CN111899537A - 一种基于边缘计算的交叉口信号控制移动调优装置和方法 - Google Patents

Abstract

本发明提供了一种基于边缘计算的交叉口信号控制移动调优装置，所述装置包括多源信息接收与存储单元、边缘计算单元和基于深度神经网络的信号调优单元；所述多源信息接收与存储单元通过边缘5G通信网络实时接收路侧传感设备发送的交叉口实时状态数据并对其进行存储；所述边缘计算单元用于接收多源信息接收与存储单元采集到的交叉口实时状态信息，并对其进行处理；所述基于深度神经网络的信号调优单元基于数据处理结果进行交叉口信号的调整与优化。本发明所提供的移动调优装置可以对一个交通系统的交叉口进行调优，当交通系统拥堵时，可将其内置此时关键交叉口的信号调优单元并移动至该交叉口进行调优，提高关键交叉口的运行效率，缓解交通系统拥堵。

Description

一种基于边缘计算的交叉口信号控制移动调优装置和方法

技术领域

本发明属于交通控制领域，具体涉及一种基于边缘计算的交叉口信号控制移动调优装置和方法。

背景技术

随着经济发展，城市机动车数量大幅增加，城市交通拥挤与堵塞时常发生，交叉口作为交通流汇聚与疏散的关键节点，很大程度上影响着城市交通系统运行的安全与效率。传统的交叉口信号控制多为依据经验而设定的定时信号控制，面对交叉口车流的动态性与复杂性，传统的信号控制方案往往不能满足交叉口对于安全与效率的要求，容易引起拥挤堵塞，从而影响交通系统的安全与整体运行效率。

当前面对交叉口的拥挤与堵塞等问题，交通管理部门往往采取现场人工手动调节信号灯的方法，人工调节信号灯的方法虽然有一定的效果，但人工调节信号灯不具有稳定性且会增加交叉口的安全隐患。为了更好的解决交通系统的拥堵问题，现有一种采取云端控制的方法对关键交叉口进行控制的方法，但云端控制具有网络延时高和网络宽带不足等限制，使得在云端对交叉口进行控制不能满足交叉口控制的实时性需求。为了使得交叉口信号调优装置可以对交叉口状态信息进行实时响应，需要在交叉口边缘安装信号调优装置，但是给每个交叉口边缘都安装信号调优装置会导致资源的极大浪费，对于整个城市的交通系统来说，关键交叉口是动态变化的，在部分交叉口的边缘固定信号调优装置也不能满足交通系统调优的需求。

