邴其春，龔勃文，林賜云，楊兆升

?

城市快速路交通事件自動(dòng)檢測(cè)算法

邴其春1, 2，龔勃文1, 3，林賜云1, 3，楊兆升1, 3

(1. 吉林大學(xué)交通學(xué)院，吉林長(zhǎng)春，130022；2. 青島理工大學(xué)汽車與交通學(xué)院，山東青島，266520；3. 吉林大學(xué)汽車仿真與控制國(guó)家重點(diǎn)實(shí)驗(yàn)室，吉林長(zhǎng)春，130022)

為了進(jìn)一步提高城市快速路交通事件檢測(cè)的精度，在分析交通事件上、下游交通流參數(shù)變化規(guī)律的基礎(chǔ)上，構(gòu)建包含12個(gè)變量的交通事件檢測(cè)初始變量集，并采用隨機(jī)森林方法對(duì)初始變量集的關(guān)鍵變量進(jìn)行篩選，進(jìn)而構(gòu)建基于粒子群優(yōu)化的組合核函數(shù)相關(guān)向量機(jī)模型。最后，利用上海市南北高架快速路的感應(yīng)線圈實(shí)測(cè)參數(shù)進(jìn)行實(shí)驗(yàn)驗(yàn)證和對(duì)比分析。研究結(jié)果表明：關(guān)鍵變量篩選可以有效提高交通事件檢測(cè)的精度，組合核函數(shù)相關(guān)向量機(jī)模型也明顯優(yōu)于單一核函數(shù)相關(guān)向量機(jī)模型和支持向量機(jī)模型。

交通事件自動(dòng)檢測(cè)；隨機(jī)森林；相關(guān)向量機(jī)模型；組合核函數(shù)

城市快速路是城市路網(wǎng)的重要組成部分，承載著城市中大部分出行交通，快速路的暢通程度直接影響著城市路網(wǎng)的總體運(yùn)行效率。然而，交通事件常常導(dǎo)致快速路發(fā)生大范圍交通擁堵，嚴(yán)重影響著快速路的交通運(yùn)行效率。據(jù)統(tǒng)計(jì)，在發(fā)達(dá)國(guó)家的快速路交通擁堵中，由交通事件引起的超過70%，在我國(guó)上海，因交通事件引起的交通擁堵也占快速路總擁堵的50%~75%[1]，因此，研究準(zhǔn)確、及時(shí)的交通事件自動(dòng)檢測(cè)(automatic incident detection，AID)算法對(duì)于保證快速路運(yùn)行效率、提高道路安全水平具有重要意義。迄今為止，已有許多有效的模型與方法應(yīng)用于交通事件自動(dòng)檢測(cè)的研究。早期開發(fā)的交通事件檢測(cè)算法主要有加利福尼亞算法[2]、標(biāo)準(zhǔn)偏差算法[3]、基于突變理論的McMaster算法[4]、低通濾波算法[5]等。隨著對(duì)交通流特性的深入研究以及人工智能新技術(shù)的發(fā)展，越來越多的交通事件自動(dòng)檢測(cè)模型相繼被提出，如神經(jīng)網(wǎng)絡(luò)模型[6?7]、支持向量機(jī)模型[8?9]、貝葉斯方法[10]、小波理論[11]以及模糊邏輯方法[12]等，并取得了一定的應(yīng)用效果。然而，現(xiàn)有的研究主要集中于模型方法的整合優(yōu)化，忽視了對(duì)交通事件檢測(cè)輸入變量的有效篩選；同時(shí)，神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等人工智能算法普遍存在計(jì)算復(fù)雜、泛化能力不強(qiáng)、容易出現(xiàn)過擬合等問題，嚴(yán)重影響模型的推廣應(yīng)用。為此，本文作者以交通流基本參數(shù)及其多角度組合的方式，構(gòu)建較全面的交通事件檢測(cè)初始變量集，并采用隨機(jī)森林的變量重要性度量篩選出對(duì)交通事件更為敏感的關(guān)鍵變量，進(jìn)而構(gòu)建基于粒子群優(yōu)化的組合核函數(shù)相關(guān)向量機(jī)模型，并以快速路實(shí)測(cè)數(shù)據(jù)對(duì)變量篩選及模型的有效性進(jìn)行評(píng)價(jià)分析。

