快速路交通事件檢測方法

李紅偉 陸 鍵 姜桂艷 馬永鋒

(1 東南大學(xué)交通學(xué)院，南京210096)

(2 上海交通大學(xué)船舶海洋與建筑工程學(xué)院，上海200240)

(3 吉林大學(xué)交通學(xué)院，長春130022)

作為城市路網(wǎng)系統(tǒng)中的主要道路，快速路在整個(gè)城市交通系統(tǒng)中發(fā)揮著重要作用，如上海快速路道路面積占市中心道路面積的5%，卻承擔(dān)了市中心20%的交通量［1］.因交通事件引起的擁堵已占上海快速路總擁堵的50%～75%［2］.準(zhǔn)確、及時(shí)的交通事件自動(dòng)檢測(automatic incident detection，AID)算法可減少因交通事故造成的擁堵時(shí)間，降低人員傷亡以及財(cái)產(chǎn)損失.

目前，流行的交通數(shù)據(jù)采集設(shè)備是環(huán)形線圈檢測器和視頻檢測器.與視頻檢測器相比，環(huán)形線圈檢測器因具有價(jià)格適中，在雨、霧等惡劣天氣下仍可正常工作等優(yōu)勢，而被廣泛應(yīng)用.以線圈數(shù)據(jù)為基礎(chǔ)的AID 算法包括模式識別、統(tǒng)計(jì)預(yù)測、時(shí)間序列、交通流理論、智能檢測5 類，代表算法分別為California 算法［3］、貝葉斯算法［4］、自回歸綜合移動(dòng)平均算法［5］、小波算法［6］以及神經(jīng)網(wǎng)絡(luò)算法［7］.這些算法均存在缺陷:California 算法誤警率高;貝葉斯算法復(fù)雜;自回歸綜合移動(dòng)平均算法復(fù)雜，誤警率高;小波算法檢測率低;神經(jīng)網(wǎng)絡(luò)算法復(fù)雜［8-9］.此外，以上算法對低流量狀態(tài)下的事件檢測效果極差.

本文提出一種既能保證較高檢測率(detection rate)和較低誤報(bào)率(false alarm rate)，又適用于各種流量的快速路AID 算法.

1 數(shù)據(jù)來源

本文提取了某城市快速路高架上的交通流歷史數(shù)據(jù)進(jìn)行研究.該路段全長約14 km，包括主線、8 個(gè)出入口匝道和3 個(gè)立交，全程無信號控制.

由于快速路主線、匝道與高架上的交通流沖突類型、車輛運(yùn)行特征存在差異［10］，匝道分流點(diǎn)、合流點(diǎn)以及減速連接部、加速連接部處布設(shè)檢測器［11］.主線處，平均每500 m 左右設(shè)置一個(gè)檢測截面，共布設(shè)88 組檢測器.匝道進(jìn)口和出口附近各設(shè)置一個(gè)檢測截面，共布設(shè)42 組檢測器.路段兩端立交匝道出入口各設(shè)置一個(gè)檢測截面;第3 個(gè)立交出入口匝道上布設(shè)間距約200 m 的2 個(gè)檢測截面，立交共布設(shè)30 個(gè)檢測器.已有研究認(rèn)為，事件檢測中檢測器間距在200～500 m 之間是合適的，由此可知，本文中檢測器布設(shè)間距合理［12］.

檢測器可采集流量、地點(diǎn)平均車速(簡稱速度)和時(shí)間占有率(簡稱占有率)等參數(shù)，采集間隔為5 min.采集時(shí)間為2008-04-24—2008-05-26 每周的第1 個(gè)工作日.數(shù)據(jù)采集期間天氣晴好，路段沿線無大型活動(dòng)和特殊交通管制，共采集了191 起交通事件，東側(cè)主線、東側(cè)匝道、西側(cè)主線、西側(cè)匝道各75，31，56，29 起.東側(cè)數(shù)據(jù)用于交通事故數(shù)據(jù)特征分析和建模，西側(cè)數(shù)據(jù)用于驗(yàn)證模型的有效性.

