一种基于深度学习的交通信号控制方案实时推荐方法

摘要

一种基于深度学习的交通信号控制方案实时推荐方法包括：基于采集到的交通状态数据，预处理交通数据，包括清洗错误数据、修正异常数据和修复缺失数据；构建时间序列的训练数据集模型，基于CNN‑DA‑RNN架构的深度学习的方法，训练路口的交通信号控制方案实时推荐模型，推荐下一时刻交通信号控制方案，实现问题路口信号控制方案实时推荐功能。本发明减少优化路口的时间，提高了人员的工作效率，且推荐的方案实时反馈，增加了推荐方案的可靠性和可复制性。

说明书

技术领域

本发明涉及智慧交通、城市交通控制领域，特别是涉及交通信号控制方案推荐领域。

背景技术

随着我国城市汽车保有量的不断增加，道路机动化水平的不断提高，城市交通拥堵问题成为了城市治理的痛点与难点，在一定程度上制约了经济的发展。城市交通拥堵还给市民的出行体验造成了极大地负面影响，为缓解城市交通拥堵问题，提高城市交通运行效率，让已建设的信号系统发挥其最大的效能是目前城市管理中最为迫切的任务。

城市交通系统的运行是复杂多变的，道路交通系统又随着时间和空间的变化不断变化。由于道路交通系统具有开放性，随机性和动态性，如上下班高峰期或者出现交通事故、暴雨暴雪或其它突发事件时，交通系统将出现严重堵塞甚至瘫痪。影响道路交通系统的一系列因素是不确定的和具有突发性的，因此在交通优化控制过程中需要综合多方因素。然而，面对过于复杂的因素造成的交通问题，传统的交通信号控制方法已经无法满足当今交通控制优化的需求，如何建立寻求交通信号的最优控制是当前的关键。

为了充分发挥城市交通控制系统的作用，近两年兴起了交通信号优化服务，该服务的兴起一方面是来自于公安部、省、市等管理部门的政策推动，另一方面城市交通管控业务确实存在这一需求，尤其是一线城市。交通信号优化服务的目标是让已建设的信号系统发挥最大的效能，最大限度的提高城市交通运行效率。

在交通信号优化服务中，在早晚高峰或节假日等交通流规律变化较大的情况下，需要人工查看路口监控实时调整信号控制系统信号配时的各项参数。这种调控方式具有不可复制性、效率低及可靠性低等缺点，亟待新型技术作为辅助的手段缓解此类问题。

发明内容

本发明要克服现有技术的基于上述交通信号控制过程中遇到的调控效率低下、可靠性低和不可复制性的缺点，提出一种符合城市交通控制规律的信号控制方案推荐方法。

本发明依据交通状态数据，基于人工智能深度学习神经网络的算法，训练交通信号控制方案实时推荐模型，输出适合当前信号交叉口流量和饱和度的信号控制方案。输出方案可实时推荐给一线交通控制人员，判断合理后可进行方案的实时下发，在一定程度上减少优化路口的时间，提高了人员的工作效率，且推荐的方案实时反馈，增加了推荐方案的可靠性和可复制性。

本发明是通过以下技术方案达到上述目的：一种基于深度学习的交通信号控制方案实时推荐方法，步骤包括：

1.1采集交通数据，所述交通数据包括交通控制数据和交通状态数据，所述交通控制数据包括但不限于：信号系统周期结束时间、周期时长、绿信比数据，所属交通状态数据包括但不限于：流量、饱和度、速度；

1.2预处理交通数据，包括清洗错误数据、修正异常数据和修复缺失数据；

1.3构建时间序列的数据集，步骤包括：

1.3.1提取数据集的样本点，所述样本点指控制方案数据满足要求时的周期结束时间，所述控制方案数据为绿信比变化量；

1.3.2构造样本点数据，提取样本点对应的T组交通数据x_i、T组控制方案数据y_target,i、1组绿信比数据y_his,i，其中i表示第i个样本点；

1.3.3构造满足训练要求的时间序列数据集，包括交通数据集x_t、控制方案数据集y_target和绿信比数据集y_his，训练要求包括但不限于：样本点的数量、用于提取样本点的交通数据的时间长度；

