向懷坤，李偉龍，謝秉磊

(1.深圳職業(yè)技術(shù)學(xué)院，廣東 深圳　518055; 2.中國(guó)民航大學(xué)，天津　300300;3.哈爾濱工業(yè)大學(xué)深圳研究生院，廣東 深圳　518055)

?

粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的交通事件檢測(cè)算法研究

向懷坤1，李偉龍2，謝秉磊3

(1.深圳職業(yè)技術(shù)學(xué)院，廣東 深圳518055; 2.中國(guó)民航大學(xué)，天津300300;3.哈爾濱工業(yè)大學(xué)深圳研究生院，廣東 深圳518055)

摘要：為減少交通事件引起的交通延誤，提出一種基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的交通事件檢測(cè)算法;首先，利用車載激光測(cè)距儀和GPS設(shè)備作為實(shí)驗(yàn)平臺(tái)，采集了反映路段車輛占有率及車輛運(yùn)行速度特征的交通參數(shù)；其次，利用粒子群(PSO)算法訓(xùn)練隨機(jī)產(chǎn)生的初始化數(shù)據(jù)，優(yōu)化BP神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閾值；最后，將PSO優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)作為分類器進(jìn)行交通事件的自動(dòng)分類和檢測(cè);試驗(yàn)中比較了PSO神經(jīng)網(wǎng)絡(luò)算法、BP神經(jīng)網(wǎng)絡(luò)算法和經(jīng)典算法對(duì)交通事件的檢測(cè)效果，PSO神經(jīng)網(wǎng)絡(luò)算法在事件檢測(cè)率(DR)、平均檢測(cè)時(shí)間(MTTD)方面均優(yōu)于其他目標(biāo)算法;結(jié)果顯示，粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)算法用于交通事件檢測(cè)提高了檢測(cè)性能。

關(guān)鍵詞：交通事件檢測(cè)；粒子群優(yōu)化；BP神經(jīng)網(wǎng)絡(luò)；激光測(cè)距儀；GPS

0引言

交通事件發(fā)生的時(shí)間地點(diǎn)具有不確定性，事件一旦發(fā)生，容易造成偶發(fā)的交通擁堵，甚至發(fā)生交通事故。因此，為了快速檢測(cè)交通事件，及時(shí)疏導(dǎo)擁擠交通，最大限度地減輕交通事件帶來(lái)的影響，研究快速有效的交通事件檢測(cè)智能算法已成為交通研究領(lǐng)域的熱點(diǎn)。調(diào)查表明[1-3]，現(xiàn)有的交通事件自動(dòng)檢測(cè)(automatic incident detection，AID)主要是采用地埋式線圈車輛檢測(cè)器等固定型設(shè)備采集交通數(shù)據(jù)，通過(guò)分析這些參數(shù)，估計(jì)所在路段的交通狀況，采集的交通數(shù)據(jù)的缺乏及時(shí)性和準(zhǔn)確性。新一代移動(dòng)、實(shí)時(shí)、海量交通信息采集技術(shù)的廣泛應(yīng)用，對(duì)傳統(tǒng)的依靠道路斷面車輛檢測(cè)數(shù)據(jù)來(lái)判別交通事件的研究工作提出了新的挑戰(zhàn)，如何從海量的多源數(shù)據(jù)中準(zhǔn)確、快速提取出交通事件是新的數(shù)據(jù)形態(tài)下交通事件檢測(cè)領(lǐng)域需要著重研究的問(wèn)題。

目前隨著人工智能技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)尤其是BP神經(jīng)網(wǎng)絡(luò)被廣泛運(yùn)用于交通事件自動(dòng)檢測(cè)[4-6]。由于BP神經(jīng)網(wǎng)絡(luò)初始的權(quán)值和閾值是隨機(jī)選取的，若這些參數(shù)的位置選取不當(dāng)，則會(huì)導(dǎo)致網(wǎng)絡(luò)的收斂慢、容易陷入局部最優(yōu)值[7]。粒子群優(yōu)化算法(particle swarm optimization，PSO)是基于群體的演化算法，通過(guò)個(gè)體間的信息交換達(dá)到整個(gè)群體的共同演化，具有收斂速度快、魯棒性高、全局搜索能力強(qiáng)等優(yōu)點(diǎn)[8]。利用粒子群算法的全局搜索能力優(yōu)化神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、連接權(quán)值和閾值，不僅能發(fā)揮神經(jīng)網(wǎng)絡(luò)的泛化能力和學(xué)習(xí)能力[9]，還能提高神經(jīng)網(wǎng)絡(luò)的整體搜索效率。

