人工智能技術(shù)在智能交通領(lǐng)域的研究與應(yīng)用

摘要 當(dāng)前交通領(lǐng)域中交通信號(hào)控制領(lǐng)域仍存在交通信息采集數(shù)據(jù)精度不高、實(shí)時(shí)性不足等問題，進(jìn)而導(dǎo)致交通信號(hào)控制不夠精準(zhǔn)。該文針對(duì)此類問題，提出將人工智能技術(shù)應(yīng)用在智能交通中，利用深度學(xué)習(xí)中的CNN卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行交通信號(hào)控制，通過提取交通場(chǎng)景的關(guān)鍵特征，計(jì)算CNN模型的輸出值，并據(jù)此估算信號(hào)燈的最佳配時(shí)。最后通過試驗(yàn)驗(yàn)證文章所提出的深度學(xué)習(xí)技術(shù)能有效提升信號(hào)燈配時(shí)的準(zhǔn)確性，為解決現(xiàn)有交通控制問題提供了新的思路。

關(guān)鍵詞 人工智能技術(shù)；智能交通；交通信號(hào)；深度學(xué)習(xí)

中圖分類號(hào) U495 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 2096-8949（2025）04-0022-03

0 引言

隨著城市化進(jìn)程的加快，智能交通系統(tǒng)成為緩解交通擁堵、提高道路使用效率的關(guān)鍵技術(shù)[1-3]。傳統(tǒng)的交通信息采集與處理方法較為依賴于固定模型和規(guī)則，難以應(yīng)對(duì)動(dòng)態(tài)變化的交通環(huán)境。而人工智能技術(shù)的核心在于模擬人類智能處理復(fù)雜問題，具備高效的自適應(yīng)性、學(xué)習(xí)能力，以及精準(zhǔn)的數(shù)據(jù)處理能力，這使得人工智能技術(shù)在識(shí)別交通模式、預(yù)測(cè)交通趨勢(shì)等方面具有顯著優(yōu)勢(shì)。而深度學(xué)習(xí)作為人工智能的一個(gè)重要分支，其強(qiáng)大的特征學(xué)習(xí)能力在智能交通系統(tǒng)中發(fā)揮著至關(guān)重要的作用，特別是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）模型，該模型能夠根據(jù)不同的交通場(chǎng)景自動(dòng)調(diào)整模型參數(shù)，適應(yīng)各種復(fù)雜的交通環(huán)境。相較于傳統(tǒng)的圖像處理方法，CNN模型在處理大規(guī)模圖像數(shù)據(jù)時(shí)具有更高的計(jì)算效率，有利于實(shí)現(xiàn)實(shí)時(shí)交通信號(hào)控制。因此，文章將深入探討人工智能技術(shù)在智能交通領(lǐng)域的具體應(yīng)用，剖析該人工智能模型在提升交通系統(tǒng)效率、降低交通擁堵方面的潛力，以期為未來的智能交通系統(tǒng)發(fā)展提供理論依據(jù)和技術(shù)參考。

