CN104318780B - 考虑气象因素、道路线形因素的高速公路事件检测方法 - Google Patents

Abstract

本发明属于交通监测技术领域，公开了一种考虑气象因素、道路线形因素的高速公路事件检测方法，包括如下步骤：1)采集高速公路天气信息、路段线形信息和交通数据，获得气象参数、路段线形参数和交通参数；2)对气象参数、路段线形参数和交通参数进行预处理；3)将预处理后的气象参数、路段线形参数和交通参数输入BP神经网络，判断是否有事件发生。本发明采用模糊评估的方法，得到不同天气条件下、道路线形特征对交通流的影响因子，可以明显提高高速公路事件检测精度。

Description

考虑气象因素、道路线形因素的高速公路事件检测方法

技术领域

本发明属于交通监测技术领域，具体涉及一种高速公路事件检测方法。

背景技术

高速公路事件是指高速公路上的偶发性事件，主要包括车辆交通事故、故障车停车或缓行、货物散落和突发的自然灾害等。这样的事件发生会严重影响道路的畅通和安全，如果不及时处理，就会中断交通流，阻塞交通、造成经济损失甚至引起二次事故造成人员伤亡等更严重的后果。目前为了减少交通事件所造成的影响最主要的方法就是利用自动交通事件检测算法来分析高速公路的实时交通信息，来尽快的判断出路段上是否有事件发生，以便交通管理者可以及时的处理，从而减少二次事故的发生，并在一定程度上降低事件所造成的影响。

现有关于高速公路交通事件检测算法的文献中，大多数只是利用固定车检器提供的交通参数，少数文献中利用浮动车参数对高速公路事件检测的过程进行建模分析。事实上，在不同的气象环境下、不同的路段线形特征下交通流的规律有着明显的不同，仅仅利用交通参数对交通流规律进行建模的方法并不能完全表征交通流规律的全部特性。因此，如何利用高速公路的气象信息和路段线形特征对交通流规律进行完整的建模，对于高速公路更有效、准确的进行交通事件检测有着重要的意义。

发明内容

有鉴于此，本发明提供一种考虑气象因素、道路线形因素的高速公路事件检测方法，可以明显提高高速公路事件检测精度。

本发明通过以下技术手段解决上述技术问题：

考虑气象因素、道路线形因素的高速公路事件检测方法，包括如下步骤：

1)采集高速公路天气信息、路段线形信息和交通数据，获得气象参数、路段线形参数和交通参数；

2)对气象参数、路段线形参数和交通参数进行预处理；

3)将预处理后的气象参数、路段线形参数和交通参数输入BP神经网络，判断是否有事件发生。

进一步，所述步骤1)中获取的气象参数包括降雨量J和能见度N；路段线形参数包括当前检测路段的坡度P和曲率半径R；交通参数包括采集周期内的平均车速，采集周期内车流量，以及采集周期内的平均占有率。

进一步，所述步骤2)中，对气象参数进行如下预处理，获得气象因素对交通流的影响因子α：

设定降雨量J的论域是U_J＝[0,60]，根据降雨量J对交通流的影响分为三个模糊标记:S_J＝{小，中，大}；

设定能见度N的论域是U_N＝[0,30]，根据N对车流特性的影响有三个模糊标记：S_N＝{低，适中，高}；

设定输出的气象因素的影响因子α的论域是U_α＝[0,1]；根据气象因素对事件检测的影响，又分为三个模糊标记：S_α＝{弱，一般，强}；

确定J＝j和N＝n条件下所被激活的模糊控制规则：：

IfJiss_jandNiss_n,thenαiss_α；

其中s_j∈S_J，s_n∈S_N，s_α∈S_α；

通过规则中条件J下的隶属度μ_J和条件N下的隶属度μ_N来获取的规则的隶属度大小:

