本发明涉及智能交通信号灯技术领域，尤其涉及一种基于大数据的动态可控智能交通信息提示系统。
背景技术
随着国民经济的高速发展，城市道路交通需求与日俱增。在建设社会主义现代化强国的发展道路上，拥有一套完美的交通控制系统迫在眉睫。纵观世界各大强国的发展，都离不开道路的建设与交通系统的控制，然而在我国当代交通控制系统中存在着许多不足，究其原因，是我国交通控制系统还不够完善，经过调查，我国交通系统的控制分为行人、车辆、路况等方面，然而当代没有一个系统是兼顾各种交通情况。因此，“人车路”智能交通控制系统的研究与开发是未来世界解决交通堵塞问题的必由之路。智能交通系统是目前国际公认的解决城市交通拥堵、改善行车安全、提高运行效率、减少空气污染等的最佳途径之一。国内现状：行人控制系统、交通信号灯智能系统、不同路况控制系统等，未有一个综合性的控制系统，交通堵塞问题依然严峻。为此我们提出一种基于大数据的动态可控智能交通信息提示系统来解决以上问题。
技术实现要素：
本发明的目的是为了解决现有技术中存在交通控制系统多依赖人力，交通堵塞问题严峻而得不到解决的缺点，而提出的一种基于大数据的动态可控智能交通信息提示系统。
为了实现上述目的，本发明采用了如下技术方案：
设计一种基于大数据的动态可控智能交通信息提示系统，包括中央系统模块、信息采集模块、可扩展控制管理端、客户端及显示终端，所述中央系统模块包括基于hadoop的数据储存模块、分布式深度学习模块、卫星通信传输模块及计算机集群，所述基于hadoop的数据储存模块包括hive系统、mapreduce系统、hbase系统、hdfs系统，所述分布式深度学习模块涵盖自回馈学习模型、再学习模型、长记忆模型和聚类模型，所述基于hadoop的数据储存模块及分布式深度学习模块均以所述计算机集群作为运行载体，所述信息采集模块包括车流量信息采集模块，人流量信息采集模块、路面信息分析模块、天气信息采集模块和数据翻译模块，所述车流量信息采集模块包括地磁传感器、加速度传感器和红外线传感器，所述人流量信息采集模块包括所述红外线传感器，所述路面信息分析模块包括摄像头，所述客户端包括用户终端app和开发者终端app，所述显示终端包括交通信息灯和扬声器，所述信息采集模块、显示终端、客户端及可扩展控制管理端均通过所述卫星通信传输模块与所述中央系统进行信号连接，所述可扩展控制管理端权限高于所述用户终端app且低于所述开发者终端app，所述可扩展控制管理端利用ip身份认证为特殊部门(如：公路维修部门、应急部门等)提供路况信息修改权限。
优选的，所述摄像头为可变反馈式高清摄像头。
优选的，所述用户终端app和开发者终端app均具有语音播报系统，其中所述用户终端app具有卫星定位系统，所述开发者终端app具有可多模式修改权限，所述用户终端app和开发者终端app均通过ip协议为所述中央系统进行身份认证和连接。
优选的，其特征在于，所述车流量信息采集模块，人流量信息采集模块、路面信息分析模块及天气信息采集模块的采集信息均上传至所述数据翻译模块，所述数据翻译模块将所述采集信息利用势能面扫描和2d及3d图像分析技术进行数据的解码和转码。
优选的，所述数据翻译模块包括数据压缩模块，所述数据压缩模块将解码和转码的信息进一步进行数据压缩。
优选的，其特征在于，所述天气信息采集模块包括温湿度检测仪和能见度仪。
优选的，所述交通信息灯和扬声器均设有太阳能供电系统。
本发明提出的一种基于大数据的动态可控智能交通信息提示系统，有益效果在于：利用历史数据进行hadoop数据存储，结合云计算及定位系统统计数据并作出系统分析应用于道路交通中，随着系统的深入使用，通过分布式深度学习的学习功能，结合hadoop数据存储和云服务器存储与计算，自我学习，长记忆，到聚类分析，不断学习，不断更新数据，不断优化计算流程，减小误差，形成更加智能、更有人性化的智能交通系统，提供智能方案解决交通堵塞问题。
附图说明
图1为本发明提出的一种基于大数据的动态可控智能交通信息提示系统的系统框图；
图2为本发明中提出的中央系统的系统框图；
图3为本发明中提出的信息采集模块的系统框图；
图4为本发明中提出的客户端的系统框图。
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。
