智能网联环境下基于流量预测的智能交通信号控制优化算法、软件与系统的制作方法

1.本技术涉及智能交通领域，尤其涉及一种智能交通信号控制方法、系统、设备及可读介质。


背景技术：

2.随着汽车工业的发展和城市化进程的加速，城市交通拥堵和交通事故等问题变得日益突出。交通信号控制作为一种常见的交通管理方式，已经成为解决城市交通拥堵和交通事故等问题的重要手段。
3.目前新兴的智能网联交通系统是利用先进的信息技术和通信技术，将车辆、道路和交通信号控制中心等各种交通要素有机地结合起来，形成一个协同互动、信息共享的交通系统。现有技术中基于动态流量监测数据进行交通信号控制优化无法预知未来时刻车流量情况的问题，导致基于动态流量数据的交通信号控制优化方法主动预测性不足、自适应性不强的问题，常常出现绿灯时间浪费或绿灯时间过短排队溢出事件发生。


技术实现要素：

4.本技术的一个目的是提供一种智能网联环境下基于流量预测的智能交通信号控制优化算法、软件与系统，至少用以使得该方法可以动态预测车流量，优化交通信号控制，缓解交通堵塞。
5.为实现上述目的，本技术的一些实施例提供了一种智能交通信号控制方法，所述方法包括：获取路口车流量数据，根据预先训练好的流量预测模型和所述路口车流量数据，确定路口流量预测数据；根据所述路口流量预测数据和预先训练好的交通信号控制优化模型，确定路口信号配时方案；根据所述路口信号配时方案进行信号灯配时控制。
6.进一步地，所述获取路口车流量数据包括：获取分方向不同车流的实时流量数据和分方向不同车流的历史流量数据。
7.进一步地，所述流量预测模型包括：获取预设时空图神经网络和预设生成对抗网络；将第一时间的所述路口车流量数据输入到所述预设时空图神经网络，得到第二时间的所述路口车流量数据；将第二时间的所述路口车流量数据输入到所述预设生成对抗网络，得到所述路口流量预测数据。
8.进一步地，所述确定路口信号配时方案包括：获取路口信号灯数据；根据所述路口信号灯数据和所述路口流量预测数据，确定路口分方向的第一绿灯时间时长；根据所述路口分方向第一绿灯时间时长，判断是否对当前所述路口信号配时方案进行调整。
9.进一步地，所述交通信号控制优化模型包括：根据所述路口流量预测数据确定状态空间；根据所述路口信号配时方案确定动作空间；根据所述状态空间和所述动作空间确定奖励函数；根据所述状态空间、所述动作空间和所述奖励函数确定交通优化策略。
10.进一步地，所述奖励函数采用路口交通流的平均延误作为量化奖励指标。
11.进一步地，所述根据所述路口信号配时方案进行信号灯配时控制包括：将所述路口信号配时方案通过云控平台共享至交通部门的交通信号控制系统，进行所述信号灯配时控制。
12.本技术的一些实施例还提供了一种智能交通信号控制系统，所述系统包括：第一模块，用于获取路口车流量数据，根据预先训练好的流量预测模型和所述路口车流量数据，确定路口流量预测数据；第二模块，用于根据所述路口流量预测数据和预先训练好的交通信号控制优化模型，确定路口信号配时方案；第三模块，用于根据所述路口信号配时方案进行信号灯配时控制。
13.本技术的一些实施例还提供了一种智能交通信号控制设备，所述设备包括：一个或多个处理器；以及存储有计算机程序指令的存储器，所述计算机程序指令在被执行时使所述处理器执行如上所述的方法。
14.本技术的一些实施例还提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令可被处理器执行以实现所述的智能交通信号控制方法。
15.相较于现有技术，本技术实施例提供的方案中，一种智能交通信号控制方法，包括：获取路口车流量数据，根据预先训练好的流量预测模型和所述路口车流量数据，确定路口流量预测数据；根据所述路口流量预测数据和预先训练好的交通信号控制优化模型，确定路口信号配时方案；根据所述路口信号配时方案进行信号灯配时控制。基于车流量预测的交通信号控制优化方法，能够根据预测的车流量情况主动地调整优化配时方案，避免被动地交通信号控制优化的滞后性，具有预测性，且自适应性强。
附图说明
16.图1为本技术实施例提供的一种智能交通信号控制方法的流程图；
