一种基于深度强化学习的全息路网交通信号控制系统及方法与流程

1.本发明涉及交通管理领域，特别是涉及一种基于深度强化学习的全息路网交通信号控制系统及方法。


背景技术：

2.深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
3.目前深度学习网络已广泛应用在交通管理中，但是目前交通管理控制系统在实际使用过程中仍然不能良好地疏通道路拥堵，存在一定的缺陷。


技术实现要素：

4.本发明的目的在于，提供一种基于深度强化学习的全息路网交通信号控制系统及方法，以解决道路拥堵问题，提高道路车辆的通行效率。
5.为解决上述技术问题，本发明提供一种基于深度强化学习的全息路网交通信号控制系统，包括联动控制器以及与所述联动控制器连接的交通指示屏、全息采集模块以及深度学习模块：
6.交通指示屏，用于指示道路车辆的运动状态信息，并指导道路车辆规避拥堵路段；
7.联动控制器，用于根据道路实际路况以及预测路况信息，向所述交通指示屏发送交通指示控制信号；
8.全息采集模块，用于实时全息采集道路路况信息以及车辆信息；
9.深度学习模块，根据有效的道路路况数据以及车辆信息数据进行训练，获取该路网交通预测模型，并对该路网交通预测模型进行修正。
10.进一步的，还包括数据存储模块，所述数据存储模块用于存储全息道路路况信息、车辆信息以及交通违法信息。
11.进一步的，还包括远程通信模块，所述远程通信模块用于实时与交通控制终端进行数据交互。
12.进一步的，所述交通指示屏设置有全景指示区、车辆指示区、方向指示区以及时间指示区。
13.进一步的，所述全息采集模块包括影像采集子模块、影像捕捉子模块，所述影像采集子模块用于全息采集道路路况以及车辆信息，所述影像捕捉子模块用于捕捉道路违法交通行为。
14.进一步的，所述深度训练模块包括数据筛选子模块、模型训练子模块以及模型修
正子模块，所述数据筛选子模块用于筛选剔除无效路况信息以及车辆信息，所述模型训练子模块根据道路路况数据以及车辆信息数据进行训练，并获取该路网交通预测模型，所述模型修正子模块根据积累的道路路况数据以及车辆信息数据对路网交通预测模型进行验证和修正。
15.进一步的，本发明还提供了一种基于深度强化学习的全息路网交通信号控制方法，包括如下步骤：
16.数据采集：利用全息影像技术对路网道路路况信息以及车辆信息进行全息采集并存储，提供后续深度学习训练和修正的数据支持；
17.模型训练：根据全息影像技术对路网道路路况信息以及车辆信息进行深度学习模型训练，获取不同交通因素下道路交通拥堵数据以及车辆分流数据；
18.交通指导，根据深度学习模型的结果输出并通过交通指示屏显示当前路况的全景影像、预测影像以及道路交通分流指挥信息；
19.模型修正：根据采集的路网道路路况信息以及车辆信息不断对深度学习模型进行验证，并根据验证结果对深度学习模型进行修正。
20.进一步的，在数据采集过程中，根据采集的全息道路路况信息以及车辆信息自动捕交通违法车辆信息并下发信息通知车主停止交通违法行为。
21.相比于现有技术，本发明至少具有以下有益效果：
22.本发明通过深度学习模型的训练和修正，能够准确地对路网路况进行预测，并指导道路车辆进行分流行驶，有效的缓解了道路拥堵问题，保证了道路交通秩序的稳定进行。另外还可对道路违法行为进行捕捉并告知车主停止交通违法行为，有效地降低了因车辆滞留而造成的交通拥堵，二者相结合，大大地提升了路网车辆的通行效率。
附图说明
23.图1为本发明基于深度强化学习的全息路网交通信号控制系统的一个实施例结构示意图；
24.图2为本发明基于深度强化学习的全息路网交通信号控制方法的一个实施例流程图。
具体实施方式
25.下面将结合示意图对本发明的基于深度强化学习的全息路网交通信号控制系统及方法进行更详细的描述，其中表示了本发明的优选实施例，应该理解本领域技术人员可以修改在此描述的本发明，而仍然实现本发明的有利效果。因此，下列描述应当被理解为对于本领域技术人员的广泛知道，而并不作为对本发明的限制。
26.在下列段落中参照附图以举例方式更具体地描述本发明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
27.如图1所示，本发明实施例提出了一种基于深度强化学习的全息路网交通信号控制系统，包括联动控制器以及与所述联动控制器连接的交通指示屏、全息采集模块以及深度学习模块：
28.交通指示屏，用于指示道路车辆的运动状态信息，并指导道路车辆规避拥堵路段；
29.联动控制器，用于根据道路实际路况以及预测路况信息，向所述交通指示屏发送交通指示控制信号；
30.全息采集模块，用于实时全息采集道路路况信息以及车辆信息；
31.深度学习模块，根据有效的道路路况数据以及车辆信息数据进行训练，获取该路网交通预测模型，并对该路网交通预测模型进行修正。
32.基于深度强化学习的全息路网交通信号控制系统还包括数据存储模块，所述数据存储模块用于存储全息道路路况信息、车辆信息以及交通违法信息。在本实施方式中，数据存储模块能够对全息道路路况信息、车辆信息以及交通违法信息进行存储，方便后续对交通数据的追溯。另外，存储的全息道路路况信息、车辆信息还能够对生成深度学习模型进行验证，进而方便后续对深度学习模型进行修正，从而保证交通管理秩序的良好运行。
