CN111696348B - 一种多功能的智能信号控制系统和方法 - Google Patents

Abstract

本发明公开了一种多功能的智能信号控制系统和方法，包括交通信号灯控制模块、交通流状态统计模块、异常事件监测报警模块、交通管理控制服务器；由交通管理控制服务器接受交通信号控制模块数据、交通流状态统计模块数据、异常事件监测报警模块数据，根据多源数据实时计算生成新的信号控制策略并发送给交通信号灯控制模块实现信号灯的同步变更，同时将异常事件监测数据发送给事件影响范围内的异常事件监测报警模块，用于警示与引导路网车流的运行。本发明能减少大量的交通执勤人员，加快交通数据实时采集，缓解城市交通拥堵，节约能源消耗。

Description

一种多功能的智能信号控制系统和方法

技术领域

本发明属于智慧交通技术领域，具体涉及一种多功能的智能信号控制系统和方法。

背景技术

智能交通信号控制系统是通过将城市每个交叉口看成一个智能控制个体，通过彼此相互关联，形成具有协同配合能力的交通信号控制系统，从而对于复杂的城市交通需求进行全面而精细的控制与管理，实现城市路网交通运行的高效、安全、经济。

目前，我国采用的交通信号控制系统主要为英国SCOOT系统、澳大利亚SCATS系统、美国西门子ACTRA系统以及经过本土化改进与研发的SMOOTH系统、NUTCS系统、HiCon系统。这些系统能够适时的调整信号策略，较为有效的缓解局部地区或单个路口的交通拥堵现象，但随着城市规模的逐步扩大、交通通行压力的增加，受到管控路口数量的限制以及计算复杂度影响，传统的控制系统无法实施大面积的区域协调交通控制，并且由于信号方案的程序固化，在实际运行中仍然需要交警在现场根据经验直接控制交叉路口的交通信号灯工作。这种人工干预的方法虽然有助于疏导局部的交通拥堵，但是耗费大量的人力物力，同样无法发挥协调控制的综合效益。另外，现有交通控制系统的功能较为单一，无法兼顾数据采集与智能分析功能，综合实际道路交通状况实时调整信号策略。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种多功能的智能信号控制系统和方法，利用深度学习算法实现交通数据采集、数据智能分析、路况综合判断、区域信号控制策略调整，以解决城市交通拥堵问题，提高路网交通运行效率。

为实现上述技术目的，本发明采取的技术方案为：

一种多功能的智能信号控制系统，包括交通信号灯控制模块、交通流状态统计模块、异常事件监测报警模块、交通管理控制服务器；

所述交通信号灯控制模块，用于根据交通管理控制服务器发送的信号控制策略指令，控制交通信号灯工作状态，并将信号灯工作状态数据传输至交通管理控制服务器；

所述交通流状态统计模块，用于实时监测并分析道路车流运行状态，获取车流运行状态数据，并将车流运行状态数据传输至交通管理控制服务器；

所述异常事件监测报警模块，用于监测道路交通异常事件，并将异常事件信息传输给交通管理控制服务器；同时接收交通管理控制服务器发送的异常事件报警信号指令，展示事件信息；

所述交通管理控制服务器，用于接收并存储、分析交通信号灯控制模块传输的信号灯工作状态数据，接收并存储、分析交通流状态统计模块发送的车流运行状态数据，接收并存储、分析异常事件监测报警模块发送的异常事件信息，得到异常事件报警信号指令和信号控制策略指令，将异常事件报警信号指令发送至异常事件监测报警模块，将信号控制策略指令发送至交通信号灯控制模块。

为优化上述技术方案，采取的具体措施还包括：

上述的交通信号灯控制模块设置在道路交叉口各进口道方向，接收来自交通管理控制服务器发送的信号控制策略指令，控制各个道路交叉口各方向的交通信号灯工作状态，并将信号灯工作状态数据传输至交通管理控制服务器；

所述交通流状态统计模块设置在道路交叉口各进口道方向，通过摄像头实时监测道路交叉口各方向车流运行状态，通过置于交叉口处的本地计算分析处理器解析监控视频，计算获取车流运行状态数据，并将车流运行状态数据传输至交通管理控制服务器；

所述异常事件监测报警模块设置在道路交叉口各方向及各相邻交叉口之间的路段处，通过摄像头监测道路交通异常事件，并将异常事件信息传输给交通管理控制服务器；各交叉口及路段的异常事件监测报警模块接收交通管理控制服务器发送的异常事件报警信号指令，利用可变信息板展示事件信息；

所述交通管理控制服务器设置在交通管理部门；

所述交通管理控制服务器分析异常事件监测报警模块发送的异常事件信息，将异常事件信息传送至交通管理部门、公安部门以及将异常事件报警信号指令发送至异常事件监测报警模块，异常事件监测报警模块的可变信息板根据异常事件报警信号指令提醒并引导交通参与者；

所述交通管理控制服务器对信号灯工作状态数据、车流运行状态数据以及异常事件信息进行分析处理，利用ResNet残差网络回归得到不同交通流状态下的信号配时调整方案以及预测未来路网交通流状态变化趋势，变化趋势分为两种状态即积极或消极，利用MCTS蒙特卡洛树搜索模拟采用不同信号时长方案的交通状态变化并找到最佳的信号配时调整方案，并将信号控制策略指令分发到各交叉口的交通信号灯控制模块，交通信号灯控制模块根据信号控制策略指令对应同时调整各交叉口交通信号灯。

