一种交通事件自动检测方法与流程

本发明涉及智能交通
技术领域：
中的交通事件检测方法，具体涉及一种基于滚动时间序列的交通事件自动检测方法。
背景技术：
：交通事件包括交通事故、货物散落、车辆抛锚等，不仅会导致大量交通延误的产生，还会引发环境污染、道路交通安全性下降等问题。根据美国联邦公路管理局的相关统计，由交通事件引发的交通拥挤高达总拥挤的70％，交通事件每持续1分钟，就会造成平均每辆车至少4～5分钟的延误，在高峰期这个比例会高得多。因此，准确、及时的交通事件检测对于缓解交通拥挤具有非常重要的意义。交通事件自动检测(AutomaticIncidentDetection,AID)方法的本质是通过识别由交通检测器获取的动态交通参数数据非正常变化，来间接地判断交通事件的发生。与交警巡逻、报警电话、闭路电视等人工检测方法相比，其能极大的节约人员工作量和劳动强度，在过去的几十年中已成为交通事件检测的主要手段。尽管目前已有多个AID方法被开发并投入使用，但是居高不下的误警率和平均检测时间的滞后问题，严重限制了交通事件检测系统的发挥。因此，为了减少交通波动的影响，提高交通事件的检测效果，大部分AID方法都会对交通检测器采集的原始交通参数数据(采样周期一般为20s-60s)进行固定时间尺度的合成(合成时间尺度一般为60s-300s)。固定时间尺度的合成虽然会在一定程度上降低AID方法的误警率，但随着合成时间尺度的增加，平均检测时间会延长、检测率会降低，即不能保证事件检测性能评价指标的同时改善。技术实现要素：本发明的目的是，克服现有AID方法存在的技术缺陷和不足，提供一种基于滚动时间序列的交通事件自动检测方法，其能显著提高交通事件的综合检测效果。为了实现上述目的，本发明所采用的技术方案是：一种基于滚动时间序列的交通事件自动检测方法，其特征在于该方法包括以下步骤：1)将待检测区域整个路网划分为多个路段，在每个路段P的上游和下游分别布设交通检测器；2)所述P路段上-下游交通检测器按照采样周期采集交通参数原始数据，并通过通信系统上传至交通信息中心数据存储器，采集的动态交通参数包括流量、占有率和速度信息；3)交通信息中心平台对P路段i周期上-下游检测器采集的交通参数原始数据依据确定的时间尺度进行滚动时间序列合成；4)交通信息中心平台提取P路段i周期交通流运行状态特征，利用交通参数滚动时间序列，分别计算上-下游检测器占有率差、上-下游检测器速度差，将上-下游检测器占有率差、上-下游检测器速度差视为交通组合变量，并以此两个新的组合变量作为P路段i周期交通流运行状态特征；5)交通信息中心平台判断P路段i周期交通流运行状态特征是否符合设定的事件条件，分别计算两个组合变量的均值和标准差，并在此基础上，计算两个组合变量的标准偏差值，将两个组合变量的标准偏差值与对应的阈值进行比较，当满足事件条件时，判断为发生交通事件；否则，判断为未发生；6)交通信息中心向交通管理部门发布交通事件检测结果，为其提供管理决策依据。所述的P路段上-下游交通检测器按照最小采样周期采集交通参数原始数据是指，在每个路段的上游和下游分别布设交通检测器，所述交通检测器包括感应线圈、视频检测器和/或微波检测器，采集的动态交通参数包括流量、占有率和速度信息，最小采样周期为20-60s。所述的P路段上-下游交通检测器按照最小采样周期采集交通参数原始数据是指，交通信息中心利用专用数据存储器接收交通检测器的上传信息，存储时以路段编号作为主键，其它数据字段包括检测器编号、数据采集时间、流量、占有率、速度，其中，数据采集时间为每个采样周期i结束的时间，流量、占有率、速度信息为P路段上游或下游i周期的动态交通参数采样数值，在交通信息中心，通过通信网络连接数据存储器和系统主机，系统主机可对数据存储器存储的当前数据和历史数据随时调用。所述的P路段i周期上-下游检测器交通参数数据滚动时间序列合成是指，对交通检测器采集的原始数据进行滚动时间尺度合成，以交通检测器的最小采样间隔结束的时间作为数据输出时间戳，流量数据的合成方法为确定时间尺度内所有车辆的累加值，速度数据的合成方法为确定时间尺度内所有车辆速度的平均值，占有率数据的合成方法为确定时间尺度内全部车辆占用交通检测器的时间总和除以相应的时间尺度步长。交通信息中心通过系统主机对p路段i周期上-下游检测器交通参数数据依据确定的时间尺度进行滚动时间序列合成时，确定时间尺度取值范围为60s-300s。所述的设定的事件条件是指，规定当上-下游检测器占有率差的标准偏差值连续两个采样周期大于对应的阈值同时速度差的标准偏差值连续两个采样周期小于对应的阈值时，判断为该路段发生交通事件，否则为未发生交通事件。