CN112767698B - 一种基于小步长调整的自适应交通事件检测方法 - Google Patents

Abstract

本发明公开了一种基于小步长调整的自适应交通事件检测方法，包括以下步骤：Step1：动态确定检测频率；Step2：计算交通参数和交通参数统计量；Step3：计算交通参数特征；Step4：进行阈值比较，输出交通事件检测结果。Step5：计算历史误检率，根据历史误检率对交通参数特征阈值进行小步长调整。本发明通过动态确定检测频率，获取ETC门架数据，然后根据所获取的数据计算交通参数特征，包括路段平均速度变化量和车辆速度离散度变化量，同时将交通参数特征与其阈值进行比较，确定交通事件检测结果，最后计算历史误检率，根据历史误检率确定交通参数特征阈值的更新公式，以此对阈值进行小步长调整，从而实现交通事件的自适应实时高效检测。

Description

一种基于小步长调整的自适应交通事件检测方法

技术领域

本发明涉及路段交通事件检测技术领域，特别是一种基于小步长调整的自适应交通事件检测方法。

背景技术

交通事件是指非周期性发生且使某段道路通行能力下降的交通事件，如交通事故、故障停车、货物散落、道路维修、车辆逆行和交通堵塞等。我国机动车保有量大，路网环境复杂，交通事件发生的频率居高不下，不仅严重危害了出行者的出行安全，而且对社会经济造成了重大损失。因此，为了预防和减少交通事件的发生，解决交通事件带来的交通延误，避免交通事件造成二次伤害，就必须准确高效实时地对交通事件进行检测。

传统的交通事件检测算法，多采用固定时间间隔进行交通事件检测，忽略了不同时间段经过检测路段车辆数量之间的差异，因此采用固定时间段获取的数据进行交通事件检测会造成某些检测周期数据量少，检测结果不准确的情况。为了避免此类问题出现，可以在交通事件检测中，采取动态确定检测频率的方法。

同时，过去的交通事件检测多是采用交通流量、占有率、平均车速等宏观交通流参数，没有考虑单个车辆行驶的差异性，未将交通事件和车速离散特征进行联系，使得检测结果的可靠性不高。因此，如何以单车速度离散特征作为切入点，建立更为准确可靠的交通事件检测方法有着重要的理论和实践意义。

最后，传统的基于阈值法的交通事件检测算法，使用的都是固定阈值，但是随着时间的改变，不同时间段的交通模式可能存在差异，固定阈值并不能准确地反映每个时间段的路段时间情况，因此需要对阈值进行自适应调整，以提高交通事件检测地准确性。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供一种基于小步长调整的自适应交通事件检测方法，本发明方法以ETC门架数据作为数据来源，通过动态确定检测频率，同时考虑车辆速度离散度，采用小步长迭代法对交通参数特征阈值进行更新，从而可以实现交通事件的自适应实时高效检测，提升了检测精度，也降低了实施难度。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种基于小步长调整的自适应交通事件检测方法，包括以下步骤：

步骤1、定义道路上相邻两个ETC门架之间的路段为检测路段，通过检测路段的车辆数达到m时为一个检测周期，m为检测周期内车辆最大到达数，获取检测周期内进入检测路段的每辆车的车牌及对应的进入时间数据，获取检测周期内离开检测路段的每辆车的车牌及对应的离开时间数据；

动态确定检测频率，检测频率是由每个检测周期通过的车辆数动态确定的；当检测路段通过的车辆数达到m时，则执行以下步骤；

步骤2、计算交通参数和交通参数统计量；其中，交通参数为单车速度，交通参数统计量包括第i个检测周期的路段平均速度

和车辆速度离散度σ_i；

步骤3、根据步骤2计算出的交通参数和交通参数统计量，计算交通参数特征；交通参数特征包括相邻两个检测周期之间的路段平均速度变化量

和车辆速度离散度变化量Δσ；

步骤4、若

且Δσ>e₂，则第i个检测周期有交通事件发生，否则说明无交通事件发生，返回步骤1，继续进入下一检测周期；其中，e₁为路段平均速度变化量阈值和e₂为车辆速度离散度变化量阈值；

