一种基于深度学习和地空协同的道路交叉口监测系统及方法

1.本发明涉及智能交通技术领域，特别是涉及一种基于深度学习和地空协同的道路交叉口监测系统及方法。


背景技术：

2.在城市智能交通系统中，激光雷达或毫米波雷达、感应回路探测器、磁强计、可见光或红外感应交通摄像机等设备被广泛用于交通场景的监控和交通数据的采集。
3.随着全球车辆数量的增加，城市交通特别是交叉路口面临交通拥堵、环境污染和交通事故频发等问题，造成了巨大的社会经济损失。同时交通拥堵导致车辆频繁加减速和怠速，夹具燃油消耗和排放污染。近年来，在交通监测领域，地空协同监测技术快速发展，安装有超高清摄像系统的无人机单元和路侧单元，逐步被用于车速监控、车辆流量跟踪、道路拥挤预测等领域中。准确的交通流信息不仅可以为交通管理部门提供管理理论依据，更可以为道路交叉口的信号灯周期优化提供准确的数据，以缓解交叉口的拥堵情况。
4.在中国发明专利公开号为cn112767715a公开了一种交叉路口交通信号灯与智能网联汽车的协同控制方法，其使用固定线圈、地磁交通检测器等设备，只能采集到宏观交通流参数，而无法获取个体车辆的运行信息。
5.而无人机单元可以获取个体车辆的运行视频，无法获取完整的宏观交通流参数，在交通信息监测中，无人机单元及路侧单元采集的交通信息不全，容易受外界因素影响，不利于全面反映道路运行状况和交通流的各个运行状态，不利于为交叉口的信号周期优化提供准确的交通流信息。


技术实现要素：

6.为了解决上述技术问题，本发明提供一种能够采集完整的宏观交通流参数、无人机单元与路侧单元相结合、监测计算效率高、更好地缓解交叉口的交通拥堵的基于深度学习和地空协同的道路交叉口监测方法及系统。
7.为实现本发明的目的所采用的技术方案如下：
8.一种基于深度学习和地空协同的道路交叉口监测系统，包括：
9.无人机单元，用于对目标交叉口进行俯视拍摄，获取目标交叉口的视频图像并处理生成目标交叉口的宏观交通流参数，并将宏观交通流参数发送至深度学习终端服务器；
10.所述无人机单元包括摄制模块、gps模块、无人机单元通讯模块、无人机控制模块和无人机边缘计算模块；
11.所述摄制模块用于对目标交叉口进行俯视拍摄，得到目标交叉口的监测视频；
12.所述gps模块用于实时定位；
13.所述无人机控制模块用于控制所述摄制模块在空中的运行；
14.所述无人机边缘计算模块用于对所述监测视频进行计算处理，得到目标交叉口的宏观交通流参数，具体为车辆的数量、车辆的类别、车流平均速度、车辆轨迹数据；
15.所述无人机单元通讯模块用于将所述宏观交通流参数发送至所述深度学习终端服务器，并接收深度学习终端服务器发送的命令；
16.若干个路侧单元，用于采集目标交叉口的车辆运行信息，并将车辆运行信息发送至深度学习终端服务器；
17.每个所述路侧单元包括地磁车辆检测器、路侧单元通讯模块和路侧单元边缘计算模块；
18.所述地磁车辆检测器用于采集目标交叉口的各方向车道的车辆，并计算生成的车道占有率；
19.所述路侧单元边缘计算模块用于对所述地磁车辆检测器所获得的车道占有率进行计算，计算出个体车辆的运行信息，得到车辆运行信息，具体为车辆数量，各车辆的车速、车辆的车道选择、车道占有率；
20.所述路侧单元通讯模块用于将所述车辆运行信息发送至所述深度学习终端服务器，并接收深度学习终端服务器发送的命令；
21.深度学习终端服务器，用于接收所述无人机单元的宏观交通流参数和路侧单元的车辆运行信息，处理生成目标交叉口不同交通流环境下对应的最优的预测信号周期数据t
n，dl
；
22.所述深度学习终端服务器包括数据存储模块、深度学习模块、仿真模块和服务器通讯模块；
