基于AI的交通流狀態(tài)智能檢測(cè)與擁堵態(tài)勢(shì)分析

摘要：文章基于YOLO+DeepSORT框架，開發(fā)了一套基于AI的交通流狀態(tài)智能檢測(cè)系統(tǒng)，能夠快速準(zhǔn)確地檢測(cè)出不同地點(diǎn)的交通流量。文章以潤(rùn)揚(yáng)大橋附近區(qū)域?yàn)槔?，進(jìn)行交通流特性分析，并且從交通流演化規(guī)律出發(fā)，可以得到產(chǎn)生擁堵的3種可能原因，包括高速公路車道減少、匝道匯入車流影響和下游揚(yáng)州市區(qū)擁堵等。這些結(jié)論對(duì)未來的高速公路大流量管控工作具有重要的參考意義。

關(guān)鍵詞：高速公路；交通擁堵；視頻檢測(cè)；交通流特征

中圖分類號(hào)：U4文獻(xiàn)標(biāo)志碼：A

0 引言

高速公路是我國(guó)交通系統(tǒng)的重要組成部分。截至2022年年底，中國(guó)的高速公路總里程已經(jīng)達(dá)到16.19萬千米，為全球第一。對(duì)高速公路的交通流運(yùn)行特性進(jìn)行系統(tǒng)、全面的分析，尤其是對(duì)交通擁堵的時(shí)空演化過程進(jìn)行研究，對(duì)高速公路部門的管控工作具有非常重要的參考意義。近年來隨著科技的發(fā)展，人工智能（AI）技術(shù)在各個(gè)領(lǐng)域都有了長(zhǎng)足的發(fā)展與應(yīng)用。在高速公路交通流的數(shù)據(jù)采集工作中，由于全國(guó)各地已經(jīng)建成了全方位的視頻監(jiān)控系統(tǒng)，使用AI技術(shù)對(duì)交通流視頻數(shù)據(jù)進(jìn)行分析和輔助決策已經(jīng)成為可能［1-2］。基于這一點(diǎn)，本文開發(fā)了一套基于AI的交通流狀態(tài)智能檢測(cè)系統(tǒng)，并針對(duì)潤(rùn)揚(yáng)大橋附近區(qū)域非擁堵和擁堵時(shí)段的交通流運(yùn)行特征，進(jìn)行了宏觀和微觀層面的討論，并重點(diǎn)分析了擁堵演化的機(jī)理和原因。

1 基于AI的視頻檢測(cè)方法

1.1 目標(biāo)檢測(cè)算法YOLO

對(duì)于道路交通中的車輛檢測(cè)而言，目前最常用的算法是YOLO（You Only Look Once），它是指只需要瀏覽一次就可以識(shí)別出圖中物體的類別和位置。因?yàn)橹恍枰匆淮?，YOLO被稱為Region-free方法，也被稱為單階段（1-stage）模型，而傳統(tǒng)的Region-based方法也被稱為兩階段（2-stage）方法。

YOLO v1在2015年被提出［3］，到目前為止，最新版本的YOLO是2020年提出的YOLOv5。和之前曾經(jīng)最流行的版本YOLOv3［4］相比，YOLOv5的檢測(cè)精度沒有顯著提升，但是檢測(cè)和訓(xùn)練速度更快，更能適應(yīng)工程應(yīng)用的需要。

YOLOv5開啟了一個(gè)網(wǎng)絡(luò)結(jié)構(gòu)的多分支時(shí)代，可以有選擇性地配置網(wǎng)絡(luò)，包括YOLOv5s， YOLOv5m， YOLOv5l和YOLOv5x 4種結(jié)構(gòu)。相關(guān)研究表明，4種版本的YOLOv5算法在COCO數(shù)據(jù)集上的檢測(cè)精度均強(qiáng)于同一時(shí)期谷歌大腦推出的EfficientDet算法，并且速度明顯更快。

