CN117935562A - 一种基于深度学习的交通灯控制方法及系统 - Google Patents

Abstract

本发明涉及深度学习技术领域，尤其涉及一种基于深度学习的交通灯控制方法及系统。该方法包括以下步骤：获取路口交通监控视频；对路口交通监控视频进行逐帧目标检测处理，以生成车辆行人边界框；通过路口交通监控视频对车辆行人边界框进行节点流跟踪，以生成节点移动轨迹数据；基于节点移动轨迹数据对交通流节点构建交通拓扑结构图；对交通拓扑结构图进行结构变迁演变挖掘处理，从而得到拓扑结构动态演变数据；对拓扑结构动态演变数据进行潜在驱动因素推断处理，以生成隐含关联数据；基于隐含关联数据得到交通拓扑逻辑；获取车流人流速度参数。本发明实现了高效的交通控制。

Description

一种基于深度学习的交通灯控制方法及系统

技术领域

本发明涉及深度学习技术领域，尤其涉及一种基于深度学习的交通灯控制方法及系统。

背景技术

随着城市交通流量的增加和交通管理的需求，传统的交通灯控制方法主要基于固定的时间表或传感器检测到的车辆数量来进行控制，这种方法无法充分考虑交通流量的变化以及不同交通场景的特点，导致交通堵塞以及效率低下，为了解决这些问题，需要一种智能化的交通灯控制方法。

发明内容

本发明提出了一种基于深度学习的交通灯控制方法及系统，以解决至少一个上述技术问题。

为实现上述目的，本发明提供一种基于深度学习的交通灯控制方法，包括以下步骤：

步骤S1：获取路口交通监控视频；对路口交通监控视频进行逐帧目标检测处理，以生成车辆行人边界框；通过路口交通监控视频对车辆行人边界框进行节点流跟踪，以生成节点移动轨迹数据；

步骤S2：基于节点移动轨迹数据对交通流节点构建交通拓扑结构图；对交通拓扑结构图进行结构变迁演变挖掘处理，从而得到拓扑结构动态演变数据；

步骤S3：对拓扑结构动态演变数据进行潜在驱动因素推断处理，以生成隐含关联数据；基于隐含关联数据得到交通拓扑逻辑；

步骤S4：获取车流人流速度参数；基于交通拓扑逻辑对车流人流速度参数进行交通流运动模拟处理，生成交通流流向预测数据；通过交通流流向预测数据对交通拓扑结构图构建动态三维交通模拟模型；

步骤S5：获取多个路口信号灯控制器数据；基于多个路口信号灯控制器数据构建路口信号灯网络；基于动态三维交通模拟模型进行周边路口交通流变化预测，以得到周边交通流变化数据；对周边交通流变化数据进行动态交通流响应分析，以生成动态交通流响应数据；

步骤S6：基于动态交通流响应数据对路口信号灯网络进行信号灯协同优化，从而得到动态协同控制策略；将动态协同控制策略进行上传至云端服务器，通过云端服务器对路口信号灯网络进行最优控制信号输出，以执行交通信号灯控制作业。

本发明通过获取路口交通监控视频，实时获取交通流量和行人流量等数据，为后续的交通灯控制提供准确的输入，利用逐帧目标检测处理和节点流跟踪技术，精确地识别和跟踪交通场景中的车辆和行人，从而获取节点移动轨迹数据，为后续的交通拓扑结构构建提供基础数据，通过节点移动轨迹数据，建立交通流节点之间的关联关系，生成交通拓扑结构图，帮助理解交通流的组织和流动方式，运用结构变迁演变挖掘技术，发现交通拓扑结构图中的变化规律和演变模式，得到拓扑结构动态演变数据，为后续的交通拓扑逻辑推断提供依据，通过对拓扑结构动态演变数据进行潜在驱动因素推断处理，揭示交通拓扑结构演变背后的潜在原因和驱动因素，基于隐含关联数据，推断出交通拓扑结构中的隐含关联关系，形成交通拓扑逻辑，为后续的交通流运动模拟和交通流响应分析提供基础，获取车流人流速度参数提供交通流的实时状态，为后续的交通流运动模拟提供数据支持，基于交通拓扑逻辑进行交通流运动模拟处理，模拟各种交通流场景，预测交通流的流向和流量变化，为交通灯控制决策提供依据，基于交通流流向预测数据对交通拓扑结构图构建动态三维交通模拟模型，更加直观地呈现交通流动态变化，帮助决策者理解交通流的行为和交互情况，获取多个路口信号灯控制器数据获取周边路口的交通信号灯状态和控制策略，为交通流协同优化提供输入，构建路口信号灯网络将多个路口的信号灯控制器连接起来，形成一个整体的交通信号灯网络，实现跨路口的协同控制，基于动态三维交通模拟模型进行周边交通流变化预测，预测周边交通流的变化趋势和影响范围，为交通流响应分析提供依据，动态交通流响应分析分析交通流的变化对当前路口信号灯的影响，生成动态交通流响应数据，为后续的信号灯协同优化提供决策支持，基于动态交通流响应数据进行信号灯协同优化，根据实时的交通流情况和预测的交通流变化，动态调整信号灯的控制策略，以最优化交通流的效率和流动性，将动态协同控制策略上传至云端服务器，实现集中管理和优化控制，通过云端服务器对路口信号灯网络进行最优控制信号输出，以实时执行交通信号灯控制作业，通过动态协同控制策略和云端服务器的应用，提高交通流的运行效率，减少交通拥堵，提升道路通行能力，改善交通状况。

优选地，步骤S1包括以下步骤：

步骤S11：获取路口交通监控视频；

步骤S12：对路口交通监控视频进行逐帧目标检测处理，得到车辆行人目标数据；

步骤S13：对车辆行人目标数据进行边界框标记，以生成车辆行人边界框；

步骤S14：基于车辆行人边界框生成交通流节点；

步骤S15：通过路口交通监控视频对交通流节点进行节点流跟踪，以生成节点移动轨迹数据。

本发明通过实时获取交通监控视频提供对交通场景的可视化数据，包括交通流量、行人流量、车辆行为等信息，视频数据作为后续步骤的输入，用于分析和处理交通流情况，从而实现交通灯控制方法，逐帧目标检测识别和定位交通场景中的车辆和行人等目标，为后续步骤提供准确的目标数据，车辆行人目标数据是分析交通流动态变化和生成节点移动轨迹数据的基础，边界框标记将车辆和行人目标准确定位，并将其表示为矩形边界框，方便后续处理和分析，车辆行人边界框是生成交通流节点和节点移动轨迹数据的关键信息，通过车辆行人边界框，确定交通流节点的位置和属性，包括节点的坐标、速度、方向等信息，交通流节点是构建交通拓扑结构和进行交通流分析的基本单元，跟踪交通流节点在时间上的运动轨迹，记录节点的位置和速度变化，节点移动轨迹数据提供交通流的动态变化信息，为后续的交通拓扑结构构建和交通灯控制方法提供数据支持。

优选地，步骤S2包括以下步骤：

步骤S21：基于节点移动轨迹数据对交通流节点进行交通拓扑流向连接，构建交通拓扑结构图；

步骤S22：对交通拓扑结构图进行多时序动态表征分析，以生成拓扑结构时序数据；

步骤S23：对拓扑结构时序数据进行时序变化趋势分析，以生成拓扑时序变化趋势数据；

步骤S24：对拓扑时序变化趋势数据进行结构变迁演变挖掘处理，从而得到拓扑结构动态演变数据。

本发明通过节点移动轨迹数据，确定交通流节点之间的运动关系和流向连接，构建交通拓扑结构图准确描述交通场景中节点之间的关系，为后续的分析和控制方法提供基础，多时序动态表征分析对交通拓扑结构图在不同时间段的演化过程进行建模和分析，生成拓扑结构时序数据提供交通拓扑结构在不同时间维度上的变化信息，为后续的时序变化趋势分析提供数据基础，时序变化趋势分析探索交通拓扑结构在不同时间维度上的演化规律和趋势，生成拓扑时序变化趋势数据提供交通拓扑结构的变化趋势信息，包括节点数量、连接关系、密度等方面的变化，结构变迁演变挖掘揭示交通拓扑结构在不同时间段上的演化模式和变化趋势，拓扑结构动态演变数据提供交通拓扑结构的变化过程和模式，为交通灯控制方法的设计和优化提供重要参考。

