基于云边端协同的交通信号相位配时控制方法及系统与流程

1.本发明涉及交通信号灯的控制技术领域，具体地说，是涉及一种基于云边端协同的交通信号相位配时控制方法以及实现这种方法的系统。


背景技术：

2.随着社会经济的发展，城市人口和机动车数量日益增多，城市交通拥堵的问题也日益严重。目前，城市道路存在大量的路口，很多路口设置有信号灯，机动车、行人按照信号灯的信号通行，如果多个路口的信号灯放行时间设置不合理，将导致道路更加拥堵。传统的信号灯控制方案通常是按照固定的时间设置，例如按照过去一段时间的车流量设置各个方向的通行时间，一旦各个方向的信号灯的通行时间设定，往往会在一段时间内保持相对固定，例如某一个方向的通行时间为30秒，通常会在当天、该月甚至一年内保持相对固定。
3.然而，由于交通状况是动态变化的，如果某一个方向的车流量因突发事件而增多或者减少，但由于该方向的信号灯仍按照设定的时间设置放行时间，导致该方向严重拥堵或者放行时间内无车辆行驶。为此，对信号灯的合理控制对于解决城市交通拥堵有重要的意义。
4.现有的智能交通信号控制系统，可以根据各个方向的车流量情况动态的对各个方向的信号灯进行配时管理，使得城市交通信号控制系统实现从手动到自动、从定时到感应、从“点控”到“面控”的转变。现代交通信号控制具有随机性、非线性、时变性等特点，传统的以精确数学模型为基础的控制方法的效果不再理想。
5.随着智能交通系统的发展，信号控制系统逐渐开始采用人工智能技术，各种智能算法开始应用于交通控制系统。目前，智能交通控制系统信号优化配时方法应用最为广泛和最为成熟的方案主要有：信号配时方案离线优化设计法、在线感应检测优化信号配时模型法，上述两种方法通过获取准确实时的交通需求来在线快速实时的调整信号系统周期、相位差、绿信比、相序等，使得整个区域总的交通延误最小，车辆的通行效率最高。
6.现有的交通信号感应控制方式是一种系统预先根据历史交通数据设计多套信号控制方案，通过路网的感应检测器所采集的交通数据来从预案中挑选，对配时方案作局部调整的选择系统。综合来看，系统的周期、绿信比和相位差的优化是预先确定的，限制了配时方案的优化程度。由于交通系统受交叉口的设置、人们的素质和习惯、周边设施的分布、天气等众多因素的影响，是典型的非线性、模糊性和不确定性的系统，要想获得准确的模型是极其困难的，基于交通模型的配时方案优化也难以取得较好效果。
7.公开号为cn112466115a的中国发明专利申请公开了一种基于边缘计算的公交车辆交叉口优先通行控制系统及方法，该系统包括有5g基站、车载单元、边缘计算服务器、核心网络、云中心、信号灯、雷达等，边缘计算服务器布设在交叉口路侧，提供云中心调控下的大范围的具体交通服务，是一个集计算、存储、网络、应用等功能为一体的开放平台，可以进行车辆鉴权，收集、存储来自交叉口各类检测器、车辆等的异构数据并进行数据处理，得到车流量等交通参数状态，进而做出控制策略，为车辆提供相关信息的警示或提醒，以及制定
交叉口信号灯的配时方案，对信号灯进行控制等。
8.虽然该系统设置了云中心、边缘计算服务器等，但云端服务器并没有为边缘计算服务器提供交通模型的支撑，使得边缘计算服务器无法利用云中心的协调能力，边缘计算服务器需要非常强大的运算能力，且多个不同路口上的边缘计算服务器也难以实现同步协调的工作，对于交通系统的信号控制不够理想。


技术实现要素：

9.本发明的第一目的是提供一种能够协调多个边缘端设备工作的基于云边端协同的交通信号相位配时控制方法。
10.本发明的第二目的是提供实现上述基于云边端协同的交通信号相位配时控制方法的基于云边端协同的交通信号相位配时控制系统。
11.为实现上述的第一目的，本发明提供的基于云边端协同的交通信号相位配时控制方法包括云端服务器将自身构建好的多个交通配置模型的数据发送至边缘端设备，边缘端设备设置于路口，且边缘端设备用于向路口的多组灯组的信号机发送控制信号；边缘端设备接收交通配置模型的数据后，利用模型转换引擎将交通配置模型转换成信号机与上位机通信协议模型：模型转换引擎获取交通配置模型中多个源项目中的数据，将多个源项目中的数据映射至信号机与上位机通信协议模型中相对应的目标项目中；边缘端设备还利用模型转换引擎将交通配置模型转换成边缘端交通调度智能模型中的通行方案运行时模型；边缘端设备获取实时交通数据并应用智能配时器、相位执行器计算出各相信号灯的相位执行顺序以及配时时间，边缘端设备以预设的通信帧模型将控制信号发送至信号机；边缘端设备获取对应信号机的状态信息并转换成交通实时状况模型的数据，并将交通实时状况模型的数据上传至云端服务器。
