WO2021232387A1 - 一种多功能的智能信号控制系统 - Google Patents

一种多功能的智能信号控制系统 Download PDF

Info

Publication number
WO2021232387A1
WO2021232387A1 PCT/CN2020/091691 CN2020091691W WO2021232387A1 WO 2021232387 A1 WO2021232387 A1 WO 2021232387A1 CN 2020091691 W CN2020091691 W CN 2020091691W WO 2021232387 A1 WO2021232387 A1 WO 2021232387A1
Authority
WO
WIPO (PCT)
Prior art keywords
traffic
abnormal event
signal
strategy
signal control
Prior art date
Application number
PCT/CN2020/091691
Other languages
English (en)
French (fr)
Inventor
刘鹏
张真
曹旭东
曹骝
张海天
Original Assignee
南京云创大数据科技股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 南京云创大数据科技股份有限公司 filed Critical 南京云创大数据科技股份有限公司
Priority to PCT/CN2020/091691 priority Critical patent/WO2021232387A1/zh
Publication of WO2021232387A1 publication Critical patent/WO2021232387A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/08—Controlling traffic signals according to detected number or speed of vehicles

Definitions

  • the invention relates to a multifunctional intelligent signal control system, which belongs to the technical field of intelligent transportation.
  • the connotation of the intelligent traffic signal control system is to treat each intersection in the city as an intelligent control individual, and form a traffic signal control system with the ability to cooperate with each other through mutual correlation, so as to carry out comprehensive and precise control of the complex urban traffic needs. And management to realize the efficient, safe and economical operation of urban road network traffic.
  • the traffic signal control systems used in my country are mainly the British SCOOT system, the Australian SCATS system, the American Siemens ACTRA system, and the SMOOTH system, NUTCS system, and HiCon system that have been improved and developed by localization. These systems can adjust the signal strategy in a timely manner to more effectively alleviate traffic congestion in local areas or individual intersections.
  • the present invention provides a multifunctional intelligent signal control system that can use deep learning algorithms to realize traffic data collection, data intelligent analysis, comprehensive road condition judgment, and regional signal control Strategic adjustment to solve the problem of urban traffic congestion and improve the efficiency of road network traffic operation.
  • a multifunctional intelligent signal control system including a traffic signal light control module, a traffic flow status statistics module, an abnormal event monitoring and alarm module, and a traffic management control server, including:
  • the traffic signal control module is set in the direction of each entrance of the road intersection, receives the signal control strategy command sent from the traffic management control server, controls the working state of the traffic signal in each direction of the road intersection, and transmits the signal working state data to the traffic management Control server
  • the traffic flow status statistics module is set in the direction of each entrance of the road intersection. It monitors the running status of the traffic flow in each direction of the road intersection in real time through the camera, and analyzes the monitoring video through the local calculation and analysis processor placed at the intersection to calculate the running status of the traffic flow. Data, and transmit the traffic running status data to the traffic management control server;
  • the abnormal event monitoring and alarm module is set at the road intersection in each direction and the road section between adjacent intersections. It monitors road traffic abnormal events through a camera, and transmits the abnormal event information to the traffic management control server;
  • the abnormal event monitoring alarm module receives the abnormal event alarm signal instruction sent by the traffic management control server, and uses the variable information board to display the event information;
  • the traffic management control server is set in the traffic management department to receive and store the signal light working status data transmitted by the traffic signal light control module, receive and store the traffic flow operating status data sent by the traffic flow status statistics module, and receive and store the abnormal event monitoring and alarm module sent Abnormal event information;
  • the traffic management control server analyzes the abnormal event information sent by the abnormal event monitoring and alarm module, and transmits the abnormal event information to the traffic management department, the public security department, and the variable information board of the abnormal event monitoring and alarm module to remind and guide traffic participants ;
  • the traffic management control server processes the signal light working status data, traffic flow running status data and abnormal event information, and uses ResNet residual network regression to obtain signal timing adjustment schemes under different traffic flow conditions and predict future road network traffic flow status changes.
  • the change trend is only divided into two states, positive or negative.
  • the MCTS Monte Carlo tree search is used to simulate the traffic state change using different signal duration schemes and finally find the best signal timing adjustment scheme, and distribute the signal control strategy instructions To the traffic signal control module of each intersection, the traffic signal control module correspondingly adjusts the traffic signal of each intersection at the same time according to the signal control strategy instruction;
  • the steps of acquiring the signal control strategy of the traffic management control server include:
  • Step 31 Receive traffic flow operating status data as the state matrix S, and signal light operating status data as the signal control action ⁇ , and evaluate the current traffic status according to the national standard "GB/T 33171-2016 Urban Traffic Operation Evaluation Standards", and the evaluation results The actual value z as a control strategy;
  • Step 32 The situation S is used as the input of the neural network, and the output is the predicted probability p ⁇ of the next signal control strategy and the current state value v ⁇ .
  • the formula is as follows:
  • the goal of training the neural network is to minimize the error between the predicted state value v ⁇ and the actual road network evaluation value z, and to maximize the control strategy probability p ⁇ output by the neural network and the signal control action ⁇ output by the MCTS search
  • the loss function formula of the neural network is as follows:
  • l( ⁇ ) represents the loss function
  • ⁇ T represents the transposition of the matrix of the signal control action of the MCTS search output
  • ⁇ represents the neural network parameter
  • ⁇ represents the matrix of the signal control action of the MCTS search output
  • ⁇ is the L2 regularization Parameter to prevent over-fitting
  • w v and w p are the weight coefficients of strategy value error and strategy probability error respectively.
  • the loss calculation of the strategy value function adopts the MSE mean square error, and the loss calculation of the strategy function adopts the cross-entropy loss calculation method;
  • Step 33 Use the current traffic network state st as the root state of the MCTS simulation calculation. Since the root node does not have any leaf nodes during the initial signal strategy search, it is necessary to evaluate the next step. What kind of strategy and possible traffic conditions in the future;
  • Step 34 Use the traffic network state st as the input of the neural network, output the next strategy probability distribution p( st , a) and the value v of the current state, and output the information and the next one obtained by executing different strategies
  • the traffic road network state st+1 is added to the Monte Carlo tree as a new leaf node expanded under the current root node. Each leaf node also defines the sum of the number of times the node has been visited and the state value of subsequent nodes. The formula is as follows:
  • N( st+1 ,a) represents the number of node visits
  • W( st+1 ,a) represents the sum of the state value of subsequent nodes
  • Q( st+1 ,a) represents the expectation of the state value after the strategy is implemented ,
  • Step 35 After the strategy search reaches the leaf node, evaluate and expand the leaf node according to step 34, and return to the root node to start the next MCTS. The next search continues from the root node. Before the leaf node is reached, the system selects strategies for different traffic states according to the following formula, as follows:
  • w q represents the weight of the state value expectation
  • w u represents the weight of the strategy search selection
  • Q(s t ,a) indicates the state value expectation after the strategy is implemented
  • U(s t ,a) indicates that the strategy selection variable is used for trade-off
  • c sear represents the strategy exploration coefficient
