快速路交通事件檢測(cè)方法

李紅偉 陸 鍵 姜桂艷 馬永鋒

(1東南大學(xué)交通學(xué)院,南京 210096)

(2上海交通大學(xué)船舶海洋與建筑工程學(xué)院,上海 200240)

(3吉林大學(xué)交通學(xué)院,長春 130022)

作為城市路網(wǎng)系統(tǒng)中的主要道路,快速路在整個(gè)城市交通系統(tǒng)中發(fā)揮著重要作用,如上海快速路道路面積占市中心道路面積的5%,卻承擔(dān)了市中心20%的交通量[1]．因交通事件引起的擁堵已占上?？焖俾房倱矶碌?0%～75%[2]．準(zhǔn)確、及時(shí)的交通事件自動(dòng)檢測(cè)(automatic incident detection,AID)算法可減少因交通事故造成的擁堵時(shí)間,降低人員傷亡以及財(cái)產(chǎn)損失．

目前,流行的交通數(shù)據(jù)采集設(shè)備是環(huán)形線圈檢測(cè)器和視頻檢測(cè)器．與視頻檢測(cè)器相比,環(huán)形線圈檢測(cè)器因具有價(jià)格適中,在雨、霧等惡劣天氣下仍可正常工作等優(yōu)勢(shì),而被廣泛應(yīng)用．以線圈數(shù)據(jù)為基礎(chǔ)的AID算法包括模式識(shí)別、統(tǒng)計(jì)預(yù)測(cè)、時(shí)間序列、交通流理論、智能檢測(cè)5類,代表算法分別為California算法[3]、貝葉斯算法[4]、自回歸綜合移動(dòng)平均算法[5]、小波算法[6]以及神經(jīng)網(wǎng)絡(luò)算法[7]．這些算法均存在缺陷：California算法誤警率高;貝葉斯算法復(fù)雜;自回歸綜合移動(dòng)平均算法復(fù)雜,誤警率高;小波算法檢測(cè)率低;神經(jīng)網(wǎng)絡(luò)算法復(fù)雜[8-9]．此外,以上算法對(duì)低流量狀態(tài)下的事件檢測(cè)效果極差．

本文提出一種既能保證較高檢測(cè)率(detection rate)和較低誤報(bào)率(false alarm rate),又適用于各種流量的快速路AID算法．

1 數(shù)據(jù)來源

本文提取了某城市快速路高架上的交通流歷史數(shù)據(jù)進(jìn)行研究．該路段全長約14km,包括主線、8個(gè)出入口匝道和3個(gè)立交,全程無信號(hào)控制．

由于快速路主線、匝道與高架上的交通流沖突類型、車輛運(yùn)行特征存在差異[10],匝道分流點(diǎn)、合流點(diǎn)以及減速連接部、加速連接部處布設(shè)檢測(cè)器[11]．主線處,平均每500m左右設(shè)置一個(gè)檢測(cè)截面,共布設(shè)88組檢測(cè)器．匝道進(jìn)口和出口附近各設(shè)置一個(gè)檢測(cè)截面,共布設(shè)42組檢測(cè)器．路段兩端立交匝道出入口各設(shè)置一個(gè)檢測(cè)截面;第3個(gè)立交出入口匝道上布設(shè)間距約200m的2個(gè)檢測(cè)截面,立交共布設(shè)30個(gè)檢測(cè)器．已有研究認(rèn)為,事件檢測(cè)中檢測(cè)器間距在200～500m之間是合適的,由此可知,本文中檢測(cè)器布設(shè)間距合理[12]．

檢測(cè)器可采集流量、地點(diǎn)平均車速(簡(jiǎn)稱速度)和時(shí)間占有率(簡(jiǎn)稱占有率)等參數(shù),采集間隔為5min．采集時(shí)間為2008-04-24—2008-05-26每周的第1個(gè)工作日．?dāng)?shù)據(jù)采集期間天氣晴好,路段沿線無大型活動(dòng)和特殊交通管制,共采集了191起交通事件,東側(cè)主線、東側(cè)匝道、西側(cè)主線、西側(cè)匝道各75,31,56,29起．東側(cè)數(shù)據(jù)用于交通事故數(shù)據(jù)特征分析和建模,西側(cè)數(shù)據(jù)用于驗(yàn)證模型的有效性．