4種版本的網(wǎng)絡(luò)結(jié)構(gòu)差異主要體現(xiàn)在：

（1）每個(gè)CSP結(jié)構(gòu)的深度都是不同的。以YOLOv5s為例，第1個(gè)CSP1中使用了1個(gè)殘差組件，因此是CSP1_1。而在YOLOv5m中，則增加了網(wǎng)絡(luò)的深度，在第1個(gè)CSP1中使用了2個(gè)殘差組件，因此是CSP1_2。

（2）網(wǎng)絡(luò)特征圖的厚度不一樣。以YOLOv5s結(jié)構(gòu)為例，在第1個(gè)Focus結(jié)構(gòu)中，最后卷積操作時(shí)卷積核的數(shù)量是32個(gè)。因此經(jīng)過Focus結(jié)構(gòu)，特征圖的大小變成304*304*32。而YOLOv5m的Focus結(jié)構(gòu)中，卷積操作使用了48個(gè)卷積核，因此Focus結(jié)構(gòu)后的特征圖變成304*304*48。

1.2 軌跡追蹤算法DeepSORT

軌跡追蹤（或者叫目標(biāo)追蹤）是計(jì)算機(jī)視覺領(lǐng)域的重要問題，其中多目標(biāo)跟蹤（Multiple Object Tracking，MOT）對(duì)于交通流參數(shù)的提取和分析至關(guān)重要。MOT任務(wù)常見的解決方案主要有兩種，即MFT和TBD。其中TBD的含義是基于檢測(cè)的目標(biāo)跟蹤，屬于目標(biāo)檢測(cè)的后續(xù)任務(wù)，是近年來比較常用的方法。

SORT（Simple Online Realtime Tracking）是一個(gè)粗略的框架［5］，核心包括兩個(gè)算法：（1）卡爾曼濾波，包括預(yù)測(cè)和更新兩個(gè)過程；（2）匈牙利算法，解決的是二分圖分配問題，即如何分配使成本最小。

2017年提出的DeepSORT框架［6］在SORT的基礎(chǔ)上做了改進(jìn)，包括：（1）加入外觀信息，借用了ReID領(lǐng)域模型來提取外觀特征，減少了ID switch的次數(shù)；（2）匹配機(jī)制變化，從原來的基于IOU成本矩陣的匹配，變成了級(jí)聯(lián)匹配+IOU匹配。

DeepSORT的核心流程是預(yù)測(cè)（track）觀測(cè)（detection+數(shù)據(jù)關(guān)聯(lián)）更新。

1.3 流量檢測(cè)模塊

本文基于YOLO+DeepSORT框架并進(jìn)行了優(yōu)化改進(jìn)，構(gòu)建了基于AI的交通流狀態(tài)智能檢測(cè)系統(tǒng)，可以快速統(tǒng)計(jì)每個(gè)車道的流量和車頭時(shí)距。在經(jīng)典的劃線檢測(cè)算法基礎(chǔ)上，本文進(jìn)行了方法修正，具體包括：（1）對(duì)車頭時(shí)距的合理范圍進(jìn)行估計(jì)，剔除過短車頭時(shí)距的結(jié)果；（2）軌跡與檢測(cè)線相交角度明顯異常（即車輛行駛方向不正常）的結(jié)果也要剔除，從而有效地提高了檢測(cè)準(zhǔn)確率。

視頻來源于潤(rùn)揚(yáng)大橋橋面有代表性的監(jiān)控?cái)z像頭。高速公路為雙向6車道，加上右側(cè)的下匝道共形成了7個(gè)車道。主線的6個(gè)車道從左到右分別命名為A，B，C，D，E，F(xiàn)，其中CD為快車道，AF為慢車道。7個(gè)檢測(cè)器用淡青色線段標(biāo)記，所有車輛會(huì)根據(jù)車型用不同的矩形標(biāo)出具體位置。

