專利名稱：基于偏最小二乘原理的高速公路交通事件自動檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種高速公路交通事件自動檢測的方法，具體說是一種基于偏最小二乘原理的高速公路交通事件自動檢測方法，可用于對高速公路交通事件存在與否進(jìn)行實時自動檢測，涉及交通智能管理和控制技術(shù)。
背景技術(shù)：
交通事件指經(jīng)常發(fā)生的非重復(fù)性事件，如交通事故、貨物散落、車輛拋錨、路面維修、信號或檢測設(shè)備故障及其他一些中斷正常交通、引起擁擠和延誤、降低道路通行能力的特殊事件。由于交通事件引起的擁擠是突然的，因而極易引發(fā)二次事故，從而降低道路安全水平。全世界每年因為交通事件引起的生產(chǎn)力損失、財產(chǎn)損失、人身傷害達(dá)數(shù)億美元。近年來，隨著社會經(jīng)濟(jì)的快速發(fā)展、車輛保有量與道路通車?yán)锍痰呐c日俱增、車輛運(yùn)行速度的提高，交通事件頻繁發(fā)生，在我國已成為一個嚴(yán)重的社會問題。
交通事件的早期檢測與及早分流可以大幅度降低延誤，提高道路安全和服務(wù)水平。交通事件自動檢測(Automatic Incident Detection，AID)是先進(jìn)的交通控制與管理系統(tǒng)中最基本最重要的組成部分，其目的是通過盡早檢測和清理交通事件，使公路盡快恢復(fù)正常運(yùn)行，降低延誤，是解決高速公路突發(fā)交通事件的有效途徑之一。自20世紀(jì)70年代開始，交通事件自動檢測就受到各國交通工程專家的重視，成為交通運(yùn)輸工程領(lǐng)域的一個研究熱點。
目前基于交通流參數(shù)變化來檢測交通事件的方法，因其經(jīng)濟(jì)方便而成為發(fā)展中國家和大多數(shù)發(fā)達(dá)國家AID研究的主要方向。發(fā)明“采用人造神經(jīng)網(wǎng)絡(luò)和遺傳算法的高速公路事件自動檢測系統(tǒng)”(CN 1311880A)公開了一種高速公路上自動檢測交通事件的神經(jīng)網(wǎng)絡(luò)的設(shè)計，該發(fā)明運(yùn)用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的設(shè)計。不少實驗結(jié)果表明，基于神經(jīng)網(wǎng)絡(luò)的檢測算法性能優(yōu)于其它算法。但是，神經(jīng)網(wǎng)絡(luò)算法有以下幾個缺點，神經(jīng)網(wǎng)絡(luò)是黑箱結(jié)構(gòu)，知識隱含在連接權(quán)重中，難以抽取和理解，收斂較慢，并且收斂依賴于學(xué)習(xí)參數(shù)的設(shè)置，存在早熟現(xiàn)象，易陷于局部極小等。此外，遺傳算法本身除耗時外，也有自身參數(shù)選擇的問題。
近年又有學(xué)者提出使用支持向量機(jī)(Support Vector Machine，SVM)對交通狀態(tài)進(jìn)行識別，從而實現(xiàn)交通事件的自動檢測。SVM的核函數(shù)及其參數(shù)對SVM的分類性能有很大影響，但是，如何選擇合適的核函數(shù)及其參數(shù)是一挑戰(zhàn)性的工作，目前還沒有簡單確定的方法，一般是通過大量費(fèi)力耗時的實驗摸索，因此，SVM的應(yīng)用效果完全依賴于使用者的經(jīng)驗，這就影響了其檢測交通事件的能力。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題在于，克服現(xiàn)有技術(shù)存在的技術(shù)缺陷和不足，提供一種基于偏最小二乘原理的高速公路交通事件自動檢測方法，其檢測率、誤警率和分類率均優(yōu)于現(xiàn)有技術(shù)。