发明内容

为了解决上述问题，本发明提供了一种基于边缘计算的交叉口信号控制移动调优装置，该装置包括多源信息接收与存储单元、边缘计算单元和基于深度神经网络的信号调优单元；

所述多源信息接收与存储单元通过边缘5G通信网络实时接收路侧传感设备发送的交叉口实时状态数据并对其进行存储；

所述边缘计算单元用于接收多源信息接收与存储单元采集到的交叉口实时状态信息，并对其进行处理；

所述基于深度神经网络的信号调优单元基于边缘计算数据处理结果进行交叉口信号的调整与优化。

优选的，所述多源信息接收与存储单元对接收到的交叉口状态数据进行滑动清除，保持多源信息接收与存储单元只保留最近时段接收的数据。

优选的，所述边缘计算单元基于边缘计算对实时接收到的交叉口大量的数据信息进行快速处理反馈。

优选的，所述数据处理步骤如下：

S1：对多源信息接收与存储单元接收到的数据进行预处理操作，对无用的数据进行过滤；

S2：对预处理过的数据进行融合及分组，提取出交叉口各进道的特征信息，所述特征信息包括进口道的平均车速V_i、平均交通流量Q_i以及进口车道饱和度θ_i。

优选的，所述步骤S2中，对采集到的上个信号控制方案的交叉口数据先进行离散化处理，再选择对应的各相位绿灯时间作为离散区间，精确到各相位描述交叉口状态，如下：

其中：

是交叉口在i状态下第j相位相关进口道的平均车速；

是交叉口在i状态下第j相位相关进口道的平均车流量；

是交叉口在i状态下第j相位相关进口道的最大饱和度。

优选的，所述基于深度神经网络的信号调优单元采用基于值的深度强化学习自适应信号控制优化方法。

优选的，所述基于值的深度强化学习自适应信号控制优化方法步骤如下：

步骤1：将智能路侧设备采集的交叉口历史数据汇聚到城市交通控制中心，将每一离散时间区间的数据进行融合与分组，采用多种性能指标的特征值来表示交叉口的状态信息；

步骤2：搭建仿真平台，对上述步骤所得的历史数据进行仿真模拟；

步骤3：基于步骤2的仿真平台所得的仿真模拟结果得到下一状态交叉口的性能指标集合，建立交叉口性能综合评价指标U，如下：

ω₁+ω₂+ω₃＝1

其中：ω₁，ω₂，ω₃为指标所占综合指标的权重；

S_delay为交叉口1级服务水平下车均延误上限值；

S_queue为交叉口1级服务水平下平均排队长度上限值；

S_tc为交叉口1级服务水平下每小时冲突次数的上限值；

通过上述所得的交叉口性能综合评价指标U，给出相应的奖惩值R，具体如下：

将所有的仿真模拟输入样本池，然后初始化深度神经网络，再从样本池中随机选择一条样本通过时序差分公式更新网络的Q值，如下：

s′←s

其中，Q(s，a)为交叉口状态s时采取动作为a时的目标函数值；

Q(s′，a′)为交叉口状态为s′时采取动作为a′时的目标函数值；

α为学习效率；

γ为折扣因子；

R为回报函数；

s′为状态s选取动作a到达的下一状态；

直至深度神经网络中的Q值收敛，得各个状态下，交叉口的最优控制方案；

步骤4：将上述步骤3所得的各个状态下，交叉口的最优控制方案内置在所述移动调优装置的信号调优单元进行交叉口信号控制方案的实时调优，并且定期更新深度神经网络，保证深度神经网络动态适应交叉口。

所述性能指标集合包括车均延误Delay、平均排队长度Queue以及每小时冲突次数TC；

优选的，所述仿真平台中，交叉口的状态集合为上述步骤1样本中所得的状态集合；动作集合的设置则直接以信号控制方案作为动作集合；

所述动作集合的元素设置要考虑到交叉口各状态下的最佳周期时长以及交叉口各相位的最短绿灯时间；

所述最短绿灯时间大于等于交叉口实际的行人安全过街时间所设置的最短绿灯时间。

本发明的另一目的在于提供了一种基于边缘计算的交叉口信号控制移动调优方法，所述方法使用交叉口信号控制调优系统所实现，所述系统包括如下设备：

智能路侧信息采集设备，包括雷达测速装置、地磁线圈装置和高精度摄像头，用于将进口道上的交通流量、车辆的速度以及进口车道饱和度的状态信息采集后传输至交叉口信号控制移动调优装置进行处理；

边缘5G通信网络，用于连接信号采集装置与移动调优装置、移动调优装置与支持边缘控制的信号控制设备；

融合边缘计算的移动调优装置，用于对采集到的交叉口实时状态信息进行调优，并将调优后的信号控制方案通过边缘5G通信网络发送给交叉口支持边缘控制的信号控制设备；所述移动调优装置为权利要求1-8任一项所述的移动调优装置；

信号控制设备，包括交叉口信号控制机和交叉口信号灯，用于接收移动调优装置调优后的信号控制方案，并执行该方案。

优选的，所述方法包括如下步骤：

1)智能路侧信息采集设备实时获取交叉口状态信息，并将获取的数据通过边缘5G通信网络实时发送给融合边缘计算的移动调优装置；

2)融合边缘计算的移动调优装置将实时获取的交叉口状态数据进行快速处理，并生成实时的调优控制方案，将调优控制方案通过边缘5G通信网络发送给支持边缘控制的信号控制设备；