17.图2为本技术实施例提供的一种智能交通信号控制设备的结构示意图。
具体实施方式
18.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
19.本技术实施例提供了一种智能交通信号控制方法，使用智能网联技术和云控平台实时获取交通流量数据，预测下一个信号周期的路口交通流量，判断是否需要调整当前的信号灯配时方案，建立信号配时优化模型并完成路口信号控制优化。实时路口交通流量监测，能够在城市路口安装传感器设备，通过智能网联环境下的云控平台实时获取不同方向的车流量数据，这些传感器可以识别车辆类型、车速和车流量等信息，并通过无线网络将数据传输到云控平台进行处理和分析；交通流量预测，通过对历史交通流量数据的分析和建模，该系统可以预测未来某个时间段内不同路口的交通流量。这种预测有助于交通管理者提前做好交通管制、疏导和调度等工作，以减少拥堵和交通事故的发生；智能交通信号控制基于实时交通流量数据和交通流量预测结果，该系统可以自动调整红绿灯的时长和顺序，以最大限度地减少交通拥堵和延误，此外，该系统还可以根据路口车流量的变化实时调整
信号灯的时间长度，以确保交通流畅。总之，本技术智能网联环境下基于流量预测的智能交通信号控制方法可以提高城市交通管理的效率和效果，减少交通拥堵和事故的发生。
20.下面结合一具体应用实例对本技术实施例的一种智能交通信号控制方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。
21.如图1所示，
22.s101，获取路口车流量数据，根据预先训练好的流量预测模型和所述路口车流量数据，确定路口流量预测数据。
23.所述获取路口车流量数据包括：获取分方向不同车流的实时流量数据和分方向不同车流的历史流量数据。在智能网联环境下的云控平台可以通过路侧感知系统获取信号交叉口不同方向的车流量信息，并将其实时上传到云端。对于十字交叉路口来说，每个信号周期可以分为四个方向的绿灯期间，因此可以记录每个信号周期中从每个方向通过路口的车流量，即每个方向的通过车流量。
24.智能网联环境下的云控平台可以实时获取路侧感知系统(例如毫米波雷达、雷视一体机等)上传的信号交叉口分方向不同车流在不同时刻的车流量，特别是信号交叉口分方向不同车流在一个信号周期内通过的车流量，由此可知信号交叉口分方向各个车流绿灯期间将通过路口的车流量。
25.以十字交叉路口为例，cq
i,t
为第i个路口第t个信号周期路口所有车流绿灯期间通过的车流量，其中1-代表东，2-代表西，3-代表南，4-代表北，q
i,t,j,k
为第i个路口第t个信号周期从第j个方向到第k个方向绿灯期间通过的车流量。云控平台可以获取信号交叉口连续多个信号周期分方向的车流量，仍以十字交叉路口为例，即cqi＝[cq
i,1
,
…
,cq
i,t
,
…
]，cq
i,1
代表每天00:00:00开始第一个信号周期。以此类推，可以记录多个信号周期中各个方向通过路口的车流量，进而对路口的交通流量进行分析和预测，为交通管理提供参考依据。
[0026]
所述流量预测模型包括：获取预设时空图神经网络和预设生成对抗网络；将第一时间的所述路口车流量数据输入到所述预设时空图神经网络，得到第二时间的所述路口车流量数据；将第二时间的所述路口车流量数据输入到所述预设生成对抗网络，得到所述路口流量预测数据。
[0027]
构建时空图神经网络，时空图神经网络(st-gnn)是一种新的时空预测方法，它将时空数据视为一个图结构，每个节点代表一个时空位置，每条边代表两个位置之间的关系。它利用图卷积来直接在图上进行特征提取和信息传播，从而更好地建模时空数据的拓扑结构。兼顾信号交叉口车流量时间特征和空间特征，信号交叉口连续m个信号周期分方向的车流量[cq
i,t-m
,
…
,cq
i,t
]作为输入，第i个路口第t-m个信号周期到第t个信号周期的车流量，信号交叉口下一个信号周期不同车流方向的车流量cq
i,t+1
作为时空图神经网络模型的输出。时空图神经网络是一种能够同时考虑时空信息的神经网络模型，可以通过处理不同路口的车流量信息，同时考虑其时间和空间特征，从而提高交通流量预测的准确性。时空图神经网络可以使用卷积神经网络、循环神经网络等深度学习算法来提取时空信息，将连续多个信号周期的车流量数据作为输入，并预测下一个信号周期的路口流量。