12.由上述方案可见，边缘端设备可以从云端服务器获取交通配置模型的数据，并且利用交通配置模型转换形成信号机与上位机通信协议模型，也就是转换成能够向控制信号灯的信号机发送的信号，从而实现对信号灯的控制。由于多个边缘端设备可以从云端服务器获取交通配置模型，因此可以云端服务器可以对设置在不同路口的边缘端设备进行同步管理，能够协调多个路口的信号灯，最大程度上优化区域内的交通。
13.此外，云端服务器存储有交通配置模型，多个边缘端设备并不需要存储交通配置模型的数据，只需要从云端服务器获取该模型数据即可，一旦交通配置模型变化，多个边缘端设备可以同步获取更新的交通配置模型。另外，边缘端设备可以利用模型转换引擎对模型数据进行转换，以转换成能够让信号机所识别的信号，实现对路口的信号机的控制。
14.一个优选的方案是，边缘端设备获取对应的信号机的状态信息并转换成交通实时状况模型的数据时，还通过图像及视频采集装置及智能目标识别算法获取实时交通数据并转换为交通参与者信息模型，边缘端设备将经过转换的模型合并成交通实时状况模型的交通概要信息模型以及交通路况信息模型。
15.由此可见，边缘端设备应用模型转换引擎将交通参与者信息模型转换成交通实时状况模型的交通概要信息模型以及交通路况信息模型，能够获得交通路况的实时信息，并且反馈至云端服务器，便于云端服务器记录实时的交通路况信息。
16.进一步的方案是，边缘端设备将通过交通实时状况模型所采集的数据上传至云端
服务器包括：边缘端设备将通过交通概要信息模型以及交通路况信息模型所采集的数据上传至云端服务器。
17.可见，边缘端设备将通过交通概要信息模型以及交通路况信息模型所采集的数据上传至云端服务器，云端服务器并不需要存储大量的数据，仅仅存储交通概要信息，可以减少云端服务器存储的数据量，也减少边缘端设备上传的数据量。
18.进一步的方案是，云端服务器接收到边缘端设备上传的交通实时状况模型的数据后，对交通实时状况模型的数据进行过滤、清洗后形成结构化数据，并存储在云端服务器的数据库中。
19.由此可见，云端服务器可以长时间存储经过过滤、清洗后的数据，以便于日后查看这些数据，也可以利用这些数据对交通路况进行调整。
20.进一步的方案是，边缘端设备获取对应的信号机的状态信息并转换成交通实时状况模型的数据时，还获取对应的信号机的状态指令，将状态指令转换成信号机与上位机通信协议模型的数据。
21.可见，边缘端设备获取对应的信号机的状态指令后，确定相应的信号机的状态，并将信号机的状态转换成信号机与上位机通信协议模型的数据以上传至云端服务器。
22.进一步的方案是，边缘端设备还与至少一组图像及视频采集装置通信；边缘端设备设置有智能推理及计算引擎，智能推理及计算引擎获取多组图像及视频采集装置传输的实时交通图像及视频，并识别各个相位的车辆数量。
23.进一步的方案是，智能推理及计算引擎应用智能视觉采集调度器获取多组图像及视频采集装置传输的实时交通图像及视频，并应用智能视觉数据推理器识别各个相位对应车道的车辆，并应用相位车辆计数处理器识别各个相位的车辆数量。
24.为实现上述的第二目的，本发明提供的基于云边端协同的交通信号相位配时控制系统包括云端服务器、边缘端设备以及设备端设备，设备端设备包括一个信号机、图像及视频采集装置：其中，云端服务器用于将自身存储的多个交通配置模型的数据发送至边缘端设备，边缘端设备设置于路口，且边缘端设备用于向路口的多组灯组的信号机发送控制信号；边缘端设备用于接收交通配置模型的数据后，利用模型转换引擎将交通配置模型转换成信号机与上位机通信协议模型：模型转换引擎获取交通配置模型中多个源项目中的数据，将多个源项目中的数据映射至信号机与上位机通信协议模型中相对应的目标项目中；边缘端设备还利用模型转换引擎将交通配置模型转换成边缘端交通调度智能模型中的通行方案运行时模型；边缘端设备获取实时交通数据并应用智能配时器、相位执行器计算出各相信号灯的相位执行顺序以及配时时间，边缘端设备以预设的通信帧模型将控制信号发送至信号机；边缘端设备获取对应的信号机的状态信息并转换成交通实时状况模型的数据，并将通过交通实时状况模型所采集的数据上传至云端服务器。