优选地，步骤S3的具体步骤为：

步骤S31：对拓扑结构动态演变数据进行潜在驱动因素推断处理，以生成交通潜在驱动因素数据；

步骤S32：对交通潜在驱动因素数据进行隐含关联分析，以生成隐含关联数据；

步骤S33：对隐含关联数据进行多时点流形学习处理，以生成时点嵌入流形空间结构；

步骤S34：对时点嵌入流形空间结构进行拓扑演变逻辑提取，从而得到交通拓扑逻辑。

本发明通过潜在驱动因素推断从拓扑结构动态演变数据中挖掘出影响交通流变化的关键因素，生成交通潜在驱动因素数据提供交通流变化的原因和驱动力，为交通灯控制方法的优化和决策提供依据，隐含关联分析发现交通潜在驱动因素之间的潜在关联和相互作用，生成隐含关联数据揭示交通潜在驱动因素之间的复杂关系，为后续的流形学习和拓扑演变逻辑提取提供数据支持，多时点流形学习将隐含关联数据映射到低维流形空间中，保留了数据的关键特征和结构，生成时点嵌入流形空间结构提供交通流变化的时空特征，为后续的拓扑演变逻辑提取提供数据基础，拓扑演变逻辑提取从时点嵌入流形空间结构中提取交通拓扑的演化规律和逻辑关系，生成交通拓扑逻辑描述交通拓扑结构的演变过程，包括节点的新增、删除、连接关系的变化等，交通拓扑逻辑为交通灯控制方法提供了对交通拓扑结构变化的理解和建模，有助于优化交通流调度和交通信号控制。

优选地，步骤S4的具体步骤为：

步骤S41：基于传感器获取车流人流速度参数；

步骤S42：对车流人流速度参数进行速度波动分析，以得到交通流速度波动范围数据；

步骤S43：对交通流速度波动范围数据进行平均速度计算，以生成交通流平均速度；

步骤S44：基于交通拓扑逻辑对交通流平均速度进行交通流运动模拟处理，以生成交通流运动模拟数据；

步骤S45：对交通流运动模拟数据进行动态流向预测，生成交通流流向预测数据；

步骤S46：通过交通流流向预测数据对交通拓扑结构图进行三维网络重构处理，构建动态三维交通模拟模型。

本发明通过传感器获取车流人流速度参数实时获取交通流的速度信息，车流人流速度参数提供了交通流的运行状态，为后续的分析和控制方法提供基础，速度波动分析揭示交通流速度的变化趋势和波动范围，生成交通流速度波动范围数据提供交通流速度的波动情况，为后续的平均速度计算和交通流运动模拟提供数据基础，平均速度计算得到交通流的整体平均速度，生成交通流平均速度提供交通流的平均运行速度，为交通灯控制方法的决策和优化提供依据，交通流运动模拟基于交通拓扑逻辑模拟交通流在网络中的运行状态和行为，生成交通流运动模拟数据提供交通流的运行轨迹和行为，为后续的动态流向预测和三维交通模拟模型构建提供数据支持，动态流向预测预测交通流在未来时刻的流向分布，生成交通流流向预测数据提供交通流的流向信息，为交通灯控制方法的优化和调度提供依据，三维网络重构处理基于交通流流向预测数据对交通拓扑结构进行动态调整和重构，构建动态三维交通模拟模型提供真实的交通流动态模拟环境，用于交通灯控制方法的仿真和优化。

优选地，步骤S5的具体步骤为：

步骤S51：获取多个路口信号灯控制器数据；

步骤S52：基于多个路口信号灯控制器数据构建路口信号灯网络；

步骤S53：基于动态三维交通模拟模型进行绿灯开闭时长模拟，以得到通行时长模拟数据；

步骤S54：基于通行时长模拟数据进行周边路口交通流变化预测，以得到周边交通流变化数据；

步骤S55：对周边交通流变化数据进行动态交通流响应分析，以生成动态交通流响应数据。

本发明通过获取多个路口信号灯控制器数据获取各个路口信号灯的状态和控制参数，路口信号灯控制器数据提供了交通信号灯的实时信息，为后续的路口信号灯网络构建和交通灯控制方法提供基础数据，构建路口信号灯网络将多个路口信号灯以拓扑结构的方式连接起来，路口信号灯网络提供了路口之间的关系和连接，为后续的交通流模拟和交通灯控制方法提供数据支持，路口信号灯的绿灯开闭时长，预测交通流的通行时长，生成通行时长模拟数据提供路口交通流的通行时间预测，为交通灯控制方法的优化和决策提供依据，周边路口交通流变化预测预测路口信号灯调整后，周边交通流的变化情况，生成周边交通流变化数据提供周边路口交通流的变化信息，为交通灯控制方法的优化和调度提供依据，动态交通流响应分析分析路口信号灯调整对周边交通流的影响和响应，生成动态交通流响应数据提供交通流的实时响应情况，为交通灯控制方法的优化和决策提供依据。

优选地，步骤S54的具体步骤为：

步骤S541：利用动态三维交通模拟模型对路口信号灯网络进行上下游路口关联分析，以生成路口交通流关联数据；

步骤S542：基于路口交通流关联数据进行周边路口流量影响强度分析，以得到周边路口流量影响规律；

步骤S543：基于通行时长模拟数据进行当前路口流量态势分析，以生成当前路口流量态势数据；

步骤S544：通过当前路口流量态势数据对周边路口流量影响规律进行周边路口交通流变化预测，以得到周边交通流变化数据。

本发明通过上下游路口关联分析分析路口之间的交通流传递关系和相互影响，生成路口交通流关联数据提供路口之间的交通流量传递情况，为后续的周边路口流量影响强度分析和交通灯控制方法提供依据，周边路口流量影响强度分析评估当前路口对周边路口交通流的影响程度，得到周边路口流量影响规律揭示交通流在路口网络中的传递和扩散规律，为交通灯控制方法的优化和调度提供依据，当前路口流量态势分析评估当前路口的交通流量状况和拥堵程度，生成当前路口流量态势数据提供当前路口的实时流量信息，为交通灯控制方法的决策和调整提供依据，周边路口交通流变化预测根据当前路口流量态势预测周边路口交通流的变化情况，生成周边交通流变化数据提供周边路口交通流的实时变化信息，为交通灯控制方法的优化和调度提供依据。

优选地，步骤S6的具体步骤为：

步骤S61：对动态交通流响应数据进行交通效率计算，以得到绿灯时长交通效率数据；

步骤S62：基于绿灯时长交通效率数据对路口信号灯网络进行信号灯协同优化，从而得到动态协同控制策略；

步骤S63：将动态协同控制策略进行上传至云端服务器；

步骤S64：通过云端服务器对路口信号灯网络进行最优控制信号输出，以执行交通信号灯控制作业。

本发明通过交通效率计算评估当前交通流的通行效率和拥堵程度，得到绿灯时长交通效率数据提供不同绿灯时长下的交通流通行效果，为后续的信号灯协同优化提供依据，信号灯协同优化根据绿灯时长交通效率数据，优化路口信号灯的配时和协调策略，得到动态协同控制策略提供在不同交通流情况下的最优信号灯配时方案，以提高交通流的通行效率和减少拥堵，将动态协同控制策略上传至云端服务器实现集中管理和远程控制路口信号灯，通过云端服务器，对多个路口信号灯进行统一的动态控制和调度，提高交通流的整体效率，通过云端服务器的最优控制信号输出，实现对路口信号灯的实时控制和调整，最优控制信号输出根据动态协同控制策略和实时交通流情况，调整信号灯的配时和协调，提高交通流的通行效率。

