CN113257008A - 基于深度学习的行人流量动态控制系统及方法 - Google Patents

Abstract

基于深度学习的行人流量动态控制系统，包括LSTM模型、目标检测模型以及决策模型，其特征在于，所述LSTM模型、目标检测模型分别与决策模型数据传输连接；所述LSTM模型、目标检测模型与数据输入组件并联传输连接；所述决策模型汇总连接LSTM模型、目标检测模型；所述决策模型与信号输出组件数据传输连接，且信号输出组件与信号灯电性连接。其方法在于通过LSTM模型进行对历史数据的分析，并通过目标检测MobileNet‑SSD模型对实时情况进行获取。本发明的积极进步效果在于：我们将二者的结果结合起来，并通过决策模型对当前信号切换区间进行相应调整，从而优化道路人流拥堵现象的发生。

Description

基于深度学习的行人流量动态控制系统及方法

技术领域

本发明涉及城市交通信号控制技术领域，具体是基于深度学习的行人流量动态控制系统及方法。

背景技术

随着我国交通体系的发展与进步，行人出行的便捷与安全日益受到关注；控制人口密集区域的人流流动对于公安等相关部门保障人民安全起着不可忽视的作用；同时，为了在城市道路交通中有效减少闯红灯等违法违规行为导致的交通隐患；我们必须合理调整道路信号灯的通行时间，控制道路行人流速，减少隐患产生；现有交通信号控制方法中存在以下问题：一是控制方式固定单一，时间利用率低下；二是行人主动切换信号不定时不规律的切换，可能会导致车辆的拥堵现象的产生。

发明内容

本发明提供基于深度学习的行人流量动态控制系统及方法，可以有效解决上述背景技术中提出的问题。

本发明所采取的技术方案是：基于深度学习的行人流量动态控制系统，包括LSTM模型、目标检测模型以及决策模型，其特征在于，所述LSTM模型、目标检测模型分别与决策模型数据传输连接；所述LSTM模型包括遗忘门、输入门、状态存储单元、输出门，且遗忘门、输入门、状态存储单元、输出门依次处理并传输数据；所述LSTM模型、目标检测模型与数据输入组件并联传输连接；所述决策模型汇总连接LSTM模型、目标检测模型；所述决策模型与信号输出组件数据传输连接，且信号输出组件与信号灯电性连接。

作为本发明的进一步优选方案，目标检测算法模型采用基于在MobileNet和SSD的基础上改进的MobileNet-SSD模型。

作为本发明的进一步优选方案，遗忘门从细胞状态中丢弃掉无用信息数据：

。

作为本发明的进一步优选方案，输入门在单元状态中存储有效的新信息数据:

，

。

作为本发明的进一步优选方案，状态存储单元将过去与现在记录的信息数据进行合并：

。

作为本发明的进一步优选方案，输出门选择要输出的结果：

，

。

作为本发明的进一步优选方案，

表示sigmoid激活函数函数，*表示元素对应相乘；

为t时刻的输入值，

分别为权值矩阵，

分别为偏值；

为输入门，用来控制当前输入的信息哪些要存储到当前时刻的细胞状态里，哪些信息需要被过滤掉；

为忘记门，控制上一时刻记忆细胞存储的信息哪些需要被忘记；

为输出门，用来控制当前隐藏层信息是否需要输出；

为记忆单元，

为隐藏状态。

作为本发明的进一步优选方案，控制方法包括如下步骤：

步骤1：将本系统设置地域的历史数据采用LSTM模型进行分析；

步骤2：选取调整时间段T，设置流量阈值为r，期望控制流速V；

步骤3：通过LSTM模型预测该时间段得到流量结果m；通过目标检测模型得到实时人流n；

步骤4：判断当满足|nt-m|>r时，开始进行切换时间计算；当不满足切换条件，则按固定时间间隔重复步骤1至步骤2的操作；

步骤5：输入期望流速v；判断nt与m的大小关系，根据信号频率与调整时间关系公式，分别计算出通行时间；

步骤6：通过给定的信号调整次数α，根据s=t/α计算出每次信号调整的单位时间长度，并在T时段内均匀设置信号切换时间。

作为本发明的进一步优选方案，根据步骤3中预测行人流量结果m，其所需信号通过时间为t1=m/v；根据目标检测得到实时人流量n，所需信号通过时间为t2；作为本发明的进一步优选方案，当nt>m，则

