CN101581940A - 基于集成学习时间序列预测的隧道事件检测方法 - Google Patents

Abstract

本发明公开了一种基于集成学习时间序列预测的隧道事件检测方法，主要解决同类方法不能对传感器值精确预测达到有效控制隧道通风的问题。其检测步骤为：对采集的公路隧道数据进行预处理，形成训练数据集；根据训练数据集训练出多个基预测器，由基预测器加权组合形成强预测器；根据当前t时刻隧道传感器的值，利用强预测器计算t+1时刻隧道烟雾浓度预测值，并根据预测误差动态调整参与集成的基预测器；将t+1时刻的隧道烟雾浓度预测值与烟雾浓度阈值比较，判断烟雾浓度是否为超标事件；对于超标事件，计算通风控制器的控制参数，降低烟雾浓度。本发明具有预测功能强、控制通风控制器精度高的优点，用于高速公路隧道的运营监控及节能减排方面。

Description

基于集成学习时间序列预测的隧道事件检测方法

技术领域

本发明属于检测技术领域，特别是一种涉及公路事件的检测方法，可以用于对隧道事件的判定及实现带有预测功能的通风控制。

背景技术

在隧道事件检测及变频通风控制系统中，一氧化碳浓度和烟雾浓度检测值是变频通风控制的主要依据，一氧化碳浓度和烟雾浓度的检测是一个大时滞系统，且易受不确定因素的影响。为了保证隧道通风控制系统的及时有效性，应快速分析隧道事件与通风控制的关系。而在通风控制量化的研究中，一氧化碳浓度、烟雾浓度与隧道事件间的关联关系是研究的前提。根据隧道传感器检测值预测隧道交通事件发生的概率，准确实施对隧道变频通风的控制，避免隧道交通事件的发生，可以达到隧道运营节能的目的。

所谓交通事件，是指导致道路通行能力下降的意外事件。所谓事件检测，是指通过检测方法检测到频繁出现、有一定规律可循且涉及的相关数据可以由隧道监控系统采集的隧道事件。公路隧道事件可分为货物洒落、车辆故障、交通挤塞、烟雾和一氧化碳浓度超标、风速和光照异常等类型。如果这些交通事件没有得到及时处理，很可能引起交通事故，如撞车、火灾等。

目前，国内外对于隧道通风节能研究大多数是采用最大浓度法，即只在环境参数达到临界值时增开风机，小于临界值时减开风机。这种方法具有如下不足：

1)能耗大，达不到节能的目的。

2)通风控制的实时性、准确性差。

由于隧道变频通风控制是一个复杂的时滞的控制过程，而现有的控制方法多是根据系统已发生的行为特征进行控制，属于事后控制，很难做到完全的实时性、准确性和适应性。

3)不易建立精确的控制对象数学模型。

隧道模型是隧道通风系统的载体，隧道通风过程同时也是污染物在隧道中的运移过程，污染模型则用来计算隧道中一氧化碳和烟雾浓度的分布情况。但是由于难以掌握控制对象原理，建立的控制对象数学模型复杂多变，因此采用一般的建立控制对象数学模型的方法，时滞和精确性问题很难解决。

4)难以获得最优的传感器数据预测器。

现有的传感器数据预测是希望在动态系统行为的所在范围内构建单一复杂预测函数，即构建一个适应全局范围的控制模型，而这样的模型难以获得。

发明内容

本发明的目的在于克服上述已有方法的不足，提出一种基于集成学习时间序列预测的隧道事件检测方法，通过检测出因隧道交通拥塞、烟雾浓度超标等造成的隧道交通事件，以此作为隧道变频通风控制的依据，使隧道通风控制更为精确和稳定，进一步为公路隧道的安全运营奠定基础。

实现本发明的技术方案是：利用集成学习时间序列预测技术生成对隧道传感器检测数据的基预测器，以克服目前简单依据隧道一氧化碳及烟雾浓度阈值进行隧道通风控制的弊端，同时，利用多个基预测器加权组合形成强预测器，对高速公路隧道事件进行预判及控制。具体过程如下：