上述的信号灯工作状态数据包括交叉口各方向的正在通行方向和剩余时间以及所处周期的工作状态数据；

所述车流运行状态数据包括交通量、车流密度、排队长度、交叉口延误。

上述的交通信号灯控制模块包括控制计算服务器、远程通信链路、本地控制计时器、执行器和灯光设备；

控制计算服务器将本地控制计时器、执行器、灯光设备的状态信息和时间信息作为交通信号灯的工作状态数据，通过远程通信链路传送至交通管理控制服务器，同时控制计算服务器通过远程通信链路接收来自交通管理控制服务器的信号控制策略指令，控制本地控制计时器、执行器、灯光设备执行信号控制策略指令；

所述交通流状态统计模块包括摄像头、第一主控制器和第一远程通信模块；

摄像头采集交通流视频数据，并将交通流视频数据发送至第一主控制器，第一主控制器利用预置于FPGA芯片中的车流状态识别程序分析交通流视频数据，获取车流运行状态数据，第一主控制器通过第一远程通信模块将车流运行状态数据传输至交通管理控制服务器；

所述异常事件监测报警模块包括半球型监控摄像头、第二主控制器、可变信息板和第二远程通信模块；

摄像头采集的视频数据发送至第二主控制器，第二主控制器通过预训练的异常事件监测模型自动识别视频流中的异常事件，自动识别的异常事件包括异常停车、异常驾驶、交通事故、翻越护栏、人群异常聚集，并通过第二远程通信模块将异常事件信息数据传送至交通管理控制服务器，同时第二主控制器通过第二远程通信模块接收交通管理控制服务器发送来的异常事件报警信号指令，并将异常事件信息显示在可变信息板上。

上述的自动识别的异常事件包括异常停车、异常驾驶、交通事故、翻越护栏和人群异常聚集。

根据上述的一种多功能的智能信号控制系统的多功能的智能信号控制方法，包括：

步骤一：交通信号灯控制模块根据交通管理控制服务器发送的信号控制策略指令，控制交通信号灯工作状态，并将信号灯工作状态数据传输至交通管理控制服务器；

步骤二：交通流状态统计模块实时监测并分析道路车流运行状态，获取车流运行状态数据，并将车流运行状态数据传输至交通管理控制服务器；

步骤三：异常事件监测报警模块监测道路交通异常事件，并将异常事件信息传输给交通管理控制服务器；同时接收交通管理控制服务器发送的异常事件报警信号指令，展示事件信息；

步骤四：交通管理控制服务接收并存储、分析交通信号灯控制模块传输的信号灯工作状态数据，接收并存储、分析交通流状态统计模块发送的车流运行状态数据，接收并存储、分析异常事件监测报警模块发送的异常事件信息，得到异常事件报警信号指令和信号控制策略指令，将异常事件报警信号指令发送至异常事件监测报警模块，将信号控制策略指令发送至交通信号灯控制模块，返回步骤一。

上述的步骤二所述交通流状态统计模块实时监测并分析道路车流运行状态，获取车流运行状态数据，包括：

步骤1、抽取交通流视频数据中的图像并转化为灰度图；

步骤2、通过高斯滤波抑制灰度图图像噪声和杂散梯度；

步骤3、利用OpenCV中的canny边缘检测函数对步骤2输出图像中的道路标线进行提取；

步骤4、应用累计概率霍夫变换HoughLInesP函数，检测边缘提取步骤3输出图像中的直线，并由此根据车道设定检测区域；

步骤5、在各车道的检测区域内，利用YOLOv3算法提取当前帧目标检测框的位置信息及图像深度特征；

步骤6、对检测框进行非极值抑制NMS；

步骤7、利用Kalman滤波预测目标在当前帧的位置，具体公式如下：

其中，

为预测当前帧的目标位置，A_t为预测状态转移矩阵，x_t-1为上一帧目标校正后的位置信息，

为更新的估计方差矩阵，P_t-1为目标的估计误差，A^T表示预测状态转移矩阵的转置矩阵，Q_t为预测噪声的协方差矩阵；

步骤8、采用匈牙利算法将当前帧的目标检测结果与追踪预测结果进行匹配；

步骤9、已经匹配的结果，更新Kalman滤波参数，更新公式如下：

其中，K_t为Kalman增益，H_t为状态变量映射到观测变量的转移矩阵，R_t测量噪声的协方差矩阵，z_t为检测框的位置；

步骤10、对未匹配的追踪器和检测框进行目标消失或新目标出现的判断；

统计单位时间内的轨迹数量得到不同车道的交通流量及排队长度，通过测量实地距离得到车辆运行速度，通过车辆的停驶次数得到交叉口延误。

上述的步骤三中，异常事件监测报警模块通过预训练的异常事件监测模型识别道路交通异常事件；

所述异常事件监测模型采用3D卷积神经网络Pseudo-3D ResNet模型，基于残差网络ResNet-152进行改进，将残差网络ResNet-152中Residual Unit替换为P3D-A、P3D-B、P3D-C三种block块结构并采用bottleneck的设计结构，即将3*3*3的卷积核分解成1*3*3的二维空间卷积核以及一个3*1*1的一维时间卷积核并按照不同的卷积核排列方式形成三种block块结构，然后在卷积层前后增加一层1*1*1的卷积层构建bottleneck结构，最后将三种块结构按序排列混合起来构成Pseudo-3D ResNet异常事件监测模型。