本文提出一種粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的交通事件檢測(cè)算法?；诩す鉁y(cè)距儀和GPS采集的移動(dòng)數(shù)據(jù)，將交通事件作為一個(gè)分類問(wèn)題，利用粒子群優(yōu)化算法替代BP算法對(duì)神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值進(jìn)行優(yōu)化，以激光測(cè)距儀測(cè)得的與前車的距離值和GPS測(cè)得的瞬時(shí)速度值在連續(xù)時(shí)間內(nèi)的平均值為特征作為優(yōu)化后的神經(jīng)網(wǎng)絡(luò)分類器的輸入，以交通正常、交通擁擠、擁擠加劇和擁擠減緩4種交通狀態(tài)作為分類器的輸出，進(jìn)行交通事件的自動(dòng)分類與判別。

1基于粒子群的神經(jīng)網(wǎng)絡(luò)優(yōu)化

1.1粒子群優(yōu)化算法

粒子群算法中，每個(gè)個(gè)體稱為一個(gè)“粒子”，對(duì)應(yīng)每個(gè)優(yōu)化問(wèn)題的解。通過(guò)初始化一群隨機(jī)粒子，利用迭代方式，使每個(gè)粒子向自身找到的最好位置和群體中最好粒子靠近，從而搜索最優(yōu)解。迭代終止條件一般選為最大迭代次數(shù)和粒子群迄今為止搜索到的最優(yōu)位置[10]。

(1)

(2)

1.2基于PSO的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化算法

應(yīng)用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)時(shí)，首先定義粒子群的位置向量xi的元素為BP神經(jīng)網(wǎng)絡(luò)所有的連接權(quán)值和閾值ωij、θj、ωjk、οk。初始化位置向量xi，然后用PSO算法搜索最優(yōu)位置。定義適應(yīng)度函數(shù)[9]如下：

(3)

粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的算法流程如圖1所示，其算法步驟為：

第一步：初始化參數(shù)。設(shè)置BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，將神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值編碼為粒子；設(shè)定粒子的最大速度Vmax和最小速度Vmin，設(shè)定粒子初始位置最大值xmax和最小值xmin，在取值范圍內(nèi)隨機(jī)初始化粒子的速度和位置；設(shè)置慣性權(quán)重初值ω，加速因子初值c1、c2，種群規(guī)模m，迭代次數(shù)N和設(shè)定終止條件等。

第二步：計(jì)算粒子適應(yīng)度值。比較粒子當(dāng)前的適應(yīng)度值和個(gè)體及群體最好位置的適應(yīng)度值，更新粒子的個(gè)體極值pBest和全局極值gBest。

第三步：根據(jù)式(1)和式(2)更新粒子的速度和位置。

第四步：檢驗(yàn)算法迭代終止條件。若符合，則終止迭代，輸出神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值，否則轉(zhuǎn)到第二步。

圖1　PSO優(yōu)化神經(jīng)網(wǎng)絡(luò)算法流程圖

2基于粒子群優(yōu)化的交通事件檢測(cè)

本文將交通事件劃分為交通正常、交通擁擠、擁擠加劇、擁擠減緩4種狀態(tài)，通過(guò)宏觀交通流參數(shù)的變化特征去實(shí)現(xiàn)這4類交通狀態(tài)的判別，本質(zhì)上是一個(gè)分類問(wèn)題，主要分為特征量的選擇和事件檢測(cè)算法設(shè)計(jì)兩大部分。

2.1交通事件檢測(cè)的特征量選擇

研究表明[11]，當(dāng)交通事件發(fā)生的時(shí)候，相關(guān)交通流參數(shù)也會(huì)發(fā)生變化。采用車載激光測(cè)距儀和GPS浮動(dòng)車作為數(shù)據(jù)采集設(shè)備。根據(jù)相關(guān)研究[12]，車載激光測(cè)距儀采集與前車的距離值可間接反映道路占有率的狀態(tài)，具體表現(xiàn)為：在道路通暢時(shí)，一段時(shí)間內(nèi)距離值變化量較大，在道路擁堵時(shí)，一段時(shí)間內(nèi)距離值較小且變化量較??；而GPS浮動(dòng)車采集的單車瞬時(shí)速度可反映道路交通流的運(yùn)行狀態(tài)，具體表現(xiàn)為：在道路通暢時(shí)，GPS浮動(dòng)車的瞬時(shí)速度值較高，在道路擁堵時(shí)，擁堵路段附近GPS浮動(dòng)車的瞬時(shí)速度值普遍較低。這樣的變化規(guī)律反映了道路交通流的變化，可以用來(lái)進(jìn)行事件檢測(cè)。

