（交通运输规划与管理专业论文）高速公路与城市快速路结合部交通状态判别及预测研究.pdf

中文摘要 摘要：城市形态的不断变化，尤其是大都市外围的大规模开发和建设以及机动车 拥有量的快速增加，导致一些大都市区外围或城市圈内的高速公路交通负荷同益 增加，许多进出城区路段演变为城市通勤道路的一部分，造成了高峰期道路通行 能力及服务水平较低，交通拥堵严重、重大交通事故频发等问题。这样不仅使得 高速公路快捷、高效、安全的特点难以发挥，同时也严重阻碍了城际交通的发展。 从交通运行的角度看，高速公路与城市快速路结合部地区成了交通瓶颈。因此， 迫切需要加强对这些路段的交通流动态监控。 从道路交通状态分析技术手段来看，目前国内尚缺乏比较成熟的综合车速、 道路占有率、流量等多项指标来综合判定高速公路与城市快速路等汽车专用道路 交通服务水平的模型和方法，因此，难以综合全面地反映高速公路大城市进出口 路段的交通实时状况。现有高速公路交通监控系统制定的策略缺乏准确合理的理 论依据和方法论的支持，无法及时采取有效的控制策略和手段，往往造成严重的 交通拥挤和阻塞。 本文以北京地区高速公路尤其是进出城路段和城市快速路的结合部为研究对 象，对现有监控系统采集到的交通流数据进行预处理后，分析了结合部地区路段 的交通流特征。然后分别对结合部内的高速公路和城市快速路的交通状态进行划 分，综合运用模糊聚类和小波分析等方法，给出自由流、同步流和宽移动堵塞三 种状态下的流量、速度和时间占有率的阈值。同时以高速公路的交通流状态为基 准，建立结合部路网的状态分类标准。最后，运用径向基函数( r b f ) 神经网络预 测方法对结合部的流量、速度和时间占有率进行预测，再根据交通流参数的预测 结果预测交通状态，并与根据实测的交通流数据识别的交通状态进行对比。得出 结论，基于交通流参数预测交通状态的方法性能较优，对拥挤的检测率高、误报 率低、平均检测时间较短。 关键词：结合部；状态划分；模糊聚类；小波分析；交通状态预测；神经网络 = i 匕塞交适厶堂亟堂僮途塞 垦曼卫坠盟 a bs t r a c t a b s t r a c t ：w i t ht h ec h a n g i n go f u r b a nf o r ma n dt h es p a c es c a l ee x p a n s i o n ，a sw e l la s w i t hr a p i di n c r e a s i n go ft h ev o l u m eo fm o t o rv e h i c l e s ，an u m b e ro fu r b a nf r e e w a ya n d e x p r e s s w a yi np e r i p h e r ya r e ao ft h em e t r o p o l i t a nh a v eb e e ne v o l v e di n t op a r to ft h e m a dc o m m u t i n go fc i t y t h i ss i t u a t i o nr e s u l t e di nl o wc a p a c i t ya n dl e v e lo fs e r v i c ei n t h ep e a kh o u r , s e v e r et r a f f i c c o n g e s t i o n ，f r e q u e n tt r a f f i ca c c i d e n t s ，e t c t h i s p h e n o m e n o nb r o u g h tn e g a t i v ei n f l u e n c ea n dc o n s t r i c t e dt h ef r e e w a y sf u n c t i o ne x e r t i o n s u c h 嬲s m a r t ，h i g he f f 矗c i e n c ya n ds a f e t y , a n ds e r i o u s l yh i n d e r e dt h ed e v e l o p m e n to f i n t e r - c i t yt r a n s p o r t f r o mt h ev i e w p o i n to ft r a f f i co p e r a t i o n ，t h eu r b a np e r i p h e r yr o a d n e t w o r kh a sb e c o m et h en e wn e t w o r kt r a 衔cb o t t l e n e c k s t h e r e f o r e i ti s u r g e n tt o s t r e n g t h e nd y n a m i cm o n i t o r i n gt h et r a f f i cf l o wo ft h e s es e c t i o n s i nv i e wo ft h et e c h n i q u e sf o ra n a l y z i n gt r a f f i cs t a t