CN111737006B - 全网络交通调度优化方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明涉及人工智能技术领域，提供一种全网络交通调度优化方法、装置、计算机设备及存储介质，包括：基于梯度下降算法训练搭建好的分布式GPU调度集群得到分布式交通识别模型，每个GPU对应一个交通路口；获取图像采集设备采集的环境图像；根据交通路口的标识信息将环境图像分发给与交通路口对应的GPU；通过GPU中的交通识别模型识别环境图像得到交通路口的交通拥挤程度；根据所有交通路口的交通拥挤程度及对应的交通路口标识对交通进行调度优化。本发明可应用于智慧交通中，能够在同一时刻快速的识别所有交通路口的交通拥挤程度，并对全网路的交通进行调度优化。此外，本发明还涉及区块链技术，分布式交通识别模型可存储于区块链中。

Description

全网络交通调度优化方法、装置、计算机设备及存储介质

技术领域

本发明涉及人工智能技术领域，具体涉及一种全网络交通调度优化方法、装置、计算机设备及存储介质。

背景技术

现代交通不断发展，给人们的生活带来极大的便利，但各种交通问题也随之频繁发生。车辆在道路行驶中，交通拥挤、道路阻塞、交通事故频繁发生，这在很大程度上影响到了出行时间及通行效率。

现有技术中，通过监控路口的车流图像，并结合神经网络模型来识别监控路口的车流状况，确定监控路口是否发生交通拥挤，从而进行调度优化等。但是，这种监控方式只能实现单个路口的调度优化，无法实现对综合路网的整体调度优化。