3)支持边缘控制的信号控制设备接收调优控制方案，并执行该方案，对交叉口信号灯进行控制。

本发明的有益效果：

(1)本发明提供的一种基于边缘计算的交叉口信号控制移动调优装置是一种可移动的信号调优终端装置，该移动调优装置可以对一个交通系统的交叉口进行调优，当交通系统拥堵时，可将其内置此时关键交叉口的信号调优单元并移动至该交叉口进行调优，提高关键交叉口的运行效率，缓解交通系统拥堵。

(2)本发明所提供的移动调优装置基于边缘计算，不同于云端调控，移动调优装置对于交叉口交通流变化的响应迅速，具有实时性与可靠性，故该装置对于交通流变化较大的交叉口适应性依旧很好，解决了云端调控的延时问题与人工调控的主观不稳定问题。

(3)本发明所提供的移动调优装置内置的基于深度神经网络的信号调优单元采用基于历史大数据的深度强化学习方法对交叉口的综合性能指标进行调整优化，直接采用可能的信号控制方案作为强化学习的动作，基于多元异构数据对交叉口状态进行精确到各相位的描述，再基于现状交叉口状态信息进行动作的选择，可以更好的适应交叉口的动态性与复杂性。

附图说明

图1为本发明所提供的移动调优装置的工作示意图；

图2为本发明所提供的移动调优装置中的深度强化学习训练示意图；

图3为本发明所用到的ε-greedy policy流程图。

图4为本发明所提供的交叉口信号控制调优系统的系统架构图；

具体实施方式

下面结合附图和具体实施例，对本发明的技术方案进行清楚、完整地表述。显然，所表述的实施例仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提所获得的所有其他实施例，都属于本发明的保护范围。

本发明提供的移动调优装置在交通系统不稳定时，将移动调优装置内置此时刻交通系统关键交叉口的信号调优单元并移动至交通系统的关键交叉口对其进行交叉口信号控制方案的实时调整优化。交通系统内所有交叉口的历史数据以及内置的信号调优单元应该在交通控制中心进行保留并定期更新，可以保证移动调优装置可以随时对交通系统内的任意交叉口进行调优。

当城市交通控制中心预警系统发出拥堵预警时，中心通过交叉口关键度识别算法识别当前交通系统运行状态下的关键交叉口，交叉口关键度计算思路如下：

E_k＝β_RR_k+β_TT_k

β_R+β_T＝1

其中，E_k为交叉口关键度；

R_k为采用归一化处理后的交叉口道路网络拓扑值；

T_k为采用归一化处理后的交叉口交通流特征值；

β_R、β_T分别为交叉口道路网络拓扑值和交叉口交通流特征值占交叉口关键度的权重值。

对交叉口关键度E_k值进行排序，根据交通系统规模选取需要进行调优的关键交叉口数量，将等数量的移动调优装置内置此时交通系统关键交叉口对应的信号调优单元并将其分别移动到对应交叉口边缘对其信号控制方案进行实时调整与优化。

移动调优装置通过5G通信网络实时获取路侧信息采集设备采集到的信息，对信息进行快速处理得到此时交叉口状态信息然后经过信号调优单元快速生成交叉口的最优信号控制方案，再通过5G通信网络发送给信号控制设备并实施；如图3、图4所示，移动调优装置内置的信号调优单元是基于交叉口历史大数据而得到的，采用深度强化学习方法获取信号调优单元的状态-最优信号控制方案集合可以显著提高交叉口调优的效果并且当移动调优装置工作时也可以快速生成最优信号控制方案，减少运行过程中生成最优信号控制方案的计算延时；移动调优装置通过提高几个关键交叉口的运行安全与效率，从而缓解城市交通系统的拥堵，当交通系统的关键交叉口动态变化时，替换其内置的信号调优单元即可动态适应关键交叉口的变化，使用若干移动调优装置来解决交通系统的拥堵问题，既能很好的满足交通系统的需求又极大节约了公共资源。