2 理論基礎(chǔ)

2.1 時(shí)間序列

交通事故的時(shí)間序列包含事故發(fā)生、發(fā)展趨勢(shì),可用于設(shè)計(jì)AID算法[13]．圖1給出了交通量數(shù)據(jù)時(shí)間序列.其中，x軸為橫向時(shí)間序列，指數(shù)據(jù)以24h為坐標(biāo)軸進(jìn)行排列的序列;y軸為縱向時(shí)間序列，指數(shù)據(jù)以相同工作日(如周一)為坐標(biāo)軸進(jìn)行排列的序列；z軸為流量(輛/min)．

圖1 交通量數(shù)據(jù)時(shí)間序列

現(xiàn)有的AID算法多以橫向時(shí)間序列上的數(shù)據(jù)為研究基礎(chǔ),對(duì)數(shù)據(jù)的穩(wěn)定性和正態(tài)擬合性要求較高．本文利用均值標(biāo)準(zhǔn)誤差(standard error of mean,SEM)和Kolmogorov-Smirnov正態(tài)性檢驗(yàn)對(duì)比分析2種時(shí)間序列上數(shù)據(jù)的波動(dòng)性和正態(tài)擬合性,以選擇更適合建模需求的時(shí)間序列．

圖1中,橫向時(shí)間序列交通流變化趨勢(shì)復(fù)雜,為降低其波動(dòng)性,根據(jù)其變化趨勢(shì),將橫向時(shí)間分為4段:① 低峰,00:00—04:30;② 激增,04:35—07:30;③ 高峰,07:35—17:30;④ 緩降,17:35—00:00．各階段的SEM值和Kolmogorov-Smirnov驗(yàn)證結(jié)果(P)如表1所示,其中,SEM值越大,說明數(shù)據(jù)波動(dòng)性越大;P為顯著性水平,若P>0.05,表示沒有足夠證據(jù)證明樣本不符合正態(tài)分布,反之,表示數(shù)據(jù)不符合正態(tài)分布．

表1 SEM值與Kolmogorov-Smirnov檢驗(yàn)

表1中,橫向時(shí)間序列上數(shù)據(jù)的SEM值約為縱向時(shí)間序列的2～3倍,說明縱向時(shí)間序列更穩(wěn)定;縱向時(shí)間序列上數(shù)據(jù)的P值均大于0.05,說明縱向時(shí)間序列正態(tài)擬合性更好．因此,本文選擇數(shù)據(jù)波動(dòng)性更小、正態(tài)擬合性更顯著的縱向時(shí)間序列上的數(shù)據(jù)為建?；A(chǔ),建立快速路AID算法．

2.2 突變理論

突變理論研究從一種穩(wěn)定組態(tài)躍遷到另一種穩(wěn)定組態(tài)的現(xiàn)象和規(guī)律,能較好地解釋和預(yù)測(cè)自然界和社會(huì)上的突然現(xiàn)象[14]．交通事件下的交通流變化趨勢(shì)符合突變現(xiàn)象．未發(fā)生事件時(shí),交通流參數(shù)在一定范圍內(nèi)小幅上下波動(dòng);事件發(fā)生前期,交通流參數(shù)急劇降低;事件持續(xù)期間,交通流參數(shù)基本穩(wěn)定在一定范圍內(nèi);事件發(fā)生后期,交通流參數(shù)急劇增加;事件結(jié)束,交通流參數(shù)在一定范圍內(nèi)小幅波動(dòng)．交通參數(shù)的突變特征可歸納為:

① 多模態(tài)．事件未發(fā)生和發(fā)生時(shí),交通流參數(shù)在不同區(qū)間內(nèi)上下波動(dòng)．

② 不可達(dá)．未發(fā)生事件時(shí),交通流參數(shù)所在區(qū)間是事件過程中的參數(shù)不能達(dá)到范圍,反之亦然．

③ 突跳．事件發(fā)生時(shí),交通流參數(shù)由一個(gè)穩(wěn)定的數(shù)值范圍突然跳到另一個(gè)穩(wěn)定的數(shù)值范圍,這種變化是不連續(xù)的．

