（交通信息工程及控制专业论文）基于支持向量机的高速公路事件检测算法.pdf

摘要高速公路事件的发生是不可预测的，为快速准确的感知公路是否有事件发生，事件发生的地点及险害程度等，以便及时救助，减少损失，排除事件对公路通行能力的影响，高速公路事件检测算法的研究已成为智能交通系统领域的研究热点，它对提高高速公路的交通管理效率、改善交通管理效果具有重要的意义。从高速公路交通流的特点出发，根据事件检测的基本原理，在分析经典高速公路事件检测算法优缺点的基础上，对基于支持向量机( s u p p o r tv e c t o rm a c h i n e ，s v m ) 的高速公路事件检测算法进行研究。在介绍支持向量机基本原理的同时，重点讨论最优分类面、线性可分s v m 、线性不可分s v m 、非线性可分s v m 以及分类常用的核函数。给出基于s v m 的事件检测算法的工作步骤，设计算法的输入向量。并采用加州1 - 8 8 0 数据库，设计4 个实验，在每个实验中分别设计了基于线性不可分s v m 、高斯径向基核函数、双曲线正切核函数的事件检测算法，验证了算法的有效性和可移植性。不同的s v m 模型、不同的核函数及其参数都影响着算法的性能指标，本文利用林智仁副教授的l i b s v m 工具箱参数优化模块对各算法的惩罚参数c 和核参数进行优化选择。求得每个模型和核函数的最优参数后，对上述4 个实验进行仿真，并与c a l i f o r n i a算法进行对比，结果表明：针对不同的实验，选择合适的s v m 模型和核函数，可获得比c a l i f o m i a 算法更好的性能指标。该算法对于提高高速公路事件检测算法的性能指标具有参考意义。关键词：高速公路，事件检测，支持向量机，参数优化a b s t r a c tb e c a u s ef r e e w a yi n c i d e n t sa reu n p r e d i c t a b l e ，a n di no r d e rt oi d e n t i f yr a p i d l ya n da c c u r a t e l yw h e t h e rt h e r ei si n c i d e n t ，a n dt h el o c a t i o no ft h ei n c i d e n ta n dt h eh a z a r dd e g r e e ，s ot h a tt i m e l ya s s i s t a n c et or e d u c et h ei n c i d e n t so fd a m a g e ，a n de l i m i n a t ei m p a c t so nf r e e w a yc a p a c i t ya ss o o na sp o s s i b l e ，t h er e s e a r c ho nf r e e w a yd e t e c t i o na l g o r i t h mh a sb e c o m eac o r er e s e a r c hf i e l di ni n t e l l i g e n tt r a n s p o r t a t i o ns y s t e m s ，w h i c hh a sg r e a ts i g n i f i c a n c ef o ri m p r o v i n ge f f i c i e n c ya n de f f e c t i v e n e s so ff r e e w a yt r a f f i cm a n a g e m e n t t h i sp a p e rb a s e do nt h ef r e e w a yt r a f f i cf l o w sc h a r a c t e r i s t i c s ，i na c c o r d a n c ew i t ht h ei n c i d e n td e t e c t i o n sb a s i cp r i n c i p l e ，a n a l y s i so ft y p i c a lf r e e w a yi n c i d e n td e t e c t i o n sa l g o r i t h m s a d v a n t a g e sa n dd i s a d v a n t a g e s ，a n dr e s e a r c h e so nf r e e w a yi n c i d e n td e t e c t i o nb a s e do ns u p p o r tv e c t o rm a c h i n e ( s v m ) t h i sp a p e ri n t r o d u c e st h eb a s i cp r i n c i p l e so fs u p p o r tv e c t o rm a c h i n e ，a n de m p h a t i c a l l yd i s c u s s e st h eo p t i m a lc l a s s i f i c a t i