发明内容

鉴于以上内容，有必要提出一种全网络交通调度优化方法、装置、计算机设备及存储介质，能够快速的识别所有交通路口的交通拥挤程度，并对全网路的交通进行调度优化。

本发明的第一方面提供一种全网络交通调度优化方法，所述全网络交通调度优化方法包括：

搭建分布式GPU调度集群，并基于梯度下降算法训练所述分布式GPU调度集群得到分布式交通识别模型，每个GPU对应一个交通路口；

获取所有交通路口的图像采集设备采集的环境图像；

根据交通路口的标识信息将所述环境图像分发给与所述交通路口对应的GPU；

通过所述GPU调用所述交通识别模型识别所述环境图像得到交通路口的交通拥挤程度；

根据所有交通路口的交通拥挤程度及对应的交通路口标识对交通进行调度优化。

根据本发明的一个可选实施例，所述搭建分布式GPU调度集群，并基于梯度下降算法训练所述分布式GPU调度集群得到分布式交通识别模型包括：

部署多个边缘节点设备并通过所述多个边缘节点设备基于梯度下降算法训练交通识别模型，其中，每个边缘节点设备中集成有所述GPU；

部署第一参数服务器，并通过所述第一参数服务器获取所述多个边缘节点设备训练所述交通识别模型得到的多个梯度参数；

部署第二参数服务器，并通过所述第二参数服务器接收所述第一参数服务器发送的多个梯度参数并基于所述多个梯度参数计算均值梯度参数；

通过所述第一参数服务器将所述均值梯度参数广播给所述多个边缘节点设备；

通过所述多个边缘节点设备基于所述均值梯度参数更新所述交通识别模型。

根据本发明的一个可选实施例，所述通过所述多个边缘节点设备基于梯度下降算法训练交通识别模型包括：

获取多个历史环境图像及每个历史环境图像对应的交通拥堵程度；

基于所述多个历史环境图像及每个历史环境图像对应的交通拥堵程度构建训练数据集；

获取每个边缘节点设备中的GPU的处理速度；

为每个边缘节点设备分配对应所述GPU的处理速度的训练数据；

通过所述边缘节点设备基于梯度下降算法训练所述训练数据得到交通识别模型。

根据本发明的一个可选实施例，所述获取每个边缘节点设备中的GPU的处理速度包括：

从所述训练数据集中随机选取预设数量的数据作为目标数据；

将所述目标数据分发给所有的边缘节点设备并记录分发时间；

通过所述边缘节点设备基于所述目标数据训练初始交通识别模型；

获取每个边缘节点设备训练所述初始交通识别模型的完成时间；

根据所述分发时间和所述完成时间确定每个边缘节点设备的GPU的处理速度。

根据本发明的一个可选实施例，所述通过所述第一参数服务器获取所述多个边缘节点设备训练所述交通识别模型得到的多个梯度参数包括：

通过所述第一参数服务器获取每个边缘节点设备在迭代训练所述交通识别模型的过程中产生的多个第一梯度参数；

将所述多个第一梯度参数按照从大到小排序；

确定与所述边缘节点设备的GPU的处理速度对应的比例系数；

从排序后的多个第一梯度参数中选取与所述比例系数对应的梯度参数，作为目标梯度参数。

根据本发明的一个可选实施例，所述通过所述多个边缘节点设备基于所述均值梯度参数更新所述交通识别模型包括：

对所述均值梯度参数及未被选取的梯度参数进行加权计算得到新的梯度参数；

通过所述多个边缘节点设备基于所述新的梯度参数更新所述交通识别模型。

根据本发明的一个可选实施例，所述获取所有交通路口的图像采集设备采集的环境图像包括：

获取所述图像采集设备采集的预设时间段内的视频片段；

对所述视频片段进行分帧处理得到多帧视频图像；

通过YOLO目标检测算法检测每帧视频图像中的目标对象；

计算每帧视频图像中的目标对象的数量；

确定目标对象的数量最大的视频图像为所述交通路口的环境图像。

本发明的第二方面提供一种全网络交通调度优化装置，所述全网络交通调度优化装置包括：

模型训练模块，用于搭建分布式GPU调度集群，并基于梯度下降算法训练所述分布式GPU调度集群得到分布式交通识别模型，每个GPU对应一个交通路口；

图像获取模块，用于获取所有交通路口的图像采集设备采集的环境图像；

图像分发模块，用于根据交通路口的标识信息将所述环境图像分发给与所述交通路口对应的GPU；

拥挤识别模块，用于通过所述GPU调用所述交通识别模型识别所述环境图像得到交通路口的交通拥挤程度；

调度优化模块，用于根据所有交通路口的交通拥挤程度及对应的交通路口标识对交通进行调度优化。

本发明的第三方面提供一种计算机设备，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述全网络交通调度优化方法。

本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述全网络交通调度优化方法。

综上所述，本发明所述的全网络交通调度优化方法、装置、计算机设备及存储介质，相较于现有技术中使用串行工作的单个处理器来基于梯度下降算法训练交通识别模型，单个处理器的速度较慢，通过搭建分布式GPU调度集群并训练出分布式交通识别模型来识别所有交通路口的环境图像，提高了识别所有交通路口的交通拥挤程度的效率；结合同一时刻所有交通路口的交通拥挤程度和交通路口标识，实现了对全网路的交通的调度优化。

附图说明

图1是本发明实施例一提供的全网络交通调度优化方法的流程图。

图2是本发明搭建的分布式GPU调度集群的示意图。

图3是本发明实施例二提供的全网络交通调度优化装置的结构图。

图4是本发明实施例三提供的计算机设备的结构示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

图1是本发明实施例一提供的全网络交通调度优化方法的流程图。所述全网络交通调度优化方法可应用于智慧交通中，对全网络的交通进行调度优化，使得交通的调度更加智能化，从而有助于促进智慧城市的发展。所述全网络交通调度优化方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。

S11，搭建分布式GPU调度集群，并基于梯度下降算法训练所述分布式GPU调度集群得到分布式交通识别模型。

在每一个交通路口部署一个边缘节点设备，所述边缘节点设备中集成有图形处理器（Graphics Processing Unit，GPU），并同时部署两个服务器，其中一个服务器用于获取每一个交通路口处的边缘节点设备上报的梯度信息等，另一个服务器用于基于所述梯度信息计算均值梯度参数。

基于所有交通路口处的边缘节点设备和两个服务器构建一个分布式GPU调度集群，用以对全路网的交通进行调度优化。

在一个可选的实施例中，所述搭建分布式GPU调度集群，并基于梯度下降算法训练所述分布式GPU调度集群得到分布式交通识别模型包括：

部署多个边缘节点设备并通过所述多个边缘节点设备基于梯度下降算法训练交通识别模型，其中，每个边缘节点设备中集成有所述GPU；

部署第一参数服务器，并通过所述第一参数服务器获取所述多个边缘节点设备训练所述交通识别模型得到的多个梯度参数；

部署第二参数服务器，并通过所述第二参数服务器接收所述第一参数服务器发送的多个梯度参数并基于所述多个梯度参数计算均值梯度参数；

通过所述第一参数服务器将所述均值梯度参数广播给所述多个边缘节点设备；

通过所述多个边缘节点设备基于所述均值梯度参数更新所述交通识别模型。

所述边缘节点设备作为工作节点，用于训练交通识别模型，并基于训练好的交通识别模型识别对应交通路口的交通拥挤程度。多个边缘节点设备之间通过参数服务器（Parameter Server，PS）架构实现通信，具体如图2所示。图2中包括第一参数服务器PS0，第二参数服务器PS1及嵌入有GPU的多个边缘节点设备，例如，嵌入有GPU0的边缘节点设备，嵌入有GPU1边缘节点设备，嵌入有GPU2边缘节点设备，嵌入有GPUn边缘节点设备。

