CN102306450B - 稀疏路网交通检测器布局方法 - Google Patents

Abstract

本发明公开了一种稀疏路网交通检测器布局方法，其包括：1)确定交通检测器的类型，划分交通路段长度；2)根据交通路段长度的划分及其交通事故预测，结合相邻交通检测器的布设位置，确定相邻交通检测器之间路段的交通事故数量；3)以交通检测器的数量、交通事件检测时间为约束，引入交通检测器冗余思想，以稀疏路网的交通事件检测率最大为优化目标，建立交通检测器的布局优化模型，运用实数型遗传算法求解该模型，确定各交通检测器在道路上的布设位置。从而通过布设优化，实现在一定投入下的交通事件检测最大化，提高交通事件检测效果。

Description

稀疏路网交通检测器布局方法

技术领域

本发明属于交通技术领域，涉及智能交通，尤其是稀疏路网交通检测器布局方法。

背景技术

在城市交通监控系统中，固定线圈、高清卡口、视频摄像机等设备已被广泛采用，用于交通数据的采集、交通事件的自动检测等。中国专利文献CN101540103A公开了一种自动交通事件检测技术，该方法为：确定某一交通信息获取周期，在每一周期末，实时采集监测路段的交通占有率和速度；预处理这些交通数据；以处理后的交通数据为基础，分析交通状态和进行交通事件检测，得到相应路段的交通状态信息和交通事件信息。中国专利文献CN102063794A公开了一种基于占有率数据的城市快速路自动事件检测方法。然而，上述现有交通事件检测技术都是主要应用于城市道路和高速公路，城市道路和高速公路由于车流量大，发生交通事件以后，交通事件所在道路断面上下游的交通参数指标，如交通占有率、速度等将发生较大变化，并据此判断交通事件的发生。已有的交通检测设备布设主要用于交通量OD估计、路段行程时间估计，很少用于交通事件检测，且其应用范围局限在较高流量的连续交通流中。位于我国西部地区的稀疏路网，明显不同于城市道路和高速公路，其特点包括：公路网密度较低，道路车流量低，车辆运行车速较快且往往处于人口稀少区域。在稀疏路网中，由于车流量低，一旦发生交通事件，交通事件所在道路断面上下游的交通参数指标基本上不发生变化，因此，传统的城市道路和高速公路的交通事件检测技术无法直接应用到稀疏路网的交通事件检测当中。

发明内容

为了解决现有城市道路和高速公路的交通事件检测技术无法应用于稀疏路网低流量条件下的交通事件检测问题，本发明提供了一种稀疏路网交通检测器布局方法，在稀疏路网条件下，以交通检测设备投资和检测时间为约束，优化交通检测设备布局位置，使得交通检测系统的交通事件检测率最大。

为达到以上目的，本发明所采用的解决方案是：

一种稀疏路网交通检测器布局方法，其包括以下步骤：

1)确定交通检测器的类型，划分交通路段长度；

2)根据交通路段长度的划分及其交通事故预测，结合相邻交通检测器的布设位置，确定相邻交通检测器之间路段的交通事故数量；

3)以交通检测器的数量、交通事件检测时间为约束，引入交通检测器冗余思想，以稀疏路网的交通事件检测率最大为优化目标，建立交通检测器的布局优化模型，运用实数型遗传算法求解该模型，确定各交通检测器在道路上的布设位置。

进一步，所述交通检测器为高清卡口。

其还可以在道路交叉口、立交桥区布设视频摄像机。

所述划分交通路段长度，是将道路按定长或不定长方法划分，对于已运营道路，以实际的交通事故分布数据为基础，采用不定长法进行路段划分，事故发生较多的路段，划分为一个路段，其路段长度相对较短，而事故发生较少的路段，划分为一个路段，其路段长度相对较长；对新建道路，以经验公式预测的交通事故分布为基础，采用定长法进行路段划分。

所述交通事故预测的经验公式，以交通事故数为因变量，以路段的年平均交通量、平纵曲线变量、货车比例为自变量，采用线性、多项式、指数、幂等形式拟合，拟合的因变量和自变量基础数据采用与布设交通检测器道路的类型、等级、区位相似的道路数据。