  • ⁇ b N(s t+1 ,b) is used to calculate the number of visits of the parent node
  • Step 36 Repeat the above steps until the set number of iterations is reached, return to the MCTS search results, and select the signal timing adjustment plan ⁇ with the most search times, so as to obtain better evaluation results under different traffic conditions.
  • Signal control strategy and distribute the signal control instructions to the traffic signal control module of each intersection.
  • the traffic signal control module adjusts the traffic signal of each intersection at the same time according to the control strategy.
  • the signal light working status data includes the traffic direction and the remaining time in each direction of the intersection, and the working status data of the period in which it is in.
  • the traffic signal light control module includes a control computing server, a remote communication link, a local control timer, an actuator, and lighting equipment, and the control computing server will locally control the status information and time information of the timer, the actuator, and the lighting equipment.
  • the control computing server receives the signal control strategy instruction from the traffic management control server through the remote communication link, and controls the local control timer, actuator, The lighting equipment executes the signal control strategy instruction.
  • the traffic flow operating state data includes traffic volume, traffic flow density, queue length, and intersection delay.
  • the traffic flow state statistics module includes a camera, a main controller and a remote communication module; the camera collects traffic flow video data and sends the data to the main controller, and the main controller uses the traffic flow state preset in the FPGA chip
  • the recognition program analyzes the traffic flow video data and obtains the traffic flow running state data.
  • the main controller transmits the traffic flow running state data to the traffic management control server through the remote communication module.
  • the method for acquiring traffic flow operating state data in the traffic flow state statistics module is as follows:
  • Step 11 Extract the image in the traffic flow video data and convert it into a grayscale image
  • Step 12 Suppress image noise and spurious gradients through Gaussian filtering
  • Step 13 Use the canny edge detection function in OpenCV to extract road markings
  • Step 14 Apply the cumulative probability Hough transform HoughLInesP function to detect the straight line in the edge extraction image, and thereby set the detection area according to the lane;
  • Step 15 In the detection area of each lane, use the YOLOv3 algorithm to extract the position information and image depth characteristics of the target detection frame in the current frame;
  • Step 16 Perform non-extreme suppression NMS on the detection frame
  • Step 17. Use Kalman filtering to predict the position of the target in the current frame.
  • the specific formula is as follows:
  • a t is the predicted state transition matrix
  • x t-1 for the location information on a correction target Is the updated estimated variance matrix
  • P t-1 is the estimated error of the target
  • AT represents the transposed matrix of the predicted state transition matrix
  • Q t is the covariance matrix of the predicted noise
  • Step 18 Use the Hungarian algorithm to match the target detection result of the current frame with the tracking prediction result
  • Step 19 Update the Kalman filter parameters for the matched results, and the update formula is as follows:
  • K t is the Kalman gain
  • H t is the transition matrix mapping the state variable to the observation variable
  • R t is the covariance matrix of the measurement noise
  • z t is the position of the detection frame
  • Step 110 The unmatched tracker and the detection frame make a judgment on the disappearance of the target or the appearance of a new target;
  • the number of trajectories per unit time is counted to obtain the traffic flow and queue length of different lanes, the vehicle speed is obtained by measuring the actual distance, and the intersection delay is obtained by the number of vehicle stops.
  • the abnormal event monitoring and alarm module includes a hemispherical surveillance camera, a main controller, a variable information board and a remote communication module; the video data collected by the camera is sent to the main controller, and the main controller is identified by a pre-trained abnormal event monitoring model Abnormal events in the video stream.
  • the automatically identified abnormal events include abnormal parking, abnormal driving, traffic accidents, crossing guardrails, and abnormal crowd gathering.
  • the abnormal event information data is transmitted to the traffic management control server through the remote communication module, and the main controller is at the same time Receive the abnormal event alarm signal instruction sent by the traffic management control server through the remote communication module, and display the abnormal event information on the variable information board.
  • the abnormal event monitoring model in the abnormal event monitoring alarm module adopts the 3D convolutional neural network Pseudo-3D ResNet model
  • the abnormal event monitoring model is based on the residual network ResNet-152 to improve
  • the Residual Unit in the network is replaced with P3D -A, P3D-B, P3D-C three block block structures and adopt the bottleneck design structure, that is, the 3*3*3 convolution kernel is decomposed into a 1*3*3 two-dimensional spatial convolution kernel and a 3* 1*1 one-dimensional time convolution kernel and form three block block structures according to different convolution kernel arrangements, and then add a 1*1*1 convolution layer before and after the convolution layer to construct a bottleneck structure, and finally
  • the three block structures are arranged in sequence and mixed to form Pseudo-3D ResNet
  • the training methods of abnormal event monitoring model include:
  • Step 21 Randomly intercept the videos of various abnormal events and decode them in a frame extraction manner, and extract 16 frames of images for each sample;
  • Step 22 Redefine the size of the extracted image and mark the sample label
  • Step 23 Set each mini-batch to 128 frames, use the standard gradient descent algorithm SGD, and input the training samples into the Pseudo-3D ResNet abnormal event monitoring model for training; use the Pseudo-3D ResNet abnormal event monitoring model to extract the spatial timing characteristics of the video Information, used to determine the type of abnormal event.
  • step 21 the videos of various abnormal events are randomly intercepted for 5s and decoded by frame extraction
  • the present invention has the following beneficial effects:
  • the invention realizes all automation from data collection to signal control, to traffic guidance, and greatly reduces police investment.
  • the signal control based on the real-time perception of the traffic flow status of the road network can realize the optimal allocation of global traffic resources and provide reliable support for smart cities.
  • Figure 1 is a structure diagram of a multifunctional intelligent signal control system
  • Figure 2 is a schematic diagram of the neural network structure of the signal control strategy and value output
  • a multifunctional intelligent signal control system includes a traffic signal light control module, a traffic flow status statistics module, an abnormal event monitoring and alarm module, and a traffic management control server, including:
  • the traffic signal control module is set in the direction of each entrance of the road intersection, receives signal control instructions sent from the traffic management control server, and controls the working status of the traffic signal in each direction at each road intersection, including direction indicators and time display panels, and The working status data such as the passing direction, remaining time, and cycle in each direction of the intersection are transmitted to the traffic management control server.
  • This module is composed of a control computing server, a remote communication link, a local control timer, an actuator, and lighting equipment.
  • the control computing server uses the status information and time information of the local control timers, actuators, and lighting equipment as the working status data of traffic lights, and transmits it to the traffic management control server through the remote communication link, while the control computing server receives it through the remote communication link Signal control instructions from the traffic management control server control local control timers, actuators, and lighting equipment to execute control instructions.