2 理論基礎(chǔ)

2.1 時(shí)間序列

交通事故的時(shí)間序列包含事故發(fā)生、發(fā)展趨勢，可用于設(shè)計(jì)AID 算法［13］.圖1給出了交通量數(shù)據(jù)時(shí)間序列.其中，x 軸為橫向時(shí)間序列，指數(shù)據(jù)以24 h 為坐標(biāo)軸進(jìn)行排列的序列;y 軸為縱向時(shí)間序列，指數(shù)據(jù)以相同工作日(如周一)為坐標(biāo)軸進(jìn)行排列的序列;z 軸為流量(輛/min).

圖1 交通量數(shù)據(jù)時(shí)間序列

現(xiàn)有的AID 算法多以橫向時(shí)間序列上的數(shù)據(jù)為研究基礎(chǔ)，對數(shù)據(jù)的穩(wěn)定性和正態(tài)擬合性要求較高.本文利用均值標(biāo)準(zhǔn)誤差(standard error of mean，SEM)和Kolmogorov-Smirnov 正態(tài)性檢驗(yàn)對比分析2 種時(shí)間序列上數(shù)據(jù)的波動(dòng)性和正態(tài)擬合性，以選擇更適合建模需求的時(shí)間序列.

圖1中，橫向時(shí)間序列交通流變化趨勢復(fù)雜，為降低其波動(dòng)性，根據(jù)其變化趨勢，將橫向時(shí)間分為4 段:①低峰，00:00—04:30;②激增，04:35—07:30;③高峰，07:35—17:30;④緩降，17:35—00:00.各階段的SEM 值和Kolmogorov-Smirnov驗(yàn)證結(jié)果(P)如表1所示，其中，SEM 值越大，說明數(shù)據(jù)波動(dòng)性越大;P 為顯著性水平，若P ＞0.05，表示沒有足夠證據(jù)證明樣本不符合正態(tài)分布，反之，表示數(shù)據(jù)不符合正態(tài)分布.

表1 SEM 值與Kolmogorov-Smirnov 檢驗(yàn)

表1中，橫向時(shí)間序列上數(shù)據(jù)的SEM 值約為縱向時(shí)間序列的2～3 倍，說明縱向時(shí)間序列更穩(wěn)定;縱向時(shí)間序列上數(shù)據(jù)的P 值均大于0.05，說明縱向時(shí)間序列正態(tài)擬合性更好.因此，本文選擇數(shù)據(jù)波動(dòng)性更小、正態(tài)擬合性更顯著的縱向時(shí)間序列上的數(shù)據(jù)為建模基礎(chǔ)，建立快速路AID 算法.

2.2 突變理論

突變理論研究從一種穩(wěn)定組態(tài)躍遷到另一種穩(wěn)定組態(tài)的現(xiàn)象和規(guī)律，能較好地解釋和預(yù)測自然界和社會(huì)上的突然現(xiàn)象［14］.交通事件下的交通流變化趨勢符合突變現(xiàn)象.未發(fā)生事件時(shí)，交通流參數(shù)在一定范圍內(nèi)小幅上下波動(dòng);事件發(fā)生前期，交通流參數(shù)急劇降低;事件持續(xù)期間，交通流參數(shù)基本穩(wěn)定在一定范圍內(nèi);事件發(fā)生后期，交通流參數(shù)急劇增加;事件結(jié)束，交通流參數(shù)在一定范圍內(nèi)小幅波動(dòng).交通參數(shù)的突變特征可歸納為:

①多模態(tài).事件未發(fā)生和發(fā)生時(shí)，交通流參數(shù)在不同區(qū)間內(nèi)上下波動(dòng).

②不可達(dá).未發(fā)生事件時(shí)，交通流參數(shù)所在區(qū)間是事件過程中的參數(shù)不能達(dá)到范圍，反之亦然.

③突跳.事件發(fā)生時(shí)，交通流參數(shù)由一個(gè)穩(wěn)定的數(shù)值范圍突然跳到另一個(gè)穩(wěn)定的數(shù)值范圍，這種變化是不連續(xù)的.

