本发明涉及一种基于雷达侦测的高速公路预警系统及方法，属于道路交通安全技术领域。
背景技术：
截止到2016年底，全国高速公路通车总里程已经突破13万公里，位居世界第一位。随着高速公路通车里程的增加，每年发生在高速公路上的交通突发事件也大幅增加，如团雾、违停、逆行、塌方、车祸、抛洒物、大雨雪、堵车等，几乎无时无刻都在发生。且由于高速公路车辆运行速度较快，车流量大，加上路面封闭，空间有限，一旦发生交通突发事件，高速公路管理方难以在第一时间知晓事件的发生，也不能在短时间内到达事件发生地点并进行处置，导致事件难以在短时间解决。从而极易引发事故或导致二次事故，引发车辆连续碰撞等连锁反应。因此急需一种能及时有效对高速公路突发事件进行侦测并预警的系统来解决上述问题。
在现有高速公路管理系统中，有一些对高速公路的突发事件进行监控的方法和系统。一种是依赖于高速公路行驶过往车辆的电话报警信息，但是这种报警只是在突发事件造成事故后才会有人员进行报警，且经常由于报警人对突发事件具体地理位置不确定，造成交警和管理人员难以准确到达事发地点进行处置。另一种就是在高速公路上安装大量监控摄像头，并将其与后端的监控中心相连接，然后在监控中心布置大量监控显示器，用于实时查看当前的高速公路的实时画面，这就需要大量的人员来24小时盯着显示器，才能知道是否发生了突发事件。且在观察到突发事件后，需要管理人员人工触发告警按钮，延时大，可靠性差。这种方式不仅大量消耗人力物力，且在光照不足、及大雨雪的天气下无法进行。不能从根本上防止事故的发生和扩大，也达不到提高高速公路运行安全和效率的目的。
微波雷达是一种利用电磁波来探测目标的电子设备，微波雷达发射电磁波对目标区域进行照射并接收其中各种物体的反射回波信号，通过检测信号的相位变化，以实现目标的测速、测距和测角功能。雷达的工作频率越高，信号波动越快，对目标量的测量也会越准确。当雷达发射频率随时间变化的电磁波时，雷达即工作于频率调制连续波体制。典型形式是电磁波频率随时间线性增加或线性降低，两者的组合即为典型的三角波调制方案，信号通过傅里叶变换获得的频点信息，包含了距离引起的频率移动和多普勒频移，通过三角波上升沿河下降沿对应频点的和、差运算，即可得到距离信息和速度信息。利用接收天线阵列中的多根天线接收到的回波信号之间的相位差，则可以获得目标的方位角信息。
随着智能交通行业的发展，微波雷达在测速卡口管理、超速抓拍、移动电子警察等交通智能管控系统中得到的广泛应用，但目前采用微波雷达来实现侦测车辆行驶状态还主要应用在道路的局部路段，缺乏高速公路全线侦测车辆行驶状态的有效手段。因此本发明的主要研究方向充分利用雷达侦测的优势，基于雷达侦测高速公路车辆行驶状态，能实现及时有效地对高速公路突发事件进行侦测和预警。
技术实现要素：
发明目的：为克服上述现有技术的缺陷，本发明目的在于提供一种基于雷达侦测的高速公路预警系统及方法，通过采集并分析高速公路上的车辆行驶状态信息，能实时检测出高速公路上的各种突发事件，并自动以多种方式进行预警，以避免由于突发事件而造成事故的发生或扩大，降低由各种突发事件所带来的人员伤亡和财产损失。
技术方案：为实现上述发明目的，本发明采用如下技术方案：
基于雷达侦测的高速公路预警系统，包括：
若干安装在高速公路路侧的雷达侦测设备，所述雷达侦测设备每隔设定的时间间隔向其所覆盖范围发送雷达微波信号，获得所覆盖范围内各运动目标的运动速度、目标与雷达的直线距离和方位角信息，并结合雷达侦测设备安装位置信息得到车辆行驶状态数据，所述行驶状态数据包括当前时刻所覆盖范围所有车辆的位置、行驶速度和所在车道，以及车辆之间的间距；
突发事件检测服务器，用于接收雷达侦测设备检测到的车辆行驶状态数据，对突发事件进行实时检测，确定突发事件类型；其中至少包括速度变化检测模块，用于分段统计每段高速公路路段每条车道上所有车辆的平均速度，并进行每条车道平均速度随距离变化趋势曲线拟合，根据拟合曲线的参数判断是否有突发事件；