e ，n o w a d a y st h e r ei s l a c k i n go f c o m p a r a t i v em a t u r ec o m p r e h e n s i v er o a dt r a f f i cm o d e l sa n dm e t h o d st h a tc o m p o s e do f s p e e d ，o c c u p a n c ya n dv o l u m et od e t e r m i n et h el e v e lo fs e r v i c eo ft h ea u t o m o b i l er o a d ， s u c ha sf r e e w a ya n du r b a ne x p r e s s w a y t h e r e f o r e ，i ti sd i f f i c u l tt or e f l e c tt h er e a l t i m e t r a f f i cc o n d i t i o n so ft h ef r e e w a yw h i c hi n t oo ro u to fc i t y e x i s t i n gf r e e w a yt r a f f i c m o n i t o r i n gs y s t e m se s t a b l i s hs t r a t e g yw i t hf e ws u p p o r tf r o mt h ea c c u r a t ea n d r e a s o n a b l et h e o r e t i c a lb a s i so rm e t h o d o l o g y a sar e s u l t ，e f f e c t i v ec o n t r o ls t r a t e g ya n d m e a n sa r en o tb et a k e ni nt i m e ，w h i c ho f t e nc a u s e ss e r i o u st r a f f i cc o n g e s t i o na n d o b s t r u c t i o n i nt h i sp a p e r ，b e i j i n gf r e e w a ye s p e c i a l l yt h e t h eu r b a np e r i p h e r yr o a dn e t w o r ko f u r b a ne x p r e s s w a ya n df r e e w a yi sr e s e a r c h e d t r a f f i cc h a r a c t e r sa r ea n a l y s e db a s e do n t h ep r e p r o c e s s dd a t af r o mt h ee x i s t i n gm o n i t o r i n gs y s t e m t h e nw eu s et h ei n t e g r a t e d m e t h o d so ff u z z yc l u s t e r i n ga n dw a v e l e ta n a l y s i st od i v i d et h e s t a t eo fu r b a n e x p r e s s w a ya n df r e e w a ys e p a r a t e l y a n dt h ed o m a i n so ft r a f f i cf l o wp a r a m e t e r s ( v o l u m e , s p e e da n do c c u p a n c y ) o fd i f f e r e n ts t a t e s ( f r e ef l o w , s y n c h r o n i z e df l o wa n dw i d em o v i n g j a m m e df l o w ) a r eg a i n e d a tt h es a m et i m e ，w ee s t a b l i s hs t a t ec l a s s i f i c a t i o nc r i t e r i o no f t h eu r b a np e r i p h e r yr o a dn e t w o r kb a s e do nt h et r a f f i cs t a t eo ft h ef r e e w a y f i n a l l y , w e c h o o s er b fn e u r a ln e t w o r km e t h o dt of o r e c a s tv o l u m e ，s p e e d ，a n do c c u p a n c y , t h e nw e p r e d i c tt h et r a f f i cs t a t eb a s e do nt h ef o r e c a