3 模型建立

3.1 參數(shù)選取

參數(shù)的選擇關(guān)系到AID 算法的效果.已有的AID 算法多采用占有率或流量作為輸入?yún)?shù).事件發(fā)生時(shí)，單位車輛通過檢測器的時(shí)間增加，導(dǎo)致占有率增大;交通擁堵時(shí)，占有率亦可能增大.單純從占有率判斷是否發(fā)生交通事件不盡合理，流量存在同樣的問題.這表明，依靠單個(gè)交通參數(shù)無法很好地體現(xiàn)交通流運(yùn)行狀態(tài).事件發(fā)生過程中，占有率數(shù)值明顯增大，流量、速度明顯降低.因此，本文利用環(huán)形線圈檢測到的事件狀態(tài)下的流量、速度和占有率3 個(gè)參數(shù)設(shè)計(jì)新的AID 算法.

3.2 交通事件影響指數(shù)

根據(jù)統(tǒng)計(jì)理論和突變理論，提出交通事件影響指數(shù)I.I 定義為交通流參數(shù)預(yù)測值與實(shí)測值之比，計(jì)算公式如下:

式中，Ip(t)為t 時(shí)刻p 地點(diǎn)的交通事件影響指數(shù);qp(t)為t 時(shí)刻p 地點(diǎn)的實(shí)測流量;vp(t)為t 時(shí)刻p地點(diǎn)的實(shí)測速度;op(t)為t 時(shí)刻p 地點(diǎn)的實(shí)測占有率;^qp(t)為正常交通狀態(tài)下t 時(shí)刻p 地點(diǎn)的預(yù)測流量;^vp(t)為正常交通狀態(tài)下t 時(shí)刻p 地點(diǎn)的預(yù)測速度;^op(t)為正常交通狀態(tài)下t 時(shí)刻p 地點(diǎn)的預(yù)測占有率.

事件發(fā)生后車流可能靜止，為防止檢測器檢測到的占有率為0，占有率加上一個(gè)常數(shù)0.001.

由于縱向時(shí)間序列穩(wěn)定性好，從預(yù)測的簡易性考慮，用移動(dòng)平均法預(yù)測交通參數(shù)，即

預(yù)測精度取決于時(shí)間窗口尺度n.若n ＜3，預(yù)測數(shù)據(jù)精度小于90%;若n ＞8，即2 個(gè)月后，預(yù)測數(shù)據(jù)精度降低，這是由于交通流具有季節(jié)性.因此，n∈(3，8).

3.3 交通事件影響指數(shù)特征分析

預(yù)測值由正常交通狀態(tài)下的歷史數(shù)據(jù)計(jì)算得到.未發(fā)生事件時(shí)，預(yù)測值與實(shí)測值相差不大，I 在數(shù)值1 左右波動(dòng);事件發(fā)生時(shí)，分母中的qp(t)和vp(t)降低，op(t)增大，實(shí)測值顯著降低，預(yù)測值明顯大于實(shí)測值，I 值遠(yuǎn)遠(yuǎn)大于1.事件狀態(tài)下的I 值變化特征如圖2所示.

圖2 事件狀態(tài)下的事故影響指數(shù)變化趨勢

3.4 確定閾值

本文利用I 值累積分布曲線(見圖3)及檢測率(RD)和誤報(bào)率(RFA)關(guān)系曲線(見圖4)確定交通事件判斷的閾值.圖3中，RD值等于100%減去該閾值下的累積百分?jǐn)?shù).I =8 時(shí)，RD=100%;I=9 時(shí)，RD=95%;I=10 時(shí)，RD=90%;I =11 時(shí)，RD=85%.圖4中，I =8 時(shí)，RFA=36.72%;I =9時(shí)，RFA=27.18%;I =10 時(shí)，RFA=1.69%;I =11時(shí)，RFA降至0%.由以上結(jié)果分析得出，閾值應(yīng)取10.

基于以上原因，“是否發(fā)生交通事件”的問題就歸結(jié)為“在t 時(shí)刻的I 值是否屬于某個(gè)區(qū)間”的下述檢驗(yàn)問題:

原假設(shè)H I∈(0，10)

對立假設(shè)K I?［10，+∞)

假設(shè)成立，未發(fā)生事件;反之，發(fā)生事件.

