一种基于深度学习驱动的城市交通管理自适应系统

1.本发明涉及城市交通管理领域，尤其涉及一种基于深度学习驱动的城市交通管理自适应系统。


背景技术：

2.交通拥堵是许多城市的一个主要问题。道路上每天都有大量的车辆在行驶，这使得管理交通的任务变得更加繁琐。广泛的研究工作正在使交通管理系统更加具有适应性和智能性。
3.在道路和路口安装摄像头，对违反交通规则实施自主处罚和人身识别。在交通管理方面，大多数交通路口使用固定时间的绿灯循环系统来管理交通。但是像在交通灯管理系统中加入固定循环周期的传统操作存在一定的限制，在调节交通拥堵方面效率非常低，传统的系统缺乏智能性管理，因此，即使当另一个路口没有车辆的时候，也需要等待交通灯变为绿灯才能行驶，这种不可避免的等待时间有的时候会让驾驶员不安，往往违反交通规则和出现事故。
4.为了管理交通拥堵和实现自动化交通管理的方式，目前研究人员们已经进行了相关的研究工作，依赖于感官网络的功能来积累交通拥堵，以及在每个十字路口行驶的车辆的范围，以便在估计交通灯可以保持绿色的时间长度时做出决定，但是该方法的缺点是还是更多的需要人工的操作，比较耗时耗力。在上述的研究中，通常是将交通流视频作为一个标准的输入数据进行处理。然而视频时图像的集合，因此为了处理视频和获得流量的洞察力，所有的图像都需要实时处理，这是一个昂贵且耗时的计算。此外，从视频中提取的图像的连续处理会影响系统的持久性。由于这些限制，人们非常需要一种快速、准确和具有成本效益的智能流量管理。
5.中国专利zl202110968627.6公开了一种基于智慧交通物联网的交通监测系统及方法，其通过对机动车辆、非机动车辆和行人进行实时信息采集，自动完成对各向车道的信号灯时间的调节，从而提高路口通行效率，但仍未解决路口车辆堵塞的技术问题。


技术实现要素：

6.为此，本发明提供一种基于深度学习驱动的城市交通管理自适应系统，可以解决无法根据当前路口紧迫度获取堵塞情况进而对路口的绿信比进行调节，以使当前路口交通管理符合预设标准。
7.为实现上述目的，本发明提供一种基于深度学习驱动的城市交通管理自适应系统，包括：
8.模型构建模块，包括存储单元以及模型构建单元，其中，所述存储单元用于存储各时间段各路口车辆流量，模型构建单元用于根据存储单元存储的各路口车辆流量构建交通信号灯转换周期模型，其中，所述模型构建单元根据绿灯利用率对交通信号灯转换周期进行调节；
9.采集模块，包括若干采集单元，其设置于各路口处，用于采集各路口处的图像；
10.预处理模块，其与所述采集模块相连接，用于对采集模块获取的各路口的图像进行预处理，预测各路口堵塞等级，其中，预处理模块获取当前路口的图像预设区域内待通行车辆信息获取当前路口紧迫度，并将获取的当前路口紧迫度与预设紧迫度相比较，预测当前路口堵塞等级；
11.控制模块，其与所述模型构建模型、所述采集模块以及预处理模块相连接，用于根据当前路口堵塞等级对当前路口交通信号灯转换周期和当前路口交通信号灯转换周期内的绿信比进行调节，其中，若当前路口堵塞等级为a1级，控制模块降低当前路口交通信号灯转换周期，若当前路口堵塞等级为a3级，控制模块提高当前路口交通信号灯转换周期内的绿信比，同时，控制模块将获取当前路口绿信比与预设绿信比标准值相比较，对下一路口和上一路口的交通信号灯转换周期内的绿信比进行调节，以使当前路口的交通状况符合预设标准。
12.进一步地，所述模型构建单元预设流量l，模型构建单元根据获取当前路口各时间段车辆流量lk与预设流量相比较，选取各时间段周期以构建当前路口交通信号灯转换周期模块，其中，