25.一个优选的方案是，该设备端设备还包括至少一组图像及视频采集装置，图像及视频采集装置获取实时交通图像及视频并传送至边缘端设备。
26.由此可见，边缘端设备可以获取多组图像及视频采集装置所采集的实时交通图像，以便于监控多个不同方向的车流量情况。
27.进一步的方案是，边缘端设备的数量为二个以上，每一个边缘端设备与对应的一个信号机进行通信。
28.可见，在每一个路口可以设置一个边缘端设备，这样，云端服务器可以同时对设置在多个路口的多个边缘端设备进行同步的控制，例如同步进行交通配置模型的更新，并且可以获取多个不同路口的边缘端设备上传的数据，从而对整个区域的交通路况进行整体的监控。
附图说明
29.图1是本发明基于云边端协同的交通信号相位配时控制系统实施例的结构框图。
30.图2是本发明基于云边端协同的交通信号相位配时控制系统实施例中交通配置模型的结构框图。
31.图3是本发明基于云边端协同的交通信号相位配时控制系统实施例中交通实时状况模型的结构框图。
32.图4是本发明基于云边端协同的交通信号相位配时控制系统实施例中算法智能模型的结构框图。
33.图5是本发明基于云边端协同的交通信号相位配时控制系统实施例中数据模型的结构框图。
34.图6是本发明基于云边端协同的交通信号相位配时控制系统实施例各个模块通信示意图。
35.图7是本发明基于云边端协同的交通信号相位配时控制系统实施例中智能推理的结构框图。
36.图8是本发明基于云边端协同的交通信号相位配时控制系统实施例中交通方案运行引擎的结构框图。
37.图9是本发明基于云边端协同的交通信号相位配时控制系统实施例中路口模型的示意图。
38.图10是本发明基于云边端协同的交通信号相位配时控制系统实施例中云端服务器通行方案的相位配时模型设置界面图。
39.图11是本发明基于云边端协同的交通信号相位配时控制方法实施例从云端服务器向边缘端设备传输数据的流程图。
40.图12是本发明基于云边端协同的交通信号相位配时控制方法实施例从边缘端设备向云端服务器传输数据的流程图。
41.以下结合附图及实施例对本发明作进一步说明。
具体实施方式
42.本发明的基于云边端协同的交通信号相位配时控制方法通过云端服务器与边缘端设备的协同工作，利用云端服务器进行通行方案的建模，对交通路况各个方向的各个车道的车流量情况进行监控，采用视频流采集技术和基于深度学习的目标识别技术相结合，分析交通流量数据。
43.本发明的基于云边端协同的交通信号相位配时控制方法可以同时检测一个或多个车道的交通信息，例如车道上的车辆数、车速、车型、道路占有率和停车排队长度等交通状态参数，通过识别数据获取交通模型辨识信息，并进行相位调整判断。
44.边缘端设备可以在线完成配时参数的优化，按照优化策略自主调整相位配时方案，在线实时调整当前周期所在相位的绿灯配时时间，从而实现系统优化控制策略，以使各路口和各个车道平均排队长度最短作为目标，从而提高交叉口的利用率。与传统方法相比，本发明可以同时兼顾饱和度均衡、近饱和度控制与排队约束等多个控制目标，在平峰与高峰时间均取得很好的效益。
45.基于云边端协同的交通信号相位配时控制系统实施例：
46.参见图1，本实施例包括云端服务器10、边缘端设备20以及设备端设备30，其中，边缘端设备20可以是一个以上，一个边缘端设备20设置在一个路口，一个路口包括多个方向，每一个方向具有多个车道。针对每一个方向，需要设置至少一组信号灯，一个路口的多组信号灯通常由一个信号机控制。本实施例的设备端设备30包括信号机，还包括设置在路口上的图像及视频采集装置，例如摄像头。通常，针对一个方向，需要设置至少一组图像及视频采集装置。因此，一个边缘端设备20需要向对应的信号机发送控制信号，并且接收多组图像及视频采集装置所传送的图像数据或者视频数据，从而监控各个方向的车流量情况。可以理解，边缘端设备20是一个用于接收云端服务器10传送的数据并对设备端设备30进行控制的设备，边缘端设备20的硬件设备可以包括单片机以及无线通信模块。设备端设备30是设置在路口的末端硬件设备，包括摄像头以及信号机。
