基于边缘计算的智能交通控制

基于边缘计算和大数据的智能交通信号控制系统

摘要

大城市交通日益拥堵，交通拥堵问题亟待解决。智能交通是未来发展的趋势。本文提出了一种基于边缘计算和大数据的智能交通灯控制系统。首先，利用大量边缘计算节点获取各类交通相关的实时数据；其次，利用大数据实现海量数据的有效存储与处理；最后，采用神经网络综合考虑所有影响因素，实现对信号灯的最优控制。实验结果表明，该方法有效。

引言

大城市交通日益拥堵。为解决交通拥堵问题，各大城市纷纷采取各种措施以提高交通容量，例如拓宽路面、建设高架桥、挖掘地下隧道等；实施交通限制措施，如通过摇号购车、某些方向限行、按车牌号码限行、按车型限行等；以及提升交通效率的措施，如交通信号灯控制优化、潮汐车道等。然而这些措施无法从根本上解决道路拥堵问题。交通拥堵不仅降低了社会运行效率，还增加了车辆的能源消耗，交通拥堵亟待解决。在难以快速增加道路交通资源的情况下，智能技术是优化交通信号控制最有效的方式。通过综合应用物联网、移动通信、大数据、云计算和人工智能技术 [1-7]，实现具备实时检测、快速响应和智能决策能力的交通信号智能控制系统。

2. 智能交通灯控制系统

传统交通信号采用定时控制方法，通过统计分析确定每个交通信号灯的红绿灯时间长度、绿灯相位延迟等参数。其运行效率仅适用于特定条件下的典型交通状况，但在条件变化时无法自适应调整，往往导致效率低下。长时间内斑马线上无行人通行，交叉路口也无其他车辆通过时，交通信号灯仍长时间强制车辆继续行驶。这不仅增加了车主的等待时间，降低了道路交通效率，还增加了能源消耗。

智能交通信号决策依赖于多种交通资源，这些资源可分为信号资源、道路资源、检测资源、计算资源和车辆资源。综合应用物联网、云平台、大数据、人工智能利用人工智能和其他现代技术构建高性能的智能交通控制系统。首先，使用大量具备边缘计算能力的物联网节点来采集实时交通数据；其次，采用云计算平台技术提供理论上可无限扩展、按需随时使用的充足计算或存储资源；再次，利用大数据技术存储物联网节点采集的海量数据，并通过大数据挖掘端提取特定主题的特征信息数据；最后，通过神经网络等人工智能技术实现复杂决策与控制。智能交通信号控制系统架构如图1所示，其中包含大量传感器节点。

具有边缘计算功能的交通智能节点如图2所示，其包含丰富的传感器。它使用摄像头采集视频，利用温度传感器采集环境温度，并通过降雨传感器测量降雨量。片上系统（System on chip）简称SOC，可将所有系统集成于单一芯片上。高性能片上系统能够为处理和转换传感器获取的数据提供计算支持，例如分析摄像头视频以获取能见度、交通和道路状况。交通智能节点采集的数据也可通过无线网络上传至后台服务。

3. 典型交通信号控制建模分析

智能交通控制是一种复杂的计算和处理决策过程。为了简化分析和计算过程，选择典型交通干线双交叉口作为分析对象，研究其单向通行能力。图3展示了主路正向交通区域的一个示例。对图3进行数学描述，可抽象为带缓冲区的图4。

缓冲区是主要的缓冲队列。进入缓冲区的直行车道是直行进入缓冲队列。左入口缓冲队列是左转进入的缓冲队列。右入口缓冲队列是右转进入的缓冲队列。掉头车辆进入缓冲区是用于掉头车辆进入缓冲区的队列。离开缓冲区的直行车道是直行离开缓冲队列。左出口缓冲队列是左转出口的缓冲队列。右出口缓冲队列是右转出口的缓冲队列。

缓冲区入口信号：In 是直行入口信号。LI 是左转入口信号。RI 是右转入口信号。IRV 是掉头入口信号。

缓冲出发信号：Out 是直行出发信号。LOutBuff 是左转出缓冲信号。ROutBuff 是右转出缓冲信号。ORV 是掉头出缓冲信号。

4. 基于大数据的智能交通信号控制设计

图5展示了基于实时感知和历史数据预测的智能交通信号控制方法。实时感知与历史数据预测，利用边缘计算节点感知实时交通数据；利用大数据技术分析历史数据，获得与交通控制相关的专题分析结果，并利用训练好的深度学习神经网络推测长期和短期交通数据。为避免实时感知抖动，引入n记忆神经网络（见图6），可简化为图7。采用多层神经网络（见图8）实现最终信号灯的输出控制。该多层神经网络可简化为图9。

5. 结论

基于边缘计算和大数据的智能交通信号控制系统利用典型繁忙交叉口的数据进行了仿真与测试。实验数据表明，该系统可将交通效率提高20%，推迟交通拥堵18分钟，缩短拥堵时间36分钟。智能交通是未来发展的趋势。本文提出一种基于边缘计算和大数据的智能交通灯控制系统。首先，利用大量边缘计算节点获取各类交通相关的实时数据；其次，利用大数据实现海量数据的有效存储与处理；最后，通过神经网络整合所有影响因素，实现对信号灯的最优控制。基于边缘计算和大数据的智能交通灯控制系统具有对道路变化快速响应、在各种交通状况下强适应性以及高整体交通效率的优点。