文章編號(hào)： 1006-9798（2024）03-0046-09； DOI： 10.13306/j.1006-9798.2024.03.007

摘要： 為有效緩解城市交通擁堵，基于YOLOv5車(chē)輛識(shí)別和北斗定位技術(shù)構(gòu)建了城市擁堵解決方案，實(shí)現(xiàn)了車(chē)輛運(yùn)行信息實(shí)時(shí)采集、道路流量預(yù)測(cè)和智能交通控制等功能。YOLOv5車(chē)輛識(shí)別技術(shù)采集流量、車(chē)速等交通運(yùn)行特征數(shù)據(jù)結(jié)合北斗定位技術(shù)采集的車(chē)輛運(yùn)行特征數(shù)據(jù)，為智能交通控制決策與用戶(hù)路線(xiàn)規(guī)劃的數(shù)據(jù)支撐；智能控制終端分析采集到的數(shù)據(jù)，預(yù)測(cè)道路流量；數(shù)據(jù)傳輸模塊完成采集輸入并上傳至智能控制終端和預(yù)測(cè)結(jié)果輸出至智能交通控制設(shè)施，調(diào)節(jié)潮汐車(chē)道，實(shí)現(xiàn)智能信控；同時(shí)向用戶(hù)反饋道路擁堵?tīng)顩r、提供路徑選擇建議。仿真運(yùn)行結(jié)果表明，該解決方案面對(duì)兩種不同的道路網(wǎng)可以使平均停車(chē)延誤分別降低了9.0%、6.0%，總行駛時(shí)間分別降低了4.5%、6.3%，能夠緩解交通擁堵。

關(guān)鍵詞： YOLOv5； 車(chē)輛識(shí)別； 北斗定位； 城市擁堵； 智能交通控制系統(tǒng)

中圖分類(lèi)號(hào)： U121文獻(xiàn)標(biāo)識(shí)碼： A

計(jì)算機(jī)、互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等技術(shù)快速發(fā)展為智慧交通的規(guī)劃建設(shè)提供了強(qiáng)大支撐[1]。目前智能交通控制相關(guān)研究大多著眼于交通信號(hào)控制優(yōu)化問(wèn)題，基于統(tǒng)計(jì)學(xué)的交通信號(hào)控制，如定時(shí)控制等[2-3]；基于模型的交通信號(hào)控制，如Webster[4]、GreenWave[5]、Maxpressure[6]以及各種配時(shí)優(yōu)化算法如群智能算法[7-8]、遺傳算法[9-10]、模糊控制[11-12]、強(qiáng)化學(xué)習(xí)[13-14]等。目前存在的主要問(wèn)題有交通信息獲取不準(zhǔn)確不全面、車(chē)輛與智能控制終端交互性不強(qiáng)、區(qū)域協(xié)調(diào)控制能力弱、技術(shù)或算法單一等，需從完善系統(tǒng)頂層設(shè)計(jì)入手進(jìn)行優(yōu)化[15]。數(shù)據(jù)采集是智能交通控制系統(tǒng)的基礎(chǔ)環(huán)節(jié)，從固定式無(wú)標(biāo)識(shí)數(shù)據(jù)，到移動(dòng)檢測(cè)數(shù)據(jù)，再到固定式有標(biāo)識(shí)數(shù)據(jù)不斷發(fā)展[16-17]。目前智能交通數(shù)據(jù)采集主要依賴(lài)于車(chē)道上的各種傳感器和車(chē)輛抓拍系統(tǒng)進(jìn)行單向采集 [18]。車(chē)輛識(shí)別、檢測(cè)[19-22]和分類(lèi)[22]作為道路監(jiān)控視頻中的關(guān)鍵目標(biāo)，已引起廣泛關(guān)注。隨著計(jì)算機(jī)視覺(jué)技術(shù)發(fā)展，道路交通信息采集呈現(xiàn)高效化、智能化的特點(diǎn)；同時(shí)，北斗衛(wèi)星的成功在軌運(yùn)行使得車(chē)輛智能識(shí)別的精度達(dá)到了車(chē)道級(jí)別。本文利用視覺(jué)識(shí)別技術(shù)對(duì)車(chē)輛進(jìn)行識(shí)別，實(shí)現(xiàn)目標(biāo)區(qū)域內(nèi)的交通流量信息的預(yù)測(cè)，形成具備車(chē)輛運(yùn)行信息采集、流量預(yù)測(cè)、交通智能調(diào)節(jié)控制等功能的智能交通控制系統(tǒng)。仿真試驗(yàn)表明，智能交通控制基礎(chǔ)設(shè)施及用戶(hù)導(dǎo)航服務(wù)終端均能做出響應(yīng)，系統(tǒng)的實(shí)時(shí)性和交互性良好；驗(yàn)證了解決方案的可行性和有效性。

