劉大學(xué)

摘要 文章以交通雷達(dá)技術(shù)為研究背景，通過交通雷達(dá)的相關(guān)特征參數(shù)，結(jié)合相關(guān)交通擁堵判定決策算法，構(gòu)建了城市道路交通擁堵和交通事故判定評價實(shí)驗(yàn)系統(tǒng)。以實(shí)際道路雷達(dá)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，處理得到的平均車速、車流量與實(shí)際基本相符。經(jīng)統(tǒng)計得到四級交通擁堵分布圖，顯示該文方法判別結(jié)果比模糊綜合判別法更準(zhǔn)確。

關(guān)鍵詞 交通擁堵;交通事故;雷達(dá);模糊綜合判別

中圖分類號 U491.3 文獻(xiàn)標(biāo)識碼 A 文章編號 2096-8949（2022）07-0075-04

0 引言

隨著經(jīng)濟(jì)快速發(fā)展，人們對出行質(zhì)量的要求越來越高，城市交通建設(shè)隨之不斷進(jìn)步，道路干線網(wǎng)絡(luò)不斷完善，機(jī)動車數(shù)量大幅攀升，過多車輛行駛導(dǎo)致交通擁堵，進(jìn)而導(dǎo)致交通事故以及交通違章現(xiàn)象頻發(fā)[1]。城市交通干道上出現(xiàn)交通事故后，如不及時上報警訊并移動車輛，就會因事故車輛占道導(dǎo)致道路擁堵[2]。出現(xiàn)交通事故后，如沒有實(shí)施有效的處理，又會導(dǎo)致交通擁堵以事故發(fā)生地為圓心向外輻射，逐漸蔓延至周邊交叉路口，引發(fā)更加嚴(yán)重的擁堵，嚴(yán)重影響過路車輛的通行效率[3]。因而在城市道路交通運(yùn)行中，需要對突發(fā)交通事故進(jìn)行實(shí)時監(jiān)測，從而提高交通事故處理的效率，縮短擁堵時間，對緩解因交通沖突造成的交通擁堵具有重大意義[4]。根據(jù)道路狀態(tài)信息，運(yùn)用雷達(dá)系統(tǒng)恰當(dāng)融入交通參數(shù)計算方法，構(gòu)建融城市道路交通流參數(shù)檢測、交通狀況判定和交通事故判別為一體的完整系統(tǒng)，可以極大地緩解城市交通擁堵[5]。該文據(jù)此對交通擁堵與交通事故的判別方法進(jìn)行了研究。

1 交通雷達(dá)檢測系統(tǒng)原理

在電磁波傳播過程中，由于接觸到物體而產(chǎn)生反射回彈。電磁波的振幅和頻率會因接觸到物體不同而出現(xiàn)差異。且該差異情況還會隨物體的運(yùn)動狀態(tài)發(fā)生變化。倘若物體處于相對靜止?fàn)顟B(tài)，所回彈的電磁波振幅和頻率將會保持恒定;倘若物體處于相對運(yùn)動狀態(tài)，就會導(dǎo)致電磁波出現(xiàn)壓縮反射現(xiàn)象，致使電磁波頻率增大。該電磁波頻率會隨著物體的運(yùn)動而產(chǎn)生變化，離電磁波發(fā)源地距離越遠(yuǎn)，頻率越低。因此可將交通雷達(dá)監(jiān)測系統(tǒng)運(yùn)用于交通違章和交通事故的判定。

交通雷達(dá)采用陣列式結(jié)構(gòu)，覆蓋城市道路交通干道進(jìn)行檢測識別，并且對過往車輛的行駛狀態(tài)加以檢測，從而得到每臺車輛的行駛速度、車頭時速等參數(shù)。車輛在行駛過程中，與交通雷達(dá)之間的關(guān)系可以通過二者距離來呈現(xiàn)。二者距離與發(fā)射、反射電磁波的差值呈正相關(guān)，即距離越大差值越大。因而可以借此對車輛所處車道加以區(qū)分，使用濾波器進(jìn)行識別。圖1所示為微波束投影橫截面圖。

