当前城市交通拥堵问题已经成为常态,它不仅阻碍城市化发展,而且还影响人们的出行效率。城市的交通堵塞在十字路口场景下尤为突出。现有的红绿灯控制大多采用固定配时方式,在十字路口时常会出现不同方向上的车流量不同但放行时间是相同的,进而导致车流量多的方向上车辆堆积,造成路口交通拥堵,并且也可能引起交通盲指挥。为了提高十字路口的通行效率,必然要引入智能红绿灯系统。然而,在智能红绿灯系统的发展历程中,大部分系统基本都使用单一检测器即雷达或视频来采集交通数据,较少的考虑到了两者相结合的方式。因此,本课题提出了视频为主、雷达为辅,两者相结合的方式来采集交通数据,开发了一种基于深度学习的交通路况评估决策系统。本文的主要工作及创新点如下:1.依靠视频采集路口车辆排队长度数据,计算复杂且耗时,即每次采集都要对车道内所有排队车辆的位置坐标值进行大小排序,并求其最大与最小之间的差值,方可得出本次采集的排队长度数据。经过验证,一周期采集视频的排队长度数据,相较于不采集在时间上能够平均增加3.5s。因此,为了维持系统的时效性,本课题引入毫米波雷达对该交通数据进行统计。首先,依靠边缘计算器对雷达捕获的每帧车辆位置信息进行获取,然后,通过该边缘计算设备内部算法芯片对每帧数据进行处理,最终得出一周期内的车辆排队长度。经过视频与雷达的对照测试,得出雷达采集的排队长度准确率为96%,时延几乎为零。2.本课题基于许昌市的乡村、城市、国道、高速四个场景,制作了大量车辆数据集,并利用YOLOv3网络模型对数据集进行训练并测试,但测试结果准确率较差。为了提高YOLOv3网络模型检测准确率,本文提出了I＿YOLOv3算法,该算法在YOLOv3的基础上替换了评价指标、改进了损失函数,通过引入GIOU作为评价指标与损失函数来替代原始的评价指标IOU与损失函数MSE。在VOC数据集AP-50的评价指标下进行测试,得出改进后网络的平均准确率相较于之前提高了12.8%。3.提出了一种基于深度学习的交通路况评估决策系统,该系统将雷达在当前周期采集到的车辆排队长度数据作为输入值,采用DDPG算法作为评估决策模块核心,通过内部actor网络对数据进行处理、评估,并决策输出下一周期的配时方案。同时,把视频采集的排队车辆数、平均等待时间等交通数据经过加权公式进行处理,并将处理后的结果作为奖励值输入评估决策系统,使其进行自我学习,即学习下一周期配时方案是否合理。经过实验测试,本文所设计的系统平均延迟0.0774s,在排队车辆数、平均等待时间、平均时延、吞吐量、排队长度等五项指标上相较于固定配时系统分别提升了17.02%、33.33%、18.18%、32.29%、15.33%。