s t i n gr e s u l t so ft r a f f i cf l o wp a r a m e t e r s n e p r e d i c t i o no ft h et r a f f i cs t a t ea n dt h er e c o g n i t i o nr e s u l tb a s e do nt h ea c t u a ld a t aa r e c o m p a r e d i tc a nb ec o n c l u d e dt h a tt h ep e r f o r m a n c eo ft h em e t h o df o rf o r e c a s t i n gt r a f f i c s i t u a t i o nb a s e do nt r a f f i cf l o wp a r a m e t e r si sw e l l ，w h i c hh a sh i g hc o n g e s t i o nd e t e c t i o n r a t e ，l o wf a l s ea l a r mr a t e ，s h o r ta v e r a g ed e t e c t i o nt i m e k e y w o r d s ：t h eu r b a np e r i p h e r yr o a dn e t w o r k ；s t a t ed i v i s i o n ；f u z z yc l u s t e r i n g ； w a v e l e ta n a l y s i s ；t r a f f i cs t a t ep r e d i c t i o n ；n e u r a ln e t w o r k v 学位论文版权使用授权书 本学位论文作者完全了解北京交通大学有关保留、使用学位论文的规定。特 授权北京交通大学可以将学位论文的全部或部分内容编入有关数据库进行检索， 并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国 家有关部门或机构送交论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 学位论文作者签名：莹舔劲 导师签 签字日期：2 d d 7 年6 月0 日签字日期 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研 究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或 撰写过的研究成果，也不包含为获得北京交通大学或其他教育机构的学位或证书 而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均己在论文中作 了明确的说明并表示了谢意。 学位论文作者签名：嗜锄劲 签字同期： 2 0 07 年多月加日 致谢 本论文的工作是在我的导师贾元华教授的悉心指导下完成的，从论文的选题、 构思，到论文的写作、修改和最终定稿，整个过程都渗透着导师的智慧和心血， 凝聚着导师对我的关怀和启迪。在攻读硕士学位期间，导师无论在科研还是生活 上都给予了我细致的关怀，我由衷感到自己点点滴滴的进步，都离不开导师的辛 勤培育和细心教导。在此，谨向我的导师贾元华教授表示我最诚挚的感谢和 最崇高的敬意。 在研究生学习期间，我一直得到学院多位老师的指导和关怀，在这里一并表 示感谢，并祝各位老师身体健康，工作顺利。同时，向评审本论文以及参加论文 答辩的专家们表示谢意，感谢他们在百忙之中抽出时间审阅和指正我的论文。由 于作者学术水平、时间和精力有限，论文中对一些问题的讨论可能存在不当或不 够严谨之处，还请各位专家给予指正，以利于作者继续在该领域进行深入研究。 此外，在项目研究及撰写论文期间，我得到了李健、刘奕、陈峰等师兄师姐 以及宋惠娟、袁涛、郝琪、牛忠海等同门兄弟姐妹们的帮助，大家互相交流、互 相合作，形成了一个积极向上的科研团队，正是身处在这样一个团队之中，我的 论文才能得以顺利完成，在这里我也祝他们学业有成，今后事业i l i o n ! 最后，也感谢我远在家乡的父母，他们的理解和支持使我能够在学校专心完 成我的学业。 1 1研究背景与意义 1 1 1研究背景 1 引言 高速公路是专供汽车分向、分车道行驶并全部控制出入的现代化交通设施， 具有运行车辆行驶速度快、流量大等特点，在运输能力、速度和安全性方面具有 突出优势，对实现国土均衡开发、建立统一的市场经济体系、提高现代物流效率 和公众生活质量等方面都具有重要作用。区别于省际、国际高速公路，城际高速 公路是建设比较完善的、区域经济比较发达地区之间的快速运输通道。随着高速 公路路网规模的不断扩大和公路交通出行量的持续增长，一些经济发达地区或城 市圈区域的城际高速公路交通负荷同益增加，某些进出城区路段已经成为城市通 勤道路的一部分，道路的通行能力及服务水平显著降低，交通拥堵严重、重大交 通事故频发。由于交通量基本达到饱和，高峰时段的行车速度已经低于设计最低 限速，并在收费站出入口形成了排队，如从首都北京辐射出去的京津塘、京石、 京张、京沈、京承等高速公路连接城区路段已经成为制约北京主城区经济辐射作 用的“瓶颈”。 