步骤5、计算历史误检率，根据历史误检率判断是否对路段平均速度变化量阈值e₁和车辆速度离散度变化量阈值e₂进行调整；若历史误检率未超过预设的历史误检率上限e，则返回步骤1，进行下一周期的检测，若超过，则对交通参数特征阈值进行小步长调整，交通参数特征阈值包括路段平均速度变化量阈值e₁和车辆速度离散度变化量阈值e₂，生成新的交通参数特征阈值，用于下一个检测周期的交通事件判别，返回步骤1。

作为本发明所述的一种基于小步长调整的自适应交通事件检测方法进一步优化方案，步骤1中动态确定检测频率的具体步骤是：

步骤11、初始化参数：n＝0，i＝1；n为通过检测路段的车辆数，i为检测周期；

步骤12、判断是否有车辆通过检测路段；若是，则n＝n+1，否则n＝n；

步骤13、判断n是否等于m，若否，则转入步骤12；若是，则生成第i个检测周期的实时交通数据集；生成的第i个检测周期的实时交通数据集为检测到的n个辆车分别进入和离开检测路段的时间；

步骤14、令n＝0，i＝i+1，返回步骤13，进入下一检测周期。

作为本发明所述的一种基于小步长调整的自适应交通事件检测方法进一步优化方案，步骤5具体步骤如下：

步骤51、自动载入第i个检测周期之前的N个检测周期的历史数据，历史数据包括的数据项有每个检测周期的编号及其对应的路段平均速度变化量、车辆速度离散度变化量、每个检测周期是否检测到交通事件发生和每个检测周期实际是否发生交通事件；

步骤52、计算历史误检率；历史误检率HFAR计算公式如下：

式中，FA表示错误检测次数，N表示检测次数，即第i个检测周期之前的N个检测周期；

步骤53、判断历史误检率是否超过预设的历史误检率上限e；若未超过，则执行步骤13；若超过，则转入步骤54，通过小步长迭代更新路段平均速度变化量阈值e₁和车辆速度离散度变化量阈值e₂；

步骤54、通过更新路段平均速度变化量阈值e₁和车辆速度离散度变化量阈值e₂降低历史误检率；首先对比在当前检测周期是否检测到交通事件发生的情况和当前检测周期实际是否发生交通事件的情况，确定N次检测中将交通事件误检为非交通事件的次数r和将非交通事件误检为交通事件的次数s；然后以降低历史误检率为目标，得到阈值更新的计算公式，

的计算公式如下：

式中，r和s分别表示N次检测中交通事件误检为非交通事件的次数和将非交通事件检测为交通事件的次数，e₁和e₂分别表示路段平均速度变化量阈值和车辆速度离散度变化量阈值，f₁(r，s)和f₂(r，s)分别表示路段平均速度变化量阈值更新步长和车辆速度离散度变化量阈值更新步长，e₁、e₂的初始值为预设值，i和i-1分别表示第i个检测周期和第i-1个检测周期，

为第i个检测周期路段平均速度变化量阈值，

为第(i-1)个检测周期路段平均速度变化量阈值，

为第i个检测周期车辆速度离散度变化量阈值，

为第(i-1)个检测周期车辆速度离散度变化量阈值；此时，交通参数特征阈值更新结束，返回步骤1，继续进入下一检测周期。

作为本发明所述的一种基于小步长调整的自适应交通事件检测方法进一步优化方案，步骤2中，单车速度的计算方式为：

其中，v_n表示第n辆车的速度；l表示检测路段长度；t₁和t₂分别表示第n辆车进入和离开检测路段的时间；

第i个检测周期的路段平均速度

和车辆速度离散度σ_i的计算公式分别如下：

作为本发明所述的一种基于小步长调整的自适应交通事件检测方法进一步优化方案，步骤3中，路段平均速度变化量

和车辆速度离散度变化量Δσ，计算公式如下：

Δσ＝σ_i-σ_i-1

其中，

和

分别表示第i个检测周期和第i-1个检测周期的路段平均速度，σ_i和σ_i-1分别表示第i个检测周期和第i-1个检测周期的车辆速度离散度。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本发明采用ETC门架数据，通过动态确定检测频率，使用路段平均速度变化量和车辆速度离散度变化量与阈值进行比较，确定是否有交通事件发生，同时，自动载入历史真实数据，根据历史误检率对交通参数特征阈值进行小步长调整，从而实现了交通事件的自适应实时高效检测。

