基于交通流特征變化的交通事件檢測(cè)與識(shí)別方法

楊東鋒 徐 靈 王 錕 戴 杰 徐杭鳴

（1．浙江杭紹甬高速公路有限公司，浙江 杭州 311215；2．浙江高信技術(shù)股份有限公司，浙江 杭州 310005）

0 引言

交通事件（例如事故、車(chē)輛故障和拋撒物）可能會(huì)引發(fā)擁堵、交通延誤、排放增加和二次事故等嚴(yán)重問(wèn)題。在美國(guó)，高速公路上超過(guò)1/2的交通擁堵都是由事故造成的。盡快進(jìn)行交通事件檢測(cè)可以在很大程度上緩解交通延誤、燃料浪費(fèi)、排放和經(jīng)濟(jì)損失等問(wèn)題，還可以降低發(fā)生二次事故的可能性。因此，自動(dòng)交通事件檢測(cè)逐漸成為研究重點(diǎn)（尤其是在減少高速公路交通擁堵方面）。在相關(guān)研究成果中，交通事件通常指任何可能擾亂正常交通流并降低道路通行能力的非經(jīng)常性事件。

該文提出基于數(shù)據(jù)松弛操作算法和改進(jìn)的加利福利亞算法組合的自動(dòng)檢測(cè)算法：1） 先利用基本毫米波雷達(dá)原始數(shù)據(jù)及其組合構(gòu)造1組相對(duì)全面的初始變量，再基于松弛操作算法從初始變量中選擇特征變量。2） 設(shè)置虛擬檢測(cè)器，細(xì)分2個(gè)檢測(cè)器之間的路段顆粒度，并設(shè)置車(chē)道數(shù)參數(shù)，使事件檢測(cè)范圍覆蓋更精細(xì)。3） 改進(jìn)的加利福利亞算法引入路段/車(chē)道平均速度變量，可以提升的算法準(zhǔn)確率和召回率。

1 問(wèn)題描述與算法建模

1.1 交通事件檢測(cè)與識(shí)別

采集高速公路交通事件的方式較多，通常采用視頻、雷達(dá)檢測(cè)交通事件，每種監(jiān)測(cè)方式單一，監(jiān)測(cè)交通事件存在信息上報(bào)重復(fù)和誤報(bào)等情況。如何利用高速公路感知設(shè)備采集的原始數(shù)據(jù)，并基于交通流變化特征進(jìn)行交通事件自動(dòng)檢測(cè)與識(shí)別是該文的研究重點(diǎn)。

1.2 交通運(yùn)行特征數(shù)據(jù)分析

根據(jù)高速公路位置檢測(cè)器收集的交通流、速度和占用率等數(shù)據(jù)，該路段對(duì)其變化特征進(jìn)行深入分析，設(shè)計(jì)了事件變量，突出交通事件前后交通流參數(shù)的變化特征，并構(gòu)成高速公路交通事件檢測(cè)的初始輸入事件變量集。

交通流參數(shù)的變化可以直接描述高速公路路段的交通狀態(tài)，在正常（無(wú)交通事故）情況下，交通流參數(shù)（流量、速度和占用率）的變化過(guò)程相對(duì)平緩。在非正常（有交通事故）情況下，交通流參數(shù)會(huì)在短時(shí)間內(nèi)因受交通事故的影響而劇烈波動(dòng)。在實(shí)際道路環(huán)境中，交通事件的上游和下游分別受壓縮波和擴(kuò)張波的影響，檢測(cè)的交通流參數(shù)變化如下：上游占用率迅速增加，而流量和速度迅速下降；下游占用率和流量迅速下降，速度可能提高或者降低。因此，根據(jù)上、下游檢測(cè)器檢測(cè)的交通流參數(shù)的變化情況可以判斷交通事故。

1.3 基于交通運(yùn)行特征變化判定交通事件的算法

基于交通運(yùn)行特征變化判定交通事件的加州算法流程如圖1所示。首先，基于路段信息、設(shè)備信息和毫米波雷達(dá)原始表抽取路段信息表的路段編碼字段和設(shè)備信息表的設(shè)備ID、設(shè)備樁號(hào)、經(jīng)度、維度、路段編碼以及方向字段，去除毫米波雷達(dá)原始表的車(chē)牌、車(chē)輛顏色字段，將3張表進(jìn)行數(shù)據(jù)匹配，并以路段ID、設(shè)備ID、方向和車(chē)道ID為條件進(jìn)行分類篩選，生成分車(chē)道交通流數(shù)據(jù)。如果有重復(fù)項(xiàng)，就去除重復(fù)項(xiàng)，然后計(jì)算每個(gè)采集頻率車(chē)道交通流量、車(chē)道平均速度。