47.云端服务器10设置有交通配置模型11、交通实时状况模型12，并且设置有规则引擎13。参见图2，交通配置模型11包括交通系统配置智能模型11、交通路况智能模型120、交通通行方案智能模型130以及交通调度方案智能模型140。其中，交通系统配置智能模型110包括有交通系统配置模型111以及交通安全配置模型112；交通路口智能模型120包括路口模型121、入口模型122、行道模型123以及信号灯组模型124；交通通行方案智能模型130包括通信方案模型131、相位模型132以及相位配时模型133；交通调度方案智能模型140设置有调度方案模型141。
48.其中，相位模型132包括有多个路口中多个相位的模型，相位是路口的行车方向，例如十字路口中包括四个行车方向，相位的数量就是四个，丁字路口中包括三个行车方向，相位的数量就是三个。不同的路口形状不相同，相位的数量需要根据实际情况进行配置。而每一个行车方向的车道数量、车道方向也不相同，且车道数量、车道方向也可以根据实际情况调整，云端服务器10存储的是通用的模型，边缘端设备20将根据实际的参数对模型进行调整。
49.相位配时模型133存储有不同相位配时的模型，相位配时是各个相位的通行时间，例如某一方向的通行时间。优选的，不同车道的通行方向不相同，参见图9，一个方向有四条车道，最左侧的车道为左转车道，中间的两条车道为直行车道，最右侧的车道为右转车道。相位配时就是左转车道与中转车道的通行时间、等待时间的设置。各个相位的配时方案界面如图10所示。
50.本实施例中，每一个模型均设置有多个预设项目，例如交通系统配置模型111中设置有配置模型的各个参数，这些预设项目可以是一个具体的数值，也可以是一个数值范围，还可以是若干个可选的选项，模型的数据存储在云端服务器10中。
51.参见图3，交通实时状况模型12设置有交通概要信息模型1021、交通路况信息模型1022、人工配时模型1023、智能配时模型1024、交通实时视频1025、故障数据模型1026以及
报警数据模型1027。云端服务器10通过交通实时状况模型12记录边缘端设备20所传送的实时交通状况的数据，以便于以后查询，也可以利用实时交通状况的数据对交通配置模型11中的各个模型进行调整。
52.边缘端设备20包括有交通配置模型21、交通实时状况模型22、模型转换引擎23、算法智能模型24、信号机与上位机通信协议模型28，其中，信号机与上位机通信协议模型28包括数据模型25以及通行模型26。云端服务器10可以将交通配置模型11的数据传送至边缘端设备20，因此，边缘端设备20上的交通配置模型21的数据完全来自于云端服务器10的交通配置模型11，也就是，交通配置模型21与交通配置模型11完全相同。
53.云端服务器10的交通实时状况模型12的数据来自于边缘端设备20的交通实时状况模型22，与云端服务器10的交通实时状况模型12相比，边缘端设备20的交通实时状况模型22也就有交通概要信息模型、交通路况信息模型、人工配时模型、智能配时模型、故障数据模型以及报警数据模型等多个模型，但不设置交通实时视频。
54.模型转换引擎23用于实现多个模型之间的转换，例如，边缘端设备20可以利用模型转换引擎23将交通配置模型21转换成信号机与上位机通信协议模型28，具体的，模型转换引擎23获取交通配置模型21中多个源项目中的数据，将多个源项目中的数据映射至信号机与上位机通信协议模型28中相对应的目标项目中。可以理解，交通配置模型21是转换前的源模型，信号机与上位机通信协议模型28是转换后的目标模型。