2 非擁堵時(shí)段交通流分析

為具體探明潤(rùn)揚(yáng)大橋附近區(qū)域的交通狀況，首先抽取橋面上有代表性的監(jiān)控視頻進(jìn)行分析。初步研究結(jié)果表明，非節(jié)假日橋上交通不擁堵。此處以2022年7月23日為例，針對(duì)早晨7點(diǎn)到晚上7點(diǎn)的視頻數(shù)據(jù)進(jìn)行了詳細(xì)的流量統(tǒng)計(jì)，6個(gè)車道的流量時(shí)間序列如圖1所示。此處將不同方向相同性質(zhì)的車道放在一起作流量對(duì)比，包括左車道、中間車道和右車道，所有數(shù)據(jù)的統(tǒng)計(jì)間隔為10 min。概括地說，相同性質(zhì)的車道流量是接近的，兩個(gè)方向的總流量也較為接近。雖然在上午少數(shù)時(shí)刻采集到了較高的流量，但總體來說不存在典型的早高峰。相比之下，除去較為特殊的車道D，大部分車道在下午4點(diǎn)左右的流量最高，可以認(rèn)為存在晚高峰?？傮w來看，無論是上午或下午，單車道的最大流量都未超過1 200輛每小時(shí)。

另外，本文還研究了這一時(shí)段內(nèi)6個(gè)車道的車頭時(shí)距分布，選擇的作圖時(shí)間間隔為2 s，下限為0.7 s，如圖2所示。少數(shù)特別大的時(shí)距結(jié)果已被舍去，未包含在圖2中?？梢钥吹?，雖然不同車道的流量有差異，但因?yàn)檎w未發(fā)生擁堵，所以6個(gè)車道的分布特征定性一致，都接近于負(fù)指數(shù)分布。

3 擁堵時(shí)段交通流分析

通過進(jìn)一步調(diào)研，發(fā)現(xiàn)在少數(shù)時(shí)段潤(rùn)揚(yáng)大橋附近區(qū)域也存在著明顯的交通擁堵，所以本文選擇2022年9月30日下午的視頻數(shù)據(jù)進(jìn)行分析。在16點(diǎn)30分到18點(diǎn)之間，潤(rùn)揚(yáng)大橋北側(cè)3公里的范圍內(nèi)出現(xiàn)了較長(zhǎng)時(shí)間的擁堵，此時(shí)段只有從南向北方向（從溧陽(yáng)到揚(yáng)州）發(fā)生擁堵，另一側(cè)道路始終暢通。從K3+315的攝像頭開始，擁堵基本消失。

接著分析不同地點(diǎn)的流量狀況，有代表性的數(shù)據(jù)如圖3所示。可以看到在上游較遠(yuǎn)處（K3+315）的單車道最高流量達(dá)到了1 300輛每小時(shí)左右，如圖3（c）所示，且3條車道流量比較接近。這一數(shù)值距離道路通行能力還比較遠(yuǎn)，并不會(huì)直接導(dǎo)致?lián)矶庐a(chǎn)生。另外，17點(diǎn)20分之后上游流量有所下降，進(jìn)一步減輕了下游的壓力。但是下游地點(diǎn)一直都存在擁堵，尤其以K0+350為例，如圖3（a）所示，從16點(diǎn)50開始流量就顯著下降，視頻中出現(xiàn)了嚴(yán)重的排隊(duì)和時(shí)走時(shí)?，F(xiàn)象，直到18點(diǎn)天黑時(shí)仍未緩解。并且此處左右車道的流量相差較大，左車道平均流量約為400輛每小時(shí)，但右車道長(zhǎng)時(shí)間處于停頓狀態(tài)，平均流量接近于0。而另一些中間位置，例如K0+795，如圖3（b）所示，流量始終處于較低水平，3條車道流量均在200～600輛每小時(shí)附近振蕩。因此，這一時(shí)段最嚴(yán)重的擁堵應(yīng)該產(chǎn)生于K0+350下游一帶，在向上游傳播時(shí)強(qiáng)度逐漸減弱，直至消失。

通過初步的分析，發(fā)現(xiàn)這一時(shí)段的擁堵有多種可能的原因。

（1）高速公路車道減少。雙向6車道的揚(yáng)溧高速和雙向4車道的啟揚(yáng)高速在K0+350和K0+795之間的某處相接。對(duì)于向北運(yùn)動(dòng)的交通流而言，單向少一個(gè)車道之后，會(huì)損失大約1/3的通行能力。粗略來說，K3+315處的3車道總流量在16點(diǎn)50分左右達(dá)到最大值，約為3 400輛每小時(shí)，換算出的兩車道平均流量約為1 700輛每小時(shí)。雖然這一數(shù)值仍未達(dá)到通行能力極限，但已經(jīng)很容易產(chǎn)生擁堵。