13.当lk≤l1，所述模型构建单元选取第一预设周期t1为第k时间段交通信号灯转换周期；
14.当l1＜lk≤l2，所述模型构建单元选取第二预设周期t2为第k时间段交通信号灯转换周期；
15.当l2＜lk≤l3，所述模型构建单元选取第三预设周期t3为第k时间段交通信号灯转换周期；
16.当lk＞l3，所述模型构建单元选取第四预设周期t4为第k时间段交通信号灯转换周期；
17.其中，所述模型构建单元预设流量l，设定第一预设流量l1、第二预设流量l2、第三预设流量l3、第四预设流量l4，模型构建单元预设周期t，设定第一预设周期t1、第二预设周期t2、第三预设周期t3、第四预设周期t4，k＝1，2，...n，n为总时间段。
18.进一步地，所述预处理模块根据所述采集模块获取的图像中预设区域内最后一辆车与路口第一辆车车辆的距离s与车辆运行平均速率v0，获取当前路口紧迫度p，设定p＝hj
×
(s/v0)/tig，预处理模块将获取当前路口紧迫度与预设紧迫度相比较，预处理模块预测当前路口堵塞等级，其中，
19.当p≤p1，所述预处理模块预测当前路口堵塞等级为第一预设堵塞等级a1；
20.当p1＜p＜p2，所述预处理模块预测当前路口堵塞等级为第二预设堵塞等级a2；
21.当p≥p2，所述预处理模块预测当前路口堵塞等级为第三预设堵塞等级a3；
22.其中，所述预处理模块预设堵塞等级a，设定第一预设堵塞等级a1、第二预设堵塞等级a2、第三预设堵塞等级a3，hj为紧迫度补偿参数，i＝1，2，3，4，tig为ti交通信号灯转换周期内绿灯时间。
23.进一步地，所述预处理模块预设车辆密度m，预处理模块获取当前预设区域内车辆密度m，与预设车辆密度相比较，选取紧迫度补偿参数，其中，
24.当m≤m1，所述预处理模块选取第一预设紧迫度补偿参数h1为当前路口紧迫度补
偿参数；
25.当m1＜m＜m2，所述预处理模块选取第二预设紧迫度补偿参数h2为当前路口紧迫度补偿参数；
26.当m≥m2，所述预处理模块选取第三预设紧迫度补偿参数h3为当前路口紧迫度补偿参数；
27.其中，所述预处理模块预设车辆密度m，设定第一预设车辆密度m1、第二预设车辆密度m2，预设紧迫度补偿参数h，设定第一预设紧迫度补偿参数h1、第二预设紧迫度补偿参数h2、第三预设紧迫度补偿参数h3。
28.进一步地，所述控制模块根据所述预处理模块预测当前路口的堵塞等级对当前路口交通信号灯转换周期及周期内绿信比进行调节，其中，
29.若当前路口堵塞等级为a1时，控制模块将当前路口交通信号灯转换周期ti降低至ti1，设定ti1＝ti
×
(1-(p1-p)/p1)；
30.若当前路口堵塞等级为a2时，控制模块不对当前路口交通信号灯转换周期及周期内的绿信比进行调节；
31.若当前路口堵塞等级为a3时，控制模块将当前路口交通信号灯转换周期中绿信比tig提高至tig1，设定tig1＝tig
×
(1+(p-p2)/p2)。
32.进一步地，所述控制模块获取当前路口交通信号灯转换周期内的绿信比tig1与控制模块预设绿信比标准值t0相比较，对上一路口和下一路口的交通信号灯转换周期内的绿信比进行调节，其中，
33.当tig1≤t0，所述控制模块不对其他路口的交通信号灯转换周期内的绿信比进行调节；
34.当tig1＞t0，所述控制模块提高下一路口的交通信号灯转换周期内的绿信比，缩短上一路口的交通信号灯转换周期内的绿信比。
