基于FA-SVM的高速公路交通事件檢測方法

姜 卉，姜桂艷

(1.北華大學土木與交通學院，吉林 吉林 132013；2.東北林業(yè)大學交通學院，黑龍江 哈爾濱 150040；3.寧波大學海運學院，浙江 寧波 315211；4.國家道路交通管理工程技術研究中心寧波大學分中心，浙江 寧波 315211)

高速公路的交通流具有車速高、車流大的特點，一旦有交通事件發(fā)生，受影響的車輛多、人車傷亡率高，還會帶來交通擁堵等問題，甚至造成二次事故，將導致高速公路的通行能力和運營效率變得更差.因此，針對高速公路交通事件檢測算法的研究意義重大.交通事件檢測技術的研究已近50 a，其檢測實質就是依據(jù)事件發(fā)生前后交通流數(shù)據(jù)的變化來判定被檢測道路的交通狀態(tài).到目前為止，已經(jīng)形成了一些較為經(jīng)典的交通事件檢測算法，如加州算法[1]和McMaster算法[2].這些算法雖然得到了專家認可，但也不可避免地存在檢測性能不高的問題.

支持向量機(Support Vector Machine，SVM)因具有良好的學習和分類能力，已被眾多學者應用到水質檢測、圖像處理、交通事件檢測等諸多模式識別問題中，其檢測性能較已有的經(jīng)典算法有了明顯提高[3-6].但是，在事件檢測方面，由于現(xiàn)有SVM模型的輸入特征變量多是人為設定，變量間存在的冗余以及重復現(xiàn)象仍會影響整個檢測過程的速度以及整體的事件檢測性能；因子分析[7](Factor Analysis，F(xiàn)A)技術能夠將設定的事件特征變量“降維”并從中提取包含原始事件數(shù)據(jù)全部信息的潛在因子變量，排除變量間的冗余重復對事件檢測過程的影響.因此，本文將上述兩種方法的優(yōu)勢結合設計交通事件檢測算法，利用FA篩選初始設定交通事件特征變量，利用SVM實現(xiàn)對交通事件檢測，期待獲得良好的檢測效果.

1 交通事件初始特征變量選擇

車輛檢測器可以獲得交通流參數(shù)數(shù)據(jù)，包括流量、速度、占有率等.在發(fā)生交通事件時，上述參數(shù)會在短暫時間內發(fā)生劇烈變化，事件上游檢測站附近單位時間內的流量減少、速度下降、占有率增加；事件下游檢測站附近單位時間內的流量和占有率都有所減少，而對應的速度可能變小也可能變大，上述參數(shù)本身可有效凸顯事件狀態(tài).此外，不同參數(shù)的相關組合在發(fā)生交通事件時也具有良好的敏感性.

1.1 交通流參數(shù)正常值與實際值的比

本文采用移動平均法計算交通流參數(shù)數(shù)據(jù)時間序列的移動平均值，并以此值作為沒有隨機干擾和交通事件影響下交通流參數(shù)的正常值.在非事件狀態(tài)下，能夠體現(xiàn)交通流特性的某一參數(shù)數(shù)據(jù)的正常值與實際值的比值應在“1”上下波動；在事件狀態(tài)下，交通流數(shù)據(jù)的實際值會有一個突然的變化，此時二者的比值也會變化.事件下流量正常值與實際值的比見圖1，以流量的正常值與實際值的比作為示例，橢圓區(qū)域即為事件發(fā)生時段.

圖1事件下流量正常值與實際值的比Fig.1Volume ratio change under the traffic incident圖2事件下占有率與流量的比Fig.2The change between occupy and volume under the traffic incident

1.2 不同交通流參數(shù)間的比

在事件條件下，不同交通流參數(shù)本身會有一定變化.為了放大這種變化程度，凸顯事件狀態(tài)，可以考慮交通流參數(shù)之間組合的變化形式，如不同參數(shù)間的比值、差值、乘積等.以占有率與流量的比值變化為例，圖2中橢圓區(qū)域為事件發(fā)生時段.

圖3 事件下不同時間間隔占有率區(qū)間變化Fig.3 Occupy ratio change at different time intervals under the traffic incident

1.3 交通參數(shù)的區(qū)間變化

當兩相鄰檢測站間有交通事件發(fā)生時，受事件影響的交通流從事件發(fā)生位置傳遞到其上、下游檢測站需要一定的時間間隔，且考慮事件發(fā)生位置在兩檢測站間的不確定性，即使是受同一個交通事件影響的交通流，也會存在在不同時間點被其上、下游檢測站檢測到的情況.因此，在設計特征變量時，應把這種情況考慮在內，即對比在不同時間間隔內，上、下游檢測站采集的某一交通參數(shù)數(shù)據(jù).當數(shù)據(jù)變化波動較明顯時，則說明檢測區(qū)間內可能有交通事件發(fā)生.以占有率為例，事件下不同時間間隔占有率區(qū)間變化見圖3，橢圓區(qū)域為事件發(fā)生區(qū)域.

