【CN109697867A】一种基于深度学习的交通控制方法及系统【专利】
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
19中华人民共和国国家知识产权局12发明专利申请10申请公布号43申请公布日21申请号201910078907222申请日2019012871申请人深圳市欧德克科技有限公司地址518000广东省深圳市前海深港合作区前湾一路1号a栋201室入驻深圳市前海商务秘书有限公司72发明人常宇飞李兰芳74专利代理机构深圳市六加知识产权代理有限公司44372代理人宋建平51intclg08g10820060154发明名称一种基于深度学习的交通控制方法及系统57摘要本发明涉及人工智能与交通控制领域公开了一种基于深度学习的交通控制方法及系统所述方法包括
2
CN 109697867 A
权 利 要 求 书
2/2 页
整数且N≥2； 根据所述 信号灯调整请求对应的 星期数 、时间段以 及节假日 类型 ，确定与所述 信号灯
的调整值接近的N条数据的堵车指数，N为正整数且N≥2； 分别从所述当前设置值接近的N条数据和所述调整值接近的N条数据中筛选出K条数
据，K为正整数且K≥2； 根据所述当前设置值对应的K条数据以及所述调整值对应的K条数据，分别计算与当前
4
Байду номын сангаас
CN 109697867 A
说 明 书
2/14 页
各交通路口的实时滞留量以及实时停留量实时调整所述信号灯。 [0014] 在一些实施例中 ，所述通过深度神经网络处理所述视频数据，确定交通数据，包 括： [0015] 根据所述交通路口的视频数据，将所述交通路口的各条道路上等红灯的车辆数记 作实时停留量；将所述交通路口的各条道路上处于绿灯但是未通过停车线的车辆数记作实 时滞留量； [0016] 将某个车流方向的全部车辆通过所述交通路口所需的大概时间记作通行时间；将 某相位多组通行时间与相应的绿灯时间的比值的平均值表示此相位的堵车指数； [0017] 将单位时间内通过某相位对应的路段的车辆数确定为该相位的车流量； [0018] 将在一次连续的绿灯时间内，连续通过某相位对应的停车线的最多车辆数确定为 该相位的通行能力；将某相位单位时间内通过的车辆数与该相位的通行能力的比值作为该 相位的通行指数。 [0019] 在一些实施例中，所述方法还包括： [0020] 所述城市交通中央服务器接收所述局部处理器发送的交通数据； [0021] 所述城市交通中央服务器根据所述交通数据，建立并初始化多个交通路口的多张 性能表，每一所述交通路口与每一所述性能表一一对应，所述性能表用于对应保存所述交 通路口的 数 据 ，所述数 据包括星期数 、时间 段 、节假日 、红 绿 灯设 置 、堵车 指数以 及通行能 力。 [0022] 在一些实施例中，所述方法还包括： [0023] 所述城市交通中央服务器根据所述局部处理器实时发送的交通数据，实时更新所 述性能表。 [0024] 在一些实施例中，所述信号灯调整请求包括：信号灯的调整值，所述判断所述信号 灯调整请求是否合理，包括： [0025] 根据所述性能表，确定与所述信号灯的当前设置值接近的N条数据的堵车指数，N 为正整数且N≥2； [0026] 根据所述信号灯调整请求对应的星期数、时间段以及节假日类型，确定与所述信 号灯的调整值接近的N条数据的堵车指数，N为正整数且N≥2； [0027] 分别从所述当前设置值接近的N条数据和所述调整值接近的N条数据中筛选出K条 数据，K为正整数且K≥2； [0028] 根据所述当前设置值对应的K条数据以及所述调整值对应的K条数据，分别计算与 当前设置值对应的第一拥挤指数以及与调整值对应的第二拥挤指数； [0029] 判断所述第一拥挤指数是否大于所述第二拥挤指数，若是，则确定所述信号灯调 整请求为合理，若否，则确定所述信号灯调整请求不合理。 [0030] 在一些实施例中，所述方法还包括： [0031] 所述局部处理器向所述城市交通中央服务器发送调整后的交通路口的信号灯的 当前设置值； [0032] 所述城市交通中央服务器根据所述局部服务器发送的调整后的当前设置值，更新 所述性能表。 [0033] 在一些实施例中，所述方法还包括：