上述的异常事件监测模型的训练方法为：

步骤a、将各种异常事件的视频随机截取并以抽帧的方式进行解码，每个样本抽取16帧图像；

步骤b、对抽取的图像重新定义尺寸并做好样本label的标记；

步骤c、设置每个mini-batch为128帧，采用标准梯度下降算法SGD，将训练样本输入Pseudo-3D ResNet异常事件监测模型进行训练；通过Pseudo-3D ResNet异常事件监测模型提取视频的空间时序特征信息，用于判别异常事件所属类型。

上述的步骤四中，通过如下方法信号控制策略指令：

步骤1、接收车流运行状态数据作为状态矩阵S、信号灯工作状态数据作为信号控制动作π，并对当前交通状态进行评价，其评价结果作为控制策略的实际价值z；

步骤2、将局面S作为神经网络的输入，输出预测的下一步信号控制策略的概率p_θ和当前状态的价值v_θ，公式如下：

其中，

表示神经网络，训练神经网络的目标是最小化预测的状态价值v_θ和实际路网评价价值z的误差，并使神经网络输出的控制策略概率p_θ与MCTS搜索输出的信号控制动作π最大似然；所以神经网络的损失函数公式如下：

其中，l(θ)表示loss损失函数，π^T表示MCTS搜索输出的信号控制动作的矩阵的转置，θ表示神经网络参数，π表示MCTS搜索输出的信号控制动作的矩阵，λ为L2正则化参数，w_v和w_p分别是策略价值误差和策略概率误差的权重系数，策略价值函数的损失计算采用MSE均方误差，而策略函数的损失计算采用交叉熵损失计算方式；

步骤3、将当前交通路网状态s_t作为MCTS的模拟计算的根节点状态，由于初始信号策略搜索时，根节点没有任何叶子节点，首先需要评估下一步应该采用何种策略以及未来可能达到的交通状态；

步骤4、将交通路网状态s_t作为神经网络的输入，输出下一步的策略概率分布p(s_t，a)以及当前状态的价值v，并将输出信息以及执行不同的策略得到的下一个交通路网状态s_t+1添加到蒙特卡洛树中，作为当前根节点下拓展的新的叶子节点，每个叶子节点还定义了该节点被访问的次数和后继节点状态价值的总和，具体公式如下：

{N(s_t+1，a)＝0，W(s_t+1，a)＝0，Q(s_t+1，a)＝0，P(s_t+1，a)＝p(s_t，a)}

其中：N(s_t+1，a)表示节点访问次数，W(s_t+1，a)表示后继节点状态价值的总和，Q(s_t+1，a)表示策略实施后状态价值的期望，W(s_t+1，a)/N(s_t+1，a)的值；

步骤5、当策略搜索到达叶子节点后，根据步骤4对叶子节点进行评估与拓展，重新回到根节点，开始下一次的MCTS，而下一次搜索继续从根节点开始，在未达到叶子节点前，系统根据下面的公式进行不同交通状态下策略的选择，如下：

其中：w_q表示状态价值期望的权重，w_u表示策略搜索选择的权重，Q(s_t，a)表示策略实施后状态价值的期望，U(s_t，a)表示策略选择变量用于权衡策略探索与利用的博弈结果，c_search表示策略探索系数,∑_bN(s_t+1，b)用于计算父节点的访问次数；

步骤6：返回步骤1，循环执步骤1-5，直到达到设定的迭代次数，返回MCTS搜索结果，选择搜索次数最多的信号配时调整方案π，以此得到不同交通状态下为达到更好的评价结果而应采用的信号控制策略，并将信号控制策略指令分发到各交叉口的交通信号灯控制模块，交通信号灯控制模块根据控制策略指令对应同时调整各交叉口交通信号灯。

本发明具有以下有益效果：

本发明由交通管理控制服务器接受交通信号控制模块数据、交通流状态统计模块数据、异常事件监测报警模块数据，根据多源数据实时计算生成新的信号控制策略并发送给交通信号灯控制模块实现信号灯的同步变更，同时将异常事件监测数据发送给事件影响范围内的异常事件监测报警模块，用于警示与引导路网车流的运行。从数据采集到信号控制，再到交通引导实现全部的自动化，能够大量减少交通执勤人员，加快交通数据实时采集，缓解城市交通拥堵，节约能源消耗。

本发明基于路网交通流状态实时感知的信号控制能够实现全局的交通资源最优分配，为智慧城市提供可靠支撑。

附图说明

图1是本发明系统的结构示意图；

图2是信号控制策略及价值输出的神经网络结构示意图。

具体实施方式

以下结合附图对本发明的实施例作进一步详细描述。

参见图1，一种多功能的智能信号控制系统，包括交通信号灯控制模块、交通流状态统计模块、异常事件监测报警模块、交通管理控制服务器；

所述交通信号灯控制模块，用于根据交通管理控制服务器发送的信号控制策略指令，控制交通信号灯工作状态，并将信号灯工作状态数据传输至交通管理控制服务器；

所述交通流状态统计模块，用于实时监测并分析道路车流运行状态，获取车流运行状态数据，并将车流运行状态数据传输至交通管理控制服务器；

所述异常事件监测报警模块，用于监测道路交通异常事件，并将异常事件信息传输给交通管理控制服务器；同时接收交通管理控制服务器发送的异常事件报警信号指令，展示事件信息；

所述交通管理控制服务器，用于接收并存储、分析交通信号灯控制模块传输的信号灯工作状态数据，接收并存储、分析交通流状态统计模块发送的车流运行状态数据，接收并存储、分析异常事件监测报警模块发送的异常事件信息，得到异常事件报警信号指令和信号控制策略指令，将异常事件报警信号指令发送至异常事件监测报警模块，将信号控制策略指令发送至交通信号灯控制模块。