附图说明

图1为一种基于小步长调整的自适应交通事件检测算法整体流程图。

图2为检测频率确定流程图。

图3为阈值比较流程图。

图4为根据历史误检率进行小步长调整阈值流程图。

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，下面将结合附图及具体实施例对本发明进行详细描述。

本实施例提供的一种基于小步长调整的自适应交通事件检测算法，克服了传统基于宏观参数采用固定阈值法检测交通事件方法的不足，具体如下所述：

(1)检测频率确定的问题。传统的交通事件检测算法主要采用固定时间间隔进行交通事件检测，忽略了不同时间段经过检测路段车辆数量的差异，存在在车辆数量较少时，检测结果可靠性不高的问题，基于此，本发明提出了动态确定检测频率的方法。

(2)交通参数特征选取的问题。在传统交通事件检测中，仅仅依靠宏观参数不能有效地描述车辆运行的个体差异性。车辆速度离散特性作为交通流特性的基本特征，能够对交通状态的稳定性和差异性进行很好的描述，因此，将车辆速度离散度引入交通事件检测有重要的意义。

(3)阈值自适应调整的问题。传统的基于阈值法的交通事件检测算法，专注于对交通参数特征的提取，多采用固定阈值，而忽略了随着时间的改变，固定阈值可能会不适用于某些场景，从而降低了交通事件检测的精度，本发明引入历史误检率对阈值进行实时自适应调整，以适应算法应用时间段的变化导致的交通流状态的变化。

因此，本方法采用ETC门架数据进行交通事件检测，通过同时考虑路段平均速度变化量和车辆速度离散度变化量来进行交通事件检测。然后，采用小步长迭代法对阈值进行实时调整，从而增加了算法的自适应性，提高了检测精度。

本发明的交通事件检测算法如图1所示，主要包括如下步骤：

Step1：动态确定检测频率。本发明所述检测频率是根据每个检测周期通过的车辆数动态确定的，m为检测周期内车辆最大到达数，当检测路段通过的车辆数达到m时，则进行一次交通事件检测。

Step2：计算交通参数和交通参数统计量。交通参数为单车速度，计算方式为：

式中，v_n表示第n辆车的速度；l表示检测路段长度；t₁和t₂分别表示车辆n进入和离开检测路段的时间；

交通参数统计量包括第i个检测周期内的路段平均速度

和车辆速度离散度σ_i，计算公式分别如下：

其中，v_n表示第n辆车的速度，m表示检测周期内车辆到达数的设定值。

Step3：计算交通参数特征。交通参数特征包括相邻两个检测周期之间的路段平均速度变化量和车辆速度离散度变化量。

所述路段平均速度变化量

和车辆速度离散度变化量Δσ，计算公式如下：

Δσ＝σ_i-σ_i-1

其中，

和

分别表示第i个检测周期和第i-1个检测周期的路段平均速度，σ_i和σ_i-1分别表示第i个检测周期和第i-1个检测周期的车辆速度离散度。

Step4：将交通参数特征与阈值进行比较，确定是否发生交通事件。若两个交通参数特征均大于阈值则发生交通事件警报，否则进入下一检测周期。

Step5：计算历史误检率，根据历史误检率判断是否对交通参数特征阈值进行调整。若历史误检率未超过预设上限e，则进行下一周期的检测，若超过，则对交通参数特征进行小步长调整。

如图2所示，Step1中按照样本数量设置检测周期内车辆最大到达数m，每当通过检测路段的车辆数达到m时，进行一次交通事件检测，动态确定检测频率，具体步骤如下：

Step11：初始化参数：n＝0，i＝1；n为通过检测路段的车辆数，i为检测周期；

Step12：判断是否有车辆离开检测路段；若是，则n＝n+1，否则n＝n。

Step13：判断n是否等于m，若否，则转入Step12；若是，则生成第i个检测周期的实时交通数据集；所述生成的第i个检测周期的实时交通数据集为检测到的n个辆车分别进入和离开检测路段的时间。

