基于數字經濟的智能交通系統智能化管理與控制研究

摘要 文章聚焦基于數字經濟的智能交通系統智能化管理與控制，通過收集歷史交通數據，包括車輛流量、速度、排隊長度等，運用先進的數據處理和建模方法，如特征提取、時序數據處理以及建立的ARIMA等模型，實現信號燈的智能配時。對比實驗表明，智能交通系統在減少車輛平均等待時間、降低路口擁堵指數以及縮短車輛通過路口平均時間等方面具有顯著優勢，為提升城市交通效率、緩解交通擁堵提供了有效途徑，對推動數字經濟與智能交通的融合發展具有重要意義。

關鍵詞 數字經濟；智能交通；系統智能化；管理控制

中圖分類號 U491 文獻標識碼 A 文章編號 2096-8949（2025）05-0013-03

0 引言

隨著數字經濟的快速發展，智能交通系統在城市交通管理中的作用日益凸顯[1]。交通擁堵已成為現代城市發展面臨的重大挑戰之一，不僅影響人們的出行效率，還帶來了環境污染和能源浪費等問題。基于數字經濟的智能交通系統，利用先進的數字技術如大數據、人工智能、物聯網等，對交通數據進行收集、分析和處理，實現交通管理的智能化和高效化[2-3]。智能交通系統依賴大量的實時數據，如車輛位置、速度、路況等信息，這些數據通過各種傳感器、監控設備等收集，構成了數字經濟中的重要數據資源。深度分析這些交通數據，可以挖掘出人們的出行模式、交通流量規律等有價值的信息，為交通規劃、管理決策提供依據。該文旨在探索基于數字經濟的智能交通系統的智能化管理與控制方法，通過對歷史交通數據的深入分析和建模，實現信號燈的智能配時，提高交通效率，緩解交通擁堵。該研究將詳細闡述數據收集、分析、模型建立以及智能配時的過程，并通過對比實驗驗證智能交通系統的有效性。

1 收集歷史數據

為實現信號燈配時的智能管理控制，應明確收集的數據類型，包括車輛流量、速度、排隊長度、出行時間等。目標設定為收集某城市主要路口特定時間段內的車輛流量、平均速度和最長排隊長度等。選用海康威視DS-2CD7A47EWD-IZS高分辨率智能攝像頭，安裝在路口及重要路段，依據道路寬度和交通流量確定安裝數量與角度，以全面覆蓋監測區域。

通過圖像識別技術及深度學習算法對車輛檢測進行分類。攝像頭實時拍攝道路畫面，軟件計數車輛，如

1 h內統計到1 200輛車通過，該區域車輛流量即為1 200輛/h，反映路段交通的繁忙程度，為交通管理部門評估路口交通壓力提供依據。利用連續幀之間的車輛位移和時間差計算速度，攝像頭以一定幀率拍攝，車輛移動時軟件分析連續幀中的位置變化。假設兩幀間隔為0.1 s，車輛移動3 m，換算后速度為108 km/h。此速度數據可幫助交通管理部門了解車輛行駛速度，評估道路通行效率和擁堵情況。若路段車輛平均速度低、存在擁堵，可采取調整信號燈配時、增加車道等措施。交通攝像頭通過有線網絡（以太網）或無線網絡（4G/5G）將視頻數據傳輸到存儲服務器，存儲服務器使用硬盤陣列確保數據安全可靠。為方便后續處理分析，將視頻數據和提取的車輛流量、速度等信息分別存儲。

在數據采集過程中，可能因各種原因出現不合理數據，如誤識別導致的車輛計數異常高或攝像頭故障導致的速度數據異常等。可通過設定閾值篩選異常值，比如設定速度超過道路限速的2倍為異常值，若某數據點速度為180 km/h，而該路段限速80 km/h，則判定為異常值并去除。對數據進行格式統一和標準化處理，如將車輛流量單位統一為“輛/h”，速度單位統一為“km/h”，對時間格式標準化以確保不同來源數據時間對應，為建立模型進行智能管理和控制做好準備。

2 建立模型

2.1 特征提取

建立模型應首先需要明確從歷史交通數據中提取的數據特征，這些特征與智能交通系統的智能化管理和控制密切相關，確定提取車輛流量特征、速度特征、排隊長度特征以及時間特征（如高峰時段、非高峰時段）等。整理經過數據分析處理后的交通數據，確保數據的準確性和完整性，并將車輛流量、速度和排隊長度等數據按照時間順序排列，以便進行后續的特征提取。運用數據標準化技術對準備好的數據進行處理，具體公式如下：