本发明所提供的移动调优装置的工作流程，如图1所示，以单点交叉口作为研究对象，信号采集装置对距离进口道距停车线300m的范围内进行信号采集，信号采集装置采集的数据信息包括交叉口所有进口车道车辆的速度信息，每一方向进口道的平均交通流量，各相位车道的饱和度等，移动调优装置首先对接收到的信息进行预处理，接着对预处理后的数据进行汇聚并分类，然后经基于深度神经网络的信号调优单元对信号控制方案进行优化，具体采用深度强化学习训练后的模型对控制方案进行优化，最后将优化方案发送给支持边缘控制的信号控制设备并执行。

该移动调优装置包括多源信息接收与存储单元、边缘计算单元和基于深度神经网络的信号调优单元；多源信息接收与存储单元通过网络通信模块实时接收路侧传感设备发送的交叉口实时状态数据并对其进行存储；多源信息接收与存储单元对接收到的交叉口状态数据进行滑动清除，保持多源信息接收与存储单元只保留最近时段接收的数据。信号调优单元的训练是在云端通过离线数据训练完成的。

首先，智能路侧信息采集设备采集交叉口的实时运行数据，交叉口实时运行数据通过边缘5G通讯网络发送给移动调优装置，移动调优装置的多源信息接收与存储单元接收到来自智能路侧信息采集设备的实时数据并对数据进行临时存储。

然后，边缘计算单元用于接收多源信息接收与存储单元采集到的交叉口实时状态信息，并基于边缘计算对其进行处理；

数据处理步骤如下：

S1：对多源信息接收与存储单元接收到的数据进行预处理操作，对无用的数据进行过滤；

S2：对预处理过的数据进行融合及分组，提取出交叉口各进道的特征信息，所述特征信息包括进口道的平均车速V_i、平均交通流量Q_i以及进口车道饱和度θ_i。

对采集到的上个信号控制方案的交叉口数据先进行离散化处理，再选择对应的各相位绿灯时间作为离散区间，精确到各相位描述交叉口状态，如下：

其中：

是交叉口在i状态下第j相位相关进口道的平均车速；

是交叉口在i状态下第j相位相关进口道的平均车流量；

是交叉口在i状态下第j相位相关进口道的最大饱和度。

最后，基于边缘计算单元的计算结果完成交叉口实时状态的识别，移动调优装置的信号调优单元根据当前交叉口的实时状态，快速生成调优控制方案并发送给信号控制设备，信号控制设备实时接收调优控制方案，进行控制发布。

如图2所示，信号调优单元的训练以该交叉口的历史大数据为基础，本发明以深度强化学习的方法为例进行信号控制优化但不限于此，具体描述如下：

在云端对交叉口历史大数据进行预处理、融合、分组等操作，提取出交叉口各个进口车道的特征信息，并对特征信息进行离散化处理，选取当前信号控制方案的各相位绿灯时间作为离散时间区间对交叉口的状态进行精确到相位级的描述，在识别交叉口状态的基础上，确定交叉口信号控制的最佳周期时长，本发明以Webster最佳周期时长为例确定交叉口信号控制的最佳周期时长但不限于此，具体如下：

其中,C₀为交叉口的最佳周期时长；Y为组成周期全部相位的最大饱和度值之和；L为信号总损失时间。

其中，l为车辆启动损失时间；I为绿灯间隔时间；A为黄灯时间；n为所设相位数量。

其中，y_i为i相位关键车道的流量比。

在确定不同状态下交叉口最佳周期时长的基础上，将最短绿灯时间设置为行人安全过街时间，在此基础上对各相位绿灯时间进行分配(交叉口的信号相位相序正常情况下不发生改变)，将不同分配的结果作为动作集合。