Step14：令n＝0，i＝i+1，返回Step12，进入下一检测周期。

进一步，如图3所示，Step4中将交通参数特征与阈值进行比较，确定是否发生交通事件，所述阈值包括路段平均速度变化量阈值e₁和车辆速度离散度变化量阈值e₂，当发生交通事件时，路段平均速度会下降，而车辆速度离散度会上升，因此通过计算相邻两个检测周期之间的路段平均速度变化量和车辆速度离散度变化量，然后与其阈值进行比较，即可确定是否发生交通事件。具体步骤如下：

Step41：输入检测周期i内的交通参数特征

和Δσ。

Step42：将

和Δσ分别与其阈值进行比较，若

且Δσ>e₂，则进行交通事件警报，否则说明无交通事件发生。本发明中e₁和e₂的初始值按照不同类型路段取不同值，可依据经验给出。

Step43：存储检测结果。

如图4所示，Step5中计算历史误检率，根据历史误检率对交通参数特征阈值进行调整。具体步骤如下：

Step51：自动载入N个检测周期的历史数据。历史数据包含的数据项有每个检测周期的编号及其对应的路段平均速度变化量、车辆速度离散度变化量、每个检测周期是否检测到交通事件发生和每个交通事件检测周期实际是否发生交通事件。

Step52：计算历史误检率。历史误检率计算公式如下：

式中，FA表示错误检测次数，N表示检测次数，即第i个检测周期之前的N个检测周期；

Step53：判断历史误检率是否超过预设误检率上限e。若未超过，返回Step1，进入下一周期的交通事件检测；若超过，则转入下一步，通过小步长迭代更新阈值。

Step54、通过更新路段平均速度变化量阈值e₁和车辆速度离散度变化量阈值e₂降低历史误检率；首先交通事件对比在当前检测周期是否检测到交通事件发生的情况和当前检测周期实际是否发生交通事件的情况，确定N次检测中将交通事件误检为非交通事件的次数r和将非交通事件误检为交通事件的次数s；然后以降低历史误检率为目标，得到阈值更新的计算公式，计算公式如下：

式中，r和s分别表示N次检测中交通事件误检为非交通事件的次数r和将非交通事件检测为交通事件的次数s，e₁和e₂分别表示路段平均速度变化量阈值和车辆速度离散度变化量阈值，f₁(s，r)和f₂(s，r)分别表示路段平均速度变化量阈值更新步长和车辆速度离散度变化量阈值更新步长，e₁、e₂的初始值可根据不同路段性质，参考以往经验给出，i和i-1分别表示第i个检测周期和第i-1个检测周期。此时，交通参数特征阈值更新结束，返回Step1，继续进入下一检测周期。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。

Claims (3)

1.一种基于小步长调整的自适应交通事件检测方法，其特征在于，包括以下步骤：

步骤1、定义道路上相邻两个ETC门架之间的路段为检测路段，通过检测路段的车辆数达到m时为一个检测周期，m为检测周期内车辆最大到达数，获取检测周期内进入检测路段的每辆车的车牌及对应的进入时间数据，获取检测周期内离开检测路段的每辆车的车牌及对应的离开时间数据；

动态确定检测频率，检测频率是由每个检测周期通过的车辆数动态确定的；当检测路段通过的车辆数达到m时，则执行以下步骤；

步骤2、计算交通参数和交通参数统计量；其中，交通参数为单车速度，交通参数统计量包括第i个检测周期的路段平均速度

和车辆速度离散度σ_i；

步骤3、根据步骤2计算出的交通参数和交通参数统计量，计算交通参数特征；交通参数特征包括相邻两个检测周期之间的路段平均速度变化量

和车辆速度离散度变化量Δσ；

步骤4、若

且Δσ>e₂，则第i个检测周期有交通事件发生，否则说明无交通事件发生，返回步骤1，继续进入下一检测周期；其中，e₁为路段平均速度变化量阈值和e₂为车辆速度离散度变化量阈值；

