摘 要

众所周知，交叉口的多条道路相互交叉的物理形状造成了其交通流组织较为复杂且难以管理的问题。因此大多数的交通惨案发生在交叉口。对城市交通管理的有效手段是对交叉口交通情况的科学分析和管理，而分析、管理的前提是对交叉口处交通信息的有效采集。交叉口的排队长度的统计和计数可以为交叉口的交通状态估计和信号控制方案的优化提供支持。因此，减轻了交叉口的拥堵的问题。现有交叉口排队长度的检测方法最基本的是人工观测，还有的就是视频观测（包括视频检测仪和录像方法），而有些机械记数法也可以达到检测的目的，但是得设置好车辆传感器的位置，否则检测出的结果将会不准确。目前常用的仍是前两种方法。另一方面，在科学技术快速发展，人工智能迅速应用社会中，智能交通系统受到人们的关注和重视。深度学习中的卷积神经网络（CNN）模型其在图像识别和图像分类等领域已经被证明是非常有效的。在此背景下，提出一种基于深度学习的交叉口排队车辆数的识别与计数方法。

随着信息技术和物联网技术在城市交通中的广泛应用，处理交通领域的巨大的实时数据则需要大批量处理这些海量数据的物联网技术。在使用传统信息处理技术分析传统流量数据时，许多功能不可避免地遇到性能瓶颈。基于深度学习的交通流量统计分析系统可以很好地对这些数据进行计数和分析。该方法在深度学习的Caffe框架下使用卷积神经网络模型（CNN），并利用前向传播和反向传播两个基本过程的结合。通过输入层、卷积层、池化层和模型的全连接层对输入的视频截图数据进行特征提取和训练，由此，可以准确输出给定交叉口排队车辆图像中的排队车辆的数量。最后对案例进行多次测试，从而得到交通流量的数据，与现有的人工收集的数据结果加以对比，测试模型的有效性。根据测试结果，提出了有效的改进措施来优化模型。

本研究的成果可以丰富我国城市道路交叉口排队长度统计计数方法，服务于交叉口交通状态评估和信号控制方案的优化，提升交叉口运行效率。

关键词：信号控制交叉口；车辆排队长度；深度学习；卷积神经网络

Abstract

Intersections, the intersection of two roads as the direction of the hub, is the “throat” of the road network capacity where traffic jams and accidents happen all the time. The effective management means of urban traffic is the scientific analysis and management of the traffic situation at the intersection, and the premise of analysis and management is the effective collection of traffic information at the intersection. The statistics and counting of the queue length can provide support for the estimation of the traffic state and the optimization of the signal control scheme, so as to alleviate the problem of congestion at the intersection and ensure the efficiency of the intersection. Currently, the most basic detection method for the queue length of intersection is manual observation, the video observation(including video detector and video recording method) is also available. Besides the two methods above, some mechanical notation can also achieve the purpose of detection on one condition, the position of vehicle sensor should be set properly, otherwise, the detection result will be inaccurate. On the other hand, with the rapid development of science technology and rapid application of AI in present society, intelligent transportation system has attracted people's attention. Convolutional neural network (CNN) model in deep learning is a biological inspired variant of multi-layer perceptron, which has been proved to be very effective in image recognition, image classification and other fields. In this context, a method of traffic flow statistics based on deep learning is proposed in this paper.

With the wide application of information technology and Internet of Things technology in the field of urban transportation, urban traffic flow data has shown many characteristics of big data. It is inevitable to encounter the bottleneck when using traditional information processing technology to analyze traffic big data. The traffic flow statistical analysis system based on deep learning can count and analyze this data well. Using the convolution neural network model (CNN) under the Caffe framework of deep learning, this method uses two basic processes of forward propagation and reverse propagation to extract and train the input video screenshot data through the input layer, convolution layer, pool layer and full connection layer of the model, so

that the number of queued vehicles in the vehicle image queuing at the intersection can be accurately output. Finally, the case is tested many times to obtain the traffic flow data, compared with the existing manually collected data results, to test the effectiveness of the model. According to the test results, the effective improvement measures are put forward to optimize the model.

The results of this study can enrich the statistical counting method of queue length of urban road signalized intersection, serve the evaluation of traffic state of intersections and the optimization of signal control scheme, and improve the operation efficiency of intersections.