如图3所示，将云端离线处理后的数据，即交叉口离散状态S_i通过深度神经网络使用ε-greedy策略选择动作a，然后通过VISSIM仿真软件搭建仿真平台，该仿真平台中的交叉口的状态集合为上述步骤样本中所得的状态集合；动作集合的设置则直接以信号控制方案作为动作集合，采用信号控制方案作为动作集合更加直观且不需要额外的结果转换，降低样本训练的计算复杂度；动作集合的元素设置要考虑到交叉口各状态下的最佳周期时长以及交叉口各相位的最短绿灯时间；最短绿灯时间为考虑到交叉口实际的行人安全过街时间所设置的最短绿灯时间。

在仿真平台上进行仿真获取交叉口下一时间段的离散状态S_i+1，基于仿真模拟结果得到下一状态交叉口的性能指标集合如：车均延误Delay、平均排队长度Queue以及每小时冲突次数TC，基于上述指标集合建立交叉口性能综合评价指标U,如下：

ω₁+ω₂+ω₃＝1

其中，ω₁，ω₂，ω₃分别为车均延误Delay、平均排队长度Queue以及每小时冲突次数TC所占交叉口性能综合评价指标U的权重；S_delay为交叉口1级服务水平下车均延误的最大值；S_queue为交叉口1级服务水平下平均排队长度的最大值；S_tc为交叉口1级服务水平下每小时冲突次数的最大值。

同时给出相应的奖惩值R，当交叉口性能综合评价指标U大于1则奖励值为0，当交叉口性能综合评价指标U小于1则奖励值为1，具体如下：

奖惩值R即为回报值r，将上述(S_i，α，r，S_i+1)作为一个样本存储在样本池内，从样本池内随机选择出一条样本，在样本所在的交叉口状态下实行信号控制方案的动作选择，信号控制方案的选择如图3所示的ε-greedy策略，如下：

其中，π(a|s)为在交叉口状态s时选取动作a的策略；

argmaxQ^π(s，a)为依据深度神经网络中s状态对应最大Q值选择最优动作；

random a为在状态s下随机选择信号控制动作；

1-ε为选择网络选择当前最优动作的概率；

ε为随机选择动作的概率即探索概率；

选择不同的动作，系统的下个状态也不同，通过时序差分公式更新网络的Q值,如下：

s′←s

其中，Q(s，a)为交叉口状态s时采取动作为a时的目标函数值；

Q(s′，a′)为交叉口状态为s′时采取动作为a′时的目标函数值；

α为学习效率；

γ为折扣因子；

R为回报函数；

s′为状态s选取动作a到达的下一状态；

在仿真平台上仿真直至网络收敛，此时基于深度神经网络的信号调优单元训练完毕。系统实际运行时，当移动调优装置获取到交叉口状态信息后，先经过边缘计算单元识别交叉口实时状态然后根据当前交叉口的状态描述经信号调优单元即可输出此时状态的最优动作，如果深度神经网络内不含有此时交叉口的状态描述则选取最临近的交叉口状态描述对应的最优信号控制方案，并经过边缘5G通信网络输出至支持边缘控制的信号控制设备执行。

对仿真模拟所得到的方案进行评价：根据移动调优装置输出信号控制方案的实际效果与相应的仿真结果进行对比分析来评价信号调优单元的实际运行效果，通过损失函数(Loss Function)更新深度神经网络Q值优化模型的参数，当损失函数超过设定的阈值则对模型涉及的参数重新标定；本发明选用平方损失函数(quadratic loss function)对Q值迭代模型进行评价。实际交叉口运行效率Y与仿真交叉口运行效率f(x)通过交叉口的车均延误与进口道平均排队长度进行描述即可。