本發(fā)明基于偏最小二乘原理的高速公路交通事件自動檢測方法，包括以下步驟----檢測系統(tǒng)通過地感線圈或視頻設(shè)備按照設(shè)定步長采集檢測區(qū)實時交通流信息，包括上下游交通流量、速度、車道占有率、車頭時距，采樣步長可設(shè)為30秒或1分鐘；----根據(jù)采集的實時交通流信息判斷檢測區(qū)是否發(fā)生交通事件，如果發(fā)生，發(fā)出警報，通知交通管理部門采取相應(yīng)的措施清除事件，否則繼續(xù)采集數(shù)據(jù)，進(jìn)行下一次判斷；其特征是所述根據(jù)采集的實時交通流信息判斷檢測區(qū)是否發(fā)生交通事件，是采用偏最小二乘回歸檢測算法判斷檢測區(qū)是否發(fā)生交通事件。
偏最小二乘回歸方法與普通最小二乘回歸在思路上的主要區(qū)別是它在回歸建模過程中采用了信息綜合與篩選技術(shù)。它首先提取若干對系統(tǒng)具有最佳解釋能力的新綜合變量(即提取成分)，然后利用提取成分進(jìn)行回歸建模。
設(shè)已知因變量y和k個自變量x1，x2，......，xk，樣本數(shù)為n，構(gòu)成數(shù)據(jù)表X＝[x1，x2，...，xk]n*k和y＝[y]n*1。偏最小二乘回歸的建模步驟包括(1)對X和y進(jìn)行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化后的自變量矩陣E0和F0，xij*=xij-xj‾sj,yj*=yi-y‾sy,i=1,2,...,k;j=1,2,...,k---(1)]]>E0=(xij*)n*k,F0=(yj*)n*1,i=1,2,...,n]]>式中， 是Xj的均值，sj是Xj的標(biāo)準(zhǔn)差；y是y的均值；sy是y的標(biāo)準(zhǔn)差。
令h＝1。
(2)計算向量權(quán)重wh，wh＝Eh-1′Fh-1(2)(3)提取成分thth＝Eh-1wh(3)(4)計算X和y的回歸系數(shù)ph，qhph＝Eh-1′th/(th′th)(4)qh＝Fh-1′th/(th′th)(5)(5)計算殘差矩陣Eh＝Eh-1-thph′Fh＝Fh-1-qh′th(6)(6)檢查收斂性，可用交叉有效性確定。如果上述方程滿足精度要求，轉(zhuǎn)下一步。否則，h＝h+1，重復(fù)步驟(2)-(5)，對殘差矩陣進(jìn)行新一輪的成分提取和回歸分析。
(7)設(shè)得到k個成分t1，t2，...，tk，實施F0在t1，t2，...，tk上的回歸，得F0＝q1t1+q2t2+...+qktk(7)由于t1，t2，...，tk均是E0的線性組合，因此，F(xiàn)0=q1E0w1+q2E1w2+...+qkEk-1wk=q1E0w1*+...+qkE0wk*---(8)]]>式中，wh*=Πj=1h-1(I-wjpj′)wh,]]>I為單位矩陣。
(8)按照標(biāo)準(zhǔn)化的逆過程還原成y對X的回歸方程，y=y‾+sy(Σi=1kαixi*)=y‾+sy(Σi=1kαixi-x‾isi)]]>αi=Σh=1mrhwhi*---(9)]]>
令X表示采集的交通特征參數(shù)，如交通流量、占有率、速度和車頭時距等，y表示交通狀態(tài)，取值1或-1，分別表示事件發(fā)生或無事件。根據(jù)當(dāng)前采集的交通信息，運(yùn)用上式(9)計算y，即可判斷交通事件的有無。
因此，采用偏最小二乘回歸檢測算法判斷檢測區(qū)是否發(fā)生交通事件的具體步驟是1、設(shè)X表示采集的交通特征參數(shù)，如交通流量、占有率、速度和車頭時距等，y表示交通狀態(tài)，取值1或-1，分別表示事件發(fā)生或無事件。用已知交通狀態(tài)y＝[y]n*1的交通流信息X＝[x1，x2，...，xk]n*k，建立(標(biāo)定)偏最小二乘回歸數(shù)學(xué)模型y=y‾+sy(Σi=1kαixi*)=y‾+sy(Σi=1kαixi-x‾isi)]]>αi=Σh=1mrhwhi*]]>2、將實時采集的檢測區(qū)實時交通流信息代入所建模型，根據(jù)y值確定當(dāng)前是否有事件發(fā)生。如果y不大于0，表示檢測區(qū)內(nèi)為正常交通運(yùn)行狀態(tài)，否則表示發(fā)生事件。