23.所述数据存储模块用于储存所述无人机单元及路侧单元发送的宏观交通流参数及车辆运行信息；
24.所述仿真模块用于搭建目标交叉口的交通模型，并处理优化生成仿真信号周期数据t
n，vissim
；
25.所述深度学习模块用于通过所述仿真模块的交通模型，接收所述仿真信号周期数据t
n，vissim
，结合所述宏观交通流参数及车辆运行信息进行计算处理，分析并生成目标交叉口的运行数据及目标交叉口的最优的预测信号周期数据t
n，dl
；
26.所述服务器通讯模块用于与所述无人机单元、路侧单元和交叉口信号灯控制单元通讯；
27.交叉口信号灯控制单元，用于接收所述最优的预测信号周期数据t
n，dl
，生成信号灯控制指令，以控制信号灯的运行。
28.在上述技术方案中，所述无人机单元设置在目标交叉口的正上空120m～150m。
29.在上述技术方案中，所述路侧单元设置在目标交叉口的四个方向的对应车道上。
30.在上述技术方案中，在所述路侧单元的上游及下游25m处分别安装有一个地磁车辆检测器。
31.在上述技术方案中，所述路侧单元边缘计算模块计算出个体车辆的运行信息，具体为车辆数量，各车辆的车速、车辆的车道选择、车道占有率。
32.在上述技术方案中，所述深度学习终端服务器内嵌入yolo-x和deepsort的合成算法。
33.在上述技术方案中，所述交叉口信号灯控制单元通过api接口与所述深度学习终端服务器连接，以用于获取最优的预测信号周期数据t
n，dl
。
34.在上述技术方案中，所述无人机单元通讯模块、路侧单元通讯模块和服务器通讯模块均为5g级信号传输模块。
35.在上述技术方案中，所述仿真模块内嵌装有vissim交通仿真软件，用于搭建目标交叉口的交通模型，并沟通过api接口与深度学习终端服务器连接，传送所述仿真信号周期数据t
n，vissim
。
36.一种基于地空协同的道路交叉口监测方法，包括以下步骤：
37.s1.确定预设无人机单元、路侧单元的位置及部署；
38.s2.设定初始交通信息采集周期t0，所述交通信息采集周期t0与进行信号优化前的交叉口信号灯周期t
signal
相等；
39.s3.开始计时，所述无人机单元、路侧单元同时运行，所述无人机单元采集目标交叉口的宏观交通流数据，包括车辆数量、车辆行驶车速、车辆轨迹及车辆类别，所述路侧单元采集车辆运行信息，包括车辆数量，各车辆的车速、车辆的车道选择、车道占有率，并将所述宏观交通流数据及车辆运行信息发送至所述深度学习终端服务器，若交通信息采集的累计采集时长大于或等于t0时，则执行步骤s4，若累计采集时长小于t0时，则控制无人机单元、路侧单元持续采集信息直至累计采集时长大于或等于t0，具体包括以下分步骤：
40.s3-1.在目标交叉口的车道l1中共有n辆车经过，通过所述无人机单元采集到n辆车的行驶速度为v
1，uav
，v
2，uav
，v
3，uav
，...，v
n，uav
，并将采集的所述n辆车的行驶速度发送至所述深度学习终端服务器；
41.s3-2.在所述无人机单元运行的同时，在选定的目标交叉口的车道l1中共有m辆车经过路侧单元，通过所述路侧单元的两个地磁车辆检测器分别采集m辆车的行驶速度为v
1，rsu
，v
2，rsu
，v
3，rsu
，...，v
m，rsu
，并计算出两个地磁车辆检测器采集的m辆车的行驶速度的平均车速为v
1，dc
，v
2，dc
及该车道l1的平均占有率occupancy
1，dc
，occupancy
2，dc
，并将该平均车速v
1，dc
，v
2，dc
及平均占有率occupancy
1，dc
