摘要 當前交通領(lǐng)域中交通信號控制領(lǐng)域仍存在交通信息采集數(shù)據(jù)精度不高、實時性不足等問題，進而導致交通信號控制不夠精準。該文針對此類問題，提出將人工智能技術(shù)應用在智能交通中，利用深度學習中的CNN卷積神經(jīng)網(wǎng)絡(luò)模型進行交通信號控制，通過提取交通場景的關(guān)鍵特征，計算CNN模型的輸出值，并據(jù)此估算信號燈的最佳配時。最后通過試驗驗證文章所提出的深度學習技術(shù)能有效提升信號燈配時的準確性，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；深度學習

中圖分類號 U495 文獻標識碼 A 文章編號 2096-8949（2025）04-0022-03

0 引言

隨著城市化進程的加快，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，難以應對動態(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雜問題，具備高效的自適應性、學習能力，以及精準的數(shù)據(jù)處理能力，這使得人工智能技術(shù)在識別交通模式、預測交通趨勢等方面具有顯著優(yōu)勢。而深度學習作為人工智能的一個重要分支，其強大的特征學習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)不同的交通場景自動調(diào)整模型參數(shù)，適應各種復雜的交通環(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)時具有更高的計算效率，有利于實現(xiàn)實時交通信號控制。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 交通信息采集與預處理

為了實現(xiàn)交通信號的有效控制，需采集并預處理交通實時信息，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時交通場景的圖像和視頻流，為后續(xù)的圖像識別提供豐富的數(shù)據(jù)源。同時，采用數(shù)據(jù)融合技術(shù)，將攝像頭圖像數(shù)據(jù)與雷達檢測到的速度和距離信息相結(jié)合，提高數(shù)據(jù)的準確性和完整性。隨后，預處理收集的數(shù)據(jù)，將數(shù)據(jù)與時間戳進行同步校準，確保不同傳感器和攝像頭的數(shù)據(jù)在時間上的一致性，為時序分析打下堅實基礎(chǔ)。在初步篩選與質(zhì)量判斷階段，需要設(shè)定嚴格的閾值和規(guī)則，判斷數(shù)據(jù)是否有效。對于檢測到的無效數(shù)據(jù)，需要進一步驗證其異常來源，若確定為傳感器誤差，則進行數(shù)據(jù)修正，修正后進行數(shù)據(jù)的進一步加強；若非傳感器問題，則標注異常原因。對于驗證有效的數(shù)據(jù)，可通過隨機旋轉(zhuǎn)、縮放、剪裁等變換增強數(shù)據(jù)，提高后續(xù)學習模型的泛化能力。最后，將預處理后的數(shù)據(jù)劃分為訓練集、驗證集和測試集，為深度學習模型的訓練和評估做好準備。這一系列步驟確保采集到的交通信息既準確又可靠，為深度學習模型提供了高質(zhì)量的數(shù)據(jù)輸入，對于提升交通信號控制系統(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)控攝像頭捕獲的圖像和視頻數(shù)據(jù)，識別交通流量、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)整交通信號燈的配時。同時，將預處理后的交通數(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。每個卷積層由多個卷積核（或稱為濾波器）組成，這些卷積核在輸入圖像上滑動，通過卷積操作提取特征。具體計算過程如公式（1）所示：

式中，——輸出特征圖的坐標；Y——輸入圖像；K——卷積核；m、n——卷積核的尺寸。通過堆疊多個卷積層，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，步長為2，池化操作會從每個2×2的局部區(qū)域中選擇最大值作為該區(qū)域的代表，從而生成一個維度減半的特征圖。這個過程不僅減少了數(shù)據(jù)的空間大小，還通過保留每個局部區(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（即對于小的位置變化不敏感）來減少模型的復雜度，從而有助于防止過擬合現(xiàn)象的發(fā)生。