以及若干安装在高速公路路侧的预警装置，用于根据突发事件检测服务器发出的突发事件信号自动发出相应的预警信息。
进一步地，所述速度变化检测模块，通过将平均速度随距离变化趋势曲线分割成若干近视直线，通过各直线斜率判断是否有突发事件，具体规则为：
若斜率绝对值小于设定的第一门限值，则认为对应路段和车道上车辆正常行驶，没有突发事件；
若斜率绝对值小于设定的第二门限值，其中第二门限值大于第一门限值，则认为对应路段和车道上车辆进行了加速或减速行驶，结合相邻几段高速公路路段的车辆平均速度特征来检测结果判断是否有团雾事件，若检测到某路段车辆缓慢减速行驶，并在其后某一段路段上低速行驶后又有缓慢加速行驶的情况，则判断该路段发生了团雾事件；
若斜率绝对值小于设定的第三门限值，其中第三门限值大于第二门限值，则认为对应路段和车道上车辆进行了急加速或急减速行驶，进而结合急加速或急减速行驶的车辆所在的具体位置和之前异常行驶的车辆情况判断是否有塌方、车祸或抛洒物突发事件。
进一步地，所述突发事件检测服务器，还包括如下至少一个模块：
应急车道占用检测模块，用于根据车辆所在车道判断出是否存在占用应急车道的车辆；
车速检测模块，用于根据车辆的行驶速度信息判断出是否存在超速行驶、极低速行驶或逆行的车辆；
拥挤度计算模块，用于分段统计每段高速公路路段每条车道上所有的车辆数，车辆平均速度及平均车间距信息，并计算相应路段和车道的拥堵值，根据聚类结果得到拥挤程度类别；
时间趋势模型计算模块，用于分别根据每个时刻分段分车道统计的车辆数和/或车辆平均速度建立相应路段车辆的平均速度和/或车辆数目按照时间变化的趋势模型；
异常车辆跟踪模块，用于在分段分车道统计车辆平均速度和平均车间距的基础上提取出与平均速度相差非常大的车辆，以及车间距远小于平均车间距的车辆，并对提出的车辆进行跟踪，用于事故原因分析或车祸事件预判。
进一步地，所述雷达侦测设备，包括：
雷达探测模块，用于发送雷达微波信号和接收雷达微波回波信号；
数据预处理模块，用于从接收的雷达回波信号中提取出运动目标的状态数据；
中央处理器模块，用于根据运动目标的状态数据，对每一个运动目标进行跟踪，计算目标的速度、目标与雷达安装位置的直线距离和方位角信息，并结合雷达相对于高速公路的安装高度及离高速公路路边的间距，计算得到目标在高速公路上的位置、所在车道及车辆相互间的车间距信息；
通信模块，用于将计算得到的车辆行驶状态数据传送到突发事件检测服务器。
进一步地，所述中央处理器模块中，还包括采用粒子滤波算法剔除非车辆干扰目标。
进一步地，采用粒子滤波算法剔除非车辆干扰目标的步骤包括：
初始状态：对于每一个雷达搜索到的信号，作为算法中的粒子，做出粒子在空间中的分布；
预测阶段：根据状态方程，计算每一个粒子的预测粒子；
校正阶段：对预测粒子进行评估，将其与雷达探测到的新粒子(车辆)进行比较，越接近真实状态的粒子，其权重越大；
重采样阶段：根据粒子权重对粒子进行筛选，保留有价值粒子，去掉低价值粒子；
滤波阶段：将重采样后的粒子带入状态方程，得到新的预测粒子，循环计算。
进一步地，所述雷达探测模块中采用微带阵列天线。
进一步地，所述预警装置包括如下一种或几种组合：
声光报警器，用于在检测到突发事件后进行点亮和发声；
诱导屏，用于在检测到突发事件后显示与突发事件相关的信息；
现场广播设备，用于以声音的方式通知事件附近的车辆和维护人员；
手持智能设备，用于通过安装的app，实现对事件相关人员的告知提示和预警；
高清网络摄像头：用于发生突发事件后，采集和传输视频。
本发明另一方面公开的一种基于雷达侦测的高速公路预警方法，包括如下步骤：