，occupancy
2，dc
发送至深度学习终端服务器；
42.s4.所述深度学习终端服务器接收所述步骤s3中的车道l1中的n辆车的行驶速度数据及m辆车的平均车速v
1，dc
，v
2，dc
及平均占有率occupancy
1，dc
，occupancy
2，dc
，处理计算出该条车道上的平均车辆数n
l1
、无人机单元与路侧单元所检测出的n+m辆车的平均行驶车速v
l1
及n+m辆车在该条车道上的平均占有率d
l1
，通过如下公式计算：
43.n
l1
＝(n+m)/2
ꢀꢀꢀꢀ
(1)；
[0044]vl1
＝((v
1，rsu
+v
2，rsu
+...+v
m，rsu
)/m+(v
1，dc
+v
2，dc
)/2+(v
1，uav
+v
2，uav
+...+v
n，uav
)/n)/3 (2)；
[0045]ol1
＝(occupancy
1，dc
+occupancy
2，dc
)/2
ꢀꢀꢀ
(3)；
[0046]
s5.依据步骤s3-s4的方法，对余下的三条车道l2、l3、l4的数据进行采集，并将余下三条车道l2、l3、l4采集的数据发送至深度学习终端服务器；
[0047]
s6.所述深度学习终端服务器分别计算出的四条车道的平均占有率o
l1
、o
l2
、o
l3
、o
l4
和平均车速v
l1
、v
l2
、v
l3
、v
l4
，当任意一条或几条车道的平均占有率大于等于预设阈值且平均车速小于等于预设阈值时，则执行步骤s7；
[0048]
s7.根据所述s6中的平均占有率和平均车速，判断拥堵出现在哪些方向的车道上，所述深度学习终端服务器实时向仿真模块输入初始周期t0、出现拥堵道路的平均车辆数、平均行驶车速和平均占有率，所述仿真模块基于上述的实时数据及预先搭建的vissim目标交叉口模型，进行初步信号优化，计算并输出不会发生拥堵的方针信号周期t
1，vissim
；通过深
度学习终端服务器中的深度学习模块根据在一个交通信号采集周期内的平均车辆数、平均行驶车速和平均占有率，分析得出预测的可能达到的车流，输出最优的预测信号周期t
1，dl
；
[0049]
s8.对所述s7中的信号周期t
1，vissim
和最优的预测信号周期t
1，dl
，计算得出下一个交通信息采集周期t
1，os
，通过如下公式计算：
[0050]
t
1，os
＝t
1，vissim
*k1+t
1，dl
*k2ꢀꢀꢀꢀꢀ
(4)；
[0051]
其中，k1、k2为权参数，k1+k2＝1；
[0052]
s9.根据所述步骤s8得到的下一个交通信息采集周期t
1，os
，对所述交叉口信号灯进行周期优化(即把交叉口信号灯的初始周期t
signal
优化为t
1，os
)，记录周期并开启新周期的计时；
[0053]
s10.重复上述步骤s3-s6，若平均占有率大于等于预设阈值时，平均车速小于等于预设阈值时，则执行步骤s11，若平均占有率小于预设阈值时，平均车速大于预设阈值时，则执行步骤s12；
[0054]
s11.在深度学习终端服务器中，交叉口信号灯周期优化的初始轮数n＝0，运行中每进行一次交叉口信号灯周期优化，优化轮数变化为n+1；
[0055]
s12.重复执行步骤s7-s8，每得到新一轮采集周期内的交叉口信号灯最优信号周期数据时都进行数据储存；
[0056]
s13.结合n+1轮得到目标交叉口的高峰时间的交通流量、平均车速、交叉口车道平均占有率及最优的预测信号周期，并得到在不同交通流情况下目标交叉口的最优信号周期。
[0057]
在上述技术方案中，所述步骤s1中，不同交通情况时的对应交叉口信号采集周期t
1，os
、t