(1)对收集的高速公路隧道烟雾浓度、一氧化碳浓度、车流量和风速的传感器周期性检测数据进行数据修补预处理，形成隧道传感器训练数据集；

(2)利用集成学习方法根据隧道传感器训练数据集训练出L个基预测器(1≤L≤20)，由基预测器加权组合形成强预测器；

(3)根据当前t时刻高速公路隧道传感器的检测值，利用强预测器计算t+1时刻隧道的烟雾浓度预测值，并根据预测误差动态调整参与集成的基预测器，形成新的强预测器；

(4)将t+1时刻的隧道烟雾浓度预测值与烟雾浓度阈值比较，当该预测值大于阈值，则判为烟雾浓度超标事件，否则隧道运营正常；

(5)对于t+1时刻的烟雾浓度超标事件，利用比例积分微分控制参数判定算法计算其比例参数K_p、积分参数K_i及微分参数K_d，并传输给变频通风控制器进行通风控制。

本发明具有如下优点：

1)本发明由于采用基于集成学习的时间序列预测方法，可以避开烦琐的数学建模过程并解决控制系统时滞问题，不需要建立最优的预测器；

2)本发明由于采用历史基预测器组合生成强预测器，可以节省训练时间，减少运算量，能够适应高速公路隧道烟雾浓度、一氧化碳浓度、车流量和风速传感器数据出现周期性变化的情况；

3)本发明由于采用时间序列预测值控制风机，使得风机比例积分微分控制器控制参数的确定具有了预测功能，可以起到事先控制的作用；

4)本发明由于构造的强预测器采用特定隧道交通历史检测数据训练，可以更适合具体隧道的运营监控及节能减排。

附图说明

图1是本发明的检测步骤流程图；

图2是本发明根据t+1时刻超标的隧道烟雾浓度传感器预测值计算风机控制参数的子流程图；

具体实施方式

参照图1，本发明的检测步骤包括：

步骤1，对隧道检测数据进行预处理。

传感器在采集隧道烟雾浓度、一氧化碳浓度、车流量和风速数据时，由于采集时间的不一致将导致数据出现空缺值，从而丢失部分有用信息。在此应用多测点运行参数法及时间序列加权法修补丢失的有用信息。

1.1)对缺损的实时检测数据采用多测点运行参数法修补。

在隧道监控系统中，一般会在隧道不同的位置设多个传感器共同采集某一参数。因此，如果某一测点数据缺失而另一测点数据正常，则可用正常数据替代缺失数据，这样能保证二次计算的稳定性，不会造成较大的偏差。

1.2)对缺损的隧道历史检测数据采用时间序列加权法修补。

在隧道历史检测数据中，缺损数据的修补方法因数据所处的位置不同分为首、末端数据缺损修补法和中间数据缺损修补法。对于数据首、末端缺损修补法，采用趋势比例计算的方法。对于中间数据缺损修补法采用非邻均值生成法，若中间数据缺损较多，则采用递推式非邻均值生成法修补。

步骤2，利用集成学习方法得到强预测器。

集成学习算法是一种提高给定的单一学习算法准确率的通用方法。本发明利用改进的AdaBoost算法处理隧道内烟雾浓度序列的预测问题。

2.1)隧道烟雾浓度强预测器的训练

设训练样本集为{(x_i，y_i)，i＝1，2，…，n}，x_i是空间中的一个样本，此训练样本集的分布权重D_t(x_i)为学习期间训练样本x_i的权重，初始化为D_t(x_i)＝1/n。循环训练L轮，1≤L≤20，在每轮训练中，根据分布权重D_t(_i)采样获得训练样本，利用弱学习算法训练基预测器，并将训练成功的基预测器加入到基预测器集合G中，同时调整错误预测样本的分布权重D_t(x_i)，使得下轮训练中训练样本更多地集中在较难于处理的样本。

集成训练隧道烟雾浓度强预测器的方法为：

初始化循环轮数t＝1，训练样本集分布权重D_t(x_i)＝1/n，具体步骤为：

(2.1.1)设{(x_i，y_i)，i＝1，2，…，n}为训练样本集，根据训练样本集分布权重D_t(x_i)抽取训练样本训练基预测器f_t(x)：X→Y；

(2.1.2)计算基预测器f_t的损失函数L_t(x_i)：

$L_t\left(x_i\right)=1-\exp (-\frac{|f_t\left(x_i\right)-y_i|}{{\max }_{i=1..n}|f_t\left(x_i\right)-y_i|});$