1 初始變量集構(gòu)建

事件發(fā)生時(shí)段交通流參數(shù)的顯著變化是設(shè)計(jì)交通事件自動(dòng)檢測(cè)算法的基本依據(jù)。當(dāng)路段發(fā)生交通事件時(shí)，交通事件發(fā)生位置上游檢測(cè)器采集的流量和速度急劇下降，占有率急劇上升；下游檢測(cè)器采集的流量下降，速度上升，占有率下降[13]。通過大量分析線圈檢測(cè)器檢測(cè)結(jié)果發(fā)現(xiàn)，不僅流量、速度、占有率這3個(gè)基本交通參數(shù)在交通事件發(fā)生時(shí)段會(huì)有明顯變化，不同交通參數(shù)之間的組合以及上、下游檢測(cè)器交通參數(shù)的組合對(duì)交通事件的發(fā)生也表現(xiàn)出很強(qiáng)的敏感性。因此，本文以交通流基本參數(shù)及其多角度組合的方式，構(gòu)建較全面的交通事件檢測(cè)初始變量集。初始變量集分為3部分：第1部分為檢測(cè)器獲取的基本交通參數(shù)；第2部分為同一檢測(cè)器交通參數(shù)的組合；第3部分為相鄰上、下游檢測(cè)器交通參數(shù)的組合。表1所示為交通事件檢測(cè)初始變量集。

交通參數(shù)的預(yù)測(cè)值采用移動(dòng)平均模型獲得，用相鄰前個(gè)時(shí)刻的數(shù)據(jù)預(yù)測(cè)第+1個(gè)時(shí)刻的交通參數(shù)，本文中取4。

表1 交通事件檢測(cè)初始變量集

2 基于隨機(jī)森林的變量篩選

交通事件檢測(cè)初始變量集中有12個(gè)初始變量，較全面地涵蓋了交通事件特性信息。但從實(shí)際應(yīng)用的角度看，變量的個(gè)數(shù)過多，不僅會(huì)導(dǎo)致交通流信息冗余，而且極大地增加了模型的復(fù)雜性，因此，有必要對(duì)初始變量進(jìn)行有效篩選，從初始變量集中選擇對(duì)交通事件更敏感的關(guān)鍵變量，在保證交通事件檢測(cè)效果的前提下降低模型的復(fù)雜度。隨機(jī)森林(random forest, RF)模型是由BREIMAN提出的一種集成學(xué)習(xí)方法[14]，能夠有效處理高維數(shù)據(jù)，其變量重要性度量被廣泛應(yīng)用于特征選擇[15]。本文采用隨機(jī)森林算法的變量重要性度量對(duì)交通事件檢測(cè)初始變量集進(jìn)行篩選，其基本思想是：依次對(duì)袋外數(shù)據(jù)中的每個(gè)變量添加隨機(jī)噪聲干擾，通過計(jì)算所有CART樹上袋外數(shù)據(jù)分類正確率的平均降低值來決定該變量的重要性。具體流程如下。

Step 1：生成隨機(jī)森林。

1) 在原始訓(xùn)練樣本集中應(yīng)用Bootstrap抽樣技術(shù)隨機(jī)抽出b個(gè)樣本，并由此構(gòu)建1棵CART樹h，未被選中的?b個(gè)樣本構(gòu)成對(duì)應(yīng)的袋外數(shù)據(jù)。

2) 在CART樹的每個(gè)節(jié)點(diǎn)處抽取所有個(gè)變量中的try個(gè)變量(try≤)，計(jì)算每個(gè)變量蘊(yùn)含的信息量，在try個(gè)變量中選擇1個(gè)分類能力最佳的變量進(jìn)行節(jié)點(diǎn)分裂。