2，os
、...、t
n，os
是由深度学习终端服务器进行运行后保存的历史数据，目标交叉口运行完实施例2后一段时间内都可只执行实施例2实现交叉口的交通优化。
[0058]
在上述技术方案中，所述步骤s6中，所述车道平均占有率≥30％，所述车流平均车速≤20km/h。
[0059]
在上述技术方案中，在所述步骤s7中，分析迁移交通信息采集周期中得到的各项交通流数据，生成产生拥堵的原因，并存储在深度学习终端服务器中，同时与实时数据相结合，预测下一周期的可能达到车流。
[0060]
与现有技术相比，本发明的有益效果是：
[0061]
1.本发明中，对道路的目标交叉口进行交通监测，无人机提供的空中视野可以覆盖交叉口更广阔的道路视野，在宏观上更容易观测出当前该区域的交通情况，并且辅以地面的路侧单元，通过地磁车辆检测器来更具体监测出不同方向、不同道路的车辆运行状况，从而实现地面与空中协同监测，能够获取更为准确的有效数据。
[0062]
2.本发明引入边缘计算模块，在无人机单元以及路侧单元都加装边缘计算服务器，在收集到交通数据之后，是由无人机单元、路侧单元以及深度学习终端服务器三方同时进行计算并最终数据汇总。而不是以往技术中的，监测设备只负责收集数据，最终只有终端服务器进行数据计算。本系统引入了边缘计算技术可以大大加快监测效率，在5g信号优异的地方可实现实时监测处理。
[0063]
3.本发明结合了无人机区域航拍和计算机视觉技术，无人机所收集到的视频图像都能通过计算机视觉技术转变为我们所需要的任何一种交通数据。
[0064]
4.本发明，在深度学习终端服务器的神经算法运用中，本系统采用的是yolo-x和deepsort的合成算法，该合成算法比以往的目标检测算法准确率更高，运行效率更高，占用算力更低，并且合成算法可以同时实现目标检测、目标跟踪以及交通数据实时提取三大功能。
附图说明
[0065]
图1是本发明的道路交叉口监测系统的布置图；
[0066]
图2是本发明的道路交叉口监测发明的流程图；
[0067]
图3是本发明的道路交叉口监测系统的架构图；
[0068]
图4是本发明中无人机单元的模块图；
[0069]
图5是本发明中路侧单元的模块图。
具体实施方式
[0070]
以下结合附图和具体实施例对本发明作进一步详细说明。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。
[0071]
实施例1
[0072]
如图所示，本发明的一种基于深度学习和地空协同的道路交叉口监测系统，包括：
[0073]
无人机单元，用于对目标交叉口进行俯视拍摄，获取目标交叉口的视频图像并处理生成目标交叉口的宏观交通流参数，并将宏观交通流参数发送至深度学习终端服务器；
[0074]
所述无人机单元包括摄制模块、gps模块、无人机单元通讯模块、无人机控制模块和无人机边缘计算模块；
[0075]
所述摄制模块用于对目标交叉口进行俯视拍摄，得到目标交叉口的监测视频；
[0076]
所述gps模块用于实时定位；
[0077]
所述无人机控制模块用于控制所述摄制模块在空中的运行；
[0078]
所述无人机边缘计算模块用于对所述监测视频进行计算处理，得到目标交叉口的宏观交通流参数，具体为车辆的数量、车辆的类别、车流平均速度、车辆轨迹数据；
[0079]
所述无人机单元通讯模块用于将所述宏观交通流参数发送至所述深度学习终端服务器，并接收深度学习终端服务器发送的命令；
[0080]
若干个路侧单元，用于采集目标交叉口的车辆运行信息，并将车辆运行信息发送至深度学习终端服务器；
[0081]
