设计
2.1 框架设计
在本节中，为解决交叉口信号处理优化问题，结合交通大数据的特性，利用大数据技术设计一种新的交叉口信号控制系统框架，具体如图1所示。
该框架主要包含三个模块：数据采集模块、大数据处理模块以及信号控制模块。
（1）数据采集模块主要采集实时数据和非实时数据。其中实时数据是指在交通现场监测到的数据（如交叉路口的行车流量、当前交叉路口的信号配时数据等）;非实时数据是指事先测量好的数据（如路基数据、车道数据等）。
（2）大数据处理模块主要负责交通数据的清洗、预处理，并利用大数据技术对处理好的数据进行深度分析，挖掘出当前交通状况的行为特征，作出预测和态势感知、分析，判断未来行车流量。
（3）信号控制模块主要负责优化信号控制系统，包括优化周期方案、绿信比方案、内部相位方案和外部相位方案等，同时验证优化后的信号控制系统的正确性以及进行区域交通诱导。
2.2 系统实现流程
在预测某段时间行车交通状况并实施交通诱导时，信号控制系统进行如下工作：
（1）输入交通数据。将交通现场监测到的数据（如交叉路口的行车流量、当前交叉路口的信号配时数据等）实时同步传输至大数据处理平台。
（2）处理数据。对实时数据进行数据清洗、预处理，形成格式统一可用的数据。详情如本文第3节所述。
（3）分析数据。对处理好的数据进行深度分析，挖掘出交通状况的行为特征，计算行车平均速度、相位差，并代入预测模型，作出预测和态势感知、分析，判断未来行车流量，给出合理信号配时参数和相位参数。详情如本文第4节所述。
（4）配置参数。利用大数据平台给出的结果为各信号控制交叉路口设置新的信号周期、信号相序、相位绿信比和相对相位差等参数。
（5）诱导交通。依据配置好的参数以及预测的行车流量，引导交通秩序。
实现流程如图2所示。
3 交通数据处理
数据清洗：为了提高数据的有效性，在数据应用之前需要对采集的原始数据进行數据清洗，即主要解决原始数据中的“垃圾数据”，包括重复数据、异常数据、不规范数据和缺失数据等。
数据预处理：指对清洗完的数据进行数据集成、数据转换和数据规约等过程。
数据分析：采用数据挖掘算法对交通数据进行深度分析，挖掘出行车流特征，结合历史数据以及预测模型，给出未来行车状况。
3.1原始数据处理
由于原始数据信息量巨大，需要通过数据挖掘技术，从海量的数据中，通过选择、处理、转换等一系列过程，提取出用于计算各交叉口交通流信息的数据。常用的数据挖掘方法包括关联规则、数据分类、预测、聚类分析方法等。
原始数据处理流程如图3所示。
3.2计算各交叉口交通流信息
根据处理过的数据，计算、预测各交叉口交通流信息，主要信息包括：
（1）计算交叉口各方向交通流量;
（2）预测可能造成交通延误的交叉口和具体的交通流方向;
（3）可能造成拥堵的交叉口延误时间。
平面交叉口交通流信息具有高维特征信息的特点，其交通数据流定义如表1所示。
4 核心功能算法
在新的交叉口信号控制系统中，核心的功能模块主要是大数据处理模块，其主要包括行车流量预测、平均车速计算、相位差计算等任务。本节主要利用LSTM模型的优点，给出大数据处理模块的实现算法。
算法：
输入：历史行车流量数据（Train_data）和当前交通数据（Test_data）。
输出：下一时间段行车流量数据（TestPredict_data）、计算平均速度（average_speed）、计算相位差（phase_difference）。
（1）配置预测环境。
（2）将数据集分成两部分：训练集（Train set）和测试集（Test set），比例分别占数据集的2/3和1/3。
（3）将数据归一化处理，使得数据都在[0，1]之间。
（4）使用输入的数据构造出两个矩阵，分别是“历史数据”Train_data（作为预测因子）和“未来数据”Test_data（作为预测目标）。结合时间步维度，进行神经网络训练。
（5）构建LSTM模型，并进行训练：
LSTM_mode=keras_model_sequential（）
TrainScore=LSTM_mode（Train_data，layer，dense）
（6）下一时间段行车流量预测：
TrainPredict_data=LSTM_mode（Train_data）
TestPredict_data=LSTM_mode（Test_data）
（7）结果校正和验证，输出下一时间段行车流量数据（TestPredict_data）。
（8）计算平均速度（average_speed）。
（9）计算相位差（phase_difference）。
（10）输出行车流量数据（TestPredict_data）、平均速度（average_speed）、相位差（phase_difference）。
5 开发与应用
5.1软件编程开发与运行环境
基于大数据的交叉口信号控制系统的编程开发与运行环境，操作系统为Win32/Win64/WinCE，数据库为Oracle 10 g和内存数据库，集成开发环境为JDK，系统开发语言为Java和python。
5.2系统的应用
基于大数据的交叉口信号控制系统在实施中具有很好的应用效果，成为了城市交通管理信息系统的重要组成部分。在城市交通管理部门的监管下，该系统在最近一年的测试、试运行和正式运行过程中，运行效果良好。在如今的交通管理信息系统中，该系统不仅可以有效地挖掘交叉口潜在的通行能力，提升路网整体运行效率和服务水平，还能节约政府对交通基础设施的投入，为广大市民出行营造良好的道路环境，社会效益良好。
6 结语
基于大数据的交叉口信号控制系统在不改变原有路网结构、交叉口渠化的基础上，可根据实时交通量数据，通过调整信号灯配时，形成区域、路段的绿波带，达到加快市内车辆的流速、减缓拥堵的目的，是一种经济合理、见效较快的改善交通状况措施，具有广泛的应用前景。
参考文献：
[1]杨雪峰，陈来荣.基于大数据思维分析的交叉口交通信息处理方法[J].黑龙江交通科技，2017，40（1）：157-159.
[2]卢 倩.隧道交通状况的大数据挖掘方法研究[D].贵阳：贵州大学，2016.
[3]叶 卿.信号控制交叉口交通拥堵状态识别方法研究[D].广州：华南理工大学，2015.
