基于NGSIM數據的車輛瞬時速度獲取方法

劉東亮，王秋爽

(1.東北師范大學 信息科學與技術學院，長春 130021;2.吉林大學學報(信息科學版)編輯部,長春 130012；3.吉林大學 計算機科學與技術學院，長春 130012)

科學的交通協同策略和管控措施需要準確的情報信息支撐，因此交通信息的采集成為交通研究過程的重要基礎和關鍵環節。交通信息采集方法中，對視頻和無線傳感的相關研究較多。其中，基于視頻識別的交通信息采集方法由美國加利福尼亞州的噴氣推進實驗室(Jet propulsion laboratory)于1978年首先提出，隨后歐洲、日本也開始了對該領域的研究[1]。近十年，我國也開始重視交通信息的視頻識別技術，許多專家學者對該領域進行了多方面的研究，取得了一系列成果[2-7]。基于無線傳感網絡(WSN)的交通信息采集方法，最早由美國加州大學伯克利分校的Bajwa等[8]進行研究并將其應用于交通領域，當前在該領域國內外已有相當多的研究與應用。此外，國內外還有學者研究了依靠圖像信息參數進行車輛速度判別的方法，如王祺等[9]分析了不同車頭間距下車速的分布規律，利用對數正態分布和負指數分布對交通流速度統計建模。Leitloff等[10]深入分析了遙感系統中全色影像與多波段影像的生成時刻，提出了一種利用全色-多光譜影像采集時間差推導車速的方法，文獻[11，12]在重點進行圖像處理的基礎上利用該方法進行了交通信息采集研究，取得了一定成果。

雖然交通信息采集方法較多，若應用于大范圍單車運行信息采集，上述方法仍有各自的不足：①對車頭間距與車速相關性的研究尚滯留在統計層面，雖得到不同車頭間距區間內速度的概率分布，但并未找到車頭間距與車速間的嚴格映射關系，無法直接應用于廣域交通信息采集；②基于遙感成像時間差的車速判別方法，必須以獲取全色-多光譜影像采集時間差為前提，而該參數并非遙感系統的主要參數因而極難獲取，籠統地使用文獻[10]中的參數值將嚴重影響車速識別的精度。

針對統計方法所建映射關系不可直接應用、基于全色-多光譜時間差采集方法關鍵參數難以獲取的現狀，本文以NGSIM數據為基礎數據，使用BP神經網絡確定了被檢測交通區域中車頭間距、車輛輪廓兩個圖像信息參數與瞬時車速之間的映射關系，分析了瞬時車速隨車頭間距、車輛輪廓的變化趨勢，建立了基于圖像信息參數的瞬時車速模型，使用相近時間段的數據進行了模型驗證，通過輸出車速與實際車速的絕對平均誤差證明了模型的可用性，并進一步分析了適用于本瞬時車速模型的車輛類型。

1 NGSIM數據

NGSIM(Next generation simulation)是由美國聯邦高速公路管理局啟動的下一代交通仿真工程，其收集、處理了大量的道路交通數據，為中微觀交通研究提供了可靠、海量的數據源。NGSIM可為用戶提供包含車長、車寬、車頭間距、車輛速度等數據的“vehicle-trajectory-data”數據包。數據包中的數據由視頻處理技術直接得到，因而能夠反映目標車輛的瞬時狀態，且初處理得到的車輛狀態參數與目標車輛也保持高度一致。因此，本文選擇NGSIM的“vehicle-trajectory-data”數據包作為模型建立的原始數據。

2 參數選擇與數據處理

本文將NGSIM提供的“vehicle-trajectory-data”數據包作為模型建立的原始數據，數據采集位置分別為道路狀況相近的US-101 Hollywood Freeway段(美國101快速路洛杉磯段)和I-80 Emeryville段，采集時間分別為2013年6月15日的8:20～8:35和2013年4月13日的17:15～17:30兩個高峰時段。每個“vehicle-trajectory-data”數據包約有100萬條數據記錄，共分18個項目。數據項目見表1。

表1 數據項目Table 1 Data items

2.1 參數選擇

(1)車頭間距(Headway)

非線性跟馳理論認為，反應強度系數與車頭間距成反比[13]，即：

λ=λ1/s(t)=λ1/[xn(t)-xn+1(t)]

