1．目的和意义以及国内外研究现状

1.1目的和意义

随着城市化不断推进，我国汽车保有量突飞猛进。截止2018年，全国汽车保有量突破2亿，保有量占全球20%。机动车的迅速增加在给城市经济的繁荣与发展带来新的机遇的同时，也给城市带来了交通拥堵、交通安全等一系列现实问题。单纯地从交通供给方面考虑，无论是加快交通基础设施的建设，还是采取各种疏导措施都收效不佳。城市道路的建设应当不断扩建向科学管理转变，减少不必要的浪费。因此，城市道路交叉口交通流量的预测与评估就显得尤为重要，评价或预测的结果可以指导交通部门以及政府实行科学的措施，有助于有关部门制定出合理的工作计划和行之有效的交通对策，提高道路资源利用率。

目前对交通流量统计分析的方法很多，针对现有的利用人工观看路段录像来确定交叉口各进口道的车辆的排队长度的方法未能快捷、准确地完成预期任务这一弊端，提出了一种基于深度学习的交通流量统计的方法。深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式来表示。而使用特定的表示方法会使机器更容易学习整个识别车辆并计数的过程，以达到省时、省力的目的。与传统的交通流量统计分析方法相比，基于人工神经网络的交通流量统计分析方法能发现数据的分布特征，预测数据分析，提高交通流量统计分析的准确性。因此，本文主要讨论深度学习研究交通流量统计分析方法，构建道路交通流量统计分析模型，提高交通流量统计分析的效率与准确度。

本文经实证研究，通过将大量信号交叉口进口道所调查的车辆排队数据输入机器深度学习的程序中，利用Visual Studio软件进行深度学习，以达到不需要人工的参与即可自动识别出车辆的排队数的目的，可用来分析交通网络的运行状况、评价交通网络规划方案的优劣性、合理性。

1.2国内外研究现状分析

通过对文献的梳理整合发现，目前的交通流量统计方法有基于线圈技术、基于视频技术和基于微波雷达技术三种方法，各种方法的适用条件和有效程度各不相同。

从2002年起，国家统计局已将公路交通情况调查正式纳入国家统计调查制度，并由交通运输部负责具体实施，定期向国家统计局提供相关资料。为完成国家统计任务，并使交通主管部门准确、及时、全面掌握全路网交通的基本情况，根据国家统计制度要求，交通运输部对交调工作的调查范围和内容、组织管理、站点设置、资料报送等方面提出了统一要求。其中，明确要求对国道、省道、县道、乡道及专用公路的交通状况进行定期或不定期调查，这为全国全路网的交调工作进一步开展创造了条件。

国内一些学者也提出了许多关于的方法，张晓春、高作刚通过系统聚类的方法对交通流量的变化规律进行了总结；史亚星利用了深度学习模型良好的特征学习能力，设计了一种基于深度学习的深度网络混合模型用于短时交通流量预测；邓烜堃针对交通流量序列的预测问题，设计了一种基于深度学习的交通流量预测模型；刘明宇、吴建平选取门控循环单元(Gated Recurrent Unit, GRU)神经网络作为研究对象，利用交叉验证法探究 GRU 模型的最佳门控循环单元个数，并与支持向量机回归等三种预测模型通过不同指标进行综合评价和对比。

2. 研究的基本内容与方案

2.研究的基本内容、拟采用的技术方案

2．1基本内容

近几年来简单地通过控制交通需求，增加道路基本设施，加强交通管控都难以从根本上解决交通拥堵、交通管理与控制等实际问题。一味地限定人们的汽车拥有量或者限行的方式，与人们日益增长的消费需求相悖；从当前道路规划空间和规划成本来看，重新规划道路线路，也不太可能。然而在科学技术快速发展，AI应用迅速的当今社会，智能交通系统受到人们的关注和重视。智能交通系统解决的主要问题是交通控制和交通诱导，发展智能交通系统一方面可以减少交通运营部门的大量的人力和物力的投入，另一方面能够使道路交通基础设施发挥更大的潜力，提高服务水平，将城市道路交通的实时路况信息及时提供给出行者达到疏导交通流的目的。本文旨在讨论基于深度学习研究交通流量统计分析方法，构建道路交通流量统计分析模型，提高交通流量统计分析的效率与准确度。进而指导交通部门以及政府实行科学的措施，有助于有关部门制定出合理的工作计划和行之有效的交通对策，提高道路资源利用率。