3) 每棵樹都自然生長(zhǎng)，不進(jìn)行剪枝處理。

4) 重復(fù)上述步驟次，生成含有棵CART樹的隨機(jī)森林={1，2，…，h}。

Step 2：對(duì)于隨機(jī)森林中的每棵CART樹h(=1，2，…，)，使用相應(yīng)的袋外數(shù)據(jù)進(jìn)行分類，統(tǒng)計(jì)分類正確率R。

Step 3：對(duì)于任一變量x(=1，2，…，)，分別對(duì)袋外數(shù)據(jù)中x加入隨機(jī)噪聲干擾，變換后的袋外數(shù)據(jù)記為。利用每棵CART樹h對(duì)進(jìn)行分類，并計(jì)算分類正確率。

Step 4：計(jì)算每個(gè)變量袋外數(shù)據(jù)加入隨機(jī)干擾后分類正確率的平均降低值作為該變量的重要度。變量x重要度V的計(jì)算式為

若某個(gè)變量加入隨機(jī)噪聲后，袋外數(shù)據(jù)的分類準(zhǔn)確率顯著降低，則說明這個(gè)變量對(duì)分類結(jié)果影響較大，其重要度也就越高。

3 組合核函數(shù)相關(guān)向量機(jī)構(gòu)建

相關(guān)向量機(jī)(relevance vector machine，RVM)模型是由TIPPING[16]提出的一種稀疏貝葉斯概率模型，已成為近年來統(tǒng)計(jì)學(xué)習(xí)領(lǐng)域的重要研究熱點(diǎn)之一。該算法起源于支持向量機(jī)(support vector machine，SVM)模型，與SVM具有相同的決策形式，同時(shí)擁有SVM所不具備的優(yōu)點(diǎn)，例如RVM具有優(yōu)于SVM的稀疏性；RVM只需設(shè)置核參數(shù)，對(duì)核函數(shù)的選擇突破了Mercer條件限制；RVM在權(quán)值上引進(jìn)了超參數(shù)，從而大大降低了計(jì)算的復(fù)雜度等。本文針對(duì)相關(guān)向量機(jī)模型的核函數(shù)選擇問題，將具有不同特點(diǎn)的核函數(shù)結(jié)合起來，構(gòu)建一種組合核函數(shù)相關(guān)向量機(jī)(combined kernel function relevance vector machine，CKF-RVM)模型。

3.1 組合核函數(shù)構(gòu)造

傳統(tǒng)的相關(guān)向量機(jī)模型大多采用單一核函數(shù)完成特征空間的映射過程，雖然在許多實(shí)際應(yīng)用中取得了較好效果，但當(dāng)樣本數(shù)據(jù)特征中含有異構(gòu)信息、樣本規(guī)模較大或樣本數(shù)據(jù)在高維空間中分布不平坦時(shí)[17]，采用單一核函數(shù)映射方式對(duì)所有樣本數(shù)據(jù)進(jìn)行處理具有較大的局限性。因此，本文綜合高斯核函數(shù)和多項(xiàng)式核函數(shù)各自的優(yōu)勢(shì)，構(gòu)造新的組合核函數(shù)，使相關(guān)向量機(jī)模型不僅具有高斯核函數(shù)的局部學(xué)習(xí)能力，并且具有多項(xiàng)式核函數(shù)較強(qiáng)的泛化能力。構(gòu)造的組合核函數(shù)形式為

式中：為權(quán)重系數(shù)，0≤≤1；為高斯核函數(shù)的核寬度；為多項(xiàng)式核函數(shù)的階數(shù)。

當(dāng)趨近于0時(shí)，組合核函數(shù)近似多項(xiàng)式核函數(shù)，雖然對(duì)離測(cè)試點(diǎn)較遠(yuǎn)處的樣本數(shù)據(jù)具有較強(qiáng)的擬合能力，但對(duì)測(cè)試點(diǎn)附近的數(shù)據(jù)擬合效果不佳；當(dāng)趨近于1時(shí)，組合核函數(shù)接近于高斯核函數(shù)，對(duì)測(cè)試點(diǎn)附近的小范圍數(shù)據(jù)產(chǎn)生影響，但對(duì)全局的泛化能力較弱。由于不同的核函數(shù)各有特點(diǎn)，若核函數(shù)中的權(quán)重系數(shù)選擇不合適，則組合核函數(shù)的擬合能力可能會(huì)低于單一核函數(shù)的擬合能力。因此，合適的權(quán)重系數(shù)對(duì)于組合核函數(shù)的性能至關(guān)重要。