1 交通信息采集與預(yù)處理

為了實(shí)現(xiàn)交通信號(hào)的有效控制，需采集并預(yù)處理交通實(shí)時(shí)信息，具體流程如圖1所示。

如圖1所示，在收集交通數(shù)據(jù)前，需部署高清攝像頭捕捉實(shí)時(shí)交通場(chǎng)景的圖像和視頻流，為后續(xù)的圖像識(shí)別提供豐富的數(shù)據(jù)源。同時(shí)，采用數(shù)據(jù)融合技術(shù)，將攝像頭圖像數(shù)據(jù)與雷達(dá)檢測(cè)到的速度和距離信息相結(jié)合，提高數(shù)據(jù)的準(zhǔn)確性和完整性。隨后，預(yù)處理收集的數(shù)據(jù)，將數(shù)據(jù)與時(shí)間戳進(jìn)行同步校準(zhǔn)，確保不同傳感器和攝像頭的數(shù)據(jù)在時(shí)間上的一致性，為時(shí)序分析打下堅(jiān)實(shí)基礎(chǔ)。在初步篩選與質(zhì)量判斷階段，需要設(shè)定嚴(yán)格的閾值和規(guī)則，判斷數(shù)據(jù)是否有效。對(duì)于檢測(cè)到的無(wú)效數(shù)據(jù)，需要進(jìn)一步驗(yàn)證其異常來源，若確定為傳感器誤差，則進(jìn)行數(shù)據(jù)修正，修正后進(jìn)行數(shù)據(jù)的進(jìn)一步加強(qiáng)；若非傳感器問題，則標(biāo)注異常原因。對(duì)于驗(yàn)證有效的數(shù)據(jù)，可通過隨機(jī)旋轉(zhuǎn)、縮放、剪裁等變換增強(qiáng)數(shù)據(jù)，提高后續(xù)學(xué)習(xí)模型的泛化能力。最后，將預(yù)處理后的數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，為深度學(xué)習(xí)模型的訓(xùn)練和評(píng)估做好準(zhǔn)備。這一系列步驟確保采集到的交通信息既準(zhǔn)確又可靠，為深度學(xué)習(xí)模型提供了高質(zhì)量的數(shù)據(jù)輸入，對(duì)于提升交通信號(hào)控制系統(tǒng)的性能至關(guān)重要。

2 構(gòu)建CNN卷積模型

2.1 提取關(guān)鍵特征

在智能交通系統(tǒng)中，CNN（Convolutional Neural Network，

卷積神經(jīng)網(wǎng)絡(luò)）模型主要用于處理和分析交通監(jiān)控?cái)z像頭捕獲的圖像和視頻數(shù)據(jù)，識(shí)別交通流量、車輛類型、車速、擁堵情況等關(guān)鍵特征，這些特征隨后被用于調(diào)整交通信號(hào)燈的配時(shí)。同時(shí)，將預(yù)處理后的交通數(shù)據(jù)（如交通流量、車輛速度等）轉(zhuǎn)換為二維矩陣，作為CNN模型的輸入。

通過卷積層操作，提取輸入圖像中的局部特征。每個(gè)卷積層由多個(gè)卷積核（或稱為濾波器）組成，這些卷積核在輸入圖像上滑動(dòng)，通過卷積操作提取特征。具體計(jì)算過程如公式（1）所示：

式中，——輸出特征圖的坐標(biāo)；Y——輸入圖像；K——卷積核；m、n——卷積核的尺寸。通過堆疊多個(gè)卷積層，可以逐步提取更高層次的特征，在卷積層后使用激活函數(shù)，增加非線性，減少梯度消失問題。

池化層用于降低數(shù)據(jù)的維度，減少計(jì)算量，并保留重要特征，以最大池化為例，假設(shè)池化窗口大小為2×2，步長(zhǎng)為2，池化操作會(huì)從每個(gè)2×2的局部區(qū)域中選擇最大值作為該區(qū)域的代表，從而生成一個(gè)維度減半的特征圖。這個(gè)過程不僅減少了數(shù)據(jù)的空間大小，還通過保留每個(gè)局部區(qū)域的最大值來捕捉最重要的特征信息。池化操作如公式（2）所示：

式中，Yp——池化前的特征圖；Xp——池化后的特征圖。池化層通過引入局部不變性（即對(duì)于小的位置變化不敏感）來減少模型的復(fù)雜度，從而有助于防止過擬合現(xiàn)象的發(fā)生。

全連接層將學(xué)到的特征組合起來進(jìn)行分類或回歸任務(wù)。在交通信號(hào)控制中，全連接層可能用于預(yù)測(cè)未來交通流量、車輛等待時(shí)間等。構(gòu)建完CNN模型的層級(jí)后，需使用交叉熵?fù)p失函數(shù)來衡量模型預(yù)測(cè)的概率分布與真實(shí)標(biāo)簽的概率分布之間的差異。對(duì)于單個(gè)樣本，假設(shè)有C個(gè)類別，模型對(duì)第i個(gè)樣本的預(yù)測(cè)概率分布為，真實(shí)的標(biāo)簽為，其中表示樣本i屬于類別c，否則為0。則單個(gè)樣本的交叉熵?fù)p失為公式（3）所示：

