CN111489565A - 一种基于大数据的智能交通系统及其控制方法 - Google Patents

Abstract

本发明一种基于大数据的智能交通系统及其控制方法，系统中红外感应器用于统计车流量，红外感应器的输出端与无线数据传输器的输入端连接；输入缓冲器用于接收车流量数据，Web服务器用于接收该数据确定不同车流量绿灯和红灯的通断阈值，传输给输出缓冲器并将数据传输给交通信号灯和LED灯；控制方法为先统计绿灯通行时间内的车流量数据，之后Web服务器使用Relief算法对采集的车流量数据进行深度学习，Web服务器确定最后一次的车流量数据对应的绿灯和红灯的通断阈值，并传输给交通信号灯和LED灯，然后Web服务器继续根据绿灯通行时间内的车流量数据将相应的通断阈值传输给交通信号灯和LED灯，实现对车辆进行持续控制。

Description

一种基于大数据的智能交通系统及其控制方法

技术领域

本发明属于人工智能和大数据分析的交叉技术领域，具体为一种基于大数据的智能交通系统及其控制方法。

背景技术

智能交通系统(Intelligent Traffic Systems,ITS)的前身是智能车辆道路系统(Intelligent Vehicle Highway System,IVHS)。智能交通系统将先进的信息技术、数据通信技术、传感器技术、电子控制技术以及计算机技术等有效地综合运用于整个交通运输管理体系，从而建立起一种大范围内、全方位发挥作用的，实时、准确、高效的综合运输和管理系统。

智能交通系统世界上应用最为广泛的地区是日本，如日本的ITS系统相当完备和成熟，其次美国、欧洲等地区也普遍应用。中国的智能交通系统发展迅速，在北京、上海、广州等大城市已经建设了先进的智能交通系统；其中，北京建立了道路交通控制、公共交通指挥与调度、高速公路管理和紧急事件管理的4大ITS系统；广州建立了交通信息共用主平台、物流信息平台和静态交通管理系统的3大ITS系统。

ITS系统利用遍布全市快速路、主干路网的上万个检测线圈、视频、超声波和微波设备，24小时自动采集路面交通流量、流速、占有率等运行数据，一方面服务于城市交通管理决策，另一方面通过将采集到的交通流信息进行整合、分析和处理，以图形的方式显示出实时动态路况信息，并自动与前四周的相关数据进行对此，如超出历史常量值，系统将给出警告提示，为路况信息对外发布和路面交通控制提供了可靠依据。

随着智能交通系统技术的发展，智能交通系统将在交通运输行业得到越来越广泛的运用，但是上述ITS系统在车流量数据采集时需要的硬件设施庞大、设施安装麻烦，同时车流量采集困难、计算不精确，无法结合动态车流量对车辆进行智能控制。

发明内容

针对现有技术中存在的问题，本发明提供一种基于大数据的智能交通系统及其控制方法，能结合动态车流量控制交通信号灯及LED灯，达到车辆高效通行的目的。

本发明是通过以下技术方案来实现：

一种基于大数据的智能交通系统，包括安装在同一路口的交通信号灯、LED灯、红外感应器和无线数据传输器，以及布置在交通指挥中心的深度学习算法模块；

所述的交通信号灯设置在路面上方，LED灯铺设在人行横道下方，红外感应器用于统计车流量，红外感应器的输出端与无线数据传输器的输入端连接；

深度学习算法模块包括依次连接的输入缓冲器、Web服务器和输出缓冲器，输入缓冲器用于接收无线数据传输器传输的车流量数据并将该车流量数据传输给Web服务器，Web服务器用于接收输入缓冲器传输的车流量数据，确定不同车流量下绿灯和红灯的通断阈值，之后将所述的通断阈值数据传输给输出缓冲器，输出缓冲器用于接收Web服务器传输的通断阈值数据，并将该通断阈值数据传输给交通信号灯和LED灯。