35.进一步地，所述控制模块获取当前路口交通信号灯转换周期内绿信比大于预设绿信比标准值，控制模块提高下一路口的交通信号灯转换周期内的绿信比tx至tx1，设定tx1＝tx
×
(1+(tig1-t0)/t0)，缩短上一路口的交通信号灯转换周期内的绿信比ts至ts1，设定ts1＝ts
×
(1-(tig1-t0)/t0)。
36.进一步地，所述控制模块将获取的当前路口绿灯利用率f与预设绿灯利用率f0相比较，对所述预处理模块的预设区域和模型构建单元的预设交通信号灯转换周期进行调节，其中，
37.当f≤f1，所述控制模块降低模型构建单元的预设交通信号灯转换周期ti至ti2，设定ti2＝ti
×
(1-(f1-f)/f1)；
38.当f1＜f＜f1，所述控制模块不对预设区域进行调节；
39.当f≥f2，所述控制模块扩大所述预处理模块的预设区域；
40.其中，所述控制模块预设绿灯利用率f，设定第一预设绿灯利用率f1，第二预设绿灯利用率f2。
41.进一步地，所述控制模块获取当前路口绿灯利用率f，设定f＝d/ti，其中，d为当前交通信号灯转换周期内通过当前路口的车辆数。
42.进一步地，当所述控制模块获取当前路口绿灯利用率大于等于第二预设绿灯利用
率，控制模块扩大所述预处理模块的预设区域w至w1，设定w1＝w
×
(1+(f-f2)/f2)。
43.与现有技术相比，本发明的有益效果在于，本发明设置有控制模块，用于根据当前路口堵塞等级对当前路口交通信号灯转换周期和当前路口交通信号灯转换周期内的绿信比进行调节，其中，若当前路口堵塞等级为a1级，控制模块降低当前路口交通信号灯转换周期，若当前路口堵塞等级为a3级，控制模块提高当前路口交通信号灯转换周期内的绿信比，同时，控制模块将获取当前路口绿信比与预设绿信比标准值相比较，对下一路口和上一路口的交通信号灯转换周期内的绿信比进行调节，以使当前路口的交通状况符合预设标准。
44.尤其，本发明模型构建单元将预设周期划分为明确的四个标准，模型构建单元根据存储单元存储的各时间段当前路口车辆流量与预设流量相比较，选取最佳的流量作为各时间段当前路口交通灯转换周期，其中，若模型构建单元获取的当前路口当前时间段的车辆流量小于等于第一预设流量，模型构建模块选取较小的周期为当前路口当前时间段交通灯转换周期，以此类推，模型构建模块根据获取的流量与预设流量相比较，选取对应的周期作为当前时间段交通信号灯转换周期，模型构建单元根据获取的当前路口各个时间段交通信号灯转换周期构建交通信号灯转换周期模型。
45.尤其，本发明通过设置预处理模块根据预设区域内车辆总长和车辆运行平均速度获取当前路口紧迫度，并根据当前路口紧迫度与预设紧迫度相比较，获取当前路口的堵塞等级，其中，预处理模块根据预设区域内的车辆密度与预设车辆密度相比较，选取最佳的紧迫度补偿参数对紧迫度进行补偿，避免因车辆密度过低，各车辆间隙较短，其以车辆运行平均速率运行的时间较短，造成紧迫度获取不准确，当预处理模块获取当前路口紧迫度小于等于第一预设紧迫度，说明当前路口车辆不多，预处理模块预测当前路口堵塞等级为a1级，当预处理模块获取当前路口紧迫度在第一预设紧迫度和第二预设紧迫度之间，说明当前路口车辆较多，预处理模块预测当前路口堵塞等级为a2级，当预处理模块获取当前路口紧迫度大于等于第二预设紧迫度，说明当前路口车辆过多，预处理模块预测当前路口堵塞等级为a3级。