μ_A＝min(μ_J,μ_N)；

其中，A为任意被激活的规则；

在得到被激活的模糊规则隶属度后，选择结论相同的规则，利用最大值推理法确定在此结论下的隶属度，即

μ_αi＝max(μ_A,μ_B...)i＝1,2,3；

其中μ_α1,μ_α2,μ_α3分别表示α的模糊标记：弱、适中和强，即μ_A,μ_B...表示相同结论下规则A，B...隶属度的大小；

最后，进行去模糊化，得到气象因素对交通流的影响因子：

$\mathrm{\α}=\frac{{\mathrm{\μ}}_{\mathrm{\α}1}\×0+{\mathrm{\μ}}_{\mathrm{\α}2}\×0.5+{\mathrm{\μ}}_{\mathrm{\α}3}\×1}{{\mathrm{\μ}}_{\mathrm{\α}1}+{\mathrm{\μ}}_{\mathrm{\α}2}+{\mathrm{\μ}}_{\mathrm{\α}3}}.$

进一步，所述步骤2)中，对路段线形参数进行如下预处理，得到路段线形因素对交通流的影响影子β：

设定坡度P的论域是U_P＝[0,6％]，根据坡度P对交通流流特性的影响分为三个模糊标记:S_P＝{低，适中，高}；

设定曲率半径R的论域是U_R＝[0,3000]，根据曲率半径R对车流特性的影响有三个模糊标记：S_R＝{小，中，大}；

设定路段线形因素对交通流的影响因子β的论域是U_β＝[0,1]；根据线形因素对事件检测的影响，分为三个模糊标记：S_β＝{弱，一般，强}；

确定P＝p和R＝r条件下所被激活的模糊控制规则：

IfPiss_pandRiss_r,thenβiss_β；

其中s_r∈S_R，s_p∈S_P，s_β∈S_β；

确定P＝p和R＝r条件下所激活规则的隶属度，即

μ_A＝min(μ_P,μ_R)；

其中，A为任意被激活的规则，μ_P和μ_R分别为激活规则中条件P和R下的隶属度；

确定在此结论下的隶属度，即：

μ_βi＝max(μ_A,μ_B...)i＝1,2,3；

其中μ_β1,μ_β2,μ_β3分别表示β的模糊标记：弱、适中和强，即μ_A,μ_B...表示相同结论下规则A，B...隶属度的大小；

进行去模糊化，得到线形因素的影响因子β，即

$\mathrm{\β}=\frac{{\mathrm{\μ}}_{\mathrm{\β}1}\×0+{\mathrm{\μ}}_{\mathrm{\β}2}\×0.5+{\mathrm{\μ}}_{\mathrm{\β}3}\×1}{{\mathrm{\μ}}_{\mathrm{\β}1}+{\mathrm{\μ}}_{\mathrm{\β}2}+{\mathrm{\μ}}_{\mathrm{\β}3}}.$

