基于深度学习的交通信号控制方法及系统与流程
本发明涉及智能交通领域，具体涉及基于深度学习的交通信号控制方法及系统。
背景技术：
1、交通信号控制是城市交通管理的重要组成部分，对于提高城市交通运行效率、减少拥堵和事故具有关键作用。在过去的几十年中，随着城市化进程的不断加速，交通拥堵和事故频发成为全球范围内的重要问题，这促使人们不断研究和改进交通信号控制技术。现有的交通信号控制方法往往只能对道路上的交通流量进行局部感知和预测，难以全面掌握道路交通的实际情况，从而导致信号控制的不准确和效率低下。而基于深度学习的交通信号控制方法可以通过学习大量的交通数据，全面感知和预测道路交通流量，提高信号控制的精度和效率。
技术实现思路
1、本申请实施例提供了基于深度学习的交通信号控制方法及系统，解决了现有技术中难以对交通流量全面感知和预测的技术问题。
2、鉴于上述问题，本申请实施例提供了基于图像识别的斑马线检测方法及系统。
3、本申请实施例的第一个方面，提供了基于深度学习的交通信号控制方法，所述方法包括：
4、建立通行数据集，所述通行数据集通过采集道路历史通行数据获取，其中，所述通行数据集为预处理后的数据集，预处理方式包括降噪处理和时序补偿处理；
5、构建独立日期特征和常态日期特征，通过所述独立日期特征和所述常态日期特征进行所述通行数据集数据分割，并通过数据分割结果完成深度学习的多时段聚类，生成路口的通行比例特征；
6、获取当前日期的日期数据和时间节点数据，以所述日期数据和节点数据作为基础特征，执行所述通行比例特征的特征匹配，生成比例匹配结果；
7、通过监控摄像头进行实时车流采集，基于采集结果生成补偿反馈数据；
8、基于所述比例匹配结果确定基础交通信号控制数据，并确定极限调整空间；
9、依据所述补偿反馈数据优化所述基础交通信号控制数据，并通过所述极限调整空间进行优化结果约束，完成交通信号控制。
10、本申请实施例的第二个方面，提供了基于深度学习的交通信号控制系统，所述系统包括：
11、数据集模块，所述数据集模块用于建立通行数据集，所述通行数据集通过采集道路历史通行数据获取，其中，所述通行数据集为预处理后的数据集，预处理方式包括降噪处理和时序补偿处理；
12、特征模块，所述特征模块用于构建独立日期特征和常态日期特征，通过所述独立日期特征和所述常态日期特征进行所述通行数据集数据分割，并通过数据分割结果完成深度学习的多时段聚类，生成路口的通行比例特征；
13、匹配模块，所述匹配模块用于获取当前日期的日期数据和时间节点数据，以所述日期数据和节点数据作为基础特征，执行所述通行比例特征的特征匹配，生成比例匹配结果；
14、补偿反馈模块，所述补偿反馈模块用于通过监控摄像头进行实时车流采集，基于采集结果生成补偿反馈数据；
15、确定模块，所述确定模块用于基于所述比例匹配结果确定基础交通信号控制数据，并确定极限调整空间；
16、优化模块，所述优化模块用于依据所述补偿反馈数据优化所述基础交通信号控制数据，并通过所述极限调整空间进行优化结果约束，完成交通信号控制。
17、本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
18、首先，采集道路历史通行数据，并进行降噪处理和时序补偿处理，得到通行数据集。然后，构建独立日期特征和常态日期特征，利用独立日期特征和常态日期特征将通行数据集进行数据分割，并通过数据分割结果进行深度学习的多时段聚类，生成通行的比例特征。接下来，获取当前日期的日期数据和时间节点数据，以日期数据和节点数据作为基础特征，执行特征匹配，生成比例匹配结果。再通过监控摄像头采集实时车流采集，基于采集结果生成补偿反馈数据。然后，基于比例匹配结果确定基础交通信号控制数据，并确定极限调整空间。最后，依据补偿反馈数据优化基础交通信号控制数据，并通过极限调整空间进行优化结果约束，完成交通信号控制。采用上述方法，解决了现有技术中难以对交通流量全面感知和预测的技术问题，达成了基于深度学习进行精准控制，提高交通信号控制的精度和效率的技术效果。
技术特征：
1.基于深度学习的交通信号控制方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
3.如权利要求1所述的方法，其特征在于，所述方法还包括：
4.如权利要求3所述的方法，其特征在于，所述方法还包括：
5.如权利要求1所述的方法，其特征在于，所述方法还包括：
6.如权利要求1所述的方法，其特征在于，所述方法还包括：
7.基于深度学习的交通信号控制系统，其特征在于，所述系统包括：
技术总结
本发明公开了基于深度学习的交通信号控制方法及系统，涉及智能交通领域。所述方法包括建立通行数据集；通过独立日期特征和常态日期特征进行通行数据集数据分割，并完成深度学习的多时段聚类，生成通行比例特征；以日期数据和节点数据作为基础特征，执行特征匹配，生成比例匹配结果；通过监控摄像头进行实时车流采集，基于采集结果生成补偿反馈数据；基于比例匹配结果确定基础交通信号控制数据，并确定极限调整空间；依据补偿反馈数据优化基础交通信号控制数据，并进行优化结果约束，完成交通信号控制。解决了现有技术中难以对交通流量全面感知和预测的技术问题，达成了基于深度学习进行精准控制，提高交通信号控制的精度和效率的技术效果。
技术研发人员：闫军,项炎平
受保护的技术使用者：智能路网（唐山）人工智能科技研究院有限公司
技术研发日：
技术公布日：2024/12/5