CN101075377A - 基于偏最小二乘原理的高速公路交通事件自动检测方法 - Google Patents

Abstract

本发明公开了一种基于偏最小二乘原理的高速公路交通事件自动检测方法，包括以下步骤：检测系统通过地感线圈或视频设备按照设定步长采集检测区实时交通流信息；根据采集的实时交通流信息，采用偏最小二乘回归检测算法判断检测区是否发生交通事件，如果发生事件，发出警报，通知交通管理部门采取相应的措施清除事件，否则继续采集数据，进行下一次判断；本发明方法检测率高，误警率大大降低，检测性能明显提高。此外，建模收敛速度快，无须参数调整，并且由于计算量少，工程实现较为容易。

Description

基于偏最小二乘原理的高速公路交通事件自动检测方法

技术领域

本发明涉及一种高速公路交通事件自动检测的方法，具体说是一种基于偏最小二乘原理的高速公路交通事件自动检测方法，可用于对高速公路交通事件存在与否进行实时自动检测，涉及交通智能管理和控制技术。

背景技术

交通事件指经常发生的非重复性事件，如交通事故、货物散落、车辆抛锚、路面维修、信号或检测设备故障及其他一些中断正常交通、引起拥挤和延误、降低道路通行能力的特殊事件。由于交通事件引起的拥挤是突然的，因而极易引发二次事故，从而降低道路安全水平。全世界每年因为交通事件引起的生产力损失、财产损失、人身伤害达数亿美元。近年来，随着社会经济的快速发展、车辆保有量与道路通车里程的与日俱增、车辆运行速度的提高，交通事件频繁发生，在我国已成为一个严重的社会问题。

交通事件的早期检测与及早分流可以大幅度降低延误，提高道路安全和服务水平。交通事件自动检测(Automatic Incident Detection，AID)是先进的交通控制与管理系统中最基本最重要的组成部分，其目的是通过尽早检测和清理交通事件，使公路尽快恢复正常运行，降低延误，是解决高速公路突发交通事件的有效途径之一。自20世纪70年代开始，交通事件自动检测就受到各国交通工程专家的重视，成为交通运输工程领域的一个研究热点。

目前基于交通流参数变化来检测交通事件的方法，因其经济方便而成为发展中国家和大多数发达国家AID研究的主要方向。发明“采用人造神经网络和遗传算法的高速公路事件自动检测系统”(CN 1311880A)公开了一种高速公路上自动检测交通事件的神经网络的设计，该发明运用遗传算法优化神经网络的设计。不少实验结果表明，基于神经网络的检测算法性能优于其它算法。但是，神经网络算法有以下几个缺点，神经网络是黑箱结构，知识隐含在连接权重中，难以抽取和理解，收敛较慢，并且收敛依赖于学习参数的设置，存在早熟现象，易陷于局部极小等。此外，遗传算法本身除耗时外，也有自身参数选择的问题。

近年又有学者提出使用支持向量机(Support Vector Machine，SVM)对交通状态进行识别，从而实现交通事件的自动检测。SVM的核函数及其参数对SVM的分类性能有很大影响，但是，如何选择合适的核函数及其参数是一挑战性的工作，目前还没有简单确定的方法，一般是通过大量费力耗时的实验摸索，因此，SVM的应用效果完全依赖于使用者的经验，这就影响了其检测交通事件的能力。

发明内容

本发明所要解决的技术问题在于，克服现有技术存在的技术缺陷和不足，提供一种基于偏最小二乘原理的高速公路交通事件自动检测方法，其检测率、误警率和分类率均优于现有技术。

本发明基于偏最小二乘原理的高速公路交通事件自动检测方法，包括以下步骤：

----检测系统通过地感线圈或视频设备按照设定步长采集检测区实时交通流信息，包括上下游交通流量、速度、车道占有率、车头时距，采样步长可设为30秒或1分钟；

----根据采集的实时交通流信息判断检测区是否发生交通事件，如果发生，发出警报，通知交通管理部门采取相应的措施清除事件，否则继续采集数据，进行下一次判断；

其特征是：所述根据采集的实时交通流信息判断检测区是否发生交通事件，是采用偏最小二乘回归检测算法判断检测区是否发生交通事件。

偏最小二乘回归方法与普通最小二乘回归在思路上的主要区别是它在回归建模过程中采用了信息综合与筛选技术。它首先提取若干对系统具有最佳解释能力的新综合变量(即提取成分)，然后利用提取成分进行回归建模。