o nh y p e r - p l a n e ，l i n e a rs v m ，l i n e a r l yn o n s e p a r a b l es v ma n du n l i n e a rs e p a r a t e ds v m a n dt h i sp a p e rp r o v i d e st h ei n c i d e n t d e t e c t i o na l g o r i t h mb a s e do ns v m sm a i nw o r k f l o w , a sw e l la sc h o o s e si n p u tv e c t o r s t h i sp a p e rd e s i g n sf o u rd i f f e r e n ts i m u l a t i o ne x p e r i m e n t sb a s e do nl i n e a r l yn o n - s e p a r a b l es v m ，g a u s sk e r n e lf u n c t i o na n dh y p e r b o l i ct a n g e n tf u n c t i o nr e s p e c t i v e l y e x p e r i m e n t sa b o v ev e r i f yt h ee f f e c t i v e n e s sa n dp o r t a b i l i t yo fa l g o r i t h m s d i f f e r e n ts v mm o d e l ，k e r n e lf u n c t i o na n dp a r a m e t e r sr e l a t i v e l ya f f e c tt h ep e r f o r m a n c eo fa l g o f i t h m s ，t h i sp a p e ra d o p t sp a r a m e t e r so p t i m i z a t i o nm o d u l eo fl i b s v mt o o lb o xp r o v i d e db yt h ea s s o c i a t ep r o f e s s o rc h i h - j e nl i n ，a f t e ro p t i m a lp a r a m e t e r sa c h i e v e d ，s i m u l a t e st h ea b o v ee x p e r i m e n t sa n dc o m p a r e dw i t hc a l i f o r n i aa l g o r i t h m ，t h es i m u l a t i o nr e s u l t ss h o wt h a tc h o o s i n ga p p r o p r i a t es v mm o d e la n dk e m e lf u n c t i o n ，w ec a na c h i e v eb e t t e rp e r f o r m a n c e st h a nc a l i f o r n i aa l g o r i t h m a c c o r d i n gt od i f f e r e n te x p e r i m e n t s t h ea l g o r i t h m sa b o v ea r em e a n i n g f u lt oi m p r o v et h ep e r f o r m a n c eo ff r e e w a yi n c i d e n t sd e t e c t i o n k e yw o r d s ：f r e e w a y , i n c i d e n td e t e c t i o n ，s u p p o r tv e c t o rm a c h i n e ，p a r a m e t e ro p t i m i z a t i o n论文独创性声明本人声明：本人所呈交的学位论文是在导师的指导下，独立进行研究工作所取得的成果。除论文中已经注明引用的内容外，对论文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本论文中不包含任何未加明确注明的其他个人或集体己经公开发表的成果。本声明的法律责任由本人承担。论文作者签名：f 司布陂2 口节年j 月坪日论文知识产权权属声明本人在导师指导下所完成的论文及相关的职务作品，知识产权归属学校。学校享有以任何方式发表、复制、公开阅览、借阅以及申请专利等权利。本人离校后发表或使用学位论文或与该论文直接相关的学术论文或成果时，署名单位仍然为长安大学。( 保密的论文在解密后应遵守此规定)论文作者签名：阁秫茨导师签名：每少夜在v沙9 歹年r 月巧e l加尹年r 月矽日长安大学硕士学位论文1 1 选题背景第一章绪论随着2 0 世纪3 0 年代世界上第一条高速公路在德国建成通车，为了适应经济的不断发展和交通需求的不断增加，世界各国都大力实施高速公路的规划、建设。