55.本实施例中，模型转换引擎23需要借助于算法智能模型24实现各种模型之间的转换，参见图4，算法智能模型24包括交通调度智能模型2410、交通算法智能模型2420以及交通实时状况采集器智能模型2430，其中，交通调度智能模型2410包括通行方案运行时模型2411、智能配时器2412以及相位执行器2413，交通算法智能模型2420包括交通参与者统计信息模型2421，交通实时状况采集器智能模型2430包括交通参与者实时信息模型2431。
56.模型转换引擎23可以将交通配置模型21的数据转换至信号机与上位机通信协议模型28，具体的，将交通配置模型21的数据转换形成数据模型25中的各个项目。参见图5，数据模型25包括五个部分，第一个部分包括设备信息模型2511、基础信息模型2512、相位安全信息模型2513，第二部分包括检测器信息模型2521、灯组信息模型2522，第三部分包括方案配时模型2531、相位信息模型2532，第四部分包括调度表模型2541、日计划模型2542、相位紧急/优先配置模型2543、相位阶段过渡约束模型2544、命令管道模型2545、中心控制模型2546，第五部分包括交通数据模型2551、相位阶段信息模型2552、运行状态模型2553、故障数据模型2554、报警数据模型2555。
57.通信模型26设置有两个子模型，分别是国标通信帧模型以及非国标通信帧模型，其中，国标通信帧模型是按照国标信号机的通信协议要求进行配置的通信帧模型，而非国标通信帧模型是按照非国标信号机的通信协议要求进行配置的通信帧模型。
58.相应的，设备端设备30设置有两种类型的信号机，分别是国标信号机31以及非国标信号机32。需要说明的是，设备端设备30所使用的信号机类型可以仅仅包括国标信号机31，也可以是仅仅包括非国标信号机32，具体根据实际使用情况确定。边缘端设备20根据信号机类型使用相应的通信帧进行通信，例如，设备端设备30设置有国标信号机31，则边缘端设备20将使用国标通信帧模型与国标信号机31进行通信，如果设备端设备30设置有非国标信号机32，则边缘端设备20将使用非国标通信帧模型与非国标信号机32进行通信。
59.参见图6，边缘端设备20可以从云端服务器10获取数据，边缘端设备20内相当于设置有通行模型转换引擎201、智能推理及计算引擎202、交通方案运行引擎203以及设备管理器204，其中，通行模型转换引擎201设置有不同信号机模型转换器2011，用于对不同类型的信号机的模型进行转换，通行模型转换引擎201还设置有通行方案同步器2012，可以对通行方案进行同步处理。
60.智能推理及计算引擎202设置有智能视觉车辆目标识别器2021以及相位车辆计数处理器2022，智能推理及计算引擎202用于获取多个摄像头304所传输的图像及视频数据，并且根据所获取的图像以及视频识别出各个相位的车辆数量，从而作为智能控制各个相位的信号灯配时的基准。
61.参见图7，智能推理及计算引擎202设置有智能视觉接入配时器2801，用于控制从多个摄像头304获取图像或者视频的时间，智能视觉采集调度器2802用于在各个摄像头304对应的采集时间内获取该摄像头304的图像或者视频，智能视觉数据推理器2803根据各个摄像头304所获取的数据识别出图像中的车辆，例如识别各个相位图像中的车辆，并确定各个车道上的车辆数量，并结合路口模型识别直行车辆、左转车辆的数量。此外，由于每一个相位至少设置有一组摄像头304，因此获取各个相位的图像后，可以识别各个相位的车辆。智能视觉回调处理器2804用于将识别出的车辆等数据进行回调，传送至相位车辆计数处理器2022中，相位车辆计数处理器2022用于识别各个相位中车辆的数量。
62.参见图8，相位车辆计数处理器可以由交通方案运行引擎203实现，交通方案运行引擎203包括交通通行方案调度器2031、相位智能配时器2032、交通信号执行器2033以及交通状况实时采集器2034。其中，交通通行方案调度器2031内设置有通行方案工作表20311、通行方案时段20312、调度任务运行表20313以及通行方案切换器20314，交通通行方案调度器2031可以向相位智能配时器2032、交通信号执行器2033以及交通状况实时采集器2034传送数据。
