自动事件检测算法综述

自动事件检测算法综述

20世纪60年代，事件检测系统发展起来，形成了如图1所示的各种检测方法和技术。随着电子技术、通信技术和计算机科学的快速发展，以及其发展趋势，间接检测方法已成为当前识别系统中使用的主要方法。1国内外检测算法目前应用的各种事件自动检测算法,除直接检测方法——视频检测法外,大致可分为基于模式识别的算法(或称比较算法)、基于统计技术的算法、基于交通流模型的算法、基于人工智能的算法和基于小波理论的算法.限于篇幅,文中介绍国内外主要应用的检测算法.1.1确定分辨率occ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(California)算法、莫尼卡(Monica)算法.下面介绍加利福尼亚算法.加利福尼亚算法开发于1965～1970年之间,由美国加利福尼亚运输部开发.该算法是双截面算法,它基于事件发生时上游截面占有率将增加,下游截面占有率将减少这一事实.该算法以1min的平均占有率为判断依据.设路段i处的检测器在时刻t(单位为min)时采集到的平均占有率为OCC(i,t),则有下面3个判断条件.OCCDF=OCC(i,t)−OCC(i+1,t)≥K1(1)OCCRDF=OCC(i,t)−OCC(i+1,t)OCC(i,t)≥K2(2)OCCTD=OCC(i+1,t−2)−OCC(i+1,t)OCC(i+1,t−2)≥K3(3)ΟCCDF=ΟCC(i,t)-ΟCC(i+1,t)≥Κ1(1)ΟCCRDF=ΟCC(i,t)-ΟCC(i+1,t)ΟCC(i,t)≥Κ2(2)ΟCCΤD=ΟCC(i+1,t-2)-ΟCC(i+1,t)ΟCC(i+1,t-2)≥Κ3(3)式中:K1,K2,K3为判断阈值,该阈值应该根据路段的特点及时间段适当选取,阈值的选择与检测效果息息相关.式(1)为衡量上下游占有率的差值;式(2)为衡量上下游占有率的相对差值;式(3)为衡量相邻下游处前后两分钟内占有率的相对差值.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California#7和California#8算法.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.其优点主要是误报率比较低.California#7、California#8和McMaster算法通常作为评价其他算法的标准.1.2基于统计理论的事件检测算法基于统计理论的事件检测算法,主要包括:非参数回归算法、变点统计算法、贝叶斯算法、标准正常偏差算法、卡尔曼滤波算法和指数平滑算法等.1.2.1非参数回归算法非参数回归(non-parametricregression)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.非参数回归作为一种无参数、可移植、高预测精度的算法,经过对搜索算法和参数调整规则的改进,使其可以真正达到实时检测交通流状况,非常适合于实时交通事件检测.1.2.2交通流参数分析变点统计分析(change-pointstatisticalanalyse)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.2002年,王晓原教授利用变点统计理论建立了检测交通异常的均值变点模型,并提出了基于最小二乘法的相应的交通流变点统计算法.该算法基于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、准确性和良好的全局收敛性.但是在用该算法进行检验时,要用到大样本.1.2.3期望的后验概率贝叶斯(Bayesian)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P[I/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(4)所示.P[I/M]=P[I]×P[M/I]P[I]×P[M/I]+P[IF]×P[M/IF](4)Ρ[Ι/Μ]=Ρ[Ι]×Ρ[Μ/Ι]Ρ[Ι]×Ρ[Μ/Ι]+Ρ[ΙF]×Ρ[Μ/ΙF](4)式中:I为“有事件”事件;IF为“无事件”事件;M为观测的交通流参数;P[I]为“有事件”事件的先验概率;P[IF]为“无事件”事件的先验概率.