摘要:通过对城市快速路交通异常事件自动检测方法的分析,提出用MATLAB神经网络工具箱建立交通异常事件自动检测RBF模型, 并通过采集的实测交通异常事件数据对RBF神经网络在自动检测算法中进行仿真研究。结果表明RBF神经网络算法具有检测率高、误报率低和检测速度快等优点。
关键词:城市快速路 交通异常事件 自动检测 RBF神经网络
引言
城市快速路交通异常事件是指城市快速路上的偶发事件,发生时间或位置不可准确预测的、造成道路通行能力临时下降的交通状况,如交通事故、车辆抛锚、货物散落等。根据美国联邦公路管理局估计,城市快速路的交通拥挤中,由交通事件引起的超过7O%,因为城市快速路的交通量相对较大,容易引发交通事件,甚至造成二次事故[1]。因此,对快速路交通事件进行研究具有十分重要的意义。
要降低异常事件对交通的影响,除了采取措施减少事件的发生外,最重要的就是尽早的发现事故、清除事故,缩短事故持续时间,从而减少事故对交通的影响[2]。据美国加利福尼亚运输局报告表明,在非高峰的自由流条件下,如果提前1分钟发现并清理交通事件,至少可减少4-5分钟的延误。因此,必须尽可能的对交通异常事件进行提前自动检测。
城市快速路交通异常事件检测方法及现状
自20世纪60年代起,美国、欧洲、日本等国家和地区就开始了交通异常事件自动检测的研究,30多年来,国外大约有40多个研究机构对交通事件检测进行研究,并且形成了各种各样的检测方法和技术,主要可分为自动检测技术(Automatic Incident Detection,AID) 和非自动检测技术(NAID)[3]。在20世纪80年代,California大学的学者们发现人工神经网络可用来检测事故发生的概率。在90年代早期,California等大学就开始筹建用于AID算法的神经网络。在Orange县城进行的测试表现出比California算法更好的性能。从California观测站收集的800组数据可以看出,该算法要优于California算法,0.075%的误报率意味着每11小时才有一次误报[4]。
专家和学者对交通异常事件检测算法进行了系统的分析和研究,主要分为不借助模型的人工检测方法和通过模型的自动检测方法[5]。如图1所示。
图1 交通异常事件检测算法分类
交通异常事件检测就是在交通模型研究的基础上,通过分析各种情况下交通异常时交通量、车速、占有率等参数的变化情况,选择对交通异常最敏感的指标作为交通异常自动检测参数,建立交通异常自动检测算法,确立潜在的、将要发生的事件,对其作出预测并提供预测信息;在交通异常发生后,指明其所在位置和严重程度,从而提高快速路的智能交通检测与诱导水平。
对NAID系统的异常检测方法有:
(1)通过CCTV直接观察;
(2)巡逻车现场观察;
(3)事件车或其它车司机通过中间环节线直接报告给控制中心。
对AID系统的异常检测方法是根据采集的数据信息,由算法判断是否有异常事件发生。
交通事件自动检测算法的性能是交通事件管理系统的核心,也是智能交通系统实施中能否成功运行的重要评价指标之一,常见的交通异常事件检测算法有:状态识别算法、统计预测算法、突变理论算法以及高级事件检测技术等。
状态识别算法,是依靠预设好的相关关键参数阈值,通过关键参数超出阈值的异常突变来辨识交通状态的异常变化,最终发现潜在的交通事故。如加州算法,当由上游与下游占有率计算的三个特征值同时超过阀值即报警。加州模型一般作为比较与评价新模型的参数。
统计预测算法,是先根据历史数据对未来交通状况做一个短期预测,然后将实时采集到的数据与预测值进行比较,如果两者之间存在较大变化,则认为有突发事故产生。算法主要包括时间序列法、标准正态偏差法、双指数平滑法、滤波模型法和贝叶斯法。
突变理论算法,是基于交通事故发生时交通参数所表征的交通状态发生了突然变化,同时通过比较同一时刻道路相邻断面交通状态的不同,最终确认事故发生。交通参数对交通状态的表征依靠速度一流量(或占有率——流量)关系图。如McMaster算法。
高级事件检测技术,基于一些具有自我约束或自我学习能力的算法,来智能的对事故状态做出判断。算法主要有神经网络和模糊集。神经网络技术的出现,为交通事件自动检测算法提供了新的解决方法。
城市快速路交通异常事件检测性能指标
城市快速路交通异常事件检测系统是根据实时采集的数据信息,由一组复杂的算法与设定的事件门限值进行比较,自动判断交通事件是否发生,以便采取有效的措施来保证城市快速路的通畅。事件检测系统的关键部分是事件判断算法。合适的算法取决于交通量的大小与数据采集设施标准,这两者极大地影响着检测精度。
为了及时获取在线信息,缩短交通事件反应时间,交通异常自动事件检测系统的评价性能指标有[6];
一、误报率(False Alarm Rate,FAR)
指在某特定时间段内,误报事件总数占测试事件总数的百分比,即:
(1)
式中:为误报警次数;为给定时间段内检测到的事件数。
二、检测率(Detection Rate,DR)
指一定时间内正确检测到的事件数占实际发生的事件总数的百分比。即:
(2)
式中:为检测率;为算法检测到的事件数;为实际发生的事件数。
三、平均检测时间(Mean Time to Detect,MTTD)
指一定时间内,从事件发生到被算法检测到的时间差的平均值,即:
(3)
式中:为平均检测时间;为事件实际发生的时间;为算法检测到事件的时间;为算法检测到的真正事件数。
、被用来描述事件检测算法的效能,被用来描述事件检测算法的效率。通常提高检测率的性能,误报警率也会随着升高。同样,如果误报警率下降,算法的灵敏度也就降低并且检测率也下降。通常情况下,算法的检测时间越长,检测效果就越好。但是增加检测时间,检测率和误报警率都会下降。由于存在着这些关系,一个算法必须权衡、和这三个方面来进行性能评估,并且通常没有一个必然的最佳选择。在评估过程中通常应用性能指标这个参数,较低的值表明更好的特性。当,及时,评价公式为:
(4)
式中,参数,,均大于0且分别代表,和的重要性。这些参数典型取值为,,。取值越大代表该参数越重要。
交通事件检测的任何一种算法均无法避免产生误报,而检测率、误报率和平均检测时间直接有不可避免的取舍问题。算法评估是指在不同的评价指标取值下对算法进行测试,直到取得一个综合的最优性能值。因为参数值彼此间具有矛盾性,所以很难找到最优值。通常将检测率的增长不会导致误报警率的很大增长的点确定为最优的参数值点。当需要校准的参数多于两个时,需要进行优化处理。