1關(guān)鍵技術(shù)

1.1YOLOv5車(chē)輛識(shí)別技術(shù)

現(xiàn)階段基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法主要有2類(lèi)，一類(lèi)是二階段的RCNN[23]、Faster RCNN [24]等，另一類(lèi)是一階段的YOLO [25]、SSD [26]系列。其中由Ultralytics LLC公司發(fā)布的YOLOv5[27-28]相比于YOLOv4 [29]、Faster RCNN等算法，具有檢測(cè)推理速度快、訓(xùn)練時(shí)間短、檢測(cè)平均精度損失小等優(yōu)點(diǎn)[30]。在交通目標(biāo)檢測(cè)領(lǐng)域得到了廣泛應(yīng)用，常用于車(chē)輛、行人、交通標(biāo)志等識(shí)別[20-30，34]。YOLOv5的檢測(cè)流程由識(shí)別模塊的網(wǎng)絡(luò)架構(gòu)決定，網(wǎng)絡(luò)架構(gòu)如圖1所示，包括檢測(cè)源輸入端、基準(zhǔn)網(wǎng)絡(luò)（Backbone）、Neck網(wǎng)絡(luò)和最終輸出。

1）檢測(cè)源輸入端。對(duì)輸入源的文件進(jìn)行預(yù)處理，在有限的數(shù)據(jù)集中增大識(shí)別目標(biāo)的特征數(shù)據(jù)，如對(duì)圖片尺寸按照規(guī)定目標(biāo)放大或縮小，利用擴(kuò)展縮放、透視變換、仿射變換等Mosaic數(shù)據(jù)增強(qiáng)操作以及歸一化等方式提取特征數(shù)據(jù)。

2）基準(zhǔn)網(wǎng)絡(luò)（Backbone）。對(duì)數(shù)據(jù)集進(jìn)行融合計(jì)算，提取圖像的特征，在不同輸入文件的不同細(xì)粒度上聚合形成不同的具有圖像特征的卷積神經(jīng)網(wǎng)絡(luò)，常用Focus結(jié)構(gòu)和CSP結(jié)構(gòu)。Focus結(jié)構(gòu)（圖2）對(duì)輸入圖片的錯(cuò)位像素進(jìn)行裁切，拆分為具有4組對(duì)應(yīng)關(guān)系的多通道圖片，獲得了原圖片4倍的通道。按照像素位置關(guān)系對(duì)拆分后的圖片進(jìn)行拼接分類(lèi)，得到12個(gè)通道的特征圖片，對(duì)新的圖片進(jìn)行卷積操作，獲得沒(méi)有丟失特征信息的兩倍下采樣特征圖。CSP結(jié)構(gòu)（圖3）是可以增強(qiáng)學(xué)習(xí)能力的算法，通過(guò)減少算法中的重復(fù)梯度信息，識(shí)別準(zhǔn)確性提高了22%，運(yùn)算速度降低了19%，減少計(jì)算量的同時(shí)不影響整體計(jì)算的準(zhǔn)確度 [35]。

3）Neck網(wǎng)絡(luò)。混合和組合圖像特征并傳遞到預(yù)測(cè)層。

4）輸出端。結(jié)合模型對(duì)比圖像的特征點(diǎn)，繪制物體錨框并預(yù)測(cè)框選物體類(lèi)別。圖4為不同照明環(huán)境下YOLOv5s的識(shí)別結(jié)果。在日夜不同環(huán)境光線(xiàn)的識(shí)別中，不同點(diǎn)光源對(duì)攝像頭的干擾導(dǎo)致日間的識(shí)別準(zhǔn)確率要略高于夜間，因此對(duì)攝像頭鏡頭做防眩目處理或者對(duì)所采集的圖像信息進(jìn)行降低高亮區(qū)域范圍等預(yù)處理后再進(jìn)行計(jì)算。

1.2北斗定位技術(shù)

