快速路交通事件检测方法

李红伟 陆 键 姜桂艳 马永锋

(1东南大学交通学院,南京 210096)

(2上海交通大学船舶海洋与建筑工程学院,上海 200240)

(3吉林大学交通学院,长春 130022)

作为城市路网系统中的主要道路,快速路在整个城市交通系统中发挥着重要作用,如上海快速路道路面积占市中心道路面积的5%,却承担了市中心20%的交通量[1]．因交通事件引起的拥堵已占上海快速路总拥堵的50%～75%[2]．准确、及时的交通事件自动检测(automatic incident detection,AID)算法可减少因交通事故造成的拥堵时间,降低人员伤亡以及财产损失．

目前,流行的交通数据采集设备是环形线圈检测器和视频检测器．与视频检测器相比,环形线圈检测器因具有价格适中,在雨、雾等恶劣天气下仍可正常工作等优势,而被广泛应用．以线圈数据为基础的AID算法包括模式识别、统计预测、时间序列、交通流理论、智能检测5类,代表算法分别为California算法[3]、贝叶斯算法[4]、自回归综合移动平均算法[5]、小波算法[6]以及神经网络算法[7]．这些算法均存在缺陷：California算法误警率高;贝叶斯算法复杂;自回归综合移动平均算法复杂,误警率高;小波算法检测率低;神经网络算法复杂[8-9]．此外,以上算法对低流量状态下的事件检测效果极差．

本文提出一种既能保证较高检测率(detection rate)和较低误报率(false alarm rate),又适用于各种流量的快速路AID算法．

1 数据来源

本文提取了某城市快速路高架上的交通流历史数据进行研究．该路段全长约14km,包括主线、8个出入口匝道和3个立交,全程无信号控制．

由于快速路主线、匝道与高架上的交通流冲突类型、车辆运行特征存在差异[10],匝道分流点、合流点以及减速连接部、加速连接部处布设检测器[11]．主线处,平均每500m左右设置一个检测截面,共布设88组检测器．匝道进口和出口附近各设置一个检测截面,共布设42组检测器．路段两端立交匝道出入口各设置一个检测截面;第3个立交出入口匝道上布设间距约200m的2个检测截面,立交共布设30个检测器．已有研究认为,事件检测中检测器间距在200～500m之间是合适的,由此可知,本文中检测器布设间距合理[12]．

检测器可采集流量、地点平均车速(简称速度)和时间占有率(简称占有率)等参数,采集间隔为5min．采集时间为2008-04-24—2008-05-26每周的第1个工作日．数据采集期间天气晴好,路段沿线无大型活动和特殊交通管制,共采集了191起交通事件,东侧主线、东侧匝道、西侧主线、西侧匝道各75,31,56,29起．东侧数据用于交通事故数据特征分析和建模,西侧数据用于验证模型的有效性．

2 理论基础

2.1 时间序列

交通事故的时间序列包含事故发生、发展趋势,可用于设计AID算法[13]．图1给出了交通量数据时间序列.其中，x轴为横向时间序列，指数据以24h为坐标轴进行排列的序列;y轴为纵向时间序列，指数据以相同工作日(如周一)为坐标轴进行排列的序列；z轴为流量(辆/min)．

图1 交通量数据时间序列

现有的AID算法多以横向时间序列上的数据为研究基础,对数据的稳定性和正态拟合性要求较高．本文利用均值标准误差(standard error of mean,SEM)和Kolmogorov-Smirnov正态性检验对比分析2种时间序列上数据的波动性和正态拟合性,以选择更适合建模需求的时间序列．

图1中,横向时间序列交通流变化趋势复杂,为降低其波动性,根据其变化趋势,将横向时间分为4段:① 低峰,00:00—04:30;② 激增,04:35—07:30;③ 高峰,07:35—17:30;④ 缓降,17:35—00:00．各阶段的SEM值和Kolmogorov-Smirnov验证结果(P)如表1所示,其中,SEM值越大,说明数据波动性越大;P为显著性水平,若P>0.05,表示没有足够证据证明样本不符合正态分布,反之,表示数据不符合正态分布．

表1 SEM值与Kolmogorov-Smirnov检验

表1中,横向时间序列上数据的SEM值约为纵向时间序列的2～3倍,说明纵向时间序列更稳定;纵向时间序列上数据的P值均大于0.05,说明纵向时间序列正态拟合性更好．因此,本文选择数据波动性更小、正态拟合性更显著的纵向时间序列上的数据为建模基础,建立快速路AID算法．

2.2 突变理论

突变理论研究从一种稳定组态跃迁到另一种稳定组态的现象和规律,能较好地解释和预测自然界和社会上的突然现象[14]．交通事件下的交通流变化趋势符合突变现象．未发生事件时,交通流参数在一定范围内小幅上下波动;事件发生前期,交通流参数急剧降低;事件持续期间,交通流参数基本稳定在一定范围内;事件发生后期,交通流参数急剧增加;事件结束,交通流参数在一定范围内小幅波动．交通参数的突变特征可归纳为:

① 多模态．事件未发生和发生时,交通流参数在不同区间内上下波动．

② 不可达．未发生事件时,交通流参数所在区间是事件过程中的参数不能达到范围,反之亦然．

③ 突跳．事件发生时,交通流参数由一个稳定的数值范围突然跳到另一个稳定的数值范围,这种变化是不连续的．

3 模型建立

3.1 参数选取

参数的选择关系到AID算法的效果．已有的AID算法多采用占有率或流量作为输入参数．事件发生时,单位车辆通过检测器的时间增加,导致占有率增大；交通拥堵时,占有率亦可能增大．单纯从占有率判断是否发生交通事件不尽合理,流量存在同样的问题．这表明,依靠单个交通参数无法很好地体现交通流运行状态．事件发生过程中,占有率数值明显增大，流量、速度明显降低．因此,本文利用环形线圈检测到的事件状态下的流量、速度和占有率3个参数设计新的AID算法．

3.2 交通事件影响指数

根据统计理论和突变理论,提出交通事件影响指数I．I定义为交通流参数预测值与实测值之比,计算公式如下:

(1)

事件发生后车流可能静止,为防止检测器检测到的占有率为0,占有率加上一个常数0.001．

由于纵向时间序列稳定性好,从预测的简易性考虑,用移动平均法预测交通参数,即

(2)

预测精度取决于时间窗口尺度n．若n<3,预测数据精度小于90%；若n>8,即2个月后,预测数据精度降低，这是由于交通流具有季节性．因此,n∈(3,8)．

3.3 交通事件影响指数特征分析

预测值由正常交通状态下的历史数据计算得到.未发生事件时,预测值与实测值相差不大,I在数值1左右波动;事件发生时,分母中的qp(t)和vp(t)降低，op(t)增大,实测值显著降低,预测值明显大于实测值,I值远远大于1．事件状态下的I值变化特征如图2所示.

图2 事件状态下的事故影响指数变化趋势

3.4 确定阈值

本文利用I值累积分布曲线(见图3)及检测率(RD)和误报率(RFA)关系曲线(见图4)确定交通事件判断的阈值．图3中,RD值等于100%减去该阈值下的累积百分数．I=8时,RD=100%;I=9时,RD=95%;I=10时,RD=90%;I=11时,RD=85%．图4中,I=8时,RFA=36.72%;I=9时,RFA=27.18%;I=10时,RFA=1.69%;I=11时,RFA降至0%．由以上结果分析得出,阈值应取10．

基于以上原因,“是否发生交通事件”的问题就归结为“在t时刻的I值是否属于某个区间”的下述检验问题:

原假设HI∈(0,10)

对立假设KI∉[10,+∞)

假设成立,未发生事件;反之,发生事件．

图4 RD-RFA曲线

4 模型验证

4.1 对比检验

一般用检测率RD、误报率RFA和平均检测时间DMTT三个指标检测AID算法的性能．作为经典的AID算法,California算法应用效果已在实际应用中得到充分证明,本文利用California算法验证本文提出的事件数据影响指数算法的性能,对比结果见表2．

表2 检测结果对比 %

由表2可以得出以下结论:

1) California算法RD=85%,事件数据影响指数算法RD=94.56%,后者的RD值比前者高近10%，说明本文算法的检测率可以满足检测率要求．

2) California算法RFA=0.64%,事件数据影响指数算法RFA=0%,后者的误报率低于前者，说明本文算法基本不会误判交通事件．

3) 若以California算法检测出事件的时间为参考时间,本文算法可提前5min检测出交通事件．

权衡RD,RFA及DMTT三个评价指标,可以发现本文算法的检测效果更好．

4.2 不同阈值检测效果对比

西侧主线、西侧匝道的交通事故数分别为56,29．当阈值为12,11,10,9,8时,西侧主线检测出的交通事故数分别为38,42,54,55,56,被误判的交通事故数为0,0,0,1,7;西侧匝道检测出的事故数为22，25,28,29,29,被误判的交通事故数为0,0,0,2,5．

不同阈值下的RD和RFA值如表3所示．对西侧主线而言,RD=100%时,阈值为8,RFA=12.50%;阈值为10,11,12时,RFA均为0%,RD值分别为94.64%,75.00%和67.86%．

表3 不同阈值下的检测结果 %

为了保证误检率和检测率均达到最优,选择I=10作为阈值．同理,西侧匝道的交通事件检测方法的最优阈值同样为10．此结果说明了本文提出的阈值确定方法是正确的．

4.3 不同流量情况下的检测效果

图5中,事件1,2,3,4的发生时段分别为0:55—1:15,5:55—6:05,15:15—15:50,20:20—20:55,其中,事件1,2,3为一次事故,事件4为二次事故．结合图1中交通流量的4个时段,事件1发生在低峰时段,事件2发生在流量激增时段,事件3发生在高峰时段,事件4发生在流量缓降时段．

