李翠， 李雪

(1.江西交通職業(yè)技術(shù)學院 信息工程系， 江西 南昌 330013；2.長安大學 電子與控制學院， 陜西 西安 710064)

在城市快速路或高速公路上偶爾會發(fā)生車輛碰撞和拋錨、道路施工、貨物撒落等交通事件，輕則引發(fā)道路短暫性擁擠，重則中斷交通流、阻塞交通。為減少交通延誤、保障道路安全，需準確、快速地檢測交通事件。許多學者基于模式識別、統(tǒng)計分析和人工智能等理論對交通事件檢測展開研究。模式識別法的典型代表是加州算法及其改進算法，其存在閾值取值困難、誤報率高等問題。統(tǒng)計分析法一般分為兩類，一類包括正態(tài)偏差法及其改進算法，這類算法一般只考察單一的統(tǒng)計特征屬性，容易造成誤檢；另一類統(tǒng)計算法結(jié)合人工智能，如支持向量機(SVM)分類算法和貝葉斯分類算法，SVM 分類算法依賴于核函數(shù)的選擇，貝葉斯算法則存在計算復雜、泛化能力不強等問題。在人工智能領(lǐng)域，有些學者基于模糊邏輯、神經(jīng)網(wǎng)絡來檢測交通事件，這類算法雖然能較有效地區(qū)分常規(guī)擁堵和交通事件，但模糊邏輯方法非常依賴專家經(jīng)驗知識來確定模糊隸屬參數(shù)，神經(jīng)網(wǎng)絡模型存在缺乏有效樣本集、權(quán)值和閾值參數(shù)難以準確設置及收斂速度慢等問題?？傮w而言，基于模式識別的算法準確性較差，而基于統(tǒng)計分析和人工智能的算法較復雜，且依賴先驗知識。為此，該文提出一種基于車輛積壓長度的高速公路交通事件檢測算法，利用上、下游檢測點同步采集的交通流量實時估計兩個檢測點之間的車輛積壓長度，以車輛積壓長度的移動平均值作為檢測交通事件的特征指標，并采用VISSIM進行交通事件仿真分析，驗證該算法的檢測性能。

1 車輛積壓長度

表征交通流特性的常用參數(shù)主要有速度、流量和密度，其在道路交通信息采集系統(tǒng)中分別對應行車速度、交通流量和時間占有率。發(fā)生交通事件時，這些參數(shù)會發(fā)生相應變化。一般情況下，交通事件發(fā)生在兩個檢測點(即上、下游檢測點)之間。為及時準確地檢測交通事件，利用上、下游檢測點采集的交通參數(shù)構(gòu)建敏感性高的特征指標。

假設在上、下游檢測點同步進行連續(xù)的數(shù)據(jù)采集，選擇時刻t之前的某個時刻t0作為起始時刻估計時間長度為(t-τ-t0)的同一交通流在上、下游檢測點之間的車輛積壓長度：

L(t)=Q1[t0∶(t-τ)]-Q2[(t0+τ)∶t]

(1)

式中：Q1[t0∶(t-τ)]為上游檢測點從時刻t0到t-τ的交通流量，即輸入檢測路段的交通流量；Q2[(t0+τ)∶t]為下游檢測點從時刻t0+τ到t的交通流量，即輸出檢測路段的交通流量；t0為起始時刻；τ為時延。

若τ恰好等于無交通事件發(fā)生時車輛在檢測路段上的通行時間，則L(t)=0，即輸入和輸出的交通流為同一交通流。由于行車速度的波動性和采集數(shù)據(jù)的離散性，不存在唯一確定的τ使輸入和輸出的交通流完全相同，L(t)也會發(fā)生波動。無交通事件發(fā)生時，τ的合理取值應使L(t)的均值接近于零。若發(fā)生交通事件，則由于輸入的車輛不能及時駛出檢測路段，L(t)會急劇增大。因此，根據(jù)L(t)的變化情況可及時判斷是否發(fā)生交通事件。

由于式(1)給出的L(t)存在波動幅度較大的特點，進一步對其取移動平均，得：

M(t)=mean[L(t-tl)∶t]

(2)

式中：mean( )表示取平均值；[L(t-tl)∶t]為時刻t-tl到t之間的車輛積壓長度；tl為常數(shù)，使參與M(t)計算的數(shù)據(jù)個數(shù)為tl+1。

由于M(t)比L(t)更平滑，選用M(t)作為交通事件檢測的特征指標。

2 仿真分析

2.1 仿真參數(shù)

以長度為3 km的某雙車道高速公路路段為例進行VISSIM仿真分析，該路段的最高和最低限速分別為120、60 km/h。在距輸入端和輸出端各1 km處分別設置上、下游檢測點，并假設交通事件發(fā)生在距上游檢測點0.4 km處。設置局部路徑將外側(cè)車道臨時關(guān)閉，以模擬交通事件的發(fā)生。仿真時間設定為10 800 s，并假設交通事件從第3 600 s開始，共持續(xù)3 600 s。兩個檢測點的采樣頻率均為20 s，同步采集平均速度、交通流量和時間占有率3種交通參數(shù)。