參考相關(guān)研究[13]，本文取車輛速度低于20 km/h持續(xù)5 min以上判定為交通擁堵事件。為了準(zhǔn)確檢測(cè)由于交通事件引起的交通流參數(shù)的變化，需要測(cè)量一段持續(xù)時(shí)間所選參數(shù)，比較多個(gè)時(shí)間時(shí)隔內(nèi)測(cè)得的距離平均值和瞬時(shí)速度平均值。選取采樣時(shí)刻為T-3，T-2，T-1，T，T+1，T+2，T+3，取時(shí)間間隔為60 s，對(duì)每個(gè)時(shí)間間隔內(nèi)的60個(gè)數(shù)據(jù)取平均值，計(jì)算方法為：

(4)

(5)

2.2基于粒子群優(yōu)化的交通事件檢測(cè)算法

2.2.1基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)對(duì)BP網(wǎng)絡(luò)預(yù)測(cè)精度有較大的影響，根據(jù)參考公式確定節(jié)點(diǎn)數(shù)的大概范圍，然后采用試湊法確定最佳的節(jié)點(diǎn)數(shù)為13層。輸出層有4個(gè)節(jié)點(diǎn)，分為4種狀態(tài)：{1}、{2}、{3}、{4}，狀態(tài){1}代表無(wú)事件發(fā)生交通正常，狀態(tài){2}代表有事件發(fā)生交通擁擠，狀態(tài){3}代表?yè)頂D加劇，狀態(tài){4}代表?yè)頂D減緩。本文所采用的BP神經(jīng)網(wǎng)絡(luò)選取為12×13×4的結(jié)構(gòu)，即網(wǎng)絡(luò)由輸入層(Input Layer)、隱層(Hidden Layer)和輸出層(Output Layer)共3層組成。其中輸入層有12個(gè)節(jié)點(diǎn)，隱層有13個(gè)節(jié)點(diǎn)，輸出層有4個(gè)節(jié)點(diǎn)。網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，其中ωij、θj為PSO優(yōu)化后的神經(jīng)網(wǎng)絡(luò)輸入層到隱層的連接權(quán)值和閾值，ωjk、οk為隱層到輸出層的連接權(quán)值和閾值。

圖2　事件檢測(cè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2.2.2基于粒子群優(yōu)化的交通事件檢測(cè)算法設(shè)計(jì)

PSO優(yōu)化神經(jīng)網(wǎng)絡(luò)事件檢測(cè)過(guò)程如下：

第一步：數(shù)據(jù)準(zhǔn)備。讀取激光測(cè)距儀和GPS采集的數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，按照式(5)和(6)計(jì)算輸入特征向量的值，進(jìn)行歸一化處理，制作樣本數(shù)據(jù)。

第二步：根據(jù)輸入輸出情況，構(gòu)建合適的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

第三步：利用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，確定最優(yōu)的連接權(quán)值和閾值，更新BP神經(jīng)網(wǎng)絡(luò)。

第四步：加載測(cè)試數(shù)據(jù)，利用更新的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類判別，得出分類結(jié)果。

3實(shí)驗(yàn)過(guò)程及結(jié)果分析

3.1實(shí)驗(yàn)過(guò)程

仿真實(shí)驗(yàn)在一臺(tái)Inter i3內(nèi)存4G的計(jì)算機(jī)上使用Matlab 2013a進(jìn)行。實(shí)驗(yàn)數(shù)據(jù)來(lái)自深圳市南山區(qū)易發(fā)生交通擁堵的某一路段實(shí)地采集。通過(guò)在試驗(yàn)車上裝載激光測(cè)距儀和GPS設(shè)備進(jìn)行數(shù)據(jù)采集，激光測(cè)距儀和GPS的采樣時(shí)間均為1 s，激光測(cè)距儀的最大量程為100 m。選取早中晚高峰期兩小時(shí)的時(shí)間段作為一個(gè)時(shí)間單位，連續(xù)測(cè)量多次，選取每組有事件發(fā)生的樣本數(shù)據(jù)為6 min，整理得到共200組樣本數(shù)據(jù)。其中，選取樣本數(shù)據(jù)中的150組作為訓(xùn)練數(shù)據(jù)，另外50組作為測(cè)試數(shù)據(jù)。先對(duì)樣本進(jìn)行歸一化，再利用本文提出的方法進(jìn)行訓(xùn)練，最后對(duì)測(cè)試樣本進(jìn)行分類判別。