  • the traffic flow status statistics module is set in the direction of each entrance of the road intersection. It monitors the running status of the traffic flow in each direction of the road intersection in real time through the camera, and analyzes the monitoring video through the local calculation and analysis processor placed at the intersection, and calculates that the traffic volume is included. , Traffic density, queuing length, intersection delays and other data, and transmit traffic flow operating status data to the traffic management control server.
  • the module is composed of a gun-type surveillance camera, a main controller and a remote communication module.
  • the front-end camera collects traffic flow video data and sends the data to the main controller.
  • the main controller analyzes the video flow data using the traffic state recognition program pre-installed in the FPGA (Field-Programmable Gate Array) chip to obtain traffic volume and traffic density , Queue length, intersection delay and other data, the main controller transmits the traffic flow status data to the traffic management control server through the remote communication module.
  • FPGA Field-Programmable Gate Array
  • the steps of the vehicle flow state recognition program are: 1. Extract the image in the video stream and convert it into a grayscale image; 2. Use Gaussian filtering to suppress image noise and spurious gradients; 3. Use OpenCV The canny edge detection function extracts road markings; 4. Apply the cumulative probability Hough transform HoughLInesP function to detect the straight lines in the edge extraction image, and thus set the detection area according to the lane; 5. In the detection area of each lane, Use the YOLOv3 algorithm to extract the position information and image depth characteristics of the target detection frame in the current frame; 6. Perform non-extreme suppression NMS on the detection frame; 7. Use Kalman filtering to predict the position of the target in the current frame.
  • the specific formula is as follows:
  • x t-1 for the location information on a target correction A t is the predicted state transition matrix
  • P t-1 is the estimation error of the target
  • Q t predicts the covariance matrix of the noise.
  • K t is the Kalman gain
  • H t is the transition matrix mapping the state variable to the observation variable
  • R t is the covariance matrix of the measurement noise
  • z t is the position of the detection frame
  • Step 10 The unmatched tracker and the detection frame make a judgment on the disappearance of the target or the appearance of a new target;
  • the number of trajectories of detected targets per unit time is calculated by the algorithm to obtain the traffic flow and queue length of different lanes.
  • the vehicle speed can be obtained by measuring the field distance, and the intersection delay can be calculated by the number of stops of the vehicle.
  • the abnormal event monitoring and alarm module is set at the road intersections in various directions and the sections between adjacent intersections, and monitors road traffic abnormal events through cameras, and transmits the monitoring data to the traffic management control server.
  • the abnormal event monitoring alarm module of each intersection and road section receives the abnormal event alarm signal instruction sent by the traffic management control server, and uses the variable information board to display the event information.
  • the module consists of a hemispherical surveillance camera, a main controller, a variable information board and a remote communication module.
  • the video data collected by the front-end camera is sent to the main controller.
  • the main controller uses the pre-trained abnormal event monitoring model to identify abnormal events in the video stream.
  • Automatic recognition includes: abnormal parking, abnormal driving, traffic accidents, crossing guardrails, abnormal crowd gathering
  • the abnormal event information is transmitted to the traffic management control server through the remote communication module.
  • the main controller receives the abnormal event alarm signal instructions sent by the traffic management control server through the remote communication module, and displays the abnormal event information On the variable information board.
  • the abnormal event monitoring model mainly adopts the 3D convolutional neural network Pseudo-3D ResNet model.
  • the main steps of model training include: 1. Randomly intercept the videos of various abnormal events for 5s and decode them by extracting frames. Each sample extracts 16 frames of images; 2. Redefine the size of the extracted images and prepare the sample label. Mark; 3. Set each mini-batch to 128 frames, use the standard gradient descent algorithm SGD, and input the training samples into the Pseudo-3D ResNet abnormal event monitoring model for training.
  • the spatial timing feature information of the video can be extracted through the model, which is used to distinguish the type of abnormal event.
  • the abnormal event monitoring model is improved based on the residual network ResNet-152, replacing the Residual Unit in the network with three block structures of P3D-A, P3D-B, and P3D-C and adopting the bottleneck design structure, which is 3*
  • the 3*3 convolution kernel is decomposed into a 1*3*3 two-dimensional spatial convolution kernel and a 3*1*1 one-dimensional temporal convolution kernel, and three block structures are formed according to different convolution kernel arrangements. , And then add a layer of 1*1*1 convolution layer before and after the convolution layer to construct a bottleneck structure, and finally mix the three block structures in order to form Pseudo-3D ResNet.
  • the traffic management control server is set up in the traffic management department. It receives and stores the signal light working status data transmitted by the traffic signal light control module through the remote communication module, receives and stores the traffic flow operating status data sent by the traffic flow status statistics module, and receives and stores abnormal event monitoring alarms The abnormal event information sent by the module.
  • the traffic management control server analyzes the abnormal event information sent by the abnormal event monitoring and alarm module, and transmits the abnormal event information to the traffic management department, the public security department, and the variable information board of the abnormal event monitoring and alarm module to remind and guide traffic participants.
  • the traffic management control server processes the signal light working status data, traffic flow running status data and abnormal event information data, and uses ResNet residual network regression to obtain signal timing adjustment schemes under different traffic flow conditions and predict future road network traffic flow status changes.
  • the change trend is only divided into two states, positive or negative, using MCTS Monte Carlo tree search to simulate the change of traffic state with different signal duration schemes and finally find the best signal timing adjustment scheme, and adjust the signal duration to control instructions Distributed to the traffic signal control module of each intersection, the traffic signal control module correspondingly adjusts the traffic signal of each intersection at the same time according to the control instructions.
  • the steps for acquiring the signal control strategy of the traffic management control server include: 1. Receive traffic flow operating status data as the state matrix S, and signal light operating status data as the signal control action ⁇ , and evaluate it according to the national standard GB/T 33171-2016 Urban Traffic Operation Status The Code evaluates the current traffic state, and the evaluation result is used as the actual value of the control strategy z; 2.
  • the situation S is used as the input of the neural network, and the output is the predicted probability p ⁇ of the next signal control strategy and the value of the current state v ⁇ , the formula is as follows:
  • the goal of training the neural network is to minimize the error between the predicted state value v ⁇ and the actual road network evaluation value z, and to maximize the control strategy probability p ⁇ output by the neural network and the signal control action ⁇ output by the MCTS search
  • the loss function formula of the neural network is as follows:
  • ⁇ is the L2 regularization parameter to prevent overfitting.
  • the probability p of the signal control strategy output by the neural network and the state value v after the strategy implementation are used as the basis for the branch exploration selection of the MCTS Monte Carlo tree search to search for which signal control strategy can be used in different traffic conditions to achieve better The results of the evaluation.
  • the traffic signal control module adjusts the traffic at each intersection at the same time according to the control instructions. Semaphore.
  • the invention can reduce a large number of traffic personnel on duty, accelerate the real-time collection of traffic data, alleviate urban traffic congestion, and save energy consumption.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

