高速公路雨天通行安全評估及預警管理分析

劉 軍

（中國電建集團北京勘測設計研究院有限公司，北京 100024）

0 前 言

雨天公路能見度低，駕駛員視野和視距受到影響，濕滑路面摩擦力降低，制動距有所增加，一旦遭遇突發情況，判斷、反應和及時剎車控制能力大幅削弱，打滑、側滑甚至追尾等交通事故極易發生。傳統公路安全評估多以事故資料統計分析居多，存在事后評估不及時、預警性不足的弱點。而雨天公路安全狀態事前評估，可對雨天行車風險進行預判和預警，及時形成安全管控方案，做出及時有效的交通安全組織，從而降低交通事故發生率，保障高速公路雨天行車安全，減少惡劣事故帶來的人員、車輛和財產損失。

1 雨天高速路通行速率L-G預估模型

1.1 最大信息常數MIC特征分析

傳統車流速率預估將速率作為單一特征開展預估，換言之就是通過已有的上個時間段速率預估當前或者未來時間段的速率。通過單一速率變量開展預估計算比較簡單，但是預估精確度有時存在不理想情況，原因是車輛速率受多種要素共同影響［1-2］，如交通事故、時間段及天氣等。尤其在降水等惡劣天氣的影響下，車輛速率變化波動性相對較大，降水強度等特征變量均會影響車輛速率。所以，對降水天氣在高速公路出行的車輛速率開展預估時需考慮將多種影響要素作為模型輸入，以增強預估精確度。但是如果把采集的氣象、所有車流等數據均作為模型輸入，反而會使模型計算變得復雜，并且易出現明顯的過擬合現象，雖然在訓練數據上能夠較好地擬合，但是測試數據上的擬合效果欠佳［3-5］。因此，需選用科學方法獲取與速率關聯性強的變量作為模型輸入特征，增強預估精確度的同時降低過擬合現象。

最大信息常數（以下簡稱：MIC）能夠對非函數依托關系、非線性及變量間線性開展有效度量。速率及其影響要素間的關系不易經過一個單獨函數開展表達，一般是多種函數進行疊加。MIC可以捕獲各個變量間的關聯，不局限于單一函數，所以通過MIC度量速率與其他變量關聯性，能夠有效獲取其重要特征。MIC的計算過程能夠簡述為：根據數據樣本把2個變量間的關系置于二維空間中進行離散，并通過散點圖呈現；對散點圖開展網絡劃分，依次求出各個劃分尺度下互信息最大值，并對所有劃分尺度下對應互信息最大值開展比較，選用最大值作為MIC值。互信息（以下簡稱：MI）表達2個變量共同具有的信息劑量，能夠衡量兩個變量間互相依托強弱程度。假設變量取值的集合V＝｛（xi，yi），j＝1，2，3，…，m｝，m是樣本數量，MI（X；Y）是隨機變量Y及X信息，能夠通過式（1）計算獲得。

式中：p（x，y）為x、y聯合概率密度；p（x）為量x的邊緣概率密度；p（y）為y的邊緣概率密度。

由網絡劃分原理以及公式（2）計算隨機變量對應最大信息常數MIC（X：Y）。

式中：｜Y｜系為利用網絡劃分把Y值域劃分為｜Y｜段；｜X｜系為利用網絡劃分把變量X值域劃分為｜X｜段；B系為網絡劃分時｜X｜×｜Y｜的上限值，B（m）＝m0．6功效最好。

以某公路氣象及車流數據為例，運用MIC對降水天氣下速率預估模型輸入特征開展選。其中，車流數據包含速率及車流量；氣象數據包括風速、降水強度、能見度、濕度及溫度。基于MIC度量速率與其他特征變量間的關聯性，假設樣本數據對應特征集合F＝｛f1，f2，f3，…，fi｝，其中，f1～f6依次代表車流量、溫度、濕度、能見度、降水強度及風速。計算任意特征fi以及速率vi對應最大信息常數MIC（fi，vi），取值區域是［0，1］。MIC（fi，vi）越大，顯示fi與速率間的關聯性越強，越凸顯該特征的重要性；MIC（fi，vi）越小，顯示fi與速率間的關聯性越弱，那么該特征越容易被忽略。其他變量與速率的MIC計算結果及其排序見圖1。