北斗衛(wèi)星導(dǎo)航系統(tǒng)（Beidou Navigation Satellite System， BDS）采用亞米級(jí)高精準(zhǔn)定位技術(shù)，定位精度由5 m ～10 m的道路級(jí)別進(jìn)化到亞米的車(chē)道級(jí)別，測(cè)速精度達(dá)到0.2 m/s，能在復(fù)雜的道路環(huán)境中精準(zhǔn)掌握車(chē)輛行駛信息。單一的全球?qū)Ш叫l(wèi)星系統(tǒng)（Global Navigation Satellite System， GNSS）存在定位精度不高、信號(hào)易受干擾等問(wèn)題，5G通訊技術(shù)與BDS相結(jié)合能彌補(bǔ)傳統(tǒng)導(dǎo)航系統(tǒng)定位精度的不足[36-37]。

2智能交通控制系統(tǒng)

智能交通控制系統(tǒng)由數(shù)據(jù)采集模塊、數(shù)據(jù)傳輸模塊、數(shù)據(jù)分析模塊、數(shù)據(jù)執(zhí)行模塊5部分組成，如圖5所示。系統(tǒng)運(yùn)作流程如圖6所示，包括車(chē)機(jī)或手機(jī)、北斗衛(wèi)星、視頻采集設(shè)備、智能控制終端、智能交通控制基礎(chǔ)設(shè)施5類(lèi)硬件設(shè)施。智能控制終端是智能交通控制系統(tǒng)的“中樞”，通過(guò)手機(jī)或車(chē)機(jī)用戶(hù)端向智能控制終端發(fā)送未來(lái)短期的預(yù)測(cè)出行信息。北斗衛(wèi)星采集車(chē)輛實(shí)時(shí)位置數(shù)據(jù)發(fā)送至智能控制終端，實(shí)現(xiàn)定位功能；視頻采集設(shè)備采用YOLOv5車(chē)輛識(shí)別技術(shù)獲取路口車(chē)流量信息并發(fā)送至智能控制終端，智能控制終端匯總數(shù)據(jù)，整合各道路時(shí)空數(shù)據(jù)信息預(yù)測(cè)對(duì)應(yīng)路網(wǎng)區(qū)域的擁堵程度。智能信號(hào)燈、智能潮汐車(chē)道等智能交通控制基礎(chǔ)設(shè)施響應(yīng)智能控制終端處理信息。智能交通控制系統(tǒng)基于數(shù)據(jù)驅(qū)動(dòng)，完成道路交通運(yùn)行數(shù)據(jù)的采集、傳輸、分析、執(zhí)行等完整流程；基于YOLOv5車(chē)輛識(shí)別技術(shù)的外部視頻采集與基于北斗定位技術(shù)的車(chē)輛自主發(fā)送相結(jié)合，加強(qiáng)了數(shù)據(jù)采集，保證數(shù)據(jù)采集的穩(wěn)定性和準(zhǔn)確性，為智能交通控制和出行路徑?jīng)Q策提供實(shí)時(shí)準(zhǔn)確的數(shù)據(jù)支撐。

2.1數(shù)據(jù)采集模塊

數(shù)據(jù)采集模塊包括車(chē)機(jī)或用戶(hù)手機(jī)和視頻采集設(shè)備。其中，車(chē)機(jī)或手機(jī)須安裝基于北斗定位的導(dǎo)航APP，具有5G通信功能；視頻采集設(shè)備集成YOLOv5車(chē)輛識(shí)別模塊的攝像頭，一般安裝于道路上方桁架。數(shù)據(jù)采集以YOLOv5技術(shù)為主，北斗定位技術(shù)為輔。其中，YOLOv5車(chē)輛識(shí)別模塊用于監(jiān)控識(shí)別路段或交叉口的流量、車(chē)速等車(chē)輛信息，北斗定位技術(shù)采集車(chē)輛的速度及行駛方向數(shù)據(jù)信息，通過(guò)亞米級(jí)精度的定位可識(shí)別車(chē)輛所在車(chē)道信息。二者所提供的信息相互融合、互為補(bǔ)充，可保障數(shù)據(jù)的完整性、準(zhǔn)確性、及時(shí)性。