式中，——樣本的預(yù)測(cè)概率；Li——單個(gè)樣本的交叉熵?fù)p失值。交叉熵?fù)p失要求模型的輸出是概率分布，即每個(gè)類別的預(yù)測(cè)值都在0到1之間，并且所有類別的預(yù)測(cè)值之和為1。當(dāng)預(yù)測(cè)值非常接近0或1時(shí)，交叉熵?fù)p失的梯度會(huì)變得非常大或非常小，會(huì)導(dǎo)致訓(xùn)練過程中的梯度消失或梯度爆炸問題。

構(gòu)建并優(yōu)化CNN模型，確保其能夠準(zhǔn)確、高效地識(shí)別和分析交通圖像數(shù)據(jù)，通過交叉熵?fù)p失函數(shù)的評(píng)估與優(yōu)化，不斷提升CNN模型的預(yù)測(cè)精度，使智能交通系統(tǒng)更加智能、高效地為人民服務(wù)。

2.2 計(jì)算CNN值

CNN卷積模型在智能控制交通信號(hào)系統(tǒng)時(shí)，需精確調(diào)整其內(nèi)部的CNN參數(shù)，實(shí)現(xiàn)對(duì)交通場(chǎng)景的準(zhǔn)確識(shí)別與信號(hào)燈的智能調(diào)控。其中，偏置項(xiàng)在CNN卷積模型中的作用是調(diào)整卷積核輸出的特征圖，以確保網(wǎng)絡(luò)能夠?qū)W習(xí)并表達(dá)輸入圖像的復(fù)雜特征。對(duì)于卷積層輸出的特征圖F，其計(jì)算為公式（4）所示：

式中，——第k個(gè)特征圖在位置的輸出；——連接輸入圖像的l個(gè)通道和輸出特征圖的第k個(gè)通道的卷積核權(quán)重；——輸入圖像在第l個(gè)通道上的位置的像素值；bk——加到第k個(gè)特征圖上的偏置項(xiàng)。偏置項(xiàng)使得CNN卷積模型不僅依賴于輸入數(shù)據(jù)與卷積核的線性組合，還增加模型的表達(dá)能力，這意味著在智能交通控制中，模型可以更好地適應(yīng)不同的交通條件。

而梯度值反映了CNN卷積模型當(dāng)前性能的即時(shí)反饋，它可以用于實(shí)時(shí)調(diào)整交通信號(hào)控制策略。如果CNN卷積模型檢測(cè)到某個(gè)方向的交通流量增加，梯度值可以幫助調(diào)整交通信號(hào)燈的時(shí)序，減少擁堵。梯度計(jì)算時(shí)需利用反向傳播算法計(jì)算損失函數(shù)對(duì)特征圖的梯度，具體計(jì)算如公式（5）所示：

式中，L——損失函數(shù)；——特征圖F的梯度；——F后面層的輸出。損失函數(shù)L對(duì)卷積核權(quán)重W的梯度計(jì)算如公式（6）所示：

式中，——卷積核權(quán)重的梯度。損失函數(shù)L對(duì)偏置項(xiàng)b的梯度計(jì)算如公式（7）所示：

式中，——偏置項(xiàng)的梯度。在智能交通信號(hào)控制中，梯度的計(jì)算確保了網(wǎng)絡(luò)能夠根據(jù)實(shí)時(shí)交通數(shù)據(jù)動(dòng)態(tài)調(diào)整信號(hào)燈，通過反向傳播算法，利用梯度信息更新網(wǎng)絡(luò)參數(shù)，包括卷積核權(quán)重和偏置項(xiàng)，從而提升模型對(duì)交通狀況的預(yù)測(cè)能力。因此，偏置項(xiàng)和梯度的精確計(jì)算對(duì)于智能交通信號(hào)控制至關(guān)重要。偏置項(xiàng)增強(qiáng)了模型的表達(dá)能力，使其能夠從復(fù)雜的交通場(chǎng)景中提取有用信息；而梯度的計(jì)算則為模型的優(yōu)化提供了方向，確保了系統(tǒng)能夠根據(jù)動(dòng)態(tài)變化的交通狀況做出恰當(dāng)?shù)捻憫?yīng)。

