名称：基于车流量动态控制信号灯的方法及系统
专利人：202510459492.9
专利号： 杨绍辉
技术领域
本发明属于交通管理领域，特别是涉及一种基于车流量动态控制信号灯的方法及系统。
背景技术
随着城市化进程的加速和机动车保有量的持续增长，城市交通拥堵问题日益严重。现有交通信号灯控制方法主要依赖于固定配时方案，这些方案通常基于历史交通流量数据预先设定，无法适应实时车流量变化，导致辅路车辆在车流量较低时等待时间过长，而主路车辆则可能出现绿灯空放现象，降低了交通资源的利用效率。此外，现有方法在信号灯相位冲突检测、多源数据融合与车流预测、以及调控效果评估等方面存在不足，难以实现智能化的动态调整。
发明内容
基于此，有必要提供一种能够解决上述问题的基于车流量动态控制信号灯的方法及系统。
第一方面，本申请提供了一种基于车流量动态控制信号灯的方法，包括：
通过感知设备获取辅路实时车流状态数据；
基于辅路实时车流状态数据，利用动态权重评估模型计算判断辅路车流量是否低于预设阈值；
若辅路车流量低于预设阈值，利用信号灯调控规则生成配时调控方案；
基于配时调整方案，生成对应信号灯的调控指令。
在其中一个实施例中，利用信号灯调控规则生成配时调控方案，包括：
根据预设调整机制，将辅路车流量状态划分为不同分级状态；
根据分级状态生成信号灯调控规则；
结合辅路车流量状态数据和信号灯调控规则，利用时空资源动态分配算法生成配时调控方案。
在其中一个实施例中，时空资源动态分配算法，通过以下步骤构建：
使用以下公式构建强化学习决策函数：
其中，ΓRL(S(t))表示强化学习决策函数，α、β、γ和δ分别表示奖励函数权重系数，且α+β+γ+δ＝1，Qdelay表示总延误惩罚项，Qthroughput表示通行效率奖励项，Qidling表示绿灯空放惩罚项；
使用以下公式构建绿波带优化函数:
其中，ΓGW(om)表示绿波带优化函数，w1表示延误惩罚权重，w2表示惩罚权重，表示第k辆车在路口的停车次数，表示第k辆车的平均行驶速度，o表示相位差优化参数向量，o(0)表示初始相位差，λ表示相位差调整的平滑性约束因子；
使用以下公式构建时空资源动态分配算法模型：
τ＝Γalloc[Γfusion(Xt，Vt)，Γpredict(Ht)，ΓRL(S(t))，ΓGW(om)]
其中，τ表示最终信号灯配时方案，Γalloc表示全局资源分配函数，Γfusion表示时空特征融合函数，Γpredict表示滑动时间窗预测函数，ΓRL表示强化学习决策函数，ΓGW表示绿波带优化函数，Xt表示时空融合特征张量，Vt表示V2X车辆状态向量，Ht表示滑动时间窗历史数据矩阵，S(t)表示车流状态分级，om表示相位优化参数向量。
在其中一个实施例中，方法还包括：
获取多源交通信息，并融合生成交通状态特征向量，多源交通信息包括当前时间段的交通流量历史数据、天气条件和特殊事件信息；
根据交通状态特征向量，利用多模型融合预测模型计算得到车流预测信息；
根据车流预测信息动态调整信号灯调控规则。
在其中一个实施例中，方法还包括：
实时获取信号灯的运行状态信息；
根据运行状态信息，利用预设的信号灯相位冲突规则判断是否信号灯相位冲突；
若信号灯相位冲突，切换当前配时方案至预设安全配时方案，并生成冲突日志。
在其中一个实施例中，方法还包括：
获取信号灯调控后的车流状态数据，并对比车流状态的历史数据，得到调控效果数据；
基于调控效果数据，利用动态配时策略评估模型，生成效果反馈信息，效果反馈信息包含通行效率、等待时间、信号灯切换频次数据。
在其中一个实施例中，通过感知设备获取辅路实时车流状态数据，包括：
利用视频检测装置采集辅路视频数据；
利用深度学习模型提取视频数据中包含的车流量统计信息；