2.2數(shù)據(jù)傳輸模塊

數(shù)據(jù)傳輸模塊可以實(shí)現(xiàn)車(chē)機(jī)或用戶(hù)手機(jī)、視頻采集設(shè)備與智能控制終端間，智能控制終端與智能交通控制設(shè)施（智能信號(hào)燈、智能潮汐車(chē)道標(biāo)識(shí)等）間的信息傳輸。采用無(wú)線(xiàn)數(shù)據(jù)傳輸技術(shù)和數(shù)據(jù)壓縮技術(shù)能提高數(shù)據(jù)傳輸速度和穩(wěn)定性。針對(duì)大型城市智能交通控制系統(tǒng)中巨大的數(shù)據(jù)量（包括視頻數(shù)據(jù)、北斗定位數(shù)據(jù)等）以及實(shí)時(shí)傳輸要求所帶來(lái)的網(wǎng)絡(luò)負(fù)載問(wèn)題，系統(tǒng)各模塊分別負(fù)責(zé)其相應(yīng)的處理項(xiàng)目，數(shù)據(jù)統(tǒng)一匯總的分布式架構(gòu)解決方案。從數(shù)據(jù)分析處理階段到數(shù)據(jù)執(zhí)行階段，數(shù)據(jù)傳輸模塊為智能控制終端根據(jù)現(xiàn)狀和預(yù)測(cè)交通運(yùn)行情況做出決策，向智能交通控制設(shè)施發(fā)出指令，同時(shí)向使用者發(fā)送路徑規(guī)劃建議。

2.3數(shù)據(jù)分析處理模塊

數(shù)據(jù)分析由智能控制終端完成數(shù)據(jù)清洗、關(guān)聯(lián)分析、聚類(lèi)分析，利用脫敏處理后的路口流量數(shù)據(jù)預(yù)測(cè)每天每個(gè)時(shí)段的各路口流量，結(jié)合相鄰路口匯入的流量信息進(jìn)行修正，提高對(duì)道路交通流量的預(yù)測(cè)準(zhǔn)確度。

通過(guò)負(fù)載均衡、緩存機(jī)制、高性能硬件和并行計(jì)算、優(yōu)化算法和模型等手段解決智能交通控制系統(tǒng)中數(shù)據(jù)量巨大及實(shí)時(shí)處理要求的高計(jì)算負(fù)載問(wèn)題，提高系統(tǒng)的數(shù)據(jù)處理能力和計(jì)算效率，實(shí)現(xiàn)數(shù)據(jù)的高效處理和實(shí)時(shí)響應(yīng)。

2.4數(shù)據(jù)執(zhí)行模塊

數(shù)據(jù)執(zhí)行模塊硬件設(shè)施包括車(chē)機(jī)或用戶(hù)手機(jī)、智能控制終端、智能交通控制設(shè)施，實(shí)現(xiàn)智能交通控制調(diào)節(jié)，為用戶(hù)端提供路線(xiàn)規(guī)劃建議等，如優(yōu)化調(diào)整潮汐車(chē)道、調(diào)整信控方案、接收-調(diào)整-下放用戶(hù)導(dǎo)航方案、交通信息公告（如交通廣播電臺(tái)、道路交通情況實(shí)時(shí)顯示屏等）。

3方案實(shí)施

3.1實(shí)施路徑

智能交通控制系統(tǒng)通過(guò)啟用安裝有北斗定位芯片的5G車(chē)機(jī)設(shè)備或使用相關(guān)地圖導(dǎo)航APP進(jìn)行路徑導(dǎo)航實(shí)現(xiàn)，車(chē)輛行駛的路徑數(shù)據(jù)以及實(shí)時(shí)車(chē)速等數(shù)據(jù)通過(guò)5G網(wǎng)絡(luò)上傳至智能交通控制系統(tǒng)。智能控制終端結(jié)合車(chē)輛信息及道路上安裝的視頻采集設(shè)備識(shí)別采集到道路交通信息進(jìn)行數(shù)據(jù)處理，獲得預(yù)測(cè)結(jié)果，對(duì)各路段的智能交通基礎(chǔ)設(shè)施（如信號(hào)配時(shí)）做出實(shí)時(shí)調(diào)整。圖7為基于車(chē)輛識(shí)別和北斗定位的智能交通控制實(shí)時(shí)道路仿真情況。

3.2解決方案實(shí)現(xiàn)