在该可选的实施例中，由于不同的边缘节点设备中的GPU的训练数据不同，训练交通识别模型得到的梯度参数也不同，通过将所有边缘节点设备的多个梯度参数进行整合，并求取均值梯度参数之后返回给所有的边缘节点设备，使得边缘节点设备中的GPU通过训练少部分的数据就能得到均值梯度参数，训练出的交通识别模型的识别性能更佳；且通过PS架构构建多个基于图形处理器GPU的分布式训练，在不同的GPU上并行训练交通识别模型，提高了交通识别模型的训练效率。

随机梯度下降（Stochastic Gradient Descent，SGD）算法是一种用于最小化目标函数的方法，可以在机器学习中使用梯度下降算法以迭代目标函数，以便将错误最小化，从而增加所构建的交通识别模型的正确性。关于随机梯度下降算法为现有技术，本发明在此不再详细阐述。

获取历史环境图像作为训练数据集，并基于梯度下降算法的思想通过所述分布式GPU调度集群训练所述训练数据集得到分布式交通识别模型，以识别每个交通路口处的交通拥堵程度。

在一个可选的实施例中，所述通过所述多个边缘节点设备基于梯度下降算法训练交通识别模型包括：

获取多个历史环境图像及每个历史环境图像对应的交通拥堵程度；

基于所述多个历史环境图像及每个历史环境图像对应的交通拥堵程度构建训练数据集；

获取每个边缘节点设备中的GPU的处理速度；

为每个边缘节点设备分配对应所述GPU的处理速度的训练数据；

通过所述边缘节点设备基于梯度下降算法训练所述训练数据得到交通识别模型。

若每个边缘节点设备中的GPU都基于所有的历史环境图像训练交通识别模型，则由于训练数据较大，会导致计算量较大，训练时间较长。

该可选的实施例中，可以获取不同交通拥堵程度时的多个历史交通视频，并将不同交通拥堵程度对应的多个历史交通视频进行分帧处理得到多个历史环境图像，并标注每个历史环境图像对应的交通拥堵程度。示例性的，将交通拥堵程度设定为4个等级，等级1代表交通非常拥堵、等级2代表交通拥堵、等级3代表交通有轻微的拥堵，等级4代表交通不拥堵。获取交通非常拥堵时的多个交通视频并进行分帧处理得到多个历史环境图像，标注为交通非常拥堵；获取交通拥堵时的多个交通视频并进行分帧处理得到多个历史环境图像，标注为交通拥堵；获取交通轻微拥堵时的多个交通视频并进行分帧处理得到多个历史环境图像，标注为交通轻微拥堵；获取交通不拥堵时的多个交通视频并进行分帧处理得到多个历史环境图像，标注为交通不拥堵。

根据每个GPU的处理速度选取部分训练数据并计算出梯度参数，然后通过计算这些梯度参数的平均梯度参数，从而为权重更新步骤构建出新的全局梯度集，并根据新的全局梯度集来更新每个GPU的本地权重，有效的保证了GPU训练交通识别模型的收敛速度；此外，每个GPU只需要获取部分训练数据即可得到全局的梯度参数，避免单个GPU的存储空间不足、训练网络用时太久等问题，分布式并行训练的方法提高训练效率、节省深度学习训练时间并在一定程度上减轻GPU的负担。

在一个可选的实施例中，所述获取每个边缘节点设备中的GPU的处理速度包括：

从所述训练数据集中随机选取预设数量的数据作为目标数据；

将所述目标数据分发给所有的边缘节点设备并记录分发时间；

通过所述边缘节点设备基于所述目标数据训练初始交通识别模型；

获取每个边缘节点设备训练所述初始交通识别模型的完成时间；

根据所述分发时间和所述完成时间确定每个边缘节点设备的GPU的处理速度。

该可选的实施例中，由于不同型号的GPU的性能不同，处理速度也会有所差异，通过计算每个GPU基于同一目标数据训练交通识别模型的时间确定GPU的处理速度，便于在后续训练最终的交通识别模型时，能够根据GPU的处理速度分配对应的训练数据，从而平衡了整个分布式集群的负载差异，能够在同一时间获取梯度参数并计算出均值梯度参数，进而在同一时间保证所有GPU完成交通识别模型的训练。