圖3 事故影響指數(shù)的頻率及累積頻率

圖4 RD-RFA曲線

4 模型驗(yàn)證

4.1 對比檢驗(yàn)

一般用檢測率RD、誤報(bào)率RFA和平均檢測時(shí)間DMTT三個(gè)指標(biāo)檢測AID 算法的性能.作為經(jīng)典的AID 算法，California 算法應(yīng)用效果已在實(shí)際應(yīng)用中得到充分證明，本文利用California 算法驗(yàn)證本文提出的事件數(shù)據(jù)影響指數(shù)算法的性能，對比結(jié)果見表2.

表2 檢測結(jié)果對比 %

由表2可以得出以下結(jié)論:

1)California 算法RD=85%，事件數(shù)據(jù)影響指數(shù)算法RD=94.56%，后者的RD值比前者高近10%，說明本文算法的檢測率可以滿足檢測率要求.

2)California 算法RFA=0.64%，事件數(shù)據(jù)影響指數(shù)算法RFA=0%，后者的誤報(bào)率低于前者，說明本文算法基本不會(huì)誤判交通事件.

3)若以California 算法檢測出事件的時(shí)間為參考時(shí)間，本文算法可提前5 min 檢測出交通事件.

權(quán)衡RD，RFA及DMTT三個(gè)評價(jià)指標(biāo)，可以發(fā)現(xiàn)本文算法的檢測效果更好.

4.2 不同閾值檢測效果對比

西側(cè)主線、西側(cè)匝道的交通事故數(shù)分別為56，29.當(dāng)閾值為12，11，10，9，8 時(shí)，西側(cè)主線檢測出的交通事故數(shù)分別為38，42，54，55，56，被誤判的交通事故數(shù)為0，0，0，1，7;西側(cè)匝道檢測出的事故數(shù)為22，25，28，29，29，被誤判的交通事故數(shù)為0，0，0，2，5.

不同閾值下的RD和RFA值如表3所示.對西側(cè)主線而言，RD= 100% 時(shí)，閾值為8，RFA=12.50%;閾值為10，11，12 時(shí)，RFA均為0%，RD值分別為94.64%，75.00%和67.86%.

表3 不同閾值下的檢測結(jié)果 %

為了保證誤檢率和檢測率均達(dá)到最優(yōu)，選擇I=10 作為閾值.同理，西側(cè)匝道的交通事件檢測方法的最優(yōu)閾值同樣為10.此結(jié)果說明了本文提出的閾值確定方法是正確的.

4.3 不同流量情況下的檢測效果

圖5中，事件1，2，3，4 的發(fā)生時(shí)段分別為0:55—1:15，5:55—6:05，15:15—15:50，20:20—20:55，其中，事件1，2，3 為一次事故，事件4 為二次事故.結(jié)合圖1中交通流量的4 個(gè)時(shí)段，事件1發(fā)生在低峰時(shí)段，事件2 發(fā)生在流量激增時(shí)段，事件3 發(fā)生在高峰時(shí)段，事件4 發(fā)生在流量緩降時(shí)段.

圖5 不同流量下的事故影響指數(shù)變化趨勢

由圖5可得到以下結(jié)論:

1)大于閾值的I 值所在時(shí)間內(nèi)均發(fā)生交通事件;小于閾值的I 值所在時(shí)間內(nèi)均未發(fā)生交通事件.

2)事件發(fā)生過程中，當(dāng)I 值變化曲線為U 形曲線時(shí)，表示本次事件發(fā)生了二次事故，如事件4所示.

3)I 值對低流量比高流量更敏感，說明本方法不僅能在高峰、平峰時(shí)段檢測出交通事件，對低流量時(shí)發(fā)生的交通事件檢測效果更好，即本文算法適用于各種流量.

4)未發(fā)生事件時(shí)，I 值在1 左右上下浮動(dòng)，浮動(dòng)范圍不超過10;發(fā)生事件時(shí)，I 值突變，突變幅度很大，說明本文算法的檢測性能不受交通流變化趨勢的影響，只受交通事件的影響.這也解釋了本文算法比California 算法檢測性能更好的原因，同時(shí)說明了本文算法的閾值更容易確定.