全連接層將學到的特征組合起來進行分類或回歸任務(wù)。在交通信號控制中，全連接層可能用于預測未來交通流量、車輛等待時間等。構(gòu)建完CNN模型的層級后，需使用交叉熵損失函數(shù)來衡量模型預測的概率分布與真實標簽的概率分布之間的差異。對于單個樣本，假設(shè)有C個類別，模型對第i個樣本的預測概率分布為，真實的標簽為，其中表示樣本i屬于類別c，否則為0。則單個樣本的交叉熵損失為公式（3）所示：

式中，——樣本的預測概率；Li——單個樣本的交叉熵損失值。交叉熵損失要求模型的輸出是概率分布，即每個類別的預測值都在0到1之間，并且所有類別的預測值之和為1。當預測值非常接近0或1時，交叉熵損失的梯度會變得非常大或非常小，會導致訓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，確保其能夠準確、高效地識別和分析交通圖像數(shù)據(jù)，通過交叉熵損失函數(shù)的評估與優(yōu)化，不斷提升CNN模型的預測精度，使智能交通系統(tǒng)更加智能、高效地為人民服務(wù)。

2.2 計算CNN值

CNN卷積模型在智能控制交通信號系統(tǒng)時，需精確調(diào)整其內(nèi)部的CNN參數(shù)，實現(xiàn)對交通場景的準確識別與信號燈的智能調(diào)控。其中，偏置項在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習并表達輸入圖像的復雜特征。對于卷積層輸出的特征圖F，其計算為公式（4）所示：

式中，——第k個特征圖在位置的輸出；——連接輸入圖像的l個通道和輸出特征圖的第k個通道的卷積核權(quán)重；——輸入圖像在第l個通道上的位置的像素值；bk——加到第k個特征圖上的偏置項。偏置項使得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，還增加模型的表達能力，這意味著在智能交通控制中，模型可以更好地適應不同的交通條件。

而梯度值反映了CNN卷積模型當前性能的即時反饋，它可以用于實時調(diào)整交通信號控制策略。如果CNN卷積模型檢測到某個方向的交通流量增加，梯度值可以幫助調(diào)整交通信號燈的時序，減少擁堵。梯度計算時需利用反向傳播算法計算損失函數(shù)對特征圖的梯度，具體計算如公式（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對卷積核權(quán)重W的梯度計算如公式（6）所示：

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

式中，——偏置項的梯度。在智能交通信號控制中，梯度的計算確保了網(wǎng)絡(luò)能夠根據(jù)實時交通數(shù)據(jù)動態(tài)調(diào)整信號燈，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，從而提升模型對交通狀況的預測能力。因此，偏置項和梯度的精確計算對于智能交通信號控制至關(guān)重要。偏置項增強了模型的表達能力，使其能夠從復雜的交通場景中提取有用信息；而梯度的計算則為模型的優(yōu)化提供了方向，確保了系統(tǒng)能夠根據(jù)動態(tài)變化的交通狀況做出恰當?shù)捻憫?/p>

2.3 估算信號燈配時

利用CNN卷積模型對歷史交通流量數(shù)據(jù)進行時間序列分析，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——時間序列中第t個時間點的交通流量數(shù)據(jù)（輛/min）；n——時間序列的長度；fCNN——卷積神經(jīng)網(wǎng)絡(luò)的函數(shù)表示；Ft+1——預測的下一個時間點的交通流量（輛/min）。

根據(jù)預測的交通流量，制定交通信號燈的配時策略，包括綠燈、紅燈、黃燈的時間設(shè)置。假設(shè)綠燈、紅燈、黃燈的時間分別為G、R、Y，則配時策略如公式（9）所示：

式中，f、g、h——非線性函數(shù)，根據(jù)交通流量預測結(jié)果調(diào)整信號燈時間。隨后，使用優(yōu)化算法對信號燈配時進行優(yōu)化，以最小化交通擁堵、提高道路通行能力為目標。具體計算如公式（10）所示：