每个所述路侧单元包括地磁车辆检测器、路侧单元通讯模块和路侧单元边缘计算模块；
[0082]
所述地磁车辆检测器用于采集目标交叉口的各方向车道的车辆，并计算生成的车道占有率；
[0083]
所述路侧单元边缘计算模块用于对所述地磁车辆检测器所获得的车道占有率进行计算，计算出个体车辆的运行信息，得到车辆运行信息，具体为车辆数量，各车辆的车速、车辆的车道选择、车道占有率；
[0084]
所述路侧单元通讯模块用于将所述车辆运行信息发送至所述深度学习终端服务器，并接收深度学习终端服务器发送的命令；
[0085]
深度学习终端服务器，用于接收所述无人机单元的宏观交通流参数和路侧单元的车辆运行信息，处理生成目标交叉口不同交通流环境下对应的最优的预测信号周期数据t
n，dl
；
[0086]
所述深度学习终端服务器包括数据存储模块、深度学习模块、仿真模块和服务器通讯模块；
[0087]
所述数据存储模块用于储存所述无人机单元及路侧单元发送的宏观交通流参数及车辆运行信息；
[0088]
所述仿真模块用于搭建目标交叉口的交通模型，并处理优化生成仿真信号周期数据t
n，vissim
；
[0089]
所述深度学习模块用于通过所述仿真模块的交通模型，接收所述仿真信号周期数据t
n，vissim
，结合所述宏观交通流参数及车辆运行信息进行计算处理，分析并生成目标交叉口的运行数据及目标交叉口的最优的预测信号周期数据t
n，dl
；
[0090]
所述服务器通讯模块用于与所述无人机单元、路侧单元和交叉口信号灯控制单元通讯；
[0091]
交叉口信号灯控制单元，用于接收所述最优的预测信号周期数据t
n，dl
，生成信号灯控制指令，以控制信号灯的运行。
[0092]
进一步地说，所述无人机单元设置在目标交叉口的正上空120m～150m。
[0093]
进一步地说，所述路侧单元设置在目标交叉口的四个方向的对应车道上。
[0094]
进一步地说，在所述路侧单元的上游及下游25m处分别安装有一个地磁车辆检测器。
[0095]
进一步地说，所述路侧单元边缘计算模块计算出个体车辆的运行信息，具体为车辆数量，各车辆的车速、车辆的车道选择、车道占有率。
[0096]
进一步地说，所述深度学习终端服务器内嵌入yolo-x和deepsort的合成算法。
[0097]
进一步地说，所述交叉口信号灯控制单元通过api接口与所述深度学习终端服务器连接，以用于获取最优的预测信号周期数据t
n，dl
。
[0098]
进一步地说，所述无人机单元通讯模块、路侧单元通讯模块和服务器通讯模块均为5g级信号传输模块。
[0099]
进一步地说，所述仿真模块内嵌装有vissim交通仿真软件，用于搭建目标交叉口的交通模型，并沟通过api接口与深度学习终端服务器连接，传送所述仿真信号周期数据t
n，vissim
。
[0100]
本发明的道路交叉口监测系统中，联合使用无人机单元、路侧单元既可以获取宏观交通流参数，也可以获得个体车辆的运行信息，丰富了交通参与者检测的信息来源，提高了交通监测的可靠性和准确性；无人机单元及路侧单元中均配置有边缘计算模块，可以分别对无人机单元及路侧单元采集获取的数据进行预处理，可以分担深度学习终端服务器的算力压力，有效降低了深度学习终端服务器的数据处理压力，提高整个系统的运行效率；并且以深度学习为计算基础，能够更加高效准确地得到交通信息，有利于监测交通，为目标交口的信号周期优化提供了良好的基础，能够更好地缓解目标交叉口的交通拥堵。
[0101]
实施例2
[0102]
在本实施例中，设定目标交叉口的监测时间为7:00-8:00的早高峰时间，在道路的
目标交叉口，共有四个车道(如图1所示)。