权利要求书2页 说明书14页 附图6页
CN 109697867 A
CN 109697867 A
权 利 要 求 书
1/2 页
1 .一种基于深度学习的交通控制方法，其特征在于，应用于基于深度学习的交通控制 系统，所述交通控制系统包括：高清摄像头、信号灯、局部处理器以及城市交通中央服务器， 所述高清摄像头和信号灯分别连接所述局部处理器，所述局部处理器连接所述城市交通中 央服务器，所述方法包括：
( 19 )中华人民 共和国国家知识产权局
( 12 )发明专利申请
(21)申请号 201910078907 .2
(22)申请日 2019 .01 .28
(71)申请人 深圳市欧德克科技有限公司 地址 518000 广东省深圳市前海深港合作 区前湾一路1号A栋201室（入驻深圳市 前海商务秘书有限公司）
设置值； 所述城市交通中央服务器根据所述局部服务器发送的调整后的当前设置值，更新所述
性能表。 8 .根据权利要求7所述的交通控制方法，其特征在于，所述方法还包括： 预设数 据阈值 ，若所述性能 表的 数 据量大于所述数 据阈值 ，则删除 与当前交通数 据差
异较大的数据，以使所述性能表的数据量不超过所述数据阈值。 9 .根据权利要求8所述的交通控制方法，其特征在于，所述方法还包括： 根据K-Means聚类算法，确定与当前交通数据差异较大的数据。 10 .一种基于深度学习的交通控制系统，其特征在于，应用如权利要求1-9任一项所述
设置值对应的第一拥挤指数以及与调整值对应的第二拥挤指数； 判断 所述第一 拥挤指数是否大于所述 第二 拥挤指数 ，若是 ，则确定所述 信号灯调整请
求为合理，若否，则确定所述信号灯调整请求不合理。 7 .根据权利要求6所述的交通控制方法，其特征在于，所述方法还包括： 所述局部处理器向所述城市交通中央服务器发送调整后的交通路口的信号灯的当前
所述局部处理器获取交通路口的视频数据，通过深度神经网络处理所述视频数据，确 定交通数据，所述交通数据包括：各相位的车流量、滞留量、堵车指数以及通行能力；
确定所述 局部处理器的 工作模式 ，所述工作模式包括 ：自 主控制模式 和多路口 联合控 制模式；
若所述 局部处理器处于多路口 联合控制模式 ，则所述 局部处理器根据所述交通数据 ， 分析所述信号灯的当前设置值是否合理；
的 基于深度学 习的交通控制方法 ，包括 ：高清摄像头、信号灯、局部处理器以 及城市交通中 央服务器；
高清摄像头，连接所述局部处理器，用于获取交通路口的视频数据，并将所述视频数据 发送到所述局部处理器；
信号灯，设置于交通路口 ，连接所述局部处理器，用于接收所述局部处理器发送的指 令；
局部处理器，连接所述高清摄像头、信号灯以及城市交通中央服务器，用于接收所述高 清摄像头获取的视频数据，并控制所述信号灯的当前设置值；
若否，所述局部处理器向所述城市交通中央服务器发送信号灯调整请求； 所述城市交通中央服务器接收所述信号灯调整请求，并判断所述信号灯调整请求是否 合理，若是，则控制所述局部处理器基于所述信号灯调整请求，调整所述信号灯的当前设置 值。 2 .根据权利要求1所述的交通控制方法，其特征在于，所述方法还包括： 若所述局部处理器处于自主控制模式 ，则根据各交通路口的实时滞留量以 及实时停留 量实时调整信号灯。 3 .根据权利要求1或2所述的交通控制方法，其特征在于，所述通过深度神经网络处理 所述视频数据，确定交通数据，包括： 根据所述交通路口的视频数据，将所述交通路口的各条道路上等红灯的车辆数记作实 时停留量；将所述交通路口的各条道路上处于绿灯但是未通过停车线的车辆数记作实时滞 留量； 将某个车流方向的全部车辆通过所述交通路口所需的大概时间记作通行时间 ；将某相 位多组通行时间与相应的绿灯时间的比值的平均值表示此相位的堵车指数； 将单位时间内通过某相位对应的路段的车辆数确定为该相位的车流量； 将在一次连续的绿灯时间内 ，连续通过某相位对应的 停车线的最多车辆数确定为该相 位的通行能力；将某相位单位时间内通过的车辆数与该相位的通行能力的比值作为该相位 的通行指数。 4 .