徐 榮，魏 莉

(安徽廣播電視大學(xué) 信息工程學(xué)院，安徽 合肥 230022)

隨著交通信息技術(shù)的快速發(fā)展，需要對交通事故進(jìn)行準(zhǔn)確有效監(jiān)測，以實(shí)現(xiàn)對道路交通事故導(dǎo)致?lián)矶聠栴}的快速解決[1]。如果在交通監(jiān)測模塊中出現(xiàn)預(yù)警、告警提示，那么此時是可將其作為事故的外部征兆的[2]。利用傳統(tǒng)的交通事故監(jiān)測方法，如監(jiān)測圈、監(jiān)測樹等，是能夠達(dá)到較好的監(jiān)測結(jié)果的，具有的性能也是較好的[3]。然而，由于此時對于交通事故的監(jiān)測是通過探測波長實(shí)現(xiàn)的，故此，需要支付的成本是較高的[4]?；诳柭慕煌ㄊ鹿时O(jiān)測算法，即便是當(dāng)前所面臨的征兆并不完全，具有的優(yōu)勢也是十分顯著的[5]。

為了能夠改善交通安全風(fēng)險監(jiān)測算法的性能，本研究提出了基于多道面狀態(tài)傳感器節(jié)點(diǎn)數(shù)據(jù)挖掘的交通安全風(fēng)險監(jiān)測算法。在該算法中將整個監(jiān)測過程進(jìn)行了過程劃分，即事故預(yù)測、篩選以及監(jiān)測三個階段。

1 交通事故監(jiān)測框架

本交通安全監(jiān)測系統(tǒng)算法的實(shí)現(xiàn)是通過三個模塊進(jìn)行的，即預(yù)測、篩選、以及監(jiān)測。交通事故監(jiān)測框架圖如圖1所示。

圖1交通事故監(jiān)測框架圖圖2概率加權(quán)的二分圖(PWBG)

2 事故預(yù)測模塊

本文在設(shè)計(jì)事故傳播模型的時候，利用的是概率加權(quán)的二分圖，利用該方法能夠?qū)崿F(xiàn)對事故的精確預(yù)測，具體模型如圖2所示。

定義參數(shù)冗余度R(HMaX)指的是在最大事故集合中冗余事故數(shù)量在其中所占據(jù)的比重大小，可通過式(1)進(jìn)行表達(dá)：

(1)

3 事故篩選模塊

圖3多道面狀態(tài)傳感器節(jié)點(diǎn)數(shù)據(jù)挖掘工作流程

3.1 多道面狀態(tài)傳感器節(jié)點(diǎn)數(shù)據(jù)挖掘理論

(1)信號的稀疏表示屬于多道面狀態(tài)傳感器節(jié)點(diǎn)數(shù)據(jù)挖掘的重要先驗(yàn)條件，如式(2)所示：

x=Ψθ

(2)

(2)多道面狀態(tài)傳感器節(jié)點(diǎn)數(shù)據(jù)挖掘的觀測模型進(jìn)行投影，投影到與變換基不存在相關(guān)性的感知矩陣Φ，由此觀測向量y能夠從中得到，利用下式(3)能夠得到觀測向量：

y=Φx

(3)

根據(jù)式(2)和式(3)可知，觀測向量和稀疏系數(shù)的關(guān)系可以表示為

y=Φx=ΦΨθ

(4)

(3)通過多道面狀態(tài)傳感器節(jié)點(diǎn)數(shù)據(jù)挖掘信號重構(gòu)，主要是利用原來低于原始信號的稀疏度觀測向量y來進(jìn)行重構(gòu)。如下式(5)所示

min‖x‖0,s.t. y=Φx

(5)

3.2 多道面狀態(tài)傳感器節(jié)點(diǎn)數(shù)據(jù)挖掘的事故篩選算法

通過預(yù)測模塊獲得的事故集合中，如圖3所示表示了多道面狀態(tài)傳感器節(jié)點(diǎn)數(shù)據(jù)挖掘的基本工作原理與詳細(xì)流程。

(1)第一步要求對信號具有的可壓縮性進(jìn)行驗(yàn)證，通過多道面狀態(tài)傳感器節(jié)點(diǎn)數(shù)據(jù)挖掘的方式對其進(jìn)行處理是具有較強(qiáng)的合理性的。

(2)第二步，假設(shè)此時具有的信號強(qiáng)度閾值為αSI，要求高于閾值的原始信號部分能夠保留。能夠利用公式(6)得出αSI。

αSI=μ·Max{x1,x2,…,xn}

(6)

利用公式(7)能夠得到對角矩陣元素值。

(7)

(3)第三步，利用得到的觀測向量對原始信號值進(jìn)行重構(gòu)，η(HS)與R(HS)具體的計(jì)算公式如式(8)、式(9)所示。

(8)

(9)

4 交通事故監(jiān)測模塊

事故f具有的理想數(shù)據(jù)挖掘具體可通過下式(10)進(jìn)行計(jì)算。

(10)

上式中，p(f|si)能夠通過公式(11)計(jì)算得到。

(11)

H2(rf)可以通過公式(12)表示如下：

(12)

5 仿真及結(jié)果分析

圖4代表了當(dāng)采取的篩選尺度因子存在區(qū)別時，此時得到的事故集合具有的冗余度水平。

圖4 不同尺度因子下的篩選后事故集合冗余度

表1反映了當(dāng)事故集合經(jīng)過篩選之后，得到的真實(shí)事故覆蓋率水平η(HS)。分析表1能夠得出，不管是在何種交通規(guī)模下，此時的η(HS)值是恒等于1的，也就是說此時的HS中真實(shí)事故能夠得以有效保留。

表1 集合真實(shí)事故覆蓋率

交通事故監(jiān)測性能分析μ=1.0時，HS此時具有的冗余度水平最小，并且此時其中的真實(shí)事故也能夠得到有效的保持，故此，本文基于μ=1.0的前提下，實(shí)現(xiàn)了事故的篩選與監(jiān)測，以獲得最終的監(jiān)測結(jié)果。

如圖5所示，分析可得，此時的本文算法在檢測率上是表現(xiàn)為更高的檢測率的，BSD次之，MCA具有最低的檢測率。

圖6表示了在不同的交通中，三種算法所表示的事故檢測率方差水平，方差水平能夠?qū)κ鹿时O(jiān)測的穩(wěn)定性進(jìn)行分析。整體而言，本文算法是具有更強(qiáng)的穩(wěn)定性的，在不同的交通中表現(xiàn)出了較高的事故檢測穩(wěn)定性。對比而言，MCA算法具有較低的穩(wěn)定性。

圖5事故檢測率圖6事故檢測率方差

6 結(jié)論

本文提出了一種基于多道面狀態(tài)傳感器節(jié)點(diǎn)數(shù)據(jù)挖掘的交通安全風(fēng)險監(jiān)測算法。該算法通過預(yù)測模塊的卡爾曼集，從中快速得到了預(yù)測結(jié)果，利用參數(shù)事故覆蓋范圍，實(shí)現(xiàn)了事故向信號的有效轉(zhuǎn)化。最后，再通過對多道面狀態(tài)傳感器節(jié)點(diǎn)數(shù)據(jù)挖掘參數(shù)的設(shè)定，實(shí)現(xiàn)了對事故的有效判別，仿真結(jié)果表明：在不同的隨機(jī)交通中，該算法的事故檢測率都是十分良好的，而且此時的事故誤檢率也是相對較低的。