同时，城市规模不断扩大、人口数量激增、土地规划混乱导致城市交通客货 混杂、机非混杂、长短途混杂、交通拥堵等交通问题，当前解决交通问题的关键 在于提高道路交通通行能力，保证道路交通通行速度，满足长短途交通需求。修 建高等级的城市道路以提高行车速度和通行能力，满足大量中长距离交通需求已 成为缓解城市交通压力的有效手段。建设城市快速路网，完善城市道路系统层次 结构，缓解城市交通压力，提高整个城市交通运输系统的服务水平，已成为越来 越多城市所采取的重要措施。 对于大城市和特大城市，高速公路与城市道路网的衔接主要通过快速路。承 担联络及过境双重交通功能的高速公路，一般选择城市快速环路作为其分离不同 属性交通的道路。环路是城市内部交通的保护壳。环路将起点和终点都在环线以 外的过境交通都吸引到环线上，避免过境交通占用城市内部道路，从而起到截流 的作用。环路将一个端点在环内，另一个端点在环外的交通先部分吸引到环线上， 再分散到多条射线上，从而起到分流的作用。环路将起点和终点都在环内的中长 距离的交通部分吸引到环路上，为城市内部交通提供快速绕行，从而起到疏解的 作用。 高速公路容量大，车速高；而城市快速路受出入口车流以及城市内其它道路 车辆影响，车速较高速公路低，且早晚高峰车流量非常大。因此在城际高速公路 与关联城市快速路结合的区域交通流非常复杂，呈现出不同于高速公路或快速路 基本路段的交通流特征。鉴于此，对高速公路与快速路结合部的交通运行特性、 高速公路与快速路结合部的交通状态判定及预测的研究日趋重要。但是，现在国 内外对城际高速公路与关联城市快速路结合部的研究尚处起步阶段，既无成熟的 研究方法也无适合我国高速公路与快速路结合部复杂的交通流特征的成形的评价 体系，因此亟待各方面给予较大的研究关注与投入。 1 1 2研究意义 目前，我国对高速公路与城市快速路结合部的研究集中在道路的规划和布局、 交叉口设计、匝道控制、交通拥堵的治理上，而对结合部交通状态的实证分析较 少。现有的服务水平研究也大多针对高速公路或城市道路的基本路段，考虑的参 数较少，很难适用于高速公路与城市快速路的结合部。本论文在对高速公路与城 市快速路结合部的交通流特征进行分析的基础上，对结合部的交通状态进行判别 研究，探讨其形成机理、传播特性，并建立相应的交通状态判别方法及交通状态 预测模型，这将有助于深化道路服务水平、交通流的理论体系，因此，具有一定 的学术意义和理论价值。 近年来，随着城市用地的向外扩展， 快速路结合部的交通供需矛盾日益突出， 以及卫星城镇的发展，高速公路与城市 尤其是高峰时段服务水平持续下降。分 析高速公路与城市快速路结合部的交通流的时空变化特点，并对交通运行状态进 行评价，将有助于优化高速公路与快速路衔接的交通设计。构建结合部路网的交 通状态判别标准，及时对结合部路网的交通运行状态进行判断，这对于合理地制 定交通治理、疏导、控制等管理决策具有重要的现实意义。同时，对结合部内的 交通状态进行短时预测，并可将交通状态的预测结果在不同的监控系统间通过可 变情报板、网络平台等多方式进行动态发布，为道路使用者出行提供信息参考， 为交通管理部门实现控制提供决策支持，这对于避免结合部交通拥堵，提高城际 道路交通系统的安全性和可靠性具有重要的现实意义。 1 2研究对象 我国大城市的进出城地面常规交通以高速公路为主，并且大多数高速公路都 2 与放射形或环形的城市快速路直接或间接连接这种空间上有关联但功能上有差 异的特殊的路网结构称为城际高速公路与城市快速路的结合部。本文主要研究高 速公路与城市快速路结合部的交通运行状态判别及交通状态预测。 q 1 气一 ( ，竺j i 二 卜- 圈1 - 1 京津塘高速公路与城市快速路结台部 f i 9 1 - 1 t h eu r b 阻p e r l p h e l yr o a d n e t w o r k o f u r b a ne x p r e s s w a ya n dj m g j i n t a n gf r e e w a y 1 3研究的主要内容 本文在分析高速公路与城市快速路结合部交通流特征的基础上借鉴已有的 交通状态判别方法，分别对城市环路和高速公路的交通状态进行划分，再基于高 速公路的交通状态划分结果，构建适台结合部交通状态判别的标准。同时运用神 经网络模型对交通流三参数进行预测，并基于交通流j 参数的预测结果对交通状 态进行预测。论文共分为6 章。具体内容如下。 第1 章为绪论。简要阐述了论文研究的背景及意义，论文研究对象及技术路线。 第2 章为国内外研究现状综述。首先介绍交通状态判别的研究现状，同时总结 了交通流自动检测算法，并对算法的评价指标进行了说明。然后阐述交通流预测 的研究现状，并对交通流预测方法进行了介绍。 第3 章为高速公路与城市快速路结合部的交通流参数特征分析。首先简单介绍 了交通流的参数，然后对研究区域城际高速公路与城市快速路结合部进行了定义， 介绍了结合部路网的组成、功能及特点，并对交通流数据的来源及动态交通数据 的故障识别和修复的方法进行了说明，为交通流参数预测模型输入信息的准确性 和可靠性提供保证。最后重点分析了实际交通流参数数据的动态变化性、刷相似 性及交通流的相关性。 第4 章为结合部交通状态判别。