基于长短期记忆人工神经网络与SUMO仿真的交通信号灯配时优化

针对城市交通交叉口配时不合理,易造成堵塞,不必要等待的问题,提出一种基于长短期记忆人工神经网络与SUMO仿真的交通信号灯配时优化方法。该方法首先利用SUMO模拟十字路口的车流量,并设置了与通行能力、平均等待时间、和损失时间相关的特征函数,通过大量的模拟,生成以路口状况为输入,最佳配时为输出的训练集数据。建立LSTM(长短期记忆人工神经网络),对于数据集进行训练,得到网络模型。最后经过对比实验,该方法的优化能力比传统的模糊控制算法更强。

基于改进的轻量化YOLO与几何构建的多车道路口流量统计模型

针对目前对于多车道十字交通路口车流量监控和统计研究较少的问题,设计了一种全新的车流量监测系统。系统由两部分组成,第一部分是基于改进的轻量化YOLO的车辆识别模块,提出一种轻量化MobilenetVz-yolo网络;第二部分是基于几何构建的区域划分流量统计模块,通过建立匹配监控视像的坐标系,构建车道/终止线的函数,施以几何分析进行区域划分,然后接收第一部分的车辆坐标信息,并计算车辆的区域率属函数,最终得到各个车道的瞬时车流量统计数据。实验结果表明,MobilenetVzyolo网络有着比传统Mobilenet-yolo更快的速度和相似的准确度,计算速度达到26帧/s,准确度达到92.9%。而流量统计模块在12区域的十字路口划分情况下,车流量统计的准确率达到了95.00%。车流量监测可解决复杂多车道十字路口的车流量统计和数字化问题。