(2.1.3)计算训练样本y与对应预测值y′的相关系数ρ_t(y′，y)：

${\mathrm{\ρ}}_t(y^{\′},y)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(f_t\left(x_i\right)-f_t\left(\stackrel{\‾}{x}\right))(y_i\left(x_i\right)-y\left(\stackrel{\‾}{x}\right))}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(f_t\left(x_i\right)-f_t\left(\stackrel{\‾}{x}\right))}^2\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i\left(x_i\right)-y\left(\stackrel{\‾}{x}\right))}^2}}$

式中y、y′分别为训练样本的检测值和预测值，x为样本x_i，i＝1，2，…，n的均值；

(2.1.4)利用相关系数ρ_t(y′，y)及损失函数L_t(x_i)计算下一轮样本分布权重D_t+1(x_i)：

$D_{t+1}\left(x_i\right)={\mathrm{\ρ}}_t(y^{\′},y)*\frac{D_t{\left(x_i\right)}^{1-L_i}}{Z_t}$ 式中Z_t为标准化因子；

(2.1.5)轮数增1，若t≤L，进行下轮循环，重复步骤(2.1.1)至步骤(2.1.4)训练出L个基预测器；

(2.1.6)利用相关系数确定L个基预测器f_t(x)：X→Y，t＝1，2，…，L的权重，根据权重对基预测器加权组合形成强预测器F(x)：

$F\left(x\right)=\frac{\underset{t=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\ρ}}_t(y^{\′},y)*f_t\left(x\right)}{\underset{t=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\ρ}}_t(y^{\′},y)}.$

2.2)隧道烟雾浓度强预测器的选择

(2.2.1)利用当前强预测器F(x)对检测周期内传感器采集的数据进行预测，计算出时刻t+1的隧道传感器烟雾浓度预测值，详细步骤如下：

首先，采用前向反馈神经网络作为基预测器模型，以烟尘浓度、一氧化碳浓度、车流量和风速在当前时刻t的值、时刻t-1的差值及时刻t-2的差值共12个参数作为输入，计算输出时刻t+1的基预测器烟雾浓度预测值；

其次，利用当前强预测器F(x)计算烟雾浓度预测值，即对L个基预测器计算出的烟雾浓度预测值加权平均，计算出t+1时刻的烟雾浓度预测值；

(2.2.2)当前强预测器F(x)预测烟雾浓度值一段时间，这段时间为预测器有效性判定时间，一般设为2小时，根据公式 $\mathrm{RMSE}=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-F\left(x\right))}^2/n}$ 计算当前强预测器F(x)在该时间段的均方根误差，将均方根误差与门限阈值λ进行比较，判断当前强预测器F(x)是否失效，若不失效，则重复步骤(2.2.1)，若失效，则从基预测器集合G中重新选择L个基预测器组合形成新的强预测器F(x)，基预测器选择判断条件为：

$\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left|\frac{f_t\left(x_i\right)-y_i}{y_i}\right|<\mathrm{\&mu;};$

(2.2.3)若经选择组合形成的新强预测器F(x)失效，则重复步骤(2.1.1)至步骤(2.1.4)训练新的基预测器，对新基预测器加权组合形成新强预测器F(x)；

步骤3，隧道交通事件的判定。

根据预测的烟雾浓度预测值与表1所示烟雾浓度污染事件等级标准进行比较，如果连续3次比较结果均在0.0075≤VI＜0.009范围内，则判为烟雾浓度轻微超标，如果连续3次比较结果均在0.009≤VI＜0.012范围内，则判为烟雾浓度重度超标，如果连续3次比较结果均在0.012≤VI范围内，则判为烟雾浓度严重超标，否则隧道运营正常。

表1烟雾浓度污染事件等级标准表

VI(m-1)取值范围	事件	符号值
			VI＜0.0038	正常	0
0.0038≤VI＜0.0075	达标	1
			0.0075≤VI＜0.009	轻度超标	2
0.009≤VI＜0.012	重度超标	3
			0.012≤VI	严重超标	4