2 基于交通雷達(dá)的交通擁堵與交通事故的判別

2.1 交通實(shí)時檢測

通過雷達(dá)與高清攝像頭關(guān)聯(lián)，一旦發(fā)生交通事故或車輛違章現(xiàn)象均可以通過對事發(fā)車輛進(jìn)行拍照和交通雷達(dá)檢測，最大限度提高交通事故處理的效率[6]。即通過對過路車輛發(fā)射雷達(dá)電磁波，而后收集檢測由車輛反射回來的雷達(dá)電磁波頻率，繼而將電磁波信號轉(zhuǎn)化成雷達(dá)信號進(jìn)行表達(dá)，按照實(shí)際車輛比例，將實(shí)際道路設(shè)施、道路渠化等與雷達(dá)匹配。進(jìn)行坐標(biāo)覆蓋，從而對排隊(duì)長度、交通流量、占有率等交通參數(shù)進(jìn)行檢測。但是由于交通雷達(dá)所采集到的電磁波信號需要經(jīng)過處理，才可以轉(zhuǎn)化為車輛行駛的其他交通參數(shù)，所以針對某一時刻的車輛信息具有一定的滯后性。為了將雷達(dá)檢測結(jié)果和車輛運(yùn)行時刻統(tǒng)一，通過公式（1）進(jìn)行計算：

（1）

式中，——光感系統(tǒng)檢測到數(shù)字信號所消耗的時間（s）;——數(shù)據(jù)處理消耗的時間（s）;——數(shù)據(jù)傳輸消耗的時間（s）。

2.2 交通事故檢測

交通事的故復(fù)雜性、多源性使得交通沖突仿真具有極大的不確定性[7]。當(dāng)兩個或兩個以上交通實(shí)體發(fā)生碰撞，雷達(dá)會將運(yùn)行實(shí)體的軌跡檢測出，可識別是否發(fā)生交通事故。而后可以通過車輛的運(yùn)行狀態(tài)和雷達(dá)所接收到的反射電磁波頻率來識別發(fā)生交通事故車輛為相對運(yùn)動實(shí)體，在雷達(dá)上進(jìn)行顯示。在發(fā)生事故時，會有車輛間碰撞接觸，也可進(jìn)行識別。圖2為區(qū)域性障礙雷達(dá)顯示示意圖。

2.3 擁堵判定

在發(fā)生交通事故后，雷達(dá)通過檢測對區(qū)域性障礙位置進(jìn)行確定，并對事故發(fā)生位置、占據(jù)車道情況進(jìn)行精確判別。而后可以通過雷達(dá)反饋回的電磁波信號，通過擁堵方向、車輛時速、在車道停止線位置的不同、該城市交通干線車輛匯入率和擁堵方向的消散率之間的關(guān)系，來判斷該交通干道是否發(fā)生擁堵現(xiàn)象[8]。擁堵方向消散率的定義為：擁堵方向單位時間內(nèi)通過事故發(fā)生地的車輛數(shù)，具體見公式（2）。

（2）

式中，——擁堵方向車輛消散率;——第條擁堵進(jìn)口道車輛經(jīng)停車線處車頭時距（s）;——第條擁堵進(jìn)口道方向綠燈時間（s）;——事故發(fā)生地?fù)矶路较虿砺房谛盘栔芷冢╯）。

其中，消散率與進(jìn)口道車輛經(jīng)停車線處車頭時距成反比，與車道數(shù)、信號放行時間成正比。第條車道方向綠信比，因此，。

定義為擁堵方向單位時間匯入車輛數(shù)為擁堵方向匯入率，，其中，——交通擁堵上游交叉口信號周期（s）;——匯入擁堵方向車道車輛數(shù)（veh）。

當(dāng)出現(xiàn)交通擁堵點(diǎn)后，根據(jù)擁堵方向匯入率及消散率的關(guān)系可知：在時，也就是擁堵方向匯入率要比消散率小，表明擁堵點(diǎn)處排隊(duì)車輛會消散。當(dāng)，也就是擁堵方向匯入率與消散率相等，擁堵地點(diǎn)排隊(duì)車輛數(shù)量將會保持恒定不變，但是擁堵現(xiàn)象并不會對外蔓延。當(dāng)，即代表了擁堵方向匯入率小于消散率，擁堵排隊(duì)車輛不僅會越來越多，甚至?xí)霈F(xiàn)更加嚴(yán)重的趨勢，并向外蔓延。