实施例中，所述交通信号灯控制模块设置在道路交叉口各进口道方向，接收来自交通管理控制服务器发送的信号控制策略指令，控制各个道路交叉口各方向的交通信号灯工作状态，并将信号灯工作状态数据传输至交通管理控制服务器；

所述交通流状态统计模块设置在道路交叉口各进口道方向，通过摄像头实时监测道路交叉口各方向车流运行状态，通过置于交叉口处的本地计算分析处理器解析监控视频，计算获取车流运行状态数据，并将车流运行状态数据传输至交通管理控制服务器；

所述异常事件监测报警模块设置在道路交叉口各方向及各相邻交叉口之间的路段处，通过摄像头监测道路交通异常事件，并将异常事件信息传输给交通管理控制服务器；各交叉口及路段的异常事件监测报警模块接收交通管理控制服务器发送的异常事件报警信号指令，利用可变信息板展示事件信息；

所述交通管理控制服务器设置在交通管理部门；

所述交通管理控制服务器分析异常事件监测报警模块发送的异常事件信息，将异常事件信息传送至交通管理部门、公安部门以及将异常事件报警信号指令发送至异常事件监测报警模块，异常事件监测报警模块的可变信息板根据异常事件报警信号指令提醒并引导交通参与者；

所述交通管理控制服务器对信号灯工作状态数据、车流运行状态数据以及异常事件信息进行分析处理，利用ResNet残差网络回归得到不同交通流状态下的信号配时调整方案以及预测未来路网交通流状态变化趋势，变化趋势仅分为两种状态即积极或消极，利用MCTS蒙特卡洛树搜索模拟采用不同信号时长方案的交通状态变化并找到最佳的信号配时调整方案，并将信号控制策略指令分发到各交叉口的交通信号灯控制模块，交通信号灯控制模块根据信号控制策略指令对应同时调整各交叉口交通信号灯。

实施例中，所述信号灯工作状态数据包括交叉口各方向的正在通行方向和剩余时间以及所处周期的工作状态数据；

所述车流运行状态数据包括交通量、车流密度、排队长度、交叉口延误。

实施例中，所述交通信号灯控制模块包括控制计算服务器、远程通信链路、本地控制计时器、执行器和灯光设备；

控制计算服务器将本地控制计时器、执行器、灯光设备的状态信息和时间信息作为交通信号灯的工作状态数据，通过远程通信链路传送至交通管理控制服务器，同时控制计算服务器通过远程通信链路接收来自交通管理控制服务器的信号控制策略指令，控制本地控制计时器、执行器、灯光设备执行信号控制策略指令；

所述交通流状态统计模块包括摄像头、第一主控制器和第一远程通信模块；

摄像头采集交通流视频数据，并将交通流视频数据发送至第一主控制器，第一主控制器利用预置于FPGA芯片中的车流状态识别程序分析交通流视频数据，获取车流运行状态数据，第一主控制器通过第一远程通信模块将车流运行状态数据传输至交通管理控制服务器；

所述异常事件监测报警模块包括半球型监控摄像头、第二主控制器、可变信息板和第二远程通信模块；

摄像头采集的视频数据发送至第二主控制器，第二主控制器通过预训练的异常事件监测模型自动识别视频流中的异常事件，自动识别的异常事件包括异常停车、异常驾驶、交通事故、翻越护栏、人群异常聚集，并通过第二远程通信模块将异常事件信息数据传送至交通管理控制服务器，同时第二主控制器通过第二远程通信模块接收交通管理控制服务器发送来的异常事件报警信号指令，并将异常事件信息显示在可变信息板上。

实施例中，自动识别的异常事件包括异常停车、异常驾驶、交通事故、翻越护栏和人群异常聚集。

上述的一种多功能的智能信号控制系统的多功能的智能信号控制方法，包括：

步骤一：交通信号灯控制模块根据交通管理控制服务器发送的信号控制策略指令，控制交通信号灯工作状态，并将信号灯工作状态数据传输至交通管理控制服务器；

步骤二：交通流状态统计模块实时监测并分析道路车流运行状态，获取车流运行状态数据，并将车流运行状态数据传输至交通管理控制服务器；

步骤三：异常事件监测报警模块监测道路交通异常事件，并将异常事件信息传输给交通管理控制服务器；同时接收交通管理控制服务器发送的异常事件报警信号指令，展示事件信息；

步骤四：交通管理控制服务接收并存储、分析交通信号灯控制模块传输的信号灯工作状态数据，接收并存储、分析交通流状态统计模块发送的车流运行状态数据，接收并存储、分析异常事件监测报警模块发送的异常事件信息，得到异常事件报警信号指令和信号控制策略指令，将异常事件报警信号指令发送至异常事件监测报警模块，将信号控制策略指令发送至交通信号灯控制模块，返回步骤一。