各路口均有一定的變道緩沖區(qū)及智能潮汐車(chē)道，當(dāng)檢測(cè)到某路段或路口某方向交通壓力顯著增大時(shí)，可以根據(jù)用戶(hù)導(dǎo)航數(shù)據(jù)，潮汐車(chē)道和信控配時(shí)，如圖8。每一個(gè)路口的道路通行方案均可根據(jù)實(shí)時(shí)的路網(wǎng)狀況進(jìn)行實(shí)施調(diào)控，不同的車(chē)道均可利用可變潮汐車(chē)道以及可變信號(hào)燈進(jìn)而改變其通行類(lèi)型，以便緩解道路通行壓力，如圖9。

當(dāng)圖8中檢測(cè)到1號(hào)路口由西向東方向的交通壓力過(guò)大，導(dǎo)航數(shù)據(jù)顯示其中有大量車(chē)輛需要前往3號(hào)路口，用戶(hù)可以選擇1-2-3或1-4-3兩種方案，為緩解1-4方向壓力，并規(guī)避可預(yù)見(jiàn)的交通擁堵，智能控制終端發(fā)出指令：（1）將1號(hào)路口的智能潮汐車(chē)道由直行轉(zhuǎn)換為右轉(zhuǎn)，減小1-4方向車(chē)流量；（2）提前延長(zhǎng)2號(hào)路口的信號(hào)周期，放行2號(hào)路口由北向南車(chē)流，預(yù)留出足夠的空間，避免出現(xiàn)1-2方向排隊(duì)溢出、延誤增加等不良狀況；（3）將1-2-3方案通過(guò)導(dǎo)航軟件反饋給需要前往3號(hào)路口的用戶(hù)；（4）通過(guò)導(dǎo)航軟件將其他路徑替代方案反饋給不需要前往3號(hào)路口但當(dāng)前規(guī)劃路徑途徑1-2-3的用戶(hù)。

該解決方案用于更大區(qū)域交通協(xié)調(diào)控制，實(shí)現(xiàn)提前對(duì)不同路網(wǎng)區(qū)塊的道路流量進(jìn)行梳理，有效提高該區(qū)域在高峰時(shí)段內(nèi)相同目的地車(chē)輛的通過(guò)效率。例如，早高峰期間，大型辦公寫(xiě)字樓區(qū)域?qū)⑽罅寇?chē)輛前往，可以提前對(duì)車(chē)流進(jìn)行引導(dǎo)，使需要前往同區(qū)域的一批車(chē)輛匯聚于推薦路線(xiàn)，以便于在推薦路線(xiàn)上實(shí)施綠波帶控制、潮汐車(chē)道調(diào)整等措施，提升車(chē)輛的通行效率，還可根據(jù)具體需求減少路網(wǎng)中緊急車(chē)輛（消防車(chē)輛、急救車(chē)輛等需要疾行的車(chē)輛）的通行時(shí)間。

3.3仿真結(jié)果

在TESSNG軟件上進(jìn)行了仿真試驗(yàn)驗(yàn)證上述方案的可行性和有效性，模擬設(shè)置帶右轉(zhuǎn)渠化車(chē)道的丁字路口、十字路口兩種常見(jiàn)道路模型。丁字路口模型和增添智能潮汐車(chē)道等方案后得到路網(wǎng)示意圖分別如圖10和圖11所示，路口車(chē)道行車(chē)信息及車(chē)道規(guī)劃均按照實(shí)際情況進(jìn)行部署。

采集該路網(wǎng)區(qū)塊在某一時(shí)段的車(chē)流量數(shù)據(jù)信息并導(dǎo)入至仿真軟件，分別采用“不輸入/輸入”城市擁堵解決方案，得到路網(wǎng)通行仿真結(jié)果，見(jiàn)表1，實(shí)際人工操控情況見(jiàn)表2?？芍捎媒鉀Q方案后各項(xiàng)指標(biāo)均有所改善，其中，平均停車(chē)延誤降低了17.5%，總行駛時(shí)間降低了30%，說(shuō)明該方案能夠緩解交通路口擁堵。

如圖12十字路口組成的交通區(qū)塊，按照單十字路口模型（圖13）的情況分析，按照實(shí)際情況采集路口車(chē)道行車(chē)信息及車(chē)道規(guī)劃部署。將采集路網(wǎng)4個(gè)不同區(qū)塊同一時(shí)段的車(chē)流量數(shù)據(jù)信息及實(shí)際道路的紅綠燈組信息導(dǎo)入至仿真軟件，分別設(shè)置“不輸入/輸入”城市擁堵解決方案。對(duì)比仿真結(jié)果，優(yōu)化前后結(jié)果和實(shí)際人工操控情況分別見(jiàn)表3、表4。