63.相位智能配时器2032内设置有实时车辆获取器20321、车辆数据基准化20322、相位车辆标准化20323以及相位智能配时计算表20324，相位智能配时器2032根据所识别的各个相位的车辆数量来设定各个相位配时时间，也就是设定各个相位的各个行车方向的通行时间。交通信号执行器2033内设置有执行器上下文20331、运行模型选择器20332、信号机指令映射器20333、信号机指令执行器20334，交通信号执行器2033将信号机303能够执行的指令发送至信号机303。交通状况实时采集器2034设置有信号机运行时信息采集器20341、路口实时车辆数据采集器20342以及交通实时状况模型合成器20343，交通状况实时采集器2034将实时数据返回至云端服务器10。
64.设备管理器204用于对信号机303、摄像头304进行管理，设备管理器204设置有信号机接入及控制2041、摄像头接入及控制2042。边缘端设备20可以与信号机303、摄像头304进行通信。
65.基于云边端协同的交通信号相位配时控制方法实施例：
66.下面结合图11与图12介绍基于云边端协同的交通信号相位配时控制方法的流程。首先，执行步骤s1，云端服务器将多个交通配置模型的数据发送至边缘端设备，包括将交通系统配置智能模型11、交通路况智能模型120、交通通行方案智能模型130以及交通调度方案智能模型140同步至边缘端设备。在实际运行中，边缘端设备可以从云端服务器中获取多
个交通配置模型的数据，并临时存储在边缘端设备的存储器中。
67.由于云端服务器所设定的交通配置模型是通用的模型，并不能够直接利用这些交通配置模型的数据发送至信号机等设备，因此需要进行模型数据的转换。因此，边缘端设备需要执行步骤s2，利用模型转换引擎将交通配置模型的数据转换成信号机与上位机通信协议模型的数据。由于交通配置模型中有多个不同的项目，例如这些项目中有大量的参数，模型转换引擎获取交通配置模型中多个源项目中的数据，将多个源项目中的数据映射至信号机与上位机通信协议模型中相对应的目标项目中。因此，模型转换引擎存储有多个源项目与多个目标项目之间的映射关系，在识别多个源项目以后，按照预先设定的映射关系进行映射，从而实现数据的转换。
68.接着，边缘端设备执行步骤s3，利用模型转换引擎将交通配置模型21的数据转换成通行方案运行时模型。由于交通配置模型21来源于云端服务器10的交通配置模型11，通过对交通配置模型21的数据进行解析，获取相应的参数并转换形成算法智能模型24中的通行方案运行时模型2411，从而形成针对各相信号灯的控制顺序以及初步的配时时间。
69.然后，边缘端设备执行步骤s4，获取实时交通数据。边缘端设备与多个图像及视频采集装置连接，并且获取多个图像及视频采集装置所获取的实时交通图像，包括各个方向的多个车道的图像。优选的，边缘端设备通过智能图像识别算法识别实时交通图像，从而获取到各个方向、各个车道上的车辆数量、排队时长等数据。
70.接着，执行步骤s5，边缘端设备计算出各相信号灯的相位执行顺序以及配时时间。边缘端设备利用步骤s4所获取的实时交通数据，并且根据人工配时模型、智能配时模型中的算法，计算出各项信号灯的相位执行顺序以及配时时间。优选的，各相的信号灯的配时时间与该方向上的排队等待车辆的数量、车辆长度成正比，进一步的，如果某一方向没有排队车辆，则该方向将被跳过，也就是跳相车辆，从而提高其他方向的车辆通行效率。
71.优选的，可以利用算法智能模型24并结合实时交通数据计算获得交通参与者信息模型，并由模型转换引擎转换成边缘端设备的交通调度模型中的智能配时器、相位执行器，由此确定各个相位执行的顺序以及配时时间。
72.最后，执行步骤s6，边缘端设备通过预设的信号帧将控制信号发送至相应的信号机。如果设备端设备的信号机是国标信号机，则使用国标通信帧模型与国标信号机进行通信，信号机是非国标信号机，则使用非国标通信帧模型与非国标信号机进行通信。
73.另一方面，边缘端设备还可以收集实时路况信息并将实时路况信息传送至云端服务器。参见图9，边缘端设备首先执行步骤s11，获取对应的信号机的状态信息，并且将状态信息转换成信号机与上位机通信协议模型的数据。具体的，边缘端设备读取各个信号机的状态指令后，利用模型转换引擎将状态指令转换成信号机与上位机通信协议模型的相关项目的数据。