优选地，步骤S62的具体步骤为：

步骤S621：基于绿灯时长交通效率数据进行当前路口交通灯控制优化，以得到当前路口交通灯优化数据；

步骤S622：基于当前路口交通灯优化数据对路口信号灯网络进行信号灯协同优化，以得到信号灯网络协同优化数据；

步骤S623：对信号灯网络协同优化数据进行深度驱动学习处理，以得到深度学习控制参数；

步骤S624：对深度学习控制参数进行动态控制决策分析，从而得到动态协同控制策略。

本发明通过当前路口交通灯控制优化根据绿灯时长交通效率数据，调整当前路口信号灯的配时和协调策略，得到当前路口交通灯优化数据提供当前路口的最优信号灯配时方案，以提高当前路口的交通流通行效率和减少拥堵，信号灯协同优化根据当前路口交通灯优化数据，优化整个路口信号灯网络的配时和协调策略，得到信号灯网络协同优化数据提供整个路口信号灯网络的最优配时方案，以提高整体交通流的通行效率和减少拥堵，深度驱动学习处理利用机器学习算法对信号灯网络协同优化数据进行分析和处理，得到深度学习控制参数提供基于数据驱动的控制策略，以进一步优化信号灯网络的配时和协调，提高交通流通行效率，动态控制决策分析根据深度学习控制参数和实时交通流情况，进行动态调整和决策，得到动态协同控制策略提供基于实时交通流的动态信号灯配时方案，以最大程度地提高交通流的通行效率和减少拥堵。

在本说明书中，提供一种基于深度学习的交通灯控制系统，用于执行如上所述的基于深度学习的交通灯控制方法，包括：

移动轨迹模块，用于获取路口交通监控视频；对路口交通监控视频进行逐帧目标检测处理，以生成车辆行人边界框；通过路口交通监控视频对车辆行人边界框进行节点流跟踪，以生成节点移动轨迹数据；

交通拓扑结构模块，用于基于节点移动轨迹数据对交通流节点构建交通拓扑结构图；对交通拓扑结构图进行结构变迁演变挖掘处理，从而得到拓扑结构动态演变数据；

交通拓扑逻辑模块，用于对拓扑结构动态演变数据进行潜在驱动因素推断处理，以生成隐含关联数据；基于隐含关联数据得到交通拓扑逻辑；

交通流预测模块，用于获取车流人流速度参数；基于交通拓扑逻辑对车流人流速度参数进行交通流运动模拟处理，生成交通流流向预测数据；通过交通流流向预测数据对交通拓扑结构图构建动态三维交通模拟模型；

交通流响应模块，用于获取多个路口信号灯控制器数据；基于多个路口信号灯控制器数据构建路口信号灯网络；基于动态三维交通模拟模型进行周边路口交通流变化预测，以得到周边交通流变化数据；对周边交通流变化数据进行动态交通流响应分析，以生成动态交通流响应数据；

动态协同控制模块，用于基于动态交通流响应数据对路口信号灯网络进行信号灯协同优化，从而得到动态协同控制策略；将动态协同控制策略进行上传至云端服务器，通过云端服务器对路口信号灯网络进行最优控制信号输出，以执行交通信号灯控制作业。

本发明通过移动轨迹模块获取路口交通监控视频提供实时的交通场景信息，用于后续的分析和处理，对路口交通监控视频进行逐帧目标检测处理识别出视频中的车辆和行人等目标，并生成相应的边界框，通过对车辆行人边界框进行节点流跟踪追踪目标在视频中的移动轨迹，并生成节点移动轨迹数据，交通拓扑结构模块基于节点移动轨迹数据对交通流节点构建交通拓扑结构图分析节点之间的关系和连接方式，形成一个描述交通流动关系的图，对交通拓扑结构图进行结构变迁演变挖掘处理发现交通拓扑结构的演变规律和变化趋势，得到拓扑结构动态演变数据，交通拓扑逻辑模块对拓扑结构动态演变数据进行潜在驱动因素推断处理分析交通拓扑结构变化的原因和驱动因素，并生成隐含关联数据，基于隐含关联数据得到交通拓扑逻辑揭示交通拓扑结构中的潜在规律和逻辑关系，为后续的交通流预测提供依据，交通流预测模块获取车流人流速度参数提供实时的车流和人流速度信息，用于交通流预测和模拟，基于交通拓扑逻辑对车流人流速度参数进行交通流运动模拟处理模拟车流和人流在交通拓扑结构中的运动行为，并生成交通流流向预测数据，通过交通流流向预测数据对交通拓扑结构图构建动态三维交通模拟模型生成一个更加真实的交通场景模型，用于后续的交通流响应分析，交通流响应模块获取多个路口信号灯控制器数据获取各个路口的信号灯状态和控制参数，基于多个路口信号灯控制器数据构建路口信号灯网络将各个路口的信号灯连接起来，形成一个整体的信号灯控制网络，基于动态三维交通模拟模型进行周边路口交通流变化预测预测周边路口交通流的变化情况，并得到周边交通流变化数据，对周边交通流变化数据进行动态交通流响应分析分析交通流的动态变化情况，生成动态交通流响应数据，动态协同控制模块基于动态交通流响应数据对路口信号灯网络进行信号灯协同优化根据交通流的变化情况，动态调整信号灯的配时和协调策略，以提高交通流的通行效率，将动态协同控制策略上传至云端服务器，并通过云端服务器对路口信号灯网络进行最优控制信号输出，以执行交通信号灯控制作业，实现交通灯控制方法。

附图说明

图1为本发明一种基于深度学习的交通灯控制方法的步骤流程示意图；

图2为步骤S1的详细实施步骤流程示意图；

图3为步骤S2的详细实施步骤流程示意图；

图4为步骤S3的详细实施步骤流程示意图。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本申请实例提供一种基于深度学习的交通灯控制方法及系统。所述基于深度学习的交通灯控制方法及系统的执行主体包括但不限于搭载该系统的：机械设备、数据处理平台、云服务器节点、网络上传设备等可看作本申请的通用计算节点，所述数据处理平台包括但不限于：音频图像管理系统、信息管理系统、云端数据管理系统至少一种。

请参阅图1至图4，本发明提供了方法，包括以下步骤：

步骤S1：获取路口交通监控视频；对路口交通监控视频进行逐帧目标检测处理，以生成车辆行人边界框；通过路口交通监控视频对车辆行人边界框进行节点流跟踪，以生成节点移动轨迹数据；

步骤S2：基于节点移动轨迹数据对交通流节点构建交通拓扑结构图；对交通拓扑结构图进行结构变迁演变挖掘处理，从而得到拓扑结构动态演变数据；

步骤S3：对拓扑结构动态演变数据进行潜在驱动因素推断处理，以生成隐含关联数据；基于隐含关联数据得到交通拓扑逻辑；

步骤S4：获取车流人流速度参数；基于交通拓扑逻辑对车流人流速度参数进行交通流运动模拟处理，生成交通流流向预测数据；通过交通流流向预测数据对交通拓扑结构图构建动态三维交通模拟模型；

步骤S5：获取多个路口信号灯控制器数据；基于多个路口信号灯控制器数据构建路口信号灯网络；基于动态三维交通模拟模型进行周边路口交通流变化预测，以得到周边交通流变化数据；对周边交通流变化数据进行动态交通流响应分析，以生成动态交通流响应数据；

步骤S6：基于动态交通流响应数据对路口信号灯网络进行信号灯协同优化，从而得到动态协同控制策略；将动态协同控制策略进行上传至云端服务器，通过云端服务器对路口信号灯网络进行最优控制信号输出，以执行交通信号灯控制作业。