参照图1-4，一种基于大数据的动态可控智能交通信息提示系统，包括中央系统模块、信息采集模块、可扩展控制管理端、客户端及显示终端，中央系统模块包括基于hadoop的数据储存模块、分布式深度学习模块、卫星通信传输模块及计算机集群，基于hadoop的数据储存模块包括hive系统、mapreduce系统、hbase系统、hdfs系统，分布式深度学习模块涵盖自回馈学习模型、再学习模型、长记忆模型和聚类模型，基于hadoop的数据储存模块及分布式深度学习模块均以计算机集群作为运行载体，信息采集模块包括车流量信息采集模块，人流量信息采集模块、路面信息分析模块、天气信息采集模块和数据翻译模块，车流量信息采集模块包括地磁传感器、加速度传感器和红外线传感器，人流量信息采集模块包括红外线传感器，路面信息分析模块包括摄像头，摄像头为可变反馈式高清摄像头，天气信息采集模块包括温湿度检测仪和能见度仪。
车流量信息采集模块，人流量信息采集模块、路面信息分析模块及天气信息采集模块的采集信息均上传至数据翻译模块，数据翻译模块将采集信息利用势能面扫描和2d及3d图像分析技术进行数据的解码和转码，数据翻译模块包括数据压缩模块，数据压缩模块将解码和转码的信息进一步进行数据压缩。
客户端包括用户终端app和开发者终端app，用户终端app和开发者终端app均具有语音播报系统，其中用户终端app具有卫星定位系统，开发者终端app具有可多模式修改权限，用户终端app和开发者终端app均通过ip协议为中央系统进行身份认证和连接，可扩展控制管理端权限高于用户终端app且低于所述开发者终端app，可扩展控制管理端利用ip身份认证为特殊部门(如：公路维修部门、应急部门等)提供路况信息修改权限。
显示终端包括交通信息灯和扬声器，交通信息灯和扬声器均设有太阳能供电系统，信息采集模块、显示终端、客户端及可扩展控制管理端均通过卫星通信传输模块与中央系统进行信号连接。
实施例：
一、当交叉路口有特殊车辆(如救护车，私人医生乘用车，消防车，警车等，下同)时：
步骤一：特殊车辆在出车前利用客户端app上报始发地和目的地，若有指定路线也要上报。
步骤二：中央系统通过hadoop数据存储和云计算处理数据，并实时更新数据，使指定路线或推荐路线上的每个交通信号灯密切联系且配合。若有指定路线，则得出特殊车辆在指定路线中每个路段最适宜的车速、预计到达时间等，并根据卫星定位实时跟踪，在指定路线上尽量让特殊车辆即将通过的交叉路口信号灯为绿灯，即形成“绿波带”；若无指定路线，则得出到达目的地的最优线路、各路段最适宜车速、预计到达时间等，并根据卫星定位实时跟踪，在推荐路线上尽量让特殊车辆一路畅通，形成“绿波带”。若因特殊原因，特殊车辆到交叉路口时交通信号灯恰巧为红灯，则计算特殊车辆保证能通过的最短绿灯时间，并计算出特殊车辆后几辆车(即阈值附近)在放行特殊车辆的绿灯时间内能否同行。
步骤三：根据步骤二的计算结果，特殊车辆从出车开始一路语音播报，告知司机行驶所需要的信息，当前路段路面状况等。系统通过语音播报告知与特殊车辆行驶同一路段的司机附近哪里有应急车辆，建议主动让行。若特殊车辆到交叉路口时交通信号灯为红灯，则通过车载语音播报告知阈值附近的车辆在放行特殊车辆的绿灯时间内能否同行。
步骤四：系统投入使用初期可利用历史数据进行hadoop数据存储，通过云计算得出最优解。随着系统的深入使用，通过分布式深度学习的学习功能，结合hadoop数据存储和云服务器存储与计算，不断学习，不断更新数据，不断优化计算流程，减小误差，形成更加智能、更有人性化的交通系统。(注：1.救护车、警车、消防车等因车辆固定且属于公共资源，所属部门可向系统申请做长时间特殊标记；某些特殊车辆(如私人医生乘用车等)需车主个人申请且提供有用有效证明，系统核实后方可特殊标记，且仅一次有效，使用后需再次申请。)
二、当交叉路口无特殊车辆时：
1、当信号灯正常工作时：
步骤一：通过卫星定位采集各路段各车道车流量数据，识别车辆标记；通过摄像头抓拍，图像采集单元采集100米内(假设一)该交叉路口各车道车辆类型、位置和数量，采集该交叉路口等待过斑马线行人的数量，采集该交叉路口路面情况和拥堵状态。采集单元通过无线通信模块与云服务器无线连接，采集的信息通过云服务器存储并实时更新。
步骤二：数据翻译模块对采集的信息进行解码和转码。
步骤三：将信息进一步通过数据压缩模块进行数据压缩。
步骤四：经过压缩的信息传送到中央系统模块。
步骤五：中央系统通过hadoop数据存储和云计算处理数据，并实时更新数据；
人：根据手机卫星定位，结合摄像头抓拍画面，确定出已等待一定时长的行人数量，若人数过多，则根据人数计算出最佳行人绿灯时间，并在当前放行时间结束后立即放行。当有行人等待超过5分钟(假设二)未放行，则在当前放行时间结束后立即放行等待的行人，同样计算出最佳行人绿灯时间。