3 模型建立

3.1 參數(shù)選取

參數(shù)的選擇關(guān)系到AID算法的效果．已有的AID算法多采用占有率或流量作為輸入?yún)?shù)．事件發(fā)生時(shí),單位車輛通過檢測(cè)器的時(shí)間增加,導(dǎo)致占有率增大；交通擁堵時(shí),占有率亦可能增大．單純從占有率判斷是否發(fā)生交通事件不盡合理,流量存在同樣的問題．這表明,依靠單個(gè)交通參數(shù)無法很好地體現(xiàn)交通流運(yùn)行狀態(tài)．事件發(fā)生過程中,占有率數(shù)值明顯增大，流量、速度明顯降低．因此,本文利用環(huán)形線圈檢測(cè)到的事件狀態(tài)下的流量、速度和占有率3個(gè)參數(shù)設(shè)計(jì)新的AID算法．

3.2 交通事件影響指數(shù)

根據(jù)統(tǒng)計(jì)理論和突變理論,提出交通事件影響指數(shù)I．I定義為交通流參數(shù)預(yù)測(cè)值與實(shí)測(cè)值之比,計(jì)算公式如下:

(1)

事件發(fā)生后車流可能靜止,為防止檢測(cè)器檢測(cè)到的占有率為0,占有率加上一個(gè)常數(shù)0.001．

由于縱向時(shí)間序列穩(wěn)定性好,從預(yù)測(cè)的簡(jiǎn)易性考慮,用移動(dòng)平均法預(yù)測(cè)交通參數(shù),即

(2)

預(yù)測(cè)精度取決于時(shí)間窗口尺度n．若n<3,預(yù)測(cè)數(shù)據(jù)精度小于90%；若n>8,即2個(gè)月后,預(yù)測(cè)數(shù)據(jù)精度降低，這是由于交通流具有季節(jié)性．因此,n∈(3,8)．

3.3 交通事件影響指數(shù)特征分析

預(yù)測(cè)值由正常交通狀態(tài)下的歷史數(shù)據(jù)計(jì)算得到.未發(fā)生事件時(shí),預(yù)測(cè)值與實(shí)測(cè)值相差不大,I在數(shù)值1左右波動(dòng);事件發(fā)生時(shí),分母中的qp(t)和vp(t)降低，op(t)增大,實(shí)測(cè)值顯著降低,預(yù)測(cè)值明顯大于實(shí)測(cè)值,I值遠(yuǎn)遠(yuǎn)大于1．事件狀態(tài)下的I值變化特征如圖2所示.

圖2 事件狀態(tài)下的事故影響指數(shù)變化趨勢(shì)

3.4 確定閾值

本文利用I值累積分布曲線(見圖3)及檢測(cè)率(RD)和誤報(bào)率(RFA)關(guān)系曲線(見圖4)確定交通事件判斷的閾值．圖3中,RD值等于100%減去該閾值下的累積百分?jǐn)?shù)．I=8時(shí),RD=100%;I=9時(shí),RD=95%;I=10時(shí),RD=90%;I=11時(shí),RD=85%．圖4中,I=8時(shí),RFA=36.72%;I=9時(shí),RFA=27.18%;I=10時(shí),RFA=1.69%;I=11時(shí),RFA降至0%．由以上結(jié)果分析得出,閾值應(yīng)取10．

基于以上原因,“是否發(fā)生交通事件”的問題就歸結(jié)為“在t時(shí)刻的I值是否屬于某個(gè)區(qū)間”的下述檢驗(yàn)問題:

原假設(shè)HI∈(0,10)

對(duì)立假設(shè)KI?[10,+∞)

假設(shè)成立,未發(fā)生事件;反之,發(fā)生事件．

圖4 RD-RFA曲線

4 模型驗(yàn)證

4.1 對(duì)比檢驗(yàn)