1.4构建基于CNN-DA-RNN的深度学习算法模型，其中，第一层CNN采用未池化的卷积层神经网络，通过对输入数据作卷积计算，获取维度不变的输出数据，用于提取输入数据时间维度中的短时间的依赖关系以及变量之间的依赖关系；第二层DA-RNN采用基于双阶段注意力机制的递归神经网络，用于对输入数据进行空间和时间维度上的注意力分配并进行编码和解码，具体包括：

1.4.1对来自卷积层输出的交通数据集数据进行空间注意力分配；

1.4.2对空间注意力分配后的数据进行编码；

1.4.3对编码后的数据进行时间注意力分配；

1.4.4对时间注意力分配后的数据进行加权计算，对加权数据和控制方案数据集y_target进行解码；

1.5训练交通信号控制方案实时推荐模型：以步骤1.3的数据集作为训练数据集，对步骤1.4的深度学习算法模型进行学习训练，训练模型的方法包括但不限于：随机梯度下降优化器方法、Adam优化器方法和自动调参方法，训练模型的结束条件为损失函数收敛程度满足要求，损失函数为预测控制方案数据和实际控制方案数据的均方误差。

1.6推荐下一时刻交通信号控制方案：采集实时交通状态数据，输入交通信号控制方案实时推荐模型，获得模型输出的预测控制方案数据。

进一步，步骤1.1所述交通控制数据的周期时长指信号灯各种灯色轮流显示一周所需的时间，数据维度为1维；所述交通控制数据的绿信比指路口各相位的绿信比数据，数据维度为相位数量；所述交通状态数据指路口各车道的交通状态数据，数据维度为交通状态数据类型数量*车道数量。

进一步，步骤1.2所述的清洗错误数据，包括删除缺省值和去除重复值；修正异常数据，利用统计学中的t检验法判断数据是否为异常值，针对异常值采用样条函数方法进行插值处理，采用历史数据进行插值；修复缺失数据，采用多元线性回归模型方法，步骤如下：(1)对已有的数据作出散点图并作多元回归处理； (2)求解多元线性回归多项式和置信区间；(3)作出残差分析图，验证拟合效果，残差越小，回归多项式与源数据吻合程度越好，(4)通过残差最小的多项式方程补充缺失数据。

进一步，步骤1.3.2所述的构造样本点数据的具体内容：T组交通数据，取出样本点及样本点的前T-1组的按照周期结束时间排序的交通状态数据，存储为数组的形式，作为样本点数据的x_i部分，具体为：

x_i＝{Cycle_i,A_i,B_i,...,G_i,VO_1i,VO_2i,...,VO_ki,DS_1i,DS_2i,...,DS_ki}>

其中C_i指周期时长，Cycle_i＝[C_i-T,...,C_i-1,C_i]；A_i,B_i,...,G_i指信号控制相位A、B、…、G的绿信比数据，A_i＝[a_i-T,...,a_i-1,a_i],B_i＝[b_i-T,...,b_i-1,b_i],…,G_i＝[g_i-T,...,g_i-1,g_i]；>i,VO2_i,…,VOk_i指车道流量数据，DS1_i,DS2_i,…,DSk_i指车道饱和度数据，信号控制相位的个数与路口相关，不同的路口运行的相位数量和相序是不同的；

T组控制方案数据，取出样本点及样本点的前T-1组的控制方案数据，存储为数组的形式，作为样本点数据的y_target部分，具体为：

y_target,i＝{ΔA_i,ΔB_i,ΔC_i,ΔD_i,ΔE_i,ΔF_i,ΔG_i}>

其中ΔA_i,ΔB_i,...,ΔG_i指相邻绿信比的变化量ΔA_i＝[Δa_i-T,...,Δa_i-1,Δa_i],ΔB_i＝[Δb_i-T,...,Δb_i-1,Δb_i],…,ΔG_i＝[Δg_i-T,...,Δg_i-1,Δg_i]，y_target,i的维度由路口实际运行相位数量决定；

一组绿信比方案数据：取样本点的下一时刻的绿信比数据，存储为数组的形式，作为y_his,i部分，具体为：

y_his,i＝{A′_i+1,B′_i+1,C′_i+1,D′_i+1,E′_i+1,F′_i+1,G′_i+1>

其中A′_i+1,B′_i+1,C′_i+1,D′_i+1,E′_i+1,F′_i+1,G′_i+1指相位的绿信比值A′_i+1＝[a_i+1],B′_i+1＝[b_i+1],>i+1＝[g_i+1]，y_his,i的维度由路口实际运行相位数量决定。

