CN101599217A - 一种快速路交通状态判别方法 - Google Patents

Abstract

本发明公开了属于快速路交通状态判别技术领域的一种快速路交通状态判别方法。本发明选取道路中车辆的流量、速度和占有率作为模型的输入参数，路段的状态：“红”(拥堵)、“黄”(缓行)、“绿”(畅通)作为输出参数。通过利用流量和占有率，占有率和速度，速度与流量作为交通流分类器的输入，设计了三个模糊分类器，然后采用投票法进行集成，如遇到三个分类器分别得到三种不同的状态，此时交通状态为黄的概率最大，认为此时实际交通状态为“黄”。之后对集成分类器的参数进行训练，实现了通过城市快速路上的固定检测器提供的实时的交通信息数据，快速、准确判断道路交通状态，及时发布道路交通信息的作用。

Description

一种快速路交通状态判别方法

技术领域

本发明属于快速路交通状态判别技术领域，特别是一种运用模糊推理系统设计分类器，并集成三个分类器综合判别快速路交通状态的判别方法。具体利用城市快速路上的固定检测器提供的实时的交通信息数据进行交通状态判别。

背景技术

快速、准确判断道路交通状态，是制定合理有效交通拥挤疏导策略的前提，也是先进的出行者信息系统(ATIS)的一个重要研究内容。及时发布道路交通信息，既可以为驾驶员提供最优的路径，也可以有效的避免因局部交通拥挤而引起全路网的交通瘫痪。因此，研究道路交通状态判别算法，及时准确的判别交通状态，具有重要理论与实际意义。

传统的交通状态判别方法主要是对道路上已发生的交通事件进行判别。其中加州(California)系列算法属于比较算法，通过比较上游和下游检测器占有率的数据来判断拥挤是否发生；基于突变理论的McMaster算法属于交通模型和理论算法，通过将观测数据之间的关系与历史模版进行两次比较判断拥挤的发生；标准偏差(SND)算法、双指数平滑(DES)算法和贝叶斯(Byes)算法属于统计算法，是运用不同的统计方法计算交通参数的数据，当这些参数超过预定的阈值则启动交通事件报警系统。

这些交通状态判别算法主要以突发交通事件为研究对象，大部分都以感应线圈、微波检测器采集的交通流量、占有率和地点速度等交通数据为基础，所采用的数据技术主要包括决策树、统计分析、平滑滤波等常规方法。随着时间的推移，交通状态判别的研究内容和研究手段都有了很大的变化。一方面，交通需求与交通供给之间的矛盾不断深化，常发性交通拥挤也成为交通管理的重点之一；另一方面，信息采集技术和信息处理技术的进步，为判别方法研究提供了更有力的技术基础。经过近40年的发展，模糊理论、专家系统、模式识别、人工神经网络等人工智能技术已经成为交通状态判别算法设计的重要手段。

发明内容

本发明的目的是为了快速、准确判断道路交通状态，及时发布道路交通信息并为驾驶员提供最优的路径，从而提出了一种基于模糊分类器的快速路交通状态判别方法。

本发明采取的技术方案是，本发明提出的方法包括以下步骤：

步骤一，设计单个模糊分类器，主要包括以下三个部分：

(1)确定输入、输出变量及模糊化原则，本发明将车辆的流量、速度、占有率作为输入变量，输出变量便是当前路段的状态：“红”(拥堵)、“黄”(缓行)、“绿”(畅通)，模糊集分别为高、中、低，高斯函数作为隶属度函数；