，总时间长度为t=t1-t2。

作为本发明的进一步优选方案，步骤5中的信号频率与调整时间关系公式为：

t=α·t1±β·t2

其中t为标准单位时段长，t1为预测通行时长，t2为实际通行时长，定义α、β为两个调节因子；调节因子即为权重系数，通过这两个权重系数来调节预测数据和实施路况对结果造成的影响的比重。

与现有技术相比，本发明提供了基于深度学习的行人流量动态控制系统及方法，具备以下有益效果：

本系统分为三个部分，分别是历史数据处理的LSTM模型，实时数据处理的MobileNet-SSD模型，以及最后的综合决策处理；首先通过LSTM模型进行对历史数据的分析，并通过目标检测MobileNet-SSD模型对实时情况进行进行获取；本发明的积极进步效果在于：将二者的结果结合起来，并通过决策模型对当前信号切换区间进行相应调整，从而优化道路人流拥堵现象的发生。

附图说明

图1为本发明总体模型运行流程示意图；

图2为本发明LSTM模型示意图，其中

表示前面一个单元的输出结果，

为当前单元新信息的输入，

为sigmod激活函数；

图3为本发明LSTM模型中遗忘门的示意图；

图4为本发明LSTM模型中输入门的示意图；

图5为本发明LSTM模型中状态存储单元的示意图；

图6为本发明LSTM模型中输出门的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

本发明提供基于深度学习的行人流量动态控制系统，包括LSTM模型、目标检测模型以及决策模型，其特征在于，所述LSTM模型、目标检测模型分别与决策模型数据传输连接；所述LSTM模型包括遗忘门、输入门、状态存储单元、输出门，且遗忘门、输入门、状态存储单元、输出门依次处理并传输数据；所述LSTM模型、目标检测模型与数据输入组件并联传输连接；所述决策模型汇总连接LSTM模型、目标检测模型；所述决策模型与信号输出组件数据传输连接，且信号输出组件与信号灯电性连接。

作为本发明的进一步优选方案，目标检测算法模型采用基于在MobileNet和SSD的基础上改进的MobileNet-SSD模型。

作为本发明的进一步优选方案，遗忘门从细胞状态中丢弃掉无用信息数据：

。

作为本发明的进一步优选方案，输入门在单元状态中存储有效的新信息数据:

，

。

作为本发明的进一步优选方案，状态存储单元将过去与现在记录的信息数据进行合并：

。

作为本发明的进一步优选方案，输出门选择要输出的结果：

，

。

作为本发明的进一步优选方案，

表示sigmoid激活函数函数，*表示元素对应相乘；

为t时刻的输入值，

分别为权值矩阵，

分别为偏值；

为输入门，用来控制当前输入的信息哪些要存储到当前时刻的细胞状态里，哪些信息需要被过滤掉；

为忘记门，控制上一时刻记忆细胞存储的信息哪些需要被忘记；

为输出门，用来控制当前隐藏层信息是否需要输出；

为记忆单元，

为隐藏状态。

作为本发明的进一步优选方案，控制方法包括如下步骤：

步骤1：将本系统设置地域的历史数据采用LSTM模型进行分析；

步骤2：选取调整时间段T，设置流量阈值为r，期望控制流速V；

步骤3：通过LSTM模型预测该时间段得到流量结果m；通过目标检测模型得到实时人流n；

步骤4：判断当满足|nt-m|>r时，开始进行切换时间计算；当不满足切换条件，则按固定时间间隔重复步骤1至步骤2的操作；

步骤5：输入期望流速v；判断nt与m的大小关系，根据信号频率与调整时间关系公式，分别计算出通行时间；

步骤6：通过给定的信号调整次数α，根据s=t/α计算出每次信号调整的单位时间长度，并在T时段内均匀设置信号切换时间。

作为本发明的进一步优选方案，根据步骤3中预测行人流量结果m，其所需信号通过时间为t1=m/v；根据目标检测得到实时人流量n，所需信号通过时间为t2；当nt>m，则

，总时间长度为t=t1-t2。

作为本发明的进一步优选方案，步骤5中的信号频率与调整时间关系公式为：

t=α·t1±β·t2

其中t为标准单位时段长，t1为预测通行时长，t2为实际通行时长，定义α、β为两个调节因子；调节因子即为权重系数，通过这两个权重系数来调节预测数据和实施路况对结果造成的影响的比重。

作为本发明的一个具体实施例:

应用时，默认排除车辆因素，第一步，将本系统设置地域的历史数据通过LSTM模型，即采用长短时记忆网络进行分析，利用记忆门和忘记门去更新细胞在某时刻的信息状态，在处理长序列数据的依赖性问题上非常有效；选取调整时间段T，设置流量阈值为r，期望控制流速V；通过LSTM模型将每一个单元的有效信息进行保留，并传到下一个单元中，然后预测该时间段得到流量结果m，其所需信号通过时间t1=m/v；第二步，通过MobileNet-SSD网络模型进行目标检测，通过将标准卷积运算分解结成两次新方式的卷积运算，分别提取了数据的平面特征和通道特征，最后得到实时人流n，以及所需信号通过时间为t2；第三步，判断当满足|nt-m|>r时，由决策模型开始进行切换时间计算：输入期望流速v；判断nt与m的大小关系，从而分别计算出t1、t2、t；当nt>m，则总时间长度为t=t1-t2；为了调节历史数据与实施数据对我们决策影响的大小，我们定义两个调节因子α和β，故有t=α·t1±β·t2；因在T时间段内，若需要进行α次信号调整，则每次调整信号的单位时间为s=t/a，并在T时段内均匀设置信号切换时间。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (10)

1.基于深度学习的行人流量动态控制系统，包括LSTM模型、目标检测模型以及决策模型，其特征在于，所述LSTM模型、目标检测模型分别与决策模型数据传输连接；所述LSTM模型包括遗忘门、输入门、状态存储单元、输出门，且遗忘门、输入门、状态存储单元、输出门依次处理并传输数据；所述LSTM模型、目标检测模型与数据输入组件并联传输连接；所述决策模型汇总连接LSTM模型、目标检测模型；所述决策模型与信号输出组件数据传输连接，且信号输出组件与信号灯电性连接。

2.根据权利要求1所述的基于深度学习的行人流量动态控制系统及方法，其方法于，目标检测算法模型采用基于在MobileNet和SSD的基础上改进的MobileNet-SSD模型。

3.根据权利要求1所述的基于深度学习的行人流量动态控制系统，其特征在于，所述遗忘门从细胞状态中丢弃掉无用信息数据：

。

4.根据权利要求1所述的基于深度学习的行人流量动态控制系统，其特征在于，所述输入门在单元状态中存储有效的新信息数据:

。

5.根据权利要求1所述的基于深度学习的行人流量动态控制系统，其特征在于，所述状态存储单元将过去与现在记录的信息数据进行合并：

。

6.根据权利要求1所述的基于深度学习的行人流量动态控制系统，其特征在于，所述输出门选择要输出的结果：

。

7.根据权利要求3-6所述的基于深度学习的行人流量动态控制系统，其特征在于，

表示sigmoid激活函数函数，*表示元素对应相乘；

为t时刻的输入值，

分别为权值矩阵，

分别为偏值；

为输入门，用来控制当前输入的信息哪些要存储到当前时刻的细胞状态里，哪些信息需要被过滤掉；

为忘记门，控制上一时刻记忆细胞存储的信息哪些需要被忘记；

为输出门，用来控制当前隐藏层信息是否需要输出；

为记忆单元，

为隐藏状态。

8.根据权利要求1所述的基于深度学习的行人流量动态控制方法，其控制方法包括如下步骤：

步骤1：将本系统设置地域的历史数据采用LSTM模型进行分析；

步骤2：选取调整时间段T，设置流量阈值为r，期望控制流速V；

步骤3：通过LSTM模型预测该时间段得到流量结果m；通过目标检测模型得到实时人流n；

步骤4：判断当满足|nt-m|>r时，开始进行切换时间计算；当不满足切换条件，则按固定时间间隔重复步骤1至步骤2的操作；

步骤5：输入期望流速v；判断nt与m的大小关系，根据信号频率与调整时间关系公式，分别计算出通行时间；

步骤6：通过给定的信号调整次数α，根据s=t/α计算出每次信号调整的单位时间长度，并在T时段内均匀设置信号切换时间。

9.根据权利要求8所述的基于深度学习的行人流量动态控制方法，其方法于，根据步骤3中预测行人流量结果m，其所需信号通过时间为t1=m/v；根据目标检测得到实时人流量n，所需信号通过时间为t2；在步骤4中，当nt>m，则

，总时间长度为t=t1-t2。

10.根据权利要求8所述的基于深度学习的行人流量动态控制方法，其方法于，步骤5中的信号频率与调整时间关系公式为：

t=α·t1±β·t2

其中t为标准单位时段长，t1为预测通行时长，t2为实际通行时长，定义α、β为两个调节因子；调节因子即为权重系数，通过这两个权重系数来调节预测数据和实施路况对结果造成的影响的比重。

Images