基于車(chē)輛積壓長(zhǎng)度的高速公路交通事件檢測(cè)算法*

李翠， 李雪

(1.江西交通職業(yè)技術(shù)學(xué)院 信息工程系， 江西 南昌 330013；2.長(zhǎng)安大學(xué) 電子與控制學(xué)院， 陜西 西安 710064)

在城市快速路或高速公路上偶爾會(huì)發(fā)生車(chē)輛碰撞和拋錨、道路施工、貨物撒落等交通事件，輕則引發(fā)道路短暫性擁擠，重則中斷交通流、阻塞交通。為減少交通延誤、保障道路安全，需準(zhǔn)確、快速地檢測(cè)交通事件。許多學(xué)者基于模式識(shí)別、統(tǒng)計(jì)分析和人工智能等理論對(duì)交通事件檢測(cè)展開(kāi)研究。模式識(shí)別法的典型代表是加州算法及其改進(jìn)算法，其存在閾值取值困難、誤報(bào)率高等問(wèn)題。統(tǒng)計(jì)分析法一般分為兩類，一類包括正態(tài)偏差法及其改進(jìn)算法，這類算法一般只考察單一的統(tǒng)計(jì)特征屬性，容易造成誤檢；另一類統(tǒng)計(jì)算法結(jié)合人工智能，如支持向量機(jī)(SVM)分類算法和貝葉斯分類算法，SVM 分類算法依賴于核函數(shù)的選擇，貝葉斯算法則存在計(jì)算復(fù)雜、泛化能力不強(qiáng)等問(wèn)題。在人工智能領(lǐng)域，有些學(xué)者基于模糊邏輯、神經(jīng)網(wǎng)絡(luò)來(lái)檢測(cè)交通事件，這類算法雖然能較有效地區(qū)分常規(guī)擁堵和交通事件，但模糊邏輯方法非常依賴專家經(jīng)驗(yàn)知識(shí)來(lái)確定模糊隸屬參數(shù)，神經(jīng)網(wǎng)絡(luò)模型存在缺乏有效樣本集、權(quán)值和閾值參數(shù)難以準(zhǔn)確設(shè)置及收斂速度慢等問(wèn)題?？傮w而言，基于模式識(shí)別的算法準(zhǔn)確性較差，而基于統(tǒng)計(jì)分析和人工智能的算法較復(fù)雜，且依賴先驗(yàn)知識(shí)。為此，該文提出一種基于車(chē)輛積壓長(zhǎng)度的高速公路交通事件檢測(cè)算法，利用上、下游檢測(cè)點(diǎn)同步采集的交通流量實(shí)時(shí)估計(jì)兩個(gè)檢測(cè)點(diǎn)之間的車(chē)輛積壓長(zhǎng)度，以車(chē)輛積壓長(zhǎng)度的移動(dòng)平均值作為檢測(cè)交通事件的特征指標(biāo)，并采用VISSIM進(jìn)行交通事件仿真分析，驗(yàn)證該算法的檢測(cè)性能。

1 車(chē)輛積壓長(zhǎng)度

表征交通流特性的常用參數(shù)主要有速度、流量和密度，其在道路交通信息采集系統(tǒng)中分別對(duì)應(yīng)行車(chē)速度、交通流量和時(shí)間占有率。發(fā)生交通事件時(shí)，這些參數(shù)會(huì)發(fā)生相應(yīng)變化。一般情況下，交通事件發(fā)生在兩個(gè)檢測(cè)點(diǎn)(即上、下游檢測(cè)點(diǎn))之間。為及時(shí)準(zhǔn)確地檢測(cè)交通事件，利用上、下游檢測(cè)點(diǎn)采集的交通參數(shù)構(gòu)建敏感性高的特征指標(biāo)。

假設(shè)在上、下游檢測(cè)點(diǎn)同步進(jìn)行連續(xù)的數(shù)據(jù)采集，選擇時(shí)刻t之前的某個(gè)時(shí)刻t0作為起始時(shí)刻估計(jì)時(shí)間長(zhǎng)度為(t-τ-t0)的同一交通流在上、下游檢測(cè)點(diǎn)之間的車(chē)輛積壓長(zhǎng)度：

L(t)=Q1[t0∶(t-τ)]-Q2[(t0+τ)∶t]

(1)

式中：Q1[t0∶(t-τ)]為上游檢測(cè)點(diǎn)從時(shí)刻t0到t-τ的交通流量，即輸入檢測(cè)路段的交通流量；Q2[(t0+τ)∶t]為下游檢測(cè)點(diǎn)從時(shí)刻t0+τ到t的交通流量，即輸出檢測(cè)路段的交通流量；t0為起始時(shí)刻；τ為時(shí)延。