本发明通过获取路口交通监控视频，实时获取交通流量和行人流量等数据，为后续的交通灯控制提供准确的输入，利用逐帧目标检测处理和节点流跟踪技术，精确地识别和跟踪交通场景中的车辆和行人，从而获取节点移动轨迹数据，为后续的交通拓扑结构构建提供基础数据，通过节点移动轨迹数据，建立交通流节点之间的关联关系，生成交通拓扑结构图，帮助理解交通流的组织和流动方式，运用结构变迁演变挖掘技术，发现交通拓扑结构图中的变化规律和演变模式，得到拓扑结构动态演变数据，为后续的交通拓扑逻辑推断提供依据，通过对拓扑结构动态演变数据进行潜在驱动因素推断处理，揭示交通拓扑结构演变背后的潜在原因和驱动因素，基于隐含关联数据，推断出交通拓扑结构中的隐含关联关系，形成交通拓扑逻辑，为后续的交通流运动模拟和交通流响应分析提供基础，获取车流人流速度参数提供交通流的实时状态，为后续的交通流运动模拟提供数据支持，基于交通拓扑逻辑进行交通流运动模拟处理，模拟各种交通流场景，预测交通流的流向和流量变化，为交通灯控制决策提供依据，基于交通流流向预测数据对交通拓扑结构图构建动态三维交通模拟模型，更加直观地呈现交通流动态变化，帮助决策者理解交通流的行为和交互情况，获取多个路口信号灯控制器数据获取周边路口的交通信号灯状态和控制策略，为交通流协同优化提供输入，构建路口信号灯网络将多个路口的信号灯控制器连接起来，形成一个整体的交通信号灯网络，实现跨路口的协同控制，基于动态三维交通模拟模型进行周边交通流变化预测，预测周边交通流的变化趋势和影响范围，为交通流响应分析提供依据，动态交通流响应分析分析交通流的变化对当前路口信号灯的影响，生成动态交通流响应数据，为后续的信号灯协同优化提供决策支持，基于动态交通流响应数据进行信号灯协同优化，根据实时的交通流情况和预测的交通流变化，动态调整信号灯的控制策略，以最优化交通流的效率和流动性，将动态协同控制策略上传至云端服务器，实现集中管理和优化控制，通过云端服务器对路口信号灯网络进行最优控制信号输出，以实时执行交通信号灯控制作业，通过动态协同控制策略和云端服务器的应用，提高交通流的运行效率，减少交通拥堵，提升道路通行能力，改善交通状况。

本发明实施例中，参阅图1，为本发明一种基于深度学习的交通灯控制方法的步骤流程示意图，在本实例中，所述基于深度学习的交通灯控制方法的步骤包括：

步骤S1：获取路口交通监控视频；对路口交通监控视频进行逐帧目标检测处理，以生成车辆行人边界框；通过路口交通监控视频对车辆行人边界框进行节点流跟踪，以生成节点移动轨迹数据；

本实施例中，获取路口交通监控视频源，将获取的路口交通监控视频划分为一帧帧的图像，对每一帧图像应用目标检测算法，基于深度学习的目标检测算法（如YOLO、SSD、FasterR-CNN等），在每一帧图像中，识别出车辆和行人等目标，并生成相应的边界框，对于每一个生成的车辆行人边界框，将其视为一个节点，在相邻帧之间，通过目标的外观特征和位置信息，使用节点流跟踪算法（如卡尔曼滤波、多目标跟踪等）进行目标跟踪，根据目标在不同帧之间的位置关系，建立目标之间的连接关系，形成节点移动轨迹数据。

步骤S2：基于节点移动轨迹数据对交通流节点构建交通拓扑结构图；对交通拓扑结构图进行结构变迁演变挖掘处理，从而得到拓扑结构动态演变数据；

本实施例中，使用节点移动轨迹数据作为输入，将每个节点视为一个交通流节点，根据节点之间的运动关系和相对位置，建立节点之间的连接关系，形成初始的交通拓扑结构图，通过计算节点之间的距离、角度、运动方向等信息来实现，对初始的交通拓扑结构图进行时间窗口划分，将节点移动轨迹数据分段处理，在每个时间窗口内，分析交通拓扑结构图中节点的变化情况，过比较相邻时间窗口内的交通拓扑结构图进行节点的增加、删除、连接关系的变化等，根据节点的变化情况和连接关系的演变，提取和记录拓扑结构的动态演变数据。

步骤S3：对拓扑结构动态演变数据进行潜在驱动因素推断处理，以生成隐含关联数据；基于隐含关联数据得到交通拓扑逻辑；

本实施例中，将拓扑结构动态演变数据与外部数据进行整合和匹配，构建一个综合数据集，应用数据挖掘和机器学习技术，对综合数据集进行分析和处理，以推断出影响交通拓扑结构演变的潜在驱动因素，帮助发现一些隐含的因果关系、规律或模式，从而生成隐含关联数据，利用推断得到的隐含关联数据，构建交通拓扑逻辑，分析隐含关联数据中的关系和规律，节点之间的依赖关系、影响关系等，基于这些关系和规律，建立交通拓扑逻辑，描述节点之间的连接方式、行为规律等，形成一个更加抽象和理解的交通拓扑模型，依靠专家知识、图论方法、逻辑推理等来实现，常用的方法包括图结构分析、网络推理、知识图谱等。

步骤S4：获取车流人流速度参数；基于交通拓扑逻辑对车流人流速度参数进行交通流运动模拟处理，生成交通流流向预测数据；通过交通流流向预测数据对交通拓扑结构图构建动态三维交通模拟模型；

本实施例中，基于传感器获取车流人流的速度参数，利用交通拓扑逻辑，根据车流人流速度参数进行交通流运动模拟处理，根据车辆和行人的速度、位置、交通规则等信息，模拟车辆和行人在拓扑结构上的运动行为，运用交通流理论和模型，例如宏观交通模型（如LWR模型）、微观交通模型（如车辆追踪模型）等，对交通流进行模拟和推演，基于交通流运动模拟处理的结果，得到车辆和行人在交通拓扑结构中的流向信息，根据车流和人流的运动方向、速度等参数，预测交通流在拓扑结构中的流向，通过统计分析、机器学习方法等来实现，例如基于历史数据的流向预测、基于流量分配模型的预测等，利用交通流流向预测数据，将其与交通拓扑结构图进行整合，构建动态三维交通模拟模型，在模型中，将交通拓扑结构以三维形式表示，并根据预测的交通流流向信息，利用计算机图形学和虚拟现实技术在模型中模拟车辆和行人的运动，包括车辆的速度、行驶方向、密度，行人的速度、行走方向等。

步骤S5：获取多个路口信号灯控制器数据；基于多个路口信号灯控制器数据构建路口信号灯网络；基于动态三维交通模拟模型进行周边路口交通流变化预测，以得到周边交通流变化数据；对周边交通流变化数据进行动态交通流响应分析，以生成动态交通流响应数据；

本实施例中，收集多个路口信号灯控制器的实时或历史数据，包括信号灯的状态、时序、相位等信息，通过传感器设备等渠道获取，根据路口信号灯控制器数据，建立路口信号灯之间的连接关系，构建路口信号灯网络，路口信号灯之间的连接关系通过路段拓扑结构、信号灯的位置关系等来确定，将多个路口信号灯组成一个整体的交通控制系统，利用动态三维交通模拟模型，模拟周边路口的交通流动态变化，基于模型中的车流人流运动模拟结果，预测周边路口的交通流变化情况，通过模型中的交通流流向预测数据、流量分配模型等来实现，基于预测的周边交通流变化数据，进行动态交通流响应分析，分析周边交通流的变化对当前路口信号灯网络的影响，包括交通流量的增加、减少、拥堵情况等，通过交通流理论、模型仿真等方法来实现，根据动态交通流响应分析的结果，生成动态交通流响应数据，包括路口信号灯的调整建议、交通流量的变化趋势、交通拥堵情况等。