偏最小二乘回歸模型的優(yōu)勢在于收斂速度快，無須參數(shù)調(diào)整，可顯示不同變量的相對重要性，并且由于減少了計算量，實現(xiàn)起來較為容易。本發(fā)明使用偏最小二乘回歸模型表示事件和交通流之間的關(guān)系，將模型輸出與預(yù)先定義的門限相比，從而判斷是否有事件發(fā)生。該方法檢測率高，誤警率大大降低，檢測性能明顯提高。因此，使用偏最小二乘回歸模型(PLSR)檢測交通事件具有較好的應(yīng)用前景。


圖1為高速公路待檢測區(qū)域上下游布置檢測設(shè)備示意圖；圖2基于偏最小二乘原理的高速公路交通事件自動檢測方法程序框圖；圖3偏最小二乘回歸的建模程序框圖；具體實施方式
下面結(jié)合附圖和實施例，對本發(fā)明作進(jìn)一步詳細(xì)說明。
實施例如圖1所示，在高速公路待檢測區(qū)域上下游布置檢測設(shè)備。檢測器可以是地感線圈或視頻采集設(shè)備，以為某個采樣單位(如30秒)采集交通流量、占有率、速度。令X為上述交通特征參數(shù)，y為交通狀態(tài)，事件狀態(tài)取值為1，非事件狀態(tài)取值為-1，則，X=x1x2···x6]]>=speedup1occupancyup1volumeup1speeddn1occupancydn1volumedn1speedup2occupancyup2volumeup2speeddn1occupancydn2volumedn2··················speedupnoccupancyupnvolumeupnspeeddnnoccupancydnnvolumednn]]>Y=y1y2···yn=1/-11/-1···1/-1]]>實際檢測解算過程分為模型標(biāo)定和模型使用兩個過程。
模型標(biāo)定收集或采集檢測區(qū)一段時間內(nèi)的交通數(shù)據(jù)，含事件樣本和非事件樣本。為了保證模型的準(zhǔn)確性，能刻畫檢測參數(shù)與事件之間的關(guān)系，樣本應(yīng)該足夠大。設(shè)收集有n個樣本，根據(jù)前述建模步驟計算公式的參數(shù)，從而得到偏最小二乘回歸模型。為了降低誤報率，可以使用T-2，T-1和T時刻的交通流量、占有率、速度建立偏最小二乘回歸模型，此時X是n*18的二維矩陣，y仍是n*1矩陣。
模型使用實時采集檢測區(qū)上下游的交通流量、占有率、速度，將其代入所建模型，根據(jù)y值確定當(dāng)前是否有事件發(fā)生。如果y不大于0，表示檢測區(qū)內(nèi)為正常交通運(yùn)行狀態(tài)，否則表示發(fā)生事件。出于降低誤報率的考慮，可以采用持續(xù)性測試，只有連續(xù)兩次模型輸出都大于0，才觸發(fā)事件警報，通知交通部門的管理者進(jìn)行相應(yīng)的事件處理。
算例分析本實驗用加利福尼亞舊金山海灣地區(qū)的I-880高速公路上采集來的真實交通數(shù)據(jù)(I-880數(shù)據(jù))測試偏最小二乘法檢測交通事件的性能。這個數(shù)據(jù)庫已經(jīng)被用在很多其他類似的事件檢測研究中。數(shù)據(jù)包括上下游的交通流量、速度和車道占有率，每隔30秒采集一次。以一個檢測站的所有通道的平均值建立偏最小二乘模型?，F(xiàn)有45個事件范例，其中隨機(jī)選擇22個范例(2100個實例)作為訓(xùn)練集，剩下的23個范例(2036個實例)用作檢測集。1993年2月16日采集的正常事件數(shù)據(jù)(43418個實例)作為訓(xùn)練集，1993年2月17日采集的正常事件數(shù)據(jù)用作檢測集。
由于PLSR對訓(xùn)練集中的正類和反類的比例是敏感的，為了使PLSR有更好的性能，我們隨機(jī)選取包括所有的事件實例的12200個實例來產(chǎn)生一個新的含有20.6％事件實例的訓(xùn)練集。用這個新的數(shù)據(jù)集建立PLSR，根據(jù)交叉驗證的結(jié)果，PLSR由四個主成分組成。為便于比較，同時建立SVM分類器進(jìn)行檢測，使用徑向基函數(shù)構(gòu)建SVM，參數(shù)C被設(shè)置成1.0，徑向基函數(shù)的參數(shù)gamma值設(shè)置為1。
用相同的測試數(shù)據(jù)評價偏最小二乘法和支持向量機(jī)方法的性能，對比結(jié)果如表1所示。
表1.偏最小二乘法和支持向量機(jī)測試性能對比(含20.6％事件實例)

