高速公路交通事件检测算法及固定检测器布设方案.doc
《高速公路交通事件检测算法及固定检测器布设方案.doc》由会员分享,可在线阅读,更多相关《高速公路交通事件检测算法及固定检测器布设方案.doc(11页珍藏版)》请在三一文库上搜索。
1、精品论文大集合高速公路交通事件检测算法及固定检测器布设方案陈扶崑 吴中 鲍业辉 河海大学交通学院,南京 (210098) E-mail:摘要:为了研究高速公路交通事件检测算法及固定检测器布设间距,分别设计了高速公路基 本路段和匝道路段的人工神经网络事件检测算法,并研究基本路段检测器布设间距在 200 米700 米不同情况以及匝道路段上游检测器不同布设位置的事件检测效果。利用 VISSIM4.2 软件仿真获得数据,并在 Matlab 人工神经网络工具箱中计算,验证了所设计的 事件检测算法的有效性,得出基本路段固定检测器的合理布设间距和有匝道路段固定检测器 的布设位置。 关键词:自动交通事件检测,
2、检测器布设间距,人工神经网络,VISSIM,Matlab 中图分类号:U41.引言近年来,随着社会经济的快速发展,全社会拥有机动车数量逐年增加,引发了越来越多 的交通拥堵与交通事件,在高速公路上发生交通事件(例如交通事故、车辆抛锚、货物散落 等)后,如果不及时处理,就会导致严重的交通拥堵,并可能引发二次事件,所以研究高效 的自动交通事件检测算法(Automatic Incident Detection, AID)具有重要意义。AID算法可分 为直接检测算法和间接检测算法,直接检测法是指用图像处理技术来发现停驶车辆的一类方 法,这类方法实际上是“看到”发生了交通事件,绝大多数的AID算法都属于后
3、一种,它们 通过识别由车辆检测器得到的交通流参数的非正常变化来间接判断交通事件的存在。直接检 测方法在检测速度、检测精度方面均优于间接检测方法,但它需要更密集的设置检测站(摄 像机),需要较高的资金投入才能保证合理的检测可靠性,而且气象条件和障碍物对其影响 也较大1;间接检测法,因其经济方便而成为发展中国家和大多数发达国家AID研究的主要 方向。间接检测算法的早期与现在研究主要通过在高速公路上布设固定检测器采集的交通参 数进行事件检测,固定检测器不同间距对事件检测算法的影响较大,所以研究高速公路固定 检测器的布设间距具有重要意义,本文选择人工神经网络(ANN)算法进行事件检测,详 细研究高速公
4、路基本路段检测器布设方案及有匝道路段的检测器布设位置。2.固定检测器检测交通事件原理高速公路交通事件检测系统的本质是根据实时采集的交通数据(速度、流量、密度、占 有率、行程时间等)的变化情况,由事先设计好的自动检测算法判别是否有事件发生,若无 事件发生,继续实时检测,若有事件发生,则报警,交通管理控制中心采取相应的疏导策略。 高速公路交通事件管理系统的核心是交通事件自动检测算法,所以自动事件检测算法的优劣 决定了高速公路对事件的响应效率。图 1 所示为基于固定检测器的事件检测过程。11路段1 路段2事件上游传感器下游传感器感应线圈采集的交通数据高速公路交通管理控制中心启动事件报警并采 取救援措
5、施有事件事件检测算法数据预处理无事件不报警图 1 基于固定检测器的交通事件检测流程图Fig1 Based on fixed detectors for traffic incident detection process3.自动事件检测算法性能评价指标对于事件检测算法的优劣需要设置一定的评价指标与评价方法。通常衡量一个交通事件 检测算法有三个指标2:检测率(Detection Rate, DR)、误报警率(False Alarm Rate, FAR) 和平均检测时间(Mean Time Detection, MTTD),如下各公式所示:DR = DN 100%AN(1)FAR =FNADN10
6、0%(2)n 1 nMTTD =TI (i) AT (i)i =1(3)式中:DN- 检测到的事件次数;AN- 实际发生的事件次数;FN- 误报的事件次数;AND-非事件状态总数;TI(i)-事件 i 实际发生的时刻;n-算法检测到的实际发生的事件数。 误报警率主要有三种计算方法3:第一种是误报警数占总决策数(事件决策和非事件决策)的比例;第二种是误报警数占非事件状态总数的比例;第三种是在一定时间段内误报警 数占事件状态总数的比例。本文FAR采用第二种。同时为了能够更好的说明事件检测效果的 优劣,论文引入误分类率4(Misclassification rate, MCR)作为以上三个评价指标的