进一步，所述步骤2)中，对交通参数进行如下预处理：

对平均车速预处理采用以下公式：

$O_V=\frac{v_T}{v_{\max }}$

式中，O_V表示归一化后的速度参数，v_T表示当前时刻T的检测器检测到的速度，v_max表示高速公路中，此路段的最高限速；

对车流量预处理采用以下公式：

$O_q=\frac{q_T}{q_{\max }}$

式中，O_q表示归一化后的流量参数，q_T表示在T至T-1周期内通过检测器的流量，q_max表示一个周期内最大的通行流量；

进一步，所述步骤3)中，输入向量为：

P_k＝(v_T,o_T,q_T,v'_T,o'_T,q'_T,v_T-1,o_T-1,q_T-1,v'_T-1,o'_T-1,q'_T-1,α,β)；

其中，v_T,o_T,q_T分别表示T周期路段上游车检器所采集到的速度、流量和占有率。

v′_T,o′_T,q′_T分别表示T周期路段下游车检器所采集到的速度、流量和占有率。

v_T-1,o_T-1,q_T-1分别表示T-1周期路段上游车检器所采集到的速度、流量和占有率。

v′_T-1,o′_T-1,q′_T-1分别表示T-1周期时路段下游车检器所采集到的速度、流量和占有率。

α，β分别表示该气象条件的影响因子和路段线形的影响因子；

BP神经网络最终输出为二维向量，

$T_k=({\∂}_{k1},{\∂}_{k2})$

其中的取值范围均在0到1之间。

根据确定的输出以及事件检测的性质，将网络的目标样本定义为以下两种样本：(0，1)有事件发生；(1，0)没有事件发生。

进一步，所述步骤3)中，BP神经网络输入层的神经元为14个，隐含层神经元为32个。

本发明在充分考虑高速公路交通流在不同天气因素和道路线形因素的特点上，本发明采用模糊评估的方法，得到不同天气条件下、道路线形特征对交通流的影响因子，可以明显提高高速公路事件检测精度。

附图说明

图1示出了降雨量J的隶属度函数；

图2示出了能见度N的隶属度函数；

图3示出了坡度P的隶属度函数；

图4示出了曲率半径R的隶属度函数；

图5示出了BP神经网络的示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将对本发明的具体实施方式作进一步的详细描述。

考虑气象因素、道路线形因素的高速公路事件检测方法，包括如下步骤：

1)采集高速公路天气信息、路段线形信息和交通数据，获得气象参数、路段线形参数和交通参数；

在不同的气象特征下高速公路的交通流会表现出明显的不同，当出现雨、雪、雾等天气状况下，由于驾驶员的心里、视距受到了不同程度的影响，而发动机的工况也收到了很大的影响，再加上路面的抗滑能力下降以及驾驶员自身对行车安全的重视，就直接导致了车流的运行速度降低，占有率的增高。因此，本发明将天气信息作为对高速公路事件检测的考虑因素之一显得十分有必要。

在不同的线形特征下高速公路的交通流也会呈现不同的特性，如在高速公路弯道时，由于汽车受到离心力的作用，汽车若高速行驶容易出现跑偏、侧滑甚至前轮失去转向能力，故弯道行驶的车流速度明显偏小。在坡道条件下，纵断面的坡度会对车辆的运行速度起控制作用。因此，本发明将线形特征作为高速公路事件检测的考虑因素之一也显得十分必要。

根据以上因素的影响。首先，本发明采集气象仪常见的降雨量J和能见度N作为气象环境对交通流的影响因素。

因此，采集当前检测路段的坡度P和曲率半径R作为道路线形对交通流的影响因素。而采集的交通参数包括采集周期内的平均车速，采集周期内车流量，以及采集周期内的平均占有率。

2)对气象参数、路段线形参数和交通参数进行预处理；

步骤1)中已经得到降雨量J和能见度N，但两者并不能准确定量的反映对高速公路交通流影响。

本发明通过模糊评价的方法，经过J、N模糊化、模糊推理以及去模糊化的过程得到气象环境对交通流的影响因子α，具体步骤如下：

设定降雨量J的论域是U_J＝[0,60]，根据降雨量J对交通流的影响分为三个模糊标记:S_J＝{小，中，大}；

设定能见度N的论域是U_N＝[0,30]，根据N对车流特性的影响有三个模糊标记：S_N＝{低，适中，高}；

设定输出的气象因素的影响因子α的论域是U_α＝[0,1]；根据气象因素对事件检测的影响，又分为三个模糊标记：S_α＝{弱，一般，强}；

J和N的隶属度函数如图1、2所示，气象信息的模糊规则如表1所示“

表1

然后，将输入的变量J＝j和N＝n模糊化，得到的隶属度如表2所示：

表2

接着，根据表1中所的模糊规则，确定J＝j和N＝n条件下所被激活的模糊控制规则。所确定的模糊规则表述为：

IfJiss_jandNiss_n,thenαiss_α；

其中s_j∈S_J，s_n∈S_N，s_α∈S_α。

然后，确定模糊规则的强弱。在J＝j且N＝n的条件下可能出现多条模糊规则，因此需要确定每一条模糊规则的隶属度的大小，在这里由于J与N两个规则条件是“且”的关系，故采用最小值法。即通过规则中条件J下的隶属度μ_J和条件N下的隶属度μ_N来获取的规则的隶属度大小:

μ_A＝min(μ_J,μ_N)；

其中，A为任意被激活的规则。

然后，在得到被激活的模糊规则隶属度后，选择结论相同的规则，利用最大值推理法确定在此结论下的隶属度，即

μ_αi＝max(μ_A,μ_B...)i＝1,2,3；

其中μ_α1,μ_α2,μ_α3分别表示α的模糊标记：弱、适中和强，即μ_A,μ_B...表示相同结论下规则A，B...隶属度的大小。

最后，进行去模糊化，得到气象环境对交通流的影响因子α，即

$\mathrm{\α}=\frac{{\mathrm{\μ}}_{\mathrm{\α}1}\×0+{\mathrm{\μ}}_{\mathrm{\α}2}\×0.5+{\mathrm{\μ}}_{\mathrm{\α}3}\×1}{{\mathrm{\μ}}_{\mathrm{\α}1}+{\mathrm{\μ}}_{\mathrm{\α}2}+{\mathrm{\μ}}_{\mathrm{\α}3}}.$

步骤1)中已经得到当前检测路段的坡度P和曲率半径R，但两者并不能准确定量的反映不同线性特征对高速公路交通流的影响。

同对气象数据预处理的方法一样，本发明利用模糊评价的方法得到线形因素对交通流的影响影子β，具体步骤如下：

设定坡度P的论域是U_P＝[0,6％]，根据坡度P对交通流流特性的影响分为三个模糊标记:S_P＝{低，适中，高}；

设定曲率半径R的论域是U_R＝[0,3000]，根据曲率半径R对车流特性的影响有三个模糊标记：S_R＝{小，中，大}；

设定路段线形因素对交通流的影响因子β的论域是U_β＝[0,1]；根据线形因素对事件检测的影响，分为三个模糊标记：S_β＝{弱，一般，强}；

P和R的隶属度函数如下图2所示，关于J，P和β的模糊规则如表3所示。

表3

然后，在P＝p和R＝r的输入条件下将P和R模糊化，得到隶属度函数如表4所示：

表4

接着，根据表3中所的模糊规则，确定P＝p和R＝r条件下所被激活的模糊控制规则，所确定的模糊规则一般形式为：

IfPiss_pandRiss_r,thenβiss_β；

其中s_r∈S_R，s_p∈S_P，s_β∈S_β。

然后，确定模糊规则的强弱。在这里同样采用最小值法来确定P＝p和R＝r条件下所激活规则的隶属度，即

μ_A＝min(μ_P,μ_R)；

其中，A为任意被激活的规则，μ_P和μ_R分别为激活规则中条件P和R下的隶属度。

然后，选择结论相同的规则，利用最大值推理法确定在此结论下的隶属度，即

μ_βi＝max(μ_A,μ_B...)i＝1,2,3；

其中μ_β1,μ_β2,μ_β3分别表示β的模糊标记：弱、适中和强，即μ_A,μ_B...表示相同结论下规则A，B...隶属度的大小。

最后，进行去模糊化，得到线形因素的影响因子β，即

$\mathrm{\β}=\frac{{\mathrm{\μ}}_{\mathrm{\β}1}\×0+{\mathrm{\μ}}_{\mathrm{\β}2}\×0.5+{\mathrm{\μ}}_{\mathrm{\β}3}\×1}{{\mathrm{\μ}}_{\mathrm{\β}1}+{\mathrm{\μ}}_{\mathrm{\β}2}+{\mathrm{\μ}}_{\mathrm{\β}3}};$

对交通参数进行如下归一化预处理：

对平均车速预处理采用以下公式：

$O_V=\frac{v_T}{v_{\max }}$

式中，O_V表示归一化后的速度参数，v_T表示当前时刻T的检测器检测到的速度，v_max表示高速公路中，此路段的最高限速；

对车流量预处理采用以下公式：

$O_q=\frac{q_T}{q_{\max }}$

式中，O_q表示归一化后的流量参数，q_T表示在T至T-1周期内通过检测器的流量，q_max表示一个周期内最大的通行流量。

3)将预处理后的气象参数、路段线形参数和交通参数输入BP神经网络，判断是否有事件发生。

本发明中利用多层前馈式BP神经网络作为事件检测的算法模型。BP网络是一种具有三层或三层以上的神经网络，包括输入层、隐含层和输出层。输出层根据预处理后的数据，确定输入层的神经元为14个。BP网络的输入向量为