(2)确定模糊规则，通过分析速度-密度、流量-密度的关系，得到下面模糊规则：

占有率低，速度高，交通状态为绿；

占有率中，速度中，交通状态为黄；

占有率高，速度低，交通状态为红；

流量低，占有率低，交通状态为绿；

流量中，占有率中，交通状态为黄；

流量低，占有率高，交通状态为红；

(3)进行模糊推理，本发明利用Sugeno型进行模糊推理确定高斯函数的中心和方差，根据速度和占有率的值实时的判别交通状态。

步骤二，集成三个模糊分类器：

第一个模糊分类器采用流量、占有率作为输入，按照步骤一中的模糊推理思路，判别交通状态；第二个模糊分类器采用占有率和速度作为输入，同样根据模糊推理的思路，判别交通状态；第三个模糊分类器采用现存的速度与流量加权平均作为输入对交通状态进行判别；这样通过三个参数全面地分析并判别交通状态，三个模糊分类器分别得到各自交通状态，由集成学习的方法进行综合；集成学习的方法采用投票法，采用“少数服从多数”的思想，比如三个分类器判别的状态分别为“红”、“红”、“黄”，那么最终的交通状态为“红”，如遇到三个分类器分别得到三种不同的状态，此时交通状态为黄的概率最大，认为此时实际交通状态为“黄”。

步骤三，训练集成模糊分类器：

通过检测器提供的数据，对三个模糊分类器进行训练，若只有单个检测器提供数据，则利用单个检测器的数据对三个模糊分类器进行训练，若有多个检测器提供数据，则把多个检测器提供的数据按照信息融合的方法综合成一组数据对三个模糊分类器进行训练。本发明利用神经网络中有导师学习的思想，对模糊分类器进行训练，调整模糊分类器的参数，单个模糊分类器参数训练的步骤如下：

(1)确定模糊分类器输入变量的取值范围；

(2)根据高斯隶属度函数的曲线特征，确定输入变量的方差；

(3)在方差改变±30％，均值不变条件下，当模糊分类器判别的结果与人工判别的结果吻合率最大时，得到最佳方差；

(4)再在方差不变，均值改变±30％条件下，两者吻合率最大时，得到最佳均值；

(5)保存最佳方差与最佳均值；

按照上述步骤依次训练三个模糊分类器，分别保存最佳参数，至此，集成模糊分类器训练完毕。

步骤四，判别最终交通状态：

若路段只有单个检测器提供数据，则把单个检测器的数据输入步骤三中的集成模糊分类器中，来综合判别得出路段的交通状态。若路段上有多个检测器提供数据，则把多个检测器提供的数据按照信息融合的方法综合成一组数据，然后输入步骤三中的集成模糊分类器中，来综合判别得出路段的交通状态，所述信息融合的方法，采用加权平均法。

本发明的有益效果是，能简洁直观的表明快速路的交通状态，并具有很高的准确度，有较高的实用价值。

附图说明

图1是本发明的方法步骤示意图；

图2(1)是速度-密度(V-K)的关系示意图；

图2(2)是流量-密度(Q-K)的关系示意图；

图3是本发明的模糊推理系统示意图；

图4是本发明的单个模糊分类器训练的流程图；

图5是本发明的数据融合示意图；

图6(1)是编号为03053微波检测器附近的摄像机记录的人工数据示意图；

图6(2)是编号为03054微波检测器附近的摄像机记录的人工数据示意图；

图7(1)是编号为03053微波检测器数据图；

图7(2)是编号为03054微波检测器数据图；

图8(1)是训练前的占有率隶属度函数曲线示意图；

图8(2)是训练后的占有率隶属度函数曲线示意图。

具体实施方式

下面结合附图对本发明作进一步说明：

本发明提出的方法步骤如图1所示，

步骤一，设计单个模糊分类器，主要包括以下三个部分：

(1)确定输入、输出变量及模糊化原则，本发明将车辆的流量、速度、占有率作为输入变量，输出变量便是当前路段的状态：“红”(拥堵)、“黄”(缓行)、“绿”(畅通)，模糊集分别为高、中、低，高斯函数作为隶属度函数；高斯函数的公式如下：

$f(x,\mathrm{\σ},c)=e^{\frac{-{(x-c)}^2}{2{\mathrm{\σ}}^2}}---\left(1\right)$

其中，σ-------高斯函数的方差；C--------高斯函数的中心。

(2)确定模糊规则，根据速度-密度(V-K)的关系如图2(1)所示，速度与密度的关系分三个阶段，第一个阶段是自由流阶段，此时因上路的车辆较少，车流密度较小，车辆能够在大于安全车头间距的条件下，以所允许的期望速度V_f自由行驶；第二阶段是过渡阶段，随着车流密度的增大，车辆行驶开始受到前车的影响，出于安全的考虑，驾驶者需要控制与前车保持足够的距离，以防前车刹车减速，车速逐渐降低；第三阶段是跟驰阶段，此阶段车流密度较大，车速较低。