步骤S6：基于动态交通流响应数据对路口信号灯网络进行信号灯协同优化，从而得到动态协同控制策略；将动态协同控制策略进行上传至云端服务器，通过云端服务器对路口信号灯网络进行最优控制信号输出，以执行交通信号灯控制作业。

本实施例中，利用动态交通流响应数据，分析当前路口信号灯网络的交通流状况和拥堵情况，根据分析结果，进行信号灯协同优化，以提高路口交通流的效率和流动性，优化方法包括信号灯时序调整、相位配时优化、流量分配调整等，基于信号灯协同优化的结果，得到动态协同控制策略，这些策略包括信号灯时序表、相位配时方案、特定事件的响应策略等，将动态协同控制策略上传至云端服务器，以便进行远程控制和优化，云端服务器作为中央控制平台，接收和处理来自多个路口信号灯网络的控制策略，云端服务器根据接收到的动态协同控制策略，计算并生成最优的信号灯控制信号输出，基于优化算法、模型预测等方法来实现，以使路口信号灯网络的交通流得到最优控制，将云端服务器生成的最优控制信号输出传输至各个路口信号灯控制器，路口信号灯控制器按照信号输出进行控制，调整信号灯的状态和相位，交通信号灯控制作业就根据动态协同控制策略进行执行。

本实施例中，参阅图2，为步骤S1的详细实施步骤流程示意图，本实施例中，所述步骤S1的详细实施步骤包括：

步骤S11：获取路口交通监控视频；

步骤S12：对路口交通监控视频进行逐帧目标检测处理，得到车辆行人目标数据；

步骤S13：对车辆行人目标数据进行边界框标记，以生成车辆行人边界框；

步骤S14：基于车辆行人边界框生成交通流节点；

步骤S15：通过路口交通监控视频对交通流节点进行节点流跟踪，以生成节点移动轨迹数据。

本实施例中，获取路口交通监控视频，视频通过摄像头直接输出，或者通过网络传输到指定的数据存储设备，将获取到的路口交通监控视频进行逐帧分解，得到视频的每一帧图像，对每一帧图像进行目标检测处理，以识别出图像中的车辆和行人等目标，目标检测使用深度学习模型，如YOLO、FasterR-CNN等，来进行目标识别和定位，在目标检测的基础上，对识别到的车辆和行人目标进行边界框标记，边界框标记通过在目标周围绘制矩形框来实现，以准确表示目标的位置和尺寸，根据车辆和行人的边界框数据，将每个目标视为一个交通流节点，每个节点代表一个独立的车辆或行人，并具有其在图像中的位置和运动信息，利用节点在连续帧之间的位置变化，进行节点的运动跟踪，使用目标跟踪算法，如卡尔曼滤波、基于外观特征的跟踪器等，对节点进行跟踪，跟踪过程中，记录节点的移动轨迹数据，包括节点的位置、速度、加速度等信息。

本实施例中，参阅图3，为步骤S2的详细实施步骤流程示意图，本实施例中，所述步骤S2的详细实施步骤包括：

步骤S21：基于节点移动轨迹数据对交通流节点进行交通拓扑流向连接，构建交通拓扑结构图；

步骤S22：对交通拓扑结构图进行多时序动态表征分析，以生成拓扑结构时序数据；

步骤S23：对拓扑结构时序数据进行时序变化趋势分析，以生成拓扑时序变化趋势数据；

步骤S24：对拓扑时序变化趋势数据进行结构变迁演变挖掘处理，从而得到拓扑结构动态演变数据。

本实施例中，使用节点移动轨迹数据，将相邻节点之间的运动轨迹进行关联，建立节点之间的连接关系，根据节点之间的运动方向、距离以及相对运动速度等信息，确定节点之间的交通流向关系，将这些连接关系和流向关系应用到交通流节点上，构建交通拓扑结构图，在实际应用中，通过在路口安装传感器，仅记录时间戳和车辆数量，而非车牌号和个人信息，根据轨迹点的匹配结果，将相邻节点之间的路段作为连接关系添加到拓扑结构中，位置 (lat1, lon1)，匹配到节点A，位置 (lat2, lon2)，匹配到节点B，位置 (lat3,lon3)，匹配到节点C，节点A与节点B相连，节点B与节点C相连，因此可以得到以下交通流向，从节点A到节点B的交通流向，从节点B到节点C的交通流向，每15分钟记录大道A与B路口进入车流量为100辆和50辆。同时,B路口和小区C路口的车流量分别为50辆和30辆。A到B的车流接入率为50/100，B到A的车流返回率为50/150，B到C的车流分流率为30/50，C到B的车流汇入率为30/80，因此，可以得到一个包含三个节点（A、B、C）和两条边（A到B，B到C）的交通拓扑结构图，并且映射每个路口的车流接入率及车流分流率，交通拓扑结构图表示路口中节点之间的关联关系和交通流向，用于描述路口交通的拓扑结构，对构建的交通拓扑结构图进行多时序分析，将不同时间段的交通拓扑结构进行比较和分析，分析包括节点之间的连接关系、流向关系以及节点属性等的变化情况，将每个时间段的交通拓扑结构表示为时序数据，以便后续的时序变化趋势分析，对拓扑结构时序数据进行时序分析，探索节点之间的变化趋势和模式，分析包括节点的出度、入度、平均速度、流量等指标的时序变化趋势，通过统计和可视化分析，生成拓扑时序变化趋势数据，描述节点和交通流的动态变化情况，对拓扑时序变化趋势数据进行结构变迁演变挖掘处理，寻找节点之间的结构变化和演化模式，发现拓扑结构中的重要变迁事件和演变规律，在实际应用中，假设记录了10个时间节点的数据，T1时刻:有A->B, B->C两条主要通路。T2时刻:A->B通路比例改变,B->D新增通路。......T10时刻:A->B通路消失,A->D成为主线路，B区域内生成一条环路E->F->G，将每个时期的拓扑结构用图表示出来，对比多时期图,分析拓扑结构的时序演变规律，主线路von A->B改变为A->D，B区形成一个闭合区域内部循环，拓扑结构由树状逐步演变为更复杂的网状，结合拓扑时序变化趋势数据和结构变迁演变挖掘的结果，生成拓扑结构动态演变数据，描述交通拓扑结构的动态变化过程。