Key Words：Signalized Intersection; Vehicle Queue Length; Deep Learning; Convolutional Neural Networks

目 录

摘 要 I

Abstract II

第1章 绪论 1

1.1 研究背景 1

1.2 研究目的及意义 1

1.2.1 研究目的 1

1.2.2 研究意义 2

1.3 研究内容与技术路线 3

1.3.1 研究内容 3

1.3.2 技术路线 4

1.4 论文结构 5

1.5文献综述 5

1.6 本章小结 6

第2章 关于交叉口的车辆排队长度统计分析概述 7

2.1 研究对象 7

2.1.1 排队车辆数 7

2.2 常用的交叉口排队长度统计方法与技术 7

2.2.1 人工观测法 7

2.2.2视频观测法 8

2.2.3机械计数法 9

2.3 本章小结 9

第3章 芳草路—太子湖北路交叉口概况 10

3.1 基本位置 10

3.2 平面几何特征 10

3.3 交通流特征 11

3.4信号配时 13

3.5本章小结 13

第4章 基于深度学习的交叉口的车辆排队长度统计分析模型 14

4.1 太子湖北路-芳草路车辆排队长度统计分析模型 14

4.1.1模型算法 14

4.1.2模型框架 14

4.1.3模型各层参数设计 16

4.1.4实验数据集 17

4.1.5模型训练和测试 19

4.2模型的有效性分析与存在的问题 22

4.2.1 有效性分析 22

4.2.2 存在的问题 23

第5章 结论及展望 25

5.2主要创新点 25

5.1主要结论 25

5.3研究展望 25

参考文献 26

致 谢 27

第1章 绪论

1.1 研究背景

今天，随着中国现代化进程的不断推进，中国汽车数量的增长无疑是跨越式的。机动车的骤增无疑会加剧各种交通问题：交通拥堵、交通安全、交通管理和控制，以及交通造成的环境污染。增加城市道路供给被认为是解决各种交通问题的良药。久而久之，人们就会思考尽可能多的提高交通供给的措施，期望供给能达到“包容”下所有的交通的出行的效果。多年的实施成果表明，单纯地从交通供给方面考虑，如加快完善道路基础设施的建设、加强道路的管理，以满足不断增长的交通需求是不切实际的。既然提高交通供给的方式行不通，那么限制交通的生成是否可行呢？答案是肯定的。但同样，若是一味地减少交通的生成，像车辆的限行等，将难以与我国的快速发展的国情相适应，难以提高我国发展、前进的步伐。从目前的各城市的交通网络布局以及规划成本来看，重新对各城市的交通线路进行规划明显是不科学且代价极其高昂的。

因此，在种种解决交通问题的方式具有两面性的情况下，我们应当思考更为科学的方法。这种方法就是不断将城市道路的建设和管理的方向转变为科学管理的方向。在AI应用迅速的背景下，智能交通系统（Intelligent Transportation System）就应运而生。智能交通系统，简称ITS。ITS的作用在于它可以在道路管理者的指导下向道路的利用者实时、准确地发布路况信息，如目前哪些交叉口正处于拥堵状态，可以提醒驾驶员绕道而行，并给出合理的路线建议，避免“堵上加堵”的尴尬情形，使得驾驶员能够合理地、实时地选择并灵活调整出行路线，以达到道路利用者最优，理想状态下甚至达到整个交通系统最优的目的。

交叉口是由两条道路相互交叉产生的作为冲突点集中区域的枢纽，是道路网络中道路交通容量的“喉部”区域，这也是频繁出现交通问题的关键。总而言之，对城市交通管理的有效手段是对交叉口交通情况的科学分析和管理，而分析、管理的前提是对交叉口处交通信息的有效采集。由此就引出了本文的主要研究对象：交叉口的车辆排队长度。

1.2 研究目的及意义

1.2.1 研究目的

本文的总体研究目标是针对现有的利用人工观看路段录像来确定交叉口各进口道的车辆的排队长度的方法未能快捷、准确地完成预期任务这一弊端，提出一种基于深度学习的交通流量统计的方法，基于人工神经网络的交通流量统计分析方法能发现数据的分布特征，预测数据分析，提高交通流量统计分析的准确性，以构建道路交通流量统计分析模型，提高交通流量统计分析的效率与准确度。

本文的具体研究目标包括：

（1）通过收集的太子湖北路-芳草路东进口排队长度的基础资料，对现有的传统交通流量统计分析的方法进行概述和评估。；

（2）通过对文献的研究和实际模型的学习，介绍了深度学习的基本概念，训练过程以及一些常用的深度学习模型和算法；

（3）通过引入上述交叉口排队车辆数统计分析与深度学习，提出一种基于深度学习的交叉口排队车辆数的统计方法。构建基于深度学习算法研究交通流量统计分析模型，以提高交通流量统计分析的效率与准确度，减少交叉口排队长度调查不必要的人力、物力的消耗，达到省时、省力的目的；