本章首先选取模糊c 均值聚类算法和小波分 析两种方法分别对城市环路和高速公路的交通状态进行划分，并对划分的结果进 行对比分析。其次，综合模糊聚类和小波分析的结果给出了城市环路和高速公路 的交通状态划分的区间。最后，以高速公路的交通状态为基准，构建了结合部路 网的交通状态判别标准。 第5 章为结合部交通状态预测。选择径向基函数神经网络构建预测模型，分别 对结合部内的流量、速度和时间占有率进行了短时预测，预测结果表明，以预测 路段、上游路段及关联路段的当前实测数据和历史数据为输入的r b f 神经网络模型 的预测精度较高。然后根据流量、速度和时间占有率的预测值对交通状态进行预 测，并与基于实测交通流数据的交通状态判别的结果相比较。 第6 章为总结与展望。对论文的研究成果进行总结，提出还需进一步深入研究 的问题。 本文的研究技术路线如下图1 2 。 图1 - 2 本文技术路线示意图 f i g 1 _ 2m a i ns t r u c t u r eo f t h e s i s 4 2 1交通状态判别 2 国内外研究现状综述 交通状态判别是对道路上交通流运行状态的识别，其主要目的和作用是识别 道路上的异常交通状态，从而为道路的交通管理和控制服务。交通状态判别既包 括对交通拥挤的判别，也包括对交通事故等异常突发交通事件的判别。 2 1 1交通状态判别研究现状 一、国外研究现状 国外最早开发并投入使用的道路交通判别算法是以判别突发交通事件为主要 功能的加利福尼亚算法。这种算法开发于1 9 6 5 - - - ，1 9 7 0 年之间，最初用于洛杉矶公 路管理控制中心。加州算法通过比较邻近检测站之间的交通参数数据，主要是比 较环型线圈检测器获得的占有率数据，对可能存在的突发交通事件进行判别【l 】。 德克萨斯州交通协会( 1 v r i ) 在1 9 7 0 - - 1 9 7 5 年期间开发了以判别突发交通事件 为主要功能的标准正态偏差( s t a n d a r dn o r m a ld e v i a t i o n ，s n d ) 算法，用于休斯 顿海湾公路( i 4 5 ) ( d u d e k ，m e s s e r ，a n dn u c k l e s l 9 7 4 ) 的交通监视和控制中心。d u d e k 等人认为可以通过判断交通参数的变化率是否大于指定的阈值来实现对突发交通 事件的判别。标准偏差值s n d 可通过简单的统计分析得到，即用当前交通参数值 减去平均值，再除以标准偏差得到的。如果在连续的两个采样周期内的s n d 值都 大于预定的阈值，则认为发生了突发交通事件【2 】。 1 9 7 4 年，c o o k 和c l e v e l a n d 开发了一种双指数平滑法算法，用于对突发交通 事件的判别。这种方法以交通参数数据的预测值和实测值来构造一个跟踪信号， 通过比较交通参数数据的预测值和实测值来构造一个跟踪信号，当该跟踪信号超 过预定的阈值时，可触发突发交通事件警报【3 1 。 l e v i n 和k r a u s e ( 1 9 7 8 ) 开发了贝叶斯算法，该算法与加州算法相似，也使用 两个相邻检测器之间占有率的差值对所发生的拥挤进行判别，但不同之处在于它 通过计算突发交通事件或常发性拥挤引起的占有率变化的条件概率完成对拥挤自 动判别。因此，这种算法更适用于对具有一定规律性的常发性拥挤和事故多发路 段上的偶发性交通拥挤进行判别【4 】。 a h m e d 和c o o k ( 1 9 7 9 ) 运用b o x j e n k i n s 随机时间序列分析技术中的自回归 5 移动平均方法a r i m a ( a u t or e g r e s s i v ei n t e g r a t e dm o v i n ga v e r a g e ) 开发了一种突 发交通事件的判别算法。这种算法以单个检测器提供的占有率为输入数据，建立 了一个三阶a r i m a ( o ，l ，3 ) 模型对占有率及其置信水平进行短期预测，当预 测数据与观测数据存在大的偏差时，启动突发交通事件的报警系统【5 】。 1 9 9 0 年，p e r s a u de ta l 根据突变理论开发了m c m a s t e r 算法。使用大量的拥挤 和非拥挤交通状态下的流量占有率历史数据，开发了一个流量占有率分 布关系模板，通过将观测数据之间的关系与模板进行两次比较，判断是否发生了 交通拥挤以及发生的是偶发性拥挤还是常发性拥挤。这种算法第一次将过大交通 需求引起的常发性拥挤作为分析判断的对象【6 】。 c h a s s i a k o s 和s t e p h a n e d e s ( 1 9 9 3 ) 开发了一种低通滤波算法，采用移动平均 的方法去除交通参数实测数据中的噪声和高频成份，只保留低频数据实现对交通 拥挤的判别【7 j 。 a b d u l h a i ( 1 9 9 6 ) 提出了应用概率神经网络( p n n ) 对突发交通事件进行检测 的算法，首次将交通事件发生的先验概率、道路条件和误判损失( 如错误划分严 重事故的损失) 等参数引入自动检测算法开发中【8 】。 