（1）

式中，Z——標準化后的值，X——原始值，Xmin——數據中的最小值，Xmax——數據中的最大值。標準化處理的效果，是確保不同特征的數據可以在同一尺度上進行比較和分析，從而避免因數據尺度不同而導致的問題。對于車輛流量特征，可以計算不同時間段的平均車輛流量、峰值車輛流量等統計量；對于速度特征，可以計算不同路段的速度標準差。具體公式如下：

（2）

式中，N——樣本數量，Vi——第i個車輛的速度，——平均速度。計算的標準差可反映速度的離散程度，幫助了解路段速度的穩定性。對于排隊長度特征，可以提取最長排隊長度、平均排隊長度等。如果提取的特征數量較多，可以使用主成分分析方法進行降維，計算數據的協方差矩陣，最后將原始數據投影到由主成分構成的新空間中，以降低特征維度，減少計算量，提高模型的效率和準確性。

2.2 時序數據處理

從收集到的歷史交通數據中篩選出具有時間序列特征的數據，選取某路口一個月內每小時的車輛流量數據。對篩選后的時序數據進行趨勢分析，觀察數據隨時間的整體變化趨勢，通過繪制車輛流量隨時間的折線圖，判斷是否存在明顯的上升或下降趨勢，利用數據可視化技術能夠更清晰地呈現這種趨勢變化。通過季節性分析檢查這些數據是否存在周期性變化，如工作日和周末的交通流量差異、早晚高峰的規律等。同樣，通過可視化圖表可以直觀地看出這些數據的周期性特征。使用ADF檢驗（Augmented Dickey-Fuller test）判斷時間序列數據是否平穩，如果數據不平穩，則需要進行差分等處理使其平穩。根據數據特點和分析目的，選擇合適的時間序列模型，其中ARIMA模型由自回歸（AR）、差分（I）和移動平均（MA）三部分構成，適用于具有趨勢性和季節性的非平穩時間序列數據，通過差分操作將非平穩數據轉化為平穩數據，然后對平穩數據建立ARIMA模型。

交通數據具有一定的趨勢性和季節性，隨著時間的推移，交通流量可能會呈現逐漸增長或下降的趨勢，同時在工作日和周末、早晚高峰等時間段會有明顯的周期性變化。ARIMA模型能夠較好地捕捉這些特征，對交通數據進行建模和預測，確定模型參數的步驟具體如圖1所示。

首先對某路口一個月內每小時的車輛流量數據進行ADF檢驗，若發現數據存在單位根、不平穩，則對其進行一階差分，再次進行ADF檢驗，此時數據變為平穩。通過觀察自相關函數（ACF）和偏自相關函數（PACF）的圖形，初步確定自回歸階數p和移動平均階數q的取值范圍。

如果ACF在滯后若干期后逐漸衰減為0，而PACF在特定滯后階數后截尾，可能暗示著p為該特定滯后階數。反之，如果PACF逐漸衰減為0，而ACF在特定滯后階數后截尾，可能意味著q為該特定滯后階數。觀察車輛流量數據的ACF和PACF圖形，發現ACF在滯后2期后逐漸衰減，而PACF在滯后1期后截尾。初步確定自回歸階數p=1，移動平均階數q=2。使用歷史數據對不同參數組合的ARIMA模型進行擬合，采用最小二乘法等估計模型參數。以確定的p和q取值范圍為基礎，嘗試不同的參數組合，如ARIMA（1，1，2）、ARIMA（2，1，1）等，分別對數據進行擬合，使用最小二乘法對ARIMA（1，1，2）模型進行參數估計，得到模型的具體形式如下：

（3）

式中，Yt——當前時刻的車輛流量，c——常數項，φ1——自回歸系數，θ1和θ2——移動平均系數，εt——誤差項。通過以上步驟，可以建立適合交通數據的ARIMA模型，為智能交通系統的智能化管理與控制提供有效的預測工具。

3 智能配時

根據預測的交通狀況和預設的優化目標，計算信號燈的最佳配時方案。優化目標通常包括最小化車輛平均等待時間、最大化道路通行能力等，以最小化車輛平均等待時間為目標，路口一個周期內的車輛總等待時間為T，其計算公式如下：