本实施例中，参考图4所述，为步骤S3的详细实施步骤流程示意图，本实施例中，所述步骤S3的详细实施步骤包括：

步骤S31：对拓扑结构动态演变数据进行潜在驱动因素推断处理，以生成交通潜在驱动因素数据；

步骤S32：对交通潜在驱动因素数据进行隐含关联分析，以生成隐含关联数据；

步骤S33：对隐含关联数据进行多时点流形学习处理，以生成时点嵌入流形空间结构；

步骤S34：对时点嵌入流形空间结构进行拓扑演变逻辑提取，从而得到交通拓扑逻辑。

本实施例中，利用拓扑结构动态演变数据，分析节点和交通流的动态变化情况，运用数据挖掘和机器学习方法，推断影响交通拓扑结构变化的潜在驱动因素，潜在驱动因素包括交通规划、道路条件、交通信号控制策略、交通事故等，将交通潜在驱动因素数据进行统计和分析，以获得数据之间的关联关系，利用如下隐含关联计算公式来对交通潜在驱动因素数据进行隐含关联计算，，其中，/>为关联的相关系数，用于衡量变量间的线性关系，取值范围为 -1 到 +1，X 和 Y 是两个变量的观测值，/>和/>分别是 X 和 Y的均值，/> 和 /> 分别是 X 和 Y 的标准差，n 是观测值的数量。通过计算关联的相关系数，可以判断两个变量之间的关联程度，当 r 接近 +1 时，表示两个变量呈正相关关系；当r 接近 -1 时，表示两个变量呈负相关关系；当 r 接近 0 时，表示两个变量之间没有线性关系。由此可以发现潜在驱动因素之间的隐含关联，生成隐含关联数据，描述不同潜在驱动因素之间的关联程度和依赖关系，利用隐含关联数据，构建多时点的关联矩阵，运用流形学习方法，对关联矩阵进行降维和流形学习，生成时点嵌入流形空间结构，将多时点的关联数据映射到低维流形空间，以保留关联信息和结构特征，基于时点嵌入流形空间结构，分析节点之间的空间关系和拓扑特征，识别流形空间中的节点，每个节点代表一个道路或交叉口。可以根据流量数据的聚类或密度分布等方法进行节点识别。通过节点之间的关联性和交互模式，建立边的连接关系。可以根据车辆流量的变化趋势、相邻节点之间的距离等信息来确定边的连接。分析节点和边的变化情况，提取拓扑演变逻辑。例如，可以观察节点的新增、删除、合并或拆分等变化，以及边的建立、断开或重连等变化，在实际应用中，收集并训练得到一个城市区内10个时间节点的车流嵌入空间模型，在这个多维流形空间内,每个时间点对应一个样本点。发现这10个点整体呈一个S型曲线排列。通过对这些点的相对位置关系分析,发现:随着时间的推移,车流主要从A区向B区移动,但在T5时发生变化,部分车流开始向C区靠拢。在T7时,车流空间结构发生改变,B区和C区内部产生分化。最后在T10时,A区车流直接排向C区,B区车流重新集中。将这个S型排列和不同阶段车流变化关系,总结为:A->B->C->A，B内部两集群分化后重新融合，C从被动收流发展为主动吸引车流。因此可以多时点流形嵌入空间分析总结出来的城市车流拓扑逻辑变迁模式，描述节点之间的连接和演化规律，生成交通拓扑逻辑，以揭示交通拓扑结构的演变规律和拓扑特征。

本实施例中，步骤S4的具体步骤为：

步骤S41：基于传感器获取车流人流速度参数；

步骤S42：对车流人流速度参数进行速度波动分析，以得到交通流速度波动范围数据；

步骤S43：对交通流速度波动范围数据进行平均速度计算，以生成交通流平均速度；

步骤S44：基于交通拓扑逻辑对交通流平均速度进行交通流运动模拟处理，以生成交通流运动模拟数据；

步骤S45：对交通流运动模拟数据进行动态流向预测，生成交通流流向预测数据；

步骤S46：通过交通流流向预测数据对交通拓扑结构图进行三维网络重构处理，构建动态三维交通模拟模型。

本实施例中，在交通路段或路口部署传感器设备，例如车辆检测器、摄像头或行人计数器等，用于获取车流和人流的速度参数，传感器通过测量车辆通过某一点的时间和位置信息，或者通过图像处理和计算来估计车辆和行人的速度，对获取的车流和人流速度参数进行波动分析，统计速度的变化范围，使用统计方法，如计算速度的标准差、极差等，来描述交通流速度的波动情况，生成交通流速度波动范围数据，用于描述交通流速度的变化幅度，利用交通流速度波动范围数据，计算交通流的平均速度，使用简单平均法或加权平均法，根据不同的需求和权重，计算车流和人流的平均速度，生成交通流平均速度数据，用于表示交通流的整体运行速度，根据交通拓扑逻辑，将交通流平均速度应用到交通拓扑结构图中，根据拓扑结构和平均速度，模拟车流和人流在路段和路口的运动行为，生成交通流运动模拟数据，描述车流和人流在交通拓扑结构中的移动和交互情况，基于交通流运动模拟数据，分析车流和人流的运动轨迹和行为，运用机器学习或统计方法，对车流和人流的流向进行预测，生成交通流流向预测数据，描述车流和人流在不同时刻和地点的流向情况，利用交通流流向预测数据，对交通拓扑结构图进行动态重构，将预测的车流和人流流向信息应用到拓扑结构图中，更新节点之间的连接关系和流向关系，构建动态三维交通模拟模型，将交通拓扑结构、平均速度、流向等信息整合到三维模型中，以实现对交通流动态演化的模拟和可视化。

本实施例中，步骤S5的具体步骤为：

步骤S51：获取多个路口信号灯控制器数据；

步骤S52：基于多个路口信号灯控制器数据构建路口信号灯网络；

步骤S53：基于动态三维交通模拟模型进行绿灯开闭时长模拟，以得到通行时长模拟数据；

步骤S54：基于通行时长模拟数据进行周边路口交通流变化预测，以得到周边交通流变化数据；

步骤S55：对周边交通流变化数据进行动态交通流响应分析，以生成动态交通流响应数据。

本实施例中，部署多个路口信号灯控制器，并确保它们能够采集和记录交通信号控制的相关数据，路口信号灯控制器通过传感器或网络连接获取车辆和行人的流量、信号灯状态、信号灯倒计时等数据，收集多个路口信号灯控制器的数据，并将其整合到一个系统中，基于路口之间的拓扑关系和信号灯的控制策略，构建路口信号灯网络模型，在模型中，每个路口表示一个节点，信号灯控制器的状态和参数表示节点的属性和状态，信号灯之间的连接表示路口之间的通行关系，模拟路口信号灯的绿灯开闭时长，根据信号灯的控制策略和交通流模拟数据，模拟信号灯的切换和绿灯持续时间，通过模拟，得到不同信号灯状态下车辆和行人的通行时长模拟数据，分析不同路口信号灯状态对周边交通流的影响，使用机器学习或统计方法，建立模型来预测周边路口交通流的变化情况，根据预测模型和实际信号灯状态，生成周边交通流变化数据，描述不同信号灯状态下路口周边交通流的变化趋势，分析不同路口信号灯状态下交通流的变化，并评估其对路口和周边道路的影响，生成动态交通流响应数据，描述路口及周边道路上交通流的变化情况，如拥堵程度、通行能力等。

本实施例中，步骤S54的具体步骤为：

步骤S541：利用动态三维交通模拟模型对路口信号灯网络进行上下游路口关联分析，以生成路口交通流关联数据；

步骤S542：基于路口交通流关联数据进行周边路口流量影响强度分析，以得到周边路口流量影响规律；

步骤S543：基于通行时长模拟数据进行当前路口流量态势分析，以生成当前路口流量态势数据；

步骤S544：通过当前路口流量态势数据对周边路口流量影响规律进行周边路口交通流变化预测，以得到周边交通流变化数据。

本实施例中，使用动态三维交通模拟模型，将路口信号灯网络导入模型中，通过模拟模型，模拟交通流在路口网络中的传播和交互过程，分析模拟结果，识别出路口之间的上下游关系，即哪些路口是对当前路口交通流产生影响的上游路口，以及当前路口对哪些路口的交通流产生影响的下游路口，基于分析结果，生成路口交通流关联数据，描述路口之间的交通流关系和影响程度，通过统计和数据分析方法，计算并评估当前路口对周边路口交通流的影响程度，根据分析结果，确定周边路口流量受当前路口影响的规律和趋势，包括影响强度、传播距离等，分析信号灯控制策略和交通流模拟数据，得出当前路口的流量情况，包括流量峰值、高峰时段等，生成当前路口流量态势数据，描述当前路口的流量特点和变化趋势，结合路口交通流关联数据和当前路口流量态势数据，预测当前路口的流量变化对周边路口交通流的影响，根据预测模型和实际数据，生成周边交通流变化数据，描述不同信号灯状态下路口周边交通流的变化趋势。

本实施例中，步骤S6的具体步骤为：

步骤S61：对动态交通流响应数据进行交通效率计算，以得到绿灯时长交通效率数据；

步骤S62：基于绿灯时长交通效率数据对路口信号灯网络进行信号灯协同优化，从而得到动态协同控制策略；

步骤S63：将动态协同控制策略进行上传至云端服务器；

步骤S64：通过云端服务器对路口信号灯网络进行最优控制信号输出，以执行交通信号灯控制作业。

本实施例中，收集动态交通流响应数据，包括车辆通过路口的速度、密度、延误等信息，根据收集到的数据，计算路口的交通效率指标，包括车辆通过路口的平均速度、通行能力等，基于计算结果，得到绿灯时长交通效率数据，即在特定绿灯时长下，路口的交通效率指标数值，交通效率 = 车辆通过数 / 绿灯时长，通过分析一段实际的实验数据，可以得出