f a n g y u a n 和r u e yl o n gc h e u ( 2 0 0 3 ) 将支持向量机技术应用到自动检测算法 中，分别运用主干路网的模拟数据和加利福尼亚的1 - 8 8 0 高速公路实测数据进行测 试，并与多层前反馈神经网络测试结果比划9 1 。 综上所述，早期的道路交通状态判别算法主要以突发交通事件为研究对象， 大部分都以感应线圈采集的交通流量、占有率和地点速度等交通数据为基础，所 采用的数据技术主要包括统计分析、平滑滤波等常规方法。随着时间的推移，道 路交通判别的研究内容和研究手段都有了很大的变化。一方面，交通需求和交通 供给之间的矛盾不断变化，常发性交通拥挤也成为交通管理的重点之一；另一方 面，信息采集技术和信息处理技术的进步，为道路交通状态判别研究提供了更有 力的技术基础。除了常规交通检测器能够提供的交通量、地点速度和占有率外， 间接算法设计的信息基础还包括车头时距、车辆的瞬时速度与行程时间、交通流 的平均行程时间和平均行程速度等。 二、国内研究现状 目前，国内研究人员已经对城市和高速公路交通状态进行了一些研究。在城 市路网交通状态研究方面，主要从检测数据得出相关结论。 吉林大学姜桂艳等分析了高速公路交通拥挤的特性，提出高速公路拥挤判别 算法选择交通参数的原则，并对算法所用交通参数及其可得性进行了分析，为算 法输入变量的设计提供了充分的交通参数保证。根据对经典a c i ( a u t o m a t i e c o n g e s t i o ni d e n t i f i c a t i o n ) 算法的分析，基于数据挖掘技术设计了两种算法，即模糊 6 聚类算法和神经网络算法i l 】。 清华大学任江涛和张毅等人应用模式识别的理论和方法，对城市交通网络和 高速公路网络中的模式进行了研究，得出交通状态可以化为重复出现、数量有限 且不同类型的模式的结论f l o 】。 达庆东，姜学锋等根据流量占有率检测数据，研究了城市拥挤路段交通 状态分类方法。利用历史数据库的交通状态数据，确定交通畅通与不畅通之间的 阈值，并根据相邻交通状态点之间的关系把交通状态分为交通畅通、过渡交通和 拥挤交通三类，对将来交通状态进行在线预报，并定期更新阈值【1 1 1 。 郭伟和姚丹亚等人通过对区域内路口大量的检测器数据的分析，利用k 均值 聚类和e m ( e x p e c t a t i o nm a ) 【i m i z a t i o n ) 算法相结合的方法【1 2 】，提取出表征路口交通 流运行状况的特征向量。给出典型交通区域内路口交通流运行的平衡因子，建立 评价区域内路口相似性的相似性矩阵。利用北京市两个典型交通区域的实际交通 流数据进行验证。 裴瑞平、梁新荣、刘智勇提出了一种基于小波变换和最b - - 乘支持向量机的 交通事件自动检测算法，利用小波变换提取特征数据，使用最小二乘支持向量机 进行分类i l 引。 张存保、杨晓光等分析了以往基于固定式检测器的交通事件判别算法之不足， 依据交通事件会显著影响车辆运行速度这一特点，提出了一种基于浮动车数据的交 通事件自动判别算、法【1 4 】。 道路网状态分析涉及宏观、中观和微观交通参数。宏观交通参数主要描述交 通网络的网络特性和整体状态演变，中观参数主要指路段交通参数( 流量、占有 率) ，微观参数主要指车辆运行状态与相互影响关系。因此，道路网交通状态分析 是涉及多尺度、多变量、高度随机和时变的问题。 2 1 2交通流自动检测算法 交通流检测要求及时准确地检测出道路交通流的异常变化，而交通流的异常 变化与交通事件密切相关，所以一直以来人们把交通流检测的研究重点放在自动 事件检测算法方面。自2 0 世纪6 0 年代以来，经过各国交通工程人员不断研究， 现已建立了各种自动事件检测算法，而随着相关科学技术理论的发展，自动事件 检测算法更是日新月异。事件检测算法从根本上说都是模式识别问题，也就是分 类问题，一般涉及到某些交通流参数的变化( 如交通量、速度、占有率或其组合) ， 因为这些参数的变化是交通事件发生引起的或与事件发生有某种关系。目前，各 种自动事件检测算法，大致上可以分为五类：基于模式识别的算法( 或称比较算 7 法) 、基于统计技术的算法、基于动态交通模型的算法、基于人工智能的算法和基 于小波理论的算法。 一、模式识别算法 这类算法是根据事件产生前后交通变量的差值是否超过某一给定的阈值来判 断事件，进而激发事件报警。这类算法主要包括加利福尼亚( c a l i f o r n i a ) 算法、 莫尼卡( m o n i c a ) 算法。 1 c a l i f o m i a 算法【l 】 该算法属于双截面算法，基于事件发生时上游检测截面占有率增加和下游检 测截面占有率下降这一事实。利用时刻t 从检测站i = j ，2 一，刀得到的平均占有率 o c c ( i ，f ) ，该算法使用下面三个条件来判断拥挤是否发生： o c c d f = o c c ( i ，f ) 一o c c ( i + 1 ，f ) k( 2 1 ) o c c r d f ：o c c ( i , t ) - o c c ( i + 1 , t ) o c c ( f f ) k ( 2 - 2 ) d o c c t d ：o c c ( i + 1 , t - - 2 ) - o c i c ( i + 一1 , t ) 墨 ( 2 3 ) d c c ( f + l ，t 一2 ) 。 