式中：λ為反應強度系數；λ1為常量參數；s(t)為t時刻車輛間的車頭間距；xn(t)為t時刻n車的位置；xn+1(t)為t時刻n+1車的位置。

反應強度系數是根據前車所做的加速或減速運動而對后車進行的相應操縱行為及其效果。車頭間距與反應強度成反比，反應強度對瞬時車速有影響，而車頭間距也可由圖像獲取，因此選擇車頭間距Headway作為模型的輸入參數。

(2)輪廓指數(Outline)

由于車輛性能和駕駛員行為的差異性，當車頭間距相同時，不同的車輛會采取不同的跟馳速度[14]，因而引入反映車輛性能的參數將提高模型的精度。車輛長度、車輛寬度均反映車輛輪廓情況，與車輛的型號及動力性有關，為減少輸入參數的數量，定義車長與車寬之和為車輛輪廓指數并作為模型的輸入參數：

Outline=Length+Width

式中：Outline為車輛輪廓指數；Length為車輛長度；Width為車輛寬度。

2.2 數據處理

(1)數據篩選

NGSIM中數據來源于美國高速公路，車輛種類包括摩托車、小型汽車和卡車。對于不同類型的車輛，外廓尺寸與車輛動力性的對應關系差別較大，為排除摩托車和卡車對模型造成的干擾，研究中僅使用Class項為2(小型汽車)的數據記錄。

車頭間距過大、車速過高說明車輛處于自由流狀態，相鄰車輛間的影響極小。而車頭間距過小、車速過低則說明交通流處于阻塞狀態，兩種情況下圖像信息參數與瞬時車速的映射關系均不明顯[15]。為使模型更準確，選擇車頭間距為[5,200]m,車速為[30,70]km/h。

NGSIM未對車輛換道情況及換道時各圖像信息參數進行詳細的記錄，無法研究換道跟馳現象，且由于外側車道車輛數量較少，僅使用內側1車道的數據，并將US-101 Hollywood freeway段2013年6月15日8:20～8:35時間段內的數據作為基礎數據;將I-80 Emeryville段2013年4月13日17:15～17:30段內的數據作為模型驗證數據。針對基礎數據與模型驗證數據兩部分數據均根據車頭間距與車速范圍指標進行了篩選，將符合指標的數據用于后續的神經網絡訓練及模型驗證。

(2)數據的歸一化處理

由于本文擬使用神經網絡進行建模，神經網絡以樣本在事件中的統計分布幾率進行訓練和預測，而當所有樣本的輸入信號都為正值時，與第一隱含層神經元相連的權值只能同時增加或減小。此外，由于一般神經網絡將Sigmoid 函數作為傳遞函數，其值域為(-1,1)或(0,1)，網絡的輸出也是如此，若不進行歸一化處理，將導致學習速度變慢。為提高訓練網絡的收斂性，加快網絡學習速度，需對輸入輸出數據(見表2)進行歸一化處理，使數據的均值接近于0或與其均方差相比很小。

表2 輸入和輸出參數Table 2 Input and output parameters

本研究所用數據均為正值，因而對車輛輪廓指數、車頭間距、車速數據使用線性函數轉換方法按如下公式進行歸一化處理：

y=(x-MinValue)/(MaxValue-MinValue)

式中：x為轉換前數值；y為轉換后數值；MaxValue為樣本最大值；MinValue為樣本最小值。

3 BP神經網絡的建立

由跟馳理論可知，車輛速度、加速度、車頭間距、駕駛員反應時間之間并非互不相干的獨立關系，因而基于圖像參數的車速模型是非線性模型。考慮到BP神經網絡具有較強的海量數據處理和非線性擬合能力，本文采用BP神經網絡建立以圖像參數為輸入的車輛瞬時速度模型。

3.1 BP網絡結構確定

已證明任何一個連續函數均可由一個3層神經網絡以任意精度逼近，含有一個隱含層的3層BP神經網絡即可滿足輸入參數到輸出參數的非線性映射。因此，本文選擇使用3層BP神經網絡結構。

一般利用試湊法確定隱含層節點數。試湊時，采用經驗公式進行隱含層節點數的初步選擇[16]：

式中：m為隱含層節點個數；n為輸入層節點個數；l為輸出層節點個數；α為1至10之間的常數。本研究中輸入層節點數為2，輸出層節點數為1，由于車輛輪廓指數的存在使映射關系變得復雜，本實驗中取α為4，得到隱含層節點數為6。