L(Y，f(x))＝(Y-f(x))²

其中，Y为实际调优信号控制方案运行时交叉口的运行效率；

f(x)为仿真模拟运行调优信号控制方案时交叉口的运行效率；

L(Y，f(x))为平方损失函数值，值越小，表明优化控制模型效果越好。

此外，在实际运行中，深度神经网络要定期更新，这样可以保证移动调优装置与交叉口实际状况动态吻合。

本发明还提供了一种基于边缘计算的交叉口信号控制移动调优方法，

该方法使用如图4所示的系统架构所实现，所述系统包括如下装置：

智能路侧信息采集设备，包括雷达测速装置、地磁线圈装置、高精度摄像头等，用于将进口道上的交通流量、车辆的速度的状态信息采集后通过边缘5G通信网络传输至交叉口信号控制移动调优装置进行处理；

边缘5G通信网络：基于5G的通信网络可以根据交叉口及进口引道区域的局域网，用于连接信号采集装置与移动调优装置、移动调优装置与支持边缘控制的信号控制设备；

移动调优装置，包括多源信息接收与存储单元，用于通过5G通信网络接收与存储采集到的交叉口实时状态信息；边缘计算单元：对接收到的交叉口数据进行边缘快速处理；信号调优单元：基于处理后的实时数据确定交叉口当前状态并进行交叉口信号调优；所述移动调优装置为本发明所提供的移动调优装置；

信号控制设备，包括交叉口信号控制机和交叉口信号灯，用于接收移动调优装置调优后的信号控制方案，并执行该方案。

该方法包括如下步骤：

1)智能路侧信号采集设备实时获取交叉口状态信息，并将获取的数据通过边缘5G通信网络实时发送给移动调优装置；

2)移动调优装置将实时获取的交叉口状态数据进行快速处理，并生成实时的调优控制方案，将调优控制方案通过边缘5G通信网络发送给支持边缘控制的信号控制设备；

3)信号控制设备接收调优控制方案，并执行该方案，对交叉口信号灯进行控制。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (10)

1.一种基于边缘计算的交叉口信号控制移动调优装置，其特征在于：所述装置包括多源信息接收与存储单元、边缘计算单元和基于深度神经网络的信号调优单元；

所述多源信息接收与存储单元通过边缘5G通信网络实时接收路侧传感设备发送的交叉口实时状态数据并对其进行存储；

所述边缘计算单元用于接收多源信息接收与存储单元采集到的交叉口实时状态信息，并对其进行处理；

所述基于深度神经网络的信号调优单元基于边缘计算数据处理结果进行交叉口信号的调整与优化。

2.根据权利要求1所述的基于边缘计算的交叉口信号控制移动调优装置，其特征在于：所述多源信息接收与存储单元对接收到的交叉口状态数据进行滑动清除，保持多源信息接收与存储单元只保留最近时段接收的数据。

3.根据权利要求1所述的基于边缘计算的交叉口信号控制移动调优装置，其特征在于：所述边缘计算单元基于边缘计算对实时接收到的交叉口大量的数据信息进行快速处理反馈。

4.根据权利要求3所述的基于边缘计算的交叉口信号控制移动调优装置，其特征在于：所述数据处理步骤如下：

S1：对多源信息接收与存储单元接收到的数据进行预处理操作，对无用的数据进行过滤；

S2：对预处理过的数据进行融合及分组，提取出交叉口各进道的特征信息，所述特征信息包括进口道的平均车速V_i、平均交通流量Q_i以及进口车道饱和度θ_i。

5.根据权利要求4所述的基于边缘计算的交叉口信号控制移动调优装置，其特征在于：所述步骤S2中，对采集到的上个信号控制方案的交叉口数据先进行离散化处理，再选择对应的各相位绿灯时间作为离散区间，精确到各相位描述交叉口状态，如下：