所述交通检测器的布局优化模型：

$\left(1\right)\max Z=\underset{i=1}{\overset{m+1}{\mathrm{\Σ}}}{A}_i\·D_i$

(2)0≤x_i≤L，i＝1，2，...，m

(3)Δ_min≤x_i+1-x_i≤Δ_max，i＝1，2，...，m-1

(4)c·m≤C

$\left(5\right)A_i=f({\∂}_1,{\∂}_2,...,{\∂}_n)$

(6)D_i＝f(l_i)

(7)l_i＝x_i+1-x_i，i＝1，2，...，m-1

其中，公式(1)是目标函数，Z是目标函数值，A_i是相邻交通检测器之间路段交通事故数量，D_i是路段两端的交通检测器的交通事故检测率，m为m个高清卡口，(m+1)为被m个高清卡口隔断的(m+1)个路段；公式(2)是高清卡口的安装位置，它是一个布设在道路上的随机里程数，其中，x_i是第i个高清卡口在道路上的布设位置，L表示道路的总长度，即高清卡口随机的布设在路段的起点和终点之间；公式(3)是相邻两个高清卡口的间距要求，即最小间距Δ_min和最大间距Δ_max要求；公式(4)是成本约束，高清卡口的总费用不超过投资总额，其中c是单一交通检测器的成本单价，C是投资总额；公式(5)是两个相邻的交通检测器所间隔路段的道路交通事故函数，是相关影响变量；公式(6)是交通检测器的交通事件检测率D_i与相邻的交通检测器的间距l_i的函数关系；公式(7)是相邻两个交通检测器的间距l_i。

所述实数型遗传算法：随机产生初始种群，染色体的基因值选用交通检测器在稀疏路网道路上布设的实际里程，个体适应度函数的设计采用交通事件检测率极大化方法，并对不满足的个体进行惩罚处理，用轮盘赌策略进行染色体的选择复制，采用算术交叉和非均匀变异。

所述实数型遗传算法求解交通检测器的布局优化模型，具体包括以下步骤：

①种群初始化：设定种群规模，a行b列，a行代表a种交通检测器的布设方案，b代表b个交通检测器的布设里程位置，交通检测器的布设里程位置由随机数生成，并按升序排列，然后考虑检测器的间距大小限制，对不满足约束的检测器布设里程位置进行前移或后移，从而使其符合间距约束；

②适应度计算：对上述的种群的每一行染色体，即某种交通检测器的布设方案，计算其检测到的交通事件数量，当经过若干次迭代后，种群中的该交通检测器布设里程位置不符合间距要求时，对其进行惩罚，也就是将其检测到的交通事件数量进行折减，被折减后的该种交通检测器布设里程方案在下一次迭代中被采用的概率降低；

③轮盘赌策略：在每次迭代过程中，计算a种检测器布设方案的交通事件检测值，将其求和，然后将该值与和相除，得到a个比例值，这些比例值即为a种检测器布设方案被选中的概率；

④算术交叉：设定交叉率并产生某一随机数，当交叉率大于该随机数时，进行算术交叉，算术交叉的过程为，在种群中随机选择两个交通检测器布设方案，确定交叉点，对两个交通检测器布设方案交叉点的里程数进行线性组合运算；

⑤非均匀变异：设定变异率并产生某一随机数，当变异率大于该随机数时，进行非均匀变异，非均匀变异的过程为，在种群中随机选择一个检测器布设方案，确定变异点，对该交通检测器布设方案变异点的里程数进行其上下限取值范围内的随机扰动。

由于采用了上述方案，本发明具有以下特点：以稀疏路网的道路交通事故分布特征为基础，布设高清卡口和视频摄像机进行交通监控，通过布设优化，能够实现在一定投入下的交通事件检测最大化，从而提高交通事件检测效果。