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，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。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 技术领域
本发明涉及一种多功能的智能信号控制系统，属于智慧交通技术领域。
背景技术
智能交通信号控制系统其内涵是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
发明目的：为了克服现有技术中存在的不足，本发明提供一种多功能的智能信号控制系统，该控制系统能够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。
技术方案：为实现上述目的，本发明采用的技术方案为：
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，其中：
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；
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，计算得出车流运行状态数据，并将车流运行状态数据传输至交通管理控制服务器；
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；
交通管理控制服务器设置在交通管理部门，用于接收并存储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、接收并存储异常事件监测报警模块发送的异常事件信息；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、公安部门以及异常事件监测报警模块的可变信息板提醒并引导交通参与者；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最终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；
所述的交通管理控制服务器的信号控制策略获取的步骤包括：
步骤31、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；
步骤32、将局面S作为神经网络的输入，输出的是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：
Figure PCTCN2020091691-appb-000001
其中，
Figure PCTCN2020091691-appb-000002
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：
Figure PCTCN2020091691-appb-000003
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33、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34、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35、当策略搜索到达叶子节点后，根据步骤34对叶子节点进行评估与拓展，并重新回到根节点，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：
Figure PCTCN2020091691-appb-000004
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 sear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36、循环执行上述步骤，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对应同时调整各交叉口交通信号灯。
优选的：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。
优选的：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、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。
优选的：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。
优选的：所述交通流状态统计模块包括摄像头、主控制器和远程通信模块；摄像头采集 交通流视频数据，并将数据发送至主控制器，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，主控制器通过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。
优选的：所述交通流状态统计模块中车流运行状态数据获取方法如下：
步骤11、抽取交通流视频数据中的图像并转化为灰度图；
步骤12、通过高斯滤波抑制图像噪声和杂散梯度；
步骤13、利用OpenCV中的canny边缘检测函数对道路标线进行提取；
步骤14、应用累计概率霍夫变换HoughLInesP函数，检测边缘提取图像中的直线，并由此根据车道设定检测区域；
步骤15、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16、对检测框进行非极值抑制NMS；
步骤17、利用Kalman滤波预测目标在当前帧的位置，具体公式如下：
Figure PCTCN2020091691-appb-000005
Figure PCTCN2020091691-appb-000006
其中，
Figure PCTCN2020091691-appb-000007
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，
Figure PCTCN2020091691-appb-000008
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18、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19、已经匹配的结果，更新Kalman滤波参数，更新公式如下：
Figure PCTCN2020091691-appb-000009
Figure PCTCN2020091691-appb-000010
Figure PCTCN2020091691-appb-000011
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110、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。
优选的：异常事件监测报警模块包括半球型监控摄像头、主控制器、可变信息板和远程通信模块；摄像头采集的视频数据发送至主控制器，主控制器通过预训练的异常事件监测模型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，并通过远程通讯模块将异常事件信息数据传送至交通管理控制服务器，同时主控制器通过远程通讯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。
优选的：所述异常事件监测报警模块中异常事件监测模型采用3D卷积神经网络Pseudo-3D ResNet模型，异常事件监测模型是基于残差网络ResNet-152进行改进，将网络中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；异常事件监测模型训练方法包括：
步骤21、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22、对抽取的图像重新定义尺寸并做好样本label的标记；
步骤23、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。
优选的：步骤21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
本发明相比现有技术，具有以下有益效果：
本发明从数据采集到信号控制，再到交通引导实现全部的自动化，大量的减少警力投入。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是一种多功能的智能信号控制系统结构图
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
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种多功能的智能信号控制系统，如图1所示，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，其中：
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 送的信号控制指令，控制各个道路交叉口各方向的交通信号灯工作状态，包括方向指示灯和时间显示面板，并将交叉口各方向的正在通行方向和剩余时间以及所处周期等工作状态数据传输至交通管理控制服务器。该模块由控制计算服务器、远程通信链路、本地控制计时器、执行器、灯光设备构成。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指令，控制本地控制计时器、执行器、灯光设备执行控制指令。
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，计算得出包括交通量、车流密度、排队长度、交叉口延误等数据，并将车流运行状态数据传输至交通管理控制服务器。该模块是由枪型监控摄像头、主控制器和远程通信模块构成。前端摄像头采集交通流视频数据，并将数据发送至主控制器，主控制器利用预置于FPGA(Field-Programmable Gate Array)芯片中的车流状态识别程序分析视频流数据，获取交通量、车流密度、排队长度、交叉口延误等数据，主控制器通过远程通信模块将车流状态数据传输至交通管理控制服务器。
所述的交通流状态统计模块中，车流状态识别程序步骤：1、抽取视频流中的图像并转化为灰度图；2、通过高斯滤波抑制图像噪声和杂散梯度；3、利用OpenCV中的canny边缘检测函数对道路标线进行提取；4、应用累计概率霍夫变换HoughLInesP函数，检测边缘提取图像中的直线，并由此根据车道设定检测区域；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；6、对检测框进行非极值抑制NMS；7、利用Kalman滤波预测目标在当前帧的位置，具体公式如下：
Figure PCTCN2020091691-appb-000012
Figure PCTCN2020091691-appb-000013
其中，x t-1为上一帧目标校正后的位置信息，A t为预测状态转移矩阵，
Figure PCTCN2020091691-appb-000014
为预测当前帧的目标位置，P t-1为目标的估计误差，
Figure PCTCN2020091691-appb-000015
为更新的估计方差矩阵，Q t预测噪声的协方差矩阵。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；9、已经匹配的结果，更新Kalman滤波参数，更新公式如下：
更新公式如下：
Figure PCTCN2020091691-appb-000016
Figure PCTCN2020091691-appb-000017
Figure PCTCN2020091691-appb-000018
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、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；
通过算法统计单位时间内的检测目标的轨迹数量得到不同车道的交通流量及排队长度，通过测量实地距离可以近一步得到车辆运行速度，通过车辆的停驶次数可以计算得到交叉口延误。