3.2 基于粒子群算法的參數(shù)優(yōu)化

本文所構(gòu)造的組合核函數(shù)共有，和3個(gè)待優(yōu)化參數(shù)，目前較常用的參數(shù)優(yōu)化方法主要有交叉驗(yàn)證法、網(wǎng)格搜索法、遺傳算法等，但這些方法往往計(jì)算量較大、耗時(shí)過長(zhǎng)。粒子群(particle swarm optimization，PSO)算法是一種高效的全局優(yōu)化方法，已被廣泛應(yīng)用于參數(shù)的優(yōu)化設(shè)置。為此，本文采用粒子群優(yōu)化算法獲取組合核函數(shù)的最優(yōu)參數(shù)，從而構(gòu)建組合核函數(shù)相關(guān)向量機(jī)模型。

粒子群優(yōu)化(particle swarm optimization，PSO)算法是由KENNEDY等[18]提出來的一種進(jìn)化計(jì)算技術(shù)，源于對(duì)鳥群捕食行為的研究。設(shè)在維搜索空間中，存在個(gè)粒子構(gòu)成的粒子群體，PSO優(yōu)化算法采用速度?位置搜索模型，第個(gè)粒子的空間位置x=(x1，x2，…，x)(其中，=1，2，…，)表示解空間的一個(gè)可行解，將其代入優(yōu)化目標(biāo)函數(shù)計(jì)算相應(yīng)的適應(yīng)度函數(shù)值來衡量x的優(yōu)劣。第個(gè)粒子的速度v=(v1，v2，…，v)決定粒子在搜索空間單位迭代次數(shù)時(shí)的位移。粒子通過動(dòng)態(tài)跟蹤個(gè)體最佳位置P=(p1，p2，…，p)和全局最佳位置P=(p1，p2，…，p)來更新自身的速度和位置，更新公式如下：

(4)

式中：為慣性權(quán)重系數(shù)；1和2為2個(gè)在[0，1]之間變化的隨機(jī)數(shù)；1和2為加速因子。

基于粒子群算法進(jìn)行參數(shù)優(yōu)化的具體步驟如下。

1) 初始化粒子群優(yōu)化算法的參數(shù)，包括種群規(guī)模、粒子維數(shù)、迭代次數(shù)、加速因子、慣性權(quán)重系 數(shù)等。

2) 采用5折交叉驗(yàn)證的交通事件平均檢測(cè)率作為適應(yīng)度函數(shù)值，并將其與自身的歷史最佳位置適應(yīng)度進(jìn)行比較，若當(dāng)前位置的適應(yīng)度高于歷史適應(yīng)度，則將當(dāng)前位置取代個(gè)體歷史最佳位置。

3) 判斷粒子群的全局最佳位置。將各個(gè)粒子的個(gè)體最佳位置適應(yīng)度與群體的全局最佳位置適應(yīng)度相比較，若高于群體的全局適應(yīng)度，則將其位置取代全局最佳位置。

