人工智能技術在智能交通領域的研究與應用

摘要 當前交通領域中交通信號控制領域仍存在交通信息采集數據精度不高、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應用在智能交通中，利用深度學習中的CNN卷積神經網絡模型進行交通信號控制，通過提取交通場景的關鍵特征，計算CNN模型的輸出值，并據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能有效提升信號燈配時的準確性，為解決現有交通控制問題提供了新的思路。

關鍵詞 人工智能技術；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，智能交通系統成為緩解交通擁堵、提高道路使用效率的關鍵技術[1-3]。傳統的交通信息采集與處理方法較為依賴于固定模型和規則，難以應對動態變化的交通環境。而人工智能技術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，以及精準的數據處理能力，這使得人工智能技術在識別交通模式、預測交通趨勢等方面具有顯著優勢。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中發揮著至關重要的作用，特別是卷積神經網絡（Convolutional Neural Networks，CNN）模型，該模型能夠根據不同的交通場景自動調整模型參數，適應各種復雜的交通環境。相較于傳統的圖像處理方法，CNN模型在處理大規模圖像數據時具有更高的計算效率，有利于實現實時交通信號控制。因此，文章將深入探討人工智能技術在智能交通領域的具體應用，剖析該人工智能模型在提升交通系統效率、降低交通擁堵方面的潛力，以期為未來的智能交通系統發展提供理論依據和技術參考。

1 交通信息采集與預處理

為了實現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，在收集交通數據前，需部署高清攝像頭捕捉實時交通場景的圖像和視頻流，為后續的圖像識別提供豐富的數據源。同時，采用數據融合技術，將攝像頭圖像數據與雷達檢測到的速度和距離信息相結合，提高數據的準確性和完整性。隨后，預處理收集的數據，將數據與時間戳進行同步校準，確保不同傳感器和攝像頭的數據在時間上的一致性，為時序分析打下堅實基礎。在初步篩選與質量判斷階段，需要設定嚴格的閾值和規則，判斷數據是否有效。對于檢測到的無效數據，需要進一步驗證其異常來源，若確定為傳感器誤差，則進行數據修正，修正后進行數據的進一步加強；若非傳感器問題，則標注異常原因。對于驗證有效的數據，可通過隨機旋轉、縮放、剪裁等變換增強數據，提高后續學習模型的泛化能力。最后，將預處理后的數據劃分為訓練集、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量的數據輸入，對于提升交通信號控制系統的性能至關重要。

2 構建CNN卷積模型

2.1 提取關鍵特征

在智能交通系統中，CNN（Convolutional Neural Network，

卷積神經網絡）模型主要用于處理和分析交通監控攝像頭捕獲的圖像和視頻數據，識別交通流量、車輛類型、車速、擁堵情況等關鍵特征，這些特征隨后被用于調整交通信號燈的配時。同時，將預處理后的交通數據（如交通流量、車輛速度等）轉換為二維矩陣，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，增加非線性，減少梯度消失問題。

池化層用于降低數據的維度，減少計算量，并保留重要特征，以最大池化為例，假設池化窗口大小為2×2，步長為2，池化操作會從每個2×2的局部區域中選擇最大值作為該區域的代表，從而生成一個維度減半的特征圖。這個過程不僅減少了數據的空間大小，還通過保留每個局部區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象的發生。

全連接層將學到的特征組合起來進行分類或回歸任務。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。構建完CNN模型的層級后，需使用交叉熵損失函數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。

構建并優化CNN模型，確保其能夠準確、高效地識別和分析交通圖像數據，通過交叉熵損失函數的評估與優化，不斷提升CNN模型的預測精度，使智能交通系統更加智能、高效地為人民服務。

2.2 計算CNN值

CNN卷積模型在智能控制交通信號系統時，需精確調整其內部的CNN參數，實現對交通場景的準確識別與信號燈的智能調控。其中，偏置項在CNN卷積模型中的作用是調整卷積核輸出的特征圖，以確保網絡能夠學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據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對特征圖的梯度，具體計算如公式（5）所示：