根据权利要求1所述的交通控制方法，其特征在于，所述方法还包括： 所述城市交通中央服务器接收所述局部处理器发送的交通数据； 所述城市交通中央服务器根据所述交通数据，建立并初始化多个交通路口的多张性能 表，每一所述交通路口与每一所述性能表一一对应，所述性能表用于对应保存所述交通路 口的数据，所述数据包括星期数、时间段、节假日、红绿灯设置、堵车指数以及通行能力。 5 .根据权利要求4所述的交通控制方法，其特征在于，所述方法还包括： 所述城市交通中央服务器根据所述局部处理器实时发送的交通数据，实时更新所述性 能表。 6 .根据权利要求4所述的交通控制方法，其特征在于，所述信号灯调整请求包括：信号 灯的调整值，所述判断所述信号灯调整请求是否合理，包括： 根据所述性能 表 ，确定与所述 信号灯的 当前设置值接近的 N条数据的 堵车指数 ，N为正
背景技术 [0002] 随着社会的高速城镇化以及人民生活水平的提高，车辆的数量越来越多，交通拥 堵的 现象 愈发严重。传统的 视频监控技术无法给出准 确的 车辆密度 ，平均速度 ，车流量 ，人 流量等数据。由于缺乏准确的数据，因此就很难给出准确的实时的交通控制策略。就算花费 大量人力也无法均衡多个路口的信号灯调度，也没办法做到24小时的管理。在交通路况预 测上，由于没有准确的数据，也没法准确判断出高峰期何时来临。无法给出整个城市交通状 况的宏观判断。 [0003] 目前，一般采用视频监控的方式，通过设置在道路上的摄像头获取道路交通情况， 并反馈到后台服务器，但是缺乏对交通情况的实时数据分析，也无法预测交通路况。 [0004] 基于此，本发明提供一种基于深度学习的交通控制方法及系统，解决目前无法精 确监测交通路况的技术问题，实现对信号灯的均衡调度，提高交通应变能力。
所述城市交通中央服务器 ，连接所述 局部处理器 ，用于接收 所述 局部处理器发 送的 交 通数据。
3
CN 109697867 A
说 明 书
1/14 页
一种基于深度学习的交通控制方法及系统
技术领域 [0001] 本发明实施方式涉及人工智能与交通控制领域，特别是涉及一种基于深度学习的 交通控制方法及系统。
发明内容 [0005] 为了解决上述技术问题，本发明实施例提供一种基于深度学习的交通控制方法及 系统，解决目前无法精确监测交通路况的技术问题，实现对信号灯的均衡调度，提高交通应 变能力。 [0006] 为了解决上述技术问题，本发明实施例提供以下技术方案： [0007] 第一方面，本发明实施例提供一种基于深度学习的交通控制方法，应用于基于深 度学习的交通控制系统 ，所述交通控制系统包括 ：高清摄像头、信号灯、局部处理器以 及城 市交通中央服务器 ，所述高 清摄像头 和信号灯分 别连接所述 局部处理器 ，所述 局部处理器 连接所述城市交通中央服务器，所述方法包括： [0008] 所述局部处理器获取交通路口的视频数据，通过深度神经网络处理所述视频数 据，确定交通数据，所述交通数据包括：各相位的车流量、滞留量、堵车指数以及通行能力； [0009] 确定所述局部处理器的工作模式，所述工作模式包括：自主控制模式和多路口联 合控制模式； [0010] 若所述局部处理器处于多路口联合控制模式，则所述局部处理器根据所述交通数 据，分析所述信号灯的当前设置值是否合理； [0011] 若否，所述局部处理器向所述城市交通中央服务器发送信号灯调整请求； [0012] 所述城市交通中央服务器接收所述信号灯调整请求，并判断所述信号灯调整请求 是否合理，若是，则控制所述局部处理器基于所述信号灯调整请求，调整所述信号灯的当前 设置值。 [0013] 在一些实施例中，所述方法还包括：若所述局部处理器处于自主控制模式，则根据
(72)发明人 常宇飞 李兰芳
(74)专利代理机构 深圳市六加知识产权代理有 限公司 44372
代理人 宋建平
(51)Int .Cl . G08G 1/08(2006 .01)
(10)申请公布号 CN 109697867 A (43)申请公布日 2019.04.30
( 54 )发明 名称 一种基于深度学习的交通控制方法及系统
( 57 )摘要 本发明涉及人工智能与交通控制领域，公开