33.基于深度强化学习的全息路网交通信号控制系统还包括远程通信模块，所述远程通信模块用于实时与交通控制终端进行数据交互。在本实施方式中，远程通信模块可以将路网道路的实时路况信息以及车辆信息反馈到交通管理部门，方便交通管理部门了解现场路况，同时还可方便通过远程指导处理路网道路的交通问题。另外，对于路网交通违法情况可通过远程通信模块传输至交通管理部门，并经交通管理部门确认后下发交通违法信息至相应车主，督促车主停止交通违法行为，例如强行变道、违停等交通违法行为，保证道路的畅通。
34.所述交通指示屏设置有全景指示区、车辆指示区、方向指示区以及时间指示区。在本实施方式中，全景指示区用于全景显示当前路网路况以及预测路网路况的全览信息，方便车主及时更换行驶方向。在车辆行驶过程中，重型车相对与轻型车而言，其行驶速度明显降低，此时可通过车辆指示区的车辆行驶路线信息进行轻型车和重型车的分流，保证路网道路车辆行驶速度的安全提升。在道路较为拥堵情况下，可通过车辆指示区引导重型车驶离交通主干道，并从交通畅通的支干道行驶。与此同时，通过方向指示区以及时间指示区指导车辆在对应车道内行驶或停止。
35.所述全息采集模块包括影像采集子模块、影像捕捉子模块，所述影像采集子模块用于全息采集道路路况以及车辆信息，所述影像捕捉子模块用于捕捉道路违法交通行为。在本实施方式中，影像采集子模块通过全息影像技术对路网道路路况以及车辆信息进行全息采集，此时影像捕捉子模块捕捉违法车辆信息，方便对道路拥堵原因进行分析，与此同时，车辆违法行为经交通管理部门确认后下发信息至车主，告知车主停止交通违法行为，从而提升车辆行驶效率，进而保证路网交通秩序的顺利进行。
36.所述深度训练模块包括数据筛选子模块、模型训练子模块以及模型修正子模块，所述数据筛选子模块用于筛选剔除无效路况信息以及车辆信息，所述模型训练子模块根据道路路况数据以及车辆信息数据进行训练，并获取该路网交通预测模型，所述模型修正子模块根据积累的道路路况数据以及车辆信息数据对路网交通预测模型进行验证和修正。在本实施方式中，数据筛选子模块对无效数据进行筛选，例如交通事故、临时交通管制等交通情况下造成的交通堵塞问题，此类数据不计入到深度学习模型的原始数据，从而能够有效提升深度学习模型训练的准确性。在进行无效数据筛选后，有效的数据(剔除无效数据后的道路路况数据以及车辆信息数据)经过模型训练子模块进行训练，可预测不同因素(不限于
天气、时间)下路网交通状况，可智能指导车辆行驶，从而保证交通秩序的稳定进行。同时，日常采集的道路路况数据以及车辆信息数据反复送入到深度学习模型进行验证和修正，提升深度学习模型的准确度。
37.以下列举所述基于深度强化学习的全息路网交通信号控制系统及方法的较优实施例，以清楚的说明本发明的内容，应当明确的是，本发明的内容并不限制于以下实施例，其他通过本领域普通技术人员的常规技术手段的改进亦在本发明的思想范围之内。
38.如图2所示，本发明还提供了一种基于深度强化学习的全息路网交通信号控制方法，包括如下步骤：
39.数据采集：利用全息影像技术对路网道路路况信息以及车辆信息进行全息采集并存储，提供后续深度学习训练和修正的数据支持。
40.具体的，通过全息影像技术对路网道路路况以及车辆信息进行全息采集，提供数据支持的同时，并捕捉违法车辆信息，方便对道路拥堵原因进行分析，与此同时，车辆违法行为经交通管理部门确认后下发信息至车主，告知车主停止交通违法行为，从而提升车辆行驶效率，进而保证路网交通秩序的顺利进行。
41.模型训练：根据全息影像技术对路网道路路况信息以及车辆信息进行深度学习模型训练，获取不同交通因素下道路交通拥堵数据以及车辆分流数据。
42.具体的，通过全息影像技术对路网道路路况信息以及车辆信息进行全息采集存储后的数据提供深度学习模型训练和修正的数据支持。利用深度学习模型智能预测并指导车辆行驶，从而保证交通秩序的稳定进行。
43.交通指导：根据深度学习模型的结果输出并通过交通指示屏显示当前路况的全景影像、预测影像以及道路交通分流指挥信息。
44.具体的，在车辆行驶过程中，重型车相对与轻型车而言，其行驶速度明显降低，此时可通过车辆指示区的车辆行驶路线信息进行轻型车和重型车的分流，重型车统一并线到最右侧车道进行行驶(转弯车辆除外)，保证路网道路车辆行驶速度的安全提升。在道路较为拥堵情况下，可通过车辆指示区引导重型车驶离交通主干道，并从交通畅通的支干道行驶。
45.模型修正：根据采集的路网道路路况信息以及车辆信息不断对深度学习模型进行验证，并根据验证结果对深度学习模型进行修正。
46.具体的，日常采集的道路路况数据以及车辆信息数据反复送入到深度学习模型进行验证和修正，提升深度学习模型的准确度。
47.相比于现有技术，本发明至少具有以下有益效果：
48.本发明通过深度学习模型的训练和修正，能够准确地对路网路况进行预测，并指导道路车辆进行分流行驶，有效的缓解了道路拥堵问题，保证了道路交通秩序的稳定进行。另外还可对道路违法行为进行捕捉并告知车主停止交通违法行为，有效地降低了因车辆滞留而造成的交通拥堵，二者相结合，大大地提升了路网车辆的通行效率。
49.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。