利用雷达传感器获取辅路车流辅助数据；
利用集成路侧单元获取联网车辆V2X数据；
基于车流量统计信息、联网车辆V2X数据和车流辅助数据，利用多源数据融合技术融合生成实时车流状态数据。
第二方面，本申请还提供了一种基于车流量动态控制信号灯的系统，包括：
车流感知模块，用于通过感知设备获取辅路实时车流状态数据；
数据分析模块，用于基于辅路实时车流状态数据，利用动态权重评估模型计算判断辅路车流量是否低于预设阈值；若辅路车流量低于预设阈值，利用信号灯调控规则生成配时调控方案；
信号控制模块，用于基于配时调整方案，生成对应信号灯的调控指令。
第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述一种基于车流量动态控制信号灯的方法步骤。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述一种基于车流量动态控制信号灯的方法步骤。
上述一种基于车流量动态控制信号灯的方法及系统，通过实时监测辅路车流量状态数据，利用动态权重评估模型智能判断车流量是否低于预设阈值，在辅路低流量时自动触发信号灯调控规则生成配时方案并执行调控指令，突破了传统固定配时方案的局限性，通过动态调整信号灯周期有效降低辅路车辆在低峰时段的无效等待时间，同时缓解主路绿灯空放现象，实现了交通信号资源与实时车流需求的精准匹配，显著提升路口整体通行效率并优化道路资源利用率。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种基于车流量动态控制信号灯的方法流程图；
图2为本发明的一种基于车流量动态控制信号灯的系统结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请的一种基于车流量动态控制信号灯的方法及系统，由包括视频检测装置、雷达传感器及V2X路侧单元的路侧感知设备、计算终端构成硬件架构。针对辅路车流量波动显著的路口，当感知设备实时采集辅路车辆密度、速度及V2X车辆轨迹数据后，通过5G/V2X通信网络传输至计算终端进行动态权重评估和时空资源分配算法处理，生成配时方案并同步至路口信号控制器执行。
在一个实施例中，如图1所示，提供了一种基于车流量动态控制信号灯的方法，本实施例以该方法应用于前述的计算终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
S101，通过感知设备获取辅路实时车流状态数据。
其中，感知设备可以包括视频检测装置、雷达传感器及V2X路侧单元。通过感知设备获取辅路实时车流状态数据，如利用视频检测装置对辅路进行拍摄，获取辅路的视频画面；利用雷达传感器测量车辆的速度、与传感器的距离等信息；利用路侧单元通过与联网车辆进行通信，获取车辆的位置、行驶方向、速度等V2X数据。车流状态数据，包含车辆的行驶状况、数量、速度等信息，为后续信号灯调控提供可靠的数据支持。
S102，基于辅路实时车流状态数据，利用动态权重评估模型计算判断辅路车流量是否低于预设阈值。
其中，利用动态权重评估模型，能够根据实时车流状态数据，对不同影响因素赋予动态变化的权重，进而综合评估车流量状况。例如，在工作日早晚高峰时段，时间因素对车流量的影响较大，模型相应提高时间因素的权重。将获取的辅路实时车流状态数据输入动态权重评估模型，可以计算得到车流量的综合评估值，反映当前辅路车流量的实际水平。将评估值与预设阈值进行比较，若评估值低于预设阈值，表明辅路车流量处于较低水平，意味着当前信号灯配时可能不合理，车辆等待时间过长，交通资源未充分利用。预设阈值是根据历史交通数据、道路通行能力、交通规划目标等因素预先设定的一个标准值。