时刻 车辆通过数 绿灯时长 交通效率

8am 50 30s 1.67

9am 60 40s 1.50

10am 70 35s 2.00

11am 55 45s 1.22

12pm 65 50s 1.30

考虑路口之间的交通流关联和交互，寻找最优的信号灯控制策略，优化目标是最大化路口通行能力、减少平均延误时间等，根据实际需求进行设置，通过协同优化，得到动态协同控制策略，即在不同交通流条件下，动态调整信号灯的绿灯时长和配时方案，将动态协同控制策略数据上传至云端服务器，确保服务器具备相应的存储和计算能力，以便处理和执行上传的控制策略数据，在云端服务器上，基于上传的动态协同控制策略数据，进行最优控制信号输出，根据策略数据和实时交通流信息，计算每个路口的绿灯时长和配时方案，将计算得到的最优信号灯控制参数发送给各路口的信号灯控制器，以执行交通信号灯控制作业，实时监测交通流情况，根据需要进行动态调整和更新信号灯控制策略，以适应交通流变化。

本实施例中，步骤S62的具体步骤为：

步骤S621：基于绿灯时长交通效率数据进行当前路口交通灯控制优化，以得到当前路口交通灯优化数据；

步骤S622：基于当前路口交通灯优化数据对路口信号灯网络进行信号灯协同优化，以得到信号灯网络协同优化数据；

步骤S623：对信号灯网络协同优化数据进行动态控制决策分析，从而得到动态协同控制策略。

本实施例中，分析当前路口的交通流情况和交通效率数据，确定需要优化的信号灯参数，包括绿灯时长、黄灯时长，搜索最优的信号灯参数组合，评估每个参数组合的交通效果，选择最优的信号灯参数组合作为当前路口的交通灯优化数据，考虑路口之间的交通流关联和交互，通过协同优化算法，寻找最优的信号灯协同控制策略，在优化过程中，不仅考虑当前路口的交通效果，还考虑对周边路口的影响，以提高整体交通网络的效率，通过协同优化，得到信号灯网络协同优化数据，即在不同交通流条件下，动态调整信号灯的配时方案和参数，将信号灯网络协同优化数据应用于动态控制决策分析，结合实时交通流数据和协同优化数据，进行动态控制决策分析，以得到最优的动态协同控制策略，考虑交通流的变化、拥堵情况和路口之间的相互影响，根据预设的优化目标，包括最小化平均延误时间、最大化整体通行能力等，在实际应用中，最小化平均延误时间具体为：

交叉口 车辆通过数 绿灯时长 优化后平均延误时间

A 50 30s 10秒

B 60 40s 8秒

C 70 35s 12秒

D 55 45s 9秒

通过信号灯协同优化之后，我们可以得到优化后的平均延误时间，交叉口A的优化后平均延误时间为10秒，交叉口B为8秒，交叉口C为12秒，交叉口D为9秒，最大化整体通行能力具体为：

交叉口 车辆通过数 绿灯时长 优化后整体通行能力

A 50 30s 200车辆/分钟

B 60 40s 240车辆/分钟

C 70 35s 280车辆/分钟

D 55 45s 220车辆/分钟

通过信号灯协同优化之后，我们可以得到优化后的整体通行能力。在上表中，交叉口A的优化后整体通行能力为200车辆/分钟，交叉口B为240车辆/分钟，交叉口C为280车辆/分钟，交叉口D为220车辆/分钟，确定最佳的信号灯控制策略，将得到的动态协同控制策略应用于信号灯网络，实现实时的动态信号灯控制。

在本实施例中，提供一种基于深度学习的交通灯控制系统，用于执行如上所述的基于深度学习的交通灯控制方法，包括：

移动轨迹模块，用于获取路口交通监控视频；对路口交通监控视频进行逐帧目标检测处理，以生成车辆行人边界框；通过路口交通监控视频对车辆行人边界框进行节点流跟踪，以生成节点移动轨迹数据；

交通拓扑结构模块，用于基于节点移动轨迹数据对交通流节点构建交通拓扑结构图；对交通拓扑结构图进行结构变迁演变挖掘处理，从而得到拓扑结构动态演变数据；

交通拓扑逻辑模块，用于对拓扑结构动态演变数据进行潜在驱动因素推断处理，以生成隐含关联数据；基于隐含关联数据得到交通拓扑逻辑；

交通流预测模块，用于获取车流人流速度参数；基于交通拓扑逻辑对车流人流速度参数进行交通流运动模拟处理，生成交通流流向预测数据；通过交通流流向预测数据对交通拓扑结构图构建动态三维交通模拟模型；

交通流响应模块，用于获取多个路口信号灯控制器数据；基于多个路口信号灯控制器数据构建路口信号灯网络；基于动态三维交通模拟模型进行周边路口交通流变化预测，以得到周边交通流变化数据；对周边交通流变化数据进行动态交通流响应分析，以生成动态交通流响应数据；

动态协同控制模块，用于基于动态交通流响应数据对路口信号灯网络进行信号灯协同优化，从而得到动态协同控制策略；将动态协同控制策略进行上传至云端服务器，通过云端服务器对路口信号灯网络进行最优控制信号输出，以执行交通信号灯控制作业。

本发明通过移动轨迹模块获取路口交通监控视频提供实时的交通场景信息，用于后续的分析和处理，对路口交通监控视频进行逐帧目标检测处理识别出视频中的车辆和行人等目标，并生成相应的边界框，通过对车辆行人边界框进行节点流跟踪追踪目标在视频中的移动轨迹，并生成节点移动轨迹数据，交通拓扑结构模块基于节点移动轨迹数据对交通流节点构建交通拓扑结构图分析节点之间的关系和连接方式，形成一个描述交通流动关系的图，对交通拓扑结构图进行结构变迁演变挖掘处理发现交通拓扑结构的演变规律和变化趋势，得到拓扑结构动态演变数据，交通拓扑逻辑模块对拓扑结构动态演变数据进行潜在驱动因素推断处理分析交通拓扑结构变化的原因和驱动因素，并生成隐含关联数据，基于隐含关联数据得到交通拓扑逻辑揭示交通拓扑结构中的潜在规律和逻辑关系，为后续的交通流预测提供依据，交通流预测模块获取车流人流速度参数提供实时的车流和人流速度信息，用于交通流预测和模拟，基于交通拓扑逻辑对车流人流速度参数进行交通流运动模拟处理模拟车流和人流在交通拓扑结构中的运动行为，并生成交通流流向预测数据，通过交通流流向预测数据对交通拓扑结构图构建动态三维交通模拟模型生成一个更加真实的交通场景模型，用于后续的交通流响应分析，交通流响应模块获取多个路口信号灯控制器数据获取各个路口的信号灯状态和控制参数，基于多个路口信号灯控制器数据构建路口信号灯网络将各个路口的信号灯连接起来，形成一个整体的信号灯控制网络，基于动态三维交通模拟模型进行周边路口交通流变化预测预测周边路口交通流的变化情况，并得到周边交通流变化数据，对周边交通流变化数据进行动态交通流响应分析分析交通流的动态变化情况，生成动态交通流响应数据，动态协同控制模块基于动态交通流响应数据对路口信号灯网络进行信号灯协同优化根据交通流的变化情况，动态调整信号灯的配时和协调策略，以提高交通流的通行效率，将动态协同控制策略上传至云端服务器，并通过云端服务器对路口信号灯网络进行最优控制信号输出，以执行交通信号灯控制作业，实现交通灯控制方法。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。

如上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于深度学习的交通灯控制方法，其特征在于，包括以下步骤：