截至2 0 0 1年底美国的高速公路通车总里程已将近9 万公里，日本的高速公路通车总里程在2 0 0 1年达到6 1 0 0 多公里，截至2 0 0 6 年底，我国高速公路总里程也达n - f4 5 3 万公里【1 】【2 1 。高速公路的快速发展，带动和促进了经济发展与社会进步，给人们带来了巨大的经济效益和社会效益【3 l 。与此同时，高速公路的运营管理也存在一些问题，其中最为突出的是交通拥挤和交通事故等。统计表明，由交通事件( 事故、车辆故障和路面维护等)引起的交通拥挤最多，而且由事故、车辆抛锚等引起的交通事件是不可预测的。美国联邦公路管理局估计由于交通事件引起的拥挤占总拥挤的6 0 以上，预计到2 0 0 9 年，该比例会增加到7 5 。解决这些问题的根本办法是规划和新建交通通道，但由于受土地资源、经济、环境等因素的限制，有时是不可行的，所以必须充分利用和管理好现有的高速公路，最大限度的发挥其效能t 4 l t 引。目前，高速公路上的交通拥挤主要有以下两种【5 】：( 1 ) 常发性拥挤。这是由于路段交通需求接近或超过道路通行能力而产生的拥挤，一般发生在交通高峰期间，它是可以预测的：( 2 ) 突发性拥挤。由发生在高速公路上随机性的交通事件导致而成，例如偶然性交通事故、道路维修、雨雪等自然灾害和运行环境条件等，它是不可预测的。高速公路事件是指非周期性发生且使某段道路通行能力下降的事件，它包括货物散落、车辆抛锚、交通事故、道路维护、气候影响、以及包括导致交通需求短时上升的各种有计划的大型活动，如道路设施维护、大型活动以及特殊车队的通行等。由于高速公路事件发生的地点和时间是随机的，具有偶发性和不可预测性，且高速公路是全封闭的，车辆运行速度高，一旦发生交通事件，如果不及时处理，会造成交通拥挤的传递，甚至发生二次事故，以至导致交通瘫痪。随着交通量的持续增长，事件发生的频率越来越高，造成的影响也越来越大【6 1 。本文研究的交通事件是指突发交通事件。为了减少交通事件对高速公路运行带来的负面效应，有必要对事件检测算法进行研究，通过对交通事件的快速检测、确认与现场清理，并运用交通流诱导等手段，从而可第一章绪论有效地减少各类交通事件对交通运行产生的影响，减少二次事故的发生，避免事件的扩大，确保车辆安全、舒适地行驶，充分发挥高速路的优势【7 1 。交通事件检测算法( a u t o m a t i ci n c i d e n td e t e c t i o n ，a i d ) 的性能在很大程度上决定了高速公路交通管理的效果。经过近2 0 年的发展，交通事件检测的效率和可靠性产生了巨大的飞跃。1 2 国内外研究现状1 2 1 国外研究现状高速公路事件检测是高速公路交通管理系统的关键和核心，因此对事件检测方面的研究有着令人瞩目的成就【6 】【8 】【9 】。自2 0 世纪6 0 年代开始，国外一些学者开始提出并建立各类高速公路事件自动检测系统。最早开发并投入使用的事件检测算法是加利福尼亚运输局开发的加利福尼亚算法，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，它所采用的交通检测参数是车道占用时间。经过实践和进一步的深入研究，1 9 7 8 年，p a y n e 和t i g n o r 公布了1 0 种基于最初的加州算法的改进a i d 方法，其中性能最好的是加州# 7算法和加州# 8 算法。加州# 7 算法能够区分常见的交通压缩波，而不会发生误报警。为了进一步降低误判率，加州# 8 算法增加了反复的持续性判别，其代价是报警时间总体上推迟了5 m i n 。1 9 7 4 年，c o o k 和c l e v e l a n d 提出了双指数平滑模型，用于对突发事件的判别。该方法将交通参数数据的双指数平滑值作为预测值，通过比较交通参数数据的预测值和实测值，构造一个跟踪信号，当该跟踪信号超过预先设定的阈值时，可触发警报。c o o k 和c l e v e l a n d 认为，指数平滑算法能较准确地进行事件检测。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，该算法根据拥挤和非拥挤交通状态下的流量占有率历史数据，开发一个流量占有率分布关系模板，然后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。另外经典的算法还有贝叶斯算法，该算法使用两个相邻检测器之间占有率变化的条件概率完成对拥挤的判别；高占有率算法( h i o c c ) 运用环形线圈检测器获得的占有率数据判别缓行车辆的存在；自回归移动平均法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 g a v e r a g e ) 算法采用单个检测器采集的占有率作为输入，建立一个三阶的a r i m a2长安大学硕士学位论文( o ，1 ，3 ) 模型对占有率及其置性水平进行短期预测，当预测数据与观测数据存在大的偏差时，启动报警系统；d u t c h 算法运用指数平滑方法对各车道的速度进行滤波后得到平均速度，如果实际速度与平均速度的差值超过预定的阈值，则启动报警系统；m o n i c a算法依据连续车辆之间车头时距的测量值和方差、连续车辆之间的速度差，当这些参数超过预定的阈值时，启动报警系统。