步骤4，在出现烟雾浓度超标事件后，计算风机的控制参数，启动风机，降低烟雾浓度。

参照图2，风机的控制参数计算步骤如下：

4.1)设计隧道长度大于1km、一氧化碳超标浓度225ppm和烟雾浓度超标0.0075m^-1；假若设定一氧化碳浓度的论域设为[175，275]ppm，烟雾浓度VI的论域为[0.006，0.012]m^-1；设定一氧化碳浓度的偏差变化率论域设为[-30，30]ppm，烟雾浓度的偏差变化率论域为[-0.001，0.001]m^-1；

4.2)计算一氧化碳设定浓度和预测值之间的偏差e₁，其偏差变化率Δe₁，同理计算烟雾设定浓度和预测值之间的偏差e₂，其偏差变化率Δe₂；

4.3)利用公式y＝n[x-(a+b)/2]/(b-a)将一氧化碳浓度偏差e₁及偏差变化率Δe₁区间[a，b]内的值变换到n级的离散论域，在此取n＝12，离散论域则为{-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}；同理将烟雾浓度偏差e₂及烟雾浓度偏差变化率Δe₂做类似离散变换；

4.4)根据专家知识分别模糊化e₁，e₂，Δe₁，Δe₂至{NB，NM，NS，Z，PS，PM，PB}模糊子集，符号依次代表浓度负大、负中、负小、零，正小、正中、正大；

4.5)将风机控制参数中比例参数K_p，积分参数K_i，微分参数K_d的论域设为(0.1，9.99)、(1，21)、(0，30)，采用步骤4.3)至步骤4.4)离散化K_p、K_i、K_d为(0，1，2，3，4，5，6)，模糊子集为{Z，S，M，B}；

4.6)根据规则知识库，利用e₁，e₂，Δe₁，Δe₂模糊子集及比例参数K_p，积分参数K_i，微分参数K_d模糊子集计算K_p、K_i、K_d值，并传输给变频通风控制器进行通风控制。

本发明的效果可以通过如下实验验证：

利用铜川至黄陵高速公路隧道采集的样本数据验证本发明的准确性，将该隧道监视系统一个月内检测到的烟雾浓度、一氧化碳浓度、车流量、风速数据及相应事件等级作为训练样本，其中将80％的数据用于训练，20％的数据用于测试。隧道传感器采集的工作周期为150秒，风机控制周期为15分钟。实验中采用前向反馈神经网络作为基预测器模型，选择10个基预测器组合形成强预测器，选取2小时作为当前预测器是否有效的判定时间。

集成学习时间序列预测法与单个前向反馈神经网络预测法实验比较结果见表2。其中单个前向反馈神经网络隐含层为16神经元。测试性能参数有：最大误差

其中y_i为检测值，y_i′为预测值，最小误差

平均误差均方误差

以及均等系数 $1-\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(y_i-{y_i}^{\&prime;})}^2}/(\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(y_i\right)}^2}+\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left({y_i}^{\&prime;}\right)}^2}).$

表2测试性能参数

预测方法	最大误差	最小误差	平均误差	均方误差	均等系数
						BP神经网络预测	7.2243	0.0008	0.4662	0.7684	0.9196
集成学习预测	6.0437	0.0001	0.2454	0.4547	0.9415

将通过本发明计算的结果与实际隧道污染结果比较，得出本发明对浓度超标事件检测识别率达到92％，且调节预测器有效性判定时间大小对检测结果有一定影响。本发明能够对隧道传感器检测值准确预测，使系统控制调节时间缩短，以改善系统的动态性能，可减少电能消耗，降低运营成本。

Claims (4)

