作状态，且第一控制单元体包含于智能交通系统中所有的控制单元体；

第一执行模块，用于根据第一本地路口的车流情况信息，应用神经网络建立第一控制单元体对应的动态数据模型，其中，第一本地路口为第一控制单元体对应的本地路口，动态数据模型用于反映本地路口的车流拥堵情况；

第二执行模块，用于综合第一控制单元体相邻的预设数量的控制单元体对应的动态数据模型，建立控制数据模型；

控制模块，用于根据控制数据模型，控制第一控制单元体及其相邻的预设数量的控制单元体的红绿灯的工作状态，优先疏通拥堵路段车流，以缓解交通拥堵。

在本发明实施例中，智能交通控制系统包括红绿灯和控制单元体。控制单元体包括用于处理数据和控制红绿灯工作状态的微电脑。控制单元体通过采集设备如摄像头分别采集对应的本地路口的车流情况信息，如图2中控制单元体A采集其东南西北方向的车流情况信息，其中，车流情况信息包括车流拥堵长度和车流移动速度。控制单元体的微电脑上具有基于TensorFlow的数据处理平台，其中，TensorFlow是一个基于数据流编程的符号数学系统，被广泛应用于各类机器学习算法的编程实现。控制单元体将采集到的车流图像信息发送至TensorFlow，在TensorFlow建立的神经网络中，神经网络包括输入层、中间层和输出层。车流图像信息从数据输入层输入，中间层的数据处理方式如下：运用K-邻近算法，对车流图像信息中移动数据样本，按照物体像素大小进行分类，分成机动车、非机动车和行人；运用决策树、朴素贝叶斯，Logistic回归等综合优选提取出以机动车为主体的数据样本，输出层输出以机动车为主体的数据样本。控制单元体根据以机动车为主体的数据样本，计算并获得控制单元体对应本地路口各方向疏通的所需时间，并综合控制单元体采集的数据信息和计算生成的数据信息建立动态数据模型，其中，动态数据模型用于反映本地路口的车流拥堵情况。控制单元体综合相邻预设数量的控制单元体对应的动态数据模型，建立控制数据模型。例如，控制单元体A接收并综合相邻的控制单元体B和D的动态数据模型，并根据各控制单元体对应的动态数据模型，生成控制数据模型。各控制单元体的微电脑根据控制数据模型，控制对应的本地路口的红绿灯的工作状态，即控制红绿灯在预设时间亮预设颜色的灯，持续亮持续预设时长。以优先通行控制单元体A、B和D形成道路的东西方向的拥堵车流为例，控制单元体A接收并综合相邻的控制单元体B和控制单元体D的动态数据模型，生成控制数据模型。控制单元体A、控制单元体B和控制单元体C根据控制数据模型，同时亮起各控制单元体控制的东西方向红绿灯的绿灯，绿灯持续时间为60秒，使得控制单元体A、B和D形成道路的东西方向的车流快速通过，极大地减缓控制单元体A、B和D形成道路的东西方向的车流拥堵压力。通过上述设置，控制单元体采集实时路况信息，预测未来交通态势，提前选择红绿灯的最佳配时方案，减少或避免交通网络中的车流拥堵现象。此外，各控制单元体通过分散化采集、处理与整合数据，通过去中心化的方式控制智能交通网络中的红绿灯的工作状态，此种方式大大提高了系统的运行效率，更加方便系统设备的维护，还节省资金投入。