[0028]
构建生成对抗网络，生成对抗网络(gan)是一种非监督式学习的方法，它由一个生成网络和一个判别网络组成。生成网络的目标是从随机噪声中生成类似于真实数据的样本，判别网络的目标是区分真实数据和生成数据。两个网络相互博弈，不断提高自己的能力，最终达到一个平衡状态。生成对抗网络有很多应用领域，主要集中在图像处理和计算机视觉方面1。例如，生成对抗网络可以用于图像生成、图像翻译、图像编辑、超分辨率、图像修复、域转换、视频生成等。除此之外，生成对抗网络也可以用于自然语言处理和语音生成方面，例如从文本生成图像、字体的生成、对话生成、机器翻译等。本技术采用生成对抗网络用于预测下一个信号周期t+1路口流量，其中时空图神经网络模型的输出作为生成器的输入，生成器采用cnn，判断器也采用cnn，生成器的输出作为判断器的输入，判断器的输出是预测结果是否可接受，通过真实的流量数据和预测生成的流量数据交替输入到判别器中，根据判别器的误差反向传播给生成器，确保生成器生成的数据与真实的流量数据之间误差最小。生成对抗网络是一种能够生成符合真实数据分布的新数据的神经网络模型，可以用于生成下一个信号周期的路口流量。在交通流量预测中，生成对抗网络可以通过将时空图神经网络模型的输出作为生成器的输入，生成下一个信号周期的路口流量。同时，使用卷积神经网络等深度学习算法作为判别器，评估生成器生成的流量数据和真实的流量数据之间的差异，以此来训练生成器，提高其生成流量数据的准确性。
[0029]
在实际应用中，基于时空图神经网络和生成对抗网络的交通流量预测方法来可以提高交通管理的效率和准确性。例如，在城市交通管理中，可以利用该方法来预测不同路口的交通流量，从而优化交通信号灯的配时方案，减少交通拥堵。总之，基于时空图神经网络和生成对抗网络的交通流量预测方法具有广阔的应用前景，能够提高交通流量预测的准确性和效率，为城市交通管理和交通调度等方面带来巨大的改进。
[0030]
s102，根据所述路口流量预测数据和预先训练好的交通信号控制优化模型，确定路口信号配时方案。
[0031]
所述确定路口信号配时方案包括：获取路口信号灯数据；根据所述路口信号灯数据和所述路口流量预测数据，确定路口分方向的第一绿灯时间时长；根据所述路口分方向第一绿灯时间时长，判断是否对当前所述路口信号配时方案进行调整。
[0032]
通过云控平台实时获取路口的信号灯配时方案，包括路口分方向在不同信号周期的绿灯时长，即tg
i,t,j,k
为第i个路口第t个信号周期从第j个方向到第k个方向对应相位的绿灯时长，1-代表东，2-代表西，3-代表南，4-代表北。根据路口流量预测数据，计算路口分方向对应相位的最小绿灯时间。式中：tg
′
i,t+1,j,k
为第i个路口第t+1个信号周期从第j个方向到第k个方向满足车流量通过所需的最小绿灯时间；cq
i,t+1,j.k
为第i个路口第t+1个信号周期从第j个方向到第k个方向预测的车流量；d
i,j.k
为正常行驶速度下第i个路口一个信号周期内从第j个方向到第k个方向通过的车辆数。
[0033]
将路口各相位计算的最小绿灯时间与当前配时方案绿灯时间比较，第i个路口第t+1个信号周期从第j个方向到第k个方向车流量通过所需的最小绿灯时间为tg
′
i,t+1,j,k
，第i
个路口第t+1个信号周期从第j个方向到第k个方向的绿灯时长为tg
i,t+1,j,k
，若tg
′
i,t+1,j,k
≤tg
i,t+1,j,k
，保持当前配时方案不变；若某个相位的最小绿灯时间大于当前配时方案的绿灯时长，则需要调整该相位的绿灯时长。计算调整后的绿灯时长，需要满足两个条件：首先，保证最小绿灯时间大于等于预测车流量通过所需的最小绿灯时间；其次，尽可能减少其他相位的绿灯时长，以避免引起其他方向的交通拥堵。根据计算得到的调整后的绿灯时长，更新云控平台中该路口对应的信号灯配时方案，并将调整后的方案发送到交通部门的交通信号控制系统，实现实时配时调整。监测路口车流量数据，观察配时方案的调整效果，若调整后的方案能够更好地缓解路口交通拥堵，即可作为优化后的配时方案，否则需要再次调整。