5 結(jié)論

1)本文算法的檢測率比California 算法高出近10%，誤檢率為0，可提前5 min 檢測出交通事件.說明本文算法具有良好的性能.

2)I 值在低流量時(shí)比高流量反應(yīng)更敏感，說明本算法不僅能在高峰、平峰時(shí)段檢測出交通事件，對低流量時(shí)發(fā)生的交通事件檢測效果更好，即本文算法適用于各種流量的情況.

3)本文算法的檢測性能不受交通流變化趨勢的影響，只受交通事件的影響.

References)

［1］唐海雯.實(shí)時(shí)監(jiān)控 及時(shí)處置 為排堵保暢做貢獻(xiàn)［J］.交通與運(yùn)輸，2006(2):10-11.

［2］姬楊蓓蓓，張小寧，孫立軍.基于貝葉斯決策樹的交通事件持續(xù)時(shí)間預(yù)測［J］.同濟(jì)大學(xué)學(xué)報(bào):自然科學(xué)版，2008，36(3):319-324.

Jiyang Beibei，Zhang Xiaoning，Sun Lijun.Incident duration prediction grounded on Bayesian decision method based tree algorithm［J］.Journal of Tongji University:Natural Science，2008，36(3):319-324.(in Chinese)

［3］Payne H J，Helfenbein E D，Knobel H C.Development and testing of incident detection algorithms［R］.Washington，DC，USA:Federal Highway Administration，1976.

［4］Abuelela M，Olariu S.Automatic incident detection in VANETs:a Bayesian approach［C］//IEEE Vehicular Technology Conference.Barcelona，Spain，2009:1-5.

［5］Moynihan G P，F(xiàn)onseca D J，Brumback T，et al.Design of a decision support system for road incident detection and characterization［C］//Proceedings of the 2009 ASCE International Workshop on Computing in Civil Engineering.Austin，USA，2009:613-322.

［6］Jeong Y-S，Castro-Neto M，Jeong M K，et al.A wavelet-based freeway incident detection algorithm with adapting threshold parameters［J］.Transportation Research Part C，2009，19(1):1-19.

［7］Ritchie S G，Cheu R L.Simulation of freeway incident detection using artificial neural networks［J］.Transportation Research Part C，1993，1(3):203-217.

［8］Jian L，Shuyan C，Wei W.A hybrid model of partial least squares and neural network for traffic incident detection［J］.Expert Systems with Applications，2012，39(5):4775-4784.

［9］Subramaniam S.Literature review of incident detection algorithms to initiative diversion strategies［R］.Blacksburg，VA，USA:Virginia Polytechnic Institute，1991.

［10］王欣，李文權(quán)，王煒.基于駕駛行為共性的回波速度解釋及仿真［J］.東南大學(xué)學(xué)報(bào):自然科學(xué)版，2007，37(4):691-694.

Wang Xin，Li Wenquan，Wang Wei.Interpreting and emulating echo wave speed based on common characteristics of driving behavior［J］.Journal of Southeast University:Natural Science Edition，2007，37(4):691-694.(in Chinese)

［11］陳雨人，鄭仕文，童世鑫，等.區(qū)域高速公路網(wǎng)絡(luò)交通事件傳感器布設(shè)方法研究［J］.公路交通科技，2010，27(11):143-148.

Chen Yuren，Zheng Shiwen，Tong Shixin，et al.Study on deployment of traffic incident detectors for regional expressway network［J］.Journal of Highway and Transportation Research and Development，2010，27(11):143-148.(in Chinese)

［12］Awadallah F.Incident detection:selection of appropriate technologies and methodologies［J］.Road Transport Research，2002，11(2):50-56.

［13］Daniel D G，F(xiàn)rancisco J，David G O.Wavelet-based denoising for traffic volume time series forecasting with self-organizing neural networks ［J］.Computer-Aided Civil and Infrastructure Engineering，2010，25(7):530-545.

［14］Stamovlasis D，Tsaparlis G.Applying catastrophe theory to an information-processing model of problem solving in science education ［J］.Science Education，2010，96(3):392-410.