在一个可选的实施例中，所述通过所述第一参数服务器获取所述多个边缘节点设备训练所述交通识别模型得到的多个梯度参数包括：

通过所述第一参数服务器获取每个边缘节点设备在迭代训练所述交通识别模型的过程中产生的多个第一梯度参数；

将所述多个第一梯度参数按照从大到小排序；

确定与所述边缘节点设备的GPU的处理速度对应的比例系数；

从排序后的多个第一梯度参数中选取与所述比例系数对应的梯度参数，作为目标梯度参数。

该可选的实施例中，采用稀疏化的方式按照每个GPU的处理速度选取部分梯度参数作为目标梯度参数，并上报给第一参数服务器，使得第二参数服务器根据每个GPU上报的目标梯度参数计算均值梯度参数。由于目标梯度参数是每个GPU在迭代过程中产生的较大的参数值，其对整个交通识别模型的权重较大，其余较小的梯度参数值对整个交通识别模型的权重较小，上报权重较大的梯度参数，能够减少计算均值梯度参数的计算量，提高整个分布式集群并行训练交通识别模型的速度。

在一个可选的实施例中，所述通过所述多个边缘节点设备基于所述均值梯度参数更新所述交通识别模型包括：

对所述均值梯度参数及未被选取的梯度参数进行加权计算得到新的梯度参数；

通过所述多个边缘节点设备基于所述新的梯度参数更新所述交通识别模型。

该可选的实施例中，从排序后的多个第一梯度参数中选取的梯度参数作为目标梯度参数，所述排序后的多个第一梯度参数中未被选取的梯度参数作为保留的梯度参数。通过加权计算，能够对均值梯度参数进行修正，使其更加符合自身GPU的训练数据的特性，确保训练出的交通识别模型的识别性能，避免过拟合。

S12，获取所有交通路口的图像采集设备采集的环境图像。

在每一个交通路口还部署一个图像采集设备，用于采集对应交通路口处的环境图像。

在同一个时刻获取所有交通路口的图像采集设备采集的环境图像，便于根据所述环境图像实时进行调度优化。

在一个可选的实施例中，所述获取所有交通路口的图像采集设备采集的环境图像包括：

获取所述图像采集设备采集的预设时间段内的视频片段；

对所述视频片段进行分帧处理得到多帧视频图像；

通过YOLO目标检测算法检测每帧视频图像中的目标对象；

计算每帧视频图像中的目标对象的数量；

确定目标对象的数量最大的视频图像为所述交通路口的环境图像。

该可选的实施例中，预设时间段可以为5秒。

图像采集设备采集预设时间段内的视频片段，并将采集的视频片段传输给调度系统，再由调度系统分发给对应交通路口处的边缘节点设备。调度系统安装在计算机设备。

调度系统可以按照预设采集帧率对所述视频片段进行分帧处理得到多帧视频图像。再使用预先存储的YOLO目标检测算法检测每一帧视频图像中的目标对象。所述目标对象可以是车辆。接着计算每一帧视频图像中目标对象的数量。目标对象的数量最大，最能反映所述交通路口处的交通拥挤程度。

S13，根据交通路口的标识信息将所述环境图像分发给与所述交通路口对应的GPU。

每个交通路口都有唯一的标识信息，用于标识该交通路口属于主干道路口还是次级道路口，交通路口与图像采集设备一一对应，事先记录有交通路口的标识信息和图像采集设备的设备信息之间的对应关系，在获取到图像采集设备采集的环境图像时，根据所述对应关系将所述环境图像下发给该交通路口对应的边缘节点设备。

S14，通过所述GPU调用所述交通识别模型识别所述环境图像得到交通路口的交通拥挤程度。

在训练得到交通识别模型后，将所述交通识别模型分发给每一个边缘节点设备。后续由边缘节点设备中的GPU利用交通识别模型实时识别交通路口处的环境图像，得到所述交通路口的交通拥挤程度。

S15，根据所有交通路口的交通拥挤程度及对应的交通路口标识对交通进行调度优化。

将与交通路口标识对应的交通拥挤程度标注在全网络交通地图上，不同的交通拥挤程度采用不同的标识，将标识交通拥挤程度后的全网络交通地图发送给交通管理者，使得交通管理者执行交通调度优化过程。示例性的，假设某一条主干道路的各个交通路口的交通拥挤程度均为严重，则表明该条主干道路为严重交通堵塞，需要通过人为疏通缓解交通压力。

本实施例，由于训练数据量很大，相较于现有技术中使用串行工作的单个处理器来基于梯度下降算法训练交通识别模型，单个处理器的速度较慢，通过搭建分布式GPU调度集群并训练出分布式交通识别模型来识别所有交通路口的环境图像，提高了识别所有交通路口的交通拥挤程度的效率；结合同一时刻所有交通路口的交通拥挤程度和交通路口标识，实现了对全网路的交通的调度优化。

需要说明的是，为保证上述分布式交通识别模型的私密性和安全性，上述分布式交通识别模型可存储于区块链节点中。

图3是本发明实施例二提供的全网络交通调度优化装置的结构图。

在一些实施例中，所述全网络交通调度优化装置20可以包括多个由计算机程序段所组成的功能模块。所述全网络交通调度优化装置20中的各个程序段的计算机程序可以存储于计算机设备的存储器中，并由至少一个处理器所执行，以执行（详见图1描述）全网络交通调度优化的功能。