[0034]
所述交通信号控制优化模型包括：根据所述路口流量预测数据确定状态空间；根据所述路口信号配时方案确定动作空间；根据所述状态空间和所述动作空间确定奖励函数；根据所述状态空间、所述动作空间和所述奖励函数确定交通优化策略。
[0035]
建立路口交通控制优化模型，定义一个马尔科夫决策过程，＜s,a,p,r＞，得到新的配时方案。马尔科夫决策过程是一种序贯决策的数学模型，用于模拟具有马尔科夫性质的系统，以便实现随机性策略。马尔科夫性质是指环境下一时刻的状态与奖励均只取决于当前时刻的状态与智能体的动作，而与过去的历史无关。马尔科夫决策过程是强化学习中最常用的环境描述方式，几乎所有的强化学习问题都可以转化为马尔科夫决策过程。智能交通控制是一种利用马尔科夫决策过程来优化交通信号灯的调度策略的方法。智能交通控制的目标是根据实时的交通流量和路况，动态地调整每个路口的红绿灯时长，以减少车辆的等待时间和排放量，提高道路的利用率和安全性。路口交通控制优化模型可以用马尔科夫决策过程来建模，其中每个路口的状态可以由当前的车辆数量、速度、方向等因素表示，每个动作可以由不同的信号灯组合表示，每个奖励可以由车辆的延误、排放量、碰撞风险等指标表示。具体包括如下子步骤：
[0036]
定义状态空间s：使用路口分方向的流量数据表征路口状态函数s(s∈s)，定义s
i,t+1
＝cq
i,t+1
，cq
i,t+1
是第i个路口第t+1个信号周期分方向的流量预测数据。
[0037]
定义动作空间a：使用路口配时相位的集合作为动作函数a(a∈a)定义动作空间，仍以十字交叉路口为例，若十字交叉路口的配时相位为2相位，那么动作函数a
i,t+1
定义为a
i,t+1
＝{a
i,t+1,1
,a
i,t+1,2
}，其中a
i,t+1,1
＝允许第i个路口第t+1个信号周期相位1对应的车流通行，a
i,t,1
＝允许第i个路口第t+1个信号周期相位2对应的车流通行。
[0038]
定义奖励函数r：使用路口交通流的平均延误作为量化奖励指标r(r∈r)，定义r
i,t+1
表征状态函数s
i,t+1
采取动作a
i,t+1
状态函数转变s
′
i,t+1
后获得的奖励可以反映出路口的通行效率和延误程度。假设初始状态s
i,t
(0)，从动作空间中任意选择动作a
i,t
(0)，执行后状态空间变为s
′
i,t
(0)，获得延误奖励r
i,t
(s
i,t
(0),a
i,t
90),s
′
i,t
(0))；假设状态s
i,t
(1)，从动作空间中任意选择动作a
i,t
(1)，执行后状态空间变为s
′
i,t
(1)，获得延误奖励r
i,t
(s
i,t
(1),a
i,t
(1),s
′
i,t
(1))，以此类推，可以构建一个空间d，即状态空间{s
i,t
(0),s
i,t
(1),
…
,s
i,t
(n)}从动作空间中经过一系列动作{a
i,t
(0),a
i,t
(1),
…
,a
i,t
(n)}执行后状态空间变为{s
′
i,t
(0),s
′
i,t
(1),
…
,s
′
i,t
(n)}，所获得的累积奖励为g
i,t
，γ∈[0,1)折扣因子，对执行不
同步数的动作获得的延误奖励赋予不同的权重；
[0039]
确定路口信号控制优化的最佳策略，就是给定第i个路口第t+1个信号周期分方向的流量预测数据s
i,t+1
，确定最佳策略π
*
(s,a)，最佳策略π
*
包含一系列动作(a
i,t
,a
i,t+1
(0),a
i,t+1
(1),
…
,a
i,t+1
(n)}，通过执行最佳策略π
*
包含的一系列动作后，使得累积奖励函数取得最大值，即q
π*
＝max
π*(s,a)gi,t
，
[0040]
s103，根据所述路口信号配时方案进行信号灯配时控制，将最优的路口信号配时方案通过云控平台共享至交通部门的交通信号控制系统，进行信号灯配时控制，以达到优化交通流量的目的。
[0041]