3 基于雷達(dá)處理交通特征參數(shù)的選取

判斷交通道路是否出現(xiàn)擁堵現(xiàn)象，最重要的識別因素是交通特征參數(shù)，因而需要選取合適的特征參數(shù)進(jìn)行識別和分類判定。使用最為廣泛的交通特征參數(shù)有車速、車流量、交通密度、占有率、車頭時速、排隊(duì)長度、車頭間距等。但由于經(jīng)常出現(xiàn)車輛遮擋現(xiàn)象，難以對車頭間距、排隊(duì)長度和車頭時速等參數(shù)進(jìn)行計算，而交通密度的計算方式又十分復(fù)雜。該文的研究中選取速度、車流量、路面占有率作為判定該路段是否擁堵的重要決策變量。

3.1 基于雷達(dá)處理交通特征參數(shù)的檢測方法

3.1.1 路面占有率

在進(jìn)行道路占有率計算時，基本參數(shù)的設(shè)定為前提要素?？梢允褂檬止し绞綄β访嫘畔⑦M(jìn)行提取，設(shè)置雷達(dá)監(jiān)控范圍的面積為area，左邊車道用lroadway1表示，路面占有率ratioroadl用公式（3）計算：

（3）

式中，heighti——第個車輛在圖像中所占面積，M——車輛信息鏈表長度。通過公式（4）計算右邊車道占有率：

（4）

3.1.2 車速計算

相鄰兩幀為、;相鄰幀間隔時間為。在計算車速時，先從雷達(dá)序列中依次取出圖像，圖像中讀取的第輛車質(zhì)心用表示;在相鄰幀中，將第輛車所對應(yīng)的位置進(jìn)行識別找出，而后采用跟蹤算法來把第輛車在幀中的位置找到，并對該幀中車輛的中心進(jìn)行計算，記為;在中，第車輛速度為，。

3.1.3 車流量計算

對于車流量的計算過程可以和車速計算過程并列到一起，車速的計算則是需要記下幀中的位置和幀中的位置，統(tǒng)計與間的車輛個數(shù)，可以得到車流量為。

3.2 特征參數(shù)與交通狀態(tài)的關(guān)系

根據(jù)車輛的類型差異和不同交通道路的類型進(jìn)行調(diào)整，從而得到表1中所展示的各級交通擁堵狀態(tài)與特征參數(shù)的關(guān)系。

3.3 模糊綜合評判方法

根據(jù)表1，可獲得交通擁堵等級和道路交通特征參數(shù)間的模糊隸屬矩陣，通過模型，可獲得矩陣B：

（5）

式中，——ID號為的車輛，第個因素對第個模糊語言子集隸屬度，其中，語言變量分別表示小、中、大，即。

（6）

式中，。

，其中，表示ID號為的車輛對個狀態(tài)模式隸屬度。

圖3為交通擁堵判別算法流程圖。因擁堵預(yù)判別只采用速度變量劃分，不能對道路情況進(jìn)行完全描述。因而，會有產(chǎn)生權(quán)重計算結(jié)果和預(yù)判結(jié)果不符合的現(xiàn)象[9]。出現(xiàn)這種現(xiàn)象時，表明該交通道路判別擁堵狀態(tài)產(chǎn)生誤差，需要更換權(quán)重參數(shù)指標(biāo)進(jìn)行重新計算，并進(jìn)行判定。

3.4 實(shí)驗(yàn)算法流程

該文利用杭州市某道路旁的雷達(dá)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，其中計算機(jī)配置CPU為i3，內(nèi)存為4 GB，處理器主頻為1.9×

2 GHz。圖4為基于雷達(dá)處理的城市道路交通擁堵判別算法流程圖。

表2為雷達(dá)獲取交通特征參數(shù)與實(shí)際獲取交通特征參數(shù)對比。而后再根據(jù)數(shù)據(jù)進(jìn)行人工統(tǒng)計計算，最終得到實(shí)際車流量、車速數(shù)據(jù)。因道路占有率為不易實(shí)際計算的量，因此未進(jìn)行數(shù)據(jù)對比。

由表2可知，雷達(dá)處理得到的平均車速基本符合實(shí)際的平均車速，道路在31 s、41 s、51 s中比較通暢，道路占有率突然增大。通過觀察，發(fā)現(xiàn)雷達(dá)中有體積較大車輛出現(xiàn)，在路況較暢通時，占有率升高，不同于111 s、121 s因?yàn)槁窙r，由于該時段路段出現(xiàn)車輛體積較大，出現(xiàn)車輛完全遮擋的現(xiàn)象，導(dǎo)致出現(xiàn)車流量降低的錯誤判斷。實(shí)際獲取車流量和雷達(dá)檢測獲取車流量基本相同。

