本发明涉及交通信号技术领域，具体为一种基于神经网络的交通信号智能调节方法。
背景技术：
随着城市的不断发展，私家车数量的不断增加，城市日益变得拥堵起来。但是在一些较为拥堵的路段，交通信号灯的时间间隔严重不合理，只能依靠交警通过目测的方式手动调节。这种方式增加了交警的工作负担，同时也存在着一定量的误差。
技术实现要素：
本发明的目的在于提供一种基于神经网络的交通信号智能调节方法。
本发明的目的可以通过以下技术方案实现：一种基于神经网络的交通信号智能调节方法，该方法具体包括下述步骤：
训练机器学习模型
s1：以路口的四个卡口点位为基础，分别再选取四条支路距离路口最近的非路口卡口；
s2：设置时间窗口大小为10秒，滑动间隔时间δt＝10秒聚合选取点位的过车数据；
s3：选取多层神经网络为训练模型；
s4：选取adam为随机梯度下降优化算法，选取mse为损失函数编译网络；
s5：使用xavier初始化权值，relu函数作为激活函数训练网络；
s6：调整中间层层数和中间层网络节点的数量，使用评价网络评价预测结果，选择效果最佳的层数和节点数量为最终模型的参数；
动态调整
k1：根据实际的过车数量动态调整滑动窗口的时间间隔；
k2：两套预测模型同时运行，主模型参数保持不变，辅助预测模型每次参数动态调整，使用评价网络对主辅预测模型进行预测结果评价，选取最优解更新主模型。
所述以路口的四个方向的实地卡口点位为基础，分别再选取四条支路距离路口最近的非路口实地卡口，如果没有非路口的实地卡口，也可以使用虚拟卡口，或者路边普通摄像头接入视频结构化算法代替。
统计过车数据采用的是流处理框架的滑动窗口，因为每天有上亿级别的过车数据，传统的框架无法做到实时性，只有使用流处理框架才能够实现低延迟，满足实际的业务场景需要。
选取多层神经网络为训练模型，在此选择五层神经网络为初始化训练模型，第一层输入12个节点，第二层10个节点，第三层8个节点，第四层10个节点，第五层输出4个节点(考虑一对信号灯左转和直行的情况)。
为防止网络激活的梯度消失或爆炸，在初始化权重时保证激活的平均值为零和激活的方差在每一层保持不变，在此使用xavier初始化权值。
首先节点数不变，调整中间层数(增加1-2个节点)，记录运行效率和准确性。然后层数不变，调整中间层节点个数，每一层的节点上下浮动五个，记录运行效率和准确性。
根据实际的过车数量动态调整滑动窗口时间间隔，例如早晚高峰车辆比较密集，交通信号灯需要及时调整，因此适当缩小时间间隔。
根据实际拥堵的情况，动态修正参数，适合雨雪天等复杂场景。
本发明的有益效果：
(1)以路口的四个卡口点位为基础，分别再选取四条支路距离路口最近的非路口卡口；设置时间窗口大小为10秒，滑动间隔时间δt＝10秒聚合选取点位的过车数据；选取多层神经网络为训练模型；选取adam为随机梯度下降优化算法，选取mse为损失函数编译网络；使用xavier初始化权值，relu函数作为激活函数训练网络；调整中间层层数和中间层网络节点的数量，使用评价网络评价预测结果，选择效果最佳的层数和节点数量为最终模型的参数；减少了交警疏导交通时手动调整交通信号的工作量，基于机器学习的算法模型使得交通信号的调整更加智能和高效；
(2)通过根据实际的过车数量动态调整滑动窗口的时间间隔；两套预测模型同时运行，主模型参数保持不变，辅助预测模型每次参数动态调整，使用评价网络对主辅预测模型进行预测结果评价，选取最优解更新主模型，根据实际拥堵的情况，动态调整框架的参数，使得算法模型适应多种场景。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明的流程图；
图2为本发明多层神经网络结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
请参阅图1-2所示，本发明为一种基于神经网络的交通信号智能调节方法，包括训练机器学习模型和动态调整两个过程，
训练机器学习模型
s1：以路口的四个卡口点位为基础，分别再选取四条支路距离路口最近的非路口卡口；
s2：设置时间窗口大小为10秒，滑动间隔时间δt＝10秒聚合选取点位的过车数据；
s3：选取多层神经网络为训练模型；
s4：选取adam为随机梯度下降优化算法，选取mse为损失函数编译网络；
s5：使用xavier初始化权值，relu函数作为激活函数训练网络；
s6：调整中间层层数和中间层网络节点的数量，使用评价网络评价预测结果，选择效果最佳的层数和节点数量为最终模型的参数；
动态调整