（2）匝道匯入車流影響。由K0+350處攝像頭的視頻截圖看出，在遠(yuǎn)處有一個(gè)上匝道，這一股匝道車流來源于滬陜高速，并且存在較多匯入車輛，它對(duì)揚(yáng)溧高速的交通運(yùn)行顯然存在較大影響。

（3）下游揚(yáng)州市區(qū)擁堵。通過視頻和提取的流量數(shù)據(jù)可以研判，最擁堵的區(qū)域必然是K0+310的下游更遠(yuǎn)處。潤(rùn)揚(yáng)大橋起點(diǎn)（K0）下游已經(jīng)距離揚(yáng)州市區(qū)很近，附近就是揚(yáng)州大學(xué)揚(yáng)子津校區(qū)，在9月30日當(dāng)天可能市區(qū)道路已經(jīng)產(chǎn)生了擁堵，繼而影響到了潤(rùn)揚(yáng)大橋北側(cè)高速的運(yùn)行。

綜上所述，這3個(gè)原因都可能導(dǎo)致這一時(shí)段的擁堵。

4 結(jié)論

本文基于YOLO+DeepSORT框架，開發(fā)了交通流視頻自動(dòng)分析系統(tǒng)，能夠自動(dòng)檢測(cè)出不同地點(diǎn)的交通流量。然后，針對(duì)潤(rùn)揚(yáng)大橋附近路段的交通狀態(tài)進(jìn)行分析。在大多數(shù)時(shí)段，這一區(qū)域沒有擁堵產(chǎn)生，例如在2022年7月23日當(dāng)天，從早到晚橋面上所有車道的流量都不高，并且對(duì)應(yīng)的車頭時(shí)距都接近于負(fù)指數(shù)分布。另一方面，在少數(shù)時(shí)段仍然觀測(cè)到了典型的交通擁堵，例如在2022年9月30日下午，從南向北的車流在潤(rùn)揚(yáng)大橋北側(cè)3公里的范圍內(nèi)出現(xiàn)了長(zhǎng)時(shí)間的擁堵。雖然未能獲取下游更遠(yuǎn)處的視頻數(shù)據(jù)，但從交通流特性出發(fā)，可以推斷出產(chǎn)生擁堵的3種可能原因，包括高速公路車道減少、匝道匯入車流影響和下游揚(yáng)州市區(qū)擁堵等。這些結(jié)論對(duì)未來的高速公路大流量管控工作具有重要的參考意義。

參考文獻(xiàn)

［1］曹鑫勝，韓一德.基于固定視頻圖像的高速公路交通流參數(shù)檢測(cè)研究［J］.山西電子技術(shù)，2018（6）：77-80.

［2］林大岵.基于模糊識(shí)別的高速公路交通流數(shù)據(jù)實(shí)時(shí)監(jiān)控方法［J］.科技通報(bào)，2020（8）：65-69.

［3］REDMON J， DIVVALA S， GIRSHICK R， et al. You Only Look Once： unified， real-time object detection［EB/OL］. （2015-06-08）［2022-05-09］. https：//arxiv.org/abs/1506.02640.

［4］REDMON J， FARHADI A. YOLOv3： an incremental improvement［EB/OL］. （2018-04-08）［2022-04-08］. https：//arxiv.org/abs/1804.02767.

［5］BEWLEY A. Simple online and realtime tracking［EB/OL］. （2016-02-02）［2022-07-07］. http： //arxiv.org/abs/1602.00763.

［6］WOJKE N， BEWLEY A， PAULUS D. Simple online and realtime tracking with a deep association metric［EB/OL］. （2017-03-21）［2022-03-21］. https：//arxiv.org/abs/1703.07402.

（編輯 李春燕）