附图说明

图1为稀疏路网交通检测器布局的结构流程图。

图2为求解稀疏路网交通检测器布局问题的实数型遗传算法的流程图。

图3为相邻两个高清卡口覆盖路段的交通事故数量分析示意图。

具体实施方式

以下结合附图所示实施例对本发明作进一步的说明。

如果在稀疏路网中发生交通事件，那么在发生交通事件的断面上下游不会产生交通参数的较大变化，因此，传统交通事件检测技术中的用于检测交通参数的线圈不在考虑范围中。本发明采用将高清卡口布设在道路的不同位置，运用高清卡口的车辆牌照识别功能，在高清卡口上下游断面比对车辆牌照，如果在预设的时间内，某一识别的车辆车牌没有在卡口上下游实现匹配，则认为在这两个卡口之间的路段可能发生了交通事件；在道路的交叉口、立交桥区，由于存在车辆的转向和进出行为，运用高清卡口进行车辆牌照的匹配无法判别交通事件的发生与否，在此区域，布设视频摄像机监控交通运行状况，检测交通事件。在此过程中，布设的视频摄像机可旋转360度采集道路交叉口、立交桥区的视频，该视频通过通信传输系统传送到交通监控中心，交通监控人员根据视频画面判别交通事件的发生。

由于本发明面向于交通事件检测，其目的是提高稀疏路网的道路交通安全监控水平，因此需要描述稀疏路网的交通安全状况，从可行、方便、易得的角度出发，在此用交通事故数作为反映路段交通安全水平的指标。在此过程中，需要涉及路段长度的划分，即将道路按某一固定长度或变化的长度划分路段，此为路段的定长或不定长划分法。对已运营道路，以实际的交通事故分布数据为基础，采用不定长法进行路段划分，其中，事故发生较多的路段，划分为一个路段，其路段长度相对较短(如3公里以内)，而事故发生较少的路段，划分为一个路段，其路段长度相对较长(如十几公里以上)；对新建道路，以经验公式预测的交通事故分布为基础，采用定长法进行路段划分，其中，交通事故预测的经验公式，以交通事故数为因变量，以路段的年平均交通量、平纵曲线变量、货车比例等为自变量，采用线性、多项式、指数、幂等形式拟合，拟合的因变量和自变量基础数据可采用与布设交通检测器道路的类型、等级、区位相似的道路数据。当任意布设相邻两个高清卡口时，随着高清卡口布设位置的变化，该相邻两个高清卡口覆盖的路段长度、交通事故数量会随之发生变化，通过上述的路段划分及其交通事故预测，并结合相邻高清卡口的布设位置，可确定相邻两个高清卡口覆盖路段的交通事故数量A_i。为了更好说明相邻两个高清卡口覆盖路段的交通事故数量计算方法，特以定长路段划分方法为例，将相邻两个高清卡口的布设位置分为两种情形，即相邻两个高清卡口布设在同一个定长路段内以及布设在不同路段上。图3a)描述了相邻两个高清卡口布设在同一个定长路段内，图3b)描述了相邻两个高清卡口布设在不同的定长路段中。

在图3a)中，定长路段长度为ΔL，卡口1、2为相邻的两个高清卡口，其分布在第i个定长路段上，卡口1、2之间的距离为L2，卡口1与第i个定长路段起点距离为L1，卡口2与第i个定长路段终点距离为L3，此情形中，卡口1、2覆盖路段的交通事故数占第i个定长路段的交通事故数的比例为

或

其中第i个定长路段的交通事故数由实际的交通事故数量或者经验公式预测的交通事故数量确定。

在图3b)中，三个定长路段长度均为ΔL，卡口1、2为相邻的两个高清卡口，其分布在不同的定长路段上，卡口1、2之间的距离为L1+ΔL+L2，卡口1与第i个定长路段的终点距离为L1，卡口2与第(i+2)个定长路段起点距离为L2，此时，卡口1、2覆盖第i、第(i+1)、第(i+2)三个定长路段，覆盖的交通事故数由三部分构成，即

