基于多层前向人工神经网络的交通事件检测算法

基于多层前向人工神经网络的交通事件检测算法

高速公路事件是指道路上的偶尔发生事件，如车辆交通事故、故障停车和货物分散，严重影响了道路的畅通和安全。在本规范中，它指的是交通事故。它在短时间内会引起道路有效通行能力的下降或交通需求不正常升高的非周期性发生,即:当发生交通事件时将会引起一个或几个车道交通被阻断,该处及其上游变得相对拥挤,占有率增加,速度降低,密度变大;而该处下游刚好与此相反。大部份事件检测算法都是基于这样的交通特征,通过对沿路设置的交通检测器采集来的交通参数进行分析,当发现符合上述事件交通特征时即发出事件报告。事件检测系统自20世纪60年代发展起来以后,形成了各种各样的检测方法和技术,如图1所示。随着电子技术、通信技术以及计算机技术的飞速发展以及ITS的逐步实施,间接检测方法以其低成本、全天候等优势成为了当今检测系统所采用的最主要的方法。交通事件检测系统是高速公路管理系统的重要组成部分,其关键是事件判断算法(FreewayAutomaticIncidentDetectionAlgorithm,简称FreewayAID算法),它是高速公路事件管理系统的核心,也是智能运输系统成功实施的指标。1检测算法不理想交通事件自动检测是根据实时采集的交通流状态数据信息,由算法自动判断是否发生交通事件,以期减少事件延误。已有事件检测算法适应面窄,可移植性差,性能指标(检测率、误报率和平均检测时间)不理想,不能应用于工程实践。应用神经网络、小波分析等理论的算法是交通事件自动检测算法的研究热点和发展趋势。1.1信号预处理交通事件发生点,交通流参数将发生变化。通过车辆检测器采集车流的相关信息,对输入信号进行预处理,然后通过神经网络对信号进行分类,从而判断事件类型。1.2交通流参数设计在检测路段全线每隔500～1000m(本文取1000m)布设车辆检测器,现场检测各点或各路段的交通流参数。由于采样周期必须小于事件周期,根据采样定理,数据采集间隔一般为30～60s(本文采用30s)。交通流参数选用交通密度,它是一种可度量的量,能很好地表明高速公路交通流系统的运行状态。在检测路段上游和下游各埋设一套检测设备,将采样周期内通过检测器的车辆数作为输入,这样就有2个输入信号,将单位时间内上下游车辆检测器的测量数据差值作为系统检验输入。1.3基于神经网络的交通流规律描述本文将着重论述如何应用神经网络算法实现对交通事件的检测。神经网络方法是从真实的有代表性的交通流数据出发,直接归纳出交通流的规律。这属于反问题,即给定的是交通流参数的某些样本点,神经网络利用它们进行学习,进而可求出近似的交通流特性,即是“从事例求规律”。应用人工神经网络,极大地简化了建模问题,避免了理论上对原有模型的修补,直接用交通流数据训练后的神经网络来描述交通流规律。而这也正是神经网络方法的最大优点。2神经网络模型2.1两阶段网络结构前向网络由输入层、隐层和输出层组成。网络内通过神经元(节点)顺序单向连接,每一个连接弧连接2个神经元,并附有相应的一个权值作为前一层神经元对后一层神经元的影响,正的权值表示影响的增加,负的权值表示影响的减弱。神经网络的工作过程由2个阶段组成:一个阶段是工作期,此时各连接权值固定,计算各单元的状态变化,以求达到稳定状态;另一阶段为学习期,此时各计算单元状态不变,各连接权值修改。而我们训练一个神经网络的目的就是要能用一组输入矢量产生一组所希望的输出矢量。训练是应用一系列训练样本,通过预先确定的过程(学习算法)调整网络的权值来实现的。本文采用一个3层的BP网络(BackPropagationNN)。网络中每一层神经元只接受前一层神经元的输入,并在节点上进行复合(线性叠加)和畸变(非线性映射)。通过复合反映不同神经元之间的耦合程度,通过畸变改变输入信息的结构和性态。网络选取为6×10×1的结构,即网络由输入层(InputLayer)、隐层(HiddenLayer)、和输出层(OutputLayer)共3层组成。其中输入层有6个节点,隐层有10个节点,输出层有1个节点。网络结构如图2所示。输入层的6个节点输入是代表交通流的特性参数的变量,测试该路段处上游和下游站的平均流量、占有率和速度。隐层的节点数据是通过反复调试获得的。