了一种基于深度学习的交通控制方法及系统 ，所 述方法包括：局部处理器获取交通路口的视频数 据，采用深度神经网络进行分析计算得到交通数 据 ，各模式下的 所述 局部处理 器依据交通数 据 ， 选择自行控制信号灯或者结合城市中央服务器 优化信号灯设置。通过上述方式 ，本发明实施例 能够解决目前无法精确监测交通路况的技术问 题 ，实现对 信号灯的 均衡 调度 ，提高交通应变能 力。
2
CN 109697867 A
权 利 要 求 书
2/2 页
整数且N≥2； 根据所述 信号灯调整请求对应的 星期数 、时间段以 及节假日 类型 ，确定与所述 信号灯
的调整值接近的N条数据的堵车指数，N为正整数且N≥2； 分别从所述当前设置值接近的N条数据和所述调整值接近的N条数据中筛选出K条数
据，K为正整数且K≥2； 根据所述当前设置值对应的K条数据以及所述调整值对应的K条数据，分别计算与当前
4
Байду номын сангаас
CN 109697867 A
说 明 书
2/14 页
各交通路口的实时滞留量以及实时停留量实时调整所述信号灯。 [0014] 在一些实施例中 ，所述通过深度神经网络处理所述视频数据，确定交通数据，包 括： [0015] 根据所述交通路口的视频数据，将所述交通路口的各条道路上等红灯的车辆数记 作实时停留量；将所述交通路口的各条道路上处于绿灯但是未通过停车线的车辆数记作实 时滞留量； [0016] 将某个车流方向的全部车辆通过所述交通路口所需的大概时间记作通行时间；将 某相位多组通行时间与相应的绿灯时间的比值的平均值表示此相位的堵车指数； [0017] 将单位时间内通过某相位对应的路段的车辆数确定为该相位的车流量； [0018] 将在一次连续的绿灯时间内，连续通过某相位对应的停车线的最多车辆数确定为 该相位的通行能力；将某相位单位时间内通过的车辆数与该相位的通行能力的比值作为该 相位的通行指数。 [0019] 在一些实施例中，所述方法还包括： [0020] 所述城市交通中央服务器接收所述局部处理器发送的交通数据； [0021] 所述城市交通中央服务器根据所述交通数据，建立并初始化多个交通路口的多张 性能表，每一所述交通路口与每一所述性能表一一对应，所述性能表用于对应保存所述交 通路口的 数 据 ，所述数 据包括星期数 、时间 段 、节假日 、红 绿 灯设 置 、堵车 指数以 及通行能 力。 [0022] 在一些实施例中，所述方法还包括： [0023] 所述城市交通中央服务器根据所述局部处理器实时发送的交通数据，实时更新所 述性能表。 [0024] 在一些实施例中，所述信号灯调整请求包括：信号灯的调整值，所述判断所述信号 灯调整请求是否合理，包括： [0025] 根据所述性能表，确定与所述信号灯的当前设置值接近的N条数据的堵车指数，N 为正整数且N≥2； [0026] 根据所述信号灯调整请求对应的星期数、时间段以及节假日类型，确定与所述信 号灯的调整值接近的N条数据的堵车指数，N为正整数且N≥2； [0027] 分别从所述当前设置值接近的N条数据和所述调整值接近的N条数据中筛选出K条 数据，K为正整数且K≥2； [0028] 根据所述当前设置值对应的K条数据以及所述调整值对应的K条数据，分别计算与 当前设置值对应的第一拥挤指数以及与调整值对应的第二拥挤指数； [0029] 判断所述第一拥挤指数是否大于所述第二拥挤指数，若是，则确定所述信号灯调 整请求为合理，若否，则确定所述信号灯调整请求不合理。 [0030] 在一些实施例中，所述方法还包括： [0031] 所述局部处理器向所述城市交通中央服务器发送调整后的交通路口的信号灯的 当前设置值； [0032] 所述城市交通中央服务器根据所述局部服务器发送的调整后的当前设置值，更新 所述性能表。 [0033] 在一些实施例中，所述方法还包括：
权利要求书2页 说明书14页 附图6页
CN 109697867 A
CN 109697867 A
权 利 要 求 书
1/2 页
1 .一种基于深度学习的交通控制方法，其特征在于，应用于基于深度学习的交通控制 系统，所述交通控制系统包括：高清摄像头、信号灯、局部处理器以及城市交通中央服务器， 所述高清摄像头和信号灯分别连接所述局部处理器，所述局部处理器连接所述城市交通中 央服务器，所述方法包括：