3.2 傳遞函數確定

Sigmoid型函數不同于Pureline等線性閾值函數，其連續可微，適合作為傳遞函數用于隱含層(見圖1)。具體到本研究，輸出參數均為正值，應使用log-sigmoid單極性傳遞函數：

圖1 Log-sigmoid與Purelin函數曲線Fig.1 Log-sigmoid and Pureline function curves

若BP 網絡的輸出層為Sigmoid 型函數，則網絡的輸出將被限制在(0,1)內，因而選擇Pureline 型函數作為網絡的輸出層函數，使訓練后的網絡可輸出任意值：

fpurelin(x)=x

3.3 訓練方法確定

梯度下降動量(Gradient descent with momentum backpropagation)算法可避免最速梯度下降算法(Gradient descent backpropagation，GDB)陷于局部極小的情況，并可調節學習速率從而提高算法的可靠性和收斂性[17]：

wij(k+1)=wij(k)+η[(1-

α)d(k)+αd(k-1)]

式中：d(k)為k時刻的負梯度，d(k-1)為k-1時刻的負梯度，η為學習速率，α為動量因子。

α∈[0，1] ，當α=0時，權值修正只與當前負梯度有關，當α=1時，權值修正完全取決于上一次循環的負梯度。此方法加入的動量項相當于阻尼項，可以減小學習過程的震蕩趨勢，改善收斂性。

雖然梯度下降動量算法收斂速度較慢且需要較多的存儲空間，但本研究非實時數據處理，對存儲空間和收斂速度無特殊要求，選擇有動量的梯度下降算法(GDM)作為網絡訓練方法。

4 網絡訓練與仿真驗證

4.1 神經網絡訓練

將初處理后神經網絡訓練數據組中的車頭間距Headway和車輛輪廓指數Outline作為輸入，車速Velocity作為輸出，規定最大訓練次數為1000，使用表3所示BP神經網絡參數，經多次調整確定隱含層節點數為10，訓練后兩個BP神經網絡以0.0527的均方誤差達到終止條件，作為反映輸入輸出參數映射關系的瞬時車速模型。

表3 BP神經網絡結構參數Table 3 BP neural network structure parameters

4.2 仿真驗證與結果分析

圖2和圖3分別是模型的仿真網格圖和效果驗證圖。以各變量1%的步長形成模型曲面，仿真曲面反映出如下趨勢：輪廓最大的車輛在車頭間距最小時速度最慢；輪廓最小的車輛在車頭間距最大時速度最快。車頭間距與瞬時車速的正相關關系與王祺等[9]的統計結果一致。

將模型驗證組中的圖像信息數據輸入訓練后的神經網絡中，輸出兩車道基于模型的瞬時車速，與相應實際車速對比，得絕對平均誤差為13.73 km/h。

為詳細分析誤差產生原因，做出訓練數據的車輛輪廓指數直方圖與車速絕對平均誤差(相應輪廓指數區間的MAE均值)曲線，如圖4所示。

圖2 模型仿真網格圖Fig.2 Model simulation mesh diagrams

圖3 模型效果驗證圖Fig.3 Model effect validation diagrams

圖4 輪廓指數直方圖與車速MAE曲線Fig.4 Histograms of outline and waves ofvehicle speed MAE

輪廓指數是指車型車輛識別與分類的過程中大體的整車輪廓大小。由車輛輪廓指數直方圖與車速絕對平均誤差曲線可見：車輛輪廓指數集中分布在4.7～5.3 m和6.0～7.6 m的區間內；MAE曲線隨不同輪廓指數的車輛數量變化，4.7～5.3 m和6.0～7.6 m區間內車速MAE較低，而其他車輛輪廓范圍對應的車速MAE較高。

原因分析：

(1)進行BP神經網絡訓練時，輪廓指數在4.7～5.3 m和6.0～7.6 m區間內的車輛其樣本量較大，神經網絡的擬合效果較好；

(2)輪廓指數超過7.6 m的車輛，該類型車輛多為可進行貨物運輸車輛且發動機額定功率一般較大，使滿載和空載時的加速能力等動力學參數產生明顯差別，從而可造成不同樣本情況下車速的較大差異。

5 結 論

(1)以NGSIM數據為基礎數據，使用BP神經網絡可確定被檢測交通區域中車頭間距、車輛輪廓兩個圖像信息參數與瞬時車速之間的映射關系。

(2)使用BP神經網絡建立基于圖像信息參數的瞬時車速模型可處理相近時間段的NGSIM數據，其輸出車速與實際車速的絕對平均誤差證明模型具有較高的可用性。

(3)仿真驗證與分析結果表明，在US-101的NGSIM數據采集路段中，本文提出的車輛瞬時速度模型其總體準確性可以接受，且對輪廓指數為4.7～5.3 m和6.0～7.6 m區間內的中小型車輛較為適用。