46.尤其，本发明根据预处理模块预测当前路口堵塞等级对获取的当前路口交通信号灯转换周期中绿信比进行调节，其中，当预处理模块预测当前路口堵塞等级为a1级时，说明当前路口的堵塞程度较低，为提高交通转换的效率，控制模块降低当前路口交通信号灯转换周期，当预处理模块预测当前路口堵塞等级为a2时，说明当前路口堵塞情况在标准范围内，控制模块不对当前路口交通信号灯转换周期及周期内的绿信比进行调节，当预处理模块预测当前路口堵塞等级为a3时，说明当前路口即将出现较为严重的堵塞情况，控制模块提高当前路口交通信号灯转换周期内的绿信比，以解决当前路口可能会出现的堵塞问题。
47.尤其，本发明控制模块设置有绿信比标准值，控制模块将获取的当前路口交通信号转换周期内的绿信比与预设绿信比标准值相比较，对其他路口的绿信比进行调节，其中，若控制模块获取当前路口交通信号灯转换周期的绿信比小于等于预设绿信比标准值，说明当前路口绿信比符合标准，控制模块不对其他路口的交通信号灯转换周期内的绿信比进行调节，若控制模块获取当前路口交通信号灯转换周期的绿信比大于预设绿信比标准值，控制模块提高下一路口交通信号灯转换周期内的绿信比，以使通过当前路口的车辆顺利通过下一路口，避免下一路口的堵塞，同时缩短上一路口的交通信号灯转换周期内的绿信比，避免当前路口等待车辆过多，造成堵塞。
48.尤其，本发明将在单位时间内交通信号灯转换周期内通过当前路口车辆数设为当前路口绿灯利用率，控制模块将当前路口绿灯利用率与控制模块预设绿灯利用率相比较，用以判定当前模型构建模块构建的模型以及预处理模块预处理是否符合标准进行评价，其中，若当前路口绿灯利用率小于等于第一预设绿灯利用率，说明当前路口交通信号灯转换周期不佳，控制模块判定降低模型构建单元预设交通信号灯转换周期，若当前绿灯利用率在第一预设绿灯利用率和第二预设绿灯利用率之间，说明当前路口通过车辆符合预设很标准，控制模块不对所述预处理模块的预设区域和模型构建单元的预设交通信号灯转换周期进行调节，若当前路口绿灯利用率大于等于第二预设绿灯利用率，说明对当前路口的堵塞情况判定不准确，控制模块通过扩大所述预处理模块的预设区域提高判定当前路口堵塞情况的准确性。
附图说明
49.图1为发明实施例基于深度学习驱动的城市交通管理自适应系统结构示意图；
50.图2为发明实施例基于深度学习驱动的城市交通管理自适应系统的摄像机放置位置侧视图；
51.图3为发明实施例基于深度学习驱动的城市交通管理自适应系统的摄像机放置位置俯视图；
52.图4为发明实施例基于深度学习驱动的城市交通管理自适应系统的深度学习网络结构示意图。
具体实施方式
53.为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
54.下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。
55.需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
56.此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
57.请参阅图1所示，其为本发明实施例基于深度学习驱动的城市交通管理自适应系统结构示意图，包括，
58.模型构建模块，包括存储单元以及模型构建单元，其中，所述存储单元用于存储各时间段各路口车辆流量，模型构建单元用于根据存储单元存储的各路口车辆流量构建交通信号灯转换周期模型，其中，所述模型构建单元根据绿灯利用率对交通信号灯转换周期进
行调节；
59.采集模块，包括若干采集单元，其设置于各路口处，用于采集各路口处的图像；
