基于數據驅動的高速公路隧道交通安全系統分析與決策方法

蒲雯++姚慶華

DOI：10.16661/j.cnki.1672-3791.2017.22.061

摘 要：隨著自動化和信息化技術的飛速發展，傳統的高速隧道交通安全分析與決策模式已無法滿足實際需要，同時具備感知能力的智能交通設備及數據采集裝置在交通安全領域得以廣泛使用，隧道交通安全系統分析與決策過程呈現出明顯的大數據特征，因此該文提出一種基于數據驅動的高速隧道交通安全分析與決策模式和該模式下的方法論體系，主要包括交通安全設備數據采集、多維多源異構監測數據預處理及其分析方法，隧道交通安全系統運行的預測方法，動態監測數據多尺度時序分析，監測數據關系網絡建模與關聯分析，隧道設備運行狀態演化規律與預測等關鍵技術，所提模式將對實現數據驅動的高速交通安全運行具有非常重要的意義。

關鍵詞：交通安全系統分析 數據驅動 大數據 分析與決策

中圖分類號：U45 文獻標識碼：A 文章編號：1672-3791（2017）08（a）-0061-05

A New Analysis and Decision-making Method of Highway Tunnel Traffic Safety System Based on Data Driven

Pu Wen Yao Qinghua

（Traffic Science Research Institute of Yunnan Province， Kunming Yunnan， 650011， China）

Abstract： Withthe rapid development of automation and information technology， the model of traditional highway tunnel traffic safety analysis and decision-making has been unable to meet the actual needs. Meanwhile， intelligent traffic equipment with perception capability and the data acquisition devices with sensing capability are widely used in the field of traffic safety. The analysis of highway tunnel safety system and its process of decision-making show characteristics of big data obviously， so this paper put forward a model about analysis and decision-making of highway tunnels traffic safety system which based on data driven， the methodology of this model mainly includes data acquisition method， analysis method of preprocessing of heterogeneous data which is multi-dimensional and multi-source， prediction method of tunnels traffic safety system， the multi-scale timing analysis method of dynamic data， monitoring data network modelling and analysis method， evolution law and prediction of running state of tunnel equipment. The proposed model will be very important for the realization of highway traffic safety operation based on data driven.

Key Words： Traffic safety system analysis； Data driven； Big-data； Analysis and decision-making

近年來中國在高速交通運輸方面的發展已取得了舉世矚目的成就，但目前我國高速公路行業發展仍存在大量的挑戰，如高速公路隧道機電系統設備種類多、數量大，故障種類繁雜難以遠程辨識，故障地點模糊等[1，2]。為解決這些問題，需要從隧道交通安全監測數據著手，對高速隧道交通安全系統監測數據進行分析，針對系統中可能出現的特性問題，做到點對點調控優化，并不斷加強這方面的推廣運用，對高速隧道交通安全系統持續優化，這對于保障國民安全及財產具有極為重要的作用。

隨著信息化和自動化技術的高速發展以及具備感知能力的智能交通設備及數據采集裝置的大量使用，使得隧道交通安全系統運行監測數據更為準確、全面，致使高速隧道交通安全分析與決策過程[3-5]呈現出明顯的大數據特征[6，7]，因此，該文以信息數據為出發點，對高速隧道交通安全系統的監測數據進行數據挖掘分析，提出一種基于數據驅動的高速隧道交通安全分析與決策的新模式，進而提出高速隧道交通安全設備運行分析與預測的方法論體系，實現高速隧道交通安全系統的智能決策。通過構建高速隧道交通安全物理監測系統，實現對系統監測數據的采集，同時利用數據挖掘技術量化數據值之間的數理關系，進而快捷、清楚地分析事物間的內在聯系，最終實現高速隧道交通安全運行情況的準確分析及智能決策。endprint

1 大數據驅動下的高速隧道交通安全物理監測系統構建

由于高速隧道交通安全系統運行分析與決策的新模式是基于數據驅動而實現，所以隧道交通安全各子系統監測數據的重要性不言而喻。通過對高速隧道交通安全物理監測系統搭建，以具備感知能力的多元化智能設備以及數據采集裝置的整體性排布，實現對設備本身以及各子系統監測數據的全面采集，為高速隧道交通安全系統各參數的數據分析提供可靠而有效的數據源。

隧道交通安全監測系統主要依靠安裝在系統中的不同種類傳感器的監測，輔以工人實際檢測以及視頻監控來確保監測數據的真實性，再通過監測網絡實現數據傳輸到系統客戶端，并在客戶端實現對數據的正確分析，進而通過控制網絡對遇到的問題做出正確的決策?；跀祿寗拥母咚偎淼澜煌ò踩O測物理系統如圖1所示。