PSO參數(shù)設(shè)置[14-15]如下：維數(shù)D=12*13+13*4+4=212，種群數(shù)量m=30，加速因子c1=c2=1.49，慣性因子ω=0.729；r1、r2為[0, 1]區(qū)間內(nèi)的隨機(jī)數(shù)；最大迭代次數(shù)N=100；速度最大值Vmax和最小值Vmin分別為1和-1,位置最大值和最小值分別為5和-5；終止條件為循環(huán)達(dá)到終止迭代次數(shù)；適應(yīng)度函數(shù)定義為預(yù)測(cè)誤差平方和，如公式(3)所示。

3.2結(jié)果分析

表1給出了部分原始樣本數(shù)據(jù)，其中，采樣時(shí)間間隔的平均值通過(guò)公式(4)和(5)求得。表2采用離差標(biāo)準(zhǔn)化方法，對(duì)原始數(shù)據(jù)進(jìn)行線性變換，使結(jié)果值映射到0~1之間，轉(zhuǎn)換函數(shù)如下：

(6)

表1　部分原始樣本數(shù)據(jù)表

表2　部分標(biāo)準(zhǔn)化樣本數(shù)據(jù)檢測(cè)結(jié)果表

常用的評(píng)價(jià)交通事件自動(dòng)檢測(cè)算法效率的指標(biāo)主要有3個(gè)：交通事件檢測(cè)率(DR)，交通事件誤判率(FAR)及交通事件平均檢測(cè)時(shí)間(MTTD)。對(duì)樣本數(shù)據(jù)根據(jù)本文提出的算法進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束后，再利用測(cè)試數(shù)據(jù)進(jìn)行分類器測(cè)試，得出分類結(jié)果，最后與經(jīng)典事件檢測(cè)算法和BP神經(jīng)網(wǎng)絡(luò)算法[5]作比較，比較結(jié)果如表3所示?？梢钥闯觯Ｗ尤簝?yōu)化的BP神經(jīng)網(wǎng)絡(luò)檢測(cè)率要高于經(jīng)典算法和BP神經(jīng)網(wǎng)絡(luò)算法，達(dá)到96%，50個(gè)測(cè)試樣本只有2個(gè)與期望不一致，在平均檢測(cè)時(shí)間上比BP神經(jīng)網(wǎng)絡(luò)減少一半。綜上所述，粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法性能更好。

表3　實(shí)驗(yàn)結(jié)果比較表

4結(jié)論

針對(duì)固定車檢器采集交通數(shù)據(jù)的局限性和BP神經(jīng)網(wǎng)絡(luò)具有收斂速度慢，容易陷入局部極值點(diǎn)等問(wèn)題，基于激光測(cè)距儀和GPS設(shè)備采集的移動(dòng)數(shù)據(jù)，本文將交通事件檢測(cè)看作為一個(gè)分類問(wèn)題，提出了一種基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的交通事件檢測(cè)算法。利用粒子群優(yōu)化算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值進(jìn)行優(yōu)化，將車載激光測(cè)距儀和GPS浮動(dòng)車采集的數(shù)據(jù)用作優(yōu)化的神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)行交通事件的分類判別。結(jié)果表明，檢測(cè)效果優(yōu)于經(jīng)典算法和BP神經(jīng)網(wǎng)絡(luò)算法。

下一階段的研究重點(diǎn)將放在以下幾個(gè)方面：粒子群算法的優(yōu)化，針對(duì)多車道的數(shù)據(jù)采集以及海量數(shù)據(jù)的情況下事件的快速檢測(cè)等等，對(duì)這些問(wèn)題的系統(tǒng)研究更有助于算法效果的提高以及交通管理的實(shí)際應(yīng)用。

參考文獻(xiàn)：

[1] 張萌萌，賈磊，鄒難.基于粗模糊神經(jīng)網(wǎng)絡(luò)的高速公路路段交通事件識(shí)別[J].公路，2010，12：113-117.

[2] 郭艷玲，吳義虎，黃中祥.基于小波分析和SOM 網(wǎng)絡(luò)的交通事件檢測(cè)算法[J].系統(tǒng)工程，2006，24(10)：100-104.