本发明的显著效果在于：通过交通参数数据滚动时间序列的合成，克服了已有交通事件检测方法以固定时间尺度进行交通参数数据时间序列合成带来的缺陷；通过组合上下游检测器速度以及占有率信息，更能真实的反应交通流的运行状态。通过上述各项技术措施，本发明能在保证交通事件检测具有较高检测率的同时，具有较低的误警率和较短的平均检测时间，可为交通管理中心最大限度地改善交通拥挤的疏导效果提供更有力的决策支持。附图说明图1是基于滚动时间序列的交通事件自动检测方法流程图。图2是20s原始流量时间序列数据。图3是1分钟流量固定时间尺度合成时间序列数据。图4是1分钟流量滚动时间序列数据。具体实施方式下面结合附图详细描述本发明的具体实施方式。图1是基于滚动时间序列的交通事件检测方法流程图，包括以下详细步骤。1)P路段i周期上-下游检测器交通参数数据采集将待检测区域整个路网划分为p个路段，在每个路段的上游和下游分别布设交通检测器，如感应线圈、视频检测器、微波检测器等。采集的动态交通参数包括流量、占有率和速度信息，最小采样周期为20-60s，将采集的信息进行压缩并通过通信系统上传至交通信息中心。交通信息中心利用专用数据存储器接收交通检测器的上传信息，存储时以路段编号作为主键，其它数据字段包括检测器编号、数据采集时间、流量、占有率、速度等。其中，数据采集时间为每个采样周期i结束的时间，流量、占有率、速度信息为P路段上游或下游i周期的动态交通参数采样数值。在交通信息中心，通过通信网络连接数据存储器和系统主机，系统主机可对数据存储器存储的当前数据和历史数据随时调用。2)基于滚动时间序列的P路段i周期上-下游检测器交通参数数据合成为了方便阐述，本发明定义交通参数原始时间序列数据、交通参数固定时间尺度合成时间序列数据以及交通参数滚动时间序列数据3个概念。对于P路段上游或下游检测器，在周期i＝1、i＝2，…，i＝n采集的流量、占有率或速度，可构成交通参数时间序列数据，本发明将其称之为交通参数原始时间序列数据。AID方法(自动事件检测方法)的本质是通过识别由交通检测器获取的动态交通参数数据非正常变化来间接地判断交通事件的发生。交通参数原始时间序列数据时间间隔越小，数据的波动性会越大，AID方法越容易产生误警。因此，为了得到最佳的检测性能，大部分AID方法都会对交通检测器采集的交通参数原始时间序列数据进行固定时间尺度的合成，合成时间尺度长度为60s-300s。本发明将交通参数原始数据进行固定时间尺度T合成后的时间序列称之为交通参数固定时间尺度合成时间序列数据，其数据输出时间戳为第j个固定时间尺度结束的时间。如原始流量数据序列为{q(i＝1),q(i＝2),q(i＝3)}，当固定时间尺度T等于3倍的原始交通参数数据采样周期时，合成后的数据输出时间为第3个原始交通参数数据采样周期结束的时间，数据值为{qh(j＝1)}。因此，经过固定时间尺度合成后，交通参数数据时间序列的时间间隔变为T。虽然随着时间间隔的增加，交通参数数据波动性减小，从而AID方法的误警率会减小，但显然交通事件的平均检测时间会增加。交通参数滚动时间序列数据为利用本发明提出的一种基于滚动时间序列的p路段i周期上-下游检测器交通参数数据合成方法构成的时间序列。与传统的固定时间尺度合成方法最大的区别是，其仍以交通检测器的最小采样间隔结束的时间作为数据输出时间戳。流量数据的合成方法为在数据输出时间戳之前确定时间尺度内所有车辆的累加值，速度数据的合成方法为在数据输出时间戳之前确定时间尺度内所有车辆速度的平均值，占有率数据的合成方法为在数据输出时间戳之前确定时间尺度内全部车辆占用交通检测器的时间总和除以相应的时间尺度步长，P路段上游交通参数滚动时间序列数据具体合成公式如下：式中：为基于滚动时间序列合成后第k周期的上游流量，为基于滚动时间序列合成后第k周期的上游速度，为基于滚动时间序列合成后第k周期的上游占有率，为交通参数原始时间序列第i周期的上游流量，为交通参数原始时间序列第i周期的上游速度，为交通参数原始时间序列第i周期的上游占有率，n是确定时间尺度与原始交通参数数据采样周期的比值，确定时间尺度取值范围为60s-300s，下游检测器合成方法亦然。通过定义上述3种时间序列数据，比较图2、图3、图4可得出如下结论：(1)20s原始流量时间序列数据波动性最大；(2)1分钟流量滚动时间序列数据波动性最小；(3)1分钟流量固定时间尺度合成时间序列数据点为1分钟流量滚动时间序列数据点的固定间隔提取结果，因此1分钟流量滚动时间序列数据包涵信息相对更为全面。3)P路段k周期交通流运行状态特征提取交通事件的发生通常会导致道路通行能力的下降。当交通事件发生地点的通行能力不能满足上游的交通需求时，事发地点上游会排队逐渐形成，拥挤将不可避免。