进一步地，采集模块包括：

第一采集子模块，用于视频图像采集设备采集各控制单元体对应的第一本地路口上车流图像信息；

第二采集子模块，用于超声波测距设备采集各控制单元体对应的第一本地路口上车流的拥堵长度信息；

数据生成子模块，用于根据车流图像信息和拥堵长度信息，生成第一本地路口的车流情况信息。

在本发明实施例中，控制单元体采集数据的设备包括视频图像采集设备和超声波测距设备。控制单元体能根据本地路口上车流图像信息，获得本地路口各方向车流拥堵长度以及车流移动速度。控制单元体所在的本地道路上间隔固定距离设置一个超声波测距设备，由于各超声波测距设备间的距离已知，根据车流通过各超声波测距设备的时间差(即通过固定距离的行驶时间)，即可得到车流移动速度。控制单元体通过超声波测距设备，获得本地路口上车流的拥堵长度信息。比如，控制单元体B和控制单元体A之间的距离为100米，以控制单元体A所在位置为起点，每隔20米设置一个超声波测距设备，超声波测距设备的序号从东往西数，分别是一二三四五。当车流长度到达第一超声波测距设备所在位置时，车流拥堵长度为20米，当车流长度到达第二超声波测距所在位置时，车流拥堵长度为40米，依此类推。通过视频图像设备和超声波测距设备分别采集本地路口各方向的车流拥堵长度及车流移动速度，增加了控制单元体的采集数据，从而提升了控制单元体对应的本地路口车流情况信息的可靠性。

进一步地，第一执行模块3包括：

第一获取子模块，用于根据第一控制单元体获取的第一本地路口的各方向的车流情况信息，获取第一本地路口各方向的车流拥堵长度测量值，其中，第一控制单元体包含于智能交通网络中所有控制单元体，第一本地路口为第一控制单元体对应的本地路口；

第一计算子模块，用于根据第一本地路口各方向的车流情况信息，计算并生成第一本地路口各方向的车流拥堵长度计算值；

第二计算子模块，用于根据车流拥堵长度测量值和车流拥堵长度计算值，生成第一本地路口各方向的车流拥堵长度值；

第三计算子模块，用于根据第一本地路口各方向的车流情况信息，计算并生成第一本地路口各方向的车流移动速度；

第一判断子模块，用于分别判断第一本地路口各方向的车流移动速度是否均小于速度参考值，其中，速度参考值为法律规定的最高行驶速度；

第一执行子模块，用于若是，则判定第一本地路口各方向的车流移动速度均有效；

第四计算子模块，用于根据第一本地路口各方向的车流拥堵长度值和第一本地路口各方向的车流移动速度，计算所述第一本地路口各方向所需疏通时间；

第二执行子模块，用于根据第一本地路口各方向所需的疏通时间，生成第一本地路口对应的第一优先疏通方向信息，以及第一疏通时间信息；

第三执行子模块，用于根据第一本地路口的各方向的车流图像信息和车流拥堵长度信息，以及第一优先疏通方向信息和疏通时间信息，生成第一控制单元体对应的动态数据模型。

在本发明实施例中，以图2中的控制单元体A为例。控制单元体A通过视频图像采集设备和超声波测距设备获得本地路口A各方向的车流拥堵长度测量值。控制单元体A分析车流图像信息，获得本地路口A各方向的机动车数量、机动车长度以及机动车间距等信息。车流拥堵长度计算值＝机动车数量x(机动车长度+机动车间距)/车道数量。控制单元体A根据本地路口A各方向的车流拥堵长度测量值和车流拥堵长度计算值，取两者的平均数，得到本地路口A各方向的车流拥堵长度值。控制单元体A根据本地路口A各方向的车流情况信息，计算并生成第一本地路口各方向的车流移动速度。控制单元体A分别判断本地路口A各方向的车流移动速度是否小于法律规定的最高行驶速度，如判断控制单元体A东南西北方向上的车流移动速度是否均小于30KM/小时。若是，则判定控制单元体A东南西北方向上的车流移动速度均有效。根据控制单元体A东南西北方向的车流拥堵长度值和车流移动速度，得到本地路口A各方向所需疏通时间t_东、t_南、t_西和t_北，如t_东为5秒，t_西为15秒，t_南为10秒，t_北为20秒。控制单元体取相对方向的所需疏通时间，并取平均值。如东西方向所需疏通时间为t_东和t_西的平均值，即10秒，南北方向所需疏通时间为t_南和t_北的平均值即15秒。于是，控制单元体A比较东西方向所需疏通时间和南北方向所需疏通时间，优先疏通所需时间较长的方向，即优先疏通南北方向，疏通时间为15秒。控制单元体A根据本地路口A的各方向的车流图像信息和车流拥堵长度信息，以及优先疏通方向信息和疏通时间信息，生成控制单元体A对应的动态数据模型。