74.然后，执行步骤s12，边缘端设备获取对应的信号机的状态信息，并且转换成交通实时状况模型的数据。通过获取对应的信号机的状态信息，可以确定各个信号灯组当前的状态，也就是确定了各个方向的车辆通行状态，可以形成交通实时状况模型的数据。
75.接着，执行步骤s13，边缘端设备还通过图像及视频采集装置及智能目标识别算法获取实时交通数据，并且将实时交通数据转换为交通参与者信息模型，此外，边缘端设备将经过转换的模型合并成交通实时状况模型的交通概要信息模型以及交通路况信息模型。具
体的，边缘端设备通过获取图像及视频采集装置所采集的实时交通图像来识别各个方向的车辆情况，另外，还可以获取人行道上的行人、非机动车数量等，从而获得各个方向上的交通参与者的情况，通过模型转换引擎可以生成交通参与者信息模型，具体的，转换形成交通参与者信息模型中的交通概要信息模型以及交通路况信息模型。
76.然后，执行步骤s14，边缘端服务器将交通实时状况模型的数据上传至云端服务器，具体的，在边缘端设备20上的交通实时状况模型22上传至云端服务器10，云端服务器利用交通实时状况模型22形成交通实时状况模型12。
77.接着，云端服务器执行步骤s15，将接收到的数据通过规则引擎进行过滤、清洗并形成结构化数据。规则引擎设置有数据过滤、清洗的规则，将从边缘端设备所接收到的原始数据进行过滤、清洗操作。最后，执行步骤s16，将过滤、清洗后的数据存储在云端服务器的数据库中，并长时间存储在该数据库中。如果日后需要调用该数据库中的数据，则可以从该数据库中获取相关的数据。另外，云端服务器还可以利用数据库中的数据对过去一段时间内的路况进行综合分析，从而对交通配置模型进行调整。
78.本发明通过云端服务器与边缘端设备的协同操作，由云端服务器对交通通行方案进行建模，由末端的设备端设备进行视频流采集，并结合边缘端设备的深度学习算法进行目标识别及预测，实现实时采集交通量数据和交通模型辨识的目的。由于边缘端设备采用的算法能够在线完成配时参数的优化，按照优化策略自主调整相位配时方案，并控制信号机从而实现交通信号在线实时优化控制，因此本发明对各相的控制更加灵活，能够改善交通拥堵的状况。
79.本发明的控制方法能够及时响应交通流的随机变化，控制效果好，还能够有效提高交叉口运行效率、减少拥堵的发生，能够解决现有的交通控制系统无法对交叉口交通信号进行在线实时精确控制的问题。
80.最后需要强调的是，以上仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种变化和更改，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.基于云边端协同的交通信号相位配时控制方法，其特征在于，包括：云端服务器将自身构建好的多个交通配置模型的数据发送至边缘端设备，所述边缘端设备设置于路口，且所述边缘端设备用于向所述路口的多组灯组的信号机发送控制信号；所述边缘端设备接收所述交通配置模型的数据后，利用模型转换引擎将所述交通配置模型转换成信号机与上位机通信协议模型：所述模型转换引擎获取所述交通配置模型中多个源项目中的数据，将多个源项目中的数据映射至所述信号机与上位机通信协议模型中相对应的目标项目中；所述边缘端设备还利用所述模型转换引擎将所述交通配置模型转换成边缘端交通调度智能模型中的通行方案运行时模型；所述边缘端设备获取实时交通数据并应用智能配时器、相位执行器计算出各相信号灯的相位执行顺序以及配时时间，所述边缘端设备以预设的通信帧模型将所述控制信号发送至所述信号机；所述边缘端设备获取多个所述信号机的状态信息并转换成交通实时状况模型的数据，并将所述交通实时状况模型的数据上传至所述云端服务器。2.根据权利要求1所述的基于云边端协同的交通信号相位配时控制方法，其特征在于：所述边缘端设备获取多个对应的所述信号机的状态信息并转换成交通实时状况模型的数据时，还通过图像及视频采集装置及智能目标识别算法获取实时交通数据并转换为交通参与者信息模型，所述边缘端设备将经过转换的模型合并成所述交通实时状况模型的交通概要信息模型以及交通路况信息模型。