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，并将监控数据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。该模块由半球型监控摄像头、主控制器、可变信息板和远程通信模块构成。前端摄像头采集的视频数据发送至主控制器，主控制器通过预训练的异常事件监测模型识别视频流中的异常事件，自动识别包括：异常停车，异常驾驶，交通事故，翻越护栏，人群异常聚集等的异常事件，并通过远程通讯模块将异常事件信息数据传送至交通管理控制服务器，同时主控制器通过远程通讯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。
所述的异常事件监测报警模块中，异常事件监测模型主要采用3D卷积神经网络Pseudo-3D ResNet模型。模型训练主要步骤包括：1、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，每个样本抽取16帧图像；2、对抽取的图像重新定义尺寸并做好样本label的标记；3、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。通过模型可以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。
其中，异常事件监测模型是基于残差网络ResNet-152进行改进，将网络中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。
交通管理控制服务器设置在交通管理部门，通过远程通讯模块接收并存储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，接收并存储异常事件监测报警模块发送的异常事件信息。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、公安部门以及异常事件监测报警模块的可变信息板提醒并引导交通参与者。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数据进行处理，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最终找到最佳的信号配时调整方案，并将信号时长调整控制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指令对应同时调整各交叉口交通信号灯。
交通管理控制服务器的信号控制策略获取的步骤包括：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；2、将局面S作为神经网络的输入，输出的是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：
Figure PCTCN2020091691-appb-000019
其中，
Figure PCTCN2020091691-appb-000020
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：
Figure PCTCN2020091691-appb-000021
其中，λ为L2正则化参数，防止过拟合。3、将神经网络输出的信号控制策略的概率p和策略实施后的状态价值v作为MCTS蒙特卡洛树搜索的分支探索选择的依据，搜索不同交通状态下采用何种信号控制策略能够达到更好的评价结果。最终，根据MCTS搜索结果中，选择搜索次数最多的信号配时调整方案π，并将信号控制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指令对应同时调整各交叉口交通信号灯。
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。
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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也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，其中：
    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；
    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，计算得出车流运行状态数据，并将车流运行状态数据传输至交通管理控制服务器；
    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；
    交通管理控制服务器设置在交通管理部门，用于接收并存储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、接收并存储异常事件监测报警模块发送的异常事件信息；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、公安部门以及异常事件监测报警模块的可变信息板提醒并引导交通参与者；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最终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；
    所述的交通管理控制服务器的信号控制策略获取的步骤包括：
    步骤31、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；
    步骤32、将局面S作为神经网络的输入，输出的是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：
    Figure PCTCN2020091691-appb-100001
    其中，
    Figure PCTCN2020091691-appb-100002
    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：
    Figure PCTCN2020091691-appb-100003
    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33、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34、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35、当策略搜索到达叶子节点后，根据步骤34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：
    Figure PCTCN2020091691-appb-100004
    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36、循环执行上述步骤，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。
  3. 根据权利要求2所述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、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。
  4. 根据权利要求3所述多功能的智能信号控制系统，其特征在于：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。
  5. 根据权利要求4所述多功能的智能信号控制系统，其特征在于：所述交通流状态统计模块包括摄像头、主控制器和远程通信模块；摄像头采集交通流视频数据，并将数据发送至主控制器，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，主控制器通过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。
  6. 根据权利要求5所述多功能的智能信号控制系统，其特征在于：所述交通流状态统计模块中车流运行状态数据获取方法如下：
    步骤11、抽取交通流视频数据中的图像并转化为灰度图；
    步骤12、通过高斯滤波抑制图像噪声和杂散梯度；
    步骤13、利用OpenCV中的canny边缘检测函数对道路标线进行提取；
    步骤14、应用累计概率霍夫变换HoughLInesP函数，检测边缘提取图像中的直线，并由此根据车道设定检测区域；
    步骤15、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16、对检测框进行非极值抑制NMS；
    步骤17、利用Kalman滤波预测目标在当前帧的位置，具体公式如下：
    Figure PCTCN2020091691-appb-100005
    Figure PCTCN2020091691-appb-100006
    其中，
    Figure PCTCN2020091691-appb-100007
    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，
    Figure PCTCN2020091691-appb-100008
    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18、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19、已经匹配的结果，更新Kalman滤波参数，更新公式如下：
    Figure PCTCN2020091691-appb-100009
    Figure PCTCN2020091691-appb-100010
    Figure PCTCN2020091691-appb-100011
    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110、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。
  7. 根据权利要求6所述多功能的智能信号控制系统，其特征在于：异常事件监测报警模块包括半球型监控摄像头、主控制器、可变信息板和远程通信模块；摄像头采集的视频数据发送至主控制器，主控制器通过预训练的异常事件监测模型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，并通过远程通讯模块将异常事件信息数据传送至交通管理控制服务器，同时主控制器通过远程通讯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。
  8. 根据权利要求7所述多功能的智能信号控制系统，其特征在于：所述异常事件监测报警模块中异常事件监测模型采用3D卷积神经网络Pseudo-3D ResNet模型，异常事件监测模型是基于残差网络ResNet-152进行改进，将网络中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；异常事件监测模型训练方法包括：
    步骤21、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22、对抽取的图像重新定义尺寸并做好样本label的标记；
    步骤23、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。
  9. 根据权利要求8所述多功能的智能信号控制系统，其特征在于：步骤21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。
PCT/CN2020/091691 2020-05-22 2020-05-22 一种多功能的智能信号控制系统 WO2021232387A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/CN2020/091691 WO2021232387A1 (zh) 2020-05-22 2020-05-22 一种多功能的智能信号控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2020/091691 WO2021232387A1 (zh) 2020-05-22 2020-05-22 一种多功能的智能信号控制系统