车：根据卫星识别的车辆标记进行检测，无特殊车辆标记，再根据各车道标记的数目的比较，即判断各车道车辆数量多少，预测各路段各车道总车流量，进行计算流程初步优化；再根据摄像头抓拍的画面，精确各车道车辆的数量，确定车辆最多的车道优先放行，再得出该车道等待了一定时长的车辆放行所需要的时间，并计算出放行时间阈值附近的车辆在该绿灯时间内能否通行，然后通过语音播报告知司机。若得出该车道所有等待车辆一次性放行是最优解，则一次性放行，并计算出即将进入等待状态的车辆(即放行时间阈值附近的车辆)在该绿灯时间内能否通行，同样通过语音播报告知司机。若该车道无车辆等待过交叉路口，则直接跳过该车道的绿灯时间。当某车道有车辆因车少等待超过5分钟(假设二)未放行，则在当前放行时间结束后立即放行此车道车辆，同样计算出最佳绿灯通行时间。
路：根据摄像头抓拍到的画面智能识别路况和拥堵状态。当摄像头抓拍到某路口发生交通意外时，中央系统智能识别画面，明确后立即向交通指挥中心报警提醒，并确定意外事件类型，分析出对应最佳解决方案，等待指挥中心回应。若短时间内指挥中心无反应，则根据意外事件类型向离事发地点最近的相关部门报警提醒，请求派工处理。同时对受影响的车辆和即将到达事发地点的车辆语音播报提醒，推荐车辆最佳路线、速度等相关路程信息；且联网事发地点附近的交通信号灯智能调节红绿灯时间。
步骤六：系统投入使用初期可利用历史数据进行hadoop数据存储，通过云计算得出最优解。随着系统的深入使用，通过分布式深度学习的学习功能，结合hadoop数据存储和云服务器存储与计算，不断学习，不断更新数据，不断优化计算流程，减小误差，形成更加智能、更有人性化的交通系统。(注：若某车道和人行道同时超过5分钟(假设二)未放行，则优先放行行人。假设一、假设二：上述提到的100米、5分钟为初始假设，可根据交叉路口历史数据通过hadoop数据存储和云计算得出最佳等待时间，一段时间过后通过分布式深度学习的学习功能不断优化和完善，得出最佳距离和时间。卫星标记预测各车道总车流量既能初步优化计算流程，也能分担处理器短时间内的计算工作量，减少硬件损耗，延缓处理器寿命，避免系统崩溃。)2、当信号灯无法正常工作时：
步骤一：立即向交通指挥中心报警提醒，请求派工处理，并智能显示故障交通信号灯位置等所需信息。
步骤二：通过卫星定位采集各路段各车道车流量数据，识别车辆标记。
步骤三：数据翻译模块对采集的信息进行解码和转码。
步骤四：将信息进一步通过数据压缩模块进行数据压缩。
步骤五：经过压缩的信息传送到中央系统模块。
步骤六：中央系统通过hadoop数据存储和云计算处理数据，并实时更新数据；
车：根据卫星识别的车辆标记进行检测，无特殊车辆标记，再根据各车道标记的数目的比较，即判断各车道车辆数量多少，确定车辆最多的车道优先放行，再得出该车道等待了一定时长的车辆放行所需要的时间，并计算出放行时间阈值附近的车辆在该绿灯时间内能否通行。若得出该车道所有等待车辆一次性放行是最优解，则一次性放行，并计算出即将进入等待状态的车辆(即放行时间阈值附近的车辆)在该绿灯时间内能否通行。若该车道无车辆等待过交叉路口，则直接跳过该车道的绿灯时间。当某车道有车辆因车少等待超过5分钟(假设二)未放行，则在当前放行时间结束后立即放行此车道车辆，同样计算出最佳绿灯通行时间。
人：通过手机卫星定位，结合系统正常工作时等待的行人在某路口某时间段的历史记录，系统确定出已等待一定时长的行人数量，若人数过多，则根据人数计算出最佳行人绿灯时间，并在当前放行时间结束后立即放行，当有行人等待超过5分钟(假设二)未放行，则在当前放行时间结束后立即放行等待的行人，同样计算出最佳行人绿灯时间。
步骤七：系统通过车载语音播报，对进入受影响路段或区域内的所有车辆实时播报，告知司机行驶所需的信息，如即将到达的交叉路口的交通信号灯颜色、该路段是否限速，推荐当前最佳行驶路线、速度(可结合地图导航功能)等，若车辆在交通信号灯控制范围内，语音提醒司机红绿灯倒计时、在某绿灯时间内能否通行等相关信息；通过手机客户端语音播报行人红绿灯。
步骤八：系统可利用正常工作时的历史数据进行hadoop数据存储，通过云计算得出最优解。随着系统的深入使用，通过分布式深度学习的学习功能，结合hadoop数据存储和云服务器存储与计算，不断学习，不断更新数据，不断优化计算流程，减小误差，形成更加智能、更有人性化的交通系统。(注：若某车道和人行道同时超过5分钟(假设二)未放行，则优先放行行人，某些车辆因某些原因当前无法得知红绿灯信号，可向系统申请，且经系统核实后，为车辆当前车程提供全程语音播报，告知司机红绿灯有关信息，信息随路况实时更新，个人申请的语音播报仅一次有效，使用后需再次申请。)
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。