本实施例中，所述全网络交通调度优化装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：模型训练模块201、图像获取模块202、图像分发模块203、拥挤识别模块204及调度优化模块205。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。

所述模型训练模块201，用于搭建分布式GPU调度集群，并基于梯度下降算法训练所述分布式GPU调度集群得到分布式交通识别模型。

在每一个交通路口部署一个边缘节点设备，所述边缘节点设备中集成有图形处理器（Graphics Processing Unit，GPU），并同时部署两个服务器，其中一个服务器用于获取每一个交通路口处的边缘节点设备上报的梯度信息等，另一个服务器用于基于所述梯度信息计算均值梯度参数。

基于所有交通路口处的边缘节点设备和两个服务器构建一个分布式GPU调度集群，用以对全路网的交通进行调度优化。

在一个可选的实施例中，所述模型训练模块201搭建分布式GPU调度集群，并基于梯度下降算法训练所述分布式GPU调度集群得到分布式交通识别模型包括：

部署多个边缘节点设备并通过所述多个边缘节点设备基于梯度下降算法训练交通识别模型，其中，每个边缘节点设备中集成有所述GPU；

部署第一参数服务器，并通过所述第一参数服务器获取所述多个边缘节点设备训练所述交通识别模型得到的多个梯度参数；

部署第二参数服务器，并通过所述第二参数服务器接收所述第一参数服务器发送的多个梯度参数并基于所述多个梯度参数计算均值梯度参数；

通过所述第一参数服务器将所述均值梯度参数广播给所述多个边缘节点设备；

通过所述多个边缘节点设备基于所述均值梯度参数更新所述交通识别模型。

所述边缘节点设备作为工作节点，用于训练交通识别模型，并基于训练好的交通识别模型识别对应交通路口的交通拥挤程度。多个边缘节点设备之间通过参数服务器（Parameter Server，PS）架构实现通信，具体如图2所示。图2中包括第一参数服务器PS0，第二参数服务器PS1及嵌入有GPU的多个边缘节点设备，例如，嵌入有GPU0的边缘节点设备，嵌入有GPU1边缘节点设备，嵌入有GPU2边缘节点设备，嵌入有GPUn边缘节点设备。

在该可选的实施例中，由于不同的边缘节点设备中的GPU的训练数据不同，训练交通识别模型得到的梯度参数也不同，通过将所有边缘节点设备的多个梯度参数进行整合，并求取均值梯度参数之后返回给所有的边缘节点设备，使得边缘节点设备中的GPU通过训练少部分的数据就能得到均值梯度参数，训练出的交通识别模型的识别性能更佳；且通过PS架构构建多个基于图形处理器GPU的分布式训练，在不同的GPU上并行训练交通识别模型，提高了交通识别模型的训练效率。

随机梯度下降（Stochastic Gradient Descent，SGD）算法是一种用于最小化目标函数的方法，可以在机器学习中使用梯度下降算法以迭代目标函数，以便将错误最小化，从而增加所构建的交通识别模型的正确性。关于随机梯度下降算法为现有技术，本发明在此不再详细阐述。

获取历史环境图像作为训练数据集，并基于梯度下降算法的思想通过所述分布式GPU调度集群训练所述训练数据集得到分布式交通识别模型，以识别每个交通路口处的交通拥堵程度。

在一个可选的实施例中，所述通过所述多个边缘节点设备基于梯度下降算法训练交通识别模型包括：

获取多个历史环境图像及每个历史环境图像对应的交通拥堵程度；

基于所述多个历史环境图像及每个历史环境图像对应的交通拥堵程度构建训练数据集；

获取每个边缘节点设备中的GPU的处理速度；

为每个边缘节点设备分配对应所述GPU的处理速度的训练数据；

通过所述边缘节点设备基于梯度下降算法训练所述训练数据得到交通识别模型。

若每个边缘节点设备中的GPU都基于所有的历史环境图像训练交通识别模型，则由于训练数据较大，会导致计算量较大，训练时间较长。

该可选的实施例中，可以获取不同交通拥堵程度时的多个历史交通视频，并将不同交通拥堵程度对应的多个历史交通视频进行分帧处理得到多个历史环境图像，并标注每个历史环境图像对应的交通拥堵程度。示例性的，将交通拥堵程度设定为4个等级，等级1代表交通非常拥堵、等级2代表交通拥堵、等级3代表交通有轻微的拥堵，等级4代表交通不拥堵。获取交通非常拥堵时的多个交通视频并进行分帧处理得到多个历史环境图像，标注为交通非常拥堵；获取交通拥堵时的多个交通视频并进行分帧处理得到多个历史环境图像，标注为交通拥堵；获取交通轻微拥堵时的多个交通视频并进行分帧处理得到多个历史环境图像，标注为交通轻微拥堵；获取交通不拥堵时的多个交通视频并进行分帧处理得到多个历史环境图像，标注为交通不拥堵。

