韓志方HAN Zhi-fang；金輝JIN Hui

（遼寧工業(yè)大學(xué)，錦州 122000）

0 引言

我國屬于交通高運(yùn)量高發(fā)展國家，尤其在北上廣等特大城市，月均交通出行均已破億，其中上海在2023 年6 月的統(tǒng)計(jì)中月客流總量達(dá)到3.05 億人次。在如此龐大的出行人群沖擊下交通系統(tǒng)的載荷面臨空前的挑戰(zhàn)就目前研究顯示，我國日常交通出行以混合型交通模式為主，即行人、機(jī)動(dòng)車及非機(jī)動(dòng)車的復(fù)合模式，當(dāng)面臨大流量和城市交通錯(cuò)綜復(fù)雜的道路狀態(tài)時(shí)，這種模式的出行風(fēng)險(xiǎn)有顯著升高的趨勢(shì)，這也是當(dāng)下城市交通事故多發(fā)的一個(gè)理論性深層原因，尤其在道路交叉口信號(hào)控制樞紐等位置更是表現(xiàn)非常明顯。為解決城市交通發(fā)展中的這一問題，各國在城市建設(shè)規(guī)劃期就已有很多相關(guān)研究，例如20 世紀(jì)80 年代，由Pushkarev.B 等人掀起的交通信號(hào)系統(tǒng)控制研究，為之后廣泛應(yīng)用的路口信號(hào)燈奠定了理論基礎(chǔ)[1]。又如，2000 年由美國交通部發(fā)布的《美國道路通行能力手冊(cè)》在信號(hào)控制基礎(chǔ)上加入了對(duì)行人特征因素及信號(hào)控制時(shí)間周期的的研究成果，更有針對(duì)性地對(duì)不同出行體模型特征進(jìn)行了優(yōu)化，減小了早期單一模型下的判斷誤差，開創(chuàng)了信號(hào)模型控制的時(shí)代[2]。近年來我國在行人交通信號(hào)控制領(lǐng)域發(fā)展迅猛，劉安陽等人在總結(jié)前人模型研究精髓的基礎(chǔ)上通過Logit[3]統(tǒng)計(jì)模型進(jìn)行基于行人間隙的行為規(guī)律模型統(tǒng)計(jì)，極大優(yōu)化了信號(hào)控制策略。但上述研究弊端在于過分依賴固定性的參數(shù)變量，難以仿真出真實(shí)場(chǎng)景，具有一定的應(yīng)用局限性，本文借助AI 深度學(xué)習(xí)機(jī)制，建立多參數(shù)動(dòng)態(tài)模型機(jī)制，通過模擬不同場(chǎng)景的行人與信號(hào)燈交互模式，優(yōu)化控制策略從而提升現(xiàn)有信號(hào)控制器的使用效率，提升交通出行的安全性。

1 深度學(xué)習(xí)下人行過街控制模型設(shè)計(jì)

在行人的特征性分析中，一般會(huì)考慮交通流理論中參數(shù)作為切入點(diǎn)，本文在人的行為模式判斷中引入間隙理論將信號(hào)控制問題轉(zhuǎn)化為人車沖突問題[4]，尤其是在人與轉(zhuǎn)彎車同行或車頭距行人較遠(yuǎn)情況下，對(duì)于行人穿行的行為特征研究上如何提升安全管控效果，一般需要分別考慮城市道路交通信號(hào)配置的三種相位情況及這三種情況下機(jī)動(dòng)車與行人可能發(fā)生沖突的區(qū)域及點(diǎn)位，如圖1 所示。

圖1 人車沖突的三種常見相位

當(dāng)綜合考慮人車混合狀態(tài)時(shí)情況較為復(fù)雜，單一的線性分析已經(jīng)不能滿足對(duì)安全性與準(zhǔn)確性的要求，故本研究在深度學(xué)習(xí)常用的模塊YOLOv5s 基礎(chǔ)之上，引入損失函數(shù)及Deep Sort 目標(biāo)追蹤算法[5]，以最小算量實(shí)現(xiàn)輕量級(jí)的人車混合跟蹤識(shí)別與預(yù)測(cè)。研究基礎(chǔ)依靠深度卷積模型，通過合理的激活函數(shù)設(shè)置和損失函數(shù)閾值選取，在提升算法精準(zhǔn)度的前提下，減少計(jì)算消耗，提升模型輸出效率，整體結(jié)構(gòu)模型如圖2 所示。

圖2 YOLOv5s 模型結(jié)構(gòu)