进一步地，控制模块4包括：

第二获取子模块，用于根据第一控制单元体对应的第一优先疏通方向信息，获取各第二控制单元体分别对应的第二优先疏通方向信息和第二疏通时间信息，其中，第二优先疏通方向与第一优先疏通方向相同，第二控制单元体包含于第一控制单元体相邻的预设数量的控制单元体；

第二判断子模块，用于根据第一疏通时间信息，判断第一优先疏通方向对应的所需疏通时间是否处于正常数值范围；

第四执行子模块，用于若是，则综合第一优先疏通方向信息、第一疏通时间信息、第二优先疏通方向信息和各第二疏通时间，生成智能交通网络中的优先疏通路段信息和路段通行时间信息，其中，智能交通网络为第一控制单元体和各第二控制单元体覆盖的交通区域；

第五执行子模块，用于根据优先疏通路段信息和路段通行时间信息，建立控制数据模型。

在本发明实施例中，每个控制单元体可综合智能交通网络中两个、四个、八个等数量的相邻的控制单元体的动态数据模型，以控制单元体的实际需求决定联动的相邻控制单元体的数量。以图2中控制单元体A、控制单元体B和控制单元体D为例，控制单元体B和控制单元体D为控制单元体A的相邻控制单元体，其中，控制单元体A对应的路口为本地路口，控制单元体B对应的路口为上行路口，控制单元体D对应的路口为下行路口。控制单元体A对应的优先疏通方向为东西方向(即第一优先疏通方向信息)，东西方向疏通时间(即第一疏通时间信息)为40秒。根据控制单元体A的优先通行方向，获取控制单元体B和控制单元体D东西方向的疏通时间，如控制单元体B东西方向疏通时间为20秒，控制单元体D东西方向疏通时间为30秒。控制单元体A判断其东西方向疏通时间是否处于正常数值范围，如正常数值范围为0-60秒。若是，则控制单元体A综合控制单元体B和控制单元体D东西方向的路段，生成优先通行路段。控制单元体A综合控制单元体B东西方向疏通时间和控制单元体D东西方向疏通时间，具体的，为上行路口优先方向疏通时间加本地路口优先方向通行时间减去下行优先方向路口时间，即20秒加40秒减去30秒，得到路段通行时间为30秒。控制单元体A根据优先疏通路段信息和路段通行时间信息，建立控制数据模型。根据控制数据模型，控制单元体A、控制单元体B和控制单元体D控制的东西方向的红绿灯同时亮起绿灯，并持续30秒。在本发明其它实施例中，控制单元体B的南北方向的疏通时间为20秒。控制单元体A判断其东西方向疏通时间不处于正常数值范围，如控制单元体A判断其东西方向疏通时间为80秒，则上行路口的疏通方向与本体路口的疏通方向相反，如控制单元体A控制东西方向的红绿灯亮起绿灯并亮80秒时，控制单元体B控制其南北方向的红绿灯亮绿灯，并亮20秒，并以此建立数据控制模型，使得本地路口优先疏通方向过分拥堵时，优先疏通拥堵路段，并与此同时，避免上行路口有车流行驶至本地路口，加剧拥堵，而且疏通上行路口与本地路口优先疏通方向相反的路段，避免造成新的拥堵。通过上述设置，每一控制单元体能综合相邻控制单元体的动态数据模型，预测未来交通态势，提前选择红绿灯的最佳配时方案，减少或避免交通网络中的车流拥堵现象。

进一步地，智能交通控制的装置还包括：

第一判断模块，用于判断第一控制单元体与相邻控制单元体的通信连接是否正常；

第三执行模块，用于若否，则第一控制单元体独立运行，控制第一控制单元体对应的红绿灯的工作状态。

在本发明实施例中，以图2中控制单元体A为例。控制单元体A判断与相邻控制单元体的通信连接是否正常，如控制单元体A判断与控制单元体B通信连接是否正常。若否，则说明控制单元体A无法接收并综合控制单元体B的动态数据模型，则控制单元体A独立工作，仅采集本地路口的车流情况信息，并控制本地路口的红绿灯的工作状态。