此时，上下游检测站处的交通流参数数据会有较大的变化。在拥挤地点的上游会产生一个压缩波，使车辆聚集，占有率明显增大，流量、速度会显著降低。在拥挤地点的下游会产生一个扩张波，使车辆稀疏，交通流的速度会恢复到甚至高于拥挤发生之前的水平，流量会明显低于道路的正常通行能力，占有率会明显降低。通过上述分析可知，交通事件条件下事发路段上-下游检测器动态交通参数有着非正常的变化。为了体现这种变化，计算上-下游检测器占有率差上-下游检测器速度差并以此两个新的组合变量作为P路段k周期交通流运行状态特征。4)判断P路段k周期交通流运行状态特征是否符合交通事件条件正常交通状态下，交通流运行状态是一个渐变的过程。因此，正常交通状态下上-下游检测器占有率差以及上-下游检测器速度差两个组合变量的变化幅度应该在一个合理的范围内。为了判别两个组合变量是否在合理的幅度内变化，分别计算两个组合变量的均值和标准差，并在此基础上，计算两个组合变量的标准偏差值。用x1表示上-下游检测器占有率差、x2表示上-下游检测器速度差，具体公式如下：式中：为k时刻P路段上-下游检测器占有率差的标准偏差值、为k时刻P路段上-下游检测器速度差的标准偏差值、为k时刻P路段上-下游检测器占有率差的均值、S(x1)为k时刻P路段上-下游检测器占有率差的标准差、为k时刻P路段上-下游检测器速度差的均值、S(x2)为k时刻P路段上-下游检测器速度差的标准差。当发生交通事件时，P路段上-下游检测器占有率差为正值、上-下游检测器速度差为负值。因此，当上-下游检测器占有率差的标准偏差值小于一定值而上-下游检测器占有率差的标准偏差值大于一定值时，视为有可能发生交通事件。同时为了减小交通波动的影响，规定当上-下游检测器占有率差的标准偏差值连续两个采样周期大于对应的阈值同时速度差的标准偏差值连续两个采样周期小于对应的阈值时，判断为该路段发生交通事件，否则为未发生交通事件，具体如下：thenI＝1(6)式中：DX1为上-下游检测器占有率差的标准偏差值对应阈值、DX2为上-下游检测器速度差的标准偏差值对应阈值、I＝1表示发生交通事件。5)交通管理中心管理决策交通信息中心向交通管理部门发布交通事件检测结果，交通管理中心根据报警结果，采取相应的管理和控制手段，最大限度的减少交通事件对交通流的影响。6)实验效果实验数据来源于国内某特大城市长约10公里的快速路，包括24个主线检测截面共88个主线检测器、30个匝道检测截面共60个匝道检测器。实验数据的时间期间为连续十个周一，获取的交通数据为流量、速度和占有率，采样时间尺度为20s，共获得5854800条数据。在分析期间内总共有138个交通事件，其中，主线交通事件93个，匝道交通事件45个。评价AID方法性能的主要指标有检测率(DetectionRate,DR)、误警率(FalseAlarmingRate,FAR)及平均检测时间(MeanTimetoDetection,MTTD)。实验数据库并没有实际的交通事件发生时间记录，考虑到交通事件发生后，交通流还需一段时间传播到检测器，因此，以交通流发生突变时刻的前一时间间隔作为交通事件真实发生的时间。Californa#7(CA#7)方法是一种经典的AID方法，已应用于很多国家的交通管理中心。因此，选取CA#7方法作为对比方法，分析本发明的应用效果。基于20s原始时间序列数据的本发明设计方法(TheDesignedAlgorithmBasedonRawTimeSeriesData,DABR)、基于1分钟固定时间尺度合成时间序列数据的CA#7方法(CA#7AlgorithmBasedon1minuteFixedTime-ScaleSyntheticData,CABF)、基于1分钟滚动时间序列数据的本发明设计方法(TheDesignedAlgorithmBasedon1minuteRollingTimeSeriesData,DABS)性能评价指标如表1所示。表13种AID方法性能评价指标评价指标DABRCABFDABODR72％70％85％FAR0.18％0.63％0.24％MTTD115s93s56s从表1可得出如下结论：(1)DABO在DR和FAR方面优于CABF，在MTTD方面比CABF差，二者各有优劣；(2)DABO在DR、FAR和MTTD方面均优于CABF，说明了本发明制定的事件条件的有效性；(3)DABO在DR和MTTD方面优于CABF，在FAR方面略高于CABF，说明了本发明提出的基于滚动时间序列的交通参数数据合成的有效性。本发明提出的基于滚动时间序列的交通事件自动检测方法，能够在保证较高DR的同时，具有较低的FAR和较短的MTTD，综合检测性能明显优于对比方法。当前第1页1 2 3