仿真結(jié)果表明，采用優(yōu)化解決方案后，各項(xiàng)指標(biāo)均有所改善，平均停車(chē)延誤分別降低了9.0%、6.0%，總行駛時(shí)間降低了4.5%、6.3%，該方案能夠緩解交通區(qū)塊交通擁堵。

4結(jié)論

基于數(shù)據(jù)驅(qū)動(dòng)，本文提出了一種實(shí)現(xiàn)車(chē)輛與智能交通基礎(chǔ)設(shè)施之間信息交互的智能交通控制系統(tǒng)，實(shí)現(xiàn)了道路交通運(yùn)行數(shù)據(jù)的采集、傳輸、分析、執(zhí)行全過(guò)程；數(shù)據(jù)采集模塊結(jié)合了YOLOv5車(chē)輛識(shí)別技術(shù)和北斗衛(wèi)星定位技術(shù)，互為補(bǔ)充，全面獲取車(chē)輛的起訖點(diǎn)、行駛方位、車(chē)道、平均時(shí)速、路口的駛?cè)腭偝鰰r(shí)間等信息，有效保障數(shù)據(jù)的完整性、準(zhǔn)確性、及時(shí)性；決策結(jié)果與各類(lèi)智能交通控制基礎(chǔ)設(shè)施及用戶(hù)導(dǎo)航服務(wù)終端進(jìn)行互動(dòng)。仿真試驗(yàn)結(jié)果表明，采用該解決方案后，平均停車(chē)延誤分別降低了15.1%、12.5%，平均車(chē)速分別提高了6.1%、4.2%。目前對(duì)于數(shù)據(jù)采集模塊所涉及的基于北斗導(dǎo)航與5G的智能車(chē)機(jī)和導(dǎo)航APP只進(jìn)行了宏觀(guān)分析和初步研究，缺少相應(yīng)設(shè)備搭建和運(yùn)行試驗(yàn)；車(chē)流量數(shù)據(jù)的復(fù)雜性、多樣性相對(duì)于道路交通實(shí)際情況仍有差距，對(duì)于智能交通控制方案的實(shí)施，需要采用更多實(shí)際數(shù)據(jù)來(lái)展開(kāi)研究，以適應(yīng)更復(fù)雜的實(shí)際交通環(huán)境。

參考文獻(xiàn)

［1］中共中央、國(guó)務(wù)院. 交通強(qiáng)國(guó)建設(shè)綱要， 2019， [EB/OL]. [2024-03-27]. https： ∥www.gov. cn/gongbao/content/2019/content_5437132. html.

[2]LI D W， WU J P ， XU M ， et al. Adaptive traffic signal control model on intersections based on deep reinforcement learning[J]. Journal of Advanced Transportation， 2020（4）： 1-14.

[3]VARAIYA P. The maxpressure controller for arbitrary networks of signalized intersections[M]. Springer： Advances in Dynamic Network Modeling in Complex Transportation Systems， 2013.

[4]ALI M E M， DURDU A， CELTEK S A， et al. An adaptive method for traffic signal control based on fuzzy logic with webster and modified webster formula using SUMO traffic simulator[J]. IEEE Access， 2021， 9： 102985-102997.

[5]SHI Y J， LI J J， HAN Q M， et al. A coordination algorithm for signalized multiintersection to maximize green wave band in V2X network[J]. IEEE Access， 2020， 8： 213706-213717.

[6]REN F Y ， WEI D ， ZHAO X D， et al. Twolayer coordinated reinforcement learning for traffic signal control in traffic network[J]. Expert Systems with Applications， 2024， 235： 121111.

[7]吳嘯宇， 李慧慧， 林娟娟， 等. 基于人工魚(yú)群算法的交通信號(hào)燈配時(shí)優(yōu)化模型[J]. 南京理工大學(xué)學(xué)報(bào)， 2022， 46（1）： 40-47.

[8]李然， 郭謹(jǐn)瑋， 黃曉延， 等. 基于多目標(biāo)粒子群算法的智慧城市信號(hào)燈配時(shí)優(yōu)化控制[J]. 中國(guó)汽車(chē)， 2023（3）： 6. 41-46.

[9]李巖， 過(guò)秀成， 陶思然， 等. 基于NSGAⅡ算法的過(guò)飽和狀態(tài)交叉口群交通信號(hào)配時(shí)優(yōu)化[J]. 東南大學(xué)學(xué)報(bào)（英文版）， 2013， 29（2）： 211-216.