通过安装在高速公路路侧的各个雷达侦测设备，向其所覆盖范围发送雷达微波信号，获得所覆盖范围内各目标的运动速度、目标与雷达的直线距离和方位角信息，并结合雷达侦测设备安装位置信息得到车辆行驶状态数据，所述行驶状态数据包括当前时刻覆盖范围内所有车辆的位置、行驶速度和所在车道，以及车辆之间的间距；
根据雷达侦测设备检测到的车辆行驶状态数据，对突发事件进行实时检测，确定突发事件类型；其中至少包括，分段统计每段高速公路路段每条车道上所有车辆的平均速度，并进行每条车道平均速度随距离变化趋势曲线拟合，根据拟合曲线的参数判断是否有突发事件；
在检测到突发事件后，自动发出相应的预警信息。
进一步地，在突发事件进行实时检测时，还包括如下至少一个步骤：
根据车辆所在车道判断出是否存在占用应急车道的车辆；
根据车辆的行驶速度信息判断出是否存在超速行驶、极低速行驶或逆行的车辆；
分段统计每段高速公路路段每条车道上所有的车辆数，车辆平均速度及平均车间距信息，并计算相应路段和车道的拥堵值，根据聚类结果得到拥挤程度类别；
分别根据每个时刻分段分车道统计的车辆数和/或车辆平均速度建立相应路段车辆的平均速度和/或车辆数目按照时间变化的趋势模型；
在分段分车道统计车辆平均速度和平均车间距的基础上提取出与平均速度相差非常大的车辆，以及车间距远小于平均车间距的车辆，并对提出的车辆进行跟踪，用于事故原因分析或车祸事件预判。
有益效果：与现有技术相比，本发明具有如下优点：
本发明提供的基于雷达侦测的高速公路预警系统，可通过实时探测行驶在这条道路上所有的车辆的行驶状态来提取其中可能的突发事件并进行预警，当在高速公路上出现突发事件(如团雾、违停、逆行、塌方、车祸、抛洒物、大雨雪、堵车等)时能够自动以多种方式提醒相关人员注意，可避免事件的进一步扩大或避免由突发事件未能及时预警而导致发生事故，从而提高了高速公路运行安全和效率。
本发明采用的微波雷达探测来侦测车辆的状态数据，因雷达从本质上来说是一种电磁波，所以它具备全天候、全时段、极高的穿透能力、不受灰尘和烟雾及各种恶劣天气的影响，也不受光照条件的影响，因此不管白天还是晚上，都能达到同样的检测和预警效果。
本发明极大地提高了对高速公路上可能发生的各种突发事件的检测和预警的精度及实时性，降低了漏检率。并通过结合各种预警手段，能从多方面通知突发事件发生位置后方的车辆驾驶员和高速公路管理人员，因此在高速公路道路运行安全监控方面具有良好的应用前景。
附图说明
图1为本发明实施例的系统结构示意图。
图2为本发明实施例中雷达侦测设备的安装示意图。
图3为本发明实施例中雷达侦测设备的结构示意图。
图4为本发明实施例中车辆行驶数据计算原理图。
图5为本发明实施例中突发事件检测方法流程图。
图6为本发明实施例中直线型平均速度-距离分布图。其中(a)-(c)分别为三种不同情况。
图7为本发明实施例中曲线型平均速度-距离分布图。其中(a)-(c)分别为三种不同情况。
具体实施方式
下面结合附图和具体实施例，对本发明做进一步的说明。
如图1所示，本发明实施例公开的基于雷达侦测的高速公路预警系统，主要包括雷达侦测设备、突发事件检测服务器和预警装置。通过在高速公路每隔一定距离连续安装雷达侦测设备r1～r#，该设备可通过在高速公路路旁立杆或借助于高速公路上现有的各种附属物，并将其固定在其上。如图2所示，通过连续安装可侦测整条高速公路。
雷达侦测设备每隔设定的时间间隔向其所覆盖范围发送雷达微波信号，并基于接收到的回波信号进行多运动目标跟踪，得到车辆行驶状态数据，并将侦测到的数据通过网络进行输出。如图3所示，其主要包括：
雷达探测模块：用于发送雷达微波信号和接收雷达微波回波信号；
数据预处理模块：将接收的雷达回波信号进行分析，提取出其中的运动目标的状态数据，并初步剔除干扰目标；