步骤S1：获取路口交通监控视频；对路口交通监控视频进行逐帧目标检测处理，以生成车辆行人边界框；通过路口交通监控视频对车辆行人边界框进行节点流跟踪，以生成节点移动轨迹数据；

步骤S2：基于节点移动轨迹数据对交通流节点构建交通拓扑结构图；对交通拓扑结构图进行结构变迁演变挖掘处理，从而得到拓扑结构动态演变数据；

步骤S3：对拓扑结构动态演变数据进行潜在驱动因素推断处理，以生成隐含关联数据；基于隐含关联数据得到交通拓扑逻辑；

步骤S4：获取车流人流速度参数；基于交通拓扑逻辑对车流人流速度参数进行交通流运动模拟处理，生成交通流流向预测数据；通过交通流流向预测数据对交通拓扑结构图构建动态三维交通模拟模型；

步骤S5：获取多个路口信号灯控制器数据；基于多个路口信号灯控制器数据构建路口信号灯网络；基于动态三维交通模拟模型进行周边路口交通流变化预测，以得到周边交通流变化数据；对周边交通流变化数据进行动态交通流响应分析，以生成动态交通流响应数据；

步骤S6：基于动态交通流响应数据对路口信号灯网络进行信号灯协同优化，从而得到动态协同控制策略；将动态协同控制策略进行上传至云端服务器，通过云端服务器对路口信号灯网络进行最优控制信号输出，以执行交通信号灯控制作业。

2.根据权利要求1所述的基于深度学习的交通灯控制方法，其特征在于，步骤S1的具体步骤为：

步骤S11：获取路口交通监控视频；

步骤S12：对路口交通监控视频进行逐帧目标检测处理，得到车辆行人目标数据；

步骤S13：对车辆行人目标数据进行边界框标记，以生成车辆行人边界框；

步骤S14：基于车辆行人边界框生成交通流节点；

步骤S15：通过路口交通监控视频对交通流节点进行节点流跟踪，以生成节点移动轨迹数据。

3.根据权利要求1所述的基于深度学习的交通灯控制方法，其特征在于，步骤S2的具体步骤为：

步骤S21：基于节点移动轨迹数据对交通流节点进行交通拓扑流向连接，构建交通拓扑结构图；

步骤S22：对交通拓扑结构图进行多时序动态表征分析，以生成拓扑结构时序数据；

步骤S23：对拓扑结构时序数据进行时序变化趋势分析，以生成拓扑时序变化趋势数据；

步骤S24：对拓扑时序变化趋势数据进行结构变迁演变挖掘处理，从而得到拓扑结构动态演变数据。

4.根据权利要求1所述的基于深度学习的交通灯控制方法，其特征在于，步骤S3的具体步骤为：

步骤S31：对拓扑结构动态演变数据进行潜在驱动因素推断处理，以生成交通潜在驱动因素数据；

步骤S32：对交通潜在驱动因素数据进行隐含关联分析，以生成隐含关联数据；

步骤S33：对隐含关联数据进行多时点流形学习处理，以生成时点嵌入流形空间结构；

步骤S34：对时点嵌入流形空间结构进行拓扑演变逻辑提取，从而得到交通拓扑逻辑。

5.根据权利要求1所述的基于深度学习的交通灯控制方法，其特征在于，步骤S4的具体步骤为：

步骤S41：基于传感器获取车流人流速度参数；

步骤S42：对车流人流速度参数进行速度波动分析，以得到交通流速度波动范围数据；

步骤S43：对交通流速度波动范围数据进行平均速度计算，以生成交通流平均速度；

步骤S44：基于交通拓扑逻辑对交通流平均速度进行交通流运动模拟处理，以生成交通流运动模拟数据；

步骤S45：对交通流运动模拟数据进行动态流向预测，生成交通流流向预测数据；

步骤S46：通过交通流流向预测数据对交通拓扑结构图进行三维网络重构处理，构建动态三维交通模拟模型。

6.根据权利要求1所述的基于深度学习的交通灯控制方法，其特征在于，步骤S5的具体步骤为：

步骤S51：获取多个路口信号灯控制器数据；

步骤S52：基于多个路口信号灯控制器数据构建路口信号灯网络；

步骤S53：基于动态三维交通模拟模型进行绿灯开闭时长模拟，以得到通行时长模拟数据；

步骤S54：基于通行时长模拟数据进行周边路口交通流变化预测，以得到周边交通流变化数据；

步骤S55：对周边交通流变化数据进行动态交通流响应分析，以生成动态交通流响应数据。

7.根据权利要求6所述的基于深度学习的交通灯控制方法，其特征在于，步骤S54的具体步骤为：

步骤S541：利用动态三维交通模拟模型对路口信号灯网络进行上下游路口关联分析，以生成路口交通流关联数据；

步骤S542：基于路口交通流关联数据进行周边路口流量影响强度分析，以得到周边路口流量影响规律；

步骤S543：基于通行时长模拟数据进行当前路口流量态势分析，以生成当前路口流量态势数据；

步骤S544：通过当前路口流量态势数据对周边路口流量影响规律进行周边路口交通流变化预测，以得到周边交通流变化数据。

8.根据权利要求1所述的基于深度学习的交通灯控制方法，其特征在于，步骤S6的具体步骤为：

步骤S61：对动态交通流响应数据进行交通效率计算，以得到绿灯时长交通效率数据；

步骤S62：基于绿灯时长交通效率数据对路口信号灯网络进行信号灯协同优化，从而得到动态协同控制策略；

步骤S63：将动态协同控制策略进行上传至云端服务器；

步骤S64：通过云端服务器对路口信号灯网络进行最优控制信号输出，以执行交通信号灯控制作业。

9.根据权利要求8所述的基于深度学习的交通灯控制方法，其特征在于，步骤S62的具体步骤为：

步骤S621：基于绿灯时长交通效率数据进行当前路口交通灯控制优化，以得到当前路口交通灯优化数据；

步骤S622：基于当前路口交通灯优化数据对路口信号灯网络进行信号灯协同优化，以得到信号灯网络协同优化数据；

步骤S623：对信号灯网络协同优化数据进行深度驱动学习处理，以得到深度学习控制参数；

步骤S624：对深度学习控制参数进行动态控制决策分析，从而得到动态协同控制策略。

10.一种基于深度学习的交通灯控制系统，其特征在于，用于执行如权利要求1所述的基于深度学习的交通灯控制方法，包括：

移动轨迹模块，用于获取路口交通监控视频；对路口交通监控视频进行逐帧目标检测处理，以生成车辆行人边界框；通过路口交通监控视频对车辆行人边界框进行节点流跟踪，以生成节点移动轨迹数据；

交通拓扑结构模块，用于基于节点移动轨迹数据对交通流节点构建交通拓扑结构图；对交通拓扑结构图进行结构变迁演变挖掘处理，从而得到拓扑结构动态演变数据；

交通拓扑逻辑模块，用于对拓扑结构动态演变数据进行潜在驱动因素推断处理，以生成隐含关联数据；基于隐含关联数据得到交通拓扑逻辑；

交通流预测模块，用于获取车流人流速度参数；基于交通拓扑逻辑对车流人流速度参数进行交通流运动模拟处理，生成交通流流向预测数据；通过交通流流向预测数据对交通拓扑结构图构建动态三维交通模拟模型；

交通流响应模块，用于获取多个路口信号灯控制器数据；基于多个路口信号灯控制器数据构建路口信号灯网络；基于动态三维交通模拟模型进行周边路口交通流变化预测，以得到周边交通流变化数据；对周边交通流变化数据进行动态交通流响应分析，以生成动态交通流响应数据；

动态协同控制模块，用于基于动态交通流响应数据对路口信号灯网络进行信号灯协同优化，从而得到动态协同控制策略；将动态协同控制策略进行上传至云端服务器，通过云端服务器对路口信号灯网络进行最优控制信号输出，以执行交通信号灯控制作业。