[10]牟亮， 趙紅， 李燕， 等. 基于改進(jìn)NSGAⅡ的區(qū)域交通信號(hào)優(yōu)化控制[J]. 復(fù)雜系統(tǒng)與復(fù)雜性科學(xué)， 2021， 18（3）： 80-87.

[11]陶超， 李超， 趙騫， 等. 基于模糊控制的城市單交叉口信號(hào)燈配時(shí)優(yōu)化[J]. 湖州師范學(xué)院學(xué)報(bào)， 2016， 38（2）： 19-23.

[12]劉佳佳， 左興權(quán). 交叉口交通信號(hào)燈的模糊控制及優(yōu)化研究[J]. 系統(tǒng)仿真學(xué)報(bào)， 2020， 32（12）： 2401-2408.

[13]YAZDANI M ， SARVI M ， BAGLOEE S A ， et al. Intelligent vehicle pedestrian light （IVPL）： A deep reinforcement learning approach for traffic signal control[J]. Transportation Research， Part C. Emerging technologies， 2023： 103991.

[14]于澤， 寧念文， 鄭燕柳， 等. 深度強(qiáng)化學(xué)習(xí)驅(qū)動(dòng)的智能交通信號(hào)控制策略綜述[J]. 計(jì)算機(jī)科學(xué)， 2023， 50（4）： 159-171.

[15]非麗瓊. 城市交通信號(hào)系統(tǒng)現(xiàn)狀及優(yōu)化策略[J]. 運(yùn)輸經(jīng)理世界， 2023（25）： 76-78.

[16]張立立， 王力， 張玲玉. 城市道路交通控制概述與展望[J]. 科學(xué)技術(shù)與工程， 2020， 20（16）： 6322-6329.

[17]王殿海， 蔡正義， 曾佳棋， 等. 城市交通控制中的數(shù)據(jù)采集研究綜述[J]. 交通運(yùn)輸系統(tǒng)工程與信息， 2020， 20（3）： 95-1L8VA7bCfGlOOOqneP+YdWxPlmf16Tn1Wb4AMvroJBXc=02.

[18]趙祥模， 馬萬(wàn)經(jīng)， 俞春輝， 等. 道路交通控制系統(tǒng)發(fā)展與趨勢(shì)展望[J]. 前瞻科技， 2023， 2（3）： 58-66.

[19]SHARMA P， SINGH A， SINGH KK， et al. Vehicle identification using modified region based convolution network for intelligent transportation system[J]. Multimedia Tools and Applications， 2022， 81： 34893-34917.

[20]梁華剛， 黃偉浩， 薄穎， 等. 基于多特征融合的隧道場(chǎng)景車(chē)輛再識(shí)別[J]. 中國(guó)公路學(xué)報(bào)， 2023， 36（8）： 280-291.

[21]HUA J， SHI Y， XIE C J， et al. Pedestrianand vehicledetection algorithm based on improved agEOYANaPEwcW3HF6cIdh0lw0xBNVgF6Qu/N/cm8IcVq8=gregated channel features[J]. IEEE Access， 2021， 9： 25885-25897.

[22]WON M. Intelligent traffic monitoring systems for vehicle classification： A survey[J]. IEEE Access， 2020， 8： 73340-73358.

[23]GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]∥27th IEEE Conference on Computer Vision and Pattern Recognition. New York， 2014： 580-587.

[24]REN S Q， HE K M， GIRSHICK R， et al. Faster RCNN： Towards realtime object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39 （6）： 1137-1149.

[25]REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： Unified， realtime object detection [C]∥29th IEEE Conference on Computer Vision and Pattern Recognition. Piscataway， 2016： 779-788.

[26]LIU W， ANGUELOV D， ERHAN D， et al. SSD： single shotMultiBox detector [C]∥14th European Conference on Computer Vision. Cham， 2016： 21-37.

[27]ZHAO Z Y， YANG XX， ZHOU Y C H， et al. Realtime detection of particleboard surface defects based on improved YOLOV5 target detection[J]. Scientific Reports， 2021， 11（1）： 1-15.

[28]FANG Y M， GUO XX， CHEN K， et al. Accurate and automated detection of surface knots on sawn timbers using YOLOV5 model[J]. BioResources， 2021， 16（3）： 5390-5406.