1.2.2 研究意义

• 理论意义

本文可直接通过所提出的基于深度学习的模型与算法研究交叉口的实测视频截图数据，对交叉口各进口道排队车辆数进行识别计数。其理论意义在于：（1）构建基于深度学习算法研究交通流量统计分析模型，提高了交通流量统计分析的效率与准确度，减少交叉口排队长度调查不必要的人力、物力的消耗，达到省时、省力的目的；（2）通过对已知交叉口排队车辆数据的充分利用，提出了基于深度学习中卷积神经网络算法的交叉口排队车辆的识别与计数的方法。由此，为交通流量统计分析的方法提供了新思路。

• 实践意义

本文研究的实践意义在于：（1）此模型建立后，数据处理较为容易，为进行城市道路交叉口交通流量的统计与评估、评价交叉口的通行能力以及提高交叉口的效益研究提供了良好的数据源支撑；（2）服务于交通信息采集：进而指导交通部门以及政府实行科学的措施，有助于有关部门制定出合理的工作计划和行之有效的交通对策，提高道路资源利用率；（3）服务于交通管理与控制：本研究的成果可以丰富我国城市道路交叉口排队长度统计计数方法，服务于交叉口交通状态评估和信号控制方案的优化，提升交叉口运行效率。

1.3 研究内容与技术路线

1.3.1 研究内容

本文的研究内容包括以下三个方面：

1. 关于交叉口的车辆排队长度统计分析研究概述

主要首先明确了本文的研究对象（交叉口车辆排队长度），并且对于交叉口排队车辆数对于评估交叉口、改善交叉口服务水平的重要性。列出了交叉口交通流排队长度评价标准的表。然后将介绍三种常用的交叉口车辆排队长度的测量方法。分别为：人工观测方法、视频观测方法及机械计数方法。

接着深入介绍了每种统计方法的具体步骤以及优缺点。举例说明，对于机械计数法的介绍主要总结了机械计数法所需要的主要检测工具：车辆检测器（传感器）和计数器，常用的城市道路感应线圈布设位置，以及它们的优缺点。在文章的小结对三种检测方法的优势与劣势进行比选。最终得到每种检测方法最适用的情形。

1. 关于深度学习算法的介绍

第三章主要介绍深度学习的概念，常用的模型和框架。

深度学习网络的原理为：通过深度学习网络建立的多个分层网络，每层的作用在于提取信息的局部特征。将需要被处理的信息从顶层输入，接着一步步传入下一层网络，随着网络层的增加和深入，所提取的特征也就更加抽象，深入。由此，机器可以完全掌握和刻画出表征外界的整体特征。模仿人脑学习的目的也就达到。

常用的深度学习模型包括深度信念网络（DBN）和卷积神经网络（CNN）。DBN与CNN的区别之一是卷积层（Convolution Layer）与池化层（Pooling Layer），这两个是CNN特有的。但他们都有一个共同点，就是训练算法都是BP算法。

本章介绍的两个深度学习的框架Caffe和TensorFlow也有其自身的优点。深度学习框架的出现降低了门槛，不需要从复杂的神经网络编码，并且可以根据需要选择现有模型，模型参数可以通过培训获得，也可以根据现有模型添加自己的图层。或者算则顶端所需的分类器和优化算法。

总而言之，深度学习的方法会使机器更容易学习整个识别车辆并计数的过程，以达到省时、省力的目的。

1. 基于深度学习算法的交叉口的车辆排队长度统计分析模型以研究

本文的第四章主要通过对上述交叉口的车辆排队数统计分析与深度学习的介绍，提出一种基于深度学习的交通流量统计的方法。该方法依赖于图像识别领域深度学习的发展和成熟。首先对实验交叉口太子湖北路—芳草路的路口概况进行了大致的介绍，包括路口的基本位置，其平面几何特征，交通流特征以及它的信号配时。下一步通过前期标记过程，模型的训练过程以及模型的测试过程三个过程，构建基于深度学习算法研究交通流量统计分析模型。并根据模型所识别的结果对数据进行精度有效性分析，进一步提出此方法所存在的一些可调整的，影响精度的可能存在的问题。本研究的成果可以丰富我国城市道路交叉口排队长度统计计数方法，服务于交叉口交通状态评估和信号控制方案的优化，提升交叉口运行效率。

1. 结论与展望

上一章对模型进行多次测试与优化之后，在本文的最后对本模型提出了两个方面的创新点：理论创新和方法创新。整体做了一个总结，并对交通研究中为例深度学习图像识别的研究进行展望。

1.3.2 技术路线

图 1-1 技术路线图

1.4 论文结构

本论文包括如下5个章节：

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：