隧道內部的物理監測系統主要依賴大量的傳感器來實現監測數據的采集，所以依據隧道交通安全的特性，大數據驅動下的高速隧道交通安全物理監測傳感系統的排布如圖2所示。

2 大數據驅動下高速交通安全系統運行分析與預測新模式

將從高速公路隧道機電監測系統實時采集到的海量可靠數據，面向安全主題聚類到非關系型數據倉庫，對多樣化數據進行組織，再通過數據挖掘，以關聯規則或相關系數等方法分析數據間的關聯關系。例如，通過發現各系統數據缺陷分布模式對交通安全所引起的顯著波動，可以得到數據與各系統運行的內在規律。然后利用深度神經網絡等機器學習方法，基于流式數據系統的良好伸縮性，構建以交通安全各系統數據為輸入層、故障預測為輸出層的復雜結構深度神經網絡，利用各層的連接關系描述數據之間的相關性，實現隧道交通安全決策運行規律的描述與表達，從而根據既得數據分析結果實現故障的準確預測。通過對系統運行參數的動態調整，以避免特定缺陷分布情況的發生；同時通過設定預定數據，實現安全系統的定量反饋及調控規劃，促進交通安全系統的持續優化。

2.1 高速公路隧道交通安全設備運行分析

目前設備運行分析主要是在實時監控的基礎上輔以定時巡檢，利用狀態統計的方法，由人工分析完成。較為依賴技術運行人員的專業知識、經驗等[5]，傳統模式流程如圖3所示。

在利用大數據解決智能交通安全系統運行分析與決策問題的新思路中，首先基于大數據思維，將設備的狀態參數、運行參數以及性能指標數據化，通過聚類、序列模式挖掘、關聯等數據挖掘方法分析數據之間的關聯關系與數據變化對設備運行狀態影響下的演化規律，并建立設備性能預測模型；最后基于控制理論，從演化規律中找到關鍵參數進行定量控制，實現系統優化。基于以上思路，形成數據驅動的“分析+決策+調控+管理”新模式，如圖4所示。

分析是對隧道機電系統監測數據的關聯分析，在清洗、分類與集成等數據預處理的基礎上，構建監測數據時序模型，同時挖掘序列模式，實現數據的關聯分析，挖掘數據之間的影響規律。

決策是通過分析數據所得，描述交通安全系統設備運行過程與性能指標的內在關系。通過將交通安全的性能指標數據化，建立模型描述隧道交通安全設備運行過程數據對性能指標的影響規律，易于規劃交通安全系統運行解決故障的決策方法。

調控指基于交通安全系統故障預測模型，找到系統運行過程中的關鍵參數并進行控制。通過確定影響系統控制的關鍵參數，并運用規律知識，建立關于安全系統正常運行的性能指標以及運行參數的科學調控機制。

管理是指在系統調控之后對數據、決策結果以及系統反饋信息進行的綜合管理。

2.2 高速交通隧道安全系統的大數據預測

設備在使用的過程中必然會磨損和老化，交通企業為了延長機電設備的自然壽命，往往使用各種維修手段來保障設備處于良好的技術狀態。這樣也可以使交通企業提高維修人員和管理人員的技術水平，充分發揮設備的經濟價值。

從數據角度來對設備進行管理，依靠數據分析設備可行性，從而決定對該設備是否進行維修改造，或者直接對該設備進行報廢，進而對可能出現的問題做出預測。任何企業做出決策的依據應該是最大限度地挖掘和使用設備的效能和潛力，為使系統運行更為流暢，最大限度地優化設備及系統各參數。通過該文的大數據決策方法，可以更加準確高效地實現該決策行為。

3 大數據驅動下隧道交通安全系統運行分析與決策方法論體系

3.1 歷史交通安全設備及系統運行分析及決策方法

我國自新中國成立以來建成了多條特長高速公路隧道，技術方面也取得了突破性的進展，但在運營安全狀況監測領域卻不容樂觀[8-10]。根據隧道交通安全的特殊情況，目前傳統高速隧道交通安全設備系統運行及決策方法如圖5所示。但是當前高速公路隧道普遍存在交通運行空間小、火災不易消除、隧道洞口處的光亮易變等問題，極易引發交通安全問題，因此傳統模式下的交通安全決策方法已無法滿足當前的系統運行需求，有必要提出一種基于數據驅動的高速隧道交通安全決策方法，對于隧道交通安全的預防以及事故發生之后的調度決策具有重要意義。

3.2 基于數據驅動的隧道交通安全設備及系統運行分析及決策方法體系

在“分析+決策+調控+管理”這一決策新模式下，利用大數據解決交通安全設備運行分析與決策問題，需要實現交通安全設備數據預處理與分析、各系統運行分析與性能預測以及系統運行決策與性能優化。然而在這一過程中大量的數據關聯關系錯綜復雜，數據預處理與分析方法有必要進一步深入研究。根據以上分析，為更好地通過多維關系建立系統性能與參數間的因果關系實現性能預測，在基于數據驅動的隧道交通安全系統中，從智能設備排布、數據采集、智能分析、終端決策等獲取大數據的基礎上，通過數據預處理方法、設備數據時序分析方法與系統關系網絡建模方法建立聯系，系統運行狀態預測方法實現預測，系統決策方法實現決策，最終實現對系統運行關鍵參數的調控以及信息的智能化綜合管理。endprint