图5 不同流量下的事故影响指数变化趋势

由图5可得到以下结论:

1) 大于阈值的I值所在时间内均发生交通事件;小于阈值的I值所在时间内均未发生交通事件．

2) 事件发生过程中,当I值变化曲线为U形曲线时,表示本次事件发生了二次事故,如事件4所示．

3)I值对低流量比高流量更敏感,说明本方法不仅能在高峰、平峰时段检测出交通事件,对低流量时发生的交通事件检测效果更好,即本文算法适用于各种流量．

4) 未发生事件时,I值在1左右上下浮动,浮动范围不超过10;发生事件时,I值突变,突变幅度很大,说明本文算法的检测性能不受交通流变化趋势的影响,只受交通事件的影响．这也解释了本文算法比California算法检测性能更好的原因,同时说明了本文算法的阈值更容易确定．

5 结论

1) 本文算法的检测率比California算法高出近10%,误检率为0,可提前5min检测出交通事件．说明本文算法具有良好的性能．

2)I值在低流量时比高流量反应更敏感,说明本算法不仅能在高峰、平峰时段检测出交通事件,对低流量时发生的交通事件检测效果更好,即本文算法适用于各种流量的情况．

3) 本文算法的检测性能不受交通流变化趋势的影响,只受交通事件的影响．

)

[1]唐海雯.实时监控 及时处置 为排堵保畅做贡献[J].交通与运输,2006(2):10-11.

[2]姬杨蓓蓓,张小宁,孙立军.基于贝叶斯决策树的交通事件持续时间预测[J].同济大学学报:自然科学版,2008,36(3): 319-324.

Jiyang Beibei,Zhang Xiaoning,Sun Lijun.Incident duration prediction grounded on Bayesian decision method based tree algorithm[J].JournalofTongjiUniversity:NaturalScience,2008,36(3): 319-324.(in Chinese)

[3]Payne H J,Helfenbein E D,Knobel H C.Development and testing of incident detection algorithms[R].Washington,DC,USA: Federal Highway Administration,1976.

[4]Abuelela M,Olariu S.Automatic incident detection in VANETs: a Bayesian approach[C]//IEEEVehicularTechnologyConference.Barcelona,Spain,2009:1-5.

[5]Moynihan G P,Fonseca D J,Brumback T,et al.Design of a decision support system for road incident detection and characterization [C]//Proceedingsofthe2009ASCEInternationalWorkshoponComputinginCivilEngineering.Austin,USA,2009:613-322.

[6]Jeong Y-S,Castro-Neto M,Jeong M K,et al.A wavelet-based freeway incident detection algorithm with adapting threshold parameters[J].TransportationResearchPartC,2009,19(1):1-19.

[7]Ritchie S G,Cheu R L.Simulation of freeway incident detection using artificial neural networks[J].TransportationResearchPartC,1993,1(3):203-217.

[8]Jian L,Shuyan C,Wei W.A hybrid model of partial least squares and neural network for traffic incident detection [J].ExpertSystemswithApplications,2012,39(5): 4775-4784.

[9]Subramaniam S.Literature review of incident detection algorithms to initiative diversion strategies[R].Blacksburg,VA,USA: Virginia Polytechnic Institute,1991.

[10]王欣,李文权,王炜.基于驾驶行为共性的回波速度解释及仿真[J].东南大学学报:自然科学版,2007,37(4): 691-694.

Wang Xin,Li Wenquan,Wang Wei.Interpreting and emulating echo wave speed based on common characteristics of driving behavior [J].JournalofSoutheastUniversity:NaturalScienceEdition,2007,37(4):691-694.(in Chinese)

[11]陈雨人,郑仕文,童世鑫,等.区域高速公路网络交通事件传感器布设方法研究[J].公路交通科技,2010,27(11): 143-148.

Chen Yuren,Zheng Shiwen,Tong Shixin,et al.Study on deployment of traffic incident detectors for regional expressway network[J].JournalofHighwayandTransportationResearchandDevelopment,2010,27(11):143-148.(in Chinese)

[12]Awadallah F.Incident detection:selection of appropriate technologies and methodologies[J].RoadTransportResearch,2002,11(2):50-56.

[13]Daniel D G,Francisco J,David G O.Wavelet-based denoising for traffic volume time series forecasting with self-organizing neural networks [J].Computer-AidedCivilandInfrastructureEngineering,2010,25(7):530-545.

[14]Stamovlasis D,Tsaparlis G.Applying catastrophe theory to an information-processing model of problem solving in science education [J].ScienceEducation,2010,96(3):392-410.