随着神经网络人工智能新技术的发展，c h e u 等人将人工神经网络应用于高速公路突发事件的判别，基于神经网络的事件检测算法。随后，c h e u 等人开发了基于多层前馈网络( m l f ) 的算法，该神经网络由输入层、中间层和输出层三层组成，输入层由上、下游的流量、速度、占有率组成，中间层对输入的数据进行处理，输出层产生事件和非事件信号。b l o s s e v i l l e 、m o r i n 和l o c e g n i e s 开发了基于视频图像处理技术的检测算法等。图像处理方法是以摄像机和计算机处理能力为基础对高速公路上的事故进行自动检测。该算法不仅可以判断事故是否发生而且还可预测事故，具有直观、灵活的优点，是目前公认的最有发展前景的检测算法之一o1 2 2 国内研究现状由于我国高速公路的发展历史相对较短，决定了在高速公路事件检测算法相对滞后。然而，近些年随着国家的重视和资金的投入，我国交通领域的专家和学者跟踪国际交通研究的前沿，在高速公路交通事件检测算法方面也取得了一定的研究成果。国内对事件检测算法的研究主要集中在的新技术、新理论的应用研究方面，包括小波变换、神经网络、模糊理论、支持向量机，以及基于视频图像处理的事件检测算法等【l o 】【1 1 1 。李文江、荆便顺等提出基于小波分析的事件检测算法，并且采用广佛高速公路交通流数据对该算法进行了离线测试。结果表明，其检测效果优于加利福尼亚算法和滤波算法。该算法的基本思想是：首先构造二进小波，对交通流数据进行二进小波转换，检测其奇异点，根据判断逻辑确定是否有交通事件发生。交通部公路研究所的周伟提出一种基于模糊综合识别的事件检测算法。该算法既可以检测拥挤并能确定拥挤成因。该算法首先确定流量、速度、上下游占有率各模糊集的隶属函数，并采用实际数据对算法进行了验证。吕琪、王慧提出一种基于动态神经网络的交通事件检测算法。该网络借鉴静态b p第一章绪论网络的训练算法，并针对其训练方法中收敛速度慢及容易陷入局部极小点的缺点采用一种改进的算法。梁新荣、刘智勇等提出了采用基于结构风险最小化原则基础之上的分类方法一支持向量机研究高速公路交通事件检测问题，根据交通事件对交通流参数的影响规律选择了支持向量机的输入量，最后对算法进行仿真研究。陈斌在高速公路交通意外事件管理关键技术一书里，提出基于支持向量机的高速公路意外交通事件检测算法，利用自主开发的仿真平台a i d s i m u l a t i o n 生成的交通流数据库进行仿真试验，并且研究了不同核函数、单侧输入与双侧输入、多时阶与单参数输入、多参数组合输入的算法性能指标。1 3 研究的意义和内容1 3 1 研究的意义到目前为止，从已开发的高速公路事件检测算法中，并没有一种算法的成效完全优于其它算法，不同的算法只是在不同的情况下其性能优越。加利福尼亚算法利用直接比较法得到检测结果，其检测效果较好。但是用于事件识别的初始值难以确定。m c m a s t e r算法可判别拥挤的发生以及判别拥挤成因，但是如果不能准确地确定三条临界曲线，可能会出现较大误报。指数平滑算法当单个采样周期内出现高频噪声时，会出现很高的误报。利用人工神经网络训练数据进行事件检测有一定的优势，然而，神经网络容易陷入局部极小，需要大量数据进行训练才能使其具有好的移植性。视频图像处理应用于a i d是近年来的新技术，但是需要设置密集的摄像机才能保证检测的可靠性，导致需要较高的资金投入【6 】 1 2 】。论文将支持向量机用于事件检测，不仅可以改善传统事件检测算法的有效性，而且可以提高其泛化能力，这对提高高速公路的交通管理效率、改善交通管理效果具有重要的现实意义；支持向量机只需少量训练样本，因此对于解决目前高速公路交通事件检测中所存在的事件样本少，样本采集困难等缺陷或不足具有重要意义。1 3 2 研究的内容论文开展对基于支持向量机的高速公路事件检测算法的研究，具体工作如下：第一章为论文的绪论部分，首先分析论文的选题背景，介绍国内外高速公路事件检测算法的研究现状，以及概述其优缺点，最后提出了本文的研究意义及研究的主要内容。4长安大学硕士学位论文第二章首先从交通流的基本理论入手，分析速度、流量及密度之间的基本关系，建立反映高速公路车流规律的宏观稳态和动态交通流模型；分析事件条件下的交通流特性，为选择算法的输入参数奠定基础。第三章分析了交通事件的检测原理，介绍现有交通事件检测算法的原理以及评价算法优劣的衡量指标，在此基础上对各种检测算法的性能进行了比较，在分析各种算法优缺点的基础上提出了基于支持向量机的高速公路事件检测算法。第四章首先给出机器学习问题的一般表示，以及传统学习理论存在的问题，然后引入统计学习理论以及介绍统计学习理论的v c 维、推广性的界和结构风险最小化原则。接着介绍了结构风险最小化原则的实现算法一支持向量机，重点讨论了最优分类面、线性可分支持向量机、线性不可分支持向量机、非线性可分支持向量机的原理，介绍了分类常用的核函数。第五章首先介绍了基于支持向量机的事件检测算法的工作步骤，紧接着阐述了基于支持向量机的高速公路事件检测算法所需交通参数的选择与数据来源，接着介绍亍优化支持向量机模型和核函数对应的参数的算法。