优选的，所述的交通信号灯安装在灯杆上，红外感应器固定在灯杆上且距离地面的高度为0.6～1.1m。

进一步，所述的红外感应器和无线数据传输器封装在安装盒中，该安装盒通过螺丝紧固在灯杆上。

优选的，所述无线数据传输器的型号为DATA86。

优选的，所述输入缓冲器和输出缓冲器的型号均为74HC221。

优选的，所述的LED灯为LED强光灯。

优选的，所述的LED灯沿行人行走的方向均匀铺设。

一种基于大数据的智能交通系统的控制方法，基于上述任意一项所述的基于大数据的智能交通系统，包括如下步骤，

步骤1，红外感应器发出红外线，当有车辆通过路口时挡住红外线，此时计一次数，红外感应器以此方式不断重复，统计一个绿灯通行时间内的车流量数据；

步骤2，无线数据传输器将步骤1得到的车流量数据传输给输入缓冲器，输入缓冲器将该车流量数据传输给Web服务器，Web服务器对该车流量数据使用Relief算法进行分析，确定该车流量下对应的绿灯和红灯的通断阈值；

步骤3，Web服务器使用Relief算法，重复按照步骤1到步骤2的方法对采集的车流量数据进行深度学习，探究所得数据之间的神经网络关系，并对获得的神经网络关系进行记忆，之后Web服务器调取记忆中的神经网络关系，确定最后一次的车流量数据对应的绿灯和红灯的通断阈值；

步骤4，输出缓冲器接收Web服务器传输的步骤3得到的通断阈值数据后，将该通断阈值数据传输给交通信号灯和LED灯；

步骤5，红外感应器按步骤1的方式统计本次绿灯通行时间内的车流量数据，之后Web服务器按步骤2的方式确定该车流量数据对应的绿灯和红灯的通断阈值，输出缓冲器接收Web服务器传输的该通断阈值数据后，将该通断阈值数据传输给交通信号灯和LED灯；

步骤6，按照步骤5的控制方式对车辆进行持续控制。

进一步，步骤3中Web服务器深度学习的时间不少于1个月。

再进一步，所述的Web服务器包括内存数据结构存储器、web框架和消息队列；

步骤2中车流量数据先由输入缓冲器传输至内存数据结构存储器，内存数据结构存储器再将该车流量数据传输至web框架，web框架对该车流量数据进行分析；

之后在步骤3中web框架使用Relief算法确定最后一次的车流量数据对应的绿灯和红灯的通断阈值，最后在步骤4中web框架先将通断阈值数据发送给消息队列，输出缓冲器接收消息队列传输的通断阈值数据。

与现有技术相比，本发明具有以下有益的技术效果：

本发明一种基于大数据的智能交通系统，可在同一十字路口或T字路口进行交通信号灯、LED灯、无线数据传输器和红外感应器的布置，利用红外线的通断来计数，在通的情况下不计数，在断的情况下计数，采集一次动态的交通流数据；用无线数据传输器可将车流量数据高稳定、高可靠、低成本地传输至深度学习算法模块中，对于上传的数据，深度学习算法模块可进行深度学习处理，确定不同车流量下绿灯和红灯的通断阈值，从而进一步控制车流量；通过深度学习算法得出的阈值信息，来控制现有的交通信号灯的红灯和绿灯的通断时间，而红灯和绿灯之间在变换时黄灯的固定时间依然为3s，可使交通信号灯和LED灯智能化地合理交替呈现，最大化缓解交通压力，本发明利用深度学习的原理减轻了交警压力，最终打造出一个智能的交通系统，很有使用价值，能够在一定程度上减少交通拥堵和行车延误。

本发明一种基于大数据的智能交通系统的控制方法，基于所述的智能交通系统，红外感应器统计完一个绿灯通行时间内的车流量后，无线数据传输器可通过输入缓冲器将车流量数据传输给Web服务器，Web服务器使用Relief算法进行前期的深度学习，探究所得数据之间的神经网络关系，并对获得的神经网络关系进行记忆，在此后的应用中调取记忆中的神经网络关系，根据确定的绿灯和红灯的通断阈值达到指挥控制中心控制交通信号灯和LED灯的功能，之后红外感应器继续统计本次绿灯通行时间内的车流量数据，然后Web服务器根据此数据进行通断阈值数据的更新，对车辆进行持续控制，红灯和绿灯之间在变换时黄灯的固定时间依然为3s，可使交通信号灯和LED灯智能化地合理交替呈现，最大化缓解交通压力，一定程度上减少了交通事故的发生率，同时能源消耗率减少、污染程度得到降低。