根据流量-密度(Q-K)的关系如图2(2)所示，O-A段为自由流阶段，流量和车流密度都较小，A-B段为过渡阶段，流量和车流密度有所增加，B-C段为排队拥挤阶段，车流密度较大，流量较小。

通过分析速度-密度、流量-密度的关系，由于占有率与交通密度具有相近的含义，占有率与密度成正比。因此，可以得到下面模糊规则：

a.如果占有率低，速度高，那么交通状态为绿；

b.如果占有率中，速度中，那么交通状态为黄；

c.如果占有率高，速度低，那么交通状态为红；

d.如果流量低，占有率低，那么交通状态为绿；

e.如果流量中，占有率中，那么交通状态为黄；

f.如果流量低，占有率高，那么交通状态为红。

(3)进行模糊推理，本发明利用Sugeno型进行模糊推理确定高斯函数的中心和方差，根据速度和占有率的值实时的判别交通状态；

模糊推理系统整体框图如图3所示，车辆的流量、速度、占有率作为输入，模糊化之后通过模糊规则进行模糊推理，各条规则的推理结果由集结器进行加权，之后去模糊化，就得到了精确值的输出。它是建立在模糊集合理论、模糊if-then规则和模糊推理等概念基础上的先进的计算框架，包括由一系列模糊规则组成的规则库、利用模糊规则中的隶属函数定义的数据库和按照规则与所给事实执行推理三个部分。

步骤二，集成三个模糊分类器：

为了充分利用检测器的数据，并且多个分类器比单个分类器取得更好的性能，增加两个模糊分类器分别对交通状态进行判别。第一个模糊分类器采用流量、占有率作为输入，按照步骤一中的模糊推理思路，判别交通状态；第二个模糊分类器采用占有率和速度作为输入，同样根据模糊推理的思路，判别交通状态；第三个模糊分类器采用现存的速度与流量加权平均作为输入对交通状态进行判别；这样通过三个参数全面地分析并判别交通状态，三个模糊分类器分别得到各自交通状态，由集成学习的方法进行综合。

集成学习的方法采用投票法，采用“少数服从多数”的思想，比如三个分类器判别的状态分别为“红”、“红”、“黄”，那么最终的交通状态为“红”。如遇到三个分类器分别得到三种不同的状态，此时交通状态为黄的概率最大，认为此时实际交通状态为“黄”。

步骤三，训练集成模糊分类器：

由于上面选用的高斯隶属度函数的方差和中心为初始值，但是初始值并不是完全符合现实交通量的规律，因此需要进行参数训练，使分类器的准确率达到最大。

本发明利用神经网络中有导师学习的思想，对模糊分类器进行训练，调整模糊分类器的参数，单个模糊分类器参数训练的步骤如下，(以速度和占有率为输入的模糊分类器为例)：

(1)确定速度和占有率的范围；

(2)根据高斯隶属度函数的曲线特征，确定速度和占有率的方差；

(3)在方差改变±30％，均值不变条件下，当模糊分类器判别的结果与人工判别的结果吻合率最大时，得到最佳方差；

(4)再在方差不变，均值改变±30％条件下，两者吻合率最大时，得到最佳均值；

(5)保存最佳方差与最佳均值；

按照上述方法依次训练三个模糊分类器，分别保存最佳参数。至此，集成模糊分类器训练完毕。之后，投入应用。应用时，分别输入所需要的速度、流量、占有率等数据，三个模糊分类器可以分别判断出此时相应路段的交通状态，再根据投票的方式来决定最终的交通状态。