60.预处理模块，其与所述采集模块相连接，用于对采集模块获取的各路口的图像进行预处理，预测各路口堵塞等级，其中，预处理模块获取当前路口的图像预设区域内待通行车辆信息获取当前路口紧迫度，并将获取的当前路口紧迫度与预设紧迫度相比较，预测当前路口堵塞等级；
61.控制模块，其与所述模型构建模型、所述采集模块以及预处理模块相连接，用于根据当前路口堵塞等级对当前路口交通信号灯转换周期和当前路口交通信号灯转换周期内的绿信比进行调节，其中，若当前路口堵塞等级为a1级，控制模块降低当前路口交通信号灯转换周期，若当前路口堵塞等级为a3级，控制模块提高当前路口交通信号灯转换周期内的绿信比，同时，控制模块将获取当前路口绿信比与预设绿信比标准值相比较，对下一路口和上一路口的交通信号灯转换周期内的绿信比进行调节，以使当前路口的交通状况符合预设标准。
62.请参阅图2所示，其为本发明实施例基于深度学习驱动的城市交通管理自适应系统的摄像机放置位置侧视图，参阅图3所示，其为本发明实施例基于深度学习驱动的城市交通管理自适应系统的摄像机放置位置俯视图，具体而言，本发明实施例通过路口的摄像机可以收集路口车流数据，以便人类观察和监督系统运行。
63.请参阅图4所示，其为本发明实施例基于深度学习驱动的城市交通管理自适应系统的深度学习网络结构示意图，采用transformer网络结构进行目标检测任务，从而分析出当前路口的紧迫度，并且通过预先训练的网络参数使其在新的数据集上可以更快的收敛，同时防止过拟合。
64.具体而言，本发明实施例中模型构建单元构建模型的方法不作限定，本发明实施例提出一种构建交通信号灯转换周期模型的方法，采用，其设置有各种方法运行对象检测的模块，opencv通过采集的图像计算车辆，其中，opencv是一个用c++和python编写的图像处理库，通过opencv将计算的车辆信息提供给设计好的transformer网络，transformer是一种用于可以用于实时目标检测的基于多头注意力机制的神经网络模型，由transformer模型执行目标检测，并计算图中两轮车和四轮车的数量，根据两轮车和四轮车的数量计算总通过时间，从而来调控交通信号灯转换周期。
65.其中，所述模型构建单元预设流量l，模型构建单元根据获取当前路口各时间段车辆流量lk与预设流量相比较，选取各时间段周期以构建当前路口交通信号灯转换周期模块，其中，
66.当lk≤l1，所述模型构建单元选取第一预设周期t1为第k时间段交通信号灯转换周期；
67.当l1＜lk≤l2，所述模型构建单元选取第二预设周期t2为第k时间段交通信号灯转换周期；
68.当l2＜lk≤l3，所述模型构建单元选取第三预设周期t3为第k时间段交通信号灯转换周期；
69.当lk＞l3，所述模型构建单元选取第四预设周期t4为第k时间段交通信号灯转换周期；
70.其中，所述模型构建单元预设流量l，设定第一预设流量l1、第二预设流量l2、第三预设流量l3、第四预设流量l4，模型构建单元预设周期t，设定第一预设周期t1、第二预设周期t2、第三预设周期t3、第四预设周期t4，k＝1，2，...n，n为总时间段。
71.具体而言，本发明模型构建单元将预设周期划分为明确的四个标准，模型构建单元根据存储单元存储的各时间段当前路口车辆流量与预设流量相比较，选取最佳的流量作为各时间段当前路口交通灯转换周期，其中，若模型构建单元获取的当前路口当前时间段的车辆流量小于等于第一预设流量，模型构建模块选取较小的周期为当前路口当前时间段交通灯转换周期，以此类推，模型构建模块根据获取的流量与预设流量相比较，选取对应的周期作为当前时间段交通信号灯转换周期，模型构建单元根据获取的当前路口各个时间段交通信号灯转换周期构建交通信号灯转换周期模型。