[3] 樊小紅.基于遺傳算法的交通事件檢測(cè)研究[D].西安：長(zhǎng)安大學(xué)，2002.

[4] 邱世卉，王琪.基于BP 神經(jīng)網(wǎng)絡(luò)的高速公路交通事件檢測(cè)[J].中國(guó)測(cè)試，2009，35(2)：48-52.

[5] 姜紫峰，劉小坤.基于神經(jīng)網(wǎng)絡(luò)的交通事件檢測(cè)算法[J].西安公路交通大學(xué)學(xué)報(bào)，2000，20(3)：67-69,73.

[6] 姜桂艷，溫慧敏，楊兆升.高速公路交通事件自動(dòng)檢測(cè)系統(tǒng)與算法設(shè)計(jì)[J].交通運(yùn)輸工程學(xué)報(bào)，2001，1(1)：77-81.

[7] 王德明,王莉,張廣明.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短時(shí)風(fēng)速預(yù)測(cè)模型.浙江大學(xué)學(xué)報(bào)(工學(xué)版)，2012，46(5)：837-894.

[8] Srinivasan D.Traffic incident detection using particle swarm Optimization[A]. Proceedings of the 2003 IEEE Swarm Intelligence Symposium[C],2003:144-151.

[9] 余華，黃程韋，金赟，等.基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的語(yǔ)音情感識(shí)別[J].數(shù)據(jù)采集與處理，2011，26(1)：57-62.

[10] 郭聰莉，朱莉.一種基于PSO的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法[J].計(jì)算機(jī)與信息技術(shù)，2007，Z1：15-16，19.

[11] 黨長(zhǎng)青，張景輝，沈志遠(yuǎn).基于Boosting算法和RBF神經(jīng)網(wǎng)絡(luò)的交通事件檢測(cè)[J].計(jì)算機(jī)應(yīng)用，2007，27(12)：3105-3107，3080.

[12] 羅云林，李偉龍，向懷坤.激光測(cè)距儀/GPS下城市道路SVM-AID算法研究[J].中國(guó)安全科學(xué)學(xué)報(bào)，2015,25(4)：81-86.

[13] 祝付玲.城市道路交通擁堵評(píng)價(jià)指標(biāo)體系研究[D].南京：東南大學(xué)，2006.

[14] Clerc M，Kennedy J.The particle swarm-explosion,stability and convergence in a multidimensional complex space[J]. IEEE Transactions on Evolutionary Computer，2002，6(1)：58-73.

[15] 閆紀(jì)如.粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)在交通流預(yù)測(cè)中的應(yīng)用[D].杭州：浙江工業(yè)大學(xué)，2013.

Research on Traffic Incident Detection Algorithm Based on Particle Swarm Optimizer Neural Network

Xiang Huaikun1, Li Weilong2, Xie Binglei3

(1.Shenzhen Polytechnic, Shenzhen518055, China; 2.Civil Aviation University of China, Tianjin300300,China;3.Shenzhen Graduate School, Harbin Institute of Technology，Shenzhen518055, China)

Abstract:A new method was proposed for traffic incident detection based on particle swarm optimizer neural network. At first, the vehicular laser rangefinder and GPS equipment were used as the experimental platform, which collected the traffic parameters including the road vehicle occupancy rate and the vehicle running speed;Secondly,the particle swarm optimizer(PSO) was used to train the random initial data to optimize the connection weights and thresholds of the back-propagation(BP) neural network;Finally The BP neural network after optimization was used to classify traffic incidents automatically. In the detection experiment, PSO neural network, BP neural network and traditional algorithms were compared in the same testing environment. PSO neural network was superior to the other objective algorithm in incident detection rate(DR) and mean time to detection(MTTD).Results showed that particle swarm optimizer neural network brought a promising improvement in the detection capability for traffic incident detection.

Keywords:traffic incident detection; particle swarm optimizer; BP neural network; laser rangefinder; GPS

文章編號(hào)：1671-4598(2016)02-0171-04

DOI：10.16526/j.cnki.11-4762/tp.2016.02.047

中圖分類號(hào)：TP301

文獻(xiàn)標(biāo)識(shí)碼：A

作者簡(jiǎn)介：向懷坤(1971-)，男，四川南部人，副教授，博士，主要從事城市交通智能化應(yīng)用研究。

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目(71473060)。

收稿日期：2015-08-05；修回日期：2015-09-07。