7、补充。 MCR的计算如公式(4)错误分类的交通状态数MCR =交通状态总数 (4)检测率和误报警率体现了算法的检测效果,而平均检测时间体现了算法的检测效率。一个理想的事件检测算法应该检测出所有的事件,没有检测错误并且事件发生时就开始报警, 即 DR=100%,FIR=0,MTTD=0。但实际中不可能达到这样理想的结果,这三个指标不是 彼此独立的,通常检测率高的事件检测算法必须具有很高的灵敏度,这会导致较高的误报率; 相反灵敏度低的算法产生的误报率少,但此时检测率也很低。如果增加算法的检测时间,那 么该算法能够分析更多的数据,从而提高检测率并降低误报率,但是增加平均检测时间将会 延误对交通事件的
8、疏导,降低了事件检测算法的效率。由于以上三个评价交通事件检测算法的指标存在着相互依赖的关系,所以一个算法必须 权衡这三个方面,没有一个必然的最佳选择,一般在评价交通事件检测算法时,将误报率(FAR)限制在一个可接受的范围内,尽量改善检测率(DR)和平均检测时间(MTTD)。4.固定检测器布设方案研究4.1 研究平台与数据获得因条件所限,本文依托VISSIM仿真软件为研究平台5,首先在VISSIM中建立一条长 3千米,单向两车道的高速公路模型,包括基本路段、有驶入和驶出匝道路段,车道宽度均为3.75 米,假设该仿真路段的代号为FK,其中基本路段的代号为FK-881,有驶入匝道的路段 代号为FK-
9、882,有驶出匝道的路段代号为FK-883,如图 2 所示。分别在检测器间距 200 米、300 米、400 米、500 米、600 米等情况下进行事件仿真,每隔 30s周期采集对于交通事件较 敏感的占有率和速度参数6。事件仿真考虑了交通流高峰、平峰和低峰的情况,高速公路基 本路段的实际通行能力为 3000 辆/h7,分别加载交通需求为 1000 辆/h、1500 辆/h、2000 辆/h和 2500 辆/h,其中交通组成中小汽车占 80%,大客车占 10%,大货车占 10%。每类检测器布设间距下,分别加载上述四种不同交通需求,仿真不同位置处发生交通事件。车辆行驶方向图 2 VISSIM 中高
10、速公路模型图Fig2 Freeway model of VISSIM simulation4.2 基本路段固定检测器间距研究交通事件检测算法选用人工神经网络算法,参阅文献 810,并考虑到有监督的学习规 则,本论文选择以下三种常用人工神经网络:多层前馈神经网络(MLF)、概率神经网络(PNN)和学习向量量化神经网络(LVQ)。在基本路段检测器 200 米间距下,比较上述三 类常用人工神经网络算法的检测效果,选择三者中检测效果最好的神经网络算法,并将其应 用于大于 200 米间距的其它间距的事件检测,高速公路基本路段事件检测算法基于上下游双侧检测器采集的交通参数,根据参考文献 10,选择对于事件
11、较敏感的上下游交通组合参数:上下游速度差值、占有率差、速度比值和占有率比值作为事件检测算法的输入参数。(一)200 米固定检测器间距的事件检测效果分别在四种交通需求下,每隔 10 米发生一次交通事件,每次事件的仿真时间为 30 分钟, 其中前 10 分钟为正常交通流,事件发生在第 11 分钟,共持续 10 分钟,后 10 分钟为事件消 散后的正常交通流状态,上下游检测器每隔 30s 采集一次交通参数,并将采集的交通参数进 行预处理,预处理包括消除噪声干扰和原始交通参数转化为算法所需输入参数,预处理后的 数据分为两个数据集,一个数据集用于人工神经网络算法的训练(FK-881A),另一个数据集 用