步骤5、计算历史误检率，根据历史误检率判断是否对路段平均速度变化量阈值e₁和车辆速度离散度变化量阈值e₂进行调整；若历史误检率未超过预设的历史误检率上限e，则返回步骤1，进行下一周期的检测，若超过，则对交通参数特征阈值进行小步长调整，交通参数特征阈值包括路段平均速度变化量阈值e₁和车辆速度离散度变化量阈值e₂，生成新的交通参数特征阈值，用于下一个检测周期的交通事件判别，返回步骤1；

步骤1中动态确定检测频率的具体步骤是：

步骤11、初始化参数：n＝0，i＝1；n为通过检测路段的车辆数，i为检测周期；

步骤12、判断是否有车辆通过检测路段；若是，则n＝n+1，否则n＝n；

步骤13、判断n是否等于m，若否，则转入步骤12；若是，则生成第i个检测周期的实时交通数据集；生成的第i个检测周期的实时交通数据集为检测到的n个辆车分别进入和离开检测路段的时间；

步骤14、令n＝0，i＝i+1，返回步骤13，进入下一检测周期；

步骤5具体步骤如下：

步骤51、自动载入第i个检测周期之前的N个检测周期的历史数据，历史数据包括的数据项有每个检测周期的编号及其对应的路段平均速度变化量、车辆速度离散度变化量、每个检测周期是否检测到交通事件发生和每个检测周期实际是否发生交通事件；

步骤52、计算历史误检率；历史误检率HFAR计算公式如下：

式中，FA表示错误检测次数，N表示检测次数，即第i个检测周期之前的N个检测周期；

步骤53、判断历史误检率是否超过预设的历史误检率上限e；若未超过，则执行步骤13；若超过，则转入步骤54，通过小步长迭代更新路段平均速度变化量阈值e₁和车辆速度离散度变化量阈值e₂；

步骤54、通过更新路段平均速度变化量阈值e₁和车辆速度离散度变化量阈值e₂降低历史误检率；首先对比在当前检测周期是否检测到交通事件发生的情况和当前检测周期实际是否发生交通事件的情况，确定N次检测中将交通事件误检为非交通事件的次数r和将非交通事件误检为交通事件的次数s；然后以降低历史误检率为目标，得到阈值更新的计算公式，

的计算公式如下：

式中，r和s分别表示N次检测中交通事件误检为非交通事件的次数和将非交通事件检测为交通事件的次数，e₁和e₂分别表示路段平均速度变化量阈值和车辆速度离散度变化量阈值，f₁(r,s)和f₂(r,s)分别表示路段平均速度变化量阈值更新步长和车辆速度离散度变化量阈值更新步长，e₁、e₂的初始值为预设值，i和i-1分别表示第i个检测周期和第i-1个检测周期，

为第i个检测周期路段平均速度变化量阈值，

为第(i-1)个检测周期路段平均速度变化量阈值，

为第i个检测周期车辆速度离散度变化量阈值，

为第(i-1)个检测周期车辆速度离散度变化量阈值；此时，交通参数特征阈值更新结束，返回步骤1，继续进入下一检测周期。

2.根据权利要求1所述的一种基于小步长调整的自适应交通事件检测方法，其特征在于，步骤2中，单车速度的计算方式为：

其中，v_n表示第n辆车的速度；l表示检测路段长度；t₁和t₂分别表示第n辆车进入和离开检测路段的时间；

第i个检测周期的路段平均速度

和车辆速度离散度σ_i的计算公式分别如下：

3.根据权利要求1所述的一种基于小步长调整的自适应交通事件检测方法，其特征在于，步骤3中，路段平均速度变化量

和车辆速度离散度变化量Δσ，计算公式如下：

Δσ＝σ_i-σ_i-1

其中，

和

分别表示第i个检测周期和第i-1个检测周期的路段平均速度，σ_i和σ_i-1分别表示第i个检测周期和第i-1个检测周期的车辆速度离散度。

Images