根据每个GPU的处理速度选取部分训练数据并计算出梯度参数，然后通过计算这些梯度参数的平均梯度参数，从而为权重更新步骤构建出新的全局梯度集，并根据新的全局梯度集来更新每个GPU的本地权重，有效的保证了GPU训练交通识别模型的收敛速度；此外，每个GPU只需要获取部分训练数据即可得到全局的梯度参数，避免单个GPU的存储空间不足、训练网络用时太久等问题，分布式并行训练的方法提高训练效率、节省深度学习训练时间并在一定程度上减轻GPU的负担。

在一个可选的实施例中，所述获取每个边缘节点设备中的GPU的处理速度包括：

从所述训练数据集中随机选取预设数量的数据作为目标数据；

将所述目标数据分发给所有的边缘节点设备并记录分发时间；

通过所述边缘节点设备基于所述目标数据训练初始交通识别模型；

获取每个边缘节点设备训练所述初始交通识别模型的完成时间；

根据所述分发时间和所述完成时间确定每个边缘节点设备的GPU的处理速度。

该可选的实施例中，由于不同型号的GPU的性能不同，处理速度也会有所差异，通过计算每个GPU基于同一目标数据训练交通识别模型的时间确定GPU的处理速度，便于在后续训练最终的交通识别模型时，能够根据GPU的处理速度分配对应的训练数据，从而平衡了整个分布式集群的负载差异，能够在同一时间获取梯度参数并计算出均值梯度参数，进而在同一时间保证所有GPU完成交通识别模型的训练。

在一个可选的实施例中，所述通过所述第一参数服务器获取所述多个边缘节点设备训练所述交通识别模型得到的多个梯度参数包括：

通过所述第一参数服务器获取每个边缘节点设备在迭代训练所述交通识别模型的过程中产生的多个第一梯度参数；

将所述多个第一梯度参数按照从大到小排序；

确定与所述边缘节点设备的GPU的处理速度对应的比例系数；

从排序后的多个第一梯度参数中选取与所述比例系数对应的梯度参数，作为目标梯度参数。

该可选的实施例中，采用稀疏化的方式按照每个GPU的处理速度选取部分梯度参数作为目标梯度参数，并上报给第一参数服务器，使得第二参数服务器根据每个GPU上报的目标梯度参数计算均值梯度参数。由于目标梯度参数是每个GPU在迭代过程中产生的较大的参数值，其对整个交通识别模型的权重较大，其余较小的梯度参数值对整个交通识别模型的权重较小，上报权重较大的梯度参数，能够减少计算均值梯度参数的计算量，提高整个分布式集群并行训练交通识别模型的速度。

在一个可选的实施例中，所述通过所述多个边缘节点设备基于所述均值梯度参数更新所述交通识别模型包括：

对所述均值梯度参数及未被选取的梯度参数进行加权计算得到新的梯度参数；

通过所述多个边缘节点设备基于所述新的梯度参数更新所述交通识别模型。

该可选的实施例中，从排序后的多个第一梯度参数中选取的梯度参数作为目标梯度参数，所述排序后的多个第一梯度参数中未被选取的梯度参数作为保留的梯度参数。通过加权计算，能够对均值梯度参数进行修正，使其更加符合自身GPU的训练数据的特性，确保训练出的交通识别模型的识别性能，避免过拟合。

所述图像获取模块202，用于获取所有交通路口的图像采集设备采集的环境图像。

在每一个交通路口还部署一个图像采集设备，用于采集对应交通路口处的环境图像。

在同一个时刻获取所有交通路口的图像采集设备采集的环境图像，便于根据所述环境图像实时进行调度优化。

在一个可选的实施例中，所述图像获取模块202获取所有交通路口的图像采集设备采集的环境图像包括：

获取所述图像采集设备采集的预设时间段内的视频片段；

对所述视频片段进行分帧处理得到多帧视频图像；

通过YOLO目标检测算法检测每帧视频图像中的目标对象；

计算每帧视频图像中的目标对象的数量；

确定目标对象的数量最大的视频图像为所述交通路口的环境图像。

该可选的实施例中，预设时间段可以为5秒。

图像采集设备采集预设时间段内的视频片段，并将采集的视频片段传输给调度系统，再由调度系统分发给对应交通路口处的边缘节点设备。调度系统安装在计算机设备。

调度系统可以按照预设采集帧率对所述视频片段进行分帧处理得到多帧视频图像。再使用预先存储的YOLO目标检测算法检测每一帧视频图像中的目标对象。所述目标对象可以是车辆。接着计算每一帧视频图像中目标对象的数量。目标对象的数量最大，最能反映所述交通路口处的交通拥挤程度。