实施例中，步骤二所述交通流状态统计模块实时监测并分析道路车流运行状态，获取车流运行状态数据，包括：

步骤1、抽取交通流视频数据中的图像并转化为灰度图；

步骤2、通过高斯滤波抑制灰度图图像噪声和杂散梯度；

步骤3、利用OpenCV中的canny边缘检测函数对步骤2输出图像中的道路标线进行提取；

步骤4、应用累计概率霍夫变换HoughLInesP函数，检测边缘提取步骤3输出图像中的直线，并由此根据车道设定检测区域；

步骤5、在各车道的检测区域内，利用YOLOv3算法提取当前帧目标检测框的位置信息及图像深度特征；

步骤6、对检测框进行非极值抑制NMS；

步骤7、利用Kalman滤波预测目标在当前帧的位置，具体公式如下：

其中，

为预测当前帧的目标位置，A_t为预测状态转移矩阵，x_t-1为上一帧目标校正后的位置信息，

为更新的估计方差矩阵，P_t-1为目标的估计误差，A^T表示预测状态转移矩阵的转置矩阵，Q_t为预测噪声的协方差矩阵；

步骤8、采用匈牙利算法将当前帧的目标检测结果与追踪预测结果进行匹配；

步骤9、已经匹配的结果，更新Kalman滤波参数，更新公式如下：

其中，K_t为Kalman增益，H_t为状态变量映射到观测变量的转移矩阵，R_t测量噪声的协方差矩阵，z_t为检测框的位置；

步骤10、对未匹配的追踪器和检测框进行目标消失或新目标出现的判断；

统计单位时间内的轨迹数量得到不同车道的交通流量及排队长度，通过测量实地距离得到车辆运行速度，通过车辆的停驶次数得到交叉口延误。

实施例中，步骤三中，异常事件监测报警模块通过预训练的异常事件监测模型识别道路交通异常事件；

所述异常事件监测模型采用3D卷积神经网络Pseudo-3D ResNet模型，基于残差网络ResNet-152进行改进，将残差网络ResNet-152中Residual Unit替换为P3D-A、P3D-B、P3D-C三种block块结构并采用bottleneck的设计结构，即将3*3*3的卷积核分解成1*3*3的二维空间卷积核以及一个3*1*1的一维时间卷积核并按照不同的卷积核排列方式形成三种block块结构，然后在卷积层前后增加一层1*1*1的卷积层构建bottleneck结构，最后将三种块结构按序排列混合起来构成Pseudo-3D ResNet异常事件监测模型。

实施例中，所述异常事件监测模型的训练方法为：

步骤a、将各种异常事件的视频随机截取并以抽帧的方式进行解码，每个样本抽取16帧图像；

步骤b、对抽取的图像重新定义尺寸并做好样本label的标记；

步骤c、设置每个mini-batch为128帧，采用标准梯度下降算法SGD，将训练样本输入Pseudo-3D ResNet异常事件监测模型进行训练；通过Pseudo-3D ResNet异常事件监测模型提取视频的空间时序特征信息，用于判别异常事件所属类型。

实施例中，步骤a中，将各种异常事件的视频随机截取5s并以抽帧的方式进行解码。

实施例中，步骤四中，通过如下方法信号控制策略指令：

步骤1、接收车流运行状态数据作为状态矩阵S、信号灯工作状态数据作为信号控制动作π，并根据国标《GB/T 33171-2016城市交通运行状况评价规范》对当前交通状态进行评价，其评价结果作为控制策略的实际价值z；

如图2所示，步骤2、将局面S作为神经网络的输入，输出预测的下一步信号控制策略的概率p_θ和当前状态的价值v_θ，公式如下：

其中，

表示神经网络，训练神经网络的目标是最小化预测的状态价值v_θ和实际路网评价价值z的误差，并使神经网络输出的控制策略概率p_θ与MCTS搜索输出的信号控制动作π最大似然；所以神经网络的损失函数公式如下：

其中，l(θ)表示loss损失函数，π^T表示MCTS搜索输出的信号控制动作的矩阵的转置，θ表示神经网络参数，π表示MCTS搜索输出的信号控制动作的矩阵，λ为L2正则化参数，防止过拟合，w_v和w_p分别是策略价值误差和策略概率误差的权重系数，策略价值函数的损失计算采用MSE均方误差，而策略函数的损失计算采用交叉熵损失计算方式；

步骤3、将当前交通路网状态s_t作为MCTS的模拟计算的根节点状态(root state)，由于初始信号策略搜索时，根节点没有任何叶子节点(leaf node)，首先需要评估下一步应该采用何种策略以及未来可能达到的交通状态；

步骤4、将交通路网状态s_t作为神经网络的输入，输出下一步的策略概率分布p(s_t，a)以及当前状态的价值v，并将输出信息以及执行不同的策略得到的下一个交通路网状态s_t+1添加到蒙特卡洛树中，作为当前根节点下拓展的新的叶子节点，每个叶子节点还定义了该节点被访问的次数和后继节点状态价值的总和，具体公式如下：

{N(s_t+1，a)＝0，W(s_t+1，a)＝0，Q(s_t+1，a)＝0，P(s_t+1，a)＝p(s_t，a)}

其中：N(s_t+1，a)表示节点访问次数，W(s_t+1，a)表示后继节点状态价值的总和，Q(s_t+1，a)表示策略实施后状态价值的期望，W(s_t+1，a)/N(s_t+1，a)的值；

步骤5、当策略搜索到达叶子节点后，根据步骤4对叶子节点进行评估与拓展，重新回到根节点，开始下一次的MCTS，而下一次搜索继续从根节点开始，在未达到叶子节点前，系统根据下面的公式进行不同交通状态下策略的选择，如下：

其中：w_q表示状态价值期望的权重，w_u表示策略搜索选择的权重，Q(s_t，a)表示策略实施后状态价值的期望，U(s_t，a)表示策略选择变量用于权衡策略探索与利用的博弈结果，c_search表示策略探索系数,∑_bN(s_t+1，b)用于计算父节点的访问次数；