S103，若辅路车流量低于预设阈值，利用信号灯调控规则生成配时调控方案。
其中，信号灯调控规则可以是根据历史车流量数据，综合考虑车辆通行效率和通行安全等因素设置，定义在哪种车流量下如何调控信号灯，能够减少延误、提高通行效率、降低绿灯空放，生成配时调控方案可以包含信号灯时间分配、相位差优化和动态调整策略等。可以在判断得出辅路车流量低于预设阈值的情况下，利用信号灯调控规则，结合具体的辅路车流量状态，生成配时调控方案，如在辅路车流量极低的情况下，配时调控方案中大幅缩短辅路信号灯的绿灯时长，甚至在主路车流量较大时，暂时关闭辅路信号灯，将更多的绿灯时间分配给主路，以提高整体道路的通行效率。
S104，基于配时调整方案，生成对应信号灯的调控指令。
其中，以配时调整方案为基础，将其中的时间参数等信息转化为信号灯能够识别和执行的控制信号。在路口信号灯控制系统中，会预先设定好与不同时长和切换逻辑相对应的信号编码规则。计算终端按照配时方案，将绿灯时长、红灯时长、黄灯时长等信息，按照编码规则生成一串特定的信号指令。如果配时方案要求某相位绿灯亮起30秒，计算终端就会根据规则生成一个表示绿灯持续30秒的信号指令。生成的调控指令通过通信网络传输至路口的信号控制器。通信网络可以是有线网络，如光纤、电缆等，也可以是无线网络，如5G、V2X等。信号控制器接收到指令后，会解析指令内容，并根据指令控制信号灯的实际动作。信号控制器按照指令，控制信号灯的灯泡点亮或熄灭，从而实现不同颜色信号灯按照配时方案进行切换，引导车辆有序通行，达到优化交通流量和提高道路通行效率的效果。
上述一种基于车流量动态控制信号灯的方法，通过感知设备获取辅路实时车流状态数据，利用动态权重评估模型对数据进行计算，判断辅路车流量是否低于阈值，若低于阈值，则根据信号灯调控规则，生成包含信号灯时间分配、相位差优化和动态调整策略的配时调控方案，并以该方案为基础，按照路口信号灯控制系统预设的编码规则，将其中时间参数等信息转化为控制信号，经有线或无线网络传输至信号控制器，由信号控制器解析指令并控制信号灯动作，实现信号灯按配时方案切换，从而引导车辆有序通行，提升交通通行效率、优化交通资源分配、增强交通系统可靠性和稳定性并适应复杂交通状况。
在其中一个实施例中，利用信号灯调控规则生成配时调控方案，包括：
S201，根据预设调整机制，将辅路车流量状态划分为不同分级状态；
S202，根据分级状态生成信号灯调控规则；
S203，结合辅路车流量状态数据和信号灯调控规则，利用时空资源动态分配算法生成配时调控方案。
具体而言，预设调整机制可以基于对大量历史交通数据的分析、道路的实际通行能力以及交通规划目标等因素制定，能够更细致地刻画辅路车流量的变化情况。例如，可将辅路车流量状态划分为低流量、较低流量、中等流量、较高流量和高流量等多个级别。划分依据可以是单位时间内通过辅路某一断面的车辆数量，或者是车辆的平均速度等指标。为后续制定针对性的信号灯调控规则提供基础。不同的分级状态对应着不同的交通状况，因此需要制定不同的信号灯调控规则。在辅路低流量状态下，为了避免辅路车辆长时间等待，可以缩短辅路绿灯时长，增加主路绿灯时间，提高主路的通行效率；在辅路高流量状态下，可以适当延长绿灯时长，保障辅路车辆的顺利通行。同时，还需考虑路口的交通安全性，确保不同方向车辆的通行不会产生冲突。时空资源动态分配算法综合考虑了时间和空间两个维度的交通资源分配。将辅路车流量状态数据和信号灯调控规则作为输入，可以通过构建强化学习决策函数、绿波带优化函数等多个函数来实现优化计算。强化学习决策函数会考虑总延误惩罚项、通行效率奖励项和绿灯空放惩罚项等因素；绿波带优化函数则致力于减少车辆在路口的停车次数，使车辆能以更顺畅的速度通过路口。通过配时调控方案，实现交通资源在时间和空间上的优化配置，提高整个路口的交通通行效率。