所述图像分发模块203，用于根据交通路口的标识信息将所述环境图像分发给与所述交通路口对应的GPU。

每个交通路口都有唯一的标识信息，用于标识该交通路口属于主干道路口还是次级道路口，交通路口与图像采集设备一一对应，事先记录有交通路口的标识信息和图像采集设备的设备信息之间的对应关系，在获取到图像采集设备采集的环境图像时，根据所述对应关系将所述环境图像下发给该交通路口对应的边缘节点设备。

所述拥挤识别模块204，用于通过所述GPU调用所述交通识别模型识别所述环境图像得到交通路口的交通拥挤程度。

在训练得到交通识别模型后，将所述交通识别模型分发给每一个边缘节点设备。后续由边缘节点设备中的GPU利用交通识别模型实时识别交通路口处的环境图像，得到所述交通路口的交通拥挤程度。

所述调度优化模块205，用于根据所有交通路口的交通拥挤程度及对应的交通路口标识对交通进行调度优化。

将与交通路口标识对应的交通拥挤程度标注在全网络交通地图上，不同的交通拥挤程度采用不同的标识，将标识交通拥挤程度后的全网络交通地图发送给交通管理者，使得交通管理者执行交通调度优化过程。示例性的，假设某一条主干道路的各个交通路口的交通拥挤程度均为严重，则表明该条主干道路为严重交通堵塞，需要通过人为疏通缓解交通压力。

本实施例，由于训练数据量很大，相较于现有技术中使用串行工作的单个处理器来基于梯度下降算法训练交通识别模型，单个处理器的速度较慢，通过搭建分布式GPU调度集群并训练出分布式交通识别模型来识别所有交通路口的环境图像，提高了识别所有交通路口的交通拥挤程度的效率；结合同一时刻所有交通路口的交通拥挤程度和交通路口标识，实现了对全网路的交通的调度优化。

需要说明的是，为保证上述分布式交通识别模型的私密性和安全性，上述分布式交通识别模型可存储于区块链节点中。

参阅图4所示，为本发明实施例三提供的计算机设备的结构示意图。在本发明较佳实施例中，所述计算机设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。

本领域技术人员应该了解，图4示出的计算机设备的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述计算机设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。

在一些实施例中，所述计算机设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的计算机设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述计算机设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。

需要说明的是，所述计算机设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。

在一些实施例中，所述存储器31中存储有计算机程序，且所述至少一个处理器32可调用所述存储器31中存储的计算机程序以执行相关的功能。例如，上述实施例中所述的各个模块是存储在所述存储器31中的计算机程序，并由所述至少一个处理器32所执行，从而实现所述各个模块的功能。所述存储器31包括只读存储器（Read-Only Memory，ROM）、可编程只读存储器（Programmable Read-Only Memory，PROM）、可擦除可编程只读存储器（Erasable Programmable Read-Only Memory，EPROM）、一次可编程只读存储器（One-timeProgrammable Read-Only Memory，OTPROM）、电子擦除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（CompactDisc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

在一些实施例中，所述至少一个处理器32是所述计算机设备3的控制核心（Control Unit），利用各种接口和线路连接整个计算机设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行计算机设备3的各种功能和处理数据。例如，所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本发明实施例中所述的全网络交通调度优化方法的全部或者部分步骤。所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。

在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。

尽管未示出，所述计算机设备3还可以包括给各个部件供电的电源（比如电池），优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链（Blockchain），本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性（防伪）和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，计算机设备，或者网络设备等）或处理器（processor）执行本发明各个实施例所述全网络交通调度优化方法的部分。

本实施例还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述全网络交通调度优化方法实施例中的步骤，例如图1所示的S11-S15。或者，所述计算机程序被处理器执行时实现上述装置实施例中各模块的功能，例如图3中的模块201-205。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种全网络交通调度优化方法，其特征在于，所述全网络交通调度优化方法包括：

搭建分布式GPU调度集群，并基于梯度下降算法训练所述分布式GPU调度集群得到交通识别模型，每个GPU对应一个交通路口，所述搭建分布式GPU调度集群，并基于梯度下降算法训练所述分布式GPU调度集群得到交通识别模型包括：部署多个边缘节点设备并通过所述多个边缘节点设备基于梯度下降算法训练交通识别模型，其中，每个边缘节点设备中集成有所述GPU；部署第一参数服务器，并通过所述第一参数服务器获取所述多个边缘节点设备训练所述交通识别模型得到的多个梯度参数；部署第二参数服务器，并通过所述第二参数服务器接收所述第一参数服务器发送的多个梯度参数并基于所述多个梯度参数计算均值梯度参数；通过所述第一参数服务器将所述均值梯度参数广播给所述多个边缘节点设备；通过所述多个边缘节点设备基于所述均值梯度参数更新所述交通识别模型；