步骤6：返回步骤1，循环执步骤1-5，直到达到设定的迭代次数，返回MCTS搜索结果，选择搜索次数最多的信号配时调整方案π，以此得到不同交通状态下为达到更好的评价结果而应采用的信号控制策略，并将信号控制策略指令分发到各交叉口的交通信号灯控制模块，交通信号灯控制模块根据控制策略指令对应同时调整各交叉口交通信号灯。

通过上述方案能够大量减少交通执勤人员，加快交通数据实时采集，缓解城市交通拥堵，节约能源消耗。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (9)

1.一种多功能的智能信号控制系统，其特征在于，包括交通信号灯控制模块、交通流状态统计模块、异常事件监测报警模块、交通管理控制服务器；

所述交通信号灯控制模块，用于根据交通管理控制服务器发送的信号控制策略指令，控制交通信号灯工作状态，并将信号灯工作状态数据传输至交通管理控制服务器；

所述交通流状态统计模块，用于实时监测并分析道路车流运行状态，获取车流运行状态数据，并将车流运行状态数据传输至交通管理控制服务器；

所述异常事件监测报警模块，用于监测道路交通异常事件，并将异常事件信息传输给交通管理控制服务器；同时接收交通管理控制服务器发送的异常事件报警信号指令，展示事件信息；

所述交通管理控制服务器，用于接收并存储、分析交通信号灯控制模块传输的信号灯工作状态数据，接收并存储、分析交通流状态统计模块发送的车流运行状态数据，接收并存储、分析异常事件监测报警模块发送的异常事件信息，得到异常事件报警信号指令和信号控制策略指令，将异常事件报警信号指令发送至异常事件监测报警模块，将信号控制策略指令发送至交通信号灯控制模块；

所述交通管理控制服务器中，通过如下方式得到信号控制策略指令：

(1)、接收车流运行状态数据作为状态矩阵S、信号灯工作状态数据作为信号控制动作π，并对当前交通状态进行评价，其评价结果作为控制策略的实际价值z；

(2)、将局面S作为神经网络的输入，输出预测的下一步信号控制策略的概率p_θ和当前状态的价值v_θ，公式如下：

其中，

表示神经网络，训练神经网络的目标是最小化预测的状态价值v_θ和实际路网评价价值z的误差，并使神经网络输出的控制策略概率p_θ与MCTS搜索输出的信号控制动作π最大似然；所以神经网络的损失函数公式如下：

其中，l(θ)表示loss损失函数，π^T表示MCTS搜索输出的信号控制动作的矩阵的转置，θ表示神经网络参数，π表示MCTS搜索输出的信号控制动作的矩阵，λ为L2正则化参数，w_v和w_p分别是策略价值误差和策略概率误差的权重系数，策略价值函数的损失计算采用MSE均方误差，而策略函数的损失计算采用交叉熵损失计算方式；

(3)、将当前交通路网状态s_t作为MCTS的模拟计算的根节点状态，由于初始信号策略搜索时，根节点没有任何叶子节点，首先需要评估下一步应该采用何种策略以及未来可能达到的交通状态；

(4)、将交通路网状态s_t作为神经网络的输入，输出下一步的策略概率分布p(s_t，a)以及当前状态的价值v，并将输出信息以及执行不同的策略得到的下一个交通路网状态s_t+1添加到蒙特卡洛树中，作为当前根节点下拓展的新的叶子节点，每个叶子节点还定义了该节点被访问的次数和后继节点状态价值的总和，具体公式如下：

{N(s_t+1，a)＝0，W(s_t+1，a)＝0，0(s_t+1，a)＝0，P(s_t+1，a)＝p(s_t，a)}

其中：N(s_t+1，a)表示节点访问次数，W(s_t+1，a)表示后继节点状态价值的总和，Q(s_t+1，a)表示策略实施后状态价值的期望，W(s_t+1，a)/N(s_t+1，a)的值；

(5)、当策略搜索到达叶子节点后，根据(4)对叶子节点进行评估与拓展，重新回到根节点，开始下一次的MCTS，而下一次搜索继续从根节点开始，在未达到叶子节点前，系统根据下面的公式进行不同交通状态下策略的选择，如下：

其中：w_q表示状态价值期望的权重，w_u表示策略搜索选择的权重，Q(s_t，a)表示策略实施后状态价值的期望，U(s_t，a)表示策略选择变量用于权衡策略探索与利用的博弈结果，c_search表示策略探索系数,∑_bN(s_t+1，b)用于计算父节点的访问次数；

(6)：返回(1)，循环执(1)-(5)，直到达到设定的迭代次数，返回MCTS搜索结果，选择搜索次数最多的信号配时调整方案π，以此得到不同交通状态下为达到更好的评价结果而应采用的信号控制策略，并将信号控制策略指令分发到各交叉口的交通信号灯控制模块，交通信号灯控制模块根据控制策略指令对应同时调整各交叉口交通信号灯。

2.根据权利要求1所述的一种多功能的智能信号控制系统，其特征在于，所述交通信号灯控制模块设置在道路交叉口各进口道方向，接收来自交通管理控制服务器发送的信号控制策略指令，控制各个道路交叉口各方向的交通信号灯工作状态，并将信号灯工作状态数据传输至交通管理控制服务器；

所述交通流状态统计模块设置在道路交叉口各进口道方向，通过摄像头实时监测道路交叉口各方向车流运行状态，通过置于交叉口处的本地计算分析处理器解析监控视频，计算获取车流运行状态数据，并将车流运行状态数据传输至交通管理控制服务器；