并采用1 - 8 8 0 数据库，设计了4 个实验，再针对每个实验分别设计了基于线性不可分支持向量机、高斯径向基核函数、双曲线正切核函数的事件检测算法，然后利用林智仁副教授的l i b s v m 工具箱参数优化模块对各模型参数进行优化，并求得各最优参数相对应的算法性能指标，最后把基于支持向量机的高速公路事件检测算法和加利福尼亚算法进行比较评价，总结其优缺点。：1 4 本章小结首先分析论文的选题背景，介绍国内外高速公路事件检测算法的研究现状，以及概述其优缺点，最后提出了本文的研究意义及研究的主要内容。第二章高速公路交通流特性分析第二章高速公路交通流特性分析交通流是指道路上人、车、货从甲地到乙地的流动形态。交通特性是指交通流的特性、定量特征及其随时间、空间变化而变化的一般规律。其中速度、交通量和交通密度是表征交通流特性的三个基本要素。2 1 高速公路交通流特性2 1 1 高速公路交通流基本参数根据调查观测得到的交通资料，假设车流均匀，车种单一时，得到速度、交通量和交通密度三者之间的理论关系式，即交通流基本模型【3 】y 3 1 y 4 1 ：p ：旦( 2 1 )1 交通量q交通量是指在单位时间段内，通过道路某一地点、某一断面或某一条车道的交通实体数，符号用q 表示。交通量选用的时间单位一般为日、小时等，以日为单位的称为日交通量( 辆日) ，以小时做时间单位的称为小时交通量( 辆1 1 ) ，) 。2 平均速度屹车速分为地点车速、行驶车速、区间车速、时间平均车速和空间平均车速。车辆驶过道路某一地点的瞬时速度，称为地点车速。固定的观测地点，在给定的时间间隔内测得的地点车速的平均值称为时间平均速度v ，即：驴净2 ，式中：h 一时间平均速度；q 一第i 辆车的地点车速；”一单位时间内的车辆数。在某一特定时间内，行驶于道路某一特定长度内的全部车辆的地点车速分布的平均值，称为空间平均车速v j ，观测长度一定时，其值为地点车速观测值的调和平均值，公规驴喜事汜3 )6长安大学硕士学位论文式中：x 一观测长度；t ，一第f 辆车的行驶时间；刀一车辆行驶长度x 的次数；v 一第埔眄车的行驶速度；屹一区间平均速度。3 密度p交通密度是指在某一时刻，一定长度的车道内拥有的车辆数，单位为辆k n v 车道。密度是表示交通流拥挤状态的恰当指标。2 1 2 交通流基本参数关系1 车速与密度关系当道路上的车辆增多，密度增大时，驾驶员被迫降低车速：而当车流密度变小时，驾驶员又可选择较大的车速行驶。经过实验研究，格林希尔兹于1 9 3 3 年提出了( 速度一密度) 线性关系模型：k 叫1 。旁旺4 ，由上式可知，当p = 0 时车辆间距可看为。，驾驶员按自由速度1 ，行驶，不存在车辆间的相互影响。当密度增加到极限值，即p = 乃时，车速显然为0 。2 交通量与密度关系根据( 速度一密度) 特性及式( 2 1 ) 可以得到( 交通量一密度) 关系模型：嘞护旁p眨5 ，令粤：0 ，此时密度为最佳密度，求得最大流量：d p驴竽( 2 6 )显然可以看出，一定存在一个临界密度p 。与流量最大值g 。相对应。在区间 0 ，p 。】内，当p 增大时，v 有所下降，结果g 增大，这是自由运行状态；在区间【成，成】内，当p 增大时，v 显著下降，结果g 减少，交通流处于拥挤状态。3 交通量与车速关系根据式( 2 4 ) 和( 2 5 ) 得：第二章高速公路交通流特性分析g = p ，c 叱一号，( 2 7 )令粤：0 ，求得的最大流量：旦誓及k ：鲁。式中心表示临界速度。当v 成，q k 时，p 成，q 交通流处于非拥挤状态。2 1 3 宏观稳态交通流模型考虑一个分成个路段的多车道高速公路系统，每个路段包含一个入口匝道和一个出口匝道，分段结构如图2 1 所示路段i路段i路段nr 校s n图2 1 高速公路分段结构图1 递推模型设第段交通流量为q ，入口、出口流量分别为i 、i ，则q j2q j 一1 + j - - 1 ，2 ，n( 2 8 )故只要知道始端主线流量及各入口、出口匝道的流量，就可用式( 2 8 ) 依次计算出各段的流量乃( 产1 ，2 ，) ，故式( 2 8 ) 即为稳态交通流量模型，我们称其为递推模型。2 起始一到达模型设从路段f 的入口匝道进入的车辆( 流量为) 中1 0 0 到达路段，则，q j = ，：j = l 2 ”，n( 2 9 )，= l( 0 - 口f ，口f ，v l a i 。f + l 口f ，f 1 )这里我们己将始端主线流量记为，i 。引入n x n 阶起始到达矩阵：8长安人学硕士学位论文a ：a j ia 1 20u 2 2ooq 。q 2 nq n n记g = g 。，q 2 ，q v 】，= ，r 2 ，厂】，分别称其为流量向量，入口流量向量，则式( 2 9 ) 可写成矩阵形式为：q = ，么( 2 1 0 )在估计出矩阵彳的条件下，由入口流量，；，可算出各路段流量吼( j = l ，2 ，) ，称式( 2 1 0 )为起始一到达模型。3 起始一终点模型设中有1 0 0 。a 经其下游第歹路段的出口匝道驶出，则，s j = ，：= 1 2 ”，n( 2 1 1 )其中，气= l产1 ，2 ，( 2 1 2 )可写成矩阵形式为：s = ，b( 2 1 3 )这里已将孙i 己a s ，s = i s i ，屯，曲】。矩阵b 的第i 行歹列的元素即为，b 称为起始一终点矩阵。称式( 2 1 3 ) 为起始一终点模型。