2.3 估算信號(hào)燈配時(shí)

利用CNN卷積模型對(duì)歷史交通流量數(shù)據(jù)進(jìn)行時(shí)間序列分析，捕捉交通流量的變化規(guī)律。模型結(jié)構(gòu)如公式（8）

式中，F(xiàn)t——時(shí)間序列中第t個(gè)時(shí)間點(diǎn)的交通流量數(shù)據(jù)（輛/min）；n——時(shí)間序列的長(zhǎng)度；fCNN——卷積神經(jīng)網(wǎng)絡(luò)的函數(shù)表示；Ft+1——預(yù)測(cè)的下一個(gè)時(shí)間點(diǎn)的交通流量（輛/min）。

根據(jù)預(yù)測(cè)的交通流量，制定交通信號(hào)燈的配時(shí)策略，包括綠燈、紅燈、黃燈的時(shí)間設(shè)置。假設(shè)綠燈、紅燈、黃燈的時(shí)間分別為G、R、Y，則配時(shí)策略如公式（9）所示：

式中，f、g、h——非線性函數(shù)，根據(jù)交通流量預(yù)測(cè)結(jié)果調(diào)整信號(hào)燈時(shí)間。隨后，使用優(yōu)化算法對(duì)信號(hào)燈配時(shí)進(jìn)行優(yōu)化，以最小化交通擁堵、提高道路通行能力為目標(biāo)。具體計(jì)算如公式（10）所示：

式中，Obj——目標(biāo)函數(shù)；Qi——第i個(gè)時(shí)間段的交通擁堵指數(shù)；T——總時(shí)間段數(shù)。通過計(jì)算迭代優(yōu)化模型，得到最優(yōu)的信號(hào)燈配時(shí)方案。

還需利用模型實(shí)時(shí)監(jiān)測(cè)交通流量、信號(hào)燈狀態(tài)等關(guān)鍵指標(biāo)。當(dāng)檢測(cè)到異常情況（如突發(fā)交通事件、道路施工等）時(shí)，模型能夠自動(dòng)調(diào)整信號(hào)燈配時(shí)方案或發(fā)出警報(bào)通知交通管理人員。同時(shí)，設(shè)計(jì)動(dòng)態(tài)調(diào)整策略，根據(jù)預(yù)計(jì)的交通流量，設(shè)置閾值以及警報(bào)觸發(fā)條件，當(dāng)交通擁堵指數(shù)超過閾值時(shí)，隨即觸發(fā)調(diào)整函數(shù)。在檢測(cè)過程中需要根據(jù)實(shí)時(shí)交通數(shù)據(jù)動(dòng)態(tài)調(diào)整信號(hào)燈配時(shí)方案，以確保信號(hào)燈配時(shí)方案始終適應(yīng)當(dāng)前的交通狀況。最后，建立反饋循環(huán)機(jī)制，收集實(shí)際交通狀況與模型預(yù)測(cè)結(jié)果的差異信息，用于模型的持續(xù)優(yōu)化和改進(jìn)。

3 應(yīng)用試驗(yàn)

3.1 試驗(yàn)準(zhǔn)備

在進(jìn)行信號(hào)燈配時(shí)優(yōu)化模型的試驗(yàn)時(shí)，需準(zhǔn)備Intel Xeon系列的Xeon 6700E CPU多核處理器、Tesla系列的NVIDIA GPU、LTD3000系列的LTD3000-1交通流量檢測(cè)器、Windows Server操作系統(tǒng)、MySQL數(shù)據(jù)庫(kù)管理系統(tǒng)、Python數(shù)據(jù)分析工具、TensorFlow深度學(xué)習(xí)框架、VISSIM仿真軟件。在試驗(yàn)開始前，需要確保所有硬件設(shè)備正常工作，軟件環(huán)境已經(jīng)安裝并配置好，以及所有必要的驅(qū)動(dòng)程序都已更新。同時(shí)，應(yīng)該備份所有重要數(shù)據(jù)和配置文件，以防試驗(yàn)過程中出現(xiàn)意外情況。