Publications (1)

Publication Number Publication Date
WO2021232387A1 true WO2021232387A1 (zh) 2021-11-25

Family

ID=78709129

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/091691 WO2021232387A1 (zh) 2020-05-22 2020-05-22 一种多功能的智能信号控制系统

Country Status (1)

Country Link
WO (1) WO2021232387A1 (zh)

Cited By (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107590332A (zh) * 2017-09-06 2018-01-16 厦门理工学院 一种公交底架的模块化再设计方法
CN114118202A (zh) * 2022-01-17 2022-03-01 南京邮电大学 一种城市地下综合管廊异常事件预警方法
CN114241786A (zh) * 2021-12-21 2022-03-25 中国科学院大气物理研究所 一种多条道路车型识别和车流量监测系统及方法
CN114274779A (zh) * 2022-01-18 2022-04-05 成都汽车职业技术学校 新能源电动车集温度信息采集与预警控制的装置及方法
CN114464001A (zh) * 2022-01-30 2022-05-10 同济大学 车路协同环境下城市多交叉口多层分布控制系统及其方法
CN114550546A (zh) * 2022-02-26 2022-05-27 河北水利电力学院 一种教学用交叉口信号配时方法
CN114613159A (zh) * 2022-02-10 2022-06-10 北京箩筐时空数据技术有限公司 基于深度强化学习的交通信号灯控制方法、装置及设备
CN114639255A (zh) * 2022-03-28 2022-06-17 浙江大华技术股份有限公司 一种交通信号控制方法、装置、设备和介质
CN114694391A (zh) * 2022-03-25 2022-07-01 杭州海康威视数字技术股份有限公司 一种路口疏散控制方法、装置及电子设备
CN114785832A (zh) * 2022-04-25 2022-07-22 北京兴竹同智信息技术股份有限公司 一种预警数据传输方法及系统
CN114827221A (zh) * 2022-04-28 2022-07-29 连云港屋托帮文化传媒有限公司 一种智慧社区综合智能分析与预警系统及方法
CN114821194A (zh) * 2022-05-30 2022-07-29 深圳市科荣软件股份有限公司 一种设备运行状态识别方法及装置
CN114863412A (zh) * 2022-04-28 2022-08-05 北京百度网讯科技有限公司 一种路段交限信息的处理方法、装置、设备和介质
CN114973660A (zh) * 2022-05-13 2022-08-30 黄河科技学院 一种模型线性化迭代更新法的交通决策方法
CN115019523A (zh) * 2022-05-31 2022-09-06 南京邮电大学 基于最小化压力差的深度强化学习交通信号协调优化控制方法
CN115549819A (zh) * 2022-11-04 2022-12-30 深圳市维力谷无线技术股份有限公司 一种用于微基站的高精度小型化天线
CN116045427A (zh) * 2023-03-30 2023-05-02 福建省特种设备检验研究院 基于智能决策的电梯轿厢空气净化系统
CN116403412A (zh) * 2023-06-08 2023-07-07 深圳金三立视频科技股份有限公司 一种车辆拥堵检测方法以及终端
CN116473526A (zh) * 2023-06-25 2023-07-25 湖南尚医康医疗科技有限公司 基于人工智能和物联网的医疗信息采集方法及系统
CN116504090A (zh) * 2023-06-25 2023-07-28 山东华夏高科信息股份有限公司 一种基于大数据的智慧城市交通的信号灯监控管理系统
CN116633673A (zh) * 2023-06-29 2023-08-22 北京东华博泰科技有限公司 用于综合能源平台的数据安全传输系统
CN116738859A (zh) * 2023-06-30 2023-09-12 常州润来科技有限公司 一种铜管在线无损寿命评估方法及系统
CN116777711A (zh) * 2023-08-18 2023-09-19 青岛华正信息技术股份有限公司 数字化城市管理的系统及方法
CN116777703A (zh) * 2023-04-24 2023-09-19 深圳市普拉图科技发展有限公司 一种基于大数据的智慧城市管理方法和系统
CN116939180A (zh) * 2023-09-18 2023-10-24 深圳市纬亚森科技有限公司 一种基于物联网的多媒体设备状态监控系统
CN116933052A (zh) * 2023-07-18 2023-10-24 国网信息通信产业集团有限公司北京分公司 一种变电站数据化在线监测系统和方法
CN117079211A (zh) * 2023-08-16 2023-11-17 广州腾方科技有限公司 一种网络机房的安全监控系统及其方法
CN117147419A (zh) * 2023-08-30 2023-12-01 衡阳凯新特种材料科技有限公司 一种基于多维度检测的陶瓷发热管质检系统
CN117173896A (zh) * 2023-11-02 2023-12-05 深圳市地铁集团有限公司 基于arm技术体系的视觉通行控制方法
CN117232317A (zh) * 2023-11-16 2023-12-15 山东众诚风凯科技有限公司 换热机组远程控制方法和远程控制系统
CN117411191A (zh) * 2023-12-14 2024-01-16 广州超科自动化科技有限公司 一种远程智能成套配电柜
CN117495204A (zh) * 2023-12-29 2024-02-02 济南市城市交通研究中心有限公司 基于数据分析的城市公交运行效率评估方法及系统
CN117576920A (zh) * 2024-01-19 2024-02-20 山东字节信息科技有限公司 基于无人机的交通控制系统
CN117912272A (zh) * 2024-03-19 2024-04-19 深圳市新创中天信息科技发展有限公司 一种基于ai大模型的城市交通信号优化方法
CN117935562A (zh) * 2024-03-22 2024-04-26 山东双百电子有限公司 一种基于深度学习的交通灯控制方法及系统
CN117935561A (zh) * 2024-03-20 2024-04-26 山东万博科技股份有限公司 一种基于北斗数据的智能交通流分析方法
CN117975745A (zh) * 2024-04-01 2024-05-03 华东交通大学 一种基于车联网的智慧交通监控系统
CN118139088A (zh) * 2024-04-30 2024-06-04 安徽翼控网络科技有限公司 一种基于5g网络的设备管理平台
CN118172861A (zh) * 2024-05-13 2024-06-11 深圳市桐晟科技有限公司 一种基于java的智能卡口硬件联动控制系统及方法
CN118174463A (zh) * 2024-05-13 2024-06-11 国网浙江省电力有限公司缙云县供电公司 基于单向通信的微电网分布式事件触发二次控制方法及装置
CN118334866A (zh) * 2024-06-12 2024-07-12 广东工业大学 一种基于视频ai分析的交通流量预测系统
CN118372510A (zh) * 2024-06-21 2024-07-23 南通莱欧电子科技有限公司 用于提高电子机电组件冲压效率的智能控制方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102044148A (zh) * 2010-12-30 2011-05-04 上海市城市建设设计研究院 基于多智能体的交通控制方法及其集成系统
CN108399763A (zh) * 2018-03-07 2018-08-14 辽宁工业大学 一种基于神经网络的交叉路口交通信号灯控制算法
CN109087517A (zh) * 2018-09-19 2018-12-25 山东大学 基于大数据的智能信号灯控制方法和系统
US20190051150A1 (en) * 2018-06-25 2019-02-14 Intel Corporation Use of self-driving vehicles and mapping for pedestrian defined crosswalks
CN110114806A (zh) * 2018-02-28 2019-08-09 华为技术有限公司 信号灯控制方法、相关设备及系统
CN111028504A (zh) * 2019-11-27 2020-04-17 天津易华录信息技术有限公司 一种城市快速路智慧交通管控方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102044148A (zh) * 2010-12-30 2011-05-04 上海市城市建设设计研究院 基于多智能体的交通控制方法及其集成系统
CN110114806A (zh) * 2018-02-28 2019-08-09 华为技术有限公司 信号灯控制方法、相关设备及系统
CN108399763A (zh) * 2018-03-07 2018-08-14 辽宁工业大学 一种基于神经网络的交叉路口交通信号灯控制算法
US20190051150A1 (en) * 2018-06-25 2019-02-14 Intel Corporation Use of self-driving vehicles and mapping for pedestrian defined crosswalks
CN109087517A (zh) * 2018-09-19 2018-12-25 山东大学 基于大数据的智能信号灯控制方法和系统
CN111028504A (zh) * 2019-11-27 2020-04-17 天津易华录信息技术有限公司 一种城市快速路智慧交通管控方法和系统