一般用檢測(cè)率RD、誤報(bào)率RFA和平均檢測(cè)時(shí)間DMTT三個(gè)指標(biāo)檢測(cè)AID算法的性能．作為經(jīng)典的AID算法,California算法應(yīng)用效果已在實(shí)際應(yīng)用中得到充分證明,本文利用California算法驗(yàn)證本文提出的事件數(shù)據(jù)影響指數(shù)算法的性能,對(duì)比結(jié)果見表2．

表2 檢測(cè)結(jié)果對(duì)比 %

由表2可以得出以下結(jié)論:

1) California算法RD=85%,事件數(shù)據(jù)影響指數(shù)算法RD=94.56%,后者的RD值比前者高近10%，說明本文算法的檢測(cè)率可以滿足檢測(cè)率要求．

2) California算法RFA=0.64%,事件數(shù)據(jù)影響指數(shù)算法RFA=0%,后者的誤報(bào)率低于前者，說明本文算法基本不會(huì)誤判交通事件．

3) 若以California算法檢測(cè)出事件的時(shí)間為參考時(shí)間,本文算法可提前5min檢測(cè)出交通事件．

權(quán)衡RD,RFA及DMTT三個(gè)評(píng)價(jià)指標(biāo),可以發(fā)現(xiàn)本文算法的檢測(cè)效果更好．

4.2 不同閾值檢測(cè)效果對(duì)比

西側(cè)主線、西側(cè)匝道的交通事故數(shù)分別為56,29．當(dāng)閾值為12,11,10,9,8時(shí),西側(cè)主線檢測(cè)出的交通事故數(shù)分別為38,42,54,55,56,被誤判的交通事故數(shù)為0,0,0,1,7;西側(cè)匝道檢測(cè)出的事故數(shù)為22，25,28,29,29,被誤判的交通事故數(shù)為0,0,0,2,5．

不同閾值下的RD和RFA值如表3所示．對(duì)西側(cè)主線而言,RD=100%時(shí),閾值為8,RFA=12.50%;閾值為10,11,12時(shí),RFA均為0%,RD值分別為94.64%,75.00%和67.86%．

表3 不同閾值下的檢測(cè)結(jié)果 %

為了保證誤檢率和檢測(cè)率均達(dá)到最優(yōu),選擇I=10作為閾值．同理,西側(cè)匝道的交通事件檢測(cè)方法的最優(yōu)閾值同樣為10．此結(jié)果說明了本文提出的閾值確定方法是正確的．

4.3 不同流量情況下的檢測(cè)效果

圖5中,事件1,2,3,4的發(fā)生時(shí)段分別為0:55—1:15,5:55—6:05,15:15—15:50,20:20—20:55,其中,事件1,2,3為一次事故,事件4為二次事故．結(jié)合圖1中交通流量的4個(gè)時(shí)段,事件1發(fā)生在低峰時(shí)段,事件2發(fā)生在流量激增時(shí)段,事件3發(fā)生在高峰時(shí)段,事件4發(fā)生在流量緩降時(shí)段．

圖5 不同流量下的事故影響指數(shù)變化趨勢(shì)

由圖5可得到以下結(jié)論:

1) 大于閾值的I值所在時(shí)間內(nèi)均發(fā)生交通事件;小于閾值的I值所在時(shí)間內(nèi)均未發(fā)生交通事件．

2) 事件發(fā)生過程中,當(dāng)I值變化曲線為U形曲線時(shí),表示本次事件發(fā)生了二次事故,如事件4所示．

3)I值對(duì)低流量比高流量更敏感,說明本方法不僅能在高峰、平峰時(shí)段檢測(cè)出交通事件,對(duì)低流量時(shí)發(fā)生的交通事件檢測(cè)效果更好,即本文算法適用于各種流量．

4) 未發(fā)生事件時(shí),I值在1左右上下浮動(dòng),浮動(dòng)范圍不超過10;發(fā)生事件時(shí),I值突變,突變幅度很大,說明本文算法的檢測(cè)性能不受交通流變化趨勢(shì)的影響,只受交通事件的影響．這也解釋了本文算法比California算法檢測(cè)性能更好的原因,同時(shí)說明了本文算法的閾值更容易確定．