进一步，步骤1.4所述的未池化的卷积层神经网络对于输入数据的时间依赖关系和变量之间依赖关系的提取方法：

卷积层的输入数据指时间序列的交通数据集x_t，卷积层由宽度为ω和高度为>i并产生：

h_cnnk＝RELU(W_cnnk*x_i+b_cnnk)(4)

公式含义：其中*表示卷积运算，h_cnnk是输出矢量，RELU(x)线性修正单元神经元的激活函数，RELU函数可加速梯度下降以及反向传播，避免梯度急剧升高和急剧减少的问题，W_cnnk，b_cnnk指待学习的卷积矩阵和偏移量，训练过程中不断修正，k的范围为输入数据长度与滤波器尺寸(ω*n)的比值；

为保持卷积后输出结果h_cnnk的维度与输入数据的维度一致，通过对输入矩阵>i增加维度的方法实现，增加维度的变量值为0；方法实现过程：x_i的维度i*j，卷积矩阵W_k维度3*3，为获得维度为i*j的h_cnnk，通过变化x_i的维度为(i+1)>

进一步，步骤1.4.1具体包括：空间注意力分配是双阶段注意力机制的第一的阶段，引入空间注意作为其输入注意机制，对每一时刻的输入数据自动地提取相关性，依据编码器先前的隐藏状态，计算输入的注意权重，方法如下：

对输入数据X的每一时刻的x_t使用注意力机制运算方式，公式如下：

其中[h_t-1；s_t-1]是上一个隐藏状态h_t-1和上一个状态s_t-1的级联函数，v_e，W_e，>e指需要学习的高维矩阵参数，是分配在时间t上第k个输入特征的空间注意力权重，则空间注意力分配后的输出为：

所述具体流程1.4.2对空间注意力分配后的数据进行编码：编码器LSTM单元的LSTM的神经元状态随着时间的推移动态求和，记忆长期的依赖关系，容易克服梯度急剧减少的问题，对于处理时间序列问题行之有效，LSTM方法对输入数据进行编码的方法如下：

首先编码器可以学习到从x_t到h_t的映射：

其中h_t为编码器在时刻t的隐藏状态，h_t-1指上一个隐藏状态，f₁是一个非线性的激活函数；

其次，编码单元使用LSTM网络作为激活函数，更新状态：LSTM循环神经网络包括遗忘门f_t，输入门i_t，输出门o_t，每个LSTM单元在时间t处具有状态s_t存储器单元，状态h_t的更新方法如下：

f_t＝σ(W_f[h_t-1；x_t]+b_f)(9)

i_t＝σ(W_i[h_t-1；x_t]+b_i)(10)

o_t＝σ(W_o[h_t-1；x_t]+b_o)(11)

s_t＝f_t⊙s_t-1+i_t⊙tanh(W_s[h_t-1；x_t]+b_s)(12)

h_t＝o_t⊙tanh(s_t)>

其中，[h_t-1；x_t]是前一个隐藏状态h_t-1和当前输入x_t级联函数，其中W_f，W_i，>o，W_s，b_f，b_i，b_o，b_s是待训练学习的参数，σ和⊙分别是逻辑函数和元素乘法；

所述具体流程1.4.3对编码后的数据进行时间注意力分配：时间注意力分配是双阶段注意力机制的第二阶段，引入时间注意机制捕获编码器的长期时序依赖信息，基于先前解码器的隐藏状态，对输入的状态数据h_t计算时间注意权重，方法如下：

基于先前解码器隐藏状态d_t-1和上一个LSTM单元的状态s′_t-1使用注意力机制，计算每个编码器隐藏状态在时间t的时间注意权重公式如下：

其中，[d_t-1；s′_t-1]是先前解码器的隐藏状态和上一个LSTM单元的状态的级联函数，v_d，W_d，U_d是需要学习的高维矩阵参数，是分配在t时间的第i组特征的时间注意力权重；