。 式中：o c c ( i ，f ) 为第f 个检测站t 时刻所测得的占有率；o c c d f 为事件发生 路段上下游占有率差值；o c c r d f 为事件发生路段上下游占有率的相对差值； d o c c t d 为事件发生时下游前后2 m i n 内占有率的相对差值；k ，k ，k ，分别为相 应条件的阈值。 一 如果上述三个条件均满足，则判定事件发生。其中算法阈值是根据路段特点 及一天中的时间( 高峰时间或其他时间) 适当选择的。当然，阈值的选择与检测 效果息息相关。 随后在加利福尼亚算法的基础上，又出现了一系列改进的算法，其中效果比 较好的是c a l i f o r n i a # 7 和c a l i f o m i a # 8 算法。c a l i f o m i a # 7 算法与c a l i f o r n i a 算法基 本类似，只是式( 2 3 ) 改为当前下游占有率的测量值，以便压缩波能够被轻易地 识别，而压缩波是经常产生误报的原因。c a l i f o r n i a # 8 算法在压缩波识别之后，延 迟5 m i n 发出事件报警。加利福尼亚算法的主要缺点是它只使用了与占有率相关的 变量作为输入，并未考虑流量、速度相关的数据。另外其输入参数和6 0 s 的数据使 用周期使事件的检测至少延迟2 m i n 。加利福尼亚算法的优点主要是误报率比较低。 c a l i f o r n i a # 7 、c a l i f o r n i a # 8 通常作为评价其它算法的标准。 2 m o n i c a 算法 该算法建立在连续车辆之间车头时距的测量值和方差，以及连续车辆之间的 速度差的基础上。当这些交通流参数经历大规模的扰动超过预设的阈值时，事件 报警系统报警。m o n i c a 算法与车道数和其它路段的交通行为无关，但是要求检测 8 器间距较短，通常为5 0 0 6 0 0 m 。 二、基于统计技术的事件检测算法 基于统计技术的事件检测算法主要包括：标准正态偏差算法、指数平滑算法、 非参数回归算法、变点统计算法、卡尔曼滤波算法和贝叶斯算法。 1 标准正态偏差算法【2 】 该方法用时刻t 之前n 个采样周期的交通参数( 流量或占有率) 的算术平均值 作为交通参数来预测时刻t 的交通参数值，再用标准正常偏差来度量交通参数相对 于其以前的时间间隔中检测到的平均趋势值的改变程度，当它超过预先设定的阈 值时，则认为发生了交通事件。 设时刻t 交通参数值为x ( f ) ，时刻t 前刀个采样周期的交通参数值为 x ( 卜力) ，x ( t 一，l + 1 ) ，x ( t 1 ) ，则算法可按以下条件判断是否发生事件： s n d ( f ) 一s o ( t ) - 。x ( t ) k ( 2 4 ) 其中： 广1 1 ；c r ，= 去喜x o d ；s = l 丢喜( x ( t - i ) - s c ( t ) ) 212 c 2 5 ) 式中：主( f ) 为当前预测交通参数值；s 为前刀个采样周期交通参数的标准差； k 为决策阈值；s n d 为正常标准差。 这种预测方法简单，但看不出变化趋势，误差较大。 2 指数平滑( e x p o n e n t i a ls m o o t h i n g ) 算法【3 】 交通事件检测是基于交通流的参数变化来进行检测的，然而检测器采集到的 信息中含有较多的通信噪声( 或来自暂时性的系统故障等原因) ，干扰了反映交通 事件的信号，如果直接用于检测，则会导致较高的误报率。指数平滑法先对原始 交通数据进行平滑，剔除诸如随机波动、交通脉冲等短期交通信号干扰，然后将 处理过的数据与预先设定的阈值进行比较并判断是否有事件发生。交通参数的指 数平滑计算公式为： 量(f)=ax(t)+(1-a)yc(t-1)(2-6) 舅()=x(to)(2-7) 式中：f o 为测量序列中的第一个测量时刻( 初始时刻) ：x ( t o ) 为测量序列中的 初始值；量( f ) 为预测值；口为平滑系数，0 口 1 ，一般取值范围为o 0 1 0 3 。 3 非参数回归算法 非参数回归( n o n - p a r a m e t r i cr e g r e s s i o n ) 是近年来兴起的一种适合不确定、 非线性的动态系统的非参数建模方法。它不需要先验知识，只需要足够的历史数 9 据，寻找历史数据中与当前点相似的“近邻预测下一时刻值。预测结果要比参 数建模精确。非参数回归作为一种无参数、可移植、高预测精度的算法，适合于 实时交通事件检测。 4 变点统计算法 变点统计分析( c h a n g e - p o i n ts t a t i s t i c a la n a l y s e ) 方法是近年来迅速发展起来 的研究现实世界中突变现象的非线性统计学方法。2 0 0 2 年，王晓原、隽志才等利 用变点统计理论建立了检测交通异常的均值变点模型，提出了基于最小二乘法的 交通流变点统计算法。当交通流状态发生突变时，将以某一时间( 或空间) 位置 为界面，在此界面两侧，交通流参数发生质的变化。对各种交通流参数，如流量、 速度、车道占有率等使用本方法时，对其分布并无特别的要求。