附图说明

图1为本发明的智能交通系统俯视图。

图2为本发明的智能交通系统的控制流程图。

图中：交通信号灯1，LED灯2，深度学习算法模块3，红外感应器4，环形路口5。

具体实施方式

下面结合附图对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。

本发明一种基于大数据智能交通系统，包括安装在同一路口的交通信号灯1、LED灯2、深度学习算法模块3、红外感应器4和无线数据传输器，交通信号灯1设置在路面上方；LED灯2铺设在人行横道下方；红外感应器4用于通过发出红外线来统计车流量，红外感应器4的输出端与无线数据传输器的输入端连接；

深度学习算法模块3包括依次连接的输入缓冲器、Web服务器和输出缓冲器，输入缓冲器用于接收无线数据传输器传输的车流量数据并将该车流量数据传输给Web服务器，Web服务器用于接收输入缓冲器传输的车流量数据，并对该车流量数据进行数据分析，确定不同车流量下绿灯和红灯的通断阈值，之后将所述的通断阈值数据传输给输出缓冲器，输出缓冲器用于接收Web服务器传输的通断阈值数据，并将该通断阈值数据传输给交通信号灯1和LED灯2。

该智能交通系统主要的运行过程为红外数据采集、无线数据传输、深度学习算法分析，结合动态车流量进行深度学习计算并以结果来控制交通信号灯1及LED灯2，以下展开说明。

1，红外数据采集，

在十字路口或T字路口的指示人通行的红绿灯的灯杆上进行红外感应器4的安装，将红外感应器4和无线数据传输器封装在安装盒中，并用螺丝装在指示人通行的红绿灯灯杆上，距离地面的高度为0.6～1.1m，如图1所示，利用红外线的通断来计数，即红外感应器4发出红外线，当车辆通过时挡住红外线，此时计一次数；当红外感应器4发出红外线，车辆不通过，此时红外线不产生通断，不计数。

2，无线数据传输，

采用无线数据传输器，具体型号为DATA86，无线数据传输器与红外感应器4通过线连接后装盒一起布置，将车流量数据高稳定、高可靠、低成本地通过GPRS无线传输技术时时传输至图1中深度学习算法模块3中。该技术的优势在于可以实现点对点通信，不需要数据传输过程中的编程，不需要布线。

3，深度学习算法分析，

深度学习算法模块3位于交通指挥中心，由Web服务器、输入缓冲器和输出缓冲器组成，Web服务器由内存数据结构存储器、web框架、消息队列组成，输入缓冲器和输出缓冲器的型号均为74HC221。车流量数据由无线数据传输器传输至输入缓冲器，输入缓冲器与Web服务器相连接，车流量数据在Web服务器中进行深度学习，车流量数据先由内存数据结构存储器传输至web框架，web框架处理后发送给消息队列，消息队列再传输至输出缓冲器，随后输出缓冲器将处理后的数据传输至交通信号灯1和LED灯2。车流量数据在Web服务器中通过Relief算法进行数据分析，确定不同车流量下的通断阈值，即红灯和绿灯的最大值，从而进一步控制道路交通信号灯的红灯、绿灯、黄灯的时间，其中红灯和绿灯之间在变换时黄灯的固定时间为3s。

通过红外感应器感4测出上一个交通信号指示灯红灯或者绿灯的通行时间内的车流量，通过无线数据传输器传输至输入缓冲器中，随后进入Web服务器中进行深度学习，并得出下一个指示时刻的通断阈值存入输出缓冲器中，紧接着传输至交通信号灯1和LED灯2，并控制它们的具体时长，如图2所示。