中央处理器模块：根据数据预处理模块提取出的运动目标状态数据，对每一个运动目标进行跟踪，计算目标的速度、目标与雷达安装位置的直线距离和方位角信息，并结合雷达相对于高速公路的安装高度及离高速公路路边的间距，计算得到目标在高速公路上的位置、所在车道及车辆相互间的车间距信息；
通信模块：用于车辆行驶状态数据通过网络(如网络电缆或rs232\rs485串行通讯的方式)进行输出。
中央处理器模块中车辆行驶状态数据的具体计算原理如图4。根据雷达分别测得的车辆c1和c2相对雷达的直线位置为线段rc1与线段rc2的长度，以及测得车辆c1的方位角∠p1rc1和车辆c2的方位角∠p2rc2的大小，可计算得到车辆在高速公路上的位置、所在车道及车间距信息，具体计算公式如下：
车辆c1、c2在高速公路上的位置即线段op1的长度d1及线段op2的长度d2为(结合雷达的位置信息可以得到车辆在路段上的位置信息)：
d12＝(rc1×cos∠p1rc1)2-h2
d22＝(rc2×cos∠p2rc2)2-h2
所在车辆c1所在车道l1、车辆c2所在车道l2为：
则车辆c2与车辆c1的车间距及线段p1p2的长度为
δd＝d2-d1
其中：h为雷达的安装高度，l为雷达的安装位置距离高速公路路边的距离，l0为单条高速公路的宽度，一般为3.5米。
雷达探测模块包括雷达微波发射模块和雷达微波接收模块；雷达微波发射模块包括：控制单元，用于在中央处理器的调度下，生成频率合成单元的控制信号，驱动频率合成单元。频率合成单元，用于在控制单元的驱动下，生成满足雷达发射需要的微波信号。功率放大器，用于将频率合成单元输出的微弱信号放大到足够的强度，并耦合至发射天线发射出去。发射天线，用于发射微波信号。
雷达微波接收模块包括：接收天线阵列，用于接收目标反射的微波信号，由一根或多根天线组成。低噪声放大器，用于接收来自接收天线的微弱反射雷达信号并放大到足够的强度，最终将信号送往混频单元。混频单元，将接收天线接收到的含有目标信息的信号与本振信号混合，产生包含原始信息的低频信息，供后续模块进行处理。低频放大模块，用于将混频后的微弱信号放大到合适的范围，供adc单元处理。adc模块，用于将微波模拟信号转换为数字信号进行输出。
本发明实施例中雷达侦测设备采用微带阵列天线，其与振子天线、喇叭天线等其他形式的天线相比，具有体积小，剖面小，易于集成化设计，结构简单，适于批量生产的优势。通过调整微带阵列天线的列数、振子数、振子形状以及馈线等结构参数能够得到期望的雷达的波束宽度，驻波比，带宽等性能参数。
本实施例中的雷达侦测设备的跟踪目标为各种类型的机动车辆，为了剔除杂散干扰和虚警目标，雷达在接收到回波信号后，首先要经过预处理模块将机动车辆与道路两旁的行道树、防风绿化带、隔离绿化带等树木与正常的车辆信号区分开来。
本雷达侦测设备的数据预处理模块设置了模型匹配算法，用于对雷达获取的信号进行预处理，根据树木、机动车辆的微波反射信号特征的差异，预先筛除干扰目标，提高待处理的目标的真实性，以便取得较快和较好的处理结果，提高车辆测量和跟踪的准确性。
另外，由于车辆进入雷达探测区的行为模式不可预测，因而对于进入探测区域的目标。本雷达侦测设备的中央处理器模块，采用粒子滤波算法进行初值提取，来确认目标特征。粒子滤波算法的基本步骤包括：初始状态：对于每一个雷达搜索到的信号，作为算法中的粒子，做出粒子在空间中的分布；预测阶段：根据状态方程，计算每一个粒子的预测粒子；校正阶段：对预测粒子进行评估，将其与雷达探测到的新粒子(车辆)进行比较，越接近真实状态的粒子，其权重越大；重采样阶段：根据粒子权重对粒子进行筛选，保留有价值粒子，去掉低价值粒子；滤波阶段：将重采样后的粒子带入状态方程，得到新的预测粒子，循环计算。
其中目标确认可由状态方程和测量方程来实现：
状态方程：
测量方程：
其中，上述方程为粒子(即车辆位置)的动态时变系统描述方程。xk为系统状态，