单个模糊分类器训练主要思路是按照穷举法来寻找最优的参数，如图5所示，首先根据实际情况来确定分类器参数的范围，然后寻找最优参数，可以使分类器判别的交通状态和人工现场评价的交通状态吻合率达到最大。具体的步骤如下：

1)首先在指定的范围内取一组参数A1；

2)读取数据库中某段时间内检测器的数据，判别此时间内交通状态；

3)比较分类器判别的交通状态和人工评价的交通状态，计算两者相同的个数C1；

4)再在指定的范围内取另一组参数A2，按照2、3步骤得到另一个C2，如果C2＞C1，则保存参数A2；

5)在参数指定的范围内找到最大相同个数Cmax对应的参数Amax，参数Amax为最优参数。

步骤四，判别最终交通状态：

若路段只有单个检测器提供数据，则把单个检测器的数据输入步骤三中的集成模糊分类器中，来综合判别得出路段的交通状态。若路段上有多个检测器提供数据，则把多个检测器提供的数据按照信息融合的方法综合成一组数据，然后输入步骤三中的集成模糊分类器中，来综合判别得出路段的交通状态。

在现实中，由于检测器安装的位置不同，有的路段只安装一个检测器，可以根据单个检测器判别路段的交通状况；有的路段安装多个检测器，这时需要根据多个检测器的数据综合判别路段的交通状况。通过把多个检测器数据按照信息融合的方法综合成一组数据，然后输入分类器中，来综合判别路段的交通状态。

信息融合有多种算法，本发明采用加权平均法，该方法具有简单、直观，相对误差较小的优点。其具体的融合算法如下：

假设在某个周期内n个检测器测得的车辆某个交通量为x_i，i＝1，2，…，n，其总体X服从N(μ_i，σ_i ²)分布，且相互分布独立。引入加权因子w_i，i＝1，2，…，n， $\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i=1,$ 则这个交通量的数据融合值为 $\hat{x}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{x}_i,$ 要获得较好的数据融合值，需要确定加权因子w_i。仔细选取w_i，可使总的均方误差达到最小，显然，总的均方误差为

${\mathrm{\σ}}^2=D\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{x}_i\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i^2{\mathrm{\σ}}_i^2---\left(2\right)$

利用柯西不等式加权的定义

$\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i^2{\mathrm{\σ}}_i^2\right)\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{1}{{\mathrm{\σ}}_i^2}\right)\≥{\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i\right)}^2=1---\left(3\right)$

容易得到

${\mathrm{\σ}}_{\min }^2=1/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{1}{{\mathrm{\σ}}_i^2}---\left(4\right)$

此时

$w_{i\min }=1/\left({\mathrm{\σ}}_i^2\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{1}{{\mathrm{\σ}}_i^2}\right)={\mathrm{\σ}}_{\min }^2/{\mathrm{\σ}}_i^2---\left(5\right)$

根据上面的叙述，假设有A和B两个检测器的数据，以一个车道速度为例来说明如何把两个检测器数据融合一组数据：

1)分别求A、B检测器的速度的方差σ_A和σ_B；

2)根据两个方差计算σ_min ²，其中 ${\mathrm{\σ}}_{\min }^2=1/(\frac{1}{{\mathrm{\σ}}_A^2}+\frac{1}{{\mathrm{\σ}}_B^2});$

3)这样便可以得到两个加权因子， $w_{A\min }={\mathrm{\σ}}_{\min }^2/{\mathrm{\σ}}_A^2$ 和 $W_{B\min }={\mathrm{\σ}}_{\min }^2/{\mathrm{\σ}}_B^2;$

4)A和B两组速度融合值为：x_speed＝x_Aw_A+x_Bw_B。

5)根据以上步骤，便可以计算其它车道的速度值。同理，也可以计算流量和占有率融合后各个车道的融合值。把两组数据按照加权平均方法融合成一组数据如图5所示。

下面通过一个具体实施例来说明本发明的方法：

一、单个模糊分类器的设计

对于高斯隶属度函数的中心，根据高斯函数的性质以及取值范围，可以得出low、middle、high的三个高斯函数的中心分别为0、40、80；对于高斯函数的方差，根据(20，0.5)这个点的坐标代入公式(1)中可以确定中心为16.98。根据输入可以得到相应的隶属度；在本实施例中，速度的取值范围是0-150，流量是0-80，占有率是0-100，如当某时刻某检测器检测到车辆的速度为30时，此时speed_low＝0.21；speed_medium＝0.85；speed_high＝0.014；假设此时刻占有率为50，同理可以得到occupancy_low＝0.013；occupancy_medium＝0.84；occupancy_high＝0.21；