72.具体而言，本发明实施例中所述模型构建单元根据所述存储单元存储的当前路口历史数据中各时间段车辆流量为当前路口各时间段车辆流量，各时间段车辆流量根据存储单元存储的各时间段该路口车辆流量的平均值，模型构建模块根据获取的各时间段周期构建全时间段交通信号灯转换周期模型，其中，当模型构建模块获取第一时间段交通信号灯转换周期t1、第二时间段交通信号灯转换周期t2、第三时间段交通信号灯转换周期t2、第四时间段交通信号灯转换周期t3、第五时间段交通信号灯转换周期t4、第六时间段交通信号灯转换周期t2、第七时间段交通信号灯转换周期t4、第八时间段交通信号灯转换周期t1，模型构建单元获取全时间段交通信号灯转换周期模型为(t1、t2、t2、t3、t4、t2、t4、t1)，其中，本发明实施例对各时间段的划分不作限定，其可以根据全天中交通拥挤情况对各时间段进行划分，也可以根据时间对各时间段进行划分，只要其能够评价全天交通的状况即可。
73.其中，所述预处理模块根据所述采集模块获取的图像中预设区域内最后一辆车与路口第一辆车车辆的距离s与车辆运行平均速率v0，获取当前路口紧迫度p，设定p＝hj
×
(s/v0)/tig，预处理模块将获取当前路口紧迫度与预设紧迫度相比较，预处理模块预测当前路口堵塞等级，其中，
74.当p≤p1，所述预处理模块预测当前路口堵塞等级为第一预设堵塞等级a1；
75.当p1＜p＜p2，所述预处理模块预测当前路口堵塞等级为第二预设堵塞等级a2；
76.当p≥p2，所述预处理模块预测当前路口堵塞等级为第三预设堵塞等级a3；
77.其中，所述预处理模块预设堵塞等级a，设定第一预设堵塞等级a1、第二预设堵塞等级a2、第三预设堵塞等级a3，hj为紧迫度补偿参数，i＝1，2，3，4，tig为ti交通信号灯转换周期内绿灯时间。
78.具体而言，所述预处理模块预设车辆密度m，预处理模块获取当前预设区域内车辆密度m，与预设车辆密度相比较，选取紧迫度补偿参数，其中，
79.当m≤m1，所述预处理模块选取第一预设紧迫度补偿参数h1为当前路口紧迫度补偿参数；
80.当m1＜m＜m2，所述预处理模块选取第二预设紧迫度补偿参数h2为当前路口紧迫度补偿参数；
81.当m≥m2，所述预处理模块选取第三预设紧迫度补偿参数h3为当前路口紧迫度补偿参数；
82.其中，所述预处理模块预设车辆密度m，设定第一预设车辆密度m1、第二预设车辆
密度m2，预设紧迫度补偿参数h，设定第一预设紧迫度补偿参数h1、第二预设紧迫度补偿参数h2、第三预设紧迫度补偿参数h3。
83.具体而言，本发明通过设置预处理模块根据预设区域内车辆总长和车辆运行平均速度获取当前路口紧迫度，并根据当前路口紧迫度与预设紧迫度相比较，获取当前路口的堵塞等级，其中，预处理模块根据预设区域内的车辆密度与预设车辆密度相比较，选取最佳的紧迫度补偿参数对紧迫度进行补偿，避免因车辆密度过低，各车辆间隙较短，其以车辆运行平均速率运行的时间较短，造成紧迫度获取不准确，当预处理模块获取当前路口紧迫度小于等于第一预设紧迫度，说明当前路口车辆不多，预处理模块预测当前路口堵塞等级为a1级，当预处理模块获取当前路口紧迫度在第一预设紧迫度和第二预设紧迫度之间，说明当前路口车辆较多，预处理模块预测当前路口堵塞等级为a2级，当预处理模块获取当前路口紧迫度大于等于第二预设紧迫度，说明当前路口车辆过多，预处理模块预测当前路口堵塞等级为a3级。