在其中一个实施例中，时空资源动态分配算法，通过以下步骤构建：
S301，使用以下公式构建强化学习决策函数：
其中，ΓRL(S(t))表示强化学习决策函数，α、β、γ和δ分别表示奖励函数权重系数，且α+β+γ+δ＝1，Qdelay表示总延误惩罚项，Qthroughput表示通行效率奖励项，Qidling表示绿灯空放惩罚项；
S302，使用以下公式构建绿波带优化函数:
其中，ΓGW(om)表示绿波带优化函数，w1表示延误惩罚权重，w2表示惩罚权重，表示第k辆车在路口的停车次数，表示第k辆车的平均行驶速度，o表示相位差优化参数向量，o(0)表示初始相位差，λ表示相位差调整的平滑性约束因子；
S303，使用以下公式构建时空资源动态分配算法模型：
τ＝Γalloc[Γfusion(Xt，Vt)，Γpredict(Ht)，ΓRL(S(t))，ΓGW(om)]
其中，τ表示最终信号灯配时方案，Γalloc表示全局资源分配函数，Γfusion表示时空特征融合函数，Γpredict表示滑动时间窗预测函数，ΓRL表示强化学习决策函数，ΓGW表示绿波带优化函数，Xt表示时空融合特征张量，Vt表示V2X车辆状态向量，Ht表示滑动时间窗历史数据矩阵，S(t)表示车流状态分级，om表示相位优化参数向量。
示例性地，总延误惩罚项Qdelay可以是所有车辆在路口的等待时间总和，反映交通拥堵程度；通行效率奖励项Qthroughput可以是单位时间内通过路口的车辆数，衡量通行能力；绿灯空放惩罚项Qidling可以是绿灯期间无车辆通行的时间占比，表征资源浪费；指数衰减项α·e-βQdelay可以表示延误越高，奖励值衰减越快，迫使算法优先减少延误；对数惩罚项-δln(1+Qidling)可以是对绿灯空放施加非线性惩罚，避免长时间空放。通过权重系数α+β+γ+δ＝1实现多目标权衡，例如：高峰时段增大γ以提升通行量，容忍一定延误；低峰时段增大α和δ以减少空放和次要道路等待时间。第k辆车在路口的停车次数直接关联驾驶体验，第k辆车的平均行驶速度速越高通行效率越好，相位差优化参数向量o可以是路口间的绿灯起始时间差，决定绿波带宽。平滑性约束λ||o-o(0)||2用于限制相位差调整幅度，避免频繁切换引发混乱。时空特征融合函数Γfusion融合摄时空融合特征张量和车辆状态向量数据，提取时空特征如车队长度、转向比例，滑动时间窗预测函数Γpredict可以基于滑动时间窗历史数据H预测未来5分钟车流趋势。通过这三个公式的协同，系统实现了从单路口到多路口、从实时响应到短期预测的全维度优化。
在其中一个实施例中，方法还包括：
S401，获取多源交通信息，并融合生成交通状态特征向量，多源交通信息包括当前时间段的交通流量历史数据、天气条件和特殊事件信息；
S402，根据交通状态特征向量，利用多模型融合预测模型计算得到车流预测信息；
S403，根据车流预测信息动态调整信号灯调控规则。
具体而言，交通系统的运行会受到多种因素的综合影响，单一的信息源难以全面反映交通状况。可以收集当前时间段的交通流量历史数据、天气条件和特殊事件信息等多源交通信息，交通流量历史数据能展现出交通流量随时间的变化规律，比如工作日早晚高峰的流量特点；天气条件如暴雨、大雪等恶劣天气会影响车辆的行驶速度和驾驶员的视线，进而影响交通流量；特殊事件信息，像大型活动、交通事故等，会导致局部区域的交通流量突然增加或减少。将这些多源信息进行融合处理，生成交通状态特征向量以一种结构化的方式描述当前的交通状态，为后续的车流预测提供全面且准确的输入。多模型融合预测模型结合了多种不同的预测模型，可以发挥各个模型的优势，以提高车流预测的准确性和可靠性。