( 19 )中华人民 共和国国家知识产权局
( 12 )发明专利申请
(21)申请号 201910078907 .2
(22)申请日 2019 .01 .28
(71)申请人 深圳市欧德克科技有限公司 地址 518000 广东省深圳市前海深港合作 区前湾一路1号A栋201室（入驻深圳市 前海商务秘书有限公司）
设置值； 所述城市交通中央服务器根据所述局部服务器发送的调整后的当前设置值，更新所述
性能表。 8 .根据权利要求7所述的交通控制方法，其特征在于，所述方法还包括： 预设数 据阈值 ，若所述性能 表的 数 据量大于所述数 据阈值 ，则删除 与当前交通数 据差
异较大的数据，以使所述性能表的数据量不超过所述数据阈值。 9 .根据权利要求8所述的交通控制方法，其特征在于，所述方法还包括： 根据K-Means聚类算法，确定与当前交通数据差异较大的数据。 10 .一种基于深度学习的交通控制系统，其特征在于，应用如权利要求1-9任一项所述
设置值对应的第一拥挤指数以及与调整值对应的第二拥挤指数； 判断 所述第一 拥挤指数是否大于所述 第二 拥挤指数 ，若是 ，则确定所述 信号灯调整请
求为合理，若否，则确定所述信号灯调整请求不合理。 7 .根据权利要求6所述的交通控制方法，其特征在于，所述方法还包括： 所述局部处理器向所述城市交通中央服务器发送调整后的交通路口的信号灯的当前
所述局部处理器获取交通路口的视频数据，通过深度神经网络处理所述视频数据，确 定交通数据，所述交通数据包括：各相位的车流量、滞留量、堵车指数以及通行能力；
确定所述 局部处理器的 工作模式 ，所述工作模式包括 ：自 主控制模式 和多路口 联合控 制模式；
若所述 局部处理器处于多路口 联合控制模式 ，则所述 局部处理器根据所述交通数据 ， 分析所述信号灯的当前设置值是否合理；
的 基于深度学 习的交通控制方法 ，包括 ：高清摄像头、信号灯、局部处理器以 及城市交通中 央服务器；
高清摄像头，连接所述局部处理器，用于获取交通路口的视频数据，并将所述视频数据 发送到所述局部处理器；
信号灯，设置于交通路口 ，连接所述局部处理器，用于接收所述局部处理器发送的指 令；
局部处理器，连接所述高清摄像头、信号灯以及城市交通中央服务器，用于接收所述高 清摄像头获取的视频数据，并控制所述信号灯的当前设置值；
若否，所述局部处理器向所述城市交通中央服务器发送信号灯调整请求； 所述城市交通中央服务器接收所述信号灯调整请求，并判断所述信号灯调整请求是否 合理，若是，则控制所述局部处理器基于所述信号灯调整请求，调整所述信号灯的当前设置 值。 2 .根据权利要求1所述的交通控制方法，其特征在于，所述方法还包括： 若所述局部处理器处于自主控制模式 ，则根据各交通路口的实时滞留量以 及实时停留 量实时调整信号灯。 3 .根据权利要求1或2所述的交通控制方法，其特征在于，所述通过深度神经网络处理 所述视频数据，确定交通数据，包括： 根据所述交通路口的视频数据，将所述交通路口的各条道路上等红灯的车辆数记作实 时停留量；将所述交通路口的各条道路上处于绿灯但是未通过停车线的车辆数记作实时滞 留量； 将某个车流方向的全部车辆通过所述交通路口所需的大概时间记作通行时间 ；将某相 位多组通行时间与相应的绿灯时间的比值的平均值表示此相位的堵车指数； 将单位时间内通过某相位对应的路段的车辆数确定为该相位的车流量； 将在一次连续的绿灯时间内 ，连续通过某相位对应的 停车线的最多车辆数确定为该相 位的通行能力；将某相位单位时间内通过的车辆数与该相位的通行能力的比值作为该相位 的通行指数。 4 .根据权利要求1所述的交通控制方法，其特征在于，所述方法还包括： 所述城市交通中央服务器接收所述局部处理器发送的交通数据； 所述城市交通中央服务器根据所述交通数据，建立并初始化多个交通路口的多张性能 表，每一所述交通路口与每一所述性能表一一对应，所述性能表用于对应保存所述交通路 口的数据，所述数据包括星期数、时间段、节假日、红绿灯设置、堵车指数以及通行能力。 5 .根据权利要求4所述的交通控制方法，其特征在于，所述方法还包括： 所述城市交通中央服务器根据所述局部处理器实时发送的交通数据，实时更新所述性 能表。 6 .根据权利要求4所述的交通控制方法，其特征在于，所述信号灯调整请求包括：信号 灯的调整值，所述判断所述信号灯调整请求是否合理，包括： 根据所述性能 表 ，确定与所述 信号灯的 当前设置值接近的 N条数据的 堵车指数 ，N为正