该算法应用中显 示了较好的敏感性、准确性和全局收敛性。 5 卡尔曼滤波( k a l m a nf i l t e r i n g ) 算法 卡尔曼滤波技术是一种复杂的生成预测值的迭代技术。m i c h a e lc r e m e r 对卡尔 曼滤波技术做了很多研究，他发现使用恰当的交通流模型，速度和密度检测值能 够提供计算“干扰流量”的输入，干扰流量是解释和度量道路通行能力降低程度 的假设流量。如果干扰流量超过特定的临界值，就发出事件警报。 卡尔曼滤波算法具有预测因子灵活、精度较高的优点，是最好的检测算法之 一。但是，该算法比较复杂，它需要选择和标定一个宏观交通流模型和经过精细 调整的滤波矩阵。在每次计算时都要调整权值，需要进行大量的矩阵和向量运算， 因此难以用于实时事件检测。 6 贝叶斯算法【4 】 贝叶斯( b a y e s ) 算法使用的是著名的贝叶斯概率分类理论，分类结果的期望 输出可以表示为条件概率研，m 】。给定一个有事件和无事件交通条件的先验概 率，就能够使用贝叶斯定理计算出期望的后验概率，如式( 2 8 ) 所示。 p i m ： 盟! ! 兰盟丝! ! ! ( 2 8 ) h ，】尸 m i 】+ p i f x 尸 m 伊】 、7 其中，j 表示“有事件事件；i f 表示“无事件 事件；m 表示观测的交通 流参数；a n 表示“有事件 事件的先验概率：p 【明表示“无事件事件的先验概 率。 只有当m 的维数( 即交通流参数的个数) 较小时才能使用这一结果。完成该 算法需要三个数据库，即事件发生条件下的流量和占有率、无事件发生条件下的 流量和占有率及发生事件的类型、位置和影响。该算法的检测率很高，误报率比 较低，但是其平均检测时间比较长，不利于事件的实时检测。 三、基于动态交通模型的算法 1 0 这类算法使用复杂的交通流理论描述和预测有事件发生和无事件发生的交通 行为，将实测的交通流参数与预测的交通流参数进行比较。这类算法主要有麦克 马斯特算法和低流量算法。 1 麦克马斯特( m c m a s t e r ) 算法 6 1 m c m a s t e r 算法对交通拥挤的判别过程包括两个阶段：判别拥挤的存在： 判别拥挤的类型。这种算法将获得的交通流量和占有率数据表示在二维空间上， 并将流量占有率二维图形划分为四个区域，每个区域代表一种交通状态，如 图2 1 。 图2 - 1m c m a s t e r 算法的状态分类图 f i g 2 1c o n d i t i o n sc l a s s i f i c a t i o nf i g u r eo fm c m a s t e ra r i t h m e t i c 区域l 表示正常( 非拥挤) 交通状态；区域2 表示偶发性拥挤地点上游的交 通状态；区域3 表示交通流阻塞状态，一般意味着该检测站下游发生拥挤；区域4 表示常发性拥挤地点上游处的交通状态。通过检查实测数据点在四个区域中的分 布情况，可对某个检测站点下游交通拥挤状态的开始、持续和结束时刻进行判别。 该算法规定在三个连续的采样周期内，车速均降至阈值以下，或占有率超过 阈值，或流量与占有率都在非拥挤区域之外，可判定有拥挤存在。在连续两个采 样周期内，车速、流量和占有率任意两个超过各自的阈值，也可以判断是发生了 交通拥挤。 2 低流量算法【1 5 】 大多数检测算法在低流量交通状态下存在问题，这是因为它们检测交通宏观 变量如流量、排队和拥挤，当交通量较小时，这些宏观变量在事件发生时变化不 显著。德克萨斯交通协会开发了一种低流量交通事件检测算法，它使用某公路段 车辆的输入输出分析来确定事件是否发生。根据进入车辆的速度和进入时间来预 测其离开的时间( 假设车辆以不变的速度行驶) 。根据车辆进入该路段时刻和预测 的离开时刻的时间间隔内车辆的运行情况，把该路段的交通状况分为三类：离开 的车辆数少于进入的车辆数，说明该路段发生了交通事件；离开的车辆数等于进 入的车辆数，说明没有事件发生；离开的车辆数大于进入的车辆数，情况不明。 四、基于人工智能的检测算法 人工智能技术是2 0 世纪中叶才逐步发展成熟起来的，是在计算机科学、心理 学、哲学和语言学等多种学科互相渗透的基础上发展起来的一门新兴边缘学科。 它打破了使用数学模型描述事物的常规方法，为建立新型的事件检测算法提供了 契机。该类算法主要包括基于模糊逻辑的检测算法、基于人工神经网络的检测算 法和基于小波分析理论的算法。 1 基于模糊逻辑的检测算法 模糊逻辑理论起始于2 0 世纪6 0 年代，1 9 6 5 年美国加利福尼亚大学的著名教 授l a z a d e h 首次提出模糊集合概念。c h a n g 和w a n g ( 1 9 9 4 年) 提出了交通事件 检测的模糊算法，其主要思想是建立基于模糊规则形式的模糊知识库，并通过推 理系统区分相应的交通状态【l 6 1 。 基于模糊逻辑的检测算法的主要优点是采用了模糊逻辑，消除了传统算法由 于采用阈值而引起的临界决策区。在该算法中，确定各个模糊集的隶属函数是一 项至关重要的工作，隶属函数合适与否直接影响到检测率和误报率。所以，隶属 函数的确定是该算法的难点。该算法另一优点是检测时间短，如果隶属函数恰当， 检测率和误报率都比较理想。 2 人工神经网络算法【1 7 】 交通流运行状