不同的预测模型对不同类型的交通数据有不同的敏感度和适应性。例如，时间序列模型擅长捕捉交通流量的周期性变化规律；机器学习模型则能处理复杂的非线性关系。将这些模型融合在一起，根据交通状态特征向量中包含的各种信息，综合计算得到车流预测信息，包括未来一段时间内的车流量大小、流量变化趋势等，为信号灯调控规则的动态调整提供科学依据。信号灯调控规则的制定基于一定的交通状况假设，但实际交通情况是动态变化的。通过前述步骤得到的车流预测信息，可以提前了解未来交通流量的变化趋势。如果预测到某个时段某个方向的车流量将大幅增加，可以相应地延长该方向的绿灯时长，或者调整不同方向信号灯的相位差，适应即将到来的交通压力；反之，如果预测到车流量将减少，则可以缩短绿灯时长，避免绿灯空放，提高交通资源的利用效率。通过这种动态调整，信号灯调控规则能够实时响应交通状况的变化，使交通系统更加高效、稳定地运行。
在其中一个实施例中，方法还包括：
S501，实时获取信号灯的运行状态信息；
S502，根据运行状态信息，利用预设的信号灯相位冲突规则判断是否信号灯相位冲突；
S503,若信号灯相位冲突，切换当前配时方案至预设安全配时方案，并生成冲突日志。
示例性地，可以通过在信号灯系统中设置专门的监测设备或利用相关通信技术，持续收集信号灯的运行状态数据，涵盖信号灯当前显示的颜色、亮起时长、切换时间等，能为后续判断信号灯相位是否冲突提供准确依据。信号灯相位冲突规则可以基于交通工程原理制定，定义了在何种信号灯状态组合下会出现相位冲突。如在某一时刻，同一方向的直行和左转信号灯同时为绿灯，且对应的车道车辆行驶轨迹存在交叉，就可能引发冲突。将实时获取的信号灯运行状态信息与这些规则进行比对，若发现当前信号灯状态符合冲突规则描述，则判定发生了信号灯相位冲突。通过此方式能快速识别潜在的交通冲突风险。若确定了信号灯相位冲突，为避免交通事故发生，保障交通安全，切换到预设安全配时方案。预设安全配时方案是预先制定好的、能确保路口车辆安全通行的信号灯配时策略，可以让相互冲突的车辆行驶方向依次获得通行权，减少车辆碰撞风险。同时会生成冲突日志，记录冲突发生的时间、地点、冲突类型以及当时的信号灯状态等详细信息，为后续分析冲突原因、优化信号灯系统提供数据支持，有助于交通管理部门及时发现并解决信号灯系统中存在的问题，提高交通系统的可靠性和安全性。
在其中一个实施例中，方法还包括：
S601,获取信号灯调控后的车流状态数据，并对比车流状态的历史数据，得到调控效果数据；
S602,基于调控效果数据，利用动态配时策略评估模型，生成效果反馈信息，效果反馈信息包含通行效率、等待时间、信号灯切换频次数据。
具体而言，在信号灯按照配时调控方案运行一段时间后，利用感知设备如视频检测装置、雷达传感器等再次采集辅路的车流状态数据，将此次获取的车流状态数据与该区域在相同时间段、相似交通条件下的历史车流数据进行对比。如果在某路口实施信号灯调控方案后，当前时段通过路口的车辆平均速度较历史数据有所提升，且车辆排队长度缩短，表明调控在一定程度上提高了车辆的通行效率；反之，如果平均速度降低、排队长度增加，则说明调控效果不佳。通过这种对比分析，能够量化信号灯调控对车流状态的影响，得到如车辆通行速度变化量、等待时间变化值等调控效果数据，是评估信号灯调控方案是否有效的关键指标。动态配时策略评估模型以调控效果数据作为输入，通过一系列的算法和计算，对信号灯配时方案的实施效果进行全面评估。在评估过程中，考虑通行效率、等待时间和信号灯切换频次这几个关键指标。通行效率反映了单位时间内通过路口的车辆数量，通行效率越高，说明交通资源的利用越充分；等待时间体现车辆在路口的平均等待时长，等待时间越短，驾驶员的体验越好，交通拥堵情况也相对较轻；信号灯切换频次影响着交通流的稳定性，过高的切换频次可能导致车辆频繁启停，增加能耗和延误，过低的切换频次又可能无法及时适应车流量变化。模型根据这些指标生成效果反馈信息，直观地展示信号灯调控方案在不同方面的表现。如果某配时方案下车辆的通行效率提升明显，但信号灯切换频次过高，就说明该方案在提高通行效率的同时，可能对交通流的稳定性产生了一定影响，需要进一步优化。
