基于交通流特征變化的交通事件檢測與識別方法

楊東鋒 徐 靈 王 錕 戴 杰 徐杭鳴

（1．浙江杭紹甬高速公路有限公司，浙江 杭州 311215；2．浙江高信技術股份有限公司，浙江 杭州 310005）

0 引言

交通事件（例如事故、車輛故障和拋撒物）可能會引發擁堵、交通延誤、排放增加和二次事故等嚴重問題。在美國，高速公路上超過1/2的交通擁堵都是由事故造成的。盡快進行交通事件檢測可以在很大程度上緩解交通延誤、燃料浪費、排放和經濟損失等問題，還可以降低發生二次事故的可能性。因此，自動交通事件檢測逐漸成為研究重點（尤其是在減少高速公路交通擁堵方面）。在相關研究成果中，交通事件通常指任何可能擾亂正常交通流并降低道路通行能力的非經常性事件。

該文提出基于數據松弛操作算法和改進的加利福利亞算法組合的自動檢測算法：1） 先利用基本毫米波雷達原始數據及其組合構造1組相對全面的初始變量，再基于松弛操作算法從初始變量中選擇特征變量。2） 設置虛擬檢測器，細分2個檢測器之間的路段顆粒度，并設置車道數參數，使事件檢測范圍覆蓋更精細。3） 改進的加利福利亞算法引入路段/車道平均速度變量，可以提升的算法準確率和召回率。

1 問題描述與算法建模

1.1 交通事件檢測與識別

采集高速公路交通事件的方式較多，通常采用視頻、雷達檢測交通事件，每種監測方式單一，監測交通事件存在信息上報重復和誤報等情況。如何利用高速公路感知設備采集的原始數據，并基于交通流變化特征進行交通事件自動檢測與識別是該文的研究重點。

1.2 交通運行特征數據分析

根據高速公路位置檢測器收集的交通流、速度和占用率等數據，該路段對其變化特征進行深入分析，設計了事件變量，突出交通事件前后交通流參數的變化特征，并構成高速公路交通事件檢測的初始輸入事件變量集。

交通流參數的變化可以直接描述高速公路路段的交通狀態，在正常（無交通事故）情況下，交通流參數（流量、速度和占用率）的變化過程相對平緩。在非正常（有交通事故）情況下，交通流參數會在短時間內因受交通事故的影響而劇烈波動。在實際道路環境中，交通事件的上游和下游分別受壓縮波和擴張波的影響，檢測的交通流參數變化如下：上游占用率迅速增加，而流量和速度迅速下降；下游占用率和流量迅速下降，速度可能提高或者降低。因此，根據上、下游檢測器檢測的交通流參數的變化情況可以判斷交通事故。

1.3 基于交通運行特征變化判定交通事件的算法

基于交通運行特征變化判定交通事件的加州算法流程如圖1所示。首先，基于路段信息、設備信息和毫米波雷達原始表抽取路段信息表的路段編碼字段和設備信息表的設備ID、設備樁號、經度、維度、路段編碼以及方向字段，去除毫米波雷達原始表的車牌、車輛顏色字段，將3張表進行數據匹配，并以路段ID、設備ID、方向和車道ID為條件進行分類篩選，生成分車道交通流數據。如果有重復項，就去除重復項，然后計算每個采集頻率車道交通流量、車道平均速度。

圖1 基于交通運行特征變化判定交通事件算法流程

其次，以交通運行特征（流量、速度）表為輸入，California算法為雙截面算法，基于事件發生時上游截面占有率增加、下游截面占有率減少這一事實，對相鄰檢測站進行比較。該算法1 min的平均占有率為（，），即在時刻，從檢測站得到的平均占有率為（，）。計算占有率的變量值，判斷是否滿足以下條件：1） 上下游檢測器占有率的絕對差值大于閾值，如公式（1）所示。2） 上下游檢測器的測量占有率差值與上游占有率的比值大于閾值，如公式（2）所示。3） 下游檢測器的不同時間占有率差值與下游占有率的比值大于閾值，如公式（3）所示。

式中：（，）為檢測站各車道當前1 min的平均占有率；（+1，）為檢測站+1的下游相鄰站各車道前1 min的平均占有率；（+1，-2）為下游相鄰站各車道前2 min的平均占有率；、和為給定門限值。

當同時滿足以上3個條件時，判斷事件發生。在該基礎上，該文研究了基于多車道交通事件檢測改進的加州算法。

由公式（4）可知，占有率與車道數、車輛速度均呈反相關，根據加州算法的第一個條件中的變化，在不發生交通事件時相鄰檢測點占有率應該是基本不變的，當發生交通事件而造成車道數變化時，占有率的變化是顯著的。由于在檢測時不明確該檢測點的車道數是否因交通事件而發生了變化，因此用傳統加州算法會影響預警的精度。