输出层只有1个节点,分为2种状态:{0,0}和{1,0}。状态{0,0}代表顺畅,状态{1,0}代表事件。2.2输出层误差的分析我们采用的节点特性函数为修正过的Sigmoid函数,即:学习过程如下:(1)第一次叠代。按照选定的一个输入矢量,计算各层节点的输出,计算方向是正向计算。隐层的输出O2112～O210102输出层的输出O3113(2)计算各层误差计算输出层误差E3113=O3113-O(3)11(3)按照误差传递公式En=On(1-On)ΣWnjEj计算由第三层传递至第二层的误差,传播方向是反向传播。(3)修改权值,权值修改公式为Wijkjki(new)=Wijkjki(old)+αEi+1kxijkjki,其中α=0.3。权值修改的方向也为反向,即修改顺序为:修改第三层和第二层之间的连接权;修改第一层和第二层之间的连接权。经过以上的(1)、(2)、(3)步,网络的第一次学习过程结束。接下来,仍以(1)中的输入矢量作为输入,按照修改之后的权值,重复上述(1)、(2)、(3)步,直到输出层误差达到所要求的范围为止。至此,关于从训练范例集中选定的对样本的训练过程结束。要训练范例集中的其他样本,我们只需重复上述过程即可。3分类器的设计和模拟3.1神经网络的归一化处理在Matlab中建立神经网络模型,由于神经网络输入较大时,可能会进入S型函数的饱和区,使得网络不能够收敛,为了避免这种情况,在此将神经网络的输入进行归一化处理,使其在(0,1)之间。利用交通仿真模型得到一组正常交通状态下的交通流仿真数据,用来检测模型的性能,得到仿真结果如图3所示。从图4可以看出,在正常交通状态下,神经网络模型具有较强的辨识能力,能够很好的对每一路段的交通流事件进行估计。3.2神经网络输出误差利用动态神经网络对交通事件进行估计,当某个路段发生交通事件时,其通行能力下降,交通流模型将会改变,由于动态神经网络的自适应学习需要一个过程,故这时神经网络的输出就不能很好的估计交通流状态,使得网络的输出与实际检测值之间出现误差,称之为残差,本节利用残差进行交通实际的检测。利用交通流事故模型产生在事故状态下的交通流数据,本文假设路段发生交通事故,利用上述模型进行交通流状态辨识,得到仿真结果及残差曲线如图4和图5所示,可以看出在t=4min、14min时,模型出现较大残差,因此,该路段在这两个时刻可能发生了交通事件。4检测算法比较事件检测算法判别的可能结果包括:无事件正确检测、有事件正确检测、无事件错误报警和有事件漏检。其中后2种属于误报。通常用来评价事件检测算法的指标有检测率(DetectionRate、误报率(FalseAlarmRate)和平均检测时间(MeanTimetoDetect)。本文用Matlab语言实现了上述网络模型,并用120组样本数据对网络进行训练。然后通过模拟的方法产生60组数据,其中包括有事件发生和无事件发生时交通流的特性参数验证算法,结合文献[4,5,6,7,8,9,10,11,12,13,14,15,16],与几种传统的算法在检测率、误报率、平均检测时间等多项指标进行比较,其结果见表1。从表中可见,神经网络算法检测率最高,误报率和平均检测时间比较理想。5神经网络算法的局限性神经网络算法不需要人为建立事件检测模型,不需要人们自己去分析高速公路上发生事件和不发生事件时交通流各有什么特点,而只需选定学习样本数据格式和人工神经元网络学习时的某些参数,就可让神经网络自动学习,从而避免了传统算法因人为建立的模型与实际情况不符导致检测不准确的情况。而且,一滚3层和3层以上的BP网络可形成任何非线性相关关系,这和传统的检测算法采用一个或几个解析式来表达相比较,更适于用来描述像交通流这样高度复杂的非线性系统。当然神经网络算法也有其不足之处和局限性。主要表现在:(1)人工神经网络BP模型的学习速度较慢。当样本量较少时,学习速度的快与慢的差别并不重要。但要像高速公路交通事件检测这样的实际问题需要大量的学习样本才能建立起精确的检测模型,在这样的情况下,学习速度的问题就显得比较突出了。所以这是一个亟待解决的问题。(2)人工神经网络不能说出其模型各参数的实际意义,不能给用户说出一个直接的、与现实相对应的理由来,影响了神经网络的使用范围。(3)人工神经网络还具有训