1.一种基于集成学习时间序列预测的隧道事件检测方法，包括如下过程：

(1)对收集的高速公路隧道烟雾浓度、一氧化碳浓度、车流量和风速的传感器周期性检测数据进行数据修补预处理，形成隧道传感器训练数据集；

(2)利用集成学习方法根据隧道传感器训练数据集训练出L个基预测器(1≤L≤20)，由基预测器加权组合形成强预测器；

(3)根据当前t时刻高速公路隧道传感器的检测值，利用强预测器计算t+1时刻隧道的烟雾浓度预测值，并根据预测误差动态调整参与集成的基预测器，形成新的强预测器；

(4)将t+1时刻的隧道烟雾浓度预测值与烟雾浓度阈值比较，当该预测值大于阈值，则判为烟雾浓度超标事件，否则隧道运营正常；

(5)对于t+1时刻的烟雾浓度超标事件，利用比例积分微分控制参数判定算法计算其比例参数K_p、积分参数K_i及微分参数K_d，并传输给变频通风控制器进行通风控制。

2.根据权利要求1所述的隧道事件检测方法，其中步骤(1)按如下过程进行：

(2a).对烟雾浓度、一氧化碳浓度、车流量和风速传感器实时检测数据采用多测点运行参数法进行数据修补。

(2b).对用于集成学习的隧道交通历史检测数据采用时间序列加权法修补。

3.根据权利要求1所述的隧道事件检测方法，其中步骤(2)按如下过程进行：

(3a).设{(x_i，y_i)，i＝1，2，…，n}为训练样本集，根据训练样本集分布权重D_t(x_i)抽取训练样本训练基预测器f_t(x)：X→Y；

(3b).计算基预测器f_t(x)的损失函数L_t(x_i)：

$L_t\left(x_i\right)=1-\exp (-\frac{|f_t\left(x_i\right)-y_i|}{{\max }_{i=1..n}|f_t\left(x_i\right)-y_i|});$

(3c).计算训练样本y与对应预测值y′的相关系数ρ_t(y′，y)：

${\mathrm{\&rho;}}_t(y^{\&prime;},y)=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(f_t\left(x_i\right)-f_t\left(\stackrel{\&OverBar;}{x}\right))(y_i\left(x_i\right)-y\left(\stackrel{\&OverBar;}{x}\right))}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(f_t\left(x_i\right)-f_t\left(\stackrel{\&OverBar;}{x}\right))}^2\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(y_i\left(x_i\right)-y\left(\stackrel{\&OverBar;}{x}\right))}^2}}$

式中y、y′分别为训练样本的检测值和预测值，x为样本x_i，的均值；

(3d).利用相关系数ρ_t(y′，y)及损失函数L_t(x_i)计算下一轮样本分布权重D_t+1(x_i)：

$D_{t+1}\left(x_i\right)={\mathrm{\&rho;}}_t(y^{\&prime;},y)*\frac{D_t{\left(x_i\right)}^{1-L_t}}{Z_t}$ 式中Z_t为标准化因子；

(3e).重复3a至3d步骤训练出L个基预测器；

(3f).利用相关系数确定L个基预测器f_t(x)：X→Y，t＝1，2，…，L的权重，根据权重对基预测器加权组合，形成强预测器F(x)：

$F\left(x\right)=\frac{\underset{t=1}{\overset{L}{\mathrm{\&Sigma;}}}{\mathrm{\&rho;}}_t(y^{\&prime;},y)*f_t\left(x\right)}{\underset{t=1}{\overset{L}{\mathrm{\&Sigma;}}}{\mathrm{\&rho;}}_t(y^{\&prime;},y)}.$

4.根据权利要求1所述的隧道事件检测方法，其中步骤(3)按如下过程进行：

(4a).利用当前强预测器F(x)以烟尘浓度、一氧化碳浓度、车流量和风速在当前时刻t的值、时刻t-1的差值及时刻t-2的差值为输入，计算输出时刻t+1的隧道传感器烟雾浓度预测值；

(4b).将烟雾浓度预测值的均方根误差与门限阈值λ进行比较，判断当前强预测器F(x)是否失效。若不失效，则重复(4a)，若失效则选择预测器重新组合形成新的强预测器F(x)，选择判断条件为：

$\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left|\frac{f_t\left(x_i\right)-y_i}{y_i}\right|<\mathrm{\&mu;}$ 式中μ为基预测器选择阈值；

(4c).若重新组合的新的强预测器F(x)失效，则重复步骤(3a)至(3d)训练新的基预测器，对新基预测器加权组合形成新强预测器F(x)；

(4d).重复4a至4c步骤计算t+1时刻隧道烟雾浓度预测值。

Images