[29]吳軍， 石改琴， 盧帥員， 等. 采用無(wú)人機(jī)視覺(jué)的飛機(jī)蒙皮損傷智能檢測(cè)方法[J]. 中國(guó)測(cè)試， 2021， 47（11）： 119-126.

[30]張青春， 吳崢， 周玲， 等. 基于改進(jìn)YOLOv5的車(chē)輛與行人目標(biāo)識(shí)別方法[J]. 中國(guó)測(cè)試，2023， 49（7）： 82-88.

[31]王清芳， 胡傳平， 李靜. 面向交通場(chǎng)景的輕量級(jí)行人檢測(cè)算法[J]. 鄭州大學(xué)學(xué)報(bào)（理學(xué)版）， 2024， 56（7）： 48-55.

[32]李孟歆， 李易營(yíng)， 李松昂. 一種改進(jìn)的YOLOv5小目標(biāo)交通標(biāo)志檢測(cè)方法[J]. 計(jì)算機(jī)仿真， 2023， 40（10）： 152-156，161.

[33]賈子豪， 王文青， 劉光燦. 改進(jìn)YOLOv5的輕量化交通標(biāo)志檢測(cè)算法[J]. 數(shù)據(jù)采集與處理， 2023， 38（6）： 1434-1444.

[34]楊祥， 王華彬， 董明剛. 改進(jìn)YOLOv5的交通標(biāo)志檢測(cè)算法[J]. 計(jì)算機(jī)工程與應(yīng)用， 2023， 59（13）： 194-204. 1002-8331. 2302-0319.

[35]WANG C Y， LIAO H Y M， WU Y H， et al. CSPNet： A new backbone that can enhance learning capability of CNN[C]∥2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR） Workshops. Long Beach， 2020： 1571-1580.

[36]熊超， 劉宗毅， 盧傳芳， 等. 國(guó)外衛(wèi)星導(dǎo)航系統(tǒng)發(fā)展現(xiàn)狀與趨勢(shì)[J]. 導(dǎo)航定位學(xué)報(bào)， 2021， 9（3）： 13-19.

[37]趙鵬， 厲芳婷， 張亮， 等. 5G條件下北斗高精度導(dǎo)航定位技術(shù)與應(yīng)用[J]. 測(cè)繪地理信息， 2024， 49（1）： 88-90.

Urban Congestion Solution Based on YOLOv5 Vehicle Recognition and Beidou Positioning

JIANG Quan1， LI Xiaoxuan2， CHEN Xiaoyu3

（1. Shaanxi Transportation Vocational and Technical College，Shaanxi Xi′an 710018， China;

2. Hangzhou City Planning and Design Academy， Zhejiang Hangzhou 310012， China；

3. Xinjiang Zhongtong Bus Co.， Ltd， Xinjiang Urumqi 830063， China）

Abstract：

In order to effectively alleviate urban traffic congestion， a solution for urban congestion was constructed based on YOLOv5 vehicle identification and Beidou positioning， integrating functions such as vehicle operation information collection， traffic flow prediction， and intelligent traffic control. The YOLOv5 vehicle recognition technology collected traffic operation characteristic data such as traffic flow and vehicle speed， combined with the vehicle operation characteristic data collected by Beidou positioning， to provide data support for intelligent traffic control decisionmaking and user route planning; the intelligent control terminal analyzed and processed the collected data to predict road traffic flow; the data transmission module completed the collection input uploaded to the intelligent control terminal， and the prediction results output to the intelligent traffic control facilities， regulating tidal lanes to achieve intelligent signal control; at the same time， it provided feedback on road congestion conditions to users and offered route selection suggestions. The simulation operation results showed that， with respect to two different cases， the present method reduced the average stop delay by 9.0% 、6.0% respectively， and the total travel time by 4.5%，、6.3% respectively， indicating that the solution could alleviate traffic congestion.

Keywords： YOLOv5; vehicle identification; Beidou positioning; urban congestion; intelligent traffic control system

收稿日期： 2024-04-15； 修回日期： 2024-07-30

基金項(xiàng)目： 國(guó)家職業(yè)教育教師教學(xué)創(chuàng)新團(tuán)隊(duì)課題資助項(xiàng)目（YB2021090101）

第一作者： 江泉（1986-），男，副教授，主要研究方向?yàn)橹悄芷?chē)和智能交通。Email： 305387420@qq.com