随着我国经济的快速发展和城市规模的不断扩大，城市居民的交通需求也日益增长。早在本世纪之初，我国就以惊人的速度进入汽车社会阶段。截至2018年底，全国汽车保有量达2.4亿辆，比2017年增加2285万辆，增长10.51%；机动车驾驶人突破4亿人，达4.09亿人，其中汽车驾驶人3.69亿人。而交通供给的增长速度明显低于交通需求的增长速度，城市交通基础设施的供需矛盾进一步加大。

交通供需之间的矛盾带来了日趋严重的交通问题，其中交通拥堵问题最为突出。城市的交通阻塞已由点带线、由局部向大范围蔓延。这不仅影响了城市生活的效率和质量，而且带来了环境污染、能源浪费等许多社会问题，严重制约了城市发展。有研究结果显示，车辆排放对于城市环境的污染要比工厂排放来的更加严重。交通对于能源的消耗也让人十分惊讶，特别是在拥挤、阻塞的交通环境下，车辆不断的启动、制动，会对能源造成大量的消耗。同时，城市交通的拥挤会造成大量的事故，极大地影响着人们的出行安全。

我国交通信号灯控制及设置存在的问题

我国交通信号灯在设置、使用和配时方面都存在相应的问题。在信号灯设置方面，信号灯设置随意性较大和信号灯安装位置不合理是两个较为突出的问题；信号灯使用方面存在的问题有倒计时信号灯应用过于广泛、信号灯管理水平较低以及信号灯灯色不合理；在信号灯配时方面，各大城市均存在路口红绿灯时间分配不合理的现象，也存在路口信号周期过长或者过短问题，而且城市交通信号灯控制普遍采用固定配时方案，信号灯状态转换时间相对固定，信号灯的显示时间无法根据路口的实时车流量来动态调整。

我国交通信号灯调度研究现状

传统交通灯调度方法己经无法满足日益增长的城市交通需求，因此研究有效的智能交通灯调度方法以解决目前城市道路交通问题是十分必要的。随着ITS系统的广泛应用，交通管理者拥有了大量实时交通数据。许多研究专家已经认识到实现交通流状态的预测可以使智能交通系统发挥出最大优势。交通流的预测可以为信号灯调度提供前瞻性的指导策略，为更好地调度路口车流量提供信息服务。现今，有很多关于短时交通车流量预测的研究工作。其中，Kalman滤波预测方法是将Kalman滤波理论应用于交通流预测；ARIMA模型是从时间序列的历史值及当前值来预测未来值的线性估计量。目前，虽然许多有良好发展前景的理论和方法都己经被提出来，然而这些方法尚处于探索研究阶段，仍需进一步发展完善。

如何避免交通事故的发生、减少交通拥堵以及由此而引发的其它问题，为广大人民群众提供良好的城市生活社会环境已引起相关部门和工作人员的高度重视。在现有研究的基础上，我提出了基于视频识别技术的信号灯配时方案以及基于神经网络的信号灯配时方案。基于视频识别技术的信号灯配时方案，利用路口现有的视频监控设备对路口的等待车辆数和等待行人数进行识别计数，然后根据获得的等待车辆数和等待行人数分别确定车行绿灯时间和车行红灯时间，从而实现对路口信号灯时间的动态调整；基于神经网络的信号灯配时方案，利用历史交通流数据来训练神经网络模型，得到输出与输入的一种映射关系，然后对路口下一时段的交通流进行预测，并根据预测交通流动态调整信号灯配时。神经网络有能力学习和构建非线性的复杂关系，且与许多其他预测技术不同，神经网络不会对输入变量施加任何限制。两种配时方案都能够对路口的信号灯时间进行动态调整，有利于提高城市路口的通行效率，缓解交通道路拥堵情况，同时可以减小汽车尾气排放对城市环境的影响，改善市民的出行质量。