设已知因变量y和k个自变量x₁，x₂，......，x_k，样本数为n，构成数据表X＝[x₁，x₂，...，x_k]_n*k和y＝[y]_n*1。偏最小二乘回归的建模步骤包括：

(1)对X和y进行标准化处理，得到标准化后的自变量矩阵E₀和F₀，

$x_{\mathrm{ij}}^{*}=\frac{x_{\mathrm{ij}}-\stackrel{\‾}{x_j}}{s_j},y_j^{*}=\frac{y_i-\stackrel{\‾}{y}}{s_y},i=\mathrm{1,2},...,k;j=\mathrm{1,2},...,k---\left(1\right)$

$E_0={\left(x_{\mathrm{ij}}^{*}\right)}_{n*k},F_0={\left(y_j^{*}\right)}_{n*1},i=1,2,...,n$

式中，

是X_j的均值，s_j是X_j的标准差； y是y的均值；s_y是y的标准差。

令h＝1。

(2)计算向量权重w_h，

w_h＝E_h-1′F_h-1                       (2)

(3)提取成分t_h

t_h＝E_h-1w_h                           (3)

(4)计算X和y的回归系数p_h，q_h

p_h＝E_h-1′t_h/(t_h′t_h)                (4)

q_h＝F_h-1′t_h/(t_h′t_h)                (5)

(5)计算残差矩阵

E_h＝E_h-1-t_hp_h′

F_h＝F_h-1-q_h′t_h                      (6)

(6)检查收敛性，可用交叉有效性确定。如果上述方程满足精度要求，转下一步。否则，h＝h+1，重复步骤(2)-(5)，对残差矩阵进行新一轮的成分提取和回归分析。

(7)设得到k个成分t₁，t₂，...，t_k，实施F₀在t₁，t₂，...，t_k上的回归，得

F₀＝q₁t₁+q₂t₂+...+q_kt_k               (7)

由于t₁，t₂，...，t_k均是E₀的线性组合，因此，

$F_0=q_1{E}_0{w}_1+q_2{E}_1{w}_2+...+q_k{E}_{k-1}{w}_k=q_1{E}_0{w}_1^{*}+...+q_k{E}_0{w}_k^{*}---\left(8\right)$

式中， $w_h^{*}=\underset{j=1}{\overset{h-1}{\mathrm{\Π}}}(I-w_j{p}_j^{\′})w_h,$ I为单位矩阵。

(8)按照标准化的逆过程还原成y对X的回归方程，

$y=\stackrel{\‾}{y}+s_y\left(\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\α}}_i{x}_i^{*}\right)=\stackrel{\‾}{y}+s_y\left(\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\α}}_i\frac{x_i-{\stackrel{\‾}{x}}_i}{s_i}\right)$

${\mathrm{\α}}_i=\underset{h=1}{\overset{m}{\mathrm{\Σ}}}{r}_h{w}_{\mathrm{hi}}^{*}---\left(9\right)$

令X表示采集的交通特征参数，如交通流量、占有率、速度和车头时距等，y表示交通状态，取值1或-1，分别表示事件发生或无事件。根据当前采集的交通信息，运用上式(9)计算y，即可判断交通事件的有无。

因此，采用偏最小二乘回归检测算法判断检测区是否发生交通事件的具体步骤是：

1、设X表示采集的交通特征参数，如交通流量、占有率、速度和车头时距等，y表示交通状态，取值1或-1，分别表示事件发生或无事件。用已知交通状态y＝[y]_n*1的交通流信息X＝[x₁，x₂，...，x_k]_n*k，建立(标定)偏最小二乘回归数学模型

$y=\stackrel{\‾}{y}+s_y\left(\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\α}}_i{x}_i^{*}\right)=\stackrel{\‾}{y}+s_y\left(\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\α}}_i\frac{x_i-{\stackrel{\‾}{x}}_i}{s_i}\right)$

