[发明专利]基于深度学习的行人流量动态控制系统及方法

权利要求书

1.基于深度学习的行人流量动态控制系统，包括LSTM模型、目标检测模型、决策模型以及控制方法，其特征在于，所述LSTM模型、目标检测模型分别与决策模型数据传输连接；所述LSTM模型包括遗忘门、输入门、状态存储单元、输出门，且遗忘门、输入门、状态存储单元、输出门依次处理并传输数据；所述LSTM模型、目标检测模型与数据输入组件并联传输连接；所述决策模型汇总连接LSTM模型、目标检测模型；所述决策模型与信号输出组件数据传输连接，且信号输出组件与信号灯电性连接；所述控制方法包括如下步骤：

步骤1：将本系统设置地域的历史数据采用LSTM模型进行分析；

步骤2：选取调整时间段T，设置流量阈值为r，期望控制流速V；

步骤3：通过LSTM模型预测该时间段得到流量结果m；通过目标检测模型得到实时人流n；

步骤4：判断当满足|nt-m|r时，开始进行切换时间计算；当不满足切换条件，则按固定时间间隔重复步骤1至步骤2的操作；

步骤5：输入期望流速v；判断nt与m的大小关系，根据信号频率与调整时间关系公式，分别计算出通行时间；

步骤6：通过给定的信号调整次数α，根据s＝t/α计算出每次信号调整的单位时间长度，并在T时段内均匀设置信号切换时间；t为标准单位时段长。

2.根据权利要求1所述的基于深度学习的行人流量动态控制系统，其方法在于，目标检测算法模型采用基于在MobileNet和SSD的基础上改进的MobileNet-SSD模型。

3.根据权利要求1所述的基于深度学习的行人流量动态控制系统，其特征在于，所述遗忘门从细胞状态中丢弃掉无用信息数据：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)；

所述输入门在单元状态中存储有效的新信息数据：

i_t＝σ(W_i·[h_t-1，x_t]+b_i)；

所述状态存储单元将过去与现在记录的信息数据进行合并：

所述输出门选择要输出的结果：

O_t＝σ(W_o[h_t-1，x_t]+b_o)；

σ表示sigmoid激活函数函数，*表示元素对应相乘；x_t，h_t-1，C_t-1为t时刻的输入值，W_i，W_f，W_q，W_o分别为权值矩阵，b_i，b_f，b_q，b_o分别为偏值；i_t为输入门，用来控制当前输入的信息哪些要存储到当前时刻的细胞状态里，哪些信息需要被过滤掉；f_t为忘记门，控制上一时刻记忆细胞存储的信息哪些需要被忘记；o_t为输出门，用来控制当前隐藏层信息是否需要输出；C_t为记忆单元，h_t为隐藏状态。

4.根据权利要求1所述的基于深度学习的行人流量动态控制系统，其方法于，根据所述步骤3中预测行人流量结果m，其所需信号通过时间为t1＝m/v；根据目标检测得到实时人流量n，所需信号通过时间为t2；在步骤4中，当nt＞m，则总时间长度为t＝t1-t2。

5.根据权利要求1所述的基于深度学习的行人流量动态控制系统，其方法在于，所述步骤5中的信号频率与调整时间关系公式为：

t＝α·t1±β·t2

其中t为标准单位时段长，t1为预测通行时长，t2为实际通行时长，定义α、β为两个调节因子；调节因子即为权重系数，通过这两个权重系数来调节预测数据和实施路况对结果造成的影响的比重。