4，交通信号灯1及LED灯2，

通过深度学习算法得出的阈值信息，得到相应的最大阈值和最小阈值，并在不同的车流量状态下进行阈值匹配，从而控制交通信号灯1的红灯、绿灯、黄灯，进而控制由时钟信号发生器、信号灯译码驱动电路和数字显示译码驱动电路组成的现有的交通信号灯1的红灯、绿灯、黄灯的通断时间，阈值信息从时钟信号发生器传递到信号灯译码驱动电路进行信号译码，最后到数字显示译码驱动电路进行数字译码，最终将数字显示出来。

传统斑马线是一种绘在马路路面上的交通标线，让穿越路口的行人集中由固定的地点通过，也可提醒道路驾驶者在行经这段区域时，注意行人的安全，人车互相礼让。行人穿越道用白色涂料在路口等特定地点绘制相间的条纹。LED灯2由时钟信号发生器和信号译码驱动电路组成，时钟信号发生器将输出缓存器中得到的数据信号在信号译码驱动电路中进行处理变为相应的脉宽信号，脉宽信号的信号脉宽控制LED强光灯的高平信号和低平信号，高平信号时LED强光灯亮，低平信号时LED强光灯不亮，阈值信息通过控制高平信号和低平信号，以此来控制智能斑马线的生成和消失。本发明采用得到的LED灯2为LED强光灯，采用道路LED强光灯铺设的方式，沿行人行走的方向均匀铺设，在人行道绿灯的情况下，LED强光灯亮，智能斑马线出现，在白天可以凸显出来，指示行人通过，提醒驾驶员停车等待，以此达到及时疏通交通拥堵的目的。智能斑马线根据车流量的变化，受输出缓冲器的控制进行生成和消失。

本发明一种基于大数据的智能交通系统的控制方法，包括如下步骤，

步骤1，红外感应器4发出红外线，当有车辆通过路口时挡住红外线，此时计一次数，红外感应器4以此方式不断重复，统计一个绿灯通行时间内的车流量；

步骤2，无线数据传输器将步骤1得到的车流量数据传输给输入缓冲器，输入缓冲器将该车流量数据传输给Web服务器，Web服务器对该车流量数据使用Relief算法进行分析，确定该车流量下对应的绿灯和红灯的通断阈值；

步骤3，Web服务器使用Relief算法，重复按照步骤1到步骤2的方法对采集的车流量数据进行深度学习，探究所得数据之间的神经网络关系，并对获得的神经网络关系进行记忆，之后Web服务器调取记忆中的神经网络关系，确定最后一次的车流量数据对应的绿灯和红灯的通断阈值；

步骤4，输出缓冲器接收Web服务器传输的步骤3得到的通断阈值数据后，将该通断阈值数据传输给交通信号灯1和LED灯2；

步骤5，红外感应器4按步骤1的方式统计本次绿灯通行时间内的车流量数据，之后Web服务器按步骤2的方式确定该车流量数据对应的绿灯和红灯的通断阈值，输出缓冲器接收Web服务器传输的该通断阈值数据后，将该通断阈值数据传输给交通信号灯1和LED灯2；

步骤6，按照步骤5的控制方式对车辆进行持续控制。

具体地，步骤2中车流量数据先由输入缓冲器传输至内存数据结构存储器，内存数据结构存储器再将该车流量数据传输至web框架，web框架对该车流量数据进行分析；

之后在步骤3中web框架使用Relief算法确定最后一次的车流量数据对应的绿灯和红灯的通断阈值，最后在步骤4中web框架先将通断阈值数据发送给消息队列，输出缓冲器接收消息队列传输的通断阈值数据。

Relief算法对前期采集的数据进行1个月的深度学习，探究数据之间的神经网络关系，对于此类关系，进行记忆，在此后的应用中，调取记忆中的交通数据的神经网络关系，达到指挥控制中心控制交通信号灯1和LED灯2的功能。根据前期采集的一个月的数据，通过深度学习算法模块3进行数据的深度学习，得到例如某条路上南北方向通行的情况下绿灯亮的最小阈值为25秒、最大阈值为39秒；东西方向通行的情况下绿灯亮的最小阈值为22秒，最大阈值为36秒，在这个阈值范围内正好能够使得车辆和行人通过的效率最高，之后有新的数据进入后会进行更新，这种前期1个月的深度学习会让得出的结果更加准确。Relief算法由公式、指令和代码组成，其中该模型的核心公式如下，