4 交通擁堵判別算法實(shí)驗(yàn)結(jié)果分析

該文采用杭州市某路段雷達(dá)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證。由表3可知，在同一時段中，該路段開始交通擁堵狀態(tài)為一般，隨著時間的增長，就出現(xiàn)了十分擁堵的現(xiàn)象，雖然擁堵情況出現(xiàn)了緩解，但是依舊判定為Ⅲ級擁堵狀態(tài)，須提醒車輛繞道行駛。

如圖5所示，將實(shí)驗(yàn)數(shù)據(jù)和觀測數(shù)據(jù)進(jìn)行對比，通過該文方法判別、模糊綜合判別、人為判別進(jìn)行統(tǒng)計，得到四級交通擁堵分布數(shù)據(jù)。人為判別和該文方法數(shù)據(jù)更為接近，判別結(jié)果要比模糊綜合判別結(jié)果準(zhǔn)確。

5 結(jié)論

該文基于交通雷達(dá)進(jìn)行交通擁堵與交通事故判別方法研究，得出如下結(jié)論：

（1）將電磁波信號轉(zhuǎn)化成雷達(dá)信號進(jìn)行表達(dá)，按照實(shí)際車輛比例，將實(shí)際道路設(shè)施、道路渠化等與雷達(dá)匹配。選取速度、車流量、路面占有率作為判定該交通路段是否出現(xiàn)擁堵現(xiàn)象的重要決策變量。

（2）該文構(gòu)建了基于交通雷達(dá)的城市道路交通擁堵現(xiàn)象判定評價實(shí)驗(yàn)系統(tǒng)，以杭州市某一主線道路所收集到的雷達(dá)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，雷達(dá)處理得到的平均車速基本符合實(shí)際平均車速，實(shí)際獲取車流量和雷達(dá)檢測獲取車流量基本相同。

（3）通過該文方法判別、模糊綜合判別、人為判別進(jìn)行統(tǒng)計，得到四級交通擁堵分布數(shù)據(jù)，人為判別和該文方法數(shù)據(jù)更為接近，判別結(jié)果比模糊綜合判別結(jié)果準(zhǔn)確。

參考文獻(xiàn)

[1]陳昊， 陸建. 基于VISSIM仿真的高速公路事故交通影響[J]. 長安大學(xué)學(xué)報（自然科學(xué)版）， 2015（S1）： 226-229.

[2]王進(jìn)展， 曲大義， 曹俊業(yè)， 等. 基于多普勒雷達(dá)交通實(shí)時監(jiān)控的交通沖突判別技術(shù)研究[J]. 科學(xué)技術(shù)與工程， 2016（32）： 308-313.

[3]Zhang F， Knoll A. Vehicle detection based on probability hypothesis density filter[J]. Sensors， 2016（4）： 510-523.

[4]張宙元， 余穩(wěn)， 孫蕓， 等. 應(yīng)用于交通信息檢測雷達(dá)的陣列天線設(shè)計[J]. 現(xiàn)代雷達(dá)， 2011（4）： 67-70+75.

[5]史殿習(xí)， 丁濤杰， 丁博， 等. 一種基于非參數(shù)回歸的交通速度預(yù)測方法[J]. 計算機(jī)科學(xué)， 2016（2）： 224-229.

[6]楊思琪. 高速公路交通擁堵狀況預(yù)測模型的研究與應(yīng)用[D]. 廣州： 華南理工大學(xué)， 2017.

[7]孔棟， 王曉原， 劉亞奇， 等. 基于車載32線激光雷達(dá)點(diǎn)云的車輛目標(biāo)識別算法[J]. 科學(xué)技術(shù)與工程， 2018（5）： 81-85.

[8]左家駿， 楊瑞娟， 李曉柏， 等. QAM-OFDM雷達(dá)通信一體化信號雷達(dá)性能研究[J]. 現(xiàn)代雷達(dá)， 2020（8）： 1-5.

[9]陳丹， 胡明華， 張洪海， 等. 基于貝葉斯估計的短時空域扇區(qū)交通流量預(yù)測[J]. 西南交通大學(xué)學(xué)報， 2016（4）： 807-815.