[0103]
如图1所示，每个车道上设有两个地磁检测器，共计八个地磁检测器。
[0104]
本发明的一种基于地空协同的道路交叉口监测方法，如图2所示，包括以下步骤：
[0105]
s1.确定无人机单元、路侧单元的位置及部署；
[0106]
s2.设定初始交通信息采集周期t0，所述交通信息采集周期t0与进行信号优化前的交叉口信号灯周期t
signal
相等；
[0107]
s3.开始计时，所述无人机单元、路侧单元同时运行，所述无人机单元采集目标交叉口的宏观交通流数据(车辆数量、车辆行驶车速、车辆轨迹及车辆类别)，所述路侧单元采集车辆运行信息，具体为车辆数量，各车辆的车速、车辆的车道选择、车道占有率，并将所述宏观交通流数据及车辆运行信息发送至所述深度学习终端服务器，若交通信息采集的累计采集时长大于或等于t0时，则执行步骤s4，若累计采集时长小于t0时，则控制无人机单元、路侧单元持续采集信息直至累计采集时长大于或等于t0，具体包括：
[0108]
s3-1.在目标交叉口的其中一个车道l1中共有n辆车经过，通过所述无人机单元采集到n辆车的行驶速度为v
1，uav
，v
2，uav
，v
3，uav
，...，v
n，uav
，并将采集的所述n辆车的行驶速度发送至所述深度学习终端服务器；
[0109]
s3-2.在所述无人机单元运行的同时，在选定的目标交叉口的车道l1中共有m辆车经过路侧单元，通过所述路侧单元的两个地磁车辆检测器分别采集m辆车的行驶速度为v
1，rsu
，v
2，rsu
，v
3，rsu
，...，v
m，rsu
，并计算出两个地磁车辆检测器采集的m辆车的行驶速度的平均车速为v
1，dc
，v
2，dc
及该车道l1的平均占有率occupancy
1，dc
，occupancy
2，dc
，并将该平均车速v
1，dc
，v
2，dc
及平均占有率occupancy
1，dc
，occupancy
2，dc
发送至深度学习终端服务器；
[0110]
s4.所述深度学习终端服务器接收所述步骤s3中的车道l1中的n辆车的行驶速度数据及m辆车的平均车速v
1，dc
，v
2，dc
及平均占有率occupancy
1，dc
，occupancy
2，dc
，处理计算出该条车道上的平均车辆数n
l1
、无人机单元与路侧单元所检测出的n+m辆车的平均行驶车速v
l1
及n+m辆车在该条车道上的平均占有率o
l1
，通过如下公式计算：
[0111]nl1
＝(n+m)/2
ꢀꢀꢀ
(1)；
[0112]vl1
＝((v
1，rsu
+v
2，rsu
+...+v
m，rsu
)/m+(v
1，dc
+v
2，dc
)/2+(v
1，uav
+v
2，uav
+...+v
n，uav
)/n)/3
ꢀꢀ
(2)；
[0113]ol1
＝(occupancy
1，dc
+occupancy
2，dc
)/2
ꢀꢀꢀꢀ
(3)；
[0114]
s5.依据步骤s3-s4的方法，对余下的三条车道l2、l3、l4的数据进行采集，并将余下三条车道l2、l3、l4采集的数据发送至深度学习终端服务器；
[0115]
s6.所述深度学习终端服务器分别计算出的四条车道的平均占有率o
l1
、o
l2
、o
l3
、o
l4
和平均车速v
l1
、v
l2
、v
l3
、v
l4
，当任意一条或几条车道的平均占有率大于等于预设阈值且平均车速小于等于预设阈值时，则执行步骤s7；
[0116]