若τ恰好等于無(wú)交通事件發(fā)生時(shí)車(chē)輛在檢測(cè)路段上的通行時(shí)間，則L(t)=0，即輸入和輸出的交通流為同一交通流。由于行車(chē)速度的波動(dòng)性和采集數(shù)據(jù)的離散性，不存在唯一確定的τ使輸入和輸出的交通流完全相同，L(t)也會(huì)發(fā)生波動(dòng)。無(wú)交通事件發(fā)生時(shí)，τ的合理取值應(yīng)使L(t)的均值接近于零。若發(fā)生交通事件，則由于輸入的車(chē)輛不能及時(shí)駛出檢測(cè)路段，L(t)會(huì)急劇增大。因此，根據(jù)L(t)的變化情況可及時(shí)判斷是否發(fā)生交通事件。

由于式(1)給出的L(t)存在波動(dòng)幅度較大的特點(diǎn)，進(jìn)一步對(duì)其取移動(dòng)平均，得：

M(t)=mean[L(t-tl)∶t]

(2)

式中：mean( )表示取平均值；[L(t-tl)∶t]為時(shí)刻t-tl到t之間的車(chē)輛積壓長(zhǎng)度；tl為常數(shù)，使參與M(t)計(jì)算的數(shù)據(jù)個(gè)數(shù)為tl+1。

由于M(t)比L(t)更平滑，選用M(t)作為交通事件檢測(cè)的特征指標(biāo)。

2 仿真分析

2.1 仿真參數(shù)

以長(zhǎng)度為3 km的某雙車(chē)道高速公路路段為例進(jìn)行VISSIM仿真分析，該路段的最高和最低限速分別為120、60 km/h。在距輸入端和輸出端各1 km處分別設(shè)置上、下游檢測(cè)點(diǎn)，并假設(shè)交通事件發(fā)生在距上游檢測(cè)點(diǎn)0.4 km處。設(shè)置局部路徑將外側(cè)車(chē)道臨時(shí)關(guān)閉，以模擬交通事件的發(fā)生。仿真時(shí)間設(shè)定為10 800 s，并假設(shè)交通事件從第3 600 s開(kāi)始，共持續(xù)3 600 s。兩個(gè)檢測(cè)點(diǎn)的采樣頻率均為20 s，同步采集平均速度、交通流量和時(shí)間占有率3種交通參數(shù)。

2.2 典型分析

將輸入的交通流量設(shè)定為2 000 veh/h來(lái)分析交通參數(shù)的典型變化特征，上、下游檢測(cè)點(diǎn)采集的交通參數(shù)時(shí)間序列見(jiàn)圖1～3。

由圖1可知：1) 上游檢測(cè)點(diǎn)的平均速度剛開(kāi)始在高位平穩(wěn)波動(dòng)，但從第5 000 s開(kāi)始大幅下降并轉(zhuǎn)換到低位平穩(wěn)波動(dòng)，直到第7 800 s才開(kāi)始恢復(fù)高位平穩(wěn)波動(dòng)。2) 除第3 600 s處的平均速度出現(xiàn)奇異外(可視作噪聲)，下游檢測(cè)點(diǎn)的平均速度基本在高位平穩(wěn)波動(dòng)?？梢?jiàn)，交通事件對(duì)上游檢測(cè)點(diǎn)平均速度的影響較大，對(duì)下游檢測(cè)點(diǎn)平均速度的影響很小。這是由于交通事件造成的通行瓶頸會(huì)使上游檢測(cè)點(diǎn)的車(chē)輛通行緩慢，但不會(huì)影響下游檢測(cè)點(diǎn)的車(chē)輛保持快速通行。因此，盡管可根據(jù)上游檢測(cè)點(diǎn)的平均速度變化判斷交通事件的發(fā)生，但平均速度的明顯變化會(huì)比交通事件的發(fā)生時(shí)間滯后約1 400 s。

圖1 上、下游檢測(cè)點(diǎn)平均速度時(shí)間序列

圖2 上、下游檢測(cè)點(diǎn)交通流量時(shí)間序列

圖3 上、下游檢測(cè)點(diǎn)時(shí)間占有率時(shí)間序列

由圖2可知：上、下游檢測(cè)點(diǎn)的交通流量均在第7 200～7 800 s短暫升高，而在其他時(shí)間保持較平穩(wěn)的波動(dòng)，這種交通流量的短暫升高是由交通堵塞解除后積壓車(chē)輛快速通行造成的。下游檢測(cè)點(diǎn)交通流量短暫升高的持續(xù)時(shí)間比上游檢測(cè)點(diǎn)略長(zhǎng)，說(shuō)明堵塞車(chē)輛的排隊(duì)長(zhǎng)度已延伸到上游檢測(cè)點(diǎn)之外?？梢?jiàn)，交通事件不會(huì)使檢測(cè)點(diǎn)的交通流量發(fā)生非常明顯和及時(shí)的變化。