在本技术一些实施例中，一种智能交通信号控制系统包括，车流量数据采集设备：在路口设置车流量传感器和监控摄像头等设备，对分方向的车流量进行实时采集和分析，包括车辆数，速度密度等信息，同时将历史车流量数据存储到云端数据库中。流量预测模型训练：使用预设的时空图神经网络和生成对抗网络等模型对历史车流量数据进行训练，得到一个可用于预测车流量的模型。路口信号配时方案优化：基于预测的车流量数据和预先训练好的交通信号控制优化模型，确定最优的路口信号配时方案。信号灯配时控制：将最优的路口信号配时方案通过云控平台共享至交通部门的交通信号控制系统，进行信号灯配时控制，以达到优化交通流量的目的。
[0042]
在实际应用中，还可以使用各种算法和技术来进一步优化智能交通信号控制的效果，例如使用强化学习算法来动态调整交通信号配时方案，并根据实际交通情况对路口信号配时方案进行实时优化。此外，还可以采用交通流量预测算法和智能交通系统等技术手段，进一步提升交通运行效率，优化交通流量分配和调度。
[0043]
本技术实施例提供了一种智能交通信号控制系统，该系统包括，第一模块，用于获取路口车流量数据，根据预先训练好的流量预测模型和所述路口车流量数据，确定路口流量预测数据；第二模块，用于根据所述路口流量预测数据和预先训练好的交通信号控制优化模型，确定路口信号配时方案；第三模块，用于根据所述路口信号配时方案进行信号灯配时控制。
[0044]
本技术实施例还提供了一种智能交通信号控制系统，该系统包括，数据输入模块：用于获取智能网联环境下云控平台实时汇聚的城区道路实时分方向交通流量数据；流量预测模块：通过分析城区道路实时分方向交通流量数据和历史数据，用于预测信号交叉口分方向的未来时刻车流量情况；控制优化模块：用于对信号交叉口根据预测的流量数据，确定信号交叉口的配时方案调整策略；策略输出模块：用于将信号交叉口配时方案调整策略通过智能网联环境下的云控平台共享至交通信号控制系统，辅助交通信号控制系统进行配时优化。
[0045]
此外，本技术实施例提供了一种智能交通信号控制设备，该设备的结构如图2所示，所述设备包括用于存储计算机可读指令的存储器90和用于执行计算机可读指令的处理器100，其中，当该计算机可读指令被该处理器执行时，触发所述处理器执行所述的智能交通信号控制方法。
[0046]
本技术实施例中的方法和/或实施例可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计
算机程序包含用于执行流程图所示的方法的程序代码。在该计算机程序被处理单元执行时，执行本技术的方法中限定的上述功能。
[0047]
需要说明的是，本技术所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0048]
而在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0049]
可以以一种或多种程序设计语言或其组合来编写用于执行本技术的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0050]
附图中的流程图或框图示出了按照本技术各种实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的针对硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0051]
作为另一方面，本技术实施例还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个计算机可读指令，所述计算机可读指令可被处理器执行以实现前述本技术的多个实施例的方法和/或技术方案的步骤。
[0052]
在本技术一个典型的配置中，终端、服务网络的设备均包括一个或多个处理器
(cpu)、输入/输出接口、网络接口和内存。
[0053]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0054]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
[0055]