4) 判斷終止條件。若不滿足終止條件，則按式(3)和式(4)更新粒子的速度和位置，否則，輸出得到的最優(yōu)解。

4 實(shí)例分析

4.1 數(shù)據(jù)來源

本文選取上海市南北高架快速路上延?xùn)|立交至共和立交長(zhǎng)約10 km路段作為研究對(duì)象。該路段包括24個(gè)主線檢測(cè)截面和30個(gè)匝道檢測(cè)截面，共布設(shè)88個(gè)主線線圈檢測(cè)器和60個(gè)匝道線圈檢測(cè)器，主線檢測(cè)器的平均間距約為500 m。數(shù)據(jù)采集時(shí)間分別為2008?09?01，2008?09?08，2008?09?15，2008?09?22和2008?09?29這連續(xù)5個(gè)星期一，線圈檢測(cè)器可獲取流量、速度和占有率3個(gè)基本交通流參數(shù)，數(shù)據(jù)采樣間隔為5 min。通過分析交通流參數(shù)的變化趨勢(shì)，人工篩選出107個(gè)主線交通事件，其中東側(cè)主線62個(gè)，西側(cè)主線45個(gè)。將交通事件數(shù)據(jù)按照東側(cè)主線、西側(cè)主線和整個(gè)路段進(jìn)行分類，并與相應(yīng)的正常狀態(tài)數(shù)據(jù)構(gòu)成3個(gè)樣本數(shù)據(jù)集，每個(gè)數(shù)據(jù)集中的2/3作為訓(xùn)練樣本，剩余部分作為測(cè)試樣本。

4.2 變量篩選

采用隨機(jī)森林算法對(duì)初始變量的重要性進(jìn)行度量，進(jìn)而篩選出對(duì)交通事件更為敏感的關(guān)鍵變量。其中，try取Breiman建議的特征變量個(gè)數(shù)的平方根，設(shè)置為3；隨機(jī)森林中CART數(shù)的數(shù)量設(shè)置為1 000。利用Matlab7.0編程實(shí)現(xiàn)隨機(jī)森林的變量重要度計(jì)算，將12個(gè)初始變量歸一化處理后輸入到隨機(jī)森林程序中。圖1所示為各個(gè)初始變量的重要度(其中，變量序號(hào)見圖1)。

為了體現(xiàn)關(guān)鍵變量篩選的作用，應(yīng)選擇盡量少的變量個(gè)數(shù)，但又要保證交通事件檢測(cè)的正確率。通過比較分析，最終選擇重要度最高的4個(gè)變量作為關(guān)鍵變量。由圖1可見：重要度最高的4個(gè)變量分別為同一檢測(cè)器占有率與速度的比值、相鄰上、下游檢測(cè)器在同一時(shí)刻采集的占有率比值、同一檢測(cè)器占有率與流量的比值、相鄰上下游檢測(cè)器在同一時(shí)刻采集的速度比值。

圖1 變量重要度

4.3 參數(shù)優(yōu)化

采用粒子群優(yōu)化算法獲得組合核函數(shù)的最優(yōu)參數(shù)，其中，粒子群優(yōu)化算法的具體參數(shù)設(shè)置如下：粒子個(gè)數(shù)為20，粒子維數(shù)為3，加速因子1=2=2，慣性權(quán)重系數(shù)從0.9隨迭代次數(shù)線性減小至0.4，最大迭代次數(shù)為100，采用5折交叉驗(yàn)證的交通事件平均檢測(cè)率作為適應(yīng)度函數(shù)值。以東側(cè)主線的樣本數(shù)據(jù)集為例進(jìn)行參數(shù)優(yōu)化，圖2所示為PSO尋優(yōu)的適用度曲線。

1—平均適應(yīng)度；2—最佳適應(yīng)度。

由圖2可見：東側(cè)主線樣本數(shù)據(jù)集的組合核函數(shù)最優(yōu)參數(shù)分別為=0.53，=0.25，=3。

4.4 實(shí)驗(yàn)結(jié)果分析

4.4.1 評(píng)價(jià)指標(biāo)

常用的AID算法評(píng)價(jià)指標(biāo)主要有檢測(cè)率D、誤警率FA和平均檢測(cè)時(shí)間MTT，但由于本文的交通事件數(shù)據(jù)庫(kù)中無法獲取交通事件的確切發(fā)生時(shí)間，因此，只能采用檢測(cè)率和誤警率這2個(gè)指標(biāo)進(jìn)行評(píng)價(jià)。