步骤1.4.4所述的对时间注意力分配后的数据进行加权和计算，对加权数据和y_target进行解码：具体包括：

1.4.4.1.计算所有隐藏状态h_i的加权和矢量c_t：

其中，c_t是解码器LSTM单元输入。

1.4.4.2.计算更新的目标输出

其中，[y_t-1；c_t-1]是上一个解码器的输出状态y_t-1和上一个所有隐藏状态加权和c_t-1的级联函数，和是待学习和训练的参数。

1.4.4.3.更新解码器t时刻的隐藏状态d_t：利用新的目标输出和先前的隐藏状态：

其中f₂为非线性激活函数为建立时间序列的长期依赖性，选择使用LSTM单元作为更新隐藏状态的f₂函数，则隐藏状态d_t具体计算如下：

d_t＝o′_t⊙tanh(s′_t)(23)

其中，是前一个隐藏状态d_t-1和前一个目标函数的的级联函数，其中W′_f，W′_i，W′_o，W′_s，b′_f，b′_i，b′_o，b′_s是待训练学习的参数，σ和⊙分别是逻辑函数和元素乘法。

1.4.4.4.估计当前时刻的输出：

解码器LSTM单元输出y_DT，通过DA-RNN结构构建模拟函数F，函数F可观察给定的输入和先前的输出，估计出当前时刻的输出

其中[d_T；c_T]是解码层的隐藏状态d_T和矢量c_T的级联函数，参数W_y和b_w是待学习训练的参数，线性函数的权重和偏置b_v是待学习的参数，决定最终的预测结果

进一步，步骤1.5所述的损失函数计算和判断：模型的训练过程包括对所有数据进行小批量分组，利用随机梯度下降(SGD)优化器和Adam优化器来训练模型；设计平滑且可微分的输出结果，以确保参数可以通过标准逆向传播学习获得；设计目标函数的损失函数即预测控制方案数据和实际控制方案数据：

其中N是训练的样本量，是预测出来的方案，是实际的方案，训练的结果使损失函数迅速的收敛到非常小的值β，约定β<0.2％。

进一步，步骤1.5所述交通信号控制方案实时推荐模型输出的预测控制方案数据的修正，具体采用方法：

修正结果y_T包括预测控制方案数据y_DT和混合回归模型线性回归计算的结果y_AT两部分，两者的矢量和：

y_T＝y_DT+y_AT(26)

其中线性回归计算的模型为：

其中q是输入矩阵y_t-k的输入窗口大小，k指第k个滤波器，W_auk和b_auk是需要学习的参数。

进一步，步骤1.6所述推荐的控制方案数据是否满足约束条件，所述约束条件包括：

(1)是否符合该交叉口的实际流量和饱和度情况；(2)推荐周期是否符合小于路口的最大周期时间；(3)各个相位推荐绿信比是否大于最小绿灯时；(4) 行人相位的安全时间是否全部满足；(5)特殊相位的时间设置是否完成。

进一步，步骤1.3所述的样本点指控制方案数据满足要求时的周期结束时间，所述控制方案数据为绿信比变化量，具体为：

判断相邻两组数据中任一相位绿信比的变化量，当变化量超过总周期时间的 5％时，该控制方案数据满足要求。

本发明的有益效果在于：仅从交通状态数据出发，基于人工智能的深度学习神经网络的算法，能够计算出适合当前信号交叉口流量和饱和度的信号控制方案，实时推荐出交通信号控制方案。输出方案可实时推荐给一线交通控制人员，判断合理后可进行方案的实时下发，在一定程度上减少优化路口的时间，提高了人员的工作效率，且推荐的方案实时反馈，增加了推荐方案的可靠性和可复制性。

附图说明

图1是本发明的样本点提取流程图；

图2是本发明的训练数据集构造流程图；

图3是本发明的CNN-DA-RNN框架模型图；

图4是本发明的DA-RNN神经网络模型图；

图5是本发明的CNN-DA-RNN框架训练损失函数收敛曲线；

图6a是延安路2019年1月份与2018年12月份工作日的平均速度对比图；

图6b是延安路2019年1月份与2018年12月份非工作日的平均速度对比图。

具体实施方式

结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此。

一个实例：选取了杭州市一条主干道延安路的重要路口：庆春路-延安路，进行实时推荐方案生成方法的测试，验证本发明设计的信号控制方案推荐方法的有效性。步骤包括：

一、采集交通数据：采集该路口的六个月的交通状态数据(数据流量、饱和度)和交通控制数据(周期、绿信比方案数据)，按照周期结束时间将控制数据和状态数据存储至数据库的同一数据表，数据还包括周期结束时间。