由于雷达监测区域是有限区域，且机动车辆行进方向单调，因此，在确认目标特征之后，即可根据目标的速率、距离信息，给予一个特定的编号，记为an。基于初始速率的预测，在雷达监测区域内持续对an的轨迹跟踪，运用遗传算法及神经元网络适配，雷达将在整个监测区域内实时描绘出目标an的动态轨迹。
对于每一个在任意时刻识别出的目标an，系统自动将其相关数据计入集合m，且数据链的存活周期为tn。在目标存活周期之内，雷达所获取的所有数据帧均为关联帧，且fn帧的目标位置信息及速率信息来自于f(n-1)帧中对应数据，并与本帧数据比对后遗传至f(n+1)帧。
考虑到雷达的硬件性能，以及监测范围内双向车辆的总数量，雷达需要监测的目标总数上限为512个，剔除对向车辆后，雷达能够持续监测的车辆总数为n＝512，目标的距离分辨率为5m。
为满足多目标跟踪和预测、高精度的实时计算能力，雷达侦测设备中的中央处理器模块采用i.mx6q芯片为核心cpu，该cpu集成了4个cortexa9核的高性能、工业级嵌入式处理器，具有高达1.0g的主频，并支持高达2gbddr3内存、8gbemmc超大存储容量、千兆以太网。雷达侦测设备中其他器件的选型可以为：
雷达微波发射模块的控制单元为高性能的嵌入式处理器，型号为stm32f051。该处理器主频可达48m，拥有64kbflashrom，8kbram。
雷达微波发射模块的频率合成单元采用的芯片型号为hmc533lp4。该芯片的工作频率范围在23.8～24.8ghz，可满足本装置微波发射频率24ghz的需要。
雷达微波发射模块的功率放大器采用的芯片型号为hmc442lm1，该芯片具有单电源供电，+23dbm输出，15db增益，工作频率范围是17.5～25.5ghz。
雷达微波接收模块的低噪声放大器采用的芯片型号为hmc751lc4，该芯片的噪声系数仅为2.2db，增益高达25db。
雷达微波接收模块的混频单元采用的芯片型号为hmc1063lp3，该芯片工作频率范围是24～28ghz，具有10dbm的lo功率，镜像抑制21dbc，lo/rf隔离40db。
雷达微波接收模块的低频放大模块采用的芯片型号为opa837芯片。该芯片是低噪声放大器，具有高达50mhz的增益带宽，极高的开环增益，极低的噪声，非常适合用于驱动adc。
雷达微波接收模块的adc模块采用的芯片型号为ad9248,该芯片是一个单电源工作，采样率高达20msps，14位位宽。
数据预处理模块采用xc7a100t-2fbg484i芯片，该芯片拥有高达100k的逻辑单元，distributedram高达1m，能够胜任庞大的数据计算。
雷达侦测设备可每隔100毫秒进行一次车辆状态数据检测，并将所有的车辆状态数据通过网络发送到与其相连的位于监控中心的突发事件检测服务器上。一个突发事件检测服务器可同时接收来自多个车辆行驶状态检测装置发送过来的车辆行驶状态数据。突发事件检测服务器包括高速公路突发事件检测和预警平台和数据存储服务器。
高速公路突发事件检测和预警平台通过突发事件实时检测方法来分析所有接收到的车辆行驶状态数据，分析其中是否包含突发事件，若有突发事件则将事件发生的位置、事件的类型、采取的处理方式及需要的处理时间等，根据预先定义的预警规则发送到高速公路预警装置，同时也可将预警信号发送到第三方平台，实现更高级的功能。数据存储服务器，可将车辆行驶状态数据和突发事件数据存储到数据库中。
图1中的高速公路突发事件检测和预警平台和数据存储服务器，可根据现场情况需要而采用单台或多台物理服务器，也可通过分布式的方式来进行部署，因此其计算分析能力和存储能力可无限扩展，来满足高复杂程度和长里程的高速公路上所有突发事件的实时分析检测和预警。
高速公路预警装置上都具备网络接口，从而可通过网络接收预警指令或预警信息，其可以包括如下一种或多种的组合：