檢測(cè)率D是指在特定的時(shí)間段內(nèi)，由AID算法檢測(cè)出的交通事件的數(shù)量D占實(shí)際發(fā)生交通事件數(shù)量A的百分比，即D=(D/A)×100%。誤報(bào)率FA是指在特定時(shí)間段內(nèi)，由AID算法檢出的虛假交通事件的數(shù)量F占所有決策次數(shù)R的百分比，即FA=(F/R)×100%。

4.4.2 變量篩選有效性分析

為了驗(yàn)證基于隨機(jī)森林的變量篩選對(duì)于提高交通事件檢測(cè)效果的有效性，分別將初始變量和經(jīng)過篩選的關(guān)鍵變量作為模型輸入變量，利用東側(cè)主線樣本數(shù)據(jù)集構(gòu)建的相關(guān)向量機(jī)模型和支持向量機(jī)模型進(jìn)行實(shí)驗(yàn)驗(yàn)證，核函數(shù)均采用高斯核函數(shù)。表2所示為變量篩選有效性分析結(jié)果。

表2 變量篩選有效性分析結(jié)果

由表2可知：2種不同形式的輸入變量均獲得了較好的檢測(cè)效果，以關(guān)鍵變量作為模型輸入的交通事件檢測(cè)效果更優(yōu)。由此可見：深入分析交通事件對(duì)交通流參數(shù)的影響，多角度設(shè)計(jì)初始變量，能夠獲得較好的交通事件檢測(cè)效果。同時(shí)，對(duì)初始變量進(jìn)行有效篩選，既能減少冗余信息，又能有效提高交通事件檢測(cè)的精度。

4.4.3 模型有效性分析

為了進(jìn)一步驗(yàn)證組合核函數(shù)相關(guān)向量機(jī)模型在交通事件檢測(cè)上的優(yōu)越性，分別選取高斯核函數(shù)相關(guān)向量機(jī)(Gaussian kernel function relevance vector machine，GKF-RVM)模型、多項(xiàng)式核函數(shù)相關(guān)向量機(jī)(polynomial kernel function relevance vector machine，PKF-RVM)模型以及經(jīng)典的高斯核函數(shù)支持向量機(jī)(Gaussian kernel function support vector machine，GKF-SVM)模型作為對(duì)比方法進(jìn)行對(duì)比分析，模型輸入變量均為篩選后的關(guān)鍵變量。為確保實(shí)驗(yàn)的充分性與全面性，分別對(duì)3個(gè)樣本數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)與對(duì)比分析。表3所示為不同方法對(duì)3個(gè)數(shù)據(jù)集的參數(shù)取值，表4所示為不同方法的實(shí)驗(yàn)結(jié)果。

由表4可知：不同核函數(shù)RVM模型的檢測(cè)效果均優(yōu)于SVM模型的檢測(cè)效果，說明RVM模型具有較強(qiáng)的分類能力，能夠有效地進(jìn)行交通事件檢測(cè)。從3種不同核函數(shù)RVM模型的檢測(cè)效果看，本文構(gòu)建的CKF-RVM模型的檢測(cè)效果明顯優(yōu)于GKF-RVM模型和PKF-RVM模型的檢測(cè)效果，說明組合核函數(shù)能夠兼顧不同核函數(shù)的優(yōu)勢(shì)，具有比單一核函數(shù)更強(qiáng)的交通事件檢測(cè)性能。從不同樣本數(shù)據(jù)集的檢測(cè)效果看，東側(cè)主線的事件檢測(cè)效果最好，這是因?yàn)闁|側(cè)主線的交通事件大多導(dǎo)致交通流參數(shù)波動(dòng)較大，且持續(xù)時(shí)間較長(zhǎng)；西側(cè)主線的事件檢測(cè)效果最差，這是由于西側(cè)主線的交通事件大多對(duì)交通流影響較小，交通流參數(shù)波動(dòng)不明顯。綜合結(jié)果表明：本文所構(gòu)建的CKF-RVM模型取得了較好的檢測(cè)效果，明顯優(yōu)于對(duì)比算法。