以上公式完成最大阈值计算，即绿灯亮时的最大时间，也就是车辆能够通过的最长时间；

x_i≥0,i＝1,2,…n

以上公式完成最小阈值计算，即绿灯亮时的最小时间，也就是车辆能够通过的最短时间；当南北方向车流量较大时，南北方向绿灯时间长，红灯时间短，以此保证高效的通行。

在控制的过程中，如绿灯的最大阈值为50秒，则由输出缓冲器发出的阈值信息来控制绿灯亮50秒，与此同时提示行人停止的红灯亮50秒；当绿灯的最小阈值为15秒时，则由控制绿灯亮15秒，于此同时提示行人停止的红灯亮15秒，这样可以使交通信号灯1的红灯、绿灯、黄灯合理地交替呈现，这样车辆通行时，LED强光灯灭，智能斑马线消失，行人等待；车辆等待时，LED强光灯亮，智能斑马线出现，行人通过，使交通信号灯1不再有固定周期，而是根据采集的大数据，动态确定优先放行的方向并同时调整交通信号灯1的时间。

目前，若南北方向的路面没有行人时，指示车辆停止通行的红灯依然亮，此时车辆会在怠速工况下消耗燃油并进行污染气体的排放，本发明在动态控制情况下以路面道路车流量大小的情况下放行车辆，缓解车辆在可通行状况下的怠速等待。智能信号灯及智能斑马线从功能角度上来说，起着类似交警疏导交通的作用。通过这种方式可以充分改善没有行人等待过马路时，红灯依然亮，无形之间增加了汽车的怠速工况时间，燃油的消耗大，尾气排放多的问题。本发明采用智能斑马线，能减少车辆等待时间，也是一种缓解交通压力的有效措施。

根据《中华人民共和国道路交通安全法》第四十七条规定，机动车行经人行横道时，应当减速行驶，遇行人正在通过人行横道，应当停车让行。机动车行经没有交通信号的道路时，遇行人横过道路，应当避让，采取本发明的智能交通系统能够更加智能地以车流量为数据依据，进行动态调控。

图1展示了一个具体路口的以东西走向为例的情况，最西边为一个环形路口5，其中设置两个红外感应器4可以分别检测东西路口的两端，图1中间十字路口的红外感应器未画出，该路口车辆高峰期上路行驶比率为10％，通过智能交通系统，在车流量动态测量实验条件下，通过红外感应器4在路口计数，以4座轿车为实验目标，当车辆通过时挡住红外感应器4发出的红外线，此时计数，并将上一个交通信号灯指示时间内的车辆数通过无线数据传输器传输至输入缓冲器，输入缓冲器将数据传输至Web服务器，在Web服务器中进行深度学习后得出最优的交通信号灯指示时长，并将该通断阈值数据传输给输出缓冲器，输出缓冲器传送至现有交通信号灯1和LED强光灯并进行控制交通信号灯1和LED强光灯；实验测得100辆车通过某一路口所用的时间为28分钟，以日常非实验状态下该路口百车辆通行的时间平均为35分钟来对比，可以平均节约7分钟，按照国家工信部的统一标准(GB18352.3—2005)平均怠速油耗2L/每小时计算，7分钟可以节约燃油7000000L，这些燃油按照GB3842－83《汽油车怠速污染物排放标准》，怠速工况下可以较少污染尾气(即一氧化碳(CO)、碳氢化合物(HC))300正已烷当量。

Claims (10)

1.一种基于大数据的智能交通系统，其特征在于，包括安装在同一路口的交通信号灯(1)、LED灯(2)、红外感应器(4)和无线数据传输器，以及布置在交通指挥中心的深度学习算法模块(3)；