5 結(jié)論

1) 本文算法的檢測(cè)率比California算法高出近10%,誤檢率為0,可提前5min檢測(cè)出交通事件．說明本文算法具有良好的性能．

2)I值在低流量時(shí)比高流量反應(yīng)更敏感,說明本算法不僅能在高峰、平峰時(shí)段檢測(cè)出交通事件,對(duì)低流量時(shí)發(fā)生的交通事件檢測(cè)效果更好,即本文算法適用于各種流量的情況．

3) 本文算法的檢測(cè)性能不受交通流變化趨勢(shì)的影響,只受交通事件的影響．

)

[1]唐海雯.實(shí)時(shí)監(jiān)控 及時(shí)處置 為排堵保暢做貢獻(xiàn)[J].交通與運(yùn)輸,2006(2):10-11.

[2]姬楊蓓蓓,張小寧,孫立軍.基于貝葉斯決策樹的交通事件持續(xù)時(shí)間預(yù)測(cè)[J].同濟(jì)大學(xué)學(xué)報(bào):自然科學(xué)版,2008,36(3): 319-324.

Jiyang Beibei,Zhang Xiaoning,Sun Lijun.Incident duration prediction grounded on Bayesian decision method based tree algorithm[J].JournalofTongjiUniversity:NaturalScience,2008,36(3): 319-324.(in Chinese)

[3]Payne H J,Helfenbein E D,Knobel H C.Development and testing of incident detection algorithms[R].Washington,DC,USA: Federal Highway Administration,1976.

[4]Abuelela M,Olariu S.Automatic incident detection in VANETs: a Bayesian approach[C]//IEEEVehicularTechnologyConference.Barcelona,Spain,2009:1-5.

[5]Moynihan G P,Fonseca D J,Brumback T,et al.Design of a decision support system for road incident detection and characterization [C]//Proceedingsofthe2009ASCEInternationalWorkshoponComputinginCivilEngineering.Austin,USA,2009:613-322.

[6]Jeong Y-S,Castro-Neto M,Jeong M K,et al.A wavelet-based freeway incident detection algorithm with adapting threshold parameters[J].TransportationResearchPartC,2009,19(1):1-19.

[7]Ritchie S G,Cheu R L.Simulation of freeway incident detection using artificial neural networks[J].TransportationResearchPartC,1993,1(3):203-217.

[8]Jian L,Shuyan C,Wei W.A hybrid model of partial least squares and neural network for traffic incident detection [J].ExpertSystemswithApplications,2012,39(5): 4775-4784.

[9]Subramaniam S.Literature review of incident detection algorithms to initiative diversion strategies[R].Blacksburg,VA,USA: Virginia Polytechnic Institute,1991.

[10]王欣,李文權(quán),王煒.基于駕駛行為共性的回波速度解釋及仿真[J].東南大學(xué)學(xué)報(bào):自然科學(xué)版,2007,37(4): 691-694.

Wang Xin,Li Wenquan,Wang Wei.Interpreting and emulating echo wave speed based on common characteristics of driving behavior [J].JournalofSoutheastUniversity:NaturalScienceEdition,2007,37(4):691-694.(in Chinese)

[11]陳雨人,鄭仕文,童世鑫,等.區(qū)域高速公路網(wǎng)絡(luò)交通事件傳感器布設(shè)方法研究[J].公路交通科技,2010,27(11): 143-148.

Chen Yuren,Zheng Shiwen,Tong Shixin,et al.Study on deployment of traffic incident detectors for regional expressway network[J].JournalofHighwayandTransportationResearchandDevelopment,2010,27(11):143-148.(in Chinese)

[12]Awadallah F.Incident detection:selection of appropriate technologies and methodologies[J].RoadTransportResearch,2002,11(2):50-56.

[13]Daniel D G,Francisco J,David G O.Wavelet-based denoising for traffic volume time series forecasting with self-organizing neural networks [J].Computer-AidedCivilandInfrastructureEngineering,2010,25(7):530-545.

[14]Stamovlasis D,Tsaparlis G.Applying catastrophe theory to an information-processing model of problem solving in science education [J].ScienceEducation,2010,96(3):392-410.