圖1 基于交通運(yùn)行特征變化判定交通事件算法流程

其次，以交通運(yùn)行特征（流量、速度）表為輸入，California算法為雙截面算法，基于事件發(fā)生時(shí)上游截面占有率增加、下游截面占有率減少這一事實(shí)，對(duì)相鄰檢測(cè)站進(jìn)行比較。該算法1 min的平均占有率為（，），即在時(shí)刻，從檢測(cè)站得到的平均占有率為（，）。計(jì)算占有率的變量值，判斷是否滿足以下條件：1） 上下游檢測(cè)器占有率的絕對(duì)差值大于閾值，如公式（1）所示。2） 上下游檢測(cè)器的測(cè)量占有率差值與上游占有率的比值大于閾值，如公式（2）所示。3） 下游檢測(cè)器的不同時(shí)間占有率差值與下游占有率的比值大于閾值，如公式（3）所示。

式中：（，）為檢測(cè)站各車(chē)道當(dāng)前1 min的平均占有率；（+1，）為檢測(cè)站+1的下游相鄰站各車(chē)道前1 min的平均占有率；（+1，-2）為下游相鄰站各車(chē)道前2 min的平均占有率；、和為給定門(mén)限值。

當(dāng)同時(shí)滿足以上3個(gè)條件時(shí)，判斷事件發(fā)生。在該基礎(chǔ)上，該文研究了基于多車(chē)道交通事件檢測(cè)改進(jìn)的加州算法。

由公式（4）可知，占有率與車(chē)道數(shù)、車(chē)輛速度均呈反相關(guān)，根據(jù)加州算法的第一個(gè)條件中的變化，在不發(fā)生交通事件時(shí)相鄰檢測(cè)點(diǎn)占有率應(yīng)該是基本不變的，當(dāng)發(fā)生交通事件而造成車(chē)道數(shù)變化時(shí)，占有率的變化是顯著的。由于在檢測(cè)時(shí)不明確該檢測(cè)點(diǎn)的車(chē)道數(shù)是否因交通事件而發(fā)生了變化，因此用傳統(tǒng)加州算法會(huì)影響預(yù)警的精度。

設(shè)某檢測(cè)器在時(shí)間間隔內(nèi)檢測(cè)的占有率為（，）則相鄰2個(gè)觀測(cè)點(diǎn)（，+1）的占有率如公式（5）、公式（6）所示。

由于觀測(cè)數(shù)據(jù)的時(shí)間間隔為固定值，并且車(chē)道數(shù)目相同，因此其表達(dá)式可改寫(xiě)為公式（7）、公式（8）。

當(dāng)同時(shí)滿足以上3個(gè)條件時(shí)，判斷有事件發(fā)生，生成基于交通運(yùn)行特征變化判斷的交通事件數(shù)據(jù)。

2 基于交通運(yùn)行特征變化判定交通事件算法實(shí)現(xiàn)

在該文中使用MySQL數(shù)據(jù)庫(kù)存儲(chǔ)相關(guān)數(shù)據(jù)，在MySQL中創(chuàng)建highwaydb數(shù)據(jù)庫(kù)。根據(jù)所需的數(shù)據(jù)創(chuàng)建相應(yīng)的數(shù)據(jù)表，相應(yīng)的算法從該數(shù)據(jù)庫(kù)中獲取數(shù)據(jù)進(jìn)行分析計(jì)算，并將結(jié)果存儲(chǔ)到表中，從而實(shí)現(xiàn)只需要將后續(xù)應(yīng)用時(shí)的數(shù)據(jù)導(dǎo)入數(shù)據(jù)庫(kù)中就可以進(jìn)行事件分析的目標(biāo)。

由于毫米波雷達(dá)事件表中的每行代表單一雷達(dá)在某個(gè)時(shí)刻對(duì)一輛車(chē)的統(tǒng)計(jì)結(jié)果，因此要統(tǒng)計(jì)原始表中同一雷達(dá)每分鐘記錄的同一方向、同一車(chē)道的車(chē)流和平均車(chē)速，具體如下：將毫米量級(jí)的時(shí)間戳改為分鐘量級(jí)，再采用andas（數(shù)據(jù)分析工具）中的groupby（根據(jù)（by）一定的規(guī)則進(jìn)行分組）方法對(duì)同一雷達(dá)、同一路段以及同一創(chuàng)建時(shí)間的數(shù)據(jù)進(jìn)行分組并分別統(tǒng)計(jì)。

改進(jìn)加州算法的核心是計(jì)算、和，和如公式（10）、公式（11）所示。

式中：為車(chē)流量，pcu；為平均速度，km/h。

由公式（10）、公式（11）可知，2個(gè)值的計(jì)算都是在同一時(shí)間的維度下進(jìn)行，因此按創(chuàng)建時(shí)間對(duì)處理后的數(shù)據(jù)進(jìn)行分組，提取同一路段的相鄰雷達(dá)在同一創(chuàng)建時(shí)間的車(chē)流量和平均速度，就可以計(jì)算和，具體方法仍通過(guò)pandas來(lái)實(shí)現(xiàn)。