${\mathrm{\α}}_i=\underset{h=1}{\overset{m}{\mathrm{\Σ}}}{r}_h{w}_{\mathrm{hi}}^{*}$

2、将实时采集的检测区实时交通流信息代入所建模型，根据y值确定当前是否有事件发生。如果y不大于0，表示检测区内为正常交通运行状态，否则表示发生事件。

偏最小二乘回归模型的优势在于收敛速度快，无须参数调整，可显示不同变量的相对重要性，并且由于减少了计算量，实现起来较为容易。本发明使用偏最小二乘回归模型表示事件和交通流之间的关系，将模型输出与预先定义的门限相比，从而判断是否有事件发生。该方法检测率高，误警率大大降低，检测性能明显提高。因此，使用偏最小二乘回归模型(PLSR)检测交通事件具有较好的应用前景。

附图说明

图1为高速公路待检测区域上下游布置检测设备示意图；

图2基于偏最小二乘原理的高速公路交通事件自动检测方法程序框图；

图3偏最小二乘回归的建模程序框图；

具体实施方式

下面结合附图和实施例，对本发明作进一步详细说明。

实施例：如图1所示，在高速公路待检测区域上下游布置检测设备。检测器可以是地感线圈或视频采集设备，以为某个采样单位(如30秒)采集交通流量、占有率、速度。令X为上述交通特征参数，y为交通状态，事件状态取值为1，非事件状态取值为-1，则，

$X=\left[\begin{array}{cccc}{x}_1& x_2& \·\·\·& x_6\end{array}\right]$

$=\left[\begin{array}{cccccc}\mathrm{spee}{d}_{\mathrm{up}1}& \mathrm{occupanc}{y}_{\mathrm{up}1}& \mathrm{volum}{e}_{\mathrm{up}1}& \mathrm{spee}{d}_{\mathrm{dn}1}& \mathrm{occupanc}{y}_{\mathrm{dn}1}& \mathrm{volum}{e}_{\mathrm{dn}1}\\ \mathrm{spee}{d}_{\mathrm{up}2}& \mathrm{occupanc}{y}_{\mathrm{up}2}& \mathrm{volum}{e}_{\mathrm{up}2}& \mathrm{spee}{d}_{\mathrm{dn}1}& \mathrm{occupanc}{y}_{\mathrm{dn}2}& \mathrm{volum}{e}_{\mathrm{dn}2}\\ \·& \·& \·& \·& \·& \·\\ \·& \·& \·& \·& \·& \·\\ \·& \·& \·& \·& \·& \·\\ \mathrm{spee}{d}_{\mathrm{upn}}& \mathrm{occupanc}{y}_{\mathrm{upn}}& \mathrm{volum}{e}_{\mathrm{upn}}& \mathrm{spee}{d}_{\mathrm{dnn}}& \mathrm{occupanc}{y}_{\mathrm{dnn}}& \mathrm{volum}{e}_{\mathrm{dnn}}\end{array}\right]$

$Y=\left[\begin{array}{c}{y}_1\\ y_2\\ \·\\ \·\\ \·\\ y_n\end{array}\right]=\left[\begin{array}{c}1/-1\\ 1/-1\\ \·\\ \·\\ \·\\ 1/-1\end{array}\right]$

实际检测解算过程分为模型标定和模型使用两个过程。

模型标定：收集或采集检测区一段时间内的交通数据，含事件样本和非事件样本。为了保证模型的准确性，能刻画检测参数与事件之间的关系，样本应该足够大。设收集有n个样本，根据前述建模步骤计算公式的参数，从而得到偏最小二乘回归模型。为了降低误报率，可以使用T-2，T-1和T时刻的交通流量、占有率、速度建立偏最小二乘回归模型，此时X是n*18的二维矩阵，y仍是n*1矩阵。

模型使用：实时采集检测区上下游的交通流量、占有率、速度，将其代入所建模型，根据y值确定当前是否有事件发生。如果y不大于0，表示检测区内为正常交通运行状态，否则表示发生事件。出于降低误报率的考虑，可以采用持续性测试，只有连续两次模型输出都大于0，才触发事件警报，通知交通部门的管理者进行相应的事件处理。