声光报警器：用于在检测到突发事件后进行点亮和发声，以提醒事件后方的车辆驾驶员；
诱导屏：用于在检测到突发事件后显示相应的事件类型、位置、可能产生的影响和处理方式等信息；
现场广播设备：以声音的方式通知事件附近的车辆和维护人员；
pda、手机或其他手持设备：通过在该设备上安装app等方式，实现对事件相关人员的告知提示和预警，指导他们进行交通引导和事故处理等；
高清网络摄像头：用于当发生突发事件后，辅助确认现场情况或远程指挥现场车辆通行。并可在未发生事故但检测到异常行驶的车辆时，确认车辆信息，如进行车型识别、车牌识别等，从而可进行针对性预警。
预警规则为：当发生突发事件时则可根据事件的类型分别点亮其后方n公里内所有安装的声光报警器，并在其后方m公里内的所有诱导屏上显示事件的位置、类型等详细信息，同时将事件发生的位置和事件类型及处理方式等通过pda、手机或其他手持设备发送到相关人员。并通过现场广播通知事件附近的车辆和维护人员。
所有高速公路预警装置，如声光报警灯、诱导屏、现场广播、手机app等，通过网络与突发事件检测服务器相连，并根据接收到的预警信号，采取相应的动作。如显示声光、播放广播语、显示提示文字等。
高清网络摄像机c1～c#可进行云台操作，因此其可以无死角地观察到突发事件发生位置的任何细节，在进行突发事件处置时进行远程指挥或进一步确认事件细节，它也可包含车牌、车型识别模块，通过识别车牌可从交警部门获取对应车辆的驾驶员信息，从而可针对相应的车辆进行精确预警。
高速公路突发事件检测和预警平台可包括如下模块，分别用于各类突发事件的检测，以及变化趋势的统计和预测：
速度变化检测模块，用于分段统计每段高速公路路段每条车道上所有车辆的平均速度，并进行每条车道平均速度随距离变化趋势曲线拟合，根据拟合曲线的参数判断是否有突发事件；
应急车道占用检测模块，用于根据车辆所在车道判断出是否存在占用应急车道的车辆；
车速检测模块，用于根据车辆的行驶速度信息判断出是否存在超速行驶、极低速行驶或逆行的车辆；
拥挤度计算模块，用于分段统计每段高速公路路段每条车道上所有的车辆数，车辆平均速度及平均车间距信息，并计算相应路段和车道的拥堵值，根据聚类结果得到拥挤程度类别；
时间趋势模型计算模块，用于分别根据每个时刻分段分车道统计的车辆数和/或车辆平均速度建立相应路段车辆的平均速度和/或车辆数目按照时间变化的趋势模型；
异常车辆跟踪模块，用于在分段分车道统计车辆平均速度和平均车间距的基础上提取出与平均速度相差非常大的车辆，以及车间距远小于平均车间距的车辆，并对提出的车辆进行跟踪，用于事故原因分析或车祸事件预判。
在具体实施时可以实现全部模块的功能或部分模块的功能，下面结合附图5对本实施例中的具体检测方法做详细说明：
步骤a：首先根据车辆所在的车道判断其中是否存在占用应急车道的行为，根据国家的高速公路标准，最左侧为快速车道，最右侧为应急车道。同时可根据高速公路相应路段及各个车道的限速标准，判断其中是否存在超过车道最高限速或低于车道允许的最低限速的车辆,当其中出现低于最低限速的车辆时，如其车速特别低，如30千米每小时以下，则可判断其为极低速行驶车辆。另外可根据车辆的速度是否为负值，则可判断是否存在逆行的车辆。
步骤b，对于任意一条高速公路，我们假定以每隔m米进行分段并标号，则整条高速公路可分为n段，然后对每段路上的车辆数进行统计，并计算每条车道的车辆的平均车速和平均车间距，其计算公式如下：
其中，q为当前该段道路上的车辆数，
然后以分段标号为横轴，车辆数为纵轴建立车辆数和高速公路位置之间的车辆分布模型。
同样，计算每段道路上的车辆的平均速度和平均车间距，然后以分段标号为横轴，平均速度或平均车间距为纵轴，从而建立高速公路车辆速度分布模型及车间距分布模型。
然后，对上面的平均速度分布图再进行分段，如以n1(n1<n)段作为一段距离d，然后对该段距离上的所有数据进行曲线拟合。