如公式（12）所示。

的計(jì)算是在同一雷達(dá)下進(jìn)行的，因此要根據(jù)雷達(dá)ID重新對(duì)數(shù)據(jù)進(jìn)行分組，提取同一路段下同一雷達(dá)在不同創(chuàng)建時(shí)間下的車(chē)流量和平均速度，再計(jì)算。

要先設(shè)定閾值進(jìn)行篩選，采用遍歷的方式可以在一定程度上得到最優(yōu)閾值。最優(yōu)是指能使通過(guò)交通運(yùn)行特征變化得到的事件表與毫米波雷達(dá)事件表盡量匹配。因?yàn)榻煌ㄟ\(yùn)行特征的變化不會(huì)在瞬間結(jié)束，即在20 min或30 min內(nèi)，同一路段、同一方向、同一車(chē)道以及同一雷達(dá)檢測(cè)的交通流數(shù)據(jù)變化很可能來(lái)自同一個(gè)事件，所以在設(shè)定閾值后要對(duì)結(jié)果表進(jìn)行去重處理。具體實(shí)現(xiàn)過(guò)程如下：首先，根據(jù)日期、創(chuàng)建時(shí)間、路段號(hào)、行駛方向、車(chē)道和雷達(dá)編號(hào)對(duì)結(jié)果表進(jìn)行分組。其次，對(duì)同組中的數(shù)據(jù)進(jìn)行排序并篩選，保證20 min內(nèi)只有1個(gè)事件。

另外，交通運(yùn)行特征的變化也不會(huì)與事件發(fā)生起始時(shí)間完全一致，會(huì)有一個(gè)延時(shí)的過(guò)程，因此要對(duì)毫米波雷達(dá)事件表進(jìn)行松弛操作。首先，從毫米波雷達(dá)事件表中篩選出與結(jié)果表可匹配的總事件數(shù)。其次，對(duì)創(chuàng)建時(shí)間進(jìn)行30 min松弛操作。最后，對(duì)毫米波雷達(dá)事件表和結(jié)果表進(jìn)行匹配操作，生成最終的通過(guò)交通運(yùn)行特征變化得到的事件表。

3 試驗(yàn)與結(jié)果分析

該測(cè)試路段選擇滬杭甬高速柯橋至紹興段，全長(zhǎng)10 km為測(cè)試路段，對(duì)選擇測(cè)試段進(jìn)行數(shù)據(jù)集準(zhǔn)備。在數(shù)據(jù)庫(kù)中導(dǎo)入該路段雙幅同一時(shí)間段毫米波雷達(dá)原始數(shù)據(jù)，加載2020年10月的數(shù)據(jù)，采用頻率為80 ms。

在數(shù)據(jù)庫(kù)表準(zhǔn)備好后，對(duì)所提出的基于交通運(yùn)行特征變化的事件檢測(cè)算法進(jìn)行測(cè)試，將算法運(yùn)行結(jié)果存入新建事件表中。利用原始表中的上行方向上車(chē)道1和車(chē)道2進(jìn)行測(cè)試，得到的結(jié)果如下：利用毫米波雷達(dá)事件表得到的可匹配的事件數(shù)為168，通過(guò)設(shè)置閾值得到的事件數(shù)為180，其中相匹配的事件數(shù)為165，準(zhǔn)確率為91.7%，召回率為98.2%。

4 結(jié)語(yǔ)

通過(guò)算法研究和實(shí)際道路測(cè)試可知，基于交通流特征變化判斷交通事件算法對(duì)事件的檢測(cè)率比基于視頻或雷達(dá)檢測(cè)的算法高，但基于交通流特征變化判斷交通事件算法無(wú)法判斷事件的類型。

該文得到的主要結(jié)論如下：1） 該文提出的基于數(shù)據(jù)松弛操作算法和改進(jìn)的加利福利亞算法組合自動(dòng)檢測(cè)算法的試驗(yàn)結(jié)果表明，在20 s內(nèi)對(duì)80 000多條毫米波雷達(dá)原始數(shù)據(jù)進(jìn)行交通事件自動(dòng)檢測(cè)的準(zhǔn)確率為91.7%，召回率為98.2%。這說(shuō)明該文所提出的AID算法在高速公路交通事件自動(dòng)檢測(cè)場(chǎng)景中具有較好的適用性。2） 通過(guò)算法研究和開(kāi)發(fā)可以將算法封裝為服務(wù)，通過(guò)算法平臺(tái)進(jìn)行調(diào)度執(zhí)行，并基于高精度地圖進(jìn)行事件可視化和聯(lián)動(dòng)，在實(shí)際高速公路運(yùn)營(yíng)管理中具有良好的擴(kuò)展應(yīng)用價(jià)值。