綜合上述幾類組合情況，最終選定以下兩大類初始特征變量：1)簡單變量：單車道占有率、單車道流量、單車道車頭時距以及截面速度；2)組合變量：流量/速度、占有率/速度、占有率/流量及流量的正常值與實際值的比、速度正常值與實際值的比、占有率正常值與實際值的比、車頭時距正常值與實際值的比(計算正常值的時間窗口n=8)，不同時間間隔下相鄰兩檢測站速度、流量以及占有率的區(qū)間變化率(時間窗口m=0，1，2，3)等.上述特征變量均可凸顯事件下交通流的變化特性.

2 基于FA的交通事件數(shù)據(jù)特征變量篩選

1904年，心理學家Chales Spearman和Karl Pearson提出了因子分析方法(FA)，該方法能夠在保留原有數(shù)據(jù)全部信息的基礎上，從中提取變量因子，并按變量因子的貢獻率分配權重.其實現(xiàn)步驟主要涉及因子分析的前提條件、因子提取、因子旋轉和因子得分等4步[7].

在交通事件檢測過程中，雖然初始選定的交通事件特征變量能體現(xiàn)事件下交通流的變化狀態(tài)，但仍存在包涵信息冗余以及重復的問題.為了免除這些因素對事件檢測過程的干擾，本文利用FA技術，對初始特征變量進行“降維”處理，篩選出既能包涵交通事件信息又能剔除干擾因素的特征變量因子，將其作為交通事件特征變量參與后續(xù)的交通事件檢測過程.

篩選步驟：1)對初始選定的交通事件特征變量進行標準化處理，為后續(xù)事件變量間的相關性分析做準備；2)針對符合因子分析條件即事件變量間相關性較強的數(shù)據(jù)求解相關系數(shù)矩陣特征值，并繪制碎石圖，以方便提取交通事件數(shù)據(jù)最終主因子；3)判定事件變量的因子載荷矩陣，看其是否需要旋轉，最終計算主因子得分.針對上述步驟繪制基于FA的交通事件數(shù)據(jù)特征變量篩選步驟，見圖4.

圖4 基于FA的交通事件數(shù)據(jù)特征變量篩選流程Fig.4 Flow of traffic incident data selection based on FA

圖5 基于SVM的交通事件檢測算法工作流程Fig.5 Flow of traffic incident detection algorithm based on SVM

3 基于SVM的交通事件檢測

交通事件檢測屬于分類識別問題.本文基于SVM良好的分類能力，結合初步特征變量選擇及FA篩選，利用SVM對篩選出的特征變量集合進行優(yōu)化分類，最終實現(xiàn)交通事件檢測.

1)基于車輛檢測器數(shù)據(jù)設計、篩選、計算交通變量主因子值，組成輸入變量集，再將輸入變量集分為兩個子部分，即訓練數(shù)據(jù)集和測試數(shù)據(jù)集.其中，根據(jù)有無交通事件發(fā)生，將交通變量主因子分別標識為“+1”和“-1”；

2)選擇SVM模型，應用訓練數(shù)據(jù)集對模型進行訓練，按照中止條件完成訓練并確定相關參數(shù)；

3)將測試數(shù)據(jù)集加載到訓練好的SVM模型上，統(tǒng)計檢測效果.如檢測效果滿足預先設定的標準，則完成檢測并進行評價；否則返回步驟2)，重新選擇及訓練SVM模型.

針對上述步驟繪制基于SVM的交通事件檢測算法工作流程，見圖5.

4 實例驗證

4.1 數(shù)據(jù)來源

根據(jù)某城市高速公路道路幾何線形和功能設定情況，選取一段2km路段作為模擬對象，見圖6.該路段為雙向4車道，單車道寬3.5m.整個路段被6個檢測站劃分成5個檢測區(qū)，檢測站間的平均間距為400m左右[8].

利用Fresim軟件進行路段仿真模擬：

1)模擬時間從早上7：30到下午16：30，模擬路段的交通量分布見表1；

2)在5個檢測區(qū)的上、中、下游3個位置分別設置不同嚴重程度的交通事件，最終輸出300個事件；

3)單次模擬時間為35min，交通事件設定發(fā)生在25min，其中，0～15min數(shù)據(jù)用于計算交通參數(shù)移動平均值，16～25min數(shù)據(jù)為非交通事件狀態(tài)數(shù)據(jù)，26～35min數(shù)據(jù)為交通事件狀態(tài)數(shù)據(jù)；

4)采樣間隔設置為30s.

