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)之間的車輛積壓長(zhǎng)度，以車輛積壓長(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恰好等于無交通事件發(fā)生時(shí)車輛在檢測(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)間序列見圖1～3。

由圖1可知：1) 上游檢測(cè)點(diǎn)的平均速度剛開始在高位平穩(wěn)波動(dòng)，但從第5 000 s開始大幅下降并轉(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)。可見，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)的車輛通行緩慢，但不會(huì)影響下游檢測(cè)點(diǎn)的車輛保持快速通行。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)，說明堵塞車輛的排隊(duì)長(zhǎng)度已延伸到上游檢測(cè)點(diǎn)之外?？梢姡煌ㄊ录粫?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)剛開始在低位平穩(wěn)波動(dòng)，但從第5 000 s開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)致積壓的車輛快速通過造成的。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)(見圖4)。由圖4(a)可知：1) 積壓長(zhǎng)度剛開始在低位平穩(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?，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) 基于車輛積壓長(zhǎng)度的交通事件檢測(cè)算法以車輛積壓長(zhǎng)度移動(dòng)平均值作為特征指標(biāo)來檢測(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。