二、预处理数据：对数据表al_input_scheme_match_state_data进行包括数据量、空值量、异常空值和异常值(如绿信比方案之和不为0)的统计，将统计结果保存在数据质量表中。然后依次进行数据的预处理：

2.1删除缺省值和去除重复值；

2.2修正异常数据，采用历史数据进行异常位置数据的插值；

2.3修复缺失数据，采用多元线性回归模型方法作出残差分析，通过残差最小的多项式方程补充缺失数据。

数据预处理之后再次异常数据的统计和数据质量的判断，在数据质量满足要求后进行数据集的构建。数据质量包括空值率低于0.01和异常值低于0.05等。

三、构建时间序列的数据集，按照构建数据集的步骤，依次提取样本点、提取样本点数据和构造训练数据集。

3.1提取样本点，如附图1所示。将训练的原始数据进行数据的切分，依次对一定时间的数据进行样本点的确定；

3.2提取样本点数据，如附图2所示。

提取样本点对应的T组交通数据x_i，即取样本点的交通控制数据及该时间的前T-1组时间数据。

3.2.1T组交通数据，取出样本点及样本点的前T-1组的按照周期结束时间排序的交通状态数据，存储为数组的形式，作为样本点数据的x_i部分，具体为：

x_i＝{Cycle_i,A_i,B_i,...,G_i,VO_1i,VO_2i,...,VO_ki,DS_1i,DS_2i,...,DS_ki}>

其中C_i指周期时长，Cycle_i＝[C_i-T,...,C_i-1,C_i]；A_i,B_i,...,G_i指信号控制相位>i＝[a_i-T,...,a_i-1,a_i],B_i＝[b_i-T,...,b_i-1,b_i],…,>i＝[g_i-T,...,g_i-1,g_i]；VO1_i,VO2_i,…,VOk_i指车道流量数VO1_i＝[vo_1i-T,...,vo_1i-1,vo_1i],DS1_i,DS2_i,…,DSk_i指车道饱和度数据信号控制相位的个数与路口相关，不同的路口运行的相位数量和相序是不同的；

3.2.2T组控制方案数据y_target,i，即取样本点的控制方案数据及该时间的前T-1组时间数据，T组控制方案数据，取出样本点及样本点的前T-1组的控制方案数据，存储为数组的形式，作为样本点数据的y_target部分，具体为：

y_target,i＝{ΔA_i,ΔB_i,ΔC_i,ΔD_i,ΔE_i,ΔF_i,ΔG_i}>

其中ΔA_i,ΔB_i,...,ΔG_i指相邻绿信比的变化量ΔA_i＝[Δa_i-T,...,Δa_i-1,Δa_i]，ΔB_i＝[Δb_i-T,...,Δb_i-1,Δb_i],…,ΔG_i＝[Δg_i-T,...,Δg_i-1,Δg_i]，y_target,i的维度由路口实际运行相位数量决定；

3.2.3 1组绿信比数据y_his,i，即取样本点后一组绿信比数据。一组绿信比方案数据：取样本点的下一时刻的绿信比数据，存储为数组的形式，作为>his,i部分，具体为：

y_his,i＝{A′_i+1,B′_i+1,C′_i+1,D′_i+1,E′_i+1,F′_i+1,G′_i+1}(3)

其中A′_i+1,B′_i+1,C′_i+1,D′_i+1,E′_i+1,F′_i+1,G′_i+1指相位的绿信比值A′_i+1＝[a_i+1]，B′_i+1＝[b_i+1],…,G′_i+1＝[g_i+1]，y_his,i的维度由路口实际运行相位数量决定。

3.3构造训练数据集，如附图2所示。训练数据集是样本点数据的集合，包括交通数据集x_t、控制方案数据集y_target和绿信比数据集y_his三部分。

四、构建基于CNN-DA-RNN的深度学习算法模型，模型架构如附图3所示。第一层CNN采用未池化的卷积层神经网络，第二层DA-RNN采用基于双阶段注意力机制的递归神经网络。第一层主要作用提取输入数据时间维度中的短时间的依赖关系以及变量之间的依赖关系。第二层主要作用是对输入数据进行空间和时间维度上的注意力分配并进行编码和解码，具体包括：