2 1 4 宏观动态交通流模型1 动态密度模型以一条长的多车道高速公路为例，其交通流可被看作一个密度为以x , t ) 、流量为g d 的流体，x y f - 车方向坐标，f 表示时间，遵循流体运动的车辆基本守恒方程：a _ 。k p ；+ 皇：，( 2 1 4 )a t8 x其中，、s 分别表示断面x 处的平均驶入流量、平均驶出流量。第二章高速公路交通流特性分析式( 2 1 4 ) 的含义是：当断面x 处交通流源，一s 增大，该处的密度会上升，同时该处以f = ( 沿x 方向) 流量呈增加趋势。为实现空间离散化，在路段，内将式( 2 1 4 ) 的g ( x ) 用g h 、g ，表示，即祟= 挚。魄。为实现时间离散化，在路段i 内采用如下近似处理( 采样周期为t ) ：1 a o ( x 广, t ) = 亍1 【n ( 七+ 1 ) 一舭) 】于是式( 2 1 4 ) 近似为如下差分方程：以j j + 1 ) = d ( 帅丢【钆( 妒吣) 州炉驰) 】( 2 1 5 )i = 1 ，2 ，；k = 0 ，1 ，2 ，显然，丁取值越小，则准确率越高。丁的选择应满足不等式：丁 垒( 2 1 6 )v f即车辆以自由速度吁行驶时，也不允许在一个采样周期t 内越过一个最短的路段( 其长度为m i n ) ；否则动态检测数据将失掉应有的信息。2 动态流量模型交通流动态过程中，某位置处的交通流量不仅取决于上游邻近处的流量( 稳态交通流即如此) ，而且与下游交通状态有关，即某个断面的流量将是由顺流和逆流两个方向传递的信息共同决定的。以一段无出入匝道的道路为例，据式( 2 1 4 ) 有娑+ 挈= 0( 2 1 7 )a ta x由于g = g ( p ) 的关系，在此定义c - 象为g p 曲线上特定工作点斜率，则守恒方程为：望+ c 望= 0三一+ 二一=a ta x其解为j c i t ) = f ( x - c f ) ，f 为任意常数。这表示，当密度等变量变化时，所引发1 0长安大学硕上学位论文的交通流波将随着交通流以c - 字的速度进行扩散。印现在我们用加权的形式表示路段f 、i + 1 之间的流量吼p ) ，则等式两边的流量均可表示为密度的函数：g ，( 尼) = a q p ，( 尼) 】- t - ( 1 一a ) q p “l ( 后) 】( 2 1 8 )加权系数a 的值与岛、岛+ l 有关。当岛+ l 以时( 拥挤时) ，a 接近于0 ，g f o ) 主要取决于其下方的交通状况。实际中，常把a 取为接近于1 的常数。修正上式，得：q ，( t ) = d q m i n ( p ，( f ) ，p 玎) 】+ ( 1 一d ) q p 川( f ) 】& ：a 拳“lo ) p c ，( 2 1 9 )【1 一a 当p ，+ j ( f ) p 。若第f 路段末端有一出口匝道，第i + 1 路段始末端存在一个入口匝道如图2 1 所示，则吼( 尼) 表达式应修正为吼( 后) = a g 岛( 后) 】+ ( 1 一a ) g ( 岛+ l ( 后) ) 一，；+ l ( 后) 卜t ( 尼)( 2 2 0 )考虑q 、p 、1 ，三者之间的关系，将吼( 尼) = p ，( 尼) _ ( 尼) 代入( 2 2 0 ) ，得到改进的动态流量模型为吼( 尼) = a p ，( 后) v ( 后) + ( 1 一a ) 【b + l ( 尼) u + l ( 后) 一i + l ( 豇) 卜s ( 后)( 2 2 1 )3 动态速度模型高速公路上某辆车在某时刻某位置的行驶速度与该车在过去时刻的速度和当前位置所处交通状况有关，还与前方交通状况有关，速度的变化规律比较复杂。也就是说高速公路上车辆的行驶速度是由驾驶员根据车辆、道路、交通以及环境等实际情况进行调整的。实际上，平均速度v ( 五f ) 不可能瞬时地跟随p ( x , o 变化，根据q = p v 的关系，对于g f ) 来说也是如此。也即驾驶员对前方交通状况变化做出反应时间需要一个延迟时间。另外，车辆发动机、传动装置也存在一个调整时间。因此，车速的变化总比前方血处交通密度变化滞后，假设滞后时间为了，则可得到下式：第二章高速公路交通流特性分析v 【x ，t + f ) = v t p ( x + x ，f ，j( 2 2 2 )将上式左端对f 展开泰勒级数，右端对缸展开泰勒级数，略去高次项，可得v ( 卅+ f _ d v ( x , t ) ：1 ，胁，f ) 】+ 掣罢缸( 2 2 3 )d tc i j 9出对微观交通的研究与观察发现，取x 等于车头距离的一半为宜，即x = 瓦1 ；丽8 v 可近似看成一个常数，为此引入一个常参数v ：j l l ：一0 5a v( 2 2 4 )o p最后，把全导数塑d 盟t = 堡8 xv + 塑8 t( 2 2 5 )代入，得到连续时间的动态速度方程宴：一v 宴+ 1ja ，p ( 2 2 6 ) - - v o ( p ) - - 1 2 , - y r - 瓦2 一v 瓦+ rp 出2 将上式进行空间离散化处理，将高速公路分为n 段，每段长度为a ，o = 1 ，2 ，) ，转化为差分方程的形式，则有：詈= 扣川h 】 2 7 ，罢2 扣炉u ，眩2 8 ，芸2 如+ 1 ( 炉以纠眨2 9 ，式中t 为采样周期。