表3 不同方法的參數(shù)取值

表4 不同方法的交通事件檢測(cè)效果對(duì)比

5 結(jié)論

1) 在綜合分析交通事件對(duì)交通流參數(shù)影響的基礎(chǔ)上，構(gòu)建交通事件檢測(cè)初始變量集，并采用隨機(jī)森林方法篩選出對(duì)交通事件敏感性較強(qiáng)的關(guān)鍵變量。

2) 構(gòu)建組合核函數(shù)相關(guān)向量機(jī)模型，并利用粒子群優(yōu)化算法獲得最優(yōu)參數(shù)。

3) 利用上海市南北高架快速路實(shí)測(cè)數(shù)據(jù)對(duì)算法的有效性進(jìn)行了實(shí)驗(yàn)驗(yàn)證和對(duì)比分析。然而，本文在變量篩選過程中關(guān)鍵變量的個(gè)數(shù)需要依靠人工經(jīng)驗(yàn)確定，定量確定標(biāo)準(zhǔn)有待進(jìn)一步研究。

[1] 姬楊蓓蓓, 張小寧, 孫立軍. 基于貝葉斯決策樹的交通事件持續(xù)時(shí)間預(yù)測(cè)[J]. 同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版), 2008, 36(3): 319?324. JI Yangbeibei, ZHANG Xiaoning, SUN Lijun. Incident duration prediction grounded on Bayesian decision method based tree algorithm[J]. Journal of Tongji University(Natural Science), 2008, 36(3): 319?324.

[2] PAYNE H J, HELFENBEIN E D, KNOBEL H C. Development and testing of incident detection algorithms[R]. Washington D C, USA: Federal Highway Administration, 1976: 1?20.

[3] DUDEK C L, MESSER C J, NUCKLES N B. Incident detection on urban freeways[C]//Transportation Research Board. Washington D C: Transportation Research Board, 1974: 12?24.

[4] PERSAUD B N, HALL F L. Catastrophe theory and patterns in 30-second freeway traffic data-implication for incident detection[J]. Transportation Research Part A, 1990, 23(2): 103?113.

[5] STEPHANEDES Y J, CHASSIAKOS A P. Application of filtering techniques for incident detection[J]. Journal of Transportation Engineering, 1993, 119(1): 13?26.

[6] 姜桂艷, 溫惠敏, 楊兆升. 高速公路交通事件自動(dòng)檢測(cè)系統(tǒng)與算法設(shè)計(jì)[J]. 交通運(yùn)輸工程學(xué)報(bào), 2001, 1(1): 77?81. JIANG Guiyan, WEN Huimin, YANG Zhaosheng. Design of freeway automatic incident detection system and algorithm[J]. Journal of Traffic and Transportation Engineering, 2001, 1(1): 77?81.

[7] SRINIV D, SHARMA V, TOH K A. Reduced multivariate polynomial-based neural network for automated traffic incident detection[J]. Neural Networks, 2008, 21(2/3): 484?492.

[8] 王武功, 馬榮國(guó). 交通事件檢測(cè)的加權(quán)支持向量機(jī)算法[J]. 長(zhǎng)安大學(xué)學(xué)報(bào)(自然科學(xué)版), 2013, 33(6): 84?87. WANG Wugong, MA Rongguo. Weighed support vector machine for traffic incident detection[J]. Journal of Changan University (Natural Science Edition), 2013, 33(6): 84?87.

[9] 陳維榮, 關(guān)佩, 鄒月嫻. 基于SVM的交通事件檢測(cè)技術(shù)[J]. 西南交通大學(xué)學(xué)報(bào), 2011, 46(1): 63?67. CHEN Weirong, GUAN Pei, ZOU Yuexian. Automatic incident detection technology based on SVM[J]. Journal of Southwest Jiaotong University, 2011, 46(1): 63?67.

[10] 張輪, 楊文臣, 劉拓. 基于樸素貝葉斯分類的高速公路交通事件檢測(cè)[J]. 同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版), 2014, 42(4): 558?563. ZHANG Lun, YANG Wenchen, LIU Tuo. A naive Bayesian classifier-based algorithm for freeway traffic incident detection[J]. Journal of Tongji University (Natural Science), 2014, 42(4): 558?563.