設某檢測器在時間間隔內檢測的占有率為（，）則相鄰2個觀測點（，+1）的占有率如公式（5）、公式（6）所示。

由于觀測數據的時間間隔為固定值，并且車道數目相同，因此其表達式可改寫為公式（7）、公式（8）。

當同時滿足以上3個條件時，判斷有事件發生，生成基于交通運行特征變化判斷的交通事件數據。

2 基于交通運行特征變化判定交通事件算法實現

在該文中使用MySQL數據庫存儲相關數據，在MySQL中創建highwaydb數據庫。根據所需的數據創建相應的數據表，相應的算法從該數據庫中獲取數據進行分析計算，并將結果存儲到表中，從而實現只需要將后續應用時的數據導入數據庫中就可以進行事件分析的目標。

由于毫米波雷達事件表中的每行代表單一雷達在某個時刻對一輛車的統計結果，因此要統計原始表中同一雷達每分鐘記錄的同一方向、同一車道的車流和平均車速，具體如下：將毫米量級的時間戳改為分鐘量級，再采用andas（數據分析工具）中的groupby（根據（by）一定的規則進行分組）方法對同一雷達、同一路段以及同一創建時間的數據進行分組并分別統計。

改進加州算法的核心是計算、和，和如公式（10）、公式（11）所示。

式中：為車流量，pcu；為平均速度，km/h。

由公式（10）、公式（11）可知，2個值的計算都是在同一時間的維度下進行，因此按創建時間對處理后的數據進行分組，提取同一路段的相鄰雷達在同一創建時間的車流量和平均速度，就可以計算和，具體方法仍通過pandas來實現。

如公式（12）所示。

的計算是在同一雷達下進行的，因此要根據雷達ID重新對數據進行分組，提取同一路段下同一雷達在不同創建時間下的車流量和平均速度，再計算。

要先設定閾值進行篩選，采用遍歷的方式可以在一定程度上得到最優閾值。最優是指能使通過交通運行特征變化得到的事件表與毫米波雷達事件表盡量匹配。因為交通運行特征的變化不會在瞬間結束，即在20 min或30 min內，同一路段、同一方向、同一車道以及同一雷達檢測的交通流數據變化很可能來自同一個事件，所以在設定閾值后要對結果表進行去重處理。具體實現過程如下：首先，根據日期、創建時間、路段號、行駛方向、車道和雷達編號對結果表進行分組。其次，對同組中的數據進行排序并篩選，保證20 min內只有1個事件。

另外，交通運行特征的變化也不會與事件發生起始時間完全一致，會有一個延時的過程，因此要對毫米波雷達事件表進行松弛操作。首先，從毫米波雷達事件表中篩選出與結果表可匹配的總事件數。其次，對創建時間進行30 min松弛操作。最后，對毫米波雷達事件表和結果表進行匹配操作，生成最終的通過交通運行特征變化得到的事件表。

3 試驗與結果分析

該測試路段選擇滬杭甬高速柯橋至紹興段，全長10 km為測試路段，對選擇測試段進行數據集準備。在數據庫中導入該路段雙幅同一時間段毫米波雷達原始數據，加載2020年10月的數據，采用頻率為80 ms。

在數據庫表準備好后，對所提出的基于交通運行特征變化的事件檢測算法進行測試，將算法運行結果存入新建事件表中。利用原始表中的上行方向上車道1和車道2進行測試，得到的結果如下：利用毫米波雷達事件表得到的可匹配的事件數為168，通過設置閾值得到的事件數為180，其中相匹配的事件數為165，準確率為91.7%，召回率為98.2%。

4 結語

通過算法研究和實際道路測試可知，基于交通流特征變化判斷交通事件算法對事件的檢測率比基于視頻或雷達檢測的算法高，但基于交通流特征變化判斷交通事件算法無法判斷事件的類型。

該文得到的主要結論如下：1） 該文提出的基于數據松弛操作算法和改進的加利福利亞算法組合自動檢測算法的試驗結果表明，在20 s內對80 000多條毫米波雷達原始數據進行交通事件自動檢測的準確率為91.7%，召回率為98.2%。這說明該文所提出的AID算法在高速公路交通事件自動檢測場景中具有較好的適用性。2） 通過算法研究和開發可以將算法封裝為服務，通過算法平臺進行調度執行，并基于高精度地圖進行事件可視化和聯動，在實際高速公路運營管理中具有良好的擴展應用價值。