由圖3可知：1) 上游檢測(cè)點(diǎn)的時(shí)間占有率(簡(jiǎn)稱占有率)剛開(kāi)始在低位平穩(wěn)波動(dòng)，但從第5 000 s開(kāi)始大幅上升并切換到高位平穩(wěn)波動(dòng)，直到第7 800 s才開(kāi)始恢復(fù)低位平穩(wěn)波動(dòng)。2) 除第7 200～7 800 s占有率短暫升高外，下游檢測(cè)點(diǎn)的占有率均在低位平穩(wěn)波動(dòng)，下游檢測(cè)點(diǎn)占有率的短暫升高是由交通事件結(jié)束導(dǎo)致積壓的車(chē)輛快速通過(guò)造成的。盡管可根據(jù)上游檢測(cè)點(diǎn)的占有率變化判斷交通事件的發(fā)生，但占有率的明顯變化會(huì)比交通事件的發(fā)生時(shí)間滯后約1 800 s。

根據(jù)式(1)和式(2)，取時(shí)延τ=40 s(等于2倍采樣間隔)，并取tl=120 s(等于6倍采樣間隔)，得到積壓長(zhǎng)度L(t)及其移動(dòng)平均值M(t)(見(jiàn)圖4)。由圖4(a)可知：1) 積壓長(zhǎng)度剛開(kāi)始在低位平穩(wěn)波動(dòng)，然后在第3 600 s快速增加至高位波動(dòng)，并且在第7 200 s快速回落至低位重新開(kāi)始平穩(wěn)波動(dòng)。根據(jù)圖4(a)可判斷有交通事件發(fā)生，而且積壓長(zhǎng)度的明顯變化僅比交通事件的發(fā)生時(shí)間滯后約600 s。圖4(b)中曲線變化與圖4(a)整體類似，但圖4(b)給出的積壓長(zhǎng)度移動(dòng)平均值在各時(shí)刻的波動(dòng)幅度更小，整體更平滑，有利于合理確定閾值以判斷交通事件的發(fā)生。

圖4 車(chē)輛積壓長(zhǎng)度估計(jì)值與移動(dòng)平均值時(shí)間序列

綜上，圖1(a)、圖3(a )和圖4(a)、(b)均可用于交通事件檢測(cè)。相比之下，圖4(a)、(b)對(duì)交通事件更敏感，曲線的明顯變化發(fā)生更快。由于圖4(b) 的曲線比圖4(a)整體上更平滑，有利于設(shè)定閾值來(lái)實(shí)現(xiàn)交通事件的自動(dòng)檢測(cè)，故判斷積壓長(zhǎng)度移動(dòng)平均值是一個(gè)很好的檢測(cè)交通事件的特征指標(biāo)。

2.3 統(tǒng)計(jì)分析

根據(jù)2.2節(jié)的分析，采用式(2)給出的積壓長(zhǎng)度移動(dòng)平均值M(t)作為檢測(cè)交通事件的特征指標(biāo)。報(bào)警條件設(shè)定為：若連續(xù)3個(gè)采樣時(shí)刻t-40、t-20和t(采樣間隔為20 s)的特征指標(biāo)M(t)、M(t-20)、M(t-40)均超過(guò)前面20個(gè)連續(xù)時(shí)刻的特征指標(biāo)最大值max(M[(t-440)∶(t-60)])的30%，則在t時(shí)刻報(bào)警。

采用檢測(cè)率(Detection Rate，DR)、誤報(bào)率(False Alarm Rate，F(xiàn)AR)和平均檢測(cè)時(shí)間(Average Detection Time，ADT)3個(gè)性能指標(biāo)來(lái)驗(yàn)證上述算法的有效性，并與經(jīng)典的加州算法進(jìn)行對(duì)比。分別模擬低飽和交通(1 000 veh/h)、中飽和交通(2 000 veh/h)和高飽和交通(3 000 veh/h)3種交通環(huán)境，各進(jìn)行100次仿真分析，結(jié)果見(jiàn)表1。

表1 文中算法與加州算法的性能指標(biāo)

由表1可知：文中算法在3種交通環(huán)境下的檢測(cè)率均很高，同時(shí)具有較低的誤檢率和平均檢測(cè)時(shí)間。相比之下，加州算法的檢測(cè)率較低，誤檢率較高且平均檢測(cè)時(shí)間較長(zhǎng)?？梢?jiàn)，文中算法具有良好的檢測(cè)效果。

3 結(jié)論

(1) 相比平均速度、交通流量和時(shí)間占有率，車(chē)輛積壓長(zhǎng)度移動(dòng)平均值對(duì)交通事件更敏感，能在更短的時(shí)間內(nèi)發(fā)生明顯變化，且其物理意義明確、計(jì)算簡(jiǎn)單。

(2) 基于車(chē)輛積壓長(zhǎng)度的交通事件檢測(cè)算法以車(chē)輛積壓長(zhǎng)度移動(dòng)平均值作為特征指標(biāo)來(lái)檢測(cè)交通事件，在不同交通環(huán)境下均具有較高的檢測(cè)率、較低的誤檢率和較短的檢測(cè)時(shí)間，具有良好的檢測(cè)性能。