[11] 尹春娥, 陳寬民, 萬繼志. 基于小波方程的高速公路交通事故自動(dòng)檢測(cè)方法[J]. 中國(guó)公路學(xué)報(bào), 2014, 27(12): 106?112. YIN Chune, CHEN Kuanmin, WAN Jizhi. Automatic detection method for expressway traffic accident based on wavelet equation[J]. China Journal of Highway and Transport, 2014, 27(12): 106?112.

[12] ROSSI R, GASTALDI M, GECCHELE G. Fuzzy logic-based incident detection system using loop detectors data[J]. Transportation Research Procedia, 2015(10): 266?175.

[13] 蔡志理. 高速公路交通事件檢測(cè)及交通疏導(dǎo)技術(shù)研究[D]. 長(zhǎng)春: 吉林大學(xué)交通學(xué)院, 2007: 51?52. CAI Zhili. Study on traffic incident detection and traffic evanesce technologies for freeway[D]. Changchun: Jilin University, College of Transportation, 2007: 51?52.

[14] BREIMAN L. Random forest[J]. Machine Learning, 2011, 45(1): 5?32.

[15] GENUER R, POGGI J M, TULEAU-MALOT C. Variable selection using random forests[J]. Pattern Recognition Letters, 2015, 31(14): 2225?2236.

[16] TIPPING M E. Sparse Bayesian learning and the relevance vector machine[J]. Journal of Machine Learning Research, 2001, 1(3): 211?244.

[17] 瞿娜娜.基于組合核函數(shù)支持向量機(jī)研究及應(yīng)用[D]. 廣州: 華南理工大學(xué)經(jīng)濟(jì)與貿(mào)易學(xué)院, 2011: 23?24. QU Nana. Research and application of support vector machine based on mixed-kernel function[D]. Guangzhou: South China University of Technology. School of Economic and Commerce, 2011: 23?24.

[18] KENNEDY J, EBERHART R C. Particle swarm optimization[C]//Proceedings of IEEE International Conference on Neural Network. Piscataway, NJ: IEEE Service Center, 1995: 1942?1948.

(編輯 陳燦華)

Traffic incident automatic detectionalgorithm for urban expressway

BING Qichun1, 2, GONG Bowen1, 3, LIN Ciyun1, 3, YANG Zhaosheng1, 3

(1. School of Transportation, Jilin University, Changchun 130022, China;2. School of Automobile and Transportation, Qingdao Technology University, Qingdao 266520, China;3. State Key Laboratory of Automobile Simulation and Control, Jilin University, Changchun 130022, China)

In order to improve the accuracy of traffic incident detection for urban expressway, through analyzing the change rules of traffic flow parameters, the initial variables set of traffic incident detection which contains 12 variables was built, and the random forest method was used to select the key variables. Then combined kernel function, relevance vector machine model was constructed based on particle swarm optimization. Finally, validation and comparative analysis were carried out using inductive loop parameters measured from the north-south viaduct in Shanghai. The results show that the key variable selection can effectively improve the accuracy of traffic incident detection. The detection performance of combined kernel function RVM model is also better than that of the single kernel function RVM model and SVM model.

automatic incident detection; random forest; relevance vector machine model; combined kernel function

10.11817/j.issn.1672?7207.2017.06.036

U491

A

1672?7207(2017)06?1682?06

2016?07?24；

2016?09?24

“十二五”國(guó)家科技支撐計(jì)劃項(xiàng)目(2014BAG03B03)；國(guó)家自然科學(xué)基金青年基金資助項(xiàng)目(51308248，51408257)(Project (2014BAG03B03) supported by the National Science and Technology Pillar Program During the 12th “Five-year”; Projects(51308248, 51408257) supported by the National Natural Science Youth Foundation of China)

龔勃文，博士，講師，從事智能交通關(guān)鍵理論與技術(shù)研究；E-mail：gongbowen@ jlu.edu.cn