需要注意的是，本技术可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(asic)、通用目的计算机或任何其他类似硬件设备来实现。在一些实施例中，本技术的软件程序可以通过处理器执行以实现上文步骤或功能。同样地，本技术的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，ram存储器，磁或光驱动器或软磁盘及类似设备。另外，本技术的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
[0056]
对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其他的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

技术特征：
1.一种智能交通信号控制方法，其特征在于，所述方法包括：获取路口车流量数据，根据预先训练好的流量预测模型和所述路口车流量数据，确定路口流量预测数据；根据所述路口流量预测数据和预先训练好的交通信号控制优化模型，确定路口信号配时方案；根据所述路口信号配时方案进行信号灯配时控制。2.根据权利要求1所述的智能交通信号控制方法，其特征在于，所述获取路口车流量数据包括：获取分方向不同车流的实时流量数据和分方向不同车流的历史流量数据。3.根据权利要求1所述的智能交通信号控制方法，其特征在于，所述流量预测模型包括：获取预设时空图神经网络和预设生成对抗网络；将第一时间的所述路口车流量数据输入到所述预设时空图神经网络，得到第二时间的所述路口车流量数据；将第二时间的所述路口车流量数据输入到所述预设生成对抗网络，得到所述路口流量预测数据。4.根据权利要求1所述的智能交通信号控制方法，其特征在于，所述确定路口信号配时方案包括：获取路口信号灯数据；根据所述路口信号灯数据和所述路口流量预测数据，确定路口分方向的第一绿灯时间时长；根据所述路口分方向第一绿灯时间时长，判断是否对当前所述路口信号配时方案进行调整。5.根据权利要求4所述的智能交通信号控制方法，其特征在于，所述交通信号控制优化模型包括：根据所述路口流量预测数据确定状态空间；根据所述路口信号配时方案确定动作空间；根据所述状态空间和所述动作空间确定奖励函数；根据所述状态空间、所述动作空间和所述奖励函数确定交通优化策略。6.根据权利要求4所述的智能交通信号控制方法，其特征在于，所述奖励函数采用路口交通流的平均延误作为量化奖励指标。7.根据权利要求1所述的智能交通信号控制方法，其特征在于，所述根据所述路口信号配时方案进行信号灯配时控制包括：将所述路口信号配时方案通过云控平台共享至交通部门的交通信号控制系统，进行所述信号灯配时控制。8.一种智能交通信号控制系统，其特征在于，所述系统包括：第一模块，用于获取路口车流量数据，根据预先训练好的流量预测模型和所述路口车流量数据，确定路口流量预测数据；第二模块，用于根据所述路口流量预测数据和预先训练好的交通信号控制优化模型，
确定路口信号配时方案；第三模块，用于根据所述路口信号配时方案进行信号灯配时控制。9.一种智能交通信号控制设备，其特征在于，所述设备包括：一个或多个处理器；以及存储有计算机程序指令的存储器，所述计算机程序指令在被执行时使所述处理器执行如权利要求1-7任一所述的方法。10.一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令可被处理器执行以实现如权利要求1-7任一所述的方法。

技术总结
本发明提供了一种智能交通信号控制方法，方法包括获取路口车流量数据，根据预先训练好的流量预测模型和所述路口车流量数据，确定路口流量预测数据；根据所述路口流量预测数据和预先训练好的交通信号控制优化模型，确定路口信号配时方案；根据所述路口信号配时方案进行信号灯配时控制。本发明通过云控平台实时获取车流量数据，根据深度学习算法准确预测路口流量数据，为信号交叉口动态优化信号配时方案，提高路口流量资源配置。本发明还提供了一种智能交通信号控制系统、设备及介质。设备及介质。设备及介质。


技术研发人员：袁月明 王晓红 杨焕婷
受保护的技术使用者：云控智行（上海）汽车科技有限公司
技术研发日：2023.04.27
技术公布日：2023/7/21