第(i+1)个定长路段的交通事故数、

其中，定长路段的交通事故数由实际的交通事故数量或者经验公式预测的交通事故数量确定。当卡口1、2的间隔路段更多时，其覆盖的交通事故数量可用上述思想类推。

以高清卡口投入的数量、交通事件检测时间为约束，引入交通检测设备冗余思想，以稀疏路网检测系统的交通事件检测率最大为优化目标，建立交通检测器的布局优化模型。如上所述，路段划分用于确定相邻两个高清卡口覆盖路段的交通事故数量，以此为基础构建目标函数。其中，最长检测时间约束可转化为最大卡口间距限制、设备投入可转化为卡口数量的限制，在这两个约束条件下，高清卡口布设在稀疏路网道路中，有若干种排列组合方案，其中存在某一最优的高清卡口布设方案，使得稀疏路网的交通事件检测率最大。为了更好说明高清卡口的布设方法，建立数学模型：

$\left(1\right)\max Z=\underset{i=1}{\overset{m+1}{\mathrm{\Σ}}}{A}_i\·D_i$

(2)0≤x_i≤L，i＝1，2，...，m

(3)Δ_min≤x_i+1-x_i≤Δ_max，i＝1，2，...，m-1

(4)c·m≤C

$\left(5\right)A_i=f({\∂}_1,{\∂}_2,...,{\∂}_n)$

(6)D_i＝f(l_i)

(7)l_i＝x_i+1-x_i，i＝1，2，...，m-1

其中，公式(1)是目标函数，Z是目标函数值，即检测到的交通事件最大，A_i是相邻交通检测器之间路段的交通事故数量，而D_i是路段两端的高清卡口的交通事故检测率，m为m个高清卡口，(m+1)为被m个高清卡口隔断的(m+1)个路段；公式(2-7)是约束条件。公式(2)是高清卡口的安装位置，它是一个布设在道路上的随机里程数，其中，x_i是第i个高清卡口在道路上的布设位置，L表示道路的总长度，即高清卡口随机的布设在路段的起点和终点之间；公式(3)是相邻两个高清卡口的间距要求，即最小间距Δ_min和最大间距Δ_max要求；公式(4)是成本约束，高清卡口的总费用不超过投资总额，其中c是单一交通检测设备(的成本单价，C是投资总额；公式(5)是两个相邻的高清卡口所间隔路段的道路交通事故函数，

是相关影响变量，如高清卡口所在道路的里程、道路交通事故分布特征等；公式(6)是高清卡口的交通事件检测率Di与相邻的高清卡口的间距l_i的函数关系，且检测率随着间距的增加而下降；公式(7)是相邻两个高清卡口的间距l_i。

由上可知，相邻的高清卡口可覆盖不同长度的路段，不同长度路段的交通事故数可各不相同，且高清卡口的交通事件检测率随着高清卡口间距的增加而下降，上述公式描述了稀疏路网交通检测器布局优化方法，在该模型中，自变量是x_i，也就是各个高清卡口布设在道路上的里程数，运用实数型遗传算法求解该模型，就能求解得出各个高清卡口在道路上的布设位置。

此外，在投资总额允许的情况下，有若干视频摄像机可以装备，则优先在稀疏路网的交叉口、立交桥区布设可旋转360度监控视频摄像机，将采集到的视频传输到交通监控中心，由工作人员根据画面判断这些区域的交通事件发生；此外，若还有视频摄像机可以利用，可将其布设在非交叉口、立交桥区的高清卡口之间，视频摄像机可监控其监控范围内的交通运行情况，且监控范围内的视频同样传输到交通监控中心，由工作人员根据画面判断交通事件的发生，这样能够利用人工监控的高可靠性，提高高清卡口区段的交通事件检测效果。

