建设背景

　　城市拥堵是常态，如何解决道路拥堵是我们共同面临的难题。交通路网的物理结构可以抽象为一个巨大的棋盘，而红绿灯的控制就好比在交叉点位的棋子，对信号灯的控制和优化，可以对应于AlphaGo算法对解决围棋问题而计算的全局优化控制策略。借鉴AlphaGo的思想，通过建设城市交通大脑，以机器学习代替人工设置，将经验模型转化为科学数据，将整个城市红绿灯衔接起来，实现大规模参数的综合优化，对交通全局进行优化控制。

技术简介

　　目前，“智能交通”和“智能信号灯控制”的研究大多集中在单点控制、线层联动控制以及局部小范围集中控制等方面，主要根据某一路口的交通状态，通过关联度计算，推测相邻路口的影响，构建模型并向区域扩散。这在路口数量超过一定规模后，仅仅使用数学模型难以表达因素间的映射关系，模型求解的计算量也成几何倍数增长，难以获得上佳方案。

　　基于深度学习和强化学习算法，云创大数据开发的城市交通智能优化技术在现有交通运行规则以及信号控制规则的前提下，通过对海量交通信息的收集提取、指标分类、算法构建、模型训练等过程，实现对交通信号灯配时策略的优化和控制，提升道路资源利用率，降低车辆排队时间，增加路段平均流量，从而大幅降低城市道路拥堵，让城市道路愈发智能化。

总体架构

　　逻辑架构主要包括基础数据层、大数据平台层、深度学习层、运维管控层和接口服务层。

　　基础数据层：该层主要包含了整个系统所需的基础数据，如GPS数据、速度数据、流量数据、拥堵数据、车流、车速数据，卡口监控数据、信号灯控制历史数据以及全息检测的车道速度、车距、相位差等交通数据。

　　大数据平台层：该层是整个平台的底层软件，主要分为两大部分——分布式云存储和大数据库，存储与处理大量结构化数据与非结构化数据。

　　深度学习层：该层是整个平台的核心，通过神经网络构建“深度学习”机制，将以往的经验模型转化为科学数据，对于网格化的道路，以类似于AlphaGo的计算思维方式，通过仿真软件进行大量的实验模拟仿真进行全局优化和评估。

　　运维管控层：该层主要是针对上述软硬件平台的统一管理控制，实现诸如资源调度、在线控制、状态监控、运维网管、自动容错等相关功能，也为运维人员和监管人员提供相应的操作功能。

　　对外服务接口层：该层主要是为平台提供应用服务，并支持标准化接口，以方便相关人员或第三方平台对接及数据调用，主要服务包括：智能信号灯控制、交通流量预期分析、道路优化评估模型、人流/车流潮汐研判分析等。

优化流程

　　1.交通参数获取

　　提取路网各交叉口交通运行参数，包括交通流参数、路网性能指标、交通信号控制参数等。

　    2.评价指标建立

　　结合路网参数，建立综合评价指标体系。

　　3.算法构建，策略制定

　　利用神经网络算法，建立满足评价指标的控制优化策略。

　　4.自学习交通控制优化

　　利用强化学习算法，根据交通状态变化自动学习调整交通控制优化策略。

技术设计

　　1.数据立方大数据库

　　数据立方大数据库是对MapReduce、并行数据库以及两者的混合技术研究而成的结果。该系统通过引入索引模块、并行执行架构以及读取本地磁盘的执行方式，使查询达到了实时完成、简单易用、高可靠安全的效能，使EB级的数据能够秒级处理，大大提高了用户执行查询操作后的使用效率，不仅在查询和检索这部分数据的时候具有非常高的性能优势，还可以支持数据仓库存储、数据深度挖掘和商业智能分析等业务。

      2.深度学习技术

　　运用深度学习技术进行信号灯配时优化的建设，首先需用获得的大量历史数据进行深度学习算法模型的训练，针对每一种曾经出现过的区域路况S和随机一个信号灯调整方案a，利用仿真软件得到变化之后的路况S1，从而训练预测网络和策略网络，实现信号灯配时的实时优化。

　　同时，DeepRack深度学习一体机作为深度学习软硬件平台，可为模型训练等提供硬件、软件、数据以及技术等支持。

      3.软件仿真

　　信号灯配时优化的训练过程主要依赖于仿真软件。仿真软件为交通研究组织提供一个实现和评估自己算法的工具，同时具备工作流(网络和路径导入、动态用户分配、仿真)的特点。