一般而言如圖2 所示，模型由輸入層、網(wǎng)絡(luò)化學(xué)習(xí)層和預(yù)測(cè)輸出層組成，其中輸入層主要進(jìn)行圖像信息的型制統(tǒng)一，即數(shù)據(jù)預(yù)處理。本模型原型基于YOLOv5s 進(jìn)行改良，可進(jìn)行圖像尺寸識(shí)別更為寬泛，可最小實(shí)現(xiàn)1×1 的圖像輸入識(shí)別。網(wǎng)絡(luò)化學(xué)習(xí)層主要進(jìn)行基于特征值提取的學(xué)習(xí)訓(xùn)練，本模型特征提取依賴BottleNeck[6]，特征向下復(fù)制傳遞依靠CSPNet，本模型的改進(jìn)在于引入了CSPDarknet53，該模塊可以顯著減少計(jì)算與訓(xùn)練所需的網(wǎng)絡(luò)結(jié)構(gòu)及特征值參數(shù)總量，對(duì)于圖片池化前的尺寸要求容忍度更高，相應(yīng)最終信息融合度也更好。

綜合上述，本文所述的研究模型在以往深度網(wǎng)絡(luò)化的復(fù)雜高算力模型的基礎(chǔ)上，進(jìn)行了邏輯改良，引入了簡(jiǎn)化模塊算法機(jī)制，在特征向量提取部分對(duì)單個(gè)圖片進(jìn)行切割和縮小，極大豐富了圖片特征信息量，在后續(xù)算法網(wǎng)絡(luò)中刪除檢測(cè)框中低置信度圖片后，可對(duì)剩余部分進(jìn)行還原，通過這一過程的改良大大降低了算法對(duì)算力的消耗和網(wǎng)絡(luò)層的復(fù)雜度，同時(shí)由于特征值的增加也提高了算法準(zhǔn)確率。

2 SD-YOLOv5 算法的仿真試驗(yàn)

首先對(duì)于基于YOLOv5 改進(jìn)后的SD-YOLOv5 方法，進(jìn)行實(shí)驗(yàn)條件確認(rèn)，其應(yīng)用場(chǎng)景多為交通路口或樞紐地帶，檢測(cè)目標(biāo)多為行人及車輛，故在選取訓(xùn)練目標(biāo)對(duì)象時(shí)針對(duì)這兩項(xiàng)內(nèi)容進(jìn)行篩選，訓(xùn)練集與測(cè)試集按照7:3 進(jìn)行數(shù)量劃分。測(cè)試用工作軟件環(huán)境選取如表1 所示。

表1 試驗(yàn)用軟件環(huán)境

在上述試驗(yàn)條件及本文上一章節(jié)所描述的模型方法的基礎(chǔ)上，進(jìn)行仿真測(cè)試，其具體步驟為：在訓(xùn)練之前，對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理，包括圖像縮放、裁剪、亮度調(diào)整等，以適應(yīng)YOLOv5 的輸入要求和提高模型的性能。根據(jù)數(shù)據(jù)集和目標(biāo)設(shè)置合適的訓(xùn)練參數(shù)，如學(xué)習(xí)率、批大小、迭代次數(shù)等。同時(shí)，確保計(jì)算資源（如GPU）的充足性，以加快模型訓(xùn)練的速度。在訓(xùn)練完成后，使用測(cè)試集對(duì)模型進(jìn)行評(píng)估，計(jì)算模型的精度、召回率、F1 值等指標(biāo)，以評(píng)估模型的性能。其輸出的融合度圖像如圖3。

圖3 仿真測(cè)試融合度對(duì)比圖

圖中YOLOv5s 簡(jiǎn)寫為v5s ，Ghost-BottleNeck 模塊簡(jiǎn)寫為GhB，v5s+GhB+αIoU 即為本文提出的SD -YOLOv5 行人檢測(cè)方法，GFLOPs 和參數(shù)量是衡量神經(jīng)網(wǎng)絡(luò)模型計(jì)算量和參數(shù)數(shù)量的指標(biāo)。檢測(cè)速度是指目標(biāo)檢測(cè)的推理速度，以毫秒（ms）為單位。GIoU 和αIoU 是兩種不同的定位損失函數(shù)，αIoU 相對(duì)于GIoU 有更好的性能?？偟膩碚f，這段文字描述了通過增加GhB 模塊、改變定位損失函數(shù)以及使用SAHI 策略對(duì)YOLOv5 進(jìn)行改進(jìn)優(yōu)化后，在VOC 數(shù)據(jù)集上提高了目標(biāo)檢測(cè)的性能，包括AP 的提升、計(jì)算量和參數(shù)量的減少、檢測(cè)速度的減少等。這些改進(jìn)使得YOLOv5 在保持一定精度的同時(shí)，降低了參數(shù)量和計(jì)算量，提高了檢測(cè)器的邊界框定位準(zhǔn)確性和抵抗噪音的能力，并在推理過程中通過SAHI 策略進(jìn)行了優(yōu)化，提高了AP 和推理速度。