所述异常事件监测报警模块设置在道路交叉口各方向及各相邻交叉口之间的路段处，通过摄像头监测道路交通异常事件，并将异常事件信息传输给交通管理控制服务器；各交叉口及路段的异常事件监测报警模块接收交通管理控制服务器发送的异常事件报警信号指令，利用可变信息板展示事件信息；

所述交通管理控制服务器设置在交通管理部门；

所述交通管理控制服务器分析异常事件监测报警模块发送的异常事件信息，将异常事件信息传送至交通管理部门、公安部门以及将异常事件报警信号指令发送至异常事件监测报警模块，异常事件监测报警模块的可变信息板根据异常事件报警信号指令提醒并引导交通参与者；

所述交通管理控制服务器对信号灯工作状态数据、车流运行状态数据以及异常事件信息进行分析处理，利用ResNet残差网络回归得到不同交通流状态下的信号配时调整方案以及预测未来路网交通流状态变化趋势，变化趋势分为两种状态即积极或消极，利用MCTS蒙特卡洛树搜索模拟采用不同信号时长方案的交通状态变化并找到最佳的信号配时调整方案，并将信号控制策略指令分发到各交叉口的交通信号灯控制模块，交通信号灯控制模块根据信号控制策略指令对应同时调整各交叉口交通信号灯。

3.根据权利要求1所述的一种多功能的智能信号控制系统，其特征在于，所述信号灯工作状态数据包括交叉口各方向的正在通行方向和剩余时间以及所处周期的工作状态数据；

所述车流运行状态数据包括交通量、车流密度、排队长度、交叉口延误。

4.根据权利要求1所述的一种多功能的智能信号控制系统，其特征在于，所述交通信号灯控制模块包括控制计算服务器、远程通信链路、本地控制计时器、执行器和灯光设备；

控制计算服务器将本地控制计时器、执行器、灯光设备的状态信息和时间信息作为交通信号灯的工作状态数据，通过远程通信链路传送至交通管理控制服务器，同时控制计算服务器通过远程通信链路接收来自交通管理控制服务器的信号控制策略指令，控制本地控制计时器、执行器、灯光设备执行信号控制策略指令；

所述交通流状态统计模块包括摄像头、第一主控制器和第一远程通信模块；

摄像头采集交通流视频数据，并将交通流视频数据发送至第一主控制器，第一主控制器利用预置于FPGA芯片中的车流状态识别程序分析交通流视频数据，获取车流运行状态数据，第一主控制器通过第一远程通信模块将车流运行状态数据传输至交通管理控制服务器；

所述异常事件监测报警模块包括半球型监控摄像头、第二主控制器、可变信息板和第二远程通信模块；

摄像头采集的视频数据发送至第二主控制器，第二主控制器通过预训练的异常事件监测模型自动识别视频流中的异常事件，自动识别的异常事件包括异常停车、异常驾驶、交通事故、翻越护栏、人群异常聚集，并通过第二远程通信模块将异常事件信息数据传送至交通管理控制服务器，同时第二主控制器通过第二远程通信模块接收交通管理控制服务器发送来的异常事件报警信号指令，并将异常事件信息显示在可变信息板上。

5.根据权利要求4所述的一种多功能的智能信号控制系统，其特征在于，自动识别的异常事件包括异常停车、异常驾驶、交通事故、翻越护栏和人群异常聚集。

6.根据权利要求1-5任一所述的一种多功能的智能信号控制系统的多功能的智能信号控制方法，其特征在于，包括：

步骤一：交通信号灯控制模块根据交通管理控制服务器发送的信号控制策略指令，控制交通信号灯工作状态，并将信号灯工作状态数据传输至交通管理控制服务器；

步骤二：交通流状态统计模块实时监测并分析道路车流运行状态，获取车流运行状态数据，并将车流运行状态数据传输至交通管理控制服务器；

步骤三：异常事件监测报警模块监测道路交通异常事件，并将异常事件信息传输给交通管理控制服务器；同时接收交通管理控制服务器发送的异常事件报警信号指令，展示事件信息；

步骤四：交通管理控制服务器接收并存储、分析交通信号灯控制模块传输的信号灯工作状态数据，接收并存储、分析交通流状态统计模块发送的车流运行状态数据，接收并存储、分析异常事件监测报警模块发送的异常事件信息，得到异常事件报警信号指令和信号控制策略指令，将异常事件报警信号指令发送至异常事件监测报警模块，将信号控制策略指令发送至交通信号灯控制模块，返回步骤一；

步骤四中，通过如下方法信号控制策略指令：

步骤1、接收车流运行状态数据作为状态矩阵S、信号灯工作状态数据作为信号控制动作π，并对当前交通状态进行评价，其评价结果作为控制策略的实际价值z；

步骤2、将局面S作为神经网络的输入，输出预测的下一步信号控制策略的概率p_θ和当前状态的价值v_θ，公式如下：

其中，

表示神经网络，训练神经网络的目标是最小化预测的状态价值v_θ和实际路网评价价值z的误差，并使神经网络输出的控制策略概率p_θ与MCTS搜索输出的信号控制动作π最大似然；所以神经网络的损失函数公式如下：

其中，l(θ)表示loss损失函数，π^T表示MCTS搜索输出的信号控制动作的矩阵的转置，θ表示神经网络参数，π表示MCTS搜索输出的信号控制动作的矩阵，λ为L2正则化参数，w_v和w_p分别是策略价值误差和策略概率误差的权重系数，策略价值函数的损失计算采用MSE均方误差，而策略函数的损失计算采用交叉熵损失计算方式；