将其代入上式得：啡+ 1 ) 州尼) 孔删h 】+ 掣妒删一丛2 _ l 查! 二旦! ! 盟( 2 3 0 )r aipf ( k ) + ai = 1 ，2 ，n ：k = 1 ，2 ，长安大学硕士学位论文式中，g 、a 为修正参数。s 可以调整第三项权重，使整个模型更符合实际交通。第二、四项的权重可通过适当地估计p 、r 的数值来加以调整。式( 2 3 0 ) 即为实用的速度动态模型。该式表明在动态过程中某路段的空间平均速度v 如+ 1 ) 由以下几个因素决定：( 1 ) 前一时刻该路段平均速度v ( 功，要按照前一时刻该路段交通密度肛( 功及该路段的v p 特性变化。v + 1 ) 要按照1 ，一p 特性朝着与v ( 刀) 相适应的方向变化。这里采用了下述模型来描述v - p 特性：咖一 1 _ ( 圳”眩3 ，式中，z 、m 为常值参数，( 根据实测交通数据得到) 。( 2 ) u q + 1 ) 要与上游相邻路段在前一时刻的平均速度v f l ( 功相适应。( 3 ) 坼+ 1 ) 与下游相邻路段的交通密度岛“( 疗) 有关，行车前方密度较高时，车速2 2 事件状态下高速公路交通流特性当高速公路发生事件时，事件发生地点的通行能力下降，事件发生地点上下游的交通流特征就会发生变化。分析事件状态下交通流基本参数的变化特征，是建立事件检测算法、判断交通异常的根本依据【3 1 1 3 1 1 。只有正确掌握了事件和非事件条件下交通流的特点，才能从根本上认识它们之间的差别，以及造成这些差别的原因 刁，从而更加有效地利用各种技术完成事件检测。图2 2 给出了高速公路事件对交通流产生的影响。如图2 2 所示，事件发生后，在事件上下游附近会出现4 个不同的交通流区域。区域l 、区域4 中的交通流没有受到突发事件的影响，保持正常状况。区域2 紧靠事件地点的上游，这里的交通流变得拥挤，具体表现为密度高于正常值，而速度低于正常值。区域3 紧靠事件地点的下游，交通流将会变得疏散，因为它的交通量等于事件引起的瓶颈通行能力，低于区域3 中路段原有通过能力，所以，在这里密度低于正常值，而速度高于正常值。区域1 和区域2 之间的分界线上移，上游形成冲击波，相反，区域3 和区第二章高速公路交通流特性分析域4 的分界线下移，下游形成扩展波。冲击波的移动速度取决于正常交通流的流量和事件的严重性、横向位置、环境与几何条件。由流体力学模型得出，冲击波的移动速度屹可以表示为：1 ，。：笪l ：业( 2 3 2 )“里l 一旦上p l p2v l1 ，2式中：吼、啊、届一分别表示突发事件发生前上游的交通流量、速度以及密度；留：、v ：、办一分别表示突发事件发生后上游的交通流量、速度以及密度。当屹为负时，将形成拥挤( 阻塞) ，冲击波以屹的速度相对于车道向上游传播，在时间乃内的行程为k 乃。由此可以看出，事件引起的拥挤的扩展，是由正常交通流和瓶颈处的通过能力以及突发事件排除前所经历的时间共同决定的。当屹为正时，则表明不发生阻塞。事件位置速度密度占有率流量上游下游图2 2 事件对交通流的影响由此可知，在正常交通状况下，高速公路给定点的上、下游交通流参数多多少少会具有相似的特点。事件发生时，正常的交通流状况被打断，由于拥挤冲击波是向后传播的，因此会在上游形成拥挤模式，具体表现为速度下降，占有率增加；而下游的状况正好相反，表现为速度加快，而占有率降低。由于事件阻塞后交通流的消散，因此会在下游形成消散模式。事件发生后，如果没有检测出来，导致没有采取相应的处理措施，上1 4长安大学硕七学位论文述状况就会变得愈加明显，并向更大范围扩散。2 3 本章小结首先从交通流的基本理论入手，分析速度、流量及密度之问的基本关系，建立反映高速公路车流规律的宏观稳态和动态交通流模型；然后分析了事件条件下的交通流特性，为选择本文算法的输入参数奠定基础。第三章高速公路事件检测算法研究第三章高速公路事件检测算法研究高速公路事件是指非周期性发生且使某段道路通行能力下降的事件，它分为不可预测类( 比如货物散落、车辆抛锚、交通事故等) 和可预测类( 比如大型活动、道路修筑、路面养护等) 。本文研究的交通事件是指不可预测的各种突发交通事件。3 1 交通事件检测原理交通事件会导致高速公路上的交通流变化，因此交通事件检测的基本原理是通过实时检测道路上的交通流参数变化值来加以识别。当某路段发生交通事件时，交通流参数例如占有率、流量、速度等参数会发生突变，如果变化程度超过了预先设置的交通异常门限值，判定发生了交通事州14 1 。3 2 经典交通事件检测算法3 0 多年来，各国在研究事件检测算法方面做了大量的工作，据不完全统计，大约有4 0 多个研究机构对此展开过研究。交通事件检测算法发展到今天，大致上可以分为5 大类：比较和模式识别算法、统计法、时间序列和平滑滤波方法、交通理论模型法和先进的事件检测算法等【6 】【8 9 l 【1 3 】【1 5 】。( 1 ) 比较和模式识别法这类算法根据事件产生前后交通变量的差值是否超过某一给定阈值来判断事件，进而激发事件报警。这类算法包括c a l i f o m i a 算法、m c m a s t e r 算法、u c b 算法等。c a l i f o r n i a 算法是由美国加利福尼亚州运输部开发，并得到广泛承认和应用，一般作为评价新算法的参考，它最初用于洛杉矶高速公路时，即收到良好效果。