该算法的检测率很高,误报率也比较低,但是其平均检测时间比较长,不利于事件的实时检测.1.3麦克马斯特算法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(McMaster)算法和低流量算法.下面主要介绍麦克马斯特算法.麦克马斯特算法是一种基于突变理论的算法.该算法基于以下前提:当交通从拥挤状态向非拥挤状态变化时,流量和密度变化平稳,而速度表现为突然的变化.图2就是麦克马斯特算法使用流量和占有率,对每个检测站的交通状态的划分图.图中交通状态分为4类,每一类状态值都是通过历史数据得到的.如果发现第2或第3类拥挤,算法就检测下游检测站的交通状态.根据周期性拥挤和事件引起的拥挤会产生不同的下游交通模式,判断事件的发生.如果下游检测站的交通状态是1或2,就触发事件警报.如果下游检测站的交通状态是4就认为是周期性拥挤.如果下游检测站的交通状态是3,则以同样的方式检查下游的检测站交通状态.该算法较加利福尼亚算法有一些明显的优点,比如同时使用流量和占有率作为输入,考虑到了周期性拥挤的存在以及检测时间比较短.但是其所需的临界曲线难以标定,算法的可靠性受到一定影响.1.4基于人工智能的检测算法1.4.1模糊算法与隶属函数模糊逻辑理论起始于20世纪60年代,1965年美国加利福尼亚大学教授L.A.Zadeh首次提出模糊集合概念.Chang和Wang(1994)提出了交通事件检测的模糊算法,其主要思想是模糊规则形式的模糊知识库,知识库通过推理系统区分相应的交通状态.基于模糊逻辑的检测算法,其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.该算法另一个突出优点便是检测时间短,如果隶属函数恰当,检测率和误报率都比较理想.1.4.2在交通事件检测方面的应用交通流运行状态的变化是十分复杂的,其影响因素很多,随机性很大.应用神经网络,极大地简化了建模问题,避免了理论上对原有模型的修补,可直接用交通流数据训练后的神经网络来描述交通流规律.1995年,RUEYL.CHEU和STEPHENG.RITCHIE将之应用到高速公路交通堵塞检测中,取到了很好的效果.在交通事件检测方面所应用到的神经网络类型主要有:多层感知器(MLP)网络模型、概率神经网络(PNN)模型和模糊神经网络(FNN)模型.多层感知器(MLP)网络模型其缺点是训练过程较为复杂,需要大量的学习样本,而且学习时收敛速度较慢,存在局部极小问题.1990年,Specht将贝叶斯分类器用于神经网络实现,提出了概率神经网络(PNN),PNN也是一种前馈网络,其实质是基于贝叶斯最小风险准则发展而来的一种并行算法.2002年,国内的温慧敏将其应用到交通事件检测中.模糊神经网络(FNN)是将模糊逻辑与神经网络相结合,使用神经网络的结构实现模糊逻辑系统的一种方式.2000年HojjatAdeli和AsimKarim利用模糊逻辑、径向基函数网络实现了事件自动检测.FNN的优点主要有:算法收敛速度快;网络中权值的意义清晰;较强的鲁棒性和容错能力.1.5基于小波分析的事件检测算法确定交通流突变小波分析在处理突变信号方面有着突出的表现,有着很好的时频特性局部特性.而公路交通流具有很大的惯性,除非发生交通事件,否则交通流不会发生突然的变化.基于小波分析的事件检测算法就是将交通流的突变信息,经小波变换提取出来,根据判断逻辑得出是否有交通事件发生的结论.2常见事件检测算法评价指标检测率(DR)定义为指定的时间段内检测到的交通事件数与实际发生引起交通能力下降的总事件数之比,以百分数表示.误警滤(FAR)定义为一定时间段内,误报事件次数与算法检测到的事件总次数之比,以百分数表示,也可以表示为每时间段的误报次数.平均检测时间(MTD)定义为从事件发生到检测算法检测到事件之间的平均时间间隔.根据美国加利福尼亚大学贝克利分校交通运输研究协会2002年1月公布的资料,一些常见事件检测算法的评价指标如表1所列.3道路交通事件检测算法的应用需要将从公路道路发展的视角出发,对于道路交由于交通系统具有较强的非线性、模糊性和不确定性,各种现有的检测算法都或多或少存在着不足之处.大多数算法在交通流高度稠密或中等稠密情况下可以取得较好的检测效果,在低密度条件下其性能不高.另外,高速路发生交通异常后,受影响的主要是行驶在发生事件线路上的车辆,比较单纯,因此