（4）

式中，qi——第i個進口道的車輛流量，di——第i個進口道的車輛平均延誤時間。信號燈周期時長C可通過韋伯斯特公式計算，具體公式如下：

（5）

式中，L——每個周期的總損失時間。

（6）

式中，qi——第i個進口道的車輛流量，si——第i個進口道的飽和流量。通過該公式計算出的信號燈周期時長，能夠在一定程度上平衡各個進口道的交通需求，減少車輛等待時間，提高道路通行效率。根據實時交通情況的變化，動態調整信號燈配時，當車輛流量突然增加時，縮短信號燈周期，增加綠燈時間。同時，可以設置一定的調整閾值，當交通狀況變化超過閾值時觸發配時調整，若某個進口道的車輛流量增加超過20%時，則進行信號燈的配時調整。持續監測信號燈配時調整后的交通效果，如擁堵程度、平均等待時間等，可以通過交通攝像頭、感應線圈等設備收集的數據進行評估，計算調整前后路口的車輛平均等待時間，若等待時間明顯減少，則說明配時調整有效。

4 對比實驗

4.1 實驗準備

為驗證基于數字經濟的智能交通系統的智能化管理與控制方法的有效性，此次對比實驗選擇在一個交通流量較大且具有代表性的城市中心商業繁華地段作為應用場景。該區域包含多個路口和不同類型的道路，如主干道、次干道和支路等，交通需求復雜，既有高峰時段的大量通勤車輛，也有平峰時段的商業物流和居民出行車輛。在實驗設備方面，選用高分辨率的海康威視DS-2CD7A47EWD-IZS智能交通攝像頭，將其安裝在各個路口和關鍵路段，用于實時監測車輛流量、速度和排隊長度等信息。在路口和重要路段，裝配美國先思感應線圈系統，用于檢測車輛通過的數量和時間間隔。安裝先進的西門子SCOOT智能信號燈控制器，能夠接收指令并快速調整信號燈時間。采用戴爾PowerEdge R740服務器，用于存儲和處理采集到的交通數據，具備強大的計算和存儲能力。

4.2 實驗結果

首先，通過交通攝像頭和感應線圈等設備，連續收集一個月的交通數據，包括車輛流量、速度、排隊長度等，將其作為實驗的基礎數據。然后，將采集到的數據傳輸到數據服務器進行存儲和預處理，去除異常值并進行數據標準化。在選定的區域內，保持現有的傳統信號燈配時方案運行兩周。記錄這段時間內各個路口的交通狀況，包括車輛平均等待時間、擁堵指數等指標。最后，切換到基于數字經濟的智能交通系統的信號燈配時方案。利用預先建立的模型和算法，根據實時交通數據動態調整信號燈時間，同樣運行兩周，并記錄智能配時階段的交通狀況指標，具體情況如表1所示。

由表1可以看出，基于數字經濟的智能交通系統能夠更加精準地根據實時交通狀況調整信號燈時間，減少車輛在路口的停滯時間，能夠更好地平衡各個方向的交通流量，避免路口出現嚴重的擁堵情況。智能配時能夠根據實時交通情況動態調整信號燈，使車輛能夠更快速地通過路口，提高路口的通行能力。總體而言，基于數字經濟的智能交通系統在信號燈配時方面表現出顯著的優勢，能夠有效提高交通效率、緩解交通擁堵，為城市交通的智能化管理和控制提供有力支持。

5 結束語

該文通過對基于數字經濟的智能交通系統智能化管理與控制的深入研究，取得了顯著成果。通過收集和分析歷史交通數據，建立了有效的時間序列模型，并實現了信號燈的智能配時。對比實驗結果，充分證明了智能交通系統在提高交通效率、緩解交通擁堵方面的巨大優勢。然而，智能交通系統的發展仍面臨一些挑戰，如數據安全與隱私保護、技術標準的統一等。未來的研究需要進一步加強對這些問題的探索，以推動智能交通系統的可持續發展。同時，應加強數字經濟與智能交通的深度融合，不斷創新交通管理模式和技術手段，為城市交通的智能化發展提供更強大的技術支持。

參考文獻

[1]王云升.智能交通系統在路橋設計中的應用與優化[J].運輸經理世界， 2024（22）：77-79.

[2]武永恒，付觀華，胡壽建，等.城市軌道交通多專業智能運維系統設計與研究[J].鐵路計算機應用， 2024（7）：70-73.

[3]沈磊，呂軼娜.新型客站設計理念下的客運樞紐智能化技術提升[J].鐵路技術創新， 2024（4）：123-126.