P_k＝(v_T,o_T,q_T,v'_T,o'_T,q'_T,v_T-1,o_T-1,q_T-1,v'_T-1,o'_T-1,q'_T-1,α,β)；

其中，v_T,o_T,q_T分别表示T周期路段上游车检器所采集到的速度、流量和占有率。

v′_T,o′_T,q′_T分别表示T周期路段下游车检器所采集到的速度、流量和占有率。

v_T-1,o_T-1,q_T-1分别表示T-1周期路段上游车检器所采集到的速度、流量和占有率。

v′_T-1,o′_T-1,q′_T-1分别表示T-1周期时路段下游车检器所采集到的速度、流量和占有率。

α，β分别表示该气象条件的影响因子和路段线形的影响因子。

BP网络最终输出为二维向量，

$T_k=({\∂}_{k1},{\∂}_{k2})$

其中的取值范围均在0到1之间。

根据确定的输出以及事件检测的性质，将网络的目标样本定义为以下两种样本：(0，1)有事件发生；(1，0)没有事件发生。

隐含层网络的层数和神经元的个数的确定，对BP网络的有效利用显得格外重要。由于每一个输入、输出单元都是有上下界的数值，因此采用单隐含层的BP网络就可以完成由输入到输出的映射。隐含层的神经元数目选取则需要多次的实验来确定，隐含层的数目太多则导致学习时间过长，且效果并非最佳。隐含层数目过少又不容易达到训练的目标，但是隐含层神经元的个数可以通过一些相关的参数进行估计。在三层网络中，隐含层神经元的个数n₂和输入层神经元个数n₁之间有一下近似关系：

n₂＝2n₁+1

由此，估计隐含层神经元的个数近似为29个，通过本例的训练数据的调整和适应最终确定为32个为最佳。由此确定网络为14×32×2的结构，参见图5。

接下来确定网络的输入和输出向量范围均为[0，1]，隐含层神经元的传递函数采用S型正切函数tansig，输出层神经元传递函数采用S型对数函数logsig，训练的函数利用Levenberg-Marquardt算法对网络进行训练。

在网络训练的过程中，设置训练次数为1000次，训练的目标误差为0.001。再构建好的BP网络中带入输入向量和目标向量进行训练，在训练的次数内，误差曲线平稳光滑时，输出层误差达到所要求的范围时，训练过程结束，训练模型带入实时输入向量P_k即可进行检测。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.考虑气象因素、道路线形因素的高速公路事件检测方法，其特征在于：包括如下步骤：

1)采集高速公路天气信息、路段线形信息和交通数据，获得气象参数、路段线形参数和交通参数；所述气象参数包括降雨量J和能见度N；路段线形参数包括当前检测路段的坡度P和曲率半径R；交通参数包括采集周期内的平均车速，采集周期内车流量，以及采集周期内的平均占有率；

2)对气象参数、路段线形参数和交通参数进行预处理；其中，对气象参数进行如下预处理，获得气象因素对交通流的影响因子a：

设定降雨量J的论域是U_J＝[0,60]，根据降雨量J对交通流的影响分为三个模糊标记:S_J＝{小，中，大}；

设定能见度N的论域是U_N＝[0,30]，根据N对车流特性的影响有三个模糊标记：S_N＝{低，适中，高}；

设定输出的气象因素的影响因子a的论域是U_a＝[0,1]；根据气象因素对事件检测的影响，又分为三个模糊标记：S_a＝{弱，一般，强}；

确定J＝j和N＝n条件下所被激活的模糊控制规则：

IfJiss_jandNiss_n,thenaiss_a；

其中s_j∈S_J，s_n∈S_N，s_a∈S_a；

通过规则中条件J下的隶属度μ_J和条件N下的隶属度μ_N来获取的规则的隶属度大小:

μ_A＝min(μ_J,μ_N)；

其中，A为任意被激活的规则；

在得到被激活的模糊规则隶属度后，选择结论相同的规则，利用最大值推理法确定在此结论下的隶属度，即

μ_ai＝max(μ_A,μ_B...)i＝1,2,3；

其中μ_a1,μ_a2,μ_a3分别表示a的模糊标记：弱、适中和强，即μ_A,μ_B...表示相同结论下规则A，B...隶属度的大小；

最后，进行去模糊化，得到气象因素对交通流的影响因子：

对路段线形参数进行如下预处理，得到路段线形因素对交通流的影响影子β：

设定坡度P的论域是U_P＝[0,6％]，根据坡度P对交通流流特性的影响分为三个模糊标记:S_P＝{低，适中，高}；

设定曲率半径R的论域是U_R＝[0,3000]，根据曲率半径R对车流特性的影响有三个模糊标记：S_R＝{小，中，大}；

设定路段线形因素对交通流的影响因子β的论域是U_β＝[0,1]；根据线形因素对事件检测的影响，分为三个模糊标记：S_β＝{弱，一般，强}；

确定P＝p和R＝r条件下所被激活的模糊控制规则：

IfPiss_pandRiss_r,thenβiss_β；

其中s_r∈S_R，s_p∈S_P，s_β∈S_β；

确定P＝p和R＝r条件下所激活规则的隶属度，即

μ_A＝min(μ_P,μ_R)；

其中，A为任意被激活的规则，μ_P和μ_R分别为激活规则中条件P和R下的隶属度；

确定在此结论下的隶属度，即：

μ_βi＝max(μ_A,μ_B...)i＝1,2,3；

其中μ_β1,μ_β2,μ_β3分别表示β的模糊标记：弱、适中和强，即μ_A,μ_B…表示相同结论下规则A，B...隶属度的大小；

进行去模糊化，得到线形因素的影响因子β，即

对交通参数进行如下预处理：

对平均车速预处理采用以下公式：

式中，O_V表示归一化后的速度参数，v_T表示当前时刻T的检测器检测到的速度，v_max表示高速公路中，此路段的最高限速；

对车流量预处理采用以下公式：

式中，O_q表示归一化后的流量参数，q_T表示在T至T-1周期内通过检测器的流量，q_max表示一个周期内最大的通行流量；

3)将预处理后的气象参数、路段线形参数和交通参数输入BP神经网络，判断是否有事件发生。

2.如权利要求1所述的考虑气象因素、道路线形因素的高速公路事件检测方法，其特征在于：所述步骤3)中，输入向量为

P_k＝(v_T,o_T,q_T,v'_T,o'_T,q'_T,v_T-1,o_T-1,q_T-1,v'_T-1,o'_T-1,q'_T-1,a,β)；

其中，v_T,o_T,q_T分别表示T周期路段上游车检器所采集到的速度、流量和占有率；

v′_T,o′_T,q′_T分别表示T周期路段下游车检器所采集到的速度、流量和占有率；

v_T-1,o_T-1,q_T-1分别表示T-1周期路段上游车检器所采集到的速度、流量和占有率；

v′_T-1,o′_T-1,q′_T-1分别表示T-1周期时路段下游车检器所采集到的速度、流量和占有率；

a，β分别表示该气象条件的影响因子和路段线形的影响因子；

BP神经网络最终输出为二维向量，

其中的取值范围均在0到1之间；

根据确定的输出以及事件检测的性质，将网络的目标样本定义为以下两种样本：(0，1)有事件发生；(1，0)没有事件发生。

3.如权利要求2所述的考虑气象因素、道路线形因素的高速公路事件检测方法，其特征在于：所述步骤3)中，BP神经网络输入层的神经元为14个，隐含层神经元为32个。