Cited By (69)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107590332A (zh) * 2017-09-06 2018-01-16 厦门理工学院 一种公交底架的模块化再设计方法
CN114241786A (zh) * 2021-12-21 2022-03-25 中国科学院大气物理研究所 一种多条道路车型识别和车流量监测系统及方法
CN114118202A (zh) * 2022-01-17 2022-03-01 南京邮电大学 一种城市地下综合管廊异常事件预警方法
CN114274779A (zh) * 2022-01-18 2022-04-05 成都汽车职业技术学校 新能源电动车集温度信息采集与预警控制的装置及方法
CN114274779B (zh) * 2022-01-18 2023-09-19 成都汽车职业技术学校 新能源电动车集温度信息采集与预警控制的装置及方法
CN114464001A (zh) * 2022-01-30 2022-05-10 同济大学 车路协同环境下城市多交叉口多层分布控制系统及其方法
CN114464001B (zh) * 2022-01-30 2023-07-04 同济大学 车路协同环境下城市多交叉口多层分布控制系统及其方法
CN114613159A (zh) * 2022-02-10 2022-06-10 北京箩筐时空数据技术有限公司 基于深度强化学习的交通信号灯控制方法、装置及设备
CN114613159B (zh) * 2022-02-10 2023-07-28 北京箩筐时空数据技术有限公司 基于深度强化学习的交通信号灯控制方法、装置及设备
CN114550546A (zh) * 2022-02-26 2022-05-27 河北水利电力学院 一种教学用交叉口信号配时方法
CN114694391A (zh) * 2022-03-25 2022-07-01 杭州海康威视数字技术股份有限公司 一种路口疏散控制方法、装置及电子设备
CN114639255A (zh) * 2022-03-28 2022-06-17 浙江大华技术股份有限公司 一种交通信号控制方法、装置、设备和介质
CN114639255B (zh) * 2022-03-28 2023-06-09 浙江大华技术股份有限公司 一种交通信号控制方法、装置、设备和介质
CN114785832A (zh) * 2022-04-25 2022-07-22 北京兴竹同智信息技术股份有限公司 一种预警数据传输方法及系统
CN114785832B (zh) * 2022-04-25 2024-01-23 北京兴竹同智信息技术股份有限公司 一种预警数据传输方法及系统
CN114863412A (zh) * 2022-04-28 2022-08-05 北京百度网讯科技有限公司 一种路段交限信息的处理方法、装置、设备和介质
CN114827221A (zh) * 2022-04-28 2022-07-29 连云港屋托帮文化传媒有限公司 一种智慧社区综合智能分析与预警系统及方法
CN114973660A (zh) * 2022-05-13 2022-08-30 黄河科技学院 一种模型线性化迭代更新法的交通决策方法
CN114973660B (zh) * 2022-05-13 2023-10-24 黄河科技学院 一种模型线性化迭代更新法的交通决策方法
CN114821194A (zh) * 2022-05-30 2022-07-29 深圳市科荣软件股份有限公司 一种设备运行状态识别方法及装置
CN115019523B (zh) * 2022-05-31 2023-10-17 南京邮电大学 基于最小化压力差的深度强化学习交通信号协调优化控制方法
CN115019523A (zh) * 2022-05-31 2022-09-06 南京邮电大学 基于最小化压力差的深度强化学习交通信号协调优化控制方法
CN115549819A (zh) * 2022-11-04 2022-12-30 深圳市维力谷无线技术股份有限公司 一种用于微基站的高精度小型化天线
CN116045427A (zh) * 2023-03-30 2023-05-02 福建省特种设备检验研究院 基于智能决策的电梯轿厢空气净化系统
CN116045427B (zh) * 2023-03-30 2023-10-10 福建省特种设备检验研究院 基于智能决策的电梯轿厢空气净化系统
CN116777703B (zh) * 2023-04-24 2024-02-02 深圳市普拉图科技发展有限公司 一种基于大数据的智慧城市管理方法和系统
CN116777703A (zh) * 2023-04-24 2023-09-19 深圳市普拉图科技发展有限公司 一种基于大数据的智慧城市管理方法和系统
CN116403412B (zh) * 2023-06-08 2023-09-19 深圳金三立视频科技股份有限公司 一种车辆拥堵检测方法以及终端
CN116403412A (zh) * 2023-06-08 2023-07-07 深圳金三立视频科技股份有限公司 一种车辆拥堵检测方法以及终端
CN116504090B (zh) * 2023-06-25 2023-09-08 山东华夏高科信息股份有限公司 一种基于大数据的智慧城市交通的信号灯监控管理系统
CN116473526B (zh) * 2023-06-25 2023-09-29 湖南尚医康医疗科技有限公司 基于人工智能和物联网的医疗信息采集方法及系统
CN116504090A (zh) * 2023-06-25 2023-07-28 山东华夏高科信息股份有限公司 一种基于大数据的智慧城市交通的信号灯监控管理系统
CN116473526A (zh) * 2023-06-25 2023-07-25 湖南尚医康医疗科技有限公司 基于人工智能和物联网的医疗信息采集方法及系统
CN116633673A (zh) * 2023-06-29 2023-08-22 北京东华博泰科技有限公司 用于综合能源平台的数据安全传输系统
CN116633673B (zh) * 2023-06-29 2023-10-27 北京东华博泰科技有限公司 用于综合能源平台的数据安全传输系统
CN116738859A (zh) * 2023-06-30 2023-09-12 常州润来科技有限公司 一种铜管在线无损寿命评估方法及系统
CN116738859B (zh) * 2023-06-30 2024-02-02 常州润来科技有限公司 一种铜管在线无损寿命评估方法及系统
CN116933052A (zh) * 2023-07-18 2023-10-24 国网信息通信产业集团有限公司北京分公司 一种变电站数据化在线监测系统和方法
CN116933052B (zh) * 2023-07-18 2024-01-23 国网信息通信产业集团有限公司北京分公司 一种变电站数据化在线监测系统和方法
CN117079211B (zh) * 2023-08-16 2024-06-04 广州腾方科技有限公司 一种网络机房的安全监控系统及其方法
CN117079211A (zh) * 2023-08-16 2023-11-17 广州腾方科技有限公司 一种网络机房的安全监控系统及其方法
CN116777711A (zh) * 2023-08-18 2023-09-19 青岛华正信息技术股份有限公司 数字化城市管理的系统及方法
CN117147419A (zh) * 2023-08-30 2023-12-01 衡阳凯新特种材料科技有限公司 一种基于多维度检测的陶瓷发热管质检系统
CN117147419B (zh) * 2023-08-30 2024-03-15 衡阳凯新特种材料科技有限公司 一种基于多维度检测的陶瓷发热管质检系统
CN116939180B (zh) * 2023-09-18 2024-04-02 深圳市纬亚森科技有限公司 一种基于物联网的多媒体设备状态监控系统
CN116939180A (zh) * 2023-09-18 2023-10-24 深圳市纬亚森科技有限公司 一种基于物联网的多媒体设备状态监控系统
CN117173896B (zh) * 2023-11-02 2024-01-16 深圳市地铁集团有限公司 基于arm技术体系的视觉通行控制方法
CN117173896A (zh) * 2023-11-02 2023-12-05 深圳市地铁集团有限公司 基于arm技术体系的视觉通行控制方法
CN117232317A (zh) * 2023-11-16 2023-12-15 山东众诚风凯科技有限公司 换热机组远程控制方法和远程控制系统
CN117232317B (zh) * 2023-11-16 2024-02-13 山东众诚风凯科技有限公司 换热机组远程控制方法和远程控制系统
CN117411191A (zh) * 2023-12-14 2024-01-16 广州超科自动化科技有限公司 一种远程智能成套配电柜
CN117411191B (zh) * 2023-12-14 2024-02-13 广州超科自动化科技有限公司 一种远程智能成套配电柜
CN117495204B (zh) * 2023-12-29 2024-04-16 济南市城市交通研究中心有限公司 基于数据分析的城市公交运行效率评估方法及系统
CN117495204A (zh) * 2023-12-29 2024-02-02 济南市城市交通研究中心有限公司 基于数据分析的城市公交运行效率评估方法及系统
CN117576920A (zh) * 2024-01-19 2024-02-20 山东字节信息科技有限公司 基于无人机的交通控制系统
CN117576920B (zh) * 2024-01-19 2024-04-12 山东字节信息科技有限公司 基于无人机的交通控制系统
CN117912272B (zh) * 2024-03-19 2024-05-24 深圳市新创中天信息科技发展有限公司 一种基于ai大模型的城市交通信号优化方法
CN117912272A (zh) * 2024-03-19 2024-04-19 深圳市新创中天信息科技发展有限公司 一种基于ai大模型的城市交通信号优化方法
CN117935561A (zh) * 2024-03-20 2024-04-26 山东万博科技股份有限公司 一种基于北斗数据的智能交通流分析方法
CN117935561B (zh) * 2024-03-20 2024-05-31 山东万博科技股份有限公司 一种基于北斗数据的智能交通流分析方法
CN117935562A (zh) * 2024-03-22 2024-04-26 山东双百电子有限公司 一种基于深度学习的交通灯控制方法及系统
CN117935562B (zh) * 2024-03-22 2024-06-07 山东双百电子有限公司 一种基于深度学习的交通灯控制方法及系统
CN117975745A (zh) * 2024-04-01 2024-05-03 华东交通大学 一种基于车联网的智慧交通监控系统
CN117975745B (zh) * 2024-04-01 2024-05-31 华东交通大学 一种基于车联网的智慧交通监控系统
CN118139088A (zh) * 2024-04-30 2024-06-04 安徽翼控网络科技有限公司 一种基于5g网络的设备管理平台
CN118172861A (zh) * 2024-05-13 2024-06-11 深圳市桐晟科技有限公司 一种基于java的智能卡口硬件联动控制系统及方法
CN118174463A (zh) * 2024-05-13 2024-06-11 国网浙江省电力有限公司缙云县供电公司 基于单向通信的微电网分布式事件触发二次控制方法及装置
CN118334866A (zh) * 2024-06-12 2024-07-12 广东工业大学 一种基于视频ai分析的交通流量预测系统
CN118372510A (zh) * 2024-06-21 2024-07-23 南通莱欧电子科技有限公司 用于提高电子机电组件冲压效率的智能控制方法及系统