进一步地，智能交通控制的装置还包括：

第二判断模块，用于判断是否接收到查看路况指令信息，其中，查看路况指令信息为后台中心向第一控制单元体发出的指令信息；

第四执行模块，用于若是，则将第一控制单元体对应的本地路口的车流情况信息发送至后台中心。

在本发明实施例中，控制单元体A判断是否接收到查看路况指令信息，其中，查看路况指令信息为后台中心向第一控制单元体发出的指令信息。若是，则将控制单元体A采集到的本地路口的车流情况信息发送至后台中心。后台中心具有电子地图，电子地图上可实时显示每个路口的动态数据模型，点击任意路口图标动态数据模型，可反向查询控制单元体所在路口的实时视频情况信息。同样的，后台中心同样可将控制指令信息以无线传输形式传输至任意控制单元体，实现后台人员对控制单元体的指挥。通过上述设置，各控制单元体无需实时将采集信息发送至后台中心，通过后台中心反向查询，获取后台人员想要查看的数据，从而解决同时传输庞大的视频图片数据的网络流量和大流量对网络的拥堵、延迟。

参考图4，本申请还提供了一种存储介质100，存储介质100中存储有计算机程序200，当其在计算机上运行时，使得计算机执行以上实施例所描述的智能交通控制的方法。

参考图5，本申请还提供了一种包含指令的计算机设备300，当其在计算机设备300上运行时，使得计算机设备300通过其内部设置的处理器400执行以上实施例所描述的智能交通控制的方法。

本领域技术人员可以理解，本发明所述的终端验证用户身份装置和上述所涉及用于执行本申请中所述方法中的一项或多项的设备。这些设备可以为所需的目的而专门设计和制造，或者也可以包括通用计算机中的已知设备。这些设备具有存储在其内的计算机程序或应用程序，这些计算机程序选择性地激活或重构。这样的计算机程序可以被存储在设备(例如，计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中，所述计算机可读介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory，只读存储器)、RAM(Random Access Memory，随机存储器)、EPROM(Erasable Programmable Read-Only Memory，可擦写可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read-Only Memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，可读介质包括由设备(例如，计算机)以能够读的形式存储或传输信息的任何介质。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种智能交通控制的方法，其特征在于，所述方法具有对应的智能交通控制系统，所述智能交通控制系统包括至少两个控制单元体，包括：

第一控制单元体采集对应的本地路口的车流情况信息，其中，所述控制单元体用于控制本地路口的红绿灯的工作状态，且所述第一控制单元体包含于所述智能交通系统中所有的所述控制单元体；

根据第一本地路口的车流情况信息，应用神经网络建立所述第一控制单元体对应的动态数据模型，其中，所述第一本地路口为所述第一控制单元体对应的本地路口，所述动态数据模型用于反映本地路口的车流拥堵情况；

综合所述第一控制单元体及与其相邻的预设数量的所述控制单元体对应的所述动态数据模型，建立控制数据模型；

根据所述控制数据模型，控制所述第一控制单元体及其相邻的预设数量的所述控制单元体的红绿灯的工作状态，优先疏通拥堵路段车流，以缓解交通拥堵。

2.根据权利要求1所述的智能交通控制的方法，其特征在于，所述控制单元体具有视频图像采集设备和超声波测距设备，所述第一控制单元体采集对应的本地路口的车流情况信息的步骤，包括：