根据曲线拟合所得的结果进行曲线绘图，即将所求得的二项式方程和给定的数据点都绘制在同一坐标系下，则可得如下几种的几种结果，如图6、图7所示：
1、直线形：其中包括水平直线和斜线两种形式，其二项式方程为y＝a0+a1x；
2、曲线形:其二项式方程为y＝a0+a1x+…+akxk
上述的几种的平均速度-距离曲线图基本可以概括某一时间点，某段高速公路某条车道上的车辆平均速度状况，而对于图7中的不规则曲线，我们可以根据其二项式方程求得其最高点和最低点，然后将其重新分段，如图7中的不规则曲线可重新分为5段，其每段的形状会是图7中上方的两种情形。而图7上方的两种情况又可以用直线的方式来进行近视，如图中的虚线。因此最终的分析结果归纳成图7中的三种情况。即所有的路段的平均速度分布都可由二项式方程y＝a0+a1x来描述。
而根据该二项式方程的常量a0和a1，我们可分析出其中可能包含的突发事件：
(1)若|a1|<θ1，其中θ1为门限值，它非常小，则可得知该路段上的车辆的速度变化非常小，所有车辆均正常行驶，没有突发事件。
(2)若|a1|<θ2，其中θ2>θ1，则该路段上的车辆进行了加速(a1>0)或减速(a1<0)行驶，但速度变化幅度不是很大。则高速公路上可能产生了团雾。当高速某段路程上产生团雾时，其行驶的车辆的表现为在进入团雾前正常行驶，进入团雾后缓慢减速行驶，出团雾后又缓慢加速直至以正常的速度行驶，所以这种事件的可通过相邻几段高速公路路段的车辆平均速度特征来进行检测。通过分析得到某路段车辆缓慢减速行驶，并在其后某一段路段上低速行驶后又有缓慢加速行驶的情况，则可判断该路段发生了团雾事件，而这一整段路段的长度即可推断为团雾的宽度,即公式(3)中的δd。
(3)|a1|<θ3，其中θ3>θ2，这种情况描述的是车辆在该路段上速度发生了剧变，如急加速(a1>0)或急减速(a1<0)行驶，则可判断车辆在该路段上遇到了抛洒物或是遇到塌方截断了该车道，同样也有可能是发生了小型事故从而阻断了该车道。而这种事件与团雾的另一个区别在于这种事件影响的路段长度比较小,即公式(3)中的δd，它只是影响几米或几十米的范围，而团雾的影响可在几百米甚至几公里以上。另外，借助于与该车道相邻车道的车辆平均速度的变化趋势及相邻车道的拥挤度，也可区分该类型事件与团雾,即团雾会影响该路段的所有车道，而抛洒物或塌方等可能只影响一条车道。而对于具体是塌方、车祸或是抛洒物则取决于采取了急加速或急减速行驶的车辆所在的具体位置，如抛洒物只是在中间某条车道上发生，车辆可从应急车道或其他车道绕行，而塌方则会影响该路段上包括应急车道在内的由外至里的多条车道。而根据异常车辆跟踪模块来判断是否在该事件之前存在异常行驶的车辆，如有则可判断是否发生了车祸。
δd＝d1-d2公式(3)
其中，d1为加速发生的路段，d2为减速发生的路段，δd为该突发事件影响的路段长度。
对于上述步骤c:在分段和分车道统计计算的基础上，利用高速公路拥挤度模型计算出每段高速公路每条车道的拥挤程度，计算公式如下：
其中，c为该条车道的拥挤程度，q为当前该条车道上的车辆数，
最后，根据计算的拥堵值，然后采用模糊聚类分析的方法，建立起道路拥挤程度与道路的真实状态：畅通、拥挤、严重拥挤、堵车等之间的隶属函数，如下所示：
畅通的隶属函数：
拥挤的隶属函数：
严重拥挤的隶属函数：
堵车的隶属函数：
其中，k>0；0<a<b<c,其具体数值在不同的高速公路路段可不相同。
最终，根据上面的隶属函数计算出当前每段道路上每条车道对每个状态的隶属度，从而判断出当前每条车道的真实状态,而依据于每条车道的不同状态可判断突发事故所造成的影响的程度。
步骤d:根据计算出的每时刻车辆在该路段上的平均速度，则可建立起该路段车辆的平均速度按照时间变化的趋势模型。即：