算例分析

本实验用加利福尼亚旧金山海湾地区的I-880高速公路上采集来的真实交通数据(I-880数据)测试偏最小二乘法检测交通事件的性能。这个数据库已经被用在很多其他类似的事件检测研究中。数据包括上下游的交通流量、速度和车道占有率，每隔30秒采集一次。以一个检测站的所有通道的平均值建立偏最小二乘模型。现有45个事件范例，其中随机选择22个范例(2100个实例)作为训练集，剩下的23个范例(2036个实例)用作检测集。1993年2月16日采集的正常事件数据(43418个实例)作为训练集，1993年2月17日采集的正常事件数据用作检测集。

由于PLSR对训练集中的正类和反类的比例是敏感的，为了使PLSR有更好的性能，我们随机选取包括所有的事件实例的12200个实例来产生一个新的含有20.6％事件实例的训练集。用这个新的数据集建立PLSR，根据交叉验证的结果，PLSR由四个主成分组成。为便于比较，同时建立SVM分类器进行检测，使用径向基函数构建SVM，参数C被设置成1.0，径向基函数的参数gamma值设置为1。

用相同的测试数据评价偏最小二乘法和支持向量机方法的性能，对比结果如表1所示。

表1.偏最小二乘法和支持向量机测试性能对比(含20.6％事件实例)

	检测率(％)	误警率(％)	平均检测时间(分)	分类率(％)	ROC下面积(％)	运行时间(秒)
							PLSR	95.65	0.06	4.66	96.65	94	0.30
SVM	91.30	0.24	2.55	94.65	94	13.69

PLSR的检测率、误警率和分类率比SVM优越，PLSR的检测率为95.65％，而SVM为91.30％，PLSR的误警率为0.06％，而SVM为0.24％；PLSR的分类率为96.65％，SVM为94.65％。另一项重要的不同之处是PLSR有很快的收敛性，对比SVM的13.69秒，它只要0.30秒。尽管该PLSR的平均检测时间不理想，其4.66秒劣于SVM的2.55秒，但是，我们进一步的实验表明，适当提高事件实例在训练集合中的比例，可以缩短检测时间，使该指标接近于SVM的平均检测时间。

从I-880真实数据的实验结果来看，PLSR可以很好刻画交通流特征参数与事件之间的内在关系。PLSR和SVM之间的比较表明，基于PLSR模型的检测算法性能接近、甚至超过了SVM方法。此外，PLSR收敛快，也不需要调节任何参数，而神经网络的性能取决于结构的选择和训练的参数，SVM的性能取决于核函数和一些参数的选择；另外，SVM尤其是神经网络的收敛很慢。因此，使用PLSR检测交通事件具有明显的优势。

Claims (3)

1、一种基于偏最小二乘原理的高速公路交通事件自动检测方法，包括以下步骤：

----检测系统通过地感线圈或视频设备按照设定步长采集检测区实时交通流信息；

----根据采集的实时交通流信息判断检测区是否发生交通事件，如果发生，发出警报，通知交通管理部门采取相应的措施清除事件，否则继续采集数据，进行下一次判断；

其特征是：所述根据采集的实时交通流信息判断检测区是否发生交通事件，是采用偏最小二乘回归检测算法判断检测区是否发生交通事件。

2、根据权利要求1所述基于偏最小二乘原理的高速公路交通事件自动检测方法，其特征是：所述采用偏最小二乘回归检测算法判断检测区是否发生交通事件的具体步骤是：

A、用已知交通状态 $y={\left[y\right]}_{n*1}$ 的交通流信息 $X={[x_1,x_2,...,x_k]}_{n*k},$ 作为建模样本，建立偏最小二乘回归数学模型，交通状态取值1或-1，分别表示事件发生或无事件发生；

B、将实时采集的检测区实时交通流信息代入所建模型，根据模型输出确定当前是否有事件发生；如果模型输出不大于0，表示检测区内为正常交通运行状态，否则表示发生事件。

3、根据权利要求2所述基于偏最小二乘原理的高速公路交通事件自动检测方法，其特征是：所述根据模型输出确定当前是否有事件发生，采用连续n次测试降低误报率，即连续n次模型输出都大于0，才确定发生事件，发出警报。

Images