所述视频图像采集设备采集所述第一本地路口上车流图像信息；

所述超声波测距设备采集各所述第一本地路口上车流的拥堵长度信息；

根据所述车流图像信息和所述拥堵长度信息，生成所述第一本地路口的车流情况信息。

3.根据权利要求2所述的智能交通控制的方法，其特征在于，所述根据第一本地路口的车流情况信息，应用神经网络建立所述第一控制单元体对应的动态数据模型的步骤，包括：

根据第一控制单元体获取的第一本地路口的各方向的所述车流情况信息，获取所述第一本地路口各方向的车流拥堵长度测量值；

根据所述第一本地路口各方向的所述车流情况信息，计算并生成所述第一本地路口各方向的车流拥堵长度计算值；

根据所述车流拥堵长度测量值和所述车流拥堵长度计算值，生成所述第一本地路口各方向的车流拥堵长度值；

根据所述第一本地路口各方向的所述车流情况信息，计算并生成所述第一本地路口各方向的车流移动速度；

分别判断所述第一本地路口各方向的车流移动速度是否均小于速度参考值，其中，所述速度参考值为法律规定的最高行驶速度；

若是，则判定所述第一本地路口各方向的车流移动速度均有效；

根据所述第一本地路口各方向的车流拥堵长度值和所述第一本地路口各方向的车流移动速度，计算所述第一本地路口各方向所需疏通时间；

根据所述第一本地路口各方向所需的疏通时间，生成所述第一本地路口的对应的第一优先疏通方向信息，以及第一疏通时间信息；

根据所述第一本地路口的各方向的所述车流图像信息和车流拥堵长度信息，以及所述第一优先疏通方向信息和所述第一疏通时间信息，生成所述第一控制单元体对应的动态数据模型。

4.根据权利要求3所述的智能交通控制的方法，其特征在于，所述综合所述第一控制单元体及与其相邻的预设数量的所述控制单元体对应的所述动态数据模型，建立控制数据模型的步骤，包括：

根据所述第一控制单元体对应的所述第一优先疏通方向信息，获取各第二控制单元体分别对应的第二优先疏通方向信息和第二疏通时间信息，其中，第二优先疏通方向与第一优先疏通方向相同，所述第二控制单元体包含于所述第一控制单元体相邻的预设数量的所述控制单元体；

根据所述第一疏通时间信息，判断所述第一优先疏通方向对应的所需疏通时间是否处于正常数值范围；

若是，则综合所述第一优先疏通方向信息、所述第一疏通时间信息、第二优先疏通方向信息和各所述第二疏通时间，生成智能交通网络中的优先疏通路段信息和路段通行时间信息，其中，所述智能交通网络为所述第一控制单元体和各所述第二控制单元体覆盖的交通区域；

根据所述优先疏通路段信息和所述路段通行时间信息，建立控制数据模型。

5.根据权利要求1所述的智能交通控制的方法，其特征在于，所述智能交通控制系统具有对应的后台中心，所述根据第一本地路口的车流情况信息，应用神经网络建立所述第一控制单元体对应的动态数据模型的步骤之后，包括：

判断所述第一控制单元体与相邻所述控制单元体的通信连接是否正常；

若否，则所述第一控制单元体独立运行，控制所述第一控制单元体对应的红绿灯的工作状态。

6.根据权利要求5所述的智能交通控制的方法，其特征在于，所述所述根据第一本地路口的车流情况信息，应用神经网络建立所述第一控制单元体对应的动态数据模型的步骤之后，包括：

判断是否接收到查看路况指令信息，其中，所述查看路况指令信息为所述后台中心向所述第一控制单元体发出的指令信息；

若是，则将所述第一控制单元体对应的本地路口的车流情况信息发送至所述后台中心。

7.一种智能交通控制的装置，其特征在于，包括：

采集模块，用于第一控制单元体采集对应的本地路口的车流情况信息，其中，所述控制单元体用于控制本地路口的红绿灯的工作状态，且所述第一控制单元体包含于所述智能交通系统中所有的所述控制单元体；

第一执行模块，用于根据第一本地路口的车流情况信息，应用神经网络建立所述第一控制单元体对应的动态数据模型，其中，所述第一本地路口为所述第一控制单元体对应的本地路口，所述动态数据模型用于反映本地路口的车流拥堵情况；

第二执行模块，用于综合所述第一控制单元体及与其相邻的预设数量的所述控制单元体对应的所述动态数据模型，建立控制数据模型；

控制模块，用于根据所述控制数据模型，控制所述第一控制单元体及其相邻的预设数量的所述控制单元体的红绿灯的工作状态，优先疏通拥堵路段车流，以缓解交通拥堵。

8.根据权利要求7所述的智能交通控制的装置，其特征在于，所述采集模块包括：

第一采集子模块，用于所述视频图像采集设备采集所述第一本地路口上车流图像信息；

第二采集子模块，用于所述超声波测距设备采集各所述第一本地路口上车流的拥堵长度信息；

数据生成子模块，用于根据所述车流图像信息和所述拥堵长度信息，生成所述第一本地路口的车流情况信息。

9.一种存储介质，其特征在于，其为计算机可读的存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如权利要求1～6任一项所述的智能交通控制的方法。

10.一种计算机设备，其特征在于，其包括处理器、存储器及存储于所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～6任一项所述的智能交通控制的方法。

Images