Similar Documents

Publication Publication Date Title
WO2021232387A1 (zh) 一种多功能的智能信号控制系统
CN111696348B (zh) 一种多功能的智能信号控制系统和方法
US11069233B1 (en) Video-based main road cooperative signal machine control method
CN106023605B (zh) 一种基于深度卷积神经网络的交通信号灯控制方法
CN106971563B (zh) 智能交通信号灯控制方法及系统
Rachmadi et al. Adaptive traffic signal control system using camera sensor and embedded system
CN114023062B (zh) 一种基于深度学习和边缘计算的交通流信息监测方法
CN108417057A (zh) 一种智能信号灯配时系统
CN108257410A (zh) 一种现场监控与导航系统协作的停车位精准导航方法
US10699568B1 (en) Video-based crossroad signal machine control method
CN106205156A (zh) 一种针对部分车道车流突变的交叉口自愈合控制方法
CN112437501B (zh) 一种基于交通语义和博弈论的多传感器超视距自组网方法
CN113096418B (zh) 交通网红绿灯控制方法、系统及计算机可读存储介质
CN109410608B (zh) 基于卷积神经网络的图片自学习交通信号控制方法
CN112017437A (zh) 路口交通信息感知控制系统和方法
CN109165561A (zh) 一种基于视频特征的交通拥堵识别方法
WO2021237768A1 (zh) 一种基于数据驱动的实现预测模型自动化迭代的系统
CN109147351A (zh) 一种交通信号灯控制系统
CN108417055A (zh) 一种基于雷达检测器的主干路协同信号机控制方法
Cao et al. Application of convolutional neural networks and image processing algorithms based on traffic video in vehicle taillight detection
CN114913447A (zh) 基于场景识别的警务智慧指挥室系统及方法
CN117558127A (zh) 一种5g边缘计算环境下计算任务智能系统
CN108831163B (zh) 一种基于地磁的主干路协同信号机控制方法
CN115565388A (zh) 基于多通道车辆检测与立体特征标注的交通灯控制方法
KR20100108887A (ko) 객체인식 카메라를 이용한 지능형 교통신호 제어장치 및 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20936138

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20936138

Country of ref document: EP

Kind code of ref document: A1