步骤3、将当前交通路网状态s_t作为MCTS的模拟计算的根节点状态，由于初始信号策略搜索时，根节点没有任何叶子节点，首先需要评估下一步应该采用何种策略以及未来可能达到的交通状态；

步骤4、将交通路网状态s_t作为神经网络的输入，输出下一步的策略概率分布p(s_t，a)以及当前状态的价值v，并将输出信息以及执行不同的策略得到的下一个交通路网状态s_t+1添加到蒙特卡洛树中，作为当前根节点下拓展的新的叶子节点，每个叶子节点还定义了该节点被访问的次数和后继节点状态价值的总和，具体公式如下：

{N(s_t+1，a)＝0，W(s_t+1，a)＝0，Q(s_t+1，a)＝0，P(s_t+1，a)＝p(s_t，a)}

其中：N(s_t+1，a)表示节点访问次数，W(s_t+1，a)表示后继节点状态价值的总和，Q(s_t+1，a)表示策略实施后状态价值的期望，W(s_t+1，a)/N(s_t+1，a)的值；

步骤5、当策略搜索到达叶子节点后，根据步骤4对叶子节点进行评估与拓展，重新回到根节点，开始下一次的MCTS，而下一次搜索继续从根节点开始，在未达到叶子节点前，系统根据下面的公式进行不同交通状态下策略的选择，如下：

其中：w_q表示状态价值期望的权重，w_u表示策略搜索选择的权重，Q(s_t，a)表示策略实施后状态价值的期望，U(s_t，a)表示策略选择变量用于权衡策略探索与利用的博弈结果，c_search表示策略探索系数,∑_bN(s_t+1，b)用于计算父节点的访问次数；

步骤6：返回步骤1，循环执步骤1-5，直到达到设定的迭代次数，返回MCTS搜索结果，选择搜索次数最多的信号配时调整方案π，以此得到不同交通状态下为达到更好的评价结果而应采用的信号控制策略，并将信号控制策略指令分发到各交叉口的交通信号灯控制模块，交通信号灯控制模块根据控制策略指令对应同时调整各交叉口交通信号灯。

7.根据权利要求6所述的一种多功能的智能信号控制方法，其特征在于，步骤二所述交通流状态统计模块实时监测并分析道路车流运行状态，获取车流运行状态数据，包括：

步骤1、抽取交通流视频数据中的图像并转化为灰度图；

步骤2、通过高斯滤波抑制灰度图图像噪声和杂散梯度；

步骤3、利用OpenCV中的canny边缘检测函数对步骤2输出图像中的道路标线进行提取；

步骤4、应用累计概率霍夫变换HoughLInesP函数，检测边缘提取步骤3输出图像中的直线，并由此根据车道设定检测区域；

步骤5、在各车道的检测区域内，利用YOLOv3算法提取当前帧目标检测框的位置信息及图像深度特征；

步骤6、对检测框进行非极值抑制NMS；

步骤7、利用Kalman滤波预测目标在当前帧的位置，具体公式如下：

其中，

为预测当前帧的目标位置，A_t为预测状态转移矩阵，x_t-1为上一帧目标校正后的位置信息，

为更新的估计方差矩阵，P_t-1为目标的估计误差，A^T表示预测状态转移矩阵的转置矩阵，Q_t为预测噪声的协方差矩阵；

步骤8、采用匈牙利算法将当前帧的目标检测结果与追踪预测结果进行匹配；

步骤9、已经匹配的结果，更新Kalman滤波参数，更新公式如下：

其中，K_t为Kalman增益，H_t为状态变量映射到观测变量的转移矩阵，R_t测量噪声的协方差矩阵，z_t为检测框的位置；

步骤10、对未匹配的追踪器和检测框进行目标消失或新目标出现的判断；

统计单位时间内的轨迹数量得到不同车道的交通流量及排队长度，通过测量实地距离得到车辆运行速度，通过车辆的停驶次数得到交叉口延误。

8.根据权利要求6所述的一种多功能的智能信号控制方法，其特征在于，步骤三中，异常事件监测报警模块通过预训练的异常事件监测模型识别道路交通异常事件；

所述异常事件监测模型采用3D卷积神经网络Pseudo-3D ResNet模型，基于残差网络ResNet-152进行改进，将残差网络ResNet-152中Residual Unit替换为P3D-A、P3D-B、P3D-C三种block块结构并采用bottleneck的设计结构，即将3*3*3的卷积核分解成1*3*3的二维空间卷积核以及一个3*1*1的一维时间卷积核并按照不同的卷积核排列方式形成三种block块结构，然后在卷积层前后增加一层1*1*1的卷积层构建bottleneck结构，最后将三种块结构按序排列混合起来构成Pseudo-3D ResNet异常事件监测模型。

9.根据权利要求8所述的一种多功能的智能信号控制方法，其特征在于，所述异常事件监测模型的训练方法为：

步骤a、将各种异常事件的视频随机截取并以抽帧的方式进行解码，每个样本抽取16帧图像；

步骤b、对抽取的图像重新定义尺寸并做好样本label的标记；

步骤c、设置每个mini-batch为128帧，采用标准梯度下降算法SGD，将训练样本输入Pseudo-3D ResNet异常事件监测模型进行训练；通过Pseudo-3D ResNet异常事件监测模型提取视频的空间时序特征信息，用于判别异常事件所属类型。

Images