2.2 典型分析

將輸入的交通流量設定為2 000 veh/h來分析交通參數(shù)的典型變化特征，上、下游檢測點采集的交通參數(shù)時間序列見圖1～3。

由圖1可知：1) 上游檢測點的平均速度剛開始在高位平穩(wěn)波動，但從第5 000 s開始大幅下降并轉(zhuǎn)換到低位平穩(wěn)波動，直到第7 800 s才開始恢復高位平穩(wěn)波動。2) 除第3 600 s處的平均速度出現(xiàn)奇異外(可視作噪聲)，下游檢測點的平均速度基本在高位平穩(wěn)波動?？梢?，交通事件對上游檢測點平均速度的影響較大，對下游檢測點平均速度的影響很小。這是由于交通事件造成的通行瓶頸會使上游檢測點的車輛通行緩慢，但不會影響下游檢測點的車輛保持快速通行。因此，盡管可根據(jù)上游檢測點的平均速度變化判斷交通事件的發(fā)生，但平均速度的明顯變化會比交通事件的發(fā)生時間滯后約1 400 s。

圖1 上、下游檢測點平均速度時間序列

圖2 上、下游檢測點交通流量時間序列

圖3 上、下游檢測點時間占有率時間序列

由圖2可知：上、下游檢測點的交通流量均在第7 200～7 800 s短暫升高，而在其他時間保持較平穩(wěn)的波動，這種交通流量的短暫升高是由交通堵塞解除后積壓車輛快速通行造成的。下游檢測點交通流量短暫升高的持續(xù)時間比上游檢測點略長，說明堵塞車輛的排隊長度已延伸到上游檢測點之外。可見，交通事件不會使檢測點的交通流量發(fā)生非常明顯和及時的變化。

由圖3可知：1) 上游檢測點的時間占有率(簡稱占有率)剛開始在低位平穩(wěn)波動，但從第5 000 s開始大幅上升并切換到高位平穩(wěn)波動，直到第7 800 s才開始恢復低位平穩(wěn)波動。2) 除第7 200～7 800 s占有率短暫升高外，下游檢測點的占有率均在低位平穩(wěn)波動，下游檢測點占有率的短暫升高是由交通事件結(jié)束導致積壓的車輛快速通過造成的。盡管可根據(jù)上游檢測點的占有率變化判斷交通事件的發(fā)生，但占有率的明顯變化會比交通事件的發(fā)生時間滯后約1 800 s。

根據(jù)式(1)和式(2)，取時延τ=40 s(等于2倍采樣間隔)，并取tl=120 s(等于6倍采樣間隔)，得到積壓長度L(t)及其移動平均值M(t)(見圖4)。由圖4(a)可知：1) 積壓長度剛開始在低位平穩(wěn)波動，然后在第3 600 s快速增加至高位波動，并且在第7 200 s快速回落至低位重新開始平穩(wěn)波動。根據(jù)圖4(a)可判斷有交通事件發(fā)生，而且積壓長度的明顯變化僅比交通事件的發(fā)生時間滯后約600 s。圖4(b)中曲線變化與圖4(a)整體類似，但圖4(b)給出的積壓長度移動平均值在各時刻的波動幅度更小，整體更平滑，有利于合理確定閾值以判斷交通事件的發(fā)生。

圖4 車輛積壓長度估計值與移動平均值時間序列

綜上，圖1(a)、圖3(a )和圖4(a)、(b)均可用于交通事件檢測。相比之下，圖4(a)、(b)對交通事件更敏感，曲線的明顯變化發(fā)生更快。由于圖4(b) 的曲線比圖4(a)整體上更平滑，有利于設定閾值來實現(xiàn)交通事件的自動檢測，故判斷積壓長度移動平均值是一個很好的檢測交通事件的特征指標。

2.3 統(tǒng)計分析

根據(jù)2.2節(jié)的分析，采用式(2)給出的積壓長度移動平均值M(t)作為檢測交通事件的特征指標。報警條件設定為：若連續(xù)3個采樣時刻t-40、t-20和t(采樣間隔為20 s)的特征指標M(t)、M(t-20)、M(t-40)均超過前面20個連續(xù)時刻的特征指標最大值max(M[(t-440)∶(t-60)])的30%，則在t時刻報警。

采用檢測率(Detection Rate，DR)、誤報率(False Alarm Rate，F(xiàn)AR)和平均檢測時間(Average Detection Time，ADT)3個性能指標來驗證上述算法的有效性，并與經(jīng)典的加州算法進行對比。分別模擬低飽和交通(1 000 veh/h)、中飽和交通(2 000 veh/h)和高飽和交通(3 000 veh/h)3種交通環(huán)境，各進行100次仿真分析，結(jié)果見表1。

表1 文中算法與加州算法的性能指標

由表1可知：文中算法在3種交通環(huán)境下的檢測率均很高，同時具有較低的誤檢率和平均檢測時間。相比之下，加州算法的檢測率較低，誤檢率較高且平均檢測時間較長?？梢?，文中算法具有良好的檢測效果。

3 結(jié)論

(1) 相比平均速度、交通流量和時間占有率，車輛積壓長度移動平均值對交通事件更敏感，能在更短的時間內(nèi)發(fā)生明顯變化，且其物理意義明確、計算簡單。

(2) 基于車輛積壓長度的交通事件檢測算法以車輛積壓長度移動平均值作為特征指標來檢測交通事件，在不同交通環(huán)境下均具有較高的檢測率、較低的誤檢率和較短的檢測時間，具有良好的檢測性能。