根据上述模糊规则a、b、c得出：

speed_occupancy_green＝speed_high*occupancy_low

＝0.014*0.013＝0.000182                         (6)

speed_occupancy_yellow＝speed_medium*occupancy_medium

＝0.85*0.84＝0.714                              (7)

speed_occupancy_red＝speed_low*occupancy_high

＝0.21*0.21＝0.0441                             (8)

根据式 $y=\underset{i-1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\μ}}_{A_i}\left(x\right){\mathrm{\μ}}_{B_i}\left(y\right)z_i/\underset{i-1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\μ}}_{A_i}\left(x\right){\mathrm{\μ}}_{B_i}\left(y\right),$ (μ_A(x)μ_B(y)是隶属度函数，z是权重)其中μ_A(x)μ_B(y)分别为式(6)、式(7)、式(8)得到的值，z分别为{1，0，-1}，所以

y＝(0.000182*1+0.714*0+0.0441*(-1))/(0.000182+0.714+0.0441)

≈-0.058                                                (9)

得到y≈-0.058，此时，得到的值最靠近0(黄)，因此，可以推出在某时刻速度为30，占有率为50时，此时的交通状态为黄(缓行)。

二、集成三个模糊分类器：

第一个模糊分类器采用流量、占有率作为输入，按照模糊推理思路，判别交通状态；第二个模糊分类器采用占有率和速度作为输入，同样根据模糊推理的思路，判别交通状态；第三个模糊分类器采用现存的速度与流量加权平均作为输入对交通状态进行判别；这样通过三个参数全面地分析并判别交通状态，三个模糊分类器分别得到各自交通状态，由集成学习的方法进行综合；

三、对集成模糊分类器进行训练：

在本实施例中，利用两个微波检测器采集的数据进行训练。

1、数据的采集

在三环联想桥西边安装有两个微波检测器，编号为03053和03054，每个微波检测器附近都有一个摄像机用来人工记录数据，观测车流方向为自东向西(内环)。两个路段都包括3个车道。用A₁＝1，A₂＝0，A₃＝-1来表示畅通、缓行、拥堵，如表1所示：

表1  路段状态标记值

所得到的人工数据如图6(1)、图6(2)所示，两个图分别代表两台摄像机记录的数据。

所得到的微波检测器数据如图7(1)、图7(2)所示，两个图分别代表两台微波检测器测得的流量、速度、占有率数据。

2、利用人工数据和微波检测器数据对集成模糊分类器训练。

把两个微波检测器的数据进行融合，把融合后的数据以及相应的人工判别数据输入集成模糊分类器中进行训练，训练得到参数，按照训练得到的参数进行验证，以模糊分类器2为例，其占有率隶属度函数训练前后的曲线如图8示。其中，图8(1)是训练前的占有率隶属度函数曲线，图8(2)是训练后的占有率隶属度函数曲线。

按照单个模糊分类器训练与验证的方法，三个模糊分类器都进行训练，把所得到的判别结果利用投票法，采用“少数服从多数”的思想，比如三个模糊分类器判别的状态分别为“红”、“红”、“黄”，那么最终的交通状态为“红”。如遇到三个分类器分别得到三种不同的状态，此时交通状态为黄的概率最大，认为此时实际交通状态为“黄”。