圖1 特征變量MIC計算成果

結果揭示，降水天氣下高速公路某時間段的能見度、降水強度及交通量與該時間段平均行車速率有顯著關聯性，同其他特征變量關聯性相對較弱［6］。所以模型輸入特征選取了能見度、降水強度及車流量。

1.2 L-G速率預估模型

為了實現LSTM神經網格以及GRU神經網格優勢的綜合利用，基于LSTM 及GRU構建預估模型，開展降水天氣影響下高速公路行車速率的預估［7］。L-G模型結構見圖2。

圖2 L-G模型結構

該模型由兩者深度學習結構結合而成：第一層是LSTM層，能夠初步獲取輸入的特征信息；第二層是GRU層，能夠二次獲取上一層獲取的特征，最終通過全接連層（Dense）開展線性融合獲得預估時間段的速率預估值

L-G模型獲取的輸入變量是預估時間段t的前n個歷史時間段的特征，通過輸入矩陣可有如下表達：

式中：vt-i為t-i時間段的速率；Rt-i為t-i時間段的降水強度；qt-i為t-i時間段的車流量；It-i為t-i時間段的能見度。

L-G模型訓練目標設定為實際值Vt對應均方誤差與最小化速率預估值＾vt，見公式（4）。表達L2正則化項，可降低過擬合，λ是正則化常數。w表達模型中全部權重常數。

L-G預估模型的具體過程如下所述：

（1）樣本數據選取雨天的氣象及車流數據。把輸入變量變為適當格式并開展預處理，通過最大、最小標準化公式把輸入變量映射進［0，1］；

（2）確定GRISTMILL雙層深度學習相關的超參數以及神經網格的結構；

（3）選用歷史訓練數據和成果對L-G模型相關參數開展訓練優化，并獲得預估模型［8］；

（4）通過測試數據及訓練后的模型對降水條件下高速公路行車速率展開短時預估。

2 案例概況

案例高速公路是連通我國南北交通網絡的大動脈，該線路G4段主線總長度大約294km。該路段設有交通調查設備站點總計48個，包括一類交調站點8個、二類交調站點40個；氣象檢測站點6個，包括能見度檢測站4個，多因素檢測站2個。基于案例高速公路氣象檢測站數據和交調站點測量數據，考慮一類交調設備多因素氣象檢測站數據豐富、數據準確性及完整性高等要素，選含一類交調站點及相對接近多因素氣象檢測站的代表性區段K1196＋490m至K1198＋400m作為降雨條件下高速公路行車安全評估及預警的分析對象。

案例路段包含121、122號車流測量器的區段（K1196＋490m至K1198＋400m），該車流測量器可測量不同種類車輛截面瞬時速率及車流量；多因素氣象檢測站（設備ID＝38）能夠檢測風速、能見度、降水量、濕度、溫度等氣象參數。以2017年4月至2018年7月獲得的車流和氣象歷史數據為支撐，對區段在降水條件下（2018年7月6日9：00至7月7日9：30）的高速公路行車安全情況開展事前評估和預警管理。

3 案例區段雨天速率預估

3.1 基于L-G深度學習模型的預估過程

3.1.1 描述數據樣本

數據樣本來源是2017年4月24日至2018年7月7日案例區段121、122號微波測量數據及氣象檢測數據。其中，車流數記錄間隔是5min，氣象數記錄間隔是1min。為防止基于短時速率預估所得安全評估結果時效性較短，對車流數據和原始氣象數據開展匯聚，調整數據記錄間隔是15min。

通過L-G預估模型依次對121截面、122截面的貨車及客車速率開展短時預估。篩選2017年4月24日至2018年7月5日該區段上行方向降水強度高出0的所有數據當作訓練數據，總計37837條數據。選取2018年7月6日9：00至7月7日9：30連續降水天氣的數據當作測試數據，總計99條。

3.1.2 L-G模型設置

根據前述輸入特征選結果，把預估時間段前n個歷史時間段的能見度I、降水強度R、交通量q及速率v作為模型輸入變量，n是待定參數，表達時間窗長度，該參數影響模型預估精確度，將經過靈敏度分析并選取最優值。

