快速路交通事件檢測方法

李紅偉 陸 鍵 姜桂艷 馬永鋒

(1東南大學交通學院,南京 210096)

(2上海交通大學船舶海洋與建筑工程學院,上海 200240)

(3吉林大學交通學院,長春 130022)

作為城市路網系統中的主要道路,快速路在整個城市交通系統中發揮著重要作用,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]．準確、及時的交通事件自動檢測(automatic incident detection,AID)算法可減少因交通事故造成的擁堵時間,降低人員傷亡以及財產損失．

目前,流行的交通數據采集設備是環形線圈檢測器和視頻檢測器．與視頻檢測器相比,環形線圈檢測器因具有價格適中,在雨、霧等惡劣天氣下仍可正常工作等優勢,而被廣泛應用．以線圈數據為基礎的AID算法包括模式識別、統計預測、時間序列、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]、自回歸綜合移動平均算法[5]、小波算法[6]以及神經網絡算法[7]．這些算法均存在缺陷：California算法誤警率高;貝葉斯算法復雜;自回歸綜合移動平均算法復雜,誤警率高;小波算法檢測率低;神經網絡算法復雜[8-9]．此外,以上算法對低流量狀態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)和較低誤報率(false alarm rate),又適用于各種流量的快速路AID算法．

1 數據來源

本文提取了某城市快速路高架上的交通流歷史數據進行研究．該路段全長約14km,包括主線、8個出入口匝道和3個立交,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、車輛運行特征存在差異[10],匝道分流點、合流點以及減速連接部、加速連接部處布設檢測器[11]．主線處,平均每500m左右設置一個檢測截面,共布設88組檢測器．匝道進口和出口附近各設置一個檢測截面,共布設42組檢測器．路段兩端立交匝道出入口各設置一個檢測截面;第3個立交出入口匝道上布設間距約200m的2個檢測截面,立交共布設30個檢測器．已有研究認為,事件檢測中檢測器間距在200～500m之間是合適的,由此可知,本文中檢測器布設間距合理[12]．

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

2 理論基礎

2.1 時間序列

交通事故的時間序列包含事故發生、發展趨勢,可用于設計AID算法[13]．圖1給出了交通量數據時間序列.其中，x軸為橫向時間序列，指數據以24h為坐標軸進行排列的序列;y軸為縱向時間序列，指數據以相同工作日(如周一)為坐標軸進行排列的序列；z軸為流量(輛/min)．

圖1 交通量數據時間序列

現有的AID算法多以橫向時間序列上的數據為研究基礎,對數據的穩定性和正態擬合性要求較高．本文利用均值標準誤差(standard error of mean,SEM)和Kolmogorov-Smirnov正態性檢驗對比分析2種時間序列上數據的波動性和正態擬合性,以選擇更適合建模需求的時間序列．

圖1中,橫向時間序列交通流變化趨勢復雜,為降低其波動性,根據其變化趨勢,將橫向時間分為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驗證結果(P)如表1所示,其中,SEM值越大,說明數據波動性越大;P為顯著性水平,若P>0.05,表示沒有足夠證據證明樣本不符合正態分布,反之,表示數據不符合正態分布．

表1 SEM值與Kolmogorov-Smirnov檢驗

表1中,橫向時間序列上數據的SEM值約為縱向時間序列的2～3倍,說明縱向時間序列更穩定;縱向時間序列上數據的P值均大于0.05,說明縱向時間序列正態擬合性更好．因此,本文選擇數據波動性更小、正態擬合性更顯著的縱向時間序列上的數據為建模基礎,建立快速路AID算法．

2.2 突變理論

突變理論研究從一種穩定組態躍遷到另一種穩定組態的現象和規律,能較好地解釋和預測自然界和社會上的突然現象[14]．交通事件下的交通流變化趨勢符合突變現象．未發生事件時,交通流參數在一定范圍內小幅上下波動;事件發生前期,交通流參數急劇降低;事件持續期間,交通流參數基本穩定在一定范圍內;事件發生后期,交通流參數急劇增加;事件結束,交通流參數在一定范圍內小幅波動．交通參數的突變特征可歸納為:

① 多模態．事件未發生和發生時,交通流參數在不同區間內上下波動．

② 不可達．未發生事件時,交通流參數所在區間是事件過程中的參數不能達到范圍,反之亦然．

③ 突跳．事件發生時,交通流參數由一個穩定的數值范圍突然跳到另一個穩定的數值范圍,這種變化是不連續的．

3 模型建立

3.1 參數選取

參數的選擇關系到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參數．事件發生時,單位車輛通過檢測器的時間增加,導致占有率增大；交通擁堵時,占有率亦可能增大．單純從占有率判斷是否發生交通事件不盡合理,流量存在同樣的問題．這表明,依靠單個交通參數無法很好地體現交通流運行狀態．事件發生過程中,占有率數值明顯增大，流量、速度明顯降低．因此,本文利用環形線圈檢測到的事件狀態下的流量、速度和占有率3個參數設計新的AID算法．

3.2 交通事件影響指數

根據統計理論和突變理論,提出交通事件影響指數I．I定義為交通流參數預測值與實測值之比,計算公式如下:

(1)

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

由于縱向時間序列穩定性好,從預測的簡易性考慮,用移動平均法預測交通參數,即

(2)

預測精度取決于時間窗口尺度n．若n<3,預測數據精度小于90%；若n>8,即2個月后,預測數據精度降低，這是由于交通流具有季節性．因此,n∈(3,8)．

3.3 交通事件影響指數特征分析

預測值由正常交通狀態下的歷史數據計算得到.未發生事件時,預測值與實測值相差不大,I在數值1左右波動;事件發生時,分母中的qp(t)和vp(t)降低，op(t)增大,實測值顯著降低,預測值明顯大于實測值,I值遠遠大于1．事件狀態下的I值變化特征如圖2所示.