四、判别最终交通状态：

将上述两个微波检测器的数据按照信息融合的方法综合成一组数据，然后输入集成模糊分类器中，来综合判别得出路段的交通状态。

最后所得的结果如表2所示：

表2  三个模糊分类器训练后验证的结果

其中第一种错误是指与人工评价不同但是状态相邻，比如模糊分类器判别的状态为“黄”，但现实状态为“红”；第二种错误是指与人工评价不同并且状态非相邻，比如分类器判别的状态为“绿”，但现实的状态为“红”，这种错误是应当尽量避免的。由表2可知，集成模糊分类器与人工判别结果的吻合率为97.5％，并且集成模糊分类器判别有误的状态均为第一种错误，可以很好的判别快速路的交通状态。

根据以上实际数据验证结果可知，本发明在交通状态的判别上都有较高的实用性和可行性。

Claims (3)

1.一种快速路交通状态判别方法，其特征在于，该方法包括以下步骤：

步骤一，设计单个模糊分类器，主要包括以下三个部分：

(1)确定输入、输出变量及模糊化原则，本发明将车辆的流量、速度、占有率作为输入变量，输出变量便是当前路段的状态：“红”(拥堵)、“黄”(缓行)、“绿”(畅通)，模糊集分别为高、中、低，高斯函数作为隶属度函数；

(2)确定模糊规则，通过分析速度-密度、流量-密度的关系，得到下面模糊规则：

占有率低，速度高，交通状态为绿；

占有率中，速度中，交通状态为黄；

占有率高，速度低，交通状态为红；

流量低，占有率低，交通状态为绿；

流量中，占有率中，交通状态为黄；

流量低，占有率高，交通状态为红；

(3)进行模糊推理，本发明利用Sugeno型进行模糊推理确定高斯函数的中心和方差，根据速度和占有率的值实时的判别交通状态；

步骤二，集成三个模糊分类器：

第一个模糊分类器采用流量、占有率作为输入，按照步骤一中的模糊推理思路，判别交通状态；第二个模糊分类器采用占有率和速度作为输入，同样根据模糊推理的思路，判别交通状态；第三个模糊分类器采用现存的速度与流量加权平均作为输入对交通状态进行判别；这样通过三个参数全面地分析并判别交通状态，三个模糊分类器分别得到各自交通状态，由集成学习的方法进行综合；

步骤三，训练集成模糊分类器：

通过检测器提供的数据，对三个模糊分类器进行训练，若只有单个检测器提供数据，则利用单个检测器的数据对三个模糊分类器进行训练，若有多个检测器提供数据，则把多个检测器提供的数据按照信息融合的方法综合成一组数据对三个模糊分类器进行训练，本发明利用神经网络中有导师学习的思想，对模糊分类器进行训练，调整模糊分类器的参数，单个模糊分类器参数训练的步骤如下：

(1)确定模糊分类器输入变量的取值范围；

(2)根据高斯隶属度函数的曲线特征，确定输入变量的方差；

(3)在方差改变±30％，均值不变条件下，当模糊分类器判别的结果与人工判别的结果吻合率最大时，得到最佳方差；

(4)再在方差不变，均值改变±30％条件下，两者吻合率最大时，得到最佳均值；

(5)保存最佳方差与最佳均值；

按照上述步骤依次训练三个模糊分类器，分别保存最佳参数，至此，集成模糊分类器训练完毕；

步骤四，判别最终交通状态：

若路段只有单个检测器提供数据，则把单个检测器的数据输入步骤三中的集成模糊分类器中，来综合判别得出路段的交通状态，若路段上有多个检测器提供数据，则把多个检测器提供的数据按照信息融合的方法综合成一组数据，然后输入步骤三中的集成模糊分类器中，来综合判别得出路段的交通状态。

2.根据权利要求1所述的一种快速路交通状态判别方法，其特征在于，步骤二中集成学习的方法采用投票法，采用“少数服从多数”的思想，比如三个分类器判别的状态分别为“红”、“红”、“黄”，那么最终的交通状态为“红”，如遇到三个分类器分别得到三种不同的状态，此时交通状态为黄的概率最大，认为此时实际交通状态为“黄”。

3.根据权利要求1所述的一种快速路交通状态判别方法，其特征在于，步骤四中所述信息融合的方法，采用加权平均法。

Images