运用实数型遗传算法求解上述模型，随机产生初始种群，染色体的基因值选用交通检测设备也就是高清卡口在稀疏路网道路上布设的实际里程，个体适应度函数的设计采用交通事件检测率极大化方法，并对不满足的个体进行惩罚处理，用轮盘赌策略进行染色体的选择复制，采用算术交叉和非均匀变异。为了更好说明交通检测器的布局求解方法，特展开说明：①种群初始化：设定种群规模，如a行b列，a行代表a种检测器的布设方案，b代表b个检测器的布设里程位置，检测器的布设里程位置由随机数生成，并按升序排列，然后考虑检测器的间距大小限制，对不满足约束的检测器布设里程位置进行前移或后移，从而使其符合间距约束；②适应度计算：对上述的种群的每一行染色体，即某种检测器的布设方案，按公式(1)计算其检测到的交通事件数量，当经过若干次迭代后，种群中的该检测器布设里程位置不符合间距要求时，对其进行惩罚，也就是将其检测到的交通事件数量进行折减，被折减后的该种检测器布设里程方案在下一次迭代中被采用的概率降低；③轮盘赌策略：在每次迭代过程中，计算a种检测器布设方案的交通事件检测值，将其求和，然后将该值与和相除，得到a个比例值，这些比例值即为a种检测器布设方案被选中的概率；④算术交叉：设定交叉率并产生某一随机数，当交叉率大于该随机数时，进行算术交叉，算术交叉的过程为，在种群中随机选择两个检测器布设方案，确定交叉点，对两个检测器布设方案交叉点的里程数进行线性组合运算；⑤非均匀变异：设定变异率并产生某一随机数，当变异率大于该随机数时，进行非均匀变异，非均匀变异的过程为，在种群中随机选择一个检测器布设方案，确定变异点，对该检测器布设方案变异点的里程数进行其上下限取值范围内的随机扰动。

实施例采用的稀疏路网道路为新疆库尔勒至库车高速公路第一至于第九标段，该道路有9座立交桥，长225KM。高清卡口选用DAD05高清卡口，车牌识别率≥98％，视频摄像机选用TAD05视频摄像机，视频摄像机监控的路段区域长度为1KM，图像分辨率为200万像素，工作温度为-20℃～70℃。

用路段交通事故数来衡量稀疏路网路段的交通安全水平。以3KM为定长，将该道路划分为75段，定长划分的路段的交通事故数以拟合的经验公式进行预测，路段交通事故数与路段的年平均日交通量、平曲线转角、纵曲线坡度、货车比例呈正比例增长关系。

从交通事件检测的需求出发，确定高清卡口的最大、最小间距。高清卡口之间的最大间距为15KM，满足最长检测时间为15分钟的要求，此时对应的道路最小车速为60km/h，最小间距为1KM，满足视频摄像机监控的要求。相邻两个高清卡口的车牌比对判别交通事件的精度与卡口间距呈二次函数关系，精度随着卡口间距的增大而降低。受使用经费的限制，配置40个高清卡口和15个视频摄像机，建立稀疏路网交通检测器布局优化模型。

运用实数型遗传算法解决该问题，初始种群染色体的基因值选用交通检测设备在稀疏路网道路上布设的实际里程。个体适应度函数的设计采用交通事件检测率极大化方法，并对不满足的个体进行惩罚处理，用轮盘赌策略进行染色体的选择复制，采用算术交叉和非均匀变异。设置初始种群规模、迭代次数、交叉率、变异率，在MATLAB实验平台上编制程序求解。

实施例的稀疏路网交通检测器布局方案的40个高清卡口的交通事件检测率为85.65％，增加15个视频摄像机后，检测系统的交通事件检测率达到90.23％。

上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施例，本领域技术人员根据本发明的揭示，不脱离本发明的范畴所做出的改进和修改都应该在本发明的保护范围之内。

Claims (5)

1.一种稀疏路网交通检测器布局方法，其特征在于：其包括以下步骤： 

1)确定交通检测器的类型，划分交通路段长度； 

所述划分交通路段长度，是将道路按定长或不定长方法划分，对于已运营道路，以实际的交通事故分布数据为基础，采用不定长法进行路段划分，事故发生较多的路段，划分为一个路段，其路段长度相对较短，而事故发生较少的路段，划分为一个路段，其路段长度相对较长；对新建道路，以经验公式预测的交通事故分布为基础，采用定长法进行路段划分； 

2)根据交通路段长度的划分及其交通事故预测，结合相邻交通检测器的布设位置，确定相邻交通检测器之间路段的交通事故数量； 

3)以交通检测器的数量、交通事件检测时间为约束，引入交通检测器冗余思想，以稀疏路网的交通事件检测率最大为优化目标，建立交通检测器的布局优化模型，运用实数型遗传算法求解该模型，确定各交通检测器在道路上的布设位置； 