84.具体而言，本发明实施例对当前预设区域内车辆密度获取方式不作限定，其可以根据车辆间隙进行计算，也可以通过预设区域内最后一辆车与路口第一辆车车辆的距离与车辆数量进行计算，其中，本发明实施例提供一种优选的实施方案，根据预设区域内全部车辆的长度与车辆数量获取车辆密度，即车辆密度m＝s/num，其中，num为预设区域内车辆总数，s为预设区域内车辆总长。
85.具体而言，本发明实施例对车辆运行速率的获取方式不作限定，本发明实施例提供一种优选的实施方案，根据存储模块存储的历史记录中各车辆在当前路口的运行速度的平均值设为车辆运行平均速率以准确的获取当前路口的紧迫度。
86.所述控制模块根据所述预处理模块预测当前路口的堵塞等级对当前路口交通信号灯转换周期及周期内绿信比进行调节，其中，
87.若当前路口堵塞等级为a1时，控制模块将当前路口交通信号灯转换周期ti降低至ti1，设定ti1＝ti
×
(1-(p1-p)/p1)；
88.若当前路口堵塞等级为a2时，控制模块不对当前路口交通信号灯转换周期及周期内的绿信比进行调节；
89.若当前路口堵塞等级为a3时，控制模块将当前路口交通信号灯转换周期中绿信比tig提高至tig1，设定tig1＝tig
×
(1+(p-p2)/p2)。
90.具体而言，本发明实施例提供一种优选的深度学习模型，用于对两轮车(tw)和四轮车(fw)在相同时刻通过道路的时间进行计算，其根据车辆数目和各自通过车道的时间，估计时间段，最后分配绿灯时间t，
91.t＝[tw/a]
×
n+[fw/b]
×m[0092]
其中，tw表示两轮车的数量，fw表示四轮车的数量，n表示单独只通过两轮车的时间，m表示单独只通过四轮车的时间，a表示整个路面上全是两轮车的最大数量，b表示整个路面上全是四轮车的最大数量。
[0093]
但是当有数量较大的车辆在路口时，则需要通过的时间更久，这将会导致对面车道的车辆耗费很长时间等待。因此为了克服整个缺点，我们设置了一个最大阈值时间，所以计算绿灯实际开始时间时如下式：
[0094]
t
ture
＝min(t,max_green_time)
[0095]
为了计算max_green_time，我们假设所有通过的车都为四轮车，所以计算得max_green_time为42s，确定绿灯时间最大阈值。
[0096]
具体而言，本发明根据预处理模块预测当前路口堵塞等级对获取的当前路口交通信号灯转换周期中绿信比进行调节，其中，当预处理模块预测当前路口堵塞等级为a1级时，说明当前路口的堵塞程度较低，为提高交通转换的效率，控制模块降低当前路口交通信号灯转换周期，当预处理模块预测当前路口堵塞等级为a2时，说明当前路口堵塞情况在标准范围内，控制模块不对当前路口交通信号灯转换周期及周期内的绿信比进行调节，当预处理模块预测当前路口堵塞等级为a3时，说明当前路口即将出现较为严重的堵塞情况，控制模块提高当前路口交通信号灯转换周期内的绿信比，以解决当前路口可能会出现的堵塞问题。
[0097]
具体而言，本发明实施例中绿信比为绿灯亮的时间占整个交通信号灯转换周期的时间，交通信号灯转换周期为绿灯、黄灯、红灯时间为一个周期。
[0098]
其中，所述控制模块获取当前路口交通信号灯转换周期内的绿信比tig1与控制模块预设绿信比标准值t0相比较，对上一路口和下一路口的交通信号灯转换周期内的绿信比进行调节，其中，
[0099]
当tig1≤t0，所述控制模块不对其他路口的交通信号灯转换周期内的绿信比进行调节；
[0100]
当tig1＞t0，所述控制模块提高下一路口的交通信号灯转换周期内的绿信比，缩短上一路口的交通信号灯转换周期内的绿信比。