（1）隧道交通安全監測數據預處理。

系統運行過程中監測所得數據具有海量、多維、多尺度和多源異構等特性，數據必須經過預處理才能加以分析，所以對數據錯誤、數據沖突及重復等情況的過濾變得尤為重要。在此基礎上進一步研究多級優化的過濾規則，排除數據壞點，為隧道交通安全系統運行分析與決策提供更為可靠的數據庫。然后基于本體論構建全局數據模型，通過建立數據結構化文本的描述手段實現對數據的統一建模。最后通過稀疏矩陣建立大數據的稀疏表示框架，并對數據的不同維度聚類，形成參數多維分類視圖，方便系統運行分析與決策的實際運用。

（2）隧道交通安全監測數據時序分析。

建立系統運行過程多維數據的時間序列模型，針對數據的時間序列模式設計數據挖掘算法，揭示所采集的數據隨時間變化的規律，結合系統各階段各設備運行數據的環比圖突出顯示數據隨時間的變化，并采用多網格蒙特卡羅方法，建立時序數據集的離散化與均勻化過程模型，實現時序模型在不同時間尺度間的轉換；各系統數據的可視化展示與統計分析需要通過局部索引與控制器局域網覆蓋網絡全局索引，結合增量式索引更新器，實現數據多維分類視圖中對時間序列的快速索引，建立數據時序模型；之后基于小波變換獲取動態監測數據時序模型的頻域譜，通過設置適當過濾閾值，獲得平穩時序模型，再次針對序列模式挖掘，確定數據隨時間的變化規律。

（3）隧道交通安全數據關系網絡建模。

由于區域道路交通環境各異，采取分布式分段監測即區間性能測定法，根據不同設備的性能指標參數對系統性能進行測定并分析。各子系統運行監測所得數據存在相互影響，交通安全系統大數據關系網絡建模方法在數據挖掘算法的基礎上，利用復雜網絡理論描述系統及數據之間的關聯規則和相關系數。

（4）隧道交通安全系統及設備運行狀態預測。

運行狀態的預測方法主要針對系統運行過程中的時變性，學習與運用系統及設備的運行規律，完成系統及設備性能的準確預測。

（5）隧道交通安全系統及設備運行狀態決策。

將系統運行的性能預測值與目標決策值進行實時對比，通過關鍵參數對系統的影響進行及時調整，優化系統，如設備壽命智能決策方法和系統智能調度方法。

（6）隧道交通安全系統信息綜合管理。

將系統運行過程中采集的監測數據、數據分析結果、決策結果、反饋效果等信息在系統平臺進行綜合管理。

4 結語

該文針對高速隧道交通安全系統運行過程中產生的海量、多源、高維、異構隧道交通安全系統運行監測數據，考慮其動態不確定特性，提出一種基于大數據驅動下隧道交安系統運行分析與決策新模式。在此基礎上，提出實現大數據驅動的智能高速交通安全系統運行分析與決策的方法體系。后續工作將以此系統智能化程度較高的設備與系統為應用背景，從提高判斷率、提升預測精確度、降低設備故障率、提高設備利用率等角度出發，形成具體的高速交通安全系統運行分析與決策新方法，從而輔助國家快速高效地進行系統安全性分析，實現基于數據驅動的智能交通安全系統統籌規劃。

參考文獻

[1] 仇在林，李柄成，張小旺.高速公路隧道交通安全影響因素分析[J].交通建設與管理月刊，2015（3）：379-382.

[2] 陳君，李聰穎，丁光明.基于BP神經網絡的高速公路交通安全評價[J].同濟大學學報：自然科學版，2008，36（7）：927-931.

[3] 程學旗，靳小龍，王元卓，等.大數據系統和分析技術綜述[J].軟件學報，2014（9）：1889-1908.

[4] 靳小龍，王元卓，程學旗.大數據的研究體系與現狀[J].信息通信技術，2013（6）：35-43.

[5] 王長敬，趙寧.對高速公路機電集控技術的研究[J].電氣應用，2010（12）：60-63.

[6] 張潔，高亮，秦威，等.大數據驅動的智能車間運行分析與決策方法體系[J].計算機集成制造系統，2016，22（5）：1220-1228.

[7] 王富，熊烈強，李杰.高速公路交通流數據檢測技術[J].公路，2005（12）：120-124.

[8] 方顯華，吳國進，劉慶功.高速公路供配電系統淺析與故障排除[J].筑路機械與施工機械化，2005，22（9）：61-62.

[9] 李晗，蕭德云.基于數據驅動的故障診斷方法綜述[J].控制與決策，2011，26（1）：1-9.

[10] 晉保國.數據挖掘在高速公路機電設備故障預測中的應用研究[J].交通世界：工程技術，2015（23）：84-85.endprint