所述实数型遗传算法：随机产生初始种群，染色体的基因值选用交通检测器在稀疏路网道路上布设的实际里程，个体适应度函数的设计采用交通事件检测率极大化方法，并对不满足的个体进行惩罚处理，用轮盘赌策略进行染色体的选择复制，采用算术交叉和非均匀变异； 

所述实数型遗传算法求解交通检测器的布局优化模型，具体包括以下步骤： 

①种群初始化：设定种群规模，a行b列，a行代表a种交通检测器的布设方案，b代表b个交通检测器的布设里程位置，交通检测器的布设里程位置由随机数生成，并按升序排列，然后考虑检测器的间距大小限制，对不满足约束的检测器布设里程位置进行前移或后移，从而使其符合间距约束； 

②适应度计算：对上述的种群的每一行染色体，即某种交通检测器的布设方案，计算其检测到的交通事件数量，当经过若干次迭代后，种群中的该交通检测器布设里程位置不符合间距要求时，对其进行惩罚，也就是将其检测到的交通事件数量进行折减，被折减后的该种交通检测器布设里程方案在下一次迭代中被采用的概率降低； 

③轮盘赌策略：在每次迭代过程中，计算a种检测器布设方案的交通事件检测值，将其求和，然后将该值与和相除，得到a个比例值，这些比例值即为a种检测器布设方案被选中的概率； 

④算术交叉：设定交叉率并产生某一随机数，当交叉率大于该随机数时，进行算术交叉，算术交叉的过程为，在种群中随机选择两个交通检测器布设方案，确定交叉点，对两个交通检测器布设方案交叉点的里程数进行线性组合运算； 

⑤非均匀变异：设定变异率并产生某一随机数，当变异率大于该随机数时，进行非均匀变异，非均匀变异的过程为，在种群中随机选择一个检测器布设方案，确定变异点，对该交通检测器布设方案变异点的里程数进行其上下限取值范围内的随机扰动。 

2.如权利要求1所述的稀疏路网交通检测器布局方法，其特征在于：所述交通检测器为高清卡口。 

3.如权利要求2所述的稀疏路网交通检测器布局方法，其特征在于：其还 在道路交叉口、立交桥区布设视频摄像机。 

4.如权利要求1所述的稀疏路网交通检测器布局方法，其特征在于：所述交通事故预测的经验公式，以交通事故数为因变量，以路段的年平均交通量、平纵曲线变量、货车比例为自变量，采用线性、多项式、指数、幂形式拟合，拟合的因变量和自变量基础数据采用与布设交通检测器道路的类型、等级、区位相似的道路数据。 

5.如权利要求1所述的稀疏路网交通检测器布局方法，其特征在于：所述交通检测器的布局优化模型： 

(2)0≤x_i≤L，i＝1，2，...，m 

(3)Δ_min≤x_i+1-x_i≤Δ_max，i＝1，2，...，m-1 

(4)c·m≤C 

(6)D_i＝f(l_i) 

(7)l_i＝x_i+1-x_i，i＝1，2，...，m-1 

其中，公式(1)是目标函数，Z是目标函数值，A_i是相邻交通检测器之间路段交通事故数量，D_i是路段两端的交通检测器的交通事故检测率，m为m个交通检测器，m+1为被m个交通检测器隔断的m+1个路段；公式(2)是交通检测器的安装位置，它是一个布设在道路上的随机里程数，其中，x_i是第i个交通检测器在道路上的布设位置，L表示道路的总长度；公式(3)是相邻两个交通检测器的间距要求，即最小间距Δ_min和最大间距Δ_max要求；公式(4)是成本约束，交通检测器的总费用不超过投资总额，其中c是单一交通检测器的成本单价，C是投资总额；公式(5)是两个相邻的交通检测器所间隔路段的道路交通事故函数， 

是相关影响变量；公式(6)是交通检测器的交通事件检测率D_i与相邻的交通检测器的间距l_i的函数关系；公式(7)是相邻两个交通检测器的间距l_i。 

Images