12、于人工神经网络算法的测试(FK-881B),如表 1 所示。表 1 200 米检测器间距事件仿真数据库Tab.1 Traffic incident simulation database of the 200 meter detector distance事件数据集名称数据集事件数事件模式数无事件模式数用途FK-881FK-881A387601444BP&PNN&LVQ算法的训练FK-881B387601444BP&PNN&LVQ算法的测试本论文采用姜桂艳教授提出的三级报警制度3,即采用延长时间进行持续报警,当持续三个检测间隔均有事件发生报警,便采取救援措施,该方法在一定程度上降低了误报警率(
13、FAR),但同时也延长了平均检测时间(MTTD)并降低了检测率(DR)。图 3 表示了利用 BP 神经网络进行事件检测算法的结构,输入层为 4 个神经元,输出层 为 1 个神经元(0-无事件,1-有事件),隐层的个数是经过反复试算后获得的,隐层数为 25 个神经元。上下游占有率差上下游速度差0无事件上下游占有率比1有事件上下游速度比图 3 BP 神经网络事件检测结构图Fig3 BP algorithm of traffic incident detection图 4 表示了概率神经网络(PNN)的基本结构,输入层有 4 个神经元,模式层神经元数等于训练数据的状态模式数,本次训练状态模式数为 2
14、204 个。总和层只有 2 个神经元数, 表示两种输出类型,输出层神经元个数为 1。输入层模式层总和层(Class 1)(Class 2)输出层图 4 PNN 网络结构图Fig4 Probabilistic neural network algorithm of traffic incident detection学习向量量化(LVQ)神经网络由一个竞争层和一个线性层组成。输入层的神经元为4 个,竞争层的神经元个数通过试算确定得 73 个,输出层的神经元个数为 1,具体结构可参 考文献 11。利用 matlab6.5 人工神经网络工具箱实现上述算法的计算,得到三种神经网络的事件检测的结果,见表
15、 2。表 2 三种神经网络事件检测结果对比表Tab.2 The Comparison result of three type of ANN incident detectionBP 算法PNN 算法LVQ 算法DR (%)FAR (%)MTTD (S)MCR (%)DR (%)FAR (%)MTTD (S)MCR (%)DR (%)FAR (%)MTTD (S)MCR (%)一级 报 警1003.1836.325.901005.1239.4711.186.661.758612.53二级 报 警1000.6966.321000.2894.74800.17110三级 报 警1000.28118.
16、494.740.28156.773.330118通过表 2 可以看出:当检测器间距为 200 米时,BP神经网络和PNN神经网络的事件检测效果较好,BP算法三级报警下的检测率达到 100%,误报警率降低为 0.28,平均检测时间 仅为 118 秒,误分类率为 5.90%,另外PNN网络也取得满意的效果,相比BP网络和PNN网络, LVQ网络的检测效果相对较差,三级报警的检测率仅为 73.33%。考虑到PNN网络本身具有 以下两个固有缺陷12:第二层(模式层)的神经元数量等于训练样本的数量,这样在学 习样本较多时,模式层的神经元个数也非常大,导致运算矩阵的增大而使之几乎丧失了处理 大数据量的能力
17、。模式层到求和层的权值固定为常数,这样需要学习集合中各类样本的数 量相等,这样会影响其在处理实际数据的能力。基于上述分析,本文选择BP神经网络作为 事件检测算法。(二)其它固定检测器间距下的事件检测效果上下游检测器 300 米间距的事件检测效果研究也在四种交通需求下,每隔 20 米发生一 次交通事件,共发生事件 56 起,事件仿真、检测的算法和过程与检测器 200 米间距的情况 相同,所以省略了它的详细过程,最终算法的检测结果如表 3。表 3 300 米检测器间距的事件检测结果Tab.3 Traffic incident detection result of the 300 meter de
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 高速 公路交通 事件 检测 算法 固定 检测器 布设 方案
链接地址:https://www.31doc.com/p-3628524.html