3 深度學(xué)習(xí)下人行過街控制模型在實(shí)際交通信號(hào)控制中的應(yīng)用

基于上文中研究結(jié)論，本節(jié)將圖片識(shí)別融入交通信號(hào)控制中以提升道路安全性，通過圖片信息識(shí)別分析實(shí)現(xiàn)基于自適應(yīng)的路口交通信號(hào)變化，適應(yīng)不同時(shí)段車流人流。研究分別采用基于圖像學(xué)習(xí)的交通控制策略和另外兩種平峰高峰常用交通控制策略作為研究對(duì)比，通過某處交通路口實(shí)地試驗(yàn)獲得結(jié)果如圖4。

圖4 6 種不同混合交通模式下排隊(duì)時(shí)長比較

如圖4 所示，在6 種不同混合交通模式下，本文提出的人車協(xié)同深度學(xué)習(xí)模型均取得了控制優(yōu)勢(shì)，對(duì)于降低車輛急停和長時(shí)間等候均有明顯的緩解效果，從時(shí)間分布情況看，特別在高峰時(shí)段（混合交通情況4 中）模型下的控制策略效果最為顯著，其根本原因在于本算法在人車飽和狀態(tài)下，通過識(shí)別和預(yù)判人車走向，最大程度減少人車沖突情況的產(chǎn)生，合理給予交通信號(hào)臨時(shí)性的時(shí)間控制改變，通過減少控制時(shí)間的方式減少了不要的等候時(shí)間損失。

綜合上述不難看出，混合交通流供需協(xié)同信號(hào)控制方案相比其他兩種信號(hào)控制方案，在釋放車輛方面表現(xiàn)更好。特別是在交通流過飽和的情況下，混合交通流供需協(xié)同信號(hào)控制方案的改善效果更為明顯。相對(duì)于基于機(jī)動(dòng)車-行人需求的控制方法，混合交通流供需協(xié)同信號(hào)控制方案的機(jī)動(dòng)車釋放量提升百分比可達(dá)到10.8%和10.4%。優(yōu)化模型通過SD-YOLOv5 實(shí)時(shí)優(yōu)化相位相序和配時(shí)，提高綠燈的有效利用率，盡可能釋放到達(dá)交叉口的車輛。

4 總結(jié)

本文基于人工智能策略及深度學(xué)習(xí)，研究了行人過街交通信號(hào)控制器的設(shè)計(jì)與策略。提出了一種基于人工智能策略的行人過街交通信號(hào)控制器設(shè)計(jì)與策略，并在實(shí)際交通信號(hào)控制中取得了一定的應(yīng)用效果。研究結(jié)論總結(jié)了混合交通流供需協(xié)同信號(hào)控制方案相比其他信號(hào)控制方案的優(yōu)勢(shì)，并強(qiáng)調(diào)了優(yōu)化模型在最大限度利用時(shí)空資源和避免交叉口癱瘓方面的效果。具體研究結(jié)論如下：

①通過在人的行為模式判斷中引入間隙理論，利用YOLOv5s 模型進(jìn)行人車混合跟蹤識(shí)別與預(yù)測(cè)的設(shè)計(jì)。詳細(xì)描述了該模型的結(jié)構(gòu)和優(yōu)化措施，如圖像增強(qiáng)、特征提取和預(yù)測(cè)輸出等步驟。

②通過SD-YOLOv5 算法的仿真試驗(yàn)說明了對(duì)改進(jìn)后的SD-YOLOv5 方法進(jìn)行實(shí)驗(yàn)的條件和步驟。描述了實(shí)驗(yàn)結(jié)果的一些評(píng)估指標(biāo)，如平均精度（AP）、計(jì)算量和參數(shù)量等，以及改進(jìn)后模型在性能上的提高。

③通過深度學(xué)習(xí)下人行過街控制模型在實(shí)際交通信號(hào)控制中的應(yīng)用驗(yàn)證了將圖片識(shí)別與交通信號(hào)控制相結(jié)合的應(yīng)用場(chǎng)景和布設(shè)。通過實(shí)地試驗(yàn)的結(jié)果，證明了優(yōu)化模型對(duì)于降低車輛急停和等待時(shí)間的效果。