PLSR的檢測率、誤警率和分類率比SVM優(yōu)越，PLSR的檢測率為95.65％，而SVM為91.30％，PLSR的誤警率為0.06％，而SVM為0.24％；PLSR的分類率為96.65％，SVM為94.65％。另一項重要的不同之處是PLSR有很快的收斂性，對比SVM的13.69秒，它只要0.30秒。盡管該P(yáng)LSR的平均檢測時間不理想，其4.66秒劣于SVM的2.55秒，但是，我們進(jìn)一步的實驗表明，適當(dāng)提高事件實例在訓(xùn)練集合中的比例，可以縮短檢測時間，使該指標(biāo)接近于SVM的平均檢測時間。
從I-880真實數(shù)據(jù)的實驗結(jié)果來看，PLSR可以很好刻畫交通流特征參數(shù)與事件之間的內(nèi)在關(guān)系。PLSR和SVM之間的比較表明，基于PLSR模型的檢測算法性能接近、甚至超過了SVM方法。此外，PLSR收斂快，也不需要調(diào)節(jié)任何參數(shù)，而神經(jīng)網(wǎng)絡(luò)的性能取決于結(jié)構(gòu)的選擇和訓(xùn)練的參數(shù)，SVM的性能取決于核函數(shù)和一些參數(shù)的選擇；另外，SVM尤其是神經(jīng)網(wǎng)絡(luò)的收斂很慢。因此，使用PLSR檢測交通事件具有明顯的優(yōu)勢。
權(quán)利要求
1.一種基于偏最小二乘原理的高速公路交通事件自動檢測方法，包括以下步驟----檢測系統(tǒng)通過地感線圈或視頻設(shè)備按照設(shè)定步長采集檢測區(qū)實時交通流信息；----根據(jù)采集的實時交通流信息判斷檢測區(qū)是否發(fā)生交通事件，如果發(fā)生，發(fā)出警報，通知交通管理部門采取相應(yīng)的措施清除事件，否則繼續(xù)采集數(shù)據(jù)，進(jìn)行下一次判斷；其特征是所述根據(jù)采集的實時交通流信息判斷檢測區(qū)是否發(fā)生交通事件，是采用偏最小二乘回歸檢測算法判斷檢測區(qū)是否發(fā)生交通事件。
2.根據(jù)權(quán)利要求1所述基于偏最小二乘原理的高速公路交通事件自動檢測方法，其特征是所述采用偏最小二乘回歸檢測算法判斷檢測區(qū)是否發(fā)生交通事件的具體步驟是A、用已知交通狀態(tài)y=[y]n*1]]>的交通流信息X=[x1,x2,...,xk]n*k,]]>作為建模樣本，建立偏最小二乘回歸數(shù)學(xué)模型，交通狀態(tài)取值1或-1，分別表示事件發(fā)生或無事件發(fā)生；B、將實時采集的檢測區(qū)實時交通流信息代入所建模型，根據(jù)模型輸出確定當(dāng)前是否有事件發(fā)生；如果模型輸出不大于0，表示檢測區(qū)內(nèi)為正常交通運(yùn)行狀態(tài)，否則表示發(fā)生事件。
3.根據(jù)權(quán)利要求2所述基于偏最小二乘原理的高速公路交通事件自動檢測方法，其特征是所述根據(jù)模型輸出確定當(dāng)前是否有事件發(fā)生，采用連續(xù)n次測試降低誤報率，即連續(xù)n次模型輸出都大于0，才確定發(fā)生事件，發(fā)出警報。
全文摘要
本發(fā)明公開了一種基于偏最小二乘原理的高速公路交通事件自動檢測方法，包括以下步驟檢測系統(tǒng)通過地感線圈或視頻設(shè)備按照設(shè)定步長采集檢測區(qū)實時交通流信息；根據(jù)采集的實時交通流信息，采用偏最小二乘回歸檢測算法判斷檢測區(qū)是否發(fā)生交通事件，如果發(fā)生事件，發(fā)出警報，通知交通管理部門采取相應(yīng)的措施清除事件，否則繼續(xù)采集數(shù)據(jù)，進(jìn)行下一次判斷；本發(fā)明方法檢測率高，誤警率大大降低，檢測性能明顯提高。此外，建模收斂速度快，無須參數(shù)調(diào)整，并且由于計算量少，工程實現(xiàn)較為容易。
文檔編號G08G1/042GK101075377SQ200710023009
公開日2007年11月21日 申請日期2007年5月30日 優(yōu)先權(quán)日2007年5月30日
發(fā)明者陳淑燕, 王煒, 瞿高峰 申請人:東南大學(xué)