在其中一个实施例中，通过感知设备获取辅路实时车流状态数据，包括：
S701,利用视频检测装置采集辅路视频数据；
S702,利用深度学习模型提取视频数据中包含的车流量统计信息；
S703,利用雷达传感器获取辅路车流辅助数据；
S704，利用集成路侧单元获取联网车辆V2X数据；
S705，基于车流量统计信息、联网车辆V2X数据和车流辅助数据，利用多源数据融合技术融合生成实时车流状态数据。
示例性地，感知设备可以包括视频检测装置、雷达传感器及V2X路侧单元。视频检测装置对辅路进行拍摄，获取辅路的视频画面，包含辅路车辆的行驶状况、数量、速度等信息，例如，在距路口停止线150m处架设800万像素交通专用摄像机，以25帧/秒的采样频率采集辅路视频，通过采集视频可以直观看到某一时刻辅路上车辆的密集程度。雷达传感器利用电磁波原理，能够精确测量车辆的速度、与传感器的距离等信息。这些数据可以作为车流状态的补充，能够更全面地了解辅路车辆的行驶动态。V2X路侧单元通过与联网车辆进行通信，获取车辆的位置、行驶方向、速度等V2X数据。例如，通过V2X数据可以知道某辆车即将到达路口，从而提前做好信号灯调控准备。通过感知设备获取辅路实时车流状态数据，可以得到车流状态描述，为后续信号灯调控提供可靠的数据支持。利用多源数据融合技术，将车流量统计信息、联网车辆V2X数据和车流辅助数据进行整合。多源数据融合技术能够综合各方面的数据优势，弥补单一数据源的不足，生成更准确、更全面的实时车流状态数据。
上述一种基于车流量动态控制信号灯的方法，通过多类型感知设备采集辅路多源数据并融合生成实时车流状态数据，利用动态权重评估模型判断辅路车流量与预设阈值的关系，当车流量低于阈值时，依据预设调整机制划分车流量状态分级，生成相应信号灯调控规则，结合包含强化学习决策函数、绿波带优化函数等的时空资源动态分配算法，生成配时调控方案并转化为信号灯调控指令，实现信号灯动态调整；同时，融合多源交通信息预测车流并动态调整调控规则，实时监测信号灯运行状态以处理相位冲突，对比调控前后车流数据评估效果并反馈，从而实现交通信号配时方案与实时交通需求的精准匹配，有效提升交通通行效率，减少车辆等待时间，优化交通资源分配，增强交通系统的可靠性与稳定性，适应复杂交通状况，为城市交通智能化管理提供了完整的技术解决方案。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的一种基于车流量动态控制信号灯的方法的系统。该系统所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个一种基于车流量动态控制信号灯的系统实施例中的具体限定可以参见上文中对于一种基于车流量动态控制信号灯的方法的限定，在此不再赘述。
在一个示例性的实施例中，如图2所示，提供了一种基于车流量动态控制信号灯的系统，包括：
车流感知模块11，用于通过感知设备获取辅路实时车流状态数据；
数据分析模块12，用于基于辅路实时车流状态数据，利用动态权重评估模型计算判断辅路车流量是否低于预设阈值；若辅路车流量低于预设阈值，利用信号灯调控规则生成配时调控方案；
信号控制模块13，用于基于配时调整方案，生成对应信号灯的调控指令。
在其中一个实施例中，信号控制模块13还用于：