式中，L——損失函數；——特征圖F的梯度；——F后面層的輸出。損失函數L對卷積核權重W的梯度計算如公式（6）所示：

式中，——卷積核權重的梯度。損失函數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絡能夠根據實時交通數據動態調整信號燈，通過反向傳播算法，利用梯度信息更新網絡參數，包括卷積核權重和偏置項，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化提供了方向，確保了系統能夠根據動態變化的交通狀況做出恰當的響應。

2.3 估算信號燈配時

利用CNN卷積模型對歷史交通流量數據進行時間序列分析，捕捉交通流量的變化規律。模型結構如公式（8）

式中，Ft——時間序列中第t個時間點的交通流量數據（輛/min）；n——時間序列的長度；fCNN——卷積神經網絡的函數表示；Ft+1——預測的下一個時間點的交通流量（輛/min）。

根據預測的交通流量，制定交通信號燈的配時策略，包括綠燈、紅燈、黃燈的時間設置。假設綠燈、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，根據交通流量預測結果調整信號燈時間。隨后，使用優化算法對信號燈配時進行優化，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；Qi——第i個時間段的交通擁堵指數；T——總時間段數。通過計算迭代優化模型，得到最優的信號燈配時方案。

還需利用模型實時監測交通流量、信號燈狀態等關鍵指標。當檢測到異常情況（如突發交通事件、道路施工等）時，模型能夠自動調整信號燈配時方案或發出警報通知交通管理人員。同時，設計動態調整策略，根據預計的交通流量，設置閾值以及警報觸發條件，當交通擁堵指數超過閾值時，隨即觸發調整函數。在檢測過程中需要根據實時交通數據動態調整信號燈配時方案，以確保信號燈配時方案始終適應當前的交通狀況。最后，建立反饋循環機制，收集實際交通狀況與模型預測結果的差異信息，用于模型的持續優化和改進。

3 應用試驗

3.1 試驗準備

在進行信號燈配時優化模型的試驗時，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、MySQL數據庫管理系統、Python數據分析工具、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備正常工作，軟件環境已經安裝并配置好，以及所有必要的驅動程序都已更新。同時，應該備份所有重要數據和配置文件，以防試驗過程中出現意外情況。

3.2 試驗結果

將訓練好的CNN卷積模型部署到智能交通系統的硬件平臺上，確保模型能夠實時接收和處理交通數據，輸出信號燈配時方案。使用交叉驗證將數據集劃分為訓練集、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務指標，進而分析模型對輸入數據的敏感性。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出較高的準確率、召回率和F1分數，這表明模型具備良好的分類能力，能夠有效識別交通數據，為信號燈配時提供決策依據。在業務指標方面，模型在測試集上展現出97.3％的交通延誤時間減少，這表明在實際業務場景中，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，優化交通流量，這一顯著成果體現了模型在優化交通流、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中的應用取得了顯著成效，其優異的性能不僅體現在基礎的技術指標上，更在實際業務場景中展現出巨大的潛力。模型的高效運行不僅有助于提升交通系統的整體效率，還為城市交通管理提供了智能化、精細化的解決方案，為構建更加智能、高效、環保的現代交通體系奠定了堅實基礎。

4 結語

該文通過應用CNN卷積神經網絡模型，提取交通場景關鍵特征，在優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，具有顯著的業務應用價值。未來研究中，應繼續深化人工智能技術在智能交通領域的應用，探索更高效的數據處理方法和模型優化策略，以實現交通系統的智能化、精細化管理，為構建現代交通體系提供更有力的技術支持。

參考文獻

[1]焦宏斌.AI人工智能技術在智能交通領域中的研究與應用[J].中國新通信， 2023（12）：74-76.

[2]吳衛宏，高瑩.人工智能技術在智能交通領域的研究與應用[J].產業與科技論壇， 2024（3）：023.

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

收稿日期：2024-08-14

作者簡介：施衛華（1977—），女，研究生，副教授，研究方向：計算機技術大數據分析與應用。