(4)本文所做模型仿真實驗是基于NGSIM數據樣本進行的，將本文所提出的方法應用于實際情況時，為獲得更好的效果，不應直接采用本文中NGSIM數據樣本的訓練結果，應針對應用環境下的交通數據流進行BP神經網絡樣本訓練。

[1] 徐文聰. 基于視頻的交通數據采集技術研究[D]. 山東大學機電與信息工程學院, 2012.

Xu Wen-cong. Research on the techniques of vision-based traffic data collection[D].Jinan:College of Mediatronics and Information Engineerig,Shandong University, 2012.

[2] Yin M, Zhang H, Meng H, et al. An HMM-based algorithm for vehicle detection in congested traffic situations[C]∥Intelligent Transportation Systems Conference,Seattle,WA,USA,2007: 736-741.

[3] Zhu Z, Xu G Y, Yang B, et al. VISATRAM: a real-time vision system for automatic traffic monitoring[J]. Image and Vision Computing, 2000, 18(10): 781-794.

[4] 李子青.人臉識別技術應用和市場分析[J].中國安防,2007(8):49-53.

Li Zi-qing . Face recognition technology and market analysis [J]. Security & Protection,2007(8):42-46.

[5] Tan T N, Sullivan G D, Baker K D. Model-based localisation and recognition of road vehicles[J]. International Journal of Computer Vision, 1998, 27(1): 5-25.

[6] Tai J C, Tseng S T, Lin C P, et al. Real-time image tracking for automatic traffic monitoring and enforcement applications[J]. Image and Vision Computing, 2004, 22(6): 485-501.

[7] Jin S, Wang D H, Xu C, et al. Short-term traffic safety forecasting using Gaussian mixture model and Kalman filter[J]. Journal of Zhejiang University (Science A), 2013, 14(4): 231-243.

[8] Bajwa R, Rajagopal R, Varaiya P, et al. In-pavement wireless sensor network for vehicle classification[C]∥10th International Conference on Information Processing in Sensor Networks (IPSN),Chicago,IL,USA,2011: 85-96.

[9] 王祺,李力,胡堅明,等.不同車頭間距下交通流的速度分布[J].清華大學學報: 自然科學版,2011,51(3):23-26.

Wang Qi, Li Li, Hu Jian-ming, et al. Traffic velocity distributions for different spacings [J]. Journal of Tsinghua University(Science and Technology), 2011, 51(3): 309-312.

[10] Leitloff J, Hinz S, Stilla U. Inferring traffic activity from optical satellite images[J]. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2007, 36(3/W49B): 89-93.

[11] 索明亮.衛星圖像中運動車輛探測和速度提取研究 [D].北京: 北京交通大學城市交通復雜系統理論與技術教育部重點實驗室,2011.

Suo Ming-liang. Research on moving vehicle detection and velocity extraction from satellite image [D].Beijing: MOE Key Laboratory for Urban Transportation Complex Systems Theory and Technology,Beijing Jiaotong University,2011.

[12] 張素蘭.基于衛星遙感影像的交通狀態判別研究 [D].北京: 北京交通大學交通運輸規劃與管理學院,2010.

Zhang Su-lan. Research on traffic state estimation from satellite remote sensing images [D].Beijing: College of Transportation Planning and Management,Beijing Jiaotong University，2010.

[13] 王殿海. 交通流理論[M]. 北京: 人民交通出版社, 2002:52.

[14] Bonzani I, Mussone L. From the discrete kinetic theory of vehicular traffic flow to computing the velocity distribution at equilibrium[J]. Mathematical and Computer Modelling, 2009, 49(3): 610-616.

[15] Bando M, Hasebe K, Nakayama A, et al. Dynamical model of traffic congestion and numerical simulation[J]. Physical Review E, 1995, 51: 1035-1042.

[16] 李孝安, 張曉繢. 神經網絡與神經計算機導論 [M]. 西安: 西安電子工業出版社, 1994.

[17] Wang J, Yang J, Wu W. Convergence of cyclic and almost-cyclic learning with momentum for feedforward neural networks[J].IEEE Transactions on Neural Networks,2011, 22(8): 1297-1306.