以PC為試驗平臺，基于Python語言和Keras深度學習框架進行構建模型。L-G模型的部分超參數及優化算法設置如下：模型選用基于隨機梯度降低算法的Adam優化器；訓練迭代頻次（epoch）設置為200；批大小（batchsize）是32；為了降低過擬合，將Dropout設置為0.5。隱藏層節點數是待定參數u，將經過靈敏度分析選取最優值。

3.1.3 分析待定參數靈敏度

針對待定參數u及n開展靈敏度分析過程中，為掌握L-G模型的預估功效，選均方根誤差（以下簡稱：RMSE）、絕對百分誤差方差（以下簡稱：VAPE）及平均絕對誤差（以下簡稱：MAE）作為模型功效評價指標。VAPE能夠對算法穩定性進行評價，MAE及RMSE能夠對模型預估精確度進行評價，計算公式如下：

在隱藏層節點u及不同時間窗長度n取值組合情況下，L-G模型預估結果的RMSE和VAPE變化見圖3。根據圖3（a）發現時間窗長度的同時，伴隨隱藏層節點增加RMSE對應變化趨勢大體是：先加大后減小再加大。如果時間窗長度n＝5，隱藏層節點u＝64，此時預估結果RMSE有最小值，對應模型預估精確度最高。根據圖3（b）能夠發現，VAPE變化區域在5.5%～6.2%，顯示時間窗長度變化及隱藏層節點數量對L-G預估模型穩定性的影響相對較小。如果時間窗長度n＝5，隱藏層節點u＝64，此時預估結果VAPE有最小值，對應模型預估穩定性最佳。綜上所述，通過L-G模型開展速率短時預估時，時間窗長度及隱藏層節點數的最佳參數組合是u＝64，n＝5。

圖3 L-G模型RMSE和VAPE變化

3.2 預估結果和比對分析

通過L-G模型依次對2018年7月6日9：00至7月7日9：30各時間段121截面及122截面的客貨車平均速率開展預估。依次對不同預估模型的預估結果和輸入特征選前后的模型預估結果開展比對及分析結果（見圖4～7）。由圖4～7揭示，在降水條件下的高速公路行駛時，貨車和客車速率均十分不穩定，不同時間段速率變化和差異相對比較大，重點是受降水強度等天氣變化的影響［9］。根據圖中實際值及預估值對應變化曲線能夠發現，預估曲線對應變化趨勢同實際值曲線幾乎始終保持一致，但是在速率實際值出現突變或者比較大波動的時間段，實際值與預估值誤差相對比較大，其他時間段預估誤差比較小。

圖4 斷面121客車速率預估與實際結果對比

3.3 特征選前后的預估結果比對分析

為進一步驗證基于MIC輸入特征選方法切實可行，通過所有特征變量（能見度、降水強度、溫度、風速、濕度、車流量及速率）訓練L-G模型并開展預估，然后同特征選后的L-G模型預估功效開展比對，如表1所示。

圖5 斷面121貨車速率預估與實際結果對比

圖6 斷面122客車速率預估與實際結果對比

圖7 斷面122貨車速率預估與實際結果對比

表1 特征選前后L-G模型預估功效對比

根據表1數據能夠發現，特征選對訓練誤差影響相對較小，無論特征選是否開展，模型訓練數據集對應的MAPE及RMSE均很小。而L-G模型將所有特征當作輸入變量，對應測試數據集的MAPE及RMSE分別為13.80%及12.03km／h，相比于訓練誤差依次增加了11.42%及9.15km／h，由于存在非常明顯的過擬合情況，也就是在測試數據上擬合功效不佳，訓練數據上卻擬合功效較好。針對特征選后的L-G模型，測試數據集的MAPE及RMSE依次是6.11%及6.60km／h，相比于特征選前，MAPE及RMSE依次減少了55.72%及45.14km／h，模型預估精確度有較大提升，與此同時，亦有效地減輕了過擬合現象。

4 結 語

本研究以案例路段（K1196＋490m至K1190＋400m）氣象數據及車流為依據，對區段2018年7月6日9：00至7月7日9：30（降水天氣）開展預警管理及事前安全評估。通過運用L-G預估模型依次對區段121、122截面的客貨車速率開展預估，并進一步分析驗證了降雨條件下基于速率預估的高速公路行車安全評估以及預警管理方法的可行性［10］，有助于在雨天開展高速公路預警管理和安全評估工作。