其中：

是交叉口在i状态下第j相位相关进口道的平均车速；

是交叉口在i状态下第j相位相关进口道的平均车流量；

是交叉口在i状态下第j相位相关进口道的最大饱和度。

6.根据权利要求1所述的基于边缘计算的交叉口信号控制移动调优装置，其特征在于：所述基于深度神经网络的信号调优单元采用基于值的深度强化学习自适应信号控制优化方法。

7.根据权利要求6所述的基于边缘计算的交叉口信号控制移动调优装置，其特征在于：所述基于值的深度强化学习自适应信号控制优化方法步骤如下：

步骤1：将智能路侧设备采集的交叉口历史数据汇聚到城市交通控制中心，将每一离散时间区间的数据进行融合与分组，采用多种性能指标的特征值来表示交叉口的状态信息；

步骤2：搭建仿真平台，对上述步骤所得的历史数据进行仿真模拟；

步骤3：基于步骤2的仿真平台所得的仿真模拟结果得到下一状态交叉口的性能指标集合，建立交叉口性能综合评价指标U，如下：

ω₁+ω₂+ω₃＝1

其中：ω₁，ω₂，ω₃为指标所占综合指标的权重；

S_delay为交叉口1级服务水平下车均延误上限值；

S_queue为交叉口1级服务水平下平均排队长度上限值；

S_tc为交叉口1级服务水平下每小时冲突次数的上限值；

通过上述所得的交叉口性能综合评价指标U，给出相应的奖惩值R，具体如下：

将所有的仿真模拟输入样本池，然后初始化深度神经网络，再从样本池中随机选择一条样本通过时序差分公式更新网络的Q值，如下：

s′←s

其中，Q(s，a)为交叉口状态s时采取动作为a时的目标函数值；

Q(s′，a′)为交叉口状态为s′时采取动作为α′时的目标函数值；

α为学习效率；

γ为折扣因子；

R为回报函数；

s′为状态s选取动作a到达的下一状态；

直至深度神经网络中的Q值收敛，得各个状态下，交叉口的最优控制方案；

步骤4：将上述步骤3所得的各个状态下，交叉口的最优控制方案内置在所述移动调优装置的信号调优单元进行交叉口信号控制方案的实时调优，并且定期更新深度神经网络，保证深度神经网络动态适应交叉口。

8.根据权利要求7所述的基于边缘计算的交叉口信号控制移动调优装置，其特征在于：所述仿真平台中，交叉口的状态集合为上述步骤1样本中所得的状态集合；动作集合的设置则直接以信号控制方案作为动作集合；

所述动作集合的元素设置要考虑到交叉口各状态下的最佳周期时长以及交叉口各相位的最短绿灯时间；

所述最短绿灯时间大于等于交叉口实际的行人安全过街时间所设置的最短绿灯时间。

9.一种基于边缘计算的交叉口信号控制移动调优方法，其特征在于，所述方法使用交叉口信号控制调优系统所实现，所述系统包括如下设备：

智能路侧信息采集设备，包括雷达测速装置、地磁线圈装置和高精度摄像头，用于将进口道上的交通流量、车辆的速度以及进口车道饱和度的状态信息采集后传输至交叉口信号控制移动调优装置进行处理；

边缘5G通信网络，用于连接信号采集装置与移动调优装置、移动调优装置与支持边缘控制的信号控制设备；

融合边缘计算的移动调优装置，用于对采集到的交叉口实时状态信息进行调优，并将调优后的信号控制方案通过边缘5G通信网络发送给交叉口支持边缘控制的信号控制设备；所述移动调优装置为权利要求1-8任一项所述的移动调优装置；

信号控制设备，包括交叉口信号控制机和交叉口信号灯，用于接收移动调优装置调优后的信号控制方案，并执行该方案。

10.根据权利要求9所述的基于边缘计算的交叉口信号控制移动调优方法，其特征在于，所述方法包括如下步骤：

1)智能路侧信息采集设备实时获取交叉口状态信息，并将获取的数据通过边缘5G通信网络实时发送给融合边缘计算的移动调优装置；

2)融合边缘计算的移动调优装置将实时获取的交叉口状态数据进行快速处理，并生成实时的调优控制方案，将调优控制方案通过边缘5G通信网络发送给支持边缘控制的信号控制设备；

3)支持边缘控制的信号控制设备接收调优控制方案，并执行该方案，对交叉口信号灯进行控制。

Images