模擬過程共獲得252000余組交通數(shù)據(jù)，每組數(shù)據(jù)均由檢測站編號、車道編號、數(shù)據(jù)獲取時間、單車道交通流量、占有率、速度以及車頭時距等信息組成.

表1 Fresim軟件模擬路段的交通量分布Tab.1 Traffic distribution on simulated road sections based on Fresim software /(輛·h-1)

4.2 基于FA的特征變量篩選

選用SPSS 11.5軟件對交通事件初始變量數(shù)據(jù)進行標準化處理，求解其相關系數(shù)矩陣，進行KMO檢驗、巴特萊特球度檢驗.其中，KMO值為0.85，統(tǒng)計值的顯著性概率為0.000；球度檢驗值為34 291.9.上述數(shù)據(jù)說明所選定的交通變量間具有較強的相關性，適合做因子分析.根據(jù)主因子的提取原則，事件初始特征變量前6個主因子的特征值以及貢獻率見表2，其累計貢獻率已經(jīng)達到了85%以上，結合圖 7可進一步說明此6個主因子符合進行因子分析的標準.

4.3 不同交通事件檢測效果對比

為了驗證設計算法的檢測效果設計如下檢測方案：1)訓練集、測試集來自相同的檢測區(qū)，以判斷設計算法檢測效果的有效性；2)訓練集、測試集來自不同的檢測區(qū)，以判斷設計算法檢測效果的可移植性.

基于方案1)和方案2)的檢測方案設計，分別采用方法1：本文設計的基于FA-SVM算法；方法2：針對初始特征向量不做處理的SVM事件檢測算法；方法3：文獻[9]中設計的基于SVM的算法；方法4：經(jīng)典加州算法.根據(jù)文獻[10]，各方法中的SVM模型均選用高斯徑向基核函數(shù).

交通事件檢測算法的性能評價指標有3類：誤報率(False Alarm Rate，F(xiàn)AR)、檢測率(Detection Rate，DR)以及平均檢測時間(Mean Time To Detection，MTTD)，三者之間相互制約、相互影響.為了更好地衡量事件檢測算法的優(yōu)良性，本文結合上述3個性能評價指標，設計了一個綜合性能評價指標 (Comprehensive Performance Evaluation Index，CPEI)來表征算法整體性綜合檢測效果：

其中：α，β，γ為各性能指標的相關參數(shù)，針對不同地區(qū)、不同線性道路可設定不同的α，β，γ值.結合本文算法檢測數(shù)據(jù)的模擬環(huán)境以及道路線形特點，并突出誤報率對整個檢測效果的影響，最終確定的α，β，γ分別為1，2，1.檢測率DR值越高、誤報率FAR值越低、平均檢測時間MTTD越短，CPEI越小，說明整體性綜合檢測效果越好.

4.3.1 交通事件檢測結果的有效性分析

為了評價本文提出算法的有效性，針對選定的4種交通事件檢測方法進行檢測效果整體性能分析，結果見表3.由表3可知：本文設計的方法1檢測效果最好，方法3次之，加州算法的檢測效果最差.由此可見，本文設計的算法能有效檢測到不同檢測區(qū)間內交通事件的發(fā)生；對比5個不同檢測區(qū)間可以看出，第1，2檢測區(qū)間的檢測效果略差于第3，4，5檢測區(qū)間.分析模擬數(shù)據(jù)發(fā)現(xiàn)，第1，2檢測區(qū)間內的交通事件發(fā)生在交通流量較小的路況下，其對交通流的影響并不顯著，因此會影響此類事件的檢測效果，要準確檢測此類交通事件應采用更為有效的檢測方法.

表3 交通事件檢測算法有效性驗證匯總Tab.3 Summary of validation of traffic incident detection algorithm

4.3.2 交通事件檢測結果的可移植性分析

為了評價本文提出算法的可移植性，針對選定的4種交通事件檢測方法進行檢測效果整體性能分析，結果見表4.由表4可知：從方法1到方法3的檢測效果均優(yōu)于經(jīng)典加州算法，本文設計方法1在4種檢測算法中檢測效果最優(yōu)，在類似的高速公路交通事件檢測中可以發(fā)揮很好的作用.

表4 交通事件檢測算法可移植性驗證匯總Tab.4 Summary of valid portability verification of traffic event detection algorithm

5 小 結

本文從能夠實時反映道路交通狀態(tài)的基本交通流數(shù)據(jù)出發(fā)，以人工智能技術為理論基礎，提出了一種基于FA-SVM的高速公路交通事件檢測方法，并與經(jīng)典算法及已有的交通事件檢測算法進行了比較.結果顯示，本文設計方法的檢測有效性和可移植性都較強，具有很好的應用價值.