所述的交通信号灯(1)设置在路面上方，LED灯(2)铺设在人行横道下方，红外感应器(4)用于统计车流量，红外感应器(4)的输出端与无线数据传输器的输入端连接；

深度学习算法模块(3)包括依次连接的输入缓冲器、Web服务器和输出缓冲器，输入缓冲器用于接收无线数据传输器传输的车流量数据并将该车流量数据传输给Web服务器，Web服务器用于接收输入缓冲器传输的车流量数据，确定不同车流量下绿灯和红灯的通断阈值，之后将所述的通断阈值数据传输给输出缓冲器，输出缓冲器用于接收Web服务器传输的通断阈值数据，并将该通断阈值数据传输给交通信号灯(1)和LED灯(2)。

2.根据权利要求1所述的一种基于大数据的智能交通系统，其特征在于，所述的交通信号灯(1)安装在灯杆上，红外感应器(4)固定在灯杆上且距离地面的高度为0.6～1.1m。

3.根据权利要求2所述的一种基于大数据的智能交通系统，其特征在于，所述的红外感应器(4)和无线数据传输器封装在安装盒中，该安装盒通过螺丝紧固在灯杆上。

4.根据权利要求1所述的一种基于大数据的智能交通系统，其特征在于，所述无线数据传输器的型号为DATA86。

5.根据权利要求1所述的一种基于大数据的智能交通系统，其特征在于，所述输入缓冲器和输出缓冲器的型号均为74HC221。

6.根据权利要求1所述的一种基于大数据的智能交通系统，其特征在于，所述的LED灯(2)为LED强光灯。

7.根据权利要求1所述的一种基于大数据的智能交通系统，其特征在于，所述的LED灯(2)沿行人行走的方向均匀铺设。

8.一种基于大数据的智能交通系统的控制方法，其特征在于，基于权利要求1～7中任意一项所述的基于大数据的智能交通系统，包括如下步骤，

步骤1，红外感应器(4)发出红外线，当有车辆通过路口时挡住红外线，此时计一次数，红外感应器(4)以此方式不断重复，统计一个绿灯通行时间内的车流量数据；

步骤2，无线数据传输器将步骤1得到的车流量数据传输给输入缓冲器，输入缓冲器将该车流量数据传输给Web服务器，Web服务器对该车流量数据使用Relief算法进行分析，确定该车流量下对应的绿灯和红灯的通断阈值；

步骤3，Web服务器使用Relief算法，重复按照步骤1到步骤2的方法对采集的车流量数据进行深度学习，探究所得数据之间的神经网络关系，并对获得的神经网络关系进行记忆，之后Web服务器调取记忆中的神经网络关系，确定最后一次的车流量数据对应的绿灯和红灯的通断阈值；

步骤4，输出缓冲器接收Web服务器传输的步骤3得到的通断阈值数据后，将该通断阈值数据传输给交通信号灯(1)和LED灯(2)；

步骤5，红外感应器(4)按步骤1的方式统计本次绿灯通行时间内的车流量数据，之后Web服务器按步骤2的方式确定该车流量数据对应的绿灯和红灯的通断阈值，输出缓冲器接收Web服务器传输的该通断阈值数据后，将该通断阈值数据传输给交通信号灯(1)和LED灯(2)；

步骤6，按照步骤5的控制方式对车辆进行持续控制。

9.根据权利要求8所述的一种基于大数据的智能交通系统的控制方法，其特征在于，步骤3中Web服务器深度学习的时间不少于1个月。

10.根据权利要求8所述的一种基于大数据的智能交通系统的控制方法，其特征在于，所述的Web服务器包括内存数据结构存储器、web框架和消息队列；

步骤2中车流量数据先由输入缓冲器传输至内存数据结构存储器，内存数据结构存储器再将该车流量数据传输至web框架，web框架对该车流量数据进行分析；

之后在步骤3中web框架使用Relief算法确定最后一次的车流量数据对应的绿灯和红灯的通断阈值，最后在步骤4中web框架先将通断阈值数据发送给消息队列，输出缓冲器接收消息队列传输的通断阈值数据。

Images