该算法基于事件发生时上游检测点占有率将增加，下游检测点占有率将减少这一事实。它用一分钟平均占有率o c c ( f ，f ) ，即在时刻从检测点f - 1 ，2 ，n 得到的平均占有率，按照下述三个条件，判断事件是否发生。如果式( 3 1 ) 满足，则判断事件发生，算法流程图如图3 1 所示。c a l i f o r n i a # 7 和c a l i f o r n i a # 8 是对上述算法的一个改进。c a l i f o r n i a # 7 与加利福尼亚算法类似，但它采用了下游占有率d o c c = o c c ( j + 1 ，) 而没有采用d o c c t d 。1 6长安大学硕士学位论文o c c d f = o c c ( f ，f ) 一o c c ( i + 1 ，t ) ko c c r d f ：o c c ( i , t ) - o c c ( i + 1 , t ) 尼o c c ( i 。f )2d o c c t d ：o c c ( i + 1 , t - 2 ) - o c c ( i + 1 , t ) 疋o c c ( i + l ，t 一2 )( 3 1 )图3 1 加利福尼亚事件检测算法逻辑图m c m a s t e r 算法是在高速公路交通状态突变理论即“函数中的一个变量产生非连续特性而其他变量值显示连续性变化的基础上开发出来的，它不仅能识别拥挤，而且能确定拥挤的原因( 常发性或偶发性) 。判断拥挤的依据是高速公路路段在拥挤时车流速度降低，道路占有率增加以及“拥挤 车流的存在。该算法采用拥挤到非拥挤状态变化1 7第三章高速公路事件检测算法研究的流量占有率关系的历史资料，开发一个流量占有率模板，该模板有4 个区域。根据图3 2 中的曲线来区分高速公路是否处于交通拥挤与非交通拥挤状态，该曲线代表了正常( 非拥挤) 区域的下限，一旦检测器采集到的数据在该曲线之上时，则判断高速公路交通流为非拥挤状态，低于该曲线状态则为拥挤状态。交通流且里v c r i t占有率图3 2m c m a s t e r 算法的交通状态分类图图中，l u d 表示正常( 非拥挤) 交通区域的下限，o c r i t 表示临界占有率，v c r i t 表示临界交通量。这三条曲线把流量占有率平面划分成四个区域，分别对应不同的交通状态。区域1 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 表示缓慢交通流的阻塞状态，一般意味着该检测点下游发生拥挤；区域4 表示常发性拥挤上游处的交通状态。通过检查实测数据点在四个区域中的分布情况，可以判别某个检测点下游交通拥挤状态的开始、持续和结束时间。u c b 算法( u n i v e r s i t yo fc a l i f o r n i a ，b e r k e l e ya l g o r i t h m ) 的基本思想是针对交通流的波动，计算上下游的累计占有率，这种累计和可以自动记忆历史采样数据并保持对随机波动的鲁棒性。正常交通时累计和趋近0 ，否则激发事件报警。( 2 ) 统计法该类算法通过计算检测数据的标准统计值并与估计或预定值来比较判断是否发生事件。这类算法有：s n d 算法、非参数回归算法、b a y e s i a n 算法等。s n d ( s t a n d a r dn o r m a ld e v i a t e ) 算法采用简单的统计分析来测算标准差，它采用时刻t 前玎个采样交通变量值( 交通量或占有率) 的算术平均值来预测时刻t 的交通变量l r长安火学硕士学位论文值，用标准正常偏差来度量交通变量相对于以前的时间间隔中检测到的平均趋势的改变程度，如果用占有率计算出的s n d 超过预先设定的阈值时，就认为发生了交通事件。假设时刻f 交通变量值为x o ) ，时刻f 前玎个采样交通变量值为x o 一玎) ，x ( t 一门+ 1 ) ，x ( t 1 ) ，则算法可按下述条件，判断是否发生事件：其中：s n d ( ，) = 丁x ( t ) - x ( t ) k( 3 2 )二( ，) = 三喜x ( r d( 3 3 )s = 巴( x ( f 一沪x ( f ) ) 2 】-( 3 4 )二i = 1式中：x o ) 一当前预测交通变量值；s 一前，2 个采样交通变量的标准差；足一门限值；舯旧一正常标准差。这种预测方法简单，但看不出变化趋势，误差很大。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据，寻找历史数据中与当前点相似的“近邻预测下一时刻值。因此，当有交通事件发生时，预测结果要比参数建模精确。b a y e s i a n 算法采用两个相邻检测器占有率之间的差值来计算。当路段通行能力下降时，事件发生概率的历史数据，使用贝叶斯统计技术计算由下游车道堵塞而引发事件信号的概率。它和c a l i f o r n i a 算法一样，都是采用相邻两个检测器之间的相对占有率之差，但b a y e s i a n 算法是计算由事件引起的相对占有率之差的条件概率。该算法需要三个数据库资料：无事件数据、事件数据、公路巡视记录。这些数据反应了事故的类型、地点和严重程度。