式中，Obj——目標函數(shù)；Qi——第i個時間段的交通擁堵指數(shù)；T——總時間段數(shù)。通過計算迭代優(yōu)化模型，得到最優(yōu)的信號燈配時方案。

還需利用模型實時監(jiān)測交通流量、信號燈狀態(tài)等關(guān)鍵指標。當檢測到異常情況（如突發(fā)交通事件、道路施工等）時，模型能夠自動調(diào)整信號燈配時方案或發(fā)出警報通知交通管理人員。同時，設(shè)計動態(tài)調(diào)整策略，根據(jù)預計的交通流量，設(shè)置閾值以及警報觸發(fā)條件，當交通擁堵指數(shù)超過閾值時，隨即觸發(fā)調(diào)整函數(shù)。在檢測過程中需要根據(jù)實時交通數(shù)據(jù)動態(tài)調(diào)整信號燈配時方案，以確保信號燈配時方案始終適應當前的交通狀況。最后，建立反饋循環(huán)機制，收集實際交通狀況與模型預測結(jié)果的差異信息，用于模型的持續(xù)優(yōu)化和改進。

3 應用試驗

3.1 試驗準備

在進行信號燈配時優(yōu)化模型的試驗時，需準備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交通流量檢測器、Windows Server操作系統(tǒng)、MySQL數(shù)據(jù)庫管理系統(tǒng)、Python數(shù)據(jù)分析工具、TensorFlow深度學習框架、VISSIM仿真軟件。在試驗開始前，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)動程序都已更新。同時，應該備份所有重要數(shù)據(jù)和配置文件，以防試驗過程中出現(xiàn)意外情況。

3.2 試驗結(jié)果

將訓練好的CNN卷積模型部署到智能交通系統(tǒng)的硬件平臺上，確保模型能夠?qū)崟r接收和處理交通數(shù)據(jù)，輸出信號燈配時方案。使用交叉驗證將數(shù)據(jù)集劃分為訓練集、驗證集和測試集。在測試集上評估模型的性能指標，如準確率、召回率、F1分數(shù)等。針對信號燈配時的具體場景，進一步評估交通延誤時間減少百分比、通行能力提升率等實際業(yè)務(wù)指標，進而分析模型對輸入數(shù)據(jù)的敏感性。具體見表1所示。

如表1所示，模型在訓練集、驗證集和測試集上均表現(xiàn)出較高的準確率、召回率和F1分數(shù)，這表明模型具備良好的分類能力，能夠有效識別交通數(shù)據(jù)，為信號燈配時提供決策依據(jù)。在業(yè)務(wù)指標方面，模型在測試集上展現(xiàn)出97.3％的交通延誤時間減少，這表明在實際業(yè)務(wù)場景中，模型對于緩解交通擁堵具有顯著效果。同時，通行能力提升率達到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、減少車輛等待時間方面的強大作用，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)指標上，更在實際業(yè)務(wù)場景中展現(xiàn)出巨大的潛力。模型的高效運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實基礎(chǔ)。

4 結(jié)語

該文通過應用CNN卷積神經(jīng)網(wǎng)絡(luò)模型，提取交通場景關(guān)鍵特征，在優(yōu)化信號燈配時的同時，提高控制交通信號的精準性，緩解交通擁堵。試驗結(jié)果表明：該方法有效提升信號燈配時的準確性，具有顯著的業(yè)務(wù)應用價值。未來研究中，應繼續(xù)深化人工智能技術(shù)在智能交通領(lǐng)域的應用，探索更高效的數(shù)據(jù)處理方法和模型優(yōu)化策略，以實現(xiàn)交通系統(tǒng)的智能化、精細化管理，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

[1]焦宏斌.AI人工智能技術(shù)在智能交通領(lǐng)域中的研究與應用[J].中國新通信， 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)域的應用研究[J].物流科技， 2022（20）：98-100.

收稿日期：2024-08-14

作者簡介：施衛(wèi)華（1977—），女，研究生，副教授，研究方向：計算機技術(shù)大數(shù)據(jù)分析與應用。