4.1提取输入数据的时间依赖关系和变量之间的依赖关系：

卷积层由宽度为ω和高度为n的多个滤波器组成，其中宽度ω的设置与输入数据的绿信比相同，高度n的设置与输入数据变量的列维度相同，所述第k个滤波器扫描输入矩阵x_i并产生：

h_cnnk＝RELU(W_cnnk*x_i+b_cnnk)(4)

为保持卷积后输出结果h_cnnk的维度与输入数据的维度一致，通过对输入矩阵>i增加维度的方法实现，增加维度的变量值为0；方法实现过程：x_i的维度i*j，卷积矩阵W_k维度3*3，为获得维度为i*j的h_cnnk，通过变化x_i的维度为(i+1)>

4.2对来自卷积层输出的交通数据集数据进行空间注意力分配；

对输入数据X的每一时刻的x_t使用注意力机制运算方式，公式如下：

其中[h_t-1；s_t-1]是上一个隐藏状态h_t-1和上一个状态s_t-1的级联函数，v_e，W_e，>e指需要学习的高维矩阵参数，是分配在时间t上第k个输入特征的空间注意力权重，则空间注意力分配后的输出为：

4.3对空间注意力分配后的数据进行编码：

首先，编码器可以学习到从x_t到h_t的映射：

其次，编码单元使用LSTM网络作为激活函数更新状态h_t：

f_t＝σ(W_f[h_t-1；x_t]+b_f)(9)

i_t＝σ(W_i[h_t-1；x_t]+b_i)(10)

o_t＝σ(W_o[h_t-1；x_t]+b_o)(11)

s_t＝f_t⊙s_t-1+i_t⊙tanh(W_s[h_t-1；x_t]+b_s)(12)

h_t＝o_t⊙tanh(s_t)(13)

4.4对编码后的数据进行时间注意力分配：

基于先前解码器隐藏状态d_t-1和上一个LSTM单元的状态s′_t-1使用注意力机制，计算每个编码器隐藏状态在时间t的时间注意权重公式如下：

4.5对时间注意力分配后的数据进行加权计算，对加权数据和控制方案数据集y_target进行解码：

4.5.1计算所有隐藏状态h_i的加权和矢量c_t：

4.5.2计算更新的目标输出

4.5.3更新解码器t时刻的隐藏状态d_t：利用新的目标输出和先前的隐藏状态：

其中f₂为非线性激活函数为建立时间序列的长期依赖性，选择使用LSTM单元作为更新隐藏状态的f₂函数，则隐藏状态d_t具体计算如下：

d_t＝o′_t⊙tanh(s′_t)>

4.5.4估计当前时刻的输出y_DT：

解码器LSTM单元输出y_DT，通过DA-RNN结构构建模拟函数F，函数F可观察给定的输入和先前的输出，估计出当前时刻的输出：

当前时刻的输出决定最终的预测结果

五、训练交通信号控制方案实时推荐模型：以步骤1.3的数据集作为训练数据集，对步骤1.4的深度学习算法模型进行学习训练，采用随机梯度下降优化器方法、Adam优化器方法和自动调参方法，损失函数收敛至0.02％结束训练。

训练集用于模型的训练，对训练集进行小批量的分组，按照s＝128进行数据集的划分，划分N个批量，按照划分好的批量数据进行模型的训练，批量分组的好处在于可以加速训练模型的训练。训练集来自训练数据集，取80％的训练数据集作为训练集。

测试集用于模型的判断，测试数据输入给模型，计算其损失函数：

损失函数快速收敛且收敛至0.02％，判断该参数下的模型可用。测试集来自训练数据集，取80％的训练数据集作为测试集。

实验设置小批量分组的大小为S，S＝128，学习率为α，α＝0.01％，迭代次数为M，M＝5000，实验结果损失函数迅速收敛，如附图五。保存该参数下的交通信号控制方案实时推荐模型；

六、推荐下一时刻交通信号控制方案：采集实时交通状态数据，输入交通信号控制方案实时推荐模型，获得模型输出的预测控制方案数据，并混合回归模型线性回归的方法对预测结果进行修正：

y_T＝y_DT+y_AT>

如下该路口推荐绿信比方案与实际绿信比方案的样例：

该路口在2019年1月进行实时方案推荐模型部署和应用，图6a和图6b分别是延安路2019年1月份与2018年12月份工作日和非工作日的平均速度对比图：1月份均速较12月份的均速有明显的提升，说明推荐方案起到了优化路口交通状态、提升道路均速的作用。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。