s7.根据所述s6中的平均占有率和平均车速，判断拥堵出现在哪些方向的车道上，所述深度学习终端服务器实时向仿真模块输入初始周期t0、出现拥堵道路的平均车辆数、平均行驶车速和平均占有率，所述仿真模块基于上述的实时数据及预先搭建的vissim目标交叉口模型，进行初步信号优化，计算并输出不会发生拥堵的方针信号周期t
1，vissim
；通过深度学习终端服务器中的深度学习模块根据在一个交通信号采集周期内的平均车辆数、平均行驶车速和平均占有率，分析得出预测的可能达到的车流，输出最优的预测信号周期t
1，dl
；
[0117]
s8.根据所述s7中的信号周期t
1，vissim
和最优的预测信号周期t
1，dl
，计算得出下一
个交通信息采集周期t
1，os
，通过如下公式计算：
[0118]
t
1，os
＝t
1，vissim
*k1+t
1，dl
*k2ꢀꢀꢀꢀꢀ
(4)；
[0119]
其中，k1、k2为权参数，k1+k2＝1；
[0120]
s9.根据所述步骤s8得到的下一个交通信息采集周期t
1，os
，对所述交叉口信号灯进行周期优化(即把交叉口信号灯的初始周期t
signal
优化为t
1，os
)，记录周期并开启新周期的计时；
[0121]
s10.重复上述步骤s3-s6，若平均占有率大于等于预设阈值时，平均车速小于等于预设阈值时，则执行步骤s11，若平均占有率小于预设阈值时，平均车速大于预设阈值时，则执行步骤s12；
[0122]
s11.在深度学习终端服务器中，交叉口信号灯周期优化的初始轮数n＝0，运行中每进行一次交叉口信号灯周期优化，优化轮数变化为n+1；
[0123]
s12.重复执行步骤s7-s8，每得到新一轮采集周期内的交叉口信号灯最优信号周期数据时都进行数据储存；
[0124]
s13.结合n+1，得到目标交叉口的高峰时间的交通流量、平均车速、交叉口车道平均占有率及最优的预测信号周期，并得到在不同交通流情况下目标交叉口的最优信号周期。
[0125]
进一步地说，所述步骤s1中，不同交通情况时的对应交叉口信号采集周期t
1，os
、t
2，os
、...、t
n，os
是运行后保存的历史数据，目标交叉口运行完后一段时间内都可只执行本实施例中的最优信号周期，以实现交叉口的交通优化。
[0126]
进一步地说，所述步骤s6中，所述预设阈值为车道平均占有率≥30％，所述车流平均车速≤20km/h。
[0127]
进一步地说，在所述步骤s7中，分析迁移交通信息采集周期中得到的各项交通流数据，生成产生拥堵的原因，并存储在深度学习终端服务器中，同时与实时数据相结合，预测下一周期的可能达到车流。
[0128]
在每一轮新的交通信息采集周期中，交通信息采集周期不会维持初始周期t0不变，而是会根据整个交叉口实时的交通流数据变化而生成不同情况下的交通信息采集周期t
1，os
、t
2，os
、...、t
n，os
，如图1所示，根据实际中交叉口信号灯的时间区间，设置了20轮交叉口信息周期优化，以达到整个交叉口在早高峰7:00-8:00(或其他高峰时段)的优化需要，并且在每一轮的优化中都有相对应匹配的交通流参数作为历史参考数据，储存于终端服务器中。
[0129]
经过上述的多个n+1轮数据采集，在不同交通流情况下，得到了n+1轮的最优的预测信号周期，从而在不同交通流情况下，能够得出目标交叉口的最优信号周期。
[0130]
通过本发明所述的道路交叉口监测系统可以收集到目标交叉口在规定时间段内的所有实时交通流数据以及交叉口信息周期优化数据，为目标交叉口的良好运行提供准确的数据支撑及算力支持。
[0131]
以上所述仅是本发明的优选实施方式，应当指出的是，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。