圖2 事件狀態下的事故影響指數變化趨勢

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)和誤報率(RFA)關系曲線(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數．I=8時,RD=100%;I=9時,RD=95%;I=10時,RD=90%;I=11時,RD=85%．圖4中,I=8時,RFA=36.72%;I=9時,RFA=27.18%;I=10時,RFA=1.69%;I=11時,RFA降至0%．由以上結果分析得出,閾值應取10．

基于以上原因,“是否發生交通事件”的問題就歸結為“在t時刻的I值是否屬于某個區間”的下述檢驗問題:

原假設HI∈(0,10)

對立假設KI?[10,+∞)

假設成立,未發生事件;反之,發生事件．

圖4 RD-RFA曲線

4 模型驗證

4.1 對比檢驗

一般用檢測率RD、誤報率RFA和平均檢測時間DMTT三個指標檢測AID算法的性能．作為經典的AID算法,California算法應用效果已在實際應用中得到充分證明,本文利用California算法驗證本文提出的事件數據影響指數算法的性能,對比結果見表2．

表2 檢測結果對比 %

由表2可以得出以下結論:

1) California算法RD=85%,事件數據影響指數算法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%,事件數據影響指數算法RFA=0%,后者的誤報率低于前者，說明本文算法基本不會誤判交通事件．

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

權衡RD,RFA及DMTT三個評價指標,可以發現本文算法的檢測效果更好．

4.2 不同閾值檢測效果對比

西側主線、西側匝道的交通事故數分別為56,29．當閾值為12,11,10,9,8時,西側主線檢測出的交通事故數分別為38,42,54,55,56,被誤判的交通事故數為0,0,0,1,7;西側匝道檢測出的事故數為22，25,28,29,29,被誤判的交通事故數為0,0,0,2,5．

不同閾值下的RD和RFA值如表3所示．對西側主線而言,RD=100%時,閾值為8,RFA=12.50%;閾值為10,11,12時,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果 %

為了保證誤檢率和檢測率均達到最優,選擇I=10作為閾值．同理,西側匝道的交通事件檢測方法的最優閾值同樣為10．此結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的發生時段分別為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．結合圖1中交通流量的4個時段,事件1發生在低峰時段,事件2發生在流量激增時段,事件3發生在高峰時段,事件4發生在流量緩降時段．

圖5 不同流量下的事故影響指數變化趨勢

由圖5可得到以下結論:

1) 大于閾值的I值所在時間內均發生交通事件;小于閾值的I值所在時間內均未發生交通事件．

2) 事件發生過程中,當I值變化曲線為U形曲線時,表示本次事件發生了二次事故,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、平峰時段檢測出交通事件,對低流量時發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) 未發生事件時,I值在1左右上下浮動,浮動范圍不超過10;發生事件時,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,同時說明了本文算法的閾值更容易確定．

5 結論

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5min檢測出交通事件．說明本文算法具有良好的性能．

2)I值在低流量時比高流量反應更敏感,說明本算法不僅能在高峰、平峰時段檢測出交通事件,對低流量時發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．

)

[1]唐海雯.實時監控 及時處置 為排堵保暢做貢獻[J].交通與運輸,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時間預測[J].同濟大學學報:自然科學版,2008,36(3): 319-324.

Jiyang Beibei,Zhang Xiaoning,Sun Lijun.Incident duration prediction grounded on Bayesian decision method based tree algorithm[J].JournalofTongjiUniversity:NaturalScience,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]//IEEEVehicularTechnologyConference.Barcelona,Spain,2009:1-5.

[5]Moynihan G P,Fonseca D J,Brumback T,et al.Design of a decision support system for road incident detection and characterization [C]//Proceedingsofthe2009ASCEInternationalWorkshoponComputinginCivilEngineering.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].TransportationResearchPartC,2009,19(1):1-19.

[7]Ritchie S G,Cheu R L.Simulation of freeway incident detection using artificial neural networks[J].TransportationResearchPartC,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].ExpertSystemswithApplications,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,王煒.基于駕駛行為共性的回波速度解釋及仿真[J].東南大學學報:自然科學版,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].JournalofSoutheastUniversity:NaturalScienceEdition,2007,37(4):691-694.(in Chinese)

[11]陳雨人,鄭仕文,童世鑫,等.區域高速公路網絡交通事件傳感器布設方法研究[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].JournalofHighwayandTransportationResearchandDevelopment,2010,27(11):143-148.(in Chinese)

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

[13]Daniel D G,Francisco J,David G O.Wavelet-based denoising for traffic volume time series forecasting with self-organizing neural networks [J].Computer-AidedCivilandInfrastructureEngineering,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].ScienceEducation,2010,96(3):392-410.