3.根据权利要求2所述的基于云边端协同的交通信号相位配时控制方法，其特征在于：所述边缘端设备将通过所述交通实时状况模型所采集的数据上传至所述云端服务器包括：所述边缘端设备将通过所述交通概要信息模型以及所述交通路况信息模型所采集的数据上传至所述云端服务器。4.根据权利要求1至3任一项所述的基于云边端协同的交通信号相位配时控制方法，其特征在于：所述云端服务器接收到所述边缘端设备上传的所述交通实时状况模型的数据后，对所述交通实时状况模型的数据进行过滤、清洗后形成结构化数据，并存储在所述云端服务器的数据库中。5.根据权利要求1至3任一项所述的基于云边端协同的交通信号相位配时控制方法，其特征在于：所述边缘端设备获取对应信号机的状态信息并转换成交通实时状况模型的数据时，还获取对应的所述信号机的状态指令，将所述状态指令转换成所述信号机与上位机通信协议模型的数据。6.根据权利要求1至3任一项所述的基于云边端协同的交通信号相位配时控制方法，其特征在于：所述边缘端设备还与至少一组图像及视频采集装置通信；所述边缘端设备设置有智能推理及计算引擎，所述智能推理及计算引擎获取多组所述图像及视频采集装置传输的实时交通图像及视频，并识别各个相位的车辆数量。
7.根据权利要求6所述的基于云边端协同的交通信号相位配时控制方法，其特征在于：所述智能推理及计算引擎应用智能视觉采集调度器获取多组所述图像及视频采集装置传输的实时交通图像及视频，并应用智能视觉数据推理器识别各个相位对应车道的车辆，并应用相位车辆计数处理器识别各个相位的车辆数量。8.基于云边端协同的交通信号相位配时控制系统，其特征在于，包括云端服务器、边缘端设备以及设备端设备，所述设备端设备包括一个信号机：其中，所述云端服务器用于将自身构建好的多个交通配置模型的数据发送至边缘端设备，所述边缘端设备设置于路口，且所述边缘端设备用于向所述路口的多组灯组的所述信号机发送控制信号；所述边缘端设备用于接收所述交通配置模型的数据后，利用模型转换引擎将所述交通配置模型转换成信号机与上位机通信协议模型：所述模型转换引擎获取所述交通配置模型中多个源项目中的数据，将多个所述源项目中的数据映射至所述信号机与上位机通信协议模型中相对应的目标项目中；所述边缘端设备还利用所述模型转换引擎将所述交通配置模型转换成边缘端交通调度智能模型中的通行方案运行时模型；所述边缘端设备获取实时交通数据并应用智能配时器、相位执行器计算出各相信号灯的相位执行顺序以及配时时间，所述边缘端设备以预设的通信帧模型将所述控制信号发送至所述信号机；所述边缘端设备获取对应的所述信号机的状态信息并转换成交通实时状况模型的数据，并将所述交通实时状况模型的数据上传至所述云端服务器。9.根据权利要求8所述的基于云边端协同的交通信号相位配时控制系统，其特征在于：该设备端设备还包括至少一组图像及视频采集装置，所述图像及视频采集装置获取实时交通图像及视频并传送至所述边缘端设备。10.根据权利要求8或9所述的基于云边端协同的交通信号相位配时控制系统，其特征在于：所述边缘端设备的数量为一个以上，每一个所述边缘端设备与对应的一个所述信号机进行通信。

技术总结
本发明提供一种基于云边端协同的交通信号相位配时控制方法及系统，该方法包括云端服务器将多个交通配置模型的数据发送至边缘端设备；边缘端设备利用模型转换引擎将交通配置模型转换成信号机与上位机通信协议模型，利用模型转换引擎将交通配置模型转换成边缘端交通调度智能模型中的通行方案运行时模型，获取实时交通数据并应用智能配时器、相位执行器计算出各相信号灯的相位执行顺序及配时时间，并将控制信号发送至信号机；同时获取对应的信号机的状态信息并转换成交通实时状况模型的数据，将交通实时状况模型的数据上传至云端服务器。本发明还提供实现上述方法的系统。本发明通过云端服务器与边缘端设备对信号灯组进行协同控制。协同控制。协同控制。


技术研发人员：李华颂 王钧明
受保护的技术使用者：珠海市思瑞达智能科技有限公司
技术研发日：2023.02.15
技术公布日：2023/6/12