根据预设调整机制，将辅路车流量状态划分为不同分级状态；
根据分级状态生成信号灯调控规则；
结合辅路车流量状态数据和信号灯调控规则，利用时空资源动态分配算法生成配时调控方案。
在其中一个实施例中，信号控制模块13还用于：
使用以下公式构建强化学习决策函数：
其中，ΓRL(S(t))表示强化学习决策函数，α、β、γ和δ分别表示奖励函数权重系数，且α+β+γ+δ＝1，Qdelay表示总延误惩罚项，Qthroughput表示通行效率奖励项，Qidling表示绿灯空放惩罚项；
使用以下公式构建绿波带优化函数:
其中，ΓGW(om)表示绿波带优化函数，w1表示延误惩罚权重，w2表示惩罚权重，表示第k辆车在路口的停车次数，表示第k辆车的平均行驶速度，o表示相位差优化参数向量，o(0)表示初始相位差，λ表示相位差调整的平滑性约束因子；
使用以下公式构建时空资源动态分配算法模型：
τ＝Γalloc[Γfusion(Xt，Vt)，Γpredict(Ht)，ΓRL(S(t))，ΓGW(om)]
其中，τ表示最终信号灯配时方案，Γalloc表示全局资源分配函数，Γfusion表示时空特征融合函数，Γpredict表示滑动时间窗预测函数，ΓRL表示强化学习决策函数，ΓGW表示绿波带优化函数，Xt表示时空融合特征张量，Vt表示V2X车辆状态向量，Ht表示滑动时间窗历史数据矩阵，S(t)表示车流状态分级，om表示相位优化参数向量。
在其中一个实施例中，本系统还包括预测调控模块，用于：
获取多源交通信息，并融合生成交通状态特征向量，多源交通信息包括当前时间段的交通流量历史数据、天气条件和特殊事件信息；
根据交通状态特征向量，利用多模型融合预测模型计算得到车流预测信息；
根据车流预测信息动态调整信号灯调控规则。
在其中一个实施例中，本系统还包括相位冲突容错模块，用于：
实时获取信号灯的运行状态信息；
根据运行状态信息，利用预设的信号灯相位冲突规则判断是否信号灯相位冲突；
若信号灯相位冲突，切换当前配时方案至预设安全配时方案，并生成冲突日志。
在其中一个实施例中，本系统还包括动态评估反馈模块，用于：
获取信号灯调控后的车流状态数据，并对比车流状态的历史数据，得到调控效果数据；
基于调控效果数据，利用动态配时策略评估模型，生成效果反馈信息，效果反馈信息包含通行效率、等待时间、信号灯切换频次数据。
在其中一个实施例中，车流感知模块11还用于：
利用视频检测装置采集辅路视频数据；
利用深度学习模型提取视频数据中包含的车流量统计信息；
利用雷达传感器获取辅路车流辅助数据；
利用集成路侧单元获取联网车辆V2X数据；
基于车流量统计信息、联网车辆V2X数据和车流辅助数据，利用多源数据融合技术融合生成实时车流状态数据。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如前所述的一种基于车流量动态控制信号灯的方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
对于设备实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的设备实施例仅仅是示意性的，其中所述作为分离部件说明的组件可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述实施例仅表达了本申请实施例的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请实施例专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请实施例构思的前提下，还可以做出若干变形和改进，这些都属于本申请实施例的保护范围。