3.2 試驗(yàn)結(jié)果

將訓(xùn)練好的CNN卷積模型部署到智能交通系統(tǒng)的硬件平臺(tái)上，確保模型能夠?qū)崟r(shí)接收和處理交通數(shù)據(jù)，輸出信號(hào)燈配時(shí)方案。使用交叉驗(yàn)證將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。在測(cè)試集上評(píng)估模型的性能指標(biāo)，如準(zhǔn)確率、召回率、F1分?jǐn)?shù)等。針對(duì)信號(hào)燈配時(shí)的具體場(chǎng)景，進(jìn)一步評(píng)估交通延誤時(shí)間減少百分比、通行能力提升率等實(shí)際業(yè)務(wù)指標(biāo)，進(jìn)而分析模型對(duì)輸入數(shù)據(jù)的敏感性。具體見表1所示。

如表1所示，模型在訓(xùn)練集、驗(yàn)證集和測(cè)試集上均表現(xiàn)出較高的準(zhǔn)確率、召回率和F1分?jǐn)?shù)，這表明模型具備良好的分類能力，能夠有效識(shí)別交通數(shù)據(jù)，為信號(hào)燈配時(shí)提供決策依據(jù)。在業(yè)務(wù)指標(biāo)方面，模型在測(cè)試集上展現(xiàn)出97.3％的交通延誤時(shí)間減少，這表明在實(shí)際業(yè)務(wù)場(chǎng)景中，模型對(duì)于緩解交通擁堵具有顯著效果。同時(shí)，通行能力提升率達(dá)到97.1％，這說明模型有助于提高道路通行效率，優(yōu)化交通流量，這一顯著成果體現(xiàn)了模型在優(yōu)化交通流、減少車輛等待時(shí)間方面的強(qiáng)大作用，提高了道路的利用效率。因此，CNN卷積模型在智能交通系統(tǒng)中的應(yīng)用取得了顯著成效，其優(yōu)異的性能不僅體現(xiàn)在基礎(chǔ)的技術(shù)指標(biāo)上，更在實(shí)際業(yè)務(wù)場(chǎng)景中展現(xiàn)出巨大的潛力。模型的高效運(yùn)行不僅有助于提升交通系統(tǒng)的整體效率，還為城市交通管理提供了智能化、精細(xì)化的解決方案，為構(gòu)建更加智能、高效、環(huán)保的現(xiàn)代交通體系奠定了堅(jiān)實(shí)基礎(chǔ)。

4 結(jié)語(yǔ)

該文通過應(yīng)用CNN卷積神經(jīng)網(wǎng)絡(luò)模型，提取交通場(chǎng)景關(guān)鍵特征，在優(yōu)化信號(hào)燈配時(shí)的同時(shí)，提高控制交通信號(hào)的精準(zhǔn)性，緩解交通擁堵。試驗(yàn)結(jié)果表明：該方法有效提升信號(hào)燈配時(shí)的準(zhǔn)確性，具有顯著的業(yè)務(wù)應(yīng)用價(jià)值。未來研究中，應(yīng)繼續(xù)深化人工智能技術(shù)在智能交通領(lǐng)域的應(yīng)用，探索更高效的數(shù)據(jù)處理方法和模型優(yōu)化策略，以實(shí)現(xiàn)交通系統(tǒng)的智能化、精細(xì)化管理，為構(gòu)建現(xiàn)代交通體系提供更有力的技術(shù)支持。

參考文獻(xiàn)

[1]焦宏斌.AI人工智能技術(shù)在智能交通領(lǐng)域中的研究與應(yīng)用[J].中國(guó)新通信， 2023（12）：74-76.

[2]吳衛(wèi)宏，高瑩.人工智能技術(shù)在智能交通領(lǐng)域的研究與應(yīng)用[J].產(chǎn)業(yè)與科技論壇， 2024（3）：023.

[3]牟凱，張舒，曹洪斌.人工智能技術(shù)在智慧交通領(lǐng)域的應(yīng)用研究[J].物流科技， 2022（20）：98-100.

收稿日期：2024-08-14

作者簡(jiǎn)介：施衛(wèi)華（1977—），女，研究生，副教授，研究方向：計(jì)算機(jī)技術(shù)大數(shù)據(jù)分析與應(yīng)用。