k1：根据实际的过车数量动态调整滑动窗口的时间间隔；
k2：两套预测模型同时运行，主模型参数保持不变，辅助预测模型每次参数动态调整，使用评价网络对主辅预测模型进行预测结果评价，选取最优解更新主模型。
所述以路口的四个方向的实地卡口点位为基础，分别再选取四条支路距离路口最近的非路口实地卡口，如果没有非路口的实地卡口，也可以使用虚拟卡口，或者路边普通摄像头接入视频结构化算法代替。
统计过车数据采用的是流处理框架的滑动窗口，因为每天有上亿级别的过车数据，传统的框架无法做到实时性，只有使用流处理框架才能够实现低延迟，满足实际的业务场景需要，过车数据指代通过的车辆多少。
如图2示例，选取多层神经网络为训练模型，在此选择五层神经网络为初始化训练模型，第一层输入12个节点，第二层10个节点，第三层8个节点，第四层10个节点，第五层输出4个节点(考虑一对信号灯左转和直行的情况)。
为防止网络激活的梯度消失或爆炸，在初始化权重时保证激活的平均值为零和激活的方差在每一层保持不变，在此使用xavier初始化权值。
首先节点数不变，调整中间层数(增加1-2个节点)，记录运行效率和准确性。然后层数不变，调整中间层节点个数，每一层的节点上下浮动五个，记录运行效率和准确性。
根据实际的过车数量动态调整滑动窗口时间间隔，例如早晚高峰车辆比较密集，交通信号灯需要及时调整，因此适当缩小时间间隔。
根据实际拥堵的情况，动态修正参数，适合雨雪天等复杂场景。
本发明在工作时，以路口的四个卡口点位为基础，分别再选取四条支路距离路口最近的非路口卡口；设置时间窗口大小为10秒，滑动间隔时间δt＝10秒聚合选取点位的过车数据；选取多层神经网络为训练模型；选取adam为随机梯度下降优化算法，选取mse为损失函数编译网络；使用xavier初始化权值，relu函数作为激活函数训练网络；调整中间层层数和中间层网络节点的数量，使用评价网络评价预测结果，选择效果最佳的层数和节点数量为最终模型的参数；根据实际的过车数量动态调整滑动窗口的时间间隔；两套预测模型同时运行，主模型参数保持不变，辅助预测模型每次参数动态调整，使用评价网络对主辅预测模型进行预测结果评价，选取最优解更新主模型。本发明减少了交警疏导交通时手动调整交通信号的工作量，基于机器学习的算法模型使得交通信号的调整更加智能和高效。根据实际拥堵的情况，动态调整框架的参数，使得算法模型适应多种场景。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
1.一种基于神经网络的交通信号智能调节方法，其特征在于，该方法具体包括下述步骤：
步骤一：训练机器学习模型，具体包括：
s1：以路口的四个卡口点位为基础，分别再选取四条支路距离路口最近的非路口卡口；
s2：设置时间窗口大小为10秒，滑动间隔时间δt＝10秒聚合选取点位的过车数据；
s3：选取多层神经网络为训练模型；
s4：选取adam为随机梯度下降优化算法，选取mse为损失函数编译网络；
s5：使用xavier初始化权值，relu函数作为激活函数训练网络；
s6：调整中间层层数和中间层网络节点的数量，使用评价网络评价预测结果，选择效果最佳的层数和节点数量为最终模型的参数；
步骤二：动态调整，具体包括：
k1：根据实际的过车数量动态调整滑动窗口的时间间隔；
k2：两套预测模型同时运行，主模型参数保持不变，辅助预测模型每次参数动态调整，使用评价网络对主辅预测模型进行预测结果评价，选取最优解更新主模型。
2.根据权利要求1所述的一种基于神经网络的交通信号智能调节方法，其特征在于，s1中所述以路口的四个方向的实地卡口点位为基础，分别再选取四条支路距离路口最近的非路口实地卡口，若没有非路口的实地卡口，则使用虚拟卡口，或者路边普通摄像头接入视频结构化算法代替。
3.根据权利要求1所述的一种基于神经网络的交通信号智能调节方法，其特征在于，统计过车数据采用的是流处理框架的滑动窗口。
4.根据权利要求1所述的一种基于神经网络的交通信号智能调节方法，其特征在于，s2中的选取多层神经网络为训练模型，选择五层神经网络为初始化训练模型，第一层输入12个节点，第二层10个节点，第三层8个节点，第四层10个节点，第五层输出4个节点。
5.根据权利要求1所述的一种基于神经网络的交通信号智能调节方法，其特征在于，s6中的具体调节为：设定节点数不变，调整中间层数，记录运行效率和准确性。然后层数不变，调整中间层节点个数，每一层的节点上下浮动五个，记录运行效率和准确性，其中，调整中间层数具体为：增加1-2个节点。
技术总结