背景技术 [0002] 随着社会的高速城镇化以及人民生活水平的提高，车辆的数量越来越多，交通拥 堵的 现象 愈发严重。传统的 视频监控技术无法给出准 确的 车辆密度 ，平均速度 ，车流量 ，人 流量等数据。由于缺乏准确的数据，因此就很难给出准确的实时的交通控制策略。就算花费 大量人力也无法均衡多个路口的信号灯调度，也没办法做到24小时的管理。在交通路况预 测上，由于没有准确的数据，也没法准确判断出高峰期何时来临。无法给出整个城市交通状 况的宏观判断。 [0003] 目前，一般采用视频监控的方式，通过设置在道路上的摄像头获取道路交通情况， 并反馈到后台服务器，但是缺乏对交通情况的实时数据分析，也无法预测交通路况。 [0004] 基于此，本发明提供一种基于深度学习的交通控制方法及系统，解决目前无法精 确监测交通路况的技术问题，实现对信号灯的均衡调度，提高交通应变能力。
所述城市交通中央服务器 ，连接所述 局部处理器 ，用于接收 所述 局部处理器发 送的 交 通数据。
3
CN 109697867 A
说 明 书
1/14 页
一种基于深度学习的交通控制方法及系统
技术领域 [0001] 本发明实施方式涉及人工智能与交通控制领域，特别是涉及一种基于深度学习的 交通控制方法及系统。
发明内容 [0005] 为了解决上述技术问题，本发明实施例提供一种基于深度学习的交通控制方法及 系统，解决目前无法精确监测交通路况的技术问题，实现对信号灯的均衡调度，提高交通应 变能力。 [0006] 为了解决上述技术问题，本发明实施例提供以下技术方案： [0007] 第一方面，本发明实施例提供一种基于深度学习的交通控制方法，应用于基于深 度学习的交通控制系统 ，所述交通控制系统包括 ：高清摄像头、信号灯、局部处理器以 及城 市交通中央服务器 ，所述高 清摄像头 和信号灯分 别连接所述 局部处理器 ，所述 局部处理器 连接所述城市交通中央服务器，所述方法包括： [0008] 所述局部处理器获取交通路口的视频数据，通过深度神经网络处理所述视频数 据，确定交通数据，所述交通数据包括：各相位的车流量、滞留量、堵车指数以及通行能力； [0009] 确定所述局部处理器的工作模式，所述工作模式包括：自主控制模式和多路口联 合控制模式； [0010] 若所述局部处理器处于多路口联合控制模式，则所述局部处理器根据所述交通数 据，分析所述信号灯的当前设置值是否合理； [0011] 若否，所述局部处理器向所述城市交通中央服务器发送信号灯调整请求； [0012] 所述城市交通中央服务器接收所述信号灯调整请求，并判断所述信号灯调整请求 是否合理，若是，则控制所述局部处理器基于所述信号灯调整请求，调整所述信号灯的当前 设置值。 [0013] 在一些实施例中，所述方法还包括：若所述局部处理器处于自主控制模式，则根据
(72)发明人 常宇飞 李兰芳
(74)专利代理机构 深圳市六加知识产权代理有 限公司 44372
代理人 宋建平
(51)Int .Cl . G08G 1/08(2006 .01)
(10)申请公布号 CN 109697867 A (43)申请公布日 2019.04.30
( 54 )发明 名称 一种基于深度学习的交通控制方法及系统
( 57 )摘要 本发明涉及人工智能与交通控制领域，公开
了一种基于深度学习的交通控制方法及系统 ，所 述方法包括：局部处理器获取交通路口的视频数 据，采用深度神经网络进行分析计算得到交通数 据 ，各模式下的 所述 局部处理 器依据交通数 据 ， 选择自行控制信号灯或者结合城市中央服务器 优化信号灯设置。通过上述方式 ，本发明实施例 能够解决目前无法精确监测交通路况的技术问 题 ，实现对 信号灯的 均衡 调度 ，提高交通应变能 力。