获取所有交通路口的图像采集设备采集的环境图像；

根据交通路口的标识信息将所述环境图像分发给与所述交通路口对应的GPU；

通过所述GPU调用所述交通识别模型识别所述环境图像得到交通路口的交通拥挤程度；

根据所有交通路口的交通拥挤程度及对应的交通路口标识对交通进行调度优化。

2.如权利要求1所述的全网络交通调度优化方法，其特征在于，所述通过所述多个边缘节点设备基于梯度下降算法训练交通识别模型包括：

获取多个历史环境图像及每个历史环境图像对应的交通拥堵程度；

基于所述多个历史环境图像及每个历史环境图像对应的交通拥堵程度构建训练数据集；

获取每个边缘节点设备中的GPU的处理速度；

为每个边缘节点设备分配对应所述GPU的处理速度的训练数据；

通过所述边缘节点设备基于梯度下降算法训练所述训练数据得到交通识别模型。

3.如权利要求2所述的全网络交通调度优化方法，其特征在于，所述获取每个边缘节点设备中的GPU的处理速度包括：

从所述训练数据集中随机选取预设数量的数据作为目标数据；

将所述目标数据分发给所有的边缘节点设备并记录分发时间；

通过所述边缘节点设备基于所述目标数据训练初始交通识别模型；

获取每个边缘节点设备训练所述初始交通识别模型的完成时间；

根据所述分发时间和所述完成时间确定每个边缘节点设备的GPU的处理速度。

4.如权利要求1所述的全网络交通调度优化方法，其特征在于，所述通过所述第一参数服务器获取所述多个边缘节点设备训练所述交通识别模型得到的多个梯度参数包括：

通过所述第一参数服务器获取每个边缘节点设备在迭代训练所述交通识别模型的过程中产生的多个第一梯度参数；

将所述多个第一梯度参数按照从大到小排序；

确定与所述边缘节点设备的GPU的处理速度对应的比例系数；

从排序后的多个第一梯度参数中选取与所述比例系数对应的梯度参数，作为目标梯度参数。

5.如权利要求4所述的全网络交通调度优化方法，其特征在于，所述通过所述多个边缘节点设备基于所述均值梯度参数更新所述交通识别模型包括：

对所述均值梯度参数及未被选取的梯度参数进行加权计算得到新的梯度参数；

通过所述多个边缘节点设备基于所述新的梯度参数更新所述交通识别模型。

6.如权利要求1所述的全网络交通调度优化方法，其特征在于，所述获取所有交通路口的图像采集设备采集的环境图像包括：

获取所述图像采集设备采集的预设时间段内的视频片段；

对所述视频片段进行分帧处理得到多帧视频图像；

通过YOLO目标检测算法检测每帧视频图像中的目标对象；

计算每帧视频图像中的目标对象的数量；

确定目标对象的数量最大的视频图像为所述交通路口的环境图像。

7.一种全网络交通调度优化装置，其特征在于，所述全网络交通调度优化装置包括：

模型训练模块，用于搭建分布式GPU调度集群，并基于梯度下降算法训练所述分布式GPU调度集群得到交通识别模型，每个GPU对应一个交通路口，所述搭建分布式GPU调度集群，并基于梯度下降算法训练所述分布式GPU调度集群得到交通识别模型包括：部署多个边缘节点设备并通过所述多个边缘节点设备基于梯度下降算法训练交通识别模型，其中，每个边缘节点设备中集成有所述GPU；部署第一参数服务器，并通过所述第一参数服务器获取所述多个边缘节点设备训练所述交通识别模型得到的多个梯度参数；部署第二参数服务器，并通过所述第二参数服务器接收所述第一参数服务器发送的多个梯度参数并基于所述多个梯度参数计算均值梯度参数；通过所述第一参数服务器将所述均值梯度参数广播给所述多个边缘节点设备；通过所述多个边缘节点设备基于所述均值梯度参数更新所述交通识别模型；

图像获取模块，用于获取所有交通路口的图像采集设备采集的环境图像；

图像分发模块，用于根据交通路口的标识信息将所述环境图像分发给与所述交通路口对应的GPU；

拥挤识别模块，用于通过所述GPU调用所述交通识别模型识别所述环境图像得到交通路口的交通拥挤程度；

调度优化模块，用于根据所有交通路口的交通拥挤程度及对应的交通路口标识对交通进行调度优化。

8.一种计算机设备，其特征在于，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至6中任意一项所述全网络交通调度优化方法。

9.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述全网络交通调度优化方法。

Images