[0101]
具体而言，本发明控制模块设置有绿信比标准值，控制模块将获取的当前路口交通信号转换周期内的绿信比与预设绿信比标准值相比较，对其他路口的绿信比进行调节，其中，若控制模块获取当前路口交通信号灯转换周期的绿信比小于等于预设绿信比标准值，说明当前路口绿信比符合标准，控制模块不对其他路口的交通信号灯转换周期内的绿信比进行调节，若控制模块获取当前路口交通信号灯转换周期的绿信比大于预设绿信比标准值，控制模块提高下一路口交通信号灯转换周期内的绿信比，以使通过当前路口的车辆顺利通过下一路口，避免下一路口的堵塞，同时缩短上一路口的交通信号灯转换周期内的绿信比，避免当前路口等待车辆过多，造成堵塞。
[0102]
其中，所述控制模块获取当前路口交通信号灯转换周期内绿信比大于预设绿信比标准值，控制模块提高下一路口的交通信号灯转换周期内的绿信比tx至tx1，设定tx1＝tx
×
(1+(tig1-t0)/t0)，缩短上一路口的交通信号灯转换周期内的绿信比ts至ts1，设定ts1＝ts
×
(1-(tig1-t0)/t0)。
[0103]
具体而言，所述控制模块获取当前路口绿灯利用率f，设定f＝d/ti，其中，d为当前交通信号灯转换周期内通过当前路口的车辆数，并将获取的当前路口绿灯利用率与预设绿灯利用率f0相比较，对所述预处理模块的预设区域和模型构建单元的预设交通信号灯转换周期进行调节，其中，
[0104]
当f≤f1，所述控制模块降低模型构建单元的预设交通信号灯转换周期ti至ti2，设定ti2＝ti
×
(1-(f1-f)/f1)；
[0105]
当f1＜f＜f1，所述控制模块不对预设区域进行调节；
[0106]
当f≥f2，所述控制模块扩大所述预处理模块的预设区域；
[0107]
其中，所述控制模块预设绿灯利用率f，设定第一预设绿灯利用率f1，第二预设绿灯利用率f2。
[0108]
具体而言，当所述控制模块获取当前路口绿灯利用率大于等于第二预设绿灯利用率，控制模块扩大所述预处理模块的预设区域w至w1，设定w1＝w
×
(1+(f-f2)/f2)。
[0109]
具体而言，本发明实施例对预处理模块设置的预设区域不作限定，只要其能够对采集模块采集的图像进行截取分析即可，本发明实施例提供一种优选的实施方案，即，预设区域为图像长度比例，更具体的说，本发明实施例预设区域为图像中一半的长度为预处理模块处理区域，当控制模块对预设区域进行调整时，调节后的预设区域占图像的2/3，即，图像中2/3的区域为预处理模块处理区域。
[0110]
具体而言，本发明将在单位时间内交通信号灯转换周期内通过当前路口车辆数设为当前路口绿灯利用率，控制模块将当前路口绿灯利用率与控制模块预设绿灯利用率相比较，用以判定当前模型构建模块构建的模型以及预处理模块预处理是否符合标准进行评价，其中，若当前路口绿灯利用率小于等于第一预设绿灯利用率，说明当前路口交通信号灯转换周期不佳，控制模块判定降低模型构建单元预设交通信号灯转换周期，若当前绿灯利用率在第一预设绿灯利用率和第二预设绿灯利用率之间，说明当前路口通过车辆符合预设很标准，控制模块不对所述预处理模块的预设区域和模型构建单元的预设交通信号灯转换周期进行调节，若当前路口绿灯利用率大于等于第二预设绿灯利用率，说明对当前路口的堵塞情况判定不准确，控制模块通过扩大所述预处理模块的预设区域提高判定当前路口堵塞情况的准确性。
[0111]
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。