而依据该模型我们可知道该路段上在上午、下午、晚上不同时间点车辆通过时的平均速度。
同样，如果我们将其与当时的天气状况相结合，则可得到在正常天气、小量雨雪、大雨雪等天气状况时通过该路段的车辆行驶速度。即：
其中，
而经过长时间的模型训练，我们就可通过该公式来预测该路段当前的大致天气状况,其中情况1为正常天气，情况2为小量雨雪情况，而情况2为发生大雨雪时的情况。而雨和雪的区分可根据具体的时间来区分，如某地7月份只能出现大雨而不可能出现大雪。同样该模型的结果亦可以用于指导判断是否产生塌方的情况，因为塌方的产生很大程度上受到天气状况的影响。
步骤e:根据统计的每时刻车辆在该路段上的车辆数目，则可建立起该路段车辆数目按照时间变化的趋势模型；而该模型结合步骤c及步骤e中的模型，可得到任意路段的日流量、月流量、年流量的统计数据。
步骤f：在统计出平均速度、平均车间距的基础上提取出其中与其偏差较大的车辆，建立该车辆的行为模型；
(1)提取出与平均速度相差非常大的车辆；如某车辆的速度远小于平均速度，则根据该车辆的速度和位置，持续跟踪该车辆，若其速度持续下降直至预先设定的速度阈值(如10km/h)以内，则可判断该车辆为违停。而由其所在的车道进一步确定该车停在道路中间还是停在道路旁边。而若某车辆速度远大于平均速度，且已超速，则该车辆的行为极有可能会导致事故，也可以对该车辆进行持续跟踪，可用于当发生事故后的事故原因的分析。
(2)同样，提取出车间距远小于平均车间距的车辆，跟踪其行驶轨迹，并根据其速度对其行驶进行预测，如其与其前方的车辆的车间距不足以进行制动，则必然导致事故，据此我们可提前对车祸事件进行预判。即：
l＜＜(v-v1)×t公式(10)
其中，l为跟踪车辆与其前方车辆的车间距，v为跟踪车辆的车速，v1为其前方车辆的车速，t为车辆制动时间，符号＜＜代表远小于。
由上可知，根据本发明的高速公路突发事件实时检测方法，可实时精准地检测出高速公路上的各种突发事件，其中包括团雾、违停、逆行、塌方、车祸、抛洒物、大雨雪、堵车等。
本发明另一方面公开的一种基于雷达侦测的高速公路预警方法，包括如下步骤：
通过安装在高速公路路侧的各个雷达侦测设备，获得雷达侦测设备覆盖范围内的车辆行驶状态数据，所述行驶状态数据包括当前时刻覆盖范围内所有车辆的位置、行驶速度和所在车道，以及车辆之间的间距；
根据雷达侦测设备检测到的车辆行驶状态数据，对突发事件进行实时检测，确定突发事件类型；其中至少包括，分段统计每段高速公路路段每条车道上所有车辆的平均速度，并进行每条车道平均速度随距离变化趋势曲线拟合，根据拟合曲线的参数判断是否有突发事件；
在检测到突发事件后，对高速公路上行驶的车辆和高速公路管理人员的进行预警。
此外，为了使检测更全面，在突发事件进行实时检测时，还执行如下一个或多个步骤：
根据车辆所在车道判断出是否存在占用应急车道的车辆；
根据车辆的行驶速度信息判断出是否存在超速行驶、极低速行驶或逆行的车辆；
分段统计每段高速公路路段每条车道上所有的车辆数，车辆平均速度及平均车间距信息，并计算相应路段和车道的拥堵值，根据聚类结果得到拥挤程度类别；
分别根据每个时刻分段分车道统计的车辆数和/或车辆平均速度建立相应路段车辆的平均速度和/或车辆数目按照时间变化的趋势模型；
在分段分车道统计车辆平均速度和平均车间距的基础上提取出与平均速度相差非常大的车辆，以及车间距远小于平均车间距的车辆，并对提出的车辆进行跟踪，用于事故原因分析或车祸事件预判。
上述方法实施例与系统实施例属于同一发明构思，系统实施例可用于实现方法实施例，具体方法细节在此不再赘述。
以上所述为本发明的优选实施例，本领域技术人员应该了解，本发明不受上述实施例的限